KR20200123086A - 사용자-특정 사용자 인터페이스 생성 - Google Patents

사용자-특정 사용자 인터페이스 생성 Download PDF

Info

Publication number
KR20200123086A
KR20200123086A KR1020207018539A KR20207018539A KR20200123086A KR 20200123086 A KR20200123086 A KR 20200123086A KR 1020207018539 A KR1020207018539 A KR 1020207018539A KR 20207018539 A KR20207018539 A KR 20207018539A KR 20200123086 A KR20200123086 A KR 20200123086A
Authority
KR
South Korea
Prior art keywords
user
model
decision
reliability
user interface
Prior art date
Application number
KR1020207018539A
Other languages
English (en)
Inventor
쿤 유
숄로모 버코브스키
Original Assignee
커먼웰쓰 사이언티픽 앤드 인더스트리얼 리서치 오가니제이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from AU2017905135A external-priority patent/AU2017905135A0/en
Application filed by 커먼웰쓰 사이언티픽 앤드 인더스트리얼 리서치 오가니제이션 filed Critical 커먼웰쓰 사이언티픽 앤드 인더스트리얼 리서치 오가니제이션
Publication of KR20200123086A publication Critical patent/KR20200123086A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/38—Creation or generation of source code for implementing user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N5/003—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0257—User requested
    • 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]
    • G06Q30/0641—Shopping interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Dermatology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 일반적으로 사용자-특정 사용자 인터페이스의 생성에 관한 것이다. 구체적으로, 사용자-특정 사용자 인터페이스(612)를 생성하기 위한 컴퓨터 구현 방법(600)이 제공된다. 상기 방법(600)은 학습 단계 및 실행 단계를 포함한다. 상기 학습 단계는 하나 또는 그 이상의 사전-정의된 작업을 사용자에게 제시하는 단계(602)로서, 상기 사전-정의된 작업은 사전-정의된 작업 특징을 포함하는, 단계, 상기 사용자가 상기 사전-정의된 작업을 완료할 동안, 사용자 상호 작용 특징을 캡처하는 단계(604), 상기 하나 또는 그 이상의 사전-정의된 작업에 대한 상기 사용자의 결정을 나타내는 사용자 결정 입력을 캡처하는 단계(606), 및 상기 사전-정의된 작업 특징, 상기 사용자 상호 작용 특징, 및 상기 사용자 결정 입력 사이의 연관성을 모델링하는 사용자-특정 신뢰 모델을 생성하는 단계(608)를 포함한다. 상기 실행 단계는 현재 작업 특징에 대한 상기 사용자-특정 신뢰 모델을 평가하는 단계(610), 및 현재 작업 특징에 대한 사용자-특정 신뢰 모델을 평가하는 단계에 기초하여, 사용자 인터페이스 요소를 상기 사용자 인터페이스 내에 선택적으로 포함하고, 이에 따라 사용자-특정 사용자 인터페이스를 생성하는 단계(612)를 포함한다.

Description

사용자-특정 사용자 인터페이스 생성
본 출원은 2017년 12월 21일자로 출원된 오스트레일리아 가특허출원 제2017905135호로부터 우선권을 주장하며, 그 내용은 전체가 여기에 참조 인용되었다.
본 발명은 사용자-특정 사용자 인터페이스(user-specific user interface)를 생성하기 위한 컴퓨터-구현 방법, 소프트웨어, 디바이스, 및 시스템에 관한 것이다.
이동 전화, 개인용 컴퓨터, 및 기계를 포함하는 디바이스와 같은 컴퓨터 시스템 상의 사용자 인터페이스는, 더욱 더 복잡해지고 있다. 이와 동시에 이들 시스템의 사용자는 이들이 상기 디바이스들을 사용하는 방법이 상당히 상이하다. 그 결과, 일부 사용자에게 유용한 사용자 인터페이스는 다른 사용자에게는 유용하지 않다. 이는 사용자 만족도의 감소 및 차선의 의사 결정으로 이어진다.
본 명세서에 포함된 문서, 행위, 재료, 디바이스, 물품 등에 관한 임의의 논의는, 이들 문제의 일부 또는 전부가 종래 기술 기저의 일부를 형성하거나, 또는 첨부된 각각의 청구범위의 우선일 이전에 존재했던 바와 같이 본 발명과 관련된 분야의 통상적인 일반 지식이라는 입장으로는 받아들여지지 않는다.
사용자-특정 사용자 인터페이스를 생성하기 위한 방법이 제공된다. 이런 방법은, 각각의 사용자에 대해 개별적으로 트레이닝되고 또한 사용자 인터페이스의 상이한 기능성이나 특징에 따라 특정 사용자가 신뢰를 어떻게 부여하는지를 설명하는 모델을 사용하고 있다. 그러면 사용자에게는 사용자가 신뢰하는 기능성들만 제공하는 것이 가능하다.
여기서 사용자 인터페이스를 참조할 때는, 컴퓨터 스크린 상에 디스플레이된 그래픽 사용자 인터페이스에 제한되지 않을 뿐만 아니라, 라디오 버튼 및 스위치와 같은 하드웨어 제어부를 포함하는 물리적 사용자 인터페이스도 포함한다.
사용자-특정 사용자 인터페이스를 생성하는 방법은 다음을 포함한다:
학습 단계(learning phase);
상기 학습 단계는,
하나 또는 그 이상의 사전-정의된 작업을 사용자에게 제시하는 단계로서, 상기 사전-정의된 작업은 사전-정의된 작업 특징을 포함하는 단계,
상기 사용자가 상기 사전-정의된 작업을 완료할 동안, 사용자 상호 작용 특징을 캡처하는 단계,
상기 하나 또는 이상의 사전-정의된 작업에 대해 상기 사용자에 의한 결정을 나타내는 사용자 결정 입력을 캡처하는 단계; 및
상기 사전-정의된 작업 특징, 상기 사용자 상호 작용 특징, 및 상기 사용자 결정 입력 사이의 연관성을 모델링하는 사용자-특정 신뢰 모델을 캡처하는 단계를 포함하고,
실행 단계(execution phase)를 포함하며,
상기 실행 단계는,
현재 작업 특징에 대한 상기 사용자-특정 신뢰 모델을 평가하는 단계; 및
상기 현재 작업 특징에 대한 상기 사용자-특정 신뢰 모델을 평가하는 단계에 기초하여, 사용자 인터페이스 요소를 상기 사용자 인터페이스 내에 선택적으로 포함하고, 이에 따라 사용자-특정 사용자 인터페이스를 생성하는 단계를 포함한다.
상기 사용자 인터페이스는 다음 중 하나 또는 그 이상을 포함할 수 있다:
그래픽 사용자 인터페이스;
기계 또는 디바이스 사용자 인터페이스; 및
온라인 상점 인터페이스.
상기 사용자 인터페이스 요소는 판매 아이템일 수 있다.
상기 사용자 인터페이스 요소는 옵션 또는 제어부일 수 있다.
사용자의 결정을 예측하는 컴퓨터 구현 방법은 이하의 단계를 포함한다:
상기 사용자에 의해 수행된 제1 작업과 연관된 제1 작업 데이터를 수신하는 단계;
상기 제1 작업 데이터에 기초하여, 신뢰성 레벨을 결정하는 단계;
상기 신뢰성 레벨에 기초하여, 사용자에 대한 신뢰성 모델을 결정하는 단계;
상기 사용자에 의해 수행된 제2 작업과 연관된 제2 작업 데이터를 수신하는 단계; 및
상기 신뢰성 모델 및 상기 제2 작업 데이터에 기초하여, 사용자의 결정을 예측하는 단계.
인간-기계(또는 인간-시스템) 신뢰는 사람들이 지능형 시스템으로 작업하는 방식에 영향을 끼치는 핵심적인 역할을 하며; 인간에 의해 위치된 적절한 신뢰는 인간-시스템 협업에 유리하여, 인간의 노력을 절약하고 그리고 협업 성과를 향상시키는 반면에, 예를 들어 사용자가 시스템을 보증된 것 이상으로 신뢰하거나 또는 신뢰성 있는 시스템을 신뢰하지 않는 부적절한 신뢰는 부적절한 시스템 사용 또는 심지어 작업 실패로 이어진다. 이런 방법의 이점은, 디바이스가 특정 사용자의 신뢰를 얻을 수 있는지의 여부 및/또는 일부 정보나 서비스가 특정 사용자의 신뢰 프로필에 적절한지의 여부를 결정하기 위한, 신뢰의 교정 및 신뢰 모델의 적용이다. 직접적인 영향은, 정보 전달 메커니즘이 다른 사용자의 요구에 맞춰질 수 있다는 점이다. 주어진 사용자에 대해서는, 신뢰 프로필에 기초하여, 사용 결정이 예측될 수 있으며, 이는 사람이 컴퓨터와 상호 작용하는 방식을 확장하는 데 유용한 툴이 될 수 있어서; 결정 실행 효율(decision execution efficiency)이 자동화된 방식으로 훨씬 향상될 수 있다. 이는 사용자의 신뢰를 정량화하고, 또한 다른 사용자의 신뢰 레벨의 정성적인 비교를 통해, 설계자로 하여금 특징이 사용자의 하나의 특정 카테고리를 강화시킬 것이라는 정확한 결정을 내릴 수 있다는 점에서, 제품 설계를 촉진시킬 것이다.
상기 제2 작업 데이터는 디바이스와 연관될 수 있다.
사용자의 예측은 상기 디바이스를 제어하기 위한 사용자의 결정을 예측하는 단계를 포함할 수 있다.
상기 컴퓨터 구현 방법은, 제1 작업 데이터에 기초하여, 제1 사용자 결정 데이터를 결정하는 단계를 추가로 포함할 수 있다.
상기 컴퓨터 구현 방법은, 제1 작업 데이터에 기초하여, 사용자 행동 데이터를 결정하는 단계를 추가로 포함할 수 있다.
상기 신뢰성 모델을 결정하는 단계는 제1 작업 데이터, 신뢰성 레벨, 제1 사용자 결정 데이터, 및 사용자 행동 데이터에 기초할 수 있다.
상기 컴퓨터 구현 방법은 상기 신뢰성 레벨을 예측하는 단계를 추가로 포함할 수 있다.
상기 컴퓨터 구현 방법은 사용자-기계 성능을 예측하는 단계를 추가로 포함할 수 있다.
컴퓨터 시스템의 출력은 다음 중 하나 또는 그 이상에 기초하여 변경될 수 있다:
사용자의 예측된 결정;
신뢰성 레벨; 및
사용자-기계 성능.
상기 컴퓨터 시스템의 출력을 변경하는 단계는, 정보의 흐름을 관리하기 위해 상기 사용자 인터페이스를 변경하는 단계를 포함할 수 있다.
사용자에 대한 신뢰성 모델은, 과정지도 기계 학습법(supervised machine learning method)에 의해 구성될 수 있다.
상기 과정지도 기계 학습법은 인공 신경망(artificial neural network)일 수 있다.
상기 신뢰성 모델에 대한 입력은 다음 중 하나 또는 그 이상을 포함할 수 있다:
표준 작업 세트에 대한 작업 파라미터;
상기 제1 작업 데이터에 기초한 사용자 행동;
상기 제1 작업 데이터에 기초한 사용자 결정; 및
상기 제1 작업 데이터에 기초한 신뢰성 레벨.
상기 표준 작업 세트에 대한 작업 파라미터는 다음 중 하나 또는 그 이상을 포함할 수 있다:
카테고리;
난이도; 및
프리젠테이션(presentation).
상기 컴퓨터 구현 방법은 사용자의 생리학적 신호를 나타내는 데이터를 수신하는 단계를 추가로 포함할 수 있으며, 상기 사용자 행동은 생리학적 신호를 포함한다.
상기 제1 작업 데이터에 기초한 사용자 결정은 다음을 포함할 수 있다:
예(yes);
아니오(no); 및
아마도(maybe).
상기 신뢰성 레벨은 다음을 포함할 수 있다:
비교적 높음; 및
비교적 낮음.
컴퓨터 시스템에 의해 수행되었을 때, 기계 판독 가능한 명령인 소프트웨어는, 컴퓨터 시스템으로 하여금 전술한 방법을 수행하게 한다.
사용자의 결정을 예측하기 위한 컴퓨터 시스템은:
상기 사용자에 의해 수행된 제1 작업과 연관된 제1 작업 데이터를 수신하는;
상기 제1 작업 데이터에 기초하여, 신뢰성 레벨을 결정하는;
상기 신뢰성 레벨에 기초하여, 사용자에 대한 신뢰성 모델을 결정하는;
상기 사용자에 의해 수행된 제2 작업과 연관된 제2 작업 데이터를 수신하는; 및
상기 신뢰성 모델 및 상기 제2 작업 데이터에 기초하여, 사용자의 결정을 예측하는,
프로세서를 포함한다.
상기 학습 단계는 사전-정의된 작업 특징으로부터 중요한 특징을 결정하는 단계, 및 상기 중요한 특징, 상기 사용자 상호 작용, 및 상기 사용자 결정 입력 사이의 연관성을 모델링하는 사용자-특정 신뢰 모델을 생성하는 단계를 추가로 포함한다.
상기 하나 또는 이상의 사전-정의된 작업은 제1 사용자 인터페이스를 통해 사용자에게 제시되며, 또한 상기 현재 작업 특징은 제2 사용자 인터페이스를 통해 제공된다.
상기 제1 사용자 인터페이스는 제2 사용자 인터페이스와는 상이하다.
상기 제1 인터페이스는 제1 디바이스와 연관되고, 상기 제2 인터페이스는 제2 디바이스와 연관되며, 여기서 상기 제1 디바이스는 제2 디바이스와는 상이하다.
본 명세서 전체를 통해, "포함하다(comprise)"라는 단어, 또는 "포함하다(comprises)" 또는 "포함하는(comprising)"과 같은 파생어는 언급된 요소, 정수(integer) 또는 단계, 또는 요소의 그룹, 정수들 또는 단계들의 포함을 의미하는 것으로 이해될 것이지만, 그러나 임의의 다른 요소, 정수 또는 단계, 또는 요소 그룹, 정수들 또는 단계들을 배제하지 않는다.
이하의 도면을 참조하여 예가 기재될 것이다.
도 1은 사용자의 결정을 예측하기 위한 방법을 구현하는 시스템의 예시적인 개요를 나타내고 있다.
도 2는 도 1의 예를 확장하여, 새로운 예시적인 시스템 및 정보 흐름을 나타내고 있다.
도 3은 시스템이 제공하는 선택을 나타내고 있다.
도 4는 상이한 계층의 모델 구성 및 평가를 나타내고 있다.
도 5는 예시적인 결정 트리(decision tree)이다.
도 6은 사용자-특정 사용자 인터페이스를 생성하기 위한 방법을 나타내고 있다.
본 발명은 사용자-특정 적용 시스템을 생성하기 위한 방법을 제공하고 있으며, 그 아이디어는 각각의 사용자에 대한 신뢰 모델을 결정하는 단계에 기초하여 사용자 인터페이스 적용의 예를 통해 해석된다. 본 발명 전체에 있어서, 신뢰도(trustworthiness)는 신뢰성과 함께 서로 동의어로 사용된다. 신뢰는 신뢰 관계의 사용자측을 지칭할 수 있는 반면에, 신뢰도는 신뢰되는 시스템측 특성을 나타낼 수 있다. 본 발명은 먼저 신뢰성(즉, 신뢰도)의 교정을 설명하고, 그 후 신뢰-기반 사용자 적용 시스템의 예로서 사용자-특정 사용자 인터페이스를 생성하는 방법을 설명할 것이다.
상기 신뢰가 단독으로는 인터페이스에 제한되지 않지만, 그러나 시스템의 일부 성능, 모듈, 또는 파라미터가 신뢰로 나타날 수도 있는 상호 작용 시스템도 제공된다.
이하의 기재는 신뢰성의 교정(즉, 트레이닝), 및 신뢰성 모델의 적용을 설명하고 있다. 상기 신뢰성 모델은 디바이스가 신뢰될 수 있다고 판단되는지의 여부 또는 신뢰 모델로 사용될 수 있는지의 여부를 결정하는 데 사용될 수 있다. 주어진 사용자에 대해, 사용자 결정은 사람이 컴퓨터와 상호 작용하는 방식을 확장하기에 유용한 툴인 신뢰성 모델에 기초하여 예측될 수 있는데, 그 이유는 컴퓨터에 의해 수행되는 모든 작업이 다른 작업처럼 신뢰할 수는 없기 때문이다. 이런 방식으로, 결정 실행이 자동화될 수 있고, 효율성이 향상될 수 있다.
도 1은 사용자의 결정을 예측하기 위한 방법을 구현하는 시스템의 예시적인 개요를 나타내고 있다. 상기 방법은 사용자에 의해 수행된 제1 작업과 연관된 제1 작업 데이터를 수신하는 단계; 상기 제1 작업 데이터에 기초하여, 신뢰성 레벨을 결정하는 단계; 상기 신뢰성 레벨에 기초하여, 사용자에 대한 신뢰성 모델을 결정하는 단계; 사용자에 의해 수행된 제2 작업과 연관된 제2 작업 데이터를 수신하는 단계; 및 상기 신뢰성 모델 및 상기 제2 작업 데이터에 기초하여, 사용자의 결정을 예측하는 단계를 포함한다.
이런 예에서, 사용자(102)는 맞춤형 자동화 시스템(110)과 상호 작용하고 있다. 상기 시스템(110)은 마우스(104), 디스플레이(106), 및 비디오 캡처 디바이스(video capture device)(108)를 포함한다. 사용자는 상기 시스템(110)과 통신하는 심박수(heart rate)를 측정하는 디바이스(103)를 착용하고 있다.
이런 예에 있어서, 사용자(102)는 자신의 정보를 상기 시스템(110)에 등록한다. 이런 정보는 질문이 그 바람직한 상호 작용 방식, 그 디바이스 사용 습관, 및 유사한 행동 특징에 관한 것일 수 있는 설문지(questionnaire)(120)를 사용하여 수집될 수 있다. 상기 질문은 과거의 상호 작용 데이터에 기초할 수도 있다.
상기 시스템(110)은 사용자에 의해 이루어진 결정과 같은 사용자의 상호 작용 행동을 추적하며(122), 갈바니 피부 반응(galvanic skin response)(GSR), 뇌파(electroencephalography)(EEG), 및 눈 추적 신호(eye tracking signal)와 같은 사용자의 생체학적 데이터를 측정한다[단계(124)]. 상기 시스템(110)은 또한 사용자(126)의 자체-보고된 신뢰 또는 신뢰 레벨에 대한 정보를 수집할 것이다(예를 들어, 설문지를 다시 이용함으로써).
그 후, 시스템(110)은 데이터를 외부 서버(112)에 통신한다. 상기 서버(112)는 사용자의 상호 작용에 기초하여 사용자의 신뢰성 레벨(130)을 결정한다. 그 후, 서버(112)는 또한 사용자에 대한 신뢰성 모델(132)을 결정한다. 상기 서버(112)는 그 정확성, 신뢰성, 및 프리젠테이션 방법을 포함하는, 자동화 시스템(110)의 파라미터를 모니터링한다. 상기 자동화 시스템(110)은 신뢰성 모델을 트레이닝시키기 위해 사용될 것이며, 그 동안 신뢰성 모델 트레이닝에 중요한 특징들이 결정될 것이다. 신뢰 모델을 트레이닝시키기 위해, 다시 동일한 프로세스가 서버(112)에 의해 사용될 수 있다.
사용자가 새로운 시스템과 상호 작용할 때, 새로운 시스템의 파라미터는 상기 신뢰 모델에 의해 선택된 특징과 함께 조합되어, 상기 신뢰성 모델에서 프로세싱될 것이다. 상기 모델은 사용자의 신뢰성 레벨을 계산하여, 그의 또는 그녀의 의사 결정 패턴을 예측할 것이다.
상기 신뢰 모델의 출력은 제어 모듈의 입력일 수 있다. 도 1의 이런 예에 있어서, 자동화된 시스템은 시스템(110)에 통신되는(150) 예측된 사용자 결정(134)에 의해 제어된다. 이는, 예를 들어 인간-시스템 협업에 해로운 것으로 간주되는 낮은 레벨의 인지된 신뢰성이 식별되는 경우에 이루어질 수 있으며, 주행 모드의 조정 또는 자동화 시스템(10)의 출력과 같은 특정 명령이 트리거될 수 있다. 다른 실시예에 있어서, 사용자 인터페이스는 사용자 인터페이스 내에 사용자의 신뢰를 증가시키는 사용자-특정 사용자 인터페이스로 조정된다. 상기 명령은 사용자의 신뢰성 레벨을 향상시키고, 이에 따라 인간-기계 협업 효율을 보장하는 것을 목표로 할 수 있다.
도 2는 도 1의 예를 확장하여, 예시적인 새로운 시스템(210) 및 정보 흐름을 나타내고 있다. 이런 예에 있어서, 도 1의 예에 구성된 신뢰성 모델(160)은 도 1에서처럼 시스템에 대해 외부에 있는 것이 아니라 시스템의 일부이며, 또한 사용자(102)를 위한 쇼핑 경험에 맞추는 것에 관한 정보를 시스템에 제공한다. 이런 예에 있어서, 제2 작업 사용자(102)는 그의 집을 위한 새로운 착즙기(juicer)를 구매하는 것을 보고 있다. 사용자(102)가 가전제품, 블렌더, 및 기계식 주스에 익숙하더라도, 사용자는 이전에는 전기 착즙기를 결코 사용하지 않았다.
사용자(102)는 몇몇 전기 디바이스를 작동시키도록 요청되며, 사용자의 생리학적 특징이 측정된다. 상기 시스템(200)은 사용자(202)의 결정을 예측하기 위해 다수의 생리학적 측정값을 이용한다. 도 1의 예시적인 시스템에서처럼, 심박수 모니터(203), 마우스(204), 디스플레이(206), 및 비디오 캡처 디바이스(208)가 제공된다. 상기 비디오 캡처 디바이스(208)는 사용자의 시각적 행동을 모니터링하는 데 사용될 수 있으며, 또한 머리 움직임을 모니터링하는 단계, 눈 운동을 추적하는 단계, 및 손 움직임을 모니터링하는 단계를 포함할 수 있다.
상기 시스템(210)은 생리학적 특징(120)을 측정하기 위한 다수의 모듈을 가지며, 여기에는 손 움직임(224')을 측정하기 위한, 눈 움직임(224")을 측정하기 위한, 심박수(224"')를 측정하기 위한, 및 호흡률(224"")을 측정하기 위한 모듈들이 포함된다.
상기 시스템(210)은 사용자의 온라인 쇼핑 관심 및 신뢰성 프로필에 기초하여 설문지를 준비한다. 예시적인 설문지는 다음과 같이 표시된다.
<온라인으로 구매할 아이템의 카테고리를 선택하십시오:
(a) 예술 (b) 컴퓨터 (c) 건강 및 미용 (d) 가전>
이런 예에 있어서, 사용자는 하나의 카테고리인 가전제품을 선택했다. 이에 응답하여, 시스템(210)은 다음과 같은 질문을 결정한다:
<이하의 아이템 중 어떤 것에 관심이 있는지 알려주십시오.
(a) 전기 착즙기 (b) 진공 청소기 (c) 선풍기 (d) 온수 시스템>
상기 시스템(210)은, 하나의 특정 아이템이 사용자에 대해 결정될 때까지, 유사한 세련된 질문을 생성할 수 있다. 이런 예에 있어서, 상기 시스템은 사용자가 전기 착즙기에 관심이 있는지의 여부를 결정하기 위해 충분히 세련된 질문을 생성했다.
일단 사용자가 전기 착즙기에 관심이 있는 것으로 결정되었다면, 시스템(210)은 전기 착즙기의 인지된 신뢰성을 예측하는 신뢰성 모델(160)을 결정할 수 있다(232).
<이하의 전기 과즙기를 확인하고 비교하십시오. 더 나은 추천 서비스를 제공하기 위해, 행동 및 GSR 데이터를 사용하여 신뢰성 모델을 구성해야 할 수도 있습니다.
www.ebay.com/item=ejuicer1
www.ebay.com/item=ejuicer2
www.ebay.com/item=ejuicer3
당신이 얼마나 믿는지 평가하십시오:
착즙기가 적절히 작동하여, 당신의 필요를 충족시킬 수 있다.
착즙기의 작동 방식을 이해하는 것이 쉽다.
판매자는 좋은 제품과 양질의 서비스를 제공할 수 있다.
착즙기의 브랜드는 신뢰할 수 있다.
위의 각각의 진술에 대해 1-5로 평가하십시오. 여기서 1은 진술에 완전히 동의하지 않음을 나타내고, 5는 진술에 완전히 동의함을 의미합니다.>
이런 예에 있어서, 시스템은 사용자의 생체학적 데이터(224)를 측정한다. 사용자(102)가 제품들을 비교하기 위해 각각의 웹사이트를 확인할 때, 사용자의 눈 및 마우스 움직임은 타임 스탬프(time stamp)와 함께 캡처될 것이다. 이런 예에 있어서, 갈바니 피부 반응(GSR) 신호는 사용자에 의해 팔(203)에 착용된 밴드를 사용하여 비교 프로세스를 통해 모두 수집된다.
이런 예에 있어서, 사용자(102)의 마우스(204) 커서는 웹페이지의 제품 설명 부분에 머무르고, 이와 동시에 사용자의 시력은 착즙기의 모터 전력에 집중된다. 사용자(102)는 2000 와트 미만의 모터 전력을 갖는 착즙기에서는 많은 시간을 소비하지 않는다. 사용자는 다른 고객의 제품 리뷰를 다시 확인하지만, 그러나 눈 추적에 기초하면, 사용자는 부정적인 리뷰에만 관심이 있으며 그 각각에 5초 이상을 소비한다. 사용자는 또한 착즙기의 보증을 확인하지만, 그러나 웹페이지를 빠르게 스크롤하며, 모두 4개의 착즙기에 대한 보증 정보를 확인하지는 않는다.
상기 시스템은 사용자 상호 작용 데이터(222)를 추적 및 수집할 것이다. 이런 예에서는, 이하의 결정 및 성능이 수집된다:
사용자가 가장 많은 시간을 소비한 착즙기;
사용자가 가장 적은 시간을 소비한 착즙기; 및
위에서 언급한 착즙기의 각각의 등급.
이런 예에서와 같이, 상기 시스템은 제품에 대한 정보를 저장, 수집, 또는 조회한다. 예를 들어, 시스템(210)은 각각의 착즙기에 대한 리뷰를 저장하여, 긍정적인 리뷰가 가장 많은 착즙기에 사용자가 가장 많은 시간을 소비하도록 설정될 수 있다. 마찬가지로, 상기 시스템(210)은 각각의 착즙기의 전력에 대한 데이터를 저장하므로, 가장 적은 전력을 갖는 착즙기에 대해서는 사용자가 더 적은 시간을 소비하도록 설정될 수 있다. 시스템(210) 자체는 데이터를 저장할 필요가 없으며, 또한 관련 데이터는 인터넷과 같은 통신 네트워크를 통해 제3자 데이터 소스로부터 조회될 수 있다.
도 3은 사용자 보고 정보(220), 상호 작용 행동(222), 생체학적 데이터(224), 및 신뢰성 레벨(226)에 기초하여 시스템이 제공하는 선택들을 나타내고 있다. 도 3의 예에서, 제1 착즙기(302)는 강력하며, 그리고 가장 긍정적인 리뷰를 받았다. 제2 착즙기(304)는 가장 강력하지만, 그러나 긍정적인 리뷰가 적다. 제3 착즙기(306)는 강력하지만, 그러나 가장 부정적인 리뷰를 받았다. 제4 착즙기(308)는 전력이 가장 적었으며, 두 번째로 많은 부정적인 리뷰를 받았다. 사용자(102)는 충분히 강력하지 않은 착즙기(308)에 대해서는 거의 시간을 소비하지 않는다. 사용자(102)는 착즙기(306)에 실질적으로 상당한 시간을 소비하지만, 그러나 착즙기의 부정적인 리뷰에 의해 부정적인 영향을 받는 것으로 나타났다.
추가적인 상세한 내용
믿음
인간-기계 상호 작용에 사용자 신뢰를 나타내는 다양한 정의가 제안될 수 있다. 하나의 정의는 '신뢰는 불확실성 및 취약성을 특징으로 하는 상황에서 대리인(agent)이 개인의 목표를 달성하는 데 도움이 될 태도로서 정의될 수 있다'는 것이다.
인간-자동화 신뢰는 3계층의 가변성, 즉 처분적 신뢰(dispositional trust), 상황적 신뢰(situational trust), 및 학습된 신뢰(learned trust)로 설명될 수 있다.
처분적 신뢰는 기계를 신뢰하는 사용자의 자연스런 경향을 반영하고, 또한 문화적, 인구학적, 및 성격적 요소를 포함한다.
상황적 신뢰는 수행될 작업, 시스템의 복잡성 및 타입, 사용자의 작업량, 인지된 위험과 이점, 및 심지어 기분과 같은 더욱 특정한 요소를 지칭한다.
학습된 신뢰는 시스템 자체와 직접적으로 연관된 구성의 경험적 양태를 캡슐화한다. 이런 변수는 2개의 구성요소로 추가로 분해된다. 하나는 최초의 학습된 신뢰로서, 이는 평판이나 브랜드 인지도와 같은 상호 작용 이전에 얻어진 시스템의 임의의 지식으로 구성되어 있다. 이런 학습된 신뢰의 초기 상태는, 사용자가 시스템과 상호 작용하고 또한 신뢰성, 예측 가능성, 및 유용성과 같은 그 성능 특성의 경험적 지식을 개발하기 시작함에 따라 진화하는 동적 학습 신뢰에 의해 영향을 받는다.
본 발명에 있어서, 상기 시스템은 사용자의 응답, 행동, 및 생리학적 그리고 생체학적 측정에 기초하여, 신뢰의 객관적 측정을 생성한다. 즉, 본 발명의 시스템은 개별 사용자의 주관적인 신뢰의 결정보다는 신뢰의 객관적 측정을 이용한다. 이런 차이점은, 시스템이 사용자의 주관적 신뢰에 대한 예측을 제안하지 않기 때문에, 시스템이 객관적 측정된 신뢰에 대해서만 예측을 하므로, 이는 객관적으로 측정된 신뢰가 사용자에 대한 주관적인 신뢰와 동일하지 않다면, 예측하여 실질적으로 차이를 만들 수 있다. 이런 의미에서, 본 발명은 사용자의 신뢰의 객관적 측정을 의미하는 신뢰성이라는 용어를 언급하고 있다. 신뢰의 결정은 기술적 시스템의 물리적 파라미터를 모니터링하는 것과 유사한 기술적 프로세스가 된다는 점을 인식해야 한다.
신뢰성 모델 구축
상기 신뢰성 모델은, 행동 및 작업 상황에 기초하여, 사용자의 결정을 예측하는 데 사용될 수 있다. 각각의 생리학적 측정은 신뢰성 모델 내로의 입력이 된다. 사용자 결정은 이들 측정에 기초하여 예측될 수 있다.
도 4는 상이한 계층의 모델 구성 및 평가를 나타내고 있다. 사용자가 사용자 인터페이스와 상호 작용할 동안 측정되는 입력 특징 세트(402)가 제공된다. 그리고 측정된 데이터를 모델의 파라미터로서 사용될 수 있는 특징으로 변환하는, 특징 추출층(404)이 제공된다. 미가공 측정값은 단일 수치 특징으로 변환될 수 있다. 예를 들어, 서버(112)는 눈 움직임을 분석하고 깜박임(blink)을 검출하여, 분당 깜박임의 깜박임 속도를 수치값으로 계산하며, 이는 기계 학습법에서 모델을 생성하는 데 사용될 수 있다. 모델 구성(406) 중, 서버(112)는 모델이 입력 특징(402)과 사용자에 의해 이루어진 측정 결정(또는 출력 특징) 사이의 연관성을 가장 정확하게 나타낼 수 있도록, 하나 또는 그 이상의 모델을 구성한다. 도 4에 있어서, 최종 사용자 결정은 도면부호 405로 도시된 특징 추출 레벨(404)에 도시되어 있다.
일단 서버(112)가 모델을 구축하였다면, 서버(112)는 모델 파라미터(406)를 계산함으로써 상기 모델을 트레이닝시킨다. 일반적으로, 모델은 입력에 기초하여 출력을 추정하기 위한 수학적 규칙이다. 상기 수학적 규칙은 가중 입력 합계의 가중치(weights)와 같은 여러 파라미터를 포함하고 있다. 트레이닝 중, 서버(112)는 입력 및 출력 특징값을 제공하는 트레이닝 샘플을 고려하여, 모델 파라미터를 튜닝하므로, 상기 모델에 의해 계산된 출력은 트레이닝 샘플에서 실제로 관찰된 출력에 가능한 한 가깝게 된다. 기본적으로 이는 상기 모델 출력과 상기 관찰된 출력 사이의 차이가 모든 학습 샘플에서 최소화되도록, 내부 파라미터를 계산하는 단계를 포함한다. 마지막으로, 상기 모델은 출력(408-410)을 계산하도록 평가될 수 있다. 이는, 사용자가 현재 사용자 인터페이스와 아직 상호 작용하지 않았기 때문에, 출력을 알 수 없는 현재 입력 특징값을 제공한다는 것을 의미한다. 모델을 사용하여, 서버(112)는 사용자가 사용자 인터페이스와 상호 작용함으로써 출력을 제공하기 전에, 출력을 예측할 수 있다.
예를 들어, 아래와 같은 행동 신호(behavioural signal)가 추출될 수 있다:
마우스의 움직임, 버튼 클릭, 및 마우스 스크롤러의 스크롤;
눈의 움직임, 및 시력의 초점;
타임 스탬프를 통해 마우스 및 눈의 움직임과 정렬된 GSR 신호.
상기 시스템(210)은 마우스 움직임 속도, 마우스 일시 정지 시간, 마우스 일시 정지 위치, 및 마우스 스크롤 속도를 포함하는 마우스 입력의 많은 특징을 추적할 수 있다. 마찬가지로, 상기 시스템은 동공 고정 콘텐츠, 동공 고정 시간, 및 눈 깜박임을 포함하여 사용자의 눈에 대한 다수의 특징을 추적할 수 있다.
행동 및 생리학적 특징은 이하를 포함하여 추출될 수 있다:
GSR 신호 피크(peak);
GSR 신호 계곡(valley);
피크 거리 사이의 GSR; 및
GSR 상승 시간.
신뢰-관련 특징은 이하를 포함하여 추출될 수 있다:
신뢰할 수 있는 콘텐츠
신뢰할 수 없는 콘텐츠
대응의 신뢰 관련 응답은 이하를 포함한다:
기능에 대한 신뢰 등급;
투명성에 대한 신뢰;
평판에 대한 신뢰;
사회적 인식에 대한 신뢰;
최종 사용자 결정.
전술한 학습 샘플은, 사용자 인터페이스를 통해 제공된 현재 작업으로부터의 특징뿐만 아니라, 사용자 상호 작용 중 측정된 데이터를 포함한다. 상기 데이터는 아래와 같은 형태로 기록될 수 있다
{x, Y) = (x_{1},x_{2},x_{3},..., x_{k},Y)}
여기서 x 는 입력 변수(입력 특징)이고, Y 는 사용자 결정(레벨)이다. 이에 따라, 입력 특징값(x1, x2, x3, x4)의 벡터는 주어진 작업에 대한 입력 변수로부터 구성될 수 있다.
도 4에 도시된 바와 같이, 신뢰성 모델은 다른 접근법들 중에서도, 결정 트리 학습 모델(decision tree learning model), 또는 랜덤 포레스트(random forest), 신경망, 또는 지원 벡터 기계(support vector machine) 등을 이용하여 구성될 수 있다. 전형적으로, 모델은 의사 결정 트리 학습법이 일례인 과정지도 기계 학습법을 이용하여 구성될 것이다. 의사 결정 트리는 예제(example)를 분류하기 위한 간단한 표현이다. 의사 결정 트리는, 아이템에 대한 관찰을 수행하여 상기 아이템에 대한 결론(그리고 예측)을 얻는 데 사용될 수 있으므로, 예측 모델로서 유용하다. 본 발명에 있어서, 신뢰성 모델의 바람직한 구현은 고유한 형태의 결정 트리를 이용하는 것이며, 이는 입력으로서 신뢰를 취하며, 그리고 시스템에 의해 수행되는 특정 아이템 또는 동작과 연관된 바와 같은 사용자의 신뢰에 대해 예측한다. ID3(Iterative Dichotomiser 3)에서 사용되는 정보 획득 및 C4.5 트리 생성 알고리즘과 같은 트리 구성 방법이 사용될 수 있다.
C4.5 는 정보 엔트로피(information entropy)의 개념을 이용하여, ID3 과 동일한 방식으로 트레이닝 데이터 세트로부터 결정 트리를 구축한다. 상기 트레이닝 데이터는 이미 분류된 샘플의 세트 S = s1,s2,... 이다. 각각의 샘플(si)은 p-차원 벡터(x1,i, x2,i,..., xp,i)로 구성되며, 여기서 xj 는 si 가 떨어지는 클래스뿐만 아니라 샘플의 속성값 또는 특징을 나타낸다.
트리의 각각의 노드에서, C4.5 는 그 샘플 세트를 하나의 클래스에서 또는 다른 클래스에서 풍부한 서브 세트로 가장 효과적으로 분할하는 데이터의 속성을 선택한다. 분할 기준은 정규화된 정보 획득(엔트로피의 차이)이다. 가장 높이 정규화된 정보 획득을 갖는 속성이 결정을 위해 선택된다. 그 후, C4.5 알고리즘이 더 작은 서브 세트에서 반복된다.
이런 알고리즘은 몇 개의 기본 경우를 갖는다.
● 리스트의 모든 샘플은 동일한 클래스에 속한다. 이러한 상황이 발생하였을 때, 결정을 위해서는 해당 클래스를 선택하라는 리프 노드(leaf node)를 간단히 생성한다.
● 그 어떤 특징도 임의의 정복 획득을 제공하지 않는다. 이 경우 C4.5 는 클래스의 예상값을 사용하여 트리보다 상위에 있는 결정 노드를 생성한다.
● 이전에 보지 못한 클래스의 사례를 만난다. 다시, C4.5 는 상기 예상값을 사용하여 트리보다 상위에 있는 결정 노드를 생성한다.
의사 코드(pseudocode)에서, 결정 트리를 구축하기 위한 일반적인 알고리즘은 아래와 같다.
1) 위의 기본 사례를 확인한다.
2) 각각의 속성(a)에 대해, a 에서 분할하여 정규화된 정보 획득 비율(information gain ratio)을 찾는다.
3) a_best 를 가장 높이 정규화된 정보 획득을 갖는 속성이 되게 한다.
4) a_best 로 분할되는 의사 결정 노드를 생성한다.
5) a_best 를 분할함으로써 획득한 서브 세트를 반복하고, 해당 노드를 하위 노드(children of node)로 추가한다.
보다 상세한 내용은 에스.비. 코츠시안티스, 과정지도 기계 학습; 분류 기술의 리뷰, 인포매티카 31(2007) 249-268, 2007[S.B. Kotsiantis, Supervised Machine Learning, Informatica 31(2007) 249-268, 2007]에서 확인될 수 있으며, 이는 여기에 참조 인용되었으며 또한 http://www.rulequest.com/에서 확인할 수 있다.
상기 신뢰성 모델은 인공 신경망으로서 구현되거나, 또는 다른 기계 학습 접근법(지지 벡터 기계와 같은)을 사용하여 구성될 수도 있다. 그러나 결정 트리 모델을 사용하면 몇 가지 이점이 있다. 특히, 예측을 위해 주어진 상황이 모델에서 용이하게 관찰될 수 있으면 유용하지만, 이와는 대조적으로 인공 신경망은 예측이 어떻게 이루어졌으며 그리고 결정을 내리는 데 가장 중요한 특징을 이해하기가 종종 어렵다. 이는 상기 신경망이 입력 계층과 출력 계층 사이의 많은 신경 계층에 많은 가중치를 할당하기 때문이며, 또한 가장 중요한 특징이라는 관점에서 상기 가중치가 의미하는 바를 확인하는 것이 일반적으로 간단하지 않기 때문이다.
일부 실시예에서는 모델을, 예측을 결정하기 위해 조합될 수 있는 신경망과 결정 트리의 조합으로서(및 가능하기로는 다른 접근법) 구현하는 것이 가능하다. 이런 방식으로 사용되는 신경망은, 예를 들어 결정 트리에 대한 데이터의 과적합(overfitting), 결정 트리 모델에 중대한 변화로 나타날 수 있는 트레이닝 데이터의 변경에 대응하는 것이 유리할 수 있으며, 또는 간단히 상기 모델에 의해 수행된 예측의 정확성을 향상시키는 것이 유리할 수 있다.
도 5는 입력 데이터로부터 구성된 사용자에 대한 예시적인 결정 트리이다. 이런 예시적인 결정 트리는 예시적인 목적을 위해 단순화되었으며, 실제로 상기 결정 트리는 훨씬 상당히 더 복잡할 수 있다. 이런 예에는, 사용자의 예측 결정인 단일 목표 결과(single target outcome)가 있다. 결정 트리는 각각의 내부[리프가 아닌(non-leaf)] 노드가 입력 특징으로 레이블된 트리이다. 입력 특징으로 레이블된 노드로부터 나오는 엣지는, 사용자 결정의 각각의 가능한 값으로 레이블되며, 또는 상기 엣지는 상이한 입력 특징에서 종속 결정 노드로 이어진다.
이런 예에 있어서, 트리의 제1 요소는 "사용자가 자동 설정을 변경합니까 ?"라는 입력 변수이다. 이런 입력은 작업 데이터로부터 또는 사용자의 시각적 모니터링과 결합하여 측정될 수 있다. 첫 번째 질문에 대한 대답이 "예"이라면, 다음 단계는 사용자의 눈 움직임을 결정하는 것이다. 사용자 눈 움직임이 비교적 안정하다면, 예측되는 결정은 사용자가 오븐을 구매하는 것이다. 사용자의 눈 움직임이 급격히 변화하고 있다면, 예측되는 결정은 '구매하지 않음'이다.
사용자가 자동 설정을 변경하지 않았다면, 다음 질문은 사용자의 심박수가 얼마인지를 결정하는 것이다. 사용자의 심박수가 분당 90회(90 bpm)를 초과하였다면, 예상되는 결과는 '구매하지 않음'이다. 사용자의 심박수가 90 이하이면, 예상되는 결정은 '구매'이다.
전술한 과정은, 대응의 신뢰 응답을 갖는 신뢰성 있는 특징 세트가 수집되기 전에, 여러 번 반복될 필요가 있다.
사용자 결정 예측을 위한 신뢰 모델을 구축하기 위해, 신뢰 특징은 대응의 사용자 결정을 구비하는 모델, 예를 들어 지지 벡터 기계(SVM)(Support Vector Machine)에 공급될 것이다. 전형적인 과정지도 모델 트레이닝 과정이 수행되어, 신뢰 모델이 구성될 수 있을 것이다.
신뢰성 모델의 출력
일부 출력이 여기에 기재되었지만, 다른 출력도 가능하다. 이들은 예측된 신뢰성 또는 신뢰 레벨, 사용자에 의한 결정과 같은 사용자 상호 작용의 예측, 예측된 사용자-기계 성능을 포함한다. 상기 출력은 기계를 제어하여 특정 동작을 수행하기 위해, 또는 컴퓨터 시스템 상의 프로그램 명령과 같은 명령을 실행하기 위해, 트리거(trigger)와 같은 제어용 트리거를 포함할 수 있다.
예측
도 1의 신뢰성 모델(160)은 입력으로서의 사용자 행동 및 작업 파라미터와 출력으로서의 사용자 결정 및 신뢰성 레벨 사이의 연관성을 모델링한다. 이에 따라, 시스템(110)은, 새로운 작업이라는 맥락에서, 사용자의 행동을 측정하고 또한 작업 파라미터와 행동 특징 모두를 상기 신뢰성 모델 내에 입력할 수 있다. 새로운 작업의 경우, 사용자의 행동 및 작업 파라미터가 입력으로서 주어졌을 때, 상기 신뢰성 모델은 사용자의 신뢰성 인지를 예측하거나 평가할 수 있다. 마찬가지로, 상기 신뢰성 모델은 예측된 사용자-기계 성능뿐만 아니라, 동일한 입력으로 사용자의 결정을 예측할 수 있다.
3가지 타입의 예측이 있을 수 있다:
예측된 신뢰성 레벨;
예측된 결정; 및
예측된 성능.
신뢰성 레벨
신뢰성 레벨은 어떤 타입의 정보나 특성 또는 디바이스가 사용자의 신뢰성 측정에 영향을 줄 수 있고 어떤 것이 그렇지 않은지 식별하는 것을 돕는다. 신뢰성 레벨은 제품 설계, 정보 전파, 및 유용성을 위해 사용될 수 있다. 상기 신뢰성 레벨은 사용자 관점에서 디바이스 또는 제품의 신뢰성을 정량적으로 측정하는 것이다.
예측된 결정
예측된 결정은, 사용자 경험을 간소화하는 방식으로, 사용자 인터페이스를 변경하는 데 사용될 수 있다. 예를 들어, 링크를 신뢰할 수 없기 때문에 사용자가 링크를 클릭하지 않을 것이라고 시스템(110)이 예측했다면, 그 링크는 사용자에게 디스플레이되지 않거나 또는 숨겨질 수 있다. 이는 사용자의 시간을 절약하고, 또한 사용자의 경험을 향상시킬 수 있다.
이런 의미에서, 도 6에 도시된 바와 같이, 컴퓨터 시스템(210)은 사용자-특정 사용자 인터페이스를 생성하기 위한 방법(600)을 수행한다. 이런 방법은 학습 단계 및 실행 단계를 포함한다. 상기 학습 단계에 있어서, 시스템(210)은 하나 또는 그 이상의 사전-정의된 작업을 사용자에게 제시하며(602), 상기 사전-정의된 작업은 사전-정의된 작업 특징을 포함한다. 상기 작업은 사용자 행동에 의존하지는 않지만 그러나 동일하거나 유사한 형태로 여러 사용자에게 제공된다는 의미로 사전-정의되어 있다. 상기 작업은 설문지를 완성하는 작업, 제품(전술한 바와 같이, 블렌더를 선택하는 예) 또는 다른 작업을 평가하는 작업을 포함할 수 있다. 작업 특징은 제품 카테고리 및 여기에 기재된 다른 것들과 같은 작업과 연관된 임의의 특징을 포함할 수 있다. 그 후, 시스템(210)은, 여기에 기재된 바와 같이, 사용자가 마우스 움직임, 눈 움직임 등을 포함하는 사전-정의된 작업을 완료할 동안, 사용자 상호 작용 특징을 캡처한다(604).
상기 시스템은 또한 설문지 질문 또는 선택된 제품에 대한 답변과 같은 하나 또는 그 이상의 사전-정의된 작업에 대한 사용자에 의한 결정을 나타내는 사용자 결정 입력을 캡처한다(606). 그 후, 시스템(210)은 사전-정의된 작업 특징, 사용자 상호 작용 특징들, 사용자 결정 입력 사이의 연관성을 모델링하는, 사용자-특정 신뢰 모델을 구축하고 트레이닝시킨다(608).
다음에, 실행 단계 중, 상기 시스템(210)은 현재 작업 특징, 즉 사용자가 현재 직면하고 있지만 그러나 필수적으로 사전-정의되지 않은 작업의 특징에 대해 생성된 사용자-특정 신뢰 모델을 평가한다(610). 즉, 이들 작업의 결과는 아직 알려지지 않았다. 현재 작업 특징에 대한 사용자-특정 신뢰 모델의 평가에 기초하여, 상기 시스템(210)은 사용자 인터페이스 내에 사용자 인터페이스 요소(612)를 선택적으로 포함하고, 이에 따라 사용자-특정 사용자 인터페이스를 생성한다. 예를 들어, 시스템(210)은 이런 특정 사용자에 의해 신뢰된 사용자 인터페이스 요소만을 포함한다. 이는 신뢰된 이들 사용자 인터페이스 특징을 갖는 특정 제품을 제안하는 단계를 포함할 수도 있다. 예를 들어, 상이한 피자 오븐은 상이한 제어부를 가질 수 있으며, 시스템(210)은 이런 특정 사용자에 대해 제어된 신뢰를 갖는 피자 오븐만을 도시하고 있다.
사용자에 대한 신뢰 모델을 구성하기 위한 초기 단계로서, 사용자에게는 먼저 표준 작업이 제시된다. 예를 들어 작업의 난이도, 및 프리젠테이션 방법과 같은 작업의 파라미터는 다른 사용자 결정 및 주관적인 신뢰 레벨(둘 모두 설문지를 사용하여 수집될 수 있음)을 유도하기 위해 조작될 수 있다. 이와 동시에, 사용자 결정과 연관된 사용자 행동 및 생리학적 신호가 기록된다. 사용자에 대한 신뢰 모델을 구성하는 두 번째 단계로서, 사용자의 행동, 결정, 신뢰 레벨, 및 대응하는 작업 파라미터가 함께 사용되어, 모델을 과정지도 기계 학습법으로 트레이닝하며, 여기서 결정 트리 학습 모델은 단지 하나의 예에 불과하다.
사용자 신뢰 모델이 사용자 행동, 작업 파라미터와 결과적인 사용자 결정, 및 신뢰 레벨 사이의 관계를 나타내고 있으므로, 이는 3개의 수단으로 이용될 수 있다:
● 주어진 새로운 작업에 대해, 사용자의 행동 및 작업 파라미터를 입력으로 취하여, 사용자의 신뢰를 평가한다.
● 주어진 새로운 작업에 대해, 작업 파라미터를 입력으로 취하여, 사용자의 결정을 예측한다.
● 주어진 새로운 작업에 대해, 사용자의 행동 및/또는 작업 파라미터를 입력으로 취하여, 사용자의 성과를 예측한다.
예측된 사용자-기계 성능
신뢰성 모델은 사용자와 기계가 하나의 팀으로서 상호 작용하거나 협력할 수 있는 방법을 예측하는 데 사용될 수 있다. 이는 신뢰성 모델이 어떤 타입의 기계 오류가 사용자에 의해 견딜 수 있는지 확인할 수 있다는 것을 의미한다. 예를 들어, 비행기를 조종하는 조종사인 사용자는 이륙 및 착륙 단계에서 자동 조종 장치(autopilot)의 에러를 허용할 수 있는데, 그 이유는 조종사가 그 시점에서 항공기를 완전히 제어하고, 또한 상기 자동 조종 장치가 자동화용이 아닌 정보 제공용으로서 사용되기 때문이다. 다른 한편으로, 항공기가 높은 고도에서 순항할 동안 임의의 자동 조종 장치의 에러는, 자동 조종 장치가 항공기를 상당히 제어하기 때문에(필요한 경우, 여전히 수동으로 무시될 수 있더라도), 허용되지 않는다.
사용자 신뢰 모델 적용
구성된 모델은 주어진 특징들 중 어느 것이 사용자의 신뢰 레벨을 식별하는 데 더욱 강력한지를 결정할 수 있다. 즉, 상기 모델은 어떤 특징이 사용자의 신뢰 레벨에 가장 큰 영향을 끼치는지를 결정하기 위해 검사될 수 있다. 결과적으로, 모델은 가장 효과적인 특징 세트를 사용하여, 예를 들어 사용자가 관심을 가질 수 있는 주어진 웹사이트 세트에 대해, 사용자 결정을 확률로 예측할 수 있다. 즉, 사용자의 동작이 관찰되었다면, 사용자의 최종 결정이 예측될 수 있다.
또한, 사용자의 행동 특징에 기초하여, 상이한 제품에 대한 신뢰 등급 및 선호도를 포함하여 다른 신뢰 정보가 예측될 수 있다. 상기 행동 특징은 유사한 모델을 트레이닝하여, 신뢰된 콘텐츠 및 사용자가 신뢰하지 않는 콘텐츠들을 결정하고, 따라서 사용자에게는 신뢰된 콘텐츠만 선택적으로 보여주도록 사용될 수도 있으므로, 추가 단계는 사용자에게만 관심 있는 제품을 추천하게 될 것이다.
도 7은 여기에 기재된 방법을 수행할 수 있는 컴퓨터 시스템(700)을 나타내고 있다. 컴퓨터 시스템(700)은 버스(704)를 통해 제어 인터페이스 디바이스(710), 네트워크 인터페이스 디바이스(712), 및 눈 움직임 캡처 인터페이스 디바이스(714)에 연결된 프로세서(702)를 포함한다. 버스(704)는 또한 프로세서(702)를, 프로그램 코드가 저장된 메모리(720)에 연결하며, 이 경우에 상기 프로세서(702)는 여기에 기재된 방법을 수행한다. 상기 프로그램 코드는 사용자 모듈(722), 네트워크 모듈(724), 생체학적 모듈(726), 모드 구성 모듈(727), 및 제어 모듈(728)을 포함한다. 상기 제어 인터페이스 디바이스(710)는 마우스 커서 움직임 검출기(750), 손 움직임 센서(752), 심박수 센서(754), 체온 센서(756), 및 손가락 습도 센서(758)에 연결된다. 아이 캡처 인터페이스(714)는 아이 캡처 디바이스(760)에 연결된다.
실례
사용자(K)는 자신의 새로운 집을 위해 새로운 피자 오븐을 사고 싶어 하지만, 그러나 이전에는 결코 시도한 적이 없다. 사용자(K)는 이전에는 상이한 타입의 전자 레인지, 스토브, 전자 레인지를 사용했다.
어떤 피자 오븐을 구매할지 결정하기가 어렵기 때문에, 사용자를 돕기 위해 사용자(K)의 집에서는 신뢰-관련 세션이 수행된다. 사용자는 선택된 여러 전기 디바이스를 작동시키고, 상기 디바이스의 각각의 기능을 사용자가 얼마나 신뢰하는지 평가하도록 요청되며, 사용자의 행동은 카메라로 기록된다.
사용자가 사용한 정보가 무엇인지(예를 들어, 전자 레인지 내 음식의 색상 확인), 사용자가 디바이스를 얼마나 신뢰하는지(실시간 조사에 기초하여), 사용자의 다음 결정이 무엇인지(예를 들어, 자동 기능을 무시하거나 그대로 두는지), 최종 결과에 어떻게 만족했는지(예를 들어, 음식의 맛)에 관한 수집된 데이터에 기초하여, 사용자(K)에 대한 특정 신뢰 모델이 구성된다.
임의의 주어진 피자 오븐에 대하여, 그 기능은 사용자(K)의 신뢰 모델에 각각 자동으로 맵핑되므로, 따라서 최적의 기능 조합을 갖는 피자 오븐이 온라인으로 자동으로 발견되며, 이는 사용자(K)의 최대 신뢰에 부합할 것으로 기대된다.
사용자(K)가 어떤 종류의 온라인 정보가 자신에게(다른 사람들에게 신뢰할 수 있는 것은 아님) 신뢰할 수 있는지를 찾는 데 도움을 줄 수 있도록, 유사한 기술이 사용될 수 있으며, 이는 웹브라우징 문맥에서 또 다른 신뢰 모델의 트레이닝을 요구할 수 있다.
이점
사용자와 서비스/정보/디바이스 사이의 정확한 매칭
디바이스가 특정 사용자의 신뢰를 얻을 수 있는지의 여부, 일부 정보나 서비스가 특정 사용자의 신뢰 프로필에 적합한지의 여부를 결정하기 위한 신뢰 교정 및 신뢰 모델 적용. 직접적인 영향은 정보 전달 메커니즘이 다른 사용자의 요구에 맞춰질 수 있다는 점이다.
사용자 결정 촉진:
주어진 사용자에 대해, 신뢰 프로필에 기초하여, 사용 결정은 어떻게든 예측될 수 있으며, 이는 잠재적으로 인간이 컴퓨터와 상호 작용하는 방식을 확장하는 데 유용한 툴일 수 있으며: 결정 실행 효율은 자동적인 방식으로 훨씬 향상될 수 있다.
사용자 신뢰 정량화:
이런 기술은 사용자의 신뢰를 정량화하는 것을 목표로 하며, 다른 사용자의 신뢰 레벨의 정성적인 비교를 통해, 어떤 특징이 사용자의 하나의 특정 카테고리의 신뢰를 향상시킬지에 대해 설계자가 정확하게 결정할 수 있다는 점에서, 제품 설계를 촉진시킬 것이다.
용도
여기에 기재된 방법은 이하의 용도로 사용될 수 있다:
● 사용자 신뢰 보정, 신뢰 모델 구축, 신뢰 측정, 및 사용자 결정/성능 예측을 위한 방법.
● 신뢰 모델 구성에 대한 뼈대(framework), 여기서 핵심 입력 데이터는 사용자의 행동, 사용자가 행한 결정, 작업 및 문맥의 특성, 사용자의 보고된/관측된 신뢰 레벨을 포함한다.
● 구성된 신뢰 모델을 사용하여, 주어진 문맥에서의 주어진 작업에 대해, 사용자가 주어진 정보에 대해 또는 협업 파트너에 대해 얼마나 많은 신뢰를 가질 수 있는지를 결정하는 방법.
● 구성된 신뢰 모델을 사용하여, 주어진 문맥에서의 주어진 작업에 대해, 검출된 신뢰 레벨에 따라 사용자에 의해 어떤 결정이 내려질 수 있는지를 예측하는 방법.
● 구성된 신뢰 모델을 사용하여, 사용자가 기계와 한 팀을 이룰 때, 획득한 신뢰 지식에 따라 팀 성과가 어떨지 예측하는 방법.
● 온라인 정보에 액세스할 때 사용자를 위한 신뢰 시험 플랫폼:
현재 온라인 정보는 매초마다 대량으로 생성 및 업데이트되지만, 그러나 사용자는 모든 정보를 신뢰할 수는 없다. 사용자가 온라인 콘텐츠 액세스에 소비할 수 있는 주어진 제한 시간에서, 여기에 기재된 방법은 사용자에 의해 신뢰된 콘텐츠만 사용자에게 정확하게 전달될 수 있게 할 것이다.
● 사이버 보안 적용에 대한 신뢰 시험:
사이버 보안은 지속적인 관심사로, 신뢰가 핵심 요소이다. 기재된 방법은 사용자의 신뢰 레벨을 측정하여 멜웨어(malware), 피싱 이메일(phishing email), 및 다른 포맷의 사이버 보안 공격에 대한 그 노출 위험을 결정하기 위한 수단으로서 사용된다.
● 사용자 신뢰 모델링 및 정량화를 위한 대규모 데이터 수집:
사용자의 신뢰 및 의사 결정 과정의 일반적인 모델을 구축하기 위해, 예를 들어 크라우드플라워(CrowdFlower)와 같은 크라우드 소싱 플랫폼(crowdsourcing platform)을 사용하여 대규모의 사용자 데이터를 수집한다.
● 인간과 기계 사이의 신뢰 매칭:
측정된 신뢰 레벨은, 예를 들어 특정 사용자에 대해, 어떤 종류의 자동화된 기계 학습 시스템, 온라인 검색 시스템의 그 특성, 또는 기계 파트너의 카테고리가 사용자의 신뢰 프로필과 매칭될 수 있는, 목표로 하는 기계와 매칭될 수 있다.
본 기술분야의 숙련자라면 본 발명의 광범위한 일반적인 범위로부터의 일탈 없이, 전술한 실시예들에 대한 많은 변형 및/또는 수정이 이루어질 수 있음을 인식할 것이다. 따라서 본 실시예는 모든 양태에서 예시적이지만 제한적이지 않은 것으로 간주되어야만 한다.

Claims (21)

  1. 사용자-특정 사용자 인터페이스를 생성하기 위한 방법으로서,
    학습 단계;
    상기 학습 단계는,
    하나 또는 그 이상의 사전-정의된 작업을 사용자에게 제시하는 단계로서, 상기 사전-정의된 작업은 사전-정의된 작업 특징을 포함하는 단계,
    상기 사용자가 상기 사전-정의된 작업을 완료할 동안 사용자 상호 작용 특징을 캡처하는 단계,
    상기 하나 또는 이상의 사전-정의된 작업에 대해 상기 사용자에 의한 결정을 나타내는 사용자 결정 입력을 캡처하는 단계; 및
    상기 사전-정의된 작업 특징, 상기 사용자 상호 작용 특징, 및 상기 사용자 결정 입력 사이의 연관성을 모델링하는 사용자-특정 신뢰 모델을 캡처하는 단계; 및
    실행 단계를 포함하며,
    상기 실행 단계는,
    현재 작업 특징에 대한 상기 사용자-특정 신뢰 모델을 평가하는 단계; 및
    상기 현재 작업 특징에 대한 상기 사용자-특정 신뢰 모델을 평가하는 단계에 기초하여, 사용자 인터페이스 요소를 상기 사용자 인터페이스 내에 선택적으로 포함하고, 이에 따라 사용자-특정 사용자 인터페이스를 생성하는 단계를 포함하는, 사용자-특정 사용자 인터페이스 생성 방법.
  2. 청구항 1에 있어서,
    상기 학습 단계는 상기 사전-정의된 작업 특징으로부터 중요한 특징을 결정하는 단계; 및 상기 중요 특징, 상기 사용자 상호 작용 특징, 및 상기 사용자 결정 입력 사이의 연관성을 모델링하는 사용자-특정 신뢰 모델을 생성하는 단계를 더 포함하는, 방법.
  3. 청구항 1 또는 청구항 2에 있어서,
    상기 하나 또는 그 이상의 사전-정의된 작업은 제1 사용자 인터페이스를 통해 상기 사용자에게 제시되고, 상기 현재 작업 특징은 제2 사용자 인터페이스를 통해 제공되는, 방법.
  4. 청구항 3에 있어서,
    상기 제1 사용자 인터페이스는 상기 제2 사용자 인터페이스와는 상이한, 방법.
  5. 청구항 3 또는 청구항 4에 있어서,
    상기 제1 인터페이스는 제1 디바이스와 연관되고, 상기 제2 인터페이스는 제2 디바이스와 연관되며, 상기 제1 디바이스는 상기 제2 디바이스와는 상이한, 방법.
  6. 선행하는 항들 중 어느 한 항에 있어서,
    상기 사용자 인터페이스는 다음 중 하나 또는 그 이상을 포함하는, 방법.
    그래픽 사용자 인터페이스;
    기계 또는 디바이스 사용자 인터페이스; 및
    온라인 상점 인터페이스.
  7. 선행하는 항들 중 어느 한 항에 있어서,
    상기 사용자 인터페이스 요소는 판매 아이템인, 방법.
  8. 선행하는 항들 중 어느 한 항에 있어서,
    상기 사용자 인터페이스 요소는 옵션 또는 제어부인, 방법.
  9. 사용자의 결정을 예측하는 컴퓨터 구현 방법으로서:
    상기 사용자에 의해 수행된 제1 작업과 연관된 제1 작업 데이터를 수신하는 단계;
    상기 제1 작업 데이터에 기초하여, 신뢰성 레벨을 결정하는 단계;
    상기 신뢰성 레벨에 기초하여, 상기 사용자에 대한 신뢰성 모델을 결정하는 단계;
    상기 사용자에 의해 수행된 제2 작업과 연관된 제2 작업 데이터를 수신하는 단계; 및
    상기 신뢰성 모델 및 상기 제2 작업 데이터에 기초하여, 상기 사용자의 결정을 예측하는 단계를 포함하는, 컴퓨터 구현 방법.
  10. 청구항 9에 있어서,
    상기 제2 작업 데이터는 디바이스와 연관되는, 컴퓨터 구현 방법.
  11. 청구항 10에 있어서,
    상기 사용자의 예측은 상기 디바이스를 제어하기 위한 사용자의 결정을 예측하는 단계를 포함하는, 컴퓨터 구현 방법.
  12. 청구항 9, 청구항 10, 또는 청구항 11에 있어서,
    상기 제1 작업 데이터에 기초하여, 제1 사용자 결정 데이터를 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  13. 청구항 12에 있어서,
    상기 제1 작업 데이터에 기초하여, 사용자 행동 데이터를 결정하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  14. 청구항 13에 있어서,
    상기 신뢰성 모델을 결정하는 단계는 상기 제1 작업 데이터, 상기 신뢰성 레벨, 상기 제1 사용자 결정 데이터, 및 사용자 행동 데이터에 기초하는, 컴퓨터 구현 방법.
  15. 청구항 9 내지 청구항 14 중 어느 한 항에 있어서,
    상기 신뢰성 레벨을 예측하는 단계, 및 상기 사용자 기계 성능을 예측하는 단계를 더 포함하며, 컴퓨터 시스템의 출력은 다음 중 하나 또는 그 이상에 기초하여 변경되는, 컴퓨터 구현 방법.
    상기 사용자의 예측된 결정;
    상기 신뢰성 레벨; 및
    상기 사용자-기계 성능.
  16. 청구항 15에 있어서,
    상기 컴퓨터 시스템의 상기 출력을 변경하는 단계는, 정보의 흐름을 관리하기 위해 상기 사용자 인터페이스를 변경하는 단계를 포함하는, 컴퓨터 구현 방법.
  17. 청구항 9 내지 청구항 16 중 어느 한 항에 있어서,
    상기 사용자에 대한 상기 신뢰성 모델은, 과정지도 기계 학습법에 의해 구성되는, 컴퓨터 구현 방법.
  18. 청구항 17에 있어서,
    상기 신뢰성 모델에 대한 입력은 다음 중 하나 또는 그 이상을 포함하는, 컴퓨터 구현 방법.
    표준 작업 세트에 대한 작업 파라미터;
    상기 제1 작업 데이터에 기초한 사용자 행동;
    상기 제1 작업 데이터에 기초한 사용자 결정; 및
    상기 제1 작업 데이터에 기초한 신뢰성 레벨.
  19. 선행하는 항들 중 어느 한 항에 있어서,
    상기 사용자의 생리학적 신호를 나타내는 데이터를 수신하는 단계를 더 포함하며, 상기 사용자 행동은 생리학적 신호를 포함하는, 컴퓨터 구현 방법.
  20. 기계 판독 가능한 명령어이며, 컴퓨터 시스템에 의해 수행되었을 때 상기 컴퓨터 시스템으로 하여금 선행하는 항들 중 어느 한 항의 방법을 수행하게 하는, 소프트웨어.
  21. 사용자의 결정을 예측하기 위한 컴퓨터 시스템으로서:
    프로세서를 포함하며, 상기 프로세서는,
    상기 사용자에 의해 수행된 제1 작업과 연관된 제1 작업 데이터를 수신하고;
    상기 제1 작업 데이터에 기초하여, 신뢰성 레벨을 결정하며;
    상기 신뢰성 레벨에 기초하여, 상기 사용자에 대한 신뢰성 모델을 결정하고;
    상기 사용자에 의해 수행된 제2 작업과 연관된 제2 작업 데이터를 수신하며; 및
    상기 신뢰성 모델 및 상기 제2 작업 데이터에 기초하여, 상기 사용자의 결정을 예측하는, 컴퓨터 시스템.
KR1020207018539A 2017-12-21 2018-12-21 사용자-특정 사용자 인터페이스 생성 KR20200123086A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2017905135A AU2017905135A0 (en) 2017-12-21 Generating a user-specific user interface
AU2017905135 2017-12-21
PCT/AU2018/051376 WO2019119053A1 (en) 2017-12-21 2018-12-21 Generating a user-specific user interface

Publications (1)

Publication Number Publication Date
KR20200123086A true KR20200123086A (ko) 2020-10-28

Family

ID=66992464

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207018539A KR20200123086A (ko) 2017-12-21 2018-12-21 사용자-특정 사용자 인터페이스 생성

Country Status (7)

Country Link
US (1) US20210208753A1 (ko)
EP (1) EP3729248A4 (ko)
JP (1) JP7343504B2 (ko)
KR (1) KR20200123086A (ko)
AU (1) AU2018386722A1 (ko)
SG (1) SG11202005834YA (ko)
WO (1) WO2019119053A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111198685B (zh) * 2019-12-20 2023-08-25 上海淇玥信息技术有限公司 基于用户状态生成前端交互页面的方法及其装置、系统、服务器、存储介质
CN111695695B (zh) * 2020-06-09 2023-08-08 北京百度网讯科技有限公司 用户决策行为量化分析方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208730A1 (en) * 2006-03-02 2007-09-06 Microsoft Corporation Mining web search user behavior to enhance web search relevance
US7991841B2 (en) * 2007-10-24 2011-08-02 Microsoft Corporation Trust-based recommendation systems
US20130031162A1 (en) 2011-07-29 2013-01-31 Myxer, Inc. Systems and methods for media selection based on social metadata
US9241664B2 (en) 2012-08-16 2016-01-26 Samsung Electronics Co., Ltd. Using physical sensory input to determine human response to multimedia content displayed on a mobile device
US10373177B2 (en) * 2013-02-07 2019-08-06 [24] 7 .ai, Inc. Dynamic prediction of online shopper's intent using a combination of prediction models
GB2518003A (en) * 2013-09-10 2015-03-11 Belegin Ltd Method and apparatus for generating a plurality of graphical user interfaces
GB2521433A (en) 2013-12-19 2015-06-24 Daimler Ag Predicting an interface control action of a user with an in-vehicle user interface
US20160232457A1 (en) 2015-02-11 2016-08-11 Skytree, Inc. User Interface for Unified Data Science Platform Including Management of Models, Experiments, Data Sets, Projects, Actions and Features
US9578043B2 (en) 2015-03-20 2017-02-21 Ashif Mawji Calculating a trust score
WO2017177188A1 (en) 2016-04-08 2017-10-12 Vizzario, Inc. Methods and systems for obtaining, aggregating, and analyzing vision data to assess a person's vision performance

Also Published As

Publication number Publication date
JP2021507416A (ja) 2021-02-22
SG11202005834YA (en) 2020-07-29
JP7343504B2 (ja) 2023-09-12
EP3729248A1 (en) 2020-10-28
EP3729248A4 (en) 2021-12-15
US20210208753A1 (en) 2021-07-08
WO2019119053A1 (en) 2019-06-27
AU2018386722A1 (en) 2020-07-02

Similar Documents

Publication Publication Date Title
Trattner et al. Food recommender systems: important contributions, challenges and future research directions
US10110677B2 (en) Context-aware decision making
US10614504B2 (en) Systems and methods for providing content-based product recommendations
US20190073601A1 (en) Recommending meals for a selected group
Wu et al. A novel method for calculating service reputation
Chan et al. An intelligent fuzzy regression approach for affective product design that captures nonlinearity and fuzziness
US10102477B2 (en) Modeling for flavor profiles
Varshney et al. A big data approach to computational creativity
WO2014124333A1 (en) Dynamic prediction of online shopper&#39;s intent using a combination of prediction models
JP2016103042A (ja) 調理スキル評価方法、調理スキル評価システム及び調理スキル評価システムを制御する制御プログラム
JP7343504B2 (ja) ユーザ固有ユーザインターフェースの生成
US20200401933A1 (en) Closed loop biofeedback dynamic assessment
KR102398361B1 (ko) Gui 기반 인공지능 추천 시스템 및 그 방법
WO2014199584A1 (ja) 調理スキル評価方法、調理スキル評価システム及び調理スキル評価システムを制御する制御プログラム
Durães et al. Modelling a smart environment for nonintrusive analysis of attention in the workplace
Yu et al. Exploring folksonomy and cooking procedures to boost cooking recipe recommendation
JP2016045606A (ja) レシピ評価装置、プログラム及び制御方法
US20160372000A1 (en) Scheme recommendation device, scheme recommendation method, and scheme recommendation program
Cassenti et al. Multi-level cognitive cybernetics in human factors
KR102349825B1 (ko) 전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법, 장치 및 시스템
Peng et al. Touch makes you think concretely: The effects of computer interfaces on product evaluation
KR102646691B1 (ko) 개인 맞춤형 치매 진단 방법 및 그 장치
Leschanowsky et al. Uncertain yet Rational-Uncertainty as an Evaluation Measure of Rational Privacy Decision-Making in Conversational AI
KR102552172B1 (ko) 개인 맞춤형 치매 진단 방법 및 그 장치
Licona et al. Improving the usability of home automation using conventional remote controls

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application