KR20200080819A - Method of providing commercialization service of an artificial neural network - Google Patents
Method of providing commercialization service of an artificial neural network Download PDFInfo
- Publication number
- KR20200080819A KR20200080819A KR1020180170680A KR20180170680A KR20200080819A KR 20200080819 A KR20200080819 A KR 20200080819A KR 1020180170680 A KR1020180170680 A KR 1020180170680A KR 20180170680 A KR20180170680 A KR 20180170680A KR 20200080819 A KR20200080819 A KR 20200080819A
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- artificial neural
- learning
- server
- data
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- 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
Abstract
Description
본 발명의 실시예들은 인공 신경망의 상용화 서비스 제공 방법에 관한 것으로, 사용자가 제공한 제1 학습 데이터에 기초하여 인공 신경망을 생성하고, 생성된 인공 신경망을 이용하여 서비스 제공을 위한 API를 생성하는 인공 신경망의 상용화 서비스 제공 방법에 관한 것이다.Embodiments of the present invention relates to a method for providing a commercialized service of an artificial neural network, an artificial neural network is generated based on first learning data provided by a user, and an artificial intelligence that generates an API for providing a service using the generated artificial neural network It relates to a method for providing a commercialization service of a neural network.
오늘날 인공 신경망은 다양한 분야의 다양한 어플리케이션(Application)에 사용이 확대되고 있는 추세이다.Today, artificial neural networks are increasingly used in various applications in various fields.
특히 인공 신경망은 기존의 룰 베이스(Rule-based) 기반의 결정 모델과 비교했을 때, 룰(Rule)들을 개별적으로 설정하지 않아도 단지 다양한 경우의 학습 데이터를 학습시킴으로써 구축이 가능하고, 결과의 정확도 또한 높기에 사용 분야가 폭발적으로 증가하고 있는 추세이다.In particular, an artificial neural network can be constructed by learning training data in various cases without setting rules individually when compared with the existing rule-based decision model. As it is high, the field of use is exploding.
한편 이러한 인공 신경망을 이용한 어플리케이션은 기존의 룰 베이스 기반의 결정 모델을 이용하는 어플리케이션에 비해 구현이 복잡하여, 전문적인 지식을 갖지 않은 사람이 쉽게 구현하거나 접근할 수 없다는 문제점이 있었다.On the other hand, the application using such an artificial neural network has a problem in that it is more complicated to implement than the application using the existing rule base-based decision model, so that a person without expert knowledge cannot easily implement or access it.
특히 인공 신경망을 이용한 어플리케이션의 경우, 학습 데이터를 소정의 과정에 따라 수집하고, 전처리를 통하여 인공 신경망에 사용이 적합한 형태로 변환하는 등의 복잡한 과정을 거쳐야 하는 어려움이 있다.In particular, in the case of an application using an artificial neural network, there is a difficulty in having to undergo a complicated process such as collecting learning data according to a predetermined process and converting it into a form suitable for use in an artificial neural network through preprocessing.
또한 최적의 성능을 갖는 인공 신경망의 구현을 위해서, 장시간의 파라미터 튜닝 과정을 거쳐야 하고 튜닝된 파라미터를 이용하여 인공 신경망을 다시 구축하고, 이를 자신이 별도로 제작한 인터페이스와 연결하는 또 다른 번거롭고 복잡한 과정을 거쳐야 한다.In addition, in order to implement an artificial neural network with optimal performance, a long parameter tuning process is required, and an artificial neural network is rebuilt using the tuned parameters, and another cumbersome and complicated process of connecting it with an interface separately produced by the user is performed. Must go through.
본 발명의 상술한 문제점을 해결하기 위한 것으로, 사용자가 인공 신경망을 이용한 어플리케이션의 일련의 제작 과정을 손쉽게 수행할 수 있도록 하고자 한다.In order to solve the above-described problems of the present invention, it is intended to enable a user to easily perform a series of production processes of an application using an artificial neural network.
또한 본 발명은 학습 데이터에 대한 다양한 전처리 옵션을 제공하여, 학습 데이터의 전처리에 소요되는 시간을 단축시키고자 한다.In addition, the present invention is to provide a variety of pre-processing options for learning data, to reduce the time required for pre-processing the learning data.
또한 본 발명은 인공 신경망의 학습에 사용하고자 하는 복수의 파라미터 셋을 한 번에 결정하고, 순차적 및/또는 병렬적으로 학습을 수행함으로써 다양한 파라미터 셋에 대한 검증 시간을 단축시키고, 특히 사용자가 손쉽게 최적의 파라미터 셋을 결정할 수 있도록 하고자 한다.In addition, the present invention determines a plurality of parameter sets to be used for learning of an artificial neural network at a time, and performs sequential and/or parallel learning to shorten the verification time for various parameter sets, especially for users to easily optimize We want to be able to determine the parameter set of.
또한 본 발명은 최적의 파라미터 셋을 이용한 인공 신경망을 간편하게 API화 하여 사용자가 어플리케이션에 손쉽게 인공 신경망을 사용할 수 있도록 하고자 한다.In addition, the present invention is intended to enable the user to easily use an artificial neural network for an application by simply APIizing an artificial neural network using an optimal parameter set.
본 발명의 일 실시예에 따른 사용자가 제공한 제1 학습 데이터에 기초하여 인공 신경망을 생성하고, 생성된 인공 신경망을 이용하여 서비스 제공을 위한 API를 생성하는 인공 신경망의 상용화 서비스 제공 방법은, 사용자 단말로부터 제1 학습 데이터를 수신하는 단계; 상기 제1 학습 데이터를 소정의 방식으로 전처리 하여 제2 학습 데이터를 생성하는 단계; 상기 제2 학습 데이터에 기초하여 복수의 파라미터 셋 각각에 대한 인공 신경망의 학습 결과를 산출하고, 상기 산출 결과에 기초하여 상기 복수의 파라미터 셋 중 어느 하나를 최적의 파라미터 셋으로 결정하는 단계; 상기 최적의 파라미터 셋이 적용된 배포 인공 신경망을 생성하는 단계; 및 상기 배포 인공 신경망을 이용하는 서비스 제공을 위한 API를 생성하는 단계;를 포함할 수 있다.An artificial neural network commercialization service providing method for generating an artificial neural network based on first learning data provided by a user according to an embodiment of the present invention and generating an API for providing a service using the generated artificial neural network is a user Receiving first learning data from the terminal; Generating second learning data by pre-processing the first learning data in a predetermined manner; Calculating a learning result of an artificial neural network for each of a plurality of parameter sets based on the second learning data, and determining one of the plurality of parameter sets as an optimal parameter set based on the calculation result; Generating a distributed artificial neural network to which the optimal parameter set is applied; And generating an API for providing a service using the distributed artificial neural network.
상기 제2 학습 데이터를 생성하는 단계는 제1 학습 데이터의 처리가 가능한 적어도 하나의 전처리 방식의 식별 정보를 상기 사용자 단말에 제공하는 단계; 상기 사용자 단말로부터 상기 전처리 방식에 대한 선택정보를 수신하는 단계; 및 상기 선택정보에 대응되는 전처리 방식으로 상기 제1 학습 데이터를 전처리 하여 상기 제2 학습 데이터를 생성하는 단계;를 포함할 수 있다.The generating of the second learning data may include providing identification information of at least one pre-processing method capable of processing the first learning data to the user terminal; Receiving selection information for the preprocessing method from the user terminal; And generating the second learning data by pre-processing the first learning data in a pre-processing manner corresponding to the selection information.
상기 제2 학습 데이터를 생성하는 단계는 상기 선택정보에 대응되는 전처리 방식에 따른 제1 학습 데이터의 전처리 진행 정도에 관한 정보를 상기 사용자 단말에 제공하는 단계;를 더 포함할 수 있다.The generating of the second learning data may further include providing the user terminal with information on the progress of the pre-processing of the first learning data according to the pre-processing method corresponding to the selection information.
상기 제1 학습 데이터는 텍스트 데이터, 이미지 데이터 및 음향 데이터 중 적어도 하나 이상이 결합된 형태의 데이터이고, 상기 제2 학습 데이터는 상기 제1 학습 데이터에 대응되는 벡터 형태의 데이터일 수 있다.The first learning data may be data in which at least one of text data, image data, and sound data is combined, and the second learning data may be vector data corresponding to the first learning data.
상기 최적의 파라미터 셋은 상기 배포 인공 신경망의 구조에 대한 구조 파라미터 셋 및 배포 인공 신경망의 학습 조건에 관한 학습 파라미터 셋을 포함하고, 상기 배포 인공 신경망을 생성하는 단계는 상기 구조 파라미터 셋에 기초하여, 상기 배포 인공 신경망을 생성하는 단계; 및 상기 학습 파라미터 셋에 따라, 상기 생성된 배포 인공 신경망을 학습시키는 단계;를 포함할 수 있다.The optimal parameter set includes a structural parameter set for the structure of the distributed artificial neural network and a learning parameter set for learning conditions of the distributed artificial neural network, and generating the distributed artificial neural network is based on the structural parameter set, Generating the distributed artificial neural network; And training the generated distributed artificial neural network according to the set of learning parameters.
상기 API를 생성하는 단계는 상기 제2 학습 데이터를 생성하는 단계에서 결정된 전처리 방식에 기초하여, 입력 데이터를 전처리 하는 입력 데이터 전처리 모듈을 생성하는 단계; 상기 생성된 배포 신경망을 이용하여 상기 입력 데이터에 대한 출력 데이터를 생성하는 신경망 모듈을 생성하는 단계; 상기 제1 학습 데이터에 포함된 출력 데이터의 포맷을 참조하여, 상기 신경망 모듈의 출력 데이터의 포맷을 변환하는 출력 데이터 변환 모듈을 생성하는 단계; 및 상기 전처리 모듈, 상기 신경망 모듈 및 상기 변환 모듈을 포함하는 API를 생성하는 단계;를 포함할 수 있다.The generating of the API may include generating an input data pre-processing module that pre-processes the input data based on the pre-processing method determined in the step of generating the second learning data; Generating a neural network module that generates output data for the input data using the generated distribution neural network; Generating an output data conversion module that converts a format of output data of the neural network module with reference to a format of output data included in the first learning data; And generating an API including the pre-processing module, the neural network module, and the transformation module.
본 발명에 따르면, 사용자가 인공 신경망을 이용한 어플리케이션의 일련의 제작 과정을 손쉽게 수행할 수 있도록 한다.According to the present invention, the user can easily perform a series of production processes of an application using an artificial neural network.
또한 본 발명은 학습 데이터에 대한 다양한 전처리 옵션을 제공하여, 학습 데이터의 전처리에 소요되는 시간을 단축시킬 수 있다.In addition, the present invention can provide a variety of pre-processing options for the training data, it is possible to shorten the time required for the pre-processing of the training data.
또한 본 발명은 인공 신경망의 학습에 사용하고자 하는 복수의 파라미터 셋을 한 번에 결정하고, 순차적 및/또는 병렬적으로 학습을 수행함으로써 다양한 파라미터 셋에 대한 검증 시간을 단축시키고, 특히 사용자가 손쉽게 최적의 파라미터 셋을 결정할 수 있도록 한다.In addition, the present invention determines a plurality of parameter sets to be used for learning of an artificial neural network at a time, and performs sequential and/or parallel learning to shorten the verification time for various parameter sets, especially for users to easily optimize Lets you determine the parameter set of.
또한 본 발명은 최적의 파라미터 셋을 이용한 인공 신경망을 간편하게 API화 하여 사용자가 어플리케이션에 손쉽게 인공 신경망을 사용할 수 있도록 한다.In addition, the present invention makes it easy to API an artificial neural network using an optimal parameter set so that a user can easily use the artificial neural network for an application.
도 1은 본 발명의 일 실시예에 따른 인공 신경망의 상용화 서비스 제공 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 리소스 서버(300A)의 구성을 개략적으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다.
도 4 및 도 5는 본 발명의 서버(100) 및/또는 리소스 서버(300)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 서버(100)가 제1 학습 데이터(410)를 소정의 방식으로 전처리 하여 제2 학습 데이터(420)를 생성하는 과정을 설명하기 위한 도면이다.
도 7은 서버(100)에 의해 결정된 파라미터 셋의 예시이다.
도 8은 본 발명의 일 실시예에 따른 서버(100)가 복수의 리소스 서버에 대해서 서로 다른 파라미터 셋에 따른 학습의 수행을 요청하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 서버(100)가 입력 값에 대한 결과값(610A, 610B, 610C)을 복수의 리소스 서버로부터 수신하는 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 서버(100)가 배포 인공 신경망을 이용하여 생성한 API(720)의 구조를 설명하기 위한 도면이다.
도 11은 사용자가 제1 학습 데이터(410)를 등록하고 이에 대한 전처리 방식을 선택하기 위한 화면(1100)의 예시이다.
도 12는 학습 결과 및/또는 상태에 대한 정보를 제공하는 화면(1200)의 예시이다.
도 13은 생성된 API에 대한 정보를 제공하는 화면(1300)의 예시이다.
도 14은 본 발명의 일 실시예에 따른 서버(100)에 의해 수행되는 인공 신경망의 상용화 서비스 제공 방법을 설명하기 위한 흐름도이다.1 is a diagram schematically showing the configuration of a system for providing a commercial service of an artificial neural network according to an embodiment of the present invention.
2 is a diagram schematically showing the configuration of a
3 is a diagram schematically showing the configuration of the
4 and 5 are diagrams for explaining an exemplary structure of an artificial neural network learned by the
6 is a diagram for explaining a process in which the
7 is an example of a parameter set determined by the
8 is a view for explaining a method for requesting the
9 is a diagram for explaining a method for the
10 is a view for explaining the structure of the
11 is an example of a
12 is an example of a
13 is an example of a
14 is a flowchart illustrating a method of providing a commercialization service of an artificial neural network performed by the
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. The present invention can be applied to various transformations and can have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. Effects and features of the present invention and methods for achieving them will be clarified with reference to embodiments described below in detail together with the drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various forms.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings, and the same or corresponding components will be given the same reference numerals when describing with reference to the drawings, and redundant description thereof will be omitted. .
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 형태는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다. In the following examples, terms such as first and second are not used in a limiting sense, but for the purpose of distinguishing one component from other components. In the following embodiments, the singular expression includes a plural expression unless the context clearly indicates otherwise. In the examples below, terms such as include or have are meant to mean that features or components described in the specification exist, and do not preclude the possibility of adding one or more other features or components. In the drawings, the size of components may be exaggerated or reduced for convenience of description. For example, since the size and shape of each component shown in the drawings are arbitrarily shown for convenience of description, the present invention is not necessarily limited to what is illustrated.
도 1은 본 발명의 일 실시예에 따른 인공 신경망의 상용화 서비스 제공 시스템의 구성을 개략적으로 도시한 도면이다.1 is a diagram schematically showing the configuration of a system for providing a commercialization service of an artificial neural network according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 인공 신경망의 상용화 서비스 제공 시스템은 사용자가 제공한 제1 학습 데이터에 기초하여 인공 신경망을 생성하고, 생성된 인공 신경망을 이용하여 서비스 제공을 위한 API를 생성할 수 있다. The system for providing a commercialized service of an artificial neural network according to an embodiment of the present invention may generate an artificial neural network based on first learning data provided by a user, and generate an API for providing a service using the generated artificial neural network. .
또한 본 발명의 일 실시예에 따른 인공 신경망의 상용화 서비스 제공 시스템은 복수의 파라미터 셋 각각을 이용하여 인공 신경망을 학습시키고, 학습된 인공 신경망의 학습 결과를 산출하여 비교함으로써 최적의 파라미터 셋이 적용된 인공 신경망 생성하도록 할 수 있다. 이와 같은 본 발명의 일 실시예에 따른 인공 신경망의 상용화 서비스 제공 시스템은 서버(100), 사용자 단말(200), 리소스 서버(300) 및 통신망(400)을 포함할 수 있다.In addition, the system for providing a commercialized service of an artificial neural network according to an embodiment of the present invention is an artificial neural network using a plurality of parameter sets, learning an artificial neural network, and calculating and comparing learning results of the trained artificial neural network, thereby applying an artificial Neural networks can be created. The system for providing a commercial service of an artificial neural network according to an embodiment of the present invention may include a
본 발명에서 '인공 신경망'은 서버(100) 및/또는 리소스 서버(300)가 소정의 목적에 따라 생성한 것으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된 인공 신경망을 의미할 수 있다. 이와 같은 신경망의 구조에 대해서는 도 4 및 도 5를 참조하여 후술한다.In the present invention, the'artificial neural network' is generated by the
본 발명에서 '파라미터 셋'(Parameter Set)은 인공 신경망의 학습시에 학습 조건 및/또는 환경을 달리하기 위해 조절되는 값의 집합을 의미할 수 있다. 가령 파라미터 셋은 인공 신경망의 구조에 대한 구조 파라미터 셋과 인공 신경망의 학습 조건에 관한 학습 파라미터 셋을 포함할 수 있다.In the present invention,'parameter set' (Parameter Set) may mean a set of values that are adjusted to different learning conditions and/or environments when learning an artificial neural network. For example, the parameter set may include a structural parameter set for the structure of the artificial neural network and a learning parameter set for learning conditions of the artificial neural network.
이때 '구조 파라미터 셋'은 인공 신경망 그 자체에 관한 파라미터 셋을 의미할 수 있다. 가령 인공 신경망의 종류가 도 5에서 설명하는 RNN 모델에 따른 인공 신경망인 경우, 구조 파라미터 셋은 인공 신경망의 히든 레이어의 수, 입력 노드의 수 및 각 히든 레이어에 포함되는 히든 노드의 수와 같이 인공 신경망의 구조에 관한 파라미터들을 포함할 수 있다. 이와 같은 구조 파라미터 셋에 포함되는 각각의 파라미터는 스칼라 형태의 값(예를 들어 3, 7, 0.1 등)일 수도 있고, 벡터 형태의 값(예를 들어 [1, 3, 0.7, 0.5])일 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In this case, the'structure parameter set' may mean a parameter set for the artificial neural network itself. For example, when the type of the artificial neural network is an artificial neural network according to the RNN model described in FIG. 5, the structural parameter set is artificial, such as the number of hidden layers of the artificial neural network, the number of input nodes, and the number of hidden nodes included in each hidden layer. It may include parameters related to the structure of the neural network. Each parameter included in the structure parameter set may be a scalar value (for example, 3, 7, 0.1, etc.) or a vector type value (for example, [1, 3, 0.7, 0.5]). It might be. However, this is an example, and the spirit of the present invention is not limited thereto.
한편 '학습 파라미터 셋'는 전술한 '구조 파라미터 셋'에 의해 결정된 인공 신경망의 학습 조건에 관한 파라미터 셋을 의미할 수 있다. 가령 학습 파라미터 셋은 인공 신경망의 학습 반복 횟수(즉 동일한 학습 데이터를 이용한 학습의 반복 횟수(예를 들어 30회))에 대응되는 반복 파라미터 및 인공 신경망의 1회 학습에 사용되는 학습 데이터의 단위 수량(예를 들어 100개)에 대응되는 단위 수량 파라미터를 포함할 수 있다. 다만 이와 같은 반복 파라미터 및 단위 수량 파라미터는 학습 파라미터 셋에 포함되는 예시적인 파라미터로, 본 발명의 사상이 이에 한정되는 것은 아니다.Meanwhile, the'learning parameter set' may mean a parameter set related to the learning conditions of the artificial neural network determined by the'structural parameter set' described above. For example, the learning parameter set includes the number of repetition parameters corresponding to the number of repetitions of learning of the artificial neural network (that is, the number of repetitions of learning using the same learning data (for example, 30 times)) and the unit quantity of training data used for one learning of the artificial neural network A unit quantity parameter corresponding to (for example, 100) may be included. However, such repetition parameters and unit quantity parameters are exemplary parameters included in the learning parameter set, and the spirit of the present invention is not limited thereto.
본 발명의 일 실시예에 따른 사용자 단말(200)은 사용자가 서버(100)에 의해 제공되는 다양한 서비스를 이용할 수 있도록 사용자와 서버(100)를 매개하는 다양한 형태의 장치를 의미할 수 있다. 바꾸어 말하면, 본 발명의 일 실시예에 따른 사용자 단말(200)은 서버(100)와 데이터를 송수신 하는 다양한 장치를 의미할 수 있다. The
본 발명의 일 실싱예에서, 사용자 단말(200)은 인공 신경망의 상용화 과정에 따른 적어도 하나의 인터페이스를 서버(100)로부터 수신하여 이를 표시하고, 인터페이스에 대한 사용자의 입력을 획득하여 서버(100)로 전송할 수 있다. In one exemplary embodiment of the present invention, the
예를 들어 본 발명의 일 실시예에서, 사용자 단말(200)은 서버(100)로 제1 학습 데이터를 전송하여, 서버(100)가 전송된 제1 학습 데이터에 기초하여 인공 신경망을 생성하도록 할 수 있다. For example, in one embodiment of the present invention, the
또한 사용자 단말(200)은 서버(100)로 파라미터 셋을 전송하여, 서버(100)가 사용자에 의해 입력된 파라미터 셋에 따라 인공 신경망을 학습시키고 그 결과를 산출하도록 할 수 있다.In addition, the
또한 본 발명의 일 실시예에서, 사용자 단말(200)은 서버(100)로 파라미터 결정 조건을 전송하여, 서버(100)가 사용자에 의해 입력된 파라미터 결정 조건에 따라 파라미터 셋을 결정하고, 결정된 파라미터 셋을 이용하여 인공신경망을 학습시키고 그 결과를 산출하도록 할 수 있다. In addition, in one embodiment of the present invention, the
이와 같은 사용자 단말(200)은 도 1에 도시된 바와 같이, 휴대용 단말(201)을 의미할 수도 있고, 컴퓨터(202)를 의미할 수도 있다. As illustrated in FIG. 1, the
한편 사용자 단말(200)은 상술한 기능을 수행하기 위해 콘텐츠 등을 표시하기 위한 표시수단, 이러한 콘텐츠에 대한 사용자의 입력을 획득하기 위한 입력수단을 구비할 수 있다. 이 때 입력수단 및 표시수단은 다양하게 구성될 수 있다. 가령 입력수단은 키보드, 마우스, 트랙볼, 마이크, 버튼, 터치패널 등을 포함할 수 있으나 이에 한정되지 않는다. Meanwhile, the
본 발명의 일 실시예에 따른 리소스 서버(300)는 서버(100)의 제어에 따라 소정의 파라미터 셋을 이용하여 인공 신경망을 학습시키는 장치를 의미할 수 있다. 이와 같은 리소스 서버(300)는 도 1에 도시된 바와 같이 복수일 수 있다.The
도 2는 본 발명의 일 실시예에 따른 리소스 서버(300A)의 구성을 개략적으로 도시한 도면이다.2 is a diagram schematically showing the configuration of a
도 2를 참조하면, 본 발명의 일 실시예에 따른 리소스 서버(300A)는 통신부(310A), 제2 프로세서(320A), 메모리(330A) 및 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)를 포함할 수 있다.2, the
통신부(310A)는 리소스 서버(300A)가 서버(100)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. The
제2 프로세서(320A)는 서버(100)로 수신된 인공 신경망의 학습 명령에 따라, 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)를 제어하는 장치일 수 있다. 이때 프로세서(Processor)는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.The
메모리(330A)는 리소스 서버(300A)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. The
가령 메모리(330A)는 학습된 인공 신경망을 구성하는 데이터들(가령 계수들)을 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(330A)는 인공 신경망을 학습하기 위한 제2 학습 데이터(서버(100)로부터 수신된)도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.For example, the
복수의 제3 프로세서(340A-1, 340A-2, 340A-3)는 전술한 제2 프로세서(320A)의 제어에 따라 소정의 파라미터 셋을 이용하여 인공 신경망을 학습시키는 장치를 의미할 수 있다. 이때 복수의 제3 프로세서(340A-1, 340A-2, 340A-3) 각각은 전술한 제2 프로세서(320A)보다 높은 연산 능력을 갖는 장치일 수 있다. 가령 복수의 제3 프로세서(340A-1, 340A-2, 340A-3) 각각은 GPU(Graphics Processing Unit)로 구성될 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.The plurality of
본 발명의 일 실시예에서 복수의 제3 프로세서(340A-1, 340A-2, 340A-3) 각각은 구분되는 장치로써, 서로 다른 테스크(Task)를 수행하는데 사용될 수 있다. 가령 첫 번째 제3 프로세서(340A-1)는 첫 번째 파라미터 셋에 따른 신경망을 학습하는데 사용될 수 있고, 이와 동시에 두 번째 제3 프로세서(340A-2)는 두 번째 파라미터 셋에 따른 신경망을 학습하는데 사용될 수 있다.In an embodiment of the present invention, each of the plurality of
본 발명의 다른 실시예에서 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)는 1개의 장치로 동작하여, 하나의 테스크를 수행하는데 사용될 수 있다. 가령 제3 프로세서(340A-1, 340A-2, 340A-3)는 가상의 1개의 장치로, 세 번째 파라미터 셋에 따른 신경망을 학습하는데 사용될 수 있다.In another embodiment of the present invention, the plurality of
한편 본 발명의 다른 실시예에 따라 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)가 1개의 장치로써 동작하기 위한 전제로써, 복수의 제3 프로세서(340A-1, 340A-2, 340A-3)는 별도의 물리적 브릿지(Bridge) 및/또는 인터페이스를 통해 상호간에 연결될 수 있다.Meanwhile, according to another embodiment of the present invention, as a premise for the plurality of
복수의 제3 프로세서(340A-1, 340A-2, 340A-3)가 구분되는 장치로써 동작하는지 또는 1개의 장치로써 동작하는지는 제2 프로세서(320A)에 의해 전자적으로 결정될 수 있다.Whether the plurality of
도 2에서는 예시적으로, 리소스 서버(300A)의 구성만을 설명하였지만 나머지 리소스 서버(300)도 이와 동일하거나 상응하는 구조일 수 있으므로, 나머지 리소스 서버(300)에 대한 상세한 설명은 생략한다.In FIG. 2, only the configuration of the
본 발명의 일 실시예에 따른 서버(100)는 사용자가 제공한 제1 학습 데이터에 기초하여 인공 신경망을 생성하고, 생성된 인공 신경망을 이용하여 서비스 제공을 위한 API를 생성할 수 있다. The
또한 서버(100)는 복수의 파라미터 셋 각각을 이용하여 인공 신경망을 학습시키고, 학습된 인공 신경망의 학습 결과를 산출하여 비교함으로써 인공 신경망의 최적의 파라미터 셋을 결정할 수 있다.In addition, the
도 3은 본 발명의 일 실시예에 따른 서버(100)의 구성을 개략적으로 도시한 도면이다.3 is a diagram schematically showing the configuration of the
도 3을 참조하면, 본 발명의 일 실시예에 따른 서버(100)는 통신부(110), 제1 프로세서(120) 및 메모리(130)를 포함할 수 있다. 또한 도면에는 도시되지 않았으나, 본 실시예에 따른 서버(100)는 입/출력부, 프로그램 저장부 등을 더 포함할 수 있다. Referring to FIG. 3, the
통신부(110)는 서버(100)가 사용자 단말(200) 및/또는 리소스 서버(300)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. The
제1 프로세서(120)는 사용자 단말(200)로부터 제1 학습 데이터를 수신하고, 사용자가 선택한 전처리 방식에 따라 수신된 제1 학습 데이터로부터 제2 학습 데이터를 생성할 수 있다. 또한 제1 프로세서(120)는 사용자 단말(200)로부터 수신된 제어 데이터 등에 기초하여 인공 신경망의 학습에 사용될 파라미터 셋을 결정하고, 결정된 파라미터 셋에 따라 인공 신경망을 학습시킬 수 있도록 리소스 서버(300)를 제어하는 수단을 의미할 수 있다. 물론 제1 프로세서(120)는 리소스 서버(300)에 의해 학습된 인공 신경망의 학습 결과를 산출하여, 최적의 파라미터 셋을 결정할 수도 있다. The
이와 같은 제1 프로세서(120)는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.The
메모리(130)는 서버(100)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 가령 메모리(130)는 리소스 서버(300)로부터 인공 신경망을 구성하는 데이터들을 수신하여 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(130)는 인공 신경망을 학습하기 위한 제1 학습 데이터 및/또는 제2 학습 데이터도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.The
본 발명의 일 실시예에 따른 통신망(400)은 인공 신경망의 상용화 서비스 제공 시스템의 각 구성 간의 데이터 송수신을 매개하는 통신망을 의미할 수 있다. 가령 통신망(400)은 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.The
이하에서는 도 4 및 도 5를 통하여 예시적인 인공 신경망의 구조에 대해 설명한다.Hereinafter, the structure of an exemplary artificial neural network will be described with reference to FIGS. 4 and 5.
도 4 및 도 5는 본 발명의 서버(100) 및/또는 리소스 서버(300)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.4 and 5 are diagrams for explaining an exemplary structure of an artificial neural network learned by the
본 발명의 일 실시예에 따른 인공 신경망은 도 4에 도시된 바와 같은 합성 곱 신경망(CNN: Convolutional Neural Network) 모델에 따른 인공 신경망일 수 있다. 이때 CNN 모델은 복수의 연산 레이어(Convolutional Layer, Pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델일 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100) 및/또는 리소스 서버(300)는 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 인공 신경망 모델을 구축하거나 학습시킬 수 있다.The artificial neural network according to an embodiment of the present invention may be an artificial neural network according to a convolutional neural network (CNN) model as shown in FIG. 4. At this time, the CNN model may be a hierarchical model used to alternately perform a plurality of computational layers (convolutional layer, pooling layer) and finally extract characteristics of input data. In this case, the
본 발명의 일 실시예에 따른 서버(100) 및/또는 리소스 서버(300)는 입력 데이터의 특징 값을 추출하기 위한 컨볼루션 레이어(Convolution layer), 추출된 특징 값을 결합하여 특징 맵을 구성하는 풀링 레이어(pooling layer)를 생성할 수 있다. The
또한 본 발명의 일 실시예에 따른 서버(100) 및/또는 리소스 서버(300)는 생성된 특징 맵을 결합하여, 입력 데이터가 복수의 항목 각각에 해당할 확률을 결정할 준비를 하는 풀리 커넥티드 레이어(Fully Conected Layer)를 생성할 수 있다. In addition, the
마지막으로 서버(100) 및/또는 리소스 서버(300)는 입력 데이터에 대응되는 출력을 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다.Finally, the
도 4에 도시된 예시에서는, 입력 데이터가 5X7 형태의 블록으로 나누어지며, 컨볼루션 레이어의 생성에 5X3 형태의 단위 블록이 사용되고, 풀링 레이어의 생성에 1X4 또는 1X2 형태의 단위 블록이 사용되는 것으로 도시되었지만, 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In the example shown in FIG. 4, the input data is divided into 5X7 type blocks, and a 5X3 type unit block is used to generate a convolution layer, and a 1X4 or 1X2 type unit block is used to generate a pooling layer. However, this is exemplary and the spirit of the present invention is not limited thereto.
이와 같은 입력 데이터의 분할 크기, 컨볼루션 레이어에 사용되는 단위 블록의 크기, 풀링 레이어의 수, 풀링 레이어의 단위 블록의 크기 등은 전술한 파라미터 셋에 포함되는 항목일 수 있다. 바꾸어 말하면, 파라미터 셋은 상술한 항목들을 결정하기 위한 파라미터(즉 구조 파라미터)들을 포함할 수 있다. The partition size of the input data, the size of the unit block used for the convolution layer, the number of pooling layers, and the size of the unit block of the pooling layer may be items included in the above parameter set. In other words, the parameter set may include parameters (ie, structural parameters) for determining the above-mentioned items.
따라서 파라미터 셋의 변경 및/또는 조절에 따라 인공 신경망의 구조가 변경될 수 있으며, 이에 따라 동일한 학습 데이터를 이용하더라고 학습 결과가 달라질 수 있다.Therefore, the structure of the artificial neural network may be changed according to the change and/or adjustment of the parameter set, and accordingly, the learning result may be different even if the same learning data is used.
한편 이와 같은 인공 신경망은 전술한 서버(100) 및/또는 리소스 서버(300)의 메모리에 인공 신경망을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 인공 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들의 형태로 저장될 수 있다. 물론 인공 신경망의 구조 또한 메모리에 소스코드 및/또는 프로그램의 형태로 저장될 수 있다.On the other hand, such an artificial neural network has a relationship between a plurality of layers constituting an artificial neural network, a coefficient of at least one node constituting the artificial neural network in the memory of the
본 발명의 일 실시예에 따른 인공 신경망은 도 5에 도시된 바와 같은 순환 신경망(Recurrent Neural Network, RNN) 모델에 따른 인공 신경망일 수 있다.The artificial neural network according to an embodiment of the present invention may be an artificial neural network according to a Recurrent Neural Network (RNN) model as shown in FIG. 5.
도 5를 참조하면, 이와 같은 순환 신경망(RNN) 모델에 따른 인공 신경망은 적어도 하나의 입력 노드(N1)를 포함하는 입력 레이어(L1), 복수의 히든 노드(N2)를 포함하는 히든 레이어(L2) 및 적어도 하나의 출력 노드(N3)를 포함하는 출력 레이어(L3)를 포함할 수 있다.Referring to FIG. 5, the artificial neural network according to the cyclic neural network (RNN) model includes an input layer L1 including at least one input node N1 and a hidden layer L2 including a plurality of hidden nodes N2. ) And an output layer L3 including at least one output node N3.
히든 레이어(L2)는 도시된 바와 같이 전체적으로 연결된(Fully Connected) 하나 이상의 레이어를 포함할 수 있다. 히든 레이어(L2)가 복수의 레이어를 포함하는 경우, 인공 신경망은 각각의 히든 레이어 사이의 관계를 정의하는 함수(미도시)를 포함할 수 있다.The hidden layer L2 may include one or more layers that are fully connected as illustrated. When the hidden layer L2 includes a plurality of layers, the artificial neural network may include a function (not shown) that defines a relationship between each hidden layer.
각 레이어의 각 노드에 포함되는 값은 벡터일 수 있다. 또한 각 노드는 해당 노드의 중요도에 대응되는 가중치를 포함할 수도 있다.The value included in each node of each layer may be a vector. Also, each node may include a weight corresponding to the importance of the corresponding node.
한편 인공 신경망은 입력 레이어(L1)와 히든 레이어(L2)의 관계를 정의하는 제1 함수(F1) 및 히든 레이어(L2)와 출력 레이어(L3)의 관계를 정의하는 제2 함수(F2)를 포함할 수 있다. Meanwhile, the artificial neural network includes a first function F1 that defines the relationship between the input layer L1 and the hidden layer L2 and a second function F2 that defines the relationship between the hidden layer L2 and the output layer L3. It can contain.
제1 함수(F1)는 입력 레이어(L1)에 포함되는 입력 노드(N1)와 히든 레이어(L2)에 포함되는 히든 노드(N2)간의 연결관계를 정의할 수 있다. 이와 유사하게, 제2 함수(F2)는 히든 레이어(L2)에 포함되는 히든 노드(N2)와 출력 레이어(L2)에 포함되는 출력 노드(N2)간의 연결관계를 정의할 수 있다.The first function F1 may define a connection relationship between the input node N1 included in the input layer L1 and the hidden node N2 included in the hidden layer L2. Similarly, the second function F2 may define a connection relationship between the hidden node N2 included in the hidden layer L2 and the output node N2 included in the output layer L2.
이와 같은 제1 함수(F1), 제2 함수(F2) 및 히든 레이어 사이의 함수들은 이전 노드의 입력에 기초하여 결과물을 출력하는 순환 신경망 모델을 포함할 수 있다.The functions between the first function F1, the second function F2, and the hidden layer may include a cyclic neural network model that outputs a result based on the input of the previous node.
서버(100) 및/또는 리소스 서버(300)에 의해 인공 신경망이 학습되는 과정에서, 복수의 학습 데이터에 기초하여 제1 함수(F1) 및 제2 함수(F2)가 학습될 수 있다. 물론 인공 신경망이 학습되는 과정에서 전술한 제1 함수(F1) 및 제2 함수(F2) 외에 복수의 히든 레이어 사이의 함수들 또한 학습될 수 있다.In the process of the artificial neural network being trained by the
본 발명의 일 실시예에 따른 인공 신경망은 표지(Labeled)된 학습 데이터를 기반으로 지도학습(Supervised Learning) 방식으로 학습될 수 있다. The artificial neural network according to an embodiment of the present invention may be learned by a supervised learning method based on labeled learning data.
본 발명의 일 실시예에 따른 서버(100) 및/또는 리소스 서버(300)는 복수의 학습 데이터를 이용하여, 어느 하나의 입력 데이터를 인공 신경망에 입력하여 생성된 출력 값이 해당 학습 데이터에 표지된 값에 근접하도록 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신하는 과정을 반복하여 수행함으로써 인공 신경망을 학습시킬 수 있다. The
이때 본 발명의 일 실시예에 따른 서버(100) 및/또는 리소스 서버(300)는 역전파(Back Propagation) 알고리즘에 따라 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신할 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.At this time, the
한편 순환 신경망 모델에 따른 인공 신경망의 경우 파라미터 셋(특히 구조 파라미터 셋)에는 전술한 히든 레이어의 수 및 입력 노드의 수 등이 포함될 수 있다. 따라서 파라미터 셋의 변경 및/또는 조절에 따라 인공 신경망의 구조가 변경될 수 있으며, 이에 따라 동일한 학습 데이터를 이용하더라고 학습 결과가 달라질 수 있다.Meanwhile, in the case of an artificial neural network according to the cyclic neural network model, the parameter set (particularly, the structural parameter set) may include the number of hidden layers and the number of input nodes described above. Therefore, the structure of the artificial neural network may be changed according to the change and/or adjustment of the parameter set, and accordingly, the learning result may be different even if the same learning data is used.
도 4 및 도 5에서 설명한 인공 신경망의 종류 및/또는 구조는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 다양한 종류의 모델의 인공 신경망이 명세서를 통하여 설명하는 '인공 신경망'에 해당할 수 있다. The types and/or structures of the artificial neural networks described in FIGS. 4 and 5 are exemplary and the spirit of the present invention is not limited thereto. Accordingly, artificial neural networks of various types of models may correspond to'artificial neural networks' described through the specification.
이하에서는 설명의 편의를 위하여, 인공 신경망이 도 5에서 설명한 순환신경망 모델에 따른 신경망임을 전제로, 서버(100)가 사용자가 제공한 제1 학습 데이터에 기초하여 인공 신경망을 생성하고, 생성된 인공 신경망을 이용하여 서비스 제공을 위한 API를 생성하는 방법을 중심으로 설명한다.Hereinafter, for convenience of explanation, on the premise that the artificial neural network is a neural network according to the circulatory neural network model described in FIG. 5, the
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제1 학습 데이터를 수신할 수 있다.The
본 발명에서 '제1 학습 데이터'는 인간이 식별할 수 있는 형태의 데이터로, 가령 텍스트 데이터, 이미지 데이터 및 음향 데이터 중 적어도 하나 이상이 결합된 형태의 데이터일 수 있다. 예를 들어 텍스트 콘텐츠로부터 작성자의 감정을 결정하는 시스템의 경우, 제1 학습 데이터는 작성자가 작성한 텍스트와 이에 대한 감정의 설명(예컨대 '기쁨' 등)을 포함할 수 있다.In the present invention, the'first learning data' is data that can be identified by humans, and may be, for example, data in which at least one of text data, image data, and sound data is combined. For example, in the case of a system for determining an author's emotion from text content, the first learning data may include text written by the author and a description of the emotion (eg,'joy', etc.).
한편 본 발명에서 '제2 학습 데이터'는 서버(100) 및/또는 리소스 서버(300)가 식별할 수 있는 형태의 데이터로, 소정의 전처리 방식에 따라 변환된 제1 학습 데이터를 의미할 수 있다. 가령 제2 학습 데이터는 [0.1, 0.7, -2.5,??]와 같은 벡터 데이터를 의미할 수 있다. Meanwhile, in the present invention, the'second learning data' is data that can be identified by the
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제1 학습 데이터 그 자체(즉 제1 학습 데이터의 내용 그 자체)를 수신할 수도 있고, 제1 학습 데이터가 저장된 경로에 대한 정보를 수신할 수도 있다. 가령 사용자가 제1 학습 데이터를 서버(100)의 메모리(130)에 미리 업로드한 경우, 서버(100)는 사용자 단말(200)로부터 제1 학습 데이터의 저장 경로를 수신할 수도 있다. 다만 이와 같은 수신 방식은 예시적인것으로, 본 발명의 사상이 이에 한정되는 것은 아니다.The
본 발명의 일 실시예에 따른 서버(100)는 전술한 과정에 따라 수신된 제1 학습 데이터를 소정의 방식으로 전처리 하여 제2 학습 데이터를 생성할 수 있다. The
도 6은 본 발명의 일 실시예에 따른 서버(100)가 제1 학습 데이터(410)를 소정의 방식으로 전처리 하여 제2 학습 데이터(420)를 생성하는 과정을 설명하기 위한 도면이다.6 is a diagram for explaining a process in which the
본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터(410)의 처리가 가능한 적어도 하나의 전처리 방식의 식별 정보를 사용자 단말(200)에 제공할 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터(410)의 분석을 통하여 사용이 가능한 전처리 방식을 선별할 수 있다. The
가령 서버(100)는 제1 학습 데이터(410)에 텍스트 데이터가 포함되어 있는지 여부를 확인하고, 텍스트 데이터가 포함된 경우 '문자 벡터화' 전처리 방식을 사용 가능한 전처리 방식으로 선별할 수 있다. For example, the
또한 서버(100)는 제1 학습 데이터(410)에 이미지 데이터가 포함된 경우, '이미지 전처리'와 같은 전처리 방식을 사용 가능한 전처리 방식으로 선별할 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In addition, when the image data is included in the
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제공된 하나 이상의 전처리 방식에 대한 선택정보를 수신할 수 있다. 사용자는 제공된 하나 이상의 전처리 방식 중 자신이 원하는 전처리 방식을 선택할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 사용자의 선택정보에 대응되는 전처리 방식으로 제1 학습 데이터(410)를 전처리 하여 제2 학습 데이터(420)를 생성할 수 있다. 대부분의 인공 신경망의 경우 입력 데이터와 출력 데이터의 포맷은 벡터이기에, 상술한 바와 같은 제1 학습 데이터(410)의 전처리는 제1 학습 데이터(410)의 벡터화를 의미할 수 있다.The
선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터(410)를 전처리 하여 제2 학습 데이터(420)를 생성하는 과정에 있어서, 제1 학습 데이터(410)의 전처리 진행 정도에 관한 정보를 사용자 단말(200)에 제공할 수 있다. In an optional embodiment, the
일반적으로 인공 신경망의 학습을 위한 제1 학습 데이터(410)는 많은 수의 데이터를 포함하므로, 이와 같이 전처리 진행 정도에 관한 정보를 사용자에게 제공함으로써 사용자가 작업의 진행 정도를 손쉽게 파악할 수 있도록 할 수 있다.In general, since the
이어서 본 발명의 일 실시예에 따른 서버(100)는 전술한 과정에 의해서 생성된 제2 학습 데이터(420)에 기초하여 복수의 파라미터 셋 각각에 대한 인공 신경망의 학습 결과를 산출할 수 있다. 또한 서버(100)는 산출 결과에 기초하여 복수의 파라미터 셋 중 어느 하나를 최적의 파라미터 셋으로 결정할 수 있다.Subsequently, the
이를 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 서버(100)는 도 7에 도시된 바와 같이 학습에 사용하고자 하는 복수의 파라미터 셋을 결정할 수 있다. 이때 각각의 파라미터 셋은 가령 인공 신경망의 학습 조건에 관한 파라미터 셋인 학습 파라미터 셋과 인공 신경망의 구조에 관한 파라미터 셋인 구조 파라미터 셋을 포함할 수 있다. Looking at this in more detail, the
이때 학습 파라미터 셋은 동일한 학습 데이터를 이용하여 학습을 반복하는 횟수인 반복 파라미터와 1회의 학습에 사용되는 데이터의 수량에 대응되는 단위 수량 파라미터를 포함할 수 있다. At this time, the learning parameter set may include a repetition parameter, which is the number of times to repeat learning using the same learning data, and a unit quantity parameter corresponding to the quantity of data used for one learning.
구조 파라미터의 경우 전술한 바와 같이 인공 신경망의 종류에 따라 인공 신경망의 구조를 결정하는 하나 이상의 파라미터를 포함할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In the case of the structure parameter, as described above, one or more parameters for determining the structure of the artificial neural network may be included according to the type of the artificial neural network. However, this is an example, and the spirit of the present invention is not limited thereto.
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 수신된 파라미터 값에 기초하여 파라미터 셋을 결정할 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제1 파라미터 셋(Param_Set 1)에 포함되는 반복 파라미터, 단위 파라미터, 입력 노드의 수 및 히든 레이어의 수를 수신하고, 수신된 파라미터 값에 기초하여 상기 제1 파라미터 셋(Param_Set 1)을 결정할 수 있다. The
또한 이와 유사하게, 서버(100)는 사용자 단말(200)로부터 제2 파라미터 셋(Param_Set 2)에 포함되는 반복 파라미터, 단위 파라미터, 입력 노드의 수 및 히든 레이어의 수를 수신하고, 수신된 파라미터 값에 기초하여 상기 제2 파라미터 셋(Param_Set 2)을 결정할 수 있다.Also similarly, the
결정된 파라미터 셋들은 리소스 서버(300)가 인공 신경망을 동시에 및/또는 순차적으로 학습시키는데 사용될수 있다. 물론 이러한 인공 신경망의 학습은 서버(100)의 제어에 따른 것일 수 있다.The determined parameter sets may be used by the
본 발명에서 인공 신경망을 '학습' 시키는 것은, 학습 데이터에 대한 인공 신경망의 오차율을 산출하고, 산출된 오차율을 이용하여 인공 신경망의 적어도 하나의 구성요소를 업데이트(예를 들어 인공 신경망을 구성하는 계수를 갱신) 하는 일련의 과정을 의미할 수 있다. In the present invention,'learning' an artificial neural network calculates an error rate of an artificial neural network with respect to training data, and updates at least one component of the artificial neural network using the calculated error rate (for example, a coefficient constituting an artificial neural network) It can mean a series of processes).
이때 인공 신경망의 오차율을 산출하는 과정은 리소스 서버(300)에서 수행될 수 있고, 산출된 오차율에 기초하여 인공 신경망의 구성요소를 업데이트 하는 과정은 서버(100)에서 수행될 수 있다. At this time, the process of calculating the error rate of the artificial neural network may be performed by the
선택적 실시예에서, 인공 신경망의 오차율을 산출하고, 산출된 오차율에 기초하여 인공 신경망의 구성요소를 업데이트 하는 일련의 과정은 리소스 서버(300)에서 수행될 수도 있다. 물론 이러한 경우에도 이와 같은 일련의 과정은 서버(100)의 제어에 따라 수행되는것일 수 있다.In an optional embodiment, a series of processes for calculating the error rate of the artificial neural network and updating the components of the artificial neural network based on the calculated error rate may be performed in the
본 발명의 다른 실시예에 따른 서버(100)는 사용자 단말(200)로부터 파라미터의 결정 조건을 수신하고, 이에 따라 다양한 파라미터 셋을 생성할 수도 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 복수의 파라미터의 범위를 포함하는 파라미터 결정 조건을 수신할 수 있다. 예를 들어 서버(100)는 사용자 단말(200)로부터 반복 파라미터가 20 내지 40 이고, 단위 수량 파라미터가 50 내지 100인 파라미터 결정 조건을 수신할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 적어도 하나의 파라미터 셋을 결정할 수 있다. 가령 서버(100)는 수신된 파라미터 결정 조건에 기초하여 제3 파라미터 셋 및 제4 파라미터 셋을 결정할 수 있다. 이때 제3 파라미터 셋과 제4 파라미터 셋은 각각의 파라미터 셋을 구성하는 적어도 하나의 파라미터의 값이 상이할 수 있다. The
선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 소정의 규칙에 따라 적어도 하나의 파라미터 셋을 결정할 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 범위를 수신한 각각의 파라미터에 대해서, 수신된 범위 내에서 파라미터를 무작위(또는 랜덤)로 추출하는 방식으로 파라미터 셋을 결정할 수 있다.In an optional embodiment, the
또 다른 선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 생성 가능한 모든 조합의 파라미터 셋을 생성하는 방식으로 파라미터 셋을 결정할 수 있다. In another optional embodiment, the
가령 파라미터 셋에 포함되는 제1 파라미터의 선택 가능한 가지수가 5가지이고, 제2 파라미터의 선택 가능한 가지수가 10가지인 경우, 서버(100)는 총 50 가지의 파라미터 셋을 생성할 수 있다.For example, when there are five selectable branches of the first parameter included in the parameter set and ten selectable branches of the second parameter, the
본 발명의 일 실시예에 따른 서버(100)는 상술한 과정에 의해 결정된 파라미터셋 각각에 대한 인공 신경망의 학습 결과를 산출할 수 있다.The
이를 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 서버(100)는 리소스 서버(300)의 가용 상태를 참조하여, 특정 파라미터 셋의 학습 결과를 산출할 제3 프로세서(또는 리소스 서버)를 결정할 수 있다. 가령 서버(100)는 첫 번째 리소스 서버(300A)의 제3-2 프로세서(340A-2)에 대해, 첫 번째 파라미터 셋(도 6의 Param_Set 1)을 이용하여 인공 신경망의 학습 결과를 산출할 것을 요청할 수 있다. Looking at this in more detail, the
본 발명의 일 실시예에 따른 서버(100)는 해당 파라미터 셋(즉 학습을 수행하고자 하는 파라미터 셋)에 포함되는 구조 파라미터 셋을 참조하여 인공 신경망을 생성할 수 있다. 전술한 바와 같이 구조 파라미터 셋은 인공 신경망의 구조에 관한 정보를 포함하므로, 서버(100)는 파라미터 셋을 참조하여 인공 신경망을 생성할 수 있다. The
본 발명의 일 실시예에 따른 서버(100)는 생성된 인공 신경망을 결정된 리소스 서버(전술한 과정에 의해 결정된 리소스 서버)에 전송하고, 리소스 서버가 생성된 인공신경망을 학습 파라미터 셋에 따라 학습하도록 요청할 수 있다.The
도 8은 본 발명의 일 실시예에 따른 서버(100)가 복수의 리소스 서버에 대해서 서로 다른 파라미터 셋에 따른 학습의 수행을 요청하는 방법을 설명하기 위한 도면이다.8 is a view for explaining a method of requesting the
가령 본 발명의 일 실시예에 따른 서버(100)는 첫 번째 리소스 서버에 대해서 도 7의 첫 번째 파라미터 셋(Param_Set 1)에 따라 제2 학습 데이터(420)를 100개씩 나누어 학습하되, 제2 학습 데이터(420)를 20번 반복하여 학습하는 요청(510A)을 전송할 수 있다. 예를 들어 제2 학습 데이터(420)가 총 1000개의 데이터로 구성된 경우, 서버(100)는 첫 번째 리소스 서버에 대해서 1000개의 데이터 중 1회의 학습에 100개씩만 사용하되, 1000개의 데이터를 20번 사용하여 반복학습할 것을 요청할 수 있다. 이때 서버(100)는 첫 번째 파라미터 셋(Param_Set 1)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500A)을 이용하여 학습할 것을 요청할 수 있다. 한편 제2 학습 데이터(420)에 포함되는 개별 데이터 각각은 입력 데이터와 이에 대응되는 출력 데이터를 포함할 수 있다.For example, the
또한 서버(100)는 이와 유사하게, 두 번째 리소스 서버에 대해서 도 7의 두 번째 파라미터 셋(Param_Set 2)에 따라 제2 학습 데이터(420)를 100개씩 나누어 학습하되, 제2 학습 데이터(420)를 30번 반복하여 학습하는 요청(510B)을 전송할 수 있다. 이때 서버(100)는 두 번째 파라미터 셋(Param_Set 2)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500B)을 이용하여 학습할 것을 요청할 수 있다.In addition, the
물론 서버(100)는 두 번째 리소스 서버에 대해서(두 번째 리소스 서버에 가용 리소스가 충분하다는 전제 하에) 도 7의 세 번째 파라미터 셋(Param_Set 3)에 따라 제2 학습 데이터(420)를 50개씩 나누어 학습하되, 제2 학습 데이터(420)를 40번 반복하여 학습하는 요청(510C)을 전송할 수 있다. 이때 서버(100)는 세 번째 파라미터 셋(Param_Set 3)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500C)을 이용하여 학습할 것을 요청할 수 있다. Of course, the
본 발명의 일 실시예에 따른 서버(100)는 전술한 요청(510A, 510B, 510C)들을 동시에 전송할 수 있다. 바꾸어 말하면, 본 발명의 일 실시예에 따른 서버(100)는 전술한 요청(510A, 510B, 510C)에 따른 인공 신경망 학습 과정의 적어도 일부가 병렬적으로 수행되도록 리소스 서버(300)에게 요청할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 도 9에 도시된 바와 같이, 소정의 입력 값(600)을 리소스 서버(300)(신경망을 학습한 리소스 서버)에 전송하고, 리소스 서버(300)로부터 입력 값에 대한 결과값(610A, 610B, 610C)을 수신할 수 있다. 또한 서버(100)는 수신된 결과값을 평가함으로써, 인공 신경망의 학습 결과를 산출할 수 있다.As illustrated in FIG. 9, the
이때 '소정의 입력값'은 리소스 서버(300)가 학습에 사용된 제2 학습 데이터(420)에 '입력 값'으로 포함된 데이터와 같은 종류의 데이터를 의미할 수 있다. 즉 '소정의 입력 값'은 인공 신경망의 학습의 정확도를 판단하기 위한 테스트 값으로, 대응되는 출력 값을 미리 알고 있는 값을 의미할 수 있다. 한편 이와 같은 소정의 입력값은 복수일 수 있다.In this case, the'predetermined input value' may mean data of the same type as the data included as the'input value' in the
본 발명의 일 실시예에 따른 서버(100)는 리소스 서버(300)로부터 수신된 결과값(610A, 610B, 610C)과 미리 알고 있는 출력 값을 비교하여, 학습된 인공 신경망의 정확도를 산출할 수 있다. 이때 '정확도'은 인공 신경망의 출력 값과 정답이 차이가 있는 정도를 의미할 수 있다. The
한편 본 발명의 일 실시예에 따른 서버(100)는 리소스 서버로부터 전술한 요청(510A, 510B, 510C)에 따른 학습 수행 과정 중 산출되는 오차율을 수신할 수 있다. 이때 '오차율'은 전술한 제2 학습 데이터(420)에 포함된 입력값에 대한 인공 신경망의 출력값과 제2 학습 데이터(420)에 포함된 출력값(즉 입력값에 대응되는 출력값) 간의 차이가 발생하는 정도를 의미할 수 있다. 리소스 서버(300)는 이러한 오차율이 감소하도록 인공 신경망을 구성하는 적어도 하나의 계수들을 적절히 갱신함으로써 학습이 이루어 지도록 할 수 있다.Meanwhile, the
본 발명의 일 실시예에 따른 서버(100)는 이와 같은 오차율 및 정확도를 포함하는 학습 결과를 산출할 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100)는 학습 결과의 산출에 있어서 복수의 오차율 중 최종 오차율을 사용할 수 있다. 학습 과정에 있어서 오차율은 점차적으로 감소하는 경향을 보이므로, 최종 오차율은 제2 학습 데이터(420)를 이용한 학습 과정의 가장 마지막에 산출되는 오차율을 의미할 수 있다. The
또한 본 발명의 일 실시예에 따른 서버(100)는 복수의 파라미터 셋 각각에 대한 학습 결과 중 소정의 조건을 만족하는 파라미터 셋을 최적의 파라미터 셋으로 결정할 수 있다. In addition, the
가령 본 발명의 일 실시예에 따른 서버(100)는 제1 가중치를 오차율로 나눈 값과 정확도와 제2 가중치가 곱해진 값의 합이 가장 큰 파라미터 셋을 최적의 파라미터 셋으로 결정할 수 있다. 이때 제1 가중치 및 제2 가중치는 사용자에 의해 미리 결정되는 상수일 수 있다.For example, the
선택적 실시예에서, 서버(100)는 정확도가 가장 높은 파라미터 셋을 최적의 파라미터 셋으로 결정할 수도 있고, 오차율이 가장 낮은 파라미터 셋을 최적의 파라미터 셋으로 결정할 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In an optional embodiment, the
본 발명의 일 실시예에 따른 서버(100)는 전술한 과정에 따라 결정된 최적의 파라미터 셋이 적용된 배포 인공 신경망을 생성할 수 있다.The
가령 전술한 바와 같이 파라미터 셋이 인공 신경망의 구조 파라미터 셋 및 인공 신경망의 학습 조건에 관한 파라미터 셋을 포함하는 경우, 본 발명의 일 실시예에 따른 서버(100)는 최적의 파라미터 셋에 포함된 구조 파라미터 셋에 기초하여 배포 인공 신경망을 생성할 수 있다.For example, as described above, when the parameter set includes the structural parameter set of the artificial neural network and the parameter set related to the learning conditions of the artificial neural network, the
또한 서버(100)는 최적의 파라미터 셋에 포함된 학습 파라미터 셋에 따라, 제2 학습 데이터(420)를 이용하여 생성된 배포 인공 신경망을 학습시킬 수 있다. 이와 같이 본 발명은 최적의 성능을 갖는 배포 인공 신경망을 생성할 수 있다.In addition, the
본 발명의 일 실시예에 따른 서버(100)는 배포 인공 신경망을 이용하는 서비스 제공을 위한 API를 생성할 수 있다.The
도 10은 본 발명의 일 실시예에 따른 서버(100)가 배포 인공 신경망을 이용하여 생성한 API(720)의 구조를 설명하기 위한 도면이다.10 is a view for explaining the structure of the
본 발명에서 API(Application Programming Interface)(720)는 사용자가 제작한 어플리케이션에서 인공 신경망을 사용할 수 있도록 서버(100)에 생성된 인터페이스를 의미할 수 있다.In the present invention, the API (Application Programming Interface) 720 may mean an interface generated in the
본 발명의 일 실시예에 따른 서버(100)는 제2 학습 데이터(420)를 생성하는 과정에서 결정된 전처리 방식에 기초하여, 입력 데이터(710)를 전처리 하는 입력 데이터 전처리 모듈(721)을 생성할 수 있다. 이때 생성된 입력 데이터 전처리 모듈(721)은 입력 데이터를 벡터화 하는 모듈을 의미할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 전술한 과정에 따라 생성된 배포 신경망을 이용하여, 입력 데이터(710)에 대한 출력 데이터를 생성하는 신경망 모듈(722)을 생성할 수 있다. 가령 서버(100)는 배포 신경망의 입력 레이어에 입력 데이터(710)가 입력될 수 있도록 처리하고, 배포 신경망의 출력 레이어에 출력되는 값이 출력 데이터가 될 수 있도록 처리(및/또는 정의)하는 방식으로 신경망 모듈(722)을 생성할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터(410)에 포함된 출력 데이터의 포맷을 참조하여, 신경망 모듈(722)의 출력 데이터의 포맷을 변환하는 출력 데이터 변환 모듈(723)을 생성할 수 있다. 가령 출력 데이터 변환 모듈(723)은 벡터 형태의 출력 데이터를 이미지 형태의 데이터 및/또는 텍스트 형태의 출력 데이터(730)로 변환할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 전처리 모듈(721), 신경망 모듈(722) 및 출력 데이터 변환 모듈(723)을 포함하는 API(720)를 생성할 수 있다. 바꾸어 말하면 본 발명의 일 실시예에 따른 서버(100)는 전술한 세 모듈(721, 722, 723)을 패키지(Package)화 할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 생성된 API(720)에 대한 정보를 사용자 단말(200)에 제공할 수 있다. 가령 서버(100)는 API의 접속 주소, API의 사용 포맷에 관한 정보를 사용자 단말(200)에 제공할 수 있다. 사용자는 제공된 API(720)에 대한 정보를 참조하여, API(720)에 기반한 자신의 서비스를 손쉽게 구현할 수 있다.The
도 11 내지 도 13은 본 발명의 일 실시예에 따른 사용자 단말(200)에 표시되는 화면(1100, 1200, 1300)의 예시이다.11 to 13 are examples of
도 11은 사용자가 제1 학습 데이터를 등록하고 이에 대한 전처리 방식을 선택하기 위한 화면(1100)의 예시이다.11 is an example of a
도 11을 참조하면, 화면(1100)은 제1 학습 데이터를 입력하기 위한 영역(1110) 및 전처리 방식을 선택하기 위한 영역(1120)을 포함할 수 있다.Referring to FIG. 11, the
도시된 바와 같이 사용자는 영역(1110) 상에 데이터의 저장 경로(즉 서버(100) 내의 저장 경로)를 입력하는 방식으로 제1 학습 데이터를 서버(100)에 전달할 수 있다. 물론 이와 같은 방식은 사용자가 제1 학습 데이터를 미리 업로드 하였음을 전제로 한다.As illustrated, the user may transmit the first learning data to the
한편 사용자는 영역(1120)상에 표시되는 복수의 전처리 방식 중 어느 하나를 선택하여 제1 학습 데이터를 제2 학습 데이터로 변환할 수 있다. 사용자는 자신이 입력한 제1 학습 데이터의 포맷에 따라 단지 전처리 방식을 선택함으로써, 복잡한 설정 없이 손쉽게 전처리를 수행할 수 있다.Meanwhile, the user may select one of a plurality of pre-processing methods displayed on the
도 12는 학습 결과 및/또는 상태에 대한 정보를 제공하는 화면(1200)의 예시이다. 12 is an example of a
도 12를 참조하면, 본 발명의 일 실시예에 따른 서버(100)는 학습 결과 및/또는 상태에 대한 정보를 제공하는 화면(1200)을 사용자 단말(200)에 제공할 수 있다. 이때 화면(1200)은 학습(즉 파라미터 셋)의 식별 정보가 표시되는 영역(1210), 학습 상태가 표시되는 영역(1220), 학습 결과가 표시되는 영역(1230) 및 선택된 학습을 API화 하기 위한 버튼이 표시되는 영역(1240)을 포함할 수 있다.Referring to FIG. 12, the
본 발명의 일 실시예에서, 사용자는 학습 결과가 표시되는 영역(1230)에 표시되는 학습 결과(즉 복수의 파라미터 셋 각각에 대한 학습 결과)를 참조하여, 최적의 파라미터 셋을 결정하고, 영역(1240)에 표시되는 버튼('배포' 버튼)에 대한 입력을 수행함으로써 해당 파라미터 셋을 이용한 API를 생성할 수 있다.In one embodiment of the present invention, the user determines the optimal parameter set by referring to the learning result (ie, the learning result for each of the plurality of parameter sets) displayed in the
도 13은 생성된 API에 대한 정보를 제공하는 화면(1300)의 예시이다.13 is an example of a
도 13을 참조하면, 화면(1300)은 API의 상태를 표시하는 영역(1310) 및 API의 사용 포맷에 관한 정보를 표시하는 영역(1320)을 포함할 수 있다.Referring to FIG. 13, the
사용자는 영역(1320)에 표시되는 사용 포맷을 참조하여, API에 기반한 자신의 서비스를 손쉽게 구현할 수 있다.The user can easily implement his service based on the API by referring to the usage format displayed in the
도 14은 본 발명의 일 실시예에 따른 서버(100)에 의해 수행되는 인공 신경망의 상용화 서비스 제공 방법을 설명하기 위한 흐름도이다. 이하에서는 도 1 내지 도 13을 함께 참조하여 설명하되, 도 1 내지 도 13에서 설명한 내용과 중복하는 내용의 설명은 생략한다.14 is a flowchart illustrating a method of providing a commercialization service of an artificial neural network performed by the
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제1 학습 데이터를 수신할 수 있다.(S1401) 전술한 바와 같이 본 발명에서 '제1 학습 데이터'는 인간이 식별할 수 있는 형태의 데이터로, 가령 텍스트 데이터, 이미지 데이터 및 음향 데이터 중 적어도 하나 이상이 결합된 형태의 데이터일 수 있다. 예를 들어 텍스트 콘텐츠로부터 작성자의 감정을 결정하는 시스템의 경우, 제1 학습 데이터는 작성자가 작성한 텍스트와 이에 대한 감정의 설명(예컨대 '기쁨' 등)을 포함할 수 있다.The
한편 본 발명에서 '제2 학습 데이터'는 서버(100) 및/또는 리소스 서버(300)가 식별할 수 있는 형태의 데이터로, 소정의 전처리 방식에 따라 변환된 제1 학습 데이터를 의미할 수 있다. 가령 제2 학습 데이터는 [0.1, 0.7, -2.5,??]와 같은 벡터 데이터를 의미할 수 있다. Meanwhile, in the present invention, the'second learning data' is data that can be identified by the
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제1 학습 데이터 그 자체(즉 제1 학습 데이터의 내용 그 자체)를 수신할 수도 있고, 제1 학습 데이터가 저장된 경로에 대한 정보를 수신할 수도 있다. 가령 사용자가 제1 학습 데이터를 서버(100)의 메모리(130)에 미리 업로드한 경우, 서버(100)는 사용자 단말(200)로부터 제1 학습 데이터의 저장 경로를 수신할 수도 있다. 다만 이와 같은 수신 방식은 예시적인것으로, 본 발명의 사상이 이에 한정되는 것은 아니다.The
본 발명의 일 실시예에 따른 서버(100)는 전술한 과정에 따라 수신된 제1 학습 데이터를 소정의 방식으로 전처리 하여 제2 학습 데이터를 생성할 수 있다.(S1402) The
다시 도 6을 참조하여, 본 발명의 일 실시예에 따른 서버(100)가 제1 학습 데이터(410)를 소정의 방식으로 전처리 하여 제2 학습 데이터(420)를 생성하는 과정을 설명한다.Referring back to FIG. 6, a process in which the
본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터(410)의 처리가 가능한 적어도 하나의 전처리 방식의 식별 정보를 사용자 단말(200)에 제공할 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터(410)의 분석을 통하여 사용이 가능한 전처리 방식을 선별할 수 있다. The
가령 서버(100)는 제1 학습 데이터(410)에 텍스트 데이터가 포함되어 있는지 여부를 확인하고, 텍스트 데이터가 포함된 경우 '문자 벡터화' 전처리 방식을 사용 가능한 전처리 방식으로 선별할 수 있다. For example, the
또한 서버(100)는 제1 학습 데이터(410)에 이미지 데이터가 포함된 경우, '이미지 전처리'와 같은 전처리 방식을 사용 가능한 전처리 방식으로 선별할 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In addition, when the image data is included in the
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제공된 하나 이상의 전처리 방식에 대한 선택정보를 수신할 수 있다. 사용자는 제공된 하나 이상의 전처리 방식 중 자신이 원하는 전처리 방식을 선택할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 사용자의 선택정보에 대응되는 전처리 방식으로 제1 학습 데이터(410)를 전처리 하여 제2 학습 데이터(420)를 생성할 수 있다. 대부분의 인공 신경망의 경우 입력 데이터와 출력 데이터의 포맷은 벡터이기에, 상술한 바와 같은 제1 학습 데이터(410)의 전처리는 제1 학습 데이터(410)의 벡터화를 의미할 수 있다.The
선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터(410)를 전처리 하여 제2 학습 데이터(420)를 생성하는 과정에 있어서, 제1 학습 데이터(410)의 전처리 진행 정도에 관한 정보를 사용자 단말(200)에 제공할 수 있다. In an optional embodiment, the
일반적으로 인공 신경망의 학습을 위한 제1 학습 데이터(410)는 많은 수의 데이터를 포함하므로, 이와 같이 전처리 진행 정도에 관한 정보를 사용자에게 제공함으로써 사용자가 작업의 진행 정도를 손쉽게 파악할 수 있도록 할 수 있다.In general, since the
본 발명의 일 실시예에 따른 서버(100)는 전술한 과정에 의해서 생성된 제2 학습 데이터(420)에 기초하여 복수의 파라미터 셋 각각에 대한 인공 신경망의 학습 결과를 산출할 수 있다. 또한 서버(100)는 산출 결과에 기초하여 복수의 파라미터 셋 중 어느 하나를 최적의 파라미터 셋으로 결정할 수 있다.(S1403)The
이를 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 서버(100)는 도 7에 도시된 바와 같이 학습에 사용하고자 하는 복수의 파라미터 셋을 결정할 수 있다. 이때 각각의 파라미터 셋은 가령 인공 신경망의 학습 조건에 관한 파라미터 셋인 학습 파라미터 셋과 인공 신경망의 구조에 관한 파라미터 셋인 구조 파라미터 셋을 포함할 수 있다. Looking at this in more detail, the
이때 학습 파라미터 셋은 동일한 학습 데이터를 이용하여 학습을 반복하는 횟수인 반복 파라미터와 1회의 학습에 사용되는 데이터의 수량에 대응되는 단위 수량 파라미터를 포함할 수 있다. At this time, the learning parameter set may include a repetition parameter, which is the number of times to repeat learning using the same learning data, and a unit quantity parameter corresponding to the quantity of data used for one learning.
구조 파라미터의 경우 전술한 바와 같이 인공 신경망의 종류에 따라 인공 신경망의 구조를 결정하는 하나 이상의 파라미터를 포함할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In the case of the structure parameter, as described above, one or more parameters for determining the structure of the artificial neural network may be included according to the type of the artificial neural network. However, this is an example, and the spirit of the present invention is not limited thereto.
본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 수신된 파라미터 값에 기초하여 파라미터 셋을 결정할 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 제1 파라미터 셋(Param_Set 1)에 포함되는 반복 파라미터, 단위 파라미터, 입력 노드의 수 및 히든 레이어의 수를 수신하고, 수신된 파라미터 값에 기초하여 상기 제1 파라미터 셋(Param_Set 1)을 결정할 수 있다. The
또한 이와 유사하게, 서버(100)는 사용자 단말(200)로부터 제2 파라미터 셋(Param_Set 2)에 포함되는 반복 파라미터, 단위 파라미터, 입력 노드의 수 및 히든 레이어의 수를 수신하고, 수신된 파라미터 값에 기초하여 상기 제2 파라미터 셋(Param_Set 2)을 결정할 수 있다.Also similarly, the
결정된 파라미터 셋들은 리소스 서버(300)가 인공 신경망을 동시에 및/또는 순차적으로 학습시키는데 사용될수 있다. 물론 이러한 인공 신경망의 학습은 서버(100)의 제어에 따른 것일 수 있다.The determined parameter sets may be used by the
본 발명에서 인공 신경망을 '학습' 시키는 것은, 학습 데이터에 대한 인공 신경망의 오차율을 산출하고, 산출된 오차율을 이용하여 인공 신경망의 적어도 하나의 구성요소를 업데이트(예를 들어 인공 신경망을 구성하는 계수를 갱신) 하는 일련의 과정을 의미할 수 있다. In the present invention,'learning' an artificial neural network calculates an error rate of an artificial neural network with respect to training data, and updates at least one component of the artificial neural network using the calculated error rate (for example, a coefficient constituting an artificial neural network) It can mean a series of processes).
이때 인공 신경망의 오차율을 산출하는 과정은 리소스 서버(300)에서 수행될 수 있고, 산출된 오차율에 기초하여 인공 신경망의 구성요소를 업데이트 하는 과정은 서버(100)에서 수행될 수 있다. At this time, the process of calculating the error rate of the artificial neural network may be performed by the
선택적 실시예에서, 인공 신경망의 오차율을 산출하고, 산출된 오차율에 기초하여 인공 신경망의 구성요소를 업데이트 하는 일련의 과정은 리소스 서버(300)에서 수행될 수도 있다. 물론 이러한 경우에도 이와 같은 일련의 과정은 서버(100)의 제어에 따라 수행되는것일 수 있다.In an optional embodiment, a series of processes for calculating the error rate of the artificial neural network and updating the components of the artificial neural network based on the calculated error rate may be performed in the
본 발명의 다른 실시예에 따른 서버(100)는 사용자 단말(200)로부터 파라미터의 결정 조건을 수신하고, 이에 따라 다양한 파라미터 셋을 생성할 수도 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 사용자 단말(200)로부터 복수의 파라미터의 범위를 포함하는 파라미터 결정 조건을 수신할 수 있다. 예를 들어 서버(100)는 사용자 단말(200)로부터 반복 파라미터가 20 내지 40 이고, 단위 수량 파라미터가 50 내지 100인 파라미터 결정 조건을 수신할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 적어도 하나의 파라미터 셋을 결정할 수 있다. 가령 서버(100)는 수신된 파라미터 결정 조건에 기초하여 제3 파라미터 셋 및 제4 파라미터 셋을 결정할 수 있다. 이때 제3 파라미터 셋과 제4 파라미터 셋은 각각의 파라미터 셋을 구성하는 적어도 하나의 파라미터의 값이 상이할 수 있다. The
선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 소정의 규칙에 따라 적어도 하나의 파라미터 셋을 결정할 수 있다. 가령 본 발명의 일 실시예에 따른 서버(100)는 범위를 수신한 각각의 파라미터에 대해서, 수신된 범위 내에서 파라미터를 무작위(또는 랜덤)로 추출하는 방식으로 파라미터 셋을 결정할 수 있다.In an optional embodiment, the
또 다른 선택적 실시예에서, 본 발명의 일 실시예에 따른 서버(100)는 수신된 파라미터의 범위 내에서, 생성 가능한 모든 조합의 파라미터 셋을 생성하는 방식으로 파라미터 셋을 결정할 수 있다. In another optional embodiment, the
가령 파라미터 셋에 포함되는 제1 파라미터의 선택 가능한 가지수가 5가지이고, 제2 파라미터의 선택 가능한 가지수가 10가지인 경우, 서버(100)는 총 50 가지의 파라미터 셋을 생성할 수 있다.For example, when there are five selectable branches of the first parameter included in the parameter set and ten selectable branches of the second parameter, the
본 발명의 일 실시예에 따른 서버(100)는 상술한 과정에 의해 결정된 파라미터셋 각각에 대한 인공 신경망의 학습 결과를 산출할 수 있다.The
이를 보다 상세히 살펴보면, 본 발명의 일 실시예에 따른 서버(100)는 리소스 서버(300)의 가용 상태를 참조하여, 특정 파라미터 셋의 학습 결과를 산출할 제3 프로세서(또는 리소스 서버)를 결정할 수 있다. 가령 서버(100)는 첫 번째 리소스 서버(300A)의 제3-2 프로세서(340A-2)에 대해, 첫 번째 파라미터 셋(도 6의 Param_Set 1)을 이용하여 인공 신경망의 학습 결과를 산출할 것을 요청할 수 있다. Looking at this in more detail, the
본 발명의 일 실시예에 따른 서버(100)는 해당 파라미터 셋(즉 학습을 수행하고자 하는 파라미터 셋)에 포함되는 구조 파라미터 셋을 참조하여 인공 신경망을 생성할 수 있다. 전술한 바와 같이 구조 파라미터 셋은 인공 신경망의 구조에 관한 정보를 포함하므로, 서버(100)는 파라미터 셋을 참조하여 인공 신경망을 생성할 수 있다. The
본 발명의 일 실시예에 따른 서버(100)는 생성된 인공 신경망을 결정된 리소스 서버(전술한 과정에 의해 결정된 리소스 서버)에 전송하고, 리소스 서버가 생성된 인공신경망을 학습 파라미터 셋에 따라 학습하도록 요청할 수 있다.The
다시 도 8을 참조하여, 본 발명의 일 실시예에 따른 서버(100)가 복수의 리소스 서버에 대해서 서로 다른 파라미터 셋에 따른 학습의 수행을 요청하는 방법을 설명한다.Referring to FIG. 8 again, a method in which the
가령 본 발명의 일 실시예에 따른 서버(100)는 첫 번째 리소스 서버에 대해서 도 7의 첫 번째 파라미터 셋(Param_Set 1)에 따라 제2 학습 데이터(420)를 100개씩 나누어 학습하되, 제2 학습 데이터(420)를 20번 반복하여 학습하는 요청(510A)을 전송할 수 있다. 예를 들어 제2 학습 데이터(420)가 총 1000개의 데이터로 구성된 경우, 서버(100)는 첫 번째 리소스 서버에 대해서 1000개의 데이터 중 1회의 학습에 100개씩만 사용하되, 1000개의 데이터를 20번 사용하여 반복학습할 것을 요청할 수 있다. 이때 서버(100)는 첫 번째 파라미터 셋(Param_Set 1)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500A)을 이용하여 학습할 것을 요청할 수 있다. 한편 제2 학습 데이터(420)에 포함되는 개별 데이터 각각은 입력 데이터와 이에 대응되는 출력 데이터를 포함할 수 있다.For example, the
또한 서버(100)는 이와 유사하게, 두 번째 리소스 서버에 대해서 도 7의 두 번째 파라미터 셋(Param_Set 2)에 따라 제2 학습 데이터(420)를 100개씩 나누어 학습하되, 제2 학습 데이터(420)를 30번 반복하여 학습하는 요청(510B)을 전송할 수 있다. 이때 서버(100)는 두 번째 파라미터 셋(Param_Set 2)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500B)을 이용하여 학습할 것을 요청할 수 있다.In addition, the
물론 서버(100)는 두 번째 리소스 서버에 대해서(두 번째 리소스 서버에 가용 리소스가 충분하다는 전제 하에) 도 7의 세 번째 파라미터 셋(Param_Set 3)에 따라 제2 학습 데이터(420)를 50개씩 나누어 학습하되, 제2 학습 데이터(420)를 40번 반복하여 학습하는 요청(510C)을 전송할 수 있다. 이때 서버(100)는 세 번째 파라미터 셋(Param_Set 3)에 포함된 구조 파라미터에 따라 생성된 인공 신경망(500C)을 이용하여 학습할 것을 요청할 수 있다. Of course, the
본 발명의 일 실시예에 따른 서버(100)는 전술한 요청(510A, 510B, 510C)들을 동시에 전송할 수 있다. 바꾸어 말하면, 본 발명의 일 실시예에 따른 서버(100)는 전술한 요청(510A, 510B, 510C)에 따른 인공 신경망 학습 과정의 적어도 일부가 병렬적으로 수행되도록 리소스 서버(300)에게 요청할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 도 9에 도시된 바와 같이, 소정의 입력 값(600)을 리소스 서버(300)(신경망을 학습한 리소스 서버)에 전송하고, 리소스 서버(300)로부터 입력 값에 대한 결과값(610A, 610B, 610C)을 수신할 수 있다. 또한 서버(100)는 수신된 결과값을 평가함으로써, 인공 신경망의 학습 결과를 산출할 수 있다.As illustrated in FIG. 9, the
이때 '소정의 입력값'은 리소스 서버(300)가 학습에 사용된 제2 학습 데이터(420)에 '입력 값'으로 포함된 데이터와 같은 종류의 데이터를 의미할 수 있다. 즉 '소정의 입력 값'은 인공 신경망의 학습의 정확도를 판단하기 위한 테스트 값으로, 대응되는 출력 값을 미리 알고 있는 값을 의미할 수 있다. 한편 이와 같은 소정의 입력값은 복수일 수 있다.In this case, the'predetermined input value' may mean data of the same type as the data included as the'input value' in the
본 발명의 일 실시예에 따른 서버(100)는 리소스 서버(300)로부터 수신된 결과값(610A, 610B, 610C)과 미리 알고 있는 출력 값을 비교하여, 학습된 인공 신경망의 정확도를 산출할 수 있다. 이때 '정확도'은 인공 신경망의 출력 값과 정답이 차이가 있는 정도를 의미할 수 있다. The
한편 본 발명의 일 실시예에 따른 서버(100)는 리소스 서버로부터 전술한 요청(510A, 510B, 510C)에 따른 학습 수행 과정 중 산출되는 오차율을 수신할 수 있다. 이때 '오차율'은 전술한 제2 학습 데이터(420)에 포함된 입력값에 대한 인공 신경망의 출력값과 제2 학습 데이터(420)에 포함된 출력값(즉 입력값에 대응되는 출력값) 간의 차이가 발생하는 정도를 의미할 수 있다. 리소스 서버(300)는 이러한 오차율이 감소하도록 인공 신경망을 구성하는 적어도 하나의 계수들을 적절히 갱신함으로써 학습이 이루어 지도록 할 수 있다.Meanwhile, the
본 발명의 일 실시예에 따른 서버(100)는 이와 같은 오차율 및 정확도를 포함하는 학습 결과를 산출할 수 있다. 이때 본 발명의 일 실시예에 따른 서버(100)는 학습 결과의 산출에 있어서 복수의 오차율 중 최종 오차율을 사용할 수 있다. 학습 과정에 있어서 오차율은 점차적으로 감소하는 경향을 보이므로, 최종 오차율은 제2 학습 데이터(420)를 이용한 학습 과정의 가장 마지막에 산출되는 오차율을 의미할 수 있다. The
또한 본 발명의 일 실시예에 따른 서버(100)는 복수의 파라미터 셋 각각에 대한 학습 결과 중 소정의 조건을 만족하는 파라미터 셋을 최적의 파라미터 셋으로 결정할 수 있다. In addition, the
가령 본 발명의 일 실시예에 따른 서버(100)는 제1 가중치를 오차율로 나눈 값과 정확도와 제2 가중치가 곱해진 값의 합이 가장 큰 파라미터 셋을 최적의 파라미터 셋으로 결정할 수 있다. 이때 제1 가중치 및 제2 가중치는 사용자에 의해 미리 결정되는 상수일 수 있다.For example, the
선택적 실시예에서, 서버(100)는 정확도가 가장 높은 파라미터 셋을 최적의 파라미터 셋으로 결정할 수도 있고, 오차율이 가장 낮은 파라미터 셋을 최적의 파라미터 셋으로 결정할 수도 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.In an optional embodiment, the
본 발명의 일 실시예에 따른 서버(100)는 전술한 과정에 따라 결정된 최적의 파라미터 셋이 적용된 배포 인공 신경망을 생성할 수 있다.(S1404)The
가령 전술한 바와 같이 파라미터 셋이 인공 신경망의 구조 파라미터 셋 및 인공 신경망의 학습 조건에 관한 파라미터 셋을 포함하는 경우, 본 발명의 일 실시예에 따른 서버(100)는 최적의 파라미터 셋에 포함된 구조 파라미터 셋에 기초하여 배포 인공 신경망을 생성할 수 있다.For example, as described above, when the parameter set includes the structural parameter set of the artificial neural network and the parameter set related to the learning conditions of the artificial neural network, the
또한 서버(100)는 최적의 파라미터 셋에 포함된 학습 파라미터 셋에 따라, 제2 학습 데이터(420)를 이용하여 생성된 배포 인공 신경망을 학습시킬 수 있다. 이와 같이 본 발명은 최적의 성능을 갖는 배포 인공 신경망을 생성할 수 있다.In addition, the
본 발명의 일 실시예에 따른 서버(100)는 배포 인공 신경망을 이용하는 서비스 제공을 위한 API를 생성할 수 있다.(S1405)The
다시 도 10을 참조하여, 본 발명의 일 실시예에 따른 서버(100)가 배포 인공 신경망을 이용하여 생성한 API(720)의 구조를 설명한다.Referring again to FIG. 10, the structure of the
본 발명에서 API(Application Programming Interface)(720)는 사용자가 제작한 어플리케이션에서 인공 신경망을 사용할 수 있도록 서버(100)에 생성된 인터페이스를 의미할 수 있다.In the present invention, the API (Application Programming Interface) 720 may mean an interface generated in the
본 발명의 일 실시예에 따른 서버(100)는 제2 학습 데이터(420)를 생성하는 과정에서 결정된 전처리 방식에 기초하여, 입력 데이터(710)를 전처리 하는 입력 데이터 전처리 모듈(721)을 생성할 수 있다. 이때 생성된 입력 데이터 전처리 모듈(721)은 입력 데이터를 벡터화 하는 모듈을 의미할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 전술한 과정에 따라 생성된 배포 신경망을 이용하여, 입력 데이터(710)에 대한 출력 데이터를 생성하는 신경망 모듈(722)을 생성할 수 있다. 가령 서버(100)는 배포 신경망의 입력 레이어에 입력 데이터(710)가 입력될 수 있도록 처리하고, 배포 신경망의 출력 레이어에 출력되는 값이 출력 데이터가 될 수 있도록 처리(및/또는 정의)하는 방식으로 신경망 모듈(722)을 생성할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 제1 학습 데이터(410)에 포함된 출력 데이터의 포맷을 참조하여, 신경망 모듈(722)의 출력 데이터의 포맷을 변환하는 출력 데이터 변환 모듈(723)을 생성할 수 있다. 가령 출력 데이터 변환 모듈(723)은 벡터 형태의 출력 데이터를 이미지 형태의 데이터 및/또는 텍스트 형태의 출력 데이터(730)로 변환할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 전처리 모듈(721), 신경망 모듈(722) 및 출력 데이터 변환 모듈(723)을 포함하는 API(720)를 생성할 수 있다. 바꾸어 말하면 본 발명의 일 실시예에 따른 서버(100)는 전술한 세 모듈(721, 722, 723)을 패키지(Package)화 할 수 있다.The
본 발명의 일 실시예에 따른 서버(100)는 생성된 API(720)에 대한 정보를 사용자 단말(200)에 제공할 수 있다. 가령 서버(100)는 API의 접속 주소, API의 사용 포맷에 관한 정보를 사용자 단말(200)에 제공할 수 있다. 사용자는 제공된 API(720)에 대한 정보를 참조하여, API(720)에 기반한 자신의 서비스를 손쉽게 구현할 수 있다.The
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. The embodiment according to the present invention described above may be implemented in the form of a computer program that can be executed through various components on a computer, and such a computer program can be recorded on a computer-readable medium. At this time, the medium may be a computer executable program. Examples of the medium include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks, And program instructions including ROM, RAM, flash memory, and the like.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.Meanwhile, the computer program may be specially designed and configured for the present invention or may be known and available to those skilled in the computer software field. Examples of computer programs may include not only machine language codes produced by a compiler, but also high-level language codes executable by a computer using an interpreter or the like.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.The specific implementations described in the present invention are exemplary embodiments, and do not limit the scope of the present invention in any way. For brevity of the specification, descriptions of conventional electronic configurations, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connection or connection members of the lines between the components shown in the drawings are illustrative examples of functional connections and/or physical or circuit connections, and in the actual device, alternative or additional various functional connections, physical Connections, or circuit connections. In addition, unless specifically mentioned, such as "essential", "important", etc., it may not be a necessary component for the application of the present invention.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.Accordingly, the spirit of the present invention is not limited to the above-described embodiments, and should not be determined, and the scope of the spirit of the present invention as well as the claims to be described later, as well as all ranges that are equivalent to or equivalently changed from the claims Would belong to
100: 서버
110: 통신부
120: 제1 프로세서
130: 메모리
200: 사용자 단말
300: 리소스 서버
400: 통신망100: server
110: communication department
120: first processor
130: memory
200: user terminal
300: resource server
400: network
Claims (5)
사용자 단말로부터 제1 학습 데이터를 수신하는 단계;
상기 제1 학습 데이터를 소정의 방식으로 전처리 하여 제2 학습 데이터를 생성하는 단계;
상기 제2 학습 데이터에 기초하여 복수의 파라미터 셋 각각에 대한 인공 신경망의 학습 결과를 산출하고, 상기 산출 결과에 기초하여 상기 복수의 파라미터 셋 중 어느 하나를 최적의 파라미터 셋으로 결정하는 단계;
상기 최적의 파라미터 셋이 적용된 배포 인공 신경망을 생성하는 단계; 및
상기 배포 인공 신경망을 이용하는 서비스 제공을 위한 API를 생성하는 단계;를 포함하는, 인공 신경망의 상용화 서비스 제공 방법.In the artificial neural network commercialization service providing method for generating an artificial neural network based on the first learning data provided by the user, and generating an API for providing a service using the generated artificial neural network,
Receiving first learning data from a user terminal;
Generating second learning data by pre-processing the first learning data in a predetermined manner;
Calculating a learning result of an artificial neural network for each of a plurality of parameter sets based on the second learning data, and determining one of the plurality of parameter sets as an optimal parameter set based on the calculation result;
Generating a distributed artificial neural network to which the optimal parameter set is applied; And
And generating an API for providing a service using the distributed artificial neural network.
상기 제2 학습 데이터를 생성하는 단계는
제1 학습 데이터의 처리가 가능한 적어도 하나의 전처리 방식의 식별 정보를 상기 사용자 단말에 제공하는 단계;
상기 사용자 단말로부터 상기 전처리 방식에 대한 선택정보를 수신하는 단계; 및
상기 선택정보에 대응되는 전처리 방식으로 상기 제1 학습 데이터를 전처리 하여 상기 제2 학습 데이터를 생성하는 단계;를 포함하는, 인공 신경망의 상용화 서비스 제공 방법.The method according to claim 1
The step of generating the second learning data
Providing identification information of at least one pre-processing method capable of processing first learning data to the user terminal;
Receiving selection information for the preprocessing method from the user terminal; And
And generating the second learning data by pre-processing the first learning data in a pre-processing manner corresponding to the selection information.
상기 제2 학습 데이터를 생성하는 단계는
상기 선택정보에 대응되는 전처리 방식에 따른 제1 학습 데이터의 전처리 진행 정도에 관한 정보를 상기 사용자 단말에 제공하는 단계;를 더 포함하는, 인공 신경망의 상용화 서비스 제공 방법.The method according to claim 2
The step of generating the second learning data
And providing information on the degree of pre-processing of the first learning data according to the pre-processing method corresponding to the selection information to the user terminal.
상기 최적의 파라미터 셋은
상기 배포 인공 신경망의 구조에 대한 구조 파라미터 셋 및 배포 인공 신경망의 학습 조건에 관한 학습 파라미터 셋을 포함하고,
상기 배포 인공 신경망을 생성하는 단계는
상기 구조 파라미터 셋에 기초하여, 상기 배포 인공 신경망을 생성하는 단계; 및
상기 학습 파라미터 셋에 따라, 상기 생성된 배포 인공 신경망을 학습시키는 단계;를 포함하는, 인공 신경망의 상용화 서비스 제공 방법.The method according to claim 1
The optimal set of parameters
A structure parameter set for the structure of the distributed artificial neural network and a set of learning parameters for the learning conditions of the distributed artificial neural network,
The step of generating the distributed artificial neural network
Generating the distributed artificial neural network based on the set of structural parameters; And
In accordance with the set of learning parameters, learning the distributed artificial neural network generated; comprising, a method for providing a commercial service of an artificial neural network.
상기 API를 생성하는 단계는
상기 제2 학습 데이터를 생성하는 단계에서 결정된 전처리 방식에 기초하여, 입력 데이터를 전처리 하는 입력 데이터 전처리 모듈을 생성하는 단계;
상기 생성된 배포 신경망을 이용하여 상기 입력 데이터에 대한 출력 데이터를 생성하는 신경망 모듈을 생성하는 단계;
상기 제1 학습 데이터에 포함된 출력 데이터의 포맷을 참조하여, 상기 신경망 모듈의 출력 데이터의 포맷을 변환하는 출력 데이터 변환 모듈을 생성하는 단계; 및
상기 전처리 모듈, 상기 신경망 모듈 및 상기 변환 모듈을 포함하는 API를 생성하는 단계;를 포함하는, 인공 신경망의 상용화 서비스 제공 방법.The method according to claim 1
The step of generating the API
Generating an input data pre-processing module that pre-processes the input data based on the pre-processing method determined in the step of generating the second learning data;
Generating a neural network module that generates output data for the input data using the generated distribution neural network;
Generating an output data conversion module for converting the format of the output data of the neural network module by referring to the format of the output data included in the first learning data; And
And generating an API including the preprocessing module, the neural network module, and the transformation module.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180170680A KR102190103B1 (en) | 2018-12-27 | 2018-12-27 | Method of providing commercialization service of an artificial neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180170680A KR102190103B1 (en) | 2018-12-27 | 2018-12-27 | Method of providing commercialization service of an artificial neural network |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200161040A Division KR20200138688A (en) | 2020-11-26 | 2020-11-26 | Method of providing commercialization service of an artificial neural network |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200080819A true KR20200080819A (en) | 2020-07-07 |
KR102190103B1 KR102190103B1 (en) | 2020-12-11 |
Family
ID=71602613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180170680A KR102190103B1 (en) | 2018-12-27 | 2018-12-27 | Method of providing commercialization service of an artificial neural network |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102190103B1 (en) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102298766B1 (en) * | 2021-02-15 | 2021-09-07 | 주식회사 딥이티 | Apparatus and method for converting deep learning model for target device |
KR20220015083A (en) * | 2020-07-30 | 2022-02-08 | 성균관대학교산학협력단 | Method for multi-level deep learning for robust learning and recognition and apparatus for performing the same |
KR102393761B1 (en) * | 2021-06-29 | 2022-05-04 | 주식회사 에너자이(ENERZAi) | Method and system of learning artificial neural network model for image processing |
WO2023277448A1 (en) * | 2021-06-29 | 2023-01-05 | 주식회사 에너자이 | Artificial neural network model training method and system for image processing |
KR102488618B1 (en) * | 2021-12-17 | 2023-01-18 | 주식회사 텐 | Method to capitalize learning data for learning of artificial neural network |
KR102488619B1 (en) * | 2021-12-17 | 2023-01-18 | 주식회사 텐 | Method to capitalize the learned artificial neural network |
KR102488620B1 (en) * | 2021-12-17 | 2023-01-18 | 주식회사 텐 | Method for distributing revenue related to assetized training data and assetized artificial neural network data |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017138220A1 (en) * | 2016-02-12 | 2017-08-17 | ソニー株式会社 | Information processing method and information processing device |
KR20170136357A (en) * | 2016-06-01 | 2017-12-11 | 서울대학교산학협력단 | Apparatus and Method for Generating Prediction Model based on Artificial Neural Networks |
KR101864286B1 (en) * | 2017-11-10 | 2018-07-04 | 주식회사 한컴엠디에스 | Method and apparatus for using machine learning algorithm |
JP2018173711A (en) * | 2017-03-31 | 2018-11-08 | 三菱重工業株式会社 | Information provision device, information provision system, information provision method and program |
-
2018
- 2018-12-27 KR KR1020180170680A patent/KR102190103B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017138220A1 (en) * | 2016-02-12 | 2017-08-17 | ソニー株式会社 | Information processing method and information processing device |
KR20170136357A (en) * | 2016-06-01 | 2017-12-11 | 서울대학교산학협력단 | Apparatus and Method for Generating Prediction Model based on Artificial Neural Networks |
JP2018173711A (en) * | 2017-03-31 | 2018-11-08 | 三菱重工業株式会社 | Information provision device, information provision system, information provision method and program |
KR101864286B1 (en) * | 2017-11-10 | 2018-07-04 | 주식회사 한컴엠디에스 | Method and apparatus for using machine learning algorithm |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220015083A (en) * | 2020-07-30 | 2022-02-08 | 성균관대학교산학협력단 | Method for multi-level deep learning for robust learning and recognition and apparatus for performing the same |
KR102298766B1 (en) * | 2021-02-15 | 2021-09-07 | 주식회사 딥이티 | Apparatus and method for converting deep learning model for target device |
KR102393761B1 (en) * | 2021-06-29 | 2022-05-04 | 주식회사 에너자이(ENERZAi) | Method and system of learning artificial neural network model for image processing |
WO2023277448A1 (en) * | 2021-06-29 | 2023-01-05 | 주식회사 에너자이 | Artificial neural network model training method and system for image processing |
KR102488618B1 (en) * | 2021-12-17 | 2023-01-18 | 주식회사 텐 | Method to capitalize learning data for learning of artificial neural network |
KR102488619B1 (en) * | 2021-12-17 | 2023-01-18 | 주식회사 텐 | Method to capitalize the learned artificial neural network |
KR102488620B1 (en) * | 2021-12-17 | 2023-01-18 | 주식회사 텐 | Method for distributing revenue related to assetized training data and assetized artificial neural network data |
WO2023113090A1 (en) * | 2021-12-17 | 2023-06-22 | 주식회사 텐 | Method for assetization of trained artificial neural network |
WO2023113091A1 (en) * | 2021-12-17 | 2023-06-22 | 주식회사 텐 | Method for distributing revenue related to assetized learning data and assetized artificial neural network data |
WO2023113089A1 (en) * | 2021-12-17 | 2023-06-22 | 주식회사 텐 | Method for assetizing training data for training artificial neural network |
Also Published As
Publication number | Publication date |
---|---|
KR102190103B1 (en) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102190103B1 (en) | Method of providing commercialization service of an artificial neural network | |
CN113449857B (en) | Data processing method and data processing equipment | |
US11295208B2 (en) | Robust gradient weight compression schemes for deep learning applications | |
KR102086815B1 (en) | Method and apparatus for selecting optiaml training model from various tarining models included in neural network | |
US11861474B2 (en) | Dynamic placement of computation sub-graphs | |
KR102327615B1 (en) | Modifying computational graphs | |
KR102190105B1 (en) | Method for determining parameter sets of an artificial neural network | |
CN111354345B (en) | Method, apparatus, device and medium for generating speech model and speech recognition | |
CN109155005A (en) | Learnt using the enhancing of spurious count | |
KR20180096469A (en) | Knowledge Transfer Method Using Deep Neural Network and Apparatus Therefor | |
US20200125958A1 (en) | Training apparatus, training method, inference apparatus, inference method, and non-transitory computer readable medium | |
US20230061175A1 (en) | Real-Time Simulation of Elastic Body | |
KR20210060146A (en) | Method and apparatus for processing data using deep neural network model, method and apparatus for trining deep neural network model | |
CN112394982B (en) | Method, device, medium and electronic equipment for generating voice recognition system | |
CN112052865A (en) | Method and apparatus for generating neural network model | |
KR20200138688A (en) | Method of providing commercialization service of an artificial neural network | |
KR102190100B1 (en) | Method for training of an artificial neural network | |
JP4643586B2 (en) | Optimal design management device, optimal design calculation system, optimal design management method, optimal design management program | |
CN114707070A (en) | User behavior prediction method and related equipment thereof | |
KR20200139111A (en) | Method for determining parameter sets of an artificial neural network | |
CN116583854A (en) | Worst case noise and margin management for RPU crossbar arrays | |
KR102590540B1 (en) | Artificial neural network learning method and pronunciation evaluation method using the same | |
KR102430548B1 (en) | Method for preprocessing structured learning data | |
CN112348162B (en) | Method and device for generating a recognition model | |
CN111949860B (en) | Method and apparatus for generating a relevance determination model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |