KR20200050373A - 전자 장치 및 그의 제어 방법 - Google Patents
전자 장치 및 그의 제어 방법 Download PDFInfo
- Publication number
- KR20200050373A KR20200050373A KR1020190129837A KR20190129837A KR20200050373A KR 20200050373 A KR20200050373 A KR 20200050373A KR 1020190129837 A KR1020190129837 A KR 1020190129837A KR 20190129837 A KR20190129837 A KR 20190129837A KR 20200050373 A KR20200050373 A KR 20200050373A
- Authority
- KR
- South Korea
- Prior art keywords
- task
- user
- utterance
- response
- electronic device
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000004044 response Effects 0.000 claims abstract description 274
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 77
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003915 air pollution Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 239000003795 chemical substances by application Substances 0.000 description 13
- 239000000428 dust Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000010187 selection method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 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
- 230000006399 behavior Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000002591 computed tomography 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
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000002787 reinforcement Effects 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
- 208000006930 Pseudomyxoma Peritonei Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 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
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 229920000306 polymethylpentene Polymers 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
-
- 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G10L15/04—Segmentation; Word boundary detection
-
- 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
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
-
- 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
- G10L17/00—Speaker identification or verification techniques
-
- 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
- G10L2015/225—Feedback of the input speech
-
- 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
- G10L2015/227—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics of the speaker; Human-factor methodology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- User Interface Of Digital Computer (AREA)
- Machine Translation (AREA)
Abstract
전자 장치 및 그의 제어 방법이 개시된다. 본 개시의 일 실시예에 따른 전자 장치의 제어 방법은, 사용자의 제1 발화를 입력 받는 단계, 제1 발화를 바탕으로 제1 발화에 대한 제1 태스크를 식별하는 단계, 기 설정된 응답 패턴에 따라, 제1 태스크에 대한 응답을 제공하는 단계, 사용자의 제2 발화를 입력 받는 단계, 제2 발화를 바탕으로 제2 발화에 대한 제2 태스크를 식별하고, 제1 태스크와 제2 태스크의 연관도를 판단하는 단계 및 판단된 연관도가 기 설정된 조건을 만족하면, 제2 태스크를 바탕으로 제1 태스크에 대한 응답 패턴을 설정하는 단계를 포함한다.
한편, 상기 전자 장치의 제어 방법 중 일부는 기계학습, 신경망 또는 딥러닝 알고리즘 등 적어도 하나에 따라 학습된 인공 지능 모델을 이용할 수 있다.
한편, 상기 전자 장치의 제어 방법 중 일부는 기계학습, 신경망 또는 딥러닝 알고리즘 등 적어도 하나에 따라 학습된 인공 지능 모델을 이용할 수 있다.
Description
본 개시는 전자 장치 및 그의 제어 방법에 관한 것으로, 보다 상세하게는 사용자 발화에 대한 응답 및 사용자 발화와 관련된 추가 응답을 제공할 수 있는 전자 장치 및 그의 제어 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, 사용자 질문에 대한 답변을 제공하는 대화 시스템을 포함하는 전자 장치의 경우, 사용자 질문에 대한 답변만을 제공할 뿐, 사용자 질문에 대한 추가 답변을 제공하지는 못하고 있다. 따라서, 사용자는 원하는 정보를 얻기 위하여 많은 질문 또는 긴 질문을 수행하여야 하는 불편함이 존재하였고, 사용자와 대화 시스템간의 대화턴이 길어지는 문제점이 존재하였다.
본 개시는 상술한 문제점을 해결하기 위해 안출된 것으로, 사용자의 선호도 정보 및 대화 히스토리를 바탕으로, 사용자 발화에 대한 응답 및 사용자 발화에 대한 추가 응답을 제공할 수 있는 전자 장치 및 그의 제어 방법에 관한 것이다.
상기 목적을 달성하기 위한 전자 장치의 제어 방법은, 사용자의 제1 발화를 입력 받는 단계, 상기 제1 발화를 바탕으로 상기 제1 발화에 대한 제1 태스크를 식별하는 단계, 기 설정된 응답 패턴에 따라, 상기 제1 태스크에 대한 응답을 제공하는 단계, 사용자의 제2 발화를 입력 받는 단계, 상기 제2 발화를 바탕으로 상기 제2 발화에 대한 제2 태스크를 식별하고, 상기 제1 태스크와 상기 제2 태스크의 연관도를 판단하는 단계 및 상기 판단된 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크를 바탕으로 상기 제1 태스크에 대한 응답 패턴을 설정하는 단계를 포함한다.
이때, 상기 응답 패턴은, 사용자 발화에 대한 응답의 길이와 관련된 정보 및 상기 사용자 발화에 대한 응답에 포함된 정보의 종류와 관련된 정보 중 적어도 하나를 포함하여 결정될 수 있다.
이때, 상기 기 설정된 응답 패턴은, 사용자 명령에 의해 선택된 응답 패턴이거나, 전자 장치의 발화 히스토리를 바탕으로 자동으로 설정된 응답 패턴일 수 있다.
이 때, 상기 제1 발화에 따른 사용자 음성을 학습된 인공 지능 모델에 입력하여, 상기 제1 발화의 음향 특징에 대한 정보를 획득하는 단계 및 상기 획득된 음향 특징에 대한 정보를 바탕으로 상기 사용자를 인식하는 단계를 더 포함하고, 상기 기 설정된 응답 패턴은, 상기 인식된 사용자의 대화 히스토리 및 선호도 정보를 바탕으로 결정될 수 있다.
이때, 상기 기 설정된 조건은, 상기 제1 태스크 및 상기 제2 태스크와의 연관도 정보가 임계값 이상인 조건일 수 있다.
이때, 상기 제어 방법은, 제3 발화가 입력되면 상기 제3 발화에 대한 제3 태스크가 상기 제1 태스크와 관련 있는지 판단하는 단계; 및 상기 설정된 제1 태스크에 대한 응답 패턴에 따라 응답을 제공하는 단계를 더 포함할 수 있다.
이때, 상기 제어 방법은, 사용자의 제3 발화를 입력 받는 단계 및 상기 제3 발화를 바탕으로 상기 제3 발화에 대한 제3 태스크를 식별하고, 상기 제1 태스크와 상기 제3 태스크의 연관도를 판단하는 단계를 더 포함하고, 상기 설정하는 단계는, 상기 판단된 상기 제1 태스크와 상기 제3 태스크의 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크 및 상기 제3 태스크의 우선순위를 판단하는 단계 및 상기 판단된 우선 순위, 상기 제2 태스크 및 상기 제3 태스크를 바탕으로 상기 제1 태스크에 대한 응답 패턴을 설정하는 단계를 더 포함할 수 있다.
이때, 상기 제어 방법은, 상기 제공된 응답에 대한 사용자 피드백을 획득하는 단계 및 상기 획득된 사용자 피드백을 바탕으로 상기 제1 태스크와 상기 제2 태스크의 연관도를 업데이트 하는 단계를 포함할 수 있다.
이때, 상기 제어 방법은, 상기 제1 태스크 및 상기 제2 태스크와의 연관도를 바탕으로, 상기 제1 태스크 및 상기 제2 태스크를 온톨로지 형태로 저장하는 단계를 더 포함할 수 있다.
이때, 상기 제1 태스크를 식별하는 단계, 상기 연관도를 판단하는 단계, 상기 응답 패턴을 설정하는 단계 및 상기 응답을 제공하는 단계 중 적어도 하나의 단계는 인공 지능 모델에 의해 수행되고, 상기 인공 지능 모델은 적어도 하나의 노드를 각각 포함하는 복수개의 레이어로 구성되며, 상기 적어도 하나의 노드 각각은 입력값의 해석을 위한 연결 가중치를 가지는 신경망 모델일 수 있다.
한편, 상술한 목적을 달성하기 위한 본 개시의 또 다른 실시예에 따른 전자 장치는, 적어도 하나의 명령어를 저장하는 메모리 및 상기 적어도 하나의 명령어를 실행하는 프로세서를 포함하며, 상기 프로세서는, 사용자의 제1 발화를 입력 받고, 상기 제1 발화를 바탕으로 상기 제1 발화에 대한 제1 태스크를 식별하고, 기 설정된 응답 패턴에 따라, 상기 제1 태스크에 대한 응답을 제공하고, 사용자의 제2 발화를 입력 받고, 상기 제2 발화를 바탕으로 상기 제2 발화에 대한 제2 태스크를 식별하고, 상기 제1 태스크와 상기 제2 태스크의 연관도를 판단하고, 상기 판단된 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크를 바탕으로 상기 제1 태스크에 대한 응답 패턴을 설정할 수 있다.
이때, 상기 응답 패턴은, 사용자 발화에 대한 응답의 길이와 관련된 정보 및 상기 사용자 발화에 대한 응답에 포함된 정보의 종류와 관련된 정보 중 적어도 하나를 포함하여 결정될 수 있다.
이때, 상기 기 설정된 응답 패턴은, 사용자 명령에 의해 선택된 응답 패턴이거나, 전자 장치의 발화 히스토리를 바탕으로 자동으로 설정된 응답 패턴일 수 있다.
이때, 상기 기 설정된 조건은, 상기 제1 태스크 및 상기 제2 태스크와의 연관도 정보가 임계값 이상인 조건일 수 있다.
이때, 상기 프로세서는 상기 제1 발화에 따른 사용자 음성을 학습된 인공 지능 모델에 입력하여, 상기 제1 발화의 음향 특징에 대한 정보를 획득하고 상기 획득된 음향 특징에 대한 정보를 바탕으로 상기 사용자를 인식하며, 상기 기 설정된 응답 패턴은, 상기 인식된 사용자의 대화 히스토리 및 선호도 정보를 바탕으로 결정될 수 있다.
이때, 상기 프로세서는, 제3 발화가 입력되면, 상기 제3 발화에 대한 제3 태스크가 상기 제1 태스크와 관련 있는지 판단하고, 상기 설정된 제1 태스크에 대한 응답 패턴에 따라 응답을 제공할 수 있다.
이때, 상기 프로세서는, 사용자의 제3 발화를 입력 받고, 상기 제3 발화를 바탕으로 상기 제3 발화에 대한 제3 태스크를 식별하고, 상기 제1 태스크와 상기 제3 태스크의 연관도를 판단하고, 상기 판단된 상기 제1 태스크와 상기 제3 태스크의 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크 및 상기 제3 태스크의 우선순위를 판단하고, 상기 판단된 우선 순위, 상기 제2 태스크 및 상기 제3 태스크를 바탕으로 상기 제1 태스크에 대한 응답 패턴을 설정할 수 있다.
이때, 상기 프로세서는, 상기 제공된 응답에 대한 사용자 피드백을 획득하고, 상기 획득된 사용자 피드백을 바탕으로 상기 제1 태스크와 상기 제2 태스크의 연관도를 업데이트 할 수 있다.
이때, 상기 프로세서는, 상기 제1 태스크 및 상기 제2 태스크와의 연관도를 바탕으로, 상기 제1 태스크 및 상기 제2 태스크를 온톨로지 형태로 상기 메모리에 저장하는 것을 특징으로 할 수 있다.
이때, 상기 제1 태스크를 식별하는 단계, 상기 연관도를 판단하는 단계, 상기 응답 패턴을 설정하는 단계 및 상기 응답을 제공하는 단계 중 적어도 하나의 단계는 인공 지능 모델에 의해 수행되고, 상기 인공 지능 모델은 적어도 하나의 노드를 각각 포함하는 복수개의 레이어로 구성되며, 상기 적어도 하나의 노드 각각은 입력값의 해석을 위한 연결 가중치를 가지는 신경망 모델일 수 있다.
상술한 본 개시의 다양한 실시예에 따라, 전자 장치는 사용자 발화에 대한 다양한 응답을 제공하여 불필요한 대화 턴을 줄일 수 있다.
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 5는 본 개시의 일 실시예에 따른 사용자 발화에 대한 응답을 제공하기 위한 방법을 설명하기 위한 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 태스크간의 연관도 정보를 업데이트 하는 방법을 설명하기 위한 예시도이다.
도 7은 사용자 발화에 대한 응답을 제공하는 또 다른 실시예를 설명하기 위한 예시도이다.
도 8a 및 도 8b는 본 개시의 또 다른 실시예에 따른, 사용자 발화에 대한 응답이 질문 방식인 경우를 설명하기 위한 예시도이다.
도 9는 본 개시의 일 실시예에 따른 사용자 발화에 대한 질문 응답을 제공하기 위한 방법을 설명하기 위한 흐름도이다.
도 10은 사용자 발화에 대한 응답을 제공하는 또 다른 실시예를 설명하기 위한 예시도이다.
도 11을 본 개시의 일 실시예에 다른 전자 장치 및 서버를 포함하는 시스템을 설명하기 위한 예시도이다.
도 12는 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 13은 본 개시의 또 다른 실시 예에 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 5는 본 개시의 일 실시예에 따른 사용자 발화에 대한 응답을 제공하기 위한 방법을 설명하기 위한 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 태스크간의 연관도 정보를 업데이트 하는 방법을 설명하기 위한 예시도이다.
도 7은 사용자 발화에 대한 응답을 제공하는 또 다른 실시예를 설명하기 위한 예시도이다.
도 8a 및 도 8b는 본 개시의 또 다른 실시예에 따른, 사용자 발화에 대한 응답이 질문 방식인 경우를 설명하기 위한 예시도이다.
도 9는 본 개시의 일 실시예에 따른 사용자 발화에 대한 질문 응답을 제공하기 위한 방법을 설명하기 위한 흐름도이다.
도 10은 사용자 발화에 대한 응답을 제공하는 또 다른 실시예를 설명하기 위한 예시도이다.
도 11을 본 개시의 일 실시예에 다른 전자 장치 및 서버를 포함하는 시스템을 설명하기 위한 예시도이다.
도 12는 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 13은 본 개시의 또 다른 실시 예에 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.
도 1의 좌측에 도시된 바와 같이, 전자 장치(100)는 사용자 질문에 대한 답변을 제공하기 위한 대화 시스템을 포함할 수 있다. 이때, 종래의 대화 시스템은, 도 1의 좌측에 도시된 바와 같이 사용자의 질문에 대한 답변만을 제공할 수 있었다. 예를 들어, 전자 장치(100)는 기온을 문의하는 질문에 대하여는 기온을 알려주는 답변을, 날씨를 문의하는 질문에 대하여는 날씨를 알려주는 답변을, 대기 오염 정도를 문의하는 질문에는 대기 오염 정도를 알려주는 답변만을 제공할 수 있다.
도 1의 좌측에 도시된 종래의 대화 시스템에 의하면, 사용자는 기온 조회, 날씨 조회, 대기 오염 조회에 대한 각각의 질문을 수행하여 각각의 질문에 대한 답변을 획득하거나, 기온 조회, 날씨 조회, 대기 오염 조회를 모두 문의하는 질문을 수행하여 답변을 얻을 수 있었다.
그러나, 전자 장치(100)의 사용자가 대부분의 경우 기온을 문의하는 질문과 함께, 날씨를 문의하는 질문, 대기 오염 정도를 문의하는 질문을 하는 경우라도, 전자 장치(100)는 사용자 질문에 대한 답변만을 제공하여 불필요한 대화 턴이 발생하게 된다. 따라서, 본 개시의 일 실시예에 따라, 불필요한 대화 턴을 줄이기 위하여, 도 1의 우측에 도시된 바와 같이, 전자 장치(100)는 사용자의 대화 히스토리를 학습하여 날씨를 문의하는 질문에 대하여도 기온 및 대기 오염 정보를 제공할 수 있다.
즉, 전자 장치(100)는 사용자의 대화 히스토리, 사용자가 설정한 선호도 정보 등을 바탕으로 사용자의 질문에 대한 답변 및 사용자가 추가적으로 질문할 것이라고 예상되는 추가 질문에 대한 답변을 함께 제공할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 사용자의 제1 발화를 입력 받고, 제1 발화에 대한 제1 태스크를 식별해서, 기 설정된 응답 패턴에 따라 제1 태스크에 대한 응답을 제공할 수 있다. 이후, 전자 장치(100)는 제2 발화를 입력 받고, 제2 발화에 대한 제2 태스크를 식별하고, 제1 태스크와 제2 태스크 간의 연관도가 기 설정된 조건을 만족하면, 제2 태스크를 바탕으로 제1 태스크에 대한 응답 패턴을 설정할 수 있다. 따라서, 이후 제1 발화가 다시 입력될 경우, 제2 태스크를 바탕으로 설정된 제1 태스크에 대한 응답 패턴에 따라 응답이 제공될 수 있다.
응답 패턴은, 응답의 길이, 응답에 포함되는 정보의 종류 및/또는 응답에 포함되는 정보의 개수 중 적어도 하나를 의미할 수 있다. 응답 패턴을 설정하는 것에는, 응답 패턴을 새롭게 생성, 기존의 응답 패턴에 대한 변경을 포함할 수 있다. 응답 패턴을 설정하는 것은 사용자에 의한 수동 방식으로 수행되거나, 자동으로 수행될 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 사용자를 인식하는 단계를 수행할 수 있다. 이에 따라, 전자 장치(100)는 각각의 사용자에 대해서 각각의 다른 사용자 대화 히스토리 및 사용자가 설정한 선호도 정보를 별도로 저장할 수 있다.
예를 들어, 전자 장치(100)가 스마트 폰과 같이 하나의 사용자 계정이 AI 기반 서비스에 로그인 된 경우, 전자 장치(100)는 사용자 발화를 바탕으로 현재 로그인된 사용자의 대화 히스토리 및 선호도 정보를 업데이트 할 수 있다.
이와 달리, 전자 장치(100)가 AI 스피커와 같이 복수의 사용자가 사용할 수 있는 공용 기기인 경우, 전자 장치(100)는 사용자 발화를 바탕으로 사용자를 인식할 수 있다. 여기서, 사용자를 인식하는 과정은 사용자 발화의 톤, 억양, 발음 및 속도 등과 같은 사용자 발화의 특징을 바탕으로 사용자를 판단하는 과정을 포함한다. 구체적으로, 전자 장치(100)는 학습된 인공 지능 모델에 수신된 사용자 발화를 입력하고, 학습된 인공 지능 모델을 통해 사용자 발화의 발성에 대한 정보, 사용자 발화의 단위 음소에 대한 정보 등과 같은 사용자
발화의 음향 특징에 대한 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 획득된 사용자 발화의 음향 특징에 대한 정보와 기 저장된 사용자 발화의 음향 특징에 대한 정보를 비교하여 수신된 사용자 발화의 주체가 되는 사용자를 인식할 수 있다.
이후, 사용자 발화를 바탕으로 사용자가 인식되면, 전자 장치(100)는 인식된 사용자의 대화 히스토리 및 선호도 정보를 업데이트 할 수 있다.
한편, 전자 장치(100)가 카메라를 포함하는 경우, 전자 장치(100)는 카메라를 통해 사용자 이미지를 획득하고, 획득된 사용자 이미지를 바탕으로 객체 인식을 수행하여 사용자를 인식할 수도 있다.
구체적으로, 전자 장치(100)는 획득된 사용자 이미지에 포함된 오브젝트의 특징을 추출하고, 추출된 오브젝트의 특징을 바탕으로 획득된 사용자 이미지에 포함된 오브젝트가 오브젝트를 분류하기 위한 복수의 카테고리 각각에 대응될 확률을 획득하며, 그에 따라 획득된 사용자 이미지에 포함된 오브젝트를 식별할 수 있다. 획득된 사용자 이미지에 포함된 오브젝트가 식별되면, 전자 장치(100) 식별된 오브젝트에 대한 정보와 기 저장된 사용자 이미지에 포함된 오브젝트에 대한 정보를 비교하여 사용자 이미지에 대응되는 사용자를 인식할 수 있다.
한편, 사용자 이미지를 바탕으로 사용자를 인식하는 과정 역시, 사용자 발화를 바탕으로 사용자를 인식하는 과정과 마찬가지로, 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolution Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN) 및 생성적 적대 신경망(Generative Adversarial Networks, GAN)과 같은 인공 신경망을 포함하는 인공 지능 모델을 통해 수행될 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 디스플레이(150)의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.
또한, 메모리(110)는 사용자 입력(특히, 사용자 발화)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 데이터 베이스(Knowledge Database)(460)를 포함할 수 있다.
자동 음성 인식부(410)는 마이크 등을 통해 입력된 사용자 발화에 대한 음성 인식을 수행하여, 사용자 발화를 전자 장치(100)가 처리할 수 있는 텍스트의 형태로 변환하기 위한 구성이다. 자동 음성 인식부(410)는 변환 오류, 특이한 사용자의 발화, 발화 오류 등을 수정하기 위한 언어 모델을 포함할 수 있다. 자연어 이해부(420)는 음성 인식 결과를 바탕으로 엔티티(entity) 및 사용자 발화의 의도(intent)와 관련된 태스크(task)를 파악하기 위한 구성이다. 구체적으로, 자연어 이해부(420)는 문장의 구조 및 주요 성분 분석을 통해 문장을 해석하고 통계/분석 등을 이용하여 문장 분석을 수행할 수 있다. 대화 매니저(430)는 자연어 이해 결과 및 지식 데이터 베이스(460)에 저장된 데이터를 바탕으로 사용자 발화에 대한 응답에 대한 정보를 획득하기 위한 구성이다. 대화 매니저(430)는 Frame기반, Agent기반 등으로 구현될 수 있으며, MDP(Markov Decision Process), 강화 학습(Reinforcement Learning)기반 모델링을 통해 구현될 수도 있음은 물론이다. 이때, 대화 매니저(430)는 응답을 생성하기 위한 정보를 획득할 수 있으며, 상술한 바와 같이, 획득된 정보는 자연어 이해부(420)을 통해 파악된 태스크와 지식 데이터 베이스(460)에 저장된 데이터를 바탕으로 결정될 수 있다. 자연어 생성부(440)는 대화 매니저(430)를 통해 획득된 정보를 바탕으로 사용자 발화에 대한 응답으로서, 자연어를 획득할 수 있다. TTS(450)는 획득된 자연어를 음성으로 변환할 수 있다 이에 의해, 대화 시스템은 사용자 발화에 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 데이터 베이스(460)을 통해 획득된 정보를 인공지능 모델의 입력값으로 입력하여 사용자 발화에 대한 응답으로서, 자연어를 획득할 수 있다.
지식 데이터 베이스(460)는 대화 매니저(430)에서 응답을 생성하는데 필요한 정보를 저장하기 위한 구성이다. 이때, 지식 데이터 베이스(460)에 저장되는 데이터는 다양할 수 있다. 예를 들어, 지식 데이터 베이스(460)는 사용자 선호도 정보를 저장할 수 있다. 이때, 사용자 선호도 정보란, 사용자 발화에 대하여 사용자가 선호하는 답변 방식을 의미할 수 있다. 사용자가 선호하는 답변 방식이란 예를 들어, 사용자 발화에 대한 답변을 제공하는 답변 방식 또는 사용자 발화에 대한 추가 질문을 제공하는 답변 방식일 수 있다. 또는 사용자가 선호하는 답변 방식이란 사용자 발화에 대한 답변을 제공하는 답변 방식 또는 사용자 발화에 대한 추가 질문을 제공하는 답변 방식 각각에 대한 답변(또는 질문)의 상세함을 설정하기 위한 정보일 수 있다. 예를 들어, 사용자 선호도 정보는 사용자 발화에 대한 추가 질문을 제공하는 방식이며, 추가 질문은 Yes 또는 No의 형태로 구성된 질문에 대한 정보일 수 있다. 또는, 사용자 선호도 정보는 사용자 발화에 대한 추가 질문을 제공하는 방식이며, 추가 질문은 복수의 선택지 중 하나를 선택하도록 구성된 질문에 대한 정보일 수 있다. 또는, 사용자 선호도 정보는 사용자 발화에 대한 답변을 제공하는 방식이며, 답변에 포함된 정보의 개수와 관련된 정보일 수 있다.
또한, 지식 데이터 베이스(460)는 과거 사용자 발화 히스토리를 저장할 수 있다. 구체적으로, 지식 데이터 베이스(460)는 과거 사용자 발화 및 발화에 대한 응답, 응답에 대한 재발화와 관련된 히스토리 정보를 저장할 수 있다. 이때, 히스토리 정보가 저장되는 방식은 다양할 수 있다. 예를 들어, 히스토리 정보는 복수의 사용자 발화에 대한 복수의 태스크들간의 연관도 정보를 포함하는 온톨로지 형태로 구성될 수 있다. 또는, 히스토리 정보는, 사용자 발화, 발화에 대한 응답 및 응답에 대한 재발화에 대한 정보가 데이터 세트(예로, (질문, 응답))의 형태로 저장될 수도 있다.
또한, 메모리(110)는 대화 시스템을 동작하기 위한 인공지능 에이전트를 저장할 수 있다. 구체적으로, 전자 장치(100)는 사용자 발화에 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 발화가 입력된 경우, 인공지능 에이전트가 동작할 수 있다. 그리고, 인공지능 에이전트는 사용자 질문을 학습된 인공지능 학습 모델에 입력하여 답변을 획득할 수 있다. 물론, 사용자 발화(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 발화가 입력되거나 기설정된 버튼이 선택되기 이전에 기 실행된 상태일 수 있다. 이 경우, 사용자 발화가 입력되거나 기설정된 버튼이 입력된 이후에 전자 장치(100)의 인공지능 에이전트가 사용자 발화에 대한 응답으로 자연어를 획득할 수 있다. 또한, 인공지능 에이전트는 사용자 발화가 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 발화가 입력되거나 기설정된 버튼이 선택되면, 전자 장치(100)는 인공지능 에이전트를 동작시키고, 사용자 발화에 대한 응답으로 자연어를 획득할 수 있다.
또한, 본 개시의 일 실시예에 따라, 메모리(110)는 자연어를 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 주고받는 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 주고받을 수 있다. 학습된 인공지능 모델의 예에는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등이 있을 수 있으나 이에 한정되지 않는다.
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 발화를 입력 받아 인공 지능 모델이 저장된 외부 서버로 전송하고, 외부 서버에 저장된 인공 지능 모델이 전자 장치(100)로부터 수신한 사용자 발화를 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 사용자 발화를 입력 받고, 입력받은 사용자 발화를 바탕으로 사용자 발화와 관련된 태스크를 결정할 수 있다. 이때, 사용자 발화와 관련된 태스크란, 사용자 발화에 대한 응답을 위해 필요한 정보일 수 있다 예를 들어, 사용자 발화가 날씨를 문의하는 질의인 경우, 태스크는 날씨 조회 일 수 있다. 또는, 사용자 발화가 기온을 문의하는 질의인 경우, 태스크는 기온 조회 일 수 있다. 또는, 사용자 발화가 대기오염 정도를 문의하는 질의인 경우, 태스크는 대기 오염 조회 일 수 있다.
프로세서(120)는 사용자 발화와 관련된 태스크를 바탕으로 사용자 발화와 관련된 태스크 및 태스크와 관련된 추가 태스크에 대한 응답 패턴을 결정할 수 있다. 예를 들어, 프로세서(120)는 제1 사용자 발화에 대한 제1 태스크 및 제2 사용자 발화에 대한 제2 태스크를 식별할 수 있다. 프로세서(120)는 제1 태스크와 제2 태스크의 연관도가 기 설정된 조건을 만족하면, 제2 태스크를 바탕으로 제1 발화에 대한 응답 패턴을 설정할 수 있다. 즉, 프로세서(120)는 제1 태스크가 제2 태스크가 연관된 경우, 제1 태스크 및 제2 태스크를 바탕으로 응답 패턴을 결정할 수 있다. 기 설정된 조건은 제1 태스크와 제2 태스크의 연관도 정보가 임계값 이상인 조건일 수 있다.
이때, 응답 패턴은 다양한 방법으로 결정될 수 있다. 예를 들어, 응답 패턴은 사용자 발화에 대한 응답의 길이와 관련된 정보 및 사용자 발화에 대한 응답에 포함된 정보의 종류와 관련된 정보 중 적어도 하나를 포함할 수 있으며, 상술한 정보들을 바탕으로 결정될 수 있다. 또는, 응답 패턴은 사용자 발화 및 추가 태스크를 수행하기 위한 추가 발화를 포함하는 발화 히스토리 및 사용자 선호도 정보를 바탕으로 결정될 수 있다. 또한, 추가 태스크(또는 제2 태스크)는, 결정된 태스크(또는 제1 태스크)와 관련된 태스크일 수 있다. 예를 들어, 결정된 태스크가 기온 조회인 경우, 추가 태스크는 기온 조회와 연관도가 높은 날씨 조회, 대기오염 조회 등일 수 있다.
한편, 응답 패턴은 사용자 명령에 의해 선택된 응답 패턴이거나, 발화 히스토리를 바탕으로 자동으로 생성된 응답 패턴일 수 있다. 예를 들어, 제1 발화와 제2 발화가 기 설정된 시간 내에 입력되는 것을 조건으로 하는 사용자 명령이 있는 경우, 프로세서(120)는 제1 발화가 입력되고 기 설정된 시간 이내에 제2 발화가 입력되면, 제1 발화에 대한 제1 태스크 및 제2 발화에 대한 제2 태스크가 연관되어 있다고 판단하고, 응답 패턴을 결정할 수 있다. 또는, 기 설정된 카테고리에 대한 발화에 대한 사용자 명령이 입력되면, 프로세서(120)는 해당 카테고리에 대한 제1 발화에 대한 제1 태스크 및 제2 발화에 대한 제2 태스크가 연관되어 있다고 판단하고, 응답 패턴을 결정할 수 있다. 또는, 사용자 명령이 응답의 길이 및 종류와 관련된 경우, 프로세서(120)는 사용자 명령에 따라 결정된 응답 길이 또는 응답 종류를 바탕으로 응답 패턴을 결정할 수 있다. 프로세서(120)는 상술한 다양한 사용자 명령에 따라 응답 패턴을 결정할 수 있으나, 이에 한정되는 것은 아니고, 자동으로 설정될 수 있음은 물론이다.
프로세서(120)는 사용자 발화와 관련된 태스크에 대한 응답 정보 및 추가 태스크에 대한 응답 정보를 획득하고, 획득된 응답 정보 및 추가 응답 정보를 사용자에게 제공할 수 있다. 즉, 프로세서(120)는 제1 태스크 및 제2 태스크를 바탕으로 결정된 응답 패턴에 대한 응답을 제공할 수 있다.
이때, 프로세서(120)는 태스크 및 추가 태스크 간의 연관도 정보를 메모리(100)에 저장할 수 있다. 구체적으로, 프로세서(120)는 태스크 및 추가 태스크 간의 연관도 정보를 지식 데이터 베이스(460)에 저장할 수 있다.
한편, 추가 태스크(또는 제2 태스크)는, 사용자 발화에 따라 결정된 태스크와의 연관도가 임계값 이상인 태스크일 수 있다. 즉, 프로세서(120)는 사용자 발화에 따라 결정된 태스크와의 연관도 정보가 임계값 이상인 태스크를 추가 태스크로 결정할 수 있다. 예를 들어, 사용자 발화에 따라 결정된 태스크가 기온 조회이고, 기온 조회 태스크와 날씨 조회 태스크의 연관도는 0.9, 기온 조회 태스크와 대기 오염 조회 태스크의 연관도는 0.5, 그리고 임계값이 0.7인 경우, 프로세서(120)는 기온 조회 태스크와의 연관도가 0.7 이상인 날씨 조회 태스크를 추가 태스크로 결정하고, 기온 조회 태스크와의 연관도가 0.7 미만인 대기 오염 조회 태스크는 추가 태스크로 결정하지 않을 수 있다. 한편, 프로세서(120)는 사용자의 제3 발화를 입력 받고, 제3 발화에 대한 제3 태스크를 식별하고, 식별된 제3 태스크와 제1 태스크와의 연관도를 판단할 수 있다. 프로세서(120)는 제1 태스크와 제3 태스크의 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크 및 상기 제3 태스크의 우선순위를 판단하고, 판단된 우선 순위, 제2 태스크 및 제3 태스크를 바탕으로 제1 발화에 대한 응답 패턴을 설정할 수 있다.
구체적으로, 추가 태스크가 복수개 결정된 경우, 프로세서(120)는 사용자 발화에 대한 태스크와 결정된 복수개의 태스크 간의 연관도 정보를 판단하고, 판단된 연관도 정보를 바탕으로 추가 태스크에 대한 응답을 제공하는 순서를 결정할 수 있다. 예를 들어, 사용자 발화에 대한 태스크가 기온 조회 태스크이고, 결정된 추가 태스크가 날씨 조회 태스크, 대기 오염 조회 태스크, 인구 밀도 조회 태스크이고, 기온 조회 태스크와 날씨 조회 태스크의 연관도는 0.9, 기온 조회 태스크와 대기 오염 조회 태스크의 연관도는 0.5, 기온 조회 태스크와 인구 밀도 조회 태스크의 연관도는 0.3, 인 경우, 프로세서(120)는 연관도가 높은 태스크에 대한 추가 응답을 먼저 제공할 수 있다. 예를 들어, "오늘 서울 기온 몇도야?" 라는 사용자 발화에 대하여, 프로세서(120)는, "오늘 서울 기온은 20도이고, 날씨는 맑으며, 미세먼지는 10으로 좋으며 인구 밀도는 낮습니다"와 같이, 사용자 발화에 대한 기온 조회 태스크에 대한 응답, 날씨 조회 태스크에 대한 추가 응답, 대기 오염 조회 태스크에 대한 추가 응답 및 인구 밀도 조회 태스크에 대한 추가 응답의 순서로 답변을 제공할 수 있다.
본 개시의 또 다른 실시 예에 따르면, 제1 발화에 대한 제1 태스크에 대해 설정된 응답 패턴이, 제1 태스크와 연관된 제2 태스크를 바탕으로 설정된 경우에 있어서, 프로세서(120)는 제1 및 제2 발화와는 다른 제3 발화가 입력되면, 제3 발화에 대한 제3 태스크가 제1 발화에 대한 제1 태스크와 관련 있는지 판단하고, 관련이 있는 경우, 제1 태스크에 대해 설정된 응답 패턴에 따라 응답을 제공할 수 있다.
한편, 프로세서(120)는 제공된 응답에 대한 피드백을 획득하고, 획득된 피드백을 바탕으로 제1 태스크와 제2 태스크의 연관도를 업데이트 할 수 있다. 구체적으로, 프로세서(120)는 사용자 발화에 대하여 제공된 응답 정보 및 추가 응답 정보에 대한 사용자 피드백을 획득하고, 획득된 피드백을 바탕으로 사용자 발화에 대한 태스크 및 추가 태스크 간의 연관도 정보를 업데이트 할 수 있다. 예를 들어, 예를 들어, 오늘 서울 기온 몇도야? 라는 사용자 발화에 대하여, "오늘 서울 기온은 20도이고, 날씨는 맑으며, 미세먼지는 10으로 좋으며 인구 밀도는 낮습니다"와 같은 응답이 제공되는 도중, 날씨 정보 이후의 응답을 종료하는 사용자 피드백이 입력되면, 프로세서(120)는 기온 조회 태스크와 대기 오염 조회 태스크 및 기온 조회 태스크와 인구 밀도 조회 태스크의 연관도를 감소시킬 수 있다.
또는, 프로세서(120)는 사용자 발화에 대해 제공된 응답 정보 및 추가 응답 정보에 대하여 추가 사용자 발화를 입력 받고, 입력 받은 추가 사용자 발화에 대한 태스크를 바탕으로 사용자 발화에 대한 태스크와 추가 사용자 발화에 대한 태스크의 연관도 정보를 업데이트 할 수 있다. 예를 들어, 오늘 서울 기온 몇도야? 라는 사용자 발화에 대하여, "오늘 서울 기온은 20도이고, 날씨는 맑습니다."와 같은 응답이 제공되고, 이어서 "오늘 서울 미세먼지는?"와 같은 사용자 추가 발화가 입력된 경우, 프로세서(120)는 "오늘 서울의 미세먼지는 10으로 좋습니다"와 같은 응답을 제공하고, 기온 조회 태스크와 대기 오염 정보 태스크의 연관도 정보를 업데이트 할 수 있다.
한편, 프로세서(120)는 사용자 발화에 대한 응답 정보를 제공하고, 추가 응답 정보를 제공하기 위한 문의 메시지를 제공할 수 있다. 즉, 프로세서(120)는 사용자 발화에 대한 응답 정보 및 추가 응답 정보를 함께 제공하는 것이 아니라, 추가 응답 정보를 제공받을지 요청하는 문의 메시지를 제공할 수 있다. 예를 들어, 프로세서(120)는 "오늘 서울 기온 어때?" 라는 사용자 발화가 입력되면, "오늘 서울 기온은 20도입니다. 서울의 날씨도 알려드릴까요?"와 같이 사용자 발화에 대한 응답 및 문의 메시지를 제공할 수 있다. 문의 메시지에 대한 사용자 명령을 수신하면, 프로세서(120)는 사용자 명령에 대한 추가 응답을 제공할 수 있다. 즉, 서울의 날씨도 알려드릴까요?"와 같이 사용자 발화에 대한 응답 및 추가 응답 정보를 제공하기 위한 문의 메시지를 제공할 수 있다. "서울의 날씨도 알려 드릴까요?"와 같은 사용자 문의에 "응"이라는 사용자 명령을 수신하면, 프로세서(120)는 "오늘 서울의 날씨는 맑습니다."와 같은 추가 응답을 제공할 수 있다.
한편, 프로세서(120)는 사용자 발화에 대한 태스크 및 사용자 발화에 대한 태스크와 관련된 추가 태스크 간의 연관도 정보를 바탕으로 사용자 발화에 대한 태스크 및 사용자 발화에 대한 태스크를 온톨로지 형태로 메모리(110)에 저장할 수 있다. 즉, 프로세서(120)는 제1 태스크 및 제2 태스크와의 연관도를 바탕으로, 제1 태스크 및 제2 태스크를 온톨로지 형태로 메모리(110)에 저장할 수 있다.
한편, 상술한 다양한 프로세서(120)의 동작들은 인공 지능 모델에 의해 수행될 수 있다. 즉, 사용자 발화와 관련된 태스크를 결정하는 동작, 응답 패턴을 결정하는 동작, 추가 응답 정보를 획득하는 동작 및 제공하는 동작 중 적어도 하나의 단계는 인공 지능 모델에 의해 수행되고, 인공 지능 모델은 적어도 하나의 노드를 각각 포함하는 복수개의 레이어로 구성되며, 적어도 하나의 노드 각각은 입력값의 해석을 위한 연결 가중치를 가지는 신경망 모델일 수 있다.
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. 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 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(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 메모리(110)에 액세스하여, 메모리(110)에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고 메인 CPU(123)는 메모리(110)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.
도 5a는 본 개시의 일 실시예에 따른 사용자 발화에 대한 응답을 제공하기 위한 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 사용자 발화가 입력되면, 입력된 사용자 발화와 관련된 태스크를 결정할 수 있다(S510). 구체적으로, 전자 장치(100)는 자연어 이해부(420)을 통해 입력된 사용자 발화의 엔티티 및 의도를 획득하여 사용자 발화에 대한 태스크를 결정할 수 있다. 일 실시 예에 따르면, 전자 장치(100)는 자연어 이해부(420)를 통해 사용자 발화에서 화행(dialog act), 주행(main act), 엔티티(entity)를 획득할 수 있다. 여기에서, 화행은 발화 속에 포함된 대화 목적을 수행하기 위한 화자의 의도된 행위를 나타내는 것으로, 사용자의 발화가 행위 요구(Request)인지, 화자가 청자에게 어떤 변수의 값을 요구하는 것(WH-Question)인지, 또는 화자가 청자에게 YES/NO의 답을 요구하는 것(YN-Question)인지, 화자가 청자에게 정보를 제공(inform)하는 것인지 등을 나타내는 것이다. 그리고 주행은 해당 발화가 특정 도메인에서 대화를 통해 원하는 행위를 나타내는 의미적인 정보를 의미한다. 그리고 엔티티는 특정 도메인에서 의도하는 행동의 의미를 구체화하기 위해서 부가되는 정보이다.
예컨대, 사용자 발화가 "오늘 날씨 어때?" 인 경우, 사용자 발화에서 화행은 'WH-Question', 주행은 '날씨 조회', 엔티티는 '오늘'일 수 있다. 따라서 사용자 발화에 대한 태스크는 오늘 날씨를 조회하여 응답해주는 것으로 결정될 수 있다.
한편, 전자 장치(100)는 사용자 발화에는 포함되지 않았지만 주행과 연관된 추가 정보를 엔티티로 결정할 수 있다. 주행에 어떠한 추가 정보가 연관되어 있는지에 대한 정보는 전자 장치(100)에 기 저장되어 있을 수 있다. 예를 들어, 주행인 '날씨 조회'와 연관된 추가 정보가 전자 장치(100)의 현재 위치인 경우, 전자 장치(100)는 사용자의 발화 "오늘 날씨 어때?"에는 포함되지 않았지만 전자 장치(100)의 현재 위치(예컨대 '양재동')를 엔티티로서 결정할 수 있다. 그리고 전자 장치(100)는 사용자 발화로부터 획득한 엔티티인 '오늘' 및 주행과 연관된 추가 정보로부터 획득한 엔티티인 '양재동'을 바탕으로, 사용자 발화에 대한 태스크를, 오늘 양재동의 날씨를 조회하여 응답해주는 것으로 결정할 수 있다.
전자 장치(100)는 결정된 태스크와 관련된 추가 태스크를 결정할 수 있다(S520). 구체적으로, 전자 장치(100)는 과거 사용자 발화 히스토리 정보 및 사용자 선호도 정보를 바탕으로, 결정된 태스크와 관련된 추가 태스크를 결정할 수 있다. 예를 들어, 결정된 태스크가 날씨 조회 태스크인 경우, 전자 장치(100)는 사용자 발화 히스토리 및 사용자 선호도 정보를 바탕으로 기온 조회 태스크, 대기 오염 조회 태스크를 추가 태스크로 결정할 수 있다.
전자 장치(100)는 결정된 태스크와 추가 태스크의 연관도 정보를 바탕으로 추가 응답 정보를 결정할 수 있다(S530). 구체적으로, 전자 장치(100)는 결정된 태스크와 관련 있는 복수의 추가 태스크 중, 연관도가 임계값 이상인 태스크를 추가 태스크로 결정할 수 있다. 예를 들어, 사용자 발화에 따라 결정된 태스크가 기온 조회이고, 기온 조회 태스크와 날씨 조회 태스크의 연관도는 0.9, 기온 조회 태스크와 대기 오염 조회 태스크의 연관도는 0.5, 임계값은 0.7인 경우, 전자 장치(100)는 기온 조회 태스크와의 연관도가 0.7 이상인 날씨 조회 태스크를 추가 태스크로 결정하고, 기온 조회 태스크와의 연관도가 0.7 미만인 대기 오염 조회 태스크는 추가 태스크로 결정하지 않을 수 있다. 한편, 임계값은 다양한 방법으로 결정될 수 있다. 일 실시예로, 임계값은 사용자 설정에 의해 결정될 수 있다. 또 다른 실시예로, 임계값은 사용자 발화 및 사용자 발화에 대한 응답을 입력값으로 학습된 인공 지능 모델에 입력하여 출력될 수 있다.
전자 장치(100)는 결정된 태스크에 대한 응답 정보 및 추가 응답 정보를 제공할 수 있다(S540). 일 실시예로, 전자 장치(100)의 자연어 생성부(440)는 결정된 태스크에 대한 응답 정보 및 추가 응답 정보를 바탕으로 사용자 발화에 대한 응답을 자연어로 생성하여 제공할 수 있다. 그러나 이에 한정되는 것은 아니며, 전자 장치(100)는 결정된 태스크에 대한 응답 정보 및 추가 응답 정보를 텍스트의 형태로 제공할 수 있음은 물론이다.
한편, 사용자 발화에 대한 응답이 제공되면, 전자 장치(100)는 입력된 사용자 발화 및 사용자 발화에 대한 추가 응답 정보를 바탕으로 지식 데이터 베이스(460)를 업데이트 할 수 있다(S550). 예를 들어, 전자 장치(100)는 입력된 사용자 발화 및 사용자 발화에 대한 추가 응답 정보를 입력값으로, 학습된 인공 지능 모델에 입력하여, 복수의 태스크 간의 연관도 정보를 업데이트하고, 업데이트된 연관도 정보를 지식 데이터 베이스(460)에 저장할 수 있다. 또 다른 예로, 전자 장치(100)는 입력된 사용자 발화 및 사용자 발화에 대한 추가 응답 정보를 입력값으로, 학습된 인공 지능 모델에 입력하여 사용자 발화와 관련된 태스크에 대한 임계값을 업데이트하고, 업데이트된 임계값을 지식 데이터 베이스(460)에 업데이트 할 수 있다.
도 5b는 본 개시의 또 다른 실시예에 따른 추가 응답 제공 방법을 설명하기 위한 예시도이다.
구체적으로, 전자 장치(100)는 사용자 발화에 대한 응답 정보를 제공하고, 추가 응답 정보를 제공하기 위한 문의 메시지를 제공할 수 있다. 즉, 전자 장치(100)는 사용자 발화에 대한 응답 정보 및 추가 응답 정보를 함께 제공하는 것이 아니라, 추가 응답 정보를 제공받을지 요청하는 문의 메시지를 제공할 수 있다. 예를 들어, 전자 장치(100)는 "오늘 서울 기온 어때?" 라는 사용자 발화가 입력되면, "오늘 서울 기온은 20도입니다. 서울의 날씨도 알려드릴까요?"와 같이 사용자 발화에 대한 응답 및 문의 메시지를 제공할 수 있다. 문의 메시지에 대한 사용자 명령을 수신하면, 전자 장치(100)는 사용자 명령에 대한 추가 응답을 제공할 수 있다. 즉, 서울의 날씨도 알려드릴까요?"와 같이 사용자 발화에 대한 응답 및 추가 응답 정보를 제공하기 위한 문의 메시지를 제공할 수 있다. "서울의 날씨도 알려 드릴까요?"와 같은 사용자 문의에 "응"이라는 사용자 명령을 수신하면, 전자 장치(100)는 "오늘 서울의 날씨는 맑습니다."와 같은 추가 응답을 제공할 수 있다.
도 6은 본 개시의 일 실시예에 따른 태스크 간의 연관도 정보를 업데이트 하는 방법을 설명하기 위한 예시도이다.
도 6에 도시된 바와 같이, 전자 장치(100)는 사용자 발화 히스토리 및 사용자 선호도 정보를 바탕으로, 기온 조회 태스크, 날씨 조회 태스크, 대기오염 조회 태스크 및 인구 밀도 조회 태스크 간의 연관도 정보를 업데이트 할 수 있다.
예를 들어, 도 6의 좌측에 도시된 바와 같이, 초기 상태에서 각각의 태스크 간의 연관도는 0일 수 있다. 이 경우, 전자 장치(100)는 기온 조회를 요청하는 사용자 발화에 대하여 기온 정보를 제공하고, 날씨 조회를 요청하는 사용자 발화에 대하여 날씨 정보를 제공하고, 대기 오염 조회를 요청하는 사용자 발화에 대하여 대기 오염 정보를 제공하고, 인구 밀도 조회를 요청하는 사용자 발화에 대하여 인구 밀도 정보를 제공할 수 있다.
한편, 사용자 발화 및 사용자 발화에 대한 응답 정보가 지식 데이터 베이스(460)에 축적되면, 전자 장치(100)는 축적된 데이터를 바탕으로 각각의 태스크 간의 연관도 정보를 업데이트 할 수 있다. 일 실시예로, 전자 장치(100)는 사용자 발화 중 동일한 엔티티 별로 연관된 태스크 정보를 바탕으로 각각의 태스크 간의 연관도 정보를 업데이트 할 수 있다. 예를 들어, 동일한 엔티티(장소)에 대한 복수의 태스크(기온 조회, 날씨 조회, 대기 오염 조회 등)와 관련된 사용자 발화가 입력되면, 전자 장치(100)는 동일한 엔티티에 대한 복수의 태스크들 각각의 연관도 정보를 업데이트 할 수 있다.
또 다른 실시예로, 사용자 발화에 대한 응답에 대한 추가 사용자 발화가 존재하면, 전자 장치(100)는 사용자 발화에 대한 태스크 정보 및 추가 사용자 발화에 대한 태스크 정보를 바탕으로 각각의 태스크의 연관도 정보를 업데이트 할 수 있다. 즉, 전자 장치(100)는 사용자 발화에 대한 응답 및 추가 사용자 발화가 존재하면, 사용자 발화에 대한 태스크 및 추가 사용자 발화에 대한 태스크 간의 연관도를 증가시킬 수 있다. 예를 들어, 기온 조회를 요청하는 사용자 발화에 대하여 전자 장치(100)가 기온을 알려주는 응답을 한 후, 날씨 조회를 요청하는 추가 사용자 발화가 입력되면, 전자 장치(100)는 기온 조회 태스크 및 날씨 조회 태스크 간의 연관도를 높일 수 있다. 이때, 전자 장치(100)는 사용자 발화 및 추가 사용자 발화가 입력된 순서를 고려하여 태스크 정보를 업데이트 할 수 있음은 물론이다. 예를 들어, 사용자 발화에 대한 태스크 및 추가 발화에 대한 태스크가 기온 조회 태스크, 날씨 조회 태스크, 대기 오염 조회 태스크의 순으로 입력되면, 전자 장치(100)는 기온 조회 태스크과 날씨 조회 태스크 간의 연관도를 기온 조회 태스크와 대기 오염 조회 태스크 간의 연관도보다 높게 설정할 수 있다.
또 다른 실시예로, 전자 장치(100)는 사용자 발화에 대한 응답에 대한 피드백을 바탕으로 각각의 태스크 간의 정보를 업데이트 할 수 있다. 예를 들어, 사용자 발화에 대한 응답이 제공되는 도중, 응답을 중지하는 사용자 명령을 입력되면, 전자 장치(100)는 응답을 중지하는 사용자 명령이 입력된 이후에 제공되던 응답에 대응되는 태스크와 사용자 발화에 대응되는 태스크 간의 연관도를 감소시킬 수 있다. 예를 들어, "오늘 기온 어때?"라는 사용자 발화에 대하여 전자 장치(100)가 제공할 응답이 "오늘 기온은 20도이며 날씨는 맑습니다"인 경우를 가정할 수 있다. 이때, 전자 장치(100)가 오늘의 기온에 대한 응답을 제공하고, 날씨에 대한 응답을 제공하던 도중 응답을 중지하는 사용자 명령이 입력되어 날씨에 대한 응답을 제공하지 못한 경우, 전자 장치(100)는 기온 조회 태스크와 날씨 조회 태스크 간의 연관도를 감소시킬 수 있다.
한편, 전자 장치(100)는 사용자 발화 히스토리 및 사용자 선호도 정보를 바탕으로, 태스크 간의 연관도를 업데이트 할 수 있을 뿐만 아니라, 추가 태스크 결정을 위한 임계값을 업데이트 할 수 있음은 물론이다.
결론적으로, 전자 장치(100)는 사용자 발화에 대한 히스토리 정보 및 사용자 선호도 정보를 바탕으로, 도 6a 또는 도6b와 같이 각각의 태스크 간의 연관도 정보를 업데이트 하여 지식 데이터 베이스(460)에 저장할 수 있다.
도 7은 사용자 발화에 대한 응답을 제공하는 또 다른 실시예를 설명하기 위한 예시도이다.
도 7에 도시된 바와 같이, 사용자 발화가 입력되면, 전자 장치(100)는 사용자 발화를 분석하여 사용자 발화에 대한 답변을 생성할 수 있다. 이때, 전자 장치(100)는 사용자 발화 및 사용자 발화와 관련된 정보를 테이블의 형태로 저장할 수 있다. 예를 들어, 저장되는 테이블은 질문 주제(날씨 정보, 교통 스케줄 등), 질문 빈도(1일 n회 등), 평균 연속 질문 횟수(사용자 발화에 대한 추가 질문 횟수) 및 질문 상세 내용에 대한 정보를 포함할 수 있다.
즉, 전자 장치(100)는 사용자 발화에 대한 응답뿐만 아니라, 추가 사용자 발화 및 추가 사용자 발화에 대한 응답 정보를 매칭하여 저장할 수 있다. 다양한 사용자 발화 히스토리에 대한 테이블이 획득된 후 사용자 발화가 입력되면, 전자 장치(100)는 다양한 사용자 발화 히스토리에 대한 테이블을 바탕으로 사용자 발화에 대한 응답을 결정할 수 있다.
도 8a 내지 도 11은 본 개시의 또 다른 실시예에 따른, 사용자 발화에 대한 응답이 질문 방식인 경우를 설명하기 위한 예시도이다.
도 5 내지 도 7은 전자 장치(100)가 사용자 발화에 대한 응답 방식이 답변 제공 방식인 경우를 예를 들어 설명하였으나 이에 한정되는 것은 아니다. 예를 들어, 전자 장치(100)는 사용자 발화에 불명확한 부분이 있는 경우, 사용자 발화에 대한 답변을 제공하는 것이 아니라, 사용자 발화에 대해 부족한 부분을 질문하는 응답을 제공할 수 있다. 구체적으로, 사용자 발화를 분석한 결과 엔티티 또는 태스크 중 누락된 부분이 있거나, 사용자 발화에 대한 태스크가 복수개 존재하는 경우, 전자 장치(100)는 누락된 태스크 또는 엔티티를 요청하는 질문을 제공하거나 복수개의 태스크 중 어떤 태스크를 선택할 것인지를 요청하는 질문을 제공할 수 있다. 예를 들어, "오늘 날씨 어때?"와 같은 사용자 발화가 입력된 경우, 전자 장치(100)는 장소와 관련된 엔티티가 누락되었다고 판단하고, "오늘 서울 날씨를 알려드릴까요?" 와 같은 응답을 제공할 수 있다. 또는, "새봄이한테 전화 걸어줘"와 같은 사용자 발화가 입력된 경우, 전자 장치(100)는 검색된 "새봄"이 복수 개임을 판단하고, "최새봄, 이새봄, 박새봄 중에 누구에게 전화를 할까요?"와 같은 응답을 제공할 수 있다.
한편, 사용자 발화에 대한 응답 방식이 질문 제공 방식인 경우, 전자 장치(100)는 사용자 발화에 대하여 복수의 선택지 중 하나를 선택받는 선택 방식 및 복수의 선택지 중 하나가 맞는지 여부를 문의하는 Yes/No 방식 중 어느 하나를 사용자 발화에 대한 응답으로 제공할 수 있다.
예를 들어, "새봄이에게 전화 걸어"와 같은 사용자 발화가 입력되면, 전자 장치(100)는 사용자 발화에 대한 응답을 질문 제공 방식으로 결정할 수 있다. 이때, 전자 장치(100)는, 도 8a에 도시된 바와 같이, "새봄이가 3명 검색되었습니다. 최새봄, 이새봄, 박새봄 중 누구에게 보낼까요?"와 같이 복수의 선택지(최새봄, 이새봄, 박새봄) 중 하나를 선택받기 위한 선택 방식으로 사용자 발화에 대한 응답을 제공할 수 있다. 또는, 전자 장치(100)는 도 8b에 도시된 바와 같이, "이새봄에게 전화를 걸까요?"와 같이 복수의 선택지 중 하나를 판단하고, 판단한 선택지가 맞는지 여부를 문의하는 Yes/No 방식으로 사용자 발화에 대한 응답을 제공할 수 있다.
이때, 전자 장치(100)는 다양한 방법으로, 선택 방식으로 응답을 제공할지, Yes/No 방식으로 응답을 제공할지 여부를 결정할 수 있다. 일 실시예로, 전자 장치(!00)는 사용자 설정에 따라 응답 제공 방식을 결정할 수 있다. 즉, 전자 장치(100)는 사용자가 선택 방식으로 응답을 제공하도록 설정하면 선택 방식으로 응답을 제공하고, Yes/No 방식으로 응답을 제공하도록 설정하면 Yes/No 방식으로 응답을 제공할 수 있다. 또 다른 실시예로, 전자 장치(100)는 사용자 발화에 대한 태스크를 판단하고, 판단된 태스크에 대한 복수의 선택지를 판단하고, 판단된 태스크와 복수의 선택지 간의 연관도 정보 및 임계값을 바탕으로 선택 방식 또는 Yes/No 방식 중 하나의 방식을 결정할 수 있다. 예를 들어, 새봄이에게 전화 걸어"와 같은 사용자 발화가 입력되면, 전자 장치(100)는 사용자 발화에 대한 전화 발신 태스크를 획득하고, 발신 대상에 대한 복수의 선택지(최새봄, 이새봄, 박새봄)를 획득할 수 있다. 이때, 전화 발신 태스크와 최새봄 간의 연관도는 0.1, 전화 발신 태스크와 이새봄 간의 연관도는 0.9, 전화 발신 태스크와 박새봄 간의 연관도는 0.5이고, 임계값이 0.7인 경우, 전자 장치(100)는 임계값 이상의 선택지가 하나(이새봄)이므로, "이새봄에게 전화를 걸까요?"(Yes/No 방식)와 같은 응답을 제공할 수 있다. 반면, 전화 발신 태스크와 최새봄 간의 연관도는 0.1, 전화 발신 태스크와 이새봄 간의 연관도는 0.9, 전화 발신 태스크와 박새봄 간의 연관도는 0.5이고, 임계값이 0.3인 경우, 전자 장치(100)는 임계값 이상의 선택지가 복수개(이새봄, 박새봄)이므로, "이새봄, 박새봄 중 누구에게 전화를 걸까요?"(선택 방식)와 같은 응답을 제공할 수 있다. 또 다른 실시예로, 전화 발신 태스크와 최새봄 간의 연관도는 0.1, 전화 발신 태스크와 이새봄 간의 연관도는 0.9, 전화 발신 태스크와 박새봄 간의 연관도는 0.5이고, 임계값이 0.3인 경우, 전자 장치(100)는 "최새봄, 이새봄, 박새봄 중 누구에게 전화를 걸까요?"(선택 방식)와 같은 응답을 제공할 수 있다. 즉, 임계값 이상의 선택지가 복수개 존재하면, 전자 장치(100)는 임계값 이하의 선택지(박새봄)도 응답으로 제공할 수도 있음은 물론이다.
도 9는 본 개시의 일 실시예에 따른 사용자 발화에 대한 질문 응답을 제공하기 위한 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 사용자 발화가 입력되면, 입력된 사용자 발화와 관련된 태스크를 결정할 수 있다(S910). 구체적으로, 전자 장치(100)는 자연어 이해부(420)을 통해 입력된 사용자 발화의 엔티티 및 태스크를 획득하여 사용자 발화에 대한 태스크를 결정할 수 있다. 일 실시예로, 사용자 발화가 "새봄이에게 전화 걸어줘" 인 경우, 결정된 태스크는 전화 발신일 수 있다.
전자 장치(100)는 결정된 태스크를 바탕으로 결정된 응답 정보에 포함된 추가 질문을 결정할 수 있다(S920). 구체적으로, 태스크를 수행하기 위해 필요한 정보는 복수개일 수 있다. 즉, 태스크를 수행하기 위해 필요한 정보는 복수개인 경우, 전자 장치(100)는 복수의 정보 중 어느 하나를 결정하기 위한 추가 질문을 결정할 수 있다. 예를 들어, 추가 질문은 새봄이가 3명 검색되었습니다. 최새봄, 이새봄, 박새봄 중 누구에게 보낼까요?"와 같은 선택 방식이거나, "이새봄에게 전화를 걸까요?"와 같은 Yes/No 방식일 수 있다.
전자 장치(100)는 결정된 태스크와 추가 질문의 연관도 정보를 바탕으로 추가 응답 정보를 결정할 수 있다(S930). 구체적으로, 전자 장치(100)는 사용자 발화에 대한 태스크를 판단하고, 판단된 태스크에 대한 복수의 정보를 판단하고, 판단된 태스크와 복수의 선택지를 바탕으로 결정된 추가 질문간의 연관도 정보 및 임계값을 바탕으로 선택 방식 또는 Yes/No 방식 중 하나의 방식을 결정할 수 있다. 상술한 바와 같이, 임계값 이상인 추가 질문이 하나인 경우, 전자 장치(100)는 Yes/No 방식을 추가 정보로 결정하고, 임계값 이상인 추가 질문이 복수개인 경우, 전자 장치(100)는 선택 방식을 추가 질문으로 결정할 수 있다.
전자 장치(100)는 결정된 태스크에 대한 응답 정보 및 추가 질문(또는 추가 응답)을 제공할 수 있다(S940). 일 실시예로, 전자 장치(100)의 자연어 생성부(440)는 결정된 태스크에 대한 응답 정보 및 추가 응답 정보를 바탕으로 사용자 발화에 대한 응답을 자연어로 생성하여 제공할 수 있다. 그러나 이에 한정되는 것은 아니며, 전자 장치(100)는 결정된 태스크에 대한 응답 정보 및 추가 응답 정보를 텍스트의 형태로 제공할 수 있음은 물론이다.
한편, 사용자 발화에 대한 응답이 제공되면, 전자 장치(100)는 입력된 사용자 발화 및 사용자 발화에 대한 추가 응답 정보를 바탕으로 지식 데이터 베이스(460)를 업데이트 할 수 있다(S950). 예를 들어, 전자 장치(100)는 입력된 사용자 발화 및 사용자 발화에 대한 추가 응답 정보를 입력값으로, 학습된 인공 지능 모델에 입력하여, 복수의 태스크 간의 연관도 정보를 업데이트하고, 업데이트된 연관도 정보를 지식 데이터 베이스(460)에 저장할 수 있다. 또 다른 예로, 전자 장치(100)는 입력된 사용자 발화 및 사용자 발화에 대한 추가 응답 정보를 입력값으로, 학습된 인공 지능 모델에 입력하여 사용자 발화와 관련된 태스크에 대한 임계값을 업데이트하고, 업데이트된 임계값을 지식 데이터 베이스(460)에 업데이트 할 수 있다.
도 10은 사용자 발화에 대한 응답을 제공하는 또 다른 실시예를 설명하기 위한 예시도이다.
도 10에 도시된 바와 같이, 사용자 발화가 입력되면, 전자 장치(100)는 사용자 발화를 분석하고, 사용자 발화에 대한 질문을 생성할 수 있다. 사용자 발화에 대한 질문에 대한 사용자의 추가 발화가 입력되면, 전자 장치(100)는 추가 사용자 발화에 대한 응답을 제공할 수 있다. 이때, 전자 장치(100)는 사용자 발화 및 사용자 발화와 관련된 정보를 테이블의 형태로 저장할 수 있다. 예를 들어, 저장되는 테이블은 질문 주제(전화 상대방, 메시지 전송 수단, 검색 엔진 등), 질문 타입(선택형, Yes/No형 등), 답변형(선택형, Yes/No형 등), 답변 내용, 질문 발생 횟수등에 대한 정보를 포함할 수 있다.
즉, 전자 장치(100)는 사용자 발화에 대한 추가 질문, 추가 질문에 대한 답변 타입, 추가 질문에 대한 답변 내용을 매칭하여 저장할 수 있다. 다양한 사용자 발화 히스토리에 대한 테이블이 획득된 후 사용자 발화가 입력되면, 전자 장치(100)는 다양한 사용자 발화 히스토리에 대한 테이블을 바탕으로 사용자 발화에 대한 응답을 결정할 수 있다.
한편, 상술한 전자 장치(100)의 다양한 동작이 인공 지능 모델에 의해 수행되는 경우, 전자 장치(100)가 인공 지능 모델을 동작 시킬 수 있으나, 이에 한정되는 것은 아니다. 즉, 도 11에 도시된 바와 같이, 서버(200)에서 인공 지능 모델의 동작이 이루어 질 수 있음은 물론이다.
구체적으로, 사용자 발화가 입력되면, 전자 장치(100)는 입력된 사용자 발화를 서버(200)로 전송할 수 있다. 서버(200)는 수신한 사용자 발화를 바탕으로 사용자 발화와 관련된 태스크를 결정하고, 결정된 태스크를 바탕으로 사용자 발화와 관련된 태스크 및 결정된 태스크와 관련된 추가 태스크를 포함하는 응답 패턴을 결정하고, 사용자 발화와 관련된 태스크에 대한 응답 정보 및 추가 태스크에 대한 추가 응답 정보를 획득하고, 획득된 응답 정보 및 추가 응답 정보를 바탕으로 자연어를 생성하여 전자 장치(100)로 전송할 수 있다.
일 실시예에 있어서, 전자 장치(100)와 서버(200)는 서로 원거리 통신에 의해서 연결될 수 있다.
이와 달리, 전자 장치(100)와 서버(200)는 서로 근거리 통신(ex. WiFi, WiFi direct, Bluetooth)에 의해서 연결될 수 있다. 이때, 서버(200)는 사용자의 집에 위치하는 전자 기기일 수 있다. 예를 들어, 서버(200)는 TV, 냉장고, 에어컨, AI 스피커와 같이 사용자의 집에 위치하면서 별도의 기능을 수행하면서 추가적으로 전자 장치(100)를 위한 인공 지능 모델을 동작시킬 수 있다.
일 실시예에 있어서, 서버(200)는 인공 지능 모델의 일부 구성 요소만을 저장할 수 있다. 구체적으로 서버(200)는 도 4의 대화 시스템에서 지식 데이터 베이스(460)만을 저장할 수 있다. 이때, 서버(200)는 사용자 별로 별도의 지식 데이터 베이스(460)를 저장하고, 서버(200)에 연결된 전자 장치(100)의 사용자 정보를 바탕으로, 대응하는 사용자의 지식 데이터 베이스(460)를 전자 장치(100)로 전달할 수 있다. 서버(200)는 지식 데이터 베이스(460)를 일정한 시간 간격으로 전자 장치(100)에 전달하거나, 서버(200)의 지식 데이터 베이스(460)가 업데이트될 때마다 전자 장치(100)에 이를 전달할 수 있다.
한편, 도 8a 내지 도 11에서는 사용자 발화에 불명확한 부분이 있는 경우, 추가 정보를 획득하기 위한 추가 질문을 제공하는 전자 장치(100)에 대하여 설명하였으나, 사용자 발화에 불명확한 부분이 있더라도 전자 장치(100)는 사용자 컨택스트 정보를 바탕으로 추가 정보를 획득하여 사용자에게 답변을 제공할 수도 있음은 물론이다. 예를 들어, 사용자 발화가 "날씨 어때?"인 경우, 전자 장치(100)는 날씨 조회를 요청하기 위한 장소가 불명확함을 판단할 수 있다. 이때, 전자 장치(100)는 사용자에게 날씨를 조회할 장소를 요청하는 추가 질문을 제공하는 대신, GPS 정보 등을 이용하여 현재 전자 장치(100)의 위치를 판단하고, 판단된 위치의 날씨 정보를 제공할 수 있다. 또 다른 예로, 사용자 발화가 "새봄이에게 전화 걸어줘" 인 경우, 전자 장치(100)는 "최새봄, 이새봄, 박새봄 중 누구에게 전화를 걸까요?" 또는 "최새봄에게 전화를 걸까요?"와 같은 추가 질문을 제공하는 대신, 전자 장치(100)가 이새봄 및 박새봄에게 과거 전화를 걸었던 로그가 없음을 판단하고, 최새봄에게 전화를 걸 수도 있다.
도 12는 본 개시의 일 실시예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 사용자 발화를 수신할 수 있다(S1210). 전자 장치(100)는 수신한 사용자 발화를 바탕으로 사용자 발화와 관련된 태스크를 결정할 수 있다(S1220) 예를 들어, 사용자 발화가 "오늘 날씨 어때?" 인 경우, 전자 장치(100)는 "날씨 조회"를 사용자 발화와 관련된 태스크로 결정할 수 있다. 또 다른 예로, 사용자 발화가 "새봄이에게 전화 걸어줘"인 경우, 전자 장치(100)는 "전화 발신"을 사용자 발화와 관련된 태스크로 결정할 수 있다.
전자 장치(100)는 사용자 발화와 관련된 태스크를 바탕으로 사용자 발화와 관련된 태스크 및 태스크와 관련된 추가 태스크를 결정할 수 있다(S1230). 구체적으로, 전자 장치(100)는 사용자 발화와 관련된 태스크와의 연관도가 임계값 이상인 태스크를 추가 태스크로 결정할 수 있다. 상술한 바와 같이, 사용자 발화와 관련된 태스크와의 연관도 및 임계값은, 사용자 발화 히스토리 및 사용자 선호도 정보를 바탕으로 결정될 수 있다.
전자 장치(100)는 사용자 발화와 관련된 태스크에 대한 응답 정보 및 추가 태스크에 대한 응답 정보를 획득할 수 있다(S1240). 전자 장치(100)는 획득한 응답 정보 및 추가 응답 정보를 제공할 수 있다(S1250).
도 13은 본 개시의 또 다른 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 13을 참고하면, 전자 장치(100)는 사용자의 제1 발화를 입력 받을 수 있다(S1310). 제1 발화는 예컨대 "우면동은 기온 몇도야"일 수 있다.
그리고 전자 장치(100)는 제1 발화를 바탕으로 제1 발화에 대한 제1 태스크를 식별할 수 있다(S1320). 제1 태스크는 예컨대 우면동 날씨 조회일 수 있다.
그리고 전자 장치(100)는 기 설정된 응답 패턴에 따라, 상기 제1 태스크에 대한 응답을 제공할 수 있다(S1330). 예컨대, 기 설정된 응답 패턴에 따라 제공되는 제1 태스크에 대한 응답은 "오늘 우면동은 맑고, 따뜻합니다"라는 응답일 수 있다.
그리고 전자 장치(100)는 사용자의 제2 발화를 입력 받을 수 있다(S1340). 예컨대 제2 발화는 "우면동 미세먼지 알려줘"일 수 있다.
그리고 전자 장치(100)는 제2 발화를 바탕으로 상기 제2 발화에 대한 제2 태스크를 식별하고, 제1 태스크와 제2 태스크의 연관도를 판단할 수 있다(S1350).
이 때, 연관도 판단과는 별개로, 전자 장치(100)는 제2 태스크에 대해서 기 설정된 응답 패턴에 따라 응답을 제공할 수 있다. 예컨대, 이 응답은 "오늘 우면동 미세먼지는 10 좋음. 초미세먼지는 20 좋음입니다"일 수 있다.
전자 장치(100)는, S1350 단계에서 판단된 연관도가 기 설정된 조건을 만족하면, 제2 태스크를 바탕으로 제1 태스크에 대한 응답 패턴을 설정할 수 있다(S1360).
일 실시 예에 따르면, 제1 태스크에 대한 응답 패턴에, 제2 태스크에 대한 응답 패턴도 추가 반영될 수 있도록 제1 태스크에 대한 응답 패턴이 설정될 수 있다. 이와 같이 제2 태스크를 바탕으로 제1 태스크에 대한 응답 패턴이 설정된 이후에, 제1 발화가 입력되면, 전자 장치는 설정된 응답 패턴대로 응답을 제공할 수 있다. 즉, 예컨대 다시 "우면동은 기온 몇도야"라는 제1 발화가 입력되었을 때, 제2 태스크에 대한 응답 패턴도 추가 반영되어 설정된 제1 태스크에 대한 응답 패턴에 따라, "오늘 우면동은 맑고, 따뜻합니다. 그리고 미세먼지는 10 좋음. 초미세먼지는 20 좋음입니다"와 같은 응답이 제공될 수 있다.
다른 일 실시 예에 따르면, 제2 태스크에 대한 응답 패턴에, 제1 태스크에 대한 응답 패턴도 추가 반영될 수 있도록 제2 태스크에 대한 응답 패턴이 설정될 수 있다. 예를 들어, 제1 태스크를 바탕으로 제2 태스크에 대한 응답 패턴이 설정된 이후에, 제2 발화가 다시 입력되면, 전자 장치는 설정된 응답 패턴대로 응답을 제공할 수 있다. 즉, 예컨대 다시 "우면동은 미세 먼지 알려줘"라는 제2 발화가 입력되었을 때, 제1 태스크에 대한 응답 패턴도 추가 반영되어 설정된 제2 태스크에 대한 응답 패턴에 따라, "오늘 우면동은 맑고, 따뜻합니다. 그리고 미세먼지는 10 좋음. 초미세먼지는 20 좋음입니다"와 같은 응답이 제공될 수 있다.
상술한 실시 예들에 따르면, 고정된 응답 패턴에 따라 응답이 제공되는 것이 아니라, 사용자가 전자 장치를 사용함에 따라, 사용자의 습관, 선호도 등이 반영되어서 응답 패턴이 적응적으로 변경될 수 있어, 사용자의 의도에 보다 부합하는 응답이 제공될 수 있고, 또한 여러 번 문의하지 않고도 사용자는 원하는 답변을 한번에 얻을 수 있는 등의 효과가 있다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서(120)와 메모리(110)를 통해 동작된다.
프로세서(120)는 하나 또는 복수의 프로세서(120)로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서(120)는 CPU, AP 등과 같은 범용 프로세서, GPU. VPU 등과 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다.
하나 또는 복수의 프로세서(120)는, 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.
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
120: 프로세서
Claims (20)
- 전자 장치의 제어 방법에 있어서,
사용자의 제1 발화를 입력 받는 단계;
상기 제1 발화를 바탕으로 상기 제1 발화에 대한 제1 태스크를 식별하는 단계;
기 설정된 응답 패턴에 따라, 상기 제1 태스크에 대한 응답을 제공하는 단계;
사용자의 제2 발화를 입력 받는 단계;
상기 제2 발화를 바탕으로 상기 제2 발화에 대한 제2 태스크를 식별하고, 상기 제1 태스크와 상기 제2 태스크의 연관도를 판단하는 단계; 및
상기 판단된 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크를 바탕으로 상기 제1 태스크에 대한 응답 패턴을 설정하는 단계; 를 포함하는 제어 방법. - 제1항에 있어서,
상기 응답 패턴은, 사용자 발화에 대한 응답의 길이와 관련된 정보 및 상기 사용자 발화에 대한 응답에 포함된 정보의 종류와 관련된 정보 중 적어도 하나를 포함하여 결정되는 것을 특징으로 하는 제어 방법. - 제1항에 있어서,
상기 기 설정된 응답 패턴은, 사용자 명령에 의해 선택된 응답 패턴이거나, 자동으로 설정된 응답 패턴인 것을 특징으로 하는 제어 방법. - 제3 항에 있어서,
상기 제1 발화에 따른 사용자 음성을 학습된 인공 지능 모델에 입력하여, 상기 제1 발화의 음향 특징에 대한 정보를 획득하는 단계; 및
상기 획득된 음향 특징에 대한 정보를 바탕으로 상기 사용자를 인식하는 단계; 를 더 포함하고,
상기 기 설정된 응답 패턴은, 상기 인식된 사용자의 대화 히스토리 및 선호도 정보를 바탕으로 결정되는 제어 방법. - 제1항에 있어서,
상기 기 설정된 조건은, 상기 제1 태스크 및 상기 제2 태스크와의 연관도 정보가 임계값 이상인 조건인 것을 특징으로 하는 제어 방법. - 제1항에 있어서,
상기 제어 방법은,
제3 발화가 입력되면, 상기 제3 발화에 대한 제3 태스크가 상기 제1 태스크와 관련 있는지 판단하는 단계; 및
상기 설정된 제1 태스크에 대한 응답 패턴에 따라 응답을 제공하는 단계; 를 더 포함하는 제어 방법. - 제1항에 있어서,
상기 제어 방법은,
사용자의 제3 발화를 입력 받는 단계; 및
상기 제3 발화를 바탕으로 상기 제3 발화에 대한 제3 태스크를 식별하고, 상기 제1 태스크와 상기 제3 태스크의 연관도를 판단하는 단계; 를 더 포함하고,
상기 설정하는 단계는,
상기 판단된 상기 제1 태스크와 상기 제3 태스크의 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크 및 상기 제3 태스크의 우선순위를 판단하는 단계 및
상기 판단된 우선 순위, 상기 제2 태스크 및 상기 제3 태스크를 바탕으로 상기 제1 태스크에 대한 응답 패턴을 설정하는 단계; 를 더 포함하는 제어 방법. - 제6항에 있어서,
상기 제어 방법은,
상기 제공된 응답에 대한 사용자 피드백을 획득하는 단계; 및
상기 획득된 사용자 피드백을 바탕으로 상기 제1 태스크와 상기 제2 태스크의 연관도를 업데이트 하는 단계; 를 포함하는 제어 방법. - 제1항에 있어서,
상기 제어 방법은,
상기 제1 태스크 및 상기 제2 태스크와의 연관도를 바탕으로, 상기 제1 태스크 및 상기 제2 태스크를 온톨로지 형태로 저장하는 단계; 를 더 포함하는 제어 방법. - 제1항에 있어서,
상기 제1 태스크를 식별하는 단계, 상기 연관도를 판단하는 단계, 상기 응답 패턴을 설정하는 단계 및 상기 응답을 제공하는 단계 중 적어도 하나의 단계는 인공 지능 모델에 의해 수행되고,
상기 인공 지능 모델은 적어도 하나의 노드를 각각 포함하는 복수개의 레이어로 구성되며, 상기 적어도 하나의 노드 각각은 입력값의 해석을 위한 연결 가중치를 가지는 신경망 모델인 것을 특징으로 하는 제어 방법. - 전자 장치에 있어서,
적어도 하나의 명령어를 저장하는 메모리; 및
상기 적어도 하나의 명령어를 실행하는 프로세서; 를 포함하며,
상기 프로세서는,
사용자의 제1 발화를 입력 받고,
상기 제1 발화를 바탕으로 상기 제1 발화에 대한 제1 태스크를 식별하고,
기 설정된 응답 패턴에 따라, 상기 제1 태스크에 대한 응답을 제공하고, 사용자의 제2 발화를 입력 받고,
상기 제2 발화를 바탕으로 상기 제2 발화에 대한 제2 태스크를 식별하고, 상기 제1 태스크와 상기 제2 태스크의 연관도를 판단하고,
상기 판단된 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크를 바탕으로 상기 제1 태스크에 대한 응답 패턴을 설정하는 전자 장치. - 제11항에 있어서,
상기 응답 패턴은, 사용자 발화에 대한 응답의 길이와 관련된 정보 및 상기 사용자 발화에 대한 응답에 포함된 정보의 종류와 관련된 정보 중 적어도 하나를 포함하여 결정되는 것을 특징으로 하는 전자 장치. - 제11항에 있어서,
상기 기 설정된 응답 패턴은, 사용자 명령에 의해 선택된 응답 패턴이거나, 자동으로 설정된 응답 패턴인 것을 특징으로 하는 전자 장치. - 제13 항에 있어서,
상기 프로세서는,
상기 제1 발화에 따른 사용자 음성을 학습된 인공 지능 모델에 입력하여, 상기 제1 발화의 음향 특징에 대한 정보를 획득하고,
상기 획득된 음향 특징에 대한 정보를 바탕으로 상기 사용자를 인식하며,
상기 기 설정된 응답 패턴은, 상기 인식된 사용자의 대화 히스토리 및 선호도 정보를 바탕으로 결정되는 전자 장치. - 제11항에 있어서,
상기 기 설정된 조건은, 상기 제1 태스크 및 상기 제2 태스크와의 연관도 정보가 임계값 이상인 조건인 것을 특징으로 하는 전자 장치. - 제11항에 있어서,
상기 프로세서는,
제3 발화가 입력되면, 상기 제3 발화에 대한 제3 태스크가 상기 제1 태스크와 관련 있는지 판단하고, 상기 설정된 제1 태스크에 대한 응답 패턴에 따라 응답을 제공하는 전자 장치. - 제11항에 있어서,
상기 프로세서는,
사용자의 제3 발화를 입력 받고, 상기 제3 발화를 바탕으로 상기 제3 발화에 대한 제3 태스크를 식별하고, 상기 제1 태스크와 상기 제3 태스크의 연관도를 판단하고,
상기 판단된 상기 제1 태스크와 상기 제3 태스크의 연관도가 기 설정된 조건을 만족하면, 상기 제2 태스크 및 상기 제3 태스크의 우선순위를 판단하고,
상기 판단된 우선 순위, 상기 제2 태스크 및 상기 제3 태스크를 바탕으로 상기 제1 태스크에 대한 응답 패턴을 설정하는 것을 특징으로 하는 전자 장치. - 제16항에 있어서,
상기 프로세서는,
상기 제공된 응답에 대한 사용자 피드백을 획득하고, 상기 획득된 사용자 피드백을 바탕으로 상기 제1 태스크와 상기 제2 태스크의 연관도를 업데이트 하는 것을 특징으로 하는 전자 장치. - 제11항에 있어서,
상기 프로세서는,
상기 제1 태스크 및 상기 제2 태스크와의 연관도를 바탕으로, 상기 제1 태스크 및 상기 제2 태스크를 온톨로지 형태로 상기 메모리에 저장하는 것을 특징으로 하는 전자 장치. - 제11항에 있어서,
상기 제1 태스크를 식별하는 단계, 상기 연관도를 판단하는 단계, 상기 응답 패턴을 설정하는 단계 및 상기 응답을 제공하는 단계 중 적어도 하나의 단계는 인공 지능 모델에 의해 수행되고,
상기 인공 지능 모델은 적어도 하나의 노드를 각각 포함하는 복수개의 레이어로 구성되며, 상기 적어도 하나의 노드 각각은 입력값의 해석을 위한 연결 가중치를 가지는 신경망 모델인 것을 특징으로 하는 전자 장치.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/671,536 US11367441B2 (en) | 2018-11-01 | 2019-11-01 | Electronic apparatus and control method thereof |
| EP19206720.5A EP3647936B1 (en) | 2018-11-01 | 2019-11-01 | Electronic apparatus and control method thereof |
| CN201980072900.8A CN112955862A (zh) | 2018-11-01 | 2019-11-01 | 电子装置及其控制方法 |
| PCT/KR2019/014704 WO2020091503A1 (en) | 2018-11-01 | 2019-11-01 | Electronic apparatus and control method thereof |
| US17/828,216 US11842735B2 (en) | 2018-11-01 | 2022-05-31 | Electronic apparatus and control method thereof |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180132717 | 2018-11-01 | ||
| KR20180132717 | 2018-11-01 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200050373A true KR20200050373A (ko) | 2020-05-11 |
Family
ID=70729209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190129837A KR20200050373A (ko) | 2018-11-01 | 2019-10-18 | 전자 장치 및 그의 제어 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11842735B2 (ko) |
| KR (1) | KR20200050373A (ko) |
| CN (1) | CN112955862A (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102384573B1 (ko) * | 2021-09-09 | 2022-04-11 | 주식회사 오리진 | 자율대화 기능이 구비된 인공지능 기반의 언어학습 단말기 그 동작방법 |
| WO2022114520A1 (ko) * | 2020-11-25 | 2022-06-02 | 삼성전자 주식회사 | 사용자 발화를 처리하는 전자 장치 및 그 작동 방법 |
| WO2022145883A1 (ko) * | 2020-12-30 | 2022-07-07 | 삼성전자 주식회사 | 음성 입력에 응답하는 방법 및 이를 지원하는 전자 장치 |
| WO2022177264A1 (ko) * | 2021-02-16 | 2022-08-25 | 삼성전자 주식회사 | 전자 장치 및 전자 장치의 음성 인식 처리 방법 |
| WO2023017939A1 (ko) * | 2021-08-10 | 2023-02-16 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| US11756575B2 (en) | 2021-02-16 | 2023-09-12 | Samsung Electronics Co., Ltd. | Electronic device and method for speech recognition processing of electronic device |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200050373A (ko) * | 2018-11-01 | 2020-05-11 | 삼성전자주식회사 | 전자 장치 및 그의 제어 방법 |
| WO2021231631A1 (en) * | 2020-05-13 | 2021-11-18 | Nvidia Corporation | Conversational ai platform with rendered graphical output |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3576116B2 (ja) | 2001-03-22 | 2004-10-13 | 日本電信電話株式会社 | 音声対話装置、音声対話処理方法、音声対話処理プログラムおよびその記録媒体 |
| KR101699720B1 (ko) | 2010-08-03 | 2017-01-26 | 삼성전자주식회사 | 음성명령 인식 장치 및 음성명령 인식 방법 |
| KR20120045415A (ko) | 2010-10-29 | 2012-05-09 | 삼성에스디에스 주식회사 | 지능형서비스제공 라이프로깅장치 및 방법 |
| ES2958183T3 (es) * | 2011-08-05 | 2024-02-05 | Samsung Electronics Co Ltd | Procedimiento de control de aparatos electrónicos basado en el reconocimiento de voz y de movimiento, y aparato electrónico que aplica el mismo |
| US20140122618A1 (en) | 2012-10-26 | 2014-05-01 | Xiaojiang Duan | User-aided learning chatbot system and method |
| WO2014144949A2 (en) * | 2013-03-15 | 2014-09-18 | Apple Inc. | Training an at least partial voice command system |
| KR101508429B1 (ko) | 2013-08-22 | 2015-04-07 | 주식회사 엘지씨엔에스 | 사용자 단말에 에이전트 서비스를 제공하는 방법 및 시스템 |
| JP6624368B2 (ja) | 2014-09-30 | 2019-12-25 | パナソニックＩｐマネジメント株式会社 | 接客モニタリングシステム及び接客モニタリング方法 |
| US20160379638A1 (en) * | 2015-06-26 | 2016-12-29 | Amazon Technologies, Inc. | Input speech quality matching |
| KR20180019869A (ko) | 2016-08-17 | 2018-02-27 | 주식회사 텍스트팩토리 | 챗봇을 이용한 개인 비서 서비스 제공 방법 |
| US10403273B2 (en) | 2016-09-09 | 2019-09-03 | Oath Inc. | Method and system for facilitating a guided dialog between a user and a conversational agent |
| US10824798B2 (en) | 2016-11-04 | 2020-11-03 | Semantic Machines, Inc. | Data collection for a new conversational dialogue system |
| US10275539B2 (en) | 2016-11-21 | 2019-04-30 | Accenture Global Solutions Limited | Closed-loop natural language query pre-processor and response synthesizer architecture |
| US10521723B2 (en) * | 2016-12-14 | 2019-12-31 | Samsung Electronics Co., Ltd. | Electronic apparatus, method of providing guide and non-transitory computer readable recording medium |
| KR102343084B1 (ko) | 2017-03-27 | 2021-12-27 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 기능 실행 방법 |
| US10547729B2 (en) | 2017-03-27 | 2020-01-28 | Samsung Electronics Co., Ltd. | Electronic device and method of executing function of electronic device |
| KR102416782B1 (ko) * | 2017-03-28 | 2022-07-05 | 삼성전자주식회사 | 음성 인식 서비스 운용 방법 및 이를 지원하는 전자 장치 |
| US10929759B2 (en) * | 2017-04-06 | 2021-02-23 | AIBrain Corporation | Intelligent robot software platform |
| KR102414122B1 (ko) * | 2017-04-19 | 2022-06-29 | 삼성전자주식회사 | 사용자 발화를 처리하는 전자 장치 및 그 동작 방법 |
| KR102445382B1 (ko) * | 2017-07-10 | 2022-09-20 | 삼성전자주식회사 | 음성 처리 방법 및 이를 지원하는 시스템 |
| KR102374910B1 (ko) * | 2017-08-22 | 2022-03-16 | 삼성전자주식회사 | 음성 데이터 처리 방법 및 이를 지원하는 전자 장치 |
| US10757148B2 (en) * | 2018-03-02 | 2020-08-25 | Ricoh Company, Ltd. | Conducting electronic meetings over computer networks using interactive whiteboard appliances and mobile devices |
| KR20200050373A (ko) * | 2018-11-01 | 2020-05-11 | 삼성전자주식회사 | 전자 장치 및 그의 제어 방법 |
| WO2020091503A1 (en) * | 2018-11-01 | 2020-05-07 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
-
2019
- 2019-10-18 KR KR1020190129837A patent/KR20200050373A/ko active Search and Examination
- 2019-11-01 CN CN201980072900.8A patent/CN112955862A/zh active Pending
-
2022
- 2022-05-31 US US17/828,216 patent/US11842735B2/en active Active
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022114520A1 (ko) * | 2020-11-25 | 2022-06-02 | 삼성전자 주식회사 | 사용자 발화를 처리하는 전자 장치 및 그 작동 방법 |
| WO2022145883A1 (ko) * | 2020-12-30 | 2022-07-07 | 삼성전자 주식회사 | 음성 입력에 응답하는 방법 및 이를 지원하는 전자 장치 |
| WO2022177264A1 (ko) * | 2021-02-16 | 2022-08-25 | 삼성전자 주식회사 | 전자 장치 및 전자 장치의 음성 인식 처리 방법 |
| US11756575B2 (en) | 2021-02-16 | 2023-09-12 | Samsung Electronics Co., Ltd. | Electronic device and method for speech recognition processing of electronic device |
| WO2023017939A1 (ko) * | 2021-08-10 | 2023-02-16 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| KR102384573B1 (ko) * | 2021-09-09 | 2022-04-11 | 주식회사 오리진 | 자율대화 기능이 구비된 인공지능 기반의 언어학습 단말기 그 동작방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11842735B2 (en) | 2023-12-12 |
| US20220293102A1 (en) | 2022-09-15 |
| CN112955862A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200050373A (ko) | 전자 장치 및 그의 제어 방법 | |
| EP3647936B1 (en) | Electronic apparatus and control method thereof | |
| KR20190111278A (ko) | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 | |
| CN111418198B (zh) | 提供文本相关图像的电子装置及其操作方法 | |
| KR102515023B1 (ko) | 전자 장치 및 그 제어 방법 | |
| US11776269B2 (en) | Action classification in video clips using attention-based neural networks | |
| US20210217409A1 (en) | Electronic device and control method therefor | |
| US20230074406A1 (en) | Using large language model(s) in generating automated assistant response(s | |
| US11314548B2 (en) | Electronic device and server for processing data received from electronic device | |
| CN112703494A (zh) | 电子装置和控制该电子装置的方法 | |
| US20190362718A1 (en) | Electronic device for outputting response to speech input by using application and operation method thereof | |
| KR20200046188A (ko) | 인공 지능 모델을 재구성하기 위한 전자 장치 및 그의 제어 방법 | |
| US11955026B2 (en) | Multimodal neural network for public speaking guidance | |
| KR20200044173A (ko) | 전자 장치 및 그의 제어 방법 | |
| KR20180096483A (ko) | 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체 | |
| AU2021463794A1 (en) | Using large language model(s) in generating automated assistant response(s) | |
| US20220059088A1 (en) | Electronic device and control method therefor | |
| KR102398386B1 (ko) | 복수 개의 메시지들을 필터링하는 방법 및 이를 위한 장치 | |
| US11705110B2 (en) | Electronic device and controlling the electronic device | |
| KR20200080389A (ko) | 전자 장치 및 그 제어 방법 | |
| US11436215B2 (en) | Server and control method thereof | |
| KR20200021408A (ko) | 서버 및 이의 제어 방법 | |
| KR20210033837A (ko) | 전자 장치 및 이의 제어 방법 | |
| KR20200044175A (ko) | 전자 장치 및 그의 비서 서비스 제공 방법 | |
| KR20210094727A (ko) | 전자 장치 및 이의 제어 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |