KR20200010131A - 전자 장치 및 그의 제어 방법 - Google Patents
전자 장치 및 그의 제어 방법 Download PDFInfo
- Publication number
- KR20200010131A KR20200010131A KR1020190087731A KR20190087731A KR20200010131A KR 20200010131 A KR20200010131 A KR 20200010131A KR 1020190087731 A KR1020190087731 A KR 1020190087731A KR 20190087731 A KR20190087731 A KR 20190087731A KR 20200010131 A KR20200010131 A KR 20200010131A
- Authority
- KR
- South Korea
- Prior art keywords
- application
- user
- electronic device
- user question
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 65
- 230000006870 function Effects 0.000 claims description 53
- 230000004044 response Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 23
- 239000003795 chemical substances by application Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 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
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000005540 biological transmission 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
- 210000004556 brain Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1822—Parsing for meaning understanding
-
- 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
- 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
- G06F16/90335—Query processing
-
- 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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/432—Query formulation
- G06F16/433—Query formulation using audio data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/258—Heading extraction; Automatic titling; Numbering
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/027—Concept to speech synthesisers; Generation of natural phrases from machine-based concepts
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/226—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics
- G10L2015/228—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics of application context
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Acoustics & Sound (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
전자 장치 및 그의 제어 방법이 개시된다. 본 개시에 따른 전자 장치의 제어 방법은, 어플리케이션이 실행되는 동안 사용자 명령이 입력되면, 실행중인 어플리케이션에 대한 정보를 획득하여 메모리에 저장하는 단계 및 어플리케이션과 관련된 사용자 질문이 입력되면, 학습된 인공 지능 모델에 상기 어플리케이션과 관련된 사용자 질문을 입력하여 획득된 사용자 질문에 대한 답변을 출력하는 단계를 포함하고, 사용자 질문에 대한 답변은 실행중인 어플리케이션에 대한 정보를 바탕으로 결정될 수 있다.
Description
본 개시는 전자 장치 및 그의 제어 방법에 관한 것으로, 보다 상세하게는 개인화된 데이터 베이스를 바탕으로 사용자 질문에 대한 최적화된 답변을 제공할 수 있는 전자 장치 및 그의 제어 방법에 관한 것이다.
인공 지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙 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 규칙 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(딥러닝) 및 기계 학습을 활용한 요소 기술들로 구성된다.
기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소 기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 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, 대화 시스템, 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 경험 정보를 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, 인공 지능 기술은 일반적으로 외부 서버에서 동작하는 경우가 많다. 그러나 인공 지능 기술에 사용되는 데이터가 개인정보와 관련된 데이터일 경우, 보안과 관련된 문제가 발생할 수 있다.
본 개시는 상술한 문제점을 해결하기 위해 안출된 것으로, 개인화된 데이터 베이스를 바탕으로 사용자 질문에 대한 최적화된 답변을 제공할 수 있는 전자 장치 및 그의 제어 방법에 관한 것이다.
상기 목적을 달성하기 위한 본 개시의 일 실시예에 따른 전자 장치의 제어 방법은, 어플리케이션이 실행되는 동안 사용자 명령이 입력되면, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 획득하여 메모리에 저장하는 단계 및 상기 어플리케이션과 관련된 사용자 질문이 입력되면, 학습된 인공 지능 모델에 상기 어플리케이션과 관련된 사용자 질문을 입력하여 획득된 상기 사용자 질문에 대한 답변을 출력하는 단계를 포함하고, 상기 사용자 질문에 대한 답변은 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 결정될 수 있다.
이때, 상기 저장하는 단계는, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 획득하여 상기 데이터 베이스에 저장할 수 있다.
이때, 상기 저장하는 단계는, 상기 실행중인 어플리케이션이 텍스트를 포함하는 경우, 상기 텍스트의 핵심 정보를 추출하여 저장하는 단계를 포함할 수 있다.
이때, 상기 저장하는 단계는, 상기 실행 중인 어플리케이션에 대한 기능을 수행하는 사용자 인터랙션이 감지된 경우, 상기 수행된 기능 및 상기 사용자 인터랙션에 대한 정보를 포함하는 히스토리 정보를 저장하는 단계를 포함할 수 있다.
이때, 상기 출력하는 단계는, 상기 사용자 질문에 대한 검색 결과 제공, 상기 사용자 질문에 대한 액션 수행 및 상기 사용자 질문에 대한 어플리케이션 기능 수행 중 적어도 하나를 출력할 수 있다.
이때, 상기 출력하는 단계는, 상기 사용자 질문이 컨텐츠 검색과 관련된 질문인 경우, 상기 어플리케이션과 관련된 정보를 바탕으로 상기 검색된 컨텐츠를 재생하기 위한 어플리케이션을 추천하는 단계를 포함할 수 있다.
이때, 상기 출력하는 단계는, 상기 사용자 질문이 입력되면, 상기 사용자 질문을 외부 서버로 전송하는 단계, 상기 외부 서버로부터 상기 사용자 질문에 대한 답변 후보를 수신하는 단계 및 상기 수신한 답변 후보 및 상기 데이터 베이스에 저장된 정보를 바탕으로 상기 사용자 질문에 대한 답변을 출력하는 단계를 포함할 수 있다.
이때, 상기 저장하는 단계는, 상기 실행중인 어플리케이션에 대한 도메인 정보 및, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 저장하고, 상기 인공지능 모델은, 상기 저장된 도메인 정보 및 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 상기 사용자 질문에 대한 답변을 획득할 수 있다.
이때, 상기 사용자 질문은 사용자 음성 또는 텍스트 중 적어도 하나일 수 있다.
한편, 상술한 목적을 달성하기 위한 본 개시의 또 다른 실시예에 따른 전자장치는, 어플리케이션이 실행되는 동안 사용자 명령이 입력되면, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 획득하여 상기 메모리에 저장하고, 상기 어플리케이션과 관련된 사용자 질문이 입력되면, 학습된 인공 지능 모델에 상기 어플리케이션과 관련된 사용자 질문을 입력하여 획득된 상기 사용자 질문에 대한 답변을 출력하고, 상기 사용자 질문에
이때, 상기 프로세서는, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 획득하여 상기 메모리에 저장할 수 있다.
이때, 상기 프로세서는, 상기 실행중인 어플리케이션이 텍스트를 포함하는 경우, 상기 텍스트의 핵심 정보를 추출하여 상기 메모리에 저장할 수 있다.
이때, 상기 프로세서는, 상기 실행 중인 어플리케이션에 대한 기능을 수행하는 사용자 인터랙션이 감지된 경우, 상기 수행된 기능 및 상기 사용자 인터랙션에 대한 정보를 포함하는 히스토리 정보를 상기 메모리에 저장할 수 있다.
이때, 상기 프로세서는, 상기 사용자 질문에 대한 검색 결과 제공, 상기 사용자 질문에 대한 액션 수행 및 상기 사용자 질문에 대한 어플리케이션 기능 수행 중 적어도 하나를 출력할 수 있다.
이때, 상기 프로세서는, 상기 사용자 질문이 컨텐츠 검색과 관련된 질문인 경우, 상기 어플리케이션과 관련된 정보를 바탕으로 상기 검색된 컨텐츠를 재생하기 위한 어플리케이션을 추천할 수 있다.
이때, 상기 전자 장치는, 통신부를 더 포함하고, 상기 프로세서는, 상기 사용자 질문이 입력되면, 상기 사용자 질문을 상기 통신부를 통해 외부 서버로 전송하고, 상기 외부 서버로부터 상기 사용자 질문에 대한 답변 후보를 상기 통신부를 통해 수신하고, 상기 수신한 답변 후보 및 상기 메모리에 저장된 정보를 바탕으로 상기 사용자 질문에 대한 답변을 출력할 수 있다.
이때, 상기 프로세서는, 상기 실행중인 어플리케이션에 대한 도메인 정보 및, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 상기 메모리에 저장 하고, 상기 인공지능 모델은, 상기 저장된 도메인 정보 및 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 상기 사용자 질문에 대한 답변을 획득할 수 있다.
이때, 상기 사용자 질문은 사용자 음성 또는 텍스트 중 적어도 하나일 수 있다.
상술한 본 개시에 따른 다양한 실시예에 따라, 전자 장치는 인공 지능 모델을 사용하면서 사용자의 프라이버시를 보호함과 동시에, 사용자 맞춤형 답변을 출력할 수 있게 된다.
도 1은 본 개시에 따른 전자 장치의 동작을 간략히 설명하기 위한 예시도이다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블럭도이다.
도 3은 본 개시의 일 실시예에 따른 전자 장치를 상세히 도시한 블록도이다.
도 4는 본 개시의 일 실시예에 따른 대화 시스템을 설명하기 위한 블록도이다.
도 5a 및 도 5b는 본 개시의 일 실시예에 따른 지식 베이스에 저장되는 데이터를 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따른, 지식 베이스에 저장되는 데이터의 도메인(또는 카테고리)를 분류하는 방법을 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따른 도메인 관리 방법을 설명하기 위한 예시도이다.
도 8은 본 개시의 일 실시예에 따른, 지식 베이스에 저장되는 데이터를 획득하는 방법을 설명하기 위한 예시도이다.
도 9는 본 개시의 일 실시예에 따른, 전자 장치가 어플리케이션 조작을 바탕으로 사용자 음성에 대한 질문을 출력하는 방법을 설명하기 위한 예시도이다.
도 10a 및 도 10b는 본 개시의 또 다른 실시예에 따른, 사용자의 어플리케이션 조작을 추천하는 방법을 설명하기 위한 예시도이다.
도 11a 및 도 11b는 본 개시에 따른 다양한 실시예를 설명하기 위한 예시도이다.
도 12는 본 개시의 일 실시예에 따른 전자 장치와 서버의 동작을 설명하기 위한 예시도이다.
도 13은 본 개시의 일 실시예에 따른 전자 장치 및 서버의 동작을 설명하기 위한 시스템도이다.
도 14는 본 개시의 또 다른 실시예에 따른 전자 장치 및 서버의 동작을 설명하기 위한 시스템도이다.
도 15는 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블럭도이다.
도 3은 본 개시의 일 실시예에 따른 전자 장치를 상세히 도시한 블록도이다.
도 4는 본 개시의 일 실시예에 따른 대화 시스템을 설명하기 위한 블록도이다.
도 5a 및 도 5b는 본 개시의 일 실시예에 따른 지식 베이스에 저장되는 데이터를 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따른, 지식 베이스에 저장되는 데이터의 도메인(또는 카테고리)를 분류하는 방법을 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따른 도메인 관리 방법을 설명하기 위한 예시도이다.
도 8은 본 개시의 일 실시예에 따른, 지식 베이스에 저장되는 데이터를 획득하는 방법을 설명하기 위한 예시도이다.
도 9는 본 개시의 일 실시예에 따른, 전자 장치가 어플리케이션 조작을 바탕으로 사용자 음성에 대한 질문을 출력하는 방법을 설명하기 위한 예시도이다.
도 10a 및 도 10b는 본 개시의 또 다른 실시예에 따른, 사용자의 어플리케이션 조작을 추천하는 방법을 설명하기 위한 예시도이다.
도 11a 및 도 11b는 본 개시에 따른 다양한 실시예를 설명하기 위한 예시도이다.
도 12는 본 개시의 일 실시예에 따른 전자 장치와 서버의 동작을 설명하기 위한 예시도이다.
도 13은 본 개시의 일 실시예에 따른 전자 장치 및 서버의 동작을 설명하기 위한 시스템도이다.
도 14는 본 개시의 또 다른 실시예에 따른 전자 장치 및 서버의 동작을 설명하기 위한 시스템도이다.
도 15는 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
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 실시 예의 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.
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: 제 3 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) 부프로세서"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 문서의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimediaplayer), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 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 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 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, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 문서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
이하에서는 도면을 참조하여 본 개시에 대해 더욱 상세히 설명하기로 한다.
도 1은 본 개시에 따른 전자 장치의 동작을 간략히 설명하기 위한 예시도이다.
전자 장치(100)는 사용자의 어플리케이션 사용, 컨텐츠 사용, 웹 컨텐츠 사용 등을 지식 베이스(460)에 저장하고, 사용자의 질문이 입력되면 지식 베이스(460)을 바탕으로 사용자 질문에 대한 응답을 출력할 수 있다.
구체적으로, 전자 장치(100)는 사용자의 어플리케이션 사용, 컨텐츠 사용, 웹 컨텐츠 사용 등을 바탕으로 저장할 데이터의 도메인을 결정하고, 도메인이 결정되면, 결정된 도메인에 사용자의 어플리케이션 사용, 컨텐츠 사용, 웹 컨텐츠 사용에 대한 데이터를 저장할 수 있다.
예를 들어, 전자 장치(100)는 사용자의 어플리케이션의 조작 순서를 지식 베이스(460)에 저장하고, 사용자가 해당 어플리케이션을 실행시키는 경우, 실행된 어플리케이션과 관련된 도메인을 판단하고, 판단된 도메인에 저장된 데이터를 바탕으로 저장된 어플리케이션의 조작 순서에 따라 어플리케이션을 제어할 수 있다. 또는, 전자 장치(100)는 영화 어플리케이션을 통해 영화가 예매되면, 영화 어플리케이션과 관련된 도메인(예를 들어, 영화 도메인)을 판단하고, 도메인에 저장된 데이터를 바탕으로, 예매 확인 내용을 다른 사용자에게 전송할 것을 추천할 수 있다. 또는, 전자 장치(100)는 컨텐츠를 특정 어플리케이션을 통해 실행하는 사용자의 행동을 지식 베이스(460)에 저장하고, 관련 컨텐츠를 재생하기 위한 사용자 명령이 입력되면, 관련 컨텐츠와 관련된 도메인을 판단하고, 도메인에 저장된 데이터를 바탕으로 관련 컨텐츠를 재생하기 위한 어플리케이션을 획득하고, 획득된 어플리케이션을 통해 관련 컨텐츠를 재생할 수 있다. 또는, 전자 장치(100)는 특정 컨텐츠를 북마크 하기 위한 사용자 명령이 입력되면, 북마크된 컨텐츠와 관련된 도메인을 판단하고, 판단된 도메인에 저장된 데이터를 바탕으로 북마크된 컨텐츠와 관련된 컨텐츠를 북마크 할 수 있다.
즉, 전자 장치(100)는 전자 장치(100)의 다양한 사용 히스토리를 바탕으로 다양한 데이터를 획득하여 지식 베이스(460)에 도메인 별로 저장하고, 사용자 질문이 입력되면, 지식 베이스(460)에 저장된 질문을 바탕으로 답변을 출력할 수 있다.
한편, 지식 베이스(460)는 주어(subject) 데이터, 목적(object) 데이터, 연관 관계(predicate) 데이터로 이루어진 데이터 세트를 적합한 스키마(Schema)에 따라 저장하는 데이터 베이스를 의미한다. 즉, 지식 베이스(460)는 데이터 및 데이터들간의 연관 관계 유형을 일반화된 형태(예를 들어, 관계형 데이터 베이스의 테이블 형태)로 표현하고, 표현된 데이터 및 데이터들간의 연관 관계 유형 세트를 저장할 수 있다. 주어 데이터는 표현하고자 하는 대상을 나타내는 데이터를 의미하고, 연관 관계 데이터는 주어와 목적과의 관계를 나타내는 데이터를 의미하고, 목적 데이터는 연관 관계에 대한 내용 또는 값을 나타내는 데이터를 의미한다. 그리고, 주어 데이터, 연결 관계 데이터, 목적 데이터로 이루어진 한 세트를 트리플(Triple) 데이터라고 할 수 있다.
지식 베이스(460)는 전자 장치(100)가 웹 페이지 또는 각종 어플리케이션을 통해 획득한 트리플 데이터를 관계형 데이터베이스의 테이블 형태로 저장하여 구축될 수 있다.
일 실시 예로, 전자 장치(100)는 웹 페이지 상에서 식별된 텍스트를 형태소 분석 및 구문 분석(Parsing)을 수행하여 트리플 데이터를 획득할 수 있다. 예를 들면, 웹 페이지 상에 '서울 인구는 현재 977만명이다'라는 텍스트가 있는 경우, 전자 장치(100)는 상기 텍스트에 대해 형태소 분석 및 구분 분석하여 '서울(주어 데이터), 인구(연관 관계 데이터), 977만(목적 데이터)'으로 이루어진 트리플 데이터를 획득할 수 있다. 그리고, 지식 베이스(460)는 전자 장치(100)가 획득한 트리플 데이터를 표 1과 같이 관계형 데이터 베이스의 테이블 형태로 저장하여 구축될 수 있다.
| 주어 데이터 | 연관 관계 데이터 | 목적 데이터 |
| 서울 | 인구 | 977만 |
또 다른 실시 예로, 전자 장치(100)는 어플리케이션의 사용을 바탕으로 '어플리케이션 명칭(주어 데이터), 수행한 기능(연관 관계 데이터), 컨텐츠 명칭(목적 데이터)'으로 이루어진 트리플 데이터를 획득할 수 있다. 예를 들면, 영화 어플리케이션에서 영화 예매를 실행한 경우, 전자 장치(100)는 '영화 어플리케이션 명칭(주어 데이터), 영화 예매(연관 관계 데이터), 영화 제목(목적 데이터)'으로 이루어진 트리플 데이터를 획득할 수 있다. 그리고, 지식 베이스(460)는 전자 장치(100)가 획득한 트리플 데이터를 표 1과 같이 관계형 데이터의 테이블의 형태로 저장하여 구축될 수 있다.
| 주어 데이터 | 연관 관계 데이터 | 목적 데이터 |
| 영화 어플리케이션 명칭 | 영화 예매 | 영화 제목 |
한편, 본 개시의 일 실시 예로, 전자 장치(100)는 지식 베이스(460)에 저장된 트리플 데이터를 바탕으로 사용자 음성에 대한 답변을 출력할 수 있다. 구체적으로, 질문이 포함된 사용자 음성이 입력되면, 전자 장치(100)는 사용자 음성을 인식 및 분석하여 질문의 의도를 파악하고, 파악된 질문의 의도가 지식 베이스(460)에 저장된 트리플 데이터 중 어떤 연관 관계 데이터에 대응되는지 여부를 판단할 수 있다. 예를 들어, '토요일 OOO 영화 몇 시가 좋지?”라는 사용자 음성이 입력되면, 전자 장치(100)는 사용자의 의도가 '영화 예매'라는 것을 파악하고, 지식 베이스(460)에 저장된 연결 관계 데이터가 '영화 예매'인 데이터를 식별할 수 있다. 그리고, 전자 장치(100)는 지식 베이스(460)에 저장된 관계형 데이터의 테이블을 이용하여 트리플 데이터 중 '영화 예매'가 연관 관계 데이터인 주어 데이터를 식별할 수 있다. 그리고, 전자 장치(100)는 식별된 주어 데이터 중 사용 빈도가 가장 많은 주어 데이터(영화 어플리케이션)를 식별하고, 식별된 영화 어플리케이션으로 영화 예매를 추천하는 답변을 출력할 수 있다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블럭도이다. 도 2에 도시된 바와 같이, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.
메모리(110)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 특히, 메모리(110)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 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(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(110)에는 디스플레이부(150)의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.
또한, 메모리(110)는 사용자 입력(특히, 사용자 음성)에 대한 응답을 제공하는 대화 시스템(Dialogue system)을 저장할 수 있다. 이때, 대화 시스템은 도 4에 도시된 바와 같이, 자동 음성 인식부(Automatic Speech Recognition, ASR)(410), 자연어 이해부(Natural Language Understanding, NLU)(420), 대화 매니저(Dialogue Manager, DM)(430), 자연어 생성부(Natural Language Generator, NLG)(440), TTS(Text-to-Speech)(450) 및 지식 베이스(Knowledge Database)(460)를 포함할 수 있다.
자동 음성 인식부(410)는 마이크 등을 통해 입력된 사용자 음성에 대한 음성 인식을 수행할 수 있다. 자연어 이해부(420)는 음성 인식 결과를 바탕으로 사용자 음성의 의도(intent)를 파악할 수 있다. 대화 매니저(430)는 자연어 이해 결과 및 지식 베이스(460)에 저장된 데이터를 바탕으로 사용자 음성에 대한 응답에 대한 정보를 획득할 수 있다. 예를 들어, 대화 매니저(430)는 응답을 생성하기 위한 정보를 획득할 수 있으며, 상술한 바와 같이, 획득된 정보는 자연어 이해부(420)을 통해 파악된 사용자 음성의 의도(intent) 와 지식 베이스(460)에 저장된 데이터를 바탕으로 결정될 수 있다. 자연어 생성부(440)는 대화 매니저(430)를 통해 획득된 정보를 바탕으로 사용자 음성에 대한 응답으로서, 자연어를 획득할 수 있다. TTS(450)는 획득된 자연어를 음성으로 변환할 수 있다 이에 의해, 대화 시스템은 사용자 음성에 대한 응답을 음성으로서 제공할 수 있게 되어, 사용자는 전자 장치(100)와 대화를 수행할 수 있게 된다.
특히, 본 개시의 일 실시예에 따른 자연어 생성부(440)는 대화 매니저(430) 및 지식 베이스(460)을 통해 획득된 정보를 인공지능 모델의 입력값으로 입력하여 사용자 음성에 대한 응답으로서, 자연어를 획득할 수 있다.
지식 베이스(460)는 개인화된 응답을 위한 데이터를 저장할 수 있다. 이때, 지식 베이스(460)에 저장되는 데이터는 다양할 수 있다. 일 실시예로, 지식 베이스(460)는 전자 장치(100)가 사용하는 어플리케이션의 종류, 어플리케이션과 관련된 컨텐츠 정보 및 어플리케이션을 통해 사용된 기능 중 적어도 하나를 저장할 수 있다. 또 다른 예로, 지식 베이스(460)는 어플리케이션에 포함된 텍스트의 핵심 정보를 저장할 수 있다. 또 다른 예로, 사용 중인 어플리케이션에 대한 기능을 수행하는 사용자 인터랙션이 감지된 경우, 지식 베이스(460)는 수행된 기능 및 사용된 사용자 인터랙션에 대한 정보를 저장할 수 있다. 또 다른 예로, 지식 베이스(460)는 실행중인 어플리케이션에 대한 카테고리 정보 및 실행중인 어플리케이션에 대한 지식 정보를 저장할 수 있다. 또 다른 예로, 지식 베이스(460)는 연속적인 어플리케이션의 사용과 관련된 정보를 저장하거나, 어플리케이션의 조작과 관련된 정보를 저장하거나, 특정 어플리케이션 사용시 동일 유형에 대한 컨텐츠를 사용하는 경우, 특정 어플리케이션에 대한 정보 및 특정 유형의 컨텐츠에 대한 정보를 매칭하여 저장할 수 있다. 이때, 어플리케이션에 대한 정보란 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능(결제 기능, 검색 기능, 예매 기능 등) 중 적어도 하나일 수 있다.
또한, 메모리(110)는 대화 시스템을 동작하기 위한 인공지능 에이전트를 저장할 수 있다. 구체적으로, 전자 장치(100)는 사용자 음성에 대한 응답으로 자연어를 생성하기 위하여 인공지능 에이전트(Artificial intelligence agent)를 이용할 수 있다. 이때, 인공지능 에이전트는 AI(Artificial Intelligence) 기반의 서비스(예를 들어, 음성 인식 서비스, 비서 서비스, 번역 서비스, 검색 서비스 등)를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU 등)에 의해 실행될 수 있다.
구체적으로, 사용자 음성이 입력된 경우, 인공지능 에이전트가 동작할 수 있다. 그리고, 인공지능 에이전트는 사용자 질문을 학습된 인공지능 학습 모델에 입력하여 답변을 획득할 수 있다.
물론, 사용자 음성(특히, 인공지능 기능을 실행하기 위한 트리거 음성)이 입력되거나 기설정된 버튼(예를 들어, 인공지능 비서 기능을 실행하기 위한 버튼)이 선택되면, 인공지능 에이전트가 동작할 수도 있다. 또는, 인공지능 에이전트는 사용자 음성이 입력되거나 기설정된 버튼이 선택되기 이전에 기 실행된 상태일 수 있다. 이 경우, 사용자 음성이 입력되거나 기설정된 버튼이 입력된 이후에 전자 장치(100)의 인공지능 에이전트가 사용자 질문에 대한 답변을 획득할 수 있다. 또한, 인공지능 에이전트는 사용자 음성이 입력되거나 기설정된 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 사용자 음성이 입력되거나 기설정된 버튼이 선택되면, 전자 장치(100)는 인공지능 에이전트를 동작시키고, 사용자 음성에 대한 응답으로 자연어를 획득할 수 있다.
또한, 본 개시의 일 실시예에 따라, 메모리(110)는 사용자 질문에 대한 답변을 생성(또는 획득)하도록 학습된 인공지능 모델을 저장할 수 있다. 본 개시에서 학습된 인공지능 모델은 인식 모델의 적용 분야 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 예로, 인공지능 모델은 대화 매니저(430) 및 지식 데이터베이스(460)로부터 획득된 정보를 입력 데이터로 사용하여 자연어를 획득하도록 학습될 수 있다. 자연스러운 자연어를 생성하기 위해, 학습된 인공지능 모델은, 예로, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 인공지능 모델은 인간의 뇌 구조를 컴퓨터 상에서 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 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 또한, 문서 요약 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 주고 받을 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.
또한, 상술한 실시예에서는 인공지능 모델이 전자 장치(100)에 저장되는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 인공지능 모델은 다른 전자 장치에 저장될 수 있다. 예를 들어, 인공 지능 모델은 적어도 하나 이상의 외부 서버에 저장될 수 있다. 전자 장치(100)는 사용자 음성을 입력 받아 인공 지능 모델이 저장된 외부 서버로 전송하고, 외부 서버에 저장된 인공 지능 모델이 전자 장치(100)로부터 수신한 사용자 음성을 입력값으로 입력하여 결과를 출력할 수 있음은 물론이다.
프로세서(120)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다.
구체적으로, 프로세서(120)는 메모리(110)에 저장된 어플리케이션을 실행할 수 있다. 어플리케이션이 실행중인 상태에서 사용자 명령이 입력되면, 프로세서(120)는 실행중인 어플리케이션의 종류, 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 어플리케이션을 통해 사용된 기능 중 적어도 하나를 획득하여 메모리(110)에 저장할 수 있다. 구체적으로, 어플리케이션이 실행중인 상태에서 사용자 명령이 입력되면, 프로세서(120)는 실행중인 어플리케이션의 종류, 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 어플리케이션을 통해 사용된 기능 중 적어도 하나를 획득하여 지식 베이스(460)에 저장할 수 있다. 학습된 인공 지능 모델에 어플리케이션과 관련되 사용자 질문이 입력값으로 입력되면, 프로세서(120)는, 지식 베이스(460)에 저장된 실행중인 어플리케이션의 종류, 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 결정된, 사용자 질문에 대한 답변을 출력할 수 있다.
이때, 프로세서(120)가 출력하는 답변은, 사용자 질문에 대한 검색 결과를 제공하는 답변, 사용자 질문에 대한 액션을 수행하는 답변, 사용자 질문에 대한 어플리케이션의 기능을 수행하는 답변 중 적어도 하나일 수 있다.
한편, 사용자 질문이 컨텐츠 검색과 관련된 질문인 경우, 프로세서(120)는 어플리케이션과 관련된 정보를 바탕으로 검색된 컨텐츠를 재생하기 위한 어플리케이션을 추천할 수 있다.
한편, 프로세서(120)는 상기 저장된 도메인 정보 및 실행중인 어플리케이션의 종류, 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 상기 사용자 질문에 대한 답변을 획득할 수 있다.
한편, 사용자 질문이 입력되면, 프로세서(120)는 사용자 질문을 외부 서버로 전송하고, 외부 서버로부터 입력된 사용자 질문에 대한 답변 후보를 수신할 수 있다. 프로세서(120)는 수신한 답변 후보 및 지식 베이스(460)에 저장된 정보를 바탕으로 사용자 질문에 대한 답변을 출력할 수 있다. 구체적으로, 프로세서(120)는 수신한 답변 후보와 지식 베이스(460)에 저장된 데이터와의 유사도를 인공 지능 모델을 통해 계산하고, 수신한 답변 후보 중 지식 베이스(460)의 데이터 와의 유사도가 가장 높은 답변 후보를 출력할 수 있다.
본 개시에서의 사용자 질문은 사용자 음성인 경우로 하여 설명하나 이에 한정되는 것은 아니다. 즉, 사용자 질문은 텍스트의 형태로 입력될 수도 있다.
한편, 본 개시에 따른 인공지능과 관련된 기능은 프로세서(120)와 메모리(110)를 통해 동작된다. 프로세서(130)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP 등과 같은 범용 프로세서, GPU. VPU 등과 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다.
하나 또는 복수의 프로세서는, 메모리(110)에 저장된 기정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.
여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
도 3은 본 개시의 일 실시예에 따른 전자 장치를 상세히 도시한 블록도이다.
도 3에 도시된 바와 같이, 전자 장치(100)는 메모리(110) 및 프로세서(120)외에 통신부(130), 입력부(140), 디스플레이(150) 및 오디오 출력부(160)를 더 포함할 수 있다. 그러나 상술한 구성에 한정되는 것은 아니며, 필요에 따라 일부 구성이 추가되거나 생략될 수 있음은 물론이다.
통신부(130)는 외부 장치와 통신을 수행하기 위한 구성이다. 일 실시예로, 전자 장치(100)는 통신부(130)를 통해 사용자 음성에 대한 복수의 답변 후보를 외부 서버로부터 수신할 수 있다.
한편, 통신부(130)가 외부 장치와 통신 연결되는 것은 제3 기기(예로, 중계기, 허브, 엑세스 포인트, 서버 또는 게이트웨이 등)를 거쳐서 통신하는 것을 포함할 수 있다. 무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 일 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 무선 통신 또는 유선 통신이 수행되는 네트워크는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.
입력부(140)는 사용자 명령을 입력받기 위한 구성이다. 이때, 입력부(140)는 카메라(141), 마이크(142) 및 터치 패널(143)을 포함할 수 있다.
카메라(141)는 전자 장치(100) 주변의 영상 데이터를 획득하기 위한 구성이다. 카메라(141)는 정지 영상 및 동영상을 촬영할 수 있다. 예로, 카메라(141)는 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다. 마이크(142)는 전자 장치(100) 주변의 소리를 획득하기 위한 구성이다. 마이크(142)는 외부의 음향 신호를 입력 받아 전기적인 음성 정보를 생성할 수 있다. 마이크(142)는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다. 카메라(141) 또는 마이크(142)를 통해 입력된 이미지 정보 또는 음성 정보는 인공 지능 모델의 입력값으로 입력될 수 있다.
터치 패널(143)은 다양한 사용자 입력을 입력 받을 수 있는 구성이다. 터치 패널(143)는 사용자 조작에 의한 데이터를 입력 받을 수 있다. 터치 패널(143)은 후술하는 디스플레이와 결합하여 구성될 수도 있다.
입력부(140)는 상술한 카메라(141), 마이크(142), 터치 패널(143) 외에도 다양한 데이터를 입력 받기 위한 다양한 구성일 수 있음은 물론이다.
디스플레이(150)는 다양한 영상을 출력하기 위한 구성이다. 다양한 영상을 제공하기 위한 디스플레이(150)는 다양한 형태의 디스플레이 패널로 구현될 수 있다. 예를 들어, 디스플레이 패널은 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes), AM-OLED(Active-Matrix Organic Light-Emitting Diode), LcoS(Liquid Crystal on Silicon) 또는 DLP(Digital Light Processing) 등과 같은 다양한 디스플레이 기술로 구현될 수 있다. 또한, 디스플레이(150)는 플렉서블 디스플레이(flexible display)의 형태로 전자 장치(100)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다.
오디오 출력부(160)는 오디오 처리부에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 오디오 처리부는 오디오 데이터에 대한 처리를 수행하는 구성 요소다. 오디오 처리부에서는 오디오 데이터에 대한 디코딩이나 증폭, 노이즈 필터링 등과 같은 다양한 처리가 수행될 수 있다. 오디오 처리부(150)에서 처리된 오디오 데이터는 오디오 출력부(160)로 출력될 수 있다. 특히, 오디오 출력부는 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.
프로세서(120)는 상술한 바와 같이, 전자 장치(100)의 전반적인 동작을 제어한다. 프로세서(120)는 RAM(121), ROM(122), 메인 CPU(123), 그래픽 처리부(124), 제1 내지 n 인터페이스(125-1 내지 125-n), 버스(126)를 포함할 수 있다. 이때, RAM(121), ROM(122), 메인 CPU(123), 그래픽 처리부(124) 및 제1 내지 n 인터페이스(125-1 내지 125-n) 등은 버스(126)를 통해 서로 연결될 수 있다.
ROM(122)에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU(123)는 ROM(122)에 저장된 명령어에 따라 메모리에 저장된 O/S를 RAM(121)에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU(123)는 메모리에 저장된 각종 어플리케이션 프로그램을 RAM(121)에 복사하고, RAM(121)에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.
구체적으로, 메인 CPU(123)는 제1 메모리(110) 또는 제2 메모리(120)에 액세스하여, 제1 메모리(110) 또는 제2 메모리(120)에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고 메인 CPU(123)는 제1 메모리(110) 또는 제2 메모리(120)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
제1 내지 n 인터페이스(125-1 내지 125-n) 는 상술한 각종 구성 요소들과 연결된다. 인터페이스들 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.
이하에서는 도 5a 내지 도 11b을 참조하여, 본 개시에 따른 다양한 실시예를 설명한다.
도 5a 및 도 5b는 본 개시의 일 실시예에 따른 지식 베이스에 저장되는 데이터를 설명하기 위한 예시도이다.
구체적으로, 도 5a에 도시된 바와 같이, 기 설정된 사용자 음성이 입력되면, 전자 장치(100)는 기 설정된 사용자 명령이 입력된 시점에서 실행중인 어플리케이션 또는 웹 컨텐츠와 관련된 데이터를 지식 베이스(460)에 저장할 수 있다. 예를 들어, "빅스비! 기억해!"(510)와 같은 사용자 명령이 입력되면, 전자 장치(100)는 기 설정된 사용자 음성이 입력된 시점에서 실행중인 어플리케이션 또는 웹 컨텐츠와 관련된 데이터를 지식 베이스(460)에 저장할 수 있다. 이때, 기 설정된 사용자 음성이 입력된 시점이란, 사용자 음성이 입력된 시점 전후의 기 설정된 시간을 의미할 수 있다.
한편, 도 5b에 도시된 바와 같이, 전자 장치(100)에 구비된 버튼(520)을 푸쉬하는 동작이 감지되면, 전자 장치(100)는 기 설정된 사용자 명령이 입력된 시점에서 실행중인 어플리케이션 또는 웹 컨텐츠와 관련된 데이터를 지식 베이스(460)에 저장할 수 있다. 이때, 전자 장치(100)에 구비된 버튼(520)을 푸쉬하는 방법은 다양할 수 있다. 예를 들어, 버튼(520)을 기 설정된 시간(예를 들어 2초) 푸쉬하는 동작, 버튼(520)을 기 설정된 횟수(예를 들어, 3회)만큼 푸쉬하는 동작에 의해, 전자 장치(100)는 해당 동작이 감지된 시점에서 실행중인 어플리케이션 또는 웹 컨텐츠와 관련된 데이터를 지식 베이스(460)에 저장할 수 있다.
다만, 도 5a 및 도 5b의 실시예에 한정되는 것은 아니며, 지식 베이스(460)에 데이터를 저장하기 위한 동작은 다양할 수 있다. 예를 들어, 전자 장치(100)는 실행되는 어플리케이션 또는 웹 컨텐츠 중 특정 조건을 만족하는 경우, 해당 어플리케이션 또는 웹 컨텐츠와 관련된 데이터를 지식 베이스(460)에 저장할 수 있다. 이때, 특정 조건이라, 예를 들어 기 설정된 횟수만큼 어플리케이션 또는 웹 컨텐츠를 사용하는 조건일 수 있다. 또는, 특정 조건이란 기 설정된 시간 동안 어플리케이션 또는 웹 컨텐츠를 사용하는 조건일 수 있다. 또는, 특정 조건이란 전자 장치(100)가 감지하는 모든 어플리케이션 또는 웹 컨텐츠의 사용 조건일 수 있다. 또는, 특정 조건이란, 특정 웹 컨텐츠를 북마크 하는 터치 입력과 관련된 조건일 수 있다.
도 6은 본 개시의 일 실시예에 따른, 지식 베이스에 저장되는 데이터의 도메인(또는 카테고리)를 분류하는 방법을 설명하기 위한 예시도이다.
상술한 실시예에 따라, 지식 베이스(460)에 저장하기 위한 어플리케이션 또는 웹 컨텐츠와 관련된 데이터가 결정되면, 전자 장치(100)는 결정된 데이터의 도메인(또는 카테고리)를 판단할 수 있다.
구체적으로, 전자 장치(100)는 실행중인 어플리케이션 또는 웹 컨텐츠의 내용을 바탕으로 도메인을 결정할 수 있다.
예를 들어, 도 6에 도시된 바와 같이, 전자 장치(100)가 브라우저 어플리케이션에서 뉴스 기사를 실행하는 경우, 전자 장치(100)는 실행되는 뉴스 기사의 내용을 바탕으로 도메인을 결정할 수 있다. 이때 결정되는 도메인은 예를 들어 IT 도메인일 수 있다.
또는, 전자 장치(100)가 게임 어플리케이션을 실행하는 경우, 전자 장치(100)는 실행되는 게임 어플리케이션을 바탕으로 도메인을 결정할 수 있다. 이때 결정되는 도메인은 예를 들어 스포츠 도메인일 수 있다.
또는, 전자 장치(100)가 결제 내역과 관련된 어플리케이션을 실행하는 경우, 전자 장치(100)는 결제 내역을 바탕으로 도메인을 결정할 수 있다. 예를 들어 결제 내역 중 자주 가는 음식점이 다수 존재하는 경우, 결정되는 도메인은 맛집 도메인일 수 있다.
한편, 도메인은 지식 베이스(460)에 저장될 수 있다. 이때, 새로운 도메인이 추가될 필요가 있는 경우, 전자 장치(100)는 어플리케이션 또는 웹 컨텐츠와 관련된 데이터에 대응되는 새로운 도메인을 추가할 수 있음은 물론이다. 이때, 추가되는 도메인은 외부 서버에 저장된 도메인 중 하나일 수 있다. 도메인은 사용자 명령에 의해 추가되거나 삭제될 수 있음은 물론이다.
한편, 기 설정된 시간 동안 지식 베이스(460)내의 도메인 중 하나의 도메인에 추가되는 데이터가 없는 경우, 전자 장치(100)는 해당 도메인을 삭제할 수 있다. 즉, 전자 장치(100)는 사용되지 않는 도메인을 삭제하여 메모리를 절약할 수 있다.
한편, 전자 장치(100)는, 데이터가 저장된 순서대로 도메인을 편집할 수 있다. 즉, 전자 장치(100)는 각각의 도메인에 저장된 데이터의 크기 또는 수에 따라 도메인의 우선순위를 결정할 수 있다. 예를 들어, 도 6에 도시된 바와 같이, 도메인에 저장된 데이터의 크기 또는 수가 맛집 도메인, 영화 도메인, IT 도메인, 스포츠 도메인 순인 경우, 전자 장치(100)는 맛집 도메인, 영화 도메인, IT 도메인, 스포츠 도메인의 순서로 우선순위를 부여할 수 있다. 전자 장치(100)는 사용자 음성이 입력되면 우선순위에 따라 사용자 음성에 대한 답변을 출력할 수 있다.
도 7은 본 개시의 일 실시예에 따른 도메인 관리 방법을 설명하기 위한 예시도이다.
전자 장치(100)는 도 5a 내지 도 6에 따른 다양한 실시예에 따라 지식 베이스(460)에 다양한 데이터를 저장할 수 있다. 이때, 지식 베이스(460)에 저장되는 데이터가 많아진 경우, 전자 장치(100)는 저장된 데이터 중 일부를 제거하여 메모리 공간을 확보할 수 있다. 예를 들어, 전자 장치(100)는 먼저 저장된 데이터를 먼저 삭제할 수 있다. 또는, 전자 장치(100)는 사용 횟수가 적은 데이터를 먼저 삭제할 수 있다.
한편, 전자 장치(100)는 데이터 중 일부를 제거할 수 있을 뿐만 아니라, 데이터를 외부 서버로 전송할 수도 있다. 즉, 전자 장치(100)는 개인 클라우드 서버와 같은 외부 서버로 오래된 데이터(또는 사용되지 않는 데이터)를 전송하여 전자 장치(100)의 메모리 공간을 확보할 수 있다.
도 8은 본 개시의 일 실시예에 따른, 지식 베이스에 저장되는 데이터를 획득하는 방법을 설명하기 위한 예시도이다.
어플리케이션 등이 실행되는 경우, 전자 장치(100)는 실행되는 어플리케이션의 명칭, 어플리케이션에서 실행되는 컨텐츠 명칭 및 어플리케이션에서 실행되는 기능을 획득하여 지식 베이스(460)에 저장할 수 있다.
구체적으로, 전자 장치(100)는 어플리케이션 또는 웹 컨텐츠에서 식별한 데이터를 텍스트화 하고, 토큰화(Tokenization)할 수 있다. 토큰화란 텍스트를 단어 단위로 분류하는 작업을 의미한다. 토근화가 완료되면, 전자 장치(100)는 POS(Part Of Speech Tagging)을 수행한다. POS란 텍스트 내 단어들의 품사를 식별하여 태그를 붙여주는 작업을 의미한다. 전자 장치(100)는 텍스트를 파싱하고, 기 설정된 제외어(Stop word)를 제거 할 수 있다. 제외어를 제거한 후, 전자 장치(100)는 표제어를 결정(Lemmatisation)할 수 있다. 표제어 결정은 단어의 보조 정리 또는 사전 형식으로 식별되는 단일 항목으로 분석 될 수 있도록 단어의 굴절 형태를 그룹화하는 과정을 의미한다. 상술한 과정을 거쳐, 전자 장치(100)는 어플리케이션 명칭, 컨텐츠 명칭 및 기능 명칭을 획득하고, 지식 베이스(460)에 저장할 수 있다.
예를 들어, 전자 장치(100)가 웹 페이지에서 뉴스 기사를 실행하고 있는 경우를 가정할 수 있다. 이때, 전자 장치(100)는 해당 뉴스의 원본 문장(예를 들어, Samsung research has AI Center.)을 획득할 수 있다. 전자 장치는 토큰화, POS 등을 통해 원분 문장을 분리할 수 있다. 예를 들어, 원본 문장은 "(Samsung research)-명사구, (has)-동사, (AI Center)-명사구"와 같이 분류될 수 있다. 전자 장치(100)는 분리된 문장으로부터 튜플(Tuple)을 생성하고, 이를 일반화 하여 튜플 구조를 지식 베이스(460)에 저장할 수 있다. 예를 들어 생성되는 튜플이 "Samsung research, AI Center, have"인 경우, 전자 장치(100)는, "Samsung research, AI Center, have", "Samsung research, AI Center, contain", "Samsung research, AI Center, include"와 같은 데이터를 지식 베이스(460)에 저장할 수 있다.
한편, 상술한 바와 같이 지식 베이스(460)에 저장되는 데이터는 특정 상황에서 생성될 수 있다. 예를 들어, 지식 베이스(460)에 저장되는 데이터는 전자 장치에 사용자 명령이 입력되지 않는 경우, 전자 장치(100)가 충전 중인 경우, 또는 새벽 시간(예를 들어 오전 0시부터 오전 6시 사이)등의 조건 중 어느 하나의 조건을 만족하는 경우 생성될 수 있다. 즉, 지식 베이스(460)에 저장되는 데이터를 사용자가 전자 장치(100)를 사용하지 않는 상황에서 생성하여 전자 장치(100)를 효율적으로 사용할 수 있다.
이하에서는 도 5a 내지 도 8의 실시예에 의해 지식 베이스(460)에 데이터가 저장된 상태에서 사용자 질문이 입력된 경우, 사용자 질문에 대한 응답을 출력하는 방법에 대하여 설명한다.
사용자 질문이 입력되면, 전자 장치(100)는 사용자 질문의 의도를 파악할 수 있다. 구체적으로, 전자 장치(100)는 자연어 이해부(420)를 통해 사용자 음성에 대한 의도를 파악할 수 있다. 전자 장치(100)는 사용자 음성에 대한 의도와 지식 베이스(460)에 저장된 도메인을 바탕으로 사용자 음성에 대한 의도에 적합한 도메인을 판단할 수 있다. 구체적으로, 전자 장치(100)는 파악된 사용자 의도 및 지식 베이스(460)에 저장된 복수의 도메인의 유사도를 판단하여, 사용자 의도와 가장 유사한 도메인을 판단할 수 있다. 전자 장치(100)는 판단된 도메인에 포함된 데이터와 사용자 음성에 대한 의도를 바탕으로 사용자 의도에 대한 결과값을 출력할 수 있다. 구체적으로, 전자 장치(100)는 파악된 사용자 의도 및 판단된 도메인에 포함된 복수의 데이터의 유사도를 판단하여, 사용자 의도와 가장 유사한 데이터를 판단할 수 있다. 전자 장치(100)는 판단된 데이터를 바탕으로 사용자 질문에 대한 답변을 출력할 수 있다.
도 9 내지 도 11b는 본 개시에 따른 다양한 실시예를 설명하기 위한 예시도이다.
도 9는 본 개시의 일 실시예에 따른, 전자 장치가 어플리케이션 조작을 바탕으로 사용자 음성에 대한 질문을 출력하는 방법을 설명하기 위한 예시도이다.
상술한 바와 같이, 전자 장치(100)는 다양한 어플리케이션 또는 웹 컨텐츠의 사용을 바탕으로 획득된 데이터를 지식 베이스(460)에 저장할 수 있다. 즉, 전자 장치(100)는 어플리케이션 또는 웹 컨텐츠를 바탕으로 도메인 및 지식 베이스(460)에 저장된 데이터를 결정할 수 있다. 예를 들어, 전자 장치(100)가 웹 브라우저의 뉴스 기사를 실행한 경우, 전자 장치(100)는 뉴스 기사를 분석하여 도메인을 IT 도메인으로 결정하고, "삼성 전자, OO원, 영업이익"과 같은 데이터를 획득하여 지식 베이스(460)에 저장할 수 있다. 또 다른 예로, 전자 장치(100)가 영화 예매 어플리케이션을 실행한 경우, 전자 장치(100)는 영화 어플리케이션을 바탕으로 도메인을 영화 도메인으로 결정하고, "영화 이름, 영화 어플리케이션 이름, 예매"와 같은 데이터를 저장할 수 있다. 또는, 전자 장치(100)는 영화 어플리케이션을 바탕으로 "영화관, 영화관 위치, 영화관 이름" 과 같은 데이터를 저장할 수 있다. 또는 전자 장치(100)는 영화 어플리케이션을 바탕으로 "영화 티켓, 영화 티켓의 수량"과 같은 데이터를 저장할 수 있다. 또 다른 예로, 전자 장치(100)가 결제 내역과 관련된 어플리케이션을 실행한 경우, 전자 장치(100)는 결제 내역을 분석하여 "음식점 이름, 가격, 기능(결제, 취소 등)"을 저장할 수 있다.
지식 베이스(460)에 데이터가 저장된 상태에서, "토요일 OOO 영화 몇 시가 좋지?"라는 사용자 음성이 입력되면, 전자 장치(100)는 사용자 음성을 바탕으로 적절한 답변을 출력할 수 있다. 예를 들어, 전자 장치(100)는 캘린더 어플리케이션으로부터 획득된 정보를 바탕으로 토요일 오후 2시 이후에 사용자의 일정이 없음을 확인하고, 지식 베이스(460)에 저장된 정보를 바탕으로 사용자는 주로 OOO 어플리케이션으로 영화 예약을 하는 것을 확인하여, "OOO영화관에서 오후 2시 30분이 좋습니다. OOO 어플리케이션으로 2매 예매하시겠습니까?"와 같은 답변을 출력할 수 있다. 이때, 전자 장치(100)는 영화 어플리케이션을 통해 사용자가 선호하는 좌석, 예매하는 영화표의 수량, 영화관의 위치와 관련된 정보를 획득하고, 사용자에게 적절한 위치의 영화관 및 좌석을 예매할 수 있다.
도 10a 및 도 10b는 본 개시의 또 다른 실시예에 따른, 사용자의 어플리케이션 조작을 추천하는 방법을 설명하기 위한 예시도이다.
도 10a에 도시된 바와 같이, 전자 장치(100)는 영화 어플리케이션을 통해 영화를 예매하고, 영화 예매 내용을 다른 사용자에게 공유하는 일련의 동작을 저장하기 위한 사용자 명령(예를 들어, "빅스비 기억해!")을 입력 받을 수 있다. 구체적으로, 전자 장치(100)는 영화 어플리케이션을 통해 영화 예매 후 예매 화면을 캡쳐하고, 채팅 어플리케이션을 통해 다른 사용자에게 공유하는 일련의 동작을 지식 베이스(460)에 저장할 수 있다. 이후, 도 10b에 도시된 바와 같이, 영화 어플리케이션을 통해 예매 화면이 실행되면, 전자 장치(100)는 채팅 어플리케이션을 통해 다른 사용자에게 해당 예매 화면을 공유할 것을 추천할 수 있다. 즉, 전자 장치(100)는 하나의 어플리케이션 또는 웹 컨텐츠와 관련된 데이터를 지식 베이스(460)에 저장할 수 있을 뿐만 아니라, 복수의 어플리케이션 또는 복수의 웹 컨텐츠와 관련된 하나의 데이터를 지식 베이스(460)에 저장할 수 있다. 즉, 전자 장치(100)는 어플리케이션 또는 웹 컨텐츠 자체에 포함된 데이터를 저장할 수 있을 뿐만 아니라, 어플리케이션 또는 웹 컨텐츠에 입력된 복수의 사용자 명령(예를 들어, 영화 예매, 사진 공유 등)을 지식 베이스(460)에 저장하고, 저장된 복수의 사용자 명령 중 일부가 입력되면, 복수의 사용자 명령 중 입력되지 않은 사용자 명령을 추천해 줄 수 있음은 물론이다.
도 11a 및 도 11b는 본 개시에 따른 다양한 실시예를 설명하기 위한 예시도이다.
도 11a에 도시된 바와 같이, "OOO 재생해줘"라는 사용자 명령이 입력되면, 전자 장치(100)는 지식 베이스(460)에 OOO 컨텐츠와 관련된 데이터를 검색할 수 있다. 이때, 사용자가 OOO 컨텐츠를 6화까지 시청하고, 특정 어플리케이션을 통해 시청한 기록이 지식 베이스(460)에 저장되어 있는 경우, 전자 장치(100)는 "6화까지 시청하셨습니다. OOO 어플리케이션으로 7화를 재생할까요?"라는 답변을 출력할 수 있다.
한편, 도 11b에 도시된 바와 같이, "딸 사진을 보여줘" 라는 사용자 명령이 입력되면, 전자 장치(100)는 "어제 찍은 사진이 있어요. 와이프님께 OO 어플리케이션을 통해 보낼까요? 와 같은 답변을 출력할 수 있다. 즉, 전자 장치(100)는 사용자의 질문에 대한 답변(딸 사진 검색) 뿐만 아니라 사용자가 지시하지 않은 추가 액션을 추천할 수 있다. 이 경우, 지식 베이스(460)에는 사용자가 딸 사진을 검색한 후 와이프에게 OO 어플리케이션을 통해 전송하는 일련의 동작과 관련된 데이터가 저장되어 있을 수 있다.
한편, 상술한 바와 같이 사용자 음성에 대응되는 사용자의 의도를 파악하고, 사용자 의도에 대한 결과 데이터에 대응되는 자연어를 생성하는 것은 전자 장치(100)에 의해 수행될 수 있으나 이에 한정되는 것은 아니다. 즉, 도 12에 도시된 바와 같이, 사용자 음성에 대응되는 사용자의 의도를 파악하고, 사용자 의도에 대한 결과 데이터에 대응되는 자연어를 생성하는 것은 서버(200)에 의해 수행될 수 있음은 물론이다. 즉, 사용자 음성이 입력되면, 전자 장치(100)는 사용자 음성을 서버(200)로 전송하고, 서버(200)는 수신한 사용자 음성에 대응되는 사용자의 의도를 파악하고, 사용자 의도에 대한 결과 데이터에 대응되는 자연어를 생성하여 전자 장치(100)로 전송할 수 있음은 물론이다.
도 13은 본 개시의 일 실시예에 따른 전자 장치 및 서버의 동작을 설명하기 위한 시스템도이다.
상술한 실시예에서는 전자 장치(100)가 지식 베이스(460)을 바탕으로 답변을 출력하는 방법에 대하여 설명하였으나, 이에 한정되는 것은 아니다. 즉, 전자 장치(100)는 사용자 음성에 대응되는 복수의 답변 후보를 서버(200)로부터 수신하고, 수신된 복수의 답변 후보 및 지식 베이스(460)에 저장된 데이터를 바탕으로 사용자 음성에 대한 답변을 출력할 수 있음은 물론이다.
먼저, 전자 장치(100)는 사용자 음성을 입력 받을 수 있다(S1410). 사용자 음성을 입력 받은 경우, 전자 장치(100)는 입력된 사용자 음성에 대한 음성 인식을 수행할 수 있다(S1420). 구체적으로, 음성 인식은 자동 음성 인식부(410)를 통해 수행될 수 있다.
전자 장치(100)는 음성 인식 결과를 바탕으로 사용자 음성의 의도를 파악할 수 있다(S1430). 전자 장치(100)는 파악된 사용자 음성의 의도를 외부 서버(200)로 전송할 수 있다(S1440).
서버(200)는 사용자 음성의 의도를 바탕으로 사용자 음성의 의도에 대한 복수의 답변 후보를 획득할 수 있다(S1450). 이때, 서버(200)는, 서버(200)에 포함된 데이터 베이스를 바탕으로 복수의 답변 후보를 획득할 수 있다. 구체적으로, 서버(200)는 사용자 음성의 의도와 데이터 베이스에 포함된 복수의 데이터를 인공 지능 모델에 입력하여, 사용자 음성의 의도와 유사한 데이터를 답변 후보로 획득할 수 있다. 예를 들어, 사용자 음성의 의도가 영화 추천인 경우, 서버(200)는 현재 개봉 중인 영화 순위와 관련된 답변 후보, 장르별 영화 순위와 관련된 답변 후보와 같은 답변 후보를 획득할 수 있다.
서버(200)는 획득된 복수의 답변 후보를 전자 장치(100)로 전송할 수 있다(S1460). 전자 장치(100)는 지식 베이스(460)에 저장된 데이터와 수신한 복수의 답변 후보들 간의 유사도를 바탕으로 최종 답변을 결정할 수 있다(S1470). 구체적으로, 전자 장치(100)는 지식 베이스(460)에 저장된 데이터와 수신한 복수의 답변 후보 데이터를 인공 지능 모델에 입력하여 사용자 음성의 의도와 가장 유사한 도메인을 판단하고, 판단된 도메인에 포함된 데이터 중 사용자 음성의 의도와 유사한 데이터를 최종 답변으로 결정할 수 있다. 예를 들어, 전자 장치(100)가 서버로부터 현재 개봉 중인 영화 순위와 관련된 답변 후보 및 장르별 영화 순위와 관련된 답변 후보인 경우, 전자 장치(100)는 수신한 답변 후보로부터 복수의 도메인 중 영화 도메인을 결정하고, 영화 도메인에 포함된 데이터 중, 사용자 질문의 의도와 유사한 영화를 추천할 수 있다. 예를 들어, 지식 베이스(460)의 영화 도메인에 영화 어플리케이션을 통해 영화를 예매하는 정보 및, 액션 영화와 관련된 정보가 포함된 경우, 전자 장치(100)는 현재 개봉 중인 영화 중에서 액션 영화를 예매하기 위한 답변을 출력할 수 있다. 또는, 현재 개봉 중인 영화 중 액션 영화가 없는 경우, 전자 장치(100)는 현재 개봉 중인 영화 중 예매 수가 가장 많은 영화를 예매하기 위한 답변을 출력할 수 있다. 또는, 현재 개봉 중인 영화 중 액션 영화가 없는 경우, 전자 장치(100)는 액션 영화 장르에서 조회수가 가장 높은 영화를 다운받거나, 시청할 것을 추천하는 답변을 출력할 수 있다. 즉, 전자 장치(100)는 판단된 도메인에 포함된 데이터와 복수의 답변 후보간의 유사도에 따라 사용자 질문에 대한 답변을 추천할 수 있다.
전자 장치(100)는 자연어 생성부(440) 및 TTS(450)을 이용하여 사용자 음성에 대한 자연어 응답을 출력할 수 있다(S1480).
한편, 도 13의 실시예에서는 음성 인식을 전자 장치(100)가 수행하는 것으로 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어 전자 장치(100)는 지식 베이스(460) 및 복수의 답변 후보와 지식 베이스(460)의 데이터간의 유사도를 계산하기 위한 인공 지능 모델만을 포함할 수 있다. 이 경우, 전자 장치(100)는 사용자 음성을 서버(200)로 전송하여 서버(200)가 음성 인식, 대화관리, 자연어 생성 등을 처리하고, 전자 장치(100)는 복수의 답변 후부 중 최종 답변 후보만을 결정할 수 있음은 물론이다.
도 14는 본 개시의 또 다른 실시예에 따른 전자 장치 및 서버의 동작을 설명하기 위한 시스템도이다.
도 14에 도시된 바에 의하면, 서버(200)는 음성 인식 시스템 및 지식 베이스(460)을 모두 포함할 수 있다. 이때, 서버(200)는 일반적인 외부 서버로 구성될 수 있으나 개인 클라우드 서버로 구성될 수 있음은 물론이다.
먼저, 전자 장치(100)는 사용자 음성을 수신할 수 있다(S1510). 전자 장치(100)는 수신한 사용자 음성을 서버(200)로 전송할 수 있다(S1520). 서버(200)는 수신한 사용자 음성에 대한 음성 인식을 수행할 수 있다(S1530). 구체적으로, 음성 인식은 자동 음성 인식부를 통해 수행될 수 있다.
서버(200)는 음성 인식 결과를 바탕으로 사용자 음성의 의도를 파악하고(S1540), 사용자 음성의 의도를 바탕으로 사용자 음성의 의도에 대한 복수의 답변 후보를 획득할 수 있다(S1550). 구체적으로, 서버(200)는, 서버(200)에 포함된 데이터 베이스를 바탕으로 복수의 답변 후보를 획득할 수 있다. 예를 들어, 서버(200)는 사용자 음성의 의도와 데이터 베이스에 포함된 복수의 데이터를 인공 지능 모델에 입력하여, 사용자 음성의 의도와 유사한 데이터를 답변 후보로 획득할 수 있다.
서버(200)는 지식 베이스에 저장된 데이터와 수신한 복수의 답변 후보들 간의 유사도를 바탕으로 최종 답변을 결정할 수 있다(S1560). 구체적으로, 서버(200)는 지식 베이스에 저장된 데이터와 수신한 복수의 답변 후보 데이터를 인공 지능 모델에 입력하여 사용자 음성의 의도와 유사한 데이터를 최종 답변으로 결정할 수 있다.
서버(200)는 자연어 생성부 및 TTS을 이용하여 사용자 음성에 대한 자연어 응답을 획득하고(S1570), 획득된 자연어 응답을 전자 장치(100)로 전송할 수 있다(S1580). 전자 장치(100)는 수신한 자연어 응답을 출력할 수 있다(S1590).
한편, 본 개시에서는 사용자 음성이 입력되고, 입력된 사용자 음성에 대한 자연어 응답이 출력되는 것으로 설명하였으나, 이에 한정되는 것은 아니다. 즉, 전자 장치(100)에 입력되는 사용자 질문 및 출력되는 답변은 음성이 아닌 텍스트의 형태일 수 있음은 물론이다.
도 15은 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 어플리케이션을 실행할 수 있다(S1610). 구체적으로 어플리케이션을 실행하기 위한 사용자 명령이 입력되면, 전자 장치(100)는 사용자 명령에 대응되는 어플리케이션을 실행할 수 있다. 이때, 전자 장치(100)는 어플리케이션 뿐만 아니라 웹 브라우저, 웹 컨텐츠 등을 실행할 수도 있음은 물론이다.
사용자 명령이 입력되면, 전자 장치(100)는 실행중인 어플리케이션에 대한 정보를 획득하여 메모리에 저장할 수 있다(S1620). 구체적으로, 전자 장치(100)는 실행중인 어플리케이션에 대한 정보를 지식 베이스(460)에 저장할 수 있다. 사용자 명령은 음성 명령(예를 들어, 빅스비 기억해!) 또는 전자 장치(100)에 구비된 버튼을 특정 방법으로 푸쉬하는 명령일 수 있다. 한편, 실행중인 어플리케이션에 대한 정보는, 실행중인 어플리케이션 명칭, 어플리케이션이 재생하는 컨텐츠 명칭, 어플리케이션이 실행하는 기능 명칭 등과 관련된 정보 일 수 있다. 또는, 어플리케이션에 대한 정보는 어플리케이션이 표시하고 있는 컨텐츠(예를 들어 뉴스 기사)와 관련된 정보일 수 있다. 또는, 어플리케이션과 관련된 정보는 어플리케이션의 조작과 관련된 정보일 수 있다.
학습된 인공 지능 모델에 어플리케이션과 관련된 사용자 질문이 입력값으로 입력되면, 전자 장치(100)는 저장된 어플리케이션에 대한 정보를 바탕으로 결정된 사용자 질문에 대한 답변을 출력할 수 있다. 구체적으로, 전자 장치(100)는 사용자 질문과 지식 베이스(460)에 저장된 데이터들의 유사도를 인공 지능 모델을 이용하여 계산하고, 가장 유사도가 높은 데이터와 관련된 답변을 사용자 질문에 대한 답변으로 출력할 수 있다. 한편, 전자 장치(100)는 사용자 음성을 서버(200)로 전송하고, 서버(200)는 사용자 음성에 대한 복수의 답변 후보를 전자 장치(100)로 전송할 수 있음은 물론이다. 이 경우, 전자 장치(100)는 복수의 답변 후보와 지식 베이스(460)에 저장된 데이터들의 유사도를 인공 지능 모델을 이용하여 계산하고, 가장 유사도가 높은 답변 후보를 사용자 질문에 대한 답변으로 출력할 수 있다.
한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 개시의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 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, 비일시적(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.
일시예에 따르면, 본 문서에 개시된 다양한 실시예들에 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 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 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 실시예에 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 실시예들에 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.
100: 전자 장치
110: 메모리
120: 프로세서
200: 서버
110: 메모리
120: 프로세서
200: 서버
Claims (16)
- 전자 장치의 제어 방법에 있어서,
어플리케이션이 실행되는 동안 사용자 명령이 입력되면, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 획득하여 메모리에 저장하는 단계; 및
상기 어플리케이션과 관련된 사용자 질문이 입력되면, 학습된 인공 지능 모델에 상기 어플리케이션과 관련된 사용자 질문을 입력하여 획득된 상기 사용자 질문에 대한 답변을 출력하는 단계; 를 포함하고,
상기 사용자 질문에 대한 답변은 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 결정되는 제어방법. - 제1항에 있어서,
상기 저장하는 단계는,
상기 실행중인 어플리케이션이 텍스트를 포함하는 경우, 상기 텍스트의 핵심 정보를 추출하여 저장하는 단계; 를 포함하는 제어 방법. - 제1항에 있어서,
상기 저장하는 단계는,
상기 실행 중인 어플리케이션에 대한 기능을 수행하는 사용자 인터랙션이 감지된 경우, 상기 수행된 기능 및 상기 사용자 인터랙션에 대한 정보를 포함하는 히스토리 정보를 저장하는 단계; 를 포함하는 제어 방법. - 제1항에 있어서,
상기 출력하는 단계는,
상기 사용자 질문에 대한 검색 결과 제공, 상기 사용자 질문에 대한 액션 수행 및 상기 사용자 질문에 대한 어플리케이션 기능 수행 중 적어도 하나를 출력하는 것을 특징으로 하는 제어 방법. - 제1항에 있어서,
상기 출력하는 단계는,
상기 사용자 질문이 컨텐츠 검색과 관련된 질문인 경우, 상기 어플리케이션과 관련된 정보를 바탕으로 상기 검색된 컨텐츠를 재생하기 위한 어플리케이션을 추천하는 단계; 를 포함하는 제어 방법. - 제1항에 있어서,
상기 출력하는 단계는,
상기 사용자 질문이 입력되면, 상기 사용자 질문을 외부 서버로 전송하는 단계;
상기 외부 서버로부터 상기 사용자 질문에 대한 답변 후보를 수신하는 단계; 및
상기 수신한 답변 후보 및 상기 메모리에 저장된 정보를 바탕으로 상기 사용자 질문에 대한 답변을 출력하는 단계; 를 포함하는 제어 방법. - 제1항에 있어서,
상기 저장하는 단계는,
상기 실행중인 어플리케이션에 대한 도메인 정보 및, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 저장하고,
상기 인공지능 모델은,
상기 저장된 도메인 정보 및 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 상기 사용자 질문에 대한 답변을 획득하는 것을 특징으로 하는 제어 방법. - 제1항에 있어서,
상기 사용자 질문은 사용자 음성 또는 텍스트 중 적어도 하나인 것을 특징으로 하는 제어 방법. - 전자 장치에 있어서,
메모리; 및
상기 메모리에 저장된 어플리케이션을 실행시키는 프로세서; 를 포함하고,
상기 프로세서는,
어플리케이션이 실행되는 동안 사용자 명령이 입력되면, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 획득하여 상기 메모리에 저장하고, 상기 어플리케이션과 관련된 사용자 질문이 입력되면, 학습된 인공 지능 모델에 상기 어플리케이션과 관련된 사용자 질문을 입력하여 획득된 상기 사용자 질문에 대한 답변을 출력하며,
상기 사용자 질문에 대한 답변은 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 결정되는 전자 장치. - 제9항에 있어서,
상기 프로세서는,
상기 실행중인 어플리케이션이 텍스트를 포함하는 경우, 상기 텍스트의 핵심 정보를 추출하여 상기 메모리에 저장하는 전자 장치. - 제9항에 있어서,
상기 프로세서는,
상기 실행 중인 어플리케이션에 대한 기능을 수행하는 사용자 인터랙션이 감지된 경우, 상기 수행된 기능 및 상기 사용자 인터랙션에 대한 정보를 포함하는 히스토리 정보를 상기 메모리에 저장하는 전자 장치. - 제9항에 있어서,
상기 프로세서는,
상기 사용자 질문에 대한 검색 결과 제공, 상기 사용자 질문에 대한 액션 수행 및 상기 사용자 질문에 대한 어플리케이션 기능 수행 중 적어도 하나를 출력하는 전자 장치. - 제9항에 있어서,
상기 프로세서는,
상기 사용자 질문이 컨텐츠 검색과 관련된 질문인 경우, 상기 어플리케이션과 관련된 정보를 바탕으로 상기 검색된 컨텐츠를 재생하기 위한 어플리케이션을 추천하는 전자 장치. - 제9항에 있어서,
통신부; 를 더 포함하고,
상기 프로세서는,
상기 사용자 질문이 입력되면, 상기 사용자 질문을 상기 통신부를 통해 외부 서버로 전송하고, 상기 외부 서버로부터 상기 사용자 질문에 대한 답변 후보를 상기 통신부를 통해 수신하고, 상기 수신한 답변 후보 및 상기 메모리에 저장된 정보를 바탕으로 상기 사용자 질문에 대한 답변을 출력하는 전자 장치. - 제9항에 있어서,
상기 프로세서는,
상기 실행중인 어플리케이션에 대한 도메인 정보 및, 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 상기 메모리에 저장하고,
상기 인공지능 모델은,
상기 저장된 도메인 정보 및 상기 어플리케이션의 종류, 상기 실행중인 어플리케이션과 관련된 컨텐츠 정보 및 상기 어플리케이션을 통해 사용된 기능 중 적어도 하나를 바탕으로 상기 사용자 질문에 대한 답변을 획득하는 것을 특징으로 하는 전자 장치. - 제9항에 있어서,
상기 사용자 질문은 사용자 음성 또는 텍스트 중 적어도 하나인 것을 특징으로 하는 전자 장치.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201980048144.5A CN112424768A (zh) | 2018-07-20 | 2019-07-22 | 电子设备及其控制方法 |
| EP19842116.6A EP3786812A4 (en) | 2018-07-20 | 2019-07-22 | ELECTRONIC DEVICE AND ASSOCIATED CONTROL PROCESS |
| PCT/KR2019/009035 WO2020022723A1 (ko) | 2018-07-20 | 2019-07-22 | 전자 장치 및 그의 제어 방법 |
| US15/733,975 US20210217409A1 (en) | 2018-07-20 | 2019-07-22 | Electronic device and control method therefor |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180084961 | 2018-07-20 | ||
| KR20180084961 | 2018-07-20 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200010131A true KR20200010131A (ko) | 2020-01-30 |
Family
ID=69322122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190087731A KR20200010131A (ko) | 2018-07-20 | 2019-07-19 | 전자 장치 및 그의 제어 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20210217409A1 (ko) |
| EP (1) | EP3786812A4 (ko) |
| KR (1) | KR20200010131A (ko) |
| CN (1) | CN112424768A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102840A (zh) * | 2020-09-09 | 2020-12-18 | 中移（杭州）信息技术有限公司 | 语义识别方法、装置、终端及存储介质 |
| KR20220054124A (ko) * | 2020-10-23 | 2022-05-02 | 동의대학교 산학협력단 | 시각화 인터랙션에 기반한 서비스를 제공하는 장치 및 그 서비스 제공 방법 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2982930A1 (en) * | 2017-10-18 | 2019-04-18 | Kari Saarenvirta | System and method for selecting promotional products for retail |
| US20210081863A1 (en) * | 2019-07-25 | 2021-03-18 | Airwire Technologies | Vehicle intelligent assistant |
| US12090955B2 (en) | 2019-07-29 | 2024-09-17 | Airwire Technologies | Vehicle intelligent assistant using contextual data |
| KR20210062428A (ko) * | 2019-11-21 | 2021-05-31 | 엘지전자 주식회사 | 영상 촬영 장치의 원격 제어 방법 및 장치 |
| US11256754B2 (en) * | 2019-12-09 | 2022-02-22 | Salesforce.Com, Inc. | Systems and methods for generating natural language processing training samples with inflectional perturbations |
| US11887138B2 (en) | 2020-03-03 | 2024-01-30 | Daisy Intelligence Corporation | System and method for retail price optimization |
| US11783338B2 (en) | 2021-01-22 | 2023-10-10 | Daisy Intelligence Corporation | Systems and methods for outlier detection of transactions |
| CN116059646B (zh) * | 2023-04-06 | 2023-07-11 | 深圳尚米网络技术有限公司 | 一种交互式专家指导系统 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9805718B2 (en) * | 2013-04-19 | 2017-10-31 | Sri Internaitonal | Clarifying natural language input using targeted questions |
| US9530416B2 (en) * | 2013-10-28 | 2016-12-27 | At&T Intellectual Property I, L.P. | System and method for managing models for embedded speech and language processing |
| US9823811B2 (en) * | 2013-12-31 | 2017-11-21 | Next It Corporation | Virtual assistant team identification |
| JP6684449B2 (ja) * | 2014-06-09 | 2020-04-22 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
| US10366332B2 (en) * | 2014-08-14 | 2019-07-30 | International Business Machines Corporation | Tailoring question answering system output based on user expertise |
| JP2016062264A (ja) * | 2014-09-17 | 2016-04-25 | 株式会社東芝 | 対話支援装置、方法およびプログラム |
| US20160225372A1 (en) * | 2015-02-03 | 2016-08-04 | Samsung Electronics Company, Ltd. | Smart home connected device contextual learning using audio commands |
| US10884503B2 (en) * | 2015-12-07 | 2021-01-05 | Sri International | VPA with integrated object recognition and facial expression recognition |
| WO2017106775A1 (en) * | 2015-12-17 | 2017-06-22 | Rapidsos, Inc. | Devices and methods for efficient emergency calling |
| US10409876B2 (en) * | 2016-05-26 | 2019-09-10 | Microsoft Technology Licensing, Llc. | Intelligent capture, storage, and retrieval of information for task completion |
| CN107301213A (zh) * | 2017-06-09 | 2017-10-27 | 腾讯科技（深圳）有限公司 | 智能问答方法及装置 |
| US10446147B1 (en) * | 2017-06-27 | 2019-10-15 | Amazon Technologies, Inc. | Contextual voice user interface |
| US11450314B2 (en) * | 2017-10-03 | 2022-09-20 | Google Llc | Voice user interface shortcuts for an assistant application |
| US11211063B2 (en) * | 2018-11-27 | 2021-12-28 | Lg Electronics Inc. | Multimedia device for processing voice command |
-
2019
- 2019-07-19 KR KR1020190087731A patent/KR20200010131A/ko unknown
- 2019-07-22 EP EP19842116.6A patent/EP3786812A4/en not_active Ceased
- 2019-07-22 US US15/733,975 patent/US20210217409A1/en not_active Abandoned
- 2019-07-22 CN CN201980048144.5A patent/CN112424768A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102840A (zh) * | 2020-09-09 | 2020-12-18 | 中移（杭州）信息技术有限公司 | 语义识别方法、装置、终端及存储介质 |
| CN112102840B (zh) * | 2020-09-09 | 2024-05-03 | 中移（杭州）信息技术有限公司 | 语义识别方法、装置、终端及存储介质 |
| KR20220054124A (ko) * | 2020-10-23 | 2022-05-02 | 동의대학교 산학협력단 | 시각화 인터랙션에 기반한 서비스를 제공하는 장치 및 그 서비스 제공 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210217409A1 (en) | 2021-07-15 |
| EP3786812A1 (en) | 2021-03-03 |
| CN112424768A (zh) | 2021-02-26 |
| EP3786812A4 (en) | 2021-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200010131A (ko) | 전자 장치 및 그의 제어 방법 | |
| US11544524B2 (en) | Electronic device and method of obtaining emotion information | |
| CN112189229B (zh) | 针对计算机化个人助手的技能发现 | |
| US11164026B2 (en) | Graphical user interface generation based on image analysis | |
| US20200125967A1 (en) | Electronic device and method for controlling the electronic device | |
| KR102551550B1 (ko) | 오브젝트에 대한 정보를 검색하기 위한 전자 장치 및 이의 제어 방법 | |
| US11367441B2 (en) | Electronic apparatus and control method thereof | |
| US11842735B2 (en) | Electronic apparatus and control method thereof | |
| US10540441B2 (en) | Device and method for providing recommended words for character input | |
| KR20200036680A (ko) | 감정 정보 획득을 위한 전자 장치 및 방법 | |
| US20230237093A1 (en) | Video recommender system by knowledge based multi-modal graph neural networks | |
| US20220059088A1 (en) | Electronic device and control method therefor | |
| CN111858898A (zh) | 基于人工智能的文本处理方法、装置及电子设备 | |
| KR20210012730A (ko) | 인공지능 모델의 학습 방법 및 전자 장치 | |
| KR102398386B1 (ko) | 복수 개의 메시지들을 필터링하는 방법 및 이를 위한 장치 | |
| KR20190105175A (ko) | 전자 장치 및 이의 자연어 생성 방법 | |
| CN117093785B (zh) | 基于社交引导用户的方法、系统、设备及存储介质 | |
| KR102632804B1 (ko) | 인공지능 모델을 활용한 사용자 맞춤형 콘텐츠 생성 및 가공 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| US11436215B2 (en) | Server and control method thereof | |
| KR20200021408A (ko) | 서버 및 이의 제어 방법 | |
| US11403556B2 (en) | Automated determination of expressions for an interactive social agent | |
| Sandhya et al. | Cognitive Computing and Its Applications | |
| WO2020022723A1 (ko) | 전자 장치 및 그의 제어 방법 | |
| US20240355131A1 (en) | Dynamically updating multimodal memory embeddings | |
| US11798532B2 (en) | Contextual justification for a virtual assistant response |