KR20180044739A - 딥 러닝을 이용한 룰 생성방법 및 장치 - Google Patents

딥 러닝을 이용한 룰 생성방법 및 장치 Download PDF

Info

Publication number
KR20180044739A
KR20180044739A KR1020160138626A KR20160138626A KR20180044739A KR 20180044739 A KR20180044739 A KR 20180044739A KR 1020160138626 A KR1020160138626 A KR 1020160138626A KR 20160138626 A KR20160138626 A KR 20160138626A KR 20180044739 A KR20180044739 A KR 20180044739A
Authority
KR
South Korea
Prior art keywords
rule
rule set
result data
data
training
Prior art date
Application number
KR1020160138626A
Other languages
English (en)
Inventor
김명수
정태환
조경선
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020160138626A priority Critical patent/KR20180044739A/ko
Priority to US15/791,800 priority patent/US20180114123A1/en
Publication of KR20180044739A publication Critical patent/KR20180044739A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/027—Frames
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Abstract

룰 생성 장치가 수행하는 룰 셋의 생성 방법이 제공된다. 본 발명에 일 실시예에 따른 룰 생성 방법은, 입력 데이터에 대하여, 미리 설정된 제1 룰 셋에 기초하여 룰 엔진을 실행함에 따라, 제1 결과 데이터를 출력하는 단계와 딥 러닝 모듈을 이용하여 상기 입력 데이터에 대한 학습을 수행함으로써, 트레이닝 룰 셋을 생성하는 단계와 상기 생성된 트레이닝 룰 셋에 기초하여 상기 룰 엔진을 실행함에 따라, 제2 결과 데이터를 출력하는 단계와 상기 제1 결과 데이터 및 상기 제2 결과 데이터의 비교 결과를 이용하여, 상기 제1 룰 셋을 상기 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트하는 단계를 포함할 수 있다.

Description

딥 러닝을 이용한 룰 생성방법 및 장치{METHOD AND APPARATUS FOR OPTIMIZING RULE USING DEEP LEARNING}
본 발명은 딥 러닝을 이용한 룰 생성 방법 및 장치에 관한 것이다. 보다 자세하게는, 딥 러닝 기반으로 룰 셋을 업데이트함으로써, 룰을 생성하는 방법 및 장치에 관한 것이다.
비즈니스 환경에서 다양한 요인들을 기초로 원활한 의사결정을 내리기 위하여 룰 엔진(Rule engine)이 이용되고 있다. 룰 엔진은, 입력 값에 대하여 룰의 집합인 룰 셋(Rule-set)을 실행하여 그 결과 값을 출력하고, 의사 결정자에게 결과 값을 제공함으로써, 입력 값의 비즈니스에 대한 영향력을 판단하도록 하는 시스템이다.
룰 엔진의 룰 셋은 비즈니스 환경의 변화, 새로운 판단 기준의 개발 등에 따라, 신규 룰이 추가되거나, 기존의 룰이 개정 또는 삭제되는 등 갱신될 수 있다. 이 같은 룰 셋의 갱신을 위해 입력 데이터를 실행하는 룰의 오류 및 분석 정확성 등에 대한 판단이 요구되는데, 일반적으로, 이와 같은 판단은 룰 셋 관리자에 의해 수동으로 수행된다.
그러나, 룰 엔진에 입력되는 데이터의 양이 방대하고, 실행되는 룰 또한 매우 복잡하고 다양하기 때문에, 개개의 룰의 오류 및 분석 정확성에 대하여 룰 셋 관리자가 수동으로 인지하고 룰 셋을 갱신하는데 한계가 따른다.
그럼에도, 딥 러닝(Deep learning)과 같이 방대한 양의 데이터에 대한 분석 기술을 이용하여 사람이 인지하지 못하는 부분의 룰 오류까지 파악함으로써, 최적화된 룰 셋을 생성하는 기술은 제공되지 않고 있다.
한국공개특허 제 2010-0062801 호
본 발명이 해결하고자 하는 기술적 과제는, 딥 러닝 기술을 이용한 룰 생성 방법 및 장치를 제공하는 것이다.
구체적으로, 본 발명이 해결하고자 하는 기술적 과제는, 기존의 룰 셋의 결과 값과 딥 러닝을 통해 학습된 룰 셋의 결과 값의 비교 결과를 기초로, 최적화된 룰을 생성하는 방법 및 그 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는 기존의 룰 셋에 따른 결과 값과 딥 러닝을 통해 학습된 룰 셋의 결과 값 비교를 위해, 다차원의 결과 값을 1차원으로 변환시키는 방법 및 장치를 제공하는 것이다.
구체적으로, 본 발명이 해결하고자 하는 다른 기술적 과제는, 기존의 룰 셋에 따른 결과 값과 딥 러닝을 통해 학습된 룰 셋의 결과 값을 1차원 상의 그래프로 표현하여 룰 셋의 신뢰도를 판단하는 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 다양한 분석 함수를 이용한 분석 결과를 기존의 룰에 반영함으로써, 최적화된 룰을 생성하는 방법 및 그 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시예에 따른 룰 생성 방법은, 룰(Rule) 생성 장치가 수행하는 방법으로서, 입력 데이터에 대하여, 미리 설정된 제1 룰 셋에 기초하여 룰 엔진을 실행함에 따라, 제1 결과 데이터를 출력하는 단계와 딥 러닝(deep learning) 모듈을 이용하여 상기 입력 데이터에 대한 학습을 수행함으로써, 트레이닝 룰 셋을 생성하는 단계와 상기 생성된 트레이닝 룰 셋에 기초하여 상기 룰 엔진을 실행함에 따라, 제2 결과 데이터를 출력하는 단계와 상기 제1 결과 데이터 및 상기 제2 결과 데이터의 비교 결과를 이용하여, 상기 제1 룰 셋을 상기 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트하는 단계를 포함할 수 있다.
일 실시예에서, 상기 룰 생성 방법의 상기 제1 룰 셋을 상기 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트하는 단계는, 상기 입력 데이터에 대하여, 상기 제1 룰 셋에 포함된 제1 룰의 실행에 따른 제1 결과 데이터 및 상기 트레이닝 룰 셋에 포함된 제2 룰의 실행에 따른 제2 결과 데이터를 비교하는 단계와 상기 비교 결과, 상기 제1 결과 데이터와 상기 제2 결과 데이터 사이에 미리 설정된 기준 이상의 차이가 식별되는 경우, 상기 제1 룰에 입력된 입력 데이터를 클러스터링하는 단계를 포함할 수 있다.
일 실시예에서, 상기 룰 생성 방법은, 상기 제1 룰에 입력된 입력 데이터를 클러스터링한 후, 상기 클러스터링된 입력 데이터에 대하여, 상기 딥 러닝 모듈을 이용하여 결과 데이터를 산출하는 단계와 상기 산출된 결과 데이터의 정확도가 미리 설정된 임계치 이상인 경우, 상기 제1 결과 데이터를 상기 산출된 결과 데이터로 대체하는 단계와 상기 대체된 결과 데이터를 기초로, 상기 제2 룰을 학습하는 단계와 상기 학습된 제2 룰을 상기 트레이닝 룰 셋에 반영하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 룰 생성 방법은, 상기 제1 룰에 입력된 입력 데이터를 클러스터링한 후, 상기 클러스터링된 입력 데이터에 대하여, 미리 설정된 분석 함수를 이용하여 결과 데이터를 산출하는 단계와 상기 분석 함수 중, 정확도가 가장 높은 결과 데이터를 산출하는 분석 함수를 선택하는 단계와 상기 선택된 분석 함수를 기초로, 상기 제2 룰을 학습하는 단계와 상기 학습된 제2 룰을 상기 트레이닝 룰 셋에 반영하는 단계를 포함할 수 있다.
상술한 본 발명에 따르면, 딥 러닝 기술을 활용함으로써, 복잡하고 다양한 룰 셋의 룰 오류 여부를 자동으로 판단할 수 있는 효과가 있다.
또한, 본 발명에 따르면, 비즈니스 환경 변화에 따라 불필요해진 룰을 룰 셋에서 삭제함으로써, 룰 셋을 최적할 수 있는 효과가 있다.
또한, 본 발명에 따르면, 룰 셋에 포함된 룰 중, 딥 러닝 기술로 학습된 룰 셋을 실행한 결과 값을 분석함으로써, 신규 룰을 학습할 수 있는 효과가 있다. 이 같이 신규 학습된 룰이 룰 셋에 포함됨으로써, 룰 엔진의 성능은 향상될 수 있다.
또한, 본 발명에 따르면, 다양한 분석 함수를 이용하여, 분석된 룰을 룰 셋에 반영함으로써, 정확도가 향상된 결과 값을 얻을 수 있는 장점이 있다.
또한, 본 발명에 따르면, 룰 엔진 관리자에게 룰 셋의 결과 값을 1차원 그래프로 제공하므로, 룰 셋의 오류 여부에 대한 직관적인 정보를 제공할 수 있는 장점이 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 룰 생성 장치의 기능 블록도이다.
도 2는 본 발명의 다른 실시예에 따른 룰 생성 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 룰 생성 방법의 순서도이다.
도 4는 도 3에서 참조되는 룰 생성 방법을 설명하기 위한 개념도이다.
도 5는 본 발명의 몇몇 실시예에서 참조되는 룰 셋의 예시이다.
도 6은 본 발명의 또 다른 실시예에 따른, 미리 설정된 룰 셋의 결과 데이터를 나타내는 그래프의 예시이다.
도 7a 내지 도 7d는 딥 러닝 결과 학습된 룰 셋의 결과 데이터를 설명하기 위한 예시도이다.
도 8은 본 발명의 몇몇 실시예에서 참조되는, 미리 설정된 룰 셋의 결과 데이터 및 학습된 룰 셋의 결과 데이터를 비교하는 그래프의 제1 예시이다.
도 9는 본 발명의 몇몇 실시예에서 참조되는, 미리 설정된 룰 셋의 결과 데이터 및 학습된 룰 셋의 결과 데이터를 비교하는 그래프의 제2 예시이다.
도 10은 본 발명의 몇몇 실시예에서 참조되는, 미리 설정된 룰 셋과 학습된 룰 셋을 비교하기 위한 예시도이다.
도 11은 본 발명의 몇몇 실시예에서 참조되는 분석 함수를 설명하기 위한 예시도이다.
도 12는 본 발명의 몇몇 실시예에서 참조되는, 딥 러닝을 이용한 분석 결과 및 분석 함수를 이용한 분석 결과를 설명하는 예시도이다.
도 13은 본 발명의 몇몇 실시예에서 참조되는, 최적화된 룰 셋의 결과 데이터를 나타내는 그래프의 예시이다.
도 14는 본 발명의 몇몇 실시예에서 참조되는, 최적화된 룰 셋을 설명하기 위한 예시도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 발명에 대하여 첨부된 도면에 따라 보다 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 룰 생성 장치의 기능 블록도이다.
룰 생성 장치(100)는 입력 데이터를 연산하여 결과 데이터를 출력할 수 있는 컴퓨팅 장치이다. 도 1을 참조하면, 룰 생성 장치(100)는 특히, 룰 셋 매칭 모듈(103), 미리 설정된 룰 셋(105), 실행 모듈(107), 딥 러닝 모듈(111), 식별 모듈(112), 룰 재정의 모듈(113)을 포함할 수 있다.
룰 셋 매칭 모듈(103)은 룰 생성 장치(100)에 입력된 입력 데이터(101)에 실행할 룰 셋을 매칭시킨다. 이때, 룰 셋 매칭 모듈(103)은 미리 설정된 룰 셋(105)의 데이터베이스로부터 입력 데이터(101)에 매칭되는 룰 셋을 획득할 수 있다. 예를 들어, 입력 데이터(101)가 환자의 의료 정보인 경우, 룰 셋 매칭 모듈(103)은 환자의 질환 여부를 판단하기 위하여 미리 설정된 복수의 룰로 구성된 룰 셋(105)을 획득하고, 환자의 의료 정보에 매칭시킬 수 있다.
실행 모듈(107)은 입력 데이터(101)에 대하여 매칭된 룰 셋(105)에 포함된 각각의 룰을 실행시킨다. 이때, 실행 모듈(107)은 룰 셋 엔진을 포함하여 구성될 수 있다. 룰 셋 엔진은 매칭된 룰 셋(105)을 실행하기 위하여 미리 설정된 룰 셋 엔진일 수 있다. 실행 모듈(107)의 룰 셋 실행 결과 데이터(109)가 생성된다. 결과 데이터(109)는 로그(115)로 저장될 수 있다. 또한, 결과 데이터(109)는 딥 러닝 모듈(111)로부터 생성된 트레이닝 룰 셋의 결과 데이터와의 비교를 위하여, 최근 분석 데이터(110)로 분류될 수 있다.
실행 모듈(107)은, 입력 데이터에 대하여 딥 러닝 모듈(111)을 이용하여 생성된 트레이닝 룰 셋을 실행할 수도 있다. 이 같은 트레이닝 룰 셋의 실행 결과 데이터는 식별 모듈(112)에 제공된다.
딥 러닝 모듈(111)은 입력 데이터(101)를 분석하여, 트레이닝 룰 셋을 생성할 수 있다. 즉, 딥 러닝 모듈(111)은 입력 데이터를 분석하여 룰을 학습하고, 학습된 룰로 구성된 룰 셋을 생성할 수 있다. 이를 위해, 딥 러닝 모듈(111)은 최초의 입력 데이터를 미리 설정된 룰 셋(105)을 기초로 입력된 입력 데이터(101)와 결과 데이터(109)를 분석하여 룰을 추론할 수 있다.
또한, 딥 러닝 모듈(111)은, 학습한 룰을 기초로, 미리 설정된 룰 셋(105)에 포함된 룰의 추가, 개정 및/또는 삭제하기 위하여 결과 데이터를 분석할 수도 있다.
딥 러닝 모듈(111)은 본 발명의 기술 분야에서 널리 알려진 다양한 모듈 중 적어도 하나로 구성될 수 있다. 특히, 딥 러닝 모듈(111)은 뉴럴 네트워크(Neural Networks) 기술을 이용한 비감독(Unsupervised) 학습을 수행하는 딥 러닝 모듈일 수 있다.
식별 모듈(112)는 트레이닝 룰 셋의 결과 데이터와 최근 분석 데이터(110)를 비교할 수 있다. 이 같은 비교 과정을 통해, 식별 모듈(112)은 결과 데이터에 이상이 발생했는지 여부를 판단할 수 있다.
일 실시에 따르면, 트레이닝 룰 셋의 결과 데이터와 최근 분석 데이터(110)가 미리 설정된 기준 이상의 차이가 존재하는 경우, 식별 모듈(112)은 결과 데이터에 이상이 있는 것으로 식별할 수 있다.
반면, 트레이닝 룰 셋의 결과 데이터와 최근 분석 데이터(110)가 유사한 경우, 예를 들어 미리 설정된 기준 미만의 차이만 존재하는 경우, 식별 모듈(112)은 결과 데이터가 정상으로 식별하고, 결과 데이터는 로그(115)로 기록될 수 있다.
룰 재정의 모듈(113)은 식별 모듈(112)에서 결과 데이터의 이상이 식별된 경우, 룰 셋(105)에 포함된 룰을 추가, 개정 및/또는 삭제할 수 있다. 즉, 룰 재정의 모듈(113)은 결과 데이터의 이상이 식별된 경우, 정상적인 결과 데이터를 얻기 위하여 룰 셋에 새로운 룰을 추가하거나, 기존의 룰을 삭제 또는 개정할 수 있다. 이와 같은 룰 업데이트는 룰 셋(105)에 반영된다.
도 1에서, 룰 생성 장치(100)의 각 구성요소들은, 룰 생성 장치(100)가 수행하는 기능 단위의 블록으로 도시되었으나, 룰 생성 장치(100)의 프로세서에 의해 실행되는 소프트웨어(Software) 모듈을 의미할 수 있다. 또는, 상기 각 구성 요소는 FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수도 있다. 그렇지만, 상기 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.
다음으로 도 2를 참조하여 본 발명의 다른 실시예에 따른 룰 생성 장치(100)의 세부 구성 및 동작에 대하여 설명한다. 도 2는 본 발명의 다른 실시예에 따른 룰 생성 장치(100)의 하드웨어 구성도이다.
도 2를 참조하면, 룰 생성 장치(100)는 하나 이상의 프로세서(121), 네트워크 인터페이스(122), 프로세서(1210)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(123)와, 룰 생성 소프트웨어(125)를 저장하는 스토리지(124)를 포함할 수 있다.
프로세서(121)는 룰 생성 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(121)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(120)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 룰 생성 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.
네트워크 인터페이스(122)는 룰 생성 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 네트워크 인터페이스(270)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스(270)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
네트워크 인터페이스(122)는 네트워크를 통해 도 1의 입력 데이터(101)를 수신할 수 있으며, 본 발명의 실시예에 따른 룰, 룰 셋을 수신할 수 도 있다. 또한, 네트워크 인터페이스(122)는 본 발명의 실시예에 따른, 딥 러닝 모듈(111), 분석 함수 등 각종 프로그램 및/또는 애플리케이션을 수신할 수도 있다.
메모리(123)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(230)는 본 발명의 실시예들에 따른 룰 생성 방법을 실행하기 위하여 스토리지(124)로부터 하나 이상의 프로그램(125)을 로드할 수 있다. 도 2에서 메모리(123)의 예시로 RAM이 도시되었다.
스토리지(124)는 상기 하나 이상의 프로그램(125), 룰 셋, 결과 데이터(127)를 비임시적으로 저장할 수 있다. 도 2에서 상기 하나 이상의 프로그램(125)의 예시로 룰 병합 소프트웨어(125)가 도시되었다.
스토리지(124)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
룰 생성 소프트웨어(125)는, 도 1에 대한 설명에서 예시된 기능 블록들이 수행하는 오퍼레이션을 포함할 수 있다. 프로세서(1210의 룰 생성 소프트웨어(125)를 실행함에 따라 수행되는 오퍼레이션에 대하여, 도 3 및 도 4에 대한 설명에서 후술한다.
스토리지(124)는 룰 생성 소프트웨어(125) 외에, 본 발명의 실시예에 따른 미리 설정된 룰 셋 및 딥 러닝을 통해 생성된 트레이닝 룰 셋을 저장하는 룰 셋 저장부(126)를 포함할 수 있다.
또한, 스토리지(124)는 입력 데이터에 대하여 미리 설정된 룰 셋 및 트레이닝 룰 셋을 실행함으로써 획득된 각각의 결과 데이터(127)를 저장할 수도 있다. 도 1에 대한 설명에서 상술한 바와 같이, 결과 데이터(127)는 로그로 기록될 수 있다.
한편, 룰 생성 장치(100)는 도 2에 도시된 구성 요소 외에 본 발명의 실시예와 관련된 다양한 구성 요소를 추가로 포함할 수도 있다. 예를 들어, 룰 생성 장치(100)는 결과 데이터에 관한 그래프 및 도표를 룰 생성 장치(100)의 관리자에게 제공하기 위한 디스플레이부, 상기 관리자로부터 다양한 룰 셋 수정 입력을 입력 받기 위한 입력부를 포함할 수도 있다.
지금부터, 도 3 내지 도 14을 참조하여 본 발명의 또 다른 실시예에 따른 룰 생성 방법에 대하여 상세히 설명한다. 이하, 본 발명의 실시예에 따른 룰 생성 방법의 각 단계는, 룰 생성 장치(100)에 의해 수행되는 것으로 가정한다. 또한, 룰 생성 방법의 각 단계는 룰 생성 소프트웨어(125)가 프로세서(121)에 의해 실행됨으로써, 룰 생성 장치(100)에서 수행되는 오퍼레이션일 수 있다.
도 3은 본 발명의 또 다른 실시예에 따른 룰 생성 방법의 순서도이다. 또한, 도 4는 도 3에서 참조되는 룰 생성 방법을 설명하기 위한 개념도이다.
도 3 및 도 4를 참조하면, 룰 생성 장치(100)는 입력 데이터에 대하여, 미리 설정된 제1 룰 셋에 기초하여 룰 엔진을 실행함에 따라(S10), 결과 데이터를 출력할 수 있다(S20). 이하, 제1 룰 셋에 기초하여 룰 엔진을 실행함에 따라 획득되는 결과 데이터를 트레이닝 룰 셋에 기초하여 룰 엔진을 실행함에 따라 획득되는 결과 데이터와 구별하기 위해서 제1 결과 데이터라 칭하기로 한다.
또한, 룰 생성 장치(100)는 딥 러닝 모듈을 이용하여 입력 데이터(101)에 대한 학습을 수행함으로써, 트레이닝 룰 셋을 생성할 수 있다(S30). 딥 러닝 모듈은 뉴럴 네트워크(Neural Networks) 기술을 이용하여 입력 데이터에 대한 학습을 수행할 수 있다. 이때, 딥 러닝 모듈은 입력 데이터(101)와 제1 결과 데이터의 학습 결과에 따라, 트레이닝 룰 셋을 생성할 수도 있다.
룰 생성 장치(100)는 생성된 트레이닝 룰 셋에 기초하여 룰 엔진을 실행함에 따라, 결과 데이터를 출력할 수 있다(S40). 도 2에서 룰 엔진이 단계(S10)에서 이용되는 것으로 도시되었으나, 룰 엔진은 룰 생성 장치(100)의 트레이닝 룰 셋을 실행할 수도 있다. 이하, 트레이닝 룰 셋에 기초하여 룰 엔진을 실행함에 따라 획득되는 결과 데이터를 상기 제1 결과 데이터와 구별하기 위하여 제2 결과 데이터라 칭하기로 한다.
룰 생성 장치(100)는 단계(S20) 및 단계(S40)에서 각각 회득된 제1 결과 데이터 및 제2 결과 데이터를 비교할 수 있다(S50). 룰 생성 장치(100)는 단계(S50)의 비교 결과, 결과 데이터가 정상인지, 이상인지 여부를 판단할 수 있다. 결과 데이터가 정상인지 이상인지 여부를 판단하는 방법에 대하여는, 도 8 및 도 9에 대한 설명에서 후술하도록 한다.
또한, 룰 생성 장치(100)SMS 제1 결과 데이터 및 제2 결과 데이터의 비교 결과를 이용하여, 미리 설정된 제1 룰 셋을 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트할 수 있다(S60). 구체적으로, 트레이닝 룰 셋의 실행에 따른 결과 데이터가 실제 측정 데이터 기준으로 정확도가 높은 경우, 룰 생성 장치(100)는 미리 설정된 제1 룰 셋을 트레이닝 룰 셋을 기초로 업데이트할 수 있다. 또는 룰 생성 장치(100)는 미리 설정된 제1 룰 셋에 트레이닝 룰 셋의 일부 룰이 반영되도록 업데이트할 수도 있다. 여기에서 룰 셋의 업데이트란 룰 셋에 포함된 개개의 룰에 대한 업데이트를 포함하는 개념으로 이해되어야 한다.
본 발명의 다른 실시예에 따르면, 룰 생성 장치(100)는 트레이닝 룰 셋의 실행에 따른 결과 데이터를 학습하여 트레이닝 룰 셋을 갱신할 수 있다. 또한, 룰 생성 장치(100)는 트레이닝 룰 셋의 실행에 따른 결과 데이터에 대하여 분석 함수를 이용하여 정확도 판단을 수행한 후, 분석 함수의 결과 데이터를 이용하여 트레이닝 룰 셋을 갱신할 수도 있다.
도 5는 본 발명의 몇몇 실시예에서 참조되는 룰 셋의 예시이다.
도 5를 참조하면, 룰 셋(501)은 만성질환을 체크하기 위하여 미리 설정된 룰 셋의 예시이다. 룰 셋(503)은 상기 만성 질환 중, 당뇨병 체크를 위하여 미리 설정된 룰 셋의 예시이다. 룰 셋(501)은 룰 셋(503)과 같은 개별 룰 셋들의 집합일 수 있다. 룰 셋(501) 및 룰 셋(503)을 구성하는 각각의 룰은 입력 데이터가 룰의 조건(when)을 만족 시, 결과(then)를 출력하는 함수이다. 이때, 룰 생성 장치(100)에 입력되는 입력 데이터가 검진자의 의료 데이터인 경우를 예를 들어 설명한다.
룰 셋(501)을 참조하면, 검진자의 의료 데이터가 나이가 78세 보다 많고, 가족 중 아버지가 당뇨병인 가족력 정보를 포함하는 경우, 당뇨병 체크 대상으로 결과 데이터를 출력한다.
또한, 검진자의 의료 데이터가 가족력은 없으나, 혈압이 193을 초과하는 정보를 포함하는 경우, 고혈압 체크 대상으로 결과 데이터를 출력한다.
룰 셋(501)에서 검진자의 의료 데이터가 당뇨병 체크 대상으로 출력된 경우를 가정한다. 룰 셋(503)은, 혈당 체크, 체중 변화 체크, 소변횟수 체크, 식습관 체크 등 당뇨병 판단에 요구되는 각 인자가 검진자의 당뇨병 체크를 위한 룰로서 미리 설정된 경우이다.
검진자의 의료 데이터에 대하여 각 룰을 실행하여, 혈당이 126mg/dl을 초과하는 경우, 체중 변화가 8kg을 초과하는 경우, 소변 횟수가 12회를 초과하는 경우, 당 섭취량이 섭취 칼로리의 10%를 초과하는 경우, 각각의 룰은, 혈당 이상, 체중 변화 이상, 소변횟수 이상, 식습관 이상의 결과 데이터를 출력한다. 특히 룰 셋(503)을 참조하면, 체중 변화 체크, 소변 횟수 체크 및 식습관 체크 룰은 f(x) 함수로 정의되었다. f(x) 함수는 룰 함수로 지칭될 수 있다. 이때, x는 각각의 룰 조건에 대응되는 검진자의 의료 데이터 상의 입력 데이터 값이다.
룰 생성 장치(100)는 룰 셋(501, 503)을 실행하여 결과 데이터를 획득하는데, 입력된 검진자의 의료 데이터에 대한 결과 데이터가 당뇨병 환자 데이터로 분류된 경우를 가정한다. 이때, 검진자가 실제로 당뇨병 질환을 갖고 있는 경우 결과 데이터는 정상으로 판단되고, 룰의 정확도도 높다고 평가된다.
반면, 검진자의 의료 데이터에 대한 결과 데이터가 정상인 데이터로 분류된 경우, 결과 데이터는 이상으로 판단되고, 룰의 정확도가 낮다고 평가된다. 이 같은 경우, 본 발명의 실시예에 따르면, 결과 데이터에 대한 딥 러닝을 통해 트레이닝 룰 셋을 생성하고, 룰을 개정함으로써 룰의 정확도를 향상시킬 수 있다. 또한, 정확도가 높은 룰이 실행됨으로써, 결과 데이터에 대한 신뢰도도 증대될 수 있다.
도 6은 본 발명의 또 다른 실시예에 따른, 미리 설정된 룰 셋의 결과 데이터를 나타내는 그래프의 예시이다.
단계(S20)에서, 룰 생성 장치(100)는 입력 데이터에 대하여, 제1 룰 셋에 포함된 n개의 룰을 실행함에 따라 출력되는 n차원의 결과 값을 출력할 수 있다.
도 6을 참조하면, 도 5에서 예시된 룰 중에서 가족력 체크, 체중변화 체크, 소변횟수 체크를 룰로 포함하는 룰 셋이 미리 설정된 제1 룰 셋인 경우에 룰 생성 장치(100)가 출력한 결과 값을 표현한 그래프(601)가 예로써 도시되었다. 그래프(601)에서, 제1 룰 셋에 따른 결과 값은 다차원의 공간 상에 표시된다.
그러나, 본 발명의 실시예에 따르면, 룰 생성 장치(100)는 n차원의 결과 값에 커널(Kernel) 함수를 적용함에 따라, 단계(S20)에서 획득되는 제1 결과 데이터에 대한 1차원의 그래프를 생성할 수 있다.
그래프(603)을 참조하면, 룰 생성 장치(100)는 n차원의 결과 값에 대하여 커널 함수를 실행함에 따라, 제1 룰 셋의 결과 데이터를 1차원의 그래프(603)로 표시할 수 있다.
그래프(603)를 참조하면, 룰 생성 장치(100)는 커널 함수의 실행에 따라, 룰 셋에 포함된 룰들의 룰 조건이 식별되어 표시된 그래프를 생성할 수 있다. 예를 들어, 도 5의 룰 셋(501)을 참조하면, 당뇨병 체크를 위한 룰 셋의 룰 조건으로 가족력 및 나이에 대한 조건이 미리 설정되었다. 이 경우, 룰 생성 장치(100)는 커널 함수를 실행하여, 가족력 및 나이에 대한 룰 조건을 식별하고, 그래프(603)을 생성할 수 있다. 그래프(603)는 룰 셋(501)의 다른 만성질환을 위한 룰 셋의 룰 조건을 포함할 수도 있다.
또한, 그래프(605)를 참조하면, 룰 생성 장치(100)는 n차원의 결과 값에 대하여 커널 함수를 실행함에 따라, 각각의 룰에 대응되는 입력 데이터에 대한 결과 데이터를 1차원의 그래프로 표시할 수 있다. 여기에서 각각의 룰은 제1 룰 셋에 포함된 룰이다. 룰 생성 장치(100)는 n 차원의 결과 값에 커널 함수를 적용함에 따라, 예를 들어, 도 5의 룰 셋(503)에 포함된 독립적인 룰에 대한 룰 조건(When)과 결과(Then)를 바탕으로 그려진 그래프(605)를 생성할 수 있다.
이와 같이, 결과 데이터가 1차원 그래프로 표현됨으로써, 룰 생성 장치(100)의 관리자, 또는 결과 데이터 이용자는 입력 데이터의 각 룰에 대한 결과 데이터를 직관적으로 판단할 수 있다.
도 7a 내지 도 7d는 딥 러닝 결과 학습된 룰 셋의 결과 데이터를 설명하기 위한 예시도이다.
단계(S30)에서, 룰 생성 장치(100)는 입력 데이터에 대한 학습을 수행함으로써, 입력 데이터를 m개의 그룹으로 클러스터링할 수 있다. m은 제1 룰 셋에 포함된 룰의 개수인 n 이상의 자연수일 수 있다.
룰 생성 장치(100)는 클러스터링된 m개의 그룹을 기초로, m개의 룰을 포함하는 트레이닝 룰 셋을 생성할 수 있다. 즉, 룰 생성 장치(100)는 제1 룰 셋에 포함된 룰의 개수인 n개 이상의 룰을 포함하는 트레이닝 룰 셋을 생성할 수 있다. 이에 따라, 룰 생성 장치(100)는 최종 결과 데이터를 산출하는데 영향을 끼치는 룰을 추가적으로 식별할 수 있다.
도 7a는, 입력 데이터의 예시이다. 도 7a에서 각각의 입력 데이터가 가지는 값에 따라 평면 공간 상에 배열된 경우가 예로써 도시되었다.
도 7b는, 룰 생성 장치(100)가 딥 러닝 모듈을 이용하여, 입력 데이터를 클러스터링한 결과의 예시이다. 룰 생성 장치(100)는 입력 데이터의 값을 바탕으로 밀집도를 파악할 수 있다. 룰 생성 장치(100)는 딥 러닝 모듈을 이용하여, 클러스터링된 각 클러스터의 연관성을 파악하고, 분류할 수 있다. 이에 따라, 입력 데이터는 혈당, 가족력, 식습관, 당뇨병 클러스터로 분류되었다.
도 7c를 참조하면, 룰 생성 장치(100)는 각각의 클러스터로 분류된 입력 데이터에 대하여 딥 러닝을 수행하여 결과 데이터를 출력할 수 있다. 도 7c에서 원형의 클러스터 상에 딥 러닝 결과 데이터를 의미하는 곡선 그래프가 도시되었다. 룰 생성 장치(100)는 단계(S30)에서, 딥 러닝 결과 데이터를 기초로, 트레이닝 룰 셋을 생성할 수 있다.
도 7d를 참조하면, 룰 생성 장치(100)는, 단계(S40)에서, 입력 데이터에 대하여, 트레이닝 룰 셋에 포함된 m개의 룰을 실행함에 따라 출력되는 m차원의 결과 값을 출력할 수 있다. 이에 따라, 트레이닝 룰 셋의 실행에 따른 결과 값은 도 6의 그래프(601)과 마찬가지로, m차원의 공간 상에 위치하게 된다.
그러나, 본 발명의 실시예에 따르면, 룰 생성 장치(100)는 m차원의 결과 값에 커널 함수를 적용함에 따라, 단계(S40)에서 획득되는 제2 결과 데이터에 대한 1차원의 그래프를 생성할 수 있다. 도 7d에서 딥 러닝 분석 결과, 즉 트레이닝 룰 셋의 실행에 따라, 결과 데이터가 1차원의 그래프(701)로 표시되었다. 그래프(701)의 각 그룹은 입력 데이터에 대한 클러스터를 의미하고, 그래프 값은 결과 데이터의 값을 의미한다.
룰 생성 장치(100)는 제1 결과 데이터가 출력되면, 도 6의 그래프(603)를 디스플레이부를 통해 출력하거나, 네트워크 인터페이스(122)를 통해 외부 장치로 송신할 수 있다. 또한, 룰 생성 장치(100)는 제2 결과 데이터가 출력되면, 도 7d의 그래프(701)을 디스플레이부를 통해 출력하거나, 네트워크 인터페이스를 통해 외부 장치로 송신할 수 있다.
본 발명의 다른 실시예에 따르면, 룰 생성 장치(100)는 그래프(601)과 그래프(701)가 중첩된 그래프를 디스플레이부를 통해 출력하거나, 네트워크 인터페이스(122)를 통해 외부 장치로 송신할 수 있다. 이에 따라, 룰 생성 장치(100)의 관리자 또는 결과 데이터의 이용자는 직관적으로 제1 결과 데이터와 제2 결과 데이터를 비교할 수 있으며, 제1 결과 데이터가 정상인지 이상인지 여부를 판단할 수도 있다.
도 8은 본 발명의 몇몇 실시예에서 참조되는, 미리 설정된 룰 셋의 결과 데이터 및 학습된 룰 셋의 결과 데이터를 비교하는 그래프의 제1 예시이다.
단계(S60)에서, 룰 생성 장치(100)는 입력 데이터에 대하여, 제1 룰 셋의 실행에 따른 제1 결과 데이터 및 트레이닝 룰 셋의 실행에 따른 제2 결과 데이터를 비교할 수 있다.
도 8을 참조하면, 제1 결과 데이터와 제2 결과 데이터의 비교 그래프(801)가 예로써 도시되었다.
룰 생성 장치(100)는 제1 결과 데이터와 제2 결과 데이터의 비교 결과, 제1 결과 데이터와 제2 결과 데이터 사이에 미리 설정된 기준 미만의 차이가 식별되는 경우, 상기 제2 결과 데이터를 저장할 수 있다.
미리 설정된 기준이란, 제1 결과 데이터와 제2 결과 데이터의 차이가 룰 개정이 요구될 정도인지 여부를 결정하기 위한 기준이다. 즉, 제1 결과 데이터와 제2 결과 데이터의 데이터 값이, 미리 설정된 기준 이상의 차이가 존재하는 경우, 룰 생성 장치(100)는 트레이닝 룰 셋을 기초로 제1 룰 셋을 업데이트해야 하는 경우로 판단할 수 있다. 정확도가 높은 결과 데이터를 획득하기 위함이다.
반면, 미리 설정된 기준 미만의 차이인 경우, 룰 생성 장치(100)는 룰 업데이트가 요구되지 않는 경우로 판단하고, 딥 러닝에 활용하기 위하여 제2 결과 데이터를 로그로 기록할 수 있다. 잦은 룰 업데이트는 룰 생성 장치(100)에 부담으로 작용하기 때문에, 룰 생성 장치(100)의 관리자는 적절한 기준으로 상기 미리 설정된 기준을 결정할 수 있을 것이다.
도 8에서, 제1 결과 데이터와 제2 결과 데이터의 값이 미리 설정된 기준 미만의 차이를 갖는 경우가 설명되었다. 그러나, 제1 결과 데이터와 제2 결과 데이터의 값은 시간이 지남에 따라 큰 차이를 가질 수 있다. 예를 들어, 도 5에서 예시된 룰 셋(501, 503)의 경우, 당뇨병 체크에 활용되는 새로운 인자가 발견되거나, 당뇨병 체크에 이용되는 기존의 룰 기준이 변경되는 경우가 있을 수 있다. 이 같은 경우, 기존의 제1 룰 셋에 따른 제1 결과 데이터의 정확도가 낮아지는 반면, 트레이닝 룰 셋에 따른 제2 결과 데이터는 높은 정확도를 보일 수 있다.
이하, 도 9를 참조하여, 제1 결과 데이터와 제2 결과 데이터의 값이 미리 설정된 기준 이상의 차이를 갖는 경우를 설명한다.
도 9는 본 발명의 몇몇 실시예에서 참조되는, 미리 설정된 룰 셋의 결과 데이터 및 학습된 룰 셋의 결과 데이터를 비교하는 그래프의 제2 예시이다.
단계(S60)에서, 룰 생성 장치(100)는 입력 데이터에 대하여, 제1 룰 셋에 포함된 제1 룰의 실행에 따른 제1 결과 데이터 및 트레이닝 룰 셋에 포함된 제2 룰의 실행에 따른 제2 결과 데이터를 비교할 수 있다.
제1 결과 데이터와 제2 결과 데이터의 비교 결과, 제1 결과 데이터와 제2 결과 데이터 사이에 미리 설정된 기준 이상의 차이가 식별되는 경우, 룰 생성 장치(100)는 입력 데이터를 클러스터링할 수 있다. 룰 생성 장치(100)가 결과 데이터에 이상이 있는 것으로 판단한 경우이다.
이때, 클러스터링 대상인 입력 데이터는, 미리 설정된 기준 이상의 차이를 갖는 제1 결과 데이터 및 제2 결과 데이터에 대한 입력 데이터이다.
도 9를 참조하면, 제1 결과 데이터의 값과 제2 결과 데이터의 값이 미리 설정된 기준 이상 차이가 발생하는, 클러스터는 그룹1, 그룹2 및 그룹3이 포함된 클러스터(911), 그룹5 및 그룹6이 포함된 클러스터(913) 그리고 그룹9가 포함된 클러스터(915)이다.
룰 생성 장치(100)는 상기 클러스터(911, 913, 915)에 대한 입력 데이터(101)에 대하여, 딥 러닝 모듈을 이용하여 결과 데이터를 산출할 수 있다.
룰 생성 장치(100)는 산출된 결과 데이터의 정확도가 미리 설정된 임계치 이상인 경우, 제1 결과 데이터를 산출된 결과 데이터로 대체할 수 있다. 이때, 정확도는 통계학적 기법인 재현율을 계산함으로써 결정될 수 있다. 즉, 정확도는 입력 데이터에 대하여 룰 셋의 실행에 따라 획득된 결과 데이터와 실제 측정되는 결과를 비교함으로써 결정된다.
도 5의 룰 셋(503)을 예로 들어 설명하면, 정확도는, 아래와 같은 수식으로 계산될 수 있다.
수식1) 정확도= (TP+TN)/(TP+TN+FP+FN)
TP: 검진자의 의료 데이터 분석 결과 당뇨병이라 판단되고, 실제로 당뇨병인 환자의 수
TN: 검진자의 의료 데이터 분석 결과 당뇨병이 아니라고 판단되고, 실제로 당뇨병이 아닌 환자의 수
FP: 검진자의 의료 데이터 분석 결과 당뇨병이라 판단되고, 실제로 당뇨병이 아닌 환자의 수
FN: 검진자의 의료 데이터 분석 결과 당뇨병이 아니라고 판단되나, 실제로는 당뇨병인 환자의 수
룰 생성 장치(100)는 상기 정확도 계산에 따라 정확도가 미리 설정된 임계치 이상인 경우, 제1 결과 데이터를 트레이닝 룰 셋의 실행에 따라 획득되는 결과 데이터로 대체할 수 있다.
도 9에서, 제1 룰 셋에 포함된 제1 룰이 체중에 대한 룰인 경우를 가정한다. 이 경우, 제2 룰은 트레이닝 룰 셋 중, 체중에 대한 룰이다. 또한, 그룹2에 해당하는 입력 데이터는, 예를 들어 체중 변화량에 대한 입력 데이터인 경우를 가정한다. 룰 생성 장치(100)는, 제1 룰의 실행에 따른 제1 결과 데이터를 제2 룰의 실행에 따른 제2 결과 데이터로 대체 할 수 있다. 즉, 그룹2의 그래프 값은 딥 러닝 분석 결과 값으로 대체된다.
또한, 룰 생성 장치(100)는 대체된 결과 데이터를 기초로, 제2 룰을 학습할 수 있다. 룰 생성 장치(100)는 학습된 제2 룰을 트레이닝 룰 셋에 반영할 수 있다. 룰 생성 장치(100)는 제2 결과 데이터(1011)에 대하여 딥 러닝 모듈을 이용하여 지속적으로 분석할 수 있다.
상기 학습된 제2 룰을 트레이닝 룰 셋에 반영하는 방법을 도 10을 참조하여 설명한다. 도 10은 본 발명의 몇몇 실시예에서 참조되는, 미리 설정된 룰 셋과 학습된 룰 셋을 비교하기 위한 예시도이다.
룰 생성 장치(100)는 제2 룰을 학습하기 위하여, 도 10의 표(1001)와 같은 데이터를 생성할 수 있다.
표(1001)는, 가족력 클러스터(그룹1), 체중 클러스터(그룹2), 소변횟수 클러스터(그룹3), 혈당 클러스터(그룹4), 운동량 클러스터(그룹5)의 입력 데이터에 대한, 트레이닝 룰 셋의 실행에 따른 제2 결과 데이터와 미리 설정된 제1 룰 셋의 실행에 따른 제1 결과 데이터를 포함한다. 또한, 표(1001)는 결과 데이터에 이상이 발생했는지 여부에 대한 판단 결과를 포함할 수도 있다.
표(1001)는 제1 결과 데이터 및 제2 결과 데이터를, 룰 함수인 f(x) 함수 형태로 포함할 수 있다. 다른 실시예에 따르면, 표(1001)는 제1 결과 데이터 및 제2 결과 데이터를 실제 표시된 f(x) 함수의 결과 값으로 포함할 수도 있다.
룰 생성 장치(100)는 f(x) 함수를 도 9의 그래프(901)로부터 추출할 수 있다. 그래프(901)의 각 클러스터(911, 913, 915)는 제1 결과 데이터 및 제2 결과 데이터의 값이 그래프로 표현된 영역이다. 각 클러스터(911, 913, 915) 영역의 그래프로부터 룰 함수인 f(x) 함수를 추출하고, 이를 이용하여, 제2 룰을 갱신할 수 있다.
체중에 대한 룰(제1 룰)을 예로 들어 설명한다. 미리 설정된 제1 룰 셋에 포함된 제1 룰의 경우, 룰 함수가 f(x)=-w*x+b 로 1차 방정식이나, 트레이닝 룰 셋에 포함된 제2 룰의 경우, 룰 함수가 f(x)=-w*e2*x+b 로 2차 방정식이다. 즉, 딥 러닝 모듈의 트레이닝에 의해 룰 함수가 변경되었다. 제1 룰에 대한 입력 데이터인 x가 체중 변화량인 경우, 표(1001)을 참조하면, 제1 결과 데이터 및 제2 결과 데이터의 값이 미리 설정된 기준(T.H) 이상이다.
이때, 제2 결과 데이터의 정확도가 미리 설정된 임계치 이상인 경우, 룰 생성 장치(100)는 제2 룰의 룰 함수를 추출하여, 트레이닝 룰 셋에 반영할 수 있다. 이에 따라, 단계(S60)에서 제1 룰의 룰 함수가 제2 룰의 룰 함수로 대체될 수 있다.
표(1003)을 참조하면, 제1 룰 함수 및 제2 룰 함수의 x 값이 체중 변화량인 경우이다. 체중 변화량이 환자1은 12kg, 환자2는 21kg, 환자3은 9kg인 경우, 제1 룰 셋의 제1 룰에 따르면, 결과 데이터는 체중 이상으로 출력되었다.
반면, 트레이닝 룰 셋의 제2 룰에 따르면, 환자1의 경우 체중 변화 이상이나, 환자2 및 환자3의 경우 체중 변화 정상으로 결과 데이터가 출력되었다. 즉, 룰 생성 장치(100)는 딥 러닝 모듈의 학습을 통해, 환자1의 체중 변화 구간이 체중 변화 이상이고, 환자2 및 환자3의 체중 변화 구간은 체중 변화 정상인 것으로 판단할 수 있다. 룰 생성 장치(100)는 결과 데이터를 분석하여, 새로운 룰을 추론할 수 있다. 룰 생성 장치(100)는 새로운 룰에 대한 룰 함수를 추출할 수도 있으며, 이를 트레이닝 룰 셋에 반영시킬 수도 있다.
지금까지, 제1 결과 데이터와 제2 결과 데이터의 값이 미리 설정된 기준 이상의 차이를 갖는 경우, 딥 러닝을 수행하여 룰을 갱신하는 방법에 대하여 주로 설명되었다. 본 발명의 실시예에 따르면, 딥 러닝뿐만 아니라, 다양한 분석 함수를 이용하여 결과 데이터를 분석함으로써,
도 11은 본 발명의 몇몇 실시예에서 참조되는 분석 함수를 설명하기 위한 예시도이다. 도 12는 본 발명의 몇몇 실시예에서 참조되는, 딥 러닝을 이용한 분석 결과 및 분석 함수를 이용한 분석 결과를 설명하는 예시도이다.
분석 함수는, 선형 회귀 분석(linear regression) 함수, 논리적 회귀 분석(logistic regression) 함수, SVM(Support Vector Machine) 함수 중 적어도 하나를 포함할 수 있으나, 본 발명의 실시예가 이에 한정되는 것은 아니며, 분석 함수는 본 발명이 속한 기술 분야에 널리 알려진 다양한 함수를 포함할 수도 있다.
도 11을 참조하면, 룰 생성 장치(100)는 미리 설정된 기준 이상의 차이가 식별된 결과 데이터에 대한 입력 데이터를 도면(1201)과 같이 클러스터링하고, 클러스터링된 입력 데이터에 대하여 미리 설정된 분석 함수를 이용하여 결과 데이터를 산출할 수 있다. 미리 설정된 분석 함수가 선형 회귀 분석 함수, 논리적 회귀 분석 함수, SVM 함수인 경우를 예로 들어 설명한다.
룰 생성 장치(100)는 상기 3가지 분석 함수 별로, 그래프(901)의 클러스터(911, 913, 915)의 입력 데이터에 대한 결과 데이터를 출력할 수 있다.
특히, 도 11에서 그래프(901)의 클러스터(911, 913, 915)만 포함하는 그래프(1101)이 도시되었다. 즉, 룰 생성 장치(100)는 결과 데이터에 이상이 있는 입력 데이터만을 클러스터링하고, 클러스터링된 결과를 정확도 산출의 대상으로 결정할 수 있다. 룰 생성 장치(100)는 결과 데이터를 기초로 상술한 수식1을 이용하여 정확도를 산출할 수 있다.
룰 생성 장치(100)는 분석 함수 중, 정확도가 가장 높은 결과 데이터를 산출하는 분석 함수를 선택할 수 있다. 도 11에서 특히, 클러스터(911)의 경우, 분석 함수 중, 논리적 회귀 분석 함수의 정확도가 가장 높으며(1103), 클러스터(913)의 경우, 선형 회귀 분석 함수의 정확도가 가장 높고(1105), 클러스터(915)의 경우, SVM 함수의 정확도가 가장 높은 경우(1107)가 예시되었다.
룰 생성 장치(100)는 각 클러스터 별로 분석 함수를 선택하여, 클러스터에 대응되는 룰을 학습할 수 있다. 또한, 룰 생성 장치(100)는 학습된 룰을 트레이닝 룰 셋에 반영할 수 있다.
예를 들어, 체중에 대한 룰의 경우, 논리적 회귀 분석 함수의 결과 데이터의 정확도가 가장 높다고 가정한다. 도면(1203)에서, 클러스터링된 입력 데이터가 논리적 회귀 분석 함수로 학습된 결과 데이터가 그래프로 표현되었다. 특히, 도면(1205)의 경우, 체중 관련 클러스터링된 입력 데이터에 대하여, 딥 러닝에 따른 트레이닝 룰 셋의 제2 룰이 실행된 결과 데이터와 논리적 회귀 분석 함수로 학습된 결과 데이터가 동시에 그래프로 표현되었다.
각각의 결과 데이터에 대하여 상술한 수식1을 연산하여 정확도를 비교하면, 트레이닝 룰 셋에 포함된 제2 룰 셋의 실행에 따른 결과 데이터의 정확도는, (93(TP)+ O(TN))/ (93(TP)+ O(TN)+ 0(FP)+ 7(FN))=93%이고, 논리적 회귀 분석 함수의 결과 데이터의 정확도는, (97(TP)+ O(TN))/ (97(TP)+ O(TN)+ 0(FP)+ 3(FN))=97%이다.
즉, 체중 관련 입력 데이터에 대한 결과 데이터의 정확도는 분석 함수의 결과 데이터가 딥 러닝 모듈에 의해 생성된 트레이닝 룰 셋의 결과 데이터보다 높다. 이와 같이, 높은 정확도를 산출하는 함수는 클러스러링된 입력 데이터의 속성에 따라 다를 수 있다.
본 발명의 다른 실시예에 따르면, 룰 생성 장치(100)는 분석함수의 정확도를 분석하여 어느 하나를 선택하지 않고, 클러스터링된 입력 데이터의 속성에 따라, 미리 매칭된 분석 함수를 바로 적용하여 결과 데이터를 산출할 수도 있다. 즉, 도 11의 클러스터(911)에 대하여, 룰 생성 장치(100)는 분석 함수 중 미리 매칭된 논리적 회귀 분석 함수를 이용하여 결과 데이터를 산출할 수 있다.
다음으로, 룰 생성 장치(100)는 산출된 결과 데이터의 정확도가 미리 설정된 임계치 이상인 경우, 제1 결과 데이터를 산출된 결과 데이터로 대체할 수 있으며, 이를 기초로, 트레이닝 룰 셋에 포함된 제2 룰을 학습할 수도 있다.
또한, 룰 생성 장치(100)는 학습된 제2 룰을 트레이닝 룰 셋에 반영할 수 있다.
도 13은 본 발명의 몇몇 실시예에서 참조되는, 최적화된 룰 셋의 결과 데이터를 나타내는 그래프의 예시이다. 도 14는 본 발명의 몇몇 실시예에서 참조되는, 최적화된 룰 셋을 설명하기 위한 예시도이다.
도 13에서, 제1 결과 데이터가 제2 결과 데이터로 대체된 그래프(1301)이 예로써 도시되었다. 즉, 그래프(1301)에서 입력 데이터에 대하여 제1 룰 셋에 기초한 룰 엔진의 제1 결과 데이터가 트레이닝 룰 셋에 기초하여 룰 엔진을 실행한 경우 출력되는 제2 결과 데이터로 대체 되었다. 룰 생성 장치(100)이 제2 결과 데이터를 학습하여 트레이닝 룰 셋에 반영하고, 단계(S60)에서 제1 룰 셋이 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트된 결과이다.
구체적으로, 단계(S60)에서, 룰 생성 장치(100)는 입력 데이터에 대하여, 제1 룰 셋에 포함된 1 룰의 실행에 따른 제1 결과 데이터 및 트레이닝 룰 셋에 포함된 제2 룰의 실행에 따른 제2 결과 데이터를 비교할 수 있다. 룰 생성 장치(100)는, 이와 같은 비교 결과, 제1 결과 데이터와 제2 결과 데이터 사이에 미리 설정된 기준 이상의 차이가 식별되는 경우, 제1 룰을 제1 룰 셋에서 제거할 수도 있고, 제2 룰을 제1 룰 셋에 추가할 수도 있다.
즉, 룰이 업데이트되는 경우는, 룰의 개정뿐만 아니라, 제거, 신규 추가의 경우도 포함한다. 신규 룰 추가의 경우, 룰 생성 장치(100)는 룰 셋에 룰을 자동으로 추가할 수 있으나, 디스플레이부를 통해 신규 룰 추가를 추천하거나 또는 네트워크 인터페이스(122)를 통해 신규 룰 추가 메시지를 송신할 수도 있다.
도 14를 참조하면, 표(1401)은 제1 룰 셋의 실행에 따른 제1 결과 데이터와 트레이닝 룰 셋의 실행에 따른 제2 결과 데이터를 포함한다. 또한, 표(1401)은 분석 함수의 결과 데이터로 포함할 수 있다. 도 14에서 분석 함수의 예시로 논리적 회귀 분석 함수가 도시되었다. 룰 생성 장치(100)는 룰 셋의 업데이트를 위하여 표(1401)와 같은 데이터를 생성할 수 있다. 특히, 룰 생성 장치(100)는 분석 함수의 결과 데이터 정확도가 제2 결과 데이터 보다 높은 경우, 분석 함수의 결과 데이터를 표(1401)에 포함시킬 수 있다.
도 14는 분석 함수의 결과 데이터를 분석하여 트레이닝 룰 셋에 포함된 룰을 학습하고 갱신한 후, 다시 트레이닝 룰 셋에 반영한 경우이다. 즉, 분석 함수의 결과 데이터의 정확도가 딥 러닝 모듈에 의해 생성된 트레이닝 룰 셋의 결과 데이터 보다 높은 경우이다.
표(1401)을 참조하면, 운동량에 대한 룰은 최종 룰 셋에서 제거 되고, 가족력, 체중 및 혈당에 대한 룰은 개정되었음을 알 수 있다.
표(1403) 및 표 (1405)는 업데이트된 룰 셋 및 룰 함수의 예시이다. 표(1403)을 참조하면, 도 9의 클러스터(911)에 포함된 가족력에 대한 입력 데이터만으로도 당뇨병 체크의 정확도가 향상될 수 있으며, 표(1405)를 참조하면, 당뇨병 체크를 위한 개별 룰인 혈당 체크 및 체중 변화 체크의 경우 룰 조건 및 룰 함수가 개정되었음을 알 수 있다. 룰 생성 장치(100)는 이와 같은 룰 셋 및 룰 함수를 저장할 수 있다.
본 발명의 실시예에 대하여 입력 데이터가 검진자의 의료 데이터인 경우를 예로 들어 설명하였으나, 룰 생성 장치(100)는 다양한 분야에서 활용될 수 있다. 즉, 입력 데이터에 매칭되는 미리 설정된 룰 셋이 최초 설정되면, 이후에는 입력 데이터의 종류에 무관하게 딥 러닝 모듈을 이용하여 트레이닝 룰 셋을 생성하고, 딥 러닝 모듈 및 분석 함수를 이용하여 트레이닝 룰 셋을 업데이트할 수 있다. 이에 따라, 복잡한 룰 셋을 수동으로 업데이트시키지 않더라도 결과 데이터의 정확도를 자동으로 향상시킬 수 있다.
예를 들어, 증권사 등에서 신속한 의사결정을 위해 룰 셋을 설정해 두고, 매수 매도의 판단을 하고 있는데, 상황의 변화에 따라 6개월 정도마다 주기적으로 룰 셋을 업데이트한다. 이와 같은 업데이트 주기는, 임의로 결정되는 것이다. 따라서, 단순히 임의로 룰 셋을 업데이트 하면, 룰 셋의 실행에 따른 결과 데이터의 정확도가 일정한 수준을 유지되지 못하는 문제가 발생한다.
이와 같은 경우에, 본 발명의 실시예에 따르면, 룰 셋의 업데이트 시기가 도래하였을 때 룰 생성 장치(100)가 미리 알림을 출력하거나, 자동으로 룰 셋을 업데이트함으로써 결과 데이터의 정확도 수준을 일정하게 유지할 수 있다.
또한, 타이어 등 공산품 제조공장에서, 제품 개발 시 성능 및 원가 목표 설정 및 이에 대한 테스트를 위해 룰 셋을 사용하고 있다. 그러나, 제품 개발 시에 룰 셋을 사용하더라도, 실제 제품이 시판된 이후 최초에 설정한 목표 및 테스트 방법이 적합하였는지, 즉 사용한 룰 셋이 적합하였는지를 검증하는 것은 매우 어렵다.
이 같은 경우에, 본 발명의 실시예에 따르면, 제품 출시 후에, 실제 측정된 품질을 입력 데이터로 딥 러닝을 통해 학습시키면, 룰 생성 장치(100)는 현재 사용된 룰 셋이 적합한지, 수정이 필요한지, 수정이 필요하면 어떤 룰을 수정해야 하는지 추천하거나, 룰 셋을 자동으로 수정해 줄 수 있다.
지금까지 도 3 내지 도 14을 참조하여 설명된 본 발명의 개념은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록 된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
또한, 도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (9)

  1. 룰(Rule) 생성 장치의 룰 생성 방법에 있어서,
    입력 데이터에 대하여, 미리 설정된 제1 룰 셋(Rule-set)에 기초하여 룰 엔진(Rule engine)을 실행하여 제1 결과 데이터를 출력하는 단계;
    딥 러닝(deep learning) 모듈을 이용하여 상기 입력 데이터에 대한 학습을 수행하여 트레이닝 룰 셋을 생성하는 단계;
    상기 생성된 트레이닝 룰 셋에 기초하여 상기 룰 엔진을 실행하여 제2 결과 데이터를 출력하는 단계; 및
    상기 제1 결과 데이터 및 상기 제2 결과 데이터의 출력 데이터를 비교하여, 상기 제1 룰 셋을 상기 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트하는 단계를 포함하는,
    룰 생성 방법.
  2. 제 1 항에 있어서,
    상기 제1 룰 셋을 상기 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트하는 단계는,
    상기 입력 데이터에 대하여, 상기 제1 룰 셋에 포함된 제1 룰의 실행에 따른 제1 결과 데이터 및 상기 트레이닝 룰 셋에 포함된 제2 룰의 실행에 따른 제2 결과 데이터를 비교하는 단계; 및
    상기 비교 결과, 상기 제1 결과 데이터와 상기 제2 결과 데이터 사이에 미리 설정된 기준 이상의 차이가 식별되는 경우, 상기 미리 설정된 기준 이상의 차이가 식별된 결과 데이터에 대한 입력 데이터를 클러스터링하는 단계를 포함하는,
    룰 생성 방법.
  3. 제 1 항에 있어서,
    상기 제1 룰 셋을 상기 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트하는 단계는,
    상기 입력 데이터에 대하여, 상기 제1 룰 셋에 기초하여 상기 룰 엔진을 실행함에 따라 출력된 제1 결과 데이터 및 상기 트레이닝 룰 셋에 기초하여 상기 룰 엔진을 실행함에 따라 출력된 제2 결과 데이터를 비교하는 단계; 및
    상기 비교 결과, 상기 제1 결과 데이터와 상기 제2 결과 데이터 사이에 미리 설정된 기준 미만의 차이가 식별되는 경우, 상기 제2 결과 데이터를 저장하는 단계를 포함하는,
    룰 생성 방법.
  4. 제 1 항에 있어서,
    상기 제1 룰 셋을 상기 트레이닝 룰 셋이 반영된 제2 룰 셋으로 업데이트하는 단계는,
    상기 입력 데이터에 대하여, 상기 제1 룰 셋에 포함된 1 룰의 실행에 따른 제1 결과 데이터 및 상기 트레이닝 룰 셋에 포함된 제2 룰의 실행에 따른 제2 결과 데이터를 비교하는 단계; 및
    상기 비교 결과, 상기 제1 결과 데이터와 상기 제2 결과 데이터 사이에 미리 설정된 기준 이상의 차이가 식별되는 경우, 상기 제1 룰을 상기 제1 룰 셋에서 제거하는 단계를 포함하는,
    룰 생성 방법.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 트레이닝 룰 셋을 생성하는 단계는,
    상기 입력 데이터에 대한 학습을 수행하여 상기 입력 데이터를 m개의 그룹으로 클러스터링하는 단계; 및
    상기 클러스터링된 m개의 그룹으로부터 m개의 룰을 포함하는 트레이닝 룰 셋을 생성하는 단계를 포함하는,
    룰 생성 방법.
  6. 제 5 항에 있어서,
    상기 클러스터링된 입력 데이터에 대하여, 상기 딥 러닝 모듈을 이용하여 결과 데이터를 산출하는 단계;
    상기 산출된 결과 데이터의 정확도가 미리 설정된 임계치 이상인 경우, 상기 제1 결과 데이터를 상기 산출된 결과 데이터로 대체하는 단계;
    상기 대체된 결과 데이터를 기초로, 상기 제2 룰을 학습하는 단계; 및
    상기 학습된 제2 룰을 상기 트레이닝 룰 셋에 반영하는 단계를 포함하는,
    룰 생성 방법.
  7. 제 6항에 있어서,
    상기 대체된 결과 데이터를 기초로, 상기 제2 룰을 학습하는 단계는,
    상기 산출된 결과 데이터를 기초로, 상기 제1 룰에 입력된 입력 데이터에 대한 룰 함수를 추출하는 단계;
    상기 추출된 룰 함수를 이용하여, 상기 제2 룰을 갱신하는 단계를 포함하는,
    룰 생성 방법.
  8. 제 7 항에 있어서,
    상기 클러스터링된 입력 데이터에 대하여, 미리 설정된 분석 함수를 이용하여 결과 데이터를 산출하는 단계;
    상기 분석 함수 중, 정확도가 가장 높은 결과 데이터를 산출하는 분석 함수를 선택하는 단계;
    상기 선택된 분석 함수를 기초로, 상기 제2 룰을 학습하는 단계; 및
    상기 학습된 제2 룰을 상기 트레이닝 룰 셋에 반영하는 단계를 포함하는,
    룰 생성 방법.
  9. 제 5 항에 있어서,
    상기 클러스터링된 입력 데이터의 속성에 따라, 미리 매칭된 분석 함수를 이용하여 결과 데이터를 산출하는 단계;
    상기 산출된 결과 데이터의 정확도가 미리 설정된 임계치 이상인 경우, 상기 제1 결과 데이터를 상기 산출된 결과 데이터로 대체하는 단계;
    상기 대체된 결과 데이터를 기초로, 상기 제2 룰을 학습하는 단계; 및
    상기 학습된 제2 룰을 상기 트레이닝 룰 셋에 반영하는 단계를 포함하는,
    룰 생성 방법.
KR1020160138626A 2016-10-24 2016-10-24 딥 러닝을 이용한 룰 생성방법 및 장치 KR20180044739A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160138626A KR20180044739A (ko) 2016-10-24 2016-10-24 딥 러닝을 이용한 룰 생성방법 및 장치
US15/791,800 US20180114123A1 (en) 2016-10-24 2017-10-24 Rule generation method and apparatus using deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160138626A KR20180044739A (ko) 2016-10-24 2016-10-24 딥 러닝을 이용한 룰 생성방법 및 장치

Publications (1)

Publication Number Publication Date
KR20180044739A true KR20180044739A (ko) 2018-05-03

Family

ID=61971083

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160138626A KR20180044739A (ko) 2016-10-24 2016-10-24 딥 러닝을 이용한 룰 생성방법 및 장치

Country Status (2)

Country Link
US (1) US20180114123A1 (ko)
KR (1) KR20180044739A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102398361B1 (ko) * 2020-11-23 2022-05-16 (주)아크릴 Gui 기반 인공지능 추천 시스템 및 그 방법

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740752B (zh) * 2018-12-29 2022-01-04 北京市商汤科技开发有限公司 深度模型训练方法及装置、电子设备及存储介质
US11803765B2 (en) * 2019-05-31 2023-10-31 At&T Intellectual Property I, L.P. Public policy rule enhancement of machine learning/artificial intelligence solutions
US10917302B2 (en) 2019-06-11 2021-02-09 Cisco Technology, Inc. Learning robust and accurate rules for device classification from clusters of devices
US11747035B2 (en) * 2020-03-30 2023-09-05 Honeywell International Inc. Pipeline for continuous improvement of an HVAC health monitoring system combining rules and anomaly detection
US11743272B2 (en) * 2020-08-10 2023-08-29 International Business Machines Corporation Low-latency identification of network-device properties
US20220076157A1 (en) * 2020-09-04 2022-03-10 Aperio Global, LLC Data analysis system using artificial intelligence

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8341149B2 (en) * 2008-12-19 2012-12-25 The Mitre Corporation Ranking with learned rules
US20110289025A1 (en) * 2010-05-19 2011-11-24 Microsoft Corporation Learning user intent from rule-based training data

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102398361B1 (ko) * 2020-11-23 2022-05-16 (주)아크릴 Gui 기반 인공지능 추천 시스템 및 그 방법

Also Published As

Publication number Publication date
US20180114123A1 (en) 2018-04-26

Similar Documents

Publication Publication Date Title
KR20180044739A (ko) 딥 러닝을 이용한 룰 생성방법 및 장치
Karabulut et al. Analysis of cardiotocogram data for fetal distress determination by decision tree based adaptive boosting approach
US20180150609A1 (en) Server and method for predicting future health trends through similar case cluster based prediction models
US9996889B2 (en) Identifying group and individual-level risk factors via risk-driven patient stratification
US20150286703A1 (en) Adaptive variable selection for data clustering
US20230316092A1 (en) Systems and methods for enhanced user specific predictions using machine learning techniques
CN108604465B (zh) 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测
CN112070239B (zh) 基于用户数据建模的分析方法、系统、介质及设备
US11580425B2 (en) Managing defects in a model training pipeline using synthetic data sets associated with defect types
JP7045405B2 (ja) センサの動作ステータスを検出するための方法および状態機械システム
Nishadi Predicting heart diseases in logistic regression of machine learning algorithms by Python Jupyterlab
CN113871009A (zh) 一种重症监护病房中脓毒症预测系统、存储介质及设备
JP2014235654A (ja) リスク評価装置
US20200082286A1 (en) Time series data analysis apparatus, time series data analysis method and time series data analysis program
Contreras et al. A hybrid clustering prediction for type 1 diabetes aid: towards decision support systems based upon scenario profile analysis
CN116739037A (zh) 具有人格特征的人格模型构建方法及装置
US20220309404A1 (en) Method of and system for identifying and enumerating cross-body degradations
US11694121B2 (en) Method for and system for predicting alimentary element ordering based on biological extraction
WO2019171015A1 (en) Method and apparatus for monitoring a human or animal subject
JP7439467B2 (ja) 情報処理装置、情報処理システム、モデルの学習方法
Ramesh et al. A Risk Model Based Heart Disease Prediction Using Data Lake Architecture
US20220004915A1 (en) Method of and system for an interactive system for activity quantification
Al-Hameli et al. Classification Algorithms and Feature Selection Techniques for a Hybrid Diabetes Detection System
Bansal et al. Heart Disease Prediction with Hyperparameter Analysis
Yeo et al. A simple framework for XAI comparisons with a case study

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal