KR20200133555A - 기계 학습을 위한 데이터 수집 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 기계 학습을 위한 데이터 수집을 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득하는 동작; 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 동작; 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작; 및 상기 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택하는 동작을 포함할 수 있다.

Description

기계 학습을 위한 데이터 수집 방법 {METHOD FOR COLLECTING DATA FOR MACHINE LEARNING}

본 발명은 컴퓨터 장치를 이용한 데이터 처리에 관한 것으로서 보다 구체적으로는 기계 학습을 위한 데이터를 수집하는 방법에 관한 것이다.

전자 통신 기술의 발달로 게임을 즐기는 사람이 증가하면서 전략 시뮬레이션 게임, 롤플레잉 게임 등 다양한 종류의 게임이 개발되었다. 이러한 게임들은 온라인 및 오프라인 상황에서도 게임을 진행할 수 있고, 특히 온라인 게임은 시공간의 제약이 없어 수많은 유저들이 쉽게 모여 함께 게임을 즐길 수 있다.

게임 개발자들은 수많은 유저들이 게임에서 이탈하지 않고 지속적으로 게임 플레이를 하도록 유도하기 위해, 완성도 높은 게임을 만들 필요가 있다. 완성도 높은 게임을 만들기 위해서는 다양한 상황에서 게임을 테스트를 할 필요가 있다. 따라서 다양한 상황에서 게임 테스트를 소규모의 비용 및 인력으로 진행하기 위해서는 컴퓨팅 장치가 게임 화면을 인식하여 필요한 정보를 추출할 필요가 있다. 그리고 컴퓨팅 장치가 신경망을 이용하여 게임 화면을 인식하기 위한 학습 데이터가 필요하다. 따라서 학습 데이터를 생성할 수 있는 방법에 대한 당업계의 수요가 존재할 수 있다.

대한민국 등록특허 10-17772916 호는 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 기계 학습을 위한 데이터 수집 방법을 제공하기 위한 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램이 개시된다. 클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득하는 동작; 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 동작; 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작; 및 상기 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 게임 오브젝트는, 캐릭터, 게임 내에서 캐릭터와 상호작용할 수 있는 요소 또는 게임 화면 내 사용자 인터페이스(User Interface) 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 학습 데이터 세트는, 상기 게임 오브젝트가 포함된 게임 화면을 학습 입력 데이터로 하고, 게임 오브젝트 정보를 라벨(label)로 하는 학습 데이터 세트일 수 있다.

대안적 실시예에서, 클라이언트로부터 게임 오브젝트 정보를 수신하는 동작을 더 포함할 수 있고, 상기 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 동작은, 상기 게임 오브젝트 정보를 상기 게임 화면에 매칭하여 라벨링된 학습 데이터 세트를 생성하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 게임 오브젝트 정보는, 상기 게임 화면에 포함된 게임 오브젝트에 대한 분류 정보 또는 위치 정보 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 라벨링 모델은 상기 라벨링된 학습 데이터 세트를 이용하여 교사 학습(supervised learning)된 모델을 포함할 수 있다.

대안적 실시예에서, 상기 교사 학습(supervised learning)된 모델은, 게임 화면 내 객체를 인식하여 분류(Classification)하는 모델, 게임 화면 내 객체를 인식하여 분류(Classification)하고 객체의 위치 정보를 출력하기 위한 지역화(Localization)하는 모델, 게임 화면 내 적어도 하나 이상의 객체를 인식하기 위한 객체 감지(Object Detection) 모델, 및 픽셀(Pixel)을 분류(Classification)하여 게임 화면 내 객체의 경계선을 배경과 구분하여 객체를 인식하는 세그먼테이션(Segmentation) 모델 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작은, 각각의 학습 데이터가 손실(Loss)값에 영향을 미치는 정도를 기준으로, 학습 데이터 중 적어도 일부를 제거하여 데이터 드롭아웃(data dropout) 학습 데이터 세트를 생성하는 동작; 및 상기 데이터 드롭아웃(data dropout) 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작은, 상기 학습 데이터 세트를 상기 라벨링 서브모델을 학습시키기 위한 데이터 형태로 변환하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 게임 오브젝트 정보는, 클라이언트에 게임 화면을 표시하기 위한 게임 엔진으로부터 획득되거나, 또는 상기 게임 화면을 학습된 라벨링 모델에 입력시켜 획득된 출력으로부터 획득되는 정보를 포함할 수 있다.

대안적 실시예에서, 상기 사전 결정된 기준은, 라벨링 서브모델의 라벨링 정확도를 포함할 수 있고, 상기 라벨링 서브모델의 라벨링 정확도는, 상기 학습 데이터 세트 중 적어도 일부의 학습 데이터로 구성된 테스트 데이터 서브세트를 상기 라벨링 서브모델에 입력시켜 출력되는 게임 오브젝트 정보와 상기 테스트 데이터 서브세트의 라벨과의 비교 결과에 기초하여 결정되는 것을 포함할 수 있다.

대안적 실시예에서, 온라인 게임 화면을 상기 라벨링 모델에 입력시켜 획득되는 출력에 기초하여 게임 테스트 결과를 생성하는 동작을 더 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 기계 학습을 위한 데이터 수집하는 방법이 개시된다. 클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득하는 단계; 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 단계; 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 단계; 및 상기 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득하고, 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하고, 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키고, 그리고 상기 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택할 수 있다.

본 개시는 기계 학습을 위한 데이터 수집 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 수집을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집을 위한 교사 학습 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 라벨링 모델을 이용하여 게임 화면 내에서 게임 오브젝트 라벨링을 수행하는 동작을 설명하기 위한 예시도이다.
도 4는 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집 모델의 시스템을 예시적으로 구성한 블록 구성도이다.
도 5는 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 드롭아웃(Data Dropout) 처리를 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집 모델을 활용하여 게임 테스트를 진행하는 것을 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집하는 방법의 순서도이다.
도 8은 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집하기 위한 모듈을 도시한 블록 구성도이다.
도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 수집을 수행하는 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장 치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중 치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

프로세서(110)는 기계 학습을 위한 데이터 수집을 수행할 수 있다. 프로세서(110)는 클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득할 수 있다. 프로세서(110)는 클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 네트워크부(150)를 통해 수신할 수 있다. 프로세서(110)는 수신된 게임 오브젝트가 포함된 게임 화면을 네트워크부(150)를 통해 수신한 후, 학습 데이터 세트를 생성하여 메모리(130)에 저장할 수 있다.

본 개시의 일 실시예에 따라, 게임 오브젝트는, 캐릭터, 게임 내에서 캐릭터와 상호작용할 수 있는 요소 또는 게임 화면 내 사용자 인터페이스(User Interface) 중 적어도 하나를 포함할 수 있다. 캐릭터는 플레이어가 조종(Control)하는 게임 화면 내 이미지일 수 있다. 게임 내에서 캐릭터와 상호작용할 수 있는 요소는 게임 환경에서 플레이어 캐릭터가 이동 가능한 요소, 게임 환경에서 플레이어의 캐릭터 이동이 제한되는 요소, 플레이어 캐릭터에 사전 결정된 효과를 발생시키는 요소, 캐릭터 생성 위치 등을 포함할 수 있다. 플레이어의 캐릭터 이동이 제한되는 요소는 예를 들어, 장애물, 언덕, 강, 호수, 산, 건물, 덤불 등이 포함될 수 있다. 플레이어의 캐릭터에 사전 결정된 효과를 발생시키는 요소는 예를 들어, 캐릭터의 이동속도를 감소시키거나 증가시키는 바람, 캐릭터의 체력을 감소시키거나 증가시키는 바람, 비 등이 포함될 수 있다. 캐릭터 생성 위치는 예를 들어, 게임 시작할 때 플레이어의 캐릭터가 생성되는 위치, 플레이어의 캐릭터가 부활하는 위치, 및 NPC(Non-Player-Character), 몬스터, 절대자의 생성 위치 등을 포함할 수 있다. 게임 화면 내 사용자 인터페이스(User Interface)는 플레이어와 시스템, 기계 또는 컴퓨터 프로그램 사이에서 의사소통 할 수 있도록 하는 가상적 매개체를 포함할 수 있다. 게임 화면 내 사용자 인터페이스(User Interface)는 예를 들어, 스킬바(skill bar), 플레이어의 캐릭터 상태, 말풍선, 채팅 창, 인벤토리(inventory), 게임 맵, NPC(Non-player Character)의 상태 정보창 등을 포함할 수 있다. 전술한 사항들은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 학습 데이터 세트는 게임 오브젝트가 포함된 게임 화면을 학습 입력 데이터로 하고, 게임 오브젝트 정보를 라벨(label)로 하는 학습 데이터 세트일 수 있다. 게임 화면은 게임이 진행되는 동안 수집된 스크린샷 및/또는 게임이 진행되는 동안 수집된 영상을 포함할 수 있다. 프로세서(110)는 네트워크부(150)를 통해 수신한 게임 오브젝트가 포함된 게임 화면을 입력 받아 게임 오브젝트 정보를 라벨링하여 학습 데이터 세트를 생성할 수 있다. 프로세서(110)는 라벨링 모델 및/또는 게임 엔진을 이용하여 입력 받은 게임 화면에 게임 오브젝트 정보를 라벨링할 수 있다. 전술한 학습 데이터 세트는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 클라이언트로부터 게임 오브젝트 정보를 수신할 수 있다. 클라이언트는 원격 디바이스, 로컬 디바이스 및/또는 클라우드를 포함할 수 있다. 원격 디바이스는 사용자 컴퓨터에 다른 네트워크를 이용하여 연결된 디바이스를 포함할 수 있다. 로컬 디바이스는 사용자 컴퓨터에 다른 네트워크를 이용하지 않고 직접적으로 연결된 디바이스를 포함할 수 있다. 클라우드는 사용자 컴퓨터가 아닌 네트워크를 이용하여 연결된 다른 컴퓨터로 정보를 처리하는 인터넷 기반 컴퓨팅을 포함할 수 있다. 전술한 클라이언트는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 게임 오브젝트 정보를 게임 화면에 매칭하여 라벨링된 학습 데이터 세트를 생성할 수 있다. 프로세서(110)는 클라이언트로부터 수신한 게임 오브젝트 정보를 기초로 게임 오브젝트가 포함된 게임 화면을 입력 받아 게임 오브젝트 정보를 라벨링할 수 있다. 클라이언트로부터 수신한 게임 오브젝트 정보는 게임 엔진을 이용하여 산출된 정보일 수 있다. 게임 엔진은 그래픽 표시 기능을 갖춘 응용 프로그램을 구현하는 소프트웨어 구성 요소일 수 있다. 게임 엔진은 그래픽 출력, 사운드 출력, 스크립트 작성, 스트리밍, 메모리 관리, 애니매이션, 게임 오브젝트 정보 출력 등과 같은 기능을 포함할 수 있다. 프로세서(110)는 게임 엔진을 이용하여 산출된 정보를 기초로 게임 화면에 게임 오브젝트를 매칭하여 라벨링된 학습 데이터 세트를 생성할 수 있다. 전술한 학습 데이터 세트 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 오브젝트 정보는 게임 화면에 포함된 게임 오브젝트에 대한 분류 정보 또는 위치 정보 중 적어도 하나를 포함할 수 있다. 게임 오브젝트에 대한 분류 정보는 게임 오브젝트를 표현하는 단어 또는 문장일 수 있다. 게임 오브젝트에 대한 분류 정보는 게임 오브젝트의 명칭, 게임 오브젝트의 카테고리, 게임 장르, 게임 장면의 내용 등을 포함할 수 있다.

게임 오브젝트의 명칭은 예를 들어, 캐릭터 이름, 몬스터 이름, 아이템 이름, 건물 이름, 지형물 이름, 사용자 인터페이스 명칭 등을 포함할 수 있다. 캐릭터 이름은 예를 들어, "녹턴, 니달리, 렝가, 르블랑, 탈론, 케인, 아리, 진, 잭스, 티모, 트위치" 일 수 있다.

게임 오브젝트의 카테고리는 게임 오브젝트 명칭의 상위 개념일 수 있다. 게임 오브젝트 카테고리는 예를 들어, 캐릭터, 몬스터, 아이템, 건물, 지형물, 사용자 인터페이스 등을 포함할 수 있다. 예를 들어, 캐릭터 이름 "녹턴, 니달리, 렝가, 르블랑, 탈론, 케인, 아리, 진, 잭스, 티모, 트위치"는 "캐릭터"라는 게임 오브젝트 카테고리에 포함될 수 있다.

게임 장르는 게임 화면 전체를 기초로 결정되는 분류 정보일 수 있다. 게임 장르는 예를 들어, 전략 시뮬레이션, RPG(Roll Playing Game), 리듬 게임, 온라인 게임, FPS 게임, 보드 게임, 스포츠 게임, 생존 게임, 레이싱 게임 등을 포함할 수 있다.

게임 장면은 게임 화면에 나타난 상황을 나타내는 분류 정보일 수 있다. 게임 장면은 예를 들어, 플레이어가 조종하는 캐릭터가 상점에서 아이템을 구매하고 있는 경우, 게임 장면은 "아이템을 구매하는 장면"일 수 있다.

게임 오브젝트에 대한 위치 정보는 게임 화면 내에서 게임 오브젝트가 배치된 장소의 위치 정보를 포함할 수 있다. 게임 오브젝트에 대한 위치 정보는 예를 들어, 2차원 게임인 경우 게임 화면을 직교 좌표계를 이용하여 나타낸 정보일 수 있다. 플레이어가 게임 화면을 보는 방향을 기준으로 게임 화면 중앙을 (0,0)으로 설정한 경우, 게임화면 우측 상단에 위치한 오브젝트의 위치 정보는 (5,5)로 표현될 수 있다. 전술한 게임 오브젝트 정보는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 라벨링 모델은 라벨링된 학습 데이터 세트를 이용하여 교사 학습(supervised learning)된 모델을 포함할 수 있다. 교사 학습된 모델은 각각의 학습 데이터에 정답이 라벨링 되어 있는 학습 데이터를 사용하여 학습된 모델일 수 있다. 전술한 교사 학습된 모델은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 교사 학습(supervised learning)된 모델은, 게임 화면 내 객체를 인식하여 분류(Classification)하는 모델, 게임 화면 내 객체를 인식하여 분류(Classification)하고 객체의 위치 정보를 출력하기 위한 지역화(Localization)하는 모델, 게임 화면 내 적어도 하나 이상의 객체를 인식하기 위한 객체 감지(Object Detection) 모델, 및 픽셀(Pixel)을 분류(Classification)하여 게임 화면 내 객체의 경계선을 배경과 구분하여 객체를 인식하는 세그먼테이션(Segmentation) 모델 중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 분류(Classification)하는 모델을 이용하여 입력으로 주어진 이미지 안의 객체의 종류(class)를 구분할 수 있다. 예를 들어, 입력으로 주어진 이미지 안에 고양이가 있는 경우, 입력된 고양이 이미지에 대해 프로세서(110)는 모델을 이용하여 "입력된 이미지의 종류(class)는 고양이"라는 출력을 획득할 수 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 분류(Classification)하고 지역화(Localization)하는 모델을 이용하여 이미지 안의 객체가 이미지 안의 어느 위치에 있는지를 나타내는 위치 정보도 출력할 수 있다. 프로세서(110)는 분류(Classification)하고 지역화(Localization)하는 모델을 이용할 경우, 바운딩 박스(Bounding Box)를 사용하여 이미지 내의 객체를 인식하고 위치 정보를 출력할 수 있다. 바운딩 박스(Bounding Box)는 박스의 좌측, 우측, 상부, 하부 좌표를 출력하는 방식을 통해 객체의 위치 정보를 반환할 수 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 객체 감지(Object Detection) 모델을 이용하여 적어도 하나 이상의 객체를 감지할 수 있다. 프로세서(110)는 객체 감지(Object Detection) 모델을 이용하여 적어도 하나 이상의 객체를 동시에 분류(Classification)하고 지역화(Localization)하여, 복수개의 객체를 감지하고 위치 정보를 추출할 수 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 세그먼테이션(Segmentation) 모델을 이용하여 픽셀(Pixel)을 분류(Classification)하여 이미지 내 객체의 경계선을 배경과 구분하여 객체를 감지할 수 있다. 세그먼테이션(Segmentation) 모델은 시맨틱 세그먼테이션 모델(Semantic Segmentation) 및/또는 인스턴스 세그먼테이션(Instance Segmentation) 모델을 포함할 수 있다. 프로세서(110)는 시맨틱 세그먼테이션 모델(Semantic Segmentation)을 이용하여 객체 세그먼테이션 진행 후, 같은 종류(class)인 오브젝트들은 같은 영역 또는 색으로 분할할 수 있다. 예를 들어, 이미지내 적어도 하나 이상의 의자가 있는 경우, 프로세서(110)는 의자들을 같은 영역 또는 색으로 영역을 분할할 수 있다. 프로세서(110)는 인스턴스 세그먼테이션(Instance Segmentation) 모델을 이용하여 객체들이 같은 종류(class)인 경우에도, 서로 다른 객체로 구분할 수 있다. 예를 들어, 이미지내 적어도 하나 이상의 의자가 있는 경우, 프로세서(110)는 의자들을 다른 영역 또는 색으로 분할할 수 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 프로세서(110)는 각각의 학습 데이터가 손실(Loss)값에 영향을 미치는 정도를 기준으로, 학습 데이터 중 적어도 일부를 제거하여 데이터 드롭아웃(data dropout)된 학습 데이터 세트를 생성할 수 있다. 프로세서(110)는 학습 데이터가 손실(Loss)값에 영향을 미치는 정도를 산출할 수 있다. 예를 들어, 학습 데이터 A가 학습 데이터 세트에 포함되어 학습 데이터 세트 전체의 손실(Loss)값이 증가한 경우, 프로세서(110)는 학습 데이터 A를 학습 데이터 세트에 제외할 수 있다. 따라서 프로세서(110)가 데이터 드롭아웃 처리를 통해 잘못 라벨링된 데이터를 학습 데이터 세트에 포함시키는 것을 방지함으로써, 라벨링 서브모델 및/또는 라벨링 모델의 학습 정확도를 향상시킬 수 있다. 이를 통해, 프로세서(110)가 라벨링 모델을 이용하여 게임 화면을 입력 받아 게임 오브젝트를 인식하여 라벨링하는 정확도를 향상시킬 수 있다. 전술한 데이터 드롭아웃 학습 데이터 세트 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 프로세서(110)는 데이터 드롭아웃(data dropout) 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시킬 수 있다. 프로세서(110)는 데이터 드롭아웃 학습 데이터 세트를 이용하여 라벨링 서브모델의 파라미터(parameter)를 업데이트할 수 있다. 따라서 프로세서(110)가 라벨링 서브모델의 파라미터 업데이트를 진행함으로써, 라벨링 서브모델의 라벨링 정확도를 향상시킬 수 있다. 전술한 라벨링 서브모델의 학습은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

데이터 드롭아웃에 관련한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 Data Dropout: Optimizing Training Data for Convolutional Neural Networks (공개일: 2018년09년07일, 작성자: Tianyang Wang, Jun Huan, Bo Li)에서 구체적으로 논의된다.

본 개시의 일 실시예에서, 프로세서(110)는 학습 데이터 세트를 라벨링 서브모델을 학습시키기 위한 데이터 형태로 변환할 수 있다. 각각 라벨링 서브모델마다 라벨링 서브모델을 학습시키기 위한 학습 데이터 세트 형태가 존재할 수 있다. 예를 들어, 라벨링 서브모델이 텐서플로우(Tensorflow)를 기초로 구현된 경우, 학습 데이터 세트는 TFRecord 형태로 입력될 수 있다. TFRecord 데이터 형태는, 텐서 플로우의 학습 데이터를 저장하기 위한 바이너리(Binary) 데이터 형태일 수 있다. 또한, 라벨링 서브모델이 다크넷(Darknet)을 기초로 구현된 경우, 학습 데이터 세트는 이미지-라벨 데이터 형태일 수 있다. 라벨링 서브모델을 학습시키기 위한 학습 데이터 세트 형태는 해당 라벨링 서브모델의 학습 정확도 향상 및 학습에 소요되는 시간 단축을 위해 만들어진 데이터 형태일 수 있다. 프로세서(110)가 학습 데이터 세트를 라벨링 서브모델을 학습시키기 위한 데이터 형태로 변환함으로써, 하나의 학습 데이터 세트를 이용하여 복수개의 라벨링 서브모델 학습을 시킬 수 있다. 이를 통해, 프로세서(110)는 복수개의 라벨링 서브모델의 출력을 얻을 수 있고, 프로세서(110)는 라벨링 서브모델의 출력을 기초로 의사 결정을 수행하여 게임 화면 내 게임 오브젝트를 높은 정확도로 인식할 수 있다.

본 개시의 일 실시예에서, 게임 오브젝트 정보는 클라이언트에 게임 화면을 표시하기 위한 게임 엔진으로부터 획득되거나, 또는 상기 게임 화면을 학습된 라벨링 모델에 입력시켜 획득된 출력으로부터 획득될 수 있다. 게임 엔진은 그래픽 출력, 사운드 출력, 스크립트 작성, 스트리밍, 메모리 관리, 애니매이션, 게임 오브젝트의 정보 출력 등과 같은 기능을 포함할 수 있다. 프로세서(110)는 게임 엔진을 이용하여 산출된 정보를 기초로 게임 화면에 게임 오브젝트 정보를 매칭하여 라벨링된 학습 데이터 세트를 생성할 수 있다. 전술한 게임 엔진은 예시일 뿐, 본 개시는 이에 제한되지 않는다. 프로세서(110)는 초기 상태에 라벨링 서브모델 및/또는 라벨링 모델을 학습시키기 위해 필요한 학습 데이터 세트 생성하는 경우, 게임 엔진을 이용하여 게임 화면에 게임 오브젝트 정보를 매칭하여 라벨링된 학습 데이터를 세트를 생성함으로써, 초기 학습 데이터 생성을 위한 인력, 비용, 시간을 획기적으로 단축시킬 수 있다. 초기 상태는 라벨링 모델 및/또는 라벨링 서브모델을 학습시키지 않아 네트워크 함수의 파라미터가 임의의 값으로 설정된 상태일 수 있다.

본 개시의 일 실시예에서, 프로세서(110)는 라벨링 모델을 이용하여 게임 화면을 입력 받아 게임 화면에 게임 오브젝트를 매칭하여 라벨링된 학습 데이터 세트를 생성할 수 있다. 프로세서(110)는 라벨링 모델을 이용하여 학습 데이터 세트를 학습하여 게임 화면 내 게임 오브젝트를 인식할 수 있다. 예를 들어, 프로세서(110)는 라벨링 모델을 이용하여 게임 화면에 캐릭터가 게임 화면 가운데 위치하는 경우, 게임 화면 중앙에 캐릭터가 위치한다는 위치 정보를 얻을 수 있다. 프로세서(110)는 라벨링 모델을 이용하여 게임 화면에 포함된 게임 오브젝트 명칭 및/또는 게임 오브젝트 카테고리를 얻을 수 있다. 예를 들어, 게임 화면에 "타우렌"이라는 게임 오브젝트 명칭 및 캐릭터라는 게임 오브젝트 카테고리를 가지는 캐릭터가 포함된 경우, 프로세서(110)는 라벨링 모델을 이용하여 캐릭터의 게임 오브젝트 명칭을 "타우렌"으로, 게임 오브젝트 카테고리를 "캐릭터"로 라벨링할 수 있다. 따라서 프로세서(110)가 게임 오브젝트 명칭 및 게임 오브젝트 카테고리를 라벨링한 학습 데이터를 생성하여 라벨링 서브모델을 학습시킬 수 있다. 프로세서(110)는 라벨링한 학습 데이터를 기초로 학습된 라벨링 모델을 이용하여, 새롭게 입력된 게임 화면에 "타우렌"이라는 캐릭터가 존재하는 경우, 해당 캐릭터를 인식하여 게임 오브젝트 명칭을 "타우렌", 게임 오브젝트 카테고리를 "캐릭터"로 라벨링할 수 있다. 또한 예를 들어, 게임 오브젝트가 "힐링 포션"인 경우, 프로세서(110)는 라벨링 모델을 이용하여, 힐링 포션의 게임 오브젝트 명칭을 "힐링 포션", 게임 오브젝트 카테고리를 "아이템"으로 라벨링할 수 있다. 전술한 라벨링된 학습 데이터를 생성하는 방법은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에서, 프로세서(110)는 라벨링 모델을 이용하여 게임 화면을 입력 받아 게임 화면 내 게임 오브젝트들을 인식함으로써 게임 장르를 인식할 수 있다. 예를 들어, 게임 화면에 플레이어가 조종하는 캐릭터가 이동하여도, 캐릭터는 화면의 중앙에 위치하고 캐릭터의 크기가 변하지 않는 경우, 프로세서(110)는 라벨링 모델을 이용하여 해당 게임 화면이 RPG(Role Playing Game) 장르라고 출력할 수 있다. 또한, 플레이어가 조종하는 캐릭터가 이동하여도, 게임 화면 중앙에 조준점이 존재하고, 게임 화면 중앙 하단에 무기가 지속적으로 위치하는 경우, 프로세서(110)는 라벨링 모델을 이용하여 해당 게임 화면이 FPS 게임 장르라고 출력할 수 있다. 전술한 게임 장르 출력은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에서, 프로세서(110)는 라벨링 모델을 이용하여 게임 화면을 입력 받아 게임 화면 내 게임 오브젝트들을 인식함으로써 게임 장면을 출력할 수 있다. 게임 장면은 게임 화면에 나타난 상황을 포함할 수 있다. 예를 들어, 플레이어의 캐릭터가 다른 플레이어의 캐릭터 및/또는 몬스터에 대해 공격행위를 하는 경우, 프로세서(110)는 라벨링 모델을 이용하여 입력된 게임 화면에 대해 "전투 중인 상황"으로 게임 장면을 라벨링할 수 있다. 또한 플레이어의 캐릭터가 다른 플레이어의 캐릭터에게 아이템을 매도하거나 매수하는 경우, 프로세서(110)는 라벨링 모델을 이용하여 입력된 게임 화면에 대해 "거래 중인 상황"으로 게임 장면을 라벨링할 수 있다. 전술한 게임 장면 출력은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 사전 결정된 기준은, 라벨링 서브모델의 라벨링 정확도를 포함하고, 라벨링 서브모델의 라벨링 정확도는, 학습 데이터 세트 중 적어도 일부의 학습 데이터로 구성된 테스트 데이터 서브세트를 라벨링 서브모델에 입력시켜 출력되는 게임 오브젝트 정보와 테스트 데이터 서브세트의 라벨과의 비교 결과에 기초하여 결정될 수 있다. 테스트 데이터 서브세트는 라벨링 서브모델의 라벨링 정확도를 산출하기 위한 데이터 세트일 수 있다. 프로세서(110)는 테스트 데이터 서브세트를 라벨링 서브모델에 입력하여, 라벨링 정확도를 산출할 수 있다. 라벨링 정확도는 예를 들어, 라벨링 서브모델에 입력시켜 출력되는 게임 오브젝트 정보와 테스트 데이터 서브세트의 라벨과 일치하는 데이터 수와 전체 테스트 데이터 서브세트에 포함된 데이터 수의 비율일 수 있다. 예를 들어, 테스트 데이터 서브세트 수가 10이고, 라벨링 서브모델에 입력시켜 출력되는 게임 오브젝트 정보와 테스트 데이터 서브세트의 라벨과 일치하는 테스트 데이터 서브세트의 수가 9인 경우, 라벨링 정확도는 0.9일 수 있다. 전술한 라벨링 정확도는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택할 수 있다. 적어도 하나 이상의 라벨링 서브모델은 동일한 학습 데이터 세트를 이용하여 학습된 모델일 수 있다. 프로세서(110)는 학습 데이터 세트를 입력하여 라벨링 정확도를 산출할 수 있다. 예를 들어, 사전 결정된 기준이 라벨링 정확도가 0.9이상일 수 있다. 따라서 프로세서(110)는 라벨링 정확도가 0.9 이상인 라벨링 서브모델만의 출력을 기초로 라벨링 모델의 의사 결정을 수행할 수 있다. 라벨링 정확도가 0.9 이상인 서브모델의 출력에 대해 프로세서(110)는 가중치를 부여하여 라벨링 모델의 의사 결정을 수행할 수 있다. 또한 프로세서(110)는 라벨링 정확도가 0.9이상인 라벨링 서브모델을 기초로 라벨링 모델의 파라미터를 업데이트할 수 있다. 본 개시의 다른 일 실시예에서, 프로세서(110)는 라벨링 서브모델이 출력한 결과를 기초로 단순 보팅(voting) 또는 특정 서브모델에 가중치를 부여하는 방식을 이용하여 라벨링 모델을 이용한 의사 결정을 수행할 수 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다. 적어도 하나 이상의 서브모델을 학습시켜 게임 화면 내의 게임 오브젝트 라벨링을 수행함으로써, 특정 라벨링 서브모델이 라벨링 정확도가 떨어지는 게임 오브젝트에 대하여 다른 라벨링 서브모델이 높은 라벨링 정확도로 라벨링할 수 있으므로, 게임 오브젝트 라벨링 정확도를 향상시킬 수 있다. 전술한 사항은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 적어도 하나 이상의 라벨링 서브모델 서로 다른 학습 데이터 세트를 이용하여 학습된 모델일 수 있다. 예를 들어, 학습 데이터 세트가 아이템에 대해서만 라벨링된 학습 데이터 세트, 캐릭터에 대해서만 라벨링된 학습 데이터 세트, 사용자 인터페이스에 대해서만 라벨링된 학습 데이터 세트 등으로 구분될 수 있다. 따라서 아이템에 대해서만 라벨링된 학습 데이터 세트를 이용하여 학습된 라벨링 서브모델은 게임 화면 내 존재하는 아이템을 더 높은 정확도로 라벨링할 수 있다. 마찬가지로 캐릭터에 대해서만 라벨링된 학습 데이터 세트를 이용하여 학습된 라벨링 서브모델은 게임 화면 내 존재하는 캐릭터를 더 높은 정확도로 라벨링할 수 있다. 게임 오브젝트별로 학습 데이터 세트를 구성하여, 각 학습 데이터 세트에 대응되는 라벨링 서브모델을 구축함으로써, 게임 화면 내 존재하는 각 게임 오브젝트에 대한 각 라벨링 서브모델의 라벨링 정확도가 향상될 수 있다. 또한 각 라벨링 서브모델은 라벨링된 학습 데이터 전부가 아닌, 각 라벨링 서브모델이 라벨링하고자 목표한 게임 오브젝트에 대해서 필요한 라벨링된 학습 데이터 일부를 학습에 사용하므로, 학습 시간 단축을 기대할 수 있다. 전술한 사항은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 온라인 게임 화면을 상기 라벨링 모델에 입력시켜 획득되는 출력에 기초하여 게임 테스트 결과를 생성할 수 있다. 온라인 게임 화면은 게임이 진행되는 동안 수집된 스크린샷 및/또는 게임이 진행되는 동안 수집된 영상을 포함할 수 있다. 게임 테스트는 게임 개발자의 기획 의도와 다르게 출력되는 요소가 존재하는지 테스트하는 것일 수 있다. 게임 테스트는 예를 들어, 게임 화면 내 포함된 오타, 잘못 배치된 게임 오브젝트, NPC의 이상 패턴 행동, 플레이어 캐릭터의 이상 패턴 행동 등과 같이 기획 의도와 다르게 출력되는 요소를 파악하는 테스트일 수 있다. 또한, 게임 테스트는 AB 테스트를 포함할 수 있다. AB 테스트는 사용자들을 임의로 분류하여 각 그룹에서 서로 다른 상황을 제시하고 그 반응을 확인하는 테스트 방법일 수 있다. AB 테스트는 예를 들어, 가입이나 구매 버튼의 위치, 색상, 문구 등을 변경함으로써 사용자의 아이템 구매율 또는 구매 금액 증가율을 파악하기 위한 테스트일 수 있다. 전술한 게임 테스트는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)가 라벨링 모델을 이용하여 게임 화면에 포함된 게임 오브젝트를 라벨링함으로써, 게임 화면 내 게임 오브젝트 인식을 위한 데이터 수집을 자동화할 수 있다. 게임 화면 내에서 객체를 인식하는 모델을 생성하기 위해서는 라벨링된 학습 데이터가 필요할 수 있다. 라벨링된 학습 데이터를 생성하기 위해서는 사람이 객체를 인식하여 라벨을 수동으로 매칭시켜주는 방법 또는 기계 학습 모델을 이용하여 자동으로 라벨링하는 방법이 존재할 수 있다. 본 개시의 라벨링 모델을 사용함으로써, 라벨링된 학습 데이터를 생성하는데 소요되는 인력, 비용, 시간이 절감되는 효과를 기대할 수 있다. 또한 라벨링 모델을 이용함으로써, 게임 테스트가 자동으로 수행될 수 있어, 게임 테스트 진행시 소요되는 인력, 비용, 시간이 절약될 수 있다. 예를 들어, 프로세서(110)가 라벨링 모델을 이용함으로써 게임 화면 내 오타, 캐릭터 이상 행동 패턴, 잘못된 게임 오브젝트의 배치를 감지할 수 있다. 프로세서(110)는 라벨링 모델을 이용하여 얻어진 게임 장르 및 게임 장면 정보를 기초로, 향상된 게임 색인 서비스를 제공할 수 있다. 또한 프로세서(110)는 라벨링 모델을 이용하여 게임 화면 기반 데이터베이스를 구축함으로써 효과적으로 게임 화면을 색인 서비스를 제공할 수 있다. 예를 들어, FPS라는 게임 장르를 사용자가 검색한 경우, 프로세서(110)는 라벨링 모델을 이용하여 얻은 게임 장르 정보를 기초로 FPS 게임 화면을 가진 게임 명칭 및 FPS 게임 화면을 사용자에게 반환할 수 있다. 그리고 프로세서(110)가 라벨링 모델을 이용함으로써 게임 화면 내 사용자 인터페이스 위치를 알 수 있으므로, 사용자 인터페이스 위치 및 사용자 패턴 간의 상관 관계 분석을 통해 사용자에게 적절한 사용자 인터페이스 배치 결과를 알 수 있다.

도 2는 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집을 위한 교사 학습 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 3은 본 개시의 일 실시예에 따라 라벨링 모델을 이용하여 게임 화면 내에서 게임 오브젝트 라벨링을 수행하는 동작을 설명하기 위한 예시도이다.

본 개시의 일 실시예에 따라 참조번호 300은 클라이언트로부터 획득된 게임 오브젝트가 포함된 게임 화면일 수 있다.

도 3에서 개시된 바와 같이 게임 화면은 플레이어가 조종하는 캐릭터(302), 몬스터(301), 아이템(303), 채팅창(305), 캐릭터 레벨을 나타내는 UI(306), 캐릭터 체력을 나타내는 UI(304), 맵 정보를 표시하는 UI(307)을 포함할 수 있다. 프로세서(110)는 학습된 라벨링 모델을 이용하여, 게임 화면에서 몬스터(301)를 인식하여 게임 오브젝트 정보를 라벨링할 수 있다. 예를 들어, 몬스터 명칭이 “트롤” 인 경우, 프로세서(110)는 라벨링 모델을 이용하여 몬스터(301)의 게임 오브젝트 분류 정보를 "트롤"로 라벨링할 수 있다. 또한 프로세서(110)는 라벨링 모델을 이용하여 몬스터(301)의 위치가 화면 중앙을 직교 좌표계에서 (0,0)이라고 가정하면, 몬스터(301)의 위치 정보가 (0,4)라는 게임 오브젝트 위치 정보를 라벨링할 수 있다. 프로세서(110)는 학습된 라벨링 모델을 이용하여, 게임 화면에서 맵 정보를 표시하는 UI(307)을 인식하여 게임 오브젝트 정보를 라벨링할 수 있다. 예를 들어, 게임 화면에서 맵 정보를 표시하는 UI(307)이 게임 오브젝트의 분류 정보인 경우, 프로세서(110)는 라벨링 모델을 이용하여 게임 화면에서 맵 정보를 표시하는 UI(307)에 게임 오브젝트의 분류 정보를 라벨링하고, 게임 화면에서 맵 정보를 표시하는 UI(307)이 배치된 위치 정보를 라벨링할 수 있다. 전술한 라벨링은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에서, 프로세서(110)는 학습된 라벨링 모델을 이용하여 게임 오브젝트의 카테고리를 라벨링할 수 있다. 예를 들어, 프로세서는 라벨링 모델을 이용하여 채팅창(305), 캐릭터 레벨을 나타내는 UI(306), 캐릭터 체력을 나타내는 UI(304), 맵 정보를 표시하는 UI(307)을 "사용자 인터페이스"라는 게임 오브젝트 카테고리로 라벨링할 수 있다. 또한 플레이어가 조종하는 캐릭터(302)를 "캐릭터"라는 게임 오브젝트 카테고리로, 몬스터(301)를 "몬스터"라는 게임 오브젝트 카테고리로 라벨링할 수 있다. 전술한 게임 오브젝트 카테고리를 라벨링하는 것은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에서, 프로세서(110)는 학습된 라벨링 모델을 이용하여 게임 화면에 게임 장르를 라벨링할 수 있다. 예를 들어, 플레이어가 조종하는 캐릭터(302)가 게임 화면 중앙에 위치하고 있고, 플레이어가 조종하는 캐릭터(302) 이동하더라도 게임 화면 내에서 여전히 게임 화면 중앙에 위치하고 있는 경우, 프로세서(110)는 게임 화면에 매칭 되는 게임 장르를 "FPS"로 라벨링할 수 있다. 전술한 게임 장르를 라벨링하는 것을 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에서, 프로세서(110)는 학습된 라벨링 모델을 이용하여 게임 화면에 게임 장면을 라벨링할 수 있다. 예를 들어, 플레이어가 조종하는 캐릭터(302)가 도 3에 도시된 바와 같이 오른손에 칼을 높게 들고 전투 자세를 취하고 있고, 플레이어가 조종하는 캐릭터(302)의 정면에 몬스터(301)가 존재하는 경우, 프로세서(110)는 게임 화면에 매칭 되는 게임 장면을 "전투 준비 중인 장면"으로 라벨링할 수 있다. 전술한 게임 장면을 라벨링하는 것을 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)가 라벨링 모델을 이용하여 이미지인 게임 화면에 대해 게임 장르 및 게임 장면을 라벨링하여 데이터베이스에 라벨링된 데이터를 저장할 수 있다. 따라서 게임 장르 및 게임 장면에 대한 색인 서비스를 구축하여, 사용자가 게임 장르 및 게임 장면에 대한 검색을 수행하는 경우, 프로세서(110)가 데이터베이스에서 해당 게임 장르 및 게임 장면에 대응되는 이미지를 반환하여 사용자의 검색 만족도가 높은 검색 서비스를 제공할 수 있다.

도 4는 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집 시스템의 모듈을 예시적으로 구성한 블록 구성도이다.

데이터 수집 시스템은 하나 이상의 컴퓨팅 장치로 구성될 수 있다.

도 4에 개시된 기계 학습을 위한 데이터 수집 시스템의 모듈은 컴퓨팅 장치(100)에서 구현되는 모듈일 수 있다. 기계 학습을 위한 데이터 수집 시스템의 각 컴포넌트들은 하드웨어 또는 소프트웨어 모듈일 수 있다. 소프트웨어 모듈인 경우 컴퓨팅 장치(100)의 프로세서(110)에서 구현될 수 있다.

데이터(410)는 클라이언트로부터 획득된 게임 오브젝트가 포함된 게임 화면을 포함할 수 있다. 전술한 데이터는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 기계 학습을 위한 데이터 수집 시스템은 라벨링 도구(420)를 포함할 수 있다. 컴퓨팅 장치(100)는 라벨링 도구(420)를 이용하여 입력된 데이터(410)에 대한 라벨링을 수행할 수 있다. 라벨링 도구(420)는 게임 엔진에서 생성된 정보를 이용하여 입력 받은 게임 화면에 게임 오브젝트 정보를 라벨링할 수 있다. 또한 라벨링 도구(420)는 오퍼레이터로부터 입력된 게임 오브젝트가 포함된 게임 화면에 맵핑(Mapping)된 게임 오브젝트 정보를 이용하여 입력 받은 게임 화면에 게임 오브젝트 정보를 라벨링할 수 있다. 전술한 라벨링 도구(420)는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 기계 학습을 위한 데이터 수집 시스템은 라벨링 모델(430)을 포함할 수 있다. 컴퓨팅 장치(100)는 라벨링 모델(430)을 이용하여 데이터(410)를 입력 받아 데이터(410)에 대한 라벨링을 수행할 수 있다. 라벨링 모델(430)은 라벨링된 학습 데이터 세트를 이용하여 교사 학습(supervised learning)된 모델을 포함할 수 있다. 교사 학습된 모델은 각각의 학습 데이터에 정답이 라벨링 되어 있는 학습 데이터를 사용하여 학습된 모델일 수 있다. 전술한 교사 학습된 모델은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 교사 학습(supervised learning)된 모델은, 게임 화면 내 객체를 인식하여 분류(Classification)하는 모델, 게임 화면 내 객체를 인식하여 분류(Classification)하고 객체의 위치 정보를 출력하기 위한 지역화(Localization)하는 모델, 게임 화면 내 적어도 하나 이상의 객체를 인식하기 위한 객체 감지(Object Detection) 모델, 및 픽셀(Pixel)을 분류(Classification)하여 게임 화면 내 객체의 경계선을 배경과 구분하여 객체를 인식하는 세그먼테이션(Segmentation) 모델 중 적어도 하나를 포함할 수 있다. 전술한 교사 학습된 모델은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 기계 학습을 위한 데이터 수집 시스템은 수집기(440)를 포함할 수 있다. 수집기(440)는 라벨링 도구(420) 및 라벨링 모델(430)에서 출력된 결과를 획득할 수 있다. 라벨링 도구(420) 및 라벨링 모델(430)에서 출력된 결과는 게임 화면에 매칭되는 게임 오브젝트 정보를 라벨링한 학습 데이터일 수 있다. 수집기(440)는 드롭아웃 학습 데이터 세트를 생성할 수 있다. 수집기(440)는 각각의 학습 데이터가 손실(Loss)값에 영향을 미치는 정도를 기준으로, 학습 데이터 중 적어도 일부를 제거하여 데이터 드롭아웃(data dropout) 학습 데이터 세트를 생성하고, 데이터 드롭아웃(data dropout) 학습 데이터 세트를 출력할 수 있다. 전술한 수집기(440)는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 기계 학습을 위한 데이터 수집 시스템은 변환기(450)를 포함할 수 있다. 변환기(450)는 수집기(440)가 출력한 데이터를 입력 받을 수 있다. 수집기(440)가 출력한 데이터는 데이터 드롭아웃(data dropout) 학습 데이터 세트일 수 있다. 변환기(450)는 학습 데이터 세트를 상기 라벨링 서브모델을 학습시키기 위한 데이터 형태로 변환할 수 있다. 예를 들어, 라벨링 서브모델이 텐서플로우(Tensorflow)를 기초로 구현된 경우, 학습 데이터 세트는 TFRecord 형태로 입력될 수 있다. TFRecord 데이터 형태는, 텐서 플로우의 학습 데이터를 저장하기 위한 바이너리(Binary) 데이터 형태일 수 있다. 전술한 변환기(450)는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 기계 학습을 위한 데이터 수집 시스템은 적어도 하나 이상의 라벨링 서브모델을 포함할 수 있다. 라벨링 서브모델은 변환기(450)에서 라벨링 서브모델 학습시키기 위한 형태로 변환된 학습 데이터를 입력 받을 수 있다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택할 수 있다. 사전 결정된 기준은, 라벨링 서브모델의 라벨링 정확도를 포함할 수 있다. 라벨링 서브모델의 라벨링 정확도는, 학습 데이터 세트 중 적어도 일부의 학습 데이터로 구성된 테스트 데이터 서브세트를 라벨링 서브모델에 입력시켜 출력되는 게임 오브젝트 정보와 테스트 데이터 서브세트의 라벨과의 비교 결과에 기초하여 결정될 수 있다. 예를 들어, 라벨링 서브모델의 정확도가 라벨링 서브모델1(431)은 0.85, 라벨링 서브모델2(432)은 0.93, 라벨링 서브모델3(433)은 0.97, 라벨링 서브모델4(434)는 0.72이고 사전 결정된 기준이 라벨링 정확도가 0.9 이상인 경우, 컴퓨팅 장치(100)는 라벨링 서브모델2(432) 및 라벨링 서브모델3(433)의 출력에 기초하여 라벨링 모델(430)의 파라미터를 업데이트할 수 있다. 또한 컴퓨팅 장치(100)는 라벨링 모델(430)을 이용한 의사 결정 과정에서 라벨링 서브모델2(432) 및 라벨링 서브모델3(433)의 출력만 고려할 수 있다. 본 개시의 다른 일 실시예에서, 컴퓨팅 장치(100)는 라벨링 서브모델이 출력한 결과를 기초로 단순 보팅(voting) 또는 특정 서브모델에 가중치를 부여하는 방식을 이용하여 라벨링 모델을 이용한 의사 결정을 수행할 수 있다. 전술한 라벨링 서브모델은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 적어도 하나 이상의 라벨링 서브모델은 서로 다른 학습 데이터 세트를 이용하여 학습된 모델일 수 있다. 예를 들어, 컴퓨팅 장치(100)가 라벨링 서브모델1(431)를 학습시키는 경우, 아이템에 대해서만 라벨링된 학습 데이터 세트를 이용하고, 라벨링 서브모델2(432)를 학습시키는 경우, 캐릭터에 대해서만 라벨링된 학습 데이터 세트를 이용할 수 있다. 또한 컴퓨팅 장치(100)는 라벨링 서브모델3(433)을 학습시키는 경우, 사용자 인터페이스에 대해서만 라벨링된 학습 데이터 세트를 이용할 수 있다. 따라서 컴퓨팅 장치(100)는 라벨링 서브모델1(431)을 이용하여 아이템을 높은 라벨링 정확도로 라벨링할 수 있으며, 마찬가지로 라벨링 서브모델2(432)을 이용하여 높은 라벨링 정확도를 가지는 캐릭터 라벨링, 라벨링 서브모델3(433)을 이용하여 높은 라벨링 정확도를 가지는 사용자 인터페이스 라벨링을 수행할 수 있다. 전술한 라벨링 서브모델은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 기계 학습을 위한 데이터 수집 시스템은 데이터베이스(460)를 포함할 수 있다. 컴퓨팅 장치(100)는 적어도 하나 이상의 라벨링 서브모델의 출력을 입력 받아 데이터베이스(460)에 저장할 수 있다. 또한 컴퓨팅 장치(100)는 학습 데이터 세트를 입력 받아 데이터베이스(460)에 저장할 수 있다. 그리고 컴퓨팅 장치(100)는 적어도 하나 이상의 라벨링 서브모델의 학습과정에서 산출된 가중치(Weight)를 데이터베이스(460)에 저장할 수 있다. 컴퓨팅 장치(100)는 라벨링 정확도 상승을 위해 라벨링 모델(430)의 파라미터를 라벨링 서브모델의 학습과정에서 산출된 가중치를 기초로 업데이트할 수 있다. 컴퓨팅 장치(100)는 입력 받은 데이터(410)에 대해 게임 테스트를 수행할 수 있다. 게임 테스트는 게임 개발자의 기획 의도와 다르게 출력되는 요소가 존재하는지 테스트하는 것일 수 있다. 또한, 게임 테스트는 AB 테스트일 수 있다. AB 테스트는 사용자들을 임의로 분류하여 각 그룹에서 서로 다른 상황을 제시하고 그 반응을 확인하는 테스트 방법일 수 있다. 전술한 데이터베이스(460)는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 5는 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 드롭아웃(Data Dropout) 처리를 설명하기 위한 예시도이다.

도 5를 참조하면, 컴퓨팅 장치(100)가 라벨링 모델(430)을 이용하여 출력한 라벨링된 데이터 세트(550)를 데이터 드롭아웃 처리를 거친 후 생성된 데이터 드롭아웃 학습 데이터 세트(570)를 표시하고 있다.

본 개시의 일 실시예에서, 데이터(410)는 클라이언트로부터 획득된 게임 오브젝트가 포함된 게임 화면을 포함할 수 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 라벨링 모델(430)을 이용하여 데이터(410)를 입력 받아 데이터(410)에 대한 라벨링을 수행할 수 있다. 라벨링 모델(430)은 라벨링된 학습 데이터 세트를 이용하여 교사 학습(supervised learning)된 모델을 포함할 수 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 라벨링 모델을 이용하여 라벨링된 데이터 세트(550)를 생성할 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 직교 좌표계에서 (10,20)에 위치한 게임 오브젝트가 캐릭터인 경우, 컴퓨팅 장치(100)는 라벨링 모델을 이용하여 게임 오브젝트에 대해 "캐릭터"라는 게임 오브젝트 분류 정보를 라벨링할 수 있다. 예를 들어, 직교 좌표계에서 (20,5)에 위치한 게임 오브젝트가 몬스터인 경우, 컴퓨팅 장치(100)는 라벨링 모델을 이용하여 게임 오브젝트에 대해 "몬스터"라는 분류 정보를 라벨링할 수 있다. 전술한 라벨링된 데이터 세트 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에서, 컴퓨팅 장치(100)는 데이터 드롭아웃 처리를 통해 데이터 드롭아웃 학습 데이터 세트를 생성할 수 있다. 예를 들어, 직교 좌표계에서 (16,14) 및 (1,18)에 위치한 게임 오브젝트가 "캐릭터"인 경우, 참조번호 551,552에 나타난 바와 같이 (16,14)는 게임 오브젝트 분류 정보로 "아이템", (1,18)은 게임 오브젝트 분류 정보로 "몬스터"로 잘못 라벨링 되어있다. 따라서 참조번호 551 및 552의 데이터가 라벨링된 데이터 세트에 포함됨으로써, 학습 데이터 세트 전체의 손실(Loss)값이 증가할 수 있다. 이를 통해, 참조번호 551 및 552의 데이터는 학습 데이터 세트 전체의 손실(Loss)값에 영향을 크게 미치는 데이터이므로, 컴퓨팅 장치(100)는 참조번호 551 및 552의 데이터를 라벨링된 데이터 세트(550)에서 제외시킴으로써, 학습 데이터 세트 전체의 손실(Loss)값을 감소시킬 수 있다. 참조번호 551 및 552의 데이터를 제외한 데이터 드롭아웃 학습 데이터 세트(570)를 생성함으로써, 라벨링 모델의 라벨링 정확도를 향상시킬 수 있다. 또한 라벨링 정확도가 향상되면 라벨링 모델의 출력을 신뢰할 수 있으므로, 사람이 수행하는 별도의 검증 절차도 간소화될 수 있다. 전술한 데이터 드롭아웃 학습 데이터 세트를 생성은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 6은 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집 모델을 활용하여 게임 테스트를 진행하는 것을 설명하기 위한 예시도이다.

도 6은 게임 참조번호 600번 게임 화면 및 참조번호 601번 게임 화면을 포함하고 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 게임 테스트를 수행할 수 있다. 게임 테스트를 수행하기 위해서 참조번호 600번 게임 화면과 참조번호 601번 게임 화면을 비교할 필요가 있을 수 있다. 예를 들어, 참조번호 600번 게임 화면은 게임 개발자의 기획 의도가 그대로 반영된 게임 화면일 수 있다. 또한 참조번호 601번 게임 화면은 실제 게임이 실행된 게임 화면일 수 있다.

본 개시의 일 실시예에서, 참조번호 601번 게임 화면은 사용자 인터페이스인 홈 버튼(610)을 포함할 수 있다. 참조번호 600번 게임 화면과 비교한 결과 홈 버튼(610)은 게임 화면의 캐릭터 얼굴을 가리는 좌표에 위치하고 있을 수 있다. 프로세서(110)는 라벨링 모델(430)을 이용하여 참조번호 601번 게임 화면이 입력된 경우, 홈 버튼(610)에 대해 인식을 하고 라벨링을 할 수 있다. 이를 통해 컴퓨팅 장치(100)는 홈 버튼(610)이 잘못 배치된 게임 오브젝트임을 검출할 수 있다. 또한 프로세서(110)는 라벨링 모델(430)을 이용하여 참조번호 601번 게임 화면이 입력된 경우, 게임 화면 내 포함된 텍스트를 인식할 수 있다. 프로세서(110)는 라벨링 모델(430)을 이용하여, 참조번호 601번 게임 화면을 입력 받아 라벨링한 결과, 게임 시작 버튼(630)의 텍스트가 "GAME START"가 아닌 "GAM ART"임을 검출할 수 있다. 따라서 게임 테스트는 라벨링 모델을 이용하여 자동으로 게임 화면 내 포함된 오타, 잘못 배치된 게임 오브젝트, NPC의 이상 패턴 행동, 플레이어 캐릭터의 이상 패턴 행동 등과 같이 개발자의 기획 의도와 다르게 출력되는 요소를 검출하는 방식으로 진행될 수 있다. 전술한 게임 테스트는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서, 게임 테스트는 AB 테스트일 수 있다. AB 테스트는 사용자들을 임의로 분류하여 각 그룹에서 서로 다른 상황을 제시하고 그 반응을 확인하는 테스트 방법일 수 있다. 예를 들어, 참조번호 600번 게임 화면과 참조번호 601번 게임 화면 내에 아이템 상점 버튼 위치를 다르게 하여 사용자의 아이템 구매율 또는 구매 금액 증가율을 파악할 수 있다. 참조번호 600번 게임 화면에는 아이템 상점 버튼(650)이 게임 화면 좌측 하단에 다른 버튼들과 동일한 크기로 위치할 수 있다. 참조번호 601번 게임 화면에는 아이템 상점 버튼(651)이 게임 화면 우측에 다른 버튼들보다 크게 위치할 수 있다. 예를 들어, 참조번호 600번 게임 화면보다 참조번호 601번 게임 화면에 표시된 바와 같이 아이템 상점 버튼(651)이 게임 화면 우측에 다른 버튼들보다 크게 위치할 경우, 사용자의 구매율이 10% 및 사용자의 구매 금액이 20% 증가할 수 있다. 따라서 프로세서(110)는 AB 테스트를 통해 아이템 상점 버튼(651)이 게임 화면 우측에 다른 버튼들보다 크게 위치할 경우에 아이템 구매율 및 구매 금액이 상승한다는 분석 결과를 산출할 수 있다. 본 개시의 라벨링 모델을 이용하여, 게임 화면 구성을 알 수 있고, 게임 화면 구성과 소비자 구매 성향 간의 상관 관계 분석을 통해 게임 화면 구성을 결정할 수 있다. 전술한 게임 테스트는 예시일 뿐, 본 개시는 이에 제한되지 않는다,

도 7은 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집하는 방법의 순서도이다.

컴퓨팅 장치(100)는 클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득(710)할 수 있다. 본 개시의 일 실시예에서, 클라이언트는 원격 디바이스, 로컬 디바이스 및/또는 클라우드를 포함할 수 있다.

본 개시의 일 실시예에서, 상기 게임 오브젝트는, 캐릭터, 게임 내에서 캐릭터와 상호작용할 수 있는 요소 또는 게임 화면 내 사용자 인터페이스(User Interface) 중 적어도 하나를 포함할 수 있다.

컴퓨팅 장치(100)는 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성(720)할 수 있다.

본 개시의 일 실시예에서, 상기 학습 데이터 세트는 상기 게임 오브젝트가 포함된 게임 화면을 학습 입력 데이터로 하고, 게임 오브젝트 정보를 라벨(label)로 하는 학습 데이터 세트일 수 있다.

본 개시의 일 실시예에서, 상기 게임 오브젝트 정보는, 상기 게임 화면에 포함된 게임 오브젝트에 대한 분류 정보 또는 위치 정보 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에서, 상기 라벨링 모델은 상기 라벨링된 학습 데이터 세트를 이용하여 교사 학습(supervised learning)된 모델을 포함할 수 있다.

본 개시의 일 실시예에서, 상기 교사 학습(supervised learning)된 모델은, 게임 화면 내 객체를 인식하여 분류(Classification)하는 모델, 게임 화면 내 객체를 인식하여 분류(Classification)하고 객체의 위치 정보를 출력하기 위한 지역화(Localization)하는 모델, 게임 화면 내 적어도 하나 이상의 객체를 인식하기 위한 객체 감지(Object Detection) 모델, 및 픽셀(Pixel)을 분류(Classification)하여 게임 화면 내 객체의 경계선을 배경과 구분하여 객체를 인식하는 세그먼테이션(Segmentation) 모델 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에서, 상기 게임 오브젝트 정보는, 클라이언트에 게임 화면을 표시하기 위한 게임 엔진으로부터 획득되거나, 또는 상기 게임 화면을 학습된 라벨링 모델에 입력시켜 획득된 출력으로부터 획득되는 정보를 포함할 수 있다.

컴퓨팅 장치(100)는 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습(730)할 수 있다.

컴퓨팅 장치(100)는 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택(740)할 수 있다.

본 개시의 일 실시예에서, 상기 사전 결정된 기준은, 라벨링 서브모델의 라벨링 정확도를 포함할 수 있고, 상기 라벨링 서브모델의 라벨링 정확도는, 상기 학습 데이터 세트 중 적어도 일부의 학습 데이터로 구성된 테스트 데이터 서브세트를 상기 라벨링 서브모델에 입력시켜 출력되는 게임 오브젝트 정보와 상기 테스트 데이터 서브세트의 라벨과의 비교 결과에 기초하여 결정되는 것을 포함할 수 있다.

본 개시의 일 실시예에 따라, 프로세서(110)가 라벨링 모델을 이용하여 게임 화면에 포함된 게임 오브젝트를 라벨링함으로써, 게임 화면 내 게임 오브젝트 인식을 위한 데이터 수집을 자동화할 수 있다. 나아가, 본 개시의 라벨링 모델을 사용함으로써, 라벨링된 학습 데이터를 생성하는데 소요되는 인력, 비용, 시간이 절감되는 효과를 기대할 수 있다.

도 8은 본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 기계 학습을 위한 데이터 수집은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라 클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득하기 위한 모듈(810); 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하기 위한 모듈(820); 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키기 위한 모듈(830); 및 상기 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택하기 위한 모듈(840)에 의하여 구현될 수 있다.

기계 학습을 위한 데이터 수집의 대안적 실시예에서, 기계 학습을 위한 데이터 수집하기 위한 모듈은, 클라이언트로부터 게임 오브젝트 정보를 수신하기 위한 모듈을 포함할 수 있다.

기계 학습을 위한 데이터 수집의 대안적 실시예에서, 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하기 위한 모듈(820)은 상기 게임 오브젝트 정보를 상기 게임 화면에 매칭하여 라벨링된 학습 데이터 세트를 생성하기 위한 모듈을 포함할 수 있다.

기계 학습을 위한 데이터 수집의 대안적 실시예에서, 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키기 위한 모듈(830)은, 각각의 학습 데이터가 손실(Loss)값에 영향을 미치는 정도를 기준으로, 학습 데이터 중 적어도 일부를 제거하여 데이터 드롭아웃(data dropout) 학습 데이터 세트를 생성하기 위한 모듈 및 상기 데이터 드롭아웃(data dropout) 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키기 위한 모듈을 포함할 수 있다.

기계 학습을 위한 데이터 수집의 대안적 실시예에서, 상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키기 위한 모듈(830)은, 상기 학습 데이터 세트를 상기 라벨링 서브모델을 학습시키기 위한 데이터 형태로 변환하기 위한 모듈을 포함할 수 있다.

기계 학습을 위한 데이터 수집의 대안적 실시예에서, 기계 학습을 위한 데이터 수집하기 위한 모듈은, 온라인 게임 화면을 상기 라벨링 모델에 입력시켜 획득되는 출력에 기초하여 게임 테스트 결과를 생성하기 위한 모듈을 포함할 수 있다.

본 개시의 일 실시예에 따르면 기계 학습을 위한 데이터 수집하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로　컴퓨팅 장치(100)에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

1. 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램으로써, 상기 동작들은,
   클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득하는 동작;
   라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 동작;
   상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작; 및
   상기 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 게임 오브젝트는,
   캐릭터, 게임 내에서 캐릭터와 상호작용할 수 있는 요소 또는 게임 화면 내 사용자 인터페이스(User Interface) 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
3. 제 1 항에 있어서,
   상기 학습 데이터 세트는,
   상기 게임 오브젝트가 포함된 게임 화면을 학습 입력 데이터로 하고,
   게임 오브젝트 정보를 라벨(label)로 하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
4. 제 1 항에 있어서,
   클라이언트로부터 게임 오브젝트 정보를 수신하는 동작;
   을 더 포함하고,
   상기 라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 동작은,
   상기 게임 오브젝트 정보를 상기 게임 화면에 매칭하여 라벨링된 학습 데이터 세트를 생성하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
5. 제 3 항에 있어서,
   상기 게임 오브젝트 정보는,
   상기 게임 화면에 포함된 게임 오브젝트에 대한 분류 정보 또는 위치 정보 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
6. 제 4 항에 있어서,
   상기 라벨링 모델은,
   상기 라벨링된 학습 데이터 세트를 이용하여 교사 학습(supervised learning)된 모델을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
7. 제 6 항에 있어서,
   상기 교사 학습(supervised learning)된 모델은,
   게임 화면 내 객체를 인식하여 분류(Classification)하는 모델,
   게임 화면 내 객체를 인식하여 분류(Classification)하고 객체의 위치 정보를 출력하기 위한 지역화(Localization)하는 모델,
   게임 화면 내 적어도 하나 이상의 객체를 인식하기 위한 객체 감지(Object Detection) 모델, 또는
   픽셀(Pixel)을 분류(Classification)하여 게임 화면 내 객체의 경계선을 배경과 구분하여 객체를 인식하는 세그먼테이션(Segmentation) 모델 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작은,
   각각의 학습 데이터가 손실(Loss)값에 영향을 미치는 정도를 기준으로, 학습 데이터 중 적어도 일부를 제거하여 데이터 드롭아웃(data dropout) 학습 데이터 세트를 생성하는 동작; 및
   상기 데이터 드롭아웃(data dropout) 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 동작은,
   상기 학습 데이터 세트를 상기 라벨링 서브모델을 학습시키기 위한 데이터 형태로 변환하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
10. 제 3 항에 있어서,
    상기 게임 오브젝트 정보는,
    클라이언트에 게임 화면을 표시하기 위한 게임 엔진으로부터 획득되거나, 또는 상기 게임 화면을 학습된 라벨링 모델에 입력시켜 획득된 출력으로부터 획득되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 사전 결정된 기준은, 라벨링 서브모델의 라벨링 정확도를 포함하고,
    상기 라벨링 서브모델의 라벨링 정확도는,
    상기 학습 데이터 세트 중 적어도 일부의 학습 데이터로 구성된 테스트 데이터 서브세트를 상기 라벨링 서브모델에 입력시켜 출력되는 게임 오브젝트 정보와 상기 테스트 데이터 서브세트의 라벨과의 비교 결과에 기초하여 결정되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
12. 제 1 항에 있어서,
    온라인 게임 화면을 상기 라벨링 모델에 입력시켜 획득되는 출력에 기초하여 게임 테스트 결과를 생성하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
13. 기계 학습을 위한 데이터 수집 방법에 있어서,
    클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득하는 단계;
    라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 단계;
    상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키는 단계; 및
    상기 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택하는 단계;
    를 포함하는,
    기계 학습을 위한 데이터 수집하는 방법.
    
14. 기계 학습을 위한 데이터 수집하기 위한 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    클라이언트로부터 게임 오브젝트가 포함된 게임 화면을 획득하고,
    라벨링 모델을 학습시키기 위한 학습 데이터 세트를 생성하고,
    상기 학습 데이터 세트를 이용하여 적어도 하나 이상의 라벨링 서브모델을 학습시키고, 그리고
    상기 적어도 하나 이상의 라벨링 서브모델 중에서 사전 결정된 기준에 따라 적어도 하나 이상의 라벨링 서브모델을 선택하는,
    기계 학습을 위한 데이터 수집하기 위한 컴퓨팅 장치.
    

Images