KR20200021409A - 전자 장치 및 그 제어 방법 - Google Patents

Abstract

전자 장치가 개시된다. 본 전자 장치는 컴퓨터 실행가능 명령어(computer executable instructions)를 저장하는 메모리 및 컴퓨터 실행가능 명령어를 실행함으로써, 수신된 사용자 명령에 대응되는 텍스트를 판단하고, 제1 인공 지능 모델을 통해 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 분류되면, 사용자 명령에 대한 응답 정보를 제공하고, 제1 인공 지능 모델을 통해 텍스트가 에러로 분류되면, 사용자 명령에 대해 에러 정보를 제공하는 프로세서를 포함하고, 제1 인공 지능 모델은, 사용자 명령에 대응되는 텍스트가 기저장된 복수의 텍스트 중 적어도 하나의 텍스트와 대상(entity) 및 의도(intent) 중 하나가 다른 유사 텍스트인 경우, 텍스트를 에러로 분류한다.

Description

전자 장치 및 그 제어 방법 {ELECTRONIC APPARATUS AND METHOD FOR CONTROLLING THEREOF}

본 개시는 전자 장치 및 그 제어 방법에 관한 것으로, 보다 상세하게는 인공 지능 기술을 기반으로 동작하는 전자 장치 및 그 제어 방법에 관한 것이다.

최근 인공 지능 시스템이 개발되고 있다. 인공 지능 시스템은, 기존의 룰(rule) 기반 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템으로써, 음성 인식, 이미지 인식 및 미래 예측 등과 같은 다양한 기술 분야에서 활용되고 있다.

특히, 최근에는 대화형 인공 지능 시스템이 개발되고 있다. 대화형 인공 지능 시스템은, 인공 지능 모델을 통해 사용자의 요청 사항을 분석하고, 그에 대한 응답을 제공하는 시스템으로써, 챗봇(chat bot) 서비스 등에서 활용되고 있다.

일반적으로, 대화형 인공 지능 시스템은 방대한 양의 텍스트를 데이터 베이스에 저장하고 있다. 그리고, 사용자의 요청 사항이 입력되면, 데이터 베이스에 저장된 텍스트 중에서 사용자의 요청 사항에 가장 부합하는 텍스트를 찾고, 그 텍스트에 기초하여 응답 정보를 제공한다.

그런데, 경우에 따라 사용자는 데이터 베이스에 저장된 텍스트와 형태적으로는 유사하지만, 주제, 목적 등이 다른 요청 사항을 입력할 수 있다.

예를 들어, 데이터 베이스에 저장된 텍스트가 '교통' 카테고리에 포함된 '택시 찾아줘'이고, 사용자가 영화 택시를 감상할 의도로 '택시 감상하고 싶어요'를 입력하는 경우가 그러하다.

이 경우, 종래의 대화형 인공 지능 시스템은, 데이터 베이스에 '택시 감상하고 싶어요'와 같은 텍스트가 없는 경우, 저장된 텍스트 중에서 '택시 감상하고 싶어요'와 가장 유사한 '택시 찾아줘'를 찾고, 그에 대한 응답 정보로 사용자 주변의 이용 가능한 택시와 관련된 정보 등을 제공하였다.

그러나, 이는 사용자 의도와 전혀 관계 없는 응답 정보로써, 사용자에게 불편함을 초래할 뿐이다.

본 개시는 상술한 문제점을 해결하기 위해 안출된 것으로, 본 개시의 목적은 데이터 베이스에 기저장된 텍스트와 형태적으로는 유사하지만, 주제, 목적 등이 다른 텍스트를, 데이터 베이스에 기저장된 텍스트와 구분할 수 있는 전자 장치를 제공함에 있다.

상기 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 전자 장치는, 컴퓨터 실행가능 명령어(computer executable instructions)를 저장하는 메모리 및 상기 컴퓨터 실행가능 명령어를 실행함으로써, 수신된 사용자 명령에 대응되는 텍스트를 판단하고, 제1 인공 지능 모델을 통해 상기 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 분류되면, 상기 사용자 명령에 대한 응답 정보를 제공하고, 상기 제1 인공 지능 모델을 통해 상기 텍스트가 에러로 분류되면, 상기 사용자 명령에 대해 에러 정보를 제공하는 프로세서를 포함하고, 상기 제1 인공 지능 모델은, 상기 사용자 명령에 대응되는 텍스트가 상기 기저장된 복수의 텍스트 중 적어도 하나의 텍스트와 대상(entity) 및 의도(intent) 중 하나가 다른 유사 텍스트인 경우, 상기 텍스트를 상기 에러로 분류할 수 있다.

여기에서, 상기 제1 인공 지능 모델은, 상기 기저장된 복수의 텍스트에 기초하여 상기 사용자 명령에 대응되는 텍스트를 판단하는 모델을, 상기 유사 텍스트는 에러로 분류하도록 학습시켜 얻어진 모델일 수 있다.

그리고, 상기 유사 텍스트는, 제2 인공 지능 모델에 의해 생성될 수 있다.

그리고, 상기 제1 인공 지능 모델은, 상기 제1 인공 지능 모델에 입력된 상기 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단하고, 상기 판단 결과에 기초하여 학습 여부를 결정할 수 있다.

그리고, 상기 제1 인공 지능 모델은, 상기 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 판단되면 상기 유사 텍스트를 에러로 분류하도록 학습하고, 상기 유사 텍스트가 상기 기저장된 복수의 텍스트에 대응되지 않는 것으로 판단되면 상기 학습을 수행하지 않을 수 있다.

그리고, 상기 제2 인공 지능 모델은, 상기 제1 인공 지능 모델이 상기 유사 텍스트를 상기 기저장된 복수의 텍스트에 대응되지 않는 것으로 판단하면, 상기 유사 텍스트가 상기 적어도 하나의 텍스트와 유사한 정도보다 더 높은 유사도를 갖는 새로운 유사 텍스트를 생성하도록 학습할 수 있다.

그리고, 상기 제1 인공 지능 모델은, 상기 제2 인공 지능 모델에 의해 생성된 상기 새로운 유사 텍스트를 입력 받고, 상기 새로운 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단하고, 상기 판단 결과에 기초하여 학습 여부를 결정할 수 있다.

그리고, 상기 제1 및 제2 인공 지능 모델은, GAN(Generative Adversarial Network)일 수 있다.

한편, 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법은, 수신된 사용자 명령에 대응되는 텍스트를 판단하는 단계 및 제1 인공 지능 모델을 통해 상기 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 분류되면, 상기 사용자 명령에 대한 응답 정보를 제공하고, 상기 제1 인공 지능 모델을 통해 상기 텍스트가 에러로 분류되면, 상기 사용자 명령에 대해 에러 정보를 제공하는 단계를 포함하고, 상기 제1 인공 지능 모델은, 상기 사용자 명령에 대응되는 텍스트가 상기 기저장된 복수의 텍스트 중 적어도 하나의 텍스트와 대상(entity) 및 의도(intent) 중 하나가 다른 유사 텍스트인 경우, 상기 텍스트를 상기 에러로 분류할 수 있다.

여기에서, 상기 제1 인공 지능 모델은, 상기 기저장된 복수의 텍스트에 기초하여 상기 사용자 명령에 대응되는 텍스트를 판단하는 모델을, 상기 유사 텍스트는 에러로 분류하도록 학습시켜 얻어진 모델일 수 있다.

그리고, 상기 유사 텍스트는, 제2 인공 지능 모델에 의해 생성될 수 있다.

그리고, 상기 제1 인공 지능 모델은, 상기 제1 인공 지능 모델에 입력된 상기 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단하고, 상기 판단 결과에 기초하여 학습 여부를 결정할 수 있다.

그리고, 상기 제1 인공 지능 모델은, 상기 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 판단되면 상기 유사 텍스트를 에러로 분류하도록 학습하고, 상기 유사 텍스트가 상기 기저장된 복수의 텍스트에 대응되지 않는 것으로 판단되면 상기 학습을 수행하지 않을 수 있다.

그리고, 상기 제2 인공 지능 모델은, 상기 제1 인공 지능 모델이 상기 유사 텍스트를 상기 기저장된 복수의 텍스트에 대응되지 않는 것으로 판단하면, 상기 유사 텍스트가 상기 적어도 하나의 텍스트와 유사한 정도보다 더 높은 유사도를 갖는 새로운 유사 텍스트를 생성하도록 학습할 수 있다.

그리고, 상기 제1 인공 지능 모델은, 상기 제2 인공 지능 모델에 의해 생성된 상기 새로운 유사 텍스트를 입력 받고, 상기 새로운 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단하고, 상기 판단 결과에 기초하여 학습 여부를 결정할 수 있다.

그리고, 상기 제1 및 제2 인공 지능 모델은, GAN(Generative Adversarial Network)일 수 있다.

이상과 같은 본 개시의 다양한 실시 예에 따르면, 메모리에 기저장된 텍스트와 형태적으로는 유사하지만, 대상(entity) 및 의도(intent) 중 하나가 다른 텍스트를, 메모리에 기저장된 텍스트와 구분할 수 있는 전자 장치가 제공될 수 있다.

이에 따라, 사용자 의도와 전혀 관계 없는 응답 정보를 제공하는 경우를 방지할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치에 의해 제공되는 화면을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 메모리에 기저장된 복수의 텍스트를 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시 예에 따른 추가적으로 저장되는 텍스트를 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 인공 지능 모델이 수행하는 학습을 설명하기 위한 도면이다.
도 6a 내지 도 9b는 본 개시의 일 실시 예에 따른 응답 정보의 다양한 실시 예를 설명하기 위한 도면이다.
도 10은 본 개시의 일 실시 예에 따른 전자 장치가 서버로 구현되는 경우의 상세 블록도이다.
도 11은 본 개시의 일 실시 예에 따른 전자 장치가 디스플레이 장치로 구현되는 경우의 상세 블록도이다.
도 12는 본 개시의 일 실시 예에 따른 대화 시스템을 설명하기 위한 도면이다.
도 13은 본 개시의 일 실시 예에 따른 전자 장치의 상세 블록도이다.
도 14는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 흐름도이다.

먼저, 본 명세서 및 청구범위에서 사용되는 용어는 본 개시의 기능을 고려하여 일반적인 용어들을 선택하였다. 하지만, 이러한 용어들은 당 분야에 종사하는 기술자의 의도나 법률적 또는 기술적 해석 및 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 일부 용어는 출원인이 임의로 선정한 용어도 있다. 이러한 용어에 대해서는 본 명세서에서 정의된 의미로 해석될 수 있으며, 구체적인 용어 정의가 없으면 본 명세서의 전반적인 내용 및 당해 기술 분야의 통상적인 기술 상식을 토대로 해석될 수도 있다.

또한, 본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그에 대한 상세한 설명은 축약하거나 생략한다.

나아가, 이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 개시의 실시 예를 상세하게 설명하지만, 본 개시가 실시 예들에 의해 제한되거나 한정되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 개시를 상세히 설명한다.

도 1은 본 개시의 일 실시 예에 따른 전자 장치에 의해 제공되는 화면을 설명하기 위한 도면이다.

전자 장치(100)는 사용자 명령을 수신할 수 있는 다양한 전자 기기가 될 수 있다. 예를 들어, 전자 장치(100)는 스마트 폰, PC, 태블릿 PC, 노트북, PDA, PMP, 스마트 TV 등이 될 수 있다.

또한, 전자 장치(100)는 외부 장치(미도시)로부터 사용자 명령을 수신하는 서버가 될 수 있다. 전자 장치(100)가 서버로 구현될 경우, 외부 장치(미도시)는 스마트 폰, PC, 태블릿 PC, 노트북, PDA, PMP, 스마트 TV 등이 될 수 있다. 이하에서는, 설명의 편의를 위해 본 개시의 일 실시 예에 따른 전자 장치(100)는 서버인 것으로 상정하여 설명한다.

전자 장치(100)는 사용자의 질의를 유도하는 화면을 제공할 수 있다. 예를 들어, 도 1의 (a)에 도시된 바와 같이, 전자 장치(100)는 “무엇을 도와드릴까요”와 같은 메시지를 포함하는 화면을 제공할 수 있다. 여기에서, 화면은 특정 어플리케이션의 실행 화면이 될 수 있다.

그리고, 전자 장치(100)는 사용자 명령을 수신할 수 있다. 여기에서, 사용자 명령은 키보드 또는 온 스크린 키보드 등을 통해 입력된 텍스트가 될 수 있음은 물론, 스타일러스 등을 통해 입력된 그림 또는 텍스트가 될 수 있다. 또한, 사용자 명령은 마이크를 통해 입력된 사용자 음성이 될 수도 있다.

그리고, 전자 장치(100)는 사용자 명령이 수신되면, 사용자 명령에 대한 응답 정보를 제공할 수 있다.

이를 위해, 전자 장치(100)는 먼저 사용자 명령의 카테고리를 분류할 수 있다. 구체적으로, 전자 장치(100)는 사용자 명령이 수신되면, 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별하고, 텍스트 별로 매칭된 카테고리 정보에 기초하여, 사용자 명령의 카테고리를 분류할 수 있다. 그리고, 전자 장치(100)는 해당 카테고리에 포함된 복수의 정보 중에서 사용자 명령에 대응되는 정보를 응답 정보로 제공할 수 있다.

예를 들어, 전자 장치(100)에 '택시 검색'과 같은 텍스트가 기저장되어 있는 상태에서, 도 1의 (b)에 도시된 바와 같이 “택시 찾아줘”가 입력된 경우, 전자 장치(100)는 기저장된 복수의 텍스트 중에서 “택시 찾아줘”에 대응되는 텍스트로 '택시 검색'을 식별할 수 있다. 그리고, 전자 장치(100)는 '택시 검색'에 매칭된 '교통' 카테고리를 사용자 명령의 카테고리로 분류하고, '교통' 카테고리에 포함된 복수의 정보 중에서 '택시 검색'과 관련된 정보를 응답 정보로 제공할 수 있다. 즉, 도 1의 (b)에 도시된 바와 같이, 전자 장치(100)는 사용자 주변의 예약 가능한 택시와 관련된 정보를 응답 정보로 제공할 수 있다.

한편, 본 개시의 일 실시 예에 따른 전자 장치(100)는 수신된 사용자 명령에 대응되는 텍스트가 기저장된 복수의 텍스트와 형태적으로는 유사하지만, 대상(entity) 및 의도(intent) 중 하나가 다른 경우, 해당 사용자 명령의 카테고리를 에러로 분류할 수 있다.

예를 들어, 전술한 실시 예와 같이 전자 장치(100)에 '택시 검색'과 같은 텍스트가 기저장되어 있는 상태에서, 도 1의 (c)에 도시된 바와 같이 “택시 보고 싶어”가 입력된 경우, '택시 검색' 및 “택시 보고 싶어”는 '택시'를 공통적으로 포함하고 있다는 점에서 형태적으로는 유사하지만, 전자는 '교통' 택시와 관련된 정보를 써치하기 위한 의도이고, 후자는 '영화' 택시와 관련된 정보를 써치하기 위한 의도로써, 양 의도가 다른 경우이다. 이 경우, 전자 장치(100)는 해당 사용자 명령의 카테고리를 에러로 분류할 수 있다. 이와 관련된 상세한 설명은 후술하도록 한다.

그리고, 전자 장치(100)는 사용자 명령의 카테고리가 에러로 분류되면, 에러 정보를 제공할 수 있다. 여기에서, 에러 정보는 사용자 명령에 의해 요청된 정보를 찾을 수 없다는 정보가 될 수 있다.

다시 도 1의 (c)를 참조하면, 전자 장치(100)에 '택시 검색'과 같은 텍스트가 기저장되어 있는 상태에서, “택시 보고 싶어”가 입력된 경우, 전자 장치(100)는 “택시 보고 싶어”의 카테고리를 에러로 분류하고, 요청된 정보를 찾을 수 없다는 정보를 에러 정보로 제공할 수 있다.

이에 따라, 종래의 전자 장치와 달리, 본 개시의 일 실시 예에 따른 전자 장치(100)는 사용자 의도와 전혀 관계 없는 응답 정보를 제공하는 경우를 방지할 수 있다.

도 2는 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 블록도이다. 도 2에 도시된 바와 같이, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다.

메모리(110)는 예를 들면, 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.

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 프로세서(120)와 별도로 마련된 메모리, 프로세서(120) 내 롬(미도시) 및 램(미도시) 중 적어도 하나를 포함할 수 있다.

프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어하기 위한 구성이다. 예를 들면, 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. 프로세서(120)는 CPU(central processing unit) 또는 GPU(graphics-processing unit)이거나 둘 다일 수 있다. 프로세서(120)는 적어도 하나의 범용 프로세서(general processor), 디지털 신호 프로세서(digital signal processor), ASIC(Application specific integrated circuit), SoC(system on chip), MICOM(Microcomputer) 등으로 구현될 수 있다.

프로세서(120)는 메모리(110)에 저장된 컴퓨터 실행가능 명령어(computer executable instructions)를 실행함으로써 본 개시의 다양한 실시 예에 따른 전자 장치(100)의 동작을 수행할 수 있다.

예컨대, 프로세서(120)는 메모리(110)에 저장된 컴퓨터 실행가능 명령어(computer executable instructions)를 실행함으로써 사용자 명령에 대한 응답 정보를 제공할 수 있다. 이하, 도 3 내지 도 5를 참조하여 이에 대해 구체적으로 설명한다.

도 3은 본 개시의 일 실시 예에 따른 메모리에 기저장된 복수의 텍스트를 설명하기 위한 도면이다.

도 3을 참조하면, 메모리(110)는 복수의 텍스트를 저장할 수 있다. 여기에서, 복수의 텍스트 각각에는 카테고리에 관한 정보가 매칭되어 있을 수 있다. 예를 들어, 텍스트 1에는 Label 1 이 매칭될 수 있고, 텍스트 2에는 Label 2가 매칭될 수 있다. 더 구체적인 실시 예로, '택시 검색'에는 '교통' 카테고리가 매칭될 수 있고, '요리 방송'에는 '방송' 카테고리가 매칭될 수 있다.

프로세서(120)는 사용자 명령을 수신할 수 있다. 여기에서, 사용자 명령은 외부 장치(미도시)의 키보드 또는 온 스크린 키보드 등을 통해 입력된 텍스트가 될 수 있다. 또한, 사용자 명령은, 외부 장치(미도시)의 마이크를 통해 입력된 사용자 음성이 될 수 있다. 이 경우, 프로세서(120)는 STT(Speech to Text) 알고리즘을 통해 수신된 사용자 음성을 텍스트로 변환될 수 있다. 이하, 설명의 편의를 위해 사용자 명령은 외부 장치(미도시)의 온 스크린 키보드 등을 통해 입력된 텍스트인 것으로 상정하여 설명한다.

프로세서(120)는 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다

구체적으로, 프로세서(120)는 사용자 명령이 수신되면, 자연어 처리(natural language processing) 기술을 통해, 사용자 명령에 대응되는 텍스트를 식별할 수 있다. 여기에서, 자연어 처리는 제1 인공 지능 모델을 이용하여 수행될 수 있다. 구체적으로, 프로세서(120)는 제1 인공 지능 모델을 이용하여 사용자 명령의 형태소, 구문, 구조 등을 분석하고, 기저장된 복수의 텍스트 중에서 수신된 사용자 명령과 기설정된 임계 값 이상 일치하는 텍스트를, 사용자 명령에 대응되는 텍스트를 식별할 수 있다.

일 예로, 사용자 명령이 “택시 찾아줘”인 경우, 프로세서(120)는 제1 인공 지능 모델을 이용하여, “택시 찾아줘”의 형태소, 구문, 구조 등을 분석하고, 기저장된 복수의 텍스트 중에서 “택시 찾아줘”와 기설정된 임계 값 이상 일치하는 텍스트를 사용자 명령에 대응되는 텍스트를 식별할 수 있다. 상술한 실시 예에서, “택시 찾아줘”에 대응되는 텍스트는 '택시 검색'이 될 수 있다.

이후, 프로세서(120)는 사용자 명령의 카테고리를 분류할 수 있다. 구체적으로, 프로세서(120)는 텍스트 별로 매칭되어 있는 카테고리 정보를 이용하여 사용자 명령의 카테고리를 분류할 수 있다.

예를 들어, 도 3에서 텍스트 1이 '택시 검색'이고, Label 1 '교통' 카테고리인 경우, 프로세서(120)는 사용자 명령으로 “택시 찾아줘”가 수신되면, 사용자 명령의 카테고리를 '교통'으로 분류할 수 있다.

그리고, 프로세서(120)는 사용자 명령의 카테고리에 포함된 복수의 정보 중에서, 사용자 명령에 대응되는 정보를 응답 정보로 제공할 수 있다.

상술한 실시 예에서, 프로세서(120)는 '교통' 카테고리에 포함된 복수의 정보 중에서 '택시 검색'과 관련된 정보를 응답 정보로 제공할 수 있다. 이 경우, 응답 정보는 사용자 주변의 예약 가능한 택시와 관련된 정보가 될 수 있다. 이를 위해, 프로세서(120)는 사용자 명령이 입력된 외부 장치(예를 들어, 스마트 폰 등)로부터 위치 정보를 수신하거나, 교통 상황에 관한 정보를 제공하는 외부 서버로부터 택시와 관련된 정보를 수신할 수 있다.

한편, 메모리에 기저장된 텍스트만으로 응답 정보를 제공할 경우, 사용자 의도와 관계 없는 정보를 응답 정보로 제공하는 경우가 생길 수 있다. 예를 들어, 메모리에 영화 택시와 관련된 텍스트가 기저장되어 있지 않은 상태에서, 사용자가 영화 택시를 감상할 의도로 “택시 보고 싶어”를 입력한 경우가 그러하다.

이 경우, 종래의 전자 장치는, 기저장된 텍스트 중에서 '택시 보고 싶어'와 가장 유사한 텍스트인 '택시 찾아줘'를 찾고, 그에 대한 응답 정보로 사용자 주변의 이용 가능한 택시와 관련된 정보 등을 제공하였다. 이는, 영화 택시를 감상하고자 하는 사용자 의도와 전혀 관계 없는 정보로써, 사용자에게 불편을 초래할 수 있다.

도 4는 본 개시의 일 실시 예에 따른 추가적으로 저장되는 텍스트를 설명하기 위한 도면이다.

도 4를 참조하면, 메모리(110)는 기저장된 복수의 텍스트(텍스트 1 내지 텍스트 N) 외 새로운 텍스트(텍스트 N+1)를 저장할 수 있다. 여기에서, 새로운 텍스트는 기저장된 복수의 텍스트와 형태적으로는 유사하나, 대상(entity) 및 의도(intent) 중 하나가 다른 텍스트가 될 수 있다.

구체적으로, 새로운 텍스트는 기저장된 복수의 텍스트 중 적어도 하나와 대상 및 의도 중 하나는 일치하나 나머지 하나는 일치하지 않는 텍스트가 될 수 있다.

예를 들어, 기저장된 텍스트가 '교통' 카테고리에 매칭된 '택시 검색'인 경우, 대상은 '택시'로 일치하나, 의도가 다른 '택시 감상' 등이 새로운 텍스트가 될 수 있다. 또한, 기저장된 텍스트가 '볼륨' 카테고리에 매칭된 '볼륨 올려'인 경우, 의도는 특정 값을 올리기 위한 목적으로 동일하나, 대상이 다른 '채널 올려' 등이 새로운 텍스트가 될 수 있다.

한편, 새로운 텍스트(N+1)에는 에러 카테고리가 매칭되어 있을 수 있다. 여기에서, 에러 카테고리는, Rejection 카테고리 등 다양한 이름으로 표현될 수 있다.

프로세서(120)는 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다

전술한 바와 같이, 프로세서(120)는 사용자 명령이 수신되면, 자연어 처리(natural language processing) 기술을 통해, 사용자 명령에 대응되는 텍스트를 식별할 수 있다.

그리고, 사용자 명령에 대응되는 텍스트가 기저장된 복수의 텍스트(텍스트 1 내지 텍스트 N) 중 하나로 식별되면, 프로세서(120)는 사용자 명령의 카테고리에 포함된 복수의 정보 중에서, 사용자 명령에 대응되는 정보를 응답 정보로 제공할 수 있다.

만약, 사용자 명령에 대응되는 텍스트가 생성된 텍스트 중 하나로 식별되면, 프로세서(120)는 사용자 명령에 의해 요청된 정보를 찾을 수 없다는 에러 정보를 제공할 수 있다. 즉, 프로세서(120)는 사용자 명령에 대해 Rejection 할 수 있다.

구체적으로, 프로세서(120)는 사용자 명령에 대응되는 텍스트가 새로운 텍스트 중 하나로 식별되면, 새로운 텍스트에 매칭된 카테고리 정보에 기초하여, 사용자 명령의 카테고리를 에러로 분류하고, 사용자 명령에 대해 Rejection 할 수 있다.

한편, 이와 같은 새로운 텍스트는 제2 인공 지능 모델에 의해 생성되고, 제1 인공 지능 모델에 의해 에러로 분류될 수 있다.

도 5는 본 개시의 일 실시 예에 따른 인공 지능 모델이 수행하는 학습을 설명하기 위한 도면이다.

제2 인공 지능 모델(520)은 기저장된 복수의 텍스트와는 상이한 새로운 텍스트를 생성할 수 있다. 이하, 설명의 편의를 위해 제2 인공 지능 모델(520)에 의해 생성된 새로운 텍스트를 유사 텍스트로 지칭하여 설명한다.

구체적으로, 제2 인공 지능 모델(520)은 기저장된 복수의 텍스트를 입력으로 하여, 기저장된 복수의 텍스트와 형태적으로는 유사하나, 대상(entity) 및 의도(intent) 중 하나가 다른 텍스트를 생성할 수 있다.

예를 들어, 기저장된 텍스트가 '교통' 카테고리에 매칭된 '택시 검색'인 경우, 제2 인공 지능 모델(520)은 '택시 검색'과 형태적으로는 유사하나 의도가 다른 '택시 보고 싶어', '택시 감상' 등을 유사 텍스트로 생성할 수 있다. 또한, 기저장된 텍스트가 '볼륨' 카테고리에 매칭된 '볼륨 올려'인 경우, 제2 인공 지능 모델(520)은 '볼륨 올려'와 형태적으로는 유사하나 대상 및 의도가 다른 '볼륨 내려' 등을 유사 텍스트로 생성할 수 있다.

제1 인공 지능 모델(510)은 제2 인공 지능 모델(520)에 의해 생성된 유사 텍스트를 입력으로 하여, 유사 텍스트가 기저장된 복수의 텍스트 중 하나인지 아닌지를 판단할 수 있다. 그리고, 제1 인공 지능 모델(510)은 유사 텍스트가 기저장된 복수의 텍스트 중 하나인 것으로 판단되면, 유사 텍스트를 에러로 분류하도록 학습할 수 있다.

구체적으로, 제1 인공 지능 모델(510)은 기저장된 복수의 텍스트와 제2 인공 지능 모델(520)에 의해 생성된 유사 텍스트를 입력으로 하여, 유사 텍스트가 기저장된 복수의 텍스트 중 하나로 판단되면, 유사 텍스트를 에러로 분류하도록 학습할 수 있다.

예를 들어, '교통' 카테고리에 '택시 검색'이라는 텍스트는 기저장되어 있으나, '택시 감상'과 같은 텍스트는 기저장되어 있지 않은 상태에서, 제2 인공 지능 모델에 의해 “택시 찾아줘”가 유사 텍스트로 생성된 경우, 제1 인공 지능 모델(510)은 “택시 찾아줘”에 대응되는 텍스트가 기저장된 복수의 텍스트 중 하나인지를 판단할 수 있다. 그리고, 제1 인공 지능 모델(510)이 기저장된 '택시 검색'을 유사 텍스트인 “택시 찾아줘”에 대응되는 컨텐츠로 판단할 경우, 제1 인공 지능 모델(510)은 유사 텍스트를 에러로 분류하도록 학습할 수 있다.

여기에서, 학습은 제1 인공 지능 모델(501)의 서로 다른 레이어에 포함된 뉴런들 사이의 웨이트(weight) 조절이 될 수 있다. 구체적으로, 제1 인공 지능 모델은 제2 인공 지능 모델(520)에 의해 생성된 유사 텍스트에 대해서는 균등한 출력 벡터 값(uniform distribution)을 출력하도록 서로 다른 레이어에 포함된 뉴런들 사이의 웨이트(weight)를 조절할 수 있다. 가령 N개의 텍스트가 기저장되어 있는 경우, 제2 인공 지능 모델(520)에 의해 생성된 유사 텍스트에 대해서는 1/N 을 출력하도록 제1 인공 지능 모델(510)은 뉴런들 사이의 웨이트(weight)를 조절할 수 있다.

즉, 제1 인공 지능 모델(501)은 제2 인공 지능 모델(520)에 의해 생성된 유사 텍스트에 대해서는 1/N 을 출력하도록 학습할 수 있다. 이에 따라, 제1 인공 지능 모델(501)은 이후 수신된 사용자 명령에 대한 출력 벡터 값이 1/N로 출력되면, 사용자 명령을 에러로 분류할 수 있다.

한편, 제1 인공 지능 모델(510)이 제2 인공 지능 모델(520)에 의해 생성된 유사 텍스트를 에러로 분류하면, 제1 인공 지능 모델(510)은 상술한 학습을 수행하지 않을 수 있다. 즉, 유사 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되지 않는 것으로 판단하면, 제1 인공 지능 모델(510)은 상술한 학습을 수행하지 않을 수 있다.

이 경우, 제2 인공 지능 모델(520)이 학습될 수 있다. 구체적으로, 제1 인공 지능 모델(510)이 유사 텍스트를 에러로 분류하면, 제2 인공 지능 모델(520)은 상술한 유사 텍스트보다, 기저장된 텍스트 중 적어도 하나와 더 유사한 텍스트를 생성하도록 학습할 수 있다.

여기에서, 학습은 제2 인공 지능 모델(502)의 서로 다른 레이어에 포함된 뉴런들 사이의 웨이트(weight) 조절이 될 수 있다. 구체적으로, 제2 인공 지능 모델은 상술한 유사 텍스트보다, 기저장된 텍스트 중 적어도 하나와 더 유사한 텍스트를 생성하도록 서로 다른 레이어에 포함된 뉴런들 사이의 웨이트(weight)를 조절할 수 있다.

예를 들어, 기저장된 텍스트가 '볼륨' 카테고리에 매칭된 '볼륨 올려'인 경우, 제2 인공 지능 모델(520)은 '볼륨 올려'와 형태적으로는 유사하나 대상 및 의도가 다른 '볼륨 내려' 등을 유사 텍스트로 생성할 수 있다.

그리고, 제1 인공 지능 모델(510)이 유사 텍스트인 '볼륨 내려' 를 에러로 분류하면, 제2 인공 지능 모델(520)은 학습을 통해 '볼륨 내려' 보다 '볼륨 올려'와 더 유사한 텍스트를 생성할 수 있다. 가령, 새로이 생성된 유사 텍스트는 '볼륨 올리지 마' 등이 될 수 있다.

이후, 제1 인공 지능 모델(510)은 제2 인공 지능 모델(502)에 의해 생성된, 유사 텍스트보다 유사도가 더 높은 새로운 유사 텍스트를 입력으로 하여, 새로운 유사 텍스트가 기저장된 복수의 텍스트 중 하나인지 아닌지를 판단할 수 있다.

그리고, 제1 인공 지능 모델(501)이 새로운 유사 텍스트를 기저장된 복수의 텍스트 중 하나로 판단하는 경우, 제1 인공 지능 모델(501)은 상술한 학습을 재차 수행할 수 있다. 마찬가지로, 제2 인공 지능 모델(502)은 제1 인공 지능 모델(501)이 새로운 유사 텍스트를 에러로 분류하는 경우, 상술한 학습을 재차 수행할 수 있다.

이와 같은 반복적인 학습을 통해서, 제1 인공 지능 모델(501)은 제2 인공 지능 모델(501)에 의해 생성된 유사 텍스트를 에러로 분류할 수 있다.

한편, 상술한 본 개시의 인공 지능 모델은 GAN(Generative Adversarial Network) 모델이 될 수 있다.

GAN은 두 신경망 모델의 경쟁을 통해, 진짜 같은 가짜를 생성하는 모델로써, 제2 인공 지능 모델(502)은 GAN의 Generator 모델이 될 수 있다. 구체적으로, 제2 인공 지능 모델(502)은 기저장된 복수의 텍스트를 입력으로, 기저장된 복수의 텍스트와 형태적으로는 유사하지만 대상 및 의도 중 적어도 하나는 텍스트를 생성할 수 있다. 즉, 제2 인공 지능 모델(502)은 기저장된 복수의 리스트와 유사한 텍스트를 생성하는 것이 목적이다.

제1 인공 지능 모델(501)은 GAN의 Discriminator 모델이 될 수 있다. 구체적으로, 제1 인공 지능 모델(501)은 제2 인공 지능 모델(502)에 의해 생성된 텍스트가 기저장된 복수의 텍스트 중 하나인지, 아닌지를 판단할 수 있다.

그리고, 제1 인공 지능 모델(501)은 제2 인공 지능 모델(502)에 의해 생성된 텍스트 중에서, 기저장된 복수의 텍스트 중 하나라고 판단한 텍스트를 입력으로 하여 학습을 수행하고, 학습을 통해 제2 인공 지능 모델(502)에 의해 생성된 텍스트를 에러로 분류할 수 있다.

또한, 제2 인공 지능 모델(502)은, 생성한 유사 텍스트 중에서 제1 인공 지능 모델(501)이 기저장된 복수의 텍스트 중 하나가 아니라고 판단한 텍스트를 입력으로 하여 학습을 수행하고, 학습을 통해 이전에 생성한 유사 텍스트보다 기저장된 복수의 텍스트와의 유사도가 더 높은 텍스트를 생성할 수 있다.

이와 같은 학습의 반복을 통해서, 제2 인공 지능 모델(502)은 기저장된 복수의 텍스트와 유사도가 높은 텍스트를 생성하고, 제1 인공 지능 모델(501)은 기저장된 복수의 텍스트와 유사도가 높은 텍스트를 에러로 분류할 수 있게 된다.

도 6a 내지 도 9b는 본 개시의 일 실시 예에 따른 응답 정보의 다양한 실시 예를 설명하기 위한 도면이다. 이하에서는, '요리' 카테고리에 '요리 방송 찾아줘'가 기저장되어 있고, '교통' 카테고리에 '택시 찾아줘'가 기저장되어 있으며, '요리 재료 찾아줘' 및 '택시 보고 싶어'는 '에러' 카테고리로 분류하도록 제1 인공 지능 모델이 학습된 경우를 상정하여 설명한다.

도 6a 내지 도 7b는 스마트 TV에 사용자 음성이 입력되는 경우의 실시 예를 설명하기 위한 도면이다.

전자 장치(100)는 외부 장치로부터 사용자 명령을 수신할 수 있다. 예를 들어, 도 6a에 도시된 바와 같이, 사용자가 외부 장치인 스마트 TV에 “요리 방송 찾아줘”를 발화한 경우, 전자 장치(100)는 외부 장치로부터 “요리 방송 찾아줘”에 대응되는 음성 신호를 수신할 수 있다.

그리고, 전자 장치(100)는 음성 신호에 STT(Speech to Text) 알고리즘을 적용하여 음성 신호를 텍스트로 변환될 수 있다.

그리고, 전자 장치(100)는 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다. 구체적으로, 전자 장치(100)는 제1 인공 지능 모델을 이용하여 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다.

그리고, 전자 장치(100)는 식별된 텍스트에 매칭된 카테고리 정보에 기초하여 사용자 명령에 대한 응답 정보를 제공할 수 있다.

예를 들어, 도 6a에 도시된 바와 같이, 사용자 명령이 “요리 방송 찾아줘”인 경우, 전자 장치(100)는 기저장된 복수의 텍스트 중에서 “요리 방송 찾아줘”에 대응되는 텍스트(예를 들어, '요리 방송' 등)을 식별하고, 식별된 텍스트에 매칭된 카테고리 정보(예를 들어, '요리' 등)에 기초하여 사용자 명령에 대한 응답 정보를 제공할 수 있다.

즉, 상술한 실시 예에서, 전자 장치(100)는 도 6b에 도시된 바와 같이, '요리' 카테고리 내의 복수의 정보 중에서 '요리 방송'과 관련된 정보를 응답 정보로 제공할 수 있다. 한편, 응답 정보는 전자 장치(100)에 기저장된 정보 중 하나가 될 수 있음은 물론, 사용자 명령의 키워드에 기초하여 웹 검색 된 정보가 될 수 있다.

한편, 도 7a에 도시된 바와 같이, 사용자가 외부 장치인 스마트 TV에 “요리 재료 찾아줘”를 발화한 경우, 전자 장치(100)는 외부 장치로부터 “요리 재료 찾아줘”에 대응되는 음성 신호를 수신할 수 있다.

그리고, 전자 장치(100)는 제1 인공 지능 모델을 이용하여 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다.

그리고, 전자 장치(100)는 식별된 텍스트에 매칭된 카테고리 정보에 기초하여 사용자 명령에 대해 에러 정보를 제공할 수 있다.

예를 들어, 도 7a에 도시된 바와 같이, 사용자 명령이 “요리 재료 찾아줘”인 경우, 전자 장치(100)는 기저장된 복수의 텍스트 중에서 “요리 재료 찾아줘”에 대응되는 텍스트(예를 들어, '요리 재료 찾아줘' 등)을 식별하고, 식별된 텍스트에 매칭된 카테고리 정보(예를 들어, '에러' 등)에 기초하여 사용자 명령에 대해 에러 정보를 제공할 수 있다.

상술한 실시 예에서, 전자 장치(100)는 사용자 명령을 에러로 분류하고, 도 7b에 도시된 바와 같이, 사용자 명령에 대한 검색 결과를 찾을 수 없다는 메시지를 에러 정보로 제공할 수 있다.

도 8a 내지 도 9b는 사용자 단말 장치에 사용자 명령이 입력되는 경우의 실시 예를 설명하기 위한 도면이다.

전자 장치(100)는 외부 장치로부터 사용자 명령을 수신할 수 있다. 예를 들어, 도 8a에 도시된 바와 같이, 사용자가 외부 장치인 사용자 단말 장치에 “택시 찾아줘”를 입력한 경우, 전자 장치(100)는 외부 장치로부터 “택시 찾아줘”와 같은 텍스트를 수신할 수 있다. 여기에서, 사용자 단말 장치에서 제공되는 화면을 챗봇 어플리케이션의 실행 화면이 될 수 있다.

그리고, 전자 장치(100)는 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다. 구체적으로, 전자 장치(100)는 제1 인공 지능 모델을 이용하여 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다.

그리고, 전자 장치(100)는 식별된 텍스트에 매칭된 카테고리 정보에 기초하여 사용자 명령에 대한 응답 정보를 제공할 수 있다.

예를 들어, 도 8a에 도시된 바와 같이, 사용자 명령이 “택시 찾아줘”인 경우, 전자 장치(100)는 기저장된 복수의 텍스트 중에서 “택시 찾아줘”에 대응되는 텍스트(예를 들어, '택시 찾아줘', '택시 검색' 등)을 식별하고, 식별된 텍스트에 매칭된 카테고리 정보(예를 들어, '교통' 등)에 기초하여 사용자 명령에 대한 응답 정보를 제공할 수 있다.

상술한 실시 예에서, 전자 장치(100)는 도 8b에 도시된 바와 같이, '교통' 카테고리 내의 복수의 정보 중에서 '예약 가능한 택시'와 관련된 정보를 응답 정보로 제공할 수 있다. 한편, 전자 장치(100)는 사용자 주변의 예약 가능한 택시를 검색하기 위해서, 사용자 단말 장치로부터 GPS 신호를 수신하거나, 교통 상황에 관한 정보를 제공하는 외부 서버와의 통신을 수행할 수 있다.

한편, 도 9a에 도시된 바와 같이, 사용자가 외부 장치인 사용자 단말 장치에 “택시 보고 싶어”를 입력한 경우, 전자 장치(100)는 외부 장치로부터 “택시 보고 싶어”와 같은 텍스트를 수신할 수 있다.

그리고, 전자 장치(100)는 제1 인공 지능 모델을 이용하여 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다.

그리고, 전자 장치(100)는 식별된 텍스트에 매칭된 카테고리 정보에 기초하여 사용자 명령에 대해 에러 정보를 제공할 수 있다.

예를 들어, 도 9a에 도시된 바와 같이, 사용자 명령이 “택시 보고 싶어”인 경우, 전자 장치(100)는 기저장된 복수의 텍스트 중에서 “택시 보고 싶어”에 대응되는 텍스트(예를 들어, '택시 보고 싶어' 등)을 식별하고, 식별된 텍스트에 매칭된 카테고리 정보(예를 들어, '에러' 등)에 기초하여 사용자 명령에 대해 에러 정보를 제공할 수 있다.

상술한 실시 예에서, 전자 장치(100)는 사용자 명령을 에러로 분류하고, 도 9b에 도시된 바와 같이, 사용자 명령에 대한 검색 결과를 찾을 수 없다는 메시지와 함께 새로운 사용자 명령을 유도하는 메시지를 응답 정보로 제공할 수 있다.

도 10은 본 개시의 일 실시 예에 따른 전자 장치가 서버로 구현되는 경우의 상세 블록도이다.

전자 장치(100)가 서버로 구현되는 경우, 전자 장치(100)는 도 10에 도시된 바와 같이, 메모리(1010), 통신부(1020) 및 프로세서(1030)를 포함할 수 있다. 이하에서는, 상술한 설명과 중복되는 부분은 생략 내지 축약하여 설명한다.

메모리(1010)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 특히, 메모리(1010)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.

메모리(1010)는 프로세서(1030)에 의해 액세스되며, 프로세서(1030)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(1010), 프로세서(1030) 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(1010)에는 복수의 텍스트가 기저장되어 있을 수 있고, 복수의 텍스트 각각에는 카테고리가 매칭되어 있을 수 있다.

또한, 메모리(1010)는 기저장된 복수의 텍스트와 형태적으로는 유사하나 대상(entity) 및 의도(intent) 중 하나가 다른 텍스트를 생성하는 제2 인공 지능 모델 및 제2 인공 지능 모델에 의해 생성된 텍스트를 기저장된 복수의 텍스트 중 하나인지를 판별하는 제1 인공 지능 모델을 저장할 수 있다.

통신부(1020)는 외부 장치와 통신을 수행할 수 있다. 이때, 통신부(1020)는 외부 장치로부터 사용자 명령을 수신하고, 사용자 명령에 대한 응답 정보를 외부 장치로 전송할 수 있다.

이를 위해, 통신부(1020)는 무선 통신 칩, 와이 파이 칩, 블루투스 등을 포함할 수 있다.

프로세서(1030)는 메모리(1010) 및 통신부(1020)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다.

프로세서(1030)는 통신부(1020)를 통해 외부 장치로부터 사용자 명령을 수신할 수 있다.

그리고, 프로세서(1030)는 수신된 사용자 명령에 대응되는 텍스트를 판단하고, 제1 인공 지능 모델을 통해 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 분류되면, 사용자 명령에 대한 응답 정보를 제공할 수 있다.

구체적으로, 프로세서(1030)는, 제1 인공 지능 모델을 통해, 사용자 명령에 대응되는 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단할 수 있다. 그리고, 프로세서(1030)는 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 분류되면, 텍스트에 매칭된 카테고리를 판단하고, 해당 카테고리에 포함된 복수의 정보 중에서 사용자 명령에 대응되는 정보를 응답 정보로 제공할 수 있다.

여기에서, 응답 정보는 교통 상황 등의 상태 정보가 될 수 있음은 물론, TV 등의 외부 장치의 전원을 온, 오프 하기 위한 제어 정보가 될 수 있다.

또한, 프로세서(1030)는 제1 인공 지능 모델을 통해 사용자 명령에 대응되는 텍스트가 에러로 분류되면, 사용자 명령에 대해 에러 정보를 제공할 수 있다.

구체적으로, 제1 인공 지능 모델은 사용자 명령에 대응되는 텍스트가 기저장된 복수의 텍스트 중 적어도 하나의 텍스트와 대상(entity) 및 의도(intent) 중 하나가 다른 유사 텍스트인 경우, 사용자 명령에 대응되는 텍스트를 에러로 분류할 수 있다. 이 경우, 프로세서(1030)는 사용자 명령에 대해 에러 정보를 제공할 수 있다. 여기에서, 에러 정보는 사용자 명령에 의해 요청된 사항을 찾을 수 없다는 정보가 될 수 있다.

도 11은 본 개시의 일 실시 예에 따른 전자 장치가 디스플레이 장치로 구현되는 경우의 상세 블록도이다.

전자 장치(100)는 사용자 명령이 입력될 수 있는 디스플레이 장치로 구현될 수 있다. 다양한 예를 들어, 전자 장치(100)는 스마트 폰, PC, 태블릿 PC, 노트북, PDA, PMP, 스마트 TV 등이 될 수 있다.

도 11에 도시된 바와 같이, 전자 장치가 디스플레이 장치로 구현될 경우, 전자 장치(100)는 메모리(1110), 입력부(1130), 디스플레이(1140), 통신부(1150) 및 프로세서(1160)를 포함할 수 있다.

입력부(1130)는 사용자 명령을 수신할 수 있다.

입력부(1130)는 터치 센서, (디지털) 펜 센서, 압력 센서, 또는 키를 포함할 수 있다. 터치 센서는, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. (디지털) 펜 센서는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다.

또한, 입력부(1130)는 마이크를 포함할 수 있다. 여기에서, 마이크는 사용자 발화 음성을 수신할 수 있다.

디스플레이(1140)는 다양한 화면을 표시할 수 있다. 특히, 디스플레이(1140)는 사용자 명령을 유도하는 화면을 제공할 수 있다. 또한, 디스플레이(1140)는 사용자 명령에 대한 응답 정보를 표시할 수 있다.

디스플레이(1140)는 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(1140)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.

또한, 디스플레이(1140)는 터치 센서를 구비한 터치 스크린으로 구현될 수도 있다.

통신부(1150)는 외부 장치와 통신을 수행할 수 있다. 특히, 통신부(1150)는 외부 서버와의 통신을 통해, 사용자 명령에 대응되는 텍스트에 대한 검색 결과를 수신할 수 있다. 또한, 통신부(1150)는 사용자 명령이 특정 외부 장치를 제어하기 위한 명령인 경우, 제어 신호를 외부 장치로 전송할 수 있다.

프로세서(1160)는 입력부(1130)를 통해 사용자 명령을 수신할 수 있다. 그리고, 프로세서(1160)는 제1 인공 지능 모델을 이용하여 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다.

그리고, 프로세서(1160)는 제1 인공 지능 모델을 이용하여 사용자 명령의 카테고리를 분류하고, 사용자 명령에 대한 응답 정보를 제공할 수 있다.

구체적으로, 프로세서(1160)는 교통 상황 등의 응답 정보를 디스플레이(1140)를 통해 표시하거나, TV 등의 외부 장치의 전원을 온, 오프 하기 위한 제어 신호를 TV 등의 외부 장치로 전송할 수 있다.

한편, 전자 장치(100)가 디스플레이 장치로 구현될 경우, 상술한 기술 중 일부는 디스플레이 장치에서 구현되고, 나머지 일부는 서버에서 구현될 수 있다.

구체적으로, 디스플레이 장치는 사용자 명령을 수신하여 서버로 전송하고, 서버는 수신된 사용자 명령에 대한 응답 정보를 획득 또는 생성하여 디스플레이 장치로 전송하며, 디스플레이 장치는 수신한 응답 정보를 표시할 수 있다.

도 12는 본 개시의 일 실시 예에 따른 대화 시스템을 설명하기 위한 도면이다.

본 개시의 일 실시 예에 따른 전자 장치(100)는 사용자 입력(특히, 사용자 음성)에 대한 응답을 제공하는 대화 시스템(Dialogue system)을 저장할 수 있다. 이때, 대화 시스템은 도 12에 도시된 바와 같이, 자동 음성 인식부(Automatic Speech Recognition, ASR)(1210), 자연어 이해부(Natural Language Understanding, NLU)(1220), 대화 매니저(Dialogue Manager, DM)(1230), 자연어 생성부(Natural Language Generator, NLG)(1240), TTS(Text-to-Speech)(1250) 및 지식 데이터 베이스(Knowledge Database)(1260)를 포함할 수 있다.

자동 음성 인식부(1210)는 마이크 등을 통해 입력된 사용자 음성에 대한 음성 인식을 수행할 수 있다. 자연어 이해부(1220)는 음성 인식 결과를 바탕으로 사용자 음성의 의도(intent)를 파악할 수 있다. 대화 매니저(1230)는 자연어 이해 결과 및 지식 데이터 베이스(1260)에 저장된 데이터를 바탕으로 사용자 음성에 대한 응답에 대한 정보를 획득할 수 있다. 예를 들어, 대화 매니저(1230)는 응답을 생성하기 위한 정보를 획득할 수 있으며, 상술한 바와 같이, 획득된 정보는 자연어 이해부(1220)을 통해 파악된 사용자 음성의 의도(intent)와 지식 데이터 베이스(1260)에 저장된 데이터를 바탕으로 결정될 수 있다. 자연어 생성부(1240)는 대화 매니저(1230)를 통해 획득된 정보를 바탕으로 사용자 음성에 대한 응답으로서, 자연어를 획득할 수 있다. TTS(1250)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 실시 예에 따른 대화 매니저(1230)는 지식 데이터 베이스(1260)에 저장된 복수의 텍스트 각각에 매칭된 카테고리에 기초하여, 사용자 음성에 대한 응답 정보를 획득할 수 있다.

도 13은 본 개시의 일 실시 예에 따른 전자 장치의 상세 블록도이다.

도 13에 도시된 바와 같이, 전자 장치(100)는 영상 획득부(1310), 영상 처리부(1320), 디스플레이(1330), 통신부(1340), 메모리(1350), 오디오 처리부(1360), 오디오 출력부(1370), 입력부(1380) 및 프로세서(1390) 중 적어도 하나를 포함할 수 있다. 한편, 도 13에 도시된 전자 장치(100)의 구성은 일 예에 불과하므로, 반드시 전술된 블록도에 한정되는 것은 아니다. 따라서, 전자 장치(100)의 종류 또는 전자 장치(100)의 목적에 따라 도 13에 도시된 전자 장치(100)의 구성의 일부가 생략 또는 변형되거나, 추가될 수도 있음은 물론이다.

영상 획득부(1310)는 다양한 소스를 통해 영상 데이터를 획득할 수 있다. 예로, 영상 획득부(1310)는 사용자 명령에 대한 응답 정보로 특정 영상을 획득할 수 있다. 영상 획득부(1310)를 통해 획득된 영상 데이터는 영상 처리부(1320)에서 처리될 수 있다.

영상 처리부(1320)는 영상 획득부(1310)에서 수신한 영상 데이터에 대한 처리를 수행할 수 있다. 영상 처리부(1320)에서는 영상 데이터에 대한 디코딩, 스케일링, 노이즈 필터링, 프레임 레이트 변환 또는 해상도 변환 등과 같은 다양한 이미지 처리를 수행할 수 있다.

디스플레이(1330)는 영상 처리부(1320)에서 처리한 영상 데이터를 디스플레이할 수 있다. 디스플레이1330)의 적어도 일부는 플렉서블 디스플레이(flexible display)의 형태로 전자 장치(100)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다. 플렉서블 디스플레이는 종이처럼 얇고 유연한 기판을 통해 손상 없이 휘거나 구부리거나 말 수 있는 것을 특징으로 할 수 있다.

디스플레이(1330)는 터치 패널(1381)과 결합하여 레이어 구조의 터치 스크린으로 구현될 수 있다. 터치 스크린은 디스플레이 기능뿐만 아니라 터치 입력 위치, 터치된 면적뿐만 아니라 터치 입력 압력까지도 검출하는 기능을 가질 수 있고, 또한 실질적인 터치(real-touch)뿐만 아니라 근접 터치(proximity touch)도 검출하는 기능을 가질 수 있다.

통신부(1340)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 기기와 통신을 수행할 수 있다. 통신부(1340)는 와이파이 칩(1341), 블루투스 칩(1342), 무선 통신 칩(1343), NFC 칩(1344) 중 적어도 하나를 포함할 수 있다. 프로세서(1390)는 통신부(1340)를 이용하여 외부 서버 또는 각종 외부 기기와 통신을 수행할 수 있다.

오디오 처리부(1360)는 오디오 데이터에 대한 처리를 수행하는 구성요소이다. 오디오 처리부(1360)에서는 오디오 데이터에 대한 디코딩이나 증폭, 노이즈 필터링 등과 같은 다양한 처리가 수행될 수 있다. 오디오 처리부(1360)에서 처리된 오디오 데이터는 오디오 출력부(1370)로 출력될 수 있다.

오디오 출력부(1370)는 오디오 처리부(1360)에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특히, 오디오 출력부(1370)는 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.

입력부(1380)는 다양한 사용자 입력을 수신하여 프로세서(1390)로 전달할 수 있다. 사용자 입력부(1380)는, 예를 들면, 터치 패널(1381), (디지털) 펜 센서(1382) 또는 키(1383)를 포함할 수 있다. 터치 패널(1381)은, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 또한, 터치 패널(1381)은 제어 회로를 더 포함할 수도 있다. 터치 패널(1381)은 택타일 레이어(tactile layer)를 더 포함하여, 사용자에게 촉각 반응을 제공할 수 있다. (디지털) 펜 센서(1382)는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키(1383)는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다.

프로세서(1390)(또는, 제어부)는 메모리(1350)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 전반적인 동작을 제어할 수 있다.

프로세서(1390)는 RAM(1391), ROM(1392), 그래픽 처리부(1393), 메인 CPU(1394), 제1 내지 n 인터페이스(1395-1~1395-n), 버스(1396)로 구성될 수 있다. 이때, RAM(1391), ROM(1392), 그래픽 처리부(1393), 메인 CPU(1394), 제1 내지 n 인터페이스(1395-1~1395-n) 등은 버스(1396)를 통해 서로 연결될 수 있다.

한편, 본 개시에 따른 인공지능과 관련된 기능은 프로세서(120)와 메모리(110)를 통해 동작된다. 프로세서(120)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, 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) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.

도 14는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 설명하기 위한 흐름도이다.

전자 장치는 사용자 명령을 수신(S1610)할 수 있다. 여기에서, 사용자 명령은 키보드 또는 온 스크린 키보드 등을 통해 입력된 텍스트가 될 수 있음은 물론, 스타일러스 등을 통해 입력된 그림 또는 텍스트가 될 수 있다. 또한, 사용자 명령은 마이크를 통해 입력된 사용자 음성이 될 수도 있다.

그리고, 전자 장치는 사용자 명령을 분류(S1620)할 수 있다. 구체적으로, 전자 장치는 제1 인공 지능 모델을 이용하여 사용자 명령의 카테고리를 분류할 수 있다.

이를 위해, 전자 장치(100)는 먼저 사용자 명령이 수신되면, 제1 인공 지능 모델을 이용하여 기저장된 복수의 텍스트 중에서 사용자 명령에 대응되는 텍스트를 식별할 수 있다. 그리고, 전자 장치(100)는 텍스트 별로 매칭된 카테고리 정보에 기초하여, 사용자 명령의 카테고리를 분류할 수 있다.

이후, 전자 장치는 분류 결과에 기초하여, 사용자 명령에 대한 응답 정보를 제공(S1630)할 수 있다.

구체적으로, 전자 장치는 제1 인공 지능 모델을 이용하여 사용자 명령의 카테고리에 포함된 복수의 정보 중에서 사용자 명령에 대응되는 정보를 응답 정보로 제공할 수 있다.

예를 들어, 전자 장치에 '택시 검색'과 같은 텍스트가 기저장되어 있는 상태에서, “택시 찾아줘”가 수신된 경우, 전자 장치는 기저장된 복수의 텍스트 중에서 “택시 찾아줘”에 대응되는 텍스트로 '택시 검색'을 식별할 수 있다. 그리고, 전자 장치는 '택시 검색'에 매칭된 '교통' 카테고리를 사용자 명령의 카테고리로 분류하고, '교통' 카테고리에 포함된 복수의 정보 중에서 '택시 검색'과 관련된 정보를 응답 정보로 제공할 수 있다. 예를 들어, 전자 장치는 사용자 주변의 예약 가능한 택시와 관련된 정보를 응답 정보로 제공할 수 있다.

한편, 사용자 명령의 카테고리가 에러 카테고리인 것으로 분류되는 경우, 전자 장치는 사용자 명령에 의해 요청된 정보를 찾을 수 없다는 에러 정보를 제공할 수 있다. 즉, 전자 장치는 사용자 명령을 Rejection 할 수 있다.

이에 따라, 종래의 전자 장치와 달리, 본 개시의 일 실시 예에 따른 전자 장치는 사용자 의도와 전혀 관계 없는 응답 정보를 제공하는 경우를 방지할 수 있다.

한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어/하드웨어 업그레이드 만으로도 구현될 수 있다.

또한, 상술한 본 발명의 다양한 실시 예들은 전자 장치에 구비된 임베디드 서버, 또는 외부의 서버를 통해 수행되는 것도 가능하다.

상술한 다양한 실시 예에 따른 전자 장치의 제어 방법은 프로그램으로 구현되어 다양한 기록 매체에 저장될 수 있다. 즉, 각종 프로세서에 의해 처리되어 상술한 다양한 제어 방법을 실행할 수 있는 컴퓨터 프로그램이 기록 매체에 저장된 상태로 사용될 수도 있다.

비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

100: 전자 장치
110: 메모리
120: 프로세서

Claims (16)

1. 전자 장치에 있어서,
   컴퓨터 실행가능 명령어(computer executable instructions)를 저장하는 메모리; 및
   상기 컴퓨터 실행가능 명령어를 실행함으로써, 수신된 사용자 명령에 대응되는 텍스트를 판단하고, 제1 인공 지능 모델을 통해 상기 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 분류되면, 상기 사용자 명령에 대한 응답 정보를 제공하고, 상기 제1 인공 지능 모델을 통해 상기 텍스트가 에러로 분류되면, 상기 사용자 명령에 대해 에러 정보를 제공하는 프로세서;를 포함하고,
   상기 제1 인공 지능 모델은,
   상기 사용자 명령에 대응되는 텍스트가 상기 기저장된 복수의 텍스트 중 적어도 하나의 텍스트와 대상(entity) 및 의도(intent) 중 하나가 다른 유사 텍스트인 경우, 상기 텍스트를 상기 에러로 분류하는, 전자 장치.
2. 제1항에 있어서,
   상기 제1 인공 지능 모델은,
   상기 기저장된 복수의 텍스트에 기초하여 상기 사용자 명령에 대응되는 텍스트를 판단하는 모델을, 상기 유사 텍스트는 에러로 분류하도록 학습시켜 얻어진 모델인, 전자 장치.
3. 제1항에 있어서,
   상기 유사 텍스트는, 제2 인공 지능 모델에 의해 생성되는, 전자 장치.
4. 제3항에 있어서,
   상기 제1 인공 지능 모델은,
   상기 제1 인공 지능 모델에 입력된 상기 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단하고, 상기 판단 결과에 기초하여 학습 여부를 결정하는, 전자 장치.
5. 제4항에 있어서,
   상기 제1 인공 지능 모델은,
   상기 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 판단되면 상기 유사 텍스트를 에러로 분류하도록 학습하고, 상기 유사 텍스트가 상기 기저장된 복수의 텍스트에 대응되지 않는 것으로 판단되면 상기 학습을 수행하지 않는, 전자 장치.
6. 제5항에 있어서,
   상기 제2 인공 지능 모델은,
   상기 제1 인공 지능 모델이 상기 유사 텍스트를 상기 기저장된 복수의 텍스트에 대응되지 않는 것으로 판단하면, 상기 유사 텍스트가 상기 적어도 하나의 텍스트와 유사한 정도보다 더 높은 유사도를 갖는 새로운 유사 텍스트를 생성하도록 학습하는, 전자 장치.
7. 제6항에 있어서,
   상기 제1 인공 지능 모델은,
   상기 제2 인공 지능 모델에 의해 생성된 상기 새로운 유사 텍스트를 입력 받고, 상기 새로운 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단하고, 상기 판단 결과에 기초하여 학습 여부를 결정하는, 전자 장치.
8. 제3항에 있어서,
   상기 제1 및 제2 인공 지능 모델은, GAN(Generative Adversarial Network)인, 전자 장치.
9. 전자 장치의 제어 방법에 있어서,
   수신된 사용자 명령에 대응되는 텍스트를 판단하는 단계; 및
   제1 인공 지능 모델을 통해 상기 텍스트가 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 분류되면, 상기 사용자 명령에 대한 응답 정보를 제공하고, 상기 제1 인공 지능 모델을 통해 상기 텍스트가 에러로 분류되면, 상기 사용자 명령에 대해 에러 정보를 제공하는 단계;를 포함하고,
   상기 제1 인공 지능 모델은,
   상기 사용자 명령에 대응되는 텍스트가 상기 기저장된 복수의 텍스트 중 적어도 하나의 텍스트와 대상(entity) 및 의도(intent) 중 하나가 다른 유사 텍스트인 경우, 상기 텍스트를 상기 에러로 분류하는, 전자 장치의 제어 방법.
10. 제9항에 있어서,
    상기 제1 인공 지능 모델은,
    상기 기저장된 복수의 텍스트에 기초하여 상기 사용자 명령에 대응되는 텍스트를 판단하는 모델을, 상기 유사 텍스트는 에러로 분류하도록 학습시켜 얻어진 모델인, 전자 장치의 제어 방법.
11. 제9항에 있어서,
    상기 유사 텍스트는, 제2 인공 지능 모델에 의해 생성되는, 전자 장치의 제어 방법.
12. 제11항에 있어서,
    상기 제1 인공 지능 모델은,
    상기 제1 인공 지능 모델에 입력된 상기 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단하고, 상기 판단 결과에 기초하여 학습 여부를 결정하는, 전자 장치의 제어 방법.
13. 제12항에 있어서,
    상기 제1 인공 지능 모델은,
    상기 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는 것으로 판단되면 상기 유사 텍스트를 에러로 분류하도록 학습하고, 상기 유사 텍스트가 상기 기저장된 복수의 텍스트에 대응되지 않는 것으로 판단되면 상기 학습을 수행하지 않는, 전자 장치의 제어 방법.
14. 제13항에 있어서,
    상기 제2 인공 지능 모델은,
    상기 제1 인공 지능 모델이 상기 유사 텍스트를 상기 기저장된 복수의 텍스트에 대응되지 않는 것으로 판단하면, 상기 유사 텍스트가 상기 적어도 하나의 텍스트와 유사한 정도보다 더 높은 유사도를 갖는 새로운 유사 텍스트를 생성하도록 학습하는, 전자 장치의 제어 방법.
15. 제14항에 있어서,
    상기 제1 인공 지능 모델은,
    상기 제2 인공 지능 모델에 의해 생성된 상기 새로운 유사 텍스트를 입력 받고, 상기 새로운 유사 텍스트가 상기 기저장된 복수의 텍스트 중 하나에 대응되는지를 판단하고, 상기 판단 결과에 기초하여 학습 여부를 결정하는, 전자 장치의 제어 방법.
16. 제11항에 있어서,
    상기 제1 및 제2 인공 지능 모델은, GAN(Generative Adversarial Network)인, 전자 장치의 제어 방법.

Images