KR20200044173A - 전자 장치 및 그의 제어 방법 - Google Patents

전자 장치 및 그의 제어 방법 Download PDF

Info

Publication number
KR20200044173A
KR20200044173A KR1020180119054A KR20180119054A KR20200044173A KR 20200044173 A KR20200044173 A KR 20200044173A KR 1020180119054 A KR1020180119054 A KR 1020180119054A KR 20180119054 A KR20180119054 A KR 20180119054A KR 20200044173 A KR20200044173 A KR 20200044173A
Authority
KR
South Korea
Prior art keywords
electronic device
external electronic
learning data
data
artificial intelligence
Prior art date
Application number
KR1020180119054A
Other languages
English (en)
Inventor
한영호
김광윤
김상하
김성찬
김성수
이경민
이용찬
이재원
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180119054A priority Critical patent/KR20200044173A/ko
Priority to CN201980065502.3A priority patent/CN112789628A/zh
Priority to EP19869924.1A priority patent/EP3785180A4/en
Priority to US16/593,589 priority patent/US11586977B2/en
Priority to PCT/KR2019/013040 priority patent/WO2020071854A1/en
Publication of KR20200044173A publication Critical patent/KR20200044173A/ko
Priority to US18/162,218 priority patent/US11880754B2/en

Links

Images

Classifications

    • 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
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Abstract

전자 장치 및 그의 제어 방법이 개시된다. 본 개시에 따른 전자 장치의 제어 방법은, 제1 외부 전자 장치 및 제2 외부 전자 장치로부터 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델 및 제1 및 제2 외부 전자 장치 각각에 저장된 복수의 학습 데이터를 수신하는 단계, 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 중 제2 외부 전자 장치로부터 수신된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정하는 단계, 결정된 제1 학습 데이터를 바탕으로, 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시키는 단계 및 학습된 인공 지능 모델을 제2 외부 전자 장치로 전송하는 단계를 포함한다.

Description

전자 장치 및 그의 제어 방법{Electronic apparatus and control method thereof}
본 개시는 전자 장치 및 그의 제어 방법에 관한 것으로서, 보다 상세하게는 복수개의 외부 전자 장치에 저장된 학습 데이터를 바탕으로 복수의 외부 전자 장치 중 적어도 하나의 외부 전자 장치의 인공 지능 모델을 학습 시키는 방법에 관한 것이다.
또한, 본 개시는 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 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, 근래에는 사용자 장치와 같이 리소스가 작은 디바이스에서 인공 지능 모델을 사용하기 위한 다양한 방법들이 논의되고 있다. 나아가, 사용자 장치에서 저장된 데이터를 학습 데이터로 인공 지능 모델을 학습하여 개인화된 인공 지능 모델을 구축하는 방법 또한 논의되고 있다.
근래에는 사용자는 다양한 유형의 사용자 장치를 보유하고 있다. 예를 들어, 스마트폰, 인공 지능 스피커, 디지털 텔레비전, 냉장고 등, 다양한 사용자 장치는 인공 지능 모델을 보유할 수 있다. 그러나 일부 사용자 장치가 수집하는 학습 데이터의 양이 부족하여 인공 지능 모델을 학습시키기에 부족하거나, 사용자 장치 별로 학습된 수준이 달라서, 동일한 사용자가 사용하는 경우라도 동일한 성능의 결과값을 유지하지 못하는 문제점이 존재하여 왔다.
본 개시는 상술한 문제점을 해결하기 위한 것으로, 복수의 외부 전자 장치들 간의 학습 데이터를 공유하는 방법에 관한 것이다.
상술한 목적을 달성하기 위한 본 개시의 일 실시예에 따른 전자 장치의 제어 방법은, 제1 외부 전자 장치 및 제2 외부 전자 장치로부터 상기 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델 및 상기 제1 및 제2 외부 전자 장치 각각에 저장된 복수의 학습 데이터를 수신하는 단계, 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 중 상기 제2 외부 전자 장치로부터 수신된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정하는 단계, 상기 획득된 제1 학습 데이터를 바탕으로, 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시키는 단계 및 상기 학습된 인공 지능 모델을 상기 제2 외부 전자 장치로 전송하는 단계를 포함한다.
이때, 상기 제어 방법은, 상기 제1 및 제2 외부 전자 장치 각각의 특성 정보를 수신하는 단계 및 상기 제1 외부 전자 장치의 특성 정보 및 상기 제2 외부 전자 장치의 특성 정보를 바탕으로 상기 제1 학습 데이터를 상기 제2 외부 전자 장치가 사용하는 인공지능 모델을 학습시키기 위한 제3 학습 데이터를 변환하는 단계를 더 포함하며, 상기 학습시키는 단계는, 상기 제3 학습 데이터를 바탕으로, 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시킬 수 있다.
이때, 상기 결정하는 단계는, 상기 제2 학습 데이터에 포함된 입력값 및 라벨값 중 적어도 하나를 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 입력값 및 라벨값과 비교하여 상기 제1 학습 데이터를 획득할 수 있다.
이때, 상기 인공 지능 모델은 음성 인식을 위한 인공 지능 모델이고, 상기 학습 데이터는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보를 포함할 수 있다.
이때, 상기 결정하는 단계는, 상기 제2 학습 데이터에 포함된 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보 중 적어도 하나를 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보 중 적어도 하나와 비교하여 상기 제1 학습 데이터를 획득할 수 있다.
이때, 상기 특성 정보는, 상기 제1 및 제2 외부 전자 장치에 포함된 음성 입력부와 관련된 특성 정보, 상기 제1 및 제2 외부 전자 장치의 음성 입력부를 통해 입력되는 노이즈와 관련된 특성 정보, 사용자 음성이 생성된 위치와 상기 제1 및 제2 외부 전자 장치 사이의 거리와 관련된 특성 정보 중 적어도 하나를 포함할 수 있다.
이때, 상기 변환하는 단계는, 상기 제1 학습 데이터에 포함된 음성 데이터를 주파수 필터를 이용하여 변환할 수 있다.
이때, 상기 수신하는 단계는, 기 설정된 시간 조건에 따라, 상기 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델, 상기 제1 및 제2 외부 전자 장치 각각에 저장된 복수의 학습 데이터 및 상기 제1 및 제2 외부 전자 장치 각각의 특성 정보를 수신할 수 있다.
한편, 상술한 목적을 달성하기 위한 본 개시의 또 다른 실시예에 따른 전자장치는, 메모리, 통신부, 및 제1 외부 전자 장치 및 제2 외부 전자 장치로부터 상기 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델 및 상기 제1 및 제2 외부 전자 장치 각각에 저장된 복수의 학습 데이터를 상기 통신부를 통해 수신하는 프로세서를 포함하고, 상기 프로세서는,상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 중 상기 제2 외부 전자 장치로부터 수신된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정하고, 상기 획득된 제1 학습 데이터를 바탕으로, 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시키고, 상기 통신부를 통해 상기 학습된 인공 지능 모델을 상기 제2 외부 전자 장치로 전송한다.
이때, 상기 프로세서는, 상기 통신부를 통해 상기 제1 및 제2 외부 전자 장치 각각의 특성 정보를 수신하고, 상기 제1 외부 전자 장치의 특성 정보 및 상기 제2 외부 전자 장치의 특성 정보를 바탕으로 상기 제1 학습 데이터를 상기 제2 외부 전자 장치가 사용하는 인공지능 모델을 학습시키기 위한 제3 학습 데이터를 변환하고, 상기 제3 학습 데이터를 바탕으로, 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시킬 수 있다.
이때, 상기 프로세서는, 상기 제2 학습 데이터에 포함된 입력값 및 라벨값 중 적어도 하나를 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 입력값 및 라벨값과 비교하여 상기 제1 학습 데이터를 획득할 수 있다.
이때, 상기 인공 지능 모델은 음성 인식을 위한 인공 지능 모델이고, 상기 학습 데이터는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보를 포함할 수 있다.
이때, 상기 프로세서는, 상기 제2 학습 데이터에 포함된 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보 중 적어도 하나를 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보 중 적어도 하나와 비교하여 상기 제1 학습 데이터를 획득할 수 있다.
이때, 상기 특성 정보는, 상기 제1 및 제2 외부 전자 장치에 포함된 음성 입력부와 관련된 특성 정보, 상기 제1 및 제2 외부 전자 장치의 음성 입력부를 통해 입력되는 노이즈와 관련된 특성 정보, 사용자 음성이 생성된 위치와 상기 제1 및 제2 외부 전자 장치 사이의 거리와 관련된 특성 정보 중 적어도 하나를 포함할 수 있다.
이때, 상기 프로세서는, 상기 제1 학습 데이터에 포함된 음성 데이터를 주파수 필터를 이용하여 변환할 수 있다.
이때, 상기 프로세서는, 상기 통신부를 통해 기 설정된 시간 조건에 따라, 상기 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델, 상기 제1 및 제2 외부 전자 장치 각각이 저장한 복수의 학습 데이터 및 상기 제1 및 제2 외부 전자 장치 각각의 특성 정보를 수신할 수 있다.
한편, 상술한 목적을 달성하기 위한 본 개시의 또 다른 실시예에 따른 전자장치는 메모리, 통신부 및 외부 전자 장치로부터 상기 외부 전자 장치 각각에 저장된 복수의 학습 데이터를 상기 통신부를 통해 수신하는 프로세서를 포함하고, 상기 프로세서는, 상기 외부 전자 장치로부터 수신한 복수의 학습 데이터 중 상기 전자 장치에 저장된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정하고, 상기 결정된 제1 학습 데이터를 바탕으로, 상기 전자 장치가 사용하는 인공 지능 모델을 학습시키는 것을 특징으로 한다.
이때, 상기 프로세서는, 상기 통신부를 통해 상기 외부 전자 장치의 특성 정보를 수신하고, 상기 외부 전자 장치의 특성 정보 및 상기 전자 장치의 특성 정보를 바탕으로 상기 제1 학습 데이터를 상기 전자 장치가 사용하는 인공지능 모델을 학습시키기 위한 제3 학습 데이터를 변환하고, 상기 제3 학습 데이터를 바탕으로, 상기 전자 장치가 사용하는 인공 지능 모델을 학습시킬 수 있다.
이때, 상기 프로세서는, 상기 제2 학습 데이터에 포함된 입력값 및 라벨값 중 적어도 하나를 상기 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 입력값 및 라벨값과 비교하여 상기 제1 학습 데이터를 결정할 수 있다.
이때, 상기 전자 장치 및 상기 외부 전자 장치의 특성 정보는, 상기 전자 장치 및 상기 외부 전자 장치에 포함된 음성 입력부와 관련된 특성 정보, 상기 전자 장치 및 상기 외부 전자 장치의 음성 입력부를 통해 입력되는 노이즈와 관련된 특성 정보, 사용자 음성이 생성된 위치와 상기 전자 장치 및 상기 외부 전자 장치 사이의 거리와 관련된 특성 정보 중 적어도 하나를 포함할 수 있다.
상술한 본 개시의 다양한 실시예에 따라, 전자 장치는 개인화된 학습 데이터가 부족한 외부 전자 장치에 적합한 학습 데이터를 제공하고, 제공된 학습 데이터를 이용하여 인공 지능 모델을 학습 시킬 수 있다.
도 1은 본 개시를 간략히 설명하기 위한 예시도이다.
도 2는 본 개시의 일 실시예에 따른 전자 장치의 구성을 간략히 도시한 블록도이다.
도 3은 본 개시의 일 실시예에 따른 전자 장치의 구성을 상세히 도시한 블록도이다.
도 4 및 도 5는 본 개시의 일 실시예에 따른 데이터 공유 방법을 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따른 학습 데이터를 변환하는 방법을 설명하기 위한 예시도이다.
도 7은 본 개시의 또 다른 실시예에 따른 학습 데이터 획득 방법을 설명하기 위한 예시도이다.
도 8은 본 개시의 또 다른 실시예에 따른 학습 데이터 공유 방법을 설명하기 위한 예시도이다.
도 9는 본 개시의 일 실시예에 따른 제2 외부 전자 장치가 학습 데이터를 변환하는 방법을 설명하기 위한 예시도이다.
도 10는 본 개시의 일 실시예에 따른, 인공 지능 모델을 이용하는 전자 장치의 동작을 설명하기 위한 예시도이다.
도 11은 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, 온수 탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 개시에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
한편, 본 개시에서 제1 인공 지능 모델은 제1 외부 전자 장치가 사용하는 인공 지능 모델 또는 제1 외부 전자 장치로부터 수신한 인공 지능 모델을 의미하며, 제2 인공 지능 모델은 제2 외부 전자 장치가 사용하는 인공 지능 모델 또는 제2 외부 전자 장치로부터 수신한 인공 지능 모델을 의미할 수 있다.
한편, 본 개시에서 제1 학습 데이터는 제1 외부 전자 장치에 저장된 학습 데이터를 의미하며, 제2 학습 데이터는 제2 외부 전자 장치에 저장된 학습 데이터를 의미할 수 있다.
이하에서는 도면을 참조하여 본 개시에 대해 더욱 상세히 설명하기로 한다.
도 1은 본 개시를 간략히 설명하기 위한 예시도이다.
도 1에 도시된 바와 같이, 복수의 외부 전자 장치(200-1 내지 200-3)는 전자 장치(100)와 통신할 수 있다. 복수의 외부 전자 장치(200-1 내지 200-3)는 인공 지능 모델을 포함하고, 인공 지능 모델을 이용하여 다양한 서비스를 제공하기 위한 장치일 수 있다. 이때, 복수의 외부 전자 장치(200-1 내지 200-3)가 사용하는 인공 지능 모델은 복수의 외부 전자 장치(200-1 내지 200-3) 각각의 목적에 따라 다양할 수 있다. 예를 들어, 인공 지능 모델은 음성 인식을 위한 인공 지능 모델, 이미지 분석을 위한 인공 지능 모델 등 다양할 수 있다. 전자 장치(100)는 복수의 외부 전자 장치(200-1 내지 200-3)가 사용하는 인공 지능 모델을 학습시키기 위한 장치이다.
구체적으로, 전자 장치(100)는 복수의 외부 전자 장치(200-1 내지 200-3)가 사용하는 인공 지능 모델 및, 해당 인공 지능 모델을 학습시키기 위해 필요한 데이터를 저장할 수 있다. 구체적으로, 전자 장치(100)는 복수의 외부 전자 장치(200-1 내지 200-3) 각각의 인공 지능 모델을 복수의 외부 전자 장치(200-1 내지 200-3)로부터 수신하여 저장할 수 있다. 이때, 복수의 외부 전자 장치(200-1 내지 200-3) 각각의 인공 지능 모델은 복수의 외부 전자 장치(200-1 내지 200-3) 각각의 학습 데이터를 바탕으로 학습된 인공 지능 모델일 수 있다. 다만, 이에 한정되는 것은 아니고, 전자 장치(100)는 외부 서버로부터 복수의 외부 전자 장치(200-1 내지 200-3)각각이 사용하는 인공 지능 모델을 수신하여 저장할 수도 있음은 물론이다.
한편, 전자 장치(100)는 복수의 외부 전자 장치(200-1 내지 200-3) 각각으로부터 학습 데이터를 수신하여 저장할 수 있다. 이때 전자 장치(100)는 복수의 외부 전자 장치(200-1 내지 200-3)각각으로부터 수신한 인공 지능 모델 및 학습 데이터를 외부 전자 장치 별로 구분하여 저장할 수 있다.
전자 장치(100)는 복수의 외부 전자 장치(200-1 내지 200-3) 각각으로부터 수신한 학습 데이터를 바탕으로 복수의 외부 전자 장치(200-1 내지 200-3) 각각이 사용하는 인공 지능 모델을 학습시킬 수 있다. 예를 들어, 전자 장치(100)는 제1 외부 전자 장치(200-1)가 사용하는 제1 인공 지능 모델을 제1 외부 전자 장치 내지 제3 외부 전자 장치(200-1 내지 200-3)에서 수신한 학습 데이터를 바탕으로 학습시킬 수 있다. 같은 방법으로, 전자 장치(100)는 제2 외부 전자 장치(200-2)가 사용하는 제2 인공 지능 모델을 제1 외부 전자 장치 내지 제3 외부 전자 장치(200-1 내지 200-3)에서 수신한 학습 데이터를 바탕으로 학습시킬 수 있다. 같은 방법으로, 전자 장치(100)는 제3 외부 전자 장치(200-3)가 사용하는 제3 인공 지능 모델을 제1 외부 전자 장치 내지 제3 외부 전자 장치(200-1 내지 200-3)에서 수신한 학습 데이터를 바탕으로 학습시킬 수 있다.
상기 방법을 통해 복수의 외부 전자 장치(200-1 내지 200-3)는 각각의 장치에 저장된 학습 데이터를 공유하여 개인화된 인공 지능 모델을 구축할 수 있다. 또한, 예를 들어, 제1 외부 전자 장치(200-1)는 저장된 학습 데이터가 많은 장치이며, 제2 외부 전자 장치(200-2) 및 제3 외부 전자 장치(200-3)는 제1 외부 전자 장치(200-1)에 비해 저장된 학습 데이터가 적은 경우, 제2 외부 전자 장치(200-2) 및 제3 외부 전자 장치(200-3)는 학습 데이터 부족 문제를 해결하기 위해 제1 외부 전자 장치(200-1)로부터 저장된 학습 데이터를 이용하여 인공 지능 모델을 학습 시킬 수 있는 효과가 있을 것이다.
한편, 상술한 바와 같이 학습 데이터를 공유하는 인공 지능 모델은 유사한 기능을 수행하는 인공 지능 모델일 수 있다. 예를 들어, 제1 인공 지능 모델 내지 제3 인공 지능 모델은 모두 음성 인식과 관련된 인공 지능 모델일 수 있다. 또는, 제1 인공 지능 모델 내지 제3 인공 지능 모델은 모두 이미지 분석을 위한 인공 지능 모델일 수 있다. 다만, 이에 한정되는 것은 아니며, 학습 데이터를 공유할 필요가 있는 경우라면, 서로 다른 인공 지능 모델에 의해 저장된 학습 데이터를 복수의 외부 전자 장치(200-1 내지 200-3)가 공유할 수 있음은 물론이다.
한편, 전자 장치(100)는 다양한 학습 데이터를 저장하고 있는 외부 서버를 이용하여 복수의 외부 전자 장치(200-1 내지 200-3)의 인공 지능 모델을 학습 시킬 수도 있음은 물론이다. 이 경우, 외부 서버의 학습 데이터를 모두 이용하여 인공 지능 모델을 학습 시키는 것은 큰 리소스가 필요하다는 단점이 있다. 따라서, 전자 장치(100)는 외부 서버가 저장하고 있는 방대한 학습 데이터 중, 외부 전자 장치(200-1 내지 200-3)에 포함된 학습 데이터와 유사한 학습 데이터를 선택하고, 선택된 학습 데이터를 바탕으로 인공 지능 모델을 학습 시킬 수 있다.
이하에서는, 복수의 외부 전자 장치(200-1 내지 200-3) 중 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)를 기준으로 본 개시의 다양한 실시예에 대하여 설명한다. 다만, 2개 이상의 외부 전자 장치에 대하여도 본 개시의 기술적 사상이 적용될 수 있음은 물론이다.
도 2는 본 개시의 일 실시예에 따른 전자 장치의 구성을 간략히 도시한 블록도이다.
전자 장치(100)는 메모리(110), 통신부(120) 및 프로세서(130)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(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(110), 프로세서(130) 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.
메모리(110)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)로부터 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)가 사용하는 인공 지능 모델, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)에 저장된 학습 데이터를 수신할 수 잇다. 나아가, 메모리(110)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보에 대한 정보를 수신하여 저장할 수 있다. 이때, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보란 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)에 포함된 음성 입력부와 관련된 특성 정보, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 음성 입력부를 통해 입력되는 노이즈와 관련된 특성 정보, 사용자 음성이 생성된 위치와 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2) 사이의 거리와 관련된 특성 정보 중 적어도 하나를 포함할 수 있다.
통신부(120)는 타 전자 장치와 통신을 수행하기 위한 구성이다. 한편, 통신부(120)가 타 전자 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.
구체적으로, 통신부(120)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)로부터 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)가 사용하는 인공 지능 모델, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)가 저장한 학습 데이터를 수신할 수 있다.
프로세서(130)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다.
구체적으로, 프로세서(130)는 제1 외부 전자 장치(200-1)로부터 수신된 복수의 학습 데이터 중 제2 외부 전자 장치(200-2)로부터 수신된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정하고, 결정된 제1 학습 데이터를 바탕으로 제2 외부 전자 장치(200-2)가 사용하는 인공 지능 모델을 학습 시킬 수 있다. 이 경우, 제1 외부 전자 장치(200-1)는 방대한 학습 데이터를 보유하고 있는 외부 서버이고, 제2 외부 전자 장치(200-2)는 사용자 단말일 수 있다.
한편, 프로세서(130)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)로부터 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)각각의 특성 정보를 수신할 수 있다. 전자 장치(100)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보를 바탕으로 제1 학습 데이터를 제2 인공 지능 모델을 학습 시키기 위한 제3 학습 데이터로 변환할 수 있다.
일 실시예로, 제2 인공 지능 모델이 음성 인식을 위한 인공 지능 모델인 경우, 학습 데이터는 사용자 음성에 대한 데이터일 수 있다. 이때, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)가 수신하는 사용자 음성은 각각의 외부 전자 장치의 특성 정보에 따라 상이할 수 있다. 예를 들어, 제1 외부 전자 장치(200-1)가 스마트폰과 같은 사용자 단말이고, 제2 외부 전자 장치(200-1)가 냉장고인 경우를 가정할 수 있다. 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)는 내장된 마이크의 종류, 마이크의 개수 등이 상이하며, 또한, 사용자 음성의 시작 지점으로부터 외부 전자 장치까지의 거리 또한 상이할 수 있다. 따라서, 제1 외부 전자 장치(200-1)가 수신하는 사용자 음성에 포함된 노이즈, 주파수 특성 등은 제2 외부 전자 장치(200-2)가 수신하는 사용자 음성에 포함된 노이즈, 주파수 특성과 상이할 수 있다. 따라서, 전자 장치(100)가 제2 인공 지능 모델을 사용하고자 하는 경우, 제1 학습 데이터를 제2 외부 전자 장치(200-2)의 특성에 맞게 변환할 필요가 있다. 따라서, 프로세서(130)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보를 바탕으로 제1 학습 데이터를 제2 인공 지능 모델을 학습 시키기 위한 제3 학습 데이터로 변환할 수 있다.
상술한 실시예에서는 인공 지능 모델이 음성 인식을 위한 경우에 대하여 설명하였으나, 다른 기능을 수행하는 인공 지능 모델의 경우에도 필요에 따라, 동일한 기술적 사상이 적용될 수 있음은 물론이다.
한편, 프로세서(130)는 제2 학습 데이터에 포함된 입력값 및 라벨값 중 적어도 하나를 제1 외부 전자 장치(200-1)로부터 수신된 복수의 학습 데이터 각각이 포함하는 입력값 및 라벨값과 비교하여 제1 학습 데이터를 획득할 수 있다. 구체적으로, 제1 외부 전자 장치(200-1)가 방대한 학습 데이터를 포함하는 외부 서버인 경우, 전자 장치(100)는 제1 외부 전자 장치(200-1)의 학습 데이터 중, 제2 인공 지능 모델을 학습시키기 위한 학습 데이터를 결정할 수 있다. 이 경우, 전자 장치(100)는 제2 학습 데이터의 입력값 및 라벨값과 유사한 학습 데이터를 제1 외부 전자 장치(200-1)의 복수의 학습 데이터로부터 결정할 수 있다.
일 실시예로, 제1 및 제2 인공 지능 모델이 음성 인식을 위한 인공 지능 모델인 경우, 제1 및 제2 학습 데이터는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보를 포함할 수 있다. 이때, 입력값은 음향 모델과 관련된 데이터일 수 있으며, 라벨값은 언어 모델과 관련된 데이터일 수 있으며, 사용자 정보는 사용자 식별 정보일 수 있다. 구체적으로 입력값은 사용자 음성의 파형 등의 데이터로, 억양, 어조 등의 데이터를 포함할 수 있으며, 라벨값은 사용자 음성을 텍스트로 변화한 텍스트 데이터 일 수 있다. 또한, 제2 학습 데이터의 입력값 및 라벨값과 유사한 학습 데이터를 제1 외부 전자 장치(200-1)의 복수의 학습 데이터로부터 결정하기 위하여, 전자 장치(100)는 입력값의 파형이 유사한지 여부를 판단하거나, 벡터 형식으로 표현된 라벨값의 분포가 기 설정된 거리 이내에 존재하는지 여부를 판단할 수 있다.
한편, 프로세서(130)는 제1 학습 데이터에 포함된 음성 데이터를 주파수 필터를 이용하여 변환할 수 있다. 구체적으로, 프로세서(130)는 제1 외부 전자 장치(200-1)의 특성 정보 및 제2 외부 전자 장치(200-2)의 특성 정보를 바탕으로 제2 외부 전자 장치(200-2)에 적합한 음성 데이터를 생성할 수 있는 주파수 필터를 획득하고, 획득된 필터를 이용하여 제3 학습 데이터를 획득할 수 있다.
한편, 프로세서(130)는 상술한 다양한 동작들을 기 설정된 시간 조건을 만족하는 경우 수행할 수 있다. 예를 들어, 프로세서(130)는 새벽 시간에 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)로부터 학습 데이터를 수신하여 제1 인공 지능 모델 및 제 2 인공 지능 모델을 학습 시킬 수 있다.
한편, 본 개시에 따른 또 다른 실시예에 따르면, 제1 인공 지능 모델 및 제2 인공 지능 모델은 자연어 이해를 위한 인공 지능 모델일 수 있다. 이 경우, 학습 데이터는 음성 인식 모델을 통해 획득된 음성 인식 결과에 포함된 사용자 음성의 의도 및 슬롯에 대한 정보일 수 있다.
도 3은 본 개시의 일 실시예에 따른 전자 장치의 구성을 상세히 도시한 블록도이다.
도 3에 도시된 바와 같이, 전자 장치(100)는 메모리(110), 통신부(120) 및 프로세서(130)외에 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.
입력부(140)는 사용자 명령을 입력받기 위한 구성이다. 이때, 입력부(140)는 카메라(141), 마이크(142) 및 터치 패널(143)등을 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. 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.
상술한 다양한 입력부(140)의 구성들은 다양한 형태로 이용될 수 있다. 예를 들어, 제1 외부 전자 장치(100)는 음성 인식 모델을 포함하고 있지만, 제2 외부 전자 장치(200-2)는 음성 인식을 포함하지 않고, 제2 외부 전자 장치(200-2)가 음성 인식에 대한 결과를 필요로 하는 경우, 전자 장치(100)는 마이크(142)를 통해 입력된 사용자 음성을 제1 외부 전자 장치(200-1)로부터 수신한 제1 인공 지능 모델에 입력하여 결과값을 출력하고, 제2 외부 전자 장치(200-2)로 전송할 수 있다. 즉, 전자 장치(100)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)간에 학습 데이터를 공유할 수 있을 뿐만 아니라, 각각의 외부 전자 장치에 포함되지 않은 인공 지능 모델의 입력값에 대한 결과값을 대신 획득하여 전송해 줄 수 있다.
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.
구체적으로, 디스플레이(150)는 외부 전자 장치간의 학습 데이터를 공유하기 위한 다양한 설정 정보들을 표시할 수 있다. 즉, 외부 전자 장치간의 학습 데이터의 공유는 자동적으로 수행될 수도 있으나, 사용자 명령에 의해 수행될 수도 있으며, 디스플레이(150)는 사용자 명령을 입력 받거나 사용자 명령을 문의하기 위한 다양한 정보를 출력할 수 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 요소이다. 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(130)는 상술한 바와 같이, 전자 장치(100)의 전반적인 동작을 제어한다. 프로세서(130)는 RAM(131), ROM(132), 메인 CPU(133), 그래픽 처리부(134), 제1 내지 n 인터페이스(135-1 내지 135-n), 버스(136)를 포함할 수 있다. 이때, RAM(131), ROM(132), 메인 CPU(133), 그래픽 처리부(134) 및 제1 내지 n 인터페이스(135-1 내지 135-n) 등은 버스(136)를 통해 서로 연결될 수 있다.
ROM(132)에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU(133)는 ROM(132)에 저장된 명령어에 따라 메모리에 저장된 O/S를 RAM(131)에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU(133)는 메모리에 저장된 각종 어플리케이션 프로그램을 RAM(131)에 복사하고, RAM(131)에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.
구체적으로, 메인 CPU(133)는 메모리(110)에 액세스하여, 메모리(110) 에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고 메인 CPU(133)는 메모리(110) 에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
제1 내지 n 인터페이스(135-1 내지 135-n) 는 상술한 각종 구성 요소들과 연결된다. 인터페이스들 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.
이하에서는 도 4 내지 도 8을 이용하여 본 개시에 따른 다양한 실시예를 설명한다.
도 4 및 도 5는 본 개시의 일 실시예에 따른 데이터 공유 방법을 설명하기 위한 예시도이다.
구체적으로 도 4의 제1 외부 전자 장치(200-1)는 다양하고 방대한 학습 데이터가 저장된 외부 서버인 경우 제2 인공 지능 모델을 학습시키는데 필요한 학습 데이터를 선택하는 방법을 설명하기 위한 예시도이고, 도 5의 제1 외부 전자 장치(200-1)는 개인화된 학습 데이터가 저장된 개인 단말인 경우, 제2 인공 지능 모델을 학습시키는데 필요한 학습 데이터를 선택하는 방법을 설명하기 위한 예시도이다.
도 4에 도시된 바와 같이, 제1 외부 전자 장치(200-1)는 제1 인공 지능 모델 및 제1 데이터 베이스를 포함하고, 제2 외부 전자 장치(200-2)는 제2 인공 지능 모델 및 제2 데이터 베이스를 포함할 수 있다. 이때, 제1 데이터 베이스 및 제2 데이터 베이스는 복수의 학습 데이터를 저장하고 있을 수 있다.
먼저 선택 모듈은 제2 데이터 베이스의 복수의 학습 데이터 중 입력값 및 라벨값 을 포함하는 제2 학습 데이터(입력값 D2 Input 및 라벨값 D2 Label을 포함)와 유사한 제1 학습 데이터를 제1 데이터 베이스의 복수의 학습 데이터 중에서 획득할 수 있다. 구체적으로, 도 4에 도시된 바와 같이, 선택 모듈은 제2 학습 데이터의 입력값 D2 Input 및 라벨값 D2 Label 중 적어도 하나와, 제1 데이터 베이스의 복수의 학습 데이터 각각의 입력값과 라벨값 중 적어도 하나를 비교하여 유사한 데이터를 선택할 수 있다.
선택 모듈은 제2 학습 데이터와 유사한 입력값 D1 Input 및 라벨값 D1 Label을 포함하는 제1 학습 데이터를 입력값으로 하여 제2 인공 지능 모델을 학습 시킬 수 있다.
상술한 방법과 같이, 전자 장치(100)는 제2 데이터 베이스의 복수의 학습 데이터 각각과 유사한 학습 데이터를 제1 데이터 베이스로부터 획득하여 제2 인공 지능 모델을 학습시킬 수 있다.
또 다른 실시예로, 도 5에 개시된 바와 같이, 전자 장치(100)는 제1 데이터 베이스의 복수의 학습 데이터 전부를 제2 인공 지능 모델을 학습시키기 위한 학습 데이터로 사용할 수 있다. 즉, 도 4의 경우와 달리, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)에 저장된 학습 데이터가 모두 사용자로부터 수신된 학습 데이터인 경우, 전자 장치(100)는 제1 데이터 베이스의 복수의 학습 데이터 전부를 이용하여 제2 인공 지능 모델을 학습 시킬 수 있다.
도 6은 본 개시의 일 실시예에 따른 학습 데이터를 변환하는 방법을 설명하기 위한 예시도이다.
먼저 선택 모듈은 제2 데이터 베이스의 복수의 학습 데이터 중 입력값 및 라벨값 을 포함하는 제2 학습 데이터(입력값 D2 Input 및 라벨값 D2 Label을 포함)와 유사한 제1 학습 데이터를 제1 데이터 베이스의 복수의 학습 데이터 중에서 획득할 수 있다. 구체적으로, 도 4에 서 설명한 바와 같이, 선택 모듈은 제2 학습 데이터의 입력값 D2 Input 및 라벨값 D2 Label 중 적어도 하나와, 제1 데이터 베이스의 복수의 학습 데이터 각각의 입력값과 라벨값 중 적어도 하나를 비교하여 유사한 데이터를 선택할 수 있다.
선택 모듈은 제2 학습 데이터와 유사한 입력값 D1 Input 및 라벨값 D1 Label을 포함하는 제1 학습 데이터를 획득하고, 변환 모듈은 입력값 D1 Input, 입력값 D2 Input 및 라벨값 D1을 바탕으로, 제3 학습 데이터(입력값 D1' Input 및 D1Label)을 획득할 수 있다. 즉, 제3 학습 데이터는 제1 학습 데이터를 변환하여 제2 외부 전자 장치(200-2)에 적합한 학습 데이터를 획득할 수 있다.
학습 데이터 변환을 위한 일 실시예로, 제1 학습 데이터 및 제2 학습 데이터가 음성 인식을 위한 인공 지능 모델을 학습시키기 위한 데이터인 경우, D1 Input 및 D2 Input은 각각의 외부 전자 장치가 수신한 사용자 음성과 관련된 데이터일 수 있다.
구체적으로, 전자 장치(100)는 제1 외부 전자 장치 주변의 노이즈에 대한 데이터를 제2 학습 데이터(구체적으로 D2 Input)에 부가하여 제3 학습 데이터(구체적으로, D1' input)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 제1 외부 전자 장치(200-1)의 사용 환경에 따른 제1 외부 전자 장치(200-1)의 주변 노이즈에 대한 데이터를 획득하고, 획득된 제1 외부 전자 장치(200-1)의 주변 노이즈에 대한 데이터와 D2 Input을 시간 영역 상에서 더해줄 수 있다. 또 다른 예로, 전자 장치(100)는 제1 외부 전자 장치(200-1)의 주변 노이즈 환경에 대한 주파수 필터를 이용하여 D2 Input을 주파수 영역에서 필터링할 수 있다. 또 다른 예로, 전자 장치(100)는 Voice Activity Detection(VAD)을 이용하여 D1 Input에 포함된 비 음성 구간에 대한 데이터를 획득하고, 비음성 구간에 대한 데이터와 D2 Input을 시간 영역에서 더할 수 있다. 이때, VAD란 입력된 사용자 발화 중, 사용자 음성이 포함된 부분과 사용자 음성이 포함되지 않는 부분(묵음 부분 또는 비 음성 부분)을 구별하는 기술로, 전자 장치(100)는 비음성 부분을 이용하여 제1 외부 전자 장치(200-1)에 포함된 노이즈 환경 정보를 이용하여 제3 학습 데이터를 획득할 수 있다.
또 다른 실시예로, 전자 장치(100)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보를 바탕으로 제3 학습 데이터를 획득할 수 있다.
구체적으로, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보가 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)에 대한 스펙 정보인 경우, 전자 장치(100)는 제1 외부 전자 장치(200-1)의 스펙 정보와 제2 외부 전자 장치(200-2)의 스펙 정보의 차이를 고려하여 제3 학습 데이터를 획득할 수 있다.
또는, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보가 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)를 통해 입력되는 노이즈와 관련된 특성 정보인 경우, 전자 장치(100)는 제1 외부 전자 장치(200-1)에 입력되는 노이즈 및 제2 외부 전자 장치(200-2)에 입력되는 노이즈의 차이를 이용하여 제3 학습 데이터를 획득할 수 있다.
또는, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보가 제1 외부 전자 장치(200-1)의 위치와 사용자 음성이 생성된 위치와의 거리 정보 및 제2 외부 전자 장치(200-2)의 위치와 사용자 음성이 생성된 위치와의 거리 정보인 경우, 전자 장치(100)는 제1 외부 전자 장치(200-1)의 위치와 사용자 음성이 생성된 위치와의 거리 정보 및 제2 외부 전자 장치(200-2)의 위치와 사용자 음성이 생성된 위치와의 거리 정보를 바탕으로 제3 학습 데이터를 획득할 수 있다. 예를 들어, 제1 외부 전자 장치(200-1)는 근거리에서 사용자 음성이 입력되고, 제2 외부 전자 장치(200-2)는 원거리에서 사용자 음성이 입력되는 경우를 가정할 수 있다. 일반적으로 사용자 음성이 원거리에서 입력된 경우, 장치가 수신하는 오디오 신호는 저주파수 부분이 강조되고, 사용자 음성이 근거리에서 입력된 경우, 장치가 수신하는 오디오 신호는 고주파수 부분이 강조되는 특징이 존재한다. 따라서, 제1 외부 전자 장치(200-1)가 수신한 사용자 음성에 대응되는 오디오 신호를 제2 외부 전자 장치(200-2)에 적합한 오디오 신호로 변환하기 위해서는, 외부 전자 장치(200-1)가 수신한 사용자 음성에 대응되는 오디오 신호의 고주파수 영역을 감소시키고, 저주파수 부분을 증가시키는 등의 신호 처리가 필요하다. 따라서, 전자 장치(100)는 상술한 사항을 고려하여, 제1 외부 전자 장치(200-1)의 위치와 사용자 음성이 생성된 위치와의 거리 정보 및 제2 외부 전자 장치(200-2)의 위치와 사용자 음성이 생성된 위치와의 거리 정보를 고려하여 제3 학습 데이터를 변환할 수 있다. 상술한 바와 같이, 제1 학습 데이터를 제3 학습 데이터로 변환하기 위하여, 전자 장치(100)는 주파수 필터를 이용할 수 있다.
한편, 전자 장치(100)는 도 5에서 설명한 바와 같이, 제1 데이터 베이스의 복수의 학습 데이터 모두를 제2 외부 전자 장치(200-2)의 특성 정보에 맞게 변환할 수 있다. 즉, 도 6의 실시예는 제2 학습 데이터와 유사한 데이터를 획득하고, 획득된 학습 데이터를 변형하는 실시예에 대하여 설명하였으나, 이에 한정되는 것은 아니고, 제2 학습 데이터와 유사한 학습 데이터를 획득하는 과정 없이, 전자 장치(100)는 제1 데이터 베이스의 모든 학습 데이터를 변환할 수 있음은 물론이다.
도 7은 본 개시의 또 다른 실시예에 따른 학습 데이터 획득 방법을 설명하기 위한 예시도이다.
도 7의 경우, 제1 외부 전자 장치(200-1)은 오랜 시간 동안 사용자에 대한 학습 데이터를 수신하고, 학습된 전자 장치로, 다수의 사용자와 관련된 학습 데이터 및 많은 학습이 수행된 인공 지능 모델을 포함할 수 있으며, 제2 외부 전자 장치(200-2)는, 예를 들어, 사용자가 새로 구매한 전자 장치로, 사용자에 대한 학습 데이터의 양이 적고, 개인화 되지 않은 인공 지능 모델을 포함할 수 있다.
이 경우, 도 7에 도시된 바와 같이, 전자 장치(100)는 제2 외부 전자 장치(200-2)로부터 수신한 D2 Input을 제1 인공 지능 모델에 입력값으로 입력하여 결과값을 출력할 수 있다. 이때, 제1 인공 지능 모델에 D2 Input이 입력되면, 전자 장치(100)는 D2 Input에 대한 라벨값 D1 Label 및 D1 Label이 D2 Input에 대한 라벨값인지에 대한 확률값 Prob를 출력할 수 있다. 선택 모듈은 확률값 Prob가 기 설정된 값 이상인 경우, D2 Input 및 D1 Label을 포함하는 제4 학습 데이터를 바탕으로 제2 인공 지능 모델을 학습시킬 수 있다.
즉, 제2 외부 전자 장치(200-2)가 새로 구매한 전자 장치이거나, 내부 정보가 초기화된 전자 장치 등인 경우, 입력된 데이터에 대한 출력 값 및 Label값이 정확하지 않으므로, 전자 장치(100)는 많은 학습이 진행된 제1 인공 지능 모델을 이용하여 제2 학습 데이터의 입력값(D2 Input)에 대한 제4 학습 데이터를 획득할 수 있다.
도 8은 본 개시의 또 다른 실시예에 따른 학습 데이터 공유 방법을 설명하기 위한 예시도이다.
예를 들어, 제1 인공 지능 모델 및 제2 인공 지능 모델이 자연어 이해를 위한 인공 지능 모델인 경우, 전자 장치(100)는 유사한 특징을 가지는 제1 학습 데이터를 이용하여 제2 인공 지능 모델을 학습 시키고, 제2 학습 데이터를 이용하여 제1 인공 지능 모델을 학습 시킬 수 있다.
구체적으로, 전자 장치(100)는 제1 학습 데이터를 획득하고, 제1 학습 데이터와 동일하거나 유사한 Label을 가지는 제2 학습 데이터를 제2 데이터 베이스의 복수의 학습 데이터로부터 획득할 수 있다. 또는, 전자 장치(100)는 제2 학습 데이터를 획득하고, 제2 학습 데이터와 동일하거나 유사한 Label을 가지는 제1 학습 데이터를 제1 데이터 베이스의 복수의 학습 데이터로부터 획득할 수 있음은 물론이다. 이때, 언어 이해를 위한 인공 지능 모델에서의 Label은 음성 인식 결과에 대한 사용자 음성의 의도(intent) 및 엔티티(entity)와 관련된 Label일 수 있다.
한편, 상술한 다양한 실시예들은, 전자 장치(100)가 복수의 외부 전자 장치로부터 복수의 외부 전자 장치 각각의 인공 지능 모델 및 학습 데이터를 수신하여 다른 외부 전자 장치에 적합한 학습 데이터를 획득하는 실시예를 중심으로 설명하였다. 그러나 상술한 실시예에 한정되는 것은 아니며, 상술한 전자 장치(100)의 기능 및 동작은 복수의 외부 전자 장치 각각에서 사용될 수 있음은 물론이다.
구체적으로, 도 9에 도시된 바와 같이, 상술한 전자 장치(100)의 기능 및 동작을 제1 외부 전자 장치(200-1) 또는 제2 외부 전자 장치(200-2)가 수행할 수 있다.
예를 들어, 제2 외부 전자 장치(200-2)는 제1 외부 전자 장치(200-1)에 저장된 복수의 학습 데이터를 수신하고, 수신된 학습 데이터를 제2 외부 전자 장치(200-2)의 인공 지능 모델에 적합한 학습 데이터로 변환할 수 있다.
구체적으로, 제2 외부 전자 장치(200-1)는 제1 외부 전자 장치(200-1)에 저장된 복수의 학습 데이터를 수신하고, 제1 외부 전자 장치(200-1)로부터 수신한 복수의 학습 데이터 제2 외부 전자 장치(200-2)에 저장된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정할 수 있다.
구체적으로, 제2 외부 전자 장치(200-2)는 제2 학습 데이터에 포함된 입력값 및 라벨값 중 적어도 하나를 제1 외부 전자 장치(200-1)로부터 수신한 복수의 학습 데이터 각각이 포함하는 입력값 및 라벨값과 비교하여 제1 학습 데이터를 결정할 수 있다.
제2 외부 전자 장치(200-2)는, 결정된 제1 학습 데이터를 바탕으로, 제2 외부 전자 장치(200-2)가 사용하는 제2인공 지능 모델을 학습시킬 수 있다.
구체적으로, 제2 외부 전자 장치(200-2)는 제1 외부 전자 장치(200-1)의 특성 정보를 수신하고, 수신된 특성 정보를 바탕으로 제1 학습 데이터를 제3 학습 데이터로 변환할 수 있다. 특성 정보의 종류 및 변환 방법은 상술한 다양한 실시예와 동일한 방법이 적용될 수 있음은 물론이다. 즉, 특성 정보는, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)에 포함된 음성 입력부와 관련된 특성 정보, 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 음성 입력부를 통해 입력되는 노이즈와 관련된 특성 정보, 사용자 음성이 생성된 위치와 제1 외부 전자 장치(200-1)과의 거리 및 사용자 음성이 생성된 위치와 제2 외부 전자 장치(200-2)과의 거리와 관련된 특성 정보 중 적어도 하나를 포함할 수 있다.
도 10은 본 개시의 일 실시예에 따른, 인공 지능 모델을 이용하는 전자 장치의 동작을 설명하기 위한 예시도이다.
프로세서(130)는 데이터 학습부(1010) 및 데이터 인식부(1020)를 포함할 수 있다. 데이터 학습부(1010)는 데이터 인식 모델이 특정 목적에 따른 기준을 갖도록 학습시킬 수 있다. 이때, 특정 목적이란 음성 인식, 번역, 영상 인식, 상황 인식 등과 관련된 목적을 포함할 수 있다. 또는, 특정 목적이란, 데이터 분류, 군집화, 클러스터링 등과 관련된 목적을 포함할 수 있다. 데이터 학습부(1010)는 상술한 목적에 따른 동작을 결정하기 위하여 학습 데이터를 데이터 인식 모델에 적용하여, 판단 기준을 갖는 데이터 인식 모델을 생성할 수 있다. 데이터 인식부(1020)는 입력 데이터에 기초하여 특정 목적에 대한 상황을 판단할 수 있다. 데이터 인식부(1020)는 학습된 데이터 인식 모델을 이용하여, 소정의 입력 데이터로부터 상황을 판단할 수 있다. 데이터 인식부(1020)는 기 설정된 기준에 따라 소정의 입력 데이터를 획득하고, 획득된 입력 데이터를 입력 값으로 하여 데이터 인식 모델에 적용함으로써, 소정의 입력 데이터에 기초한 소정의 상황을 판단할 수 있다(또는, 추정(estimate)할 수 있다). 또한, 획득된 입력 데이터를 입력 값으로 데이터 인식 모델에 적용하여 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
한편, 데이터 학습부(1010)의 적어도 일부 및 데이터 인식부(1020)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1010) 및 데이터 인식부(1020) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다. 이 때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 데이터 학습부(1010) 및 데이터 인식부(1020)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 어플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.
이 경우, 데이터 학습부(1010) 및 데이터 인식부(1020)는 하나의 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 전자 장치(100)는 인공 지능 모델을 학습시키기 위한 데이터 학습부(1010) 만을 포함하고, 외부 전자 장치는 데이터 인식부(1020)만을 포함할 수 있다. 또는, 전자 장치(100)는 데이터 학습부(1010) 및 데이터 인식부(1020)을 모두 포함하고, 외부 전자 장치는 데이터 인식부(1020)만을 포함할 수 있다. 이때, 데이터 학습부(1010) 및 데이터 인식부(1020)는 유선 또는 무선으로 통하여, 데이터 학습부(1010)가 구축한 모델 정보를 데이터 인식부(1020)로 제공할 수도 있고, 데이터 인식부(1020)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1010)로 제공될 수도 있다. 또 다른 예로, 데이터 학습부(1010) 및 데이터 인식부(1020)는 외부의 서버(200)의 구성요소일 수 있다. 이 경우, 전자 장치(100)가 외부의 서버(200)로 학습 데이터 또는 입력 데이터를 전송하면, 외부의 서버(200)는 전자 장치(100)로부터 수신한 학습 데이터 또는 입력 데이터에 대한 결과값을 전자 장치(100)로 전송할 수 있다.
한편, 데이터 학습부(1010)는 데이터 획득부, 전처리부, 학습 데이터 선택부, 모델 학습부 및 모델 평가부를 더 포함할 수 있다. 데이터 획득부는 특정 목적에 따른 학습 데이터를 획득하기 위한 구성이다. 전처리부는 획득부에서 획득된 데이터를 기 정의된 포맷으로 전처리하기 위한 구성이다.
학습 데이터 선택부는, 학습 데이터 획득부에서 획득된 데이터 또는 학습 데이터 전처리부에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부에 제공될 수 있다. 학습 데이터 선택부는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부는 모델 학습부에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
모델 학습부는 학습 데이터를 이용하여 데이터 인식 모델을 학습시키기 위한 구성이다. 구체적으로, 모델 학습부는, 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다. 모델 평가부는 데이터 인식 모델의 결과를 향상 시키기 위한 구성이다.
전술한, 데이터 획득부, 전처리부, 학습 데이터 선택부, 모델 학습부 및 모델 평가부 중 적어도 하나는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부, 전처리부, 학습 데이터 선택부, 모델 학습부 및 모델 평가부 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 인식부(1020)는 데이터 획득부, 전처리부, 입력 데이터 선택부, 인식 결과 제공부 및 모델 갱신부를 더 포함할 수 있다. 데이터 획득부는 입력 데이터를 획득하기 위한 구성이다. 전처리부는 획득부에서 획득된 데이터를 기 정의된 포맷으로 전처리하기 위한 구성이다. 입력 데이터 선택부는 전처리된 데이터 중 인식에 필요한 데이터를 선별하기 위한 구성이다. 인식 결과 제공부는 입력 데이터로부터 선택된 데이터를 수신할 수 있는 구성이다. 모델 갱신부는 인식 결과 제공부로부터 제공된 인식 결과에 대한 평가에 기초하여 데이터 인식 모델을 갱신하기 위한 구성이다. 전술한, 데이터 획득부, 전처리부, 입력 데이터 선택부, 인식 결과 제공부 및 모델 갱신부 중 적어도 하나는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부, 전처리부, 학습 데이터 선택부, 모델 학습부 및 모델 평가부 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 인식 모델은 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 데이터 인식 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있다. 데이터 인식 모델은 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 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 데이터 인식 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.
예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
도 11은 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 제1 외부 전자 장치 및 제2 외부 전자 장치로부터 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2) 각각이 사용하는 인공 지능 모델 및 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2) 각각에 저장된 복수의 학습 데이터를 수신할 수 있다(S1110). 나아가, 전자 장치(100)는 제1 외부 전자 장치(200-1) 및 제2 외부 전자 장치(200-2)의 특성 정보를 수신하여 저장할 수 있음은 물론이다.
전자 장치(100)는 제1 외부 전자 장치(200-1)로부터 수신된 복수의 학습 데이터 중 제2 외부 전자 장치(200-2)로부터 수신된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정할 수 있다(S1120). 구체적으로, 전자 장치(100)는 제1 학습 데이터의 입력값 및 라벨값과 제2 학습 데이터의 입력값과 라벨값을 비교하여 제1 학습 데이터를 결정할 수 있다.
전자 장치(100)는 획득된 제1 학습 데이터를 바탕으로, 제2 외부 전자 장치(200-2)가 사용하는 인공 지능 모델을 학습시킬 수 있다(S1130). 이때, 전자 장치(100)는 제1 학습 데이터를 제2 외부 전자 장치(200-2)에 적합한 형태로 학습 데이터를 변환한 제3 학습 데이터를 바탕으로 제2 인공 지능 모델을 학습 시킬 수 있음은 물론이다.
전자 장치(100)는 학습된 인공 지능 모델을 제2 외부 전자 장치(200-2)로 전송할 수 있다(S1140). 상술한 과정을 통해 제2 외부 전자 장치(200-2)는 개인화된 다양한 학습 데이터를 바탕으로 학습된 제2 인공 지능 모델을 바탕으로 개인화된 결과를 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: 통신부 130: 프로세서

Claims (20)

  1. 전자 장치의 제어 방법에 있어서,
    제1 외부 전자 장치 및 제2 외부 전자 장치로부터 상기 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델 및 상기 제1 및 제2 외부 전자 장치 각각에 저장된 복수의 학습 데이터를 수신하는 단계;
    상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 중 상기 제2 외부 전자 장치로부터 수신된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정하는 단계;
    상기 결정된 제1 학습 데이터를 바탕으로, 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시키는 단계; 및
    상기 학습된 인공 지능 모델을 상기 제2 외부 전자 장치로 전송하는 단계;를 포함하는 제어 방법.
  2. 제1항에 있어서,
    상기 제어 방법은,
    상기 제1 및 제2 외부 전자 장치 각각의 특성 정보를 수신하는 단계; 및
    상기 제1 외부 전자 장치의 특성 정보 및 상기 제2 외부 전자 장치의 특성 정보를 바탕으로 상기 제1 학습 데이터를 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시키기 위한 제3 학습 데이터로 변환하는 단계;를 더 포함하며,
    상기 학습시키는 단계는,
    상기 제3 학습 데이터를 바탕으로, 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시키는 것을 특징으로 하는 제어 방법.
  3. 제1항에 있어서,
    상기 결정하는 단계는,
    상기 제2 학습 데이터에 포함된 입력값 및 라벨값 중 적어도 하나를 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 입력값 및 라벨값과 비교하여 상기 제1 학습 데이터를 결정하는 것을 특징으로 하는 제어 방법.
  4. 제2항에 있어서,
    상기 인공 지능 모델은 음성 인식을 위한 인공 지능 모델이고,
    상기 학습 데이터는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보를 포함하는 것을 특징으로 하는 제어 방법.
  5. 제4항에 있어서,
    상기 결정하는 단계는,
    상기 제2 학습 데이터에 포함된 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보 중 적어도 하나를 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보 중 적어도 하나와 비교하여 상기 제1 학습 데이터를 결정하는 것을 특징으로 하는 제어 방법.
  6. 제4항에 있어서,
    상기 특성 정보는, 상기 제1 및 제2 외부 전자 장치에 포함된 음성 입력부와 관련된 특성 정보, 상기 제1 및 제2 외부 전자 장치의 음성 입력부를 통해 입력되는 노이즈와 관련된 특성 정보, 사용자 음성이 생성된 위치와 상기 제1 및 제2 외부 전자 장치 사이의 거리와 관련된 특성 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 제어 방법.
  7. 제4항에 있어서,
    상기 변환하는 단계는,
    상기 제1 학습 데이터에 포함된 음성 데이터를 주파수 필터를 이용하여 변환하는 것을 특징으로 하는 제어 방법.
  8. 제1항에 있어서,
    상기 수신하는 단계는,
    기 설정된 시간 조건에 따라, 상기 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델, 상기 제1 및 제2 외부 전자 장치 각각으로부터 수신된 복수의 학습 데이터 및 상기 제1 및 제2 외부 전자 장치 각각의 특성 정보를 수신하는 것을 특징으로 하는 제어 방법.
  9. 전자 장치에 있어서,
    메모리;
    통신부; 및
    제1 외부 전자 장치 및 제2 외부 전자 장치로부터 상기 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델 및 상기 제1 및 제2 외부 전자 장치 각각에 저장된 복수의 학습 데이터를 상기 통신부를 통해 수신하는 프로세서; 를 포함하고,
    상기 프로세서는,상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 중 상기 제2 외부 전자 장치로부터 수신된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정하고, 상기 결정된 제1 학습 데이터를 바탕으로, 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시키고, 상기 통신부를 통해 상기 학습된 인공 지능 모델을 상기 제2 외부 전자 장치로 전송하는 것을 특징으로 하는 전자 장치.
  10. 제10항에 있어서,
    상기 프로세서는,
    상기 통신부를 통해 상기 제1 및 제2 외부 전자 장치 각각의 특성 정보를 수신하고,
    상기 제1 외부 전자 장치의 특성 정보 및 상기 제2 외부 전자 장치의 특성 정보를 바탕으로 상기 제1 학습 데이터를 상기 제2 외부 전자 장치가 사용하는 인공지능 모델을 학습시키기 위한 제3 학습 데이터를 변환하고,
    상기 제3 학습 데이터를 바탕으로, 상기 제2 외부 전자 장치가 사용하는 인공 지능 모델을 학습시키는 전자 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 제2 학습 데이터에 포함된 입력값 및 라벨값 중 적어도 하나를 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 입력값 및 라벨값과 비교하여 상기 제1 학습 데이터를 결정하는 전자 장치
  12. 제10항에 있어서,
    상기 인공 지능 모델은 음성 인식을 위한 인공 지능 모델이고,
    상기 학습 데이터는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보를 포함하는 전자 장치.
  13. 제12항에 있어서,
    상기 프로세서는,
    상기 제2 학습 데이터에 포함된 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보 중 적어도 하나를 상기 제1 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 음성 데이터, 음성 데이터의 라벨 값, 음성 데이터에 대응되는 사용자 정보 중 적어도 하나와 비교하여 상기 제1 학습 데이터를 결정하는 전자 장치.
  14. 제12항에 있어서,
    상기 특성 정보는, 상기 제1 및 제2 외부 전자 장치에 포함된 음성 입력부와 관련된 특성 정보, 상기 제1 및 제2 외부 전자 장치의 음성 입력부를 통해 입력되는 노이즈와 관련된 특성 정보, 사용자 음성이 생성된 위치와 상기 제1 및 제2 외부 전자 장치 사이의 거리와 관련된 특성 정보 중 적어도 하나를 포함하는 전자 장치.
  15. 제12항에 있어서,
    상기 프로세서는,
    상기 제1 학습 데이터에 포함된 음성 데이터를 주파수 필터를 이용하여 변환하는 전자 장치.
  16. 제10항에 있어서,
    상기 프로세서는,
    상기 통신부를 통해 기 설정된 시간 조건에 따라, 상기 제1 및 제2 외부 전자 장치 각각이 사용하는 인공 지능 모델, 상기 제1 및 제2 외부 전자 장치 각각으로부터 수신된 복수의 학습 데이터 및 상기 제1 및 제2 외부 전자 장치 각각의 특성 정보를 수신하는 전자 장치.
  17. 전자 장치에 있어서,
    메모리;
    통신부; 및
    외부 전자 장치로부터 상기 외부 전자 장치 각각에 저장된 복수의 학습 데이터를 상기 통신부를 통해 수신하는 프로세서; 를 포함하고,
    상기 프로세서는, 상기 외부 전자 장치로부터 수신한 복수의 학습 데이터 중 상기 전자 장치에 저장된 제2 학습 데이터에 대응되는 제1 학습 데이터를 결정하고, 상기 결정된 제1 학습 데이터를 바탕으로, 상기 전자 장치가 사용하는 인공 지능 모델을 학습시키는 것을 특징으로 하는 전자 장치.
  18. 제17항에 있어서,
    상기 프로세서는,
    상기 통신부를 통해 상기 외부 전자 장치의 특성 정보를 수신하고,
    상기 외부 전자 장치의 특성 정보 및 상기 전자 장치의 특성 정보를 바탕으로 상기 제1 학습 데이터를 상기 전자 장치가 사용하는 인공지능 모델을 학습시키기 위한 제3 학습 데이터를 변환하고,
    상기 제3 학습 데이터를 바탕으로, 상기 전자 장치가 사용하는 인공 지능 모델을 학습시키는 전자 장치.
  19. 제17항에 있어서,
    상기 프로세서는,
    상기 제2 학습 데이터에 포함된 입력값 및 라벨값 중 적어도 하나를 상기 외부 전자 장치로부터 수신된 복수의 학습 데이터 각각이 포함하는 입력값 및 라벨값과 비교하여 상기 제1 학습 데이터를 결정하는 전자 장치.
  20. 제18항에 있어서,
    상기 전자 장치 및 상기 외부 전자 장치의 특성 정보는, 상기 전자 장치 및 상기 외부 전자 장치에 포함된 음성 입력부와 관련된 특성 정보, 상기 전자 장치 및 상기 외부 전자 장치의 음성 입력부를 통해 입력되는 노이즈와 관련된 특성 정보, 사용자 음성이 생성된 위치와 상기 전자 장치 및 상기 외부 전자 장치 사이의 거리와 관련된 특성 정보 중 적어도 하나를 포함하는 전자 장치.
KR1020180119054A 2018-10-05 2018-10-05 전자 장치 및 그의 제어 방법 KR20200044173A (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020180119054A KR20200044173A (ko) 2018-10-05 2018-10-05 전자 장치 및 그의 제어 방법
CN201980065502.3A CN112789628A (zh) 2018-10-05 2019-10-04 电子装置及其控制方法
EP19869924.1A EP3785180A4 (en) 2018-10-05 2019-10-04 ELECTRONIC DEVICE AND ITS CONTROL PROCESS
US16/593,589 US11586977B2 (en) 2018-10-05 2019-10-04 Electronic apparatus and control method thereof
PCT/KR2019/013040 WO2020071854A1 (en) 2018-10-05 2019-10-04 Electronic apparatus and control method thereof
US18/162,218 US11880754B2 (en) 2018-10-05 2023-01-31 Electronic apparatus and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180119054A KR20200044173A (ko) 2018-10-05 2018-10-05 전자 장치 및 그의 제어 방법

Publications (1)

Publication Number Publication Date
KR20200044173A true KR20200044173A (ko) 2020-04-29

Family

ID=70051764

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180119054A KR20200044173A (ko) 2018-10-05 2018-10-05 전자 장치 및 그의 제어 방법

Country Status (5)

Country Link
US (2) US11586977B2 (ko)
EP (1) EP3785180A4 (ko)
KR (1) KR20200044173A (ko)
CN (1) CN112789628A (ko)
WO (1) WO2020071854A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220077311A (ko) * 2020-12-01 2022-06-09 가천대학교 산학협력단 인공지능 모델 훈련 데이터셋의 관리방법
WO2022182135A1 (ko) * 2021-02-25 2022-09-01 삼성전자 주식회사 전자 장치 및 그 동작 방법
US11929079B2 (en) 2020-10-27 2024-03-12 Samsung Electronics Co., Ltd Electronic device for managing user model and operating method thereof
WO2024063508A1 (ko) * 2022-09-19 2024-03-28 삼성전자 주식회사 전자 장치 및 복수의 장치들의 동작 상태를 제공하는 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6852141B2 (ja) * 2018-11-29 2021-03-31 キヤノン株式会社 情報処理装置、撮像装置、情報処理装置の制御方法、および、プログラム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4000828B2 (ja) 2001-11-06 2007-10-31 株式会社デンソー 情報システム、電子機器、プログラム
US7533019B1 (en) 2003-12-23 2009-05-12 At&T Intellectual Property Ii, L.P. System and method for unsupervised and active learning for automatic speech recognition
KR101065188B1 (ko) 2009-07-24 2011-09-19 고려대학교 산학협력단 진화 학습에 의한 화자 적응 장치 및 방법과 이를 이용한 음성인식 시스템
US8843371B2 (en) 2012-05-31 2014-09-23 Elwha Llc Speech recognition adaptation systems based on adaptation data
US8996372B1 (en) * 2012-10-30 2015-03-31 Amazon Technologies, Inc. Using adaptation data with cloud-based speech recognition
US9514740B2 (en) 2013-03-13 2016-12-06 Nuance Communications, Inc. Data shredding for speech recognition language model training under data retention restrictions
WO2015088480A1 (en) 2013-12-09 2015-06-18 Intel Corporation Device-based personal speech recognition training
US9413779B2 (en) * 2014-01-06 2016-08-09 Cisco Technology, Inc. Learning model selection in a distributed network
US9293134B1 (en) 2014-09-30 2016-03-22 Amazon Technologies, Inc. Source-specific speech interactions
AU2015336942B2 (en) 2014-10-24 2018-02-01 Commonwealth Scientific And Industrial Research Organisation Learning with transformed data
US20160267380A1 (en) * 2015-03-13 2016-09-15 Nuance Communications, Inc. Method and System for Training a Neural Network
JP5816771B1 (ja) 2015-06-08 2015-11-18 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習装置ユニット
KR102061935B1 (ko) 2017-02-21 2020-01-02 한국과학기술원 딥 신경망을 이용한 정보 이전 방법 및 그 장치
US10360214B2 (en) 2017-10-19 2019-07-23 Pure Storage, Inc. Ensuring reproducibility in an artificial intelligence infrastructure

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11929079B2 (en) 2020-10-27 2024-03-12 Samsung Electronics Co., Ltd Electronic device for managing user model and operating method thereof
KR20220077311A (ko) * 2020-12-01 2022-06-09 가천대학교 산학협력단 인공지능 모델 훈련 데이터셋의 관리방법
WO2022182135A1 (ko) * 2021-02-25 2022-09-01 삼성전자 주식회사 전자 장치 및 그 동작 방법
WO2024063508A1 (ko) * 2022-09-19 2024-03-28 삼성전자 주식회사 전자 장치 및 복수의 장치들의 동작 상태를 제공하는 방법

Also Published As

Publication number Publication date
CN112789628A (zh) 2021-05-11
WO2020071854A1 (en) 2020-04-09
US11880754B2 (en) 2024-01-23
EP3785180A1 (en) 2021-03-03
US20200111025A1 (en) 2020-04-09
EP3785180A4 (en) 2021-10-13
US11586977B2 (en) 2023-02-21
US20230177398A1 (en) 2023-06-08

Similar Documents

Publication Publication Date Title
US11398223B2 (en) Electronic device for modulating user voice using artificial intelligence model and control method thereof
KR102643027B1 (ko) 전자 장치, 그의 제어 방법
US11842735B2 (en) Electronic apparatus and control method thereof
KR20200044173A (ko) 전자 장치 및 그의 제어 방법
US11367441B2 (en) Electronic apparatus and control method thereof
KR20200046188A (ko) 인공 지능 모델을 재구성하기 위한 전자 장치 및 그의 제어 방법
KR102515023B1 (ko) 전자 장치 및 그 제어 방법
US20190325224A1 (en) Electronic device and method for controlling the electronic device thereof
KR20200046185A (ko) 전자 장치 및 이의 제어 방법
EP3523709B1 (en) Electronic device and controlling method thereof
KR20200047205A (ko) 전자 장치 및 이의 제어 방법
US20240095143A1 (en) Electronic device and method for controlling same
KR20200036680A (ko) 감정 정보 획득을 위한 전자 장치 및 방법
US11315553B2 (en) Electronic device and method for providing or obtaining data for training thereof
KR20200115695A (ko) 전자 장치 및 이의 제어 방법
KR102499379B1 (ko) 전자 장치 및 이의 피드백 정보 획득 방법
KR20200080389A (ko) 전자 장치 및 그 제어 방법
US11436215B2 (en) Server and control method thereof
KR20200044175A (ko) 전자 장치 및 그의 비서 서비스 제공 방법
US11966317B2 (en) Electronic device and method for controlling same

Legal Events

Date Code Title Description
A201 Request for examination