KR20200067421A - 데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법 - Google Patents

Abstract

센서 모듈로부터 음성 데이터 또는 영상 데이터를 수집하고 수집된 데이터를 저장하는 동작, 사용자 식별(identification) 또는 인증(authentication) 기능을 수행하는 동작, 상기 수집된 데이터를 입력으로, 상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하는 동작, 및 상기 입력 및 상기 목표 값에 기반하여 상기 사용자 예측 모델을 생성하는 동작을 포함하는 사용자 예측 모델 생성 방법이 개시될 수 있다. 이 외에도 명세서를 통해 파악되는 다양한 실시 예가 가능하다.

Description

데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법{GENERATION METHOD OF USER PREDICTION MODEL RECOGNIZING USER BY LEARNING DATA, ELECTRONIC DEVICE APPLYING THE MODEL, AND METOHD FOR APPLYING THE MODEL}

본 문서에서 개시되는 다양한 실시 예들은 외부의 데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하고, 생성한 사용자 예측 모델을 이용하여 입력된 데이터에 대응하는 사용자를 식별하는 기술과 관련된다.

최근의 전자 장치들은 암호(password)를 입력하여 사용자를 인증(authentication)하는 방법 이외의 방법을 이용하여 사용자를 인식 또는 식별할 수 있다. 예를 들어, 스마트 폰(smart phone)이나 태블릿(tablet)과 같은 전자 장치들은 음성을 입력 받거나 영상을 인식하는 경우, 입력된 음성 또는 영상에 대응하는 사용자를 식별할 수 있다. 이에 따라, 사용자가 키보드, 터치 펜, 또는 직접 터치를 하지 않아도 전자 장치를 사용할 수 있다.

전자 장치는 사용자를 식별하는 인증 기능을 수행하기 위해 음성 또는 영상 데이터를 입력 받을 수 있다. 전자 장치는 입력된 음성 또는 영상 데이터에 기초하여 사용자를 인식 또는 식별할 수 있다. 예를 들어, 전자 장치는 등록된 사용자와 연관된 정보와 입력된 음성 또는 영상 데이터를 비교하여 현재 사용자가 누구인지 식별할 수 있다.

전자 장치는 인증 기능을 수행하고, 인증된 사용자에게 맞춤형 서비스를 제공하기 위해 사용자를 식별하여야 한다. 그러나, 사용자를 식별하는 동작은 전자 장치 및 사용자가 서로 인접한 상태에서 이루어진다. 일정 범위 밖에서는 전자 장치가 먼저 사용자를 식별할 수 없으므로, 전자 장치가 사용자 맞춤형 서비스를 제공하는 것이 용이하지 않다.

또한, 전자 장치는 수집한 데이터에서 의미 있는 정보를 추출하고 활용하는 것이 용이하지 않다. 이에 따라, 실시간 발생하는 데이터를 수집하고, 수집한 데이터를 이용하여 사용자를 식별하는 것이 용이하지 않다.

본 문서의 다양한 실시 예 들에서는, 상술한 문제를 해결하기 위해 사용자 식별을 위하여 수행한 인증 기능의 결과를 정답으로 부여하고, 수집된 데이터를 입력으로 부여하여 학습시킨 사용자 예측 모델을 이용하여, 수집한 데이터를 이용하여 사용자를 식별할 수 있는 전자 장치를 제공하는 것을 목적으로 한다.

본 문서에 개시되는 일 실시 예에 따른 사용자 예측 모델 생성 방법은, 센서 모듈로부터 음성 데이터 또는 영상 데이터를 수집하고 수집된 데이터를 저장하는 동작, 사용자 식별(identification) 또는 인증(authentication) 기능을 수행하는 동작, 상기 수집된 데이터를 입력으로, 상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하는 동작, 및 상기 입력 및 상기 목표 값에 기반하여 상기 사용자 예측 모델을 생성하는 동작을 포함할 수 있다.

또한, 본 문서에 개시되는 일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치는, 센싱 모듈, 통신 모듈, 메모리, 및 상기 센싱 모듈, 상기 통신 모듈, 및 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 센싱 모듈을 이용하여 상기 전자 장치로부터 제1 거리만큼 이격된 사용자가 생성한 데이터를 수집하고, 상기 전자 장치로부터 상기 제1 거리보다 짧은 제2 거리만큼 이격된 상기 사용자에 대하여 사용자 식별(identification) 또는 인증(authentication) 기능을 수행하고, 상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하고, 상기 데이터 중 상기 인증 기능과 시간적 또는 공간적으로 연관된 상황에서 발생한 데이터를 입력으로 부여하여 사용자 예측 모델을 생성하고, 상기 사용자 예측 모델을 이용하여 상기 제1 거리에서 상기 사용자를 식별할 수 있다.

또한, 본 문서에 개시되는 다른 실시 예에 따른 사용자 예측 모델 적용 방법은, 영상 데이터 또는 음성 데이터와 같은 데이터를 수집하는 동작, 상기 수집된 데이터가 유효한 데이터인지 판단하는 동작, 상기 판단 결과에 따라 상기 수집된 데이터를 상기 사용자 예측 모델에 입력하여 사용자를 미리 식별하는 동작, 및 식별된 상기 사용자에 대응하는 맞춤형 서비스를 제공하는 동작을 포함하고, 상기 수집된 데이터는 발소리, 주변기기 조작음 등의 음성 데이터 또는 헤어스타일, 체형, 걸음걸이, 의복 등의 영상 데이터일 수 있다.

본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자 예측 모델을 적용한 전자 장치는 데이터를 입력 받고 일정 범위 밖에서 먼저 사용자를 식별할 수 있다.

또한, 본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자 인증을 수행하기 이전에 획득된 사용자 관련 데이터에 대한 사용자 예측 모델을 생성 및 활용하여 보다 신속한 사용자 맞춤형 서비스를 제공할 수 있다.

또한, 본 문서에 개시되는 다양한 실시 예들에 따르면, 수집된 데이터를 입력으로, 인증 기능의 결과를 정답으로 부여하여 학습시킨 사용자 예측 모델을 이용하여, 수집한 데이터를 이용하여 사용자를 식별할 수 있다. 이에 따라, 기존에 활용되지 못한 데이터를 예측 서비스 또는 맞춤형 서비스와 같은 활용성 있는 모델을 생성하는 데에 활용할 수 있다.

또한, 본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자 인증 결과를 학습의 목표 값으로 부여함으로써 사용자와 연관된 사용자 예측 모델을 지속적으로 지도 및 학습시킬 수 있다.

이 외에, 본 문서의 다양한 실시예들을 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치를 나타낸다.
도 2a는 일 실시 예에 따른 데이터를 학습하여 사용자들 각각을 식별하는 모델을 생성하는 것을 나타낸 도면이다.
도 2b는 일 실시 예에 따른 사용자 예측 모델에 적용하는 기계 학습을 나타낸 도면이다.
도 3는 일 실시 예에 따른 데이터를 학습하여 사용자 예측 모델을 생성하는 것을 나타낸 흐름도이다.
도 4는 다른 실시 예에 따른 사용자 예측 모델을 생성하는 것을 나타낸 흐름도이다.
도 5a는 또 다른 실시 예에 따른 사용자 예측 모델을 생성하는 것을 나타낸 흐름도이다.
도 5b는 새로운 목표 값을 부여하는 동작을 나타낸 도면이다.
도 6은 일 실시 예에 따른 사용자 예측 모델을 검증하는 흐름도이다.
도 7은 일 실시 예에 따른 전자 장치가 사용자 예측 모델을 이용하여 사용자를 식별하는 것을 나타낸 도면이다.
도 8은 일 실시 예에 따른 전자 장치가 이용하는 사용자 예측 모델을 생성 및 학습하는 것을 나타낸 도면이다.
도 9는 일 실시 예에 따른 전자 장치가 사용자 예측 모델을 이용하여 서비스를 제공하는 것을 나타낸 도면이다.
도 10은 다른 실시 예에 따른 전자 장치가 사용자 예측 모델을 생성 및 학습하는 것을 나타낸 도면이다.
도 11은 일 실시 예에 따른 통합 지능화 시스템을 나타낸 블록도이다.
도 12는 일 실시 예에 따른 컨셉과 액션의 관계 정보가 데이터베이스에 저장된 컨셉 액션 네트워크를 나타낸 도면이다.
도 13은 일 실시 예에 따른 전자 장치의 하드웨어 구조를 나타낸 도면이다.
도 14는 일 실시 예에 따른 전자 장치의 소프트웨어 구조를 나타낸 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.

이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블럭도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다

프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)은 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.

보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)은, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예:스타일러스 펜)을 포함할 수 있다.

음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.

표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.

오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102)) (예: 스피커 또는 헤드폰))를 통해 소리를 출력할 수 있다.

센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.

인터페이스(177)는 전자 장치(101)이 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.

연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)은, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.

햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.

카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.

전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.

배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.

통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다.

안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.

상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))를 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.

일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, or 108) 중 하나 이상의 외부 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.

도 2a는 일 실시 예에 따른 데이터(210)를 학습하여 사용자들(201, 202) 각각을 식별하는 모델을 생성하는 것을 나타낸 도면(200)이다.

일 실시 예에서, 사용자들(201, 202)은 제1 영역(A1)에 위치할 수 있다. 사용자들(201, 202)을 제1 사용자(201) 및 제2 사용자(202)를 포함할 수 있다.

일 실시 예에서, 제1 사용자(201)는 데이터(210)를 생성할 수 있다. 데이터(210)는 제1 사용자(201)를 식별 또는 예측할 수 있는 특성을 포함하는 정보일 수 있다. 예를 들어, 데이터(210)는 발소리(211), 체형(212), 및 걸음걸이(213) 중 적어도 하나를 포함할 수 있다. 제1 사용자(201) 및 제2 사용자(202)는 서로 다른 특성을 갖는 정보를 생성할 수 있다.

일 실시 예에서, 전자 장치(101)는 제2 영역(A2)에 위치할 수 있다. 제2 영역(A2)은 제1 영역(A1)으로부터 지정된 거리만큼 이격된 영역일 수 있다. 전자 장치(101)는 제1 사용자(201)와 제1 거리(D1)만큼 이격될 수 있다. 제1 거리(D1)는 전자 장치(101)가 사용자 식별을 위한 인증 기능을 수행할 수 있는 거리보다 길 수 있다.

일 실시 예에서, 전자 장치(101)는 제1 거리(D1)만큼 이격된 제1 사용자(201)가 생성한 데이터(210)를 입력받을 수 있다. 전자 장치(101)는 제1 사용자(201)가 생성한 데이터(210)를 실시간으로 수집할 수 있다.

일 실시 예에서, 제1 사용자(201)는 위치를 변경할 수 있다. 제1 사용자(201)는 전자 장치(101)가 위치한 제2 영역(A2)으로 이동할 수 있다. 제1 사용자(201)는 전자 장치(101)와 제1 사용자(201)와 제2 거리(D2)만큼 이격되도록 위치를 변경할 수 있다. 제2 거리(D2)는 제1 거리(D1)보다 짧은 거리일 수 있다. 제2 거리(D2)는 전자 장치(101)가 인증 기능을 수행할 수 있는 거리일 수 있다.

일 실시 예에서, 전자 장치(101)는 이동한 제1 사용자(201)에 대하여 인증(authentication) 기능을 수행할 수 있다. 인증 기능은 전자 장치(101)가 제1 사용자(201)로부터 획득한 정보가 전자 장치(101)에 등록된 정보와 일치하는지 여부를 비교하는 인증 기능을 포함할 수 있다. 예를 들어, 전자 장치(101)는 이동한 제1 사용자(201)의 얼굴 또는 홍채와 같은 이미지(221)를 획득하여 비전 인식을 수행하고, 이미지(221)가 등록된 제1 사용자(201)의 이미지 데이터와 일치하는지 여부를 판단하여 제1 사용자(201)를 인증할 수 있다. 다른 예로, 전자 장치(101)는 이동한 제1 사용자(201)가 발화한 음성(222)을 획득하여 음성 인식을 수행하고, 음성(222)이 등록된 제1 사용자(201)의 음성 데이터와 일치하는지 여부를 판단하여 제1 사용자(201)를 인증할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집한 데이터(210)를 학습하는 모델을 생성할 수 있다. 전자 장치(101)는 생성한 모델을 이용하여 사용자를 예측할 수 있다. 본 문서에서 전자 장치(101)가 생성한 모델은 사용자 예측 모델로 참조될 수 있다.

일 실시 예에서, 전자 장치(101)는 인증 기능을 이용하여 사용자를 인증한 동작의 결과를 사용자 예측 모델에 목표 값으로 부여할 수 있다. 전자 장치(101)는 인증 결과에 기반하여기계 학습(machine learning)의 레이블(label) 또는 태그(tag)를 부여할 수 있다. 기계 학습은 딥러닝(deep learning), GMM(Gaussian mixture model), SVM(support vector machine), 무작위 숲(random forest) 등 다양한 기계학습 알고리즘 중 적어도 하나를 포함하는 알고리즘이 될 수 있다. 레이블은 수집된 데이터(210)에 대한 이름 또는 분류(예: 사용자 1, 사용자 2, 또는 관리자)일 수 있다.

일 실시 예에서, 전자 장치(101)는 인증 기능과 시간적 또는 공간적으로 연관된 상황에서 발생한 데이터(210)를 사용자 예측 모델의 입력으로 부여할 수 있다. 예를 들어, 전자 장치(101)는 인증 기능 이전 일정 기간 내에 수집된 데이터(210)에 대해 레이블을 자동으로 부여할 수 있다. 일정 기간은 인증 기능과 연관된 기간(예: 인증 기능 바로 이전)일 수 있다.

일 실시 예에서, 전자 장치(101)는 사용자 예측 모델에 입력한 데이터(210) 및 정답으로 부여한 인증 결과를 이용하여 제1 사용자(201)와 연관된 패턴을 발견(mining)할 수 있다. 사용자 예측 모델은 데이터(210)를 기계 학습의 테스트 데이터로 이용하고, 정답을 레이블과 같은 목표 값으로 이용하여 갱신될 수 있다.

도 2b는 일 실시 예에 따른 사용자 예측 모델에 적용하는 기계 학습을 나타낸 도면이다.

일 실시 예에서, 사용자 예측 모델에 적용하는 기계 학습(240)은 테스트 데이터에 해당하는 데이터(210)를 입력하는 경우 목표 값을 출력하도록 설정될 수 있다. 기계 학습을 적용한 사용자 예측 모델은 테스트 데이터를 반복하여 입력함으로써 보다 다양한 입력에 대한 목표 값을 출력할 수 있다. 예를 들어, 적어도 하나 이상의 테스트 데이터(예: Xtest)가 훈련 데이터 세트(230)에 포함될 수 있다. 훈련 데이터 세트(230)는 값이 특징(feature, X) 및 레이블(label, Y)이 정해져 있는 적어도 하나 이상의 테스트 데이터를 포함할 수 있다. 예를 들어, 훈련 데이터 세트 1은 (2, 3, 5)이고, 훈련 데이터 세트 2는 (2, 5, 7)이고, 훈련 데이터 세트 3은 (3, 6, 9)로 단순화하여 표현된 데이터일 수 있다. 예를 들어, 전자 장치는 상기 훈련 데이터 세트들을 반복, 학습하여 특정 모델(예: 사용자 예측 모델)을 생성할 수 있으며, 상기 생성된 모델에 (3, 6, 9)에 대응하는 데이터(210)가 테스트 데이터(Xtest)로 입력되는 경우, 결과 값으로 목표 값(Y = 3)을 출력할 수 있다. 다양한 실시 예에 따라 학습 알고리즘으로 인공 신경망 알고리즘이 적용되는 경우, 상기 모델을 생성하는 동작은 기능(예: 분류, 군집화, 사용자 식별 등)을 수행하기 위한 특정 함수식의 파라미터(parameter)(예: 가중치(weight), 바이어스(bias))을 결정하는 동작을 포함할 수 있다. 전자 장치는 학습 알고리즘을 이용하여데이터의 패턴을 발견하고 이를 이용하여 수학적 모델을 구성할 수 있으며 상기 모델을 사용하여 이후 입력된 데이터에 대한 예측을 수행할 수 있다. 본 발명의 다양한 실시 예에 따라사용자 예측 모델은 훈련 데이터의 학습을 통해 생성되며 사용자와 관련된 정보의 판별 또는 예측하는 기능을 수행할 수 있다. 실시 예에서, 전자 장치(101)는 생성 사용자 예측 모델을 이용하여 사용자를 예측하고, 맞춤형 서비스를 제공할 수 있다.

도 3은 일 실시 예에 따른 사용자 예측 모델을 생성하는 것을 나타낸 흐름도(300)이다.

일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 310에서, 센서 모듈(176)로부터 음성 또는 영상 데이터를 수집할 수 있다. 전자 장치(101)는 센서 모듈(176)을 이용하여 주변 환경에서 발생하는 데이터(210)를 실시간으로 수집할 수 있다. 데이터(210)는 음성 데이터 또는 영상 데이터일 수 있다. 음성 데이터는 발소리(211)와 같은 각각의 사용자들(201, 202)의 고유의 소리 패턴일 수 있다. 영상 데이터는 체형(212), 걸음걸이(213), 의복, 헤어 스타일과 같은 각각의 사용자들(201, 202)의 고유의 이미지 패턴일 수 있다.

일 실시 예에서, 전자 장치(101)는 인증 기능을 수행하는 영역보다 먼 거리에 위치한 제1 영역(A1)에서 발생하는 데이터(210)를 수집할 수 있다. 전자 장치(101)는 제1 영역(A1)에서 발생하는 음성 데이터 또는 영상 데이터를 실시간으로 수집할 수 있다. 예를 들어, 전자 장치(101)는 제1 거리(D1)에 위치한 사용자들(201, 202)의 대화와 같이 제1 거리(D1)에서 발생한 음성 데이터를 실시간으로 수집할 수 있다. 다른 예로, 전자 장치(101)는 모니터링 기능을 위해 제1 영역(A1)을 촬영한 영상 데이터를 실시간으로 수집할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집된 데이터(210)를 저장할 수 있다. 전자 장치(101)는 수집된 영상 데이터 또는 음성 데이터를 메모리(130)에 저장할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 320에서, 사용자 식별(Identification)또는 인증(Authentication) 기능을 수행할 수 있다. 전자 장치(101)는 이동하여 제2 영역(A2)에 들어온 사용자(201, 202)에 대한 인증 기능을 수행할 수 있다. 전자 장치(101)는 사용자들(201, 202) 각각을 구별하기 위한 식별 기능 또는 인증 기능을 수행할 수 있다.

일 실시 예에서, 상기 사용자 식별 기능 또는 인증 기능은 외부 전자 장치의 고유 정보(예: Product ID, Mac Address 등), 사용자의 생체 정보(예: 홍채, 지문 등)를 확인하는 동작일 수 있다. 또한 상기 사용자 식별 기능 또는 인증 기능은 터치 패턴, 제스처 등 미리 정의된 정보를 확인하는 동작일 수 있다.

일 실시 예에서, 전자 장치(101)는 제2 영역(A2)에 들어온 사용자(201)를 인식하여 등록된 사용자인지 여부를 확인하는 인증 기능을 수행할 수 있다. 예를 들어, 전자 장치(101)는 화자 인식 또는 얼굴 인식을 이용하여 획득한 이미지(221)가 제1 사용자(201)와 일치하는지 여부를 확인하여 제1 사용자(201)를 인증할 수 있다. 그러나 이에 한정되지 않으며, 상기 사용자 식별 기능 또는 인증 기능 수행 시 전자 장치와 사용자 간 거리는 기능의 유형에 따라 다양할 수 있다. 예를 들어, 사용자 식별 기능 또는 인증 기능이 원거리에서 확인 가능한 정보를 확인하는 동작을 포함하는 경우, 전자 장치(101)는 제1 영역(A1)에서 등록된 사용자인지 여부를 확인할 수 있다.

다양한 실시 예에 따라 학습 데이터 중 입력 데이터는 시간 정보에 따라 결정될 수 있다. 예를 들어, 상기 식별 또는 인증 기능 시점 이전 또는 이후에 수집, 저장된 데이터를 학습 데이터의 일부(예: 입력 데이터)로 이용할 수 있다.

일 실시 예에서, 전자 장치(101)가 사용자를 식별 또는 인증하는 동작은 맞춤형 서비스나 보안 기능 제공을 위해 수행될 수 있다.

일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 330에서, 수집된 데이터(210)를 입력으로, 인증 결과를 목표 값으로 부여할 수 있다. 전자 장치(101)는 사용자 식별 기능 또는 인증 기능이 수행되면 이전에 수집된 데이터(210) 중 일정 시간 내 수집 또는 저장된 데이터(210)를 학습을 위한 데이터(210)로 결정할 수 있다. 예를 들어, 전자 장치(101)는 인증 기능 수행 이전 일정 시간 내에 제1 영역(A1)에서 발생한 데이터(210)를 학습을 위한 데이터(210)로 결정하고 입력으로 부여할 수 있다. 전자 장치(101)는 결정된 데이터(210)를 입력 값으로 지정하고, 식별 기능 또는 인증 기능의 결과를 결과 값으로 지정할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 340에서, 사용자 예측 모델을 학습할 수 있다. 전자 장치(101)는 수집된 데이터(210)에 기반하여 사용자 예측 모델을 학습시킬 수 있는 학습 데이터를 생성할 수 있다. 사용자 예측 모델은 학습 데이터를 이용하여 학습을 수행하기 위해 신경망(neural network) 또는 HMM(hidden Markov model)과 같은 학습 알고리즘을 적용할 수 있다. 학습 알고리즘은 수집된 데이터(210)로부터 새로운 패턴을 발견하는 동작을 수행할 수 있다. 사용자 예측 모델은 실시간으로 수집된 데이터(210)를 반복적으로 학습할 수 있다. 사용자 예측 모델은 모델은 반복적인 학습을 통해 갱신될 수 있다.

다양한 실시 예에 따라 제1 영역(A1)은 원거리, 제2 영역(A2)은 제1 영역(A1)보다 상대적으로 가까운 거리를 의미할 수 있다. 전자 장치(101)는 사용자들(201, 202)이 원거리에서 생성한 데이터(210)를 수집 및 분석할 수 있다. 전자 장치(101)는 분석한 결과를 이용하여 원거리에서 수집된 데이터(210)만을 이용하여 각각의 사용자들(201, 202)을 예측할 수 있는 사용자 예측 모델을 생성할 수 있다.

도 4는 다른 실시 예에 따른 사용자 예측 모델을 학습시키는 시스템을 나타낸 흐름도(400)이다. 다른 실시 예에 따른 사용자 예측 모델의 동작 410, 동작 420, 동작 450, 및 동작 460은 도 3을 결부하여 설명한 사용자 예측 모델의 동작 310, 동작 320, 동작 330, 및 동작 340과 실질적으로 동일할 수 있다. 이에 따라, 이하에서는 동일한 동작에 대한 중복되는 설명은 생략하기로 한다.

일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 430에서, 수집된 데이터가 특정 조건을 만족하는지 여부를 판단할 수 있다. 전자 장치(101)는 사용자 식별 동작 또는 인증 기능을 수집된 연관된 데이터(210)를 수집하기 시작하는 트리거(trigger) 시점으로 설정할 수 있다. 전자 장치(101)는 트리거 시점 이전에 발생한 데이터(210) 중 적어도 일부를 학습 대상으로 결정할 수 있다. 전자 장치(101)는 수집된 데이터(210)를 학습 데이터로 결정하는데 있어서 특정 조건을 만족하는지 판단하는 동작을 판단하여 유효한 데이터가 사용자 예측 모델의 학습 데이터가 되도록 할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집 대상이 음성이어서 수집된 데이터(210)가 음성 데이터일 경우, 지정된 주파수 범위 이내의 음성 데이터를 특정 조건을 만족하는 학습 대상으로 판단할 수 있다. 예를 들어, 전자 장치(101)는 음성 데이터의 주파수를 특정 범위로 제한하여, 사용자의 지정된 행위로 인해 발생하는 음성 데이터(210)만을 추출하도록 유도할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집 대상이 영상이어서 수집된 데이터(210)가 영상 데이터일 경우, 각각의 사용자들(201, 202)의 신체의 일부 또는 전체를 학습 영역으로 지정할 수 있다. 예를 들어, 전자 장치(101)는 체형(212) 분석을 위한 몸통(body)부 또는 걸음걸이(213) 분석을 위한 다리부를 특정 조건을 만족하는 학습 대상으로 판단할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집된 데이터(210)가 특정 조건을 만족하는 경우, 동작 450을 수행할 수 있다. 전자 장치(101)는 수집된 데이터(210)가 특정 조건을 만족하는 경우 수집된 데이터(210)를 입력으로, 인증 결과를 목표 값으로 부여할 수 있다. 전자 장치(101)는 수집된 데이터(210)가 특정 조건을 만족하지 않는 경우, 동작 440을 수행할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 440에서, 수집된 데이터(210)를 삭제할 수 있다. 전자 장치(101)는 수집된 데이터(210)가 특정 조건을 만족하지 않는 경우 수집된 데이터(210)가 사용자 예측 모델을 생성 또는 갱신하는 과정에 불필요한 노이즈(noise) 데이터로 판단할 수 있다. 전자 장치(101)는 수집된 데이터(210)가 사용자 예측 모델을 생성 또는 갱신하는 데 도움이 되는지 여부를 판단하여 사용자 예측 모델의 학습을 위한 정제된 입력 데이터(210)의 확보가 가능할 수 있다. 또한, 전자 장치(101) 사용자 예측 모델의 생성 또는 갱신에 필요 없는 데이터를 제거하여 사용자 예측 모델을 보다 신속하게 생성 또는 갱신할 수 있다.

도 5a는 또 다른 실시 예에 따른 사용자 예측 모델을 생성하는 것을 나타낸 흐름도(500)이다. 또 다른 실시 예에 따른 사용자 예측 모델의 동작 510, 동작 520, 및 동작 550은 도 3을 결부하여 설명한 사용자 예측 모델의 동작 310, 동작 320, 및 동작 340과 실질적으로 동일할 수 있다. 이에 따라, 이하에서는 동일한 동작에 대한 중복되는 설명은 생략하기로 한다.

일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 530에서, 인증 결과로부터 추출한 속성에 연관된 개념을 새로운 목표 값으로 부여할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집 가능하지만 사용자 식별 또는 사용자 예측을 곧바로 할 수 없는 다양한 데이터(210)를 수집하여 새로운 패턴을 발견할 수 있다. 전자 장치(101)는 패턴을 아직 발견하지 못한 암흑 데이터(dark data)를 지속적으로 분석하여 새로운 패턴을 발견할 수 있다. 이와 같이, 사용자를 구별하기 위한 용도로 데이터(210)를 수집하여 사용자 예측 모델을 생성하기 위해, 수집된 데이터(210)는 사용자를 구별할 수 있는 특징들을 포함할 수 있다. 사용자를 구별할 수 있는 특징들은 영상 데이터의 경우 얼굴의 특징들 또는 홍채일 수 있고, 음성 데이터의 경우 음성을 구성하는 음소의 특징들 또는 음정의 특징들일 수 있다.

그러나, 다양한 데이터(210) 중에는 원래부터 특정 분류로 구분하기 어려운 데이터가 포함되어, 수집된 데이터(210) 자체가 사용자 구분 수준이 아닌 데이터가 포함될 수 있다. 제1 영역(A1)에서 발생한 음성 데이터 또는 영상 데이터 중 개별적인 사용자들(201, 202) 각각을 구분할 수 있는 특징들 자체를 포함하지 않는 데이터들은 수집하더라도 사용자 예측 모델에서 활용될 수 없다.

일 실시 예에서, 전자 장치(101)는 각각의 사용자들(201, 202)을 구별하는 사용자 예측 모델 대신 수집된 데이터가 어떤 사용자 그룹(group)으로부터 생성되었는지 구분할 수 있는 사용자 예측 모델을 생성할 수 있다. 전자 장치(101)는 보다 용이한 수준의 사용자 예측 모델을 생성할 수 있도록 목표 값을 재정의할 수 있다. 전자 장치(101)는 목표 값을 재정의하기 위해 사용자 식별 결과 또는 인증 기능의 결과를 사용자 예측 모델의 목표 값으로 그대로 부여하는 대신, 보다 상위의 개념을 목표 값으로 부여할 수 있다. 예를 들어, 전자 장치(101)는 수집된 데이터(210)가 어느 사용자(예: 제1 사용자(201) 또는 제2 사용자(202))로부터 생성된 것인지 판단하는 대신, 수집된 데이터(210)가 남자 또는 여자로부터 생성된 것인지, 또는 아이 또는 어른으로부터 생성된 것인지 여부와 같이 지정된 상위 그룹 중 어느 그룹으로부터 생성된 것인지 판단하도록 목표 값을 부여할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 540에서, 수집된 데이터(210)를 입력으로, 새로운 목표 값을 정답으로 부여할 수 있다. 예를 들어, 전자 장치(101)는 사용자 예측 모델의 레이블을 부여할 때, 사용자 식별 동작에서 판별된 결과를 가공하여 새로운 목표 값으로 부여할 수 있다.

일 실시 예에서, 전자 장치(101)는 사용자 식별 결과를 재정의하여 새로운 기준으로 수집된 데이터(210)의 특징을 사용자 예측 모델에 학습시킬 수 있다. 전자 장치(101)는 사용자 식별 동작 또는 인증 기능 결과로부터 새로운 목표 값을 추출하여 사용자 모델을 학습시키는 학습 데이터에 포함시킬 수 있다. 예를 들어, 인증 기능에서 제1 사용자(201)라고 판명된 경우, 전자 장치(101)는 제1 사용자(201)의 프로필(profile) 정보로부터 어른 또는 남자와 같은 목표 값을 추출하여 학습 데이터에 포함시킬 수 있다. 전자 장치(101)는 수집된 데이터(210)와 새로운 목표 값을 사용자 예측 모델에 같이 입력할 수 있다.

일 실시 예에서, 전자 장치(101)는 새로운 목표 값을 그룹핑(grouping)하여 사용자 예측 모델을 구성할 수 있다. 예를 들어, 전자 장치(101)는 수집된 데이터(210)를 남자 또는 여자를 구분하는 데이터로 그룹핑하거나, 아이 또는 어른을 구분하는 데이터로 그룹핑하여 사용자 예측 모델에 입력할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집된 데이터(210)의 종류에 따라 사용자 식별 결과를 서로 다르게 정의하여 사용자 예측 모델 생성을 위한 학습 데이터로 사용할 수 있다. 예를 들어, 사용자 식별 결과 또는 인증 기능의 결과가 아빠 또는 아들로 식별된 경우, 전자 장치(101)는 수집된 데이터를 남자를 구별할 수 있는 사용자 예측 모델을 생성하는 데 이용할 수 있다. 이에 따라, 전자 장치(101)는 사용자 예측 모델이 학습하는 범위를 조절하여 수집된 데이터(210)의 구분 능력을 보장할 수 있다. 또한, 전자 장치(101)는 새로운 목표 값에 따라 구분된 결과를 이용하여 다양한 예측 서비스를 제공할 수 있다.

도 5b는 새로운 목표 값을 부여하는 동작(530)을 나타낸 도면이다.

일 실시 예에서, 전자 장치(101)는 사용자 식별 또는 인증 기능의 결과로부터 추출한 속성에 연관된 개념을 새로운 목표 값으로 부여할 수 있다. 전자 장치(101)는 복수의 사용자들을 속성에 따라 구분하는 상위 개념을 설정할 수 있다. 전자 장치(101)는 사용자 식별 또는 인증 기능으로 복수의 사용자들(A~F)의 속성을 추출할 수 있다. 예를 들어, 전자 장치(101)는 복수의 사용자들(A~F)의 성별을 추출할 수 있다. 전자 장치(101)는 복수의 사용자들(A~F)을 성별에 따라 남자(531) 및 여자(532)로 구분할 수 있다.

일 실시 예에서, 연관된 개념은 수집된 데이터(210)로부터 도출할 수 있는 특징을 포함할 수 있다. 전자 장치(101)는 특징을 바탕으로 수집된 데이터(210)를 판단하도록 새로운 목표 값을 부여할 수 있다. 예를 들어, 전자 장치(101)는 수집된 데이터(210)가 어느 사용자(A~F)로부터 생성된 것인지 판단하는 대신, 수집된 데이터(210)가 남자(531) 또는 여자(532)로부터 생성된 것인지 판단하도록 목표 값을 부여할 수 있다.

일 실시 예에서, 전자 장치(101)는 특징들을 이용하여 수집된 데이터(210)를 적어도 하나의 그룹(531, 532)에 포함시킬 수 있다. 예를 들어, 전자 장치(101)는 남자(531)에 해당하는 사용자(A, B, C)들을 하나의 그룹으로 그룹핑(grouping)하고, 여자(532)에 해당하는 사용자(D, E, F)들을 하나의 그룹으로 그룹핑할 수 있다.

일 실시 예에서, 그룹핑은 수집된 데이터 중 동일한 특징을 갖는 데이터가 동일한 목표 값을 갖도록 설정하고, 동일한 목표 값을 갖는 데이터들을 하나의 그룹으로 저장 및 관리하는 동작일 수 있다. 그룹핑을 위해, 수집된 데이터들은 계층(hierarchy) 형태의 자료로 저장될 수 있다.

일 실시 예에서, 상위 개념의 객체들은 특징 인자(또는 특징 분포)간 차이가 하위 개념의 객체들보다 명확할 수 있다. 예를 들어, 남자(531)에 해당하는 사용자(A, B, C)들로부터 수집된 데이터 및 여자(532)에 해당하는 사용자(D, E, F)들로부터 수집된 데이터는 명확하게 구분할 수 있으나, 남자(531)에 해당하는 사용자(A, B, C)들 각각으로부터 수집된 데이터는 구분이 용이하지 않을 수 있다. 상위 개념을 이용하여 사용자들을 구분하는 경우, 보다 용이하게 사용자 예측 모델을 생성할 수 있다.

도 6은 일 실시 예에 따른 사용자 예측 모델을 검증하는 흐름도(600)이다. 사용자 예측 모델을 실제 서비스에 적용하기 위해서는 일정 수준 이상의 신뢰도 검증이 필요할 수 있다. 아래에서 설명하는 동작들을 수행하는 경우, 사용자 예측 모델을 적용한 전자 장치(101)가 실제로 수집된 데이터(210)만으로 사용자를 예측할 수 있는지 여부를 확인할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 동작 610에서, 제1 영역(A1)에서 발생한 데이터(210)를 수집할 수 있다. 전자 장치(101)는 제1 영역(A1)에서 발생한 음성 데이터 또는 영상 데이터를 실시간으로 수집할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 동작 620에서, 사용자 예측 모델을 이용하여 제1 영역(A1)에 위치한 사용자를 예측할 수 있다. 전자 장치(101)는 사용자 예측 모델에서 기계 학습을 통해 부여한 입력 값들의 패턴(또는 특성) 및 목표 값 사이의 관계를 이용하여, 수집된 데이터(210)가 입력 값으로 부여되는 경우 수집된 데이터(210)를 생성하는 사용자를 식별할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 동작 630에서, 제2 영역(A2)으로 이동한 사용자의 식별 또는 인증 기능을 수행할 수 있다. 전자 장치(101)는 인증 기능을 수행할 수 있는 제2 영역(A2)으로 사용자가 들어오는 경우, 인증 기능을 통해 사용자를 식별할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 동작 640에서, 예측한 사용자와 식별된 사용자가 일치하는지 여부를 판단할 수 있다. 예측한 사용자는 제1 영역(A1)에서 사용자 예측 모델을 이용하여 예측한 사용자일 수 있다. 식별된 사용자는 제2 영역(A2)에서 인증 기능을 통해 식별된 사용자일 수 있다. 사용자 예측 모델의 검증 과정에서 사용되는 목표 값은 사용자 식별 동작 또는 인증 기능의 결과 값을 통해 획득할 수 있다.

일 실시 예에서, 전자 장치(101)에 적용한 사용자 예측 모델의 신뢰도를 검증하기 위해 일정 개수의 수집된 데이터(210)를 입력 값으로 하여, 사용자 예측 모델에 입력 값을 통과시켜 획득한 결과 값 및 인증 기능을 통해 획득한 목표 값을 비교할 수 있다. 예측한 사용자와 식별된 사용자를 비교한 결과가 일치하는 비율에 기반하여 전자 장치(101)의 사용자 예측 모델의 정확도를 판단할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 예측한 사용자와 식별된 사용자가 일치하는 경우, 동작 650에서 사용자 예측 모델의 신뢰도를 증가시킬 수 있다. 전자 장치(101)는 사용자 예측 모델을 이용하여 획득한 결과 값이 인증 기능을 통해 획득한 목표 값과 동일하므로, 사용자 예측 모델이 지정된 수준을 만족하는 것으로 판단할 수 있다. 예를 들어, 검증용 입력 데이터를 사용자 예측 모델의 입력 값으로 적용했을 때 제1 사용자(201)라는 출력 값이 도출되고, 이후 연관된 사용자 식별 동작에서도 제1 사용자(201)라는 결과가 도출된 경우, 전자 장치(101)는 사용자 예측 모델의 신뢰성을 가산할 수 있다.

일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 예측한 사용자와 식별된 사용자가 일치하지 않는 경우, 동작 660에서 수집된 데이터(210)를 식별된 사용자에 대응하는 학습 데이터로 확용할 수 있다. 예를 들어, 사용자 예측 모델에서 제1 사용자(201)라는 결과가 도출되었지만, 사용자 식별 동작 또는 인증 기능에서 제2 사용자(202)라는 결과가 도출된 경우, 해당하는 사용자 예측 모델에 입력된 데이터는 제2 사용자(202)를 구별하기 위한 학습 데이터로 활용될 수 있다.

일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 예측한 사용자와 식별된 사용자가 일치하지 않는 경우, 동작 670에서 사용자 예측 모델의 신뢰도를 감소시킬 수 있다. 전자 장치(101)는 사용자 예측 모델을 이용하여 획득한 결과 값이 인증 기능을 통해 획득한 목표 값과 다르므로, 사용자 예측 모델이 지정된 수준을 만족하지 않는 것으로 판단할 수 있다. 이에 따라, 전자 장치(101)는 사용자 예측 모델의 신뢰도를 감산시킬 수 있다.

도 7은 일 실시 예에 따른 전자 장치(101)가 사용자 예측 모델을 이용하여 사용자(710)를 식별하는 것을 나타낸 도면(700)이다.

일 실시 예에서, 검증된 사용자 예측 모델을 적용하는 경우, 전자 장치(101)는 다양한 서비스 동작을 구현할 수 있다. 사용자 식별 동작 또는 인증 기능을 적용한 전자 장치(101)의 사용자 맞춤형 서비스는 사용자 식별이 가능한 근거리인 제2 영역(A2)에서만 가능했지만, 사용자 예측 모델을 적용한 전자 장치(101)는 보다 원거리인 제1 영역(A1)에서 사용자를 식별하는 것이 가능하다.

일 실시 예에서, 전자 장치(101)는 제1 영역(A1)에서 발생하는 데이터(710)를 수집할 수 있다. 전자 장치(101)는 모니터링 기능 수행과 같은 센싱 동작을 이용하여 상시 주변 환경을 센싱할 수 있다. 데이터(710)는 발소리, 주변기기 조작음 등의 음성 데이터 또는 헤어스타일, 체형, 걸음걸이, 의복 등의 영상 데이터가 될 수 있다.

일 실시 예에서, 전자 장치(101)는 주변 환경을 센싱하는 중, 특정한 데이터 입력이 감지되는 경우 사용자를 미리 식별할 수 있다. 전자 장치(101)는 제2 영역(A2)과 이격된 제1 영역(A1)에서 발생한 데이터(710)를 사용자 예측 모듈에 입력 값으로 입력하여 사용자를 결과 값으로 획득하여 사용자를 식별할 수 있다.

일 실시 예에서, 전자 장치(101)는 원거리인 제1 영역(A1)에서 사용자를 식별하고, 식별된 사용자에 대응하는 맞춤형 서비스(720)를 제공할 수 있다. 예를 들어, 전자 장치(101)는 수집된 데이터(710)가 사용자1이 생성한 발소리인 것을 인식하고 "사용자1님 오셨어요?"라고 자동적으로 응답하는 맞춤형 서비스(720)를 제공할 수 있다. 다른 예로, 전자 장치(101)는 수집된 데이터(710)가 사용자1이 생성한 발소리인 것을 인식하고 사용자1이 노래를 주로 듣는다는 점을 이용하여 "좋아하는 노래 들려드릴까요?"라고 자동적으로 응답하는 맞춤형 서비스(720)를 제공할 수 있다. 맞춤형 서비스(720)는 전자 장치(101)가 발소리와 같은 데이터(710)를 획득하는 시점 또는 사용자가 전자 장치를 호출하는 시점에서 실행될 수 있다.

일 실시 예에서, 사용자 예측 모델을 적용한 전자 장치(101)는 제1 영역(A1)에서 사용자를 식별하고, 맞춤형 서비스(720)를 제공할 수 있다. 이에 따라, 전자 장치(101)는 보다 빠르게 사용자를 식별하고, 선제적으로 맞춤형 서비스(720)를 제공할 수 있다.

도 8은 일 실시 예에 따른 전자 장치(101)가 이용하는 사용자 예측 모델을 생성 및 학습하는 것을 나타낸 도면(800)이다.

일 실시 예에서, 전자 장치(101)는 사용자 예측 모델을 생성하기 위해 데이터 수집(810) 동작을 수행할 수 있다. 수집하는 데이터는 걸음걸이, 체형, 헤어스타일, 또는 발소리와 같은 영상 데이터 또는 음성 데이터일 수 있다.

일 실시 예에서, 전자 장치(101)는 사용자 예측 모델을 생성하기 위해 새로운 목표 값 부여(820) 동작을 수행할 수 있다. 전자 장치(101)는 데이터 수집(810) 동작으로 수집된 데이터로부터 사용자 식별 동작 또는 인증 기능에서 목표 값을 도출하는 것이 용이하지 않은 경우, 수집된 데이터로 도출할 수 있는 특징을 그룹핑하여 상위 개념을 새로운 목표 값으로 정의할 수 있다. 새로운 목표 값으로 수정하는 경우, 사용자 예측 모델의 정확성을 높일 수 있다. 또한, 사용자 예측 모델을 적용하여 상황에 맞는 다양한 서비스를 제공할 수 있다.

일 실시 예에서, 전자 장치(101)는 학습 데이터(830, 840)를 구성할 수 있다. 전자 장치(101)는 특정 조건에 부합하는 데이터와 인증 기능의 결과 값을 통해 학습 데이터(830, 840)를 구성할 수 있다. 전자 장치(101)는 데이터의 변경 또는 인증 기능 결과 값의 가공에 따라 다양한 사용자 예측 모델을 생성할 수 있다. 예를 들어, 어른(830) 사용자 그룹과 어린이(840) 사용자 그룹을 구분할 수 있는 사용자 예측 모델은 학습 데이터(830, 840)는 어른(830) 그룹에 속하는 할아버지(831), 할머니(832), 아버지(833), 또는 어머니(834)로부터 생성된 데이터를 어른(830) 그룹을 식별할 수 있는 학습 데이터로 지정하고, 어린이(840) 그룹에 속하는 아들(841) 또는 딸(842)로부터 생성된 데이터를 어린이(840) 그룹을 식별할 수 있는 학습 데이터로 지정할 수 있다.

일 실시 예에서, 전자 장치(101)는 사용자 프로필을 참고하여 목표 값을 수정하여 인증 기능 결과 값을 가공할 수 있다. 예를 들어, 수집된 데이터(810)에서 아들(841) 및 딸(842)이 식별되고, 아들(841) 및 딸(842)의 사용자 프로필이 공통적으로 어린이라는 속성을 가지는 경우, 수집된 데이터(810)는 어린이(840)를 구분하는 사용자 예측 모델을 생성하는데 사용될 수 있다.

일 실시 예에서, 전자 장치(101)는 사용자 예측 모델 생성(850) 동작을 수행할 수 있다. 전자 장치(101)는 학습 데이터(830, 840)를 반복적으로 학습시켜 사용자 예측 모델을 생성할 수 있다. 전자 장치(101)는 생성된 사용자 예측 모델을 반복적으로 학습시켜 사용자 예측 모델을 갱신하고, 사용자 예측 모델의 적합성 또는 신뢰성을 증가시킬 수 있다.

도 9는 일 실시 예에 따른 전자 장치(101)가 사용자 예측 모델(920)을 이용하여 서비스를 제공하는 것을 나타낸 도면(900)이다.

일 실시 예에서, 전자 장치(101)는 데이터 감지(910) 동작을 수행할 수 있다. 데이터 감지(910)는 센서 모듈(176)을 이용하여 수행될 수 있다. 감지하는 데이터는 걸음걸이, 체형, 헤어스타일, 또는 발소리와 같은 영상 데이터 또는 음성 데이터일 수 있다. 전자 장치(101)는 원거리인 제1 영역(A1)에서 데이터를 수집할 수 있다.

일 실시 예에서, 전자 장치(101)는 사용자 예측 모델(920)에 수집된 데이터를 입력할 수 있다. 사용자 예측 모델(920)은 학습한 내용에 따라 동작하여 사용자 또는 사용자가 속한 그룹을 식별할 수 있다.

일 실시 예에서, 전자 장치(101)는 사용자 예측 모델(920)의 결과를 통한 서비스를 제공(930)하는 동작을 수행할 수 있다. 전자 장치(101)는 사용자 예측 모델(920)에서 예측한 사용자가 속하는 그룹에 대응하는 서비스 모드(931~933)로 미리 변경될 수 있다. 예를 들어, 사용자 예측 모델(920)은 사용자가 지정된 나이 이상의 나이를 갖는 어른이라고 판단한 경우, 볼륨 및 폰트를 높인 시니어 모드(931)로 미리 변경될 수 있다. 다른 예로, 사용자 예측 모델(920)은 사용자가 어린이라고 판단한 경우, 아이를 위하여 캐릭터 배경이나 컨텐츠가 제한된 키즈(kids) 모드(932)로 미리 변경될 수 있다. 또 다른 예로, 사용자 예측 모델(920)은 사용자가 남성이라고 판단한 경우, 전자 장치(101)가 출력하는 음성을 여성 보이스(voice) 모드(933)로 미리 변경할 수 있다.

도 10은 다른 실시 예에 따른 전자 장치가 사용자 예측 모델을 생성 및 학습하는 것을 나타낸 도면(1000)이다. 전자 장치(101)는 목표 값을 가공하는 시나리오를 이용하여 사용자 예측 모델을 생성 및 학습할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집 데이터(1010) 및 인증 결과(1020)를 이용하여 학습 데이터를 생성할 수 있다. 전자 장치(101)는 학습 데이터를 사용자 예측 모델(1040)에 반복적으로 부여하여 사용자 예측 모델(1040)을 생성 및 갱신할 수 있다. 사용자 예측 모델을 적용한 전자 장치(101)는 생성된 사용자 예측 모델(1040)을 이용하여 데이터(1010)만으로 사용자를 예측할 수 있다. 이에 따라, 사용자 예측 모델을 적용한 전자 장치(101)는 데이터(1010)를 입력 받고 일정 범위 밖에서 먼저 사용자를 식별할 수 있다.

일 실시 예에서, 전자 장치(101)는 수집 데이터(1010)로부터 인증 결과(1020)가 도출되지 않는 경우, 수집 데이터(1010)에 연관된 인증 결과(1020)의 속성을 이용하여 새로운 목표 값을 설정할 수 있다. 전자 장치(101)는 목표 값 목록을 계층(hierarchy) 형태의 자료 구조에 저장할 수 있다. 전자 장치(101)는 목표 값 목록에서 인증 결과(1020)의 속성과 연관된 목표 값을 새로운 목표 값으로 설정할 수 있다. 전자 장치(101)는 수집 데이터(1010) 및 새로운 목표 값을 이용하여 사용자 예측 모델(1040)을 생성 및 갱신할 수 있다. 전자 장치는 수집된 데이터를 입력으로, 새로운 목표 값을 정답으로 부여하여 사용자 예측 모델(1040)을 학습시킬 수 있다. 전자 장치(101)는 데이터(1010)를 이용하여 사용자가 속하는 그룹을 식별할 수 있는 사용자 예측 모델을 생성할 수 있다.

일 실시 예에서, 전자 장치(101)는 새로운 목표 값을 설정하기 위해 인증 결과(1020)의 속성을 복수의 개념들을 포함하는 사용자 프로필(1030)에 적용하여, 인증 결과(1020)의 속성에 대응하는 개념을 새로운 목표 값으로 적용할 수 있다. 예를 들어, 인증 결과(1020)의 속성 중 어린이라는 속성이 포함되어 있는 경우, 전자 장치(101)는 갖는 사용자 프로필(1030)에서 어린이라는 속성을 갖는 아들 또는 딸을 포함하는 그룹을 새로운 목표 값으로 지정할 수 있다.

도 11은 일 실시 예에 따른 통합 지능화(integrated intelligence) 시스템(1100)을 나타낸 블록도이다.

도 11을 참조하면, 일 실시예의 통합 지능화 시스템(1100)은 전자 장치(101), 지능형 서버(1200), 및 서비스 서버(1300)를 포함할 수 있다.

일 실시 예에 따른 전자 장치(101)는 로봇 장치일 수 있다. 그러나 이에 한정되지 않으며, 전자 장치(101)는 무선 통신을 수행할 수 있고 사용자의 입력 또는 외부의 환경을 센싱하여 응답할 수 있는 전자 장치일 수 있다. 예를 들어, 전자 장치(101)는 휴대폰, 스마트폰, PDA(personal digital assistant), 노트북 컴퓨터, TV, 백색 가전, 웨어러블 장치, HMD, 또는 스마트 스피커일 수 있다.

일 실시 예에서, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160) 및 인터페이스(177)를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.

일 실시 예에서, 프로세서(120)는 전자 장치(101)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(120)는 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160) 및 인터페이스(177)와 전기적으로 연결되어 지정된 동작을 수행할 수 있다.

일 실시 예에서, 프로세서(120)는 메모리(130)에 저장된 프로그램을 실행시켜 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(120)는 메모리(130)에 포함된 클라이언트 모듈(131) 또는 SDK(software development kit)(133) 중 적어도 하나를 실행할 수 있다. 프로세서(120)는 음성 입력을 처리하기 위한 동작을 수행할 수 있다. 프로세서(120)는 SDK(153)를 통해 복수의 앱(app, 어플리케이션 프로그램(application program))들(135)의 동작을 제어할 수 있다.

일 실시 예에서, 메모리(130)는 클라이언트 모듈(131), SDK(133), 및 복수의 앱들(135)을 저장할 수 있다.

일 실시 예에서, 클라이언트 모듈(131) 또는 SDK(133)는 범용적인 기능을 수행하기 위한 프레임워크(framework) 또는 솔루션 프로그램을 구성할 수 있다. 클라이언트 모듈(131) 또는 SDK(133)는 음성 입력을 처리하기 위한 프레임워크를 구성할 수 있다.

일 실시 예에서, 클라이언트 모듈(131)은 음성 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(131)은 입력 장치(150)를 통해 감지된 사용자 발화에 대응되는 음성 신호를 수신할 수 있다. 클라이언트 모듈(131)은 수신된 음성 입력을 지능형 서버(1200)로 송신할 수 있다. 클라이언트 모듈(131)은 수신된 음성 입력과 함께, 전자 장치(101)의 상태 정보를 지능형 서버(1200)로 송신할 수 있다. 상태 정보는, 예를 들어, 복수의 앱들(135)의 실행 상태 정보일 수 있다.

일 실시 예에서, 클라이언트 모듈(131)은 수신된 음성 입력에 대응되는 결과를 수신할 수 있다. 예를 들어, 클라이언트 모듈(131)은 지능형 서버(1200)에서 수신된 음성 입력에 대응되는 결과를 산출할 수 있는 경우, 수신된 음성 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(131)은 상기 수신된 결과를 표시 장치(160)에 표시할 수 있다.

일 실시 예에서, 클라이언트 모듈(131)은 수신된 음성 입력에 대응되는 플랜(plan)을 수신할 수 있다. 클라이언트 모듈(131)은 플랜에 따라 앱의 복수의 동작을 실행한 결과를 표시 장치(160)에 표시할 수 있다.

일 실시 예에서, 클라이언트 모듈(131)은 지능형 서버(100)로부터 음성 입력에 대응되는 결과를 산출하기 위해 필요한 정보를 획득하기 위한 요청을 수신할 수 있다. 클라이언트 모듈(131)은 요청에 대응하여 필요한 정보를 지능형 서버(1200)로 송신할 수 있다.

일 실시 예에서, 클라이언트 모듈(131)은 플랜에 따라 복수의 동작을 실행한 결과 정보를 지능형 서버(1200)로 송신할 수 있다. 지능형 서버(1200)는 결과 정보를 이용하여 수신된 음성 입력이 올바르게 처리된 것을 확인할 수 있다.

일 실시 예에서, 클라이언트 모듈(131)은 음성 인식 모듈을 포함할 수 있다. 클라이언트 모듈(131)은 음성 인식 모듈을 통해 제한된 기능을 수행하는 음성 입력을 인식할 수 있다.

일 실시 예에서, 복수의 앱들(135)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 복수의 앱들(135)은 제1 앱(135_1) 및 제2 앱(135_3) 을 포함할 수 있다. 복수의 앱들(135) 각각은 지정된 기능을 수행하기 위한 복수의 동작들을 포함할 수 있다. 복수의 앱들(135)은 알람 앱, 메시지 앱, 및/또는 스케줄 앱을 포함할 수 있다. 복수의 앱들(135)은 프로세서(120)에 의해 실행되어 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.

일 실시 예에서, 입력 장치(150)는 사용자의 발화와 같은 음성을 수신할 수 있다. 입력 장치(150)는 수신한 음성을 전기적 신호 또는 음성 데이터로 변환할 수 있다. 예를 들어, 입력 장치(150)는 마이크일 수 있다.

일 실시 예에서, 음향 출력 장치(155)는 전기적 신호 또는 음성 데이터를 음성으로 출력할 수 있다. 예를 들어, 음향 출력 장치(155)는 스피커일 수 있다.

일 실시 예에서, 표시 장치(160)는 이미지 또는 비디오를 표시하도록 구성될 수 있다. 표시 장치(160)는 실행되는 복수의 앱들(135)의 그래픽 사용자 인터페이스(graphic user interface)(GUI)를 표시할 수 있다.

일 실시 예에서, 인터페이스(177)는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다.

일 실시 예에서, 지능형 서버(1200)는 통신 망을 통해 전자 장치(101)로부터 사용자 음성 입력과 관련된 정보를 수신할 수 있다. 지능형 서버(1200)는 수신된 음성 입력과 관련된 데이터를 텍스트 데이터(text data)로 변경할 수 있다. 일 실시 예에 따르면, 지능형 서버(1200)는 상기 텍스트 데이터에 기초하여 사용자 음성 입력과 대응되는 태스크(task)를 수행하기 위한 플랜을 생성할 수 있다

일 실시 예에서, 플랜은 인공 지능(artificial intelligent, AI) 시스템에 의해 생성될 수 있다. 인공지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neual network-based system)(예: 피드포워드 신경망(feedforward neural network(FNN)), 순환 신경망(recurrent neural network(RNN)))일 수도 있다. 또는, 전술한 것의 조합 또는 이와 다른 인공지능 시스템일 수도 있다. 플랜은 미리 정의된 플랜의 집합에서 선택될 수 있거나, 사용자 요청에 응답하여 실시간으로 생성될 수 있다. 예를 들어, 인공지능 시스템은 미리 정의된 복수의 플랜들 중 적어도 하나의 플랜을 선택할 수 있다.

일 실시 예에서, 지능형 서버(1200)는 생성된 플랜에 따른 결과를 전자 장치(101)로 송신하거나, 생성된 플랜을 전자 장치(101)로 송신할 수 있다. 전자 장치(101)는 플랜에 따른 결과를 표시 장치(160)에 표시할 수 있다. 예를 들어, 전자 장치(101)은 플랜에 따른 동작을 실행한 결과를 표시 장치(160)에 표시할 수 있다.

일 실시 예에서, 지능형 서버(1200)는 프론트 엔드(front end)(1210), 자연어 플랫폼(natual language platform)(1220), 캡슐 데이터베이스(capsule DB)(1230), 실행 엔진(execution engine)(1240), 엔드 유저 인터페이스(end user interface)(1250), 매니지먼트 플랫폼(management platform)(1260), 빅 데이터 플랫폼(big data platform)(1270), 또는 분석 플랫폼(analytic platform)(1280)을 포함할 수 있다.

일 실시 예에서, 프론트 엔드(1210)는 전자 장치(101)로부터 수신된 음성 입력을 수신할 수 있다. 프론트 엔드(1210)는 음성 입력에 대응되는 응답을 송신할 수 있다.

일 실시 예에서, 자연어 플랫폼(1220)은 자동 음성 인식 모듈(automatic speech recognition module)(ASR module)(1221), 자연어 이해 모듈(natural language understanding module)(NLU module)(1223), 플래너 모듈(planner module)(1225), 자연어 생성 모듈(natural language generator module)(NLG module)(1227), 또는 텍스트 음성 변환 모듈(text to speech module)(TTS module)(1229)을 포함할 수 있다.

일 실시 예에서, 자동 음성 인식 모듈(1221)은 전자 장치(101)로부터 수신된 음성 입력을 텍스트 데이터로 변환할 수 있다. 자연어 이해 모듈(1223)은 음성 입력의 텍스트 데이터를 이용하여 사용자의 의도를 파악할 수 있다. 예를 들어, 자연어 이해 모듈(1223)은 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자의 의도를 파악할 수 있다. 자연어 이해 모듈(1223)은 형태소 또는 구의 언어적 특징(예: 문법적 요소)을 이용하여 음성 입력으로부터 추출된 단어의 의미를 파악하고, 파악된 단어의 의미를 의도에 매칭시켜 사용자의 의도를 결정할 수 있다.

일 실시 예에서, 플래너 모듈(1225)은 자연어 이해 모듈(1223)에서 결정된 의도 및 파라미터를 이용하여 플랜을 생성할 수 있다. 플래너 모듈(225)은 결정된 의도에 기초하여 태스크를 수행하기 위해 필요한 복수의 도메인을 결정할 수 있다. 플래너 모듈(1225)은 의도에 기초하여 결정된 복수의 도메인 각각에 포함된 복수의 동작을 결정할 수 있다. 플래너 모듈(1225)은 상기 결정된 복수의 동작을 실행하는데 필요한 파라미터 또는 복수의 동작의 실행에 의해 출력되는 결과 값을 결정할 수 있다. 파라미터 및 결과 값은 지정된 형식 또는 클래스의 컨셉으로 정의될 수 있다. 플랜은 사용자의 의도에 의해 결정된 복수의 동작 및 복수의 컨셉을 포함할 수 있다. 플래너 모듈(1225)은 복수의 동작 및 복수의 컨셉 사이의 관계를 단계적 또는 계층적으로 결정할 수 있다. 예를 들어, 플래너 모듈(1225)은 복수의 컨셉에 기초하여 사용자의 의도에 기초하여 결정된 복수의 동작의 실행 순서를 결정할 수 있다. 다시 말해, 플래너 모듈(1225)은 복수의 동작의 실행에 필요한 파라미터 및 복수의 동작의 실행에 의해 출력되는 결과에 기초하여, 복수의 동작의 실행 순서를 결정할 수 있다. 이에 따라, 플래너 모듈(1225)은 복수의 동작 및 복수의 컨셉 사이의 연관 정보(예: 온톨로지(ontology))가 포함된 플랜을 생성할 수 있다. 플래너 모듈(1225)은 컨셉과 동작의 관계들의 집합이 저장된 캡슐 데이터베이스(1230)에 저장된 정보를 이용하여 플랜을 생성할 수 있다.

일 실시 예에서, 자연어 생성 모듈(1227)은 지정된 정보를 텍스트 형태로 변경할 수 있다. 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다. 텍스트 음성 변환 모듈(1229)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다.

일 실시 예에서, 캡슐 데이터베이스(1230)는 복수의 도메인에 대응되는 복수의 컨셉과 동작들의 관계에 대한 정보를 저장할 수 있다. 캡슐은 플랜에 포함된 복수의 동작 오브젝트(action object) 또는 동작 정보) 및 컨셉 오브젝트(concept object) 또는 컨셉 정보를 포함할 수 있다. 캡슐 데이터베이스(1230)는 CAN(concept action network)의 형태로 복수의 캡슐을 저장할 수 있다. 복수의 캡슐은 캡슐 데이터베이스(1230)에 포함된 기능 저장소(function registry)에 저장될 수 있다.

일 실시 예에서, 캡슐 데이터베이스(1230)는 음성 입력에 대응되는 플랜을 결정할 때 필요한 전략 정보가 저장된 전략 레지스트리(strategy registry)를 포함할 수 있다. 전략 정보는 음성 입력에 대응되는 복수의 플랜이 있는 경우, 하나의 플랜을 결정하기 위한 기준 정보를 포함할 수 있다. 캡슐 데이터베이스(1230)는 지정된 상황에서 사용자에게 후속 동작을 제안하기 위한 후속 동작의 정보가 저장된 후속 동작 레지스트리(follow up registry)를 포함할 수 있다. 후속 동작은 후속 발화를 포함할 수 있다. 캡슐 데이터베이스(1230)는 전자 장치(101)를 통해 출력되는 정보의 레이아웃(layout) 정보를 저장하는 레이아웃 레지스트리(layout registry)를 포함할 수 있다. 캡슐 데이터베이스(1230)는 캡슐 정보에 포함된 어휘(vocabulary) 정보가 저장된 어휘 레지스트리(vocabulary registry)를 포함할 수 있다. 캡슐 데이터베이스(1230)는 사용자와의 대화(dialog) 또는 인터렉션(interaction) 정보가 저장된 대화 레지스트리(dialog registry)를 포함할 수 있다. 캡슐 데이터베이스(1230)는 개발자 툴(developer tool)을 통해 저장된 오브젝트를 업데이트(update)할 수 있다. 개발자 툴은 동작 오브젝트 또는 컨셉 오브젝트를 업데이트하기 위한 기능 에디터(function editor)를 포함할 수 있다. 개발자 툴은 어휘를 업데이트하기 위한 어휘 에디터(vocabulary editor)를 포함할 수 있다. 개발자 툴은 플랜을 결정하는 전략을 생성 및 등록 하는 전략 에디터(strategy editor)를 포함할 수 있다. 개발자 툴은 사용자와의 대화를 생성하는 대화 에디터(dialog editor)를 포함할 수 있다. 개발자 툴은 후속 목표를 활성화하고, 힌트를 제공하는 후속 발화를 편집할 수 있는 후속 동작 에디터(follow up editor)를 포함할 수 있다. 후속 목표는 현재 설정된 목표, 사용자의 선호도 또는 환경 조건에 기초하여 결정될 수 있다. 일 실시 예에서, 캡슐 데이터베이스(1230)는 전자 장치(101) 내에서 구현이 가능할 수 있다.

일 실시 예에서, 실행 엔진(1240)은 생성된 플랜을 이용하여 결과를 산출할 수 있다. 엔드 유저 인터페이스(1250)는 산출된 결과를 전자 장치((100)로 송신할 수 있다. 이에 따라, 전자 장치(101)는 결과를 수신하고, 상기 수신된 결과를 사용자에게 제공할 수 있다. 매니지먼트 플랫폼(1260)은 지능형 서버(1200)에서 이용되는 정보를 관리할 수 있다. 빅 데이터 플랫폼(1270)은 사용자의 데이터를 수집할 수 있다. 분석 플랫폼(1280)을 지능형 서버(1200)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(1280)은 지능형 서버(1200)의 구성 요소 및 처리 속도 또는 효율성을 관리할 수 있다.

일 실시 예에서, 서비스 서버(1300)는 전자 장치(101)에 지정된 서비스(예: 음식 주문 또는 호텔 예약)를 제공할 수 있다. 일 실시 예에 따르면, 서비스 서버(1300)는 제3 자에 의해 운영되는 서버일 수 있다. 서비스 서버(1300)는 수신된 음성 입력에 대응되는 플랜을 생성하기 위한 정보를 지능형 서버(1200)에 제공할 수 있다. 제공된 정보는 캡슐 데이터베이스(1230)에 저장될 수 있다. 또한, 서비스 서버(1300)는 플랜에 따른 결과 정보를 지능형 서버(1200)에 제공할 수 있다.

통합 지능 시스템(1100)에서 전자 장치(101)는 사용자 입력에 응답하여 사용자에게 다양한 인텔리전트 서비스를 제공할 수 있다. 사용자 입력은, 예를 들어, 물리적 버튼을 통한 입력, 터치 입력 또는 음성 입력을 포함할 수 있다.

일 실시 예에서, 전자 장치(101)는 내부에 저장된 지능형 앱 또는 음성 인식 앱을 통해 음성 인식 서비스를 제공할 수 있다. 이 경우, 전자 장치(101)는 수신된 사용자 발화(utterance) 또는 음성 입력(voice input)을 인식하고, 인식된 음성 입력에 대응되는 서비스를 사용자에게 제공할 수 있다.

일 실시 예에서, 전자 장치(101)는 수신된 음성 입력에 기초하여, 단독으로 또는 지능형 서버 및/또는 서비스 서버와 함께 지정된 동작을 수행할 수 있다. 예를 들어, 전자 장치(101)는 수신된 음성 입력에 대응되는 앱을 실행시키고, 실행된 앱을 통해 지정된 동작을 수행할 수 있다.

일 실시 예에서, 전자 장치(101)가 지능형 서버(1200) 및/또는 서비스 서버(1300)와 함께 서비스를 제공하는 경우에는, 전자 장치(101)는 사용자 발화를 감지하고, 감지된 사용자 발화에 대응되는 신호 또는 음성 데이터)를 생성할 수 있다. 전자 장치(101)는 음성 데이터를 인터페이스(177)를 이용하여 지능형 서버(1200)로 송신할 수 있다.

일 실시 예에서, 지능형 서버(1200)는 전자 장치(101)로부터 수신된 음성 입력에 대한 응답으로써, 음성 입력에 대응되는 태스크를 수행하기 위한 플랜 또는 플랜에 따라 동작을 수행한 결과를 생성할 수 있다. 플랜은 사용자의 음성 입력에 대응되는 태스크를 수행하기 위한 복수의 동작 및 복수의 동작과 관련된 복수의 컨셉을 포함할 수 있다. 컨셉은 복수의 동작의 실행에 입력되는 파라미터 또는 복수의 동작의 실행에 의해 출력되는 결과 값을 정의한 것일 수 있다. 플랜은 복수의 동작 및 복수의 컨셉 사이의 연관 정보를 포함할 수 있다.

일 실시 예에서, 전자 장치(101)는 인터페이스(177)를 이용하여 응답을 수신할 수 있다. 전자 장치(101)는 음향 출력 장치(155)를 이용하여 전자 장치(101) 내부에서 생성된 음성 신호를 외부로 출력하거나, 표시 장치(160)를 이용하여 전자 장치(101) 내부에서 생성된 이미지를 외부로 출력할 수 있다.

도 12는 일 실시 예에 따른 컨셉과 액션의 관계 정보가 데이터베이스에 저장된 컨셉 액션 네트워크를 나타낸 도면이다.

일 실시 예에서, 지능형 서버(1200)의 캡슐 데이터베이스(1230)는 CAN(concept action network) 형태로 캡슐을 저장할 수 있다. 캡슐 데이터베이스(1230)는 사용자의 음성 입력에 대응되는 태스크를 처리하기 위한 동작 및 동작을 위해 필요한 파라미터를 CAN 형태로 저장할 수 있다.

일 실시 예에서, 캡슐 데이터베이스(1230)는 복수의 도메인들(예: 위치(geo) 또는 어플리케이션) 각각에 대응되는 캡슐 A(1401) 및 캡슐 B(1404)를 저장할 수 있다. 일 실시 예에 따르면, 하나의 캡슐(예: 캡슐 A(1401))은 하나의 도메인에 대응될 수 있다. 또한, 하나의 캡슐에는 캡슐과 관련된 도메인에 대한 기능을 수행하기 위한 적어도 하나의 서비스 제공자(예: CP 1(1402) 또는 CP 2 (1403))가 대응될 수 있다. 일 실시 예에 따르면, 하나의 캡슐은 지정된 기능을 수행하기 위한 적어도 하나 이상의 동작(1410) 및 적어도 하나 이상의 컨셉(1420)을 포함할 수 있다.

일 실시 예에서, 자연어 플랫폼(1220)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 수신된 음성 입력에 대응하는 태스크를 수행하기 위한 플랜을 생성할 수 있다. 자연어 플랫폼(1220)의 플래너 모듈(1225)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 플랜을 생성할 수 있다. 예를 들어, 플래너 모듈(1225)은 캡슐 A(1401) 의 동작들(4011, 4013) 및 컨셉들(4012, 4014) 및 캡슐 B(1404)의 동작(4041) 및 컨셉(4042)을 이용하여 플랜(1407)을 생성할 수 있다.

도 13은 일 실시 예에 따른 전자 장치(101)의 하드웨어 구조를 나타낸 도면(1300)이다. 전자 장치(101)는 이동 가능한 로봇 장치일 수 있다. 예를 들어, 전자 장치(101)는 구형 또는 구형의 본체에 고리 형태의 모듈이 결합된 로봇 장치일 수 있다. 그러나 이에 한정되지 않으며, 전자 장치(101)는 무선 통신을 지원하고, 사용자의 입력 또는 수집된 데이터에 응답할 수 있는 장치일 수 있다. 전자 장치(101)는 프로세서(120), 메모리(130), 음향 출력 장치(155), 표시 장치(160), 센서 모듈(176), 통신 모듈(190), 구동부(1320), 및 전원부(1330) 중 적어도 하나를 포함할 수 있다.

일 실시 예에서, 프로세서(120)는 GPU(graphic processing unit)(122), ISP(image signal processor) (124), 및 코덱(codec DSP) 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 전자 장치(101)의 구동 및 서비스 제공을 위한 명령 처리를 수행할 수 있다.

일 실시 예에서, 메모리(130)는 맵(map) 정보 및 사물 데이터(object database)를 저장할 수 있다. 맵 정보는 실내 공간 또는 주변 환경 정보를 포함할 수 있다. 사물 데이터는 감지된 사물 정보와 비교할 수 있는 정보를 포함할 수 있다.

일 실시 예에서, 음향 출력 장치(155)는 음성을 출력하는 스피커일 수 있다. 표시 장치(160)는 영상을 표시하는 디스플레이일 수 있다.

일 실시 예에서, 센서 모듈(176)은 근접(proximity) 센서(1331), 깊이 카메라(depth camera)(1332), RGB 카메라(1333), 입력 장치(150), 및 9축(9-axis) 센서(1334)를 포함할 수 있다. 근접 센서(1331)는 외부 사물을 감지할 수 있다. 깊이 카메라(depth camera)(1332) 및 RGB 카메라(1333)는 비전(vision) 정보를 지속적으로 획득하여 영상 데이터를 생성할 수 있다. 입력 장치(150)는 음성 정보 획득을 위한 마이크 어레이(array-MIC)일 수 있다. 9축 센서(1334)는 이동(movement) 및 모션(motion)에 대한 방향 감지를 수행할 수 있다. 9축 센서(1334)는 가속도(acceleration) 센서, 지자계(earth magnetic field) 센서, 또는 자이로(gyro) 센서와 같은 센서들을 포함할 수 있다.

일 실시 예에서, 통신 모듈(190)은 무선 통신 모듈(192) 및 유선 통신 모듈(194)을 포함할 수 있다. 무선 통신 모듈(192)은 BT, Wi-Fi, 또는 셀룰러(cellular) 통신을 이용하여 무선(wireless) 통신 환경을 지원할 수 있다. 유선 통신 모듈(194)은 USB, HDMI, 또는 MHL을 이용하여 유선(wired) 통신 환경을 지원할 수 있다.

일 실시 예에서, 구동부(1320)는 전자 장치(101)를 이동시킬 수 있다. 구동부(1320)는 전자 장치(101)를 구성하는 다른 구성 요소를 기구적으로 변경하기 위하여 사용될 수 있다. 구동부(1320)는 적어도 하나 이상의 축(axis)을 중심으로 하여 상부, 하부, 좌측, 및 우측으로 이동시킬 수 있는 바퀴(wheel) 형태의 구조를 가질 수 있다. 또는, 구동부(1320)는 회전의 움직임이 가능한 바퀴 형태의 구조를 가질 수 있다. 구동부(1320)는 이동 가능한 구조를 구동시키기 위한 구동 모터(motor)를 포함할 수 있다. 구동부(1320)는 바퀴 형태 구조 및 구동 모터를 조합하여 다양하게 구현될 수 있다.

일 실시 에에서, 전원부(1330)는 전자 장치(101)에 전력을 공급할 수 있다. 전원부(1330)는 전력 관리 모듈(188) 및 배터리(189)를 포함할 수 있다. 전력 관리 모듈(188)은 PMIC(power management integrated circuit) 및 연료 게이지(fuel guage)를 포함할 수 있다.

도 14는 일 실시 예에 따른 전자 장치(101)의 소프트웨어 구조를 나타낸 도면(1400)이다.

일 실시 예에 따른 전자 장치(101)의 소프트웨어 구조는 운영 체제(operating system, OS), 미들웨어(middleware)(144), 및 지능형 프레임워크(intelligent framework)(1430)를 포함할 수 있다.

일 실시 예에서, 운영 체제(142)는 전자 장치(101)의 리소스(resource) 분배 및 작업 스케쥴링(schedule) 프로세스와 같은 연산 처리를 수행할 수 있다. 운영 체제(142)는 입력 장치(150) 및/또는 센서 모듈(176)과 연결될 수 있다. 운영 체제(142)는 입력 장치(150) 및/또는 센서 모듈(176)로부터 데이터를 획득하고, 입력 장치(150) 및/또는 센서 모듈(176)을 제어할 수 있다. 예를 들어, 운영 체제(142)는 깊이 카메라(1332) 또는 RGB 카메라(1333)로부터 이미지를 획득한 ISP(124), 9축 센서(1334), 터치 패널(151), 및/또는 마이크(152)로부터 입력 데이터를 획득한 코덱(126)을 제어할 수 있다. 운영 체제(142)는 시스템의 모든 것을 완전히 통제하고, 운영 체제의 다른 부분 및 응용 프로그램 수행에 필요한 여러 가지 서비스를 제공하는 핵심 프로그램인 커널(kernel)로 구현될 수 있다. 운영 체제(142)는 입력 장치(150) 및/또는 센서 모듈(176)로부터 입력된 신호들을 처리하는 장치 드라이버(device driver)(143)를 포함할 수 있다.

일 실시 예에서, 미들웨어(144)는 전자 장치(101)가 운영 체제(142)로부터 제공받는 서비스 이외에 추가적으로 이용할 수 있는 서비스를 제공하는 컴퓨터 소프트웨어일 수 있다. 미들웨어(144)는 운영 체제(142) 및 지능형 프레임워크(1430)를 서로 연결하여 데이터를 주고 받을 수 있도록 중간에서 매개 역할을 하는 소프트웨어일 수 있다. 미들웨어(144)는 전자 장치(101)가 임의의 서비스를 사용할 수 있도록 전자 장치(101)를 제2 네트워크(199)에 연결시킬 수 있다. 미들웨어(144)는 사물 인식, 얼굴 검출/추적/인식, 센서 정보 처리, 대화 엔진, 음성 합성, 음원 추적, 또는 음성 인식과 같은 기능을 제공할 수 있다.

일 실시 예에서, 미들웨어(144)는 신호 처리된 데이터를 이용하여 사물을 인식할 수 있다. 미들웨어(144)는 사용자의 얼굴 위치를 검출하고 추적할 수 있다. 미들웨어(144)는 얼굴 인식을 통한 인증 기능을 수행할 수 있다. 미들웨어(144)는 사용자가 하는 입체적인 제스처를 인식할 수 있다. 미들웨어(144)는 오디오 신호에 대한 입력 위치를 추적(direct of arrival, DOA)할 수 있다. 미들웨어(144)는 다양한 센싱된 데이터 및 신호를 처리할 수 있다. 미들웨어(144) 음성 인식 기능을 수행할 수 있다.

일 실시 예에서, 지능형 프레임워크(1430)는 메모리(130)로부터 맵 정보, 음성 모델, 및/또는 객체 모델을 획득할 수 있다. 지능형 프레임워크(1430)는 전자 장치(101)의 동작을 제어할 수 있다. 지능형 프레임워크(1430)는 멀티 모달 융합(1431), 사용자 패턴 학습, 객체 학습, 행동 제어(1434)를 포함할 수 있다.

일 실시 예에서, 멀티 모달 융합(1431)은 전자 장치(101)가 미들웨어(144)에서 처리된 각종 정보를 취합하고 관리하도록 제어할 수 있다. 사용자 패턴 학습은 전자 장치(101)가 멀티 모달 융합(1431)된 정보를 이용하여 사용자의 생활 패턴 또는 선호도와 같은 의미가 있는 정보를 추출하고 학습하도록 제어할 수 있다. 객체 학습은 전자 장치(101)가 등록된 다양한 객체들을 지속적으로 관찰하면서 객체의 특징 및 사용 패턴을 추출하고 저장하도록 제어할 수 있다. 행동 제어(1434)는 전자 장치(101)가 사용자에게 피드백(feedback) 할 정보를 출력 또는 표현하도록 제어할 수 있다.

일 실시 예에서, 행동 제어(1434)는 움직임(movement), 그래픽(graphics), 및/또는 음성(sound)을 제어할 수 있다. 행동 제어(1434)는 전자 장치(101)의 움직임을 바퀴(1321) 및 모터(1322)를 포함하는 구동부(1320)를 이용하여 출력하거나 표현할 수 있다. 행동 제어(1434)는 전자 장치(101)의 그래픽을 표시 장치(160)를 이용하여 출력할 수 있다. 예를 들어, 행동 제어(1434)는 전자 장치(101)의 UI/UX(user interface/user experience)을 표시 장치(160)를 이용하여 출력하거나 표현할 수 있다. 행동 제어(1434)는 전자 장치(101)의 음성을 음향 출력 장치(155)를 이용하여 출력하거나 표현할 수 있다.

본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.

본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나",“A 또는 B 중 적어도 하나,”"A, B 또는 C," "A, B 및 C 중 적어도 하나,”및 “A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, “기능적으로” 또는 “통신적으로”라는 용어와 함께 또는 이런 용어 없이, “커플드” 또는 “커넥티드”라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.

본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체 는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

일실시예에 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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (20)

1. 사용자 예측 모델 생성 방법에 있어서,
   센서 모듈로부터 음성 데이터 또는 영상 데이터를 수집하고 수집된 데이터를 저장하는 동작;
   사용자 식별(identification) 또는 인증(authentication) 기능을 수행하는 동작;
   상기 수집된 데이터를 입력으로, 상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하는 동작; 및
   상기 입력 및 상기 목표 값에 기반하여 상기 사용자 예측 모델을 생성하는 동작을 포함하는 방법.
2. 청구항 1에 있어서,
   상기 수집된 데이터 중 일정 기간 내에 수집된 데이터를 상기 목표 값에 대응하는 상기 입력으로 이용하는 동작을 더 포함하는 방법.
3. 청구항 1에 있어서,
   상기 입력 및 상기 목표 값을 반복적으로 학습시켜 상기 사용자 예측 모델을 갱신하는 동작을 더 포함하는 방법.
4. 청구항 1에 있어서,
   상기 수집된 데이터가 특정 조건을 만족하는지 판단하는 동작을 더 포함하는 방법.
5. 청구항 4에 있어서,
   상기 특정 조건은 상기 음성 데이터 중 지정된 주파수의 음성 데이터인지 여부 또는 상기 영상 데이터 중 지정된 범위의 영상 데이터인지 여부를 포함하는 방법.
6. 청구항 1에 있어서,
   상기 사용자 식별 또는 상기 인증 기능의 결과로부터 추출한 속성에 연관된 개념을 새로운 목표 값으로 부여하는 동작을 더 포함하는 방법.
7. 청구항 6에 있어서,
   상기 연관된 개념은 상기 입력으로 도출할 수 있는 특징(feature)을 포함하는 방법.
8. 청구항 6에 있어서,
   상기 연관된 개념은 상기 수집된 데이터의 유형, 상기 사용자 예측 모델을 이용하여 제공하는 서비스, 또는 상기 사용자 예측 모델의 신뢰도에 따라 결정되는 방법.
9. 전자 장치에 있어서,
   센싱 모듈;
   통신 모듈;
   메모리; 및
   상기 센싱 모듈, 상기 통신 모듈, 및 상기 메모리와 작동적으로 연결된 프로세서를 포함하고,
   상기 프로세서는,
   상기 센싱 모듈을 이용하여 상기 전자 장치로부터 제1 거리만큼 이격된 사용자가 생성한 데이터를 수집하고,
   상기 전자 장치로부터 상기 제1 거리보다 짧은 제2 거리만큼 이격된 상기 사용자에 대하여 사용자 식별(identification) 또는 인증(authentication) 기능을 수행하고,
   상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하고, 상기 데이터 중 상기 인증 기능과 시간적 또는 공간적으로 연관된 상황에서 발생한 데이터를 입력으로 부여하여 사용자 예측 모델을 생성하고,
   상기 사용자 예측 모델을 이용하여 상기 제1 거리에서 상기 사용자를 식별하도록 설정된 전자 장치.
10. 청구항 9에 있어서, 상기 프로세서는,
    상기 입력 및 상기 목표 값에 기반하여 반복적으로 기계 학습을 수행하여 상기 사용자와 연관된 패턴을 발견(mining)할 수 있는 상기 사용자 예측 모델을 생성하도록 설정된 전자 장치.
11. 청구항 9에 있어서, 상기 프로세서는,
    상기 수집된 데이터 중 특정 조건을 만족하지 않는 데이터를 상기 사용자 예측 모델을 생성 또는 갱신하는 과정에 불필요한 노이즈(noise) 데이터로 판단하여 삭제하도록 설정된 전자 장치.
12. 청구항 9에 있어서, 상기 프로세서는,
    상기 사용자 식별 또는 상기 인증 기능의 결과보다 상위의 개념인 그룹(group)을 상기 입력으로 도출할 수 있는 새로운 목표 값으로 부여하도록 설정된 전자 장치.
13. 청구항 12에 있어서, 상기 프로세서는,
    상기 사용자 식별 또는 상기 인증 기능으로 식별한 상기 사용자의 프로필(profile) 정보로부터 상기 새로운 목표 값을 추출하도록 설정된 전자 장치.
14. 청구항 9에 있어서, 상기 프로세서는,
    상기 수집된 데이터로 예측한 사용자와 상기 인증 기능으로 식별된 사용자가 일치하는 경우, 상기 사용자 예측 모델의 신뢰도를 증가시키도록 설정된 전자 장치.
15. 청구항 9에 있어서, 상기 프로세서는,
    상기 수집된 데이터로 예측한 사용자와 상기 인증 기능으로 식별된 사용자가 서로 다른 경우, 상기 수집된 데이터를 상기 식별된 사용자를 구별하기 위한 학습 데이터로 활용하고, 상기 사용자 예측 모델의 신뢰도를 감소시키도록 설정된 전자 장치.
16. 사용자 예측 모델 적용 방법에 있어서,
    영상 데이터 또는 음성 데이터와 같은 데이터를 수집하는 동작;
    상기 수집된 데이터가 유효한 데이터인지 판단하는 동작;
    상기 판단 결과에 따라 상기 수집된 데이터를 상기 사용자 예측 모델에 입력하여 사용자를 미리 식별하는 동작; 및
    식별된 상기 사용자에 대응하는 맞춤형 서비스를 제공하는 동작을 포함하고,
    상기 수집된 데이터는 발소리, 주변기기 조작음 등의 음성 데이터 또는 헤어스타일, 체형, 걸음걸이, 의복 등의 영상 데이터인 방법.
17. 청구항 16에 있어서,
    상기 수집된 데이터를 상기 입력으로 부여하여 상기 인증 기능에서 목표 값을 도출하는 것이 용이하지 않은 경우, 상기 입력으로 도출할 수 있는 특징을 그룹핑(grouping)하여 상위 개념을 새로운 목표 값으로 정의하는 동작을 더 포함하는 방법.
18. 청구항 16에 있어서,
    상기 사용자 식별 또는 상기 인증 기능은 외부 전자 장치의 고유 정보 확인 또는 생체 정보 확인 동작을 포함하는 방법.
19. 청구항 16에 있어서,
    근접(proximity) 센서, 깊이 카메라(depth camera), RGB 카메라, 및 9축 센서 중 적어도 하나를 포함하는 센서 모듈을 이용하여 상기 제1 영역을 모니터링하여 상기 데이터를 실시간으로 수집하는 방법.
20. 청구항 16에 있어서,
    상기 사용자의 프로필을 참고하여 목표 값을 수정하여 상기 인증 기능의 결과 값을 가공하는 동작을 더 포함하는 방법.

Images