KR20190060021A - Customized intelligent system and operation method thereof - Google Patents
Customized intelligent system and operation method thereof Download PDFInfo
- Publication number
- KR20190060021A KR20190060021A KR1020170157067A KR20170157067A KR20190060021A KR 20190060021 A KR20190060021 A KR 20190060021A KR 1020170157067 A KR1020170157067 A KR 1020170157067A KR 20170157067 A KR20170157067 A KR 20170157067A KR 20190060021 A KR20190060021 A KR 20190060021A
- Authority
- KR
- South Korea
- Prior art keywords
- intelligent
- data
- user
- big data
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 21
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims description 29
- 230000008571 general function Effects 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000000470 constituent Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
Description
본 발명은 맞춤형 지능시스템에 관한 것으로, 보다 구체적으로는 사용자 장치 별 맞춤형 지능모델을 이용하여 사용자에게 즉각적이고 능동적인 지능서비스를 제공할 수 있는 맞춤형 지능시스템 및 그 동작방법에 관한 것이다.The present invention relates to a customized intelligent system, and more particularly, to a customized intelligent system capable of providing an immediate and active intelligent service to a user by using a customized intelligent model for each user apparatus and an operation method thereof.
최근 인공지능(Artificial Intelligence: AI) 기술이 발전하면서 다양한 AI 응용기술에 대한 연구개발이 활발하게 진행되고 있으며, 대표적인 AI 응용기술로서 머신러닝(Machine Learning)이 있다.In recent years, research and development on various AI application technologies have progressed actively with the development of artificial intelligence (AI) technology, and machine learning is a typical AI application technology.
머신러닝이란 컴퓨터가 스스로 데이터를 학습하고, 그 학습 결과를 바탕으로 예측 등을 수행하여 유용한 정보를 도출해내는 기술을 말한다. 머신러닝은 일반적으로 학습 데이터의 양과 질이 풍부할수록 예측 정확도가 높아진다. 따라서, 머신러닝은 대규모 데이터를 처리하는 기술인 빅데이터(Big Data)와 밀접한 관계를 갖게 되며, 그 대표적인 예로서 빅데이터를 이용한 머신러닝 기반의 지능서비스(personalized service)를 들 수 있다.Machine learning is a technique in which a computer learns data on its own and performs predictions based on the learning results to derive useful information. Machine learning generally increases the accuracy of prediction as the quantity and quality of learning data is richer. Therefore, machine learning has a close relationship with Big Data, which is a technology for processing large data, and a typical example is machine learning based personalized service using Big Data.
지능서비스란 사용자의 개인정보에 따라 맞춤형 컨텐츠를 제공하는 서비스를 말한다. 예를 들어, 포털 사이트 사용자들의 사용패턴을 분석하여 사용자 별 맞춤형 초기화면을 구성하거나, 검색패턴을 분석하여 다른 사용자들에게 추천 검색어를 제안하는 서비스 등을 들 수 있다. 이와 같은 지능서비스는 지능시스템(intelligent system)에 의해 사용자에게 제공되는바, 도 1을 참조하여 종래기술에 따른 범용(general) 지능시스템에 대해 살펴보기로 한다.An intelligent service is a service that provides customized content according to the user's personal information. For example, a service that constructs a customized initial screen for each user by analyzing usage patterns of portal site users, or analyzes a search pattern and suggests a recommendation word to other users. Such an intelligent service is provided to a user by an intelligent system. Referring to FIG. 1, a general intelligent system according to the prior art will be described.
도 1은 종래기술에 따른 범용 지능시스템을 개략적으로 나타내는 도면이다.1 is a schematic view of a general intelligent system according to the prior art.
도 1을 참조하면, 범용 지능시스템(100)은 사용자 장치(110)와 지능서버(130)를 포함할 수 있다.Referring to FIG. 1, the general purpose
사용자 장치(110)는, 사용자에게 지능서비스를 제공하기 위한 매개체로서, 스마트 폰(smart phone)이나 태블릿 PC(tablet PC) 등을 포함할 수 있다.The
지능서버(130)는, 적어도 하나의 사용자 장치(110)에 저장된 대량의 사용자 데이터, 예컨대 서비스 사용 이력 등을 수집하고, 빅데이터 기반의 머신러닝을 수행하여 범용 지능모델을 생성한다. 본 명세서에서, 지능모델이란 빅데이터에 대한 학습을 통해 생성된 예측함수 또는 패턴정보를 포함하는 소프트웨어 플랫폼을 말한다.The
지능서버(130)는 범용 지능모델을 이용하여 예측 데이터, 예컨대 잠재적인 사용자 의도 등을 예측한 정보를 사용자 장치(110)에 배포한다. 그리고, 배포된 예측 데이터는 사용자 장치(110)를 통해 사용자에게 제공된다.The
이러한 범용 지능시스템(100)은, 예측 데이터의 생성이 지능서버(130)에 의해 수행되므로, 사용자 접속 트래픽 증가 또는 네트워크 장애로 인하여 실시간 서비스 제공이 지연되고, 서비스가 단절될 수 있다는 문제가 있다.In general-purpose
또한, 범용 지능시스템(100)은, 사용자의 요청(즉, 사용자 데이터 전송)이 있는 경우에만 예측 데이터를 생성하여 제공하게 되므로, 즉각적인 서비스 제공이 어렵다는 문제가 있다.In addition, since the general-purpose
이와 같은 문제를 해결하기 위하여, 본 실시예는 사용자 장치가 지능서버에 의해 생성 및 배포된 맞춤형 지능모델을 이용하여 스몰데이터 기반의 즉각적이고 능동적인 지능서비스를 제공할 수 있게 하는 지능시스템을 제공하고자 한다.In order to solve such a problem, the present embodiment provides an intelligent system that allows a user device to provide an immediate and active intelligent service based on a small data base using a customized intelligent model created and distributed by an intelligent server do.
본 실시예의 일 측면에 의하면, 스몰데이터(Small Data) 기반의 지능서비스를 제공하는 지능시스템에 있어서, 빅데이터(Big Data)로부터 지능모델을 생성하여 배포하는 지능서버; 및 상기 배포된 지능모델을 이용하여 사용자 데이터로부터 예측 데이터를 생성하고, 상기 예측 데이터에 기초한 의사 결정을 통해 사용자에게 지능서비스를 제공하는 적어도 하나의 사용자 장치를 포함하되, 상기 지능서버는, 상기 사용자 장치를 포함하는 빅데이터 소스로부터 빅데이터를 수집하는 빅데이터 수집부; 상기 수집된 빅데이터에 대해 전처리 및 학습 알고리즘에 의한 학습을 수행하여 예측함수 또는 패턴정보를 생성하고, 상기 예측함수 또는 상기 패턴정보를 분석하여 범용 지능모델을 생성하는 범용 지능모델 생성부; 및 상기 사용자 장치 각각의 프로파일 데이터를 이용하여 상기 범용 지능모델로부터 맞춤형 지능모델을 추출하는 맞춤형 지능모델 생성부를 포함하는 지능시스템을 제공한다.According to an aspect of the present invention, there is provided an intelligent system for providing an intelligent service based on Small Data, comprising: an intelligent server for generating and distributing intelligent models from Big Data; And at least one user device for generating predictive data from the user data using the distributed intelligence model and providing intelligent services to the user through a decision based on the predictive data, A big data collection unit for collecting big data from a big data source including a device; A general intelligence model generation unit for generating a predictive function or pattern information by performing learning by the preprocessing and learning algorithm on the collected big data and analyzing the predictive function or the pattern information to generate a general intelligence model; And a customized intelligent model generation unit for extracting a customized intelligent model from the general intelligent model using profile data of each of the user devices.
본 실시예의 다른 측면에 의하면, 지능모델을 생성하여 배포하는 지능서버 및 스몰데이터(Small Data) 기반의 지능서비스를 제공하는 적어도 하나의 사용자 장치를 포함하는 지능시스템의 동작방법에 있어서, 상기 지능서버가, 상기 사용자 장치를 포함하는 빅데이터(Big Data) 소스로부터 빅데이터를 수집하는 단계; 상기 수집된 빅데이터에 대해 전처리 및 학습 알고리즘에 의한 학습을 수행하여 예측함수 또는 패턴정보를 생성하고, 상기 예측함수 또는 패턴정보를 분석하여 범용 지능모델을 생성하는 단계; 상기 사용자 장치 각각의 프로파일 데이터를 이용하여 상기 범용 지능모델로부터 맞춤형 지능모델을 생성하는 단계; 상기 맞춤형 지능모델을 상기 사용자 장치 각각에 배포하는 단계; 및 상기 사용자 장치 각각이, 상기 배포된 맞춤형 지능모델을 이용하여 사용자 데이터로부터 예측 데이터를 생성하고, 상기 예측 데이터에 기초한 의사 결정을 통해 사용자에게 지능서비스를 제공하는 단계를 포함하는 지능시스템의 동작방법을 제공한다.According to another aspect of the present invention, there is provided an operation method of an intelligent system including an intelligent server for generating and distributing an intelligent model and at least one user device for providing an intelligent service based on Small Data, Collecting big data from a Big Data source including the user device; Generating a general function intelligence model by analyzing the prediction function or pattern information by performing learning by the preprocessing and learning algorithm on the collected big data to generate a prediction function or pattern information; Generating a customized intelligence model from the general intelligence model using profile data of each of the user devices; Distributing the customized intelligence model to each of the user devices; And each of the user devices generates predictive data from the user data using the distributed customized intelligent model and provides intelligent services to the user through a decision based on the predictive data. .
본 실시예에 따른 지능시스템은, 사용자 장치가 지능서버에 의해 생성 및 배포된 맞춤형 지능모델을 이용하여 스몰데이터 기반의 즉각적이고 능동적인 지능서비스를 제공할 수 있게 하는 효과가 있다.The intelligent system according to the present embodiment is effective in allowing the user device to provide an instant and active intelligent service based on small data using a customized intelligent model generated and distributed by the intelligent server.
도 1은 종래기술에 따른 범용 지능시스템을 개략적으로 나타내는 도면이다.
도 2는 본 실시예에 따른 맞춤형 지능시스템을 개략적으로 나타내는 도면이다.
도 3은 본 실시예에 따른 사용자 장치의 구성을 나타내는 도면이다.
도 4는 본 실시예에 따른 지능서버의 구성을 나타내는 도면이다.
도 5는 도 4에 도시된 지능서버가 맞춤형 지능모델을 생성하여 배포하는 과정을 나타내는 도면이다.
도 6은 도 3에 도시된 사용자 장치가 사용자에게 지능서비스를 제공하는 과정을 나타내는 도면이다.1 is a schematic view of a general intelligent system according to the prior art.
2 schematically shows a customized intelligent system according to the present embodiment.
3 is a diagram showing a configuration of a user apparatus according to the present embodiment.
4 is a diagram showing a configuration of an intelligent server according to the present embodiment.
5 is a diagram illustrating a process of generating and distributing a customized intelligent model by the intelligent server shown in FIG.
6 is a diagram illustrating a process in which the user equipment shown in FIG. 3 provides an intelligent service to a user.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Hereinafter, some embodiments of the present invention will be described in detail with reference to exemplary drawings. It should be noted that, in adding reference numerals to the constituent elements of the drawings, the same constituent elements are denoted by the same reference symbols as possible even if they are shown in different drawings. In the following description of the embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '…부,' '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In describing the components of the present invention, terms such as first, second, A, B, (a), and (b) may be used. These terms are intended to distinguish the constituent elements from other constituent elements, and the terms do not limit the nature, order or order of the constituent elements. Throughout the specification, when an element is referred to as being "comprising" or "comprising", it means that it can include other elements as well, without excluding other elements unless specifically stated otherwise . In addition, '... The term "module" refers to a unit that processes at least one function or operation, which may be implemented in hardware, software, or a combination of hardware and software.
이하, 첨부된 도면들을 참조하여 본 발명의 일 실시예들에 대해서 상세하게 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 2는 본 실시예에 따른 맞춤형 지능시스템을 개략적으로 나타내는 도면이다.2 schematically shows a customized intelligent system according to the present embodiment.
도 2를 참조하면, 맞춤형 지능시스템(200)은 사용자 장치(210)와 지능서버(210)를 포함할 수 있다.Referring to FIG. 2, the customized
사용자 장치(210)는 지능서버(210)로부터 생성 및 배포된 맞춤형 지능모델을 이용하여 사용자에게 자체적인 지능서비스를 제공한다.The
사용자 장치(210)는 사물 인터넷(IOT) 기기, 사용자(110)의 생체 정보(예를 들어, 심박수, 혈압 등)를 측정하기 위한 다양한 종류의 센서를 구비한 전자장치, 스마트 폰(smart phone), 스마트 워치(smart watch), 태블릿 PC(tablet PC) 등과 같은 이동식 디지털 기기, 스마트 TV 등과 같은 고정식 디지털 기기, 스마트 카(smart car), 드론(drone) 등 다양한 형태로 구현될 수 있다.The
사용자 장치(210)는 빅데이터 소스(source)로서, 사용자 장치(210)에 저장된 데이터는 지능서버(230)에 의해 수집되어 지능모델 생성에 이용된다.
사용자 장치(210)에 저장된 데이터는, 사용자 데이터 및 사용자 장치의 프로파일 데이터를 포함할 수 있다. 여기서, 사용자 프로파일 데이터는, 사용자 장치(210)의 서비스 목적 및 시기, S/W 성능분석 결과(예: 운영체제 프레임워크나 라이브러리 등의 종류 및 버전) 및 H/W 성능분석 결과(예: CPU, RAM, 저장장치의 용량) 등을 포함할 수 있다.The data stored in the
지능모델은 지능서버(230)에 의해 생성되어 사용자 장치(210)에 배포되며, 사용자 데이터가 추가됨에 따라 사용자 장치(210) 또는 지능서버(230)에 의해 갱신될 수 있다.The intelligent model is generated by the
지능서버(230)에 제공되는 사용자 데이터 및 사용자 장치의 프로파일 데이터는 다양한 암호화 알고리즘(예: AES(Advanced Enctyption Standarad), CMAC(Cipher-based Message Authentication Code) 등)을 이용하여 암호화 및 복호화됨으로써, 보안성이 강화될 수 있다.The user data provided to the
또한, 사용자 장치(210)는 메모리(미도시)에 저장된 학습 알고리즘을 지능서버(230)에 전송할 수 있다. 여기서, 메모리는 비휘발성 메모리(예: 낸드 플래쉬 등) 및/또는 휘발성 메모리(예: DRAM 등)를 포함할 수 있다. 이 때, 전송된 학습 알고리즘은 지능서버(230)가 빅데이터를 학습하여 지능모델을 생성하는 데 이용될 수 있다.The
지능서버(130)는, 적어도 하나의 사용자 장치(110)에 저장된 대량의 사용자 데이터, 예컨대 서비스 사용 이력 등을 수집하고, 빅데이터 기반의 머신러닝을 수행하여 범용 지능모델을 생성한다.The
다음으로, 지능서버(230)는, 사용자 장치(210)로부터 수신된 사용자 프로파일 데이터를 범용 지능모델을 이용하여 전처리, 학습 및 분석함으로써, 사용자 장치(210)별 맞춤형 지능모델을 생성할 수 있다.Next, the
사용자 장치(210)는 지능서버(230)에 비해 통상 하드웨어 및 소프트웨어 성능이 낮으므로, 빅데이터 기반 범용 지능모델을 사용자 장치(210)에 그대로 적용할 경우, 예측 속도가 느려지는 등의 성능 열화(degradation)가 발생할 수 있다. 또한, 사용자 장치(210)에서 제공하는 지능서비스는 스몰데이터(Small Data)를 기반으로 하므로, 범용 지능모델을 그대로 적용할 경우, 사용자 장치(210)의 자원(예: CPU, 메모리 용량 등)이 필요 이상으로 낭비될 수 있다.Since the
따라서, 본 실시예에서, 지능서버(230)는 사용자 장치(210) 각각의 기기 특성, 성능 및 서비스 정보 등(즉, 사용자 프로파일 데이터)을 기초로, 범용 지능모델로부터 사용자 장치(210)별 맞춤형 지능모델을 생성하여 배포한다.Therefore, in the present embodiment, the
그리고, 사용자 장치(210)는 배포된 맞춤형 지능모델을 이용하여 지능서비스, 즉 스몰데이터에 대한 예측 데이터를 생성하여 사용자에게 제공하게 된다.Then, the
이상을 정리하면, 본 실시예에 따른 맞춤형 지능시스템(200)은, 종래기술에 따른 범용 지능시스템(100)과 달리, 맞춤형 지능모델을 자체적으로 이용하여 사용자에게 즉각적인 능동형 지능서비스를 제공할 수 있다.As described above, the customized
다음으로, 도 3을 참조하여, 맞춤형 지능시스템(200)에 포함되는 지능서버의 구성에 대해 살펴보기로 한다.Next, the configuration of the intelligent server included in the customized
도 3은 본 실시예에 따른 사용자 장치의 구성을 나타내는 도면이다.3 is a diagram showing a configuration of a user apparatus according to the present embodiment.
도 3을 참조하면, 사용자 장치(210)는 맞춤형 지능모델을 이용하여 사용자에게 지능서비스를 제공하기 위해 필요한 구성요소로서, 지능서비스부(310), 통신부(330) 및 메모리(350)를 포함할 수 있다.3, the
지능서비스부(310)The
지능서비스부(310)는 지능서버(230)로부터 배포된 맞춤형 지능모델을 이용하여, 사용자 데이터로부터 예측 데이터를 생성하여 사용자에게 지능서비스를 제공할 수 있다. 구체적으로, 지능서비스부(310)는 지능서버(230)로부터 배포된 맞춤형 지능모델을 통신부(330)를 통해 수신한다.The
지능서비스부(310)는 사용자로부터 추가적으로 수신된 사용자 데이터를 전처리, 학습 및 분석하여 지능서버(230)로부터 배포된 맞춤형 지능모델을 갱신할 수 있다. 여기서, 전처리, 학습 및 분석 동작의 구체적인 내용은 도 4를 참조하여 상세하게 후술하기로 한다.The
지능서비스부(310)는 사용자로부터 수신된 새로운 사용자 데이터에 대해 맞춤형 지능모델을 이용하여 예측을 수행하여, 소정의 예측 데이터를 생성한다. 그리고, 지능서비스부(310)는 생성된 예측 데이터에 기반한 의사결정 과정을 거쳐, 사용자에게 지능서비스를 제공한다.The
지능서비스부(310)는 적어도 하나의 프로세서로 구현될 수 있으며, 특히, 지능서비스의 실시간성(real-time cast) 향상을 위해 병렬 프로세싱(parallel processing)을 수행하는 복수의 GPU(Graphics Processing Unit)로 구현될 수 있다.The
통신부(330)The
통신부(330)는 유/무선 통신연결을 통해 지능서버(230)와 데이터를 교환하기 위해 필요한 구성요소로서, 무선통신 모듈(LTE, Wi-Fi 등), 근거리 통신 모듈(블루투스(Bluetooth), 지그비(ZigBee), NFC(Near Field Communication) 등)을 포함할 수 있다. 다만, 이는 예시적인 것이고, 본 실시예가 이에 한정되는 것은 아니다.The
통신부(330)는 지능서버(230)에 빅데이터를 제공할 수 있도록 지능서버(230)와의 통신연결을 지원하는 기능을 수행한다. 그리고, 통신부(330)는 지능서버(230)로부터 배포된 맞춤형 지능모델을 수신하는 기능을 수행한다.The
메모리(350)In
메모리(350)는 지능모델 생성을 위해 필요한 학습 알고리즘을 저장하기 위하여 필요한 구성요소로서, 비휘발성 메모리(예: 낸드 플래쉬 등) 및/또는 휘발성 메모리(예: DRAM 등)를 포함할 수 있다. 여기서, 메모리에 저장된 학습 알고리즘은 통신부(330)를 통해 지능서버(230)로 전송되어, 지능모델 생성을 위한 빅데이터 학습에 이용될 수 있다.The
도 4는 본 실시예에 따른 지능서버의 구성을 나타내는 도면이다.4 is a diagram showing a configuration of an intelligent server according to the present embodiment.
도 4를 참조하면, 지능서버(230)는 사용자 장치(210)에 맞춤형 지능모델을 배포하기 위해 필요한 구성요소로서, 빅데이터 수집부(410), 범용 지능모델 생성부(430), 맞춤형 지능모델 생성부(450), 통신부(470) 및 저장부(490)를 포함할 수 있다.4, the
빅데이터 수집부(410)The big
빅데이터 수집부(410)는 통신부(470)를 통해 연결된 빅데이터 소스로부터 능동적으로 또는 수동적으로 빅데이터를 수집한다.The big
여기서, 빅데이터는 데이터 베이스(database), 스프레드시트(spreadsheet) 등의 정형 데이터(structured data), XML, HTML 등의 반정형 데이터(semi-structured data) 및 텍스트 문서, 음성, 영상 등의 비정형 데이터(unstructured data)를 모두 포함할 수 있다.Here, the big data includes structured data such as a database, a spreadsheet, semi-structured data such as XML and HTML, and unstructured data such as text documents, (unstructured data).
그리고, 빅데이터 소스는 지능서버(230) 내부에 존재하는 내부 소스(예: 내부 데이터베이스 관리시스템(DBMS) 등)와 지능서버(230) 외부에 존재하는 외부 소스(예: 사용자 장치, 인터넷 등)를 포함할 수 있다.The big data source may be an internal source (e.g., an internal database management system (DBMS) or the like) existing in the
빅데이터 수집부(410)는 수집된 빅데이터를 저장부(490) 또는 별도의 외부 저장소(미도시)에 저장할 수 있다.The big
범용 지능모델 생성부(430)The general intelligence
[전처리(pre-processing)][Pre-processing]
범용 지능모델 생성부(430)는 수집된 빅데이터를 용이하게 학습 및 분석하기 위하여 데이터를 정제(cleaning)하는 전처리 동작을 실시간으로 또는 사용자 장치(210)의 요청에 따라 수행한다. 여기서, 빅데이터 정제는 수집된 데이터의 불일치성을 교정하기 위하여 누락 값(missing value) 또는 오류가 존재하는 데이터를 검출하여 정정하는 동작을 의미한다.The general intelligence
빅데이터 전처리 동작은 필터링(filtering) 동작, 데이터 변환(transformation) 동작 및 데이터 통합(integration) 동작을 포함할 수 있다.The big data preprocessing operation may include a filtering operation, a data transformation operation, and a data integration operation.
구체적으로, 필터링 동작은, 학습시간을 단축하고 저장공간을 효율적으로 활용하기 위하여, 빅데이터 수집목적에 맞지 않는 데이터를 제거하는 동작을 의미한다. 또한, 필터링 동작은 비정형 데이터의 오류나 중복을 제거하는 동작(즉, 데이터 마이닝)을 의미한다.Specifically, the filtering operation means an operation of removing data that does not fit the purpose of collecting big data in order to shorten learning time and efficiently utilize the storage space. In addition, the filtering operation means an operation (i.e., data mining) for eliminating errors or duplication of irregular data.
데이터 변환 동작은, 빅데이터 학습의 전제로서, 비정형 데이터를 구조적 형태로 전환하거나, 데이터를 정규화(normalization)하는 등의 동작을 의미한다.The data conversion operation refers to operations such as switching the unstructured data into a structured form or normalizing the data as a premise of the big data learning.
데이터 통합 동작은 여러 소스의 데이터를 병합하는 동작을 의미한다.The data integration operation refers to the operation of merging data from multiple sources.
빅데이터 수집부(410)는 전처리된 빅데이터를 저장부(490) 또는 별도의 외부 저장소(미도시)에 저장할 수 있다.The big
[학습(learning)][Learning]
범용 지능모델 생성부(430)는 빅데이터로부터 지능모델을 생성하기 위하여, 빅데이터를 학습 및 분석하는 빅데이터 처리 동작을 수행한다.The general intelligence
구체적으로, 범용 지능모델 생성부(430)는, 빅데이터로부터 예측함수를 생성하거나 패턴정보를 추론하기 위하여, 다양한 학습 알고리즘을 이용하여 빅데이터를 학습한다. 여기서, 학습 알고리즘은 지능서버(230)의 메모리(미도시)에 저장된 알고리즘 또는 사용자 장치(210)로부터 수신된 알고리즘일 수 있다. 또한, 학습 알고리즘은 감독 학습(supervised learning) 알고리즘(예: 다층신경망(퍼셉트론), 지지벡터머신(Support Vector Machine: SVM), 커널 머신, 결정 트리 등), 비감독 학습(unsupervised learning) 알고리즘(예: K-Means, 계층적 군집화, 자기조직지도(SOM) 등) 및 강화 학습(reinforcement learning) 알고리즘을 포함할 수 있다. 다만, 이는 예시적인 것이고, 본 실시예가 이에 한정되는 것은 아니다.Specifically, the general intelligence
범용 지능모델 생성부(430)는 지능모델의 예측성능을 향상시키기 위하여, 2개 이상의 학습 알고리즘을 이용하여 빅데이터를 학습(즉, 앙상블(ensemble) 학습)할 수 있다.The general intelligent
[오류 분석(error analysis)][Error analysis]
범용 지능모델 생성부(430)는 지능모델의 예측성능을 향상시키기 위하여, 빅데이터 학습결과 생성된 예측함수 또는 패턴정보의 오류를 분석한다. 예를 들어, 범용 지능모델 생성부(430)는 학습결과의 과적합(overfitting) 문제를 해결하기 위하여 교차검증(cross-validation)을 수행할 수 있다.In order to improve the prediction performance of the intelligent model, the general intelligent
[범용 지능모델 생성][GENERAL INTELLIGENCE MODEL GENERATION]
범용 지능모델 생성부(430)는 오류 분석된 예측함수 또는 패턴정보를 기초로 범용(general) 지능모델을 생성한다. 여기서, 범용 지능모델은 새로운 사용자 데이터를 기초로 예측 데이터를 생성하기 위한 예측모델로서, 사용자 장치(210)에 배포될 수 있다.The general intelligence
맞춤형 지능모델 생성부(450)The customized intelligent
맞춤형 지능모델 생성부(450)는, 사용자 장치(210)로부터 수신된 사용자 프로파일 데이터를 범용 지능모델을 이용하여 전처리, 학습 및 분석함으로써, 사용자 장치 별 맞춤형 지능모델을 생성한다. 여기서, 사용자 프로파일 데이터는, 사용자 장치(210)의 서비스 목적 및 시기, S/W 성능분석 결과(예: 운영체제 프레임워크나 라이브러리 등의 종류 및 버전) 및 H/W 성능분석 결과(예: CPU, RAM, 저장장치의 용량) 등을 포함할 수 있다.The customized intelligence
사용자 장치(210)는 지능서버(230)에 비해 상대적으로 컴퓨팅 성능이 낮으므로, 빅데이터 기반 범용 지능모델을 사용자 장치(210)에 그대로 적용할 경우, 예측 속도가 느려지는 등의 성능 열화(degradation)가 발생한다. 또한, 사용자 장치(210)에서 제공하는 지능서비스는 스몰데이터(Small Data)를 기반으로 하므로, 범용 지능모델을 그대로 적용할 경우, 사용자 장치(210)의 자원(예: CPU, 메모리 용량 등)이 필요 이상으로 낭비된다.Since the
따라서, 본 실시예에서, 맞춤형 지능모델 생성부(450)는 사용자 장치(210) 각각의 기기 특성, 성능 및 서비스 정보 등(즉, 사용자 프로파일 데이터)을 기초로, 범용 지능모델로부터 사용자 장치(210)별 맞춤형 지능모델을 생성한다. 그리고, 사용자 장치(210)는 지능서버(230)로부터 배포된 맞춤형 지능모델을 이용하여 지능서비스, 즉 스몰데이터에 대한 예측 데이터를 생성하여 사용자에게 제공하게 된다.Therefore, in the present embodiment, the customized intelligent
통신부(470)The
통신부(470)는 유/무선 통신연결을 통해 사용자 장치(210)와 데이터를 교환하기 위해 필요한 구성요소로서, 무선통신 모듈(LTE, Wi-Fi 등), 근거리 통신 모듈(블루투스(Bluetooth), 지그비(ZigBee), NFC(Near Field Communication) 등)을 포함할 수 있다. 다만, 이는 예시적인 것이고, 본 실시예가 이에 한정되는 것은 아니다.The
통신부(470)는 빅데이터 수집부(410)가 빅데이터를 수집할 수 있도록 빅데이터 소스와의 통신연결을 지원하는 기능을 수행한다. 그리고, 통신부(470)는 생성된 맞춤형 지능모델을 사용자 장치(210)에 배포하는 기능을 수행한다.The
저장부(490)In the
저장부(490)는 수집된 빅데이터 또는 전처리된 빅데이터를 저장하는 기능을 수행한다. 저장부(490)는 관계형 데이터베이스(relational Database, 예를 들어, MS-SQL 등), 비관계형 데이터베이스(non-relational Database, 예를 들어, NoSQL 등) 또는 분산형 파일 시스템(distributed file system, 예를 들어, 하둡(Hadoop) DFS 등) 등으로 구현될 수 있다.The
이하, 도 5를 참조하여, 맞춤형 지능모델 생성 및 배포과정을 살펴보기로 한다.Hereinafter, a process of creating and distributing a customized intelligent model will be described with reference to FIG.
도 5는 도 4에 도시된 지능서버가 맞춤형 지능모델을 생성 및 배포하는 과정을 나타내는 도면이다.5 is a diagram illustrating a process of generating and distributing a customized intelligent model by the intelligent server shown in FIG.
도 5를 참조하면, 단계 S510에서, 빅데이터 수집부(410)는 통신부(470)를 통해 연결된 빅데이터 소스로부터 능동적으로 또는 수동적으로 빅데이터를 수집한다. 그리고, 빅데이터 수집부(410)는 수집된 빅데이터를 저장부(490) 또는 별도의 외부 저장소(미도시)에 저장할 수 있다.Referring to FIG. 5, in step S510, the big
단계 S520에서, 범용 지능모델 생성부(430)는 수집된 빅데이터를 용이하게 학습 및 분석하기 위하여 데이터를 정제(cleaning)하는 전처리 동작을 실시간으로 수행한다. 여기서, 빅데이터 전처리 동작은 필터링(filtering) 동작, 데이터 변환(transformation) 동작 및 데이터 통합(integration) 동작을 포함할 수 있다.In step S520, the general intelligent
단계 S530에서, 범용 지능모델 생성부(430)는, 빅데이터로부터 예측함수를 생성하거나 패턴정보를 추론하기 위하여, 다양한 학습 알고리즘을 이용하여 빅데이터를 실시간으로 학습한다. 여기서, 학습 알고리즘은 지능서버(230)의 저장부(490)에 저장된 알고리즘 또는 사용자 장치(210)로부터 수신된 알고리즘일 수 있다.In step S530, the general intelligence
단계 S540에서, 범용 지능모델 생성부(430)는 지능모델의 예측성능을 향상시키기 위하여, 빅데이터 학습결과 생성된 예측함수 또는 패턴정보의 오류를 실시간으로 분석한다.In step S540, the general-purpose
단계 S550에서, 범용 지능모델 생성부(430)는 오류 분석된 예측함수 또는 패턴정보를 기초로 범용 지능모델을 실시간으로 생성한다.In step S550, the general-purpose intelligent
단계 S560에서, 맞춤형 지능모델 생성부(450)는 사용자 장치(210) 각각의 기기 특성, 성능 및 서비스 정보 등(즉, 사용자 프로파일 데이터)을 기초로, 범용 지능모델로부터 사용자 장치(210)별 맞춤형 지능모델을 실시간으로 생성한다.In step S560, the customized intelligent
단계 S570에서, 통신부(470)는 유/무선 통신연결을 통해 사용자 장치(210)에 맞춤형 지능모델을 실시간으로 배포한다. 그리고, 사용자 장치(210)는 배포된 맞춤형 지능모델을 이용하여 지능서비스, 즉 스몰데이터에 대한 예측 데이터를 생성하여 사용자에게 제공하게 된다.In step S570, the
도 6은 도 3에 도시된 사용자 장치가 사용자에게 지능서비스를 제공하는 과정을 나타내는 도면이다.6 is a diagram illustrating a process in which the user equipment shown in FIG. 3 provides an intelligent service to a user.
도 6을 참조하면, 단계 S610에서, 지능서비스부(310)는 지능서버(230)로부터 배포된 맞춤형 지능모델을 통신부(350)를 통해 수신할 수 있다.6, in step S610, the
단계 S620에서, 지능서비스부(310)는 맞춤형 지능모델을 기반으로 사용자로부터 새롭게 수신된 사용자 데이터에 대해 예측을 수행하여, 소정의 예측 데이터를 생성할 수 있다.In step S620, the
단계 S630에서, 지능서비스부(310)는 생성된 예측 데이터를 기반으로 의사결정 과정을 거쳐, 사용자에게 지능서비스를 제공할 수 있다.In step S630, the
이상 도 5 및 도 6에서는, 복수의 과정을 순차적으로 수행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면, 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서, 도 5 및 도 6에 기재된 순서를 변경하여 수행하거나 상기 복수의 과정 중 일부를 병렬적으로 수행하는 것으로 다양하게 수정 및 변경하여 적용 가능할 것이므로, 도 5 및 도 6은 시계열적인 순서로 한정되는 것은 아니다.Although FIGS. 5 and 6 illustrate that a plurality of processes are performed sequentially, this is merely illustrative of the technical idea of this embodiment. In other words, those skilled in the art will understand that the present invention can be implemented by changing the order described in FIGS. 5 and 6 or by changing some of the plurality of processes in parallel It should be understood that the present invention is not limited to the above-described embodiments.
한편, 도 5 및 도 6에 도시된 과정들은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 즉, 컴퓨터가 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장매체를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.5 and 6 can be implemented as computer-readable codes on a computer-readable recording medium. A computer-readable recording medium includes all kinds of recording apparatuses in which data that can be read by a computer system is stored. That is, a computer-readable recording medium includes a magnetic storage medium (e.g., ROM, floppy disk, hard disk, etc.), an optical reading medium (e.g., CD ROM, And the like). The computer-readable recording medium may also be distributed over a networked computer system so that computer readable code can be stored and executed in a distributed manner.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The foregoing description is merely illustrative of the technical idea of the present embodiment, and various modifications and changes may be made to those skilled in the art without departing from the essential characteristics of the embodiments. Therefore, the present embodiments are to be construed as illustrative rather than restrictive, and the scope of the technical idea of the present embodiment is not limited by these embodiments. The scope of protection of the present embodiment should be construed according to the following claims, and all technical ideas within the scope of equivalents thereof should be construed as being included in the scope of the present invention.
100 : 범용 지능시스템
110 : 사용자 장치
130 : 지능서버
200 : 맞춤형 지능시스템
210 : 사용자 장치
230 : 지능서버
310 : 지능 서비스부
330 : 통신부
350 : 저장부
410 : 빅데이터 수집부
430 : 범용 지능모델 생성부
450 : 맞춤형 지능모델 생성부
470 : 통신부
490 : 저장부100: general purpose intelligent system 110: user device
130: intelligent server 200: customized intelligent system
210: user device 230: intelligent server
310: intelligent service unit 330: communication unit
350: storage unit 410: big data collection unit
430: general intelligent model generation unit 450: customized intelligent model generation unit
470: communication unit 490:
Claims (7)
빅데이터(Big Data)로부터 지능모델을 생성하여 배포하는 지능서버; 및
상기 배포된 지능모델을 이용하여 사용자 데이터로부터 예측 데이터를 생성하고, 상기 예측 데이터에 기초한 의사 결정을 통해 상기 사용자에게 지능서비스를 제공하는 적어도 하나의 사용자 장치를 포함하되,
상기 지능서버는,
상기 사용자 장치를 포함하는 빅데이터 소스로부터 빅데이터를 수집하는 빅데이터 수집부;
상기 수집된 빅데이터에 대해 전처리 및 학습 알고리즘에 의한 학습을 수행하여 예측함수 또는 패턴정보를 생성하고, 상기 예측함수 또는 상기 패턴정보를 분석하여 범용 지능모델을 생성하는 범용 지능모델 생성부; 및
상기 사용자 장치 각각의 프로파일 데이터를 이용하여 상기 범용 지능모델로부터 맞춤형 지능모델을 추출하는 맞춤형 지능모델 생성부를 포함하는
지능시스템.In an intelligent system that provides an intelligent service based on Small Data,
An intelligent server for generating and distributing intelligent models from Big Data; And
At least one user device for generating predictive data from user data using the distributed intelligence model and providing intelligent services to the user through a decision based on the predictive data,
Wherein the intelligent server comprises:
A big data collection unit for collecting big data from a big data source including the user device;
A general intelligence model generation unit for generating a predictive function or pattern information by performing learning by the preprocessing and learning algorithm on the collected big data and analyzing the predictive function or the pattern information to generate a general intelligence model; And
And a customized intelligent model generation unit for extracting a customized intelligent model from the general intelligent model using profile data of each of the user devices
Intelligent system.
상기 맞춤형 지능모델은 상기 사용자 장치에 의해 상기 사용자 프로파일 데이터와 연동하여 갱신되는
지능시스템.The method according to claim 1,
Wherein the customized intelligence model is updated by the user device in association with the user profile data
Intelligent system.
상기 프로파일 데이터는 서비스 대상 정보와 상기 사용자 장치의 하드웨어 및 소프트웨어 정보를 포함하는
지능시스템.The method according to claim 1,
Wherein the profile data includes service object information and hardware and software information of the user equipment
Intelligent system.
상기 학습 알고리즘은 감독 학습(supervised learning) 알고리즘, 비감독 학습(unsupervised learning) 알고리즘 및 강화(reinforcement) 학습 알고리즘 중 적어도 하나를 포함하고, 상기 사용자 장치 또는 상기 지능서버의 메모리에 저장되는
지능시스템.The method according to claim 1,
Wherein the learning algorithm comprises at least one of a supervised learning algorithm, an unsupervised learning algorithm, and a reinforcement learning algorithm and is stored in the memory of the user device or the intelligent server
Intelligent system.
상기 사용자 장치와의 통신 연결을 지원하는 통신부; 및
상기 수집된 빅데이터, 상기 범용 지능모델 및 상기 맞춤형 지능모델을 저장하는 저장부를 더 포함하는
지능시스템.The method according to claim 1,
A communication unit for supporting a communication connection with the user apparatus; And
Further comprising a storage unit for storing the collected big data, the general intelligence model, and the customized intelligence model
Intelligent system.
상기 저장부는,
하둡 분산형 파일 시스템(Hadoop Distributed File System: HDFS)인
지능시스템.6. The method of claim 5,
Wherein,
The Hadoop Distributed File System (HDFS)
Intelligent system.
상기 지능서버가,
상기 사용자 장치를 포함하는 빅데이터(Big Data) 소스로부터 빅데이터를 수집하는 단계;
상기 수집된 빅데이터에 대해 전처리 및 학습 알고리즘에 의한 학습을 수행하여 예측함수 또는 패턴정보를 생성하고, 상기 예측함수 또는 패턴정보를 분석하여 범용 지능모델을 생성하는 단계;
상기 사용자 장치 각각의 프로파일 데이터를 이용하여 상기 범용 지능모델로부터 맞춤형 지능모델을 생성하는 단계;
상기 맞춤형 지능모델을 상기 사용자 장치 각각에 배포하는 단계; 및
상기 사용자 장치 각각이,
상기 배포된 맞춤형 지능모델을 이용하여 사용자 데이터로부터 예측 데이터를 생성하고, 상기 예측 데이터에 기초한 의사 결정을 통해 사용자에게 지능서비스를 제공하는 단계를 포함하는
지능시스템의 동작방법.A method of operating an intelligent system including an intelligent server for generating and distributing an intelligent model and at least one user device for providing an intelligent service based on Small Data,
Wherein the intelligent server comprises:
Collecting big data from a Big Data source including the user device;
Generating a general function intelligence model by analyzing the prediction function or pattern information by performing learning by the preprocessing and learning algorithm on the collected big data to generate a prediction function or pattern information;
Generating a customized intelligence model from the general intelligence model using profile data of each of the user devices;
Distributing the customized intelligence model to each of the user devices; And
Each of the user devices comprising:
Generating predictive data from the user data using the distributed customized intelligent model and providing intelligent services to the user through a decision based on the predictive data;
A method of operating an intelligent system.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170157067A KR20190060021A (en) | 2017-11-23 | 2017-11-23 | Customized intelligent system and operation method thereof |
PCT/KR2017/013509 WO2019103199A1 (en) | 2017-11-23 | 2017-11-24 | Personalized intelligent system and method for operating same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170157067A KR20190060021A (en) | 2017-11-23 | 2017-11-23 | Customized intelligent system and operation method thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20190060021A true KR20190060021A (en) | 2019-06-03 |
Family
ID=66630598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170157067A KR20190060021A (en) | 2017-11-23 | 2017-11-23 | Customized intelligent system and operation method thereof |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20190060021A (en) |
WO (1) | WO2019103199A1 (en) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200145002A (en) * | 2019-06-20 | 2020-12-30 | 경상대학교산학협력단 | Autonomous moral judgment 0f artificial intelligence and its implementation system |
KR20210018691A (en) * | 2019-08-09 | 2021-02-18 | 재단법인 아산사회복지재단 | Method, program and system for learning in a volatile area based on big data |
KR102230991B1 (en) * | 2019-09-24 | 2021-03-23 | 허해연 | Method for providing motion and interest patterns identifying service based on artificial intelligence and internet of things for customers behavior analysis and supply chain management |
WO2021081510A1 (en) * | 2019-01-30 | 2021-04-29 | Uptake Technologies, Inc. | Data science platform |
KR20210060830A (en) * | 2019-11-19 | 2021-05-27 | 주식회사 피씨엔 | Big data intelligent collecting method and device |
KR20210076641A (en) * | 2019-12-16 | 2021-06-24 | 박병훈 | Method for providing artificial intelligence service |
KR102366153B1 (en) * | 2020-08-20 | 2022-02-23 | 한국전력공사 | Fast ensembel inference in machine learning for real-time application and machine learning method accelerated ensembel inference |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120033597A (en) * | 2010-09-30 | 2012-04-09 | 성균관대학교산학협력단 | Apparatus and method for recognizing user future context |
KR20130035660A (en) * | 2011-09-30 | 2013-04-09 | 주식회사 케이티 | Recommendation system and method |
US10824958B2 (en) * | 2014-08-26 | 2020-11-03 | Google Llc | Localized learning from a global model |
JP6432859B2 (en) * | 2014-08-27 | 2018-12-05 | 株式会社フューチャーアイ | Service providing system and program |
WO2018135696A1 (en) * | 2017-01-20 | 2018-07-26 | 주식회사 더디엔에이시스템 | Artificial intelligence platform using self-adaptive learning technology based on deep learning |
-
2017
- 2017-11-23 KR KR1020170157067A patent/KR20190060021A/en not_active Application Discontinuation
- 2017-11-24 WO PCT/KR2017/013509 patent/WO2019103199A1/en active Application Filing
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021081510A1 (en) * | 2019-01-30 | 2021-04-29 | Uptake Technologies, Inc. | Data science platform |
US11797550B2 (en) | 2019-01-30 | 2023-10-24 | Uptake Technologies, Inc. | Data science platform |
KR20200145002A (en) * | 2019-06-20 | 2020-12-30 | 경상대학교산학협력단 | Autonomous moral judgment 0f artificial intelligence and its implementation system |
KR20210018691A (en) * | 2019-08-09 | 2021-02-18 | 재단법인 아산사회복지재단 | Method, program and system for learning in a volatile area based on big data |
KR102230991B1 (en) * | 2019-09-24 | 2021-03-23 | 허해연 | Method for providing motion and interest patterns identifying service based on artificial intelligence and internet of things for customers behavior analysis and supply chain management |
WO2021060771A1 (en) * | 2019-09-24 | 2021-04-01 | 허해연 | Method for providing motion identification service for customer behavior analysis and supply chain management based on artificial intelligence and internet of things |
KR20210060830A (en) * | 2019-11-19 | 2021-05-27 | 주식회사 피씨엔 | Big data intelligent collecting method and device |
KR20210076641A (en) * | 2019-12-16 | 2021-06-24 | 박병훈 | Method for providing artificial intelligence service |
KR102366153B1 (en) * | 2020-08-20 | 2022-02-23 | 한국전력공사 | Fast ensembel inference in machine learning for real-time application and machine learning method accelerated ensembel inference |
Also Published As
Publication number | Publication date |
---|---|
WO2019103199A1 (en) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190060021A (en) | Customized intelligent system and operation method thereof | |
Xu et al. | Edge intelligence: Architectures, challenges, and applications | |
US20220188700A1 (en) | Distributed machine learning hyperparameter optimization | |
Liew et al. | Mining personal data using smartphones and wearable devices: A survey | |
Tao et al. | A parallel algorithm for network traffic anomaly detection based on Isolation Forest | |
Sadri et al. | Fog data management: A vision, challenges, and future directions | |
US20190392258A1 (en) | Method and apparatus for generating information | |
Xu et al. | A survey on edge intelligence | |
US20220188699A1 (en) | Machine learning techniques for web resource fingerprinting | |
KR20210077736A (en) | Low entropy browsing history for content quasi-personalization | |
WO2019109798A1 (en) | Method, device, terminal and storage medium for loading resource | |
Yang et al. | A very fast decision tree algorithm for real-time data mining of imperfect data streams in a distributed wireless sensor network | |
WO2022216753A1 (en) | Distributed machine learning hyperparameter optimization | |
Pooyandeh et al. | Edge network optimization based on ai techniques: A survey | |
Sharma et al. | Reliable federated learning in a cloud-fog-IoT environment | |
Vernet et al. | High performance web of things architecture for the smart grid domain | |
Rashid et al. | Analysis of dimensionality reduction techniques on Internet of Things data using machine learning | |
Vyas et al. | Fog data processing and analytics for health care-based IoT applications | |
Shih et al. | Implementation and visualization of a netflow log data lake system for cyberattack detection using distributed deep learning | |
Klus et al. | Crowdsourcing solutions for data gathering from wearables | |
Kang et al. | Spatial-temporal correlative fault detection in wireless sensor networks | |
Tripathy et al. | FedHealthFog: A federated learning-enabled approach towards healthcare analytics over fog computing platform | |
Kusuma et al. | Intelligence and cognitive computing at the edge for IoT: architecture, challenges, and applications | |
US20210295215A1 (en) | Technologies for decentralized fleet analytics | |
Aksoy et al. | Optimization of real-time wireless sensor based big data with deep autoencoder network: a tourism sector application with distributed computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |