KR20190110073A - 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법 - Google Patents

인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법 Download PDF

Info

Publication number
KR20190110073A
KR20190110073A KR1020190111340A KR20190111340A KR20190110073A KR 20190110073 A KR20190110073 A KR 20190110073A KR 1020190111340 A KR1020190111340 A KR 1020190111340A KR 20190111340 A KR20190111340 A KR 20190111340A KR 20190110073 A KR20190110073 A KR 20190110073A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
data
sensor data
reliability
stored
Prior art date
Application number
KR1020190111340A
Other languages
English (en)
Inventor
김재홍
이태호
정한길
한종우
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
Priority to KR1020190111340A priority Critical patent/KR20190110073A/ko
Publication of KR20190110073A publication Critical patent/KR20190110073A/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6262Validation, performance evaluation or active pattern learning techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22Indexing; Data structures therefor; Storage structures
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6228Selecting the most significant subset of features
    • G06K9/623Selecting the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G06K9/627Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns
    • G06K9/6271Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns based on distances to prototypes
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/005Probabilistic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Abstract

본 발명의 실시 예는 인공 지능 모델을 갱신하는 인공 지능 장치에 있어서, 인공 지능 모델과 상기 인공 지능 모델에 대한 학습 데이터를 저장하는 메모리; 및 센서 데이터를 수신하고, 상기 저장된 인공 지능 모델에 대한 상기 수신한 센서 데이터의 신뢰도를 산출하고, 상기 산출한 신뢰도가 기준 값 미만인 경우 상기 수신한 센서 데이터를 레이블링(labeling)하고, 상기 레이블링된 수신한 센서 데이터를 상기 학습 데이터 또는 테스트 데이터로써 상기 메모리에 저장하고, 상기 저장된 학습 데이터를 이용하여 상기 저장된 인공 지능 모델을 갱신하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법 {ARTIFICIAL INTELLIGENCE APPARATUS AND METHOD FOR UPDATING ARTIFICIAL INTELLIGENCE MODEL}
본 발명은 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 직접 인공 지능 모델의 학습에 이용할 학습 데이터를 선별하여 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법에 관한 것이다.
최근 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 생성한 인공 지능 모델을 이용하여 다양한 기능을 제공하는 인공 지능 장치들이 증가하고 있다. 예컨대, 음성 인식 모델을 이용하여 사용자와 음성으로 상호작용하거나, 이미지 인식 모델을 이용하여 객체를 인식하거나 사용자를 식별하는 장치들이 늘어나고 있다.
현재로서는 저장 공간의 한계 또는 연산 능력의 한계로 인하여, 엣지 디바이스(edge device)가 인공 지능 모델을 탑재하지 않는 경우가 대부분이다. 마찬가지로, 엣지 디바이스의 연산 능력의 한계로 인공 지능 모델을 직접 학습시키지도 못하는 경우가 대부분이다. 이러한 엣지 디바이스는 인공 지능 서버에 종속적으로 동작하며, 인공 지능 서버와의 통신이 필수적이라는 문제점이 있다.
또한, 인공 지능 모델을 학습시킬 때 이용되는 학습 데이터에 레이블(label)을 생성하는 데 많은 인적 자원(human resource)이 요구된다는 문제점도 있다.
기술의 발전으로 엣지 디바이스의 저장 공간과 연산 능력이 늘어남에 따라, 엣지 디바이스가 직접 인공 지능 모델을 학습하고 저장하며 이용할 것으로 기대된다. 그러나, 여전히 엣지 디바이스의 성능이 인공 지능 서버에 비하여 부족하므로, 사용자의 개입이 없이도 인공 지능 모델을 효율적으로 학습시키는 기술이 필요하다.
본 발명은 인공 지능 모델을 저장하고, 획득한 센서 데이터 중에서 인공 지능 모델의 학습에 이용할 센서 데이터를 선별하여 학습 데이터를 생성하고, 생성한 학습 데이터를 이용하여 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는, 센서 데이터를 수신하고, 저장된 인공 지능 모델에 대한 수신한 센서 데이터의 신뢰도를 산출하고, 산출한 신뢰도가 기준 값 미만인 센서 데이터를 레이블링(labeling)하고, 레이블링된 센서 데이터를 학습 데이터 또는 테스트 데이터로써 저장하고, 저장된 학습 데이터를 이용하여 저장된 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는, 의사 레이블러(pseudo labeler)를 이용하여 산출된 신뢰도가 기준 값 미만인 센서 데이터에서 레이블을 추출함으로써, 센서 데이터를 레이블링하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는, 저장된 인공 지능 모델을 이용하여 수신한 센서 데이터로부터 결과를 생성하고, 생성한 결과의 엔트로피, 생성한 결과에 포함된 1순위 신뢰도 또는 생성한 결과에 포함된 1순위 신뢰도와 2순위 신뢰도의 차이에 기초하여 수신한 센서 데이터의 신뢰도를 산출하는 인공 지능 장치 및 그 방법을 제공한다.
본 발명의 다양한 실시 예에 따르면, 수신한 센서 데이터 중에서 인공 지능 모델에 효과적인 센서 데이터만을 선별하여 학습 데이터로써 이용함으로써, 사용자나 인공 지능 서버의 개입 없이도 적은 연산으로도 효과적으로 인공 지능 모델을 갱신할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 모델을 갱신하는 방법을 나타낸 동작 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 인공 지능 모델을 갱신하는 방법을 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능 모델을 갱신하는 예시를 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 인공 지능 모델을 갱신하는 예시를 나타낸 도면이다.
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.
이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.
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, 인공 지능 장치(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. 예컨대, 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 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
본 발명에서, 인공 지능 장치(100)는 엣지 디바이스(edge device)를 포함한다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
센싱부(140)는 센서부라고 칭할 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 모델을 갱신하는 방법을 나타낸 동작 흐름도이다.
도 5를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 센서 데이터를 수신한다(S501).
프로세서(180)는 센서부(140)로부터 센서 데이터를 수신할 수도 있고, 통신부(110)를 통해 외부 장치로부터 센서 데이터를 수신할 수도 있다. 예컨대, 프로세서(180)는 통신부(110)를 통해 사물인터넷 기기(IoT device: Internet of Things device)에서 획득한 센서 데이터를 수신할 수 있다.
센서 데이터는 소리 데이터, 이미지 데이터, 텍스트 데이터 또는 측정 데이터 중에서 적어도 하나 이상을 포함할 수 있다. 예컨대, 센서 데이터는 사용자의 음성을 포함하는 소리 데이터, 사용자의 얼굴을 포함하는 이미지 데이터, 사용자가 입력한 텍스트 데이터, 온도 센서로부터 획득한 온도 데이터 등을 포함할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 저장된 인공 지능 모델에 대한 수신한 센서 데이터의 신뢰도를 산출한다(S503).
인공 지능 모델은 메모리(170)에 저장된다. 인공 지능 모델은 인공 신경망을 포함하며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다. 인공 지능 모델은 분류(classification) 모델, 인식(recognition) 모델 등을 포함할 수 있다.
프로세서(180)는 메모리(170)에 저장된 인공 지능 모델을 이용하여 수신한 센서 데이터에 상응하는 결과를 생성하고, 생성한 결과에 기초하여 수신한 센서 데이터의 신뢰도를 산출할 수 있다.
프로세서(180)는 생성한 결과에 상응하는 엔트로피, 생성한 결과에 포함된 1순위 신뢰도(p1), 생성한 결과에 포함된 1순위 신뢰도(p1)와 2순위 신뢰도(p2)의 차이 등에 기초하여 수신한 센서 데이터의 신뢰도를 산출할 수 있다.
인공 지능 모델이 분류 모델인 경우, 인공 지능 모델을 이용하여 생성한 결과는 입력된 센서 데이터가 각 클래스로 판단될 신뢰도를 포함할 수 있다. 1순위 신뢰도는 각 클래스별로 판단된 신뢰도 중에서 가장 높은 신뢰도를 의미할 수 있고, 2순위 신뢰도는 각 클래스별로 판단된 신뢰도 중에서 두 번째로 높은 신뢰도를 의미할 수 있다. 생성한 결과에 상응하는 엔트로피는 각 클래스별 신뢰도의 로그 값의 절대 값의 기대 값을 의미할 수 있다.
예컨대, 인공 지능 모델이 이미지 데이터에서 개, 고양이 또는 토끼를 인식하는 모델이고, 수신한 제1 센서 데이터와 제2 센서 데이터가 개를 포함하는 이미지 데이터인 상황을 가정한다. 만약, 인공 지능 모델이 제1 센서 데이터로부터 생성한 결과가 (개, 고양이, 토끼) = (0.7, 0.25, 0.05)이라면, 1순위 신뢰도는 0.7이고, 1순위 신뢰도와 2순위 신뢰도의 차이는 0.45이며, 엔트로피는 0.3240 (= | 0.7 * log0.7 + 0.25 * log0.25 + 0.05 * log0.05 |)이다. 반면, 인공 지능 모델이 제2 센서 데이터로부터 생성한 결과가 (개, 고양이, 토끼) = (0.6, 0.3, 0.1)이라면, 1순위 신뢰도는 0.6이고, 1순위 신뢰도와 2순위 신뢰도의 차이는 0.3이며, 엔트로피는 0.3900 (= | 0.6 * log0.6 + 0.3 * log0.3 + 0.1 * log0.1 |)이다. 인공 지능 모델은 제2 센서 데이터에 비하여 제1 센서 데이터에서 더욱 높은 신뢰도로 개를 인식하였으며, 그에 따라 제2 센서 데이터에 비하여 제1 센서 데이터로부터 생성한 결과에 상응하는 1순위 신뢰도, 1순위 신뢰도와 2순위 신뢰도 사이의 차이가 크게 나타나며, 엔트로피가 작게 나타난다. 즉, 생성한 결과에 상응하는 1순위 신뢰도가 클수록, 1순위 신뢰도와 2순위 신뢰도의 차이가 클수록, 그리고 엔트로피가 작을수록, 생성한 결과의 신뢰도가 높다고 볼 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 산출한 신뢰도가 기준 값(reference value) 미만인지 판단한다(S505).
저장된 인공 지능 모델에 대한 수신한 센서 데이터의 신뢰도가 높다는 것은, 수신한 센서 데이터에 상응하는 결과의 신뢰도가 높다는 것을 의미할 수 있다. 즉, 수신한 센서 데이터로부터 추론한 결과가 모호하다면, 저장된 인공 지능 모델에 대한 수신한 센서 데이터의 신뢰도는 낮게 산출된다.
만약 산출된 신뢰도가 높다면 해당 센서 데이터는 저장된 인공 지능 모델에서 충분히 학습되어 추가 학습이 시급하지 않은 것으로 판단될 수 있다. 마찬가지로, 산출된 신뢰도가 낮다면 해당 센서 데이터는 저장된 인공 지능 모델에서 충분히 학습되지 않아 추가 학습이 시급한 것으로 판단될 수 있다.
산출한 신뢰도에 대한 기준 값은 신뢰도의 종류에 따라 개별적으로 설정될 수 있다. 예컨대, 산출한 신뢰도에 대한 기준 값은 엔트로피에 상응하는 기준 값, 1순위 신뢰도에 상응하는 기준 값, 1순위 신뢰도와 2순위 신뢰도의 차이에 상응하는 기준 값 등이 개별적으로 설정될 수 있다. 즉, 신뢰도가 엔트로피로부터 산출되는 경우, 프로세서(180)는 엔트로피에 상응하는 기준 값을 이용할 수 있다.
단계(S505)의 판단 결과, 산출한 신뢰도가 기준 값 이상인 경우, 인공 지능 장치(100)의 프로세서(180)는 절차를 종료할 수 있다.
절차를 종료한다는 것은 단계(S501)에서 수신한 센서 데이터에 대한 처리 절차를 종료한다는 것을 의미하며, 다시 센서 데이터를 수신하는 단계(S501)로 돌아갈 수도 있다.
단계(S505)의 판단 결과, 산출된 신뢰도가 기준 값 미만인 경우, 인공 지능 장치(100)의 프로세서(180)는 수신한 센서 데이터를 레이블링(labeling)한다(S507).
레이블(label)은 수신한 센서 데이터가 메모리(170)에 저장된 인공 지능 모델에 입력되었을 때 추론되어야하는 결과(a result to be inferred) 또는 추론되어야하는 정답을 의미할 수 있다. 레이블링(labeling)은 수신한 센서 데이터에 레이블을 추가하는 작업을 의미할 수 있다.
프로세서(180)는 의사 레이블러(pseudo labeler)를 이용하여 수신한 센서 데이터에서 의사 레이블(pseudo label)을 추출하고, 추출한 의사 레이블을 수신한 센서 데이터에 추가함으로써 수신한 센서 데이터를 레이블링할 수 있다. 의사 레이블러는 사용자의 개입 없이 자동으로 의사 레이블을 생성하는 모델을 의미할 수 있다. 의사 레이블은 의사 레이블러에 의하여 생성된 레이블로, 사용자의 개입 없이 자동으로 생성되는 레이블이기 때문에 실제 인공 지능 모델에 의하여 추론되어야하는 정답과는 다를 수 있다는 차이점이 있다.
의사 레이블러는 인공 신경망을 포함할 수 있다. 의사 레이블러는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.
의사 레이블러는 반지도 학습(semi-supervised learning)을 이용하여 학습될 수 있다. 이 경우, 의사 레이블러는 메모리(170)에 저장된 인공 지능 모델과 동일할 필요가 없다. 또한, 이러한 의사 레이블러는 프로세서(180) 또는 러닝 프로세서(130)에서 학습되어 메모리(170)에 저장될 수도 있지만, 인공 지능 서버(200)의 프로세서(240) 또는 러닝 프로세서(230)에서 학습되어 메모리(170)에 저장될 수도 있다.
또는, 의사 레이블러는 메모리(170)에 저장된 인공 지능 모델과 동일한 모델 파라미터를 가질 수 있다. 이 경우, 의사 레이블러는 메모리(170)에 저장된 인공 지능 모델과 동일할 수 있다. 즉, 이러한 의사 레이블러는 메모리(170)에 저장된 인공 지능 모델 자체를 의미할 수도 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 레이블링된 수신한 센서 데이터를 메모리(170)에 학습 데이터(training data) 또는 테스트 데이터(test data)로써 저장한다(S509).
학습 데이터는 인공 지능 모델의 모델 파라미터들을 갱신하는데 이용되는 데이터이고, 테스트 데이터는 인공 지능 모델의 성능을 평가하는데 이용되는 데이터이다. 학습 데이터와 테스트 데이터 각각은 센서 데이터와 그에 상응하여 추출된 라벨을 포함할 수 있다.
프로세서(180)는 레이블링된 센서 데이터 중에서 미리 정해진 비율만큼을 학습 데이터로 분류하고, 나머지는 테스트 데이터로 분류할 수 있다. 예컨대, 프로세서(180)는 레이블링 센서 데이터 중에서 90%는 학습 데이터로 분류하고, 나머지 10%는 테스트 데이터로 분류할 수 있다.
메모리(170)는 기존에 인공 지능 모델의 학습에 이용된 학습 데이터뿐만 아니라, 수신한 센서 데이터로부터 새로이 생성된 학습 데이터도 누적하여 저장할 수 있다.
수신한 센서 데이터들 중에서 메모리(170)에 저장된 인공 지능 모델에 대한 신뢰도가 기준 값보다 낮아 인공 지능 모델이 정확하게 판단하지 못하는 센서 데이터만을 선별하였기 때문에, 수신한 센서 데이터 전체를 학습 데이터로써 저장하는 것에 비하여 훨씬 적은 양의 학습 데이터만을 저장하여도 충분하다. 나아가, 인공 지능 모델이 잘 판단하는 센서 데이터는 학습 데이터에서 배제하였기 때문에, 학습 데이터의 양이 줄어든다고 하더라도 인공 지능 모델을 보다 효과적으로 갱신할 수 있다. 이 경우, 오히려 학습 데이터당 기대할 수 있는 성능의 향상이 더욱 크다.
그리고, 인공 지능 장치(100)의 프로세서(180) 또는 러닝 프로세서(130)는 메모리(170)에 저장된 학습 데이터를 이용하여 저장된 인공 지능 모델을 갱신한다(S511).
인공 지능 모델의 모델 파라미터들을 갱신하는데 이용되는 학습 데이터는, 수신한 센서 데이터로부터 새로이 생성한 학습 데이터뿐만 아니라, 기존에 인공 지능 모델의 학습에 이용되었던 학습 데이터와 이전에 수신한 센서 데이터로부터 생성된 학습 데이터를 포함할 수 있다.
프로세서(180) 또는 러닝 프로세서(130)는 메모리(170)에 저장된 학습 데이터를 이용하여 메모리(170)에 저장된 인공 지능 모델의 모델 파라미터들을 갱신할 수 있다. 모델 파라미터들에는 인공 지능 모델을 구성하는 노드들의 가중치(weight)와 편향(bias)이 포함될 수 있으며, 노드들의 가중치와 편향은 기울기 하강법 등을 이용하여 인공 지능 모델의 손실 함수(loss function)을 감소시키는 방향으로 갱신될 수 있다.
프로세서(180) 또는 프로세서(130)는 학습 데이터를 이용하여 인공 지능 모델을 갱신할 때, 메모리(170)에 저장된 테스트 데이터를 이용하여 갱신중인 인공 지능 모델의 성능을 산출할 수 있고, 갱신중인 인공 지능 모델의 성능의 변화 추이에 기초하여 인공 지능 모델의 갱신의 반복 여부를 결정할 수도 있다.
나아가, 프로세서(180) 또는 러닝 프로세서(130)는 자동 기계 학습(AutoML: Automated Machine Learning) 기법을 이용하여 메모리(170)에 저장된 인공 지능 모델의 하이퍼파라미터(hyperparameter)를 최적화하거나 신경망 아키텍처 탐색(NAS: Neural Architecture Search)을 수행할 수도 있다. 하이퍼파라미터의 최적화는 인공 신경망의 학습 시 가장 우수한 성능을 도출할 수 있는 하이퍼파라미터를 찾아내는 것을 의미한다. 신경망 아키텍처 탐색은 목표 데이터 및 태스크에 가장 적합한 인공 신경망의 구조 및 가중치를 자동으로 탐색하는 것을 의미한다.
인공 지능 모델의 하이퍼파라미터는 인공 지능 모델의 구조를 포함될 수 있다. 이에 따라, 프로세서(180) 또는 러닝 프로세서(130)는 메모리(170)에 누적하여 저장된 학습 데이터를 이용하여 기존에 저장되었던 인공 지능 모델을 갱신하여 더욱 성능이 좋은 인공 지능 모델을 획득할 수 있다.
프로세서(180) 또는 러닝 프로세서(130)는 메모리(170)에 누적하여 저장된 테스트 데이터를 이용하여, 하이퍼파라미터의 최적화 또는 신경망 아키텍처 탐색 과정에서 생성되는 인공 지능 모델들의 성능을 판단할 수 있고, 가장 높은 성능을 제공하는 하이퍼파라미터 또는 신경망 아키텍처를 선택함으로써 인공 지능 모델을 갱신할 수 있다.
도 5에 도시된 단계들(S501 내지 S511)에 따르면, 인공 지능 서버(200)에 비하여 높은 연산 능력을 지니지 않은 엣지 디바이스 또는 말단 인공 지능 장치(100)에서도 탑재하고 있는 인공 지능 모델을 갱신 및 관리할 수 있다. 인공 지능 장치(100)가 사용자나 외부 장치들(예컨대 다른 인공 지능 장치, 사물인터넷 기기, 인공 지능 서버)에 종속되지 않은 상태로 능동적으로 인공 지능 모델을 관리 및 이용할 수 있음을 의미한다. 따라서, 인공 지능 장치(100)가 통신 기능을 갖지 않거나 통신 기능을 갖더라도 통신 기능을 사용할 수 없는 환경에 설치되더라도 적은 연산량으로도 스스로 인공 지능 모델을 갱신할 수 있다.
도 5에 도시된 인공 지능 모델을 갱신하는 단계들(S501 내지 S511)은 반복하여 수행될 수 있다.
또한, 도 5에서는 인공 지능 장치(100)에 의하여 인공 지능 모델을 갱신하는 방법을 도시하였으나, 본 발명은 이에 한정되지 않는다. 즉, 인공 지능 서버(200)도 동일한 방법으로 인공 지능 모델을 갱신할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 인공 지능 모델을 갱신하는 방법을 나타낸 도면이다.
도 6을 참조하면, 인공 지능 장치(600)는 학습 데이터(621)과 테스트 데이터(622)를 이용하여 인공 지능 모델(610)을 학습시킬 수 있다. 인공 지능 모델(610)은 인공 신경망을 포함하며, 학습 데이터(621)는 인공 지능 모델(610)의 모델 파라미터를 갱신하는데 이용된다. 테스트 데이터(622)는 인공 지능 모델(610)의 성능을 평가하는데 이용된다.
인공 지능 장치(600)는 학습 데이터(621)를 이용하여 인공 지능 모델(610)을 반복적으로 학습시킬 수 있다. 그리고, 인공 지능 장치(600)는 테스트 데이터(622)를 이용하여 인공 지능 모델(610)의 성능을 산출하고, 산출한 성능에 기초하여 인공 지능 모델(610)의 반복 학습 횟수를 결정할 수 있다.
인공 지능 장치(600)는 새로운 센서 데이터(630)를 수신하면, 인공 지능 모델(610)을 이용하여 센서 데이터(630)에 대한 신뢰도(640)를 산출할 수 있다.
만약, 산출한 신뢰도(640)가 기준 값 이상인 경우라면, 이는 인공 지능 모델(610)이 수신한 센서 데이터(630)로부터 높은 신뢰도로 결과를 생성한다는 것을 의미한다. 즉, 높은 신뢰도를 갖는 센서 데이터(630)를 이용하여 인공 지능 모델(610)을 학습시킨다고 하더라도 성능의 큰 향상을 기대하기 어렵다.
반면, 산출한 신뢰도(640)가 기준 값 미만인 경우라면, 이는 인공 지능 모델(610)이 수신한 센서 데이터(630)로부터 낮은 신뢰도로 결과를 생성한다는 것을 의미한다. 즉, 낮은 신뢰도를 갖는 센서 데이터(630)를 이용하여 인공 지능 모델(610)을 학습시키는 경우 성능의 큰 향상을 기대할 수 있다.
인공 지능 장치(600)은 의사 레이블러(pseudo labeler, 650)을 이용하여 산출한 신뢰도(640)가 기준 값 미만인 센서 데이터(630)로부터 레이블(lebel)을 추출함으로써, 센서 데이터(630)를 레이블링(labeling)할 수 있다. 센서 데이터(630)에 대한 레이블링의 결과로써 레이블링된 센서 데이터(660)가 생성된다. 의사 레이블러(650)는 인공 지능 모델(610)과 별개로 학습된 모델일 수도 있지만, 인공 지능 모델(610)과 동일한 모델일 수도 있다.
인공 지능 장치(600)은 레이블링된 센서 데이터(660)를 학습 데이터(621) 또는 테스트 데이터(622)로 누적하여 저장한다. 즉, 학습 데이터(621)와 테스트 데이터(622)는 기존의 인공 지능 모델(610)의 학습에 이용되는 데이터뿐만 아니라, 레이블링된 센서 데이터(660)로부터 새로이 생성된 데이터를 모두 포함한다.
인공 지능 장치(600)는 누적하여 저장된 학습 데이터(621)와 테스트 데이터(622)를 이용하여 인공 지능 모델(610)을 갱신할 수 있다. 인공 지능 장치(600)는 인공 지능 모델(610)의 모델 파라미터만을 갱신할 수도 있고, 인공 지능 모델(610)의 구조를 포함한 하이퍼파라미터를 갱신할 수도 있다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능 모델을 갱신하는 예시를 나타낸 도면이다.
도 7을 참조하면, 인공 지능 장치(720)는 사용자와 음성으로 상호작용할 수 있는 장치이며, 인공 지능 스피커, 스마트폰, 인공 지능 로봇 등이 포함될 수 있다. 그리고, 인공 지능 장치(720)는 소리 데이터에서 사용자의 음성을 인식하는 인공 지능 모델을 저장할 수 있다.
사용자(710)가 "I'm bored."(711)라고 발화하면, 인공 지능 장치(720)는 사용자의 발화 음성 "I'm bored."(711)에 상응하는 음성 데이터를 수신하고, 인공 지능 모델을 이용하여 음성 데이터를 문자열로 변환하고, 변환된 문자열의 의도 정보를 파악하여 응답을 생성할 수 있다. 만약, 인공 지능 장치(720)가 사용자의 발화 음성 "I'm bored."(711)을 성공적으로 인식한다면, 그에 대한 응답으로 "May I tell you a funny story?"(721)라고 응답할 수 있다.
그러나, 인공 지능 장치(720)가 사용자의 발화 음성 "I'm bored."(711)을 정확하게 인식하였다고 하더라도, 인식의 신뢰도는 상이할 수 있다. 따라서, 인공 지능 장치(720)는 인식 결과의 엔트로피, 1순위 신뢰도, 1순위 신뢰도와 2순위 신뢰도 등을 기초로 인식 결과의 신뢰도를 산출할 수 있고, 산출한 신뢰도에 기초하여 획득한 음성 데이터로부터 학습 데이터 또는 테스트 데이터를 생성할 것인지 여부를 결정할 수 있다.
첫 번째 예에서는 인공 지능 모델이 사용자의 발화 음성(711)이 "bored"일 확률을 0.8, "board"일 확률을 0.2로 판단하였고, 두 번째 예에서는 인공 지능 모델이 사용자의 발화 음성(711)이 "bored"일 확률을 0.6, "board"일 확률을 0.4로 판단하였다고 가정한다. 상술한 두 예시에서 모두 인공 지능 모델은 사용자의 발화 음성(711)이 "bored"를 포함한다고 정확하게 판단한다. 그러나, 첫 번째 예시에서는 1순위 신뢰도가 0.8이므로 인식 결과의 신뢰도가 높으나, 두 번째 예시에서는 1순위 신뢰도가 0.6이므로 인식 결과의 신뢰도가 상대적으로 낮다. 마찬가지로, 첫 번째 예시에서는 1순위 신뢰도와 2순위 신뢰도의 차이가 0.6이므로 인식 결과의 신뢰도가 높으나, 두 번째 예시에서는 1순위 신뢰도와 2순위 신뢰도의 차이가 0.2이므로 인식 결과의 신뢰도가 상대적으로 낮다. 따라서, 인공 지능 장치(720)는 두 번째 예시와 같이 인식 결과의 신뢰도가 낮아 미리 설정된 기준 값에 미치지 못하는 경우에, 획득한 음성 데이터로부터 학습 데이터 또는 테스트 데이터를 생성할 수 있다.
만약, 인공 지능 장치(720)가 획득한 음성 데이터로부터 학습 데이터 또는 테스트 데이터를 생성할 것으로 결정한 경우, 인공 지능 장치(720)는 의사 레이블러를 이용하여 음성 데이터를 레이블링하고, 레이블링한 음성 데이터를 학습 데이터 또는 테스트 데이터로써 누적하여 저장하고, 저장된 학습 데이터와 테스트 데이터를 이용하여 인공 지능 모델을 갱신할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 인공 지능 모델을 갱신하는 예시를 나타낸 도면이다.
도 8을 참조하면, 인공 지능 장치(820)는 이미지 데이터로부터 객체를 인식할 수 있는 장치이며, 로봇 청소기 등이 포함될 수 있다. 그리고, 인공 지능 장치(820)는 이미지 데이터에서 객체를 인식하는 인공 지능 모델을 저장할 수 있다.
인공 지능 장치(820)가 로봇 청소기인 경우, 인공 지능 장치(820)는 청소 동작을 수행할 때에는 주행하며 카메라를 이용하여 주변에 대한 이미지 데이터를 획득하며, 이미지 데이터로부터 객체를 인식하여 장애물 여부를 판단하며, 이미지 데이터로부터 식별된 장애물을 추후 청소 공간에 대한 지도(예컨대, SLAM 지도)나 청소 동선을 갱신하는데 반영할 수 있다. 그러나, 고정된 장애물이 아닌 이동하거나 일시적으로 장애를 발생시키는 물체인 경우라면, 청소 공간에 대한 지도나 청소 동선을 갱신하는데 조심스럽게 반영해야 할 것이다.
고양이(810)가 인공 지능 장치(820)의 전방에 위치하면, 인공 지능 장치(820)는 고양이(810)를 포함하는 이미지 데이터를 획득하며, 이미지 데이터에 포함된 고양이(810)의 인식을 시도할 것이고, 일단 장애물의 존재를 파악하였으니 당장의 청소 동선을 고양이(810)를 회피하는 동선으로 수정할 수 있다. 만약, 인공 지능 장치(820)가 전방의 객체를 고양이(810)라고 성공적으로 인식한다면, 추후 청소 공간에 대한 지도나 청소 경로를 갱신함에 있어서 인식된 고양이(810)에 대한 정보의 가중치를 낮게 설정할 수 있다.
그러나, 인공 지능 장치(820)가 전방의 객체를 고양이(810)라고 정확하게 인식하였다고 하더라도, 인식의 신뢰도는 상이할 수 있다. 따라서, 인공 지능 장치(820)는 인식 결과의 엔트로피, 1순위 신뢰도, 1순위 신뢰도와 2순위 신뢰도 등을 기초로 인식 결과의 신뢰도를 산출할 수 있고, 산출한 신뢰도에 기초하여 획득한 이미지 데이터로부터 학습 데이터 또는 테스트 데이터를 생성할 것인지 여부를 결정할 수 있다.
첫 번째 예에서는 인공 지능 모델이 전방의 객체가 고양이일 확률을 0.75, 테이블일 확률을 0.25으로 판단하였고, 두 번째 예에서는 인공 지능 모델이 전방의 객체가 고양이일 확률을 0.55, 테이블일 확률을 0.45로 판단하였다고 가정한다. 상술한 두 예시에서 모두 인공 지능 모델은 이미지 데이터에 포함된 전방의 객체가 고양이(810)라고 정확하게 판단한다. 그러나, 첫 번째 예시에서는 1순위 신뢰도가 0.75이므로 인식 결과의 신뢰도가 높으나, 두 번째 예시에서는 1순위 신뢰도가 0.55이므로 인식 결과의 신뢰도가 상대적으로 낮다. 마찬가지로, 첫 번째 예시에서는 1순위 신뢰도와 2순위 신뢰도의 차이가 0.5이므로 인식 결과의 신뢰도가 높으나, 두 번째 예시에서는 1순위 신뢰도와 2순위 신뢰도의 차이가 0.1이므로 인식 결과의 신뢰도가 상대적으로 낮다. 따라서, 인공 지능 장치(820)는 두 번째 예시와 같이 인식 결과의 신뢰도가 낮아 미리 설정된 기준 값에 미치지 못하는 경우에, 획득한 이미지 데이터로부터 학습 데이터 또는 테스트 데이터를 생성할 수 있다.
만약, 인공 지능 장치(820)가 획득한 이미지 데이터로부터 학습 데이터 또는 테스트 데이터를 생성할 것으로 결정한 경우, 인공 지능 장치(820)는 의사 레이블러를 이용하여 이미지 데이터를 레이블링하고, 레이블링한 이미지 데이터를 학습 데이터 또는 테스트 데이터로써 누적하여 저장하고, 저장된 학습 데이터와 테스트 데이터를 이용하여 인공 지능 모델을 갱신할 수 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 (14)

  1. 인공 지능 모델을 갱신하는 인공 지능 장치에 있어서,
    인공 지능 모델과 상기 인공 지능 모델에 대한 학습 데이터(training data)를 저장하는 메모리; 및
    센서 데이터를 수신하고, 상기 저장된 인공 지능 모델에 대한 상기 수신한 센서 데이터의 신뢰도를 산출하고, 상기 산출한 신뢰도가 기준 값 미만인 경우 상기 수신한 센서 데이터를 레이블링(labeling)하고, 상기 레이블링된 수신한 센서 데이터를 상기 학습 데이터 또는 테스트 데이터(test data)로써 상기 메모리에 저장하고, 상기 저장된 학습 데이터를 이용하여 상기 저장된 인공 지능 모델을 갱신하는 프로세서
    를 포함하는, 인공 지능 장치.
  2. 청구항 1에 있어서,
    상기 프로세서는
    의사 레이블러(pseudo labeler)를 이용하여 상기 수신한 센서 데이터에서 의사 레이블(pseudo label)을 추출함으로써 상기 수신한 센서 데이터를 레이블링하는, 인공 지능 장치.
  3. 청구항 2에 있어서,
    상기 의사 레이블러는
    상기 저장된 인공 지능 모델과 동일 모델 파라미터를 갖는, 인공 지능 장치.
  4. 청구항 1에 있어서,
    상기 프로세서는
    상기 메모리에 저장된 학습 데이터를 이용하여 상기 메모리에 저장된 인공 지능 모델의 모델 파라미터들을 갱신하는, 인공 지능 장치.
  5. 청구항 4에 있어서,
    러닝 프로세서(learning processor)
    를 더 포함하고,
    상기 프로세서는
    상기 러닝 프로세서를 이용하여 상기 메모리에 저장된 인공 지능 모델을 갱신하는, 인공 지능 장치.
  6. 청구항 4에 있어서,
    상기 프로세서는
    상기 메모리에 저장된 테스트 데이터를 이용하여 상기 갱신된 인공 지능 모델의 성능을 평가하는, 인공 지능 장치.
  7. 청구항 1에 있어서,
    상기 프로세서는
    상기 저장된 인공 지능 모델을 이용하여 상기 수신한 센서 데이터에 상응하는 결과를 생성하고, 상기 생성한 결과에 기초하여 상기 수신한 센서 데이터의 신뢰도를 산출하는, 인공 지능 장치.
  8. 청구항 7에 있어서,
    상기 수신한 센서 데이터의 신뢰도는
    상기 생성한 결과에 상응하는 엔트로피, 상기 생성한 결과에 포함된 1순위 신뢰도 또는 상기 생성한 결과에 포함된 상기 1순위 신뢰도와 2순위 신뢰도의 차이에 기초하여 결정되는, 인공 지능 장치.
  9. 청구항 8에 있어서,
    상기 프로세서는
    상기 엔트로피가 작을수록 상기 신뢰도를 높게 산출하고, 상기 1순위 신뢰도가 클수록 상기 신뢰도를 높게 산출하고, 상기 1순위 신뢰도와 상기 2순위 신뢰도의 차이가 클수록 상기 신뢰도를 높게 산출하는, 인공 지능 장치.
  10. 청구항 1에 있어서,
    상기 센서 데이터는
    소리 데이터, 이미지 데이터, 텍스트 데이터 또는 측정 데이터 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
  11. 청구항 10에 있어서,
    적어도 하나 이상의 센서를 포함하는 센서부
    를 더 포함하고,
    상기 프로세서는
    상기 센서부로부터 상기 센서 데이터를 수신하는, 인공 지능 장치.
  12. 청구항 11에 있어서,
    외부 장치와 통신하는 통신부
    를 더 포함하고,
    상기 프로세서는
    상기 통신부를 통해 상기 외부 장치로부터 상기 센서 데이터를 수신하는, 인공 지능 장치.
  13. 인공 지능 모델을 갱신하는 방법에 있어서,
    센서 데이터를 수신하는 단계;
    메모리에 저장된 인공 지능 모델에 대한 상기 수신한 센서 데이터의 신뢰도를 산출하는 단계;
    상기 산출한 신뢰도가 기준 값 미만인 경우 상기 수신한 센서 데이터를 레이블링하는 단계;
    상기 레이블링된 수신한 센서 데이터를 학습 데이터 또는 테스트 데이터로써 상기 메모리에 저장하는 단계; 및
    상기 저장된 학습 데이터를 이용하여 상기 저장된 인공 지능 모델을 갱신하는 단계
    를 포함하는, 방법.
  14. 인공 지능 모델을 갱신하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,
    센서 데이터를 수신하는 단계;
    메모리에 저장된 인공 지능 모델에 대한 상기 수신한 센서 데이터의 신뢰도를 산출하는 단계;
    상기 산출한 신뢰도가 기준 값 미만인 경우 상기 수신한 센서 데이터를 레이블링하는 단계;
    상기 레이블링된 수신한 센서 데이터를 학습 데이터 또는 테스트 데이터로써 상기 메모리에 저장하는 단계; 및
    상기 저장된 학습 데이터를 이용하여 상기 저장된 인공 지능 모델을 갱신하는 단계
    를 포함하는, 기록 매체.
KR1020190111340A 2019-09-09 2019-09-09 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법 KR20190110073A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190111340A KR20190110073A (ko) 2019-09-09 2019-09-09 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190111340A KR20190110073A (ko) 2019-09-09 2019-09-09 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
US16/653,437 US20200042832A1 (en) 2019-09-09 2019-10-15 Artificial intelligence apparatus and method for updating artificial intelligence model

Publications (1)

Publication Number Publication Date
KR20190110073A true KR20190110073A (ko) 2019-09-27

Family

ID=68097046

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190111340A KR20190110073A (ko) 2019-09-09 2019-09-09 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법

Country Status (2)

Country Link
US (1) US20200042832A1 (ko)
KR (1) KR20190110073A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102206684B1 (ko) * 2020-08-05 2021-01-22 건국대학교 산학협력단 주행 상황 및 운전 습관을 분석하기 위한 학습 방법 및 이를 수행하는 장치
KR20210057943A (ko) * 2019-11-13 2021-05-24 주식회사 라이드플럭스 자율 주행 데이터의 데이터 레이블링 방법, 장치 및 컴퓨터프로그램

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210066207A (ko) * 2019-11-28 2021-06-07 엘지전자 주식회사 객체를 인식하는 인공 지능 장치 및 그 방법
US11126405B1 (en) * 2020-06-19 2021-09-21 Accenture Global Solutions Limited Utilizing augmented reality and artificial intelligence to automatically generate code for a robot

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210057943A (ko) * 2019-11-13 2021-05-24 주식회사 라이드플럭스 자율 주행 데이터의 데이터 레이블링 방법, 장치 및 컴퓨터프로그램
KR102206684B1 (ko) * 2020-08-05 2021-01-22 건국대학교 산학협력단 주행 상황 및 운전 습관을 분석하기 위한 학습 방법 및 이를 수행하는 장치

Also Published As

Publication number Publication date
US20200042832A1 (en) 2020-02-06

Similar Documents

Publication Publication Date Title
KR20190106861A (ko) 학습 데이터를 생성하는 인공 지능 장치, 인공 지능 서버 및 그 방법
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
US20210064792A1 (en) Artificial intelligence device for guiding furniture placement and method of operating the same
KR102339085B1 (ko) 사용자의 어플리케이션 사용 기록을 고려하여 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190096307A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR20190104489A (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
KR20190107627A (ko) 차량의 위치 정보를 제공하는 인공 지능 장치 및 그 방법
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190098934A (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
KR20190094317A (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
KR20190107626A (ko) 인공지능 서버
KR20190098090A (ko) 개인화 언어 모델을 이용하여 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190106905A (ko) 인공지능 전자기기
KR20190104264A (ko) 차량에 탑재되는 인공 지능 장치 및 그 방법
KR20190114925A (ko) 소리 신호 분류를 이용한 인공지능장치 및 그 방법
KR20190101330A (ko) 음성 처리 장치 및 음성 처리 방법
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법
KR20190094304A (ko) 음성 인식 기능을 제공하는 인공 지능 로봇 및 그의 동작 방법
KR20190095193A (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
US11322134B2 (en) Artificial intelligence device and operating method thereof
US20210116929A1 (en) Artificial intelligence apparatus for sharing information of stuck area and method for the same
KR102229562B1 (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR102327441B1 (ko) 인공지능 장치
US11210567B2 (en) Artificial intelligence apparatus and method for recognizing object