KR20200120469A - 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 - Google Patents
인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 Download PDFInfo
- Publication number
- KR20200120469A KR20200120469A KR1020190120851A KR20190120851A KR20200120469A KR 20200120469 A KR20200120469 A KR 20200120469A KR 1020190120851 A KR1020190120851 A KR 1020190120851A KR 20190120851 A KR20190120851 A KR 20190120851A KR 20200120469 A KR20200120469 A KR 20200120469A
- Authority
- KR
- South Korea
- Prior art keywords
- electronic device
- information
- gradient
- model
- local model
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 42
- 238000011017 operating method Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims abstract description 56
- 238000004891 communication Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 abstract description 11
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 210000004556 brain Anatomy 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 22
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 238000003062 neural network model Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000005236 sound signal Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0254—Targeted advertisements based on statistics
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06N3/092—Reinforcement learning
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다.
로컬 모델을 갱신하는데 이용되는 전자 장치의 상황에 관한 정보가 변경됨을 검출하고, 변경된 상황 정보에 기초하여, 로컬 모델을 갱신하기 위한 그래디언트를 획득하고, 그래디언트에 기초하여 로컬 모델을 갱신하고, 그래디언트를 서버로 전송하고, 서버로부터 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 수신하고, 수신된 정보에 기초하여, 로컬 모델을 갱신하는, 전자 장치에서, 학습 모델을 갱신하는 방법이 제공된다.
로컬 모델을 갱신하는데 이용되는 전자 장치의 상황에 관한 정보가 변경됨을 검출하고, 변경된 상황 정보에 기초하여, 로컬 모델을 갱신하기 위한 그래디언트를 획득하고, 그래디언트에 기초하여 로컬 모델을 갱신하고, 그래디언트를 서버로 전송하고, 서버로부터 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 수신하고, 수신된 정보에 기초하여, 로컬 모델을 갱신하는, 전자 장치에서, 학습 모델을 갱신하는 방법이 제공된다.
Description
본 개시는, 전자 장치에 저장된 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법에 관한 것이다.
사용자 또는 사용자가 소지한 전자 장치의 다양한 상황(context), 예를 들면, 전자 장치의 상태(state)에 관한 정보 및 전자 장치의 주변 환경에 관한 정보 등, 전자 장치의 상황을 나타내는 다양한 정보에 따라서, 다양한 동작을 수행하는, 기계학습을 활용한 인공지능 시스템이 제공되고 있다.
상술한 전자 장치의 상황에 관한 정보는, 시간이 지남에 따라 지속적으로 변경될 수 있으므로, 변경된 상황 정보에 따라서, 인공지능 모델도 지속적으로 갱신됨이 바람직하다. 따라서, 상황 정보에 따라 인공지능 모델에 의해 적합한 동작이 수행될 수 있도록, 상기 인공지능 모델은, 실시간으로 수집된 다양한 종류의 상황 정보에 기초하여 지속적으로 갱신될 수 있다.
상기 인공지능 모델의 갱신은, 사용자가 소지한 전자 장치보다, 연산량과 학습에 이용되는 데이터 규모에 있어서, 더 성능이 좋은 서버에서도 수행될 수 있다. 예를 들면, 서버에서 수행된 인공지능 모델의 갱신 결과에 기초하여, 전자 장치에 저장된 인공지능 모델도 추가적으로 갱신될 수 있다. 따라서, 전자 장치는, 인공지능 모델의 갱신을 위하여, 전자 장치의 상황 정보를 서버로 전송할 수 있다.
그러나, 전자 장치의 상황 정보는, 사용자의 민감한 정보를 포함하는 개인 정보, 생체 정보, 비밀 정보, 금융 정보 등을 포함할 수 있으므로, 전송 과정에서 상황 정보가 외부에 유출되는 경우, 사용자에게 심각한 피해가 발생될 수 있는 문제점이 존재한다.
본 개시가 해결하고자 하는 과제는 전술한 문제를 해결하기 위한 것으로서, 전자 장치에 저장된 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법을 제공하기 위한 것이다.
또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 전자 장치에 저장된 로컬 모델을 갱신하는데 이용되는, 상기 전자 장치의 상황에 관한 정보가 변경됨을 검출하는 단계; 상기 변경된 상황에 관한 정보에 기초하여, 상기 로컬 모델을 갱신하기 위한 그래디언트(gradient) 정보를 결정하는 단계; 상기 결정된 그래디언트에 기초하여, 상기 로컬 모델을 갱신하는 단계; 상기 그래디언트를 서버로 전송하는 단계; 상기 서버로부터 상기 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 수신하는 단계; 및 상기 수신된 정보에 기초하여, 상기 로컬 모델을 갱신하는 단계를 포함하는, 전자 장치에서, 인공지능 모델을 갱신하는 방법을 제공할 수 있다.
또한, 본 개시의 제2 측면은, 로컬 모델을 저장하는 메모리; 상기 로컬 모델을 갱신하는데 이용되는 상기 전자 장치의 상황에 관한 정보가 변경됨을 검출하고, 상기 변경된 상황에 관한 정보에 기초하여, 상기 로컬 모델을 갱신하기 위한 그래디언트를 결정하고, 상기 결정된 그래디언트에 기초하여, 상기 로컬 모델을 갱신하는 적어도 하나의 프로세서; 및 상기 그래디언트를 서버로 전송하고, 상기 서버로부터 상기 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 수신하는 통신부를 포함하고, 상기 적어도 하나의 프로세서는, 상기 수신된 정보에 기초하여 상기 로컬 모델을 갱신하는, 인공지능 모델을 갱신하는 전자 장치를 제공할 수 있다.
또한, 본 개시의 제3 측면은, 제1 측면의 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 제공할 수 있다.
일 실시 예에 의하면, 사용자의 민감한 정보를 포함할 수 있는 전자 장치의 상황에 관한 정보 대신, 상황 정보에 기초하여 갱신된 로컬 모델에 관한 그래디언트가 서버로 전송됨으로써, 전송 과정에서 개인 정보가 유출될 위험이 제거될 수 있다.
일 실시 예에 의하면, 전자 장치의 인공지능 모델을 갱신하기 위해, 상황에 관한 정보 대신 상황에 관한 정보보다 더 적은 데이터 크기를 가지는 그래디언트가 서버로 전송될 수 있어, 로컬 모델의 갱신이 더 빠르게 수행될 수 있다.
도 1은 일 실시 예에 의한, 전자 장치의 로컬 모델을 이용하여 다양한 동작을 수행하는 시스템을 나타낸 도면이다.
도 2는 일 실시 예에 의한 로컬 모델을 이용하여 다양한 동작을 수행하는 시스템을 나타낸 도면이다.
도 3은 일 실시 예에 의한 로컬 모델을 이용하여 객체 인식을 수행하는 시스템을 나타낸 도면이다.
도 4는 일 실시 예에 의한 로컬 모델을 이용하여 음성 인식을 수행하는 시스템을 나타낸 도면이다.
도 5는 일 실시 예에 의한 로컬 모델 및 글로벌 모델이 갱신되는 일 예를 나타낸 도면이다.
도 6은 일 실시 예에 의한 로컬 모델 또는 글로벌 모델의 예시를 나타내는 도면이다.
도 7은 일 실시 예에 의한 전자 장치의 동작을 설명하기 위한 도면이다.
도 8은 일 실시 예에 의한 시간 흐름에 따라 로컬 모델이 갱신되는 일 예를 나타낸 도면이다.
도 9는 일 실시 예에 의한 전자 장치의 내부 구성을 도시한 블록도이다.
도 10은 일 실시 예에 의한 전자 장치의 내부 구성을 도시한 블록도이다.
도 11은 일 실시 예에 의한 서버의 내부 구성을 도시한 블록도이다.
도 12는 일 실시 예에 의한 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
도 13은 일 실시 예에 의한 서버에서 글로벌 모델을 갱신하는 방법을 나타낸 순서도이다.
도 14는 일 실시 예에 의한 로컬 모델 및 글로벌 모델을 갱신하는 시스템을 나타낸 도면이다.
도 15는 일 실시 예에 의한 중개 장치를 통해 로컬 모델 및 글로벌 모델을 갱신하는 시스템을 나타낸 도면이다.
도 16은 일 실시 예에 의한 그래디언트에 따라 글로벌 모델 및 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
도 17은 일 실시 예에 의한 그래디언트에 따라 글로벌 모델과, 전자 장치의 제1 로컬 모델 및 외부 장치의 제2 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
도 2는 일 실시 예에 의한 로컬 모델을 이용하여 다양한 동작을 수행하는 시스템을 나타낸 도면이다.
도 3은 일 실시 예에 의한 로컬 모델을 이용하여 객체 인식을 수행하는 시스템을 나타낸 도면이다.
도 4는 일 실시 예에 의한 로컬 모델을 이용하여 음성 인식을 수행하는 시스템을 나타낸 도면이다.
도 5는 일 실시 예에 의한 로컬 모델 및 글로벌 모델이 갱신되는 일 예를 나타낸 도면이다.
도 6은 일 실시 예에 의한 로컬 모델 또는 글로벌 모델의 예시를 나타내는 도면이다.
도 7은 일 실시 예에 의한 전자 장치의 동작을 설명하기 위한 도면이다.
도 8은 일 실시 예에 의한 시간 흐름에 따라 로컬 모델이 갱신되는 일 예를 나타낸 도면이다.
도 9는 일 실시 예에 의한 전자 장치의 내부 구성을 도시한 블록도이다.
도 10은 일 실시 예에 의한 전자 장치의 내부 구성을 도시한 블록도이다.
도 11은 일 실시 예에 의한 서버의 내부 구성을 도시한 블록도이다.
도 12는 일 실시 예에 의한 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
도 13은 일 실시 예에 의한 서버에서 글로벌 모델을 갱신하는 방법을 나타낸 순서도이다.
도 14는 일 실시 예에 의한 로컬 모델 및 글로벌 모델을 갱신하는 시스템을 나타낸 도면이다.
도 15는 일 실시 예에 의한 중개 장치를 통해 로컬 모델 및 글로벌 모델을 갱신하는 시스템을 나타낸 도면이다.
도 16은 일 실시 예에 의한 그래디언트에 따라 글로벌 모델 및 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
도 17은 일 실시 예에 의한 그래디언트에 따라 글로벌 모델과, 전자 장치의 제1 로컬 모델 및 외부 장치의 제2 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 노드들과 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 또한, 손실값 또는 코스트 값을 최소화하기 위해, 손실값 또는 코스트값과 관련된 그래디언트를 최소화하는 방향으로 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 일 실시 예에 의한, 전자 장치의 로컬 모델을 이용하여 다양한 동작을 수행하는 시스템을 나타낸 도면이다.
도 1에 도시된 바와 같이, 일 실시 예에 따른 시스템은, 전자 장치(1000) 및 서버(2000)를 포함할 수 있다. 일 실시 예에 의한 전자 장치(1000)는, 전자 장치(1000)에서 수집된 전자 장치(1000)의 상황에 관한 정보에 기초하여 전자 장치(1000)의 상황에 적합한 결과가 출력되도록 전자 장치(1000)에 저장된 로컬 모델을 갱신하고, 갱신된 로컬 모델에 기초하여 다양한 동작을 수행할 수 있다.
일 실시 예에 의한, 전자 장치(1000)의 로컬 모델은 전자 장치(1000)의 상황에 관한 정보에 기초하여 전자 장치(1000) 내에서 지속적으로 갱신될 수 있고, 다양한 동작 수행을 위해 이용될 수 있는 인공지능 모델이다.
일 실시 예에 의한 전자 장치(1000)는, 상황에 관한 정보에 기초하여, 로컬 모델을 구성하는 복수의 신경망 레이어들에 포함된 복수의 가중치들을 최적화함으로써, 로컬 모델을 갱신할 수 있다. 예를 들면, 전자 장치(1000)는 상황에 관한 정보에 기초하여, 로컬 모델을 통해 출력될 수 있는 예측 정보와, 예측 정보와 대응되는 관측 정보 간의 차이가 최소화될 수 있도록, 로컬 모델을 갱신할 수 있다.
일 실시 예에 의한 관측 정보는, 예측 정보에 대한 정답을 나타내는 정보이며, 상술한 전자 장치(1000)의 상황에 관한 정보뿐만 아니라, 로컬 모델의 출력 결과와 관련된 다양한 종류의 정보에 기초하여 결정될 수 있다.
전자 장치(1000)의 상황에 관한 정보는 전자 장치(1000)에서 수집된 상황 정보, 전자 장치(1000)의 상태에 관한 정보, 전자 장치(1000)의 사용자에 관한 정보, 전자 장치(1000)의 주변 환경에 관한 정보 등을 포함할 수 있다.
일 실시 예에 의하면 전자 장치(1000)에서 수집된 상황 정보는, 현재의 전자 장치(1000)의 상황에 따른 적합한 결과가 출력되도록 로컬 모델을 갱신하는데 이용될 수 있는 다양한 정보들을 포함할 수 있다. 예를 들면, 상황 정보는, 전자 장치(1000)의 상태에 관한 정보, 전자 장치(1000)의 사용자에 관한 정보, 전자 장치(1000)의 주변 환경에 관한 정보 등을 포함할 수 있다.
일 실시 예에 의하면, 상기 상황 정보에 기초하여, 로컬 모델에 출력될 수 있는 예측 정보와 대응되는 관측 정보가 획득될 수 있다. 일 실시 예에 의한 전자 장치(1000)는, 상기 관측 정보와 예측 정보 간 차이가 최소화되도록, 로컬 모델을 구성하는 값들을 수정함으로써, 로컬 모델을 갱신할 수 있다.
일 실시 예에 의한 전자 장치(1000)의 상태에 관한 정보는, 전자 장치(1000)의 동작 상태에 관한 정보, 전자 장치(1000)에서 네트워크 연결 상태에 관한 정보, 전자 장치(1000)에 설치된 OS(operating system) 또는 어플리케이션의 상태에 관한 정보, 전자 장치(1000)의 위치에 관한 정보, 전자 장치(1000)의 이동 상태에 관한 정보, 전자 장치(1000)에 구비된 하드웨어 상태에 관한 정보 등 전자 장치(1000)의 상태에 관한 다양한 정보를 포함할 수 있다.
일 실시 예에 의한 전자 장치(1000)의 사용자에 관한 정보는, 예를 들면, 사용자의 특징에 관한 정보로서, 사용자의 신상에 관한 정보, 사용자가 가입된 서비스의 계정에 관한 정보, 사용자의 생활 패턴에 관한 정보 등 다양한 종류의 사용자의 개인적인 정보(privacy information)를 포함할 수 있다. 상술한 예에 한하지 않고, 사용자에 관한 정보는, 사용자에 관한 다양한 종류의 정보를 포함할 수 있다.
일 실시 예에 의한 전자 장치(1000)의 주변 환경에 관한 정보는, 전자 장치(1000)의 주변에 존재하는 객체에 관한 정보, 전자 장치(1000)의 주변 환경의 조도에 관한 정보 등 전자 장치(1000)의 주변 환경에 관한 다양한 정보를 포함할 수 있다.
일 실시 예에 따라 로컬 모델에 기초하여 수행될 수 있는 동작은, 전자 장치(1000)에서 수행될 수 있는 다양한 동작을 포함할 수 있다. 예를 들면, 상기 동작은, 아이템을 추천하는 동작, 전자 장치(1000) 주변의 객체를 인식하는 동작, 전자 장치(1000)에서 수집된 오디오 신호에 대하여 음성 인식을 수행하는 동작 등을 포함할 수 있다. 상술한 예에 한하지 않고, 일 실시 예에 따라 로컬 모델에 기초하여 수행될 수 있는 동작은 전자 장치(1000)에서 로컬 모델을 이용하여 수행될 수 있는 다양한 동작을 포함할 수 있다.
일 실시 예에 의한 전자 장치(1000)는 로컬 모델을 이용하여 다양한 동작을 수행하기 위한 연산을 수행할 뿐만 아니라, 전자 장치(1000)의 상황에 관한 정보에 기초하여 로컬 모델을 이용한 연산의 정확도를 개선하기 위한 학습을 수행할 수 있다. 일 실시 예에 의한 전자 장치(1000)는 로컬 모델에 대해 학습을 수행함으로써, 전자 장치(1000)는 학습된 로컬 모델을 이용하여 전자 장치(1000)의 사용 패턴에 최적화된 연산 결과를 도출할 수 있다. 일 실시 예에 의하면, 각각의 동작과 대응되는 적어도 하나의 로컬 모델이 존재하고, 상기 적어도 하나의 로컬 모델에 따라, 각각의 동작이 수행될 수 있다. 예를 들면, 전자 장치(1000)는 복수 개의 로컬 모델 중에서, 전자 장치(1000)에서 수행하고자 하는 동작(ex. 아이템 추천, 객체 인식, 음성 인식)과 대응되는 적어도 하나의 로컬 모델을 획득하고, 상기 획득된 로컬 모델에 기초하여, 상기 동작을 수행할 수 있다. 상술한 예에 한하지 않고, 단일한 로컬 모델에 따라 복수 개의 서로 다른 동작이 수행될 수도 있다.
일 실시 예에 의한 전자 장치(1000)는, 상술한 적어도 하나의 로컬 모델을 전자 장치(1000)에 구비된 메모리로부터 획득하거나, 외부로부터 수신할 수 있다. 예를 들면, 전자 장치(1000)는 메모리를 판독함으로써, 로컬 모델을 획득할 수 있다. 또한, 전자 장치(1000)는, 외부의 서버(2000)로부터 글로벌 모델을 수신하고, 수신된 글로벌 모델을 전자 장치(1000)의 로컬 모델로써 획득할 수 있다. 상술한 예에 한하지 않고, 전자 장치(1000)는 로컬 모델을 다양한 방법을 통해 획득할 수 있다.
예를 들면, 전자 장치(1000)는 소정의 동작을 수행하기 위한 로컬 모델이 전자 장치(1000)에 저장되어 있지 않은 경우, 상기 소정의 동작을 수행하기 위한 글로벌 모델에 관한 정보를 서버(2000)로부터 수신할 수 있다. 또한, 전자 장치(1000)는 서버(2000)로부터 수신된 글로벌 모델에 관한 정보에 기초하여 로컬 모델을 획득하고 저장할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 서버(2000)에 상기 소정의 동작을 수행하기 위한 글로벌 모델을 요청하여, 서버(2000)로부터 글로벌 모델을 수신하고, 수신된 글로벌 모델을 전자 장치(1000)의 로컬 모델로서 저장할 수 있다. 이후 전자 장치(1000)에서 수집된 상황 정보에 기초하여, 전자 장치(1000)에 저장된 로컬 모델이 지속적으로 갱신될 수 있다. 상술한 예에 한하지 않고, 전자 장치(1000)에서 수집된 상황 정보뿐만 아니라, 로컬 모델이 갱신되는데 필요한 다양한 데이터에 기초하여, 전자 장치(1000)에 저장된 로컬 모델이 지속적으로 갱신될 수도 있다.
일 실시 예에 따른 전자 장치(1000)는 인공 지능 기술에 의한 로컬 모델을 이용하여 다양한 동작을 수행하는 장치로, 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자 장치(1000)는, 디지털 카메라, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 인공지능 스피커, 로봇 청소기, 가전 기기(home appliance) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
또한, 본 명세서에서 기술되는 전자 장치(1000)는 사용자에 의해 착용될 수 있는 장치(wearable device)일 수 있다. 웨어러블 디바이스는 액세서리 형 장치(예컨대, 시계, 반지, 팔목 밴드, 발목 밴드, 목걸이, 안경, 콘택트 렌즈), 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형 장치(예: 전자 의복), 신체 부착형 장치(예컨대, 스킨 패드(skin pad)), 또는 생체 이식형 장치(예: implantable circuit) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시 예에 의한, 로컬 모델의 갱신은 2단계로 수행될 수 있다. 예를 들면, 로컬 모델을 갱신하는 단계는, 전자 장치(1000)에서 수집된 상황에 관한 정보에 기초하여, 로컬 모델을 갱신하는 첫번째 단계를 포함할 수 있다. 또한, 로컬 모델을 갱신하는 단계는, 갱신된 로컬 모델에 대한 그래디언트를 서버(2000)로 전송함에 따라, 서버(2000)로부터 수신된 정보에 기초하여, 로컬 모델을 다시 갱신하는 두번째 단계를 포함할 수 있다.
일 실시 예에서, 로컬 모델의 그래디언트는, 로컬 모델을 갱신하기 위한 정보를 포함할 수 있다. 예를 들면, 그래디언트는, 상술한 관측 정보 및 예측 정보 간 차이가 최소화되는 경우와 관련된 정보를 포함할 수 있다.
일 예로, 전자 장치(1000)는 관측 정보 및 상기 예측 정보 간 차이를 나타내는 손실 함수를 획득하고, 상기 손실 함수의 값이 최소가 되는 지점과 관련된 정보를 포함하는 그래디언트를 획득할 수 있다. 예를 들면, 손실 함수의 최소 값은, 손실 함수의 기울기가 최소가 되는 지점을 찾음으로써 검출될 수 있다. 일 실시 예에 의한 손실 함수의 기울기 값은, 예측 정보에 포함된 각 변수에 대하여 편미분한 값으로부터 획득될 수 있다.
일 실시 예에 의한 전자 장치(1000)는, 그래디언트를 이용하여, 손실 함수의 값이 최소가 되는 지점과 대응되는, 로컬 모델의 예측 정보를 결정할 수 있다. 또한, 전자 장치(1000)는 상기 결정된 예측 정보가 상기 로컬 모델에 의해 출력될 수 있도록, 상기 로컬 모델을 구성하는 매개 변수들(ex. 각 노드에 대한 가중치, 바이어스 등)을 수정함으로써, 로컬 모델을 갱신할 수 있다.
일 실시 예에 의한 서버(2000)는 전자 장치(1000)로부터 전송된 그래디언트에 기초하여, 서버(2000)에 저장된 글로벌 모델을 갱신하고, 갱신된 글로벌 모델에 관한 정보를 전자 장치(1000)에 전송할 수 있다. 예를 들면, 서버(2000)는, 그래디언트에 포함된 손실 함수의 기울기 정보와 대응되는 예측 정보가 글로벌 모델에 의해 출력될 수 있도록, 글로벌 모델을 갱신할 수 있다. 이 경우, 관측 정보는, 글로벌 모델의 예측 정보에 대한 정답을 나타내는 정보로서, 글로벌 모델의 출력 결과와 관련된 다양한 종류의 정보에 기초하여 획득될 수 있다. 따라서, 일 실시 예에 의한 전자 장치(1000)는 상술한 두번째 단계에서, 서버(2000)로부터 수신된, 갱신된 글로벌 모델에 관한 정보에 기초하여, 로컬 모델을 다시 갱신할 수 있다.
일 실시 예에 의한, 글로벌 모델은, 서버(2000)에서 수집된 다양한 정보에 기초하여, 서버(2000)의 상대적으로 우수한 학습 능력 및 연산 능력에 따라 갱신될 수 있다. 일 실시 예에 의한, 글로벌 모델은, 로컬 모델의 갱신 동작이 수행되기 전에, 서버(2000)에서 다양한 방법으로 수집된 다양한 정보들에 기초하여 지속적으로 학습되고, 저장될 수 있다. 상술한 예에 한하지 않고, 글로벌 모델은, 다양한 방법을 통해 학습되어, 서버(2000)에 미리 저장될 수 있고, 서버(2000)에 저장된 글로벌 모델은, 일 실시 예에 의한 로컬 모델이 갱신되는데 이용될 수 있다.
상술한 서버(2000)에서 수집된 다양한 정보는, 예를 들면, 전자 장치(1000) 외에 다른 외부 장치들에서 수집된 정보, 인터넷 상에서 수집된 정보 등을 포함할 수 있다. 상술한 예에 한하지 않고, 서버(2000)에서 수집된 다양한 정보는, 다양한 방법으로 수집된 다양한 종류의 정보를 포함할 수 있다.
따라서, 일 실시 예에 의한 글로벌 모델은 일 실시 예에 의한 동작을 수행하는데 로컬 모델보다 더 나은 성능을 가질 수 있다. 일 실시 예에 의한 전자 장치(1000)는 상대적으로 더 우수한 학습 성능을 가지고 더 많은 정보를 가진 서버(2000)에 의해 갱신된 글로벌 모델에 기초하여, 로컬 모델을 다시 갱신할 수 있다. 예를 들면, 서버(2000)는, 전자 장치(1000)로부터 수신한 데이터뿐만 아니라 다른 외부 장치(3000-1, 3000-2)로부터 수신한 데이터도 이용하여, 글로벌 모델을 갱신할 수 있다. 따라서, 일 실시 예에 의한 전자 장치(1000)는 글로벌 모델에 관한 정보를 이용하여 갱신된 로컬 모델을 이용하여, 사용자에게 더 나은 서비스를 제공할 수 있다.
일 실시 예에 따라, 갱신된 글로벌 모델에 관한 정보에 기초하여 다시 갱신되는 로컬 모델은, 서버(2000)에서 갱신된 글로벌 모델이 전자 장치(1000)뿐만 아니라 다른 외부 장치들의 상황 정보도 함께 고려하여 갱신된 인공지능 모델인 점을 고려하여, 갱신될 수 있다. 예를 들면, 로컬 모델에 의해 전자 장치(1000)의 상황과 모순되지 않는 결과가 출력되도록, 로컬 모델이 갱신될 수 있다. 따라서, 일 실시 예에 의한 로컬 모델은, 글로벌 모델에 관한 정보에 기초하여 다시 갱신되더라도, 다른 외부 장치의 상황과는 다른, 전자 장치(1000)의 개별적인 상황 정보에 따라 적합한 동작이 수행될 수 있도록, 갱신될 수 있다.
일 실시 예에 의한 전자 장치(1000)는, 상황 정보 대신 그래디언트를 서버(2000)로 전송함으로써, 상황 정보에 포함된 사용자의 민감한 정보가 외부로 유출될 위험을 방지할 수 있다. 또한, 서버(2000)로 전송되는 데이터 양이 줄어듬에 따라, 로컬 모델 갱신을 위해 소요되는 시간이 줄어들 수 있다.
일 실시 예에 의하면, 로컬 모델에 의해 현재의 전자 장치(1000)의 상황에 적합한 결과가 출력되도록, 전자 장치(1000)에서 수집된 현재의 상황 정보에 기초하여, 로컬 모델이 갱신될 수 있다.
일 실시 예에 의하면 전자 장치(1000)에서 수집된 상황 정보는, 현재의 전자 장치(1000)의 상황에 따른 적합한 결과가 출력되도록 로컬 모델을 갱신하는데 이용될 수 있는 다양한 정보들을 포함할 수 있다. 예를 들면, 상황 정보는, 전자 장치(1000)의 상태에 관한 정보, 전자 장치(1000)의 사용자에 관한 정보, 전자 장치(1000)의 주변 환경에 관한 정보, 로컬 모델에 의해 출력된 결과에 대한 사용자의 피드백 정보 등을 포함할 수 있다.
일 실시 예에 의한 사용자는, 로컬 모델에 의해 수행된 동작에 대한 피드백 정보를 제공할 수 있다. 피드백 정보는, 예를 들면, 로컬 모델에 기초하여 추천된 아이템, 객체 인식 결과, 음성 인식 결과 등이 적절한지 여부를 나타내는, 사용자에 의해 입력된 정보를 포함할 수 있다. 또 다른 예로, 피드백 정보는, 사용자에 의해 입력된, 추천된 아이템에 대한 순위(rating) 정보를 더 포함할 수 있다. 상술한 예에 한하지 않고, 피드백 정보는, 로컬 모델에 의해 수행된 동작에 대한 사용자의 의견을 포함하는 다양한 종류의 정보를 포함할 수 있다.
일 실시 예에 의한 피드백 정보는, 로컬 모델이 갱신되는데 이용될 수 있는 전자 장치(1000)에서 수집된 상황 정보로서 수집될 수 있으며, 피드백 정보를 포함하는 전자 장치(1000)의 상황 정보에 기초하여, 로컬 모델이 갱신될 수 있다. 예를 들어, 사용자로부터 피드백 정보가 획득되면, 상황 정보가 변경된 것으로 판단될 수 있고, 상기 피드백 정보에 따라 로컬 모델이 갱신될 수 있다.
상술한 예에 한하지 않고, 전자 장치(1000)에서 수집된 상황 정보는, 로컬 모델을 갱신하는데 이용될 수 있는, 다양한 종류의 상황 정보를 포함할 수 있다.
일 실시 예에 의한 전자 장치(1000)의 상황 정보는 전자 장치(1000)에 의해 지속적으로 수집될 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는, 지속적으로 전자 장치(1000)의 상황을 확인하고, 전자 장치(1000)의 상황 정보가 변경되었는지 여부를 검출할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 전자 장치(1000)의 상황에 관한 정보가 변경됨을 검출함에 따라, 변경된 정보에 기초하여 로컬 모델을 갱신할 수 있다. 전자 장치(1000)의 상황에 관한 정보가 변경됨을 검출되는 경우는, 예를 들면, 전자 장치(1000)에서 수집된 전자 장치(1000)의 상황에 관한 정보 중 특정 종류의 정보가 기준값 이상 차이가 나도록 변경되거나, 전자 장치(1000)의 상황에 관한 새로운 종류의 정보가 상황 정보로서 획득되는 경우를 포함할 수 있다.
일 예로, 전자 장치(1000)의 상황 정보가 변경되는 경우는, 전자 장치(1000)에 새로운 어플리케이션이 설치되는 경우, 전자 장치(1000)를 이용하는 새로운 사용자가 식별된 경우, 기존에 식별되지 않았던 전자 장치(1000)의 새로운 동작 패턴이 식별되는 경우, 전자 장치(1000) 주변에 새로운 형태의 객체가 인식된 경우, 전자 장치(1000)의 주변 환경이 변경된 경우 등을 포함할 수 있다. 상술한 예에 한하지 않고, 전자 장치(1000)의 상황에 관한 정보가 변경됨을 검출되는 경우는, 로컬 모델을 갱신하는데 이용될 수 있는, 사용자 또는 전자 장치(1000)에 관한 다양한 종류의 정보가 변경되는 경우를 포함할 수 있다.
또한, 전자 장치(1000)의 상황 정보가 변경되는 경우는, 일 실시 예에 따라 로컬 모델에 기초하여 제공된 동작에 대한 사용자의 피드백 정보가 변경되는 경우를 포함할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)의 상황에 관한 정보가 변경됨이 검출된 경우, 전자 장치(1000)가 로컬 모델을 갱신하는 동작을 수행할지 여부를 결정할 수 있다. 예를 들면, 전자 장치(1000)가 현재 유휴 상태인지 여부, 로컬 모델 갱신을 위한 전자 장치(1000)의 메모리 공간이 충분한지 여부, 전자 장치(1000)의 배터리가 충전 중인지 여부 및 현재 시간이 심야 시간인지 여부 중 적어도 하나에 기초하여, 로컬 모델이 갱신될 수 있다. 상술한 예에 한하지 않고, 미리 설정된 다양한 조건에 따라, 변경된 상황 정보에 기초하여, 전자 장치(1000)는 로컬 모델을 갱신할 수 있다.
일 실시 예에 따라 로컬 모델을 갱신하기에 전자 장치(1000)의 상태가 적합하지 않다고 판단되는 경우, 전자 장치(1000)는, 추후 전자 장치(1000)의 상태가 로컬 모델을 갱신하기에 적합하다고 판단될 때 로컬 모델을 갱신하는 동작을 수행할 수 있다.
일 실시 예에 따라, 변경된 상황 정보에 기초하여, 로컬 모델이 갱신되는 경우, 전자 장치(1000)는 로컬 모델을 갱신하기 위하여 이용된 그래디언트를 서버(2000)로 전송할 수 있다.
일 실시 예에 의한 그래디언트는, 로컬 모델이 상황 정보에 기초하여 갱신될 때, 로컬 모델에 포함된 각 노드의 가중치 및 바이어스 정보를 도출하는 과정에서, 변경된 상황 정보에 기초하여, 생성될 수 있는 적어도 하나의 값을 포함할 수 있다. 예를 들면, 그래디언트는, 변경된 상황에 관한 정보에 기초하여, 로컬 모델의 관측 정보 및 예측 정보 간 차이를 나타내는 손실 함수가 최소가 되는 지점과 관련된 정보를 포함할 수 있다.
일 실시 예에 의한, 서버(2000)는, 네트워크(100)를 통해, 전자 장치(1000)로부터 그래디언트를 수신하면, 그래디언트에 따라 서버(2000)에 구비된 글로벌 모델을 갱신할 수 있다. 일 실시 예에 의한 글로벌 모델은, 상기 전자 장치(1000)의 로컬 모델과 대응되나, 로컬 모델과는 달리 서버(2000)에 구비되어 전자 장치(1000) 외의 다른 외부 장치로부터 수신된 그래디언트에 의해서도 갱신될 수 있는 점에서 차이가 존재한다.
일 실시 예에 의한 서버(2000)는 갱신된 글로벌 모델의 그래디언트를 전자 장치(1000)로 전송할 수 있고, 전자 장치(1000)는 서버(2000)로부터 수신된 그래디언트에 기초하여, 로컬 모델을 다시 갱신할 수 있다.
일 실시 예에 의한 글로벌 모델은, 전자 장치(1000)의 로컬 모델과 대응되는 인공지능 모델을 포함하나, 로컬 모델과 글로벌 모델은, 각각 서로 다른 성능 및 사양을 가진 장치에서 각 모델이 갱신되는 동작이 수행됨에 따라서, 각 모델을 구성하는, 가중치 값, 바이어스 값 등 다양한 종류의 데이터 중 일부 데이터가 서로 다를 수 있다.
일 실시 예에 의하면, 글로벌 모델은, 전자 장치(1000)로부터 수신된 그래디언트에 기초하여, 갱신될 수 있다. 일 실시 예에 의한 서버(2000)는 그래디언트가 전자 장치(1000)에서 수집된 새로운 상황 정보에 기초하여 획득된 것임을 고려하여, 상기 새로운 상황 정보가 그래디언트를 통해 글로벌 모델에 적용될 수 있도록, 글로벌 모델을 갱신할 수 있다.
또한, 갱신된 글로벌 모델에 대한 그래디언트는, 전자 장치(1000)로 전달되어, 전자 장치(1000)의 로컬 모델이 갱신되는데 이용될 수 있다. 글로벌 모델을 갱신하는 방법 및 갱신된 글로벌 모델에 대한 그래디언트에 기초하여 로컬 모델을 다시 갱신하는 방법은 도 13, 도 16 및 도 17에서 보다 상세히 설명하기로 한다.
일 실시 예에 따라, 갱신된 글로벌 모델에 관한 정보에 기초하여, 로컬 모델이 다시 갱신된 후, 전자 장치(1000)는, 최종적으로 갱신된 로컬 모델에 따라서, 소정의 동작(ex. 아이템 추천, 객체 인식, 음성 인식)을 수행할 수 있다.
일 실시 예에 의하면, 온 디바이스(on-device) AI 기술에 따라서, 전자 장치(1000)가 로컬 모델에 따른 동작을 수행할 수 있다. 예를 들면, 전자 장치(1000)는, 로컬 모델이 일 실시 예에 따라 서버(2000)로부터 수신된 정보에 기초하여 갱신된 이후, 온 디바이스 AI 기술에 따라서, 갱신된 로컬 모델에 따른 동작을 수행할 수 있다. 예를 들면, 전자 장치(1000)는, 서버(2000)와의 데이터 송수신을 통해, 일 실시 예에 의한 로컬 모델의 갱신을 지속적으로 수행하되, 일 실시 예에 의한 로컬 모델의 갱신이 수행되지 않는 동안에는, 온 디바이스 AI 기술에 따라 동작할 수 있다.
온 디바이스 AI 기술에 따라, 전자 장치(1000)는, 서버(2000)와의 데이터 송수신 없이, 전자 장치(1000) 상에서, 로컬 모델에 기초한 소정의 동작(ex. 아이템 추천, 객체 인식, 음성 인식)을 수행하고, 그 결과를 출력할 수 있다. 일 실시 예에 따른, 전자 장치(1000)는 서버(2000)에 저장된 빅 데이터를 이용할 필요없이, 실시간으로 전자 장치(1000)에서 수집된 다양한 정보에 기초하여, 로컬 모델을 이용한 동작을 수행할 수 있다.
온 디바이스 AI 기술에 의하면, 전자 장치(1000)는 일 실시 예에 따라 학습된 로컬 모델과 스스로 수집한 다양한 종류의 데이터에 기초하여, 스스로 결정을 내릴 수 있다. 온 디바이스 AI 기술에 의한, 전자 장치(1000)는 수집된 데이터를 외부로 전달하지 않고, 스스로 운용하므로, 사용자의 개인 정보 보호 및 데이터 처리 속도 면에서, 장점이 존재한다.
예를 들면, 전자 장치(1000)의 네트워크(100)의 환경이 불안정하거나, 빅 데이터를 이용할 필요 없이, 전자 장치(1000)에서 수집된 정보만으로, 전자 장치(1000)의 로컬 모델에 따라 전자 장치(1000)는 온 디바이스 AI 기술을 이용하여, 서버(2000)와의 연결 없이, 동작할 수 있다.
다만, 전자 장치(1000)는, 온 디바이스 AI 기술에 따라 동작하는 것에 한하지 않고, 서버(2000) 또는 외부 장치와의 데이터 송수신을 통해, 일 실시 예에 의한 동작을 수행할 수도 있다. 예를 들면, 전자 장치(1000)는 로컬 모델을 이용하여 일 실시 예에 의한 동작을 수행하는 대신, 서버(2000)에 상기 동작의 수행을 요청할 수 있다. 일 실시 예에 의한 서버(2000)는, 수신된 요청에 따라 글로벌 모델에 기초하여, 일 실시 예에 의한 동작을 수행하고, 그 결과를 전자 장치(1000)로 전송할 수 있다. 또한, 전자 장치(1000)는 상술한 온 디바이스 AI 기술 및 서버(2000)와의 데이터 송수신을 통한 방식을 조합하여 일 실시 예에 의한 동작을 수행할 수도 있다.
예를 들어, 네트워크 환경 및 전자 장치(1000)의 연산 능력에 따라, 서버(2000)를 통한 동작이 데이터 처리 속도 면에서 더 유리하거나, 사용자의 개인 정보를 포함하지 않는 데이터가 서버(2000)로 전달되는 경우 등, 서버(2000)를 통한 방식이 온 디바이스 AI 기술보다 유리한 경우에는, 서버(2000)를 통한 방식에 따라, 일 실시 예에 의한 동작이 수행될 수 있다.
도 2는 일 실시 예에 의한 로컬 모델을 이용하여 다양한 동작을 수행하는 시스템을 나타낸 도면이다.
도 2에 도시된 바와 같이, 일 실시 예에 따른 아이템 추천 시스템은, 전자 장치(1000), 서버(2000), 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)를 포함할 수 있다. 도 2의 전자 장치(1000) 및 서버(2000)는 도 1의 전자 장치(1000) 및 서버(2000)와 대응된다.
일 실시 예에 의한 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)는, 전자 장치(1000)와 동일하게, 각각의 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)에 저장된 로컬 모델 1, 2를 이용하여, 다양한 동작을 수행할 수 있다. 각각의 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)에 저장된 각각의 로컬 모델 1, 2은, 일 실시 예에 따라, 각각의 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)에서 수집된 서로 다른 상황 정보에 기초하여, 갱신될 수 있다. 따라서, 상기 각각의 로컬 모델 1, 2은, 각각의 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)의 상황에 적합한, 서로 다른 데이터를 포함하는 인공지능 모델일 수 있다.
일 실시 예에 의한 각각의 외부 장치 1(3000-1), 외부 장치 2(3000-2), 및 전자 장치(1000)의 사용자는 서로 다를 수 있다. 그러나, 이에 한하지 않고, 외부 장치 1(3000-1), 외부 장치 2(3000-2), 및 전자 장치(1000)는 동일한 사용자에 의해 이용될 수도 있다.
일 실시 예에 의한 서버(2000)는 외부 장치 1(3000-1), 및 외부 장치 2(3000-2) 중 적어도 하나의 장치로부터, 각 장치에서 갱신된 로컬 모델 1, 2 중 적어도 하나의 로컬 모델에 기초하여 획득된 적어도 하나의 그래디언트를 수신할 수 있다. 일 실시 예에 의한 상기 각 장치에서 갱신되는 로컬 모델은, 각각의 외부 장치 1(3000-1) 및 외부 장치 2(3000-2)에서 수집된 상황 정보가 변경됨에 따라서, 갱신될 수 있다. 일 실시 예에 의하면, 상술한 전자 장치(1000)로부터 수신된 그래디언트에 기초하여, 글로벌 모델을 갱신하는 경우와 동일하게, 서버(2000)는 외부 장치 1(3000-1) 및 외부 장치 2(3000-2)로부터 수신된 적어도 하나의 그래디언트에 따라서, 서버(2000)의 글로벌 모델을 갱신할 수 있다.
일 실시 예에 의하면, 외부 장치 1(3000-1) 및 외부 장치 2(300-2) 중 적어도 하나로부터 수신된 그래디언트에 따라, 글로벌 모델이 갱신된 후, 서버(2000)는 전자 장치(1000)로부터, 갱신된 로컬 모델에 기초하여 획득된 그래디언트를 수신할 수 있다. 서버(2000)는, 외부 장치 1(3000-1) 및 외부 장치 2(300-2) 중 적어도 하나로부터 수신된 그래디언트에 따라 갱신된 글로벌 모델을 전자 장치(1000)로부터 수신된 그래디언트에 기초하여, 다시 갱신할 수 있다. 서버(2000)는 다시 갱신된 글로벌 모델에 관한 정보를 전자 장치(1000)로 전송할 수 있다.
일 실시 예에 의하면, 로컬 모델은, 다양한 장치로부터 수집된 정보가 반영된 글로벌 모델에 기초하여 갱신됨에 따라, 전자 장치(1000)는 로컬 모델을 이용하여 사용자에게 더 나은 서비스를 제공할 수 있다.
일 실시 예에 의한 서버(2000)는 전자 장치(1000), 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)로부터 그래디언트가 수신될 때마다, 글로벌 모델을 갱신할 수 있다. 또한, 서버(2000)는 갱신된 글로벌 모델에 관한 정보를, 상기 그래디언트를 서버(2000)로 전송한 장치로 전송할 수 있다.
일 실시 예에 의하면, 글로벌 모델은 복수의 장치로부터 지속적으로 수신되는 그래디언트에 기초하여, 지속적으로 갱신될 수 있다. 그러나, 지속적으로 갱신되는 글로벌 모델과는 달리 로컬 모델은, 로컬 모델이 갱신되는데 이용되는 상황 정보가 변경되지 않음에 따라, 상당 기간 갱신되지 않을 수 있다. 따라서, 로컬 모델과 글로벌 모델간의 차이가 커질 수 있다.
일 실시 예에 의한 서버(2000)는, 글로벌 모델이 지속적으로 갱신됨에 따라, 현재의 글로벌 모델의 그래디언트와 가장 최근에 상기 서버(2000)에서 상기 전자 장치(1000)로 전송된 상기 글로벌 모델의 그래디언트가 기준값 이상 차이가 있는지 여부를 판단할 수 있다. 상기 판단은, 주기적으로 서버(2000)에 의해 수행될 수 있다.
서버(2000)는 상기 두 개의 그래디언트 간의 차이가 기준 값 이상인 것으로 판단한 경우, 전자 장치(1000)로 최근에 갱신된 글로벌 모델에 대한 그래디언트를 전송할 수 있다. 전자 장치(1000)는 서버(2000)로부터 수신된 글로벌 모델에 관한 정보, 예를 들면, 글로벌 모델의 그래디언트에 기초하여 로컬 모델을 갱신할 수 있다.
따라서, 일 실시 예에 의한 전자 장치(1000)는, 전자 장치(1000)에서 그래디언트를 서버(2000)로 전송하지 않아도, 서버(2000)로부터 가장 최근에 갱신된 글로벌 모델에 대한 그래디언트를 수신할 수 있다. 일 실시 예에 의한 전자 장치(1000)는, 전자 장치(1000)에서 수집된 상황 정보가 변경되지 않더라도, 서버(2000)로부터 가장 최근에 갱신된 글로벌 모델에 대한 그래디언트를 수신함에 따라서, 글로벌 모델에 기초하여 로컬 모델을 갱신하는 동작을 지속적으로 수행할 수 있다.
또한, 상술한 예에 한하지 않고, 서버(2000)는 다양한 조건 하에서, 전자 장치(1000)로 현재 갱신된 글로벌 모델에 대한 그래디언트를 전송할 수 있다. 예를 들면, 서버(2000)가 전자 장치(1000)를 제외한 적어도 하나의 외부 장치로부터 기준 횟수 이상 그래디언트를 수신하여 글로벌 모델을 기준 횟수 이상 갱신한 경우, 서버(2000)는 현재 갱신된 글로벌 모델에 대한 그래디언트를 전자 장치(1000)로 전송할 수도 있다.
도 3은 일 실시 예에 의한 로컬 모델을 이용하여 객체 인식을 수행하는 시스템을 나타낸 도면이다.
도 3을 참조하면, 일 실시 예에 의한 로컬 모델을 이용하여 객체 인식을 위한 동작을 수행하는 시스템은, 서버(2000) 및 적어도 하나의 전자 장치(3001, 3002, 3003)를 포함할 수 있다. 도 3에 도시된 적어도 하나의 전자 장치(3001, 3002, 3003)는 도 1 및 도 2에 도시된 전자 장치(1000)와 대응될 수 있다.
일 실시 예에 의한 각각의 전자 장치(3001, 3002, 3003)는 서로 다른 집안 환경에 놓여 있고, 서로 다른 사용자에 의하여 사용될 수 있는 가전 기기일 수 있다. 각각의 전자 장치(3001, 3002, 3003)는 서로 다른 집안 환경에 놓임에 따라, 인식할 수 있는 객체가 서로 다를 수 있다. 일 실시 예에 의한 각각의 전자 장치(3001, 3002, 3003)는 객체 인식을 수행하기 위한, 로컬 객체 인식 모델 1, 2, 3을 각각 포함하고, 각각의 전자 장치(3001, 3002, 3003)는 로컬 객체 인식 모델 1, 2, 3을 이용하여 객체 인식을 수행할 수 있다.
일 실시 예에 의하면, 각 전자 장치(3001, 3002, 3003)는 각각의 전자 장치(3001, 3002, 3003)의 주변 환경에 관한 정보에 따라서, 객체 인식을 위한 로컬 객체 인식 모델 1, 2, 3 중 적어도 하나의 로컬 모델을 갱신할 수 있다. 따라서, 일 실시 예에 의한 각 전자 장치(3001, 3002, 3003)의 로컬 객체 인식 모델 1, 2, 3은, 각 전자 장치(3001, 3002, 3003)의 서로 다른 주변 환경에 적합한 객체 인식 동작이 수행될 수 있도록, 갱신될 수 있다.
예를 들어, 로컬 객체 인식 모델을 갱신하는데 이용되는 주변 환경에 관한 정보는, 각 전자 장치(3001, 3002, 3003)에 의해 인식될 수 있는 객체에 관한 상태 정보, 외관 정보, 형태 정보 등을 포함할 수 있다. 상술한 예에 한하지 않고, 주변 환경에 관한 정보는 객체 인식을 위한, 로컬 객체 인식 모델을 갱신하는데 이용될 수 있는 다양한 정보를 포함할 수 있다.
또한, 일 실시 예에 의한, 전자 장치(1000)에서 수집된 상황 정보 중 객체 인식을 위한 로컬 객체 인식 모델과 관련하여 수집된 상황 정보는, 전자 장치(1000)의 주변에 존재하는 객체 상태에 관한 정보, 전자 장치(1000)의 주변에 존재하는 객체 중 전자 장치(1000)에 의하여 새롭게 인식된 객체에 관한 정보 등, 객체 인식과 관련된 다양한 정보를 포함할 수 있다.
또한, 갱신된 로컬 객체 인식 모델의 그래디언트를 서버(2000)로 전송함으로써, 서버(2000)는, 각 전자 장치(3001, 3002, 3003)에서 갱신된 로컬 객체 인식 모델의 그래디언트에 따라, 글로벌 객체 인식 모델을 갱신할 수 있다. 각 전자 장치(3001, 3002, 3003)는 서버(2000)로부터 수신된 갱신된 글로벌 객체 인식 모델에 관한 정보, 예를 들면, 글로벌 객체 인식 모델의 그래디언트에 기초하여, 각 전자 장치(3001, 3002, 3003)에 저장된 서로 다른 로컬 객체 인식 모델을 갱신할 수 있다.
도 4는 일 실시 예에 의한 로컬 모델을 이용하여 음성 인식을 수행하는 시스템을 나타낸 도면이다.
도 4를 참조하면, 일 실시 예에 의한 로컬 모델을 이용하여 음성 인식을 위한 동작을 수행하는 시스템은, 서버(2000) 및 적어도 하나의 전자 장치(4001, 4002, 4003)를 포함할 수 있다. 도 3에 도시된 적어도 하나의 전자 장치(4001, 4002, 4003)는 도 1 및 도 2에 도시된 전자 장치(1000)와 대응될 수 있다.
일 실시 예에 의한 서버(2000)는 글로벌 모델 중 음성 인식을 위한 동작을 수행하는데 이용될 수 있는 글로벌 음성 처리 모델을 포함할 수 있다. 또한, 일 실시 예에 의한 각각의 전자 장치(4001, 4002, 4003)은, 음성 인식을 위한 동작을 수행하는데 이용될 수 있는 로컬 모델로서, 로컬 음성 처리 모델 1, 2, 3을 각각 포함할 수 있다.
일 실시 예에 의한 각각의 전자 장치(4001, 4002, 4003)는 서로 다른 주변 환경을 가질 수 있고, 서로 다른 사용자에 의하여 사용될 수 있는 전자 장치일 수 있다. 각각의 전자 장치(4001, 4002, 4003)는 서로 다른 주변 환경에 놓임에 따라, 서로 다른 주변 환경의 소음 정보에 기초하여, 음성 인식을 수행할 수 있다.
또한, 일 실시 예에 의한, 전자 장치(1000)에서 수집된 상황 정보 중 음성 인식을 위한 로컬 모델과 관련하여 수집된 정보는, 전자 장치(1000)의 주변 환경에서 발생되는 소음에 관한 정보, 전자 장치(1000)에서 인식될 수 있는 사용자의 음성에 관한 정보 등, 음성 인식과 관련된 다양한 정보를 포함할 수 있다.
예를 들면, 전자 장치(4001, 4002, 4003)들은 각각 집안, 회사, 버스 안에 위치할 수 있다. 각 전자 장치(4001, 4002, 4003)들은 서로 다른 주변 환경에 놓임에 따라, 음성 인식되는 오디오 신호에 포함된 소음의 특성도 서로 다를 수 있다.
일 실시 예에 의하면, 각각의 전자 장치(4001, 4002, 4003)는 주변 환경의 소음 정보를 이용하여, 로컬 음성 처리 모델에 따른 음성 인식을 더 효과적으로 수행할 수 있다. 예를 들면, 각각의 전자 장치(4001, 4002, 4003)는, 음성 인식을 수행하고자 하는 사용자의 음성 특성 및 주변 환경의 소음 특성에 기초하여, 오디오 신호에 포함된 사용자의 음성에 대해, 음성 인식을 더 효과적으로 수행할 수 있다. 일 예로, 주변 환경의 소음 정보를 이용하여, 각각의 전자 장치(4001, 4002, 4003)는 사용자의 음성과 적어도 한 종류의 소음 간의 관계 정보를 획득하고, 획득한 정보에 기초하여, 음성 인식이 효과적으로 수행될 수 있도록 로컬 음성 처리 모델을 갱신할 수 있다.
일 실시 예에 의하면, 각 전자 장치(4001, 4002, 4003)는 각각의 전자 장치(4001, 4002, 4003)의 주변 환경의 소음에 관한 정보에 따라서, 음성 인식을 위한 로컬 모델을 갱신할 수 있다. 따라서, 일 실시 예에 의한 각 전자 장치(4001, 4002, 4003)의 로컬 음성 처리 모델은, 각 전자 장치(4001, 4002, 4003)의 서로 다른 주변 환경의 소음에 적합한 음성 인식 동작이 수행될 수 있도록, 갱신될 수 있다.
예를 들어, 로컬 음성 처리 모델을 갱신하는데 이용되는 주변 환경의 소음에 관한 정보는, 각 전자 장치(4001, 4002, 4003)에 의해 감지될 수 있는 적어도 하나의 종류의 소음의 특성에 관한 정보, 사용자의 음성과 적어도 한 종류의 소음 간의 관계 정보 등을 포함할 수 있다. 상술한 예에 한하지 않고, 주변 환경의 소음에 관한 정보는 음성 인식을 위한, 로컬 음성 처리 모델을 갱신하는데 이용될 수 있는 다양한 정보를 포함할 수 있다.
일 실시 예에 의하면, 주변 환경의 소음과 관련된 정보가 변경됨에 따라, 상황 정보가 변경된 것으로 판단되어, 일 실시 예에 의한 로컬 음성 처리 모델이 갱신될 수 있다. 예를 들면, 새로운 종류의 소음이 출현하는 경우, 사용자의 음성과 적어도 한 종류의 소음 간의 관계 정보 중 새로운 관계 정보가 획득되는 경우 등이, 일 실시 예에 따른 상황 정보가 변경되는 경우로 판단될 수 있다.
또한, 갱신된 로컬 음성 처리 모델에 따라 그래디언트를 서버(2000)로 전송함으로써, 서버(2000)는, 각 전자 장치(4001, 4002, 4003)에서 갱신된 로컬 모델에 따라, 글로벌 음성 처리 모델을 갱신할 수 있다. 각 전자 장치(4001, 4002, 4003)는 서버(2000)로부터 수신된 갱신된 글로벌 음성 처리 모델에 관한 정보, 예를 들면, 글로벌 음성 처리 모델의 그래디언트에 기초하여, 각 전자 장치(4001, 4002, 4003)에 저장된 서로 다른 로컬 음성 처리 모델을 갱신할 수 있다.
도 5는 일 실시 예에 의한 로컬 모델 및 글로벌 모델이 갱신되는 일 예를 나타낸 도면이다.
도 5를 참조하면, 전자 장치(1000)는, 로컬 모델(501)을 포함하고, 서버(2000)는, 글로벌 모델(502)을 포함할 수 있다.
또한, 도 5에서 도시된 예에서, 가로 방향의 화살표는, 각각의 인공지능 모델을 통해 동작을 수행하는 실시예와 관련되며, 세로 방향의 화살표는, 각각의 인공지능 모델을 갱신하는 실시예와 관련된다.
일 실시 예에 의하면, 전자 장치(1000)는 전자 장치(1000)에서 수집된 로컬 모델(501) 갱신을 위한 다양한 정보에 기초하여, 로컬 모델(501)을 갱신하고, 갱신된 로컬 모델(501)에 기초하여 그래디언트를 획득할 수 있다.
일 실시 예에 의한 로컬 모델(501) 갱신을 위한 정보는, 전자 장치(1000)에 대한 변경된 상황 정보를 포함할 수 있다. 예를 들면, 상기 갱신을 위한 정보는, 로컬 모델(501)에 의한 동작이 수행된 결과에 대한 피드백 정보에 기초하여, 변경된 상황 정보를 포함할 수 있다.
또한, 일 실시 예에 의하면, 서버(2000)는, 서버(2000)에서 수집된 글로벌 모델(502) 갱신을 위한 정보에 기초하여, 글로벌 모델(502)을 갱신하고, 갱신된 글로벌 모델(502)에 대한 그래디언트를 획득할 수 있다.
일 실시 예에 의한 글로벌 모델(502)의 갱신을 위한 정보는, 서버(2000)가 네트워크(100)를 통해 전자 장치(1000) 또는 다른 외부 장치에 저장된 로컬 모델이 갱신됨에 따라 획득된 적어도 하나의 그래디언트를 수신함으로써 획득될 수 있다. 일 실시 예에 의한 서버(2000)는, 상기 수신된 그래디언트에 기초하여, 글로벌 모델(502)을 갱신할 수 있다.
또한, 일 실시 예에 의한 서버(2000)는 갱신된 글로벌 모델(502)의 그래디언트를, 서버(2000)로 로컬 모델의 그래디언트를 전송한 전자 장치(1000) 또는 다른 외부 장치로 전송할 수 있다. 서버(2000)로부터 갱신된 글로벌 모델(502)에 관한 정보를 수신한 전자 장치(1000) 또는 다른 외부 장치는, 갱신된 글로벌 모델(502)에 관한 정보에 기초하여, 로컬 모델(501)을 갱신할 수 있다.
일 실시 예에 의한 로컬 모델(501) 및 글로벌 모델(502)은 각각 입력 정보가 입력됨에 따라, 입력 정보에 대응하는 출력 정보를 출력할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는, 온 디바이스 방식에 따라 동작하는 경우, 로컬 모델(501)에 따라, 아이템 추천 동작, 객체 인식 동작, 음성 인식 동작 등을 수행할 수 있다.
일 실시 예에 따라 로컬 모델(501)에 입력되는 입력 정보는, 상술한 아이템 추천 동작, 객체 인식 동작, 음성 인식 동작 등을 수행하는데 필요한 정보를 포함할 수 있다. 예를 들어, 아이템 추천 동작에 대한 입력 정보는, 추천하고자 하는 아이템의 종류에 관한 정보를 포함할 수 있다. 또한, 객체 인식 동작에 대한 입력 정보는, 전자 장치(1000)에서 현재 감지된 센서 정보들(ex. 영상 정보, 적외선 감지 정보 등)을 포함할 수 있다. 또한, 음성 인식 동작에 대한 입력 정보는 전자 장치(1000)에서, 전자 장치(1000)에서 현재 수신된 오디오 신호에 관한 정보를 포함할 수 있다. 또한, 상술한 입력 정보는, 로컬 모델을 갱신하는데 이용되는 상황 정보를 포함할 수 있다. 상술한 예에 한하지 않고, 입력 정보는, 전자 장치(1000)에서 동작을 수행하기 위한 다양한 정보를 포함할 수 있다.
일 실시 예에 따라 로컬 모델(501)에서 출력되는 출력 정보는, 상술한 아이템 추천 동작, 객체 인식 동작, 음성 인식 동작 등을 수행한 결과에 관한 정보를 포함할 수 있다. 예를 들어, 아이템 추천 동작에 대한 출력 정보는, 추천된 아이템에 관한 정보 및 추천된 아이템의 순위 정보 등을 포함할 수 있다. 또한, 객체 인식 동작에 대한 출력 정보는, 센서 정보들에 기초하여 인식된 객체에 관한 식별 정보, 상태 정보 등을 포함할 수 있다. 또한, 음성 인식 동작에 대한 출력 정보는 입력 정보로 입력된 오디오 신호가 음성 인식된 결과로서 획득된 텍스트 정보를 포함할 수 있다. 상술한 예에 한하지 않고, 출력 정보는, 전자 장치(1000)에서 로컬 모델(501)에 따라 동작을 수행된 결과를 나타내는 다양한 정보를 포함할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 온 디바이스 방식이 아닌 클라우드 방식에 따라 동작하는 경우, 서버(2000)는, 전자 장치(1000)의 요청에 따라 글로벌 모델(502)을 이용하여 다양한 동작, 예를 들면, 아이템 추천 동작, 객체 인식 동작, 음성 인식 동작 등을 수행할 수 있다.
예를 들면, 전자 장치(1000)가 클라우드 방식으로 동작하는 경우, 로컬 모델(501)에 입력될 입력 정보를 로컬 모델(501)에 입력하는 대신 서버(2000)로 전송하면서, 상술한 동작을 대신 수행하여 줄 것을 서버(2000)에 요청할 수 있다. 서버(2000)는, 전자 장치(1000)의 요청에 따라, 글로벌 모델(502)을 이용하여 동작을 수행하고, 그 결과를 전자 장치(1000)에 전송할 수 있다.
도 6은 일 실시 예에 의한 로컬 모델 또는 글로벌 모델의 예시를 나타내는 도면이다.
일 실시 예에 의한 로컬 모델 또는 글로벌 모델은, 인간의 뇌가 패턴을 인식하는 방식을 모사한 신경망 모델로 구성될 수 있다. 일 실시 예에 의한 전자 장치(1000) 또는 서버(2000)는, 신경망 모델로 구성된 로컬 모델 또는 글로벌 모델을 이용하여, 사용자에게 다양한 서비스를 제공할 수 있다.
일 실시 예에 의한 신경망 모델은 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), BRDNN(Bidirectional Recurrent Deep Neural Network), 제한 볼츠만 머신 (Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망 (Deep Belief Network, DBN), 심층 Q-네트워크(Deep Q-Networks) 중 하나일 수 있다. 또한, 상술한 예에 한하지 않고, 일 실시 예에 의한 로컬 모델 또는 글로벌 모델은 이외 다양한 종류의 신경망 중 하나일 수 있다.
도 6을 참조하면, 일 실시 예에 의한 신경망 모델은, 적어도 하나의 노드를 포함한 적어도 하나의 레이어를 포함할 수 있다. 예를 들면, 신경망 모델은 입력 레이어인 레이어 1과, 출력 레이어인 레이어 2를 포함할 수 있다. 또한, 일 실시 예에 의한 신경망 모델은, 입력 레이어 및 출력 레이어 사이에 적어도 하나의 히든 레이어(미도시)를 더 포함할 수 있다. 이하에서는, 설명의 편의상, 히든 레이어를 제외한 입력 레이어 및 출력 레이어를 포함하는 신경망을 예로 들어 설명하기로 한다.
일 실시 예에 의하면, 신경망 모델의 레이어 1에 적어도 하나의 입력값이 입력될 수 있다. 예를 들면, 레이어 1의 노드(N11, N12)에 각각 I1, I2의 값이 입력될 수 있다. 일 실시 예에 의하면, 레이어 1에 입력값이 입력됨에 따라서, 신경망 모델의 레이어 1 및 레이어 2에 포함된 노드들(N11, N12, N21, N22)이 처리될 수 있다.
또한, 각 레이어의 노드에서 출력된 값은 다음 층의 입력 값으로 이용될 수 있다. 예를 들면, 레이어 1의 노드(N11, N12)가 처리됨에 따라 획득된 값에 기초하여, 레이어 2의 노드(N21, N22)에 소정 값이 입력될 수 있다. 레이어 2로부터 출력된 값은 신경망 모델에서 출력 값으로서 출력될 수 있다. 예를 들면, 레이어 2에서 출력된 값인 O1 및 O2는, 신경망 모델의 출력값으로서 출력될 수 있다.
일 실시 예에 의한 전자 장치(1000)는, 로컬 모델의 입력 레이어에 입력 정보의 값을 입력할 수 있다. 또한, 전자 장치(1000)는 로컬 모델의 출력 레이어에서 출력된 값에 기초하여, 사용자에게 다양한 서비스(ex. 아이템 추천, 객체 인식, 음성 인식)를 제공할 수 있다.
일 실시 예에 의하면, 하나의 노드로부터 출력된 하나의 값에 서로 다른 가중치가 적용됨으로써, 하나의 노드로부터 적어도 하나의 엣지 데이터가 획득될 수 있다. 엣지 데이터는, 하나의 노드로부터 출력된 하나의 값에 적어도 하나의 가중치가 적용됨으로써, 획득될 수 있는 데이터이다. 엣지 데이터는, 하나의 값에 적용된 가중치의 개수만큼, 획득될 수 있다. 따라서, 레이어 1의 각각의 노드로부터 출력된 값은, 적어도 하나의 엣지 데이터로 변환되어 다음 레이어의 노드로 입력될 수 있다. 예를 들면, 노드 N11로부터 출력된 값에 서로 다른 가중치인 W11 및 W12가 적용된 엣지 데이터는 다음 레이어의 노드인 N21 및 N22로 각각 입력될 수 있다. 또한, 노드 N12로부터 출력된 값에 서로 다른 가중치인 W21 및 W22가 적용된 엣지 데이터는 다음 레이어의 노드인 N21 및 N22로 각각 입력될 수 있다.
일 실시 예에 따라, 로컬 모델이 갱신되는 경우, 각 노드에 적용될 수 있는 적어도 하나의 가중치 값이 변경될 수 있다. 일 실시 예에 의한 그래디언트는, 각 노드에 적용되는 최적의 가중치 값을 도출하기 위한 연산 과정에서 획득된 정보를 포함할 수 있다.
일 실시 예에 의하면, 갱신 전 로컬 모델의 가중치 값(W11)에서 최적의 가중치 값(W11')을 도출하기 위해, 손실 함수(Loss Function) 또는 비용 함수(Cost Function)가 이용될 수 있다.
일 실시 예에 의하면, 손실 함수를 통해 결정될 수 있는 손실값은, 로컬 모델에 의해 출력될 수 있는 예측 정보와, 상기 예측 정보에 대한 정답을 나타내는 관측 정보 간의 차이에 기초하여, 결정될 수 있다. 일 실시 예에 의한 관측 정보는, 현재 수집된 상황 정보에 기초하여, 로컬 모델에 의해 출력될 수 있는 예측 정보의 대응되는 정보로서, 결정될 수 있다.
일 실시 예에 의하면, 로컬 모델의 가중치 값(W11)을 상기 손실값이 최소화되는 경우의, 가중치 값(W11')으로 교체함으로써, 로컬 모델을 갱신할 수 있다.
일 실시 예에 의하면, 손실 함수로서, 평균제곱오차(Mean Squared Error) 함수, 교차 엔트로피 오차(Cross Entropy Error) 함수 등이 이용될 수 있다. 상술한 예에 한하지 않고, 손실 함수로서 다양한 종류의 함수가 이용될 수 있다.
일 실시 예에 의한 평균제곱오차 함수 및 교차 엔트로피 오차 함수는 이하 수학식 1과 같이 나타낼 수 있다. 수학식 1에서, y 및 t는 각각 예측 정보의 값 및 관측 정보의 값을 나타낸다.
[수학식 1]
일 실시 예에 의한 전자 장치(1000)는 최적의 가중치 값(W11')을 도출하기 위해, 손실 함수에 의하여 획득된 손실 값을 최소화시키는 매개변수(ex. 로컬 모델의 각 노드의 가중치 값과, 바이어스 값)를 결정할 수 있다. 예를 들면, 전자 장치(1000)는, 예측 정보의 복수 개의 예측 값들 중 제1 예측 값을 변수로 하고, 이외 다른 예측 값들은 상수로 하여 표현될 수 있는 손실함수의 그래프에서, 기울기가 최소인 지점에서 손실값(즉, 손실 함수의 결과값)이 최소가 되는 경우, 상기 기울기의 최소값을 제1 그래디언트로서 획득할 수 있다.
또한, 일 실시 예에 의하면, 제2 내지 제n 예측값에 대하여도, 마찬가지로, 손실값이 최소가 될 때, 각각의 예측값과 대응되는 제2 내지 제n 그래디언트를 획득할 수 있다. 따라서, 전자 장치(1000)는 상기 제1 내지 제n 그래디언트를 포함하는 그래디언트를, 갱신된 로컬 모델의 그래디언트로서 획득할 수 있다.
또한, 일 실시 예에 의한 전자 장치(1000)는 손실값이 최소가 될 때, 적어도 하나의 예측 값과 대응되는 매개변수에 기초하여, 로컬 모델을 갱신할 수 있다.
상술한 예에 한하지 않고, 그래디언트는, 로컬 모델의 갱신에 따라 상기 갱신된 로컬 모델을 구성하는 다양한 종류의 정보를 도출하는 과정에서 획득된 다양한 종류의 값을 포함할 수 있다.
일 실시 예에 의한 글로벌 모델의 그래디언트도, 상술한 로컬 모델의 그래디언트와 같이, 획득될 수 있다. 예를 들면, 글로벌 모델이 갱신된 후, 상기 갱신된 글로벌 모델에 의해 획득될 수 있는 예측 정보와 대응되는 손실 함수의 기울기 정보가, 상기 갱신된 글로벌 모델의 그래디언트로서 획득될 수 있다.
도 7은 일 실시 예에 의한 전자 장치(1000)의 동작을 설명하기 위한 도면이다.
도 7을 참조하면, 전자 장치(1000)는 로컬 모델(701)과 상황 정보(702)를 이용하여, 아이템을 추천하는 동작을 수행할 수 있다.
일 실시 예에 의하면, 로컬 모델(701)에 의해 전자 장치(1000)에서 소정의 동작(ex. 아이템 추천, 객체 인식, 음성 인식)이 수행될 수 있고, 수행된 동작의 결과에 기초하여, 상황 정보(702)가 변경될 수 있다. 예를 들면, 상술한 동작의 결과에 대한 사용자의 피드백 정보에 기초하여, 상황 정보(702)가 변경될 수 있다.
또한, 일 실시 예에 의한 로컬 모델(701)에 따른 동작에 대한 사용자의 피드백 정보는 변경된 상황 정보(702)로서, 로컬 모델(701)을 갱신하는데 이용될 수 있다.
따라서, 일 실시 예에 의하면, 상황 정보(702)가 로컬 모델(701)에 입력됨으로써, 상술한 소정의 동작(ex. 아이템 추천, 객체 인식, 음성 인식)이 수행될 수 있으나, 상기 상황 정보(702)가 변경되는 경우, 상기 변경된 상황 정보(702)에 기초하여, 로컬 모델(701)이 갱신될 수도 있다.
일 실시 예에 있어서, 로컬 모델(701)에 따라 동작이 수행되고, 동작 수행 결과에 따라 생성된 피드백 정보에 기초하여 상황 정보(702)가 변경되고, 변경된 상황 정보(702)가 로컬 모델(701)의 갱신을 위한 정보로서 로컬 모델(701)에 전달되는 동작을 하나의 스텝이 수행된 것으로 가정한다.
일 실시 예에 의한, 로컬 모델(701)의 갱신 및 로컬 모델(701)에 의해 수행되는 동작 중 적어도 하나는, 하나의 스텝이 수행될 때마다, 수행될 수 있다.
일 실시 예에 의하면, 미리 결정된 개수의 스텝이 반복하여 수행된 후 최종적으로 갱신된 로컬 모델(701)에 기초하여, 그래디언트가 생성될 수 있다. 일 실시 예에 의한, 전자 장치(1000)는 생성된 그래디언트를 서버(2000)로 전송함으로써, 글로벌 모델에 관한 정보를 수신하고, 수신된 정보에 기초하여, 로컬 모델(701)을 다시 갱신할 수 있다.
일 실시 예에 따른 로컬 모델 또는 글로벌 모델의, 그래디언트는 정책(Policy) 및 가치(Value)에 관한 정보에 기초하여 획득된 정보를 더 포함할 수 있다.
로컬 모델의 정책에 관한 정보는, 로컬 모델에 입력된 값에 따라 어떤 동작이 출력 값으로 선택될 수 있는지에 관한 정보를 포함할 수 있다. 예를 들면, 상기 정책(π)에 관한 정보는, 상술한 각 노드에 대한 가중치 값 및 바이어스 값 중 적어도 하나를 나타내기 위한 정보를 포함할 수 있다. 예를 들면, 정책에 관한 정보는 로 표시될 수 있으며, a는 로컬 모델의 출력 값으로서의 동작, s는 로컬 모델의 입력 값으로서의 상태 정보, t는 시간, θ는 파라미터를 나타낸다.
또한, 로컬 모델의 가치에 관한 정보는 상기 정책에 관한 정보가 로컬 모델에 따라 동작을 수행하는데 얼마나 적합한지를 나타내는 가치에 관한 정보를 포함할 수 있다. 예를 들면, 상기 가치(V)에 관한 정보는, V(St, θv)로 표시될 수 있다.
예를 들면, 로컬 모델의 정책에 대한 데이터에 정보(Lp)와, 가치에 관한 데이터에 관한 정보(Lv)는 각각 아래 수학식 2 및 4에 따라 각각 획득될 수 있다.
수학식 2에서, H(π(θ))는 모델 탐험(model exploration)을 개선시키는 정책에 대한 엔트로피 함수를 나타내고, β는 엔트로피 조직화 항(entropy regularization term)의 강도를 조절하기 위한 파라미터를 나타낸다.
[수학식 2]
수학식 2의 A(s,a;θ,θv)는 이하 수학식 2에 따라 획득될 수 있다. 수학식 3에서, k는 로컬 모델이 갱신된 총 횟수를 나타내고, γ은 할인 계수(discount factor)를 나타낸다.
[수학식 3]
수학식 4에서, R은, 사용자의 피드백 정보를 나타낸다.
[수학식 4]
상술한 예에 한하지 않고, 그래디언트는, 로컬 모델을 구성하는 적어도 하나의 노드와 관련된 값을 결정하는데 이용될 수 있는 다양한 종류의 정보를 포함할 수 있다.
도 8은 일 실시 예에 의한 시간 흐름에 따라 로컬 모델이 갱신되는 일 예를 나타낸 도면이다.
도 8을 참조하면, 전자 장치(1000)는 T1 시점에서, 상황 정보(801)를 로컬 모델(802)에 입력하여 동작을 수행하고, 수행된 동작에 대한 사용자의 피드백 정보(803)를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)의 상황 정보(801)는 입력 정보로서, 로컬 모델(802)에 입력되어, 소정의 동작이 수행될 수 있다. 상술한 예에 한하지 않고, 로컬 모델(802)에는, 상황 정보(801)뿐만 아니라, 동작을 수행하는데 필요한 다양한 정보가 입력될 수 있다.
또한, 일 실시 예에 의한, 전자 장치(1000)에서 수집된 상황 정보 중 아이템 추천을 위한 제1 인공지능 모델과 관련하여 수집된 상황 정보는, 제1 인공지능 모델에 의해 추천될 수 있는 적어도 하나의 아이템에 관한 정보, 사용자 및 적어도 하나의 아이템 간의 인터랙션에 관한 정보 등, 아이템 추천과 관련된 다양한 정보를 포함할 수 있다.
로컬 모델에 의해 추천될 수 있는 적어도 하나의 아이템에 관한 정보는 예를 들면, 애플리케이션, 동영상, 정지 영상, 텍스트 파일, 웹 페이지 등을 포함할 수 있다. 또한, 상기 아이템은, 아이템의 이미지에 링크 정보 또는 인덱스 정보가 연결된 것일 수 있다. 또한, 상기 아이템은, 서비스 이용을 위한 객체 형태로 구성될 수도 있다. 일 실시 예에 의한 서비스 이용을 위한 객체는, 서비스 제공자의 서비스를 이용하기 위한 사용자 인터페이스를 의미한다. 예를 들면, 서비스 이용을 위한 객체는, 컨텐츠 제공자로부터 제공되는 서비스를 이용하기 위한, 아이콘, 텍스트, 이미지 및 링크 정보를 포함하는 사용자 인터페이스, 및 객체의 기능에 관한 설명 정보(description)를 포함할 수 있다.
사용자 및 적어도 하나의 아이템 간의 인터랙션에 관한 정보는 예를 들면, 사용자에 의해 적어도 하나의 아이템이 이용된 이력에 관한 정보, 로컬 모델에 의해 추천된 아이템에 대한 사용자의 피드백 정보, 사용자에 의해 적어도 하나의 아이템이 이용된 방법, 시간, 장소 등에 관한 정보, 사용자가 적어도 하나의 아이템에 대해 입력한 신호에 관한 정보 등을 포함할 수 있다.
일 실시 예에 의한 피드백 정보(803)는, 로컬 모델(802)에 따라 수행된 동작에 따라 출력된 정보에 기초하여 생성될 수 있다. 예를 들면, 피드백 정보(803)는, 로컬 모델(802)에 따라 수행된 동작의 결과에 대하여 사용자에 의해 입력된 정보를 포함할 수 있다. 예를 들어, 아이템 추천 동작의 경우, 피드백 정보(803)는 사용자가, 로컬 모델(802)의 출력 정보로서, 추천된 아이템 중 어떤 아이템을 선택하였는지에 관한 정보, 사용자가 추천된 아이템을 선택하였는지 여부에 관한 정보, 사용자에 의해 입력된 추천된 아이템에 대한 순위 정보 등을 포함할 수 있다. 또한, 객체 인식 동작 및 음성 인식 동작의 경우, 피드백 정보(803)는, 로컬 모델(802)의 출력 정보로서, 객체 인식 또는 음성 인식된 결과가 적합한지에 대한 사용자의 의견에 관한 정보를 포함할 수 있다.
T2 시점에서, 상황 정보(804)는, 사용자의 피드백 정보(803)에 따라 변경된 상태(803-1)에 기초하여, 변경될 수 있다. 예를 들면, 사용자의 피드백 정보(803)에 기초하여 전자 장치(1000)는 상황 정보(804) 중 사용자와 아이템 간의 인터랙션에 관한 정보를 변경할 수 있다. 또한, 전자 장치(1000)는 아이템 추천 동작이 수행된 결과에 기초하여, 상황 정보(804) 중 각각의 아이템에 관한 특징 정보로서, 각 아이템이 사용자에게 추천되어 최종적으로 선택되었는지 여부에 관한 정보를 변경할 수 있다. 또한, 전자 장치(1000)는 객체 인식 또는 음성 인식 동작이 수행된 결과에 대한 사용자의 피드백 정보(803)에 기초하여, 상황 정보(804) 중 객체 인식 또는 음성 인식된 결과에 관한 정보를 변경할 수 있다.
상술한 예에 한하지 않고, 상황 정보(804)는, 사용자의 피드백 정보(803)에 따라 변경된 상태(803-1)에 기초하여, 다양한 방법에 의해 변경될 수 있다.
또한, T2 시점에서, 로컬 모델(805)은, 피드백 정보에 기초하여, 갱신이 수행될 수 있다. 전자 장치(1000)는 사용자의 피드백 정보를 반영하여, 로컬 모델(805)을 갱신시킬 수 있다.
T2 시점에서, 상술한 상황 정보(801)의 변경과, 로컬 모델(802)의 갱신이 완료되면, T1 시점에서와 동일하게, 전자 장치(1000)는 변경이 완료된 상황 정보(804)를 로컬 모델(805)에 입력하여 동작을 수행하고, 수행된 동작에 대한 사용자의 피드백 정보(806)를 획득할 수 있다.
T3 시점에서도, T1, T2 시점에서와 동일하게, 상황 정보(804)의 변경과, 로컬 모델(805)의 갱신이 수행될 수 있다. 예를 들면, T3 시점에서, 상황 정보(807)는, 사용자의 피드백 정보(806)에 따라 변경된 상태(806-1)에 따라 변경된 상태(805-1)에 기초하여, 변경될 수 있다. 또한, T3 시점에서, 상술한 상황 정보(804)의 변경과, 로컬 모델(805)의 갱신이 완료되면, T1, T2 시점에서와 동일하게, 전자 장치(1000)는 변경이 완료된 상황 정보(807)를 로컬 모델(808)에 입력하여 동작을 수행하고, 수행된 동작에 대한 사용자의 피드백 정보(809)를 획득할 수 있다.
도 9은 일 실시 예에 의한 전자 장치(1000)의 내부 구성을 도시한 블록도이다.
도 10은 일 실시 예에 의한 전자 장치(1000)의 내부 구성을 도시한 블록도이다.
도 9를 참조하면, 전자 장치(1000)는, 메모리(1700), 프로세서(1300) 및 통신부(1500)를 포함할 수 있다. 그러나, 도 9에 도시된 구성 요소 모두가 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 9에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 도 9에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있다.
예를 들면, 전자 장치(1000)는 도 10에 도시된 바와 같이, 일부 실시예에 따른 전자 장치(1000)는, 메모리(1700), 프로세서(1300) 및 통신부(1500) 이외에 사용자 입력부(1100), 출력부(1200), 센싱부(1400) 및 A/V 입력부(1600)를 더 포함할 수도 있다.
사용자 입력부(1100)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
일 실시 예에 의하면, 사용자 입력부(1100)는, 로컬 모델에 따라 수행될 수 있는 소정의 동작(ex. 아이템 추천, 객체 인식, 음성 인식)을 요청하는 사용자의 입력을 수신할 수 있다. 또한, 사용자 입력부(110)는 전자 장치(1000)의 로컬 모델에 의해 수행된 동작에 대한 피드백 정보를 포함하는 사용자의 입력을 수신할 수 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다. 일 실시 예에 의한 출력부(1200)는, 로컬 모델에 의해 수행된 동작의 결과를 출력할 수 있다.
디스플레이부(1210)는 전자 장치(1000)에서 처리되는 정보를 표시 출력한다. 일 실시 예에 의하면, 디스플레이부(1210)는, 사용자의 입력에 따라 로컬 모델에 의해 수행된 동작의 결과를 표시할 수 있다.
한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 전자 장치(1000)의 구현 형태에 따라 전자 장치(1000)는 디스플레이부(1210)를 2개 이상 포함할 수도 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 일 실시 예에 의한 음향 출력부(1220)는 로컬 모델에 의해 수행된 동작의 결과를 나타내는 오디오 데이터를 출력할 수 있다.
진동 모터(1230)는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다. 일 실시 예에 의한 진동 모터(1230)는 로컬 모델에 의해 수행된 동작의 결과를 나타내는 진동 신호를 출력할 수 있다.
프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 전자 장치(1000)는 적어도 하나의 프로세서(1300)를 포함할 수 있다.
프로세서(1300)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(1700)로부터 프로세서(1300)에 제공되거나, 통신부(1500)를 통해 수신되어 프로세서(1300)로 제공될 수 있다. 예를 들면 프로세서(1300)는 메모리와 같은 기록 장치에 저장된 프로그램 코드에 따라 명령을 실행하도록 구성될 수 있다.
일 실시 예에 의한 적어도 하나의 프로세서(1300)는 로컬 모델을 갱신하는데 이용되는 전자 장치(1000)의 상황에 관한 정보가 변경됨을 검출할 수 있다. 상기 상황에 관한 정보는, 전자 장치(1000)의 상황에 관한 정보로서, 예를 들면, 상황 정보는, 전자 장치(1000)의 상태에 관한 정보, 전자 장치(1000)의 사용자에 관한 정보, 전자 장치(1000)의 주변 환경에 관한 정보 등을 포함할 수 있다.
또한, 적어도 하나의 프로세서(1300)는 변경된 상황 정보에 기초하여, 로컬 모델을 갱신하기 위한 그래디언트를 생성할 수 있다. 일 실시 예에 의한 적어도 하나의 프로세서(1300)는 그래디언트를 이용하여 로컬 모델을 갱신할 수 있다.
일 실시 예에 의한 적어도 하나의 프로세서(1300)는 그래디언트가 서버로 전송됨에 따라 수신된 글로벌 모델에 관한 정보에 기초하여, 전자 장치(1000)의 로컬 모델을 다시 갱신할 수 있다. 상기 글로벌 모델에 관한 정보는, 전자 장치(1000)로부터 전송된 그래디언트에 기초하여 생성된 글로벌 모델의 그래디언트일 수 있다. 일 실시 예에 의하면, 전자 장치(1000)로부터 전송된 그래디언트에 기초하여, 글로벌 모델의 그래디언트가 생성되고, 글로벌 모델의 그래디언트에 기초하여, 글로벌 모델이 갱신될 수 있다.
센싱부(1400)는, 전자 장치(1000)의 상태 또는 전자 장치(1000) 주변 환경의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.
일 실시 예에 의한 센싱부(1400)에 의해 감지된 다양한 정보에 기초하여, 로컬 모델을 갱신하는데 이용되는 상황 정보가 획득될 수 있다. 예를 들면, 센싱부(1400)에 의해 감지된 사용자 또는 주변환경에 관한 다양한 종류의 센싱 정보에 기초하여, 상황 정보 중 사용자 또는 주변 환경에 관한 정보가 획득될 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
통신부(1500)는, 전자 장치(1000)가 서버(미도시) 또는 외부 장치(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
일 실시 예에 의한 통신부(1500)는 전자 장치(1000)에서 생성된 그래디언트를 서버(2000)로 전송하고, 전송된 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 서버(2000)로부터 수신할 수 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다. 마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다.
일 실시 예에 의한 전자 장치(1000)는 A/V(Audio/Video) 입력부(1600)를 통해 수신된 오디오 신호 또는 비디오 신호 입력에 기초하여, 상황 정보를 획득할 수 있다. 예를 들면, A/V(Audio/Video) 입력부(1600)에 의해 획득된, 사용자 또는 주변 환경에 대한 오디오 신호 또는 비디오 신호 입력에 기초하여, 상황 정보 중 사용자 또는 주변 환경에 관한 정보가 획득될 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다.
일 실시 예에 의한 메모리(1700)는 하나 이상의 인스트럭션을 저장할 수 있고, 상술한 전자 장치(1000)의 적어도 하나의 프로세서(1300)는 상기 메모리(1700)에 저장된 상기 하나 이상의 인스트럭션을 실행함으로써, 일 실시 예에 의한 동작을 수행할 수 있다.
또한, 일 실시 예에 의한 메모리(1700)는 적어도 하나의 동작을 수행하는데 이용될 수 있는 적어도 하나의 로컬 모델과, 로컬 모델을 갱신하는데 이용될 수 있는 전자 장치(1000)의 상황 정보를 저장할 수 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.
사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.
알림 모듈(1730)은 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다.
도 11은 일 실시 예에 의한 서버의 내부 구성을 도시한 블록도이다.
도 11을 참조하면, 일 실시 예에 의한 서버(2000)는 도 9에 도시된 전자 장치(1000)의 구성요소와 같이, 메모리(2100), 프로세서(2200) 및 통신부(2300)를 포함할 수 있다.
그러나, 도 11에 도시된 구성 요소 모두가 서버(2000)의 필수 구성 요소인 것은 아니다. 도 11에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(2000)가 구현될 수도 있고, 도 11에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(2000)가 구현될 수도 있다.
프로세서(2200)는, 통상적으로 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2200)는, 메모리(2100)에 저장된 프로그램들을 실행함으로써, 서버(2000)를 전반적으로 제어할 수 있다. 서버(2000)는 적어도 하나의 프로세서(2200)를 포함할 수 있다.
프로세서(2200)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(2100)로부터 프로세서(2200)에 제공되거나, 통신부(2300)를 통해 수신되어 프로세서(2200)로 제공될 수 있다. 예를 들면 프로세서(2200)는 메모리와 같은 기록 장치에 저장된 프로그램 코드에 따라 명령을 실행하도록 구성될 수 있다.
일 실시 예에 의한 적어도 하나의 프로세서(2200)는 전자 장치(1000)로부터 수신된 그래디언트에 기초하여 글로벌 모델을 갱신할 수 있다. 또한, 적어도 하나의 프로세서(2200)는 갱신된 글로벌 모델에 관한 정보를 생성하여, 전자 장치(1000)로 전송할 수 있다.
일 실시 예에 의한 적어도 하나의 프로세서(2200)는 전자 장치(1000)뿐만 아니라 복수의 외부 장치로부터 수신된 그래디언트에 기초하여 상기 글로벌 모델을 갱신할 수 있다. 따라서, 일 실시 예에 의한 글로벌 모델은, 전자 장치(1000)의 그래디언트뿐만 아니라 서버(2000)로 전송되는 복수의 외부 장치의 그래디언트에 기초하여, 갱신될 수 있다.
통신부(2300)는, 서버(2000)가 전자 장치(1000) 또는 외부 장치와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다.
일 실시 예에 의한 통신부(2300)는 전자 장치(1000)로부터 그래디언트를 수신하고, 수신된 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 전자 장치(1000)로 전송할 수 있다.
메모리(2100)는, 프로세서(2200)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 서버(2000)로 입력되거나 서버(2000)로부터 출력되는 데이터를 저장할 수도 있다.
일 실시 예에 의한 메모리(2100)는 하나 이상의 인스트럭션을 저장할 수 있고, 상술한 서버(2000)의 적어도 하나의 프로세서(2200)는 상기 메모리(2100)에 저장된 상기 하나 이상의 인스트럭션을 실행함으로써, 일 실시 예에 의한 동작을 수행할 수 있다.
또한, 일 실시 예에 의한 서버(2000)의 메모리(2100)는 소정의 동작(ex. 아이템 추천, 객체 인식, 음성 인식)을 수행하기 위한 글로벌 모델을 저장할 수 있다.
도 12는 일 실시 예에 의한 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
도 12를 참조하면, 단계 1201에서, 전자 장치(1000)는 로컬 모델을 갱신하는데 이용되는 전자 장치(1000)의 상황 정보가 변경됨을 검출할 수 있다. 전자 장치(1000)의 상황 정보는 전자 장치(1000)에 구비된 로컬 모델이 갱신되는데 이용될 수 있고, 또한, 로컬 모델에 입력됨으로써, 로컬 모델에 따른 동작(ex. 아이템 추천, 객체 인식, 음성 인식)이 수행되는데 이용될 수도 있다.
예를 들면, 전자 장치(1000)에서 사용 가능한 새로운 아이템이 발생됨에 따라서, 전자 장치(1000)의 이용 가능한 아이템과 관련된 상황 정보가 변경될 수 있다. 또한, 전자 장치(1000)가 새로운 장소로 이동함에 따라서, 전자 장치(1000)의 장소와 관련된 상황 정보가 변경될 수 있다. 또한, 전자 장치(1000)의 주변 환경에 새로운 객체가 출현하거나, 기존 객체의 형태가 변화됨에 따라서, 전자 장치(1000)의 주변 환경에 관한 상황 정보가 변경될 수 있다. 또한, 전자 장치(1000)의 주변 환경에 새로운 발화자가 출현함에 따라서, 전자 장치(1000)에 의해 음성 인식이 수행될 수 있는 발화자에 관한 상황 정보가 변경될 수 있다.
또한, 로컬 모델에 따른 동작이 수행된 결과에 대한 사용자의 피드백 정보에 기초하여, 상황 정보가 변경될 수 있다.
상술한 예에 한하지 않고, 상태 정보는 로컬 모델을 갱신하거나, 로컬 모델에 따른 동작을 수행하는데 이용될 수 있는 다양한 종류의 전자 장치(1000)의 상황에 관한 정보를 포함할 수 있다.
단계 1202에서, 전자 장치(1000)는, 변경된 상황 정보에 따라 로컬 모델을 갱신하기 위한 그래디언트를 결정할 수 있다. 일 실시 예에 의한 그래디언트는, 변경된 상황 정보에 기초하여, 로컬 모델에 출력될 수 있는 예측 정보 및 상기 예측 정보에 대한 정답을 나타내는 관측 정보 간 차이를 나타내는 손실 함수에 기초하여 획득될 수 있다. 예를 들면, 그래디언트는, 상기 손실 함수가 최소가 되는 지점과 관련된 정보, 일 예로, 상기 지점에서의 손실 함수의 기울기 정보를 포함할 수 있다.
단계 1203에서, 전자 장치(1000)는 그래디언트에 기초하여, 로컬 모델을 갱신할 수 있다.
단계 1204에서, 전자 장치(1000)는 그래디언트를 서버(2000)로 전송할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는, 사용자의 민감한 개인 정보를 포함할 수 있는 전자 장치(1000)의 상태 정보 대신, 그래디언트를 서버(2000)로 전송할 수 있다. 따라서, 일 실시 예에 의하면, 사용자의 민감한 개인 정보가 전송되는 과정에서 유출되는 위험이 제거될 수 있다.
또한, 일 실시 예에 의하면, 그래디언트가 전송 과정에서 보호될 수 있도록, 그래디언트에 대해 노이즈를 추가하는 동작 및 암호화를 수행하는 동작 중 적어도 하나의 동작이 추가로 수행될 수 있다. 예를 들면, 그래디언트에 포함된, 갱신된 인공지능 모델에서 수정된 데이터를 나타내는 적어도 하나의 값에 대하여, 임의로 생성된 노이즈 값이 추가될 수 있다. 상기 노이즈 값은, 상기 적어도 하나의 값에 비해 무시될 수 있을 정도의 작은 값일 수 있다. 따라서, 전자 장치(1000) 또는 서버(2000)는, 상기 그래디언트에 상술한 노이즈가 추가되어 있어도, 상기 추가된 노이즈를 식별하거나 제거하는 동작 없이, 일 실시 예에 따라 로컬 모델 또는 글로벌 모델을 갱신하는 동작을 수행할 수 있다.
또한, 데이터에 노이즈가 추가됨에 따라 데이터 값 자체가 변경되므로, 외부로 그래디언트가 유출되더라도, 유출된 그래디언트에 포함된 데이터가 보호될 수 있다. 따라서, 일 실시 예에 의하면, 그래디언트 자체가 전송되는 대신, 노이즈가 추가되어 변형되거나 암호화된 그래디언트가 전송됨에 따라, 그래디언트가 외부 공격 또는 외부 유출될 위험으로부터 보호될 수 있다.
단계 1205에서, 전자 장치(1000)는 그래디언트를 서버(2000)로 전송함에 따라 글로벌 모델에 관한 정보를 수신할 수 있다. 서버(2000)의 글로벌 모델은, 전자 장치(1000)가 전송한 그래디언트에 기초하여 갱신될 수 있고, 갱신된 글로벌 모델에 관한 정보가 전자 장치(1000)로 전송될 수 있다. 예를 들면, 갱신된 글로벌 모델에 관한 정보는, 갱신된 글로벌 모델의 그래디언트일 수 있다.
단계 1205에서 수신되는 글로벌 모델에 관한 정보는, 글로벌 모델을 구성하는 정보를 포함하는 글로벌 모델의 그래디언트일 수 있다. 전자 장치(1000)는 최종 갱신된 글로벌 모델의 그래디언트에 기초하여, 서버(2000)의 갱신된 글로벌 모델의 그래디언트를 획득하고, 단계 1206에서, 획득된 글로벌 모델의 그래디언트에 기초하여, 로컬 모델을 갱신할 수 있다.
전자 장치(1000)는 일 실시 예에 따라 글로벌 모델에 대한 그래디언트에 기초하여 갱신된 로컬 모델을 따라 동작을 수행할 수 있다.
도 13은 일 실시 예에 의한 서버에서 글로벌 모델을 갱신하는 방법을 나타낸 순서도이다.
도 13을 참조하면, 단계 1301에서, 서버(2000)는 전자 장치(1000)로부터 그래디언트를 수신할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 전자 장치(1000)의 로컬 모델을 갱신하는데 이용되는, 전자 장치(1000)의 상황에 관한 정보가 변경됨에 기초하여 로컬 모델을 갱신할 수 있다. 또한, 전자 장치(1000)는, 갱신된 로컬 모델을 구성하는 정보를 포함하는 그래디언트를 서버(2000)로 전송할 수 있다.
따라서, 서버(2000)는 전자 장치(1000)에서 로컬 모델이 갱신됨에 따라, 전자 장치(1000)로부터 그래디언트를 수신받을 수 있다.
단계 1302에서, 서버(2000)는 그래디언트에 기초하여 글로벌 모델을 갱신할 수 있다. 일 실시 예에 의한 글로벌 모델은, 로컬 모델과 대응되는, 소정의 동작(ex. 아이템 추천, 객체 인식, 음성 인식)을 수행하기 위한 모델로, 전자 장치(1000)로부터 수신된 그래디언트에 기초하여, 갱신될 수 있다.
예를 들면, 서버(2000)는 그래디언트에 기초하여 글로벌 모델을 구성하는 다양한 정보를 갱신함으로써, 글로벌 모델을 갱신할 수 있다. 일 예로, 서버(2000)는 글로벌 모델을 구성하는, 각 노드에 대한 가중치 값 및 바이어스 값을 갱신함으로써, 글로벌 모델을 갱신할 수 있다.
단계 1303에서, 서버(2000)는 갱신된 글로벌 모델에 관한 정보, 예를 들면, 그래디언트를 생성하고, 단계 1304에서, 생성된 글로벌 모델에 관한 정보를 전자 장치(1000)로 전송할 수 있다.
일 실시 예에 의한 전자 장치(1000)는 서버(2000)로부터 수신된 글로벌 모델에 관한 정보에 기초하여, 전자 장치(1000)의 로컬 모델을 갱신할 수 있다. 전자 장치(1000)는 갱신된 로컬 모델을 이용하여 소정의 동작(ex. 아이템 추천, 객체 인식, 음성 인식)을 수행할 수 있다.
이하에서, 일 실시 예에 따라 갱신되기 전에 서버(2000)에 저장된 현재의 글로벌 모델에 대한 그래디언트를 제1 그래디언트, 전자 장치(1000)에서 서버(2000)로 전송되는 로컬 모델의 그래디언트를 제2 그래디언트, 제1 그래디언트 및 제2 그래디언트에 기초하여, 획득될 수 있는 현재의 글로벌 모델을 갱신하기 위한 그래디언트를 제3 그래디언트로 지칭하기로 한다.
일 실시 예에 의한, 서버(2000)는, 현재의 글로벌 모델에 대한 제1 그래디언트를 획득하고, 상기 제1 그래디언트와 전자 장치(1000)로부터 수신된 제2 그래디언트에 기초하여, 상기 현재의 글로벌 모델을 갱신하기 위한 제3 그래디언트를 획득할 수 있다. 제3 그래디언트에 기초하여, 현재의 글로벌 모델이 갱신될 수 있고, 제3 그래디언트가 갱신된 글로벌 모델에 관한 정보로서 전자 장치(1000)로 전송됨에 따라, 전자 장치(1000)의 로컬 모델이 다시 갱신될 수 있다.
예를 들면, 갱신된 글로벌 모델에 대한 제1 그래디언트와 및 갱신된 로컬 모델에 대한 제2 그래디언트 간에 서로 대응되는 정보에 대한 적어도 하나의 대표값이 획득될 수 있다. 일 실시 예에 의한 제3 그래디언트는, 상기 획득된 적어도 하나의 대표값으로 구성될 수 있다. 상기 대표값은, 예를 들면, 제1 그래디언트 및 제2 그래디언트에 각각 포함된 기울기 값 간의 산술 평균값 또는 가중 평균값일 수 있다.
예를 들어, 제1 그래디언트는, 글로벌 모델의 손실 함수의 기울기 정보를 포함하고, 제2 그래디언트는 상기 글로벌 모델의 손실 함수의 기울기 정보를 포함할 수 있다. 일 실시 예에 의한 기울기 정보는, 예측 정보에 포함된 각각의 예측값을 변수로 하여 손실 함수를 편미분한 값들을 포함할 수 있다. 상기 그래디언트의 기울기 정보는 손실 함수의 값이 최소화되는 지점과 대응되는 값들을 포함할 수 있다.
이 경우, 상기 글로벌 모델의 기울기 정보 및 상기 로컬 모델의 기울기 정보에 대한 대표값이, 상기 제3 그래디언트의 대표값으로서, 획득될 수 있다. 예를 들면, 상기 글로벌 모델의 제1 그래디언트(a)과 상기 로컬 모델의 제2 그래디언트(b)의 산술 평균 값(ex. (a+b)/2) 또는 가중 평균값(ex. (a*a1+b*b1)/2)이 상기 제3 그래디언트의 대표값으로서, 획득될 수 있다.
일 실시 예에 의하면, 상술한 적어도 하나의 대표값을 포함한, 제3 그래디언트에 기초하여 글로벌 모델이 갱신됨으로써, 전자 장치(1000)로부터 수신된 제2 그래디언트에 기초한 글로벌 모델의 갱신이 수행될 수 있다.
상술한 대표값이, 제1 그래디언트 및 제2 그래디언트에 포함된 값들 간의 가중 평균값인 경우, 각 값에 적용되는 가중치 값은 상기 글로벌 모델을 갱신하는데, 가장 적합한 값으로 결정될 수 있다. 예를 들면, 상기 가중치 값은, 상기 가중치 값을 결정하기 위하여 기계 학습이 수행된 결과에 따라서, 상기 글로벌 모델을 갱신하는데 가장 적합한 값으로 결정될 수 있다. 또 다른 예로, 상기 가중 평균값의 가중치는, 글로벌 모델의 학습 결과와 로컬 모델의 학습 결과 중 더 큰 비중을 두고자 하는 학습 결과에 대한 그래디언트인지에 따라 결정될 수 있다.
일 실시 예에 따라 그래디언트에 기초하여, 글로벌 모델이 갱신됨에 따라, 서버(2000)는, 갱신된 글로벌 모델에 관한 정보로서, 글로벌 모델이 갱신되는데 이용된 제3 그래디언트를 획득할 수 있다.
일 실시 예에 따라 서버(2000)에서 생성된, 갱신된 글로벌 모델에 관한 정보는, 전자 장치(1000)의 로컬 모델이 갱신되는데 필요한 정보를 포함할 수 있다. 예를 들면, 전자 장치(1000)의 로컬 모델은, 서버(2000)로부터 수신된 갱신된 글로벌 모델에 관한 정보(ex. 제3 그래디언트)에 기초하여, 갱신될 수 있다.
일 실시 예에 의한 로컬 모델은, 변경된 상황 정보에 따라 갱신된 후, 서버(2000)로부터 수신된 제3 그래디언트와 로컬 모델의 제2 그래디언트에 기초하여 갱신될 수 있다. 예를 들면, 서버(2000)로부터 수신된 제3 그래디언트와 로컬 모델의 제2 그래디언트에 기초하여, 로컬 모델을 다시 갱신하기 위한 제4 그래디언트가 획득될 수 있다. 제4 그래디언트에 기초하여, 제3 그래디언트 수신에 의한 로컬 모델의 갱신 동작이 수행될 수 있다.
예를 들면, 제3 그래디언트에 및 제2 그래디언트에 포함된 정보 간에 서로 대응되는 정보에 대한 적어도 하나의 대표값이 획득될 수 있다. 일 실시 예에 의한 제4 그래디언트는, 상기 획득된 적어도 하나의 대표값으로 구성될 수 있다. 상기 대표값은, 예를 들면, 제3 그래디언트 및 제2 그래디언트에 포함된 값들 간의 산술 평균값 또는 가중 평균값일 수 있다.
예를 들어, 제3 그래디언트는, 갱신된 글로벌 모델의 손실 함수와 관련된 정보를 포함하고, 제2 그래디언트는 로컬 모델의 손실 함수와 관련된 정보를 포함할 수 있다. 이 경우, 상기 갱신된 글로벌 모델의 제 1 그래디언트 및 상기 로컬 모델의 제 2 그래디언트에 대한 대표값(ex. 산술 평균값, 가중 평균값)이, 상기 제4 그래디언트의 대표값으로서, 획득될 수 있다.
일 실시 예에 의하면, 상술한 적어도 하나의 대표값을 포함한, 제4 그래디언트에 기초하여, 전자 장치(1000)에서 수신된 제3 그래디언트에 기초한 로컬 모델의 갱신이 수행될 수 있다. 예를 들면, 로컬 모델의 손실 함수와 관련된 정보가, 제4 그래디언트에 포함된 대표값들을 기반으로 대체됨으로써, 로컬 모델에 대한 갱신이 수행될 수 있다.
일 실시 예에 의하면, 상술한 대표값이, 제3 그래디언트 및 제2 그래디언트에 포함된 값들(ex. c, d) 간의 가중 평균값(ex. (c*c1+d*d1)/2)인 경우, 각 값에 적용되는 가중치 값(ex. c1, d1)은, 상기 로컬 모델을 갱신하는데, 가장 적합한 값으로 결정될 수 있다. 예를 들면, 상기 가중치 값은, 상기 가중치 값을 결정하기 위하여 기계 학습이 수행된 결과에 따라서, 상기 로컬 모델을 갱신하는데 가장 적합한 값으로 결정될 수 있다.
일 실시 예에 의하면, 상기 가중치 값을 결정하기 위한 기계 학습은, 상기 가중치 값에 따라 갱신되는 로컬 모델에 의한 동작이 전자 장치(1000)의 상태 혹은 전자 장치(1000)의 주변 상황과 모순되지 않고 적합하게 수행될 수 있는 가중치 값이 결정될 수 있도록 수행될 수 있다. 예를 들면, 상기 가중치 값은 상기 전자 장치(1000)의 상황에 관한 정보에 기초하여 학습될 수 있다. 상술한 예에 한하지 않고, 상기 각 값에 적용되는 각각의 가중치 값은 다양한 방법에 따라, 적합한 값으로 결정될 수 있다.
일 실시 예에 의하면, 갱신된 글로벌 모델에 관한 정보는, 상술한 제3 그래디언트에 한하지 않고, 최근에 갱신된 글로벌 모델에 기초하여, 로컬 모델을 갱신하는데 필요한 다양한 종류의 정보를 포함할 수 있다.
도 14은 일 실시 예에 의한 로컬 모델 및 글로벌 모델을 갱신하는 시스템을 나타낸 도면이다.
도 14에 도시된 바와 같이, 일 실시 예에 따른 시스템은, 전자 장치(1000), 제1 서버(2000-1), 제2 서버(2000-2), 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)를 포함할 수 있다.
도 14의 전자 장치(1000) 및 제1 서버(2000-1), 제2 서버(2000-2)는 도 1의 전자 장치(1000) 및 서버(2000)와 대응된다. 또한, 도 13의 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)는 도 2의 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)와 대응된다.
일 실시 예에 의한 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)는, 전자 장치(1000)와 동일하게, 각각의 외부 장치 1(3000-1), 및 외부 장치 2(3000-2)에 구비된 로컬 모델을 이용하여, 다양한 서비스를 제공할 수 있다.
일 실시 예에 의한 전자 장치(1000)는, 로컬 모델의 그래디언트를 전송함에 따라, 글로벌 모델에 관한 정보를 제공받을 수 있는 제1 서버(2000-1), 제2 서버(2000-2)를 식별할 수 있다. 전자 장치(1000)는, 외부로부터 제1 서버(2000-1), 제2 서버(2000-2)에 관한 정보를 미리 수신함으로써, 제1 서버(2000-1), 제2 서버(2000-2)를 식별할 수 있다. 또한, 전자 장치(1000)는, 식별된 제1 서버(2000-1), 제2 서버(2000-2) 중 각 서버에 관한 정보에 기초하여, 적합한 서버를 결정할 수 있다. 전자 장치(1000)는 결정된 서버로 그래디언트를 전송하여, 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 수신할 수 있다.
예를 들면, 전자 장치(1000)는, 식별된 제1 서버(2000-1), 제2 서버(2000-2) 중 전자 장치(1000)와 물리적인 위치가 가까운 서버를 그래디언트를 전송할 서버로 결정할 수 있다.
또한, 전자 장치(1000)는, 식별된 제1 서버(2000-1), 제2 서버(2000-2) 중 로컬 모델의 특성과 동일 또는 유사한 특성을 가지는 글로벌 모델을 포함하는 서버를 그래디언트를 전송할 서버로 결정할 수 있다.
일 실시 예에 의한 서버의 글로벌 모델은, 서버의 위치나 다양한 특성에 따라, 특정한 조건에서 아이템을 추천하는 동작, 객체 인식을 수행하는 동작, 음성 처리를 수행하는 동작 등 다양한 동작을 수행하는데 적합하게 이용될 수 있다. 예를 들면, 영국에 위치한 서버의 글로벌 모델은, 영국의 문화적인 특성을 고려하여 생성된 모델일 수 있으며, 영국에 위치한 전자 장치(1000)가 아이템을 추천하는 동작을 수행하는데 적합하게 이용될 수 있다.
도 14에 개시된 예에 있어서, 전자 장치(1000)는, 제1 서버(2000-1), 제2 서버(2000-2) 중 제1 서버(2000-1)의 글로벌 모델로 로컬 모델을 갱신하는 것이 적합하다고 판단함에 따라, 제1 서버(2000-1)로 그래디언트를 전송할 수 있다. 외부 장치 1(3000-1)도, 전자 장치(1000)와 동일하게, 제1 서버(2000-1)의 글로벌 모델로 로컬 모델을 갱신하는 것이 적합하다고 판단함에 따라, 제1 서버(2000-1)로 그래디언트를 전송할 수 있다.
반면, 외부 장치 2(3000-2)는, 제2 서버(2000-2)의 글로벌 모델로 로컬 모델을 갱신하는 것이 적합하다고 판단함에 따라, 제2 서버(2000-2)로 그래디언트를 전송할 수 있다.
도 15는 일 실시 예에 의한 중개 장치를 통해 로컬 모델 및 글로벌 모델을 갱신하는 시스템을 나타낸 도면이다.
도 15에 도시된 바와 같이, 일 실시 예에 따른 시스템은, 전자 장치 1(1000-2), 전자 장치 2(1000-3), 전자 장치 3(1000-4), 서버(2000)를 포함할 수 있다.
도 15의 서버(2000)는 도 1의 전자 장치(1000)와 대응된다. 일 실시 예에 의한 전자 장치 1(1000-2), 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)는 각각의 전자 장치 1(1000-2), 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)에 구비된 로컬 모델을 이용하여 사용자에게 다양한 서비스(ex. 아이템 추천, 객체 인식, 음성 인식)를 제공할 수 있다.
도 15를 참조하면, 전자 장치 1(1000-2), 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)은 하나의 그룹(1000-1)으로 분류될 수 있다. 예를 들면, 전자 장치 1(1000-2), 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)은 동일한 사용자에 의해 사용자의 댁내에서 사용되는 장치로 결정됨에 의해, 하나의 그룹(1000-1)으로 분류될 수 있다. 또한, 전자 장치 1(1000-2), 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)는, 서로 지리적으로 가까운 위치에 존재하는지 여부, 서로 동일한 계정에 의해 사용되는 장치인지 여부 등 다양한 기준에 따라, 하나의 그룹(1000-1)으로 분류될 수 있다. 일 실시 예에 의한 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)은 각 전자 장치가 속한 그룹(1000-1) 내의 장치 중에서, 각각의 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)의 로컬 모델의 그래디언트를 서버(2000)로 전송할 중개 장치를 결정할 수 있다. 일 실시 예에 의한 중개 장치는, 전자 장치 2(1000-3) 및 전자 장치 3(1000-4) 대신, 상황 정보 변경에 따라 갱신된 로컬 모델의 그래디언트를 서버(2000)로 전송할 수 있다. 또한, 중개 장치는, 갱신된 로컬 모델의 그래디언트를 전송함에 따라 서버(2000)로부터 글로벌 정보의 그래디언트를 수신하고, 수신된 글로벌 정보의 그래디언트를 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)로 전송할 수 있다.
일 실시 예에 의하면, 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)은 각 전자 장치가 속한 그룹(1000-1) 내의 장치 중 중개 장치를 전자 장치 1(1000-2)로 결정할 수 있다.
일 실시 예에 따른 중개 장치로 결정된 전자 장치 1(1000-2)은, 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)보다 성능 또는 네트워크 환경이 더 좋은 장치일 수 있다. 예를 들면, 전자 장치 1(1000-2)은 다른 전자 장치들(1000-3, 1000-4)보다 더 나은 성능을 가지는 스마트폰일 수 있다. 다른 전자 장치들(1000-3, 1000-4)은 스마트폰보다 처리 성능이 낮은 가전기기(ex. 로봇 청소기, 냉장고, 스마트 TV)일 수 있다.
따라서, 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)가 직접 그래디언트를 서버(2000)로 전송하는 경우보다 전자 장치 1(1000-2)을 통해 각 장치에서 생성된 그래디언트를 서버(2000)로 전송하는 경우에, 갱신된 글로벌 모델에 관한 정보를 더 빠르게 획득할 수 있다.
일 실시 예에 의한 전자 장치 1(1000-2)는, 엣지 컴퓨팅 방식에 따라, 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)로부터 수신된 그래디언트를 직접 처리할 수 있다. 예를 들면, 전자 장치 1(1000-2)는, 전자 장치 2(1000-3) 또는 전자 장치 3(1000-4)로부터 수신된 그래디언트에 기초하여, 전자 장치 1(1000-2)의 로컬 모델을 갱신하고, 갱신된 로컬 모델에 대한 그래디언트를 전자 장치 2(1000-3) 또는 전자 장치 3(1000-4)로 전송할 수 있다. 또한, 전자 장치 1(1000-2)는 갱신된 자신의 로컬 모델에 대한 그래디언트를 서버(2000)로 전송하고, 서버(2000)로부터 글로벌 모델에 대한 그래디언트를 수신할 수 있다. 전자 장치 1(1000-2)는 수신된 글로벌 모델의 그래디언트를 이용하여 자신의 로컬 모델을 다시 갱신할 수 있다.
일 실시 예에 의한 전자 장치 1(1000-2)는, 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)로부터 수신된 그래디언트와 전자 장치 1(1000-2)의 로컬 모델에 기초하여 생성된 그래디언트 중 적어도 하나를 서버(2000)로 전송할 수 있다.
예를 들면, 사용자의 행동 패턴이 변경되는 경우, 전자 장치 1(1000-2), 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)의 동작 패턴도 함께 바뀔 가능성이 높다. 따라서, 일 실시 예에 의한 상황 정보 중 사용자의 행동 패턴에 관한 정보가 변경됨에 따라, 전자 장치 1(1000-2)에서 로컬 모델이 갱신되는 경우, 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)에서도 로컬 모델이 갱신되어, 그래디언트가 각 장치에서 생성될 수 있다.
일 실시 예에 의하면, 전자 장치 1(1000-2)의 로컬 모델에 기초하여 그래디언트가 생성된 후, 전자 장치 1(1000-2)는 미리 설정된 시간 내에 전자 장치 2(1000-3) 및 전자 장치 3(1000-4) 중 적어도 하나의 장치로부터 그래디언트가 수신되면 전자 장치 1(1000-2)의 그래디언트와 함께 서버(2000)로 전송할 수 있다.
일 실시 예에 의한 서버(2000)는, 전자 장치 1(1000-2)부터 수신된 적어도 하나의 그래디언트에 기초하여 글로벌 모델을 갱신할 수 있다. 일 실시 예에 의한 서버(2000)는 갱신된 글로벌 모델에 관한 정보를 전자 장치 1(1000-2)로 전송할 수 있다.
일 실시 예에 의한 전자 장치 1(1000-2)는 서버(2000)로부터 수신한 글로벌 모델에 관한 정보를 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)로도 전송할 수 있다. 각각의 전자 장치 1(1000-2), 전자 장치 2(1000-3) 및 전자 장치 3(1000-4)은 서버(2000)로부터 수신된 글로벌 모델에 관한 정보에 기초하여, 각 장치 내의 로컬 모델을 갱신할 수 있다.
도 16은 일 실시 예에 의한 그래디언트에 따라 글로벌 모델 및 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
도 16을 참조하면, 글로벌 모델 및 로컬 모델에 대한 그래디언트에 기초하여, 글로벌 모델 및 로컬 모델이 갱신될 수 있다.
이하에서, 도 1과 관련한 설명에서 언급한 내용과 동일하게, 서버(2000)에 저장된 현재의 글로벌 모델에 대한 그래디언트를 제1 그래디언트, 전자 장치(1000)에서 서버(2000)로 전송되는 로컬 모델의 그래디언트를 제2 그래디언트, 제1 그래디언트 및 제2 그래디언트에 기초하여, 획득될 수 있는 현재의 글로벌 모델을 갱신하기 위한 그래디언트를 제3 그래디언트로 지칭하기로 한다.
일 실시 예에 따르면, 전자 장치(1000)는 전자 장치(1000)의 상황 정보가 변경됨을 검출함에 따라 로컬 모델을 갱신할 수 있다. 변경된 상황 정보에 기초하여, 로컬 모델이 갱신되면, 전자 장치(1000)는, 단계 1601에서, 갱신된 로컬 모델에 대한 제2 그래디언트를 생성할 수 있다.
일 실시 예에 의한 제2 그래디언트는, 로컬 모델을 갱신하는데 이용된 정보로서, 예를 들면, 각 노드에 적용될 수 있는 가중치 값과, 바이어스 값을 도출하기 위해 손실 함수와 관련하여 획득된 정보(ex. 손실함수의 값이 최소가 되는 지점과 관련된 기울기값)를 포함할 수 있다.
단계 1602에서, 전자 장치(1000)는 갱신된 로컬 모델에 대한 제2 그래디언트를 서버(2000)로 전송할 수 있다. 일 실시 예에 의한 서버(2000)는 전자 장치(1000)로부터 수신된 제2 그래디언트에 기초하여 글로벌 모델을 갱신할 수 있다.
단계 1603에서, 서버(2000)는 글로벌 모델을 갱신하기 전에, 현재 서버(2000)에 저장된 글로벌 모델에 대한 제1 그래디언트를 획득할 수 있다. 그리고, 단계 1604에서, 서버(2000)는 제1 그래디언트 및 제2 그래디언트에 기초하여, 제3 그래디언트를 생성할 수 있다. 일 실시 예에 의한 제3 그래디언트는, 제1 그래디언트에 포함된 손실 함수와 관련된 정보 및 제2 그래디언트에 포함된 손실 함수와 관련된 정보 간에 서로 대응되는 정보에 대한 적어도 하나의 대표값을 포함할 수 있다.
단계 1605에서, 서버(2000)는 제3 그래디언트를 전자 장치(1000)로 전송할 수 있다. 또한, 단계 1607에서, 서버(2000)는 제3 그래디언트에 따라 글로벌 모델을 갱신할 수 있다. 예를 들면, 글로벌 모델을 구성하는 각 노드에 적용될 수 있는 가중치 값 및 바이어스 값은, 제3 그래디언트에 포함된 손실 함수와 관련된 정보에 기초하여 수정됨으로써, 글로벌 모델이 갱신될 수 있다.
또한, 단계 1606에서, 전자 장치(1000)는, 서버(2000)로부터 수신된 제3 그래디언트에 기초하여 로컬 모델을 갱신할 수 있다. 단계 1606에서의 로컬 모델의 갱신은, 단계 1604에서 제3 그래디언트를 생성하고, 단계 1607에서 생성된 제3 그래디언트에 따라 글로벌 모델이 갱신되는 동작과 동일하게 수행될 수 있다.
예를 들면, 로컬 모델을 구성하는 각 노드에 적용될 수 있는 가중치 값 및 바이어스 값은, 제2 그래디언트에 포함된 정보 및 제3 그래디언트에 포함된 정보 간에 서로 대응되는 정보에 대한 적어도 하나의 대표값과 대응되는 예측 정보가 상기 로컬 모델에 의해 출력될 수 있도록 수정됨으로써, 로컬 모델이 갱신될 수 있다.
일 실시 예에서, 상기 적어도 하나의 대표 값은 제2 그래디언트 및 제3 그래디언트에 포함된 값들 간의 산술 평균값 및 가중 평균값일 수 있다. 또한, 가중 평균값에서 각 값에 적용되는 가중치는, 상기 로컬 모델에 따른 동작이 상기 전자 장치(1000)의 현재 상황에 적합하도록, 학습된 값으로 결정될 수 있다. 예를 들면, 가중 평균값에서 각 정보에 적용되는 가중치 중, 로컬 모델에 대한 그래디언트에 포함된 값에 적용되는 가중치는, 상기 전자 장치(1000)의 상황 정보에 기초하여, 결정될 수 있다.
도 17은 일 실시 예에 의한 그래디언트에 따라 글로벌 모델과, 전자 장치(1000)의 제1 로컬 모델 및 외부 장치(3000)의 제2 로컬 모델을 갱신하는 방법을 나타낸 순서도이다.
도 17을 참조하면, 전자 장치(1000)는 전자 장치(1000)의 상황 정보가 변화됨에 따라 제1 로컬 모델을 갱신할 수 있고, 외부 장치(3000)에서는 외부 장치(3000)의 상황 정보가 변화됨에 따라 제2 로컬 모델을 갱신할 수 있다.
도 17의 서버(2000)는 복수 개의 장치로부터 수신된, 갱신된 로컬 모델의 그래디언트에 기초하여, 글로벌 모델을 갱신할 수 있다. 또한, 서버(2000)는 갱신된 글로벌 모델에 대한 그래디언트를, 로컬 모델의 그래디언트를 서버(2000)로 전송한 각각의 장치로 전송할 수 있다.
이하에서, 도 1 및 도 16과 관련한 설명에서 언급한 내용과 동일하게, 서버(2000)에 저장된 현재의 글로벌 모델에 대한 그래디언트를 제1 그래디언트, 외부 장치(3000)에서 서버(2000)로 전송되는 로컬 모델의 그래디언트를 제2 그래디언트, 제1 그래디언트 및 제2 그래디언트에 기초하여, 획득될 수 있는 현재의 글로벌 모델을 갱신하기 위한 그래디언트를 제3 그래디언트로 지칭하기로 한다.
또한, 전자 장치(1000)에서 서버(2000)로 전송되는 로컬 모델의 그래디언트를 제4 그래디언트로 지칭하기로 한다. 로컬 모델이 갱신될 때의 글로벌 모델의 그래디언트가 제3 그래디언트인 경우, 제3 그래디언트 및 제4 그래디언트에 기초하여, 획득될 수 있는 현재의 글로벌 모델을 갱신하기 위한 그래디언트를 제5 그래디언트로 지칭하기로 한다.
일 실시 예에 따르면, 외부 장치(3000)는, 도 16에서의 로컬 모델의 갱신과 동일하게, 외부 장치(3000)의 상황 정보가 변경됨을 검출함에 따라, 외부 장치(3000)의 제2 로컬 모델을 갱신할 수 있다. 변경된 상황 정보에 기초하여, 제2 로컬 모델이 갱신되면, 외부 장치(3000)는, 단계 1701에서, 갱신된 로컬 모델에 대한 제2 그래디언트를 생성할 수 있다.
단계 1702에서, 외부 장치(3000)는 갱신된 로컬 모델에 대한 제2 그래디언트를 서버(2000)로 전송할 수 있다. 일 실시 예에 의한 서버(2000)는 외부 장치(3000)로부터 수신된 제2 그래디언트에 기초하여 글로벌 모델을 갱신할 수 있다.
단계 1703에서, 서버(2000)는 글로벌 모델을 갱신하기 전에, 현재 서버(2000)에 저장된 글로벌 모델에 대한 제1 그래디언트를 획득할 수 있다. 제1 그래디언트는, 글로벌 모델이 갱신될 때 미리 생성되어 서버(2000)에 이미 저장되어 있는 정보일 수 있다.
그리고, 단계 1704에서, 서버(2000)는 제1 그래디언트 및 제2 그래디언트에 기초하여, 제3 그래디언트를 생성할 수 있다.
단계 1705에서, 서버(2000)는 제3 그래디언트를 외부 장치(3000)로 전송할 수 있다. 또한, 단계 1707에서, 서버(2000)는 제3 그래디언트에 따라 글로벌 모델을 갱신할 수 있다.
또한, 단계 1706에서, 외부 장치(3000)는, 제2 그래디언트 및 서버(2000)로부터 수신된 제3 그래디언트에 기초하여 제2 로컬 모델을 갱신할 수 있다. 단계 1706에서의 제2 로컬 모델의 갱신은, 단계 1704에서 제3 그래디언트를 생성하고, 단계 1707에서 생성된 제3 그래디언트와, 제1 그래디언트에 따라 글로벌 모델이 갱신되는 동작과 동일하게 수행될 수 있다.
단계 1708에서, 전자 장치(1000)는, 단계 1701의 제2 로컬 모델의 갱신과 동일하게, 전자 장치(1000)의 상황 정보가 변경됨을 검출함에 따라, 전자 장치(1000)의 제1 로컬 모델을 갱신할 수 있다. 변경된 상황 정보에 기초하여, 제1 로컬 모델이 갱신되면, 전자 장치(1000)는, 단계 1708에서, 갱신된 제1 로컬 모델에 대한 제2 그래디언트를 생성할 수 있다.
단계 1709에서, 전자 장치(1000)는 갱신된 제1 로컬 모델에 대한 제4 그래디언트를 서버(2000)로 전송할 수 있다. 제4 그래디언트는, 단계 1707에서, 제3 그래디언트에 따라 글로벌 모델이 갱신된 이후에, 서버(2000)에서 수신될 수 있다. 일 실시 예에 의한 서버(2000)는 전자 장치(1000)로부터 수신된 제4 그래디언트에 기초하여, 단계 1707에서 갱신된 글로벌 모델을 재차 갱신할 수 있다.
따라서, 일 실시 예에 의한, 글로벌 모델은, 복수 개의 장치에서 갱신된 로컬 모델에 대한 복수 개의 그래디언트에 기초하여, 갱신이 수행될 수 있다.
단계 1710에서, 서버(2000)는 글로벌 모델을 갱신하기 전에, 현재의 글로벌 모델에 대한 제3 그래디언트를 획득할 수 있다. 그리고, 단계 1711에서, 서버(2000)는 제3 그래디언트 및 제4 그래디언트에 기초하여, 제5 그래디언트를 생성할 수 있다.
단계 1712에서, 서버(2000)는 제5 그래디언트를 전자 장치(1000)로 전송할 수 있다. 또한, 단계 1714에서, 서버(2000)는 제5 그래디언트에 따라 글로벌 모델을 갱신할 수 있다.
또한, 단계 1713에서, 전자 장치(1000)는, 서버(2000)로부터 수신된 제5 그래디언트와, 제4 그래디언트에 기초하여 제1 로컬 모델을 갱신할 수 있다. 단계 1713에서의 제1 로컬 모델의 갱신은, 단계 1706에서 제2 로컬 모델이 갱신되는 동작과 동일하게 수행될 수 있다.
일 실시 예에 의하면, 사용자의 민감한 정보를 포함할 수 있는 전자 장치의 상황에 관한 정보 대신, 상황 정보에 기초하여 갱신된 로컬 모델에 관한 그래디언트가 서버로 전송됨으로써, 전송 과정에서 개인 정보가 유출될 위험이 제거될 수 있다.
일 실시 예에 의하면, 전자 장치의 인공지능 모델을 갱신하기 위해, 상황에 관한 정보 대신 상황에 관한 정보보다 더 적은 데이터 크기를 가지는 그래디언트가 서버로 전송될 수 있어, 로컬 모델의 갱신이 더 빠르게 수행될 수 있다.
일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 또는 프로그램 모듈을 포함하며, 임의의 정보 전달 매체를 포함한다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (20)
- 전자 장치에서, 인공지능 모델을 갱신하는 방법에 있어서,
상기 전자 장치에 저장된 로컬 모델을 갱신하는데 이용되는, 상기 전자 장치의 상황에 관한 정보가 변경됨을 검출하는 단계;
상기 변경된 상황에 관한 정보에 기초하여, 상기 로컬 모델을 갱신하기 위한 그래디언트(gradient)를 결정하는 단계;
상기 결정된 그래디언트에 기초하여, 상기 로컬 모델을 갱신하는 단계;
상기 그래디언트를 서버로 전송하는 단계;
상기 서버로부터, 상기 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 수신하는 단계; 및
상기 수신된 정보에 기초하여, 상기 로컬 모델을 갱신하는 단계를 포함하는, 방법. - 제1항에 있어서, 상기 그래디언트를 결정하는 단계는
상기 변경된 상황에 관한 정보에 기초하여, 상기 로컬 모델에 의해 출력될 수 있는 예측 정보 및 상기 예측 정보에 대한 정답을 나타내는 관측 정보를 획득하는 단계;
상기 관측 정보 및 상기 예측 정보 간 차이를 나타내는 손실 함수를 획득하는 단계; 및
상기 손실 함수의 값이 최소가 되는 지점과 관련된 정보를 포함하는 상기 그래디언트를 결정하는 단계를 포함하는, 방법. - 제1항에 있어서, 상기 갱신된 글로벌 모델에 관한 정보는,
상기 글로벌 모델을 갱신하는데 이용된, 상기 글로벌 모델에 대한 손실 함수의 값이 최소가 되는 지점과 관련된 정보를 포함하는, 그래디언트를 포함하는, 방법. - 제3항에 있어서, 상기 수신된 정보에 기초하여, 상기 로컬 모델을 갱신하는 단계는
상기 갱신된 글로벌 모델에 대한 그래디언트에 포함된 손실 함수와 관련된 정보와, 상기 갱신된 로컬 모델에 대한 그래디언트에 포함된 손실 함수와 관련된 정보 간에 서로 대응되는 정보에 대한 적어도 하나의 대표값을 획득하는 단계; 및
상기 적어도 하나의 대표값에 기초하여, 상기 로컬 모델을 갱신하는 단계를 포함하는, 방법. - 제4항에 있어서, 상기 적어도 하나의 대표값 중 적어도 하나의 값은
상기 각각 대응되는 정보에 대한 산술 평균값 또는 가중 평균값인, 방법. - 제5항에 있어서, 상기 가중 평균값은 상기 서로 대응되는 각각의 정보에 적어도 하나의 가중치가 적용됨으로써 획득되고,
상기 적어도 하나의 가중치 중, 상기 갱신된 로컬 모델에 대한 그래디언트에 포함된 손실 함수와 관련된 정보에 적용되는 가중치는, 상기 전자 장치의 상황에 관한 정보에 기초하여, 결정되는, 방법. - 제1항에 있어서, 상기 글로벌 모델은,
적어도 하나의 외부 장치에 대한 각각의 로컬 모델이 갱신됨에 따라, 상기 각각의 로컬 모델에 대한 적어도 하나의 그래디언트에 기초하여 갱신된 후, 상기 전자 장치로부터 그래디언트가 수신됨에 따라 상기 전자 장치의 그래디언트에 기초하여 갱신되는, 방법. - 제1항에 있어서, 상기 그래디언트는,
상기 그래디언트에 대하여, 노이즈를 추가하는 동작 및 암호화를 수행하는 동작 중 적어도 하나의 동작이 수행된 후, 상기 서버로 전송되는, 방법. - 제1항에 있어서, 상기 서버로 전송하는 단계는
상기 전자 장치에서 상기 로컬 모델의 그래디언트를 전송할 중개 장치를 식별하는 단계;
상기 중개 장치를 통해 상기 로컬 모델의 그래디언트를 상기 서버로 전송하는 단계를 포함하고,
상기 중개 장치는, 적어도 하나의 전자 장치로부터 적어도 하나의 그래디언트를 수신하고, 상기 수신된 적어도 하나의 그래디언트를 상기 서버로 전송하는, 방법. - 제1항에 있어서,
현재의 글로벌 모델에 대한 그래디언트와, 이전에 상기 서버에서 상기 전자 장치로 전송된 상기 글로벌 모델의 그래디언트가 기준값 이상 차이가 존재함에 따라, 상기 서버로부터 상기 현재의 글로벌 모델에 대한 그래디언트를 수신하는 단계; 및
상기 수신된 그래디언트에 기초하여, 상기 로컬 모델을 갱신하는 단계를 더 포함하는, 방법. - 제1항에 있어서, 상기 전자 장치의 상황에 관한 정보가 변경됨이 검출되면,
상기 전자 장치가 현재 유휴 상태인지 여부, 상기 로컬 모델을 갱신하기 위한 상기 전자 장치의 메모리 공간이 충분한지 여부, 상기 전자 장치의 배터리가 현재 충전 중인지 여부 및 현재 시간이 심야 시간인지 여부 중 적어도 하나에 기초하여, 상기 로컬 모델을 갱신하는, 방법. - 인공지능 모델을 갱신하는 전자 장치에 있어서,
로컬 모델을 저장하는 메모리;
상기 로컬 모델을 갱신하는데 이용되는 상기 전자 장치의 상황에 관한 정보가 변경됨을 검출하고, 상기 변경된 상황에 관한 정보에 기초하여, 상기 로컬 모델을 갱신하기 위한 그래디언트를 결정하고, 상기 결정된 그래디언트에 기초하여, 상기 로컬 모델을 갱신하는 적어도 하나의 프로세서; 및
상기 그래디언트를 서버로 전송하고, 상기 서버로부터 상기 그래디언트에 기초하여 갱신된 글로벌 모델에 관한 정보를 수신하는 통신부를 포함하고,
상기 적어도 하나의 프로세서는, 상기 수신된 정보에 기초하여 상기 로컬 모델을 갱신하는, 전자 장치. - 제12항에 있어서, 상기 적어도 하나의 프로세서는
상기 변경된 상황에 관한 정보에 기초하여, 상기 로컬 모델에 의해 출력될 수 있는 예측 정보 및 상기 예측 정보에 대한 정답을 나타내는 관측 정보를 획득하고, 상기 관측 정보 및 상기 예측 정보 간 차이를 나타내는 손실 함수를 획득하고, 상기 손실 함수의 값이 최소가 되는 지점과 관련된 정보를 포함하는 상기 그래디언트를 결정하는, 전자 장치. - 제12항에 있어서, 상기 갱신된 글로벌 모델에 관한 정보는,
상기 글로벌 모델을 갱신하는데 이용된, 상기 글로벌 모델에 대한 손실 함수의 값이 최소가 되는 지점과 관련된 정보를 포함하는 그래디언트를 포함하는, 전자 장치. - 제13항에 있어서, 상기 적어도 하나의 프로세서는
상기 갱신된 글로벌 모델에 대한 그래디언트에 포함된 손실 함수와 관련된 정보와, 상기 갱신된 로컬 모델에 대한 그래디언트에 포함된 손실 함수와 관련된 정보 간에 서로 대응되는 정보에 대한 적어도 하나의 대표값을 획득하고,
상기 적어도 하나의 대표값에 기초하여, 상기 로컬 모델을 갱신하는, 전자 장치. - 제15항에 있어서, 상기 적어도 하나의 대표값 중 적어도 하나의 값은
상기 각각 대응되는 정보에 대한 가중 평균값이고,
상기 가중 평균값은 상기 서로 대응되는 각각의 정보에 적어도 하나의 가중치가 적용됨으로써 획득되고,
상기 적어도 하나의 가중치 중, 상기 갱신된 로컬 모델에 대한 그래디언트에 포함된 손실 함수와 관련된 정보에 적용되는 가중치는, 상기 전자 장치의 상황에 관한 정보에 기초하여, 결정되는, 전자 장치. - 제12항에 있어서, 상기 글로벌 모델은,
적어도 하나의 외부 장치에 대한 각각의 로컬 모델이 갱신됨에 따라, 상기 각각의 로컬 모델에 대한 적어도 하나의 그래디언트에 기초하여 갱신된 후, 상기 전자 장치로부터 상기 그래디언트가 수신됨에 따라 상기 전자 장치의 그래디언트에 기초하여 갱신되는, 전자 장치. - 제12항에 있어서, 상기 적어도 하나의 프로세서는
상기 전자 장치에서 상기 로컬 모델의 그래디언트를 전송할 중개 장치를 식별하고, 상기 중개 장치를 통해 상기 로컬 모델의 그래디언트를 상기 서버로 전송하도록 상기 통신부를 제어하고,
상기 중개 장치는, 적어도 하나의 전자 장치로부터 적어도 하나의 그래디언트를 수신하고, 수신된 적어도 하나의 그래디언트를 상기 서버로 전송하는, 전자 장치. - 제12항에 있어서, 상기 적어도 하나의 프로세서는
현재의 글로벌 모델에 대한 그래디언트와, 이전에 상기 서버에서 상기 전자 장치로 전송된 상기 글로벌 모델의 그래디언트가 기준값 이상 차이가 존재함에 따라, 상기 서버로부터 상기 현재의 글로벌 모델에 대한 그래디언트를 수신하도록 상기 통신부를 제어하고, 상기 수신된 그래디언트에 기초하여 상기 로컬 모델을 갱신하는, 전자 장치. - 제 1항 내지 제 11항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202080010910.1A CN113366520A (zh) | 2019-04-12 | 2020-04-13 | 用于更新人工智能模型的电子设备、服务器及其操作方法 |
EP20788289.5A EP3816917A4 (en) | 2019-04-12 | 2020-04-13 | ELECTRONIC DEVICE FOR UPDATING ARTIFICIAL INTELLIGENCE MODELS, SERVERS AND OPERATING PROCEDURES THEREFORE |
US16/846,825 US11531912B2 (en) | 2019-04-12 | 2020-04-13 | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model |
PCT/KR2020/004965 WO2020209693A1 (ko) | 2019-04-12 | 2020-04-13 | 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 |
KR1020200044591A KR20200120557A (ko) | 2019-04-12 | 2020-04-13 | 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 |
US16/898,890 US20200327451A1 (en) | 2019-04-12 | 2020-06-11 | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190043309 | 2019-04-12 | ||
KR20190043309 | 2019-04-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200120469A true KR20200120469A (ko) | 2020-10-21 |
Family
ID=73035014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190120851A KR20200120469A (ko) | 2019-04-12 | 2019-09-30 | 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3816917A4 (ko) |
KR (1) | KR20200120469A (ko) |
CN (1) | CN113366520A (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102390553B1 (ko) * | 2020-11-24 | 2022-04-27 | 한국과학기술원 | 연합 학습 방법 및 시스템 |
WO2022107910A1 (ko) * | 2020-11-18 | 2022-05-27 | 한국전자기술연구원 | 재학습 가능한 모바일 딥러닝 하드웨어 장치 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114978899B (zh) * | 2022-05-11 | 2024-04-16 | 业成光电(深圳)有限公司 | AIoT设备更新方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3014428A4 (en) * | 2013-06-28 | 2017-03-22 | Samsung Electronics Co., Ltd. | Method and apparatus for updating application |
TWI533211B (zh) * | 2013-11-14 | 2016-05-11 | 財團法人資訊工業策進會 | 用於任務排程之電腦系統,方法及電腦可讀取記錄媒體 |
US10824958B2 (en) * | 2014-08-26 | 2020-11-03 | Google Llc | Localized learning from a global model |
US10402469B2 (en) * | 2015-10-16 | 2019-09-03 | Google Llc | Systems and methods of distributed optimization |
KR20180037760A (ko) * | 2016-10-05 | 2018-04-13 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
CN108122032B (zh) * | 2016-11-29 | 2020-02-14 | 华为技术有限公司 | 一种神经网络模型训练方法、装置、芯片和系统 |
-
2019
- 2019-09-30 KR KR1020190120851A patent/KR20200120469A/ko unknown
-
2020
- 2020-04-13 CN CN202080010910.1A patent/CN113366520A/zh active Pending
- 2020-04-13 EP EP20788289.5A patent/EP3816917A4/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022107910A1 (ko) * | 2020-11-18 | 2022-05-27 | 한국전자기술연구원 | 재학습 가능한 모바일 딥러닝 하드웨어 장치 |
KR102390553B1 (ko) * | 2020-11-24 | 2022-04-27 | 한국과학기술원 | 연합 학습 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
EP3816917A1 (en) | 2021-05-05 |
CN113366520A (zh) | 2021-09-07 |
EP3816917A4 (en) | 2021-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200118010A1 (en) | System and method for providing content based on knowledge graph | |
KR102556492B1 (ko) | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 | |
KR20200120557A (ko) | 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 | |
US11868739B2 (en) | Device and method for providing application translation information | |
KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
US10382907B2 (en) | Device and method for providing notification message about call request | |
KR20190117837A (ko) | 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 | |
KR20190089628A (ko) | 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 | |
KR20200120469A (ko) | 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 | |
KR102430567B1 (ko) | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 | |
US11106913B2 (en) | Method and electronic device for providing object recognition result | |
KR20190133100A (ko) | 어플리케이션을 이용하여 음성 입력에 대한 응답을 출력하는 전자 장치 및 그 동작 방법 | |
US20230244953A1 (en) | Artificial intelligence model distributed processing system, and method for operating same | |
US11531912B2 (en) | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model | |
KR20190032051A (ko) | 디바이스 사용 문의에 대한 응답을 제공하는 디바이스 및 방법 | |
US20200327451A1 (en) | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model | |
KR20210095429A (ko) | 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법 | |
US20210004702A1 (en) | System and method for generating information for interaction with a user | |
US11617957B2 (en) | Electronic device for providing interactive game and operating method therefor | |
KR20220023212A (ko) | 단말의 모델을 갱신하는 서버 및 그 동작 방법 | |
KR20220088169A (ko) | 인공지능 모델을 변환하는 전자 장치 및 그 동작 방법 | |
US11217267B2 (en) | Electronic device for identifying location information of external device and operating method thereof | |
KR20220036781A (ko) | 응답이 변화된 이유에 관한 정보를 제공하는 전자 장치 및 그 동작 방법 | |
KR20200092742A (ko) | 보이스 어시스턴트 서비스를 제공하는 시스템 및 방법 |