KR20190081373A

KR20190081373A - 인공 신경망에 기반한 단말 장치 및 데이터 처리 방법

Info

Publication number: KR20190081373A
Application number: KR1020170183864A
Authority: KR
Inventors: 김원태; 강신욱; 이명재; 김동민; 전종우
Original assignee: (주)제이엘케이인스펙션
Priority date: 2017-12-29
Filing date: 2017-12-29
Publication date: 2019-07-09

Abstract

인공 신경망에 기반한 단말 장치 및 데이터 처리 방법이 제공된다. 본 개시의 단말 장치는 데이터를 획득하는 센서부, 서버와 통신하는 통신부, 및 상기 서버로부터 수신된 정보를 출력하는 출력부를 포함하고, 상기 센서부가 획득한 데이터는 인공지능 모델을 생성 또는 학습하기 위한 학습용 데이터 또는 기학습된 인공지능 모델의 입력 데이터인 분류용 데이터로서 상기 통신부를 통해 상기 서버에 전송될 수 있다.

Description

인공 신경망에 기반한 단말 장치 및 데이터 처리 방법{TERMINAL DEVICE AND DATA PROCESSING METHOD BASED ON ARTIFICIAL NEURAL NETWORK}

본 개시는 인공 신경망에 기반한 단말 장치 및 데이터 처리 방법에 관한 것이다. 보다 구체적으로, 인공 신경망 모델의 생성 기능 및/또는 인공 신경망 모델을 이용한 분석 기능을 구비한 서버를 이용하여, 획득된 데이터를 처리하는 단말 장치, 데이터 처리 방법 및 본 개시의 데이터 처리 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체에 관한 것이다.

인간의 신경구조를 모사하여 개발된 인공 신경망(artificial neural network)은 인공지능 분야 중 딥 러닝의 기반을 이루는 모델로서 인공지능 기술 발전에 있어 주도적인 역할을 한 인공지능 모델이다. 기존의 논리/규칙 기반 모델은 현실 세계의 모든 문제를 명확히 정의하기 어렵고 세상의 모든 상황과 지식을 알려줄 수 없기 때문에 그 적용 범위에 한계가 있다. 따라서, 최근 기존의 논리/규칙 기반 모델을 적용하기 어려운 분야에 인공 신경망 기술이 적용되어 인공지능 기반 시스템의 성능과 확장성을 크게 향상시키고 있다.

한편, 인공 신경망은 입력 데이터를 처리하기 위해 많은 연산들이 수행되고 많은 가중치들이 요구되고 또한 많은 중간 결과 트래픽들이 생성되기 때문에, 전력이 제한적인 모바일 장치, 애플리케이션 또는 컴퓨터 환경에서 인공 신경망 모델을 이용하기 어렵다는 문제가 있다.

본 개시의 기술적 과제는, 인공 신경망에 기반한 단말 장치 및 데이터 처리 방법을 제공하는 것이다.

본 개시의 다른 기술적 과제는, 외부에 구현되어 있는 인공 신경망 모델을 이용하여 데이터를 처리하는 단말 장치 및 데이터 처리 방법을 제공하는 것이다.

본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 양상에 따르면, 데이터를 획득하는 센서부, 서버와 통신하는 통신부, 및 상기 서버로부터 수신된 정보를 출력하는 출력부를 포함하고, 상기 센서부가 획득한 데이터는 인공지능 모델을 생성 또는 학습하기 위한 학습용 데이터 또는 기학습된 인공지능 모델의 입력 데이터인 분류용 데이터로서 상기 통신부를 통해 상기 서버에 전송되는 단말 장치가 제공될 수 있다.

본 개시의 다른 양상에 따르면, 데이터를 획득하는 단계, 획득한 데이터를 인공지능 모델을 생성 또는 학습하기 위한 학습용 데이터 또는 기학습된 인공지능 모델의 입력 데이터인 분류용 데이터로서 서버에 전송하는 단계, 및 상기 서버로부터 수신된 정보를 출력하는 단계를 포함하는 데이터 처리 방법이 제공될 수 있다.

본 개시의 또 다른 양상에 따르면, 본 개시의 데이터 처리 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.

본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.

본 개시에 따르면, 인공 신경망에 기반한 단말 장치 및 데이터 처리 방법이 제공될 수 있다.

또한, 본 개시에 따르면, 외부에 구현되어 있는 인공 신경망 모델을 이용하여 데이터를 처리하는 단말 장치 및 데이터 처리 방법이 제공될 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시 예에 따른 인공 신경망의 일반적인 구조를 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 인공 신경망에 기반한 데이터 처리 시스템을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시 예에 따른 서버의 기능을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따른 인공 신경망에 기반한 데이터 처리 방법을 설명하기 위한 도면이다.

이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.

본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.

본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들을 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.

이하, 첨부한 도면을 참조하여 본 개시의 실시 예들에 대해서 설명한다.

도 1은 본 개시의 일 실시 예에 따른 인공 신경망의 일반적인 구조를 설명하기 위한 도면이다.

인공지능 기술은 컴퓨터에게 데이터를 학습시켜 마치 사람처럼 스스로 의사결정을 할 수 있게 한다. 인공 신경망은 생물학의 신경망에서 영감을 얻은 수학적 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시킴으로써 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 일반적으로 입력층(input layer)(110), 은닉층(hidden layer)(120) 및 출력층(output layer)(130)으로 구성되어 있으며 각 층에 포함된 뉴런들이 가중치(140)를 통해 연결될 수 있다. 가중치와 뉴런값의 선형 결합과 비선형 활성화 함수를 통해 인공 신경망은 복잡한 함수를 근사화할 수 있는 형태를 가질 수 있다. 인공 신경망 학습의 목적은 출력층에서 계산된 출력과 실제 출력의 값 차이를 최소화 시키는 가중치를 찾는데 있다.

심층 신경망(deep neural network)은 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공 신경망을 의미할 수 있다. 많은 은닉층을 이용함으로써 복잡한 비선형 관계들을 모델링할 수 있으며, 이처럼 층의 개수를 늘림으로써 고도화된 추상화가 가능한 신경망 구조를 딥러닝(deep learning)이라고 부른다. 딥러닝은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택할 수 있다. 따라서, 딥러닝은 입력에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아낼 수 있다.

본 개시의 일 실시 예에 따르면, 딥러닝 기반의 모델은 완전 합성곱 신경망(완전 컨볼루션 뉴럴 네트워크, fully convolutional neural network), 합성곱 신경망(컨볼루션 뉴럴 네트워크, convolutional neural network), 순환 신경망(회귀 뉴럴 네트워크, recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 또는, 딥러닝 이외의 머신 러닝 방법도 포함할 수 있다. 또는, 딥러닝과 머신 러닝을 결합한 하이브리드 형태의 모델도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 입력 데이터(예컨대, 입력 영상)의 특징을 추출하고, 상기 추출된 특징에 기초하여 입력 데이터를 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.

또한, 본 개시의 일 실시 예에 따르면, 딥러닝 기반의 모델을 학습하는 방법은 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 또는 강화 학습(reinforcement learning) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 레이블(label, 목표 출력값)을 이용하여 학습이 이루어지며, 지도 학습에 기초한 신경망 모델은 훈련용 데이터(training data)로부터 함수를 추론해내는 형태의 모델일 수 있다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 목표 출력 값을 수신하고, 입력되는 데이터에 대한 실제 출력 값과 목표 출력 값을 비교하는 학습을 통해 오류를 찾아내고, 해당 결과를 근거로 모델을 수정하게 된다. 지도 학습은 결과물의 형태에 따라 다시 회귀(regression), 분류(classification), 검출(detection), 시멘틱 세그멘테이션(semantic segmentation) 등으로 구분될 수 있다. 지도 학습을 통해 도출된 함수는 다시 새로운 결과값을 예측하는데 사용될 수 있다. 이처럼, 지도 학습에 기초한 신경망 모델은 수많은 학습 데이터의 학습을 통해, 신경망 모델의 파라미터를 최적화하게 된다.

도 2는 본 개시의 일 실시 예에 따른 인공 신경망에 기반한 데이터 처리 시스템을 설명하기 위한 도면이다.

본 개시의 일 실시 예에 따를 때, 인공 신경망 모델을 구현할 수 있는 서버를 이용하여 인공지능 기능을 자체적으로 구비하기 어려운 장치에서도 인공 신경망 모델을 수행한 결과를 제공함으로써, 인공지능의 학습 및 분류 기능이 확장된 시스템을 제공할 수 있다. 예컨대, 서버는 물리적 서버나 클라우드 서버일 수 있다. 서버는 인공 지능 모델링 기술, 사용자 인터페이스(User Interface, UI) 등의 기능을 제공하는 소프트웨어를 포함할 수 있다.

구체적으로, 소프트웨어는 서버, 클라우드 등의 시스템을 통해 데이터 전처리, 머신러닝, 딥러닝 등을 수행하고 이를 시각화하며, 각종 변수들의 조정과 컴퓨팅을 수행할 수 있다. 즉, 서버와 소프트웨어는 데이터베이스 역할과 함께 인공지능 모델링과 이를 위한 프로그래밍, 컴파일링, 결과분석, 인터랙션 설계 또는 컴퓨팅 기능을 제공할 수 있다. 또한, 서버와 소프트웨어는 저장용 기기, 컴퓨팅용 워크스테이션과 함께 각종 프로그램에 대한 분석 대행, 웹 기반 실시간 컴파일 등의 기능을 제공할 수 있다.

한편, 본 개시의 일 실시 예에 따른 단말 장치는 구비된 각종 센서로부터 획득된 데이터를, 이미 학습된 인공지능 모델의 분류용 데이터로서 서버에 제공할 수 있다. 또한 본 개시의 일 실시 예에 따른 단말 장치는, 상기 획득된 데이터를 인공 신경망 모델의 학습용 데이터로서 서버에 제공할 수 있다. 서버는 분류용 데이터를 수신하여, 이미 학습된 인공지능 모델에 입력값으로서 적용할 수 있다. 또한 서버는 학습용 데이터를 수신하여, 인공지능 모델링의 학습 데이터로서 이용할 수 있다. 이때 서버는 수신한 학습용 데이터를 이용하여 새로운 학습용 데이터 베이스를 구축할 수도 있다.

또한, 본 개시의 일 실시 예에 따른 단말 장치는, 서버로부터 분석 결과 등을 입력받아 출력할 수 있다. 따라서, 본 개시에 따를 때, 인공 신경망 모델의 생성과 출력 및 인터랙션 설계가 가능한, 하드웨어와 소프트웨어를 연계한 인공지능 모델링 시스템을 사용자에게 제공할 수 있다.

도 2를 참조하면, 본 개시의 데이터 처리 시스템은 단말 장치(200) 및 서버(250)를 포함할 수 있다.

단말 장치(200)는 센서부(210), 제어부(220), 통신부(230) 및/또는 출력부(240)를 포함할 수 있다. 다만, 이는 본 실시 예를 설명하기 위해 필요한 일부 구성요소만을 도시한 것일 뿐, 인공 신경망에 기반한 단말 장치(200)에 포함된 구성요소가 전술한 예에 한정되는 것은 아니다. 예컨대, 둘 이상의 구성부가 하나의 구성부 내에서 구현될 수도 있고, 하나의 구성부에서 실행되는 동작이 분할되어 둘 이상의 구성부에서 실행되도록 구현될 수도 있다. 또한, 일부 구성부가 생략되거나 부가적인 구성부가 추가될 수도 있다.

일 실시 예에 따른 인공 신경망에 기반한 단말 장치(200)는 센서부(210)를 이용하여 입력 데이터를 획득할 수 있다. 획득한 입력 데이터는 학습용 데이터(212)로서, 통신부(230)를 통해 서버(250)에 전송될 수 있다.

서버(250)는 인공 신경망 모델의 학습 또는 새로운 인공 신경망 모델의 생성(254)을 위해, 수신한 학습용 데이터(212)를 이용할 수 있다. 또는 서버(250)는 수신한 학습용 데이터(212)를 이용하여 학습용 데이터베이스를 구축하고, 구축한 학습용 데이터베이스 및/또는 기존의 데이터베이스에 저장된 데이터를 호출(이용)(252)하여 신경망 모델을 학습하거나 및/또는 새로운 신경망 모델을 생성(254)할 수 있다. 단말 장치(200)는 센서를 이용하여 획득한 로(raw) 데이터를 학습용 데이터(212)로서 서버에 전송할 수 있다. 또는 로 데이터에 대해 전처리를 수행한 데이터를 학습용 데이터(212)로서 서버에 전송할 수도 있다. 또는, 서버(250)가 수신한 로 데이터에 대해 전처리를 수행한 후 이용할 수 있다. 상기 전처리는 인공지능 모델의 학습 데이터 또는 인공지능 모델의 입력 데이터의 일반적인 또는 정형화된 데이터의 포맷을 따르도록, 로 데이터의 포맷을 변형하는 처리일 수 있다.

또한, 단말 장치(200)가 센서를 이용하여 획득한 입력 데이터를 분류용 데이터(214)로서, 통신부(230)를 통해 서버(250)에 전송할 수 있다. 서버(250)는 이미 학습이 완료된 인공지능 모델(256)의 입력값으로서, 수신한 분류용 데이터(214)를 이용할 수 있다. 서버(250)는 분류용 데이터(214)를 인공지능 모델(256)에 적용한 분석 결과를 도출하고, 인터랙션 설계 등을 수행할 수 있다(258). 도출된 분석 결과 및 인터랙션은 단말 장치(200)에 전송될 수 있다.

분석 결과는 분류(classification)뿐만 아니라, 회귀(regression), 검출(detection), 예측(prediction) 등을 포함하여, 인공지능 모델(256)이 제공할 수 있는 다양한 결과를 모두 포함할 수 있다. 분석 결과는 다양한 출력 방법이나 인터랙션 설계 과정을 거쳐 단말 장치(200)에 전송될 수 있다. 예컨대, 분석 결과에 따라 단말 장치(200)에 포함된 출력부(240)의 특정 출력 장치(예컨대, 모터)가 특정한 방식으로 작동하도록 인터랙션을 설계할 수 있다. 인터랙션의 설계는 예컨대, 서버(250)에 구비된 소프트웨어에 의해 수행될 수 있다.

센서부(210)는 단말 장치(200)의 상태 및/또는 단말 장치(200) 주변의 상태를 감지하고, 감지된 정보는 센서 데이터로서 서버(250)에 전송될 수 있다. 센서부(210)는, 카메라, 마이크, 온도 센서, 조도 센서, 이미지 센서, 가속도 센서, 습도 센서, 적외선 센서, 자이로스코프 센서, 위치 센서(예컨대, GPS), 기압 센서, 근접 센서, 깊이 센서, 지자기 센서(magnetic sensor) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 예컨대, 상기 열거한 센서 외에 사용자가 임의로 데이터를 입력할 수 있는 키보드, 마우스, 터치패드 등의 입력 장치도 본 개시에 따른 센서부(210)에 포함될 수 있다. 센서부(210)에서 획득된 데이터는 이미지, 동영상, 사운드 또는 문자열 등일 수 있으나, 이에 한정되는 것은 아니며, 상기 열거한 센서가 감지한 종류의 데이터 및 상기 열거한 입력 장치로부터 입력된 다양한 종류의 데이터가 본 개시의 입력 데이터로서 이용될 수 있다.

센서부(210)는 한 종류의 센서(또는 입력 장치)를 이용하여 데이터를 획득할 수도 있고, 여러 종류의 센서(또는 입력 장치)를 이용하여 데이터를 획득할 수도 있다. 센서부(210)로부터 획득된 데이터를 학습용 데이터(212)로 이용할 것인지 또는 분류용 데이터(214)로 이용할 것인지는 데이터를 획득하기 전, 데이터를 획득할 때, 또는 데이터를 획득한 이후 중 적어도 하나의 시점에 결정될 수 있다. 획득된 데이터를 어떠한 용도로 이용할 것인지는 사용자 입력에 의해 결정될 수도 있고 소정의 조건에 따라 결정될 수도 있다.

제어부(220)는 단말 장치(200)의 전반적인 동작 및 단말 장치(200)의 내부 구성 요소들 사이의 신호 흐름을 제어하고, 데이터를 처리하는 기능을 수행할 수 있다. 제어부(220)는 마이크로 콘트롤러 또는 마이크로 프로세서 등을 포함할 수 있다. 마이크로 콘트롤러는 운영체제(Operating System, OS)에 기반하지 않는 제어부를 의미하며, 예컨대, 마이크로 콘트롤러의 일 실시 예로서 아두이노가 사용될 수 있다. 마이크로 프로세서는 OS가 탑재된 제어부를 의미하며, 예컨대, 마이크로 프로세서의 일 실시 예로서 라즈베리파이가 사용될 수 있다.

통신부(230)는 단말 장치(200)와 외부 장치(예를 들어, 서버(250) 등)간의 통신을 수행할 수 있다. 통신부(230)는 센서부(210)에서 획득된 데이터를 서버(250)에게 제공할 수 있다. 또한 통신부(230)는 서버(250)에서 수행된 결과를 수신할 수 있다. 예컨대, 통신부(230)는 학습용 데이터(212)를 서버(250)에 전송하고, 서버(250)로부터 학습 결과, 학습률, 인공 신경망의 전체적인 구조, 각 구성 요소 및/또는 매개 변수 등의 정보를 수신할 수 있다. 또는, 통신부(230)는 분류용 데이터(214)를 서버(250)에 전송하고, 서버(250)로부터 분류 결과에 대한 정보를 수신할 수 있다.

출력부(240)의 출력은 오디오 신호, 비디오 신호, 진동 신호를 포함하여 인간이 인지할 수 있는 모든 종류의 출력을 포함할 수 있다. 예컨대, 출력부(240)는 디스플레이, 스피커, 모터, 서보 모터 등을 포함할 수 있으나, 이에 한정되지 않으며, 인간의 감각을 자극할 수 있는 모든 종류의 출력 장치를 포함할 수 있다.

서버(250)는 인공 신경망 모델을 학습하고 또는 이미 학습된 모델을 이용하여 입력에 대한 분석 결과를 제공할 수 있다. 서버(250)는 학습용 데이터를 호출(252)하여 신경망 학습을 위해 모델을 설계할 수 있다(254). 호출할 수 있는 학습용 데이터는 기존의 데이터베이스 및/또는 센서 데이터베이스를 포함할 수 있다. 센서 데이터베이스는 단말 장치(200)로부터 수신한 학습용 데이터를 이용하여 구축한 학습용 데이터 베이스를 의미할 수 있다. 기존의 데이터베이스는 외부로부터 습득한 데이터베이스 및/또는 서버(250)가 자체적으로 저장하고 있는 데이터베이스를 포함할 수 있다.

모델 설계는 뉴런의 수, 노드의 수, 학습율, 활성화 함수 등의 파라미터를 설정하고 조정하는 과정을 포함할 수 있다. 또한, 서버(250)는 인공 신경망 학습을 통해 생성된 모델(256)을 이용하여 분석 결과를 도출하고 인터랙션 설계(258)를 할 수 있다. 또는 서버(250)는 일반적으로 널리 쓰이는 학습된 모델을 호출함으로써, 학습 과정을 생략하고 해당 모델을 즉각 활용할 수도 있다. 서버의 구조 및 동작과 관련하여 도 3을 참조하여 보다 구체적으로 후술한다.

도 3은 본 개시의 일 실시 예에 따른 서버의 기능을 설명하기 위한 도면이다. 도 3의 서버(300)는 도 2의 서버(250)의 일 실시 예이다.

서버(300)는 비주얼 프로그래밍 언어(Visual Programming Language, VPL) 및/또는 텍스트 기반 프로그래밍 환경에서 인공 신경망을 생성할 수 있다. 또한 서버(300)는 생성된 인공 신경망을 사용자 인터페이스 등을 이용하여 시각적으로 나타낼 수 있다. 예컨대, 본 개시의 서버(300)는 인공 신경망 생성 과정에서 발생되는 어려움과 구조적 추상성과 같은 문제를 해결하기 위해 스크래치(Scratch)나 엔트리(Entry) 등과 같은 VPL을 이용할 수 있다.

도 3을 참조하면, 서버(300)는 제1 언어 제어부(310), 제2 언어 제어부(320) 및/또는 인공신경망 인터페이스(330)를 포함할 수 있다. 서버(300)는 비주얼 프로그래밍 언어 기반 인공 신경망 생성 방법 및 시스템 사용자용 인터페이스로서 기능할 수 있다. 제1 언어 제어부(310)는 비주얼 프로그래밍 언어 환경 인터페이스로서 기능할 수 있다. 제2 언어 제어부(320)는 텍스트 기반 프로그래밍 언어 환경 인터페이스로서 기능할 수 있다. 인공신경망 인터페이스(330)는 인공신경망 가시화부로서 기능할 수 있다.

제1 언어 제어부(310)는 입력부(312) 및/또는 출력부(314)를 포함할 수 있다. 제1 언어는 비주얼 프로그래밍 언어일 수 있다. 예컨대, 입력부(312)는 인공 신경망의 구성 요소인 뉴런, 가중치, 학습률, 활성 함수 및/또는 임계값 등을 블록 형태의 모듈화된 요소로서 포함할 수 있다. 사용자는 블록 형태의 모듈화된 요소들의 각각에 대해 값을 입력할 수 있다. 각각의 블록 형태의 모듈화된 요소들은 미리 정의된 기능을 수행할 수 있으며, 사용자로부터 입력된 값들을 이용하여 인공 신경망 구조가 결정될 수 있다. 출력부(314)는 인공 신경망의 학습 과정, 학습 결과 및/또는 연산 결과를 다양한 형태로 출력할 수 있다. 예컨대, 상기 다양한 형태는 수치 형태일 수 있다. 일 실시 예에 따를 때, 학습 과정, 학습 결과 및/또는 연산 결과는 영상 표시 장치 및/또는 음성 출력 장치 등을 통해 출력될 수 있다. 또한, 입력부(312)에 나타낸 블록 형태의 모듈화된 요소들은 파이썬이나 C 등의 텍스트 기반 코드 형태로 변환될 수 있다.

제2 언어 제어부(320)는 입력부(322) 및/또는 출력부(324)를 포함할 수 있다. 제2 언어는 텍스트 기반 프로그래밍 언어(예를 들어, 파이썬, C 등)일 수 있다. 예컨대, 입력부(322)는 비주얼 프로그래밍 언어 환경인 제1 언어 제어부(310)에서 변환된 인공 신경망에 대한 텍스트 기반 코드를 확인하고 수정할 수 있다. 또는 사용자가 입력부(322)에 직접 텍스트 기반 코드를 입력할 수도 있다. 출력부(324)는 인공 신경망의 학습 과정, 학습 결과 및/또는 연산 결과를 다양한 형태로 출력할 수 있다. 예컨대, 상기 다양한 형태는 수치 형태일 수 있다. 일 실시 예에 따를 때, 학습 과정, 학습 결과 및/또는 연산 결과는 영상 표시 장치 또는 음성 출력 장치 등을 통해 출력될 수 있다.

인공 신경망 인터페이스(330)는 비주얼 프로그래밍 언어 또는 텍스트 기반 언어로 생성된 인공 신경망 구조를 표시할 수 있다. 예컨대, 인공 신경망의 전체적인 구조, 뉴런, 가중치, 학습률, 활성 함수 및/또는 임계값 등의 인공 신경망의 구조, 각 구성 요소 및/또는 매개 변수 등을 표시하여 사용자에게 해당 인공 신경망에 관한 정보를 제공할 수 있다.

사용자는 제1 언어 제어부(310)의 입력부(312)에 전술한 인공 신경망 관련 정보를 입력함으로써, 인공 신경망을 생성할 수 있고, 생성된 인공 신경망과 관련된 출력은 출력부(314)를 통해 출력될 수 있다. 또한, 생성된 인공 신경망은 텍스트 기반 프로그래밍 언어의 형태로 변환되어 제2 언어 제어부(320)의 입력부(322)에 표시될 수 있다. 이때, 예컨대, 입력부(312)의 입력은 실시간으로 변환되어 입력부(322)에 표시될 수 있다. 사용자는 입력부(322)에 표시된 텍스트 코드를 확인 및/또는 수정할 수 있으며, 수정한 결과는 반대로 비주얼 프로그래밍 언어로 변환되어 입력부(312)에 표시될 수 있다. 동일한 인공 신경망에 관한 정보가 제1 언어 제어부(310)에서는 비주얼 프로그래밍 언어 기반으로 표시되고, 제2 언어 제어부(320)에서는 텍스트 기반 프로그래밍 언어 기반으로 표시될 수 있다.

도 3을 참조하여 설명한 서버(300)의 구성 및 동작은 서버(300)에 포함된 소프트웨어 또는 서버 쪽에 구비된 소프트웨어부에 의해 수행될 수 있다. 서버(300) 또는 소프트웨어부는 인공 신경망을 생성하기 위한 제1 언어 제어부(310) 또는 제2 언어 제어부(320)만을 포함할 수도 있으며, 인공 신경망 인터페이스(330)는 포함하지 않을 수도 있다.

도 4는 본 개시의 일 실시 예에 따른 인공 신경망에 기반한 데이터 처리 방법을 설명하기 위한 도면이다.

S410 단계에서, 데이터를 수집할 수 있다. 예컨대, 데이터의 수집은 단말 장치(200)가 구비한 센서부(210)에서 수행될 수 있다. 센서부(210)에 포함되는 센서의 종류는 도 2를 참조하여 설명한 바와 같다. 수집된 데이터는 학습용 데이터(212) 및/또는 분류용 데이터(214)로서 서버(250)에 전송될 수 있다.

서버(250)는 수신된 학습용 데이터(212)를 이용하여, 학습용 데이터베이스를 생성할 수 있다(S420). 서버(250)가 수신하는 학습용 데이터(212)는 단말장치(200)의 센서부(210)가 획득한 로(raw) 데이터이거나 로 데이터에 소정의 전처리를 수행한 데이터일 수 있다. 서버(250)는 수신한 로 데이터를 전처리하여 이용할 수도 있다.

S430 단계에서, 신경망을 학습할 수 있다. 신경망의 학습을 위해, S420 단계에서 생성된 학습용 데이터베이스 및/또는 S440 단계에서 호출된 기존의 데이터베이스를 이용할 수 있다.

S450 단계에서, 인공지능 모델을 생성할 수 있다. 인공지능 모델은 S430 단계의 학습을 통한 생성될 수 있다. 단말 장치(200)는 생성된 인공지능 모델에 대한 정보, 예컨대, 학습 결과, 학습률, 인공 신경망의 구조, 각 구성 요소 또는 매개 변수에 대한 정보를 서버(250)로부터 수신하고, 이를 출력할 수 있다.

서버(250)는 단말 장치(200)로부터 분류용 데이터(214)를 수신할 수 있다(S460). 서버(250)는 수신된 분류용 데이터(214)를 인공지능 모델에 입력할 수 있다(S470).

S480 단계에서, 분류용 데이터(214)를 인공지능 모델에 적용한 분석 결과 및/또는 분석 결과에 대한 인터랙션을 설계할 수 있다.

S490 단계에서, 서버(250)는 분석 결과 및/또는 그에 따른 인터랙션을 단말 장치(200)에 전송할 수 있다.

본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.

본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.

또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

200 : 단말 장치
210 : 센서부
220 : 제어부
230 : 통신부
240 : 출력부

Claims

데이터를 획득하는 센서부;
서버와 통신하는 통신부; 및
상기 서버로부터 수신된 정보를 출력하는 출력부를 포함하고,
상기 센서부가 획득한 데이터는 인공지능 모델을 생성 또는 학습하기 위한 학습용 데이터 또는 기학습된 인공지능 모델의 입력 데이터인 분류용 데이터로서 상기 통신부를 통해 상기 서버에 전송되는 단말 장치.
제1항에 있어서,
상기 센서부가 획득한 데이터에 대해 소정의 전처리를 수행한 후, 상기 통신부를 통해 상기 서버에 전송되는 단말 장치.
제1항에 있어서,
상기 센서부가 획득한 데이터를 상기 학습용 데이터로서 상기 서버에 전송한 경우,
상기 서버로부터 상기 인공지능 모델의 생성 및 학습 중 적어도 하나에 관한 정보를 수신하는 단말 장치.
제1항에 있어서,
상기 센서부가 획득한 데이터를 상기 분류용 데이터로서 상기 서버에 전송한 경우,
상기 서버로부터 상기 인공지능 모델의 분석 결과 및 인터랙션 중 적어도 하나에 관한 정보를 수신하는 단말 장치.
제1항에 있어서,
상기 인공지능 모델의 생성, 학습 및 상기 인공지능 모델을 이용한 분석 중 적어도 하나는 상기 서버에 의해 수행되는 단말 장치.
데이터를 획득하는 단계;
획득한 데이터를 인공지능 모델을 생성 또는 학습하기 위한 학습용 데이터 또는 기학습된 인공지능 모델의 입력 데이터인 분류용 데이터로서 서버에 전송하는 단계; 및
상기 서버로부터 수신된 정보를 출력하는 단계를 포함하는 데이터 처리 방법.
프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체로서,
상기 프로그램은,
데이터를 획득하는 단계;
획득한 데이터를 인공지능 모델을 생성 또는 학습하기 위한 학습용 데이터 또는 기학습된 인공지능 모델의 입력 데이터인 분류용 데이터로서 서버에 전송하는 단계; 및
상기 서버로부터 수신된 정보를 출력하는 단계를 실행하는 컴퓨터로 판독 가능한 기록 매체.