KR20210049076A - 데이터 관리 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따른, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 이하의 단계들을 수행하게 하기위한 명령들을 포함하며, 상기 단계들은; 전체 데이터 셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계 - 상기 둘 이상의 트레이닝 데이터 셋 각각은 상이한 데이터 서브셋을 포함하는 샘플링된 데이터 셋의 쌍을 적어도 하나 포함함 -; 및 상기 둘 이상의 트레이닝 데이터 셋에 기초하여, 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델을 학습시키는 단계; 를 포함할 수 있다.

Description

데이터 관리 방법 {METHOD FOR MANAGING DATA}

본 개시는 컴퓨팅 장치를 이용하여 데이터 처리 방법에 관한 것으로서, 구체적으로 머신 러닝 모델의 학습용 데이터 관리 솔루션에 관한 것이다.

머신 러닝에 기초한 인공지능 기술의 발전에 따라, 머신 러닝 모델을 학습시키기 위해 요구되는 데이터의 중요성이 나날이 커지고 있다. 예를 들어, 자율 주행 자동차에 있어서는 pixel-wise label 이미지가 최소 1억장 필요하다고 알려져 있다. 이러한 데이터의 중요성은 GIGO(Garbage-In Garbage-Out)로 표현된다.

데이터의 중요성에 대해서는 모두 공감하는 반면, 어떤 데이터를 얼마나 수집해야 하는지에 관한 해결방안은 명확하지 않다. 따라서, 당업자에게는 머신 러닝 모델의 학습과 관련하여 필요한 데이터 수집 전략을 수립하는 솔루션에 관한 수요가 존재할 수 있다.

미국 특허 공개공보 16/027161은 머신 러닝 트레이닝 데이터 선택을 위한 방법을 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 머신 러닝 모델의 학습용 데이터 수집 솔루션을 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 이하의 단계들을 수행하게 하기위한 명령들을 포함하며, 상기 단계들은: 전체 데이터 셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계 - 상기 둘 이상의 트레이닝 데이터 셋 각각은 상이한 데이터 서브셋을 포함하는 샘플링된 데이터 서브 셋의 쌍을 적어도 하나 포함함 -; 및 상기 둘 이상의 트레이닝 데이터 셋에 기초하여, 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델을 학습시키는 단계; 를 포함할 수 있다.

또한, 상기 둘 이상의 트레이닝 데이터 셋 각각은, 학습 데이터 셋 및 검증 데이터 셋을 포함할 수 있다.

또한, 전체 데이터 셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계는, 상기 전체 데이터 셋을 M 개의 서브 셋으로 분할하는 단계; 및 상기 분할된 M 개의 서브 셋 중 적어도 하나의 서브 셋을 테스트 데이터 셋으로 할당하는 단계;를 포함할 수 있다.

또한, 전체 데이터 셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계는, 동일한 데이터를 포함하지 않도록 랜덤하게 선택된 임의의 데이터들을 테스트 데이터 셋으로 할당하는 단계; 를 포함할 수 있다.

또한, 전체 데이터 셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하는 단계는, 상기 전체 데이터 셋 중 상기 테스트 데이터 셋을 제외한 데이터 셋을 N 개의 서브 셋으로 분할하는 단계; 및 상기 분할된 N 개의 서브 셋 중 적어도 하나의 서브 셋을 검증 데이터 셋으로 할당하는 단계; 를 포함할 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 이하의 단계들을 수행하게 하기위한 명령들을 포함하며, 상기 단계들은; 상기 둘 이상의 트레이닝 데이터 셋에 기초하여 학습된 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델에 기초하여, 임의의 데이터에 대한 복수의 추론 결과를 생성하는 단계; 및 상기 임의의 데이터에 대한 복수의 추론 결과 및 실제 결과의 대응 관계를 제공하는 단계; 를 포함할 수 있다.

또한, 상기 추론 결과는, 상기 추론 모델이 상기 임의의 데이터에 대해 추론한 분류 결과 및 상기 분류 결과와 연관된 확신도 값(confidence score)을 포함할 수 있다.

또한, 상기 임의의 데이터에 대한 복수의 추론 결과 및 실제 결과의 대응 관계를 제공하는 단계는, 상기 임의의 데이터에 대한 복수의 추론 결과에 기초하여 임의의 데이터에 대한 단일 추론 결과를 결정하는 단계; 및 상기 단일 추론 결과(700) 및 상기 실제 결과의 대응 관계를 제공하는 단계;를 포함할 수 있다.

또한, 상기 단계들은: 상기 임의의 데이터에 대한 평가 결과를 제공하는 단계; 를 더 포함할 수 있다.

또한, 상기 임의의 데이터에 대한 평가결과를 제공하는 단계는, 상기 복수의 추론 결과 및 대응하는 실제 결과에 기초하여 상기 임의의 데이터에 대한 평가 결과를 제공하는 단계; 를 포함할 수 있다.

또한, 상기 추론 결과 및 대응하는 실제 분류 결과에 기초하여 상기 임의의 데이터에 대한 평가 결과를 제공하는 단계는, 상기 복수의 추론 결과에 기초하여, 상기 임의의 데이터에 대한 추론 신뢰도 값을 연산하는 단계; 상기 임의의 데이터에 부착된 레이블과 상기 실제 결과의 일치 여부 및 상기 추론 신뢰도 값에 대응하는 평가 결과를 제공하는 단계; 를 포함할 수 있다.

또한, 상기 복수의 추론 모델은, 서로 상이한 형태를 포함하는 둘 이상의 네트워크 함수를 포함할 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라 데이터 수집 전략을 수립하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 프로세서; 통신부; 및 메모리; 를 포함하고, 상기 프로세서는, 전체 데이터 셋으로부터 둘 이상의 트레이닝 데이터 셋을 생성하고 - 상기 둘 이상의 트레이닝 데이터 셋들은 상이한 데이터 서브 셋을 포함하는 샘플링된 데이터 셋의 쌍을 적어도 하나 포함함 -, 상기 둘 이상의 트레이닝 데이터 셋에 기초하여, 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델을 학습시킬 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라 데이터 수집 전략을 수립하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 프로세서; 통신부; 및 메모리; 를 포함하고, 상기 프로세서는, 상기 둘 이상의 트레이닝 데이터 셋에 기초하여 학습된 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델에 기초하여, 임의의 데이터에 대한 복수의 추론 결과를 생성하고, 상기 임의의 데이터에 대한 복수의 추론 결과 및 실제 결과의 대응 관계를 제공할 수 있다.

본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시는 머신 러닝 모델의 학습용 데이터 수집 솔루션에 관한 것이다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예에 따른 데이터 수집 전략 수립을 수행하는 컴퓨팅 장치의 구성을 도시한 블록도이다.
도 2는 본 개시의 일 실시예 따른 인공 신경망의 일부를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 복수의 추론 모델을 학습시키는 일례를 나타낸 순서도이다.
도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 전체 데이터 셋으로부터 복수개의 트레이닝 데이터 셋을 생성하는 일례를 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 복수개의 트레이닝 데이터 셋을 생성하는 일례를 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 복수의 추론 모델을 생성하는 일례를 나타낸 도면이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 데이터 수집 전략을 수립하는 일례를 나타낸 순서도이다.
도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 복수의 추론 결과를 생성하는 일례를 나타낸 도면이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 임의의 데이터에 대한 복수의 추론 결과 및 실제 결과의 대응 관계를 제공하는 일례를 나타낸 순서도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 확신도 값을 생성하는 일례를 나타낸 도면이다.
도 11은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 임의의 데이터에 대한 평가 결과를 제공하는 일례를 나타낸 순서도이다.
도 12는 본 개시의 일 실시예에 따른 프로세서가 임의의 데이터에 대한 평가 결과(를 제공하는 일례를 나타낸 도면이다.
도 13은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

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 프로세서(110)상에서 실행되는 처리과정(procedure), 프로세서(110), 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치(100)에서 실행되는 애플리케이션 및 컴퓨팅 장치(100) 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서(110) 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.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 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 예시 적 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 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서(110)를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 명세서에서 네트워크 함수는 인공 신경망(200), 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.

도 1은 본 개시의 일 실시예에 따른 데이터 수집 전략 수립을 수행하는 컴퓨팅 장치의 구성을 도시한 블록도이다.

컴퓨팅 장치(100)는 프로세서(110), 저장부(120)를 포함할 수 있다. 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 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 수집 전략 수립을 위한 프로세서(110)를 포함할 수 있다. 프로세서(110)는 저장부(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 데이터 수집 전략 수립 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(110)는 신경망(200)의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망(200)의 가중치 업데이트 등의 신경망(200)의 학습을 위한 계산을 수행할 수 있다.

프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 트레이닝 데이터 셋(400)을 생성하고 복수의 추론 모델(500)의 학습을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치(100)의 프로세서(110)를 함께 사용하여 학습된 모델을 이용한 복수의 추론 결과(600)를 생성하고 복수의 추론 결과(600)와 실제 결과(ground truth) 간의 대응 관계를 제공할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

저장부(120)는 본 개시의 일 실시예에 따른 데이터 수집 전략 수립 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 저장부(120)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 서비스 진입 정보, 사용자 정보, 대체 서비스 접속 정보 등)을 임시 또는 영구 저장할 수도 있다. 상기 저장부(120)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 저장부(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다.

도 2는 본 개시의 일 실시예 따른 인공 신경망의 일부를 나타낸 개략도이다.

본 명세서에 걸쳐, 신경망(200), 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망(200)은 일반적으로 “노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 뉴런(neuron)”들로 지칭될 수도 있다. 신경망(200)은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망(200)들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.

신경망(200) 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. 전술한 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, 신경망(200)이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 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.

전술한 바와 같이, 신경망(200)은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망(200) 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망(200) 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망(200)의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한두 신경망(200)이 존재하는 경우, 두 개의 신경망(200)들은 서로 상이한 것으로 인식될 수 있다.

도 2에 도시된 바와 같이, 신경망(200)은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망(200)을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초입력 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(200) 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망(200) 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망(200) 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(200) 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 신경망(200)을 구성하는 노드들을 의미할 수 있다. 도 2의 도시에서는 출력 노드는 생략되어 있다. 본 개시의 일 실시예에 따른 신경망(200)은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망(200)일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망(200))는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망(200)을 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 잇는지, 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: recurrentneural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 복수의 추론 모델을 학습시키는 일례를 나타낸 순서도이다.

도 3을 참조하면, 프로세서(110)는 전체 데이터 셋(300)으로부터 둘 이상의 트레이닝 데이터 셋(400)을 생성할 수 있다(S100).

프로세서(110)는 상이한 데이터 서브 셋을 포함하는 샘플링 된 데이터 셋의 쌍을 적어도 하나 포함하는 트레이닝 데이터 셋(400)을 생성할 수 있다.

본 개시의 몇몇 실시예에 따른 트레이닝 데이터 셋(400)은 전체 데이터 셋(300)과 같은 데이터를 포함하고 있을 수 있다. 트레이닝 데이터 셋(400)은 데이터 서브 셋으로써 학습 데이터 셋, 검증 데이터 셋 및 테스트 데이터 셋을 포함할 수 있다. 다만, 트레이닝 데이터 셋(400)을 구성하는 학습 데이터 셋, 검증 데이터 셋 및 테스트 데이터 셋은 상호 배타적(mutually exclusive)인 하나 이상의 데이터 서브 셋일 수 있다. 여기서, 데이터 서브 셋은 전체 데이터 셋(300)으로부터 샘플링(sampling)될 수 있다. 즉, 트레이닝 데이터 셋(400)은 샘플링 된 데이터 서브 셋의 쌍으로 구성될 수 있다.

여기서 전체 데이터 셋(300)은 본 개시에 따른 추론 모델(500)을 학습시키기 위한 전체 데이터로 정의될 수 있다. 본 개시의 몇몇 실시예에 따른 전체 데이터 셋(300)은 이미 레이블(Label)되어 있을 수 있다. 전체 데이터 셋(300)에 대한 레이블링(Labeling)은 수작업 또는 레이블링을 위해 훈련된 분류기/분류 모델에 의해 이루어질 수 있다.

복수의 추론 모델(500)을 생성하기 위하여, 복수 개의 트레이닝 데이터 셋(400)은 전체 데이터 셋(300)으로부터 각각 파생될 수 있다. 트레이닝 데이터 셋(400)에 대한 자세한 내용은 도 4에서 후술한다.

일반적으로 본 개시에 따른 추론 모델(500)들과 유사한 네트워크 함수의 훈련을 위한 데이터 셋은 고정된 테스트 셋을 갖도록 설정된다. 이는 훈련된 네트워크 함수의 성능을 객관적으로 평가하기 위함이다. 따라서, 고정된 테스트 셋은 데이터에 관한 관점을 제시해주는 것이 아니라, 모델의 성능에 관한 관점만을 제시해줄 뿐이다.

이와 달리 각각 상이한 데이터 서브 셋의 쌍으로 구성된 트레이닝 데이터 셋(400)에 기초하여 복수의 추론 모델(500)을 학습시킬 경우, 복수의 추론 모델(500)들은 전체 데이터 셋(300)에 포함된 데이터들에 대하여 테스트를 수행하게 된다. 그 결과, 전체 데이터 셋(300)에 포함된 데이터들 각각에 대한 예측 정확도, 학습 효율성을 알아낼 수 있다. 즉, 어떤 유형의 데이터가 잘 훈련되었고 어떤 데이터가 그렇지 않은지를 알아낼 수 있다. 따라서, 각각의 트레이닝 데이터 셋들이 서로 상이한 데이터 서브 셋의 쌍을 갖도록 함으로써 사용자로 하여금 데이터 수집 전략을 세우기 위한 관점을 얻도록 할 수 있다.

프로세서(110)는 생성된 둘 이상의 트레이닝 데이터 셋(400)에 기초하여, 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델(500)을 학습시킬 수 있다(S200).

프로세서(110)는 복수의 추론 모델(500)을 학습시킴으로써 전체 데이터 셋(300)에 포함된 데이터 각각에 대한 평가를 수행할 복수의 추론 모델(500)을 생성할 수 있다.

본 개시에 따른 프로세서(110)는 복수의 트레이닝 데이터 셋(400)에 기초하여, 복수의 추론 모델(500)을 학습시킬 수 있다. 후술하겠지만, 프로세서(110)는 복수의 추론 모델(500)로부터 생성된 복수의 예측 결과를 종합하여 데이터 각각에 대한 평가를 수행할 수 있다.

프로세서(110)는 복수의 예측 결과를 종합하기 위해 앙상블 기법을 이용할 수 있다. 여기서 앙상블 기법이란, 주어진 자료로 여러 개의 예측 모델을 만들고, 이를 조합하여 하나의 최종 예측 모델을 만드는 방법으로 정의될 수 있다.

본 개시에 따른 프로세서(110)는, 평균, 다수결, 베이지안 추론 등을 앙상블 기법을 구현하기 위한 구체적인 방법으로 이용할 수 있다. 전술한 앙상블 기법을 구현하기 위한 구체적인 방법은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

상술한 복수의 추론 모델(500) 각각은 복수의 트레이닝 데이터 셋(400) 각각에 대응된다. 추론 모델(500) 각각은 트레이닝 데이터 셋(400)에 포함된 데이터 서브 셋 쌍 중 학습 데이터에 기초하여 학습된다. 하나의 트레이닝 데이터 셋(400)으로부터 여러 개의 추론 모델(500)이 생성될 수 있으며, 이 경우 프로세서(110)는 검증 데이터에 기초하여 어떤 모델을 본 개시에 따른 데이터 수집 전략 수립 방법 구현을 위한 복수의 추론 모델(500) 중 하나로서 제공할 지 결정할 수 있다. 결정된 복수의 추론 모델(500) 각각은 전체 데이터 셋(300)에 대하여 추론 결과를 생성할 수 있다. 여기서 추론 결과는 특정 데이터에 대한 분류 결과(예를 들어, 레이블) 및 해당 분류 결과에 대한 확신도 값을 포함할 수 있다. 다만 분류 결과 및 확신도 값은 추론 결과에 관한 일례에 불과하며, 추론 결과에 포함될 수 있는 데이터는 이에 한정되지 않는다.

여기서 확신도 값은, 임의의 데이터에 대해 설정될 수 있는 레이블 각각에 대한 확률로 정의될 수 있다. 가령 A라는 이미지에 대하여, “개”로 분류될 확률이 0.4, “고양이”로 분류될 확률이 0.6이라면, 이미지 A의 확신도 값은 개에 대하여는 0.4, 고양이에 대하여는 0.6일 수 있다. 전술한 확신도 값은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

각각 상이한 데이터 서브 셋의 쌍으로 구성된 트레이닝 데이터 셋(400)에 기초하여 복수의 추론 모델(500)을 학습시킬 경우, 복수의 추론 모델(500)들은 전체 데이터 셋(300)에 포함된 데이터들에 대하여 테스트를 수행하게 된다. 그 결과, 현재의 전체 데이터 셋(300) 전체에 대한 평가가 가능한 복수의 모델이 생성될 수 있다. 이에 따라, 본 개시에 따른 데이터 수집 방법과 관련된 사용자는 데이터 수집 전략을 세우기 위한 관점을 얻을 수 있다.

도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 전체 데이터 셋으로부터 복수개의 트레이닝 데이터 셋을 생성하는 일례를 나타낸 도면이다.

하나의 데이터 셋으로부터 복수의 트레이닝 데이터 셋(400)을 생성하기 위하여 일반적으로 K겹 교차 검증(K-Fold Cross Validation) 방식이 이용될 수 있다. K겹 교차 검증이란 데이터 셋을 여러 개의 서브 셋으로 나누어 각각의 서브셋을 테스트 셋 또는 검증 셋으로 사용하고 테스트 셋 또는 검증 셋이 아닌 서브 셋을 학습셋으로 이용하는 방법으로 정의될 수 있다. 이는 모델을 학습시키기 위한 데이터가 충분하지 않을 때 유용할 수 있다.

본 개시에 따른 데이터 수집 전략 수립 방법에서는 나아가, 상술한 바와 같이 테스트 데이터 셋도 가변적으로 설정할 수 있다.

따라서 트레이닝 데이터 셋(400) 각각은 서로 상이한 학습 데이터 셋, 검증 데이터 셋 및 테스트 데이터 셋을 포함할 수 있다.

여기서, 본 개시의 몇몇 실시예에 따른 프로세서(110)는 전체 데이터 셋(300)으로부터 둘 이상의 트레이닝 데이터 셋(400)을 생성할 때 동일한 데이터를 포함하지 않도록 랜덤하게 선택된 임의의 데이터들을 테스트 데이터 셋으로 할당할 수 있다. 즉 각각의 트레이닝 데이터 셋(400)의 테스트 데이터 셋은 상호 배타적일 수 있다.

상술한 바와 같이 복수의 테스트 데이터 셋을 구성하면, 전체 데이터 셋(300)에 포함된 데이터 모두는 적어도 한 번은 추론 모델(500)에 의하여 대하여 테스트를 학습, 검증, 테스트 단계를 모두 거치게 된다. 즉, 전체 데이터 셋에 포함된 데이터 각각은 복수의 트레이닝 데이터 셋에서 학습 데이터 셋, 검증 데이터 셋 및 테스트 데이터 셋에 각각 포함될 수 있다.

그 결과, 전체 데이터 셋(300)에 포함된 데이터들 각각에 대한 예측 정확도를 알아낼 수 있다. 즉, 어떤 유형의 데이터가 잘 훈련되었고 어떤 데이터가 그렇지 않은지를 알아낼 수 있다. 따라서, 각각의 트레이닝 데이터 셋들이 서로 상이한 데이터 서브 셋의 쌍을 갖도록 함으로써, 각각의 데이터가 학습, 검증 또는 테스트 모두의 용도로 사용되게 할 수 있어, 사용자로 하여금 데이터 수집 전략을 세우기 위한 관점을 얻도록 할 수 있다.

도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 복수개의 트레이닝 데이터 셋을 생성하는 일례를 나타낸 순서도이다.

도 5를 참조하면, 프로세서(110)는 전체 데이터 세트를 M개의 서브 셋으로 분할할 수 있다(S110).

프로세서(110)는 분할된 M개의 서브 셋 중 적어도 하나의 서브 셋을 테스트 데이터 셋으로 할당할 수 있다(S120).

이는 M겹 교차 테스트(M-Fold Cross Test)를 수행하기 위한 테스트 데이터 셋을 선택하기 위한 일례이다. 따라서 테스트 데이터 셋을 생성하기 위한 구체적인 방법은 이에 한정되지 않는다.

프로세서(110)는 전체 데이터 셋(300) 중 상기 테스트 데이터 셋을 제외한 데이터 셋을 N개의 서브 셋으로 분할할 수 있다(S130).

프로세서(110)는 분할된 N개의 서브 셋 중 적어도 하나의 서브 셋을 검증 데이터 셋으로 할당할 수 있다(S140).

상술한 바와 같이, 트레이닝 데이터 셋(400)에 포함된 데이터 서브 셋 각각은 상호 배타적이다. 즉 같은 데이터를 포함할 수 없다. 따라서 먼저 테스트 데이터 셋이 결정되면, 나머지 부분에 대하여 N겹 교차 검증을 수행하여 검증 데이터 셋을 할당할 수 있다. 테스트 데이터 셋 및 검증 데이터 셋이 모두 할당되면, 프로세서(110)는 할당되지 않은 나머지 데이터 전체를 학습 데이터 셋으로 할당할 수 있다. 즉 복수의 트레이닝 데이터 셋(400) 각각은 학습 데이터 셋, 테스트 데이터 셋 및 검증 데이터 셋으로 구성될 수 있다. 각각의 트레이닝 데이터 셋(400)에 포함된 테스트 데이터 셋은 상호 배타적일 수 있다. 각각의 트레이닝 데이터 셋(400)에 포함된 검증 데이터 셋은 상호 배타적일 수 있다.

도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 복수의 추론 모델을 생성하는 일례를 나타낸 도면이다.

프로세서(110)는 둘 이상의 트레이닝 데이터 셋(400)에 기초하여 복수의 추론 모델(500)을 생성할 수 있다. 상술한 바와 같이, 트레이닝 데이터 셋(400) 하나에 대하여 하나 이상의 추론 모델(500)이 생성될 수 있다. 이 때 상기 복수의 추론 모델(500) 중 하나가 될 수 있는 추론 모델(500)의 결정은 검증 데이터 셋을 기반으로 이루어질 수 있다.

여기서, 복수의 추론 모델(500) 각각의 네트워크 함수의 형태는 서로 상이할 수도 있다. 널리 알려진 바와 같이, 딥 러닝을 구현하기 위한 네트워크 함수의 형태는 다양할 수 있다. 따라서 복수의 추론 모델(500) 각각은 서로 같거나 다른 형태의 네트워크 함수로 이루어질 수 있다.

추론 모델(500)의 네트워크 함수 형태를 다양하게 구성할 경우에, 같은 데이터에 대하여 여러 모델을 통한 결과를 얻을 수 있다. 본 발명의 목적인 데이터 평가에 의한 데이터 수집 전략 수립에 있어서, 다양한 형태의 네트워크 함수에 의한 데이터 평가 결과(800)를 도입한다면 데이터를 다각적으로 바라볼 수 있다. 또한 특정 데이터 유형에 편향된 결과가 발생하는 것을 피할 수 있으므로, 여러 모델의 결과를 종합하여 데이터에 대한 평가를 수행하기에 용이하다. 본 개시의 일 실시예의 데이터 관리 방법은 데이터 별, 모델 별 추론정확도, 학습용이성 등을 판단하도록 함으로써, 데이터 관점 및 모델 관점에서 최적화된 모델 구성에 대한 통찰력을 제공할 수 있다.

도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 데이터 수집 전략을 수립하는 일례를 나타낸 순서도이다.

도 7을 참조하면, 프로세서(110)는 둘 이상의 트레이닝 데이터 셋(400)에 기초하여 학습된 하나 이상의 네트워크 함수를 포함하는 복수의 추론 모델(500)에 기초하여, 임의의 데이터에 대한 복수의 추론 결과(600)를 생성할 수 있다(S300).

단계(S300)에 따르면 전체 데이터 셋(300)에 포함된 데이터 각각에 대하여 복수의 추론 모델(500) 각각의 분류 값에 대한 추론 결과가 생성된다. 즉, 추론 모델(500)#1, 추론 모델(500)#2, …, 추론 모델(500)#NM 각각이 데이터#1, 데이터#2, 데이터#3, …, 데이터#N에 대한 분류 값에 대한 추론 결과를 생성할 수 있다. 여기서 추론 결과는 예측 레이블 및 레이블 예측 결과에 대한 확신도 값을 포함할 수 있다.

여기서, 임의의 데이터란 전체 데이터 셋(300)에 포함된 데이터 중 임의로 선택된 하나의 데이터로 정의될 수 있다.

프로세서(110)는 생성된 임의의 데이터에 대한 복수의 추론 결과(600) 및 실제 결과의 대응 관계를 제공할 수 있다(S400).

여기서 실제 결과는 전체 데이터 셋(300)에 대한 그라운드 트루스(Ground truth) 데이터를 의미할 수 있다. 실제 결과는 어떤 대상에 대한 실측 결과를 의미할 수 있다. 가령, 강아지에 대한 사진의 실제 결과는 강아지일 수 있다. 상술한 레이블은 기본적으로 어떤 대상에 대하여 관측자가 설정한 분류 값에 불과하므로, 실제 결과와 레이블은 상이할 수 있다.

본 개시의 몇몇 실시예에 따른 추론결과 및 실제 결과와의 대응 관계는 분류 결과 그 자체 또는 분류 결과와 관련된 정보로 정의될 수 있다. 예를 들어, 대응 관계는 분류 결과에 대한 확신도 값일 수 있다.

프로세서(110)가 대응 관계에 대한 정보를 제공함에 따라, 전체 데이터 셋(300)에 포함된 데이터 중 어떤 유형의 데이터에 관하여 학습이 제대로 이루어지지 않았는지 판단할 수 있다. 따라서, 본 개시에 따른 데이터 수집 전략이 사용자에 의해 수립될 수 있다.

프로세서(110)는 임의의 데이터에 대한 평가 결과(800)를 제공할 수 있다(S500).

프로세서(110)는 임의의 데이터의 실제 결과와 추론 결과 간의 대응 관계를 제시하는 것에서 나아가, 임의의 데이터에 대한 평가 결과(800)를 제공할 수 있다. 평가 결과(800)는 추론 결과, 레이블 및 실제 결과에 기초한 분석뿐만 아니라 분석 결과에 기초한 데이터 수집 전략을 포함할 수 있다. 이에 관하여는 도 12에서 자세히 서술한다.

도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 복수의 추론 결과를 생성하는 일례를 나타낸 도면이다.

프로세서(110)가 생성하는 복수의 추론 결과(600)는 복수의 추론 모델(500) 각각이 전체 데이터 셋(300)에 포함된 데이터 각각에 대하여 추론한 분류 결과로 정의될 수 있다. 즉, 추론 모델(500)#1, 추론 모델(500)#2, …, 추론 모델(500)#NM 각각이 데이터#1, 데이터#2, 데이터#3, …, 데이터#N에 대한 분류 값에 대한 추론 결과를 생성할 수 있다. 여기서 추론 결과는 예측 레이블 및 레이블 예측 결과에 대한 확신도 값을 포함할 수 있다.

프로세서(110)는 생성된 추론 결과를 종합하여 단일 추론 결과(700) 또는 추론 신뢰도 값을 생성할 수 있게 된다. 이에 관하여는 도 10에서 자세히 후술한다.

도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 임의의 데이터에 대한 복수의 추론 결과 및 실제 결과의 대응 관계를 제공하는 일례를 나타낸 순서도이다.

도 9를 참조하면, 프로세서(110)는 임의의 데이터에 대한 복수의 추론 결과(600)에 기초하여 임의의 데이터에 대한 단일 추론 결과(700)를 결정할 수 있다(S410).

여기서 단일 추론 결과(700)는 복수의 추론 결과(600)에 기초하여(또는 이를 종합하여) 임의의 데이터에 대하여 생성되는 하나의 결과를 의미한다. 단일 추론 결과(700)는 해당 데이터의 레이블에 대한 추론 신뢰도 값일 수 있다. 가령, 복수의 모델들이 전부 특정 이미지에 나타난 객체에 대하여 강아지라는 레이블이 부착된 경우에, 추론 모델(500)들 해당 데이터에 도시된 객체를 개로 예측할 확률(신뢰도) 값의 평균이 0.88이라면 단일 추론 결과(700)는 “0.88”일 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

여기서 앙상블 기법이란, 주어진 자료로 여러 개의 예측 모델을 만들고, 이를 조합하여 하나의 최종 예측 모델을 만드는 방법으로 정의될 수 있다.

본 개시에 따른 프로세서(110)는, 평균, 다수결, 베이지안 추론 등을 앙상블 기법을 구현하기 위한 구체적인 방법으로 이용할 수 있다.

상술한 바와 같이 앙상블 기법 등을 이용하여 단일 추론 결과(700)를 생성할 경우에, 단일 모델에 의한 추론보다 더 나은 성능을 보여주는 것으로 알려져 있다. 데이터에 대한 분류 예측 결과가 정확할수록 적절한 데이터 수집 전략의 수립이 가능할 수 있다.

프로세서(110)는 결정된 단일 추론 결과(700) 및 상기 실제 결과의 대응 관계를 제공할 수 있다(S420).

본 개시의 몇몇 실시예에 따른 대응 관계는 분류 결과 그 자체 또는 분류 결과와 관련된 정보로 정의될 수 있다. 예를 들어, 대응 관계는 분류 결과에 대한 확신도 값일 수 있다.

프로세서(110)가 대응 관계에 대한 정보를 제공함에 따라, 전체 데이터 셋(300)에 포함된 데이터 중 어떤 유형의 데이터에 관하여 학습이 제대로 이루어지지 않았는지 판단할 수 있다. 따라서, 본 개시에 따른 데이터 수집 전략이 사용자에 의해 수립될 수 있다.

도 10은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 확신도 값을 생성하는 일례를 나타낸 도면이다.

여기서 단일 추론 결과(700)는 복수의 추론 결과(600)에 기초하여(또는 이를 종합하여) 임의의 데이터에 대하여 생성되는 하나의 결과를 의미한다. 단일 추론 결과(700)는 해당 데이터의 레이블에 대한 추론 신뢰도 값일 수 있다.

도 10을 참조하면, 이미지#1에 대한 단일 추론 결과(700)는 개에 대한 0.88의 추론 신뢰도 값일 수 있다.

상술한 바와 같이 앙상블 기법을 이용한 단일 추론 결과(700)는 단일 모델에 의한 추론 결과보다 더 정확한 성능을 내는 것으로 알려져 있어, 더 적절한 데이터 수집 전략의 수립이 가능할 수 있다.

도 11은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 프로세서가 임의의 데이터에 대한 평가 결과를 제공하는 일례를 나타낸 순서도이다.

도 11을 참조하면, 프로세서(110)는 복수의 추론 결과(600)에 기초하여 임의의 데이터에 대한 추론 신뢰도 값을 연산할 수 있다(S510).

프로세서(110)는 추론 결과에 포함된 분류 예측 결과와 실제 결과의 일치 여부 및 추론 신뢰도 값에 대응하는 평가 결과(800)를 제공할 수 있다(S520).

분류 예측 결과, 실제 결과및 추론 신뢰도 값에 기초하여 평가 결과(800)를 제공하는 일례는 도 12에서 자세히 설명한다.

도 12는 본 개시의 일 실시예에 따른 프로세서가 임의의 데이터에 대한 평가 결과를 제공하는 일례를 나타낸 도면이다.

프로세서(110)는 임의의 데이터에 대한 복수의 추론 결과(600)에 기초하여 임의의 데이터에 대한 단일 추론 결과(700)를 결정할 수 있다. 나아가, 프로세서(110)는 단일 추론 결과(700) 및 실제 결과의 대응 관계를 제공할 수 있다. 프로세서(110)는 임의의 데이터에 대한 평가 결과(800)를 제공할 수 있으며, 이는 상기 복수의 추론 결과(600) 및 실제 결과에 기초할 수 있다.

이하 컴퓨팅 장치(100)의 프로세서(110)가 임의의 데이터에 대한 평가 결과(800) 제공 및 데이터 수집 전략을 수립하는 일례를 설명한다. 다만 아래 제시되는 내용은 평가 결과(800) 제공 및 데이터 수집 전략 수립에 관한 일례에 불과하므로, 평가 결과(800)의 제공 및 데이터 수집 전략의 수립은 이에 한정되지 않는다.

도 12에서 도시되는 바와 같이, 임의의 데이터에 대한 평가 결과(800)가 제공될 수 있다. 평가 결과(800)는 실제 결과와 레이블 간의 일치 여부 및 추론 신뢰도 값의 정도(신뢰도 높음, 중간, 낮음)을 포함할 수 있다. 추론 신뢰도 값의 수준(높음, 중간 또는 낮음)은 추론 신뢰도 값과 기 설정된 적어도 하나 이상의 임계 값에 의해 결정될 수 있다.

도 12에서 도시되는 각각의 데이터의 예시인 이미지#1, 이미지#2 및 이미지#3을 예시로 하여 추론 신뢰도 값의 수준 결정에 관하여 설명한다. 본 개시에 따른 프로세서(110)는 추론 신뢰도 값의 수준 결정을 위한 제 1 임계 값을 0.3으로, 제 2 임계 값을 0.8으로 설정할 수 있다. 이 경우에 있어서, 이미지#1의 추론 신뢰도 값인 0.88은 제 2 임계 값 보다 크므로 이미지#1의 추론 신뢰도 값 수준은 “높음”으로, 이미지#2의 추론 신뢰도 값인 0.1은 제 1 임계 값보다 작으므로 추론 신뢰도 값 수준은 “낮음”으로, 이미지#3의 추론 신뢰도 값인 0.5는 제 1 임계 값 보다는 크고 제 2 임계 값보다는 작으므로 이미지#3의 추론 신뢰도 값 수준은 “중간”으로 결정될 수 있다. 전술한 추론 신뢰도와의 비교는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이러한 평가 자료는 사용자에게 직접 제공되거나, 데이터 수집 전략을 수립하기 위한 기초 자료로 쓰일 수 있다. 레이블과 실제 결과 간에는 일치 또는 불일치가 가능하며, 데이터 수집 전략으로는 유지/레이블 정정/해당 유형의 데이터 추가가 존재할 수 있다. 유지는 해당 유형의 데이터에 대한 추가적인 수집이나 가공이 필요하지 않음을 의미할 수 있다. 레이블 정정은 부착된 레이블이 실제 결과와 상이하여 레이블을 실제 결과에 일치시키는 작업이 필요함을 의미할 수 있다. 해당 유형의 데이터 추가는, 특정 유형의 데이터에 대한 학습이 제대로 수행되지 않은 경우이므로 해당 데이터와 유사한 데이터를 추가로 수집하는 활동이 요구됨을 의미할 수 있다. 본 개시의 일 실시예에서, 해당 데이터와 유사한 데이터는 해당 데이터의 분류 클래스에 속하는 데이터를 포함할 수 있다.

도 12에 따르면, 임의의 데이터에 대한 평가 결과(800)는 실제 결과와 레이블이 동일하며 추론 신뢰도가 높은 유형의 데이터(제 1 유형)를 포함할 수 있다. 이 경우, 복수의 추론 모델(500)들은 제 1 유형의 데이터를 잘 예측할 수 있도록 잘 훈련되었다고 볼 수 있다. 따라서, 복수의 추론 모델(500)들을 훈련시키기 위한 제 1 유형의 데이터는 충분하다고 평가될 수 있다. 따라서 제 1 유형의 데이터에 대해서는 데이터의 추가적인 수집 또는 레이블 정정이 필요치 않아, “유지” 데이터 수집 전략이 사용자에게 제공될 수 있다. 도 12의 예시에서 이미지#1은 예를 들어, 개 이미지(즉, 실제 결과(ground truth)가 개 인 이미지)를 포함하고 있으며, 개 레이블을 포함하고 있을 수 있다. 추론 모델은 이미지#1에 대하여 이미지#1이 개를 포함하고 있을 확률을 0.88의 추론 신뢰도로 분류할 수 있다. 이 경우, 이미지#1은 실제 결과와 레이블이 일치하며 추론 모델이 높은 추론 신뢰도로 추정하였으므로, 추론 모델의 학습이 용이하며, 학습 데이터가 충분한 제 1 유형의 데이터로 분류될 수 있다. 전술한 추론 신뢰도는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

또한, 프로세서(110)는 제 1 유형의 데이터에 대하여 제공되는 데이터 수집 전략을 태그할 수 있다. 예를 들면, 도 12의 이미지#1에 “유지”, “가중치 부여”, “데이터 어그멘테이션 수행” 등의 태그가 부착될 수 있다. 프로세서(110)는 이미지#1에 부여된 데이터 수집 전략에 대한 태그에 기초하여, 이미지#1에 대해서 아무런 조치를 취하지 않거나, 학습에 있어서 해당 데이터에 가중치를 부여할 수도 있고, 이미지#1에 기초하여 데이터 어그멘테이션을 수행함으로써 유사 이미지를 추가적으로 생성할 수도 있다.

임의의 데이터에 대한 평가 결과(800)는 실제 결과와 레이블이 상이하며 추론 신뢰도가 낮은 유형의 데이터(제 2 유형)를 포함할 수 있다. 이는 레이블이 틀린 경우일 수 있다. 따라서, 복수의 추론 모델(500)들은 실제 결과에 대하여 높은 추론 신뢰도를 보여주고 있다고 할 수 있다. 이 경우 레이블만 잘못되었고, 복수의 추론 모델(500)이 충분히 잘 훈련된 유형의 데이터라고 할 수 있다. 따라서 이 경우에는 “레이블 정정”의 데이터 수집 전략이 제공될 수 있다.

프로세서(110)는 추론 신뢰도가 기 설정된 임계값 이하인 데이터에 대하여 실제 결과와 레이블이 상이한 것으로 판단할 수 있다. 여기서 기 설정된 임계값은 추론 결과에 기초하여 해당 클래스로 데이터를 분류하기 위한 임계값 보다 현저히 낮은 임계 값 일 수 있다. 예를 들어, 0.9 이상의 추론 신뢰도를 가지는 데이터를 해당 클래스로 분류하는 경우, 프로세서(110)가 레이블이 실제 결과와 상이한 것으로 판단하기 위한 추론 신뢰도의 임계값은 0.1이하일 수 있다. 즉, 학습 데이터 부족 등의 이유로 추론 신뢰도가 낮은 것으로 판단하기 위한 임계값 보다, 레이블이 실제 결과와 상이한지 여부를 판단하기 위한 임계값이 낮을 수 있다.

프로세서(110)는 해당 데이터의 레이블의 클래스에 속하는 다른 데이터에 대한 추론 신뢰도가 기 설정된 임계값 이상인 경우는 추론 신뢰도가 기 설정된 임계값 이하인 데이터에 대하여, 해당 데이터의 레이블이 실제 결과와 상이한 것으로 판단할 수 있다. 즉, 해당 데이터의 클래스에 속하는 다른 데이터에 대해서는 추론 신뢰도가 높은 경우, 해당 클래스에 대해서는 학습이 잘 수행된 것으로 판단할 수 있으나, 해당 데이터에 대해서만 추론 신뢰도가 낮은 경우, 이는 실제 결과와 레이블이 상이한 것일 수 있다.

도 12의 예시에서 이미지#2는 예를 들어, 개 이미지를 포함하고 있으며, 고양이 레이블을 포함하고 있을 수 있다. 추론 모델은 이미지#2에 대하여 이미지#2가 고양이를 포함하고 있을 확률을 0.1의 추론 신뢰도로 분류할 수 있다. 이 경우, 이미지#2는 실제 결과와 레이블이 불일치하며 추론 모델이 낮은 추론 신뢰도로 추정하였으므로, 추론 모델의 학습이 용이하지 않다고 이해될 수 있다. 따라서, 프로세서(110)는 이미지#2를 레이블 오류가 발생한 제 2 유형의 데이터로 분류될 수 있다. 전술한 추론 신뢰도는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

제 2 유형의 데이터로 분류되는 데이터는 레이블과 실제 결과가 일치하지 않는다고 볼 수 있다. 따라서, 학습 시 제 2 유형의 데이터에 대하여 레이블을 정정하는 것이 고려될 수 있다. 또한, 프로세서(110)는 제 2 유형의 데이터에 대하여 제공되는 데이터 수집 전략을 태그할 수 있다. 예를 들면, 도 12의 이미지#2에 “레이블 정정” 등의 태그가 부착될 수 있다. 이 경우 프로세서(110)는 레이블 정정 등의 태그를 부착한 데이터들을 사용자에게 제공하여 레이블이 수정되도록 할 수 있다. 또한, 프로세서(110)는 이 경우, 다른 클래스에 대하여 추론 신뢰도가 기 설정된 임계값 이상인 경우, 다른 클래스의 레이블을 해당 데이터의 의사 레이블로 결정할 수 있다.

또한, 제 2 유형의 데이터는 실제 결과와 레이블링이 상이하여 추론 모델의 학습 성능에 부정적인 영향을 제공할 수 있으므로, 제 2 유형의 데이터를 학습에서의 가치를 평가하여, 학습에서 제외시킬 수도 있다.

학습 데이터를 평가하여 학습에서 제외하는 것에 대한 구체적인 설명은 본 출원에서 전체가 참조로서 통합되는 “Data Dropout: Optimizing Training Data for Convolutional Neural Networks”, Wang et al. 에서 보다 구체적으로 논의된다.

임의의 데이터에 대한 평가 결과(800)는 실제 결과와 레이블이 상이하며 추론 신뢰도가 낮거나 중간 정도인 유형의 데이터(제 3 유형)를 포함할 수 있다. 이 경우, 복수의 추론 모델(500)들이 아직 충분히 훈련되지 않은 것으로 판단될 수 있다. 따라서, 이러한 유형의 데이터들에 대해서는 추가적인 훈련을 위해 “해당 유형의 데이터 추가” 데이터 수집 전략이 제공될 수 있다.

도 12의 예시에서 이미지#3은 예를 들어, 고양이 이미지를 포함하고 있으며, 고양이 레이블을 포함하고 있을 수 있다. 추론 모델은 이미지#3에 대하여 이미지#3이 고양이를 포함하고 있을 확률을 0.5의 추론 신뢰도로 분류할 수 있다. 이 경우, 이미지#3은 실제 결과와 레이블이 일치하며 추론 모델이 중간 추론 신뢰도로 추정하였으므로, 추론 모델의 학습이 용이하지 않다고 이해될 수 있다. 따라서, 프로세서(110)는 이미지#3을 해당 유형의 데이터 추가가 필요한 제 3 유형의 데이터로 분류될 수 있다. 전술한 추론 신뢰도는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(110)는 추론 신뢰도가 기 설정된 임계값 이하인 데이터에 대하여 해당 데이터에 대하여 추론 모델의 학습이 부족한 것으로 판단할 수 있다. 예를 들어, 프로세서(110)는 추론 신뢰도가 기 설정된 임계값 이하인 데이터의 레이블의 클래스에 속하는 다른 데이터의 수, 해당 클래스의 레이블을 가진 데이터의 전체 데이터 셋에서의 비율 등에 기초하여 추론 신뢰도가 기 설정된 임계값 이하인 데이터에 대하여 해당 클래스의 데이터가 부족한 것으로 판단할 수 있다. 즉, 추론 신뢰도가 낮은 경우, 데이터의 수가 부족하거나 레이블이 잘못되었을 수 있으므로, 프로세서(110)는 해당 클래스의 다른 데이터의 수에 기초하여 해당 클래스의 데이터의 수가 부족한 것으로 판단할 수 있다.

제 3 유형의 데이터로 분류되는 데이터는 학습을 위한 데이터가 충분하지 않다고 볼 수 있다. 따라서, 학습 시 제 3 유형의 데이터에 대하여 데이터의 추가적인 수집뿐만 아니라 가중치를 부여하거나, 데이터 어그멘테이션을 수행하는 것이 고려될 수 있다. 또한, 프로세서(110)는 제 3 유형의 데이터에 대하여 제공되는 데이터 수집 전략을 태그할 수 있다. 예를 들면, 도 12의 이미지#3에 “가중치 부여”, ”데이터 어그멘테이션 수행”, “데이터 추가 수집” 등의 태그가 부착될 수 있다. 전술한 제 3 유형의 데이터로 분류되는 데이터에 대한 가중치 부여는 예를 들어, 해당 클래스에 속하는 데이터의 학습 시 학습률(learning rate)를 높이 설정하여 해당 클래스에 속하는 데이터에 대하여 보다 빠르게 오차가 수렴하도록 할 수도 있다.

상술한 바에 의하여 본 개시에 따른 데이터 수집 전략 수립 방법을 이용하는 사용자는 현재 가지고 있는 데이터에 대한 추가적인 처리를 결정할 수 있다. 예를 들면, 제 3 유형의 데이터로 분류된 데이터에 부착된 태그에 따라, 제 3 유형 및 그와 유사한 데이터에 대한 가중치 부여, 데이터 어그멘테이션 등이 수행될 수 있다. 따라서, 인공 지능 및 딥 러닝 모델의 훈련을 위한 데이터의 수집이 효율적으로 이루어질 수 있다.

도 13은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

도 13에서 도시되는 컴퓨터(1102)는, 본 개시에 따른 데이터 수집 전략 방법이 수행되는 컴퓨팅 장치(100) 중 적어도 하나에 대응될 수 있다.

본 개시내용이 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시내용 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 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 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체 로서, 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 데이터등을 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 프로세서(110)들 중 임의의 프로세서(110)일 수 있다. 듀얼 프로세서(110) 및 기타 멀티프로세서(110) 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 몇가지 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 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 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 저장 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 저장 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, 서버 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 서버에 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 5 GHz 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 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서(110)들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 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 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 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. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

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 (1)

1. 컴퓨터 판독가능한 저장매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 명세서에 기재되고 데이터를 처리하기 위한 적어도 하나의 단계를 수행하게 하기위한 명령들을 포함하는, 컴퓨터 판독가능한 저장매체에 저장된 컴퓨터 프로그램.
   

Images