KR20190094317A - 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법 - Google Patents

사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법 Download PDF

Info

Publication number
KR20190094317A
KR20190094317A KR1020190089909A KR20190089909A KR20190094317A KR 20190094317 A KR20190094317 A KR 20190094317A KR 1020190089909 A KR1020190089909 A KR 1020190089909A KR 20190089909 A KR20190089909 A KR 20190089909A KR 20190094317 A KR20190094317 A KR 20190094317A
Authority
KR
South Korea
Prior art keywords
speech recognition
environment
user
controlled
performance
Prior art date
Application number
KR1020190089909A
Other languages
English (en)
Inventor
채종훈
Original Assignee
엘지전자 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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of KR20190094317A publication Critical patent/KR20190094317A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/01—Assessment or evaluation of speech recognition systems
    • 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
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech

Abstract

본 발명의 실시 예는 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치에 있어서, 성능 예측 모델을 저장하는 메모리; 및 제1 통제된 음성 인식 환경에 상응하는 제1 통제된 환경 인자들 및 상기 제1 통제된 음성 인식 환경에서의 대상 음성 인식 모델에 대한 제1 통제된 음성 인식 성능을 포함하는 제1 통제된 환경 데이터를 획득하고, 상기 성능 예측 모델을 이용하여, 상기 획득한 제1 통제된 환경 데이터 및 성능을 예측할 대상이 되는 제1 사용자 음성 인식 환경에 상응하는 제1 사용자 환경 인자들로부터 상기 제1 사용자 음성 인식 환경에서의 상기 대상 음성 인식 모델에 대한 제1 사용자 음성 인식 성능을 예측하고, 상기 예측된 제1 사용자 음성 인식 성능을 출력하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법 {AN ARTIFICIAL INTELLIGENCE APPARATUS FOR PREDICTING PERFORMANCE OF SPEECH RECOGNITION MODEL IN USER ENVIRONMENT AND METHOD FOR THE SAME}
본 발명은 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 주어진 음성 인식 모델에 있어서 통제된 음성 인식 환경에서의 음성 인식 성능에 기초하여 사용자 환경에서의 해당 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법에 관한 것이다.
최근 인공 지능 스피커, 음성 제어, 음성 비서 등의 음성 인식 기술이 적용되는 서비스가 늘어나는 추세이다. 이러한 음성 인식 기능은 음성 인식 모델 또는 음성 인식 엔진을 통하여 구현될 수 있다.
음성 인식 모델을 개발하는 과정에는 개발한 음성 인식 모델에 대하여 음성 인식 성능을 측정하고, 측정된 음성 인식 성능을 기반으로 음성 인식 모델을 수정 또는 최적화하여 음성 인식 성능을 높이는 과정이 포함된다. 하지만, 음성 인식 모델에 대한 음성 인식 성능을 측정하는 환경은 제한적이고 통제된 환경으로 한정되므로 다양한 사용자 음성 인식 환경을 반영할 수 없다. 따라서, 사용자 음성 인식 환경에서의 음성 인식 모델의 성능을 높이기 위하여는 개별적으로 사용자 음성 인식 환경에서의 음성 인식 성능을 측정하고 수집하여야 하지만, 이는 많은 시간과 비용이 소모되는 문제점이 있다.
본 발명은 음성 인식 모델이 주어지면, 해당 음성 인식 모델에 대한 통제된 음성 인식 환경에서의 음성 인식 성능에 기초하여 다양한 사용자 환경에서 동작하였을 때의 음성 인식 성능을 예측하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 새로운 음성 인식 모델에 대하여도 다양한 사용자 환경에서 동작하였을 때의 음성 인식 성능을 예측하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는 다양한 음성 인식 모델에 대하여 통제된 환경 인자, 그에 상응하는 통제된 음성 인식 성능 및 사용자 환경 인자로부터 상기 사용자 환경 인자에 상응하는 사용자 음성 인식 성능을 추정하는 성능 예측 모델을 이용하여, 특정 음성 인식 모델에 대한 통제된 음성 인식 환경에 상응하는 통제된 환경 데이터가 입력되면, 사용자 환경 인자에 따른 사용자 음성 인식 성능을 예측하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 통제된 환경 인자들, 상기 통제된 음성 인식 성능 및 상기 사용자 환경 인자들로부터 특정 음성 인식 모델에 대한 사용자 음성 인식 환경에서의 음성 인식 성능의 예측값을 생성하는 성능 예측 모델을 이용하는 인공 지능 장치 및 그 방법을 제공한다.
본 발명의 다양한 실시 예에 따르면, 특정 음성 인식 모델에 대한 통제된 음성 인식 환경에서의 음성 인식 성능만을 확인하더라도 다양한 사용자 환경에서의 음성 인식 성능을 예측할 수 있고, 이를 이용하여 사용자 환경에서 높은 성능을 갖는 음성 인식 모델을 간편하게 개발할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 새로운 음성 인식 모델에 대하여도 통제된 음성 인식 환경에서의 음성 인식 성능만을 확인하더라도, 다양한 사용자 환경에서의 음성 인식 성능을 높은 정확도로 예측할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 기존의 음성 인식 모델을 생성하는 방법을 나타낸 도면이다.
도 5는 음성 인식 환경 및 그 음성 인식 환경에서의 음성 인식 성능을 나타낸 표이다.
도 6은 본 발명의 일 실시 예에 따른 음성 인식 모델을 생성하는 방법을 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 음성 인식 모델의 성능을 예측하는 방법을 나타낸 동작 흐름도이다.
도 8은 본 발명의 일 실시 예에 따른 성능 예측 모델을 나타낸 도면이다.
도 9는 본 발명의 일 실시 예에 따른 성능 예측 모델을 학습하거나 활용하는데 이용하는 데이터를 나타낸다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth?), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 기존의 음성 인식 모델을 생성하는 방법을 나타낸 도면이다.
도 4를 참조하면, 기존의 음성 인식 모델을 생성하는 방법은 통제된 음성 인식 환경(개발 환경, 401)에서 생성한 음성 인식 모델의 인식 성능(402)을 측정함으로써, 통제된 음성 인식 환경에서 높은 인식 성능을 갖도록 음성 인식 모델을 최적화하여(403), 음성 인식 모델을 완성한다(404).
통제된 음성 인식 환경은 음성 인식 모델에 대한 음성 인식 성능을 측정하기 위하여 미리 설계된 환경을 의미할 수 있다. 예컨대, 통제된 음성 인식 환경은 음성 인식 스튜디오를 포함할 수 있다.
그러나, 통제된 음성 인식 환경(401)은 사용자 음성 인식 환경(411)과 다르다. 그리고, 사용자 음성 인식 환경(411)에서의 음성 인식 성능(412)은 통제된 음성 인식 환경(401)에서의 음성 인식 성능(402)과 다르다. 따라서, 통제된 음성 인식 환경(401)에서 음성 인식 모델을 최적화(403)하는 것은, 사용자 음성 인식 환경(411)에서의 음성 인식 모델을 최적화(413)하는 것과 전혀 다르다. 즉, 기존의 음성 인식 모델을 생성하는 방법은 사용자 음성 인식 환경(411)에서 통제된 음성 인식 환경(401)과 동일한 수준의 인식 성능을 보장하지 못하는 문제점이 있었다.
예컨대, 특정 음성 인식 모델이 특정 음성에 대하여 통제된 음성 인식 환경(401)에서 인식 성능이 96%로 나타났다고 하더라도, 실제 사용자 음성 인식 환경(411)에서는 70%로 나타날 수도 있다.
이때, 음성 인식 성능은 입력된 음성에서 인식에 성공한 단어의 비율로 표현될 수도 있으며, 인식에 성공한 단어의 비율이 일정 임계값(threshold)를 넘는지 여부에 따라 성공 또는 실패로 표현될 수도 있으나, 본 발명이 이에 한정되지는 않는다. 즉, 음성 인식 성능은 다양한 방법으로 측정되고, 다양한 형식으로 표현될 수도 있다.
사용자 음성 인식 환경은 음성 인식 모델의 성능을 측정하기 위하여 미리 설계된 환경이 아닌, 음성 인식 모델을 이용하는 통상적인 음성 인식 환경 전체를 가리킬 수 있다.
음성 인식 모델을 개발할 때에는 실사용 환경에서의 음성 인식 성능을 파악하는 것이 중요하다. 하지만, 새로운 음성 인식 모델들을 개발할 때마다 사용자 음성 인식 환경에서 매번 음성 인식 성능을 측정하고, 음성 인식 모델을 최적화하기는 어렵다.
후술하는 본 발명의 실시 예들은 새로운 음성 인식 모델을 생성하더라도, 통제된 음성 인식 환경에 대한 정보와 통제된 음성 인식 환경에서의 음성 인식 성능에 기초하여, 특정한 사용자 음성 인식 환경에서의 음성 인식 성능을 예측하는 방법을 제안한다. 그리고, 사용자 음성 인식 환경에서의 음성 인식 성능을 예측하고, 이를 이용하여 음성 인식 모델을 생성하는 방법을 제안한다.
도 5는 음성 인식 환경 및 그 음성 인식 환경에서의 음성 인식 성능을 나타낸 표이다.
도 5를 참조하면, 음성 인식 환경은 통제된 음성 인식 환경(501)과 사용자 음성 인식 환경(502)로 구분할 수 있고, 각 음성 인식 환경(501 또는 502)은 음성 인식 환경을 나타내는 환경 인자들로 표현할 수 있다.
음성 인식 환경(501 또는 502)를 나타내는 환경 인자들에는 발화 거리(511), 발화 크기(512), 발화 방향(513), 울림(514), 소음(515) 또는 공간 크기(516) 중에서 적어도 하나 이상이 포함될 수 있다.
그리고, 음성 인식 성능(517)은 상술한 바와 같이, 음성 인식의 성능을 나타내는 일정한 지표로 나타내지거나, 도 5와 같이 특정 임계치를 넘는지 여부에 따라 성공(O) 또는 실패(X)로 표현될 수도 있다.
도 6은 본 발명의 일 실시 예에 따른 음성 인식 모델을 생성하는 방법을 나타낸 도면이다.
도 6을 참조하면, 본 발명의 일 실시 예에 따른 음성 인식 모델을 생성하는 방법은 통제된 음성 인식 환경(601)에서 생성한 음성 인식 모델의 인식 성능(602)을 측정한다.
상술한 바와 같이, 통제된 음성 인식 환경(601)과 사용자 음성 인식 환경(611)은 서로 다르다. 따라서, 후술하는 성능 예측 모델을 이용하여 통제된 음성 인식 환경(601)에서의 음성 인식 성능(602)으로부터 사용자 음성 인식 환경(611)에서의 음성 인식 성능(612)을 예측한다. 그리고, 예측된 결과를 이용하여 사용자 음성 인식 환경(611)에서 음성 인식 모델을 최적화하여(613), 음성 인식 모델을 완성한다(614).
이에 따라, 사용자(개발자)는 음성 인식 모델을 설계 및 생성함에 있어서, 통제된 음성 인식 환경에서 음성 인식 성능을 테스트함으로써 간편하게 다양한 사용자 음성 인식 환경에서의 음성 인식 성능을 예측할 수 있고, 이를 이용하여 실제 사용자들이 사용하는 환경에서도 높은 음성 인식 성능을 갖는 음성 인식 모델을 생성할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 음성 인식 모델의 성능을 예측하는 방법을 나타낸 동작 흐름도이다.
도 7을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 통제된 음성 인식 환경에서의 대상 음성 인식 모델에 대한 통제된 환경 데이터를 획득한다(S701).
통제된 환경 데이터는 통신부(110)를 통해 외부 장치들로부터 수신될 수도 있고, 입력부(120)를 통해 사용자로부터 입력 받을 수도 있고, 메모리(170)에 저장된 것을 읽어오는 것일 수도 있다.
대상 음성 인식 모델은 음성 인식 성능을 판단하는 대상이 되는 음성 인식 모델을 의미한다.
이때, 대상 음성 인식 모델은 기존에 존재하던 음성 인식 모델과는 다른 새로운 음성 인식 모델일 수 있다.
다만, 통제된 음성 인식 환경과 사용자 음성 인식 환경은 필연적으로 배타적일 필요는 없으며, 사용자 음성 인식 환경이 통제된 음성 인식 환경을 포함할 수 있다.
통제된 환경 데이터는 통제된 음성 인식 환경에 상응하는 통제된 환경 인자들 및 특정 음성 인식 모델에 대한 상기 통제된 음성 인식 환경에서의 통제된 음성 인식 성능을 포함할 수 있다.
통제된 환경 인자들은 통제된 음성 인식 환경을 나타내는 인자들로, 통제된 음성 인식 환경에 상응하는 발화 거리, 발화 크기, 발화 방향, 울림, 소음, 공간 크기 중에서 적어도 하나 이상을 포함할 수 있다.
각 통제된 환경 데이터는 음성 인식 모델과 통제된 음성 인식 환경에 따라 구분될 수 있다.
예컨대, 제1 통제된 환경 데이터는 제1 음성 인식 모델의 제1 통제된 음성 인식 환경에 대응되는 통제된 환경 데이터이고, 제2 통제된 환경 데이터는 제1 음성 인식 모델의 제2 통제된 음성 인식 환경에 대응되는 통제된 환경 데이터이며, 제3 통제된 환경 데이터는 제2 음성 인식 모델의 제1 통제된 음성 인식 환경에 대응되는 통제된 환경 데이터를 의미할 수 있다.
여기서, 프로세서(180)가 획득한 통제된 환경 데이터는 대상 음성 인식 모델에 대한 데이터로, 임의의 사용자 음성 인식 환경에서 상기 대상 음성 인식 모델의 성능이 어떠한지 예측하는데 이용된다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 성능 예측 모델을 이용하여, 상기 획득한 통제된 환경 데이터 및 성능을 예측할 대상이 되는 사용자 음성 인식 환경에 상응하는 사용자 환경 인자들로부터 사용자 음성 인식 환경에서의 상기 대상 음성 인식 모델에 대한 사용자 음성 인식 성능을 예측한다(S703).
사용자 환경 인자들은 사용자 음성 인식 환경을 나타내는 인자들로, 사용자 음성 인식 환경에 상응하는 발화 거리, 발화 크기, 발화 방향, 울림, 소음, 공간 크기 중에서 적어도 하나 이상을 포함할 수 있다.
성능 예측 모델은 적어도 하나 이상의 음성 인식 모델에 대하여, 통제된 음성 인식 환경에서의 음성 인식 성능에 대한 정보를 이용하여 특정 사용자 음성 인식 환경에서의 음성 인식 성능을 예측하는 모델을 의미할 수 있다.
즉, 성능 예측 모델은 특정 음성 인식 모델에 대하여 통제된 음성 인식 환경에 상응하는 통제된 환경 인자들, 상기 통제된 음성 인식 환경에서의 상기 특정 음성 인식 모델에 대한 통제된 음성 인식 성능, 사용자 음성 인식 환경에 상응하는 사용자 환경 인자들로부터 상기 사용자 음성 인식 환경에서의 상기 특정 음성 인식 모델에 대한 사용자 음성 인식 성능의 예측값을 생성할 수 있다.
이때, 성능 예측 모델은 적어도 하나 이상의 음성 인식 모델에 대한 음성 인식 성능 결과값들을 이용하여 학습될 수 있다. 그리고, 성능 예측 모델을 학습시키는데 이용되는 학습 데이터에는 통제된 음성 인식 환경에서의 음성 인식 성능과 사용자 음성 인식 환경에서의 음성 인식 성능이 포함될 수 있다.
구체적으로, 학습 데이터에서는 사용자 음성 인식 환경에서의 음성 인식 성능을 의미하는 사용자 음성 인식 성능이 라벨링되고, 성능 예측 모델은 학습 데이터에 포함된 상기 통제된 환경 인자들, 상기 통제된 음성 인식 성능 및 상기 사용자 환경 인자로부터 사용자 음성 인식 성능을 예측하고, 상기 라벨링된 사용자 음성 인식 성능과 비교하여 그 오차를 줄이는 방향으로 학습될 수 있다.
이에 따라, 성능 예측 모델은 특정 음성 인식 모델이 주어졌을 때, 통제된 음성 인식 환경에서의 음성 인식 성능을 기초로 임의의 사용자 음성 인식 환경에서의 음성 인식 성능을 예측할 수 있다.
이때, 성능 예측 모델은 인공 지능 장치(100)의 프로세서(180) 또는 러닝 프로세서(130)에서 학습되거나, 외부의 인공 지능 서버(200)의 러닝 프로세서(240)에서 학습될 수 있다.
이때, 성능 예측 모델은 인공 지능 장치(100)의 메모리(170)에 저장된 상태로 이용될 수 있다.
이때, 성능 예측 모델은 인공 지능 서버(200)의 메모리(230) 또는 모델 저장부(231)에 저장된 상태로 이용될 수 있다.
만약, 성능 예측 모델을 인공 지능 서버(200)에 저장된 상태로 이용하는 경우, 인공 지능 장치(100)의 프로세서(180)는 대상 음성 인식 모델에 대한 통제된 환경 데이터 및 사용자 환경 인자들을 인공 지능 서버(200)에 전송하고, 인공 지능 서버(200)로부터 사용자 음성 인식 성능의 예측값을 수신할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 예측된 사용자 음성 인식 성능을 출력한다(S705).
즉, 프로세서(180)는 사용자 음성 인식 환경에서의 대상 음성 인식 모델에 대한 사용자 음성 인식 성능의 예측값을 생성하고, 생성한 예측값을 출력할 수 있다.
이에 따라, 사용자(개발자)는 음성 인식 모델을 설계 및 생성함에 있어서, 통제된 음성 인식 환경에서 음성 인식 성능을 테스트함으로써 간편하게 다양한 사용자 음성 인식 환경에서의 음성 인식 성능을 예측할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 성능 예측 모델을 나타낸 도면이다.
도 8을 참조하면, 본 발명의 일 실시 예에 따른 성능 예측 모델(801)은 인공 신경망으로 구성되고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.
도 8의 인공 신경망으로 구성된 성능 예측 모델(801)은 예시에 불과하며, 입력층, 은닉층 그리고 출력층의 구조가 이에 한정되지 않는다.
성능 예측 모델(801)의 입력 특징점 또는 입력 특징 벡터는, 통제된 음성 인식 환경에 상응하는 통제된 환경 인자들(811), 특정 음성 인식 모델에 대한 상기 통제된 음성 인식 환경에서의 통제된 음성 인식 성능(812), 그리고 성능 예측의 대상이 되는 사용자 음성 인식 환경에 상응하는 사용자 환경 인자들(813)을 포함할 수 있다.
성능 예측 모델(801)의 출력 특징점 또는 출력 특징 벡터는 상기 특정 음성 인식 모델에 대한 상기 사용자 음성 인식 환경에서의 사용자 음성 인식 성능(821)을 포함할 수 있다.
성능 예측 모델(801)의 학습 방법과 활용 방법은 이하에서 도 9와 함께 설명한다.
도 9는 본 발명의 일 실시 예에 따른 성능 예측 모델을 학습하거나 활용하는데 이용하는 데이터를 나타낸다.
도 9를 참조하면, 성능 예측 모델(801)을 학습하는데 이용하는 학습 데이터(901)는 통제된 음성 인식 환경에 상응하는 통제된 환경 인자들(911), 각 음성 인식 모델에 대하여 상기 통제된 음성 인식 환경에서의 통제된 음성 인식 성능(912), 사용자 음성 인식 환경에 상응하는 사용자 환경 인자들(913) 및 각 음성 인식 모델에 대하여 상기 사용자 음성 인식 환경에서의 사용자 음성 인식 성능(914)를 포함할 수 있다.
여기서, 상술한 바와 같이, 각 학습 데이터(901)에서 사용자 음성 인식 성능(914)은 성능 예측 모델(801)의 입력 특징 벡터에 포함되지 않고, 라벨링 정보로써 이용된다.
본 발명은 새로운 음성 인식 모델에 대하여도 사용자 음성 인식 환경에서의 음성 인식 성능(사용자 음성 인식 성능)을 예측하는 것을 목적으로 하기 때문에, 성능 예측 모델(801)은 다양한 음성 인식 모델들에 상응하는 학습 데이터(901)를 이용하여 학습될 수 있다.
구체적으로, 성능 예측 모델(801)은 입력 데이터(901)에 포함된 통제된 환경 인자들(911), 통제된 음성 인식 성능(912) 및 사용자 환경 인자들(913)이 입력되면, 입력 데이터(901)에 상응하는 음성 인식 모델에 대한, 상기 사용자 음성 인식 환경에서의 사용자 음성 인식 성능의 예측값을 생성하여 출력할 수 있고, 이러한 성능 인식 모델(801)은 출력된 사용자 음성 인식 성능의 예측값과 라벨링된 사용자 음성 인식 성능(914)를 비교하여 그 차이를 줄이는 방향으로 학습될 수 있다.
이렇게 학습된 성능 예측 모델(801)은 신규 음성 인식 모델에 대하여 사용자 음성 인식 성능(931)을 예측하는데 사용될 수 있다. 사용자 음성 인식 성능(931)을 예측하는데 이용하는 입력 데이터(902)는 통제된 음성 인식 환경에 상응하는 통제된 환경 인자들(921), 신규 음성 인식 모델에 대하여 측정된 상기 통제된 음성 인식 환경에서의 통제된 음성 인식 성능(922), 및 신규 음성 인식 모델의 인식 성능을 측정하기 위한 사용자 음성 인식 환경에 상응하는 사용자 환경 인자들(923)을 포함할 수 있다.
그리고, 성능 예측 모델(801)은 신규 음성 인식 모델에 대한 입력 데이터(902)가 입력되면, 입력 데이터(902)에 상응하는 사용자 음성 인식 환경에서의 상기 신규 음성 인식 모델에 대한 사용자 음성 인식 성능의 예측값을 생성하고 출력할 수 있다.
위에서는 학습된 성능 예측 모델(801)을 이용하여 신규 음성 인식 모델에 대한 사용자 음성 인식 성능을 예측하는 방법을 설명하였으나, 본 발명의 실시 예들은 이미 학습에 이용된, 신규하지 않은 음성 인식 모델들에 대하여도 사용자 음성 인식 성능을 예측할 수 있다. 이 경우, 오히려 신규 음성 인식 모델에서의 사용자 음성 인식 성능을 예측하는 것에 비하여 보다 높은 정확도를 기대할 수 있다.
본 발명의 실시 예들은 통제된 음성 인식 환경에서 수집되는 데이터와 사용자 음성 인식 환경에서 수집되는 데이터를 구분하며, 이들은 성능 예측 모델의 학습할 때 함께 이용된다. 이에 따라, 본 발명에 따른 성능 예측 모델은 단순히 주어진 환경 인자에서의 음성 인식 성능을 예측하는 모델과 비교하여, 신규 음성 인식 모델에 대하여도 통제된 음성 인식 환경에서 수집한 데이터만으로 사용자 음성 인식 환경에서의 음성 인식 성능을 높은 정확도로 예측할 수 있는 장점이 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다.

Claims (12)

  1. 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치에 있어서,
    성능 예측 모델을 저장하는 메모리; 및
    제1 통제된 음성 인식 환경에 상응하는 제1 통제된 환경 인자들 및 상기 제1 통제된 음성 인식 환경에서의 대상 음성 인식 모델에 대한 제1 통제된 음성 인식 성능을 포함하는 제1 통제된 환경 데이터를 획득하고,
    상기 성능 예측 모델을 이용하여, 상기 획득한 제1 통제된 환경 데이터 및 성능을 예측할 대상이 되는 제1 사용자 음성 인식 환경에 상응하는 제1 사용자 환경 인자들로부터 상기 제1 사용자 음성 인식 환경에서의 상기 대상 음성 인식 모델에 대한 제1 사용자 음성 인식 성능을 예측하고,
    상기 예측된 제1 사용자 음성 인식 성능을 출력하는 프로세서
    를 포함하는, 인공 지능 장치.
  2. 청구항 1에 있어서,
    상기 제1 통제된 음성 인식 환경 또는 통제된 음성 인식 환경은
    음성 인식 성능을 측정하기 위하여 미리 설계된 환경이고,
    상기 제1 사용자 음성 인식 환경 또는 사용자 음성 인식 환경은
    사용자가 음성 인식 기능을 이용하는 환경으로, 미리 설계되지 않은 환경이고,
    상기 제1 통제된 환경 인자들은
    상기 제1 통제된 음성 인식 환경에 상응하는 발화 거리, 발화 크기, 발화 방향, 울림, 소음 또는 공간 크기 중에서 적어도 하나 이상을 포함하고,
    상기 제1 사용자 환경 인자들은
    상기 제1 사용자 음성 인식 환경에 상응하는 발화 거리, 발화 크기, 발화 방향, 울림, 소음 또는 공간 크기 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
  3. 청구항 2에 있어서,
    상기 성능 예측 모델은
    특정 음성 인식 모델에 대하여 제2 통제된 음성 인식 환경에 상응하는 제2 통제된 환경 인자들, 상기 제2 통제된 음성 인식 환경에서의 상기 특정 음성 인식 모델에 대한 제2 통제된 음성 인식 성능, 제2 사용자 음성 인식 환경에 상응하는 제2 사용자 환경 인자들 및 상기 특정 음성 인식 모델에 대한 상기 제2 사용자 음성 인식 환경에서의 제2 사용자 음성 인식 성능을 포함하는 학습 데이터를 이용하여 학습되고,
    상기 제2 통제된 환경 인자들, 상기 제2 통제된 음성 인식 성능 및 상기 제2 사용자 환경 인자들로부터 상기 특정 음성 인식 모델에 대한 상기 제2 사용자 음성 인식 환경에서의 음성 인식 성능의 예측값을 생성하는 모델인, 인공 지능 장치.
  4. 청구항 3에 있어서,
    상기 성능 예측 모델은
    상기 학습 데이터에 포함된 상기 제2 사용자 음성 인식 성능과 상기 음성 인식 성능 예측값과의 오차를 감소시키도록 학습되는, 인공 지능 장치.
  5. 청구항 3에 있어서,
    상기 대상 음성 인식 모델은
    상기 성능 예측 모델의 학습하는데 이용된 음성 인식 모델들과 다른 모델인, 인공 지능 장치.
  6. 청구항 1에 있어서,
    상기 성능 예측 모델은
    상기 프로세서 또는 외부 인공 지능 서버를 통해 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는, 인공 지능 장치.
  7. 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 방법에 있어서,
    제1 통제된 음성 인식 환경에 상응하는 제1 통제된 환경 인자들 및 상기 제1 통제된 음성 인식 환경에서의 대상 음성 인식 모델에 대한 제1 통제된 음성 인식 성능을 포함하는 제1 통제된 환경 데이터를 획득하는 단계;
    상기 성능 예측 모델을 이용하여, 상기 획득한 제1 통제된 환경 데이터 및 성능을 예측할 대상이 되는 제1 사용자 음성 인식 환경에 상응하는 제1 사용자 환경 인자들로부터 상기 제1 사용자 음성 인식 환경에서의 상기 대상 음성 인식 모델에 대한 제1 사용자 음성 인식 성능을 예측하는 단계; 및
    상기 예측된 제1 사용자 음성 인식 성능을 출력하는 단계
    를 포함하는, 방법.
  8. 청구항 7에 있어서,
    상기 제1 통제된 음성 인식 환경 또는 통제된 음성 인식 환경은
    음성 인식 성능을 측정하기 위하여 미리 설계된 환경이고,
    상기 제1 사용자 음성 인식 환경 또는 사용자 음성 인식 환경은
    사용자가 음성 인식 기능을 이용하는 환경으로, 미리 설계되지 않은 환경이고,
    상기 제1 통제된 환경 인자들은
    상기 제1 통제된 음성 인식 환경에 상응하는 발화 거리, 발화 크기, 발화 방향, 울림, 소음 또는 공간 크기 중에서 적어도 하나 이상을 포함하고,
    상기 제1 사용자 환경 인자들은
    상기 제1 사용자 음성 인식 환경에 상응하는 발화 거리, 발화 크기, 발화 방향, 울림, 소음 또는 공간 크기 중에서 적어도 하나 이상을 포함하는, 방법.
  9. 청구항 8에 있어서,
    상기 성능 예측 모델은
    특정 음성 인식 모델에 대하여 제2 통제된 음성 인식 환경에 상응하는 제2 통제된 환경 인자들, 상기 제2 통제된 음성 인식 환경에서의 상기 특정 음성 인식 모델에 대한 제2 통제된 음성 인식 성능, 제2 사용자 음성 인식 환경에 상응하는 제2 사용자 환경 인자들 및 상기 특정 음성 인식 모델에 대한 상기 제2 사용자 음성 인식 환경에서의 제2 사용자 음성 인식 성능을 포함하는 학습 데이터를 이용하여 학습되고,
    상기 제2 통제된 환경 인자들, 상기 제2 통제된 음성 인식 성능 및 상기 제2 사용자 환경 인자들로부터 상기 특정 음성 인식 모델에 대한 상기 제2 사용자 음성 인식 환경에서의 음성 인식 성능의 예측값을 생성하는 모델인, 방법.
  10. 청구항 9에 있어서,
    상기 성능 예측 모델은
    상기 학습 데이터에 포함된 상기 제2 사용자 음성 인식 성능과 상기 음성 인식 성능의 예측값과의 오차를 감소시키도록 학습되는, 방법.
  11. 청구항 9에 있어서,
    상기 대상 음성 인식 모델은
    상기 성능 예측 모델의 학습하는데 이용된 음성 인식 모델들과 다른 모델인, 방법.
  12. 청구항 7에 있어서,
    상기 성능 예측 모델은
    프로세서 또는 외부 인공 지능 서버를 통해 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는, 방법.
KR1020190089909A 2019-05-29 2019-07-24 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법 KR20190094317A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/KR2019/006447 2019-05-29
PCT/KR2019/006447 WO2020241923A1 (ko) 2019-05-29 2019-05-29 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20190094317A true KR20190094317A (ko) 2019-08-13

Family

ID=67624537

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190089909A KR20190094317A (ko) 2019-05-29 2019-07-24 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법

Country Status (3)

Country Link
US (1) US11211045B2 (ko)
KR (1) KR20190094317A (ko)
WO (1) WO2020241923A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102158181B1 (ko) 2020-02-25 2020-09-22 경기대학교 산학협력단 이미지 분석 기반 인공 지능 자동탐지기기의 자동탐지 성능인증 평가 장치 및 방법
WO2021206221A1 (en) * 2020-04-08 2021-10-14 Lg Electronics Inc. Artificial intelligence apparatus using a plurality of output layers and method for same
KR20220011064A (ko) * 2020-07-20 2022-01-27 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 음성 검출 방법 및 장치

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4510517B2 (ja) 2004-05-26 2010-07-28 日本電信電話株式会社 音響モデル雑音適応化方法およびこの方法を実施する装置
KR100855592B1 (ko) 2007-01-11 2008-09-01 (주)에이치씨아이랩 발성자 거리 특성에 강인한 음성인식 장치 및 그 방법
US20140067387A1 (en) 2012-09-05 2014-03-06 Microsoft Corporation Utilizing Scalar Operations for Recognizing Utterances During Automatic Speech Recognition in Noisy Environments
US9595997B1 (en) * 2013-01-02 2017-03-14 Amazon Technologies, Inc. Adaption-based reduction of echo and noise
KR102257910B1 (ko) 2014-05-02 2021-05-27 삼성전자주식회사 음성 인식 장치 및 방법, 잡음-음성 인식 모델 생성 장치 및 방법
KR101833731B1 (ko) 2016-06-13 2018-02-28 주식회사 셀바스에이아이 머신 러닝을 통한 화자 인식 모델 생성 방법 및 장치
KR101925034B1 (ko) * 2017-03-28 2018-12-04 엘지전자 주식회사 스마트 컨트롤링 디바이스 및 그 제어 방법
KR101949497B1 (ko) * 2017-05-02 2019-02-18 네이버 주식회사 사용자 발화의 표현법을 파악하여 기기의 동작이나 컨텐츠 제공 범위를 조정하여 제공하는 사용자 명령 처리 방법 및 시스템
US10331402B1 (en) * 2017-05-30 2019-06-25 Amazon Technologies, Inc. Search and knowledge base question answering for a voice user interface
CN110099246A (zh) * 2019-02-18 2019-08-06 深度好奇(北京)科技有限公司 监控调度方法、装置、计算机设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102158181B1 (ko) 2020-02-25 2020-09-22 경기대학교 산학협력단 이미지 분석 기반 인공 지능 자동탐지기기의 자동탐지 성능인증 평가 장치 및 방법
WO2021206221A1 (en) * 2020-04-08 2021-10-14 Lg Electronics Inc. Artificial intelligence apparatus using a plurality of output layers and method for same
US11769047B2 (en) 2020-04-08 2023-09-26 Lg Electronics Inc. Artificial intelligence apparatus using a plurality of output layers and method for same
KR20220011064A (ko) * 2020-07-20 2022-01-27 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 음성 검출 방법 및 장치

Also Published As

Publication number Publication date
WO2020241923A1 (ko) 2020-12-03
US11211045B2 (en) 2021-12-28
US20210183364A1 (en) 2021-06-17

Similar Documents

Publication Publication Date Title
US11663516B2 (en) Artificial intelligence apparatus and method for updating artificial intelligence model
KR20190110498A (ko) 영상 파일에서 불특정 인물의 얼굴 영역을 비식별화 처리하는 인공 지능 서버 및 그 방법
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
KR20190096878A (ko) 인공지능 기반의 공기조화기
KR20210077482A (ko) 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법
KR20190107626A (ko) 인공지능 서버
KR20190101333A (ko) 음성 인식 장치 및 음성 인식 방법
KR20220001522A (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
KR20190101330A (ko) 음성 처리 장치 및 음성 처리 방법
KR20190098089A (ko) 사용자의 어플리케이션 사용 기록을 고려하여 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190094317A (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
KR20190106905A (ko) 인공지능 전자기기
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
KR20190095186A (ko) 지능형 게이트웨이 장치 및 그를 포함하는 제어 시스템
KR102537381B1 (ko) 보행경로예측장치
KR20190107616A (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
KR20190114925A (ko) 소리 신호 분류를 이용한 인공지능장치 및 그 방법
KR20190102141A (ko) 와인 냉장고에 탑재된 인공 지능 장치
KR102231909B1 (ko) 인공지능 장치
KR102229562B1 (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR20210073252A (ko) 인공 지능 장치 및 그의 동작 방법
KR20210050201A (ko) 로봇, 로봇의 작동 방법 및 상기 로봇을 포함하는 로봇 시스템
KR20190095194A (ko) 사용자의 동선을 결정하는 인공 지능 장치 및 그 방법

Legal Events

Date Code Title Description
G15R Request for early publication
A201 Request for examination