KR20190116188A

KR20190116188A - 상황 인식에 기반한 방해 금지 모드 추천을 위한 장치 및 제어 방법

Info

Publication number: KR20190116188A
Application number: KR1020190116658A
Authority: KR
Inventors: 황정환; 강대산; 김병수; 김지연; 김희진; 남윤옥; 이지영; 최지나
Original assignee: 엘지전자 주식회사
Priority date: 2019-09-23
Filing date: 2019-09-23
Publication date: 2019-10-14
Also published as: US20210092219A1

Abstract

사물 인터넷을 위해 연결된 5G 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행하고 전자 장치 사용자의 인식된 상황에 기반하여 방해 금지 모드를 추천하는 장치 및 제어 방법이 제시된다. 본 발명의 일 실시 예에 따른 장치 제어 방법은 센서, 통신 모듈 및 메모리에 저장된 데이터 중 적어도 하나로부터 시간 정보 및 장소 정보가 포함된 사용자 상황 정보를 수집하는 단계, 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드의 추천을 결정하는 단계 및 방해 금지 모드 추천 결정에 기반하여 방해 금지 모드를 설정 가능한 사용자 인터페이스를 디스플레이에 표시하는 단계를 포함한다.

Description

상황 인식에 기반한 방해 금지 모드 추천을 위한 장치 및 제어 방법{APPARATUS AND CONTROL METHOD FOR RECOMMENDING DO-NOT-DISTURB MODE BASED ON CONTEXT-AWARENESS}

본 발명은 전자 장치의 방해 금지 모드를 추천하는 장치 및 제어 방법에 관한 것으로서, 더욱 상세하게는 전자 장치 사용자의 인식된 상황에 기반하여 방해 금지 모드를 추천하는 장치 및 제어 방법에 관한 것이다.

최근 스마트 폰 등의 개인들이 보유한 전자 장치는 종류가 다양해지고, 전자 장치의 기능도 늘어나고 있다.

더불어, 개인의 시간을 중시하는 경향 및 효율적인 시간관리에 대한 필요성이 증대되는 환경에 비추어 보면, 사용자들은 특정 상황에서 전자 장치의 알림(소리, 화면 밝기, 진동 등)을 제어하고 싶은 필요성을 느끼고 있다.

즉, 사용자가 집중이 필요한 상황에서 전자 장치의 방해 금지 모드(Do-not-disturb mode)가 필요하지만, 종래 전자 장치의 방해 금지 모드 설정의 복잡한 설정 방식과 사용자가 일일이 방해 금지 모드를 상황에 맞게 설정해야 하는 번거로움으로 인해 방해 금지 모드의 사용률이 저조한 문제가 있다.

또한, 종래의 방해 금지 모드는 설정된 시간이 지나면 해제되는 시간 기반의 방해 금지 모드 해제 방법만 제공하고 있으므로, 방해 금지 모드가 필요한 유지 시간이 정해지지 않은 경우 방해 금지 모드 해제 시간의 설정이 곤란한 문제가 있다.

선행기술 1에는 사용자가 일정(schedule)을 입력하는 인터페이스에 방해 금지 모드를 설정하기 위한 인터페이스를 제공하고, 방해 금지 모드에서 수신하지 않을 알림을 선택하는 인터페이스를 제공하는 기술을 개시하고 있다.

선행기술 1은 입력된 사용자의 일정에 적합하게 방해 금지 모드를 설정할 수 있는 이점은 있으나, 사용자의 상황에 기반한 것이 아니고 사용자가 단순히 일정에 따른 방해 금지 모드를 설정하는 수준에 그치고 있고, 방해 금지 모드의 해제 방법에 대해서는 개시하지 못하고 있다.

선행기술 2는 디바이스에 의해 자동적으로 활성화되는 방해 금지 모드 설정 및 해제 기술을 개시하고 있다.

선행기술 2는 디바이스 디스플레이의 배향(facing orientation)에 따라 자동적으로 방해 금지 모드가 설정 및 해제됨으로써 사용자의 번거로움을 해소하는 이점은 있으나, 사용자의 상황이 아닌 단순한 디스플레이의 배향에 기반하여 방해 금지 모드를 구동함으로써 방해 금지 모드의 설정 및 해제가 빈번하게 이루어지고 사용자가 원하지 않는 시점에 방해 금지 모드가 설정되는 문제점이 있다.

선행기술 1: 한국 공개특허공보 제10-2014-0028426호(2014.03.10. 공개) 선행기술 2: 한국 공개특허공보 제10-2016-0083947호(2016.07.12. 공개)

본 발명의 일 과제는, 전자 장치를 사용하는 사용자의 상황에 기반하여 방해 금지 모드를 추천하는 방법 및 전자 장치를 제공하는 것이다.

본 발명의 일 과제는, 방해 금지 모드 설정 시 편의성을 사용자에게 제공하기 위해, 사용자가 위치한 시간 정보 및 장소 정보에 기반하여 사용자에게 방해 금지 모드를 추천하는 방법 및 전자 장치를 제공하는 것이다.

본 발명의 일 과제는, 사용자의 방해 금지 모드 유지 필요 시간이 정해지지 않은 경우 방해 금지 모드 해제 설정의 편의성을 제공하기 위해, 장소에 기반하여 방해 금지 모드 해제가 가능한 방법 및 전자 장치를 제공하는 것이다.

본 발명의 일 과제는, 사용자의 상황에 기반하여 방해 금지 모드가 설정및 해제되는 편의성을 제공하기 위해, 사용자의 생체 정보 및 동작 정보에 기반하여 방해 금지 모드 해제가 가능한 방법 및 전자 장치를 제공하는 것이다.

본 발명의 일 실시 예에 따른 전자 장치의 장치 제어 방법은 시간 정보 및 상황 정보를 학습 엔진에 적용한 결과에 기초하여 사용자에게 방해 금지 모드 설정을 추천하도록 전자 장치를 제어한다.

구체적으로 본 발명의 일 실시 예에 따른 전자 장치의 장치 제어 방법은 센서, 통신 모듈 및 메모리에 저장된 데이터 중 적어도 하나로부터 시간 정보 및 장소 정보가 포함된 사용자 상황 정보를 수집하는 단계, 사용자 상황 정보를 학습 엔진에 적용하여, 방해 금지 모드의 추천을 결정하는 단계 및 방해 금지 모드 추천 결정에 기반하여, 방해 금지 모드를 설정 가능한 사용자 인터페이스를 디스플레이에 표시하는 단계를 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여 전자 장치가 사용자의 상황을 기반으로 방해 금지 모드의 설정을 추천 가능하므로, 사용자의 전자 장치 사용 편의성을 향상시킬 수 있다.

또한, 사용자 상황 정보를 수집하는 단계 이전에 전자 장치가 미리 설정된 기준 시간 동안 동일한 장소에 위치하는지 판단하는 단계, 동일한 장소에 위치하는지 판단한 결과에 기반하여 시간 정보 및 장소 정보가 포함된 학습 정보를 생성하는 단계, 학습 정보의 반복성을 판단하는 단계, 학습 정보의 반복성 판단 결과에 기반하여 패턴 정보를 생성하는 단계 및 패턴 정보를 학습 엔진의 판단 기준으로 설정하는 단계를 더 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 전자 장치는 방해 금지 모드의 설정을 추천 가능한 학습 엔진의 판단 기준을 설정할 수 있다.

또한, 사용자 상황 정보를 수집하는 단계는 연결된 디바이스로부터 생체 정보를 수신하는 단계를 더 포함하고, 방해 금지 모드의 추천을 결정하는 단계는 생체 정보가 포함된 사용자 상황 정보를 학습 엔진에 적용하는 단계를 더 포함할 수 있다.

또한, 사용자 상황 정보를 수집하는 단계는 연결된 디바이스 또는 센서로부터 사용자의 움직임과 관련된 동작 정보를 수집하는 단계를 더 포함하고, 방해 금지 모드의 추천을 결정하는 단계는 동작 정보가 포함된 사용자 상황 정보를 학습 엔진에 적용하는 단계를 더 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 전자 장치가 사용자의 상황을 정확히 판단하여 방해 금지 모드의 설정을 추천할 수 있다.

또한, 장치 제어 방법은 사용자 인터페이스를 디스플레이에 표시하는 단계 이후에, 사용자로부터 방해 금지 모드를 설정하기 위한 입력을 수신하는 단계 및 디스플레이에 방해 금지 모드 해제 조건을 설정하기 위한 사용자 인터페이스를 표시하는 단계를 더 포함할 수 있다.

또한, 방해 금지 모드 해제 조건은 장소에 기반한 해제 조건을 포함하고, 방해 금지 모드 해제 조건을 설정하기 위한 사용자 인터페이스를 표시하는 단계 이후에 수신되는 전파를 모니터링하는 단계, 전파에 기반하여 장소에 기반한 해제 조건의 달성을 판단하는 단계 및 장소에 기반한 해제 조건의 달성 판단 결과에 기반하여 방해 금지 모드를 해제하는 단계를 더 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 사용자의 방해 금지 모드 유지 필요 시간이 정해지지 않은 경우 방해 금지 모드 해제 설정의 편의성을 향상시킬 수 있다.

또한, 사용자 상황 정보를 수집하는 단계는 메모리에 저장된 메시지 데이터 또는 일정(schedule) 데이터로부터 시간 정보 및 장소 정보를 추출하여 사용자 상황 정보를 수집하는 단계를 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 사용자의 일정에 대한 방해 금지 모드 해제 설정의 편의성을 향상시킬 수 있다.

또한, 사용자 상황 정보를 수집하는 단계 이전에 시간 정보 및 장소 정보에 기반하여 방해 금지 모드가 필요한 상황인지 판단하도록 미리 훈련된 머신 러닝(Machine Learning) 기반의 학습 엔진을 서버 장치로부터 수신하는 단계를 더 포함할 수 있다.

또한, 인터페이스를 디스플레이에 표시하는 단계 이후에 사용자의 방해 금지 모드 설정 여부를 모니터링하는 단계 및 모니터링 결과에 기반하여 학습 엔진을 재 훈련하는 단계를 더 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 방해 금지 모드의 설정을 추천하는 학습 엔진의 정확성을 향상시킬 수 있다.

또한, 학습 엔진을 재 훈련하는 단계 이후에 수신한 학습 모델과 재 훈련된 학습 모델의 차이와 관련된 정보를 서버 장치로 전송하는 단계를 더 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 서버 장치는 전자 장치로부터 수신한 학습 모델의 차이를 이용하여 서버 장치가 보유한 학습 모델을 향상시킬 수 있다.

또한, 사용자 인터페이스를 디스플레이에 표시하는 단계 이후에 사용자로부터 방해 금지 모드를 설정하기 위한 입력을 수신하는 단계 및 수신되는 전파를 모니터링하는 단계, 전파에 기반하여 장소 정보와 관련된 장소의 이탈을 판단하는 단계 및 장소 정보와 관련된 장소의 이탈 판단 결과에 기반하여 방해 금지 모드를 해제하는 단계를 더 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 방해 금지 모드 해제 조건의 설정 없이도 장소에 기반하여 전자 장치가 방해 금지 모드를 해제 함으로써 사용자의 방해 금지 모드 설정의 편의성을 향상시킬 수 있다.

본 발명의 일 실시 예에 따른 전자 장치의 장치 제어 방법은 전자 장치의 센서, 통신 모듈 및 메모리에 저장된 데이터 중 적어도 하나로부터 시간 정보 및 장소 정보를 추출하고, 연결된 디바이스로부터 생체 정보를 수신하여 제 1 사용자 상황 정보를 수집하는 단계, 제 1 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드의 적용을 결정하는 단계 및 방해 금지 모드 적용 결정에 기반하여, 전자 장치가 방해 금지 모드를 설정하는 단계를 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 전자 장치가 사용자의 상황을 정확히 판단하여 방해 금지 모드를 설정함으로써, 사용자의 방해 금지 모드 활용 편의성을 향상시킬 수 있다.

또한, 제 1 사용자 상황 정보를 수집하는 단계는 연결된 디바이스 또는 전자 장치에 장착된 센서로부터 사용자의 움직임과 관련된 동작 정보 또는 생체 정보를 수집하는 단계를 더 포함하고, 방해 금지 모드의 적용을 결정하는 단계는 동작 정보 또는 생체 정보가 포함된 제 1 사용자 상황 정보를 학습 엔진에 적용하는 단계를 더 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 방해 금지 모드를 설정하는 학습 엔진의 정확성을 향상시킬 수 있다.

또한, 방해 금지 모드를 설정하는 단계 이후에, 연결된 디바이스로부터 생체 정보를 수신하고 연결된 디바이스 또는 전자 장치에 장착된 센서로부터 사용자의 움직임과 관련된 동작 정보를 수집하여 제 2 사용자 상황 정보를 수집하는 단계, 제 2 사용자 상황 정보를 학습 엔진에 적용하여, 방해 금지 모드의 해제를 결정하는 단계 및 방해 금지 모드 해제 결정에 기반하여 전자 장치가 방해 금지 모드를 해제하는 단계를 포함할 수 있다.

본 실시 예에 따른 장치 제어 방법을 통하여, 전자 장치가 사용자의 상황을 정확히 판단하여 방해 금지 모드를 해제함으로써, 사용자의 방해 금지 모드 활용 편의성을 향상시킬 수 있다.

본 발명의 또 다른 실시 예에 따른 컴퓨터 판독 가능한 기록매체는, 전자 장치에 의해 실행될 때, 상술된 장치 제어 방법을 수행하도록 구성된 적어도 하나의 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체일 수 있다.

본 발명의 또 다른 실시 예에 따른 전자 장치는 프로세서, 프로세서와 전기적으로 연결되고 프로세서에서 수행되는 적어도 하나의 명령어 및 학습 모델의 파라미터가 저장되는 메모리, 물리적 정보를 감지하는 적어도 하나 이상의 센서, 통신 모듈 및 사용자 인터페이스를 표시하는 디스플레이를 포함할 수 있다. 프로세서는 센서, 상기 통신 모듈 및 메모리에 저장된 데이터 중 적어도 하나로부터 시간 정보 및 장소 정보가 포함된 사용자 상황 정보를 생성하고, 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드의 추천을 결정하고, 방해 금지 모드 추천 결정에 기반하여 방해 금지 모드를 설정 가능한 사용자 인터페이스를 디스플레이에 표시하도록 구성될 수 있다.

또한, 프로세서는 전자 장치가 미리 설정된 기준 시간 동안 동일한 장소에 위치하는지 판단한 결과에 기반하여 시간 정보 및 장소 정보가 포함된 학습 정보를 생성하고, 학습 정보의 반복성 판단 결과에 기반하여 생성한 패턴 정보를 학습 엔진의 판단 기준으로 설정하도록 구성될 수 있다.

또한 프로세서는 통신 모듈을 통해 연결된 디바이스로부터 수신한 생체 정보를 더 포함하여 사용자 상황 정보를 생성하고, 생체 정보가 포함된 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드의 추천을 결정하도록 구성될 수 있다.

또한 프로세서는 연결된 디바이스로부터 수신하거나 또는 센서로부터 수집된 사용자의 움직임과 관련된 동작 정보를 포함하여 사용자 상황 정보를 생성하고, 동작 정보가 포함된 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드의 추천을 결정하도록 구성될 수 있다.

또한 프로세서는 방해 금지 모드를 설정하기 위한 사용자 입력에 기반하여, 디스플레이에 장소에 기반한 해제 조건을 포함하는 방해 금지 모드 해제 조건을 설정하기 위한 사용자 인터페이스를 더 표시하도록 구성되고, 방해 금지 모드 해제 조건의 설정에 기반하여 전자 장치 주변의 전파를 모니터링하고, 전파에 기반하여 장소에 기반한 방해 금지 모드 해제 조건의 달성을 판단하도록 구성될 수 있다.

또한, 프로세서는 사용자의 방해 금지 모드 설정 여부를 모니터링한 결과에 기반하여 학습 엔진을 재 훈련하도록 구성될 수 있다.

또한 프로세서는 방해 금지 모드를 설정하기 위한 사용자 입력에 기반하여 전자 장치 주변의 전파를 모니터링하고, 전파에 기반하여 장소 정보와 관련된 장소의 이탈을 판단한 결과에 기반하여 방해 금지 모드를 해제하도록 구성될 수 있다.

본 발명의 실시 예들에 따르면, 사용자의 상황을 기반으로 방해 금지 모드의 설정을 추천함으로써, 사용자의 전자 장치 사용 편의성을 향상시킬 수 있다.

또한, 본 발명의 실시 예들에 따르면, 전자 장치가 사용자의 상황을 정확히 판단하여 방해 금지 모드의 설정을 추천할 수 있다.

또한, 본 발명의 실시 예들에 따르면, 사용자의 방해 금지 모드 유지 필요 시간이 정해지지 않은 경우에도 장소에 기반한 방해 금지 모드 해제 설정을 통해서 편의성을 향상시킬 수 있다.

또한, 본 발명의 실시 예들에 따르면, 사용자의 일정에 대한 방해 금지 모드 해제 설정의 편의성을 향상시킬 수 있다.

또한, 본 발명의 실시 예들에 따르면, 방해 금지 모드의 설정을 추천하는 학습 엔진의 정확성을 향상시킬 수 있다.

또한, 본 발명의 실시 예들에 따르면, 서버 장치는 전자 장치로부터 수신한 학습 모델의 차이를 이용하여 서버 장치가 보유한 학습 모델을 향상시킬 수 있다.

또한, 본 발명의 실시 예들에 따르면, 방해 금지 모드 해제 조건의 설정 없이도 장소에 기반하여 전자 장치가 방해 금지 모드를 해제 함으로써 사용자의 방해 금지 모드 설정의 편의성을 향상시킬 수 있다.

또한, 본 발명의 실시 예들에 따르면, 전자 장치가 사용자의 상황을 정확히 판단하여 방해 금지 모드를 설정 및 해제함으로써, 사용자의 방해 금지 모드 활용 편의성을 향상시킬 수 있다.

도 1은 본 발명의 일 실시 예에 따른 전자 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습이 가능한 서버 장치의 구성을 나타낸 블록도이다.
도 3은 전자 장치의 방해 금지 모드 추천을 위한 장치 제어 방법을 구현 가능한 환경의 예시도이다.
도 4는 전자 장치가 패턴 정보를 생성하고, 방해 금지 모드의 설정 추천을 결정하는 실시 예를 도시한다.
도 5는 전자 장치가 패턴 정보를 생성하는 다른 실시 예를 도시한다.
도 6은 전자 장치가 메모리에 저장된 메시지 데이터 또는 일정 데이터로부터 수집된 사용자 상황 정보에 기반하여 방해 금지 모드의 설정 추천을 판단하는 실시 예를 도시한다.
도 7 및 도 8은 전자 장치가 방해 금지 모드의 설정을 추천하는 인터페이스의 실시 예를 도시한다.
도 9는 방해 금지 모드의 해제 조건을 설정하는 인터페이스의 실시 예를 도시한다.
도 10은 방해 금지 모드 추천을 위한 전자 장치의 장치 제어 방법을 설명하는 순서도이다.
도 11은 방해 금지 모드 추천을 위한 전자 장치의 다른 장치 제어 방법을 설명하는 순서도이다.
도 12는 방해 금지 모드 해제를 위한 전자 장치의 장치 제어 방법을 설명하는 순서도이다.
도 13은 방해 금지 모드 해제를 위한 전자 장치의 다른 장치 제어 방법을 설명하는 순서도이다.
도 14는 방해 금지 모드의 설정 및 해제를 위한 전자 장치의 장치 제어 방법을 설명하는 순서도이다.

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(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

도 1은 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.

단말기(100)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.

즉, 단말기(100)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.

도 1을 참조하면, 단말기(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.

학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.

한편, 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.

무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.

입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 모델 학습을 위한 훈련 데이터 및 학습된 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 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 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, 단말기(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(151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(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 구현될 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 단말기(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(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.

러닝 프로세서(130)는 훈련 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습한다.

구체적으로, 러닝 프로세서(130)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.

이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

러닝 프로세서(130)는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.

선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.

다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 학습 장치(200)의 메모리(230), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.

프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.

일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다.

프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.

프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.

프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.

프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.

단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.

프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅틱 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(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, 단말기(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 무선 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 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(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.

인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.

메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

메모리(170)는 러닝 프로세서(130) 또는 학습 장치(200)에서 학습된 모델을 저장할 수 있다.

이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

이때, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.

이때, 메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.

도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.

학습 장치(200)는 단말기(100)의 외부에 별도로 구성된 장치 또는 서버로, 단말기(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.

즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

학습 장치(200)는 적어도 하나의 단말기(100)와 통신할 수 있고, 단말기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.

즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

학습 장치(200)는 주기적으로 혹은 요청에 의하여 단말기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 2를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.

통신부(210)는 도 1의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.

입력부(220)는 도 1의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.

입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.

입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

메모리(230)는 도 1의 메모리(170)에 대응되는 구성이다.

메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.

모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.

이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

도 2에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다

인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.

데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

러닝 프로세서(240)는 도 1의 러닝 프로세서(130)에 대응되는 구성이다.

러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.

러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다

이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.

또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.

전원 공급부(250)는 도 1의 전원 공급부(190)에 대응되는 구성이다.

서로 대응되는 구성에 대한 중복되는 설명은 생략한다.

도 3은 본 발명의 일 실시 예에 따른 전자 장치(100)의 방해 금지 모드(Do-not-disturb mode) 추천 방법을 구현 가능한 환경의 예시도이다. 이하의 설명에서 도 1 내지 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 3을 참조하면 일 실시 예에 따른 전자 장치(100)의 방해 금지 모드 추천 방법이 구현되기 위한 환경은 전자 장치(100), 머신 러닝(Machine Learning) 기반의 학습 모델을 훈련 가능한 서버 장치(200) 및 이들을 서로 연결하는 네트워크를 포함할 수 있다.

전자 장치(100)는 도 1과 같은 구성을 포함할 수 있고, 사용자가 보유한 채로 이동할 수 있는 모바일 디바이스일 수 있으며, 예컨대 스마트 폰, 태블릿 PC, 스마트 워치, 노트북, PDA 등 다양한 장치 중 어느 하나일 수 있다.

전자 장치(100)는 와이파이(Wi-Fi) 뿐만 아니라 CDMA, GSM, WCDMA, LTE, 5세대 이동통신(5G) 등의 이동통신 네트워크를 통해서 서버 장치(200) 또는 인터넷 등으로부터 정보를 송신 및 수신할 수 있다.

전자 장치(100)는 다양한 운용체제(OS) 환경에서 그래픽 사용자 인터페이스(UI: User Interface)를 통해 방해 금지 모드를 설정 또는 해제 가능한 환경을 제공할 수 있다.

전자 장치(100)는 사용자의 전자 장치(100)에 장착된 센서, 통신 모듈 또는 메모리로부터 시간 정보 및 장소 정보가 포함된 사용자 상황 정보를 수집할 할 수 있고, 아래에서 자세히 설명한다.

전자 장치(100)는 GPS 등의 위치센서, 자이로스코프 센서, 모션 센서, 가속도 센서, RGB 센서, 적외선 센서, 환경 센서(온도 센서, 습도 센서 등), 자기 센서, 터치 센서, 근접 센서, 조도 센서, 거리(depth) 센서 등의 다양한 센서 모듈을 포함할 수 있다.

전자 장치(100)는 외부의 디바이스들로부터 시간 정보, 장소 정보, 동작 정보 등을 수신할 수 있고, 외부의 디바이스들은 무선 AP(Access Point)(310), GPS 위성(320), 기지국(330), 스마트 워치(340), 스마트 이어 버드(ear buds)(350), 자동차(미도시), 스마트 가전 제품(미도시) 등을 포함할 수 있으며, 특별히 그 종류를 한정하지 않는다.

전자 장치(100)는 외부 디바이스들의 일부와 유무선 통신을 통해 연결될 수 있고, 예를 들어, 무선 통신으로 블루투스, 지그비, 와이 다이(Wi-Di), 징(Zing)를 통해, 유선 통신으로 USB, FireWire(IEEE 1394) 등의 연결을 통해 전자 장치(100)와 일부 디바이스(310, 340, 350) 사이의 통신 연결이 성립될 수 있다.

외부 디바이스는 전자 장치(100)와 특정 인터페이스 방식에 기반하여 유선 또는 무선 통신으로 연결될 수도 있으며, 예를 들어 외부 디바이스가 자동차(미도시)인 경우 안드로이드 오토(Android Auto), 애플 카플레이(Apple CarPlay), 미러링크(Mirrorlink) 등과 같은 인터페이스를 통해서, 외부 디바이스가 스마트 가전 제품인 경우 미러링크, 와이 다이 등의 인터페이스에 기반해 전자 장치(100)와 외부 디바이스가 연결될 수도 있다.

전자 장치(100)는 수집된 사용자 상황 정보를 머신 러닝기반 또는 패턴 기반의 학습 엔진에 입력하여 방해 금지 모드(Do-not-disturb mode)의 추천 여부를 결정하고, 학습 엔진의 결정에 기초하여 사용자에게 방해 금지 모드의 설정을 추천할 수 있다.

전자 장치(100)가 학습 엔진의 결정에 기초하여 사용자에게 방해 금지 모드의 설정을 추천하는 방식 및 해제 조건을 설정하는 방식은 아래에서 상세히 설명한다.

서버 장치(200)는 도 2와 같은 구성을 포함할 수 있고, 일 실시 예에서 복수의 사용자들 또는 특정 사용자가 다양한 상황 정보의 조건에서 방해 금지 모드 기능을 실행한 데이터로 라벨링(labeling)한 훈련 데이터를 이용하여 상황 정보에 따라 방해 금지 모드를 설정하도록 추천 가능하도록 머신 러닝 기반의 학습 엔진을 훈련시킬 수 있다.

서버 장치(200)는 다른 실시 예에서, 머신 러닝 기반의 학습 엔진을 훈련시키기 위한 훈련 데이터는 메시지 데이터 또는 일정(schedule) 데이터에서 추출된 시간 정보, 장소 정보 또는 컨텍스트(context) 정보의 조건에서 방해 금지 모드 기능을 실행한 데이터로 라벨링한 훈련 데이터일 수 있다.

서버 장치(200)는 다른 실시 예에서, 다양한 상황 정보의 조건에서 사용자의 상황으로 라벨링한 훈련 데이터를 이용하여 상황 정보에 따라 사용자의 상황을 판단 가능하도록 머신 러닝 기반의 학습 엔진을 훈련시킬 수 있다. 따라서, 전자 장치(100)가 해당 학습 엔진에 상황 정보를 적용한 결과는 사용자의 상황에 대한 판단, 예를 들어, '업무 중', '운동 중', '집에서 휴식 중', '외부에서 친구와 시간을 보내는 중' 등의 상황일 수 있고, 전자 장치(100)는 판단된 상황에 기반하여 방해 금지 모드의 설정을 사용자에게 추천할 수도 있다.

학습 엔진에 대해서는 아래에서 자세히 설명한다.

전자 장치(100)는 일 실시 예에서, 서버 장치(200)로부터 수신한 머신 러닝 기반의 학습 엔진 또는 전자 장치(100)에서 생성된 학습 정보에 기반하여 생성된 패턴 정보가 판단 기준으로 설정된 학습 엔진에 사용자의 상황 정보를 적용한 결과를 기초로 사용자에게 방해 금지 모드 설정을 추천할 수 있다.

전자 장치(100)는 다른 실시 예에서, 전자 장치(100)의 사용자가 다양한 상황 정보의 조건에서 서버 장치(200)로부터 수신한 머신 러닝 기반의 학습 엔진의 방해 금지 모드 설정 추천에 따른 사용자의 설정 여부를 모니터링한 결과에 기반하여 다시 학습 엔진을 훈련시킨 후 상황 정보를 적용할 수도 있다.

다시 도 1을 참조하여, 전자 장치(100)의 구성을 설명한다. 이하의 설명에서 앞서 설명한 부분과 중복되는 부분은 그 설명을 생략하기로 한다.

본 발명의 일 실시 예에 따른 전자 장치(100)는 프로세서(180)와 전기적으로 연결되어 프로세서(180)에서 실행되는 명령어들 또는 프로세서(180)에서 수행되는 프로세스들의 중간 또는 최종 데이터를 저장 가능한 메모리(170)를 포함할 수 있다.

프로세서(180)는 센싱부(140) 또는 통신 모듈(110)을 통하여 수집한 데이터, 메모리(170)에 저장된 데이터 중 적어도 하나로부터 생성한 시간 정보 및 장소 정보에 기반하여 사용자 상황 정보를 수집할 수 있다.

본 발명의 일 실시 예에 따른 전자 장치(100)는 GPS 위성으로부터의 위치 정보를 수신할 수 있는 위치 정보 모듈(115)을 포함한 통신 모듈(110) 및 물리적 정보를 감지 가능한 다양한 센서들로 구성된 센싱부(140)를 포함하고, 이들의 동작을 제어할 수 있는 프로세서(180)를 포함할 수 있다.

센싱부(140)는 물리적 정보를 감지할 수 있고, 통신 모듈(110)은 네트워크를 통하여 외부 정보를 수신할 수 있다.

프로세서(180)는 감지된 물리적 정보 또는 수신한 외부 정보에 기반하여 장소 정보를 생성하고 이를 사용자 상황 정보로 수집할 수 있다. 예를 들어, 프로세서(180)는 전자 장치(100)가 소정의 시간 동안 위치한 장소의 GPS(320) 좌표, 전자 장치(100)가 소정의 시간 동안 접속한 AP(310)의 네트워크 이름(SSID: Service Set IDentifier) 또는 MAC 주소(media access control address), 전자 장치(100)가 통신 모듈(110)을 통하여 소정의 시간 동안 접속한 이동 통신 기지국(또는 중계기)(330)의 셀 ID(Cell ID)를 장소 정보로 생성할 수 있다. 중계기는 셀 ID 이외의 고유의 식별자(identifier)를 가질 수 있고, 전자 장치(100)는 중계기와의 통신을 통해서 접속된 중계기의 고유의 식별자를 추출하여 이를 장소 정보로 생성할 수 있다.

장소 정보는 지리적 특정 위치의 경도 및 위도 좌표만을 의미하지 않으며, 해당 위치(또는 해당 위치가 포함된 일정 범위의 지역)와 관련되어 해당 위치를 구별 가능한 정보면 셀 ID, 중계기의 식별자, AP의 네트워크 이름 등도 장소 정보에 포함될 수 있고 특별히 그 종류를 한정하지 않는다.

프로세서(180)는 감지된 물리적 정보 또는 수신한 외부 정보에 기반하여 시간 정보를 생성하고 이를 사용자 상황 정보로 수집할 수 있다. 예를 들어, 프로세서(180)는 통신 모듈(110)을 통해 기지국(330)과 동기화된 시간에 기반하여, 전자 장치(100)가 특정 장소에 위치한 시간(사용자가 특정 장소에 도착한 시간, 사용자가 특정 장소에 머문 시간 등)을 시간 정보로 생성할 수 있다.

일 실시 예에서, 프로세서(180)는 메모리(170)에 저장된 데이터로부터 시간 정보 및 장소 정보를 수집할 수 있다. 예를 들어, 프로세서(180)는 메모리(170)에 저장된 메시지 데이터 또는 일정 데이터에 대해서 텍스트 분석을 수행하여, 추출된 회의 시간을 시간 정보로 수집하고 추출된 회의 장소를 장소 정보로 수집할 수 있다.

다른 실시 예에서, 프로세서(180)는 연결된 디바이스(340, 350)로부터 수신하거나 또는 센싱부(140)를 통하여 측정한 생체 정보(biological information) 또는 사용자의 움직임과 관련된 동작 정보 중 적어도 하나에 기반하여 사용자 상황 정보를 수집할 수 있다. 생체 정보는 심전도(ECG: electrocardiogram), 심박수(HR: heart rate), 혈압(BP: blood pressure) 정보 등일 수 있고, 동작 정보는 전자 장치(100) 또는 전자 장치(100)와 연결된 디바이스의 자이로 센서, 가속도 센서에서 측정된 시 계열(time series) 데이터일 수 있다. 생체 정보 및 동작 정보는 앞서 언급한 종류에 한정되지 않는다. 예를 들어, 사용자의 운동 중 또는 수면 중에 측정된 심박수가 생체 정보로서 시간 정보 및 장소 정보와 함께 사용자 상황 정보로 수집될 수 있다. 또는 사용자의 운동 중 또는 수면 중에 측정된 움직임이 동작 정보로서 시간 정보 및 장소 정보와 함께 사용자 상황 정보로 수집될 수 있다.

프로세서(180)는 머신 러닝 기반의 학습 엔진 또는 전자 장치(100)에서 생성된 패턴 정보가 판단 기준으로 설정된 학습 엔진에 사용자 상황 정보를 적용하여, 사용자에게 방해 금지 모드를 추천할지 여부를 결정할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 전자 장치(100)가 학습 정보를 생성하고 생성된 학습 정보에 기반하여 패턴 정보를 생성하고, 방해 금지 모드의 설정 추천을 결정하는 실시 예를 도시한다.

사용자가 위치한 장소 및 해당 장소에 위치한 시간이 미리 설정된 기준에 적합한 경우, 전자 장치(100)는 사용자가 위치한 장소 및 해당 장소에 위치한 시간을 장소 정보 및 시간 정보가 포함된 학습 정보로 생성할 수 있다.

예를 들어, 사용자가 주중 퇴근 이후 피트니스 센터에 방문하여(410) 일정 시간 동안 머무르는 경우, 해당 피트니스 센터의 GPS(320) 좌표, 이동통신 기지국(330)의 무선 정보를 이용한 측정 위치, 피트니스 센터가 위치한 지역의 셀 ID 또는 중계기(330)의 식별자, AP(310)의 네트워크 이름 등이 장소 정보로 생성되고 피트니스 센터에 머문 요일, 시간 등이 시간 정보로 생성될 수 있다.

다른 실시 예에서, 프로세서(180)는 연결된 디바이스(340, 350)로부터 수신하거나 또는 센싱부(140)를 통하여 측정한 생체 정보 또는 사용자의 움직임과 관련된 동작 정보 중 적어도 하나에 기반하여 학습 정보를 생성할 수 있다.

예를 들어, 사용자가 착용한 웨어러블 디바이스(wearable device)(340, 350)로부터 수면 중 또는 운동 중에 측정된 심박수를 사용자가 위치한 장소 및 해당 장소에 위치한 시간과 함께 학습 정보로 생성할 수 있다. 사용자가 주중 퇴근 이후 피트니스 센터에 방문하여(410) 일정 시간 동안 운동하는 경우, 시간 정보 및 장소 정보와 함께 사용자의 심박수 및 움직임이 각각 생체 정보 및 동작 정보로 포함된 학습 정보가 생성될 수 있다. 또는, 사용자의 수면 중 측정된 심박수 및 움직임이 각각 생체 정보와 동작 정보로 포함된 학습 정보가 생성될 수 있다.

전자 장치(100)는 시간 정보 및 장소 정보가 포함된 적어도 하나 이상의 학습 정보들을 분류 및 분석하고, 반복성을 갖는 학습 정보의 공통적인 시간 정보 및 장소 정보에 기반하여 패턴 정보를 생성하고 생성된 패턴 정보를 학습 엔진의 판단 기준으로 설정할 수 있다. 이 후, 전자 장치(100)는 수집된 사용자 상황 정보를 학습 엔진에 적용하고, 수집된 사용자 상황 정보가 패턴 정보와 미리 설정된 기준 이상의 공통성을 갖는 경우 방해 금지 모드의 추천을 결정할 수 있다.

예를 들어, 사용자가 주중 퇴근 이후 유사한 시간대에 반복적으로 방문한(410) 피트니스 센터의 위치와 관련된 장소 정보 및 머무른 시간대에 관련된 시간 정보가 포함된 학습 정보에 기반하여 생성된 패턴 정보가 학습 엔진의 판단 기준으로 설정될 수 있다. 이후, 사용자가 패턴 정보의 시간 정보와 미리 설정된 기준 이내의 유사한 시간대에 해당 피트니스 센터를 방문하는 경우 (또는 방문하여 일정 시간 이상 지난 경우)(420), 전자 장치(100)는 방해 금지 모드를 설정 가능한 도 7과 같은 인터페이스를 디스플레이(151)에 표시할 수 있다.

일 실시 예에서, 전자 장치(100)는 연결된 디바이스(340, 350)로부터 수신한 생체 정보를 포함한 사용자 상황 정보를 패턴 기반의 학습 엔진에 적용하여 방해 금지 모드 설정의 추천을 결정할 수 있다.

예를 들어, 학습 엔진의 판단 기준으로 설정된 패턴 정보는 특정 피트니스 센터의 위치와 관련된 장소 정보와 함께 해당 장소 정보와 관련되어 저장된 사용자의 생체 정보를 포함할 수 있다. 사용자가 해당 피트니스 센터에 방문을 하고, 연결된 디바이스로부터 수신한 심박수가 패턴 정보에 포함된 심박수 이상인 경우, 전자 장치(100)는 방해 금지 모드의 설정 추천을 결정할 수 있다.

다른 실시 예에서, 전자 장치(100)는 연결된 디바이스(340, 350)로부터 수신한 생체 정보를 포함한 사용자 상황 정보를 머신 러닝 기반의 학습 엔진에 적용하여 방해 금지 모드 설정의 추천을 결정할 수 있다.

예를 들어, 전자 장치(100)는 생체 정보를 포함한 사용자 상황 정보를 다양한 상황 정보의 조건에서 사용자의 상황으로 라벨링한 훈련 데이터를 이용하여 훈련된 학습 엔진에 적용하고, 학습 엔진에 의해 사용자가 '운동 중'인 상황으로 판단된 경우 방해 금지 모드 설정의 추천을 결정할 수 있다.

다른 실시 예에서, 전자 장치(100)는 연결된 디바이스(340, 350)로부터 수신한 사용자의 움직임과 관련된 동작 정보를 포함한 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드 설정의 추천을 결정할 수 있다.

예를 들어, 학습 엔진의 판단 기준으로 설정된 패턴 정보는 특정 피트니스 센터의 위치와 관련된 장소 정보와 함께 해당 장소 정보와 관련되어 저장된 사용자의 움직임과 관련된 동작 정보를 포함할 수 있다. 사용자가 해당 피트니스 센터에 방문을 하고, 연결된 디바이스로부터 수신한 동작 정보가 패턴 정보에 포함된 동작 정보와 유사한 경우, 전자 장치(100)는 방해 금지 모드의 설정 추천을 결정할 수 있다.

다른 실시 예에서, 전자 장치(100)는 동작 정보를 포함한 사용자 상황 정보를 머신 러닝 기반의 학습 엔진에 적용하여, 학습 엔진에 의해 사용자가 '운동 중'인 상황으로 판단된 경우 방해 금지 모드 설정의 추천을 결정할 수 있다.

도 4를 참조하여, 전자 장치(100)가 학습 엔진의 판단 기준으로 설정된 패턴 정보에 기반하여, 방해 금지 모드를 해제하는 실시 예를 설명한다.

전자 장치(100)는 방해 금지 모드가 설정된 이후 수집된 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드를 해제할지 결정할 수 있다.

일 실시 예에서, 학습엔진의 판단 기준으로 설정된 패턴 정보의 장소 정보와 관련된 위치에 사용자가 위치한 이후 방해 금지 모드가 설정되고, 이후 수집된 사용자 상황 정보에 포함된 장소 정보가 패턴 정보와 다른 (미리 설정된 기준 밖의) 위치와 관련된 경우 전자 장치(100)는 방해 금지 모드를 해제할 수 있다. 또는, 패턴 정보와 관련된 위치에서 사용자가 일정 시간 벗어난 이후 방해 금지 모드를 해제할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 전자 장치(100)가 학습 정보를 생성하고 생성된 학습 정보에 기반하여 패턴 정보를 생성하는 다른 실시 예를 도시한다.

도 5는 전자 장치(100)가 사용자가 특정 일자에 이동한 경로 및 전자 장치(100)의 사용 이력이 메모리(170)에 저장된 데이터를 그래픽화하여 표시한 일 실시 예이다.

전자 장치(100)는 사용자의 활동에 따른 전자 장치(100)가 위치한 장소 및 해당 장소에 위치한 시간과 함께 해당 시간과 관련된 사용자의 전자 장치(100) 사용 이력(510 ~ 551)에 기반하여 학습 정보를 생성할 수 있다.

전자 장치(100)는 도 5와 같이 사용자의 전자 장치(100) 사용 이력을 데이터로 저장한 후, 특정 장소와 관련된 사용 이력이 미리 설정된 기준 이내의 반복성을 갖는 경우 이를 패턴 정보로 생성할 수 있다.

예를 들어, 사용자가 매일 아침 유사한 시간대에 동일한 위치로 보유한 차량으로 이동하는 중, 전자 장치(100)와 차량이 블루투스, 미러 링크, 안드로이드 오토, 카 플레이 등의 무선 통신 방식으로 연결된 경우(530) 전자 장치(100)는 연결된 차량의 무선 통신 ID 및 연결 지속 시간을 패턴 정보로 생성할 수 있다.

전자 장치(100)는 메모리(170)에 저장된 메시지(541) 또는 일정 정보(551)에 기반하여 패턴 정보를 생성할 수 있다.

예를 들어, 메모리(170)에 저장된 일정 정보(551)와 관련된 시간 동안 부재중 전화(missed call)의 사용 이력이 존재하고 해당 일정 정보가 특정한 주기로 반복되어 저장되는 경우, 해당 일정 정보와 관련된 시간 및 위치에 기반하여 패턴 정보를 생성할 수 있다.

도 6은 본 발명의 일 실시 예에 따른 전자 장치(100)가 메모리에 저장된 메시지 데이터 또는 일정 데이터로부터 사용자 상황 정보를 수집하고, 수집된 사용자 상황 정보에 기반하여 방해 금지 모드의 설정 추천을 판단하는 실시 예를 도시한다.

전자 장치(100)는 서버 장치(200)로부터 시간 정보, 장소 정보 또는 컨텍스트 정보에 기반하여 방해 금지 모드가 필요한 상황인지 판단하도록 미리 훈련된 머신 러닝 기반의 학습 엔진을 수신할 수 있다.

일 실시 예에서, 머신 러닝 기반의 학습 엔진은 메시지 데이터 또는 일정 데이터에서 추출된 시간 정보, 장소 정보 또는 컨텍스트 정보의 조건에서 방해 금지 모드 기능을 실행한 데이터로 라벨링한 훈련 데이터일 수 있다. 이 경우, 시간 정보는 추출된 시간 데이터를 특정 시간대(예를 들어, 오전 9시 ~ 오전 10시)가 아닌 시간 간격(예를 들어, 1시간)으로 변환한 정보일 수 있고, 장소 정보는 특정 GPS 좌표가 아닌 '집', '직장' 등의 카테고리 정보(categorical information)일 수 있고, 컨텍스트 정보는 '회의', '미팅' 등의 카테고리 정보일 수 있다.

다른 실시 예에서, 학습 엔진은 다양한 상황 정보의 조건에서 사용자의 상황으로 라벨링한 훈련 데이터를 이용하여 상황 정보에 따라 사용자의 상황을 판단 가능하도록 훈련된 학습 엔진일 수 있다.

전자 장치(100)는 메시지 데이터 또는 일정 데이터에 텍스트 분석을 수행하여 추출된 시간 정보, 장소 정보 또는 컨텍스트 정보를 머신 러닝 기반의 학습 엔진에 입력할 수 있다. 학습 엔진에 의하여 방해 금지 모드 설정의 추천이 필요하다고 판단한 경우 또는 방해 금지 모드의 설정이 필요한 상황이라고 판단한 경우, 전자 장치(100)는 사용자 상황 정보에서 추출된 시간 정보, 장소 정보 또는 컨텍스트 정보와 함께 방해 금지 모드를 설정 가능한 인터페이스를 디스플레이(151)에 표시(620)할 수 있다.

따라서, 사용자는 일정 관리 어플리케이션 또는 메시지에 포함된 일정에 대해서 일일이 시간 및 장소를 입력하여 방해 금지 모드를 설정하지 않고, 간편하게 방해 금지 모드를 설정할 수 있다.

다른 실시 예에서, 전자 장치(100)는 서버 장치(200)로부터 수신한 머신 러닝 기반의 학습 엔진을 훈련할 수 있다.

예를 들어, 사용자가 전자 장치(100)의 알림을 무시한 경우 또는 적극적인 거부 동작(예를 들어, 통화를 거부하는 동작)을 수행한 경우, 사용자가 위치한 장소, 알림을 무시한 시간, 통화를 거부한 시간, 알림을 무시한 시간과 관련된 일정 정보 등을 사용자 상황 정보로 저장하고, 이를 학습 엔진의 훈련 데이터로 사용할 수 있다.

또는, 전자 장치(100)는 디스플레이(151)에 표시된 방해 금지 모드 설정의 추천에 대한 사용자의 반응에 기반하여 학습 엔진을 재 훈련할 수 있다. 예를 들어, 방해 금지 모드가 필요한 상황인지 판단하도록 미리 훈련된 머신 러닝 기반의 학습 엔진의 판단에 기반하여 방해 금지 모드 설정의 추천을 디스플레이(151)에 표시한 이후, 사용자의 방해 금지 모드 설정 여부와 추천 시점의 사용자 상황 정보를 학습 엔진의 훈련 데이터로 사용할 수 있다.

일 실시 예에서, 전자 장치(100)는 학습 엔진을 훈련한 이후 생성된 학습 엔진과 훈련 전 학습 엔진의 차이(예를 들어, 문턱 값, 웨이팅(weighting) 값 등 파라미터나 노드 구조의 차이 등)를 다시 서버 장치(200)로 전송할 수 있다. 따라서, 전자 장치(100)는 개인 정보를 서버 장치(200)에 전송하지 않고도 학습 엔진을 훈련시킬 수 있고, 서버 장치(200)도 전자 장치(100)로부터 수신한 학습 엔진의 차이를 이용하여 서버 장치(200)가 보유한 학습 엔진을 향상시킬 수 있는 효과가 있다.

도 7 및 도 8은 본 발명의 일 실시 예에 따른 전자 장치(100)가 방해 금지 모드의 설정 추천을 디스플레이(151)에 표시하는 실시 예를 도시한다.

도 7을 참조하면, 일 실시 예에서, 학습 엔진에 의해 방해 금지 모드 설정의 추천이 결정된 경우, 전자 장치(100)는 방해 금지 모드 설정을 추천하는 팝업 메뉴를 디스플레이(151)에 표시(710)할 수 있다. 팝업 메뉴에는 사용자가 바로 방해 금지 모드 설정할 수 있는 인터페이스(예를 들어, 토글(toggle) 방식의 인터페이스)를 표시할 수 있다.

도 8을 참조하면, 다른 실시 예에서, 학습 엔진에 의해 방해 금지 모드 설정의 추천이 결정된 경우, 전자 장치(100)는 방해 금지 모드를 설정 가능한 바로가기(821)(shortcut)가 포함된 인터페이스를 표시할 수 있다. 인터페이스는 미리 설정된 어플리케이션과 관련된 바로가기(820) 또는 사용자의 상황에 따라 추천되는 어플리케이션과 관련된 바로가기(810)이 함께 표시될 수 있다.

도 9는 본 발명의 일 실시 예에 따른 전자 장치(100)가 방해 금지 모드의 해제 조건을 설정하기 위한 인터페이스를 디스플레이(151)에 표시하는 실시 예를 도시한다. 도 9를 참조하여, 전자 장치(100)의 방해 금지 모드 해제에 대해서 설명한다.

전자 장치(100)는 방해 금지 모드 설정을 추천하는 인터페이스에 대한 사용자의 방해 금지 모드 설정 입력에 반응하여, 방해 금지 모드 해제 조건(방해 금지 모드 유지 조건)을 설정하기 위한 사용자 인터페이스를 디스플레이(151)에 표시할 수 있다. 사용자 인터페이스는 미리 설정된 조건들 중에서 사용자가 선택 가능한 인터페이스이거나, 사용자가 방해 금지 모드가 해제되는 시각 또는 시간을 설정 가능한 인터페이스일 수 있다.

일 실시 예에서, 방해 금지 모드 해제 조건(방해 금지 모드 유지 조건)을 설정하기 위한 인터페이스는 미리 설정된 유지 시간을 표시하는 것(예를 들어, '1시간 동안')일 수 있고, 장소에 기반한 해제 조건일 수 있다.

예를 들어, 장소에 기반한 해제 조건은 사용자가 방해 금지 모드를 설정한 장소를 이탈하면 방해 금지 모드를 해제하는 조건일 수 있고, 이 경우 전자 장치(100)는 센싱부(140) 또는 통신 모듈(110)을 통해서 전자 장치(100)의 위치 정보를 모니터링할 수 있다. 전자 장치(100)는 통신 모듈(110)을 통해서 수신되는 특정 AP의 Wi-Fi 신호 강도가 미리 설정된 수준 이하로 약해지거나 특정 AP와 연결이 해제되는 경우, 장소를 이탈한 것으로 판단할 수 있다. 또는, 특정 중계기로부터 수신되는 무선 통신 신호 강도가 미리 설정된 수준 이하로 약해지는 경우, 사용자가 장소를 이탈한 것으로 판단할 수 있다. 또는, 특정 AP의 약해진 Wi-Fi 신호 강도 또는 특정 중계기로부터 수신되는 약해진 무선 통신 신호 강도가 일정 시간 이상 지속되는 경우, 사용자가 장소를 이탈한 것으로 판단할 수 있다. 사용자가 장소를 이탈하면 방해 금지 모드를 해제하는 조건을 설정한 경우, 전자 장치(100)는 사용자가 장소를 이탈한 것으로 판단하면 설정된 방해 금지 모드를 해제할 수 있다.

다른 실시 예에서, 사용자가 방해 금지 모드 해제 조건을 설정하지 않은 경우에도, 전자 장치(100)는 장소에 기반하여 방해 금지 모드를 해제할 수 있다.

예를 들어, 일정 정보에서 추출된 사용자 상황 정보에 기반하여 학습 엔진이 방해 금지 모드의 설정을 추천하고 사용자가 방해 금지 모드를 설정한 이후, 전자 장치(100)는 방해 금지 모드가 설정된 시간 정보에 해당하는 시간 동안 센싱부(140) 또는 통신 모듈(110)을 통해서 위치 정보를 모니터링할 수 있다. 이후, 모니터링된 위치 정보가 변경되는 경우 전자 장치(100)는 방해 금지 모드를 해제할 수 있다. 이 경우, 방해 금지 모드가 설정된 시간 정보에 해당하는 시간 동안 모니터링되는 위치 정보가 계속 변하면, 전자 장치(100)는 사용자의 일정이 변경된 것으로 판단하고, 방해 금지 모드를 해제 가능한 인터페이스를 디스플레이(151)에 표시할 수 있다.

또는, 전자 장치(100)는 일정 정보에서 추출된 사용자 상황 정보에 포함된 장소의 GPS좌표 정보를 지도 DB에서 검색하고, 모니터링된 위치 정보가 검색된 GPS 좌표 정보에서 일정 범위를 벗어난 것으로 판단하면 방해 금지 모드를 해제할 수 있다.

다른 실시 예에서, 사용자가 방해 금지 모드 해제 조건을 설정하지 않은 경우에도, 전자 장치(100)는 생체 정보 또는 동작 정보를 포함하는 사용자 상황 정보에 기반하여 방해 금지 모드를 해제할 수 있다.

예를 들어, 머신 러닝 기반 학습 엔진에서 사용자가 운동 중인 상황으로 판단하여 방해 금지 모드가 (자동으로 또는 방해 금지 모드 추천에 대한 사용자의 입력을 통하여) 설정된 이후, 생체 정보 또는 동작 정보를 포함하는 사용자 상황 정보를 머신 러닝 기반 학습 엔진에 적용한 결과 운동이 종료된 상황으로 판단된 경우 전자 장치(100)는 방해 금지 모드를 해제할 수 있다.

다른 예를 들어, 일정 정보에서 추출된 사용자 상황 정보에 기반한 학습 엔진의 방해 금지 모드 설정 추천에 반응하여 사용자가 방해 금지 모드를 설정한 이후, 전자 장치(100)는 방해 금지 모드가 설정된 시간 정보에 해당하는 시간 동안 센싱부(140) 또는 연결된 디바이스(340, 350)를 통해서 생체 정보 또는 동작 정보를 모니터링할 수 있다. 이후, 모니터링된 생체 정보 또는 동작 정보가 사용자의 이동 동작으로 판단되고 위치 정보가 변경되는 경우 전자 장치(100)는 방해 금지 모드를 해제할 수 있다.

다른 예를 들어, 수면 중인 사용자 상황 정보에 기반하여 학습 엔진이 방해 금지 모드를 설정한 이후 모니터링된 생체 정보 또는 동작 정보가 포함된 사용자 상황 정보에 기반하여, 전자 장치(100)는 사용자가 수면에서 깨어난 것으로 판단하는 경우 방해 금지 모드를 해제할 수 있다.

도 10은 본 발명의 일 실시 예에 따른 전자 장치(100)의 제어 방법을 설명하는 순서도이다.

전자 장치(100)는 사용자가 위치한 장소 및 해당 장소에 위치한 시간이 미리 설정된 기준에 적합한 경우, 전자 장치(100)는 사용자가 위치한 장소 및 해당 장소에 위치한 시간을 장소 정보 및 시간 정보가 포함된 학습 정보로 생성할 수 있다(S1010)

다른 실시 예에서, 전자 장치(100)는 웨어러블 디바이스 등의 전자 장치(100)와 유무선 통신으로 연결된 디바이스들(340, 350)로부터 수신하거나 또는 센서를 통하여 측정한 생체 정보 또는 사용자의 움직임과 관련된 동작 정보 중 적어도 하나에 더 기반하여 학습 정보를 생성할 수 있다.

전자 장치(100)는 시간 정보 및 장소 정보가 포함된 적어도 하나 이상의 학습 정보들을 분류 및 분석하고, 반복성을 갖는 학습 정보의 공통적인 시간 정보 및 장소 정보에 기반하여 패턴 정보를 생성하고(S1020), 생성된 패턴 정보를 학습 엔진의 판단 기준으로 설정할 수 있다(S1030).

전자 장치(100)는 센서에 의해 감지된 물리적 정보 또는 통신을 통해 수신한 외부 정보에 기반하여 시간 정보 또는 장소 정보를 생성하고 이를 사용자 상황 정보로 수집할 수 있다(S1040). 예를 들어, 전자 장치(100)는 기지국(330)과 동기화된 시간, 사용자가 특정 장소에 위치한 시간에 기반하여 시간 정보를 생성하고, 사용자가 위치한 장소의 GPS 좌표, 전자 장치(100)가 접속한 AP의 네트워크 이름(SSID) 등에 기반하여 장소 정보를 생성할 수 있다.

전자 장치(100)는 수집된 사용자 상황 정보를 학습 엔진에 적용하고, 수집된 사용자 상황 정보가 패턴 정보와 미리 설정된 기준 이상의 공통성을 갖는 경우 방해 금지 모드의 추천을 결정할 수 있다(S1050).

학습 엔진에 의해 방해 금지 모드 설정의 추천이 결정된 경우, 전자 장치(100)는 방해 금지 모드 설정을 추천하는 인터페이스를 디스플레이에 표시할 수 있고(S1060). 일 실시 예에서 방해 금지 모드 설정을 추천하는 인터페이스는 도 7과 같이 사용자가 바로 방해 금지 모드 설정할 수 있는 인터페이스(예를 들어, 토글(toggle) 방식의 인터페이스)를 포함한 팝업 메뉴일 수 있다.

도 11은 본 발명의 다른 실시 예에 따른 전자 장치(100)의 제어 방법을 설명하는 순서도이다. 이하의 설명에서 도 10에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

전자 장치(100)는 서버 장치(200)가 복수의 사용자들 또는 특정 사용자가 다양한 상황 정보의 조건에서 방해 금지 모드 기능을 실행한 데이터로 라벨링(labeling)한 훈련 데이터를 이용하여 상황 정보에 따라 방해 금지 모드를 설정하도록 추천 가능하도록 훈련된 머신 러닝 기반의 학습 엔진을 서버 장치(200)로부터 수신할 수 있다(S1110).

다른 실시 예에서, 전자 장치(100)는 다양한 상황 정보의 조건에서 사용자의 상황으로 라벨링한 훈련 데이터를 이용하여 상황 정보에 따라 사용자의 상황을 판단 가능하도록 훈련된 머신 러닝 기반의 학습 엔진을 서버 장치(200)로부터 수신할 수 있다.

다른 실시 예에서, 전자 장치(100)는 학습 엔진의 방해 금지 모드 설정 추천에 따른 사용자의 설정 여부를 모니터링한 결과에 기반하여, 다시 학습 엔진을 훈련시킬 수 있다.

이후, 전자 장치(100)는 시간정보 및 장소 정보가 포함된 사용자 상황 정보를 수집하고(S1120), 수집된 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드의 추천을 결정하고(S1130), 방해 금지 모드 설정을 추천하는 인터페이스를 디스플레이에 표시할 수 있다(S1140).

도 12는 본 발명의 실시 예에 따른 전자 장치(100)의 방해 금지 모드 해제를 위한 제어 방법을 설명하는 순서도이다.

전자 장치(100)는 방해 금지 모드 설정 입력을 수신하면(S1210) 방해 금지 모드 해제 조건(방해 금지 모드 유지 조건)을 설정하기 위한 사용자 인터페이스를 디스플레이에 표시할 수 있다(S1220).

일 실시 예에서, 방해 금지 모드 해제 조건은 시간에 기반하거나 장소에 기반한 해제 조건 중에서 사용자로부터 입력받을 수 있다.

사용자가 장소 이탈 시 방해 금지 모드를 해제하는 조건을 선택한 경우, 전자 장치(100)는 수신되는 전파(Wi-Fi 신호, 무선 이동 통신 신호 등)에 기반하여 위치 정보의 변화를 모니터링할 수 있다(S1230). 일 실시예에서, 전자 장치(100)는 통신 모듈(110)을 통해서 수신되는 특정 AP의 Wi-Fi 신호 강도가 미리 설정된 수준 이하로 약해지거나 특정 AP와 연결이 해제되는 경우, 장소를 이탈한 것으로 판단하고(S1240) 방해 금지 모드를 해제할 수 있다(S1250).

도 13은 본 발명의 다른 실시 예에 따른 전자 장치(100)의 방해 금지 모드 해제를 위한 제어 방법을 설명하는 순서도이다. 이하의 설명에서 도 12에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

전자 장치(100)는 방해 금지 모드 설정 입력을 수신하면(S1310), 방해 금지 모드가 설정된 동안 수신되는 전파에 기반하여 위치 정보를 모니터링할 수 있다(S1320). 이후, 모니터링된 위치 정보가 미리 설정된 기준 범위를 벗어난 것으로 판단되면(S1330), 전자 장치(100)는 방해 금지 모드를 해제할 수 있다(S1340).

도 14는 본 발명의 실시 예에 따른 전자 장치(100)의 다른 제어 방법을 설명하는 순서도이다. 이하의 설명에서 도 10 내지 도 13에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

전자 장치(100)는 웨어러블 디바이스 등의 전자 장치(100)와 유무선 통신으로 연결된 디바이스들(340, 350)로부터 수신하거나 또는 센서를 통하여 측정한 생체 정보 또는 사용자의 움직임과 관련된 동작 정보 중 적어도 하나와 장소 정보 및 시간 정보가 포함된 학습 정보를 생성하고(S1410), 학습 정보들을 분류 및 분석하여 패턴 정보를 생성하고(S1420), 생성된 패턴 정보를 학습 엔진의 판단 기준으로 설정할 수 있다(S1430).

전자 장치(100)는 수집한 제1 사용자 상황 정보(S1440)를 학습 엔진에 적용하여 방해 금지 모드 설정을 판단한(S1450) 결과에 기반하여 방해 금지 모드를 설정할 수 있다(S1460).

전자 장치(100)는 방해 금지 모드가 설정된 이후 생체 정보 또는 동작 정보를 포함하는 제 2 사용자 상황 정보를 수집하고(S1470), 수집된 제 2 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드 해제를 판단한(S1480)한 결과에 기반하여 방해 금지 모드를 해제할 수 있다(S1490).

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. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

한편, 상기 프로그램은 본 개시를 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 개시의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 개시에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 개시에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다. 본 개시에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 개시를 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 개시의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 폼 팩터(form factor)에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 개시의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 개시의 사상의 범주에 속한다고 할 것이다.

100: 전자 장치
200: 인공 신경망 학습 장치, 서버 장치
310: AP (Access Point)
320: 위성
330: 기지국, 중계기
340: 스마트 워치
350: 스마트 이어폰

Claims

전자 장치에서 수행되는 장치 제어 방법으로서,
전자 장치의 센서, 통신 모듈 및 메모리에 저장된 데이터 중 적어도 하나로부터 시간 정보 및 장소 정보가 포함된 사용자 상황 정보를 수집하는 단계;
상기 사용자 상황 정보를 학습 엔진에 적용하여, 방해 금지 모드의 추천을 결정하는 단계; 및
방해 금지 모드 추천 결정에 기반하여, 방해 금지 모드를 설정 가능한 사용자 인터페이스를 디스플레이에 표시하는 단계를 포함하는,
장치 제어 방법.
제 1 항에 있어서,
사용자 상황 정보를 수집하는 단계 이전에,
상기 전자 장치가 미리 설정된 기준 시간 동안 동일한 장소에 위치하는지 판단하는 단계;
동일한 장소에 위치하는지 판단한 결과에 기반하여, 시간 정보 및 장소 정보가 포함된 학습 정보를 생성하는 단계;
상기 학습 정보의 반복성을 판단하는 단계;
상기 학습 정보의 반복성 판단 결과에 기반하여 패턴 정보를 생성하는 단계; 및
상기 패턴 정보를 상기 학습 엔진의 판단 기준으로 설정하는 단계를 더 포함하는,
장치 제어 방법.
제 1 항에 있어서,
사용자 상황 정보를 수집하는 단계는 상기 전자 장치와 연결된 디바이스로부터 생체 정보를 수신하는 단계를 더 포함하고,
방해 금지 모드의 추천을 결정하는 단계는 상기 생체 정보가 포함된 상기 사용자 상황 정보를 상기 학습 엔진에 적용하는 단계를 더 포함하는,
장치 제어 방법.
제 1 항에 있어서,
사용자 상황 정보를 수집하는 단계는 상기 전자 장치와 연결된 디바이스 또는 상기 센서로부터 사용자의 움직임과 관련된 동작 정보를 수집하는 단계를 더 포함하고,
방해 금지 모드의 추천을 결정하는 단계는 상기 동작 정보가 포함된 상기 사용자 상황 정보를 상기 학습 엔진에 적용하는 단계를 더 포함하는,
장치 제어 방법.
제 2 항에 있어서,
사용자 인터페이스를 디스플레이에 표시하는 단계 이후에,
사용자로부터 방해 금지 모드를 설정하기 위한 입력을 수신하는 단계; 및
상기 디스플레이에 방해 금지 모드 해제 조건을 설정하기 위한 사용자 인터페이스를 표시하는 단계를 더 포함하는,
장치 제어 방법.
제 5 항에 있어서,
상기 방해 금지 모드 해제 조건은 장소에 기반한 방해 금지 모드 해제 조건을 포함하고,
방해 금지 모드 해제 조건을 설정하기 위한 사용자 인터페이스를 표시하는 단계 이후에,
수신되는 전파를 모니터링하는 단계;
상기 전파에 기반하여 장소에 기반한 방해 금지 모드 해제 조건의 달성을 판단하는 단계; 및
장소에 기반한 방해 금지 모드 해제 조건의 달성 판단 결과에 기반하여 방해 금지 모드를 해제하는 단계를 더 포함하는,
장치 제어 방법.
제 1 항에 있어서,
사용자 상황 정보를 수집하는 단계는,
메모리에 저장된 메시지 데이터 또는 일정(schedule) 데이터로부터 시간 정보 및 장소 정보를 추출하여 사용자 상황 정보를 수집하는 단계를 포함하는,
장치 제어 방법.
제 7 항에 있어서,
사용자 상황 정보를 수집하는 단계 이전에,
시간 정보 및 장소 정보에 기반하여 방해 금지 모드가 필요한 상황인지 판단하도록 미리 훈련된 머신 러닝(Machine Learning) 기반의 상기 학습 엔진을 서버 장치로부터 수신하는 단계를 더 포함하는,
장치 제어 방법.
제 8 항에 있어서,
사용자 인터페이스를 디스플레이에 표시하는 단계 이후에,
사용자의 방해 금지 모드 설정 여부를 모니터링하는 단계; 및
모니터링 결과에 기반하여 상기 학습 엔진을 재 훈련하는 단계를 더 포함하는,
장치 제어 방법.
제 9 항에 있어서,
상기 학습 엔진을 재 훈련하는 단계 이후에,
수신한 학습 모델과 재 훈련된 학습 모델의 차이와 관련된 정보를 상기 서버 장치로 전송하는 단계를 더 포함하는,
장치 제어 방법.
제 7 항에 있어서,
사용자 인터페이스를 디스플레이에 표시하는 단계 이후에,
사용자로부터 방해 금지 모드를 설정하기 위한 입력을 수신하는 단계; 및
수신되는 전파를 모니터링하는 단계;
상기 전파에 기반하여 상기 장소 정보와 관련된 장소의 이탈을 판단하는 단계; 및
상기 장소 정보와 관련된 장소의 이탈 판단 결과에 기반하여 방해 금지 모드를 해제하는 단계를 더 포함하는,
장치 제어 방법.
전자 장치에서 수행되는 장치 제어 방법으로서,
전자 장치의 센서, 통신 모듈 및 메모리에 저장된 데이터 중 적어도 하나로부터 시간 정보 및 장소 정보를 추출하고, 상기 전자 장치에 연결된 디바이스로부터 생체 정보를 수신하여 제 1 사용자 상황 정보를 수집하는 단계;
상기 제 1 사용자 상황 정보를 학습 엔진에 적용하여, 방해 금지 모드의 적용을 결정하는 단계; 및
방해 금지 모드 적용 결정에 기반하여, 상기 전자 장치가 방해 금지 모드를 설정하는 단계를 포함하는,
장치 제어 방법.
제 12 항에 있어서,
상기 제 1 사용자 상황 정보를 수집하는 단계 이전에,
상기 전자 장치가 미리 설정된 기준 시간동안 동일한 장소에 위치한 경우, 시간 정보, 장소 정보 및 생체 정보가 포함된 학습 정보를 생성하는 단계; 및
상기 학습 정보가 미리 설정된 기준 이상의 반복성을 가진 것으로 판단하는 경우, 상기 학습 정보에 기반하여 패턴 정보를 생성하는 단계;
상기 패턴 정보를 상기 학습 엔진의 판단 기준으로 설정하는 단계를 더 포함하는,
장치 제어 방법.
제 13 항에 있어서,
제 1 사용자 상황 정보를 수집하는 단계는 상기 전자 장치와 연결된 디바이스 또는 상기 전자 장치에 장착된 센서로부터 사용자의 움직임과 관련된 동작 정보를 수집하는 단계를 더 포함하고,
방해 금지 모드의 적용을 결정하는 단계는 상기 동작 정보가 포함된 상기 제 1 사용자 상황 정보를 상기 학습 엔진에 적용하는 단계를 더 포함하는,
장치 제어 방법.
제 14 항에 있어서,
방해 금지 모드를 설정하는 단계 이후에,
상기 연결된 디바이스로부터 생체 정보를 수신하고, 상기 연결된 디바이스 또는 상기 전자 장치에 장착된 센서로부터 사용자의 움직임과 관련된 동작 정보를 수집하여 제 2 사용자 상황 정보를 수집하는 단계;
상기 제 2 사용자 상황 정보를 학습 엔진에 적용하여, 방해 금지 모드의 해제를 결정하는 단계; 및
방해 금지 모드 해제 결정에 기반하여, 상기 전자 장치가 방해 금지 모드를 해제하는 단계를 포함하는,
장치 제어 방법.
전자 장치에 의하여,
제 1 항 내지 제 15 항 중 어느 한 항의 장치 제어 방법을 실행하도록 구성된 적어도 하나의 프로그램이 기록된,
컴퓨터로 판독 가능한 기록매체.
전자 장치로서,
프로세서;
상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 명령어 및 학습 모델의 파라미터가 저장되는 메모리;
물리적 정보를 감지하는 적어도 하나 이상의 센서;
통신 모듈; 및
사용자 인터페이스를 표시하는 디스플레이를 포함하고,
상기 프로세서는,
상기 센서, 상기 통신 모듈 및 상기 메모리에 저장된 데이터 중 적어도 하나로부터 시간 정보 및 장소 정보가 포함된 사용자 상황 정보를 생성하고, 상기 사용자 상황 정보를 학습 엔진에 적용하여 방해 금지 모드의 추천을 결정하고, 방해 금지 모드 추천 결정에 기반하여 방해 금지 모드를 설정 가능한 사용자 인터페이스를 상기 디스플레이에 표시하도록 구성된,
전자 장치.
제 17 항에 있어서,
상기 프로세서는,
상기 전자 장치가 미리 설정된 기준 시간 동안 동일한 장소에 위치하는지 판단한 결과에 기반하여 시간 정보 및 장소 정보가 포함된 학습 정보를 생성하고, 상기 학습 정보의 반복성 판단 결과에 기반하여 생성한 패턴 정보를 상기 학습 엔진의 판단 기준으로 설정하도록 구성된,
전자 장치.
제 18 항에 있어서,
상기 프로세서는,
전자 장치와 연결된 디바이스로부터 상기 통신 모듈을 통해 수신한 생체 정보를 더 포함하여 상기 사용자 상황 정보를 생성하고, 상기 생체 정보가 포함된 상기 사용자 상황 정보를 상기 학습 엔진에 적용하여 방해 금지 모드의 추천을 결정하도록 구성된,
전자 장치.
제 19 항에 있어서,
상기 프로세서는,
상기 전자 장치와 연결된 디바이스로부터 수신하거나 또는 상기 센서로부터 수집된 사용자의 움직임과 관련된 동작 정보를 포함하여 상기 사용자 상황 정보를 생성하고, 상기 동작 정보가 포함된 상기 사용자 상황 정보를 상기 학습 엔진에 적용하여 방해 금지 모드의 추천을 결정하도록 구성된,
전자 장치.
제 18 항에 있어서,
상기 프로세서는,
방해 금지 모드를 설정하기 위한 사용자 입력에 기반하여, 상기 디스플레이에 방해 금지 모드 해제 조건을 설정하기 위한 사용자 인터페이스를 더 표시하도록 구성된,
전자 장치.
제 21 항에 있어서,
상기 방해 금지 모드 해제 조건은 장소에 기반한 방해 금지 모드 해제 조건을 포함하고,
상기 프로세서는,
방해 금지 모드 해제 조건의 설정에 기반하여 전자 장치 주변의 전파를 모니터링하고, 상기 전파에 기반하여 장소에 기반한 방해 금지 모드 해제 조건의 달성을 판단하도록 구성된,
전자 장치.
제 17 항에 있어서,
상기 프로세서는 상기 메모리에 저장된 메시지 데이터 또는 일정(schedule) 데이터로부터 시간 정보 및 장소 정보를 추출하여 사용자 상황 정보를 생성하고,
상기 통신 모듈은 시간 정보 및 장소 정보에 기반하여 방해 금지 모드가 필요한 상황인지 판단하도록 미리 훈련된 머신 러닝(Machine Learning) 기반의 상기 학습 엔진을 서버 장치로부터 수신하는,
전자 장치.
제 23 항에 있어서,
상기 프로세서는,
사용자의 방해 금지 모드 설정 여부를 모니터링한 결과에 기반하여 상기 학습 엔진을 재 훈련하도록 구성된,
전자 장치.
제 21 항에 있어서,
상기 프로세서는,
방해 금지 모드를 설정하기 위한 사용자 입력에 기반하여 전자 장치 주변의 전파를 모니터링하고, 상기 전파에 기반하여 상기 장소 정보와 관련된 장소의 이탈을 판단한 결과에 기반하여 방해 금지 모드를 해제하도록 구성된,
전자 장치.