KR20190117856A - 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법 - Google Patents

사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법 Download PDF

Info

Publication number
KR20190117856A
KR20190117856A KR1020180036016A KR20180036016A KR20190117856A KR 20190117856 A KR20190117856 A KR 20190117856A KR 1020180036016 A KR1020180036016 A KR 1020180036016A KR 20180036016 A KR20180036016 A KR 20180036016A KR 20190117856 A KR20190117856 A KR 20190117856A
Authority
KR
South Korea
Prior art keywords
user
information
electronic device
interactive electronic
conversation
Prior art date
Application number
KR1020180036016A
Other languages
English (en)
Other versions
KR102185369B1 (ko
Inventor
김미영
권무식
김종현
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180036016A priority Critical patent/KR102185369B1/ko
Priority to PCT/KR2019/003670 priority patent/WO2019190243A1/ko
Priority to US16/979,091 priority patent/US20210004702A1/en
Publication of KR20190117856A publication Critical patent/KR20190117856A/ko
Application granted granted Critical
Publication of KR102185369B1 publication Critical patent/KR102185369B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90332—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • User Interface Of Digital Computer (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다.
제 1 사용자의 제 1 대화형 전자 장치가 상기 제 1 사용자와의 대화를 위한 정보를 생성하는 방법은, 제 2 사용자와 제 2 대화형 전자 장치 간의 대화 정보를 상기 제 2 대화형 전자 장치로부터 수신하는 단계; 및 상기 제 2 대화형 전자 장치로부터 제공된 대화 정보를 제 1 인공 지능 학습 모델에 적용함으로써, 상기 제 1 사용자에게 제공할 대화 정보를 생성하는 단계;를 포함한다. 상기 대화 정보 생성 방법의 적어도 일부는 규칙 기반 모델 또는, 기계학습, 신경망 또는 딥러닝 알고리즘 중 적어도 하나에 따라 학습된 인공 지능 모델을 이용할 수 있다.

Description

사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법{SYSTEM AND MEHTOD FOR GENERATING INFORMATION FOR CONVERSATION WITH USER}
본 개시는 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법에 관한 것으로서, 보다 상세하게는 대화형 전자 장치가 사용자와의 대화를 위한 정보를 생성하도록 하는 시스템 및 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
또한, 이러한 인공지능 기술의 발달로 인하여, 복수의 사용자의 대화 정보를 활용하여 특정 사용자와의 대화를 위한 정보를 효과적으로 생성할 수 있는 기술이 요구되고 있다.
일부 실시예는, 대화형 전자 장치가 사용자와 대화를 수행하기 위하여, 다른 대화형 전자 장치와 다른 사용자 간의 대화 정보를 이용할 수 있도록 하는, 대화 정보 생성 시스템 및 방법을 제공할 수 있다.
또한, 일부 실시예는, 대화형 전자 장치가 사용자와 다른 사용자 간의 관계에 기초하여, 다른 대화형 전자 장치와 송수신되는 데이터를 필터링할 수 있도록 하는, 대화 정보 생성 시스템 및 방법을 제공할 수 있다.
대화형 전자 장치가 사용자와 대화를 수행하기 위하여, 복수의 인공 지능 학습 모델 및 복수의 DB를 활용할 수 있도록 하는, 대화 정보 생성 시스템 및 방법을 제공할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제 1 측면은, 제 2 사용자의 제 2 대화형 전자 장치를 등록하는 단계; 상기 제 2 사용자와 상기 제 2 대화형 전자 장치 간의 대화 정보를 상기 제 2 대화형 전자 장치로부터 수신하는 단계; 및 상기 제 2 대화형 전자 장치로부터 제공된 대화 정보를 제 1 인공 지능 학습 모델에 적용함으로써, 상기 제 1 사용자에게 제공할 대화 정보를 생성하는 단계;를 포함하며, 상기 제 2 대화형 전자 장치로부터 제공된 대화 정보는, 상기 제 2 대화형 전자 장치 내의 제 2 인공 지능 학습 모델을 이용하여 상기 제 2 대화형 전자 장치에 의해 생성된 것인, 제 1 사용자의 제 1 대화형 전자 장치가 상기 제 1 사용자와의 대화를 위한 정보를 생성하는 방법을 제공할 수 있다.
또한, 본 개시의 제2 측면은, 제2 대화형 전자 장치와 통신하는 통신부; 적어도 하나의 인스트럭션을 저장하는 메모리; 상기 제1 대화형 전자 장치가 상기 제1 사용자에게 제공할 대화 정보를 생성하도록 하는 적어도 하나의 프로세서;를 포함하며, 상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써, 제 2 사용자의 상기 제 2 대화형 전자 장치를 등록하는 동작; 상기 제 2 사용자와 상기 제 2 대화형 전자 장치 간의 대화 정보를 상기 제 2 대화형 전자 장치로부터 수신하는 동작; 및 상기 제 2 대화형 전자 장치로부터 제공된 대화 정보를 제 1 인공 지능 학습 모델에 적용함으로써, 상기 제 1 사용자에게 제공할 대화 정보를 생성하는 동작;를 수행하며, 상기 제 2 대화형 전자 장치로부터 제공된 대화 정보는, 상기 제 2 대화형 전자 장치 내의 제 2 인공 지능 학습 모델을 이용하여 상기 제 2 대화형 전자 장치에 의해 생성된 것인, 제1 대화형 전자 장치를 제공할 수 있다.
또한, 본 개시의 제3 측면은, 제 1 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
도 1은 일부 실시예에 따른 대화형 전자 장치를 이용하여 사용자와의 대화를 위한 정보를 생성하는 시스템의 예시를 나타내는 도면이다.
도 2는 일부 실시예에 따른, 제1 대화형 전자 장치가 제1 사용자와의 대화를 위한 대화 정보를 생성하는 방법의 흐름도이다.
도 3은 일부 실시예에 따른 제1 대화형 전자 장치가 제1 사용자의 대화 정보 및 제2 사용자의 대화 정보를 활용하여 제1 사용자와 대화를 수행하고, 제2 대화형 전자 장치(3000)에게 제1 사용자의 대화 정보를 제공하는 방법의 흐름도이다.
도 4는 일부 실시예에 따른 사용자들 간의 관계 및 정보 공유 레벨의 예시를 나타내는 테이블이다.
도 5는 일부 실시예에 따른 제1 대화형 전자 장치가 제1 사용자에 관련된 정보를 획득하는 방법의 흐름도이다.
도 6은 일부 실시예에 따른, 제1 대화형 전자 장치가 제1 사용자에 관련된 정보를 실시간으로 획득하여 이용하는 방법의 흐름도이다.
도 7은 일부 실시예에 따른 제1 대화형 전자 장치가 대화형 학습 모델을 이용함으로써 제1 사용자에게 제공할 대화 정보를 생성하는 방법의 흐름도이다.
도 8은 일부 실시예에 따른 제1 대화형 전자 장치가 복수의 대화형 학습 모델을 이용하여 제1 사용자에게 대화 정보를 제공하는 방법의 흐름도이다.
도 9는 일부 실시예에 따른 제1 대화형 전자 장치가 제1 사용자와의 대화를 위해 이용하는 DB에 관련된 테이블의 일례이다.
도 10 및 도 11은 일부 실시예에 따른 제1 대화형 전자 장치가 제2 대화형 전자 장치로부터 수신되는 정보를 이용하여 제1 사용자와 대화를 수행하는 예시를 나타내는 도면이다.
도 12 및 도 13은 일부 실시예에 따른 제 1 대화형 전자 장치의 블록도이다.
도 14는 일부 실시예에 따른 프로세서의 블록도이다.
도 15는 일부 실시예에 따른 데이터 학습부의 블록도이다.
도 16은 일부 실시예에 따른 데이터 인식부의 블록도이다.
도 17은 일부 실시예에 따른 제1 대화형 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일부 실시예에 따른 대화형 전자 장치를 이용하여 사용자와의 대화를 위한 정보를 생성하는 시스템의 예시를 나타내는 도면이다.
도 1을 참조하면, 사용자와의 대화를 위한 정보를 생성하는 시스템에서, 제1 대화형 전자 장치(1000)는 제1 사용자와 대화를 수행할 수 있으며, 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)와 대화 정보를 공유함으로써 제1 사용자에게 적합한 대화 정보를 생성하고 출력할 수 있다.
제1 대화형 전자 장치(1000)는 제1 사용자의 전자 장치일 수 있으며, 제1 사용자의 복수의 디바이스들과 통신을 수행하고, 제1 사용자와의 대화를 위한 대화 정보를 생성하는데 필요한 정보를 복수의 디바이스들로부터 획득할 수 있다. 예를 들어, 사용자의 복수의 디바이스들은 가전 기기, 모바일 디바이스 및 센싱 장치를 포함할 수 있으나, 이에 제한되지 않는다. 또한, 제1 대화형 전자 장치(1000)는 제1 사용자가 이용하는 서비스를 제공하는 서버(미도시)로부터, 사용자의 서비스 이용 이력에 관련된 정보를 획득할 수도 있다.
제1 대화형 전자 장치(1000)는 제1 사용자와 제2 사용자 간의 관계에 기초하여 제2 사용자의 제2 대화형 전자 장치(3000)로부터 대화 정보를 수신할 수 있다. 또한, 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)로부터 수신된 대화 정보, 제1 사용자의 대화 정보 및 복수의 디바이스들로부터 수신된 정보를 인공 지능 학습 모델에 적용함으로써, 제1 사용자에게 적합한 대화 내용을 가지는 대화 정보를 생성할 수 있다.
제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)외의 다른 대화형 전자 장치들과 대화 정보를 공유할 수 있다. 이 경우, 제1 대화형 전자 장치(1000)는 사용자들 간의 관계에 기초하여 제2 대화형 전자 장치 및 다른 대화형 전자 장치들과 대화 정보를 공유할 수 있다.
제1 대화형 전자 장치(1000)는 대화형 로봇 장치, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 제1 대화형 전자 장치(1000)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 그러나, 이에 제한되지 않으며, 제1 대화형 전자 장치(1000)는 네트워크를 통하여 제2 대화형 전자 장치(3000)로부터 정보를 수신할 수 있는 모든 종류의 기기를 포함할 수 있다.
도 1의 구성 주체들은, 적어도 하나의 네트워크를 통하여 서로 데이터를 송수신할 수 있다. 예를 들어, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함할 수 있으며, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 또한, 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
도 2는 일부 실시예에 따른, 제1 대화형 전자 장치가 제1 사용자와의 대화를 위한 대화 정보를 생성하는 방법의 흐름도이다.
동작 S200에서 제1 대화형 전자 장치(1000)는 제1 사용자와 제2 사용자 간의 관계를 등록할 수 있다. 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)와 정보를 서로 공유할 수 있으며, 이를 위하여 제1 사용자와 제2 사용자 간의 관계를 등록할 수 있다.
제1 대화형 전자 장치(1000)는 제1 사용자와 제2 사용자 간의 친밀도에 기초하여 제1 사용자와 제2 사용자 간의 관계를 결정할 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자와 제2 사용자 간의 대화 내용, 대화 횟수, 통화 빈도 등을 분석함으로써 제1 사용자와 제2 사용자 간의 관계를 결정할 수 있다. 그러나, 이에 제한되지 않으며, 제1 대화형 전자 장치(1000)는 사용자 입력에 기초하여 제1 사용자와 제2 사용자 간의 관계를 결정할 수도 있다. 예를 들어, 제1 사용자와 제2 사용자 간의 관계는, 가족 관계, 친구 관계, 직장 동료 관계 및 지인 관계를 포함할 수 있으나, 이에 제한되지 않는다.
또한, 제1 대화형 전자 장치(1000)는 제2 사용자외의 다른 사용자들과의 관계도 설정할 수 있다. 제1 대화형 전자 장치(1000)는, 예를 들어, 제2 사용자 및 다른 사용자들 중 적어도 일부를 그룹핑함으로써, 제1 사용자와의 관계를 설정할 수 있다.
동작 S210에서 제1 대화형 전자 장치(1000)는 제2 사용자의 제2 대화형 전자 장치(3000)를 등록할 수 있으며, 동작 S220에서 제1 대화형 전자 장치(1000)는 제1 사용자와 제2 사용자 간의 정보 공유 레벨을 설정할 수 있다. 제1 대화형 전자 장치(1000)는 제2 사용자의 사용자 ID 및 제2 대화형 전자 장치(3000)의 장치 ID를 등록하고, 제1 사용자와 제2 사용자 간에 공유될 정보의 정보 공유 레벨을 설정할 수 있다. 또한, 설정된 정보 공유 레벨에 따라, 제1 대화형 전자 장치(1000) 및 제2 대화형 전자 장치(3000) 간에 공유될 정보가 결정될 수 있다.
제1 사용자와 제2 사용자 간의 정보 공유 레벨은, 제2 사용자로부터 제1 사용자에게 제공되는 정보의 공유 레벨, 및 제1 사용자로부터 제2 사용자에게 제공될 정보의 공유 레벨을 포함할 수 있다. 또한, 제2 사용자로부터 제1 사용자에게 제공되는 정보의 공유 레벨, 및 제1 사용자로부터 제2 사용자에게 제공될 정보의 공유 레벨 중 적어도 하나가, 제1 대화형 전자 장치(1000)에 의해 설정될 수 있다.
정보 공유 레벨은, 제1 사용자와 제2 사용자 간의 관계에 기초하여 설정될 수 있으나, 이에 제한되지 않는다. 정보 공유 레벨은 사용자 입력에 의해 설정될 수도 있다. 또한, 정보 공유 레벨에 기초하여, 제2 대화형 전자 장치(3000)로부터 제1 대화형 전자 장치(1000)에게 제공될 정보의 종류 및 제1 대화형 전자 장치(1000)로부터 제2 대화형 전자 장치(3000)에게 제공될 정보의 종류가 결정될 수 있다. 제2 대화형 전자 장치(3000)로부터 제1 대화형 전자 장치(1000)에게 제공될 정보의 종류 및 제1 대화형 전자 장치(1000)로부터 제2 대화형 전자 장치(3000)에게 제공될 정보의 종류는 서로 동일하거나 상이할 수 있다.
동작 S230에서 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)와 제2 사용자 간의 대화 정보를 제2 대화형 전자 장치(3000)로부터 수신할 수 있다. 제2 대화형 전자 장치(3000)는, 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 기초하여, 제2 대화형 전자 장치(3000)와 제2 사용자 간의 대화 정보 중 일부를 선택하고, 선택된 정보를 제1 대화형 전자 장치에게 제공할 수 있다. 이 경우, 제1 대화형 전자 장치(1000)는 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 관한 정보를 제2 대화형 전자 장치(3000)에게 제공하면서, 제2 대화형 전자 장치(3000)에게 대화 정보를 제공해 줄 것을 요청할 수 있다. 또는, 제1 사용자와 제2 사용자 간의 정보 공유 레벨이 제2 대화형 전자 장치(3000)에 설정되어 있으며, 제2 대화형 전자 장치(3000)가 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 기초하여, 기설정된 시점에 제1 대화형 전자 장치(3000)에게 대화 정보를 제공할 수 있다. 또는, 제2 대화형 전자 장치(3000)가 제1 대화형 전자 장치(1000)에게 제2 대화형 전자 장치(3000)와 제2 사용자 간의 대화 정보를 제공하고, 제1 대화형 전자 장치(1000)가 수신된 대화 정보 중 일부를 정보 공유 레벨에 기초하여 필터링할 수도 있다.
제1 대화형 전자 장치(1000)는 제2 사용자의 대화 정보 이외에도 제2 대화형 전자 장치(3000)에서 제2 사용자와 관련하여 획득된 여러 정보를 제2 대화형 전자 장치(3000)로부터 수신할 수 있다.
동작 S240에서 제1 대화형 전자 장치(1000)는 제2 사용자의 대화 정보를 인공 지능 학습 모델에 적용함으로써 제1 사용자에게 제공할 대화 정보를 생성할 수 있다. 인공 지능 학습 모델은, 사용자와의 대화를 위하여 학습된 학습 모델일 수 있으며, 기계학습 알고리즘, 신경망 알고리즘, 유전자 알고리즘, 딥러닝 알고리즘, 분류 알고리즘 중 적어도 하나의 인공 지능 알고리즘을 이용하여 학습된 학습 모델일 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자의 음성 입력을 제1 대화형 전자 장치(1000)에서 획득된 제1 사용자에 관련된 정보 및 제2 사용자의 대화 정보와 함께 인공 지능 학습 모델에 입력함으로써, 제1 사용자와의 대화를 위한 대화 정보를 생성할 수 있다.
도 3은 일부 실시예에 따른 제1 대화형 전자 장치가 제1 사용자의 대화 정보 및 제2 사용자의 대화 정보를 활용하여 제1 사용자와 대화를 수행하고, 제2 대화형 전자 장치(3000)에게 제1 사용자의 대화 정보를 제공하는 방법의 흐름도이다.
동작 S300에서 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)를 등록할 수 있다. 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)를 등록하면서, 제2 사용자를 등록하고, 제2 사용자에게 제공할 정보의 정보 공유 레벨을 설정할 수 있다.
동작 S305에서 제1 대화형 전자 장치(1000)는 제2 사용자의 정보 공유 레벨을 식별할 수 있다. 제2 사용자의 정보 공유 레벨은 제1 사용자가 제2 사용자에게 제공할 정보의 공유 레벨일 수 있다.
동작 S310에서 제1 대화형 전자 장치(1000)는 제1 사용자와의 대화 정보를 수집할 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자와 대화를 수행하는 전자 장치로서, 제1 사용자와의 대화 도중에 실시간으로 제1 사용자의 대화 정보를 수집할 수 있다. 제1 사용자와의 대화 정보는, 예를 들어, 제1 대화형 전자 장치(1000)로부터 출력된 대화 내용, 제1 사용자로부터 입력된 대화 내용, 및 제1 대화형 전자 장치(1000)와 제1 사용자 간의 대화 시간에 관한 정보를 포함할 수 있다.
동작 S315에서 제1 대화형 전자 장치(1000)는 제1 사용자의 컨텍스트 정보를 수집할 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자의 디바이스 및 제1 사용자가 가입된 서비스를 제공하는 서버로부터 제1 사용자의 컨텍스트 정보를 획득할 수 있다.
컨텍스트 정보는, 사용자의 디바이스의 주변 환경 정보, 디바이스의 상태 정보, 사용자의 상태 정보, 사용자의 디바이스 사용 이력 정보 및 사용자의 일정 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 디바이스의 주변 환경 정보는, 디바이스로부터 소정 반경 내의 환경 정보를 의미하는 것으로서, 예를 들어, 날씨 정보, 온도 정보, 습도 정보, 조도 정보, 소음 정보, 소리 정보, 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 디바이스 주변 환경 정보는, 디바이스 주변에 위치한 다른 사용자들을 식별하기 위한 정보를 포함할 수 있다. 디바이스의 상태 정보는, 디바이스의 동작 모드 정보(예컨대, 소리 모드, 진동 모드, 무음 모드, 절전 모드, 차단 모드, 멀티 윈도우 모드, 자동 회전 모드 등), 위치 정보, 시간 정보, 통신 모듈의 활성화 정보(예컨대, Wi-Fi ON / Bluetooth OFF / GPS ON/ NFC ON 등), 디바이스의 네트워크 접속 상태 정보, 디바이스에서 실행되는 애플리케이션 정보(예컨대, 애플리케이션의 식별 정보, 애플리케이션 종류, 애플리케이션 이용 시간, 애플리케이션 이용 주기) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 사용자의 디바이스에는 제1 대화형 전자 장치(1000)도 포함될 수 있다.
사용자의 상태 정보는 사용자의 움직임, 생활 패턴 등에 관한 정보로서, 사용자의 걷는 상태, 운동하는 상태, 운전 중인 상태, 수면 상태, 사용자의 기분 상태 등에 관한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다. 사용자의 디바이스 사용 이력 정보는, 사용자가 디바이스를 사용한 이력에 관한 정보로서, 애플리케이션의 실행 이력, 애플리케이션에서 실행된 기능의 이력, 디바이스의 위치 이력, 사용자의 통화 내역, 및 사용자의 문자 내역 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
또한, 제1 대화형 전자 장치(1000)는 제1 대화형 전자 장치(1000)에 구비된 촬영 장치 및 센서를 이용하여 사용자를 모니터링함으로써, 사용자의 컨텍스트 정보를 획득할 수 있다. 예를 들어, 제1 대화형 전자 장치(1000)는 카메라를 이용하여 제1 대화형 전자 장치(1000) 주변의 사용자를 촬영할 수 있으며, 촬영된 사용자의 움직임, 제스처 및 표정을 분석함으로써, 사용자의 움직임, 제스처 및 표정을 나타내는 정보를 생성할 수 있다.
동작 S320에서 제2 대화형 전자 장치(3000)는 제1 대화형 전자 장치(1000)를 등록할 수 있으며, 동작 S325에서 제2 대화형 전자 장치(3000)는 제1 사용자의 정보 공유 레벨을 식별할 수 있다. 제1 사용자의 정보 공유 레벨은 제2 사용자가 제1 사용자에게 제공할 정보의 공유 레벨일 수 있다. 제1 사용자의 정보 공유 레벨은 제2 사용자의 정보 공유 레벨과 동일 또는 상이할 수 있다.
동작 S330에서 제2 대화형 전자 장치(3000)는 제2 사용자와의 대화 정보를 수집할 수 있으며, 동작 S335에서 제2 대화형 전자 장치(3000)는 제2 사용자의 컨텍스트 정보를 수집할 수 있다. 제2 대화형 전자 장치(3000)는 제2 대화형 전자 장치(3000) 내의 인공 지능 학습 모델을 이용하여 제2 사용자와 대화를 수행할 수 있으며, 제2 사용자와의 대화 도중에 제2 사용자와의 대화 정보를 실시간으로 수집할 수 있다.
동작 S340에서 제1 대화형 전자 장치(1000)는 제1 사용자의 대화 정보 및 제1 사용자의 컨텍스트 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 기초하여, 제1 사용자의 대화 정보의 적어도 일부 및 제1 사용자의 컨텍스트 정보 중 적어도 일부를 선택하고, 선택된 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자의 대화 정보 및 제1 사용자의 컨텍스트 정보를 직접 또는 서버(미도시)를 경유하여 제2 대화형 전자 장치(3000)에게 제공할 수 있다.
동작 S345에서 제2 대화형 전자 장치(3000)는 제2 사용자의 대화 정보 및 제2 사용자의 컨텍스트 정보를 제1 대화형 전자 장치(1000)에게 제공할 수 있다. 제2 대화형 전자 장치(3000)는 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 기초하여, 제2 사용자의 대화 정보의 적어도 일부 및 제2 사용자의 컨텍스트 정보 중 적어도 일부를 선택하고, 선택된 정보를 제1 대화형 전자 장치(1000)에게 제공할 수 있다. 제2 대화형 전자 장치(3000)는 제2 사용자의 대화 정보 및 제2 사용자의 컨텍스트 정보를 직접 또는 서버(미도시)를 경유하여 제2 대화형 전자 장치(3000)에게 제공할 수 있다.
동작 S350에서 제1 대화형 전자 장치(1000)는 획득된 정보들을 대화형 학습 모델에 적용할 수 있다. 대화형 학습 모델은 사용자와의 대화를 위하여 학습된 인공 지능 학습 모델일 수 있으며, 기계학습 알고리즘, 신경망 알고리즘, 유전자 알고리즘, 딥러닝 알고리즘, 분류 알고리즘 중 적어도 하나의 인공 지능 알고리즘을 이용하여 학습된 모델일 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자의 음성 입력을 제1 사용자의 대화 정보, 제1 사용자의 컨텍스트 정보 및 제2 사용자의 대화 정보 및 제2 사용자의 컨텍스트 정보와 함께 대화형 학습 모델에 입력함으로써, 제1 사용자와의 대화를 위한 대화 정보를 생성할 수 있다. 제1 대화형 전자 장치가 이용하는 대화형 학습 모델은 제1 대화형 전자 장치(1000) 내에서 존재하거나 대화 서비스를 제공하는 서버(미도시) 내에 존재할 수 있다.
동작 S355에서 제1 대화형 전자 장치(1000)는 제1 사용자와의 대화를 수행할 수 있다. 제1 대화형 전자 장치(1000)는 생성된 대화 정보를 이용하여 제1 사용자와 대화를 수행할 수 있다. 제1 대화형 전자 장치(1000)는 생성된 대화 정보를 음성 또는 텍스트로 변환하고, 변환된 음성 또는 텍스트를 제1 대화형 전자 장치(1000)의 출력 장치를 통하여 출력할 수 있다.
동작 S360에서 제2 대화형 전자 장치(3000)는 획득된 정보들을 대화형 학습 모델에 적용할 수 있으며, 동작 S365에서 제2 대화형 전자 장치(3000)는 제2 사용자와의 대화를 수행할 수 있다. 제2 대화형 전자 장치가 이용하는 대화형 학습 모델은 제2 대화형 전자 장치(3000) 내에서 존재하거나 대화 서비스를 제공하는 서버(미도시) 내에 존재할 수 있다.
동작 S370에서 제1 대화형 전자 장치(1000)는 제1 사용자의 대화 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다. 제1 대화형 전자 장치(1000)는 동작 S355에서의 대화 내용을 나타내는 제1 사용자의 대화 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다.
동작 S375에서 제2 대화형 전자 장치(3000)는 제2 사용자의 대화 정보를 제1 대화형 전자 장치(1000)에게 제공할 수 있다. 제2 대화형 전자 장치(3000)는 동작 S365에서의 대화 내용을 나타내는 제2 사용자의 대화 정보를 제1 대화형 전자 장치(1000)에게 제공할 수 있다.
도 4는 일부 실시예에 따른 사용자들 간의 관계 및 정보 공유 레벨의 예시를 나타내는 테이블이다.
도 4를 참조하면, 사용자들 간의 관계 및 정보 공유 레벨의 예시를 나타내는 테이블(4)는, 사용자 ID 필드(40), 그룹 필드(42), 정보 공유 레벨 필드(44), 및 공유 정보 필드(46)를 포함할 수 있다.
사용자 ID 필드(40)에는 사용자의 ID가 기록될 수 있다. 사용자 ID는 본 개시의 일부 실시예에 따른 대화 서비스를 이용하기 위한 사용자 ID일 수 있다.
그룹 필드(42)에는 사용자들이 속한 그룹의 식별 값이 기록될 수 있으며, 정보 공유 레벨 필드(44)는 공유될 정보의 정보 공유 레벨 값이 기록될 수 있다. 제1 사용자는 다른 사용자들을 그룹핑하고, 그룹 별로 정보 공유 레벨을 설정할 수 있으나, 이에 제한되지 않는다. 제1 사용자는 사용자 별로 정보 공유 레벨을 설정할 수도 있다. 또한, 사용자 그룹 및 정보 공유 레벨은 소정의 인공 지능 학습 모델에 의해 자동적으로 설정될 수도 있다.
공유 정보 필드(46)에는 공유될 정보의 종류가 기록될 수 있다. 정보 공유 레벨 별로 사용자들 간에 공유될 정보의 종류가 각각 설정될 수 있다. 공유될 정보의 종류는, 사용자 입력에 의해 또는 소정의 인공 지능 학습 모델에 의해 설정될 수 있다.
도 5는 일부 실시예에 따른 제1 대화형 전자 장치가 제1 사용자에 관련된 정보를 획득하는 방법의 흐름도이다.
동작 S500에서 제1 대화형 전자 장치(1000)는 제1 사용자와의 대화 정보를 획득할 수 있다. 제1 대화형 전자 장치(1000)는 대화형 학습 모델을 이용하여 제1 사용자와 대화를 수행할 수 있으며, 제1 사용자와의 대화 내용을 나타내는 대화 정보를 실시간으로 수집할 수 있다.
동작 S510에서 제1 대화형 전자 장치(1000)는 제1 사용자의 디바이스 사용 정보를 획득할 수 있다. 제1 사용자는 가전 기기 및 모바일 디바이스 등을 사용할 수 있으며, 제1 대화형 전자 장치(1000)는 디바이스 사용 정보를 가전 기기 및 모바일 디바이스 등으로부터 실시간으로 또는 기설정된 주기로 수신할 수 있다.
동작 S520에서 제1 대화형 전자 장치(1000)는 제1 사용자의 디바이스 상태 정보를 획득할 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자의 가전 기기 및 모바일 디바이스 등의 현재 상태를 나타내는 디바이스 상태 정보를, 제1 대화형 전자 장치(1000)는 디바이스 상태 정보를 가전 기기 및 모바일 디바이스 등으로부터 실시간으로 또는 기설정된 주기로 수신할 수 있다.
동작 S530에서 제1 대화형 전자 장치(1000)는 제1 사용자의 SNS(Social Network Service) 사용 정보를 획득할 수 있다. 제1 대화형 전자 장치(1000)는, 제1 사용자가 이용하는 SNS 서버 또는 SNS 서비스를 위하여 제1 사용자가 사용한 디바이스로부터, 제1 사용자의 SNS 사용 정보를 수신할 수 있다. SNS 사용 정보는 제1 사용자가 SNS 서비스를 통하여 송수신한 메시지 데이터 및 멀티미디어 데이터를 포함할 수 있다.
동작 S540에서 제1 대화형 전자 장치(1000)는 제1 사용자의 위치 이력 정보를 획득할 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자의 모바일 디바이스로부터 위치 정보를 수신함으로써, 제1 사용자의 위치 이력 정보를 획득할 수 있다.
동작 S550에서 제1 대화형 전자 장치(1000)는 획득된 정보를, 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 기초하여 필터링할 수 있다. 제1 대화형 전자 장치(1000)는 동작 S500 내지 동작 S540에서 획득된 정보를, 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 기초하여 필터링할 수 있다.
또한, 제1 대화형 전자 장치(1000)는 필터링된 정보를 제1 대화형 전자 장치(1000) 및 제2 대화형 전자 장치(3000)가 이용할 수 있도록 기설정된 형식으로 가공할 수 있다. 제1 대화형 전자 장치(1000)는 필터링된 정보를 제1 대화형 전자 장치(1000)가 이용하는 대화형 학습 모델에 적합하도록 가공할 수 있다. 또한, 제1 대화형 전자 장치(1000)는 필터링된 정보를 제2 대화형 전자 장치(3000)가 이용하는 대화형 학습 모델에 적합하도록 가공할 수 있다. 제1 대화형 전자 장치(1000)는, 소정의 학습 모델을 이용하여, 획득된 정보를 필터링하고 가공할 수도 있다.
도 6은 일부 실시예에 따른, 제1 대화형 전자 장치가 제1 사용자에 관련된 정보를 실시간으로 획득하여 이용하는 방법의 흐름도이다.
동작 S600에서 제1 대화형 전자 장치(1000)는 제1 사용자와의 대화 정보를 실시간으로 수집하며, 동작 S610에서 제1 대화형 전자 장치(1000)는 제1 사용자의 컨텍스트 정보를 실시간으로 수집할 수 있다.
동작 S620에서 제1 대화형 전자 장치(1000)는 필터링 학습 모델을 이용하여, 수집된 정보를 필터링할 수 있다. 필터링 학습 모델은, 수집된 정보를 대화형 학습 모델에서 이용될 수 있도록 하기 위하여, 수집된 정보들 중에서 필요한 정보를 선택, 요약 또는 편집하기 위한 인공 지능 학습 모델일 수 있다.
제1 대화형 전자 장치(1000)는 제1 대화형 전자 장치(1000)의 대화형 학습 모델에 입력될 정보를 획득하기 위하여, 필터링 학습 모델을 이용할 수 있다. 제1 대화형 전자 장치(1000)는 제1 사용자와의 대화 정보 및 제1 사용자의 컨텍스트 정보를 필터링 학습 모델에 입력함으로써, 제1 사용자와의 대화 정보, 제1 사용자의 컨텍스트 정보를 필터링할 수 있다.
또한, 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)에게 제공할 정보를 획득하기 위하여 필터링 학습 모델을 이용할 수 있다. 이 경우, 제1 대화형 전자 장치(1000)는, 예를 들어, 제1 사용자와의 대화 정보, 제1 사용자의 컨텍스트 정보 및 제2 사용자의 정보 공유 레벨에 관련된 정보를 필터링 학습 모델에 입력함으로써, 제2 대화형 전자 장치(3000)에게 제공할 정보를 획득할 수 있다.
동작 S630에서 제1 대화형 전자 장치(1000)는 필터링된 정보를 기설정된 형식으로 가공할 수 있다. 제1 대화형 전자 장치(1000)는 필터링된 정보를 제1 대화형 전자 장치(1000)의 대화형 학습 모델에 적합한 형식으로 가공할 수 있다. 또한, 제1 대화형 전자 장치(1000)는 필터링된 정보를 제2 대화형 전자 장치(3000)의 대화형 학습 모델에 적합한 형식으로 가공할 수 있다.
동작 S620 및 동작 S630에서는, 수집된 정보를 필터링한 후에 기설정된 형식으로 가공하는 것으로 설명하였지만, 이에 제한되지 않는다. 수집된 정보를 필터링 학습 모델에 입력하면, 필터링 학습 모델에 의해, 수집된 정보가 필터링되면서 가공될 수 있다. 이 경우, 제1 대화형 전자 장치(1000)는, 예를 들어, 제1 사용자와의 대화 정보 및 제1 사용자의 컨텍스트 정보를 필터링 학습 모델에 입력함으로써, 제1 사용자와의 대화 정보, 제1 사용자의 컨텍스트 정보를 필터링 및 가공할 수 있다. 또한, 제1 대화형 전자 장치(1000)는, 예를 들어, 제1 사용자와의 대화 정보, 제1 사용자의 컨텍스트 정보, 제2 사용자의 정보 공유 레벨에 관련된 정보, 제2 대화형 전자 장치(3000)에 의해 이용되는 대화형 학습 모델의 식별 정보를 필터링 학습 모델에 입력함으로써, 제2 대화형 전자 장치(3000)에게 제공할 정보를 선택하고 가공할 수 있다.
동작 S640에서 제1 대화형 전자 장치(1000)는 가공된 정보를 대화형 학습 모델에 입력할 수 있다. 제1 대화형 전자 장치(1000)는 가공된 정보, 제2 사용자의 대화 정보, 제2 사용자의 컨텍스트 정보를 대화형 학습 모델에 입력할 수 있다.
동작 S650에서 제1 대화형 전자 장치(1000)는 가공된 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다. 제1 대화형 전자 장치(1000)는 가공된 정보를 실시간으로 또는 기설정된 주기로 제2 대화형 전자 장치(3000)에게 제공할 수 있다.
도 7은 일부 실시예에 따른 제1 대화형 전자 장치가 대화형 학습 모델을 이용함으로써 제1 사용자에게 제공할 대화 정보를 생성하는 방법의 흐름도이다.
동작 S700에서 제1 대화형 전자 장치(1000)는 제1 사용자의 대화 정보 및 제 2 사용자의 컨텍스트 정보를 수집할 수 있으며, 동작 S710에서 제1 대화형 전자 장치(1000)는 필터링 학습 모델을 이용함으로써, 수집된 정보를 필터링하고 기설정된 형식으로 가공할 수 있다.
동작 S720에서 제1 대화형 전자 장치(1000)는 제2 사용자의 대화 정보를 제2 대화형 전자 장치(3000)로부터 수신할 수 있다. 제1 대화형 전자 장치(1000)는 제2 사용자의 대화 정보를 실시간 또는 기 설정된 주기로 제2 대화형 전자 장치(3000)로부터 수신할 수 있다. 제1 대화형 전자 장치(1000)는 제2 사용자의 컨텍스트 정보를 제2 대화형 전자 장치(3000)로부터 수신할 수도 있다.
동작 S730에서 제1 대화형 전자 장치(1000)는 가공된 제1 사용자의 정보 및 수신된 제2 사용자의 대화 정보를 대화형 학습 모델에 적용할 수 있다. 제1 대화형 전자 장치(1000)에 의해 이용되는 대화형 학습 모델은 제1 대화형 전자 장치(1000) 내에 구현되거나 별도의 서버(미도시) 내에 구현될 수 있다.
예를 들어, 제1 대화형 전자 장치(1000)는, 제1 사용자의 대화 정보, 제1 사용자의 컨텍스트 정보, 제2 사용자의 대화 정보, 및 제 2 사용자의 컨텍스트 정보를 대화형 학습 모델에 입력할 수 있다. 또한, 제1 대화형 전자 장치(1000)는 제1 사용자와의 대화 도중에, 제1 사용자에 의해 발화되는 대화 음성을 대화형 학습 모델에 입력할 수 있다.
또한, 제1 사용자의 대화 정보, 제1 사용자의 컨텍스트 정보, 제2 사용자의 대화 정보, 및 제2 사용자의 컨텍스트 정보는 실시간으로 갱신될 수 있으며, 이 경우, 제1 대화형 전자 장치(1000)는 갱신된 정보를 대화형 학습 모델에 실시간으로 적용할 수 있다. 또한, 제1 대화형 전자 장치(1000)는 갱신된 제1 사용자의 대화 정보 및 갱신된 제1 사용자의 컨텍스트 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다.
동작 S740에서 제1 대화형 전자 장치(1000)는 주변 사용자들에 기초하여 보안 레벨을 조절할 수 있다. 제1 대화형 전자 장치(1000)는 주변 사용자들을 식별함으로써, 제1 사용자와의 대화의 보안 레벨을 조절할 수 있다. 제1 사용자의 컨텍스트 정보에는, 예를 들어, 제1 대화형 전자 장치(1000) 주변의 사용자들을 식별하기 위한 정보를 포함할 수 있다. 이 경우, 제1 대화형 전자 장치(1000)는 주변 사용자들의 식별 정보를 대화형 학습 모델에 입력할 수 있으며, 대화형 학습 모델은 주변 사용자들의 식별 정보를 고려하여, 제1 사용자에게 제공할 대화 내용 및 대화 음성의 크기 등을 결정할 수 있다.
동작 S750에서 제1 대화형 전자 장치(1000)는 제1 사용자에게 제공할 대화 정보를 출력할 수 있다. 제1 대화형 전자 장치(1000)는 대화 내용을 음성 또는 텍스트로 출력할 수 있다. 제1 대화형 전자 장치(1000)는, 주변 사용자들의 식별 정보, 및 제1 대화형 전자 장치와 제1 사용자와의 거리 등을 고려하여, 제1 사용자에게 제공할 대화 음성의 크기를 조절할 수 있다.
도 8은 일부 실시예에 따른 제1 대화형 전자 장치가 복수의 대화형 학습 모델을 이용하여 제1 사용자에게 대화 정보를 제공하는 방법의 흐름도이다.
동작 S800에서 제1 대화형 전자 장치(1000)는 제1 사용자와의 대화 정보 및 제1 사용자의 컨텍스트 정보를 수집할 수 있으며, 동작 S810에서 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)로부터 제2 사용자의 대화 정보를 수신할 수 있다.
동작 S820에서 제1 대화형 전자 장치(1000)는 복수의 대화형 학습 모델 중에서, 기설정된 대화 카테고리에 대응되는 대화형 학습 모델을 선택할 수 있다. 제1 대화형 전자 장치(1000)가 제1 사용자와의 대화를 위하여 이용할 수 있는 복수의 대화형 학습 모델이 존재할 수 있으며, 복수의 대화형 학습 모델은 복수의 대화 카테고리에 각각 대응될 수 있다. 대화 카테고리는, 예를 들어, 비즈니스 카테고리, 일상 카테고리, 가족 카테고리, 및 친구 카테고리 등을 포함할 수 있으나, 이에 제한되지 않는다. 또한, 대화형 학습 모델은, 대화형 학습 모델에 대응되는 대화 카테고리에 특화되어 학습될 수 있다.
제1 대화형 전자 장치(1000)는 제2 사용자의 그룹, 제2 사용자와의 관계, 및 제2 사용자의 정보 공유 레벨 중 적어도 하나를 고려하여, 제1 사용자와의 대화를 위하여 이용될 대화형 학습 모델을 선택할 수 있다.
동작 S830에서 제1 대화형 전자 장치(1000)는 제1 사용자의 정보 및 제2 사용자의 정보를 선택된 대화형 학습 모델에 적용할 수 있다. 제1 대화형 전자 장치(1000)는 동작 S800에서 획득된 정보 중 일부 및 동작 S810에서 획득된 정보 중 일부를 대화 카테고리에 기초하여 필터링하고, 필터링된 정보를 선택된 대화형 학습 모델에 입력할 수 있다.
동작 S840에서 제1 대화형 전자 장치(1000)는 제1 사용자에게 제공할 대화 정보를 출력할 수 있다.
도 9는 일부 실시예에 따른 제1 대화형 전자 장치가 제1 사용자와의 대화를 위해 이용하는 DB에 관련된 테이블의 일례이다.
도 9를 참조하면, 제1 대화형 전자 장치(1000)가 제1 사용자와의 대화를 위해 이용하는 DB에 관련된 테이블(9)은, 그룹 필드(90), 대화 카테고리 필드(92) 및 DB명 필드(94)를 포함할 수 있다.
그룹 필드(90)에는 제2 사용자가 속한 그룹의 식별 값이 기록될 수 있다. 그룹 필드(90)에는, 예를 들어, 친구 A, 친구 B, 비즈니스, 및 가족이 기록될 수 있으나, 이에 제한되지 않는다.
대화 카테고리 필드(92)에는, 제2 사용자의 대화 정보를 고려하여 제1 대화형 전자 장치(1000)가 제1 사용자와 대화하는 경우에, 제1 대화형 전자 장치(1000)가 선택할 대화 카테고리의 식별 값이 기록될 수 있다. 대화 카테고리 필드(92)에는, 예를 들어, 쇼핑, 일상 및 업무가 기록될 수 있으나, 이에 제한되지 않는다.
DB명 필드(94)에는, 제2 사용자의 대화 정보를 고려하여 제1 대화형 전자 장치(1000)가 제1 사용자와 대화하거나 제2 대화형 전자 장치(3000)에게 제1 사용자에 관련된 정보를 제공하는 경우에, 제1 대화형 전자 장치(1000)가 이용할 수 있는 DB의 식별 값이 기록될 수 있다.
제1 대화형 전자 장치(1000)가 이용할 수 있는 복수의 DB는 보안 레벨, 대화 카테고리, 그룹 등을 고려하여 분류될 수 있으며, 제1 사용자에 관련된 정보 및 제2 사용자에 관련된 정보는 기설정된 기준에 따라 필터링되어, 복수의 DB 중 적어도 하나에 저장될 수 있다.
도 10 및 도 11은 일부 실시예에 따른 제1 대화형 전자 장치(1000)가 제2 대화형 전자 장치(3000)로부터 수신되는 정보를 이용하여 제1 사용자와 대화를 수행하는 예시를 나타내는 도면이다.
도 10을 참조하면, 사용자 B(12)가 제2 대화형 전자 장치(3000)에게 “A 헤어샵에 일요일 오후 2시에 예약해 줘.”라고 요청 수 있으며, 제2 대화형 전자 장치(3000)는 사용자 B(12)의 요청에 응답하여, A 헤어샵에 사용자 B(12)를 예약할 수 있다. 또한, 제2 대화형 전자 장치(3000)는 사용자 B(12)에게 “일요일 오후 2시에 A 헤어샵에 예약을 완료했습니다” 라는 사운드를 출력할 수 있다. 또한, 제2 대화형 전자 장치(3000)는 사용자 B(12)와의 대화 내용을 나타내는 대화 정보를 제1 대화형 전자 장치(1000)에게 제공할 수 있다.
이후, 사용자 A(10)가 제1 대화형 전자 장치(1000)에게 “일요일 오후 3시에 제2 사용자와 영화를 볼 수 있을까?”라고 말할 수 있다. 제1 대화형 전자 장치(1000)는 제2 대화형 전자 장치(3000)로부터 수신된 사용자 B(12)의 대화 정보에 기초하여, 사용자 A(10)에게 “사용자 B가 오후 4시에 선약이 있습니다. 사용자 B와 일요일 오후 6시에 약속을 잡을까요?” 라는 사운드를 출력할 수 있다.
도 11을 참조하면, 사용자 A(10)는 제1 대화형 전자 장치(1000)에게 “사용자 B에게 3만원 이하로 먹을걸 선물하고 싶어”라고 말할 수 있으며, 제1 대화형 전자 장치(1000)는 “네, 사용자 B가 야식을 하고자 할 때, 선물하도록 하겠습니다.”라는 사운드를 출력할 수 있다. 또한, 제1 대화형 전자 장치(1000)는 사용자 A(10)와의 대화 내용을 나타내는 대화 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다.
이후, 사용자 B(12)가 제2 대화형 전자 장치(3000)에게 “후라이드 치킨 1마리 주문해 줘.”라고 말하면, 제2 대화형 전자 장치(3000)는 “사용자 A가 사용자 B님께, 후라이드 치킨을 선물하려고 하고 있습니다.”라는 사운드를 출력할 수 있다. 또한, 사용자 B(12)가 제2 대화형 전자 장치(3000)에게 “응, 그렇게 해줘. 그리고, 사용자 A와 영상 통화하고 싶어.”라고 말하면, 제2 대화형 전자 장치(3000)는 제1 대화형 전자 장치(1000)로부터 후라이드 치킨 1마리를 선물 받기 위한 데이터를 요청하여 수신할 수 있다. 또한, 제2 대화형 전자 장치(3000)는 사용자 B(12)의 모바일 디바이스(미도시)가 사용자 A에게 영상 통화를 걸 것을 사용자 B(12)의 모바일 디바이스(미도시)에게 요청할 수 있다.
도 12 및 도 13은 일부 실시예에 따른 제 1 대화형 전자 장치의 블록도이다.
도 12에 도시된 바와 같이, 일부 실시예에 따른 제1 대화형 전자 장치(1000)는, 마이크로폰(1620), 출력부(1200), 프로세서(1300), 및 통신부(1500)를 포함할 수 있다. 그러나, 도 12에 도시된 구성 요소 모두가 제1 대화형 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 12에 도시된 구성 요소보다 많은 구성 요소에 의해 제1 대화형 전자 장치(1000)가 구현될 수도 있고, 도 12에 도시된 구성 요소보다 적은 구성 요소에 의해 제1 대화형 전자 장치(1000)가 구현될 수도 있다.
예를 들어, 도 13에 도시된 바와 같이, 일부 실시예에 따른 제1 대화형 전자 장치(1000)는, 마이크로폰(1620), 출력부(1200), 프로세서(1300), 및 통신부(1500)뿐만 아니라 사용자 입력부(1100), 센싱부(1400), A/V 입력부(1600), 및 메모리(1700)를 포함할 수도 있다.
사용자 입력부(1100)는, 사용자가 제1 대화형 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
사용자 입력부(1100)는, 제1 사용자에게 제공할 대화 정보를 생성하기 위하여 필요한 사용자 입력을 수신할 수 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 제1 대화형 전자 장치(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이부(1210)는, 제1 사용자에게 제공할 대화 정보를 생성하기 위하여 이용되는 사용자 인터페이스를 디스플레이할 수 있다.
한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 제1 대화형 전자 장치(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(1220)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
진동 모터(1230)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(1230)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다.
프로세서(1300)는, 통상적으로 제1 대화형 전자 장치(1000)의 전반적인 동작을 제어함으로써, 제1 대화형 전자 장치(1000)가 도 1 내지 도 11에서의 제1 대화형 전자 장치(1000)의 기능을 수행하도록 할 수 있다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다.
구체적으로, 프로세서(1300)는, 제1 사용자와 제2 사용자 간의 관계를 등록할 수 있다. 프로세서(1300)는 제2 대화형 전자 장치(3000)와 정보를 서로 공유할 수 있으며, 이를 위하여 제1 사용자와 제2 사용자 간의 관계를 등록할 수 있다. 프로세서(1300)는 제1 사용자와 제2 사용자 간의 친밀도에 기초하여 제1 사용자와 제2 사용자 간의 관계를 결정할 수 있다. 프로세서(1300)는 제1 사용자와 제2 사용자 간의 대화 내용, 대화 횟수, 통화 빈도 등을 분석함으로써 제1 사용자와 제2 사용자 간의 관계를 결정할 수 있다. 그러나, 이에 제한되지 않으며, 프로세서(1300)는 사용자 입력에 기초하여 제1 사용자와 제2 사용자 간의 관계를 결정할 수도 있다. 또한, 프로세서(1300)는 제2 사용자외의 다른 사용자들과의 관계도 설정할 수 있다. 프로세서(1300)는, 예를 들어, 제2 사용자 및 다른 사용자들 중 적어도 일부를 그룹핑함으로써, 제1 사용자와의 관계를 설정할 수 있다.
프로세서(1300)는 제2 사용자의 제2 대화형 전자 장치(3000)를 등록할 수 있으며, 제1 사용자와 제2 사용자 간의 정보 공유 레벨을 설정할 수 있다. 프로세서(1300)는 제2 사용자의 사용자 ID 및 제2 대화형 전자 장치(3000)의 장치 ID를 등록하고, 제1 사용자와 제2 사용자 간에 공유될 정보의 정보 공유 레벨을 설정할 수 있다.
프로세서(1300)는 통신부(1500)를 제어함으로써 제2 대화형 전자 장치(3000)와 제2 사용자 간의 대화 정보를 제2 대화형 전자 장치(3000)로부터 수신할 수 있다. 프로세서(1300)는, 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 기초하여, 제2 대화형 전자 장치(3000)와 제2 사용자 간의 대화 정보 중 일부를 선택하고, 선택된 정보를 제1 대화형 전자 장치에게 제공할 수 있다. 프로세서(1300)는 제2 사용자의 대화 정보 이외에도 제2 대화형 전자 장치(3000)에서 제2 사용자와 관련하여 획득된 여러 정보를 제2 대화형 전자 장치(3000)로부터 수신할 수 있다.
프로세서(1300)는 제2 사용자의 대화 정보를 인공 지능 학습 모델에 적용함으로써 제1 사용자에게 제공할 대화 정보를 생성할 수 있다. 인공 지능 학습 모델은, 사용자와의 대화를 위하여 학습된 학습 모델일 수 있으며, 기계학습 알고리즘, 신경망 알고리즘, 유전자 알고리즘, 딥러닝 알고리즘, 분류 알고리즘 중 적어도 하나의 인공 지능 알고리즘을 이용하여 학습된 학습 모델일 수 있다. 프로세서(1300)는 제1 사용자의 음성 입력을 제1 대화형 전자 장치(1000)에서 획득된 제1 사용자에 관련된 정보 및 제2 사용자의 대화 정보와 함께 인공 지능 학습 모델에 입력함으로써, 제1 사용자와의 대화를 위한 대화 정보를 생성할 수 있다.
프로세서(1300)는 제1 사용자의 대화 정보 및 제1 사용자의 컨텍스트 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다. 프로세서(1300)는 제1 사용자와 제2 사용자 간의 정보 공유 레벨에 기초하여, 제1 사용자의 대화 정보의 적어도 일부 및 제1 사용자의 컨텍스트 정보 중 적어도 일부를 선택하고, 선택된 정보를 제2 대화형 전자 장치(3000)에게 제공할 수 있다. 프로세서(1300)는 제1 사용자의 대화 정보 및 제1 사용자의 컨텍스트 정보를 직접 또는 서버(미도시)를 경유하여 제2 대화형 전자 장치(3000)에게 제공할 수 있다.
한편, 프로세서(1300)는 필터링 학습 모델을 이용하여, 수집된 정보를 필터링할 수 있다. 필터링 학습 모델은, 수집된 정보를 대화형 학습 모델에서 이용될 수 있도록 하기 위하여, 수집된 정보들 중에서 필요한 정보를 선택, 요약 또는 편집하기 위한 인공 지능 학습 모델일 수 있다. 프로세서(1300)는 제1 대화형 전자 장치(1000)의 대화형 학습 모델에 입력될 정보를 획득하기 위하여, 필터링 학습 모델을 이용할 수 있다. 프로세서(1300)는 제1 사용자와의 대화 정보 및 제1 사용자의 컨텍스트 정보를 필터링 학습 모델에 입력함으로써, 제1 사용자와의 대화 정보, 제1 사용자의 컨텍스트 정보를 필터링할 수 있다.
또한, 프로세서(1300)는 제2 대화형 전자 장치(3000)에게 제공할 정보를 획득하기 위하여 필터링 학습 모델을 이용할 수 있다. 이 경우, 프로세서(1300)는, 예를 들어, 제1 사용자와의 대화 정보, 제1 사용자의 컨텍스트 정보 및 제2 사용자의 정보 공유 레벨에 관련된 정보를 필터링 학습 모델에 입력함으로써, 제2 대화형 전자 장치(3000)에게 제공할 정보를 획득할 수 있다.
프로세서(1300)는 필터링된 정보를 기설정된 형식으로 가공할 수 있다. 프로세서(1300)는 필터링된 정보를 제1 대화형 전자 장치(1000)의 대화형 학습 모델에 적합한 형식으로 가공할 수 있다. 또한, 프로세서(1300)는 필터링된 정보를 제2 대화형 전자 장치(3000)의 대화형 학습 모델에 적합한 형식으로 가공할 수 있다.
상기에서는 프로세서(1300)가 수집된 정보를 필터링한 후에 기설정된 형식으로 가공하는 것으로 설명하였지만, 이에 제한되지 않는다. 수집된 정보를 필터링 학습 모델에 입력하면, 필터링 학습 모델에 의해, 수집된 정보가 필터링되면서 가공될 수 있다. 이 경우, 프로세서(1300)는, 예를 들어, 제1 사용자와의 대화 정보 및 제1 사용자의 컨텍스트 정보를 필터링 학습 모델에 입력함으로써, 제1 사용자와의 대화 정보, 제1 사용자의 컨텍스트 정보를 필터링 및 가공할 수 있다. 또한, 프로세서(1300)는, 예를 들어, 제1 사용자와의 대화 정보, 제1 사용자의 컨텍스트 정보, 제2 사용자의 정보 공유 레벨에 관련된 정보, 제2 대화형 전자 장치(3000)에 의해 이용되는 대화형 학습 모델의 식별 정보를 필터링 학습 모델에 입력함으로써, 제2 대화형 전자 장치(3000)에게 제공할 정보를 선택하고 가공할 수 있다.
한편, 프로세서(1300)는 복수의 대화형 학습 모델 중에서, 기설정된 대화 카테고리에 대응되는 대화형 학습 모델을 선택할 수 있다. 프로세서(1300)가 제1 사용자와의 대화를 위하여 이용할 수 있는 복수의 대화형 학습 모델이 존재할 수 있다.
센싱부(1400)는, 제1 대화형 전자 장치(1000)의 상태 또는 제1 대화형 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
통신부(1500)는, 다른 디바이스와의 통신을 수행하기 위한 구성 요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(151)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 제1 대화형 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
또한, 통신부(1500)는, 제1 사용자에게 제공할 대화 정보를 생성하기 위하여 필요한 정보를, 제2 대화형 전자 장치(3000), 다른 디바이스 및 서버와 송수신할 수 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
카메라(1610)에서 처리된 화상 프레임은 메모리(1700)에 저장되거나 통신부(1500)를 통하여 외부로 전송될 수 있다. 카메라(1610)는 단말기의 구성 태양에 따라 2개 이상이 구비될 수도 있다.
마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)는 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 제1 대화형 전자 장치(1000)로 입력되거나 제1 대화형 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 제1 대화형 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
알림 모듈(1730)은 제1 대화형 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 제1 대화형 전자 장치(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.
도 14는 일부 실시예에 따른 프로세서의 블록도이다.
도 14를 참조하면, 일부 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 제1 사용자에게 제공할 대화 내용을 생성하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 제1 사용자에게 제공할 대화 내용을 생성하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 제1 사용자에게 제공할 대화 내용을 어떻게 결정할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 제1 사용자에게 제공할 대화 내용의 생성을 위한 기준을 학습할 수 있다.
또한, 데이터 학습부(1310)는 제1 사용자의 대화 정보, 제1 사용자의 컨텍스트 정보, 제2 사용자의 대화 정보 및 제2 사용자의 컨텍스트 정보를 어떻게 필터링하고 가공할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 제1 사용자의 대화 정보 및 제1 사용자의 컨텍스트 정보 중에서 어떤 정보를 제2 대화형 전자 장치(3000)에게 제공할지에 관한 기준을 학습할 수도 있다. 데이터 학습부(1310)는 도 1 내지 도 11에서의 제1 대화형 전자 장치(1000)가 이용하는 학습 모델들의 기능을 제공할 수 있으며, 1개 이상의 데이터 학습부(1310)에 의해 도 1 내지 도 11에서의 제1 대화형 전자 장치(1000)가 이용하는 학습 모델들의 기능이 구현될 수 있다.
데이터 인식부(1320)는 제1 사용자에게 제공할 대화 내용을 생성할 수 있다. 데이터 인식부(1320)는 학습된 인공 지능 학습 모델을 이용하여, 소정의 데이터로부터 제1 사용자에게 제공할 대화 내용을 생성할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 인공 지능 학습 모델을 이용함으로써, 소정의 데이터에 기초하여 제1 사용자에게 제공할 대화 내용을 생성할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 인공 지능 학습 모델에 의해 출력된 결과 값은, 인공 지능 학습 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 15는 일부 실시예에 따른 데이터 학습부의 블록도이다.
도 15를 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 제1 사용자에게 제공할 대화 내용을 생성하는데 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 제1 사용자에게 제공할 대화 내용을 생성하기 위한 학습을 위하여 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는, 예를 들어, 제1 사용자의 대화 정보, 제1 사용자의 컨텍스트 정보, 제2 사용자의 대화 정보 및 제2 사용자의 컨텍스트 정보를 획득할 수 있다.
전처리부(1310-2)는 제1 사용자에게 제공할 대화 내용을 생성하기 위한 학습에, 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는, 후술할 모델 학습부(1310-4)가 제1 사용자에게 제공할 대화 내용을 생성하기 위한 학습을 위하여, 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
예를 들어, 전처리부(1310-2)는 인공 지능 학습 모델을 이용하여, 제1 사용자의 대화 정보, 제1 사용자의 컨텍스트 정보, 제2 사용자의 대화 정보, 제2 사용자의 컨텍스트 정보를 필터링하고 가공할 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 대화 내용의 생성을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다. 또한, 예를 들어, 학습 데이터 선택부(1310-3)는 인공 지능 학습 모델을 이용하여, 학습에 필요한 데이터를 선택할 수 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 제1 사용자에게 제공할 대화 내용을 어떻게 결정할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 제1 사용자에게 제공할 대화 내용의 생성을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1310-4)는 대화 내용의 생성에 이용되는 인공 지능 학습 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 인공 지능 학습 모델은 미리 구축된 모델일 수 있다. 예를 들어, 인공 지능 학습 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.
인공 지능 학습 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 인공 지능 학습 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 인공 지능 학습 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 인공 지능 학습 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공 지능 학습 모델을 학습할 인공 지능 학습 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 인공 지능 학습 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공 지능 학습 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 인공 지능 학습 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 소정의 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 소정의 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공 지능 학습 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 판단 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공 지능 학습 모델을 학습시킬 수 있다.
또한, 인공 지능 학습 모델이 학습되면, 모델 학습부(1310-4)는 학습된 인공 지능 학습 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 인공 지능 학습 모델을 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 인공 지능 학습 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 인공 지능 학습 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 인공 지능 학습 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 애플리케이션 프로그래밍 인터페이스(API) 및/또는 애플리케이션 프로그램(또는 "애플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 인공 지능 학습 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공 지능 학습 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 16은 일부 실시예에 따른 데이터 인식부의 블록도이다.
도 16을 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 제1 사용자에게 제공할 대화 내용을 생성하는데 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 제1 사용자에게 제공할 대화 내용의 생성을 위해, 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 대화 내용의 생성을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 제1 사용자에게 제공할 대화 내용의 생성에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 제1 대화 내용의 생성을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 인공 지능 학습 모델에 적용하여 제1 사용자에게 제공할 대화 내용을 생성할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 인공 지능 학습 모델에 적용할 수 있다. 또한, 인식 결과는 인공 지능 학습 모델에 의해 결정될 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과(예컨대, 생성된 대화 내용)에 대한 평가에 기초하여, 인공 지능 학습 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 인공 지능 학습 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 17은 일부 실시예에 따른 제1 대화형 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 17를 참조하면, 서버(2000)는 제1 사용자에게 제공할 대화 내용의 생성을 위한 기준을 학습할 수 있으며, 제1 대화형 전자 장치(1000)는 서버(2000)에 의한 학습 결과에 기초하여, 제1 사용자에게 제공할 대화 내용의 생성할 수 있다.
이 경우, 서버(2000)의 모델 학습부(2340)는 도 15에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 제1 사용자에게 제공할 대화 내용을 생성하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 대화 내용을 어떻게 생성할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 인공 지능 학습 모델에 적용함으로써, 대화 내용 생성을 위한 기준을 학습할 수 있다.
또한, 제1 대화형 전자 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 인공 지능 학습 모델에 적용함으로써, 대화 내용을 생성할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 대화 내용을 생성할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 판단된 대화 내용에 관한 정보를 서버(2000)로부터 수신할 수 있다.
또는, 제1 대화형 전자 장치(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 대화 내용을 생성할 수 있다. 이 경우, 제1 대화형 전자 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에의해 선택된 데이터를 서버(2000)로부터 수신된 인공 지능 학습 모델에 적용하여 대화 내용을 생성할 수 있다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 또는 프로그램 모듈과 같은 변조된 데이터 신호의 기타 데이터를 포함할 수 있다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 개시의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (20)

  1. 제 1 사용자의 제 1 대화형 전자 장치가 상기 제 1 사용자와의 대화를 위한 정보를 생성하는 방법에 있어서,
    제 2 사용자의 제 2 대화형 전자 장치를 등록하는 단계;
    상기 제 2 사용자와 상기 제 2 대화형 전자 장치 간의 대화 정보를 상기 제 2 대화형 전자 장치로부터 수신하는 단계; 및
    상기 제 2 대화형 전자 장치로부터 제공된 대화 정보를 제 1 인공 지능 학습 모델에 적용함으로써, 상기 제 1 사용자에게 제공할 대화 정보를 생성하는 단계;
    를 포함하며,
    상기 제 2 대화형 전자 장치로부터 수신된 대화 정보는, 상기 제 2 대화형 전자 장치 내의 제 2 인공 지능 학습 모델을 이용하여 상기 제 2 대화형 전자 장치에 의해 생성된 것인, 방법.
  2. 제 1 항에 있어서,
    상기 제 1 사용자와 상기 제 2 사용자 간의 정보 공유 레벨을 설정하는 단계;
    를 더 포함하며,
    상기 설정된 정보 공유 레벨에 기초하여, 상기 제 2 사용자와 상기 제 2 대화형 전자 장치 간의 상기 대화 정보가 상기 제2 대화형 전자 장치로부터 수신되는 것인, 방법.
  3. 제 2 항에 있어서,
    상기 정보 공유 레벨에 기초하여, 상기 생성된 대화 정보 중 적어도 일부를 상기 제 2 대화형 전자 장치에게 제공하는 단계;
    를 더 포함하며,
    상기 제공된 대화 정보는, 상기 제 2 대화형 전자 장치가 상기 제 2 사용자에게 제공할 대화 정보를 생성하는데 이용되는 것인, 방법.
  4. 제 3 항에 있어서,
    상기 제 1 사용자의 디바이스의 사용 정보, 상기 제 1 사용자의 SNS 사용 정보, 상기 제 1 사용자의 디바이스의 상태 정보, 및 상기 제 1 사용자의 위치 이력에 관한 정보 중 적어도 하나를 획득하는 단계;
    를 더 포함하며,
    상기 제 1 사용자에게 제공할 대화 정보를 생성하는 단계는,
    상기 획득된 적어도 하나의 정보를 상기 제 2 대화형 전자 장치로부터 제공된 대화 정보와 함께, 상기 제 1 대화형 전자 장치의 상기 제 1 인공 지능 학습 모델에 입력하는 단계를 포함하는 것인, 방법.
  5. 제 4 항에 있어서,
    상기 획득된 적어도 하나의 정보 중 일부를 상기 제 2 대화형 전자 장치에게 제공하는 단계;
    를 더 포함하는 것인, 방법.
  6. 제 4 항에 있어서,
    상기 획득된 적어도 하나의 정보 및 상기 대화 정보를 제 3 인공 지능 학습 모델에 적용함으로써, 상기 획득된 적어도 하나의 정보 및 상기 대화 정보 중 상기 일부를 선택하는 단계;
    를 더 포함하며,
    상기 선택된 정보가 상기 제 2 대화형 전자 장치에게 제공되는 것인, 방법.
  7. 제 6 항에 있어서,
    상기 획득된 적어도 하나의 정보 및 상기 대화 정보를 상기 제 3 인공 지능 학습 모델에 적용함으로써, 상기 선택된 정보가 기 설정된 형식으로 가공되는 것인, 방법.
  8. 제 1 항에 있어서,
    상기 제 1 사용자에게 제공할 상기 대화 정보를 생성할 수 있는 복수의 인공 지능 학습 모델 중에서 상기 제 1 인공 지능 학습 모델을 선택하는 단계;
    를 더 포함하는, 방법.
  9. 제 8 항에 있어서,
    상기 제 1 인공 지능 학습 모델은, 상기 제 1 사용자에게 제공할 상기 대화 정보의 주제에 관련된 복수의 카테고리 중에서 선택된 특정 카테고리에 대응되는 것인, 방법.
  10. 제 1 항에 있어서,
    상기 제 1 인공 지능 학습 모델은, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나의 인공 지능 알고리즘을 이용하여 학습된 것인, 방법.
  11. 제 1 사용자와의 대화를 위한 정보를 생성하는, 제1 사용자의 제1 대화형 전자 장치에 있어서,
    제2 대화형 전자 장치와 통신하는 통신부;
    적어도 하나의 인스트럭션을 저장하는 메모리;
    상기 제1 대화형 전자 장치가 상기 제1 사용자에게 제공할 대화 정보를 생성하도록 하는 적어도 하나의 프로세서;
    를 포함하며,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
    제 2 사용자의 상기 제 2 대화형 전자 장치를 등록하는 동작;
    상기 제 2 사용자와 상기 제 2 대화형 전자 장치 간의 대화 정보를 상기 제 2 대화형 전자 장치로부터 수신하는 동작; 및
    상기 제 2 대화형 전자 장치로부터 제공된 대화 정보를 제 1 인공 지능 학습 모델에 적용함으로써, 상기 제 1 사용자에게 제공할 대화 정보를 생성하는 동작;
    를 수행하며,
    상기 제 2 대화형 전자 장치로부터 제공된 대화 정보는, 상기 제 2 대화형 전자 장치 내의 제 2 인공 지능 학습 모델을 이용하여 상기 제 2 대화형 전자 장치에 의해 생성된 것인, 제1 대화형 전자 장치.
  12. 제 11 항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 제 1 사용자와 상기 제 2 사용자 간의 정보 공유 레벨을 설정하는 동작;
    를 더 수행하며,
    상기 설정된 정보 공유 레벨에 기초하여, 상기 제 2 사용자와 상기 제 2 대화형 전자 장치 간의 상기 대화 정보가 상기 제2 대화형 전자 장치로부터 수신되는 것인, 제 1 대화형 전자 장치.
  13. 제 12 항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 정보 공유 레벨에 기초하여, 상기 생성된 대화 정보 중 적어도 일부를 상기 제 2 대화형 전자 장치에게 제공하는 동작;
    를 더 수행하며,
    상기 제공된 대화 정보는, 상기 제 2 대화형 전자 장치가 상기 제 2 사용자에게 제공할 대화 정보를 생성하는데 이용되는 것인, 제1 대화형 전자 장치.
  14. 제 13 항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 제 1 사용자의 디바이스의 사용 정보, 상기 제 1 사용자의 SNS 사용 정보, 상기 제 1 사용자의 디바이스의 상태 정보, 및 상기 제 1 사용자의 위치 이력에 관한 정보 중 적어도 하나를 획득하는 동작;
    를 더 수행하며,
    상기 제 1 사용자에게 제공할 대화 정보를 생성하는 동작은,
    상기 획득된 적어도 하나의 정보를 상기 제 2 대화형 전자 장치로부터 제공된 대화 정보와 함께, 상기 제 1 대화형 전자 장치의 상기 제 1 인공 지능 학습 모델에 입력하는 동작을 포함하는 것인, 제1 대화형 전자 장치.
  15. 제 14 항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 획득된 적어도 하나의 정보 중 일부를 상기 제 2 대화형 전자 장치에게 제공하는 동작;
    를 더 수행하는 것인, 제1 대화형 전자 장치.
  16. 제 14 항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 획득된 적어도 하나의 정보 및 상기 대화 정보를 제 3 인공 지능 학습 모델에 적용함으로써, 상기 획득된 적어도 하나의 정보 및 상기 대화 정보 중 상기 일부를 선택하는 동작;
    를 더 수행하며,
    상기 선택된 정보가 상기 제 2 대화형 전자 장치에게 제공되는 것인, 제1 대화형 전자 장치.
  17. 제 16 항에 있어서,
    상기 획득된 적어도 하나의 정보 및 상기 대화 정보를 상기 제 3 인공 지능 학습 모델에 적용함으로써, 상기 선택된 정보가 기 설정된 형식으로 가공되는 것인, 제1 대화형 전자 장치.
  18. 제 11 항에 있어서,
    상기 프로세서는, 상기 적어도 하나의 인스트럭션을 실행함으로써,
    상기 제 1 사용자에게 제공할 상기 대화 정보를 생성할 수 있는 복수의 인공 지능 학습 모델 중에서 상기 제 1 인공 지능 학습 모델을 선택하는 동작;
    를 더 수행하는, 제1 대화형 전자 장치.
  19. 제 18 항에 있어서,
    상기 제 1 인공 지능 학습 모델은, 상기 제 1 사용자에게 제공할 상기 대화 정보의 주제에 관련된 복수의 카테고리 중에서 선택된 특정 카테고리에 대응되는 것인, 제1 대화형 전자 장치.
  20. 제 1 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020180036016A 2018-03-28 2018-03-28 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법 KR102185369B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180036016A KR102185369B1 (ko) 2018-03-28 2018-03-28 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법
PCT/KR2019/003670 WO2019190243A1 (ko) 2018-03-28 2019-03-28 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법
US16/979,091 US20210004702A1 (en) 2018-03-28 2019-03-28 System and method for generating information for interaction with a user

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180036016A KR102185369B1 (ko) 2018-03-28 2018-03-28 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20190117856A true KR20190117856A (ko) 2019-10-17
KR102185369B1 KR102185369B1 (ko) 2020-12-01

Family

ID=68059255

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180036016A KR102185369B1 (ko) 2018-03-28 2018-03-28 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법

Country Status (3)

Country Link
US (1) US20210004702A1 (ko)
KR (1) KR102185369B1 (ko)
WO (1) WO2019190243A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210102635A (ko) * 2020-02-12 2021-08-20 한국과학기술원 지능형 에이전트에서 이종의 멘탈 모델에 기반한 대화형 메시지 제공 방법 및 그 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210035018A1 (en) * 2019-07-31 2021-02-04 Jeju National University Industry-Academic Cooperation Foundation Apparatus for verifying integrity of AI learning data and method therefor

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005032202A (ja) * 2003-07-09 2005-02-03 Econity:Kk 資源配分方法ならびに同方法のプログラムを記録した記録媒体
US20060195412A1 (en) * 2002-06-18 2006-08-31 Bellsouth Intellectual Property Corporation Learning device interaction rules
KR20150095624A (ko) * 2012-12-11 2015-08-21 뉘앙스 커뮤니케이션즈, 인코포레이티드 다수의 개인을 위한 가상 에이전트 추천 시스템 및 방법
US20170300831A1 (en) * 2016-04-18 2017-10-19 Google Inc. Automated assistant invocation of appropriate agent
JP2017224190A (ja) * 2016-06-16 2017-12-21 株式会社オルツ コミュニケーションを支援する人工知能システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4624000B2 (ja) * 2004-05-07 2011-02-02 有限会社パワーサプライ 複合人工知能装置
US9311837B2 (en) * 2013-03-14 2016-04-12 Martigold Enterprises, Llc Methods and apparatus for message playback
WO2018008605A1 (ja) * 2016-07-04 2018-01-11 株式会社Ｓｅｌｔｅｃｈ 人工知能を有するシステム
EP3568787B1 (en) * 2017-05-17 2024-04-10 Google LLC Automatic image sharing with designated users over a communication network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060195412A1 (en) * 2002-06-18 2006-08-31 Bellsouth Intellectual Property Corporation Learning device interaction rules
JP2005032202A (ja) * 2003-07-09 2005-02-03 Econity:Kk 資源配分方法ならびに同方法のプログラムを記録した記録媒体
KR20150095624A (ko) * 2012-12-11 2015-08-21 뉘앙스 커뮤니케이션즈, 인코포레이티드 다수의 개인을 위한 가상 에이전트 추천 시스템 및 방법
US20170300831A1 (en) * 2016-04-18 2017-10-19 Google Inc. Automated assistant invocation of appropriate agent
JP2017224190A (ja) * 2016-06-16 2017-12-21 株式会社オルツ コミュニケーションを支援する人工知能システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210102635A (ko) * 2020-02-12 2021-08-20 한국과학기술원 지능형 에이전트에서 이종의 멘탈 모델에 기반한 대화형 메시지 제공 방법 및 그 시스템

Also Published As

Publication number Publication date
WO2019190243A1 (ko) 2019-10-03
KR102185369B1 (ko) 2020-12-01
US20210004702A1 (en) 2021-01-07

Similar Documents

Publication Publication Date Title
US10522143B2 (en) Empathetic personal virtual digital assistant
CN112805743A (zh) 用于基于知识图谱来提供内容的系统和方法
EP3756185B1 (en) Electronic device for outputting response to speech input by using application and operation method thereof
US10382907B2 (en) Device and method for providing notification message about call request
KR20190019401A (ko) 전자 장치 및 그 제어 방법
US11189278B2 (en) Device and method for providing response message to user input
KR20180055708A (ko) 이미지를 처리하는 전자 장치 및 방법
KR102420567B1 (ko) 음성 인식 장치 및 방법
US11170778B2 (en) Conversational control system and method for registering external device
KR102531654B1 (ko) 음성 입력 인증 디바이스 및 그 방법
KR102628042B1 (ko) 연락처 정보를 추천하는 방법 및 디바이스
US11848012B2 (en) System and method for providing voice assistant service
KR20180109499A (ko) 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치
KR20180072534A (ko) 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치
EP3816917A1 (en) Electronic device for updating artificial intelligence model, server, and operation method therefor
US11228815B2 (en) Display apparatus and operation method of the same
EP3635545B1 (en) Device and method for providing response to device usage inquiry
US20210264905A1 (en) Electronic device and control method therefor
KR102185369B1 (ko) 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법
US20190163436A1 (en) Electronic device and method for controlling the same
KR20200033140A (ko) 보이스 어시스턴트 서비스를 제공하는 시스템 및 방법
US20200327433A1 (en) Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model
KR20190035363A (ko) 전자 장치 및 그 제어 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant