KR20190118108A - 전자 장치 및 그의 제어방법 - Google Patents
전자 장치 및 그의 제어방법 Download PDFInfo
- Publication number
- KR20190118108A KR20190118108A KR1020190023901A KR20190023901A KR20190118108A KR 20190118108 A KR20190118108 A KR 20190118108A KR 1020190023901 A KR1020190023901 A KR 1020190023901A KR 20190023901 A KR20190023901 A KR 20190023901A KR 20190118108 A KR20190118108 A KR 20190118108A
- Authority
- KR
- South Korea
- Prior art keywords
- text
- illustrations
- artificial intelligence
- electronic device
- illustration
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 184
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 12
- 238000013461 design Methods 0.000 claims description 61
- 230000000694 effects Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 35
- 230000006870 function Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 17
- 239000003795 chemical substances by application Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 239000002131 composite material Substances 0.000 description 12
- 238000003058 natural language processing Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013515 script Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 239000005557 antagonist Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
- H04L51/10—Multimedia information
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Library & Information Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
본 개시는 기계학습, 신경망 또는 딥러닝 알고리즘 중 적어도 하나에 따라 학습된 인공지능 모델을 이용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 본 개시에서는 전자 장치의 제어방법이 제공된다. 본 제어방법은 사용자 입력을 기반으로 텍스트를 획득하는 단계, 획득된 텍스트로부터 복수의 핵심 단어를 결정하는 단계, 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 획득하는 단계, 복수의 제1 삽화 중에서 적어도 2 개 이상의 제1 삽화를 합성하여 제2 삽화를 획득하는 단계 및 획득된 제2 삽화를 출력하는 단계를 포함한다.
Description
본 개시는 전자 장치 및 그의 제어방법에 관한 것으로, 더욱 상세하게는 텍스트와 연관된 영상을 생성하는 전자 장치 및 그의 제어방법에 관한 것이다.
또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 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.
인공 지능 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, 오브젝트 인식, 오브젝트 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.
한편, 정보의 효율적 전달을 위해 책, 신문, 광고, 발표 자료 등을 제작할 때 텍스트와 함께 삽화를 함께 삽입하여 제작할 수 있는데, 종래엔 텍스트에 어울리는 삽화를 일일이 찾아야만 했는바, 원하는 삽화를 찾는데 오랜 시간이 소요되었고, 하나의 자료 안에 들어가는 삽화들의 디자인을 통일시키는 것에도 어려움이 있었다.
본 개시는 상술한 문제점을 해결하기 위해 안출된 것으로, 본 개시의 목적은 인공지능 모델을 이용하여 텍스트와 연관된 영상을 생성하는 전자 장치 및 그의 제어방법을 제공함에 있다.
본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법은 사용자 입력을 기반으로 텍스트를 획득하는 단계, 상기 획득된 텍스트로부터 복수의 핵심 단어를 결정하는 단계, 상기 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 획득하는 단계, 상기 복수의 제1 삽화 중에서 적어도 2 개 이상의 제1 삽화를 합성하여 제2 삽화를 획득하는 단계 및 상기 획득된 제2 삽화를 출력하는 단계를 포함한다.
또한, 본 개시의 일 실시 예에 따른 전자장치는 하나 이상의 인스트럭션들(instructions)을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 사용자 입력을 기반으로 텍스트를 획득하고, 상기 획득된 텍스트로부터 복수의 핵심 단어를 결정하고, 상기 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 획득하고, 상기 복수의 제1 삽화 중에서 적어도 2개 이상의 제1 삽화를 합성하여 제2 삽화를 획득하고, 상기 획득된 제2 삽화를 출력한다.
도 1은 본 개시의 일 실시 예에 따른 삽화 제공 방법을 설명하기 위한 도면,
도 2a 및 도 2b는 본 개시의 일 실시 예에 따른 전자 장치의 제어방법을 설명하기 위한 흐름도,
도 3은 본 개시의 일 실시 예에 따른 생성적 적대 신경망을 통한 학습 방식의 일 예를 도시한 도면,
도 4는 태그 정보와 매칭된 삽화들로 구성된 데이터 베이스를 이용하는 본 개시의 일 실시 예에 따른 삽화 검색 방법을 설명하기 위한 도면,
도 5 내지 도 8은 복수의 삽화를 합성한 합성 삽화를 획득하는 본 개시의 일 실시 예를 설명하기 위한 도면,
도 9 내지 도 11은 다양한 조합으로 합성된 복수의 합성 삽화를 제공하는 본 개시의 일 실시 예를 설명하기 위한 도면,
도 12는 텍스트와 관련되며 프레젠테이션 영상의 디자인과 대응되는 삽화를 획득하는 본 개시의 일 실시 예를 설명하기 위한 도면,
도 13 내지 도 16은 본 개시의 다양한 실시 예에 따른 삽화 제공을 위한 사용자 인터페이스를 설명하기 위한 도면,
도 17 내지 도 18a는 삽화 생성 기능이 메신저 프로그램에 적용된 본 개시의 다양한 실시 예를 설명하기 위한 도면,
도 18b는 본 개시의 삽화 생성 기능이 키보드 프로그램에 적용된 실시 예를 설명하기 위한 도면,
도 19는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블럭도,
도 20a는 본 개시의 다양한 실시 예에 따른, 인식 모델을 이용하는 네트워크 시스템의 흐름도,
도 20b는 본 개시의 일 실시 예에 따른 인공지능 모델을 이용하는 네트워크 시스템의 흐름도,
도 20c는 본 개시의 일 실시 예에 따른 네트워크 시스템의 구성도,
도 21은 본 개시의 일 실시 예에 따른, 인식 모델을 학습하고 이용하기 위한 전자 장치를 설명하기 위한 블록도, 그리고,
도 22 내지 도 23은 본 개시의 다양한 실시 예에 따른 학습부 및 분석부를 설명하기 위한 블록도이다.
도 2a 및 도 2b는 본 개시의 일 실시 예에 따른 전자 장치의 제어방법을 설명하기 위한 흐름도,
도 3은 본 개시의 일 실시 예에 따른 생성적 적대 신경망을 통한 학습 방식의 일 예를 도시한 도면,
도 4는 태그 정보와 매칭된 삽화들로 구성된 데이터 베이스를 이용하는 본 개시의 일 실시 예에 따른 삽화 검색 방법을 설명하기 위한 도면,
도 5 내지 도 8은 복수의 삽화를 합성한 합성 삽화를 획득하는 본 개시의 일 실시 예를 설명하기 위한 도면,
도 9 내지 도 11은 다양한 조합으로 합성된 복수의 합성 삽화를 제공하는 본 개시의 일 실시 예를 설명하기 위한 도면,
도 12는 텍스트와 관련되며 프레젠테이션 영상의 디자인과 대응되는 삽화를 획득하는 본 개시의 일 실시 예를 설명하기 위한 도면,
도 13 내지 도 16은 본 개시의 다양한 실시 예에 따른 삽화 제공을 위한 사용자 인터페이스를 설명하기 위한 도면,
도 17 내지 도 18a는 삽화 생성 기능이 메신저 프로그램에 적용된 본 개시의 다양한 실시 예를 설명하기 위한 도면,
도 18b는 본 개시의 삽화 생성 기능이 키보드 프로그램에 적용된 실시 예를 설명하기 위한 도면,
도 19는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블럭도,
도 20a는 본 개시의 다양한 실시 예에 따른, 인식 모델을 이용하는 네트워크 시스템의 흐름도,
도 20b는 본 개시의 일 실시 예에 따른 인공지능 모델을 이용하는 네트워크 시스템의 흐름도,
도 20c는 본 개시의 일 실시 예에 따른 네트워크 시스템의 구성도,
도 21은 본 개시의 일 실시 예에 따른, 인식 모델을 학습하고 이용하기 위한 전자 장치를 설명하기 위한 블록도, 그리고,
도 22 내지 도 23은 본 개시의 다양한 실시 예에 따른 학습부 및 분석부를 설명하기 위한 블록도이다.
이하, 본 문서의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 문서의 실시예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
본 문서에서 사용된 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
본 문서의 다양한 실시 예들에 따른 전자 장치는, 예를 들면, 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에 따르면, 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식형(예: implantable circuit) 중 적어도 하나를 포함할 수 있다.
어떤 실시 예들에서, 전자 장치는 가전제품(home appliance)일 수 있다. 가전제품은, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), 홈 오토매이션 컨트롤 패널(home automation control panel), 보안 컨트롤 패널(security control panel), TV 박스(예: 삼성 HomeSync?, 애플TV?, 또는 구글 TV?), 게임 콘솔(예: Xbox?, PlayStation?), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시 예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션(navigation) 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine), 상점의 POS(point of sales), 또는 사물 인터넷 장치(internet of things)(예: 전구, 각종 센서, 전기 또는 가스 미터기, 스프링클러 장치, 화재경보기, 온도조절기(thermostat), 가로등, 토스터(toaster), 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
어떤 실시 예에 따르면, 전자 장치는 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 수신 장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측 기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에서, 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 어떤 실시 예에 따른 전자 장치는 플렉서블 전자 장치일 수 있다. 또한, 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않으며, 기술 발전에 따른 새로운 전자 장치를 포함할 수 있다.
이하에서는 첨부된 도면을 이용하여 본 개시에 대하여 구체적으로 설명한다.
도 1은 본 개시의 일 실시 예에 따른 삽화 제공 방법을 설명하기 위한 도면이다.
도 1을 참고하면, 사용자가 마이크로소프트 파워포인트? 등과 같은 프레젠테이션 프로그램을 통해 발표 대본인 텍스트(10)를 입력하면, 텍스트(10)에 대응되는 삽화(illustration)(20)가 제공될 수 있다. 본 개시에 따르면, 인공지능 기술을 이용하여 텍스트(10)의 의미를 파악하고 이에 어울리는 삽화(20)가 제공될 수 있다.
이와 같은 삽화 제공 기능은, 마이크로소프트 파워포인트?, 키노트? 등과 같은 프레젠테이션 소프트웨어에 플러그인(plugin) 또는 추가 기능(애드인;add-in, 애드온;add-on)으로서 제공될 수 있고, 또는, 별도의 소프트웨어로서 제공될 수도 있다.
본 개시에 따른 삽화 제공 기능은 발표 자료뿐만 아니라, 책, 신문, 광고, 잡지, 전자 엽서, 이메일, 인스턴트 메신저(instant messenger) 등 텍스트에 어울리는 이미지를 활용하는 어떠한 분야에라도 적용될 수 있다.
본 개시에서 사용되는 용어 '삽화'는 경우에 따라 픽토그램, 플래티콘, Isotype (International System Of Typographic Picture Education), 인포그래픽, 영상(동영상 또는 정지 영상), 사진, 이모티콘 등과 같은 용어로도 명명될 수 있다.
본 개시에서 사용되는 삽화는 본 서비스를 제공하는 주체가 직접 제작한 것일 수도 있고, 외부에서 취합된 삽화일 수 있다. 외부에서 취합된 삽화일 경우 본 서비스를 제공하는 주체가 저작권 문제를 해결된 삽화만을 취합하여 본 서비스에 활용하여야 한다. 만약 보다 품질이 우수한 품질의 삽화를 서비스에서 제공하기 위해 저작권이 포함된 삽화를 사용할 경우, 서비스를 제공하는 주체는 저작권 문제를 해결해야 한다. 그리고 그 서비스를 제공하기 위해 추가적인 과금을 사용자로부터 받을 수 있다.
본 개시의 다양한 실시 예에 따른 삽화 제공 기능은 전자 장치를 통해 구현될 수 있다. 이하, 도 2a 및 도 2b를 참고하여 본 개시의 일 실시 예에 따른 전자 장치의 제어방법을 설명하도록 한다.
도 2a 및 도 2b는 본 개시의 일 실시 예에 따른 전자 장치의 제어방법을 설명하기 위한 흐름도이다.
도 2a에 도시된 바와 같이, 본 개시의 일 실시 예에 따른 전자 장치는 사용자 입력을 기반으로 텍스트를 획득한다(S210). 구체적으로, 전자 장치는 프레젠테이션 영상을 제공하고, 프레젠테이션 영상에 대한 텍스트를 입력받을 수 있으며, 사용자 입력을 기반으로 프레젠테이션 영상에 대한 텍스트를 획득할 수 있다.
여기서, 프레젠테이션 영상은 프레젠테이션 소프트웨어를 실행하여 제공되는 화면으로서, 예컨대 도 1에 도시된 것과 같은 화면이 될 수 있다. 프레젠테이션 영상은 전자 장치에 내장된 디스플레이를 통해 표시되거나, 또는 전자 장치와 연결된 외부 디스플레이 장치를 통해 표시될 수 있다. 그리고, 프레젠테이션 영상에 대한 텍스트는 대본(스크립트), 발표 글 등으로 명명될 수도 있다.
예컨대, 도 1에 도시한 것과 같이 프레젠테이션 영상이 표시된 화면에 마련된 텍스트 입력창에 텍스트(10)를 입력받을 수 있다. 전자 장치는 입력 장치를 통해 프레젠테이션 영상에 대한 텍스트를 입력받을 수 있다. 입력 장치는 예컨대, 키보드, 터치 패드, 마우스, 버튼 등을 포함할 수 있다. 입력 장치는 전자 장치에 내장되어 있거나 또는 전자 장치와 연결된 외부 입력 장치일 수 있다.
한편, 사용자 입력은 사용자의 발화에 따른 음성 입력일 수 있다. 구체적으로, 전자 장치는 사용자의 음성 입력을 수신하고, 수신된 음성 입력을 분석함으로써 사용자의 발화 정보를 획득하며, 획득된 사용자의 발화 정보에 대응되는 텍스트를 획득할 수 있다. 텍스트가 획득되면, 전자 장치는 획득된 텍스트로부터 복수의 핵심 단어를 결정한다(S220). 그리고, 복수의 핵심 단어가 결정되면, 전자 장치는 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 획득한다(S230).
구체적으로, 전자 장치는 프레젠테이션 영상의 디자인에 대한 정보 및 텍스트를 인공지능 알고리즘에 의해 학습된 제1 인공지능 모델에 입력하여, 텍스트와 관련되며 프레젠테이션 영상의 디자인과 대응되는 복수의 제1 삽화를 획득할 수 있다. 예컨대, 도 1을 참고하면, "Great teamwork leads to success"라는 텍스트(10)를 인공지능 알고리즘에 의해 학습된 인공지능 모델에 입력하여 텍스트(10)와 관련된 삽화(20)를 획득할 수 있다.
한편, 본 개시의 일 실시 예에 따르면, 인공지능 모델은 생성적 적대 신경망(GAN, Generative Adversarial Network)에 의해 학습될 수 있다. 생성적 적대 신경망 기술은 생성 모델(Generative model)과 구별 모델(discriminative model)이 서로 대립하여 서로의 성능을 점차 개선해 나가는 것이 주요 개념이다. 도 3에 생성적 적대 신경망을 통한 학습 방식의 일 예를 도시하였다.
도 3을 참고하면, 생성 모델(310)은 램덤 노이즈로부터 임의의 이미지(가짜 이미지)를 생성하고, 구별 모델(320)은 진짜 이미지(또는 학습 데이터)와 생성 모델에 의해 생성된 가짜 이미지를 구분한다. 생성 모델(310)은 구별 모델(320)이 점차 진짜 이미지와 가짜 이미지를 구분할 수 없게 하는 방향으로 학습되고, 반면, 구별 모델(320)은 진짜 이미지와 가짜 이미지를 잘 구분하는 방향으로 학습된다. 학습이 진행될수록 생성 모델(310)은 진짜 이미지와 상당히 유사한 가짜 이미지를 생성해낼 수 있다. 이와 같이 학습된 생성 모델(310)이 S230 단계에서의 인공지능 모델로 활용될 수 있다.
본 개시의 또 다른 실시 예에 따르면, S230 단계에서, 텍스트로부터 적어도 하나의 핵심 단어를 인공지능 모델을 이용하여 획득하고 상기 획득된 적어도 하나의 핵심 단어에 대응하는 삽화를 기 저장된 데이터 베이스로부터 검색할 수 있다. 예컨대, 자연어 처리를 위한 인공지능 모델이 제공되고, 이 인공지능 모델을 이용하여 형태소 분석, 핵심 단어 추출, 키워드들의 의미 및 연관 관계를 파악(예컨대, 동음이의어, 배경어, 핵심어 등을 파악)을 할 수 있다.
예컨대, 도 4에 도시된 것과 같이 태그 정보와 매칭된 삽화들이 저장된 데이터 베이스가 마련될 수 있다. 이 경우, 예컨대, "최근 인공지능 기술의 비약적인 발전으로 인공지능 관련 스타트업 진출이 증가되고 있다" 라는 텍스트가 입력되면, 텍스트를 NLP(Natural-language processing)를 위한 인공지능 모델에 입력하여 핵심 단어로서 '인공지능', '스타트업', '증가'를 획득하고, 핵심 단어를 포함하는 태그 정보와 매칭된 삽화들을 데이터 베이스로부터 검색할 수 있다.
본 개시의 일 실시 예에 따르면, 문장 전체를 입력받는 경우 구/절 별로 구분지어 문장 전체의 주요 의미를 가진 구/절들에 대응하는 삽화들을 연속으로 생성하여 제공할 수 있다.
한편, 전자 장치는 텍스트를 제1 인공지능 모델에 입력하여 텍스트와 관련되며 서로 동일한 그래픽 효과를 갖는 복수의 제1 삽화를 획득할 수 있다.
복수의 제1 삽화가 획득되면, 전자 장치는 복수의 제1 삽화 중에서 적어도 2 개 이상의 제1 삽화를 합성하여 제2 삽화를 획득한다(S240). 구체적으로, 전자 장치는 프레젠테이션 영상의 디자인에 대한 정보 및 복수의 제1 삽화를 학습된 제2 인공지능 모델에 입력하여, 복수의 제1 삽화 중 적어도 2 개 이상의 제1 삽화가 프레젠테이션 영상의 디자인과 대응되도록 수정된 제2 삽화를 획득하여 출력할 수 있다. 다시 말해, 본 개시의 또 다른 실시 예에 따르면, 전자 장치는 텍스트를 인공지능 모델에 입력하여, 복수의 제1 삽화를 획득하고 복수의 제1 삽화를 합성한 제2 삽화를 텍스트와 연관된 삽화로 획득할 수 있다. 즉, 여러 개의 삽화를 합성한 합성 삽화가 제공될 수 있다.
예컨대, 인공지능 모델을 이용하여, 텍스트로부터 복수의 핵심 단어를 결정하고, 상기 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 획득하고, 상기 복수의 핵심 단어의 문맥에 따라 상기 복수의 제1 삽화를 배치하여 합성한 제2 삽화를 획득할 수 있다.
한편, 전자 장치는 복수의 핵심 단어의 문맥에 따라 복수의 제1 삽화를 배치하여 합성함으로써 제2 삽화를 획득할 수 있다.
이상에서 상술한 바와 같은 과정에 따라 제2 삽화가 획득되면, 전자 장치는 획득된 제2 삽화를 출력한다(S250). 구체적으로, 제2 삽화가 획득되면, 전자 장치는 획득된 제2 삽화를 표시하도록 디스플레이를 제어하고, 디스플레이를 통해 획득된 제2 삽화를 출력할 수 있다.
한편, 전술한 바와 같이, 전자 장치는 프레젠테이션 영상을 표시하지 않은 상태에서 사용자 입력을 기반으로 텍스트를 획득할 수도 있으나, 프레젠테이션 영상을 표시하고 프레젠테이션 영상에 대한 텍스트를 획득할 수도 있다. 이하에서는 도 2b를 참조하여, 프레젠테이션 영상에 대한 텍스트를 획득하고, 획득된 텍스트를 바탕으로 삽화를 획득하는 실시 예에 대해 다시 설명한다. 다만, 각 단계에 대한 구체적인 설명은 도 2a를 참조하여 설명하였으므로 중복 설명은 생략한다.
도 2b를 참고하면, 먼저, 프레젠테이션 영상을 표시한다(S210-1). 프레젠테이션 영상은 프레젠테이션 소프트웨어를 실행하여 제공되는 화면으로서, 예컨대 도 1에 도시된 것과 같은 화면이 될 수 있다.
프레젠테이션 영상이 표시되면, 전자 장치는 프레젠테이션 영상에 대한 텍스트를 입력받는다(S220-1). 예컨대, 전자 장치는 도 1에 도시한 것과 같이 프레젠테이션 영상이 표시된 화면에 마련된 텍스트 입력창에 텍스트(10)를 입력받을 수 있다.
프레젠테이션 영상에 대한 텍스트가 입력되면, 전자 장치는 인공지능 알고리즘에 의해 학습된 인공지능 모델에 상기 텍스트를 입력하여 텍스트와 관련된 적어도 하나의 삽화를 획득한다(S230-1). 예컨대, 도 1을 참고하면, "Great teamwork leads to success"라는 텍스트(10)를 인공지능 알고리즘에 의해 학습된 인공지능 모델에 입력하여 텍스트(10)와 관련된 삽화(20)를 획득할 수 있다.
텍스트와 관련된 적어도 하나의 삽화가 획득되면, 전자 장치는 획득된 적어도 하나의 삽화 중 사용자에 의해 선택된 삽화를 프레젠테이션 영상에 표시한다(S240-1).
도 5 내지 도 8은 복수의 삽화를 합성한 합성 삽화를 획득하는 일 실시 예를 설명하기 위한 도면이다.
도 5를 참고하면, 예컨대 "최근 인공지능 기술의 비약적인 발전으로 인공지능 관련 스타트업 진출이 증가되고 있다" 라는 텍스트가 입력되면, 인공지능 모델을 이용하여, "인공지능", "스타트업", "비약적인 발전", "증가"가 핵심 단어로서 획득될 수 있고, 이들의 연관관계가 판단될 수 있다. 연관 관계는 각 단어들의 연관도 수치(퍼센트)로 산출될 수 있다.
도 6을 참고하면, 상기 획득된 핵심 단어들의 문맥이 판단될 수 있다. 문맥의 판단 과정은 각 핵심 단어들의 문장 내에서의 역할, 예컨대 배경에 해당하는 단어인지, 현상/결과에 해당하는 단어인지, 문장의 중심 단어에 해당하는지 등을 판단하는 과정을 포함한다.
그리고 도 7을 참고하면, 상기 획득된 핵심 단어들에 대응되는 복수의 삽화가 획득될 수 있다. 복수의 삽화는 핵심 단어들의 연관 관계 및 문맥에 따라 분류될 수 있다. 예컨대, 배경에 해당하는 핵심 단어들에 대응하는 적어도 하나의 삽화와, 현상/결과에 해당하는 핵심 단어들에 대응하는 적어도 하나의 삽화가 분류될 수 있다.
그리고 도 8을 참고하면, 복수의 삽화들은 핵심 단어들의 연관 관계 및 문맥에 따라 배치되어 합성될 수 있다. 예컨대, 배경 단어에 해당하는 삽화는 다른 삽화들 뒤쪽에 배치될 수 있고, 투명도가 다른 삽화들보다 높도록 설정될 수 있다. 그리고 중심 단어, 현상/결과를 나타내는 단어에 해당하는 삽화는 다른 삽화보다 투명도가 낮도록 설정될 수 있고, 선 굵기가 진하게 표현될 수 있다. 사용자는 도 8과 같이 합성된 삽화를 그대로 사용할 수 있고, 또는 합성된 삽화 내의 복수의 삽화들을 원하는 대로 개별적으로 수정(크기, 그래픽 효과, 배치 위치 등의 수정)하여 새로운 합성 삽화를 생성해낼 수도 있다.
본 개시의 일 실시 예에 따르면, 다양한 조합으로 합성된 복수의 합성 삽화가 제공될 수 있다. 본 실시 예에 대해선 도 9 내지 도 11을 참고하여 설명하도록 한다.
도 9를 참고하면, 예컨대, "최근 인공지능 기술의 비약적인 발전으로 인공지능 관련 스타트업 진출이 증가되고 있다"라는 텍스트가 입력되면, 인공 지능 모델을 이용하여 핵심 단어들을 추출하고, 각 핵심 단어에 대응하는 복수의 삽화들을 획득할 수 있다. 예컨대, 도 9에 도시한 바와 같이 핵심 단어인 "인공지능"에 대응하는 삽화들, 핵심 단어인 "스타트업"에 대응하는 삽화들, 핵심 단어인 "증가"에 대응하는 삽화들이 각각 획득될 수 있다. 그리고 도 10을 참고하면, 각 핵심 단어의 삽화들을 다양한 조합으로 구성할 수 있다. 이 경우, 인공지능 모델을 이용하여 삽화의 유형과 프레젠테이션 영상의 유형의 유사도, 삽화들 간의 유사도 등을 고려하여 다양한 조합들을 제공할 수 있다. 그리고 도 11을 참고하면, 각 조합의 삽화들을 핵심 단어들의 문맥을 기초로 배치하여 합성하여 다양한 합성 삽화를 추천 리스트 형태로 제공할 수 있다. 이 경우, 단어끼리의 연관 관계 종류에 따라 정의된 삽화 배치에 대한 템플릿으로 구성된 제1 데이터베이스와 구/절끼리의 연관 관계 종류에 따라 정의된 삽화 배치 템플릿으로 구성된 제2 데이터베이스가 이용될 수 있다. 이러한 데이터베이스들로부터 템플릿을 로드하여 삽화들을 배치할 수 있다.
사용자는 추천 리스트에서 원하는 합성 삽화를 선택하여 사용할 수 있다. 또는, 사용자는 제공된 합성 삽화를 그대로 사용하는 대신 합성 삽화 내의 복수의 삽화들을 원하는 대로 개별적으로 수정(크기, 그래픽 효과, 배치 위치 등의 수정)하여 새로운 합성 삽화를 생성해낼 수도 있다. 사용자가 선택한 합성 삽화, 즉 사용자가 선택한 조합에는 가중치가 부여되고, 이를 이용해 인공지능 모델이 재학습될 수 있다. 즉, 강화 학습 기술이 이용될 수 있다.
본 개시의 일 실시 예에 따르면, 프레젠테이션 영상의 디자인에 대한 정보 및 텍스트를 인공지능 모델에 입력하여, 텍스트와 관련되며 프레젠테이션 영상의 디자인과 대응되는 적어도 하나의 삽화를 획득할 수 있다. 프레젠테이션 영상의 디자인에 대한 정보는 프레젠테이션 영상의 테마, 배경 스타일(background styles), 색상, 글꼴(fonts), 그래픽 효과, 밝기(brightness), 대비(contrast), 투명도(transparency) 등의 정보, 또는 현재 프레젠테이션 영상 전체의 캡처 화면을 포함할 수 있다.
이 경우, 인공지능 모델은, 삽화의 기초 형태를 생성하는 제1 인공지능 모델과 기초 형태의 삽화를 프레젠테이션 영상의 디자인과 대응되도록 수정하는 제2 인공지능 모델을 포함할 수 있다. 삽화의 기초 형태는 색상, 디자인 효과가 적용되지 않은 형태, 선으로만 이루어진 그림, 흑백 그림 등을 포함할 수 있다. 이에 대해선 도 12를 참고하여 설명하도록 한다.
도 12를 참고하면, 제1 인공지능 모델(1210)은 텍스트에 대응되는 삽화를 생성하는 모델로서, 학습 데이터로서 텍스트와 이미지를 이용하여 학습된 모델이다. 제2 인공지능 모델(1220)은 프레젠테이션 영상의 디자인과 대응되도록 이미지를 수정하는 모델로서, 학습 데이터로서 프레젠테이션 영상에 대한 정보와 이미지를 이용하여 학습된 모델이다. 프레젠테이션 영상의 디자인에 대한 정보는, 프레젠테이션 영상의 테마, 배경 스타일, 색상, 글꼴, 그래픽 효과, 밝기, 대비, 투명도 등에 대한 정보일 수 있다.
제2 인공지능 모델(1220)은 입력된 이미지의 테마, 선 스타일, 선 굵기, 색상, 크기, 그래픽 효과, 밝기, 대비, 형태, 배치, 합성 등과 관련하여 프레젠테이션 영상의 디자인에 맞게 수정할 수 있다. 예컨대, 제2 인공지능 모델(1220)은 프레젠테이션 영상의 디자인에서 사용된 색을 나열하고, 그 색의 빈도, 면적 등을 가중치로 하여 프레젠테이션 영상의 색 테마 정보를 계산할 수 있으며 계산된 색 테마 내의 색상을 이용하여 삽화를 채색할 수 있다. 또는, 제2 인공지능 모델(1220)은 색 정보 외에도 프레젠테이션 영상의 디자인에서 사용된 선 스타일, 선 굵기, 곡선 빈도, 모서리 처리 등의 디자인 요소 등으로 부터 프레젠테이션 영상의 스타일을 정의하고, 그 정보를 이용해 삽화의 그래픽 효과를 변경할 수 있다.
제2 인공지능 모델은 삽화의 동적인 움직임을 주거나 음향효과를 주는 것이 가능하다. 삽화의 특정 부분이 회전, 깜빡임, 흔들림, 일정 크기 이상으로 커지거나 작아짐을 반복하는 등의 움직임이 있을 수 있고, 삽화의 등장시 삽화에 적절하게 매칭되는 효과음이나 짧은 음악 등이 삽화와 함께 제공될 수 있다.
일 실시 예에 따르면, 프레젠테이션 영상에 대한 텍스트를 제1 인공지능 모델(1210)에 입력하여 적어도 하나의 제1 삽화(1211)를 획득할 수 있다. 제1 인공지능 모델(1210)은 자연어 처리를 수행할 수 있어, 텍스트로부터 핵심 단어를 추출하고 각 핵심 단어의 의미, 연관 관계를 파악할 수 있다. 핵심 단어의 의미에 따라 제1 삽화(1211)의 형태가 생성되며, 제1 삽화(1211)는 핵심 단어들 간의 연관관계, 문맥의 의미에 따라 복수의 삽화들을 배치하여 합성함으로써 형성될 수 있고, 상기 복수의 삽화들은 핵심 단어들의 중요도에 따라(배경 단어인지, 주요 단어인지, 부속 단어인지 등에 따른 판단에 따라) 크기, 위치, 투명도 등이 결정될 수 있다.
그리고 프레젠테이션 영상의 디자인에 대한 정보 및 적어도 하나의 제1 삽화(1211)를 제2 인공지능 모델(1220)에 입력하여 적어도 하나의 제1 삽화(1211)를 프레젠테이션 영상의 디자인과 대응되도록 수정된 적어도 하나의 제2 삽화(1221)를 획득할 수 있다.
프레젠테이션 영상의 디자인은 슬라이드별로 다를 수 있으므로, 현재 슬라이드의 디자인에 맞는 삽화들이 생성될 수 있다.
또 다른 실시 예에 따르면, 프레젠테이션 영상의 디자인에 대한 정보가 없더라도 기존에 생성한 삽화의 디자인에 맞게 새로운 삽화의 디자인이 결정될 수 있다.
본 개시의 일 실시 예에 따르면, 인공지능 모델을 이용하여 획득된 삽화를 프레젠테이션 영상에 적용한 후, 사용자가 전체 프레젠테이션 영상의 디자인을 편집하여 디자인이 달라진 경우, 달라진 디자인에 맞게 삽화의 그래픽 효과가 자동으로 변경될 수 있다. 또 다른 예로, 프레젠테이션 영상에 적용된 삽화들 중 어느 하나의 삽화의 그래픽 효과가 사용자에 의해 변경된 경우, 수정된 그래픽 효과와 동일하게 다른 삽화들의 그래픽 효과도 자동으로 변경될 수 있다.
상술한 실시 예에 따르면, 프레젠테이션 영상의 디자인과 어울리며 통일감 있는 삽화들을 획득할 수 있으므로 사용자는 디자인적으로 좀 더 완성도 높은 프레젠테이션 자료를 제작할 수 있다.
한편, 프레젠테이션 영상의 디자인과 어울리는 것도 중요하지만, 삽화들도 서로 어울릴 필요가 있다. 본 개시의 또 다른 실시 예에 따르면, 삽화들 간의 디자인이 서로 유사하도록 생성될 수 있다. 예컨대, 프레젠테이션 영상에 대한 텍스트를 인공지능 모델에 입력하여 텍스트와 관련되며 서로 동일한 그래픽 효과를 갖는 복수의 삽화를 획득할 수 있다. 그래픽 효과는 그림자 효과, 반사 효과, 네온사인 효과, 입체 효과, 3차원 회전 효과 등을 포함할 수 있다.
이 경우, 한 문장/한 단락, 사용자가 지정한 문장/단락으로부터 획득된 삽화들 간의 디자인이 서로 유사하게 생성될 수 있고, 또는, 동일 프레젠테이션 자료의 전체 삽화들 간의 디자인이 서로 유사하게 생성될 수 있다.
다시 도 2a를 참고하면, 상술한 다양한 실시 예들에 따라 획득된 적어도 하나의 삽화 중 사용자에 의해 선택된 삽화를 프레젠테이션 영상에 표시한다(S240).
예컨대, 상술한 실시 예들에 따라 획득된 적어도 하나의 삽화는 프레젠테이션 영상이 표시된 화면 내의 일부 영역에서 제공될 수 있고, 여기서 선택된 삽화가 프레젠테이션 영상에 표시될 수 있다. 또 다른 예로, 획득된 삽화는 사용자의 선택 없이도 바로 프레젠테이션 영상에 표시될 수 있다.
프레젠테이션 영상에 표시된 삽화는 추가적인 사용자 조작에 의해 편집될 수 있다.
도 13 내지 도 16은 본 개시의 다양한 실시 예에 따른 삽화 제공을 위한 사용자 인터페이스를 설명하기 위한 도면이다.
도 13을 참고하면, 본 개시에 따른 삽화 생성 기능은 프레젠테이션 소프트웨어에 포함될 수 있다. 프레젠테이션 소프트웨어에서 제공하는 기능 메뉴들 중 삽화 생성 메뉴(1310)가 선택되면 삽화 검색을 위한 UI(1320)가 표시되고, UI(1320)에 마련된 텍스트 입력 영역(1321)에 텍스트를 입력하여 검색(1323)을 선택하면, 텍스트와 연관된 적어도 하나의 삽화를 포함하는 검색 결과(1325)가 제공될 수 있다.
검색 결과(1325)에는 다른 사용자들에 의한 사용 횟수 및 디자인 어울림 정도 등에 의해 평가된 점수에 따라 여러 개의 삽화가 나열될 수 있다.
검색 결과(1325)에 포함된 삽화들 중 사용자에 의해 선택된 삽화는 프레젠테이션 영상(1330)에 표시될 수 있다. 사용자는 삽화를 마우스, 터치 패드 등과 같은 입력 장치를 이용해 클릭, 드래그 앤 드롭, 롱 터치 등의 조작으로 프레젠테이션 영상(1330)에 표시되도록 할 수 있다.
도 14 내지 도 15는 본 개시의 또 다른 실시 예에 따른 삽화 제공 방법을 설명하기 위한 도면이다.
도 14를 참고하면, 프레젠테이션 소프트웨어가 제공하는 화면에 마련된 스크립트 입력창(1400)에 삽화 생성 버튼(1410)이 마련될 수 있다. 사용자가 스크립트 입력창(1400)에 텍스트를 입력하고 삽화 생성 버튼(1410)을 선택하면 프레젠테이션 영상(1420) 상에 텍스트와 연관된 적어도 하나의 삽화(1421)가 표시될 수 있다.
도 15를 참고하면, 사용자가 삽화를 생성할 텍스트를 블록지정(예컨대, 텍스트를 드래그함)하고 삽화 생성 버튼(1510)을 선택하면, 지정된 텍스트(1520)와 연관된 적어도 하나의 삽화(1531)가 프레젠테이션 영상(1530) 상에 표시될 수 있다. 본 실시 예에 따르면 지정한 문장마다 삽화를 생성할 수 있다.
도 16은 본 개시의 또 다른 실시 예에 따른 삽화 제공 방법에 대한 것으로, 도 16을 참조하면, 사용자가 삽화를 생성할 텍스트를 블록지정(예컨대, 텍스트를 드래그함)하고 블록 지정된 텍스트에 대한 특정 조작(예컨대, 마우스의 오른쪽 버튼 누름, 터치 패드를 롱 프레스함)을 하면, 메뉴(1640)가 표시되고, 메뉴(1640)에 포함된 삽화 생성 아이템을 선택하면, 삽화 검색을 위한 UI(1600)의 텍스트 입력 영역(1610)에 블록 지정된 텍스트가 입력되고, 이후 사용자가 검색(1620)을 선택하면, 블록 지정된 텍스트와 연관된 적어도 하나의 삽화를 포함하는 검색 결과(1630)가 제공될 수 있다. 검색 결과(1630)에는 다른 사용자들에 의한 사용 횟수 및 디자인 어울림 정도 등에 의해 평가된 점수에 따라 여러 개의 삽화가 나열될 수 있다.
본 개시의 일 실시 예에 따르면 텍스트를 자연어 처리를 수행하는 인공지능 모델에 입력하여 텍스트로부터 복수의 핵심 단어를 추출하고 복수의 핵심 단어의 우선순위를 매기고, 상기 복수의 핵심 단어와 우선 순위에 대한 정보를 키워드 벡터로 정의하고 삽화 생성을 위해 학습된 인공지능 모델에 입력하여 삽화의 형태를 생성할 수 있다.
구체적으로, 사용자가 문장을 입력하면, 문장을 자연어 처리를 수행하는 인공지능 모델에 입력하여 문장을 구/절 단위로 쪼개 해당 구/절이 가지는 의미에 대해 파악한다. 그리고 각 구/절 간의 관계를 정의한다(배경/현상, 원인/결과, 대조, 주장과 근거 등). 그리고 각 구/절 내의 문장의 단어 구분한다. 그리고 각 단어를 구분하여 단어가 포함되었던 구/절이 가지는 의미에서 차지하는 우선순위를 매긴다. 그리고 우선순위에 따라 각 구/절의 단어를 정렬하여 N 개(예컨대 2개)의 우선순위가 큰 단어만 삽화 생성에 사용하고, 나머지는 무시할 수 있다.
그리고 우선순위가 매겨진 구/절 내의 N 개의 주요 단어 간의 연관 관계 (주어와 서술어, 서술어와 목적어, 주술목 등)와 단어 간의 연결 정도를 정의한다. 예를 들어, "점점 늘어가는 스타트업 도전"이라는 문장이 입력되었다면 '늘어가는(1)', '스타트업(2)', '도전(3)', '점점(4)' 와 같이 핵심 단어들을 추출하여 우선순위를 매길 수 있다.
이 경우, 작은 범위의 개념부터 삽화로 형상화시킬 수 있다. 예컨대, 단어끼리의 연관 관계 종류에 따라 정의된 삽화 배치에 대한 템플릿이 제1 데이터베이스로 구성되어 있을 수 있고, 구/절끼리의 연관 관계 종류에 따라 정의된 삽화 배치 템플릿이 제2 데이터베이스로 구성되어 있을 수 있다. 그리고 각 단어의 의미와 매칭되는 삽화들이 검색되고 가장 높은 확률로 매칭된 삽화가 선택될 수 있다. 단어의 연관관계로 템플릿을 내부적으로 로드하여 준비되고, 각 단어로부터 매칭된 삽화가 템플릿에 삽입되어 1차 삽화들을 생성한다. 그리고 1차 삽화들로 생성된 구/절들의 연관관계에 따라 제2 데이터베이스로부터 로드된 템플릿에 1차 삽화들이 삽입되어 2차 삽화로 생성된다. 이렇게 생성된 2차 삽화를 기초 형태라고 정의할 수 있다.
그리고 삽화의 기초 형태와 현재의 프레젠테이션 영상의 디자인을 이용하여 삽화의 기초 형태에 대한 그래픽 효과를 자동으로 변경한다. 예컨대, 현재의 프레젠테이션 영상의 디자인에서 사용된 색을 나열하고, 그 색의 빈도, 면적 등을 가중치로 하여 현재 프레젠테이션 영상의 색 테마 정보를 계산할 수 있으며 계산된 색 테마 내의 색상을 이용하여 기초 형태의 삽화를 채색할 수 있다. 또는, 색 정보 외에도 프레젠테이션 영상의 디자인에서 사용된 선 스타일, 선 굵기, 곡선 빈도, 모서리 처리 등의 디자인 요소 등으로부터 현재 프레젠테이션의 디자인을 정의하고, 그 정보를 이용해 삽화의 그래픽 효과를 변경할 수 있다.
이와 같이 생성된 삽화에 대해 사용자가 후 편집할 수 있다. 그리고 프레젠테이션 영상의 디자인 변경시 그에 맞게 재생성될 수도 있다. 각 템플릿이나 1차 삽화 검색 등에 있어서 사용자의 선택이 가능하고 그 사용자의 선택을 점수화하여 인공지능 모델을 강화학습시킬 수 있다. 강화학습 개념을 이용하여 템플릿이나 삽화 검색에 있어서 사용자들 혹은 개인 사용자가 더 선호한 결과를 점진적으로 학습하여 보여줄 수도 있다.
한편, 본 개시의 다양한 실시 예들은 메신저 프로그램에서도 적용될 수 있다. 도 17 내지 도 18a은 본 개시의 삽화 생성 기능이 메신저 프로그램에 적용된 실시 예를 설명하기 위한 도면이다.
도 17을 참고하면, 사용자가 메신저 프로그램의 메신저 UI에 마련된 이모티콘 버튼을 선택하고 생성하고자 이모티콘에 대한 텍스트를 입력하면, 입력된 텍스트와 관련된 적어도 하나의 이모티콘이 생성되어 표시될 수 있다. 사용하는 생성된 이모티콘들 중 원하는 이모티콘을 선택하여 대화 상대방에게 전송할 수 있다. 또한, 이모티콘뿐만 아니라 글과 어울리는 삽화를 생성하여 상대방에게 전송하는 것도 가능하다.
도 18a를 참고하면, 메신저 프로그램의 메신저 UI에 마련된 특정 버튼(편지 봉투 모양)을 선택하면 입력된 텍스트와 어울리는 배경 이미지가 생성될 수 있다. 그리고 텍스트 창에 입력된 텍스트가 배경 이미지에 삽입될 수 있다. 텍스트의 위치는 터치 및 드래그 등의 사용자 조작에 의해 변경 가능하다. 이와 같이 배경 이미지에 텍스트가 삽입된 이미지 형태의 메시지가 대화 상대방에게 전송될 수 있다.
한편, 본 개시의 다양한 실시 예들은 키보드 프로그램에서도 적용될 수 있다. 도 18b는 본 개시의 삽화 생성 기능이 키보드 프로그램에 적용된 실시 예를 설명하기 위한 도면이다.
도 18b를 참고하면, 사용자가 키보드 프로그램의 UI에 마련된 삽화 생성 버튼(1810)을 선택하고 생성하고자 삽화에 대한 텍스트를 입력하면, 입력된 텍스트와 관련된 적어도 하나의 삽화가 생성되어 표시될 수 있다. 상기 삽화가 생성되는 과정은 도1 내지 도 12를 통해서 설명된 방법으로 수행될 수 있다. 상기 키보드 프로그램은 다양한 다른 프로그램과 연동하여 작동할 수 있다. 예를 들어, 상기 키보드 프로그램은 웹 브라우저 프로그램, 문서 작성 프로그램, 채팅 프로그램, 메신저 프로그램 등과 연동하여 동작할 수 있다. 즉, 상기 키보드 프로그램으로 입력된 텍스트와 관련된 삽화 정보를 획득하여, 상기 삽화 정보를 상기 웹 브라우저 프로그램, 상기 문서 작성 프로그램, 상기 채팅 프로그램, 또는 상기 메신저 프로그램으로 전달할 수 있다.
도 19는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 설명하기 위한 블록도이다. 전자 장치(100)는 도 1 내지 도 18a를 참고하여 상술한 실시 예들의 동작의 전부 또는 일부를 수행할 수 있는 장치이다.
도 19를 참고하면, 전자 장치(100)는 메모리(110), 프로세서(120)를 포함한다.
예를 들면, 메모리(110)는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는, 예를 들면, 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나를 포함할 수 있다.
외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 또는 메모리 스틱(memory stick) 등을 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 전자 장치(100)와 기능적으로 및/또는 물리적으로 연결될 수 있다.
메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(110), 프로세서(120) 내 롬, 램 또는 전자 장치(100)에 장착되는 메모리 카드(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다.
메모리(110)는 도 1 내지 도 18a을 참고하여 상술한 실시 예들에 따른 제어방법을 수행하기 위한 컴퓨터 실행가능 명령어(computer executable instructions)를 저장할 수 있다.
메모리(110)는 프레젠테이션 소프트웨어, 메신저 소프트웨어 등을 저장할 수 있다.
메모리(110)는 도 1 내지 도 18a를 참고하여 상술한 실시 예들에 따른 인공지능 모델을 저장할 수 있다. 인공지능 모델은 외부의 서버에서 학습되어 전자 장치(100)로 제공될 수 있다. 전자 장치(100)는 외부 서버로부터 인공지능 모델을 다운로드받아 메모리(110)에 저장할 수 있고, 인공지능 모델이 업데이트(또는 재학습)되면 업데이트된 인공지능 모델을 외부 서버로부터 수신하여 저장할 수 있다. 전자 장치(100)는 이와 같은 외부 서버에 근거리 통신망(LAN: Local Area Network), 인터넷망 등을 통해 접속될 수 있다.
메모리(110)는 태그 정보가 매칭된 삽화들로 구성된 데이터 베이스, 문장 내 단어들의 연관 관계에 따라 삽화들의 배치 형태를 정의한 템플릿으로 구성된 데이터 베이스, 문장의 구/절끼리의 연관 관계에 따라 삽화들의 배치 형태를 정의한 템플릿으로 구성된 데이터 베이스 등 다양한 데이터 베이스를 저장할 수 있다.
일 실시 예에 따르면, 메모리(110)는 클라우드 서버와 같은 전자 장치(100) 외부의 서버로 구현될 수도 있다.
프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어하기 위한 구성이다. 프로세서(120)는 예컨대, CPU, ASIC, SoC, MICOM 등으로 구현될 수 있다. 프로세서(120)는 운영 체제 또는 응용 프로그램을 구동하여 프로세서(120)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 한 실시 예에 따르면, 프로세서(120)는 GPU(graphic processing unit) 및/또는 이미지 신호 프로세서(image signal processor)를 더 포함할 수 있다.
프로세서(120)는 메모리(110)에 저장된 컴퓨터 실행가능 명령어를 실행함으로써, 도 1 내지 도 18a에서 설명한 실시 예들 전부 또는 일부에 따른 기능을 전자 장치(100)가 수행할 수 있도록 한다.
프로세서(120)는 메모리(110)에 저장된 하나 이상의 인스트럭션들을 실행함으로써, 사용자 입력을 기반으로 텍스트를 획득하고, 획득된 텍스트로부터 복수의 핵심 단어를 결정하며, 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 획득하고, 복수의 제1 삽화들 중에서 적어도 2개 이상의 제1 삽화를 합성하여 제2 삽화를 획득하고, 획득된 제2 삽화를 출력할 수 있다.
또한, 프로세서(120)는 프레젠테이션 영상을 제공하고, 프레젠테이션 영상에 대한 텍스트가 입력되면 인공지능 알고리즘에 의해 학습된 인공지능 모델에 텍스트를 입력하여 텍스트와 관련된 적어도 하나의 삽화를 획득하고, 획득된 적어도 하나의 삽화 중 사용자에 의해 선택된 삽화를 프레젠테이션 영상 상에 제공할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 텍스트와 관련된 삽화를 획득하기 위하여 인공지능 전용 프로그램(또는 인공지능 에이전트, Artificial intelligence agent)인 개인 비서 프로그램을 이용할 수 있다. 이때, 개인 비서 프로그램은 AI(Artificial Intelligence) 기반의 서비스를 제공하기 위한 전용 프로그램으로서, 프로세서(120)에 의해 실행될 수 있다. 프로세서(120)는 범용 프로세서 또는 별도의 AI 전용 프로세서일 수 있다.
본 개시의 일 실시 예에 따르면 전자 장치(100)는 자체적으로 디스플레이를 포함하고, 프로세서(120)는 다양한 영상을 표시하도록 디스플레이를 제어할 수 있다. 또 다른 실시 예에 따르면, 전자 장치(100)는 외부 디스플레이 장치와 연결되어 외부 디스플레이 장치에서 다양한 영상이 표시되도록 외부 디스플레이 장치로 영상 신호를 출력할 수 있다. 후자의 경우, 전자 장치(100)는 외부 디스플레이 장치와 유선 또는 무선으로 연결될 수 있다. 예컨대 전자 장치(100)는 컴포넌트 입력 잭, HDMI(High-Definition MultimediaInterface) 입력 포트, USB 포트, RGB, DVI, HDMI, DP, 썬더볼트 등의 포트 중 적어도 하나를 포함하고, 이러한 포트를 통해 외부 디스플레이 장치와 연결될 수 있다. 또 다른 예로, 전자 장치(100)는 WiFi(Wireless Fidelity), WiDi(WirelessDisplay), WiHD(WirelessHD), WHDI(Wireless Home Digital Interface), 미라캐스트(Miracast), 와이파이 다이렉트(Wi-Fi Direct), 블루투스(ex. 블루투스 클래식(Bluetooth Classic), 블루투스 저 에너지(Bluetooth Low Energy)), AirPlay, 지그비(Zigbee) 등의 통신 방식을 통해 외부 디스플레이 장치와 연결될 수 있다.
전자 장치(100)에 포함된 디스플레이 또는 전자 장치(100)와 연결되는 외부 디스플레이 장치는 예를 들면, 액정 디스플레이(liquid crystal display(LCD)), 발광 다이오드(light-emitting diode(LED)) 디스플레이, 유기 발광 다이오드(organic light-emitting diode(OLED)) 디스플레이(예컨대 AMOLED(active-matrix organic light-emitting diode), PMOLED(passive-matrix OLED)), 또는 마이크로 전자기계 시스템(microelectromechanical systems(MEMS)) 디스플레이, 또는 전자종이(electronic paper) 디스플레이, 터치 스크린을 포함할 수 있다.
본 개시에서 프로세서(120)가 영상, 삽화, 아이콘 등을 "제공"하는 것은 전자 장치(100)의 내부 디스플레이를 제어하여 영상 또는 삽화를 내부 디스플레이를 통해 표시하거나, 또는 전자 장치(100)의 외부 디스플레이 장치로 영상, 삽화 등에 대한 영상 신호를 출력하는 것을 포함한다.
본 개시의 일 실시 예에 따르면, 전자 장치(100)는 자체적으로 입력 장치를 포함하고, 입력 장치 통해 다양한 사용자 입력을 수신할 수 있다. 상기 입력 장치는 예컨대, 터치 패널, 터치 스크린, 버튼, 모션 입력을 수신할 수 있는 센서, 카메라 또는 음성 입력을 수신할 수 있는 마이크 등을 포함할 수 있다.
또 다른 실시 예에 따르면, 전자 장치(100)는 외부 입력 장치와 연결되어 외부 입력 장치를 통해 다양한 사용자 입력을 수신할 수 있다. 예컨대, 외부 입력 장치는 키보드, 마우스 또는 리모컨 등을 포함할 수 있다. 전자 장치(100)는 외부 입력 장치와 무선 또는 유선으로 연결될 수 있다. 예컨대 전자 장치(100)는 USB 포트 등을 통해 외부 입력 장치와 유선으로 연결될 수 있다. 또 다른 예로, 전자 장치(100)는 적외선 통신(IrDA, infrared Data Association), RFID(Radio Frequency Identification), WiFi(Wireless Fidelity), 와이파이 다이렉트(Wi-Fi Direct), 블루투스(ex. 블루투스 클래식(Bluetooth Classic), 블루투스 저 에너지(Bluetooth Low Energy)), 지그비(Zigbee) 등의 통신 방식을 통해 외부 입력 장치와 무선으로 연결될 수 있다.
전자 장치(100)는 자체적으로 포함하는 입력 장치 또는 외부 입력 장치를 통해 삽화 생성을 위한 텍스트, 삽화를 선택하기 위한 사용자 입력 등 다양한 사용자 입력을 수신할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 도 1에 도시된 것과 같이 텍스트 입력창이 마련된 화면을 제공할 수 있고, 텍스트 입력창에 텍스트가 입력되면 프로세서(120)는 인공지능 모델에 상기 텍스트를 입력하여 상기 텍스트와 관련된 적어도 하나의 삽화를 획득할 수 있다.
또 다른 실시 예에 따르면, 프로세서(120)는 도 13에 도시된 것과 같은 화면을 제공할 수 있고, 삽화 생성 메뉴(1310)가 선택되면 삽화 검색을 위한 UI(1320)를 제공할 수 있다. 그리고 삽화 검색을 위한 UI(1320)에 마련된 텍스트 입력 영역(1321)에 텍스트가 입력되고 검색(1323)이 선택되면, 프로세서(120)는 텍스트를 인공지능 모델에 입력하여, 텍스트와 연관된 적어도 하나의 삽화를 포함하는 검색 결과(1325)를 제공할 수 있다. 그리고 프로세서(120)는 검색 결과(1325)에서 선택된 삽화를 프레젠테이션 영상(1330)에 제공할 수 있다.
또 다른 실시 예에 따르면, 프로세서(120)는 도 14에 도시된 것과 같은 화면을 제공할 수 있고, 스크립트 입력창(1400)에 텍스트가 입력되고 삽화 생성 버튼(1410)이 선택되면, 프로세서(120)는 입력된 텍스트를 인공지능 모델에 입력하여 텍스트와 연관된 적어도 하나의 삽화(1421)를 제공할 수 있다.
또 다른 실시 예에 따르면, 프로세서(120)는 도 15에 도시된 것과 같은 화면을 제공할 수 있고, 텍스트 지정을 위한 사용자 입력 및 삽화 생성 버튼(1510)을 선택하는 사용자 입력이 수신되면, 프로세서(120)는 지정된 텍스트(1520)를 인공지능 모델에 입력하여 텍스트와 연관된 적어도 하나의 삽화(1531)를 제공할 수 있다.
또 다른 실시 예에 따르면, 프로세서(120)는 도 16에 도시된 것과 같이 텍스트를 블록지정 하고 블록 지정된 텍스트에 대한 특정한 사용자 조작이 입력되면 메뉴(1640)를 제공하고, 메뉴(1640)에 포함된 삽화 생성 아이템이 선택되면, 프로세서(120)는 텍스트 입력 영역(1610)에 블록 지정된 텍스트가 입력된 삽화 검색을 위한 UI(1600)를 제공하고, 검색(1620)이 선택되면, 블록 지정된 텍스트를 인공지능 모델에 입력하여 텍스트와 연관된 적어도 하나의 삽화를 포함하는 검색 결과(1630)를 제공할 수 있다. 그리고 프로세서(120)는 검색 결과(1630)에서 선택된 삽화를 프레젠테이션 영상(1330)에 제공할 수 있다.
본 개시의 일 실시 예에 따르면, 프로세서(120)는 프레젠테이션 영상의 디자인에 대한 정보 및 텍스트를 인공지능 모델에 입력하여, 텍스트와 관련되며 프레젠테이션 영상의 디자인과 대응되는 적어도 하나의 삽화를 획득할 수 있다.
예컨대, 도 12를 참고하여 설명하자면, 프로세서(120)는 텍스트를 제1 인공지능 모델(1210)에 입력하여 적어도 하나의 제1 삽화(1211)를 획득하고, 프레젠테이션 영상의 디자인에 대한 정보 및 적어도 하나의 제1 삽화(1211)를 제2 인공지능 모델(1220)에 입력하여, 적어도 하나의 제1 삽화(1211)가 프레젠테이션 영상의 디자인과 대응되도록 수정된 적어도 하나의 제2 삽화(1221)를 획득할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 텍스트를 인공지능 모델에 입력하여 텍스트와 관련되며 서로 동일한 그래픽 효과를 갖는 복수의 삽화를 획득할 수 있다.
일 실시 예에 따르면, 프로세서(120)는 텍스트를 인공지능 모델에 입력하여, 복수의 제1 삽화를 획득하고 복수의 제1 삽화를 합성한 제2 삽화를 상기 텍스트와 연관된 삽화로 획득할 수 있다. 예컨대, 프로세서(120)는 도 5 내지 도 11을 참고하여 설명한 것과 같이 인공지능 모델을 이용하여 복수의 삽화를 합성한 삽화를 획득할 수 있다.
본 개시의 일 실시 예에 따르면, 메모리(120)는 도 4에서 설명한 것과 같이 태그 정보와 매칭된 삽화들을 포함한 데이터 베이스를 저장할 수 있다. 이 경우, 프로세서(120)는 인공지능 모델에 텍스트를 입력하여 상기 텍스트로부터 적어도 하나의 핵심 단어를 획득하고 상기 획득된 적어도 하나의 핵심 단어에 대응하는 삽화를 메모리(120)에 저장된 데이터 베이스로부터 검색할 수 있다. 데이터 베이스는 전자 장치(100)의 외부 서버에 저장되어 있을 수도 있다.
본 개시의 일 실시 예에 따르면, 프로세서(120)는 인공지능 모델을 이용해 획득된 적어도 하나의 삽화 중 사용자에 의해 선택된 삽화에 대한 정보를 포함하는 피드백 데이터를 상기 인공지능 모델에 적용하여 상기 인공지능 모델을 재학습시킬 수 있다.
본 개시의 또 다른 실시 예에 따르면, 프로세서(120)는 메신저 프로그램을 실행하여 제공되는 UI에 입력된 텍스트를 인공지능 모델에 입력하여, 예컨대 도 17에서 설명한 것과 같이 텍스트와 관련된 이모티콘을 제공할 수 있고, 도 18a에서 설명한 것과 같이 배경 이미지를 제공할 수 있다.
한편, 상술한 실시 예들에선 전자 장치(100) 하나의 장치만이 이용되는 것으로 설명하였으나, 여러 대의 장치를 통해 상술한 실시 예가 구현될 수도 있다. 이와 관련하여선 도 20a, 도 20b 및 도 20c를 참고하여 설명하도록 한다.
도 20a는 본 개시의 다양한 실시 예에 다른 인공지능 모델을 이용하는 네트워크 시스템의 흐름도이다.
도 20a를 참고하면, 인공지능 모델을 이용하는 네트워크 시스템은 제1 구성 요소(2010a) 및 제2 구성 요소(2020a)를 포함할 수 있다. 예컨대, 제1 구성 요소(2010a)는 데스크톱, 스마트폰, 태블릿 PC 등과 같은 전자 장치이고 제2 구성 요소(2020a)는 인공지능 모델, 데이터 베이스 등이 저장된 서버일 수 있다. 또는, 제1 구성 요소(2010a)는 범용 프로세서이고, 제2 구성 요소(2020a)는 인공 지능 전용 프로세서가 될 수 있다. 또는, 제1 구성 요소(2010)는 적어도 하나의 애플리케이션이 될 수 있고, 제2 구성 요소(2020a)는 운영 체제(operating system, OS)가 될 수 있다. 즉, 제2 구성 요소(2020a)는 제1 구성 요소(2010a)보다 더 집적화되거나, 전용화되거나, 딜레이(delay)가 작거나, 성능이 우세하거나 또는 많은 리소스를 가진 구성 요소로서 모델의 생성, 갱신 또는 적용 시에 요구되는 많은 연산을 제1 구성 요소(2010a)보다 신속하고 효과적으로 처리 가능한 구성 요소가 될 수 있다.
제1 구성 요소(2010a) 및 제2 구성 요소(2020a) 간에 데이터를 송/수신하기 위한 인터페이스가 정의될 수 있다.
일 예로, 모델에 적용할 학습 데이터를 인자 값(또는, 매개 값 또는 전달 값)으로 갖는 API(application program interface)가 정의될 수 있다. API는 어느 하나의 프로토콜(예로, 제1 구성 요소(2010a)에서 정의된 프로토콜)에서 다른 프로토콜(예로, 제2 구성 요소(2020a)에서 정의된 프로토콜)의 어떤 처리를 위해 호출할 수 있는 서브 루틴 또는 함수의 집합으로 정의될 수 있다. 즉, API를 통하여 어느 하나의 프로토콜에서 다른 프로토콜의 동작이 수행될 수 있는 환경을 제공될 수 있다.
도 20a를 참고하면, 먼저, 제1 구성요소(2010a)는 텍스트를 입력받을 수 있다(S2001a). 제1 구성요소(2010a)는 키보드, 터치 스크린 등 다양한 입력 장치를 통해 텍스트를 입력받을 수 있다. 또는, 제1 구성 요소(2010a)는 음성을 입력받아 이를 텍스트로 변환할 수 있다. 여기서 텍스트는 프레젠테이션 영상에 대한 스크립트 또는 메신저 프로그램의 텍스트 입력창에 입력되는 텍스트 등일 수 있다.
그리고 제1 구성요소(2010a)는 입력된 텍스트를 제2 구성요소(2020a)로 전송할 수 있다(S2003a). 예컨대, 제1 구성요소(2010a)는 근거리 통신망(LAN: Local Area Network) 및 인터넷망을 통해 제2 구성요소(2020a)에 접속될 수 있고, 또는 무선 통신(예를 들어, GSM, UMTS, LTE, WiBRO 등의 무선 통신) 방식에 의해서 제2 구성요소(2020a)에 접속될 수 있다.
제1 구성요소(2010a)는 입력된 텍스트 그대로를 제2 구성요소(2020a)에 전송하거나, 또는 입력된 텍스트에 자연어 처리를 하여 제2 구성요소(2020a)에 전송할 수 있다. 이 경우, 제1 구성요소(2010a)는 자연어 처리를 위한 인공 지능 모델을 저장하고 있을 수 있다.
제2 구성요소(2020a)는 수신된 텍스트를 인공지능 모델에 입력하여 텍스트와 연관된 적어도 하나의 삽화를 획득할 수 있다(S2005a). 제2 구성요소(2020a)는 인공지능 모델 및 삽화 생성에 필요한 다양한 데이터를 포함한 데이터 베이스를 저장할 수 있다. 제2 구성요소(2020a)는 상술한 다양한 실시 예에 따른 인공지능 모델을 이용한 동작을 수행할 수 있다.
그리고 제2 구성요소(2020a)는 획득된 적어도 하나의 삽화를 제1 구성요소(2010a)로 전송할 수 있다(S2007a). 이 경우, 예컨대, 제2 구성요소(2020a)는 획득된 적어도 하나의 삽화를 이미지 파일 형태로 제1 구성요소(2010a)에 전송할 수 있다. 또 다른 예로, 제2 구성요소(2020a)는 획득된 적어도 하나의 삽화의 저장 주소(예컨대, URL 주소)에 대한 정보를 제1 구성요소(2010a)로 전송할 수 있다.
제1 구성요소(2010a)는 제2 구성요소(2020a)로부터 수신한 삽화를 제공할 수 있다(S2009a). 예컨대 제1 구성요소(2010a)는 자체적으로 포함한 디스플레이 또는 외부 디스플레이 장치를 통해 수신한 적어도 하나의 삽화를 표시할 수 있다. 사용자는 표시된 적어도 하나의 삽화 중 사용을 원하는 삽화를 선택하여 이용할 수 있다. 예컨대, 삽화는 프레젠테이션 영상 제작을 위해 이용될 수 있고, 메신저 프로그램에서 대화 상대방에게 보낼 이모티콘, 배경화면 등으로 이용될 수 있다.
상술한 바와 같은 인공지능 모델은 인공지능 알고리즘 기반으로 학습된 판단 모델로서, 예로, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 학습된 인공지능 모델은 인간의 뇌 구조를 컴퓨터상에서 모의하도록 설계될 수 있으며 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 또한, 학습된 인공지능 모델은, 일 예로, 신경망 모델, 또는 신경망 모델에서 발전한 딥 러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 학습된 인공지능 모델의 예에는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등이 있을 수 있으나 이에 한정되지 않는다.
일 실시 예에 따르면, 제1 구성요소(2010a)는 상술한 바와 텍스트와 관련된 삽화를 획득하기 위하여 인공지능 전용 프로그램(또는 인공지능 에이전트, Artificial intelligence agent)인 개인 비서 프로그램을 이용할 수 있다. 이때, 개인 비서 프로그램은 AI(Artificial Intelligence) 기반의 서비스를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서 또는 별도의 AI 전용 프로세서에 의해 실행될 수 있다.
구체적으로, 기설정된 사용자 입력(예를 들어, 개인 비서 챗봇에 대응되는 아이콘 터치, 기설정된 단어를 포함하는 사용자 음성 등)이 입력되거나 제1 구성요소(2010a)에 구비된 버튼(예를 들어, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러지는 경우, 인공지능 에이전트가 동작(또는 실행)할 수 있다. 그리고 인공지능 에이전트는 텍스트를 제2 구성요소(2020a)로 전송하고 제2 구성요소(2020a)로부터 수신된 적어도 하나의 삽화를 제공할 수 있다.
물론, 화면상에 기설정된 사용자 입력이 감지되거나 제1 구성요소(2010a)에 구비된 버튼(예를 들어, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러지면, 인공지능 에이전트가 동작할 수도 있다. 또는, 인공지능 에이전트는 기설정된 사용자 입력이 감지되거나 제1 구성요소(2010a)에 구비된 버튼이 선택되기 이전에 기 실행된 상태일 수 있다. 이 경우, 기설정된 사용자 입력이 감지되거나 제1 구성요소(2010a)에 구비된 버튼이 선택된 이후에는 제1 구성요소(2010a)의 인공지능 에이전트가 텍스트를 바탕으로 삽화를 획득할 수 있다. 또한, 인공지능 에이전트는 기설정된 사용자 입력이 감지되거나 제1 구성요소(2010a)에 구비된 버튼이 선택되기 이전에 대기 상태일 수 있다. 여기서, 대기 상태란, 인공지능 에이전트의 동작 시작을 제어하기 위해 미리 정의된 사용자 입력이 수신되는 것을 감지하는 상태이다. 인공지능 에이전트가 대기 상태인 동안 기설정된 사용자 입력이 감지되거나 제1 구성요소(2010a)에 구비된 버튼이 선택되면, 제1 구성요소(2010a)는 인공지능 에이전트를 동작시키고, 텍스트를 바탕으로 획득된 삽화를 제공할 수 있다.
본 개시의 또 다른 실시 예로, 제1 구성요소(2010a)가 직접 인공지능 모델을 이용하여 텍스트와 관련한 적어도 하나의 삽화를 획득하는 경우 인공지능 에이전트는 인공지능 모델을 제어하여 텍스트와 관련한 적어도 하나의 삽화를 획득할 수 있다. 이때, 인공지능 에이전트는 상술한 제2 구성요소(2020a)의 동작을 수행할 수 있다.
도 20b는 본 개시의 일 실시 예에 따른 인공지능 모델을 이용하는 네트워크 시스템의 흐름도이다.
도 20b를 참조하면, 인공지능 모델을 이용하는 네트워크 시스템은 제1 구성 요소(2010b), 제2 구성 요소(2020b) 및 제3 구성 요소(2030b)를 포함할 수 있다. 예컨데, 제1 구성 요소(2010b)는 데스크톱, 스마트폰, 태블릿 PC 등과 같은 전자 장치이고 제2 구성 요소(2020b)는 마이크로소프트 파워포인트? 또는 키노트? 등과 같은 프레젠테이션 소프트웨어를 구동하는 서버일 수 있으며, 제3 구성 요소(2030b)는 자연어 처리를 수행하는 인공지능 모델 등이 저장된 서버일 수 있다.
제1 구성 요소(2010b), 제2 구성 요소(2020b) 및 제3 구성 요소(2030b) 간에 데이터를 송/수신하기 위한 인터페이스가 정의될 수 있다.
도 20b를 참고하면, 먼저, 제1 구성요소(2010b)는 텍스트를 입력받을 수 있다(S2001b). 제1 구성요소(2010b)는 키보드, 터치 스크린 등 다양한 입력 장치를 통해 텍스트를 입력받을 수 있다. 또는, 제1 구성 요소(2010b)는 음성을 입력받아 이를 텍스트로 변환할 수 있다.
이후, 제1 구성요소(2010b)는 입력된 텍스트를 제3 구성요소(2030b)로 전송할 수 있다(S2003b). 예컨대, 제1 구성요소(2010b)는 근거리 통신망(LAN: Local Area Network) 및 인터넷망을 통해 제3 구성요소(2030b)에 접속될 수 있고, 또는 무선 통신(예를 들어, GSM, UMTS, LTE, WiBRO 등의 무선 통신) 방식에 의해서 제3 구성요소(2030b)에 접속될 수 있다.
제3 구성요소(2030b)는 수신된 텍스트를 인공지능 모델에 입력하여 텍스트와 연관된 적어도 하나의 핵심 단어 및 핵심 단어 사이의 연관 관계를 획득할 수 있다(S2005b). 제3 구성요소(2030b)는 핵심 단어 및 핵심 단어 사이의 연관 관계를 제2 구성요소(2020b)로 전송할 수 있다(S2007b).
제2 구성요소(2020b)는 수신된 핵심 단어 및 핵심 단어 사이의 연관 관계를 이용하여, 합성 삽화를 생성할 수 있다(S2009b). 제2 구성요소(2020b)는 생성된 합성 삽화를 제1 구성 요소(2010b)로 전달할 수 있다(S2011b). 예컨대 제1 구성요소(2010b)는 자체적으로 포함한 디스플레이 또는 외부 디스플레이 장치를 통해 수신한 적어도 하나의 삽화를 표시할 수 있다. 예컨대, 삽화는 프레젠테이션 영상 제작을 위해 이용될 수 있고, 메신저 프로그램에서 대화 상대방에게 보낼 이모티콘, 배경화면 등으로 이용될 수 있다.
도 20c는 본 개시의 일 실시 예에 따른 네트워크 시스템의 구성도이다.
도 20c를 참조하면, 인공지능 모델을 이용하는 네트워크 시스템은 제1 구성 요소(2010c) 및 제2 구성 요소(2020c)를 포함할 수 있다. 예컨대, 제1 구성 요소(2010c)는 데스크톱, 스마트폰, 태블릿 PC 등과 같은 전자 장치이고 제2 구성 요소(2020c)는 인공지능 모델, 데이터 베이스 등이 저장된 서버일 수 있다.
제1 구성 요소(2010c)는 입력부(2012c) 및 출력부(2014c)를 포함할 수 있다. 입력부(2012c)는 입력 장치를 통해서 텍스트를 입력 받을 수 있다. 입력 장치는 예컨대, 키보드, 터치 패드, 마우스, 버튼 등을 포함할 수 있다. 입력 장치는 제1 구성 요소(2010c)에 내장되어 있거나 또는 제1 구성 요소(2010c)와 연결된 외부 입력 장치일 수 있다. 출력부(2014c)는 출력 장치를 통해서 영상을 출력할 수 있다. 예를 들어, 출력부(2014c)는 출력 장치를 통해서, 제2 구성 요소(2020c)로부터 수신한 정보를 바탕으로 삽화를 출력할 수 있다. 출력 장치는 예를 들어, 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 유기 발광 다이오드(OLED) 디스플레이, 또는 마이크로 전자기계 시스템(MEMS) 디스플레이, 또는 전자종이(electronic paper) 디스플레이, 터치 스크린을 포함할 수 있다. 출력장치는 제1 구성 요소(2010c)에 내장되어 있거나 또는 제1 구성 요소(2010c)와 연결된 외부 출력 장치일 수 있다.
제2 구성 요소(2020c)는 자연어 처리부(2022c), 데이터베이스(2026c) 및 삽화 생성부(2024c)를 포함할 수 있다.
자연어 처리부(2022c)는 수신된 텍스트가 입력되면, 이를 인공 지능 모델을 이용하여 핵심 단어를 추출하고, 핵심 단어들 사이의 연관 관계 및 문맥을 파악할 수 있다.
데이터 베이스(2026c)는 태그 정보와 매칭된 삽화들을 저장할 수 있다. 예를 들어, 자연어 처리부(2022c)에서 출력된 핵심 단어들을 포함하는 태그 정보와 매칭된 삽화들을 데이터 베이스로부터 검색할 수 있다.
삽화 생성부(2024c)는 수신된 핵심 단어들 및 이들의 연관 관계를 바탕으로, 데이터 베이스(2026c)로부터 검색된 복수의 삽화들을 조합하여 합성 삽화를 생성할 수 있다.
본 개시의 일 실시 예에 따른 자연어 처리부(2022c) 및 삽화 생성부(2024c)는 하나의 서버에 포함되는 것으로 도시되었으나, 이는 일 실시 예에 불과하다. 예를 들어, 자연어 처리부(2022c)와 삽화 생성부(2024c)는 별도의 서버에 포함될 수도 있으며, 제1 구성 요소(2010c)에 포함될 수도 있다.
도 21은 본 개시의 일 실시 예에 따른 인공지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도이다.
도 21을 참조하면, 전자 장치(2100)는 학습부(2110) 및 판단부(2120) 중 적어도 하나를 포함할 수 있다. 도 21의 전자 장치(2100)는 도 19의 전자 장치(100), 도 20a의 제2 구성요소(2020a)에 대응될 수 있다.
학습부(2110)는 학습 데이터를 이용하여 텍스트와 관련된 적어도 하나의 영상(삽화, 이모티콘 등)를 획득하기 위한 기준을 갖는 인공지능 모델을 생성 또는 학습시킬 수 있다. 학습부(2110)는 수집된 학습 데이터를 이용하여 판단 기준을 갖는 인공지능 모델을 생성할 수 있다.
일 예로, 학습부(2110)는 텍스트와 영상을 학습 데이터로 하여, 텍스트와 연관된 영상을 획득하도록 인공지능 모델을 생성, 학습 또는 재학습시킬 수 있다. 또한, 학습부(2110)는 영상과 프레젠테이션의 디자인에 대한 정보를 학습 데이터로서 이용하여, 영상을 프레젠테이션의 디자인과 대응되도록 수정하기 위한 인공지능 모델을 생성, 학습 또는 재학습시킬 수 있다.
판단부(2120)는 소정의 데이터를 학습된 인공지능 모델의 입력 데이터로 사용하여, 텍스트와 연관된 영상을 획득할 수 있다.
일 예로, 판단부(2120)는 텍스트를 학습된 인공지능 모델의 입력 데이터로 사용하여 텍스트와 관련된 영상을 획득할 수 있다. 또 다른 예로, 판단부(2120)는 영상과 프레젠테이션의 디자인에 대한 정보를 인공지능 모델의 입력 데이터로 사용하여 영상을 프레젠테이션의 디자인과 대응되도록 수정할 수 있다.
학습부(2110)의 적어도 일부 및 판단부(2120)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100) 또는 제2 구성요소(2020)에 탑재될 수 있다. 예를 들어, 학습부(2110) 및 판단부(2120) 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 각종 전자 장치에 탑재될 수도 있다. 이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(2110) 및 판단부(2120)가 소프트웨어 모듈(또는, 인스트럭션(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. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(2110) 및 판단부(2120)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 또한, 학습부(2110) 및 판단부(2120)는 유선 또는 무선으로 통하여, 학습부(2110)가 구축한 모델 정보를 판단부(2120)로 제공할 수도 있고, 학습부(2110)로 입력된 데이터가 추가 학습 데이터로서 학습부(2110)로 제공될 수도 있다.
도 21 내지 도 22는 다양한 실시예에 따른 학습부(2110) 및 판단부(2120)의 블록도이다.
도 21을 참고하면, 일부 실시 예에 따른 학습부(2110)는 학습 데이터 획득부(2110-1) 및 모델 학습부(2110-4)를 포함할 수 있다. 또한, 학습부(2110)는 학습 데이터 전처리부(2110-2), 학습 데이터 선택부(2110-3) 및 모델 평가부(2110-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(2110-1)는 텍스트와 관련된 적어도 하나의 영상을 획득하기 위한 인공지능 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시 예로, 학습 데이터 획득부(2110-1)는 텍스트, 영상, 프레젠테이션의 디자인에 대한 정보 등을 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(2110) 또는 학습부(2110)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(2110-4)는 학습 데이터를 이용하여, 인공지능 모델이 텍스트와 연관된 영상을 획득하는 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(2110-4)는 학습 데이터 중 적어도 일부를 텍스트와 연관된 영상을 획득하기 위한 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또는, 모델 학습부(2110-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 텍스트와 연관된 영상을 획득하기 위한 기준을 발견하는 비지도 학습(unsupervisedlearning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 예컨대, 모델 학습부(2110-4)는 GAN(Generative Adversarial Network) 기술을 이용하여 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(2110-4)는, 예를 들어, 학습에 따른 판단 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(2110-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능 모델을 학습시킬 수 있다.
또한, 모델 학습부(2110-4)는 입력 데이터를 이용하여 텍스트와 관련된 영상을 획득하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 선별 기준을 학습할 수도 있다.
모델 학습부(2110-4)는 미리 구축된 인공지능 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 모델을 학습할 인공지능 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기 분류되어 있을 수 있으며, 인공지능 모델은 데이터의 타입별로 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 미리 분류되어 있을 수 있다.
인공지능 모델이 학습되면, 모델 학습부(2110-4)는 학습된 인공지능 모델을 저장할 수 있다. 예컨대, 모델 학습부(2110-4)는 학습된 인공지능 모델을 전자 장치(100)의 메모리(110), 또는 제2 구성요소(2020)의 메모리에 저장할 수 있다.
텍스트와 영상 세트로부터 학습된 인공지능 모델은 텍스트가 의미하는 내용에 대한 영상 형태 특징이 학습되어 있다.
프레젠테이션 영상의 디자인에 대한 정보와 영상 세트로부터 학습된 인공지능 모델은 프레젠테이션 영상의 디자인에 대해 영상이 어떤 특징을 가지는지 학습되어 있다.
학습부(2110)는 인공지능 모델의 판단 결과를 향상시키거나, 인공지능 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(2110-2) 및 학습 데이터 선택부(2110-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(2110-2)는 텍스트와 관련된 영상을 획득하기 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(2110-2)는 모델 학습부(2110-4)가 텍스트와 관련된 영상을 획득하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 학습 데이터 전처리부(2110-2)는 입력된 텍스트 중 인공지능 모델이 응답을 제공할 때 필요없는 텍스트(예를 들어, 부사, 감탄사 등)를 제거할 수 있다.
학습 데이터 선택부(2110-3)는 학습 데이터 획득부(2110-1)에서 획득된 데이터 또는 학습 데이터 전처리부(2110-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(2110-4)에 제공될 수 있다. 학습 데이터 선택부(2110-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(2110-3)는 모델 학습부(2110-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(2110)는 인공지능 모델의 판단 결과를 향상시키기 위하여, 모델 평가부(2110-5)를 더 포함할 수도 있다.
모델 평가부(2110-5)는 인공지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 판단 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(2110-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(2110-5)는 평가 데이터에 대한 학습된 인공지능 모델의 판단 결과 중에서, 판단 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인공지능 모델이 복수 개가 존재하는 경우, 모델 평가부(2110-5)는 각각의 학습된 인공지능 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공지능 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(2110-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 모델로서 결정할 수 있다.
도 23을 참조하면, 일부 실시예에 따른 판단부(2120)는 입력 데이터 획득부(2120-1) 및 판단 결과 제공부(2120-4)를 포함할 수 있다.
또한, 판단부(2120)는 입력 데이터 전처리부(2120-2), 입력 데이터 선택부(2120-3) 및 모델 갱신부(2120-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(2120-1)는 텍스트와 연관된 적어도 하나의 영상을 획득하기 위해 필요한 데이터를 획득할 수 있다. 판단 결과 제공부(2120-4)는 입력 데이터 획득부(2120-1)에서 획득된 입력 데이터를 입력 값으로 학습된 인공지능 모델에 적용하여 텍스트와 연관된 적어도 하나의 영상을 획득할 수 있다. 판단 결과 제공부(2120-4)는 후술할 입력 데이터 전처리부(2120-2) 또는 입력 데이터 선택부(2120-3)에 의해 선택된 데이터를 입력 값으로 인공지능 모델에 적용하여 판단 결과를 획득할 수 있다.
일 실시 예로, 판단 결과 제공부(2120-4)는 입력 데이터 획득부(2120-1)에서 획득한 텍스트를 학습된 인공지능 모델 적용하여 텍스트와 연관된 적어도 하나의 영상을 획득할 수 있다.
판단부(2120)는 인공지능 모델의 판단 결과를 향상시키거나, 판단 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(2120-2) 및 입력 데이터 선택부(2120-3)를 더 포함할 수도 있다.
입력 데이터 전처리부(2120-2)는 텍스트와 연관된 적어도 하나의 영상을 획득하기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(2120-2)는 판단 결과 제공부(2120-4)가 텍스트와 연관된 적어도 하나의 영상을 획득하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
입력 데이터 선택부(2120-3)는 입력 데이터 획득부(2120-1)에서 획득된 데이터 또는 입력 데이터 전처리부(2120-2)에서 전처리된 데이터 중에서 응답 제공에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 판단 결과 제공부(2120-4)에게 제공될 수 있다. 입력 데이터 선택부(2120-3)는 응답 제공을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(2120-3)는 모델 학습부(2110-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(2120-5)는 판단 결과 제공부(2120-4)에 의해 제공되는 판단 결과에 대한 평가에 기초하여, 인공지능 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(2120-5)는 판단 결과 제공부(2120-4)에 의해 제공되는 판단 결과를 모델 학습부(2110-4)에게 제공함으로써, 모델 학습부(2110-4)가 인공지능 모델을 추가 학습 또는 갱신하도록 요청할 수 있다. 특히, 모델 갱신부(2120-5)는 사용자 입력에 따른 피드백 정보를 바탕으로 인공지능 모델을 재학습할 수 있다.
상술한 다양한 실시 예들에 따르면, 발표자료, 신문, 책 등의 문서를 제작할 때 문서에 들어가는 스크립트, 기사, 책 내용에 어울리는 영상, 삽화 등이 바로 생성될 수 있으므로 사용자가 따로 영상, 삽화 등을 검색하는 수고를 줄여줄 수 있다. 또한, 인공 지능 모델에 의해 디자인적으로 유사한 삽화들을 획득할 수 있으므로 통일감 있는 자료 작성이 가능하다.
한편, 상술한 실시 예들에선 설명된 프레젠테이션 자료 제작 방법은 예컨대 서적, 잡지, 신문, 광고, 웹페이지 제작 등과 같이 텍스트에 어울리는 영상을 필요로 하는 어떠한 분야에서도 적용될 수 있음은 당업자에게 자명할 것이다.
이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합으로 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장될 수 있는 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비 일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 애플리케이션 스토어(예: 플레이 스토어?)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 애플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: 전자 장치
110: 메모리
120: 프로세서
110: 메모리
120: 프로세서
Claims (20)
- 전자 장치의 제어방법에 있어서,
사용자 입력을 기반으로 텍스트를 획득하는 단계;
상기 획득된 텍스트로부터 복수의 핵심 단어를 결정하는 단계;
상기 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 획득하는 단계;
상기 복수의 제1 삽화 중에서 적어도 2 개 이상의 제1 삽화를 합성하여 제2 삽화를 획득하는 단계; 및
상기 획득된 제2 삽화를 출력하는 단계; 를 포함하는 전자 장치의 제어 방법. - 제1 항에 있어서,
사용자 입력을 기반으로 텍스트를 획득하는 단계는,
사용자의 음성 입력을 수신하는 단계;
상기 수신된 음성 입력을 분석함으로써 사용자의 발화 정보를 획득하는 단계; 및
상기 획득된 사용자의 발화 정보에 대응되는 텍스트를 획득하는 단계; 를 포함하는 전자 장치의 제어방법. - 제1 항에 있어서,
사용자 입력을 기반으로 텍스트를 획득하는 단계는,
프레젠테이션 영상을 제공하는 단계; 및
사용자 입력을 기반으로 상기 프레젠테이션 영상에 대한 텍스트를 획득하는 단계; 를 포함하는 전자 장치의 제어 방법. - 제3 항에 있어서,
상기 복수의 제1 삽화를 획득하는 단계는,
상기 프레젠테이션 영상의 디자인에 대한 정보 및 상기 텍스트를 학습된 제1 인공지능 모델에 입력하여, 상기 텍스트와 관련되며 상기 프레젠테이션 영상의 디자인과 대응되는 복수의 제1 삽화를 획득하는 단계인, 전자 장치의 제어 방법. - 제4 항에 있어서,
상기 복수의 제1 삽화를 획득하는 단계는,
상기 텍스트를 상기 제1 인공지능 모델에 입력하여 상기 텍스트와 관련되며 서로 동일한 그래픽 효과를 갖는 복수의 제1 삽화를 획득하는 단계인, 전자 장치의 제어방법. - 제3 항에 있어서,
상기 제2 삽화를 획득하는 단계는,
상기 프레젠테이션 영상의 디자인에 대한 정보 및 상기 복수의 제1 삽화를 학습된 제2 인공지능 모델에 입력하여, 상기 복수의 제1 삽화 중 적어도 2 개 이상의 제1 삽화가 상기 프레젠테이션 영상의 디자인과 대응되도록 수정된 제2 삽화를 획득하는 단계인, 전자 장치의 제어 방법. - 제6 항에 있어서,
상기 제2 삽화를 획득하는 단계는,
상기 복수의 핵심 단어의 문맥에 따라 상기 복수의 제1 삽화를 배치하여 합성함으로써 제2 삽화를 획득하는 단계인, 전자 장치의 제어 방법. - 제4 항에 있어서,
상기 획득된 복수의 제1 삽화 중 사용자에 의해 선택된 삽화에 대한 정보를 포함하는 피드백 데이터를 상기 제1 인공지능 모델에 적용하여 상기 제1 인공지능 모델을 재학습시키는 단계; 를 더 포함하는 전자 장치의 제어 방법. - 제4 항에 있어서,
상기 제1 인공지능 모델은 GAN(Generative Adversarial Network)에 의해 학습된 인공지능 모델인 전자 장치의 제어방법. - 제1 항에 있어서,
상기 복수의 제1 삽화를 획득하는 단계는,
상기 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 기 저장된 데이터 베이스로부터 검색하여 획득하는 단계인, 전자 장치의 제어 방법. - 전자 장치에 있어서,
하나 이상의 인스트럭션들(instructions)을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
사용자 입력을 기반으로 텍스트를 획득하고,
상기 획득된 텍스트로부터 복수의 핵심 단어를 결정하고,
상기 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 획득하고,
상기 복수의 제1 삽화들 중에서 적어도 2개 이상의 제1 삽화를 합성하여 제2 삽화를 획득하고,
상기 획득된 제2 삽화를 출력하는 전자 장치. - 제11 항에 있어서,
상기 적어도 하나의 프로세서는,
사용자의 음성 입력을 수신하며,
상기 수신된 음성 입력을 분석함으로써 사용자의 발화 정보를 획득하고,
상기 획득된 사용자의 발화 정보에 대응되는 텍스트를 획득하는 전자 장치. - 제11 항에 있어서,
상기 적어도 하나의 프로세서는,
프레젠테이션 영상을 제공하고,
사용자 입력을 기반으로 상기 프레젠테이션 영상에 대한 텍스트를 획득하는 전자 장치. - 제13 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 프레젠테이션 영상의 디자인에 대한 정보 및 상기 텍스트를 학습된 제1 인공지능 모델에 입력하여, 상기 텍스트와 관련되며 상기 프레젠테이션 영상의 디자인과 대응되는 복수의 제1 삽화를 획득하는 전자 장치. - 제14 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 텍스트를 상기 제1 인공지능 모델에 입력하여 상기 텍스트와 관련되며 서로 동일한 그래픽 효과를 갖는 복수의 제1 삽화를 획득하는 전자 장치. - 제13 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 프레젠테이션 영상의 디자인에 대한 정보 및 상기 복수의 제1 삽화를 학습된 제2 인공지능 모델에 입력하여, 상기 복수의 제1 삽화 중 적어도 2 개 이상의 제1 삽화가 상기 프레젠테이션 영상의 디자인과 대응되도록 수정된 제2 삽화를 획득하는 전자 장치. - 제16 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 복수의 핵심 단어의 문맥에 따라 상기 복수의 제1 삽화를 배치하여 합성함으로써 제2 삽화를 획득하는 전자 장치. - 제14 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 획득된 복수의 제1 삽화 중 사용자에 의해 선택된 삽화에 대한 정보를 포함하는 피드백 데이터를 상기 제1 인공지능 모델에 적용하여 상기 제1 인공지능 모델을 재학습시키는 전자 장치. - 제14 항에 있어서,
상기 제1 인공지능 모델은 GAN(Generative Adversarial Network)에 의해 학습된 인공지능 모델인 전자 장치. - 제11 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 복수의 핵심 단어에 대응되는 복수의 제1 삽화를 기 저장된 데이터 베이스로부터 검색하여 획득하는 전자 장치.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2019/002853 WO2019177344A1 (en) | 2018-03-12 | 2019-03-12 | Electronic apparatus and controlling method thereof |
| US16/299,728 US10970900B2 (en) | 2018-03-12 | 2019-03-12 | Electronic apparatus and controlling method thereof |
| CN201980018825.7A CN111902812A (zh) | 2018-03-12 | 2019-03-12 | 电子装置及其控制方法 |
| EP19768025.9A EP3698258A4 (en) | 2018-03-12 | 2019-03-12 | ELECTRONIC DEVICE AND CONTROL PROCEDURE FOR IT |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180028603 | 2018-03-12 | ||
| KR20180028603 | 2018-03-12 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190118108A true KR20190118108A (ko) | 2019-10-17 |
Family
ID=68424433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190023901A KR20190118108A (ko) | 2018-03-12 | 2019-02-28 | 전자 장치 및 그의 제어방법 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3698258A4 (ko) |
| KR (1) | KR20190118108A (ko) |
| CN (1) | CN111902812A (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102280028B1 (ko) * | 2021-01-26 | 2021-07-21 | 주식회사 미디어코어시스템즈 | 빅데이터와 인공지능을 이용한 챗봇 기반 콘텐츠 관리 방법 및 장치 |
| KR102284539B1 (ko) * | 2020-11-30 | 2021-08-02 | 주식회사 애자일소다 | 머신러닝 기반 인공지능 모델 학습, 개발, 배포 및 운영 시스템과 이를 이용한 서비스 방법 |
| WO2022081374A1 (en) * | 2020-10-12 | 2022-04-21 | Google Llc | On-device personalization of speech synthesis for training of speech model(s) |
| WO2022131497A1 (ko) * | 2020-12-18 | 2022-06-23 | 영남대학교 산학협력단 | 이미지 생성을 위한 학습 장치 및 방법과 이미지 생성 장치 및 방법 |
-
2019
- 2019-02-28 KR KR1020190023901A patent/KR20190118108A/ko active Search and Examination
- 2019-03-12 EP EP19768025.9A patent/EP3698258A4/en not_active Ceased
- 2019-03-12 CN CN201980018825.7A patent/CN111902812A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022081374A1 (en) * | 2020-10-12 | 2022-04-21 | Google Llc | On-device personalization of speech synthesis for training of speech model(s) |
| US11545133B2 (en) | 2020-10-12 | 2023-01-03 | Google Llc | On-device personalization of speech synthesis for training of speech model(s) |
| KR102284539B1 (ko) * | 2020-11-30 | 2021-08-02 | 주식회사 애자일소다 | 머신러닝 기반 인공지능 모델 학습, 개발, 배포 및 운영 시스템과 이를 이용한 서비스 방법 |
| WO2022131497A1 (ko) * | 2020-12-18 | 2022-06-23 | 영남대학교 산학협력단 | 이미지 생성을 위한 학습 장치 및 방법과 이미지 생성 장치 및 방법 |
| US11869129B2 (en) | 2020-12-18 | 2024-01-09 | Research Cooperation Foundation Of Yeungnam University | Learning apparatus and method for creating image and apparatus and method for image creation |
| KR102280028B1 (ko) * | 2021-01-26 | 2021-07-21 | 주식회사 미디어코어시스템즈 | 빅데이터와 인공지능을 이용한 챗봇 기반 콘텐츠 관리 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3698258A4 (en) | 2020-11-11 |
| EP3698258A1 (en) | 2020-08-26 |
| CN111902812A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11574116B2 (en) | Apparatus and method for providing summarized information using an artificial intelligence model | |
| US10970900B2 (en) | Electronic apparatus and controlling method thereof | |
| KR102542049B1 (ko) | 인공지능 학습모델을 이용하여 요약 정보를 제공하기 위한 전자 장치 및 이의 제어 방법 | |
| US9875445B2 (en) | Dynamic hybrid models for multimodal analysis | |
| US20190034814A1 (en) | Deep multi-task representation learning | |
| US11721333B2 (en) | Electronic apparatus and control method thereof | |
| KR102599947B1 (ko) | 관련 이미지를 검색하기 위한 전자 장치 및 이의 제어 방법 | |
| US11954150B2 (en) | Electronic device and method for controlling the electronic device thereof | |
| KR20190118108A (ko) | 전자 장치 및 그의 제어방법 | |
| US20210263963A1 (en) | Electronic device and control method therefor | |
| WO2023020005A1 (zh) | 神经网络模型的训练方法、图像检索方法、设备和介质 | |
| US20220375478A1 (en) | Electronic device and control method thereof | |
| US11115359B2 (en) | Method and apparatus for importance filtering a plurality of messages | |
| CN111418198A (zh) | 提供文本相关图像的电子装置及其操作方法 | |
| KR102469717B1 (ko) | 오브젝트에 대한 검색 결과를 제공하기 위한 전자 장치 및 이의 제어 방법 | |
| US20200051559A1 (en) | Electronic device and method for providing one or more items in response to user speech | |
| EP3523932B1 (en) | Method and apparatus for filtering a plurality of messages | |
| KR20200016174A (ko) | 사용자 인터페이스를 제공하는 방법 및 시스템 | |
| KR102438132B1 (ko) | 전자 장치 및 그의 제어 방법 | |
| KR20220037130A (ko) | 면접 대응 학습자에 대해 커리큘럼을 추천 제공하는 방법 및 이를 이용한 컴퓨팅 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |