KR20210055992A - 인공지능 모델 관리 방법 및 장치 - Google Patents

Abstract

탑재된 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행하여, 5G 통신 환경에서 사이트와, 인공지능 모델 관리 장치와 서버가 통신할 수 있는 인공지능 모델 관리 방법 및 장치가 개시된다. 본 발명의 일 실시 예에 따른 인공지능 모델 관리 방법은, m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축하는 단계와, 복수의 사이트 중 제1 사이트로부터 취합한 디바이스의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습하는 단계와, 학습이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 제1 사이트로 배포하는 단계를 포함할 수 있다. 본 실시 예에 의하면, 앙상블 모델을 이용하여 전체 사이트의 인공지능 모델을 관리함으로써, 사이트 별로 서로 다른 인공지능 모델들을 일일이 관리할 필요가 없게 되어, 데이터 수집 및 분석, 그리고 인공지능 모델 학습에 소요되는 비용과 시간을 줄일 수 있다.

Description

인공지능 모델 관리 방법 및 장치{ARTIFICIAL INTELLIGENCE MODEL MANAGING METHOD AND APPARATUS THEREFOR}

본 발명은 인공지능 모델 관리 방법 및 장치에 관한 것으로, 더욱 상세하게는 사이트 별로 서로 다른 인공지능 모델들을 일일이 관리하지 않고, 특정 수의 대표 인공지능 모델에 앙상블 가중치 데이터를 조합한 앙상블 모델을 구축하고, 사이트의 특성을 반영한 앙상블 가중치 데이터를 최적화한 앙상블 모델을 제공함으로써 최소한의 모델을 이용하여 전체 사이트의 인공지능 모델을 관리하는 인공지능 모델 관리 방법 및 장치에 관한 것이다.

기계 학습 또는 머신 러닝(machine learning)은 인공 지능의 한 분야로서 컴퓨터가 특정 문제에 대한 올바른 답을 도출할 수 있도록 학습 데이터를 통해 문제와 답 사이의 연관 관계를 스스로 학습하게 하는 기술을 의미한다.

선행기술 1(국내 등록특허 10-1828503(2018.02.06))은 복수의 예측 모델을 가중치 데이터에 따라 조합하는 앙상블을 수행하고, 앙상블 모델의 출력값에 대하여 비용을 최소화시키는 임계치를 결정하는 앙상블 모델 생성 장치 및 방법을 개시하고 있다.

선행기술 2(국내 등록특허 10-1998950(2019.07.04))는 협대역 신호의 주파수 스펙트럼을 심화 신경망에 입력하여 고주파 대역의 주파수 스펙트럼 에너지를 추정함으로써 협대역 신호를 광대역 신호로 확장하는 기술을 제공하고, 특히, 사람의 음성 발성 중에 기존 기술을 이용한 음성 대역폭 확장기를 적용하였을 경우 빈번히 발생하는 듣기 불편한 인공 잡음을 줄이기 위해 심화 신경망 앙상블 기법과 심화 신경망 학습데이터 전처리 기법을 사용하는 인공 잡음에 강인한 음성 대역폭 확장을 위한 심화 신경망 앙상블을 개시하고 있다.

초기 공기 조화기(air conditioner) 설치 후 학습을 통한 주기적인 인공지능 모델 업데이트는 모델 성능을 최적으로 유지하기 위한 필수 과정이라 할 수 있다. 하지만 중앙 클라우드 서버와 온라인으로 연결되어있는 공기 조화기들에 적용된 인공지능 모델들에 대한 학습 시도 시 관리해야 하는 모델 수가 천문학적으로 늘어날 수 있다. 또한 설치 환경 및 외부 요인으로 인해 데이터 특성이 사이트 별로 다 다르기 때문에 데이터 수집 및 분석, 그리고 모델 학습에 막대한 비용과 시간이 소모된다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 데이터로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명의 일 과제는, 사이트 별로 서로 다른 인공지능 모델들을 일일이 관리하지 않고, 최소한의 모델 및 앙상블 가중치 데이터를 조합한 앙상블 모델을 이용하여 전체 사이트의 인공지능 모델을 관리하는데 있다.

본 발명의 일 과제는, 앙상블 모델을 구현하여 인공지능 모델의 보편성을 확보하는 동시에 최소의 모델만 관리하고, 사이트 별 앙상블 모델을 구성하기 위한 사이트 별 앙상블 모델 가중치 데이터를 최적화 문제로 산출하여 사이트 별 특성을 반영한 앙상블 모델링 방법을 제공하는데 있다.

본 발명의 일 과제는, 사이트 별로 서로 다른 인공지능 모델들에 앙상블 모델을 적용하여 학습을 위한 많은 연산량과 과하게 학습하여 실제 데이터에 대해 오차가 증가하는 과적합(overfitting) 문제를 피하는데 있다.

본 발명의 일 실시 예에 따른 인공지능 모델 관리 방법은, 사이트 별로 서로 다른 인공지능 모델들을 일일이 관리하지 않고, 특정 수의 대표 인공지능 모델에 앙상블 가중치 데이터를 조합한 앙상블 모델을 구축하고, 사이트의 특성을 반영한 앙상블 가중치 데이터를 최적화한 앙상블 모델을 제공하는 단계를 포함할 수 있다.

구체적으로 본 실시 예에 따른 인공지능 모델 관리 방법은, m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축하는 단계와, 복수의 사이트 중 제1 사이트로부터 취합한 디바이스의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습하는 단계와, 학습이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 제1 사이트로 배포하는 단계를 포함를 포함할 수 있다.

본 실시 예에 따른 인공지능 모델 관리 방법을 통하여, 최소한의 모델 및 앙상블 가중치 데이터를 조합한 앙상블 모델을 이용하여 전체 사이트의 인공지능 모델을 관리함으로써, 사이트 별로 서로 다른 인공지능 모델들을 일일이 관리할 필요가 없게 되어, 데이터 수집 및 분석, 그리고 인공지능 모델 학습에 소요되는 비용과 시간을 줄일 수 있고, 과적합 문제를 회피할 수 있다.

또한, 본 실시 예에 따른 인공지능 모델 관리 장치는, m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축하는 앙상블 모델 구축부와, 복수의 사이트 중 제1 사이트로부터 취합한 디바이스의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습하는 앙상블 모델 학습부와, 학습이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 제1 사이트로 배포하는 배포부를 포함할 수 있다.

본 실시 예에 따른 인공지능 모델 관리 장치를 통하여 사이트 별로 모델을 재생산하는 효과를 거둘 수 있고, 앙상블 모델 가중치 데이터를 구하기 위해 사용되는 최적화 문제는 앙상블 모델의 오차를 최소화하는 목적함수를 가진 최적화 문제이기에 가중치 데이터를 구하는 과정에서 모델 성능을 최적화하는 효과를 거둘 수 있다.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 실시 예에 의하면, 최소한의 모델 및 앙상블 가중치 데이터를 조합한 앙상블 모델을 이용하여 전체 사이트의 인공지능 모델을 관리함으로써, 사이트 별로 서로 다른 인공지능 모델들을 일일이 관리할 필요가 없게 되어, 데이터 수집 및 분석, 그리고 인공지능 모델 학습에 소요되는 비용과 시간을 줄일 수 있다.

또한, 본 실시 예를 클라우드 서버-클라이언트 구성 제품에 적용 시 중앙 서버에서는 최소 모델만 관리하는 동시에 앙상블 모델 가중치 데이터 조합을 다르게 가져감으로써 사이트 별로 모델을 재생산하는 효과를 거둘 수 있다.

또한, 앙상블 모델 가중치 데이터를 구하기 위해 사용되는 최적화 문제는 앙상블 모델의 오차를 최소화하는 목적함수를 가진 최적화 문제이기에 가중치 데이터를 구하는 과정에서 모델 성능을 최적화하는 효과를 거둘 수 있다.

또한, 여러 모델의 결과를 앙상블 방식을 적용하여 취합하므로 자연스럽게 과적합 문제를 회피할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시 예에 따른 사이트, 인공지능 모델 관리 장치, 사용자 단말기, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 인공지능 모델 관리 환경의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 모델 관리 장치의 개략적인 블록도이다.
도 3은 도 2의 인공지능 모델 관리 장치 중 인공지능 모델 관리부의 개략적인 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 특정 사이트의 인공지능 모델 관리를 나타내는 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 인공지능 모델 관리 방법을 설명하기 위한 흐름도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 일 실시 예에 따른 사이트, 인공지능 모델 관리 장치, 사용자 단말기, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 인공지능 모델 관리 환경의 예시도이다. 도 1을 참조하면, 인공지능 모델 관리 환경은 사이트(100), 인공지능 모델 관리 장치(200), 사용자 단말기(300), 서버(400) 및 네트워크(500)를 포함할 수 있다.

사이트(100)는 사이트#1(100_1) 내지 사이트#N(100_N)을 포함할 수 있다. 여기서 사이트#1(100_1) 내지 사이트#N(100_N)는 구역(위치, 장소 등)을 단위로 하여 복수의 디바이스(미도시)가 배치되고, 배치된 디바이스의 동작 상태를 관리하도록 복수의 서로 다른 인공지능 모델을 포함할 수 있다. 여기서, 디바이스는 각종 전자기기 예를 들어, 세탁기, 냉장고와 같은 사물인터넷에 해당하는 디바이스를 포함할 수 있으며, 설명의 편의상 디바이스를 공기 조화기로 한정하여 설명하기로 한다. 다만, 디바이스의 예가 상술한 것으로 한정되는 것은 아니다.

예를 들어, 사이트#1(100_1)은 서울일 수 있고, 서울에는 수많은 공기 조화기가 배치되어 있고, 서울 지역에 배치된 공기 조화기들의 동작 상태를 관리하도록 복수의 서로 다른 인공지능 모델을 포함할 수 있다.

여기서 공기 조화기는 냉매 순환 방향에 따라 냉방 모드와 난방 모드를 가질 수 있다. 이하, 설명의 편의를 위해, 본 실시 예의 공기 조화기가 냉방 모드로 운전하는 경우를 예를 들어 설명한다. 본 실시 예의 공기 조화기는 실내기(미도시), 실외기(미도시), 냉매 순환 라인(미도시)을 포함할 수 있다. 실내기는 실내에 배치되고, 실외기는 실외에 배치되며, 실내기와 실외기는 냉매 순환 라인에 의해 연결될 수 있다. 냉매는 냉매 순환 라인을 통해 실내기와 실외기를 순환할 수 있다.

실내기는 외장 케이스(미도시)와, 내장 부품인 증발기(미도시) 및 실내기 팬(미도시)을 포함할 수 있다. 실외기는 외장 케이스와, 내장 부품인 압축기(미도시), 응축기(미도시) 및 실외기 팬(미도시)을 포함할 수 있다. 냉매 순환 라인은 증발기, 압축기 및 응축기를 차례로 연결하고, 다시 증발기로 피드백되는 관일 수 있다. 또한, 냉매 순환 라인 상에서 응축기와 증발기 사이에는 팽창밸브(미도시)가 배치될 수 있다.

냉매는 냉매 순환 라인을 따라 증발기, 압축기, 응축기 및 팽창밸브를 차례로 통과하여 다시 증발기로 피드백될 수 있다. 증발기에서는 저온 저압의 액체 상태의 냉매가 실내 공기와의 열교환을 통해 증발될 수 있다. 즉, 증발기 내의 냉매는 실내 공기로부터 열을 흡수하여 실내 공기를 냉각시킬 수 있다. 압축기에서는 증발기에서 가열된 기체 상태의 냉매가 기계적 구동에 의해 압축되어 고온 고압의 기체 상태의 냉매로 변화할 수 있다. 일 예로, 압축기는 회전 모터와 전동 실린더(미도시)를 포함할 수 있다. 이 경우, 압축기는 회전 모터의 회전에 의한 전동 실린더의 가압 구동에 의해 냉매를 압축시킬 수 있다.

응축기에서는 압축기에서 압축된 고온 고압의 기체 상태의 냉매가 실외 공기와의 열교환을 통해 응축될 수 있다. 즉, 응축기 내의 냉매는 실외 공기로 열을 배출하여 실외 공기를 가열시킬 수 있다. 팽창밸브에서는 응축기에서 응축된 저온 고압의 액체 상태의 냉매가 모세관을 통과하며 저온 저압의 액체 상태의 냉매로 변화할 수 있다. 실내기 팬은 실내 공기를 유동시켜 증발기의 냉매와 실내 공기의 열교환율을 높이며, 냉각된 실내 공기를 실내 전반으로 송풍할 수 있다. 일 예로, 실내기 팬은 회전 모터에 의해 회전하는 임펠러일 수 있다. 실외기 팬은 실외 공기를 유동시켜 응축기의 냉매와 실외 공기의 열교환율을 높이며, 가열된 실외 공기를 외부로 배출할 수 있다. 일 예로, 실외기 팬은 회전 모터에 의해 회전하는 임펠러일 수 있다.

본 실시 예에서 공기 조화기는, 실내기에서 열을 얻어 실내를 냉각시키는 과정과, 실내기에서 얻은 열을 실외기를 통해 배출시키는 과정을 냉매의 순환에 의해 지속적으로 반복하며 실내를 냉방시킬 수 있다.

초기 공기 조화기 설치 후 학습을 통한 주기적인 인공지능 모델 업데이트는 모델 성능을 최적으로 유지하기 위한 필수 과정이라 할 수 있다. 하지만 서버(400)와 온라인으로 연결되어있는 공기 조화기들에 적용된 인공지능 모델들에 대한 학습 시도 시 관리해야 하는 모델 수가 천문학적으로 늘어날 수 있다. 또한 설치 환경 및 외부 요인으로 인해 데이터 특성이 사이트 별로 다 다르기 때문에 데이터 수집 및 분석, 그리고 모델 학습에 막대한 비용과 시간이 소모될 수 있는 문제점이 있다.

인공지능 모델 관리 장치(200)는 사이트(100)(사이트#1(100_1) 내지 사이트#N(100_N)) 별로 서로 다른 인공지능 모델들을 일일이 관리하지 않고, 특정 수의 대표 인공지능 모델에 앙상블 가중치 데이터를 조합한 앙상블 모델을 구축하고, 사이트의 특성을 반영한 앙상블 가중치 데이터를 최적화한 앙상블 모델을 제공함으로써 최소한의 모델을 이용하여 전체 사이트의 인공지능 모델을 관리할 수 있어 상술한 문제점을 해결할 수 있다.

인공지능 모델 관리 장치(200)는 복수의 대표 인공지능 모델을 구축할 수 있다. 여기서 대표 인공지능 모델은 서로 다른 네트워크 구조(예를 들어 은닉 뉴런의 개수 조정)를 포함하거나 초기 가중치 데이터가 부여될 수 있다. 인공지능 모델 관리 장치(200)는 복수의 대표 인공지능 모델 구축 시에 사이트(100)의 개수보다 적은 개수의 복수의 대표 인공지능 모델을 구축할 수 있다. 여기서 대표 인공지능 모델은 출력하는 대표 추정 데이터에 따라 분류(classification) 형태이거나 회귀(regression) 형태가 될 수 있다.

대표 인공지능 모델이 이항 분류 형태인 경우는, logistic regression, multi-layer perceptron, stochastic gradient descent, bagging, random forest, decision tree, support vector machine, k-nearest neighbor 중 적어도 둘 이상을 사용 수 있고, 대표 인공지능 모델이 다중 분류 형태일 때는 multinomial logistic regression, multi-layer perceptron, stochastic gradient descent, random forest, decision tree 중 적어도 둘 이상을 사용할 수 있고, 대표 인공지능 모델이 회귀 형태일 때는 linear regression, bayesian regression, kernel ridge regression 중 둘 이상을 사용할 수 있다.

인공지능 모델 관리 장치(200)는 m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축할 수 있다.

인공지능 모델 관리 장치(200)는 복수의 사이트 중 제1 사이트로부터 취합한 디바이스(공기 조화기)의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습시킬 수 있다.

인공지능 모델 관리 장치(200)는 학습이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 제1 사이트로 배포할 수 있다.

여기서, 공기 조화기의 운전 데이터는 공기 조화기의 운전 이력에 관한 데이터 및 공기 조화기의 운전 상태에 관한 데이터를 포함할 수 있다. 공기 조화기의 운전 이력에 관한 데이터는 실외기에 접속된 실내기의 전원의 온·오프, 써모 온(thermo on)·오프, 운전 모드(냉방 모드, 난방 모드, 송풍 모드 등), 설정 온도, 실내 온도(빨아들임 온도) 등에 관한 데이터를 포함할 수 있다. 또한 공기 조화기의 운전 상태에 관한 데이터는 공기 조화기에 설치되어 있는 각종 센서가 감지한 값을 포함할 수 있다. 이러한 운전 데이터에 기초하여, 실내기의 운전 시간, 실내 팽창 밸브의 개도 등의 데이터를 얻을 수 있다. 또한 운전 시간이란, 구체적으로 실내기의 써모 온 시간을 포함할 수 있고, 써모 온 시간이란, 실내기가 냉온 열 공급을 행하고 있는 시간을 포함할 수 있다.

앙상블 모델에서 수행하는 앙상블 알고리즘은 하나의 기계 학습 알고리즘을 통해 생성된 예측 모델(본 실시 예의 대표 인공지능 모델)을 사용할 뿐만 아니라, 동일한 학습 데이터에 여러 가지 기계 학습 알고리즘을 적용하여 생성한 다양한 예측 모델(본 실시 예의 대표 인공지능 모델)을 조합하여 결과를 도출할 수 있는 방법을 포함할 수 있다.

사용자 단말기(300)는 인공지능 모델 관리 어플리케이션 또는 인공지능 모델 관리 사이트에 접속한 후 인증 과정을 통하여 인공지능 모델 관리 장치(200)의 상태 데이터를 모니터링 하거나, 인공지능 모델 관리 장치(200)를 구동하거나 또는 제어할 수 있는 서비스를 제공받을 수 있다. 본 실시 예에서 인증 과정을 마친 사용자 단말기(300)는 일 예로, 인공지능 모델 관리 장치(200)의 동작 모드를 결정하여 인공지능 모델 관리 장치(200)를 동작시키거나, 인공지능 모델 관리 장치(200)의 동작을 제어할 수 있다.

사용자 단말기(300)는 컴퓨팅 장치(미도시)의 기능을 수행할 수 있는 통신 단말기를 포함할 수 있으며, 본 실시 예에서 사용자 단말기(300)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(300)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말기(300)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.

서버(400)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 공기 조화기 제어에 관한 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(400)는 사용자 단말기(300)에 설치된 애플리케이션 또는 웹 브라우저를 이용하여 인공지능 모델 관리 장치(200)를 원격에서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.

여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 데이터기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 데이터기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

서버(400)는 사이트#1(100_1) 내지 사이트#N(100_N)로부터 공기 조화기의 운전 데이터를 취합할 수 있다. 서버(400)는 서로 다른 네트워크 구조를 포함하거나 초기 가중치 데이터가 부여된 m개의 대표 인공지능 모델을 구축할 수 있다. 서버(400)는 사이트#1(100_1) 내지 사이트#N(100_N)로부터 취합한 공기 조화기의 전체 운전 데이터 및 전체 운전 데이터에 대해 레이블된 타겟 데이터를 포함하는 전체 학습 데이터로부터 랜덤 샘플링한 m개의 학습 데이터 세트에 의해 m개의 대표 인공지능 모델 각각을 학습시킬 수 있다. 서버(400)는 m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축할 수 있다. 서버(400)는 사이트#1(100_1) 내지 사이트#N(100_N) 중 제1 사이트(예를 들어, 사이트#1(100_1))로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습시킬 수 있다. 서버(400)는 학습이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 제1 사이트(예를 들어, 사이트#1(100_1))로 배포할 수 있다.

인공지능 모델 관리 장치(200)의 프로세싱 능력에 따라, 대표 인공지능 모델 구축, 대표 인공지능 모델 학습, 앙상블 모델 구축, 앙상블 모델 학습, 대표 인공지능 모델과 앙상블 가중치 데이터 배포 중 적어도 일부는 인공지능 모델 관리 장치(200)에 의해 수행될 수 있다.

네트워크(500)는 사이트(100)와, 인공지능 모델 관리 장치(200)와, 사용자 단말기(300)와, 서버(400)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(500)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(500)는 근거리 통신 및/또는 원거리 통신을 이용하여 데이터를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

네트워크(500)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(500)는 사물 등 분산된 구성 요소들 간에 데이터를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 인공지능 모델 관리 장치의 개략적인 블록도이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 2를 참조하면, 인공지능 모델 관리 장치(200)는 통신부(210), 사용자 인터페이스(I/F, interface)(220), 인공지능 모델 관리부(230), 메모리(240) 및 제어부(250)를 포함할 수 있다.

통신부(210)는 네트워크(500)와 연동하여 사이트(100), 인공지능 모델 관리 장치(200), 사용자 단말기(300) 및/또는 서버(400) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(210)는 사이트(100)로부터 소정의 데이터 요청 신호를 수신하는 역할을 할 수 있고, 인공지능 모델 관리 장치(200)가 처리한 데이터를 사이트(100)로 전송하는 역할을 수행할 수 있다. 또한 통신부(210)는 사이트(100)로부터 소정의 데이터 요청 신호를 서버(400)로 전송하고, 서버(400)가 처리한 응답 신호를 수신하여, 사이트(100)로 전송할 수 있다. 또한 통신부(210)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

또한, 통신부(210)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

사용자 인터페이스부(220)는 제어부(250)의 제어 하에 인공지능 모델 관리 장치(200)의 구동 상태를 디스플레이 하거나, 오디오 신호로 출력할 수 있다. 실시 예에 따라서, 사용자 인터페이스부(220)는 디스플레이부(미도시)를 포함할 수 있으며, 디스플레이부는 터치패드와 상호 레이어 구조를 이루어 터치스크린으로 구성될 수 있다. 이 경우에, 디스플레이부는 사용자의 터치에 의한 데이터의 입력이 가능한 조작부로도 사용될 수 있다. 이를 위해 디스플레이부는 터치 인식 디스플레이 제어기 또는 이외의 다양한 입출력 제어기로 구성될 수 있다. 일 예로, 터치 인식 디스플레이 제어기는 장치와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다. 터치 인식 디스플레이 제어기는 전기 신호를 제어부(250)와 송수신할 수 있다. 또한, 터치 인식 디스플레이 제어기는 사용자에게 시각적인 출력을 표시하며, 시각적 출력은 텍스트, 그래픽, 이미지, 비디오와 이들의 조합을 포함할 수 있다. 이와 같은 디스플레이부는 예를 들어 터치 인식이 가능한 OLED(organic light emitting display) 또는 LCD(liquid crystal display) 또는 LED(light emitting display)와 같은 소정의 디스플레이 부재일 수 있다.

또한, 사용자 인터페이스부(220)는 조작부(미도시)를 포함할 수 있으며, 조작부는 복수의 조작 버튼(미도시)을 구비하여, 입력되는 버튼에 대응하는 신호를 제어부(250)로 전송할 수 있다. 이러한 조작부는 사용자의 터치 또는 누름 조작을 인식할 수 있는 센서 또는 버튼, 스위치 구조로 구성될 수 있다. 본 실시 예에서 조작부는 디스플레이부에 표시되는 인공지능 모델 관리 장치(200)의 구동과 관련한 각종 데이터를 확인하거나, 변경하기 위해 사용자가 조작하는 조작 신호를 제어부(250)로 전송할 수 있다.

또한, 사용자 인터페이스부(220)는 오디오 출력부(미도시)를 포함할 수 있으며, 오디오 출력부는 제어부(250)의 제어에 따라 경고음, 동작모드, 인공지능 모델 관리 장치(200)의 동작상태, 인공지능 모델 관리 장치(200)의 에러상태 등을 오디오로 출력할 수 있다. 오디오 출력부는 제어부(250)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 스피커 등을 구비할 수 있다.

인공지능 모델 관리부(230)는 m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축할 수 있다.

인공지능 모델 관리부(230)는 복수의 사이트 중 제1 사이트로부터 취합한 디바이스(공기 조화기)의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습시킬 수 있다.

인공지능 모델 관리부(230)는 학습이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 제1 사이트로 배포할 수 있다.

본 실시 예에서 인공지능 모델 관리부(230)는 제어부(250)와 연계하여 학습을 수행하거나, 제어부(250)로부터 학습 결과를 수신할 수 있다. 본 실시 예에서 인공지능 모델 관리부(230)는 도 2에 도시된 바와 같이 제어부(250) 외부에 구비될 수도 있고, 제어부(250) 내부에 구비되어 제어부(250)처럼 동작할 수도 있고, 도 1의 서버(400) 내부에 구비될 수도 있다. 이하 인공지능 모델 관리부(230)의 상세한 내용은 도 3 및 도 4를 참조하여 설명하기로 한다.

메모리(240)는 인공지능 모델 관리 장치(200)의 동작에 필요한 각종 데이터들을 저장하고, 인공지능 모델 관리 장치(200)를 동작시킬 수 있는 제어 소프트웨어를 저장할 수 있는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 또한, 메모리(240)는 사이트#1(100_1) 내지 사이트#N(100_N)로부터 취합한 공기 조화기의 운전 데이터를 저장할 수 있고, 인공지능 모델 관리부(230)가 처리한 데이터를 저장할 수 있다.

또한 메모리(240)는 인공지능 모델 관리 장치(200)가 실행할 명령어 예를 들어, m개의 대표 인공지능 모델을 구축하는 명령어, 구축한 m개의 대표 인공지능 모델을 학습하는 명령어, 앙상블 모델을 구축하는 명령어, 구축한 앙상블 모델을 학습하는 명령어, 학습이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 배포하는 명령어 등을 저장할 수 있다.

여기서, 메모리(240)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(240)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.

제어부(250)는 일종의 중앙처리장치로서 메모리(240)에 탑재된 제어 소프트웨어를 구동하여 인공지능 모델 관리 장치(200) 전체의 동작을 제어할 수 있다. 제어부(250)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 실시 예에서 제어부(250)는 인공지능 모델 관리 장치(200)가 사이트(100)에 구비된 서로 다른 인공지능 모델들을 관리할 수 있도록, 공기 조화기의 운전 데이터에 대하여 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있고, 메모리(240)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출되는 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델을 포함할 수 있다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 가중치 데이터(weight)를 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.

한편, 제어부(250)에는 인공신경망(artificial neural network)이 탑재될 수 있고, 수신되는 압축기 운전 데이터를 입력 데이터로 하는 머신 러닝 기반의 압축기의 상태 데이터 군집화를 수행할 수 있다.

제어부(250)는 인공신경망, 예를 들어, CNN, RNN, DBN 등 심층신경망(deep neural network: DNN)을 포함될 수 있고, 심층신경망을 학습할 수 있다. 이러한 인공신경망의 머신 러닝 방법으로는 지도학습(supervised learning)과, 비지도학습(unsupervised learning)과, 강화 학습(reinforcement learning)이 모두 사용될 수 있다. 제어부(250)는 설정에 따라 학습 후 인공신경망 구조를 업데이트시키도록 제어할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다. 본 실시 예에서는 인공지능 모델 관리를 위해 지도 학습을 수행할 수 있으나, 이에 한정되는 것은 아니다.

도 3은 도 2의 인공지능 모델 관리 장치 중 인공지능 모델 관리부의 개략적인 블록도이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 3을 참조하면, 인공지능 모델 관리부(230)는 전처리부(231), 대표 인공지능 모델 구축부(232), 대표 인공지능 모델 학습부(233), 대표 인공지능 모델 검증부(234), 앙상블 모델 구축부(235), 앙상블 모델 학습부(236), 앙상블 모델 검증부(237) 및 배포부(238)를 포함할 수 있다. 선택적 실시 예로, 인공지능 모델 관리부(230)는 하나 이상의 프로세서를 포함할 수 있다. 선택적 실시 예로 전처리부(231) 내지 배포부(238)는 하나 이상의 프로세서에 대응될 수 있다. 선택적 실시 예로, 전처리부(231) 내지 배포부(238)는 하나 이상의 프로세서에 의해 실행되도록 구성된 소프트웨어 구성 요소(components)에 대응될 수 있다.

전처리부(231)는 메모리(240)에 저장되거나, 사이트#1(100_1) 내지 사이트#N(100_N)로부터 실시간으로 획득한 공기 조화기의 운전 데이터를 대표 인공지능 모델 또는 앙상블 모델의 입력에 적합한 형태로 가공할 수 있다. 공기 조화기의 운전 데이터는 인자별 단위 및 범위가 다르므로, 이를 일정한 범위로 정규화 해주는 작업이 필요하다. 전처리부(231)는 하기 수학식 1과 같이 최소-최대 정규화 수식을 이용하여 공기 조화기의 운전 데이터를 정규화 할 수 있다.

여기서, X는 인자별 공기 조화기의 운전 데이터 즉, 입력 데이터를 나타낼 수 있다. Xnorm은 정규화된 입력 데이터를 나타낼 수 있다. Xmax는 입력 데이터의 최대값을 나타낼 수 있다. Xmin은 입력 데이터의 최소값을 나타낼 수 있다. (a, b)는 정규화 범위 예를 들어, 0~1일 수 있다.

만약, 입력 데이터가 기존 학습 데이터의 최소, 최대값을 벗어날 경우 최소-최대 정규화 적용 시, 정규화 범위를 벗어날 수 있기 때문에, 전처리부(231)는 입력 데이터를 하기 수학식 2와 같이 기존 학습 데이터의 최소/최대값으로 자동 조정해줄 수 있다.

전처리부(231)는 결측치 삭제 필터 및/또는 안정상태 감지 필터를 포함할 수 있다. 결측치 삭제 필터는 입력 데이터에 결측치가 존재하는 경우, 해당 데이터는 대표 인공지능 모델 및 앙상블 모델에 사용하지 못하도록 삭제할 수 있다. 만약 입력 데이터가 k 차원의 벡터이나 신규 입력 데이터가 m 차원의 벡터(m<k)일 경우, 하기 수학식 3과 같이 신규 입력 데이터를 삭제할 수 있다.

안정 상태 데이터 필터는 공기 조화기의 냉난방 사이클이 안정 상태인 운전 데이터만을 수신하도록, 지수 가중 이동 평균 필터(exponentially weighted moving average filter), 목표 액추에이터 값 도달 유무 확인 방식 중 하나 이상의 방식을 채택하여 공기 조화기의 운전 데이터의 안성 상태를 판단할 수 있다. 지수 가중 이동 평균 필터는 하기 수학식 3과 같이 특정 주기(T) 동안 필터 에러가 정해진 필터 에러 값보다 작거나 같을 경우, 안정 상태라고 판단할 수 있다.

여기서 α는 필터값의 변화량을 얼마나 반영할 것인지를 나타내는 상수(예를 들어, 0~1)를 나타낼 수 있다. 또한, ε은 임계치로서 공기 조화기의 운전 데이터 인자 별로 서로 다를 수 있다.

또한 목표 액추에이터 값 도달 유무 판단은 특정 주기(T) 동안 액추에이터 값(

)이 제어 목표값(

)에 일정 값(ε)으로 근접할 경우, 안정상태라고 판단하며, 판단 조건은 하기 수학식 5와 같다.

전처리부(231)에서 필터 처리 및 정규화 처리가 끝난 전처리 데이터는 학습 데이터와 테스트 데이터로 구분되며, 대표 인공지능 모델의 개수인 총 m개의 학습 데이터와 테스트 데이터를 랜덤 샘플링 할 수 있다.

대표 인공지능 모델 구축부(232)는 m개의 대표 인공지능 모델을 구축할 수 있다. 여기서 대표 인공지능 모델은 서로 다른 네트워크 구조(예를 들어 은닉 뉴런의 개수 조정)를 포함하거나 초기 가중치 데이터가 부여될 수 있다. 대표 인공지능 모델 구축부(232)는 복수의 대표 인공지능 모델 구축 시에 사이트(100)의 개수보다 적은 개수(예를 들어 m개)의 대표 인공지능 모델을 구축할 수 있다.

여기서 대표 인공지능 모델의 개수 m은 하기 수학식 6으로 설정할 수 있다.

여기서 N은 사이트(100)의 개수이고,

는 대표 인공지능 모델 수 조정 파라미터(예를 들어, 0.01)일 수 있다. 여기서 대표 인공지능 모델 수 조정 파라미터

를 통해 대표 인공지능 모델 수를 조정할 수 있고, 관리해야 하는 총 사이트(100)의 개수를 고려하여 관리자가 유연하게 조정할 수 있다.

대표 인공지능 모델 학습부(233)는 m개의 대표 인공지능 모델은 전체 운전 데이터 및 전체 운전 데이터에 대해 레이블된 타겟 데이터를 포함하는 전체 학습 데이터로부터 랜덤 샘플링한 m개의 학습 데이터 세트에 의해 학습할 수 있다. 본 실시 예에서 m개의 대표 인공지능 모델은 미리 학습되어 메모리(240)에 저장되어 있을 수 있다. 또한, 타겟 데이터는 공기 조화기의 운전 데이터에 대응하는 동작 상태로, 고장 상태, 고장 임박 상태 및 정상 상태를 포함할 수 있다.

대표 인공지능 모델 학습부(233)는 역전파 알고리즘(backpropagation algorithm)을 통해 m개의 대표 인공지능 모델 각각의 비용함수를 최소화 하는 방향으로 학습을 진행할 수 있다. 일반적으로 알고리즘의 종류에 따라서 대표 인공지능 모델의 최종 출력 형태가 분류(classification)의 형태가 될 수도 있고, 회귀(regression)의 형태가 될 수도 있다.

분류 형태의 대표 인공지능 모델의 경우, 비용함수로 크로스 엔트로피 비용함수(cross-entropy function)를 주로 사용하며, 정의는 수학식 7과 같을 수 있다.

여기서, y_j는 클래스 j의 추정 데이터(추정 확률, 예측값, j=1,2,...,c)이고, t_j는 레이블된 타겟 데이터(정답, j=1,2,...,,c)일 수 있다.

회귀 형태의 대표 인공지능 모델의 경우, 평균 제곱근 오차(mean squared error)를 비용함수로 주로 사용하며, 정의는 수학식 8과 같을 수 있다.

여기서, y_i는 샘플 i의 추정 데이터(추정값, i=1,2,...,m)이고, t_i는 샘플 i에 대한 레이블된 타겟 데이터(타겟값, i=1,2,...,m)일 수 있다.

추후 앙상블 모델과 결합되어 시너지를 내기 위해서는 대표 인공지능 모델 들에 대한 다양성 확보가 필요하다. 따라서 각각의 대표 인공지능 모델들은 서로 다른 네트워크 구조나 초기 가중치 데이터를 가지게 설계하며, 각각의 대표 인공지능 모델들은 m개의 서로 다른 샘플링된 대표 데이터로 학습될 수 있다. 각 대표 인공지능 모델의 학습 결과로 획득되는 가중치 데이터 행렬 및 바이어스 벡터는 각각 메모리(240)에 저장되며, 대표 인공지능 모델 검증부(234)로 전송되어 모델 검증 과정에 사용될 수 있다.

대표 인공지능 모델 검증부(234)는 전체 학습 데이터로부터 랜덤 샘플링한 m개의 학습 데이터 세트를 제외한 학습 데이터로서의 테스트 데이터를 m개의 대표 인공지능 모델에 전달하여 산출한 비용함수와 임계치를 비교하여 m개의 대표 인공지능 모델을 검증할 수 있다.

대표 인공지능 모델 검증부(234)는 비용함수가 임계치를 벗어났는지 여부를 확인하는 방식으로 학습이 완료된 m개의 대표 인공지능 모델을 검증할 수 있다.

분류 형태의 대표 인공지능 모델의 경우, 대표 인공지능 모델 검증부(234)는 학습이 완료된 m개의 대표 인공지능 모델의 성능 검증을 위해 통상적으로 정확도(accuracy)와 재현율(recall rate)을 주로 사용하며, 그들의 정의는 수학식 9과 같을 수 있다.

여기서, tp는 true positive를 나타내고, tn은 true negative를 나타내고, fp는 false positive를 나타내고, fn은 false negative를 나타낼 수 있다.

정확도는 전체 테스트 데이터 중 정답 테스트 데이터의 비중을 의미하고, 재현율은 특정 클래스에서 정답 비중을 의미할 수 있다. 만약 대표 인공지능 모델의 정확도나 재현율이 특정 임계치 미만일 경우 다시 대표 인공지능 모델 학습부(233)로 돌아가 재학습을 실시하도록 할 수 있다. 정확도와 재현율 이외에도 정밀도, F1 스코어, FPR(false-positive rate) 등을 분류 성능 측정 지표로 활용할 수 있다.

회귀 형태의 대표 인공지능 모델의 경우, 대표 인공지능 모델 검증부(234)는 앞서 정의한 평균 제곱근 오차를 이용하여 학습이 완료된 대표 인공지능 모델의 성능을 검증하게 되며, 학습이 완료된 모델의 평균 제곱근 오차가 특정 임계치 이상일 경우, 다시 대표 인공지능 모델 학습부(233)로 돌아가 재학습을 실시하도록 할 수 있다.

앙상블 모델 구축부(235)는 대표 인공지능 모델 검증부(234)에서 검증이 완료된 m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축할 수 있다.

앙상블 모델 학습부(236)는 사이트#1(100_1) 내지 사이트#N(100_N) 중 제1 사이트(예를 들어, 사이트#1(100_1))로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습할 수 있다.

여기서 사이트 데이터는, 전처리부(231)에서 출력되는, 사이트#1(100_1) 내지 사이트#N(100_N) 중 제1 사이트(예를 들어, 사이트#1(100_1))로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 데이터를 포함할 수 있다.

앙상블 모델 학습부(236)는 대표 인공지능 모델 검증부(234)에서 검증이 완료된 m개의 대표 인공지능 모델에서 출력되는 대표 추정 데이터에 앙상블 가중치 데이터를 적용하여 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값이 되도록 앙상블 가중치 데이터를 조정하는 앙상블 모델 최적화를 수행할 수 있다.

분류 형태의 앙상블 모델의 경우, 앙상블 모델 학습부(236)는 앙상블 모델의 가중치 데이터를 구하는 최적화를 수학식 10을 이용하여 수행할 수 있다.

여기서, m은 총 대표 인공지능 모델 수를 나타내고, c는 총 클래스 수를 나타내며, ω_i는 앙상블 모델에 포함되는 학습된 대표 인공지능 모델 i의 가중치 데이터(최적화 변수)를 나타내고,

는 앙상블 모델에 포함되는 학습된 대표 인공지능 모델 i가 클래스 j에 대하여 예측한 확률 추정 데이터(softmax값,

)을 나타내고,

는 클래스 j에 대한 레이블된 타겟 데이터(타겟값,

)을 나타낼 수 있다.

앙상블 모델 학습부(236)에서 분류 형태의 앙상블 모델의 최적화 문제는 각 대표 인공지능 모델 별 추정 데이터에 앙상블 가중치 데이터를 곱한 앙상블 추정 데이터를 입력값으로 가지는 크로스 엔트로피 비용함수를 목적함수(objective function)로 가지며, 해당 목적함수를 최소화시키는 앙상블 모델 가중치 데이터(ω₁,??,ω_m)를 구할 수 있다. 이때 제한 조건(constraints)로 정의한 내용은 모든 가중치 데이터의 합은 1이어야 하며, 0과 1 사이의 연속적인 수여야 한다는 것이다. 크로스 엔트로피 함수는 이미 알려진 컨벡스 함수(convex function)이기 때문에 목적함수는 컨벡스(convex)이며, 제한조건(constraints) 수식들도 모두 이미 알려진 컨벡스 함수들이기 때문에, 상술한 최적화 문제는 컨벡스 이며, 항상 솔루션이 존재할 수 있다. 상술한 최적화 문제는 differential evolution method, interior-point method, gradient descent, augmented lagrangian method 중 하나의 알고리즘을 선택하여 문제를 풀 수 있으며, 혹은 단순 grid search 알고리즘을 적용하여 앙상블 가중치 데이터를 추정할 수 있다.

여기서, grid search 알고리즘은 하기와 같은 흐름을 이용하여 앙상블 가중치 데이터를 추정할 수 있다. 먼저, 고려 대상인 앙상블 가중치 데이터 벡터(ω)를 정의한다. 예를 들어, ω=[0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0]일 수 있다. 다음에, 최종 조합 수만큼 i) 스텝 내지 iv) 스텝을 반복한다. 최종 조합 수는 고려 대상 가중치 데이터의 수와 대표 인공지능 모델 수의 곱(Cartesian Product: 곱집합)과 같다. i) 선정된 가중치 데이터 벡터를 단위벡터 (unit vector)로 정규화(

)한다. ii) 정규화된 가중치 데이터 벡터에 대한 목적함수 값의 평가를 진행한다. iii) 만약 첫 번째 반복일 경우 최소값을 임의의 큰 수(예를 들어, 1e¹⁰)으로 설정 한다. iv)만약 ii)에서 구한 목적함수 값이 기존 최소값보다 작을 경우 최소값을 ii)에서 구한 목적함수 값으로 변경하고, 최고 가중치 데이터 벡터를 ii)에서 구한 가중치 데이터 벡터로 변경한다. 마지막으로 상술한 모든 조합수가 끝난 후 최고 가중치 데이터 벡터를 최종 앙상블 가중치 데이터로 사용한다.

회귀 형태의 앙상블 모델의 경우, 앙상블 모델 학습부(236)는 앙상블 모델의 가중치 데이터를 구하는 최적화를 수학식 11의 2차 계획법(quadratic programming)을 이용하여 표현할 수 있다.

여기서, m은 총 대표 인공지능 모델 수를 나타내고, ω_i는 앙상블 모델에 포함되는 학습된 대표 인공지능 모델 i의 가중치 데이터(최적화 변수)를 나타내고,

는 앙상블 모델에 포함되는 학습된 대표 인공지능 모델 i가 예측한 추정 데이터(

)를 나타내고, y는 레이블된 타겟 데이터(타겟값,

)을 나타낼 수 있다.

앙상블 모델 학습부(236)에서 회귀 형태의 앙상블 모델의 최적화 문제는 앙상블 모델에서 출력되는 앙상블 추정 데이터와 레이블된 앙상블 타겟 데이터 사이의 평균 제곱근 오차를 목적함수로 가질 수 있다. 수학식 11에 개시된 2차 계획법 수학식은 항상 솔루션을 가지는 문제이므로, 목적함수를 해당 목적함수를 최소화시키는 사이트(100)별 앙상블 모델 가중치 데이터(ω_1,...,ω_m)를 구할 수 있다. 이 가중치 데이터는 앙상블 모델에서 출력되는 앙상블 추정데이터와 레이블된 앙상블 타겟 데이터 사이의 오차를 최소화 하는 값이 될 수 있다.

이때

는 전처리부(231)에서 출력되는, 사이트#1(100_1) 내지 사이트#N(100_N) 중 특정 사이트(예를 들어, 사이트#1(100_1))로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 입력으로 받아, 전방 전달(feed forward) 계산을 수행한 앙상블 추정 데이터이므로, 수학식 11의 목적함수를 최소화 시킴으로써 자연스럽게 해당 사이트(예를 들어, 사이트#1(100_1))의 모델 성능이 최적화된 가중치 데이터를 구할 수 있게 된다. 또한 사이트(100) 별 앙상블 모델의 가중치 데이터가 서로 다르므로 실제로 관리하는 모델은 m개 이지만, 사이트(100) 별로 모델을 재생산하는 효과를 얻을 수 있다. 2차 계획법은 differential evolution method, interior-point method, gradient descent, augmented lagrangian method 중 하나의 알고리즘을 선택하여 문제를 풀 수 있으며, 혹은 단순 grid search 알고리즘을 적용하여 앙상블 가중치 데이터를 추정할 수 있다.

앙상블 모델 검증부(237)는 전처리부(231)에서 출력되는, 앙상블 테스트 데이터를 학습이 완료된 앙상블 모델에 전달하여 산출한 비용 함수와 임계치를 비교하여 학습이 완료된 앙상블 모델을 검증할 수 있다. 여기서 앙상블 테스트 데이터는, 사이트#1(100_1) 내지 사이트#N(100_N) 중 제1 사이트(예를 들어, 사이트#1(100_1))로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 제외한 데이터를 포함할 수 있다.

앙상블 모델 검증부(237)는 앙상블 모델의 성능을 검증하기 위해 사이트 운전 데이터에서 샘플링한 앙상블 테스트 데이터를 이용하여 검증을 수행하며, 각각의 m개의 대표 인공지능 모델에 전방 전달(feed forward) 계산을 수행한 앙상블 추정 데이터를 앙상블 가중치 데이터로 곱한 다음 더한 앙상블 추정 데이터가 특정 임계치를 벗어났는지 여부를 확인하는 방식으로 검증할 수 있다.

분류 형태의 앙상블 모델의 경우, 앙상블 모델 검증부(237)는 학습이 완료된 대표 인공지능 모델의 성능 검증을 위해 정확도(accuracy)와 재현율(recall rate)을 주로 사용하며, 만약 앙상블 모델의 정확도나 재현율이 특정 임계치(σ) 미만일 경우 앙상블 가중치 데이터의 신규 업데이트 없이 기존 앙상블 모델을 유지할 수 있다.

회귀 형태의 앙상블 모델의 경우, 앙상블 모델 검증부(237)는 앞서 정의한 평균 제곱근 오차를 이용하여 앙상블 모델의 성능을 검증하며, 앙상블 모델의 평균 제곱근 오차가 특정 임계치(ε) 이상일 경우 앙상블 가중치 데이터의 신규 업데이트 없이 기존 앙상블 모델을 유지할 수 있다.

앙상블 모델 검증부(237)는 검증이 완료된 앙상블 모델(학습이 완료된 대표 인공지능 모델 및 앙상블 가중치 데이터)을 메모리(240)에 저장할 수 있다. 또한 앙상블 모델 검증부(237)를 통한 신규 앙상블 가중치 데이터를 해당 모델에 업데이트 하여 저장할 수 있다.

배포부(238)는 학습이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 제1 사이트(예를 들어, 사이트#1(100_1))로 배포할 수 있다. 만약 대표 인공지능 모델에 변경이 있을 시에 배포부(238)는 전체 사이트(100)를 대상으로 정해진 주기에 대표 인공지능 모델 업데이트를 진행할 수 있다. 만약 특정 사이트(예를 들어, 사이트#1(100_1))의 앙상블 가중치 데이터에 변경이 있을 시, 배포부(238)는 특정 사이트(예를 들어, 사이트#1(100_1))의 다음 업데이트 주기에 앙상블 가중치 데이터를 전송하고 대표 인공지능 모델 업데이트를 진행할 수 있다. 통신/업데이트 실패, 모델 업데이트 완료 유무에 대한 로그는 메모리(240)에 저장되며, 통신/업데이트 실패 사이트(100)의 경우 다음 주기에 업데이트를 재시도할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 특정 사이트의 인공지능 모델 관리를 나타내는 예시도이다. 이하의 설명에서 도 1 내지 도 3에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 4를 참조하면, 사이트#1(100_1) 내지 사이트#N(100_N) 중 특정 사이트로서의 사이트#1(100_1)에 대한 인공지능 모델 관리를 나타내고 있다. 사이트#1(100_1)에 대한 인공지능 모델 관리를 위해, m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축하고, 사이트#1(100_1)로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습시킬 수 있다.

사이트#1(100_1)로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 제외한 데이터를 앙상블 테스트 데이터로 하여 앙상블 모델을 검증할 수 있다.

검증이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 사이트#1(100_1)로 배포할 수 있다. 만약 사이트#1(100_1)의 앙상블 가중치 데이터에 변경이 있을 시, 사이트#1(100_1)의 다음 업데이트 주기에 앙상블 가중치 데이터를 전송하고 모델 업데이트를 진행할 수 있다. 이와 같은 방식으로 사이트#2(100_2) 내지 사이트#N(100_N)에 포함되는 인공지능 모델들도 관리할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 인공지능 모델 관리 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 5를 참조하면, S510단계에서, 인공지능 모델 관리 장치(200)는 m개의 대표 인공지능 모델을 구축한다. 여기서 대표 인공지능 모델은 서로 다른 네트워크 구조(예를 들어 은닉 뉴런의 개수 조정)를 포함하거나 초기 가중치 데이터가 부여될 수 있다. 대표 인공지능 모델 구축부(232)는 복수의 대표 인공지능 모델 구축 시에 사이트(100)의 개수보다 적은 개수(예를 들어 m개)의 복수의 대표 인공지능 모델을 구축할 수 있다.

S520단계에서, 인공지능 모델 관리 장치(200)는 전체 운전 데이터 및 전체 운전 데이터에 대해 레이블된 타겟 데이터를 포함하는 전체 학습 데이터로부터 랜덤 샘플링한 m개의 학습 데이터 세트에 의해 m개의 대표 인공지능 모델 각각을 학습시킨다. 인공지능 모델 관리 장치(200)는 대표 인공지능 모델 학습 시에 역전파 알고리즘(backpropagation algorithm)을 통해 복수의 대표 인공지능 모델 각각의 비용함수를 최소화 하는 방향으로 학습을 진행할 수 있다.

S530단계에서, 인공지능 모델 관리 장치(200)는 테스트 데이터를 학습이 완료된 복수의(m개의) 대표 인공지능 모델에 전달하여 산출한 비용함수와 임계치를 비교하여 학습이 완료된 복수의 대표 인공지능 모델을 검증한다.

여기서 테스트 데이터는, 전처리가 완료된 전체 운전 데이터 및 전체 운전 데이터에 대해 레이블된 타겟 데이터를 포함하는 전체 학습 데이터로부터 랜덤 샘플링한 m개의 학습 데이터 세트를 제외한 데이터를 포함할 수 있다. 인공지능 모델 관리 장치(200)는 비용함수가 임계치를 벗어났는지 여부를 확인하는 방식으로 학습이 완료된 m개의 대표 인공지능 모델을 검증할 수 있다. 분류 형태의 대표 인공지능 모델에 대하여 인공지능 모델 관리 장치(200)는 대표 인공지능 모델의 정확도나 재현율이 특정 임계치 미만일 경우 대표 인공지능 모델을 재학습시킬 수 있다. 회귀 형태의 대표 인공지능 모델에 대하여 인공지능 모델 관리 장치(200)는 학습이 완료된 대표 인공지능 모델의 평균 제곱근 오차가 특정 임계치 이상일 경우, 대표 인공지능 모델을 재학습시킬 수 있다.

S540단계에서, 인공지능 모델 관리 장치(200)는 m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축한다.

S550단계에서, 인공지능 모델 관리 장치(200)는 복수의 사이트 중 제1 사이트로부터 취합한 디바이스의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 앙상블 모델의 입력 데이터로 하고, 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 앙상블 모델을 학습한다.

여기서 사이트 데이터는, 전처리가 완료된 사이트#1(100_1) 내지 사이트#N(100_N) 중 어느 한 사이트(예를 들어, 사이트#1(100_1))로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 데이터를 포함할 수 있다. 인공지능 모델 관리 장치(200)는 검증이 완료된 복수의 대표 인공지능 모델에서 출력되는 대표 추정 데이터에 앙상블 가중치 데이터를 적용하여 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값이 되도록 앙상블 가중치 데이터를 조정하는 앙상블 모델 최적화를 수행할 수 있다.

S560단계에서, 인공지능 모델 관리 장치(200)는 전처리가 완료된 앙상블 테스트 데이터를 학습이 완료된 앙상블 모델에 전달하여 산출한 비용 함수와 임계치를 비교하여 학습이 완료된 앙상블 모델을 검증한다.

여기서 앙상블 테스트 데이터는, 사이트#1(100_1) 내지 사이트#N(100_N) 중 어느 한 사이트(예를 들어, 사이트#1(100_1))로부터 취합한 공기 조화기의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 제외한 데이터를 포함할 수 있다. 인공지능 모델 관리 장치(200)는 앙상블 모델의 성능을 검증하기 위해 사이트 운전 데이터에서 샘플링한 앙상블 테스트 데이터를 이용하여 검증을 수행하며, 각각의 m개의 대표 인공지능 모델에 전방 전달(feed forward) 계산을 수행한 앙상블 추정 데이터를 앙상블 가중치 데이터로 곱한 다음 더한 앙상블 추정 데이터가 특정 임계치를 벗어났는지 여부를 확인하는 방식으로 검증할 수 있다. 분류 형태의 앙상블 모델에 대하여 인공지능 모델 관리 장치(200)는 학습이 완료된 대표 인공지능 모델의 성능 검증을 위해 정확도(accuracy)와 재현율(recall rate)을 주로 사용하며, 만약 앙상블 모델의 정확도나 재현율이 특정 임계치(σ) 미만일 경우 앙상블 가중치 데이터의 신규 업데이트 없이 기존 앙상블 모델을 유지할 수 있다. 회귀 형태의 앙상블 모델에 대하여 인공지능 모델 관리 장치(200)는 앞서 정의한 평균 제곱근 오차를 이용하여 앙상블 모델의 성능을 검증하며, 앙상블 모델의 평균 제곱근 오차가 특정 임계치(ε) 이상일 경우 앙상블 가중치 데이터의 신규 업데이트 없이 기존 앙상블 모델을 유지할 수 있다.

S570단계에서, 인공지능 모델 관리 장치(200)는 검증이 완료된 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 제1 사이트(예를 들어, 사이트#1(100_1))로 배포한다.

만약 대표 인공지능 모델에 변경이 있을 시에 인공지능 모델 관리 장치(200)는 전체 사이트(100)를 대상으로 정해진 주기에 대표 인공지능 모델 업데이트를 진행할 수 있다. 만약 특정 사이트(예를 들어, 사이트#2(100_2))의 앙상블 가중치 데이터에 변경이 있을 시, 인공지능 모델 관리 장치(200)는 특정 사이트(예를 들어, 사이트#2(100_2))의 다음 업데이트 주기에 앙상블 가중치 데이터를 전송하고 모델 업데이트를 진행할 수 있다. 통신/업데이트 실패, 모델 업데이트 완료 유무에 대한 로그는 메모리(240)에 저장되며, 통신/업데이트 실패 사이트(100)의 경우 다음 주기에 업데이트를 재시도할 수 있다.

본 실시 예에서 인공지능 모델 관리 장치(200)는 복수의 사이트 각각으로부터 취합한 공기 조화기의 운전 데이터를 일정 범위로 정규화하는 전처처리 과정을 수행할 수 있다. 인공지능 모델 관리 장치(200)는 전처리 과정 수행 시에, 결측치를 포함하는 공기 조화기의 운전 데이터를, 대표 인공지능 모델 및 앙상블 모델의 입력으로부터 제외하는 필터링을 수행할 수 있다. 인공지능 모델 관리 장치(200)는 전처리 과정 수행 시에, 지수 가중 이동 평균 필터(exponentially weighted moving average filter) 및 목표 액추에이터 값 도달 유무 확인 방식 중 하나 이상을 이용하여 공기 조화기의 운전 데이터의 안정 상태를 판단할 수 잇다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 사이트
200: 인공지능 모델 관리 장치
300: 사용자 단말기
400: 서버
500: 네트워크

Claims (20)

1. 복수의 사이트에 배치되는 인공지능 모델을 관리하는 방법으로서,
   m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축하는 단계;
   상기 복수의 사이트 중 제1 사이트로부터 취합한 디바이스의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 상기 앙상블 모델의 입력 데이터로 하고, 상기 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 상기 앙상블 모델을 학습하는 단계; 및
   학습이 완료된 상기 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 상기 제1 사이트로 배포하는 단계를 포함하는,
   인공지능 모델 관리 방법.
2. 제 1 항에 있어서,
   상기 m개의 대표 인공지능 모델은 전체 운전 데이터 및 상기 전체 운전 데이터에 대해 레이블된 타겟 데이터를 포함하는 전체 학습 데이터로부터 랜덤 샘플링한 m개의 학습 데이터 세트에 의해 각각 미리 학습된,
   인공지능 모델 관리 방법.
3. 제 1 항에 있어서,
   상기 타겟 데이터는 상기 디바이스의 운전 데이터에 대응하는 동작 상태로서, 고장 상태, 고장 임박 상태 및 정상 상태를 포함하는,
   인공지능 모델 관리 방법.
4. 제 1 항에 있어서,
   상기 m은 상기 복수의 사이트의 수보다 적은 자연수인,
   인공지능 모델 관리 방법.
5. 제 1 항에 있어서,
   상기 m개의 대표 인공지능 모델은 각각 서로 다른 네트워크 구조를 포함하거나, 서로 다른 초기 가중치 데이터가 부여된 인공지능 모델로부터 생성된,
   인공지능 모델 관리 방법.
6. 제 1 항에 있어서,
   상기 앙상블 모델을 구축하는 단계 이후에, 상기 복수의 사이트 각각으로부터 취합한 상기 디바이스의 운전 데이터를 일정 범위로 정규화하는 단계를 더 포함하는,
   인공지능 모델 관리 방법.
7. 제 6 항에 있어서,
   결측치를 포함하는 상기 디바이스의 운전 데이터를, 상기 앙상블 모델의 입력 데이터로부터 제외하도록 필터링 하는 단계를 더 포함하는,
   인공지능 모델 관리 방법.
8. 제 6 항에 있어서,
   지수 가중 이동 평균 필터(exponentially weighted moving average filter) 및 목표 액추에이터 값 도달 유무 확인 방식 중 하나 이상을 이용하여 상기 디바이스의 상기 운전 데이터에 대한 안정 상태를 판단하는 단계를 더 포함하는,
   인공지능 모델 관리 방법.
9. 제 2 항에 있어서,
   상기 전체 학습 데이터로부터 랜덤 샘플링한 m개의 학습 데이터 세트를 제외한 학습 데이터로서의 테스트 데이터를 상기 m개의 대표 인공지능 모델에 전달하여 산출한 비용함수와 임계치를 비교하여 상기 m개의 대표 인공지능 모델을 검증하는 단계를 더 포함하는,
   인공지능 모델 관리 방법.
10. 제 9 항에 있어서,
    상기 비용함수가 임계치를 벗어난 상기 검증의 결과에 기초하여, 상기 학습이 완료된 복수의 대표 인공지능 모델을 재 학습시키는 단계를 더 포함하는,
    인공지능 모델 관리 방법.
11. 제 1 항에 있어서,
    상기 앙상블 모델을 학습하는 단계 이후에, 상기 복수의 사이트 중 상기 제1 사이트로부터 취합한 상기 디바이스의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 제외한 데이터로서의 앙상블 테스트 데이터를 상기 학습이 완료된 앙상블 모델에 전달하여 산출한 비용함수와 임계치의 비교 결과에 기초하여 상기 학습이 완료된 앙상블 모델을 검증하는 단계를 더 포함하는,
    인공지능 모델 관리 방법.
12. 제 11 항에 있어서,
    상기 비용함수가 임계치를 벗어난 상기 검증의 결과에 기초하여, 상기 학습이 완료된 앙상블 모델을 유지하는 단계를 더 포함하는,
    인공지능 모델 관리 방법.
13. 복수의 사이트에 배치되는 인공지능 모델을 관리하는 장치로서,
    m개의 대표 인공지능 모델과 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 포함하는 앙상블 모델을 구축하는 앙상블 모델 구축부;
    상기 복수의 사이트 중 제1 사이트로부터 취합한 디바이스의 운전 데이터 중 랜덤 샘플링한 사이트 데이터를 상기 앙상블 모델의 입력 데이터로 하고, 상기 앙상블 모델에서 출력되는 앙상블 추정 데이터 및 레이블된 앙상블 타겟 데이터 사이의 오차가 기설정된 값 이하가 되도록 상기 앙상블 모델을 학습하는 앙상블 모델 학습부; 및
    학습이 완료된 상기 앙상블 모델에서 결정된 각각의 대표 인공지능 모델에 적용할 가중치 데이터를 상기 제1 사이트로 배포하는 배포부를 포함하는,
    인공지능 모델 관리 장치.
14. 제 13 항에 있어서,
    상기 m개의 대표 인공지능 모델은 전체 운전 데이터 및 상기 전체 운전 데이터에 대해 레이블된 타겟 데이터를 포함하는 전체 학습 데이터로부터 랜덤 샘플링한 m개의 학습 데이터 세트에 의해 각각 미리 학습된,
    인공지능 모델 관리 장치.
15. 제 13 항에 있어서,
    상기 타겟 데이터는 상기 디바이스의 운전 데이터에 대응하는 동작 상태로서, 고장 상태, 고장 임박 상태 및 정상 상태를 포함하는,
    인공지능 모델 관리 장치.
16. 제 13 항에 있어서,
    상기 m은 상기 복수의 사이트의 수보다 적은 자연수인,
    인공지능 모델 관리 장치.
17. 제 13 항에 있어서,
    상기 m개의 대표 인공지능 모델은 각각 서로 다른 네트워크 구조를 포함하거나, 서로 다른 초기 가중치 데이터가 부여된 인공지능 모델로부터 생성된,
    인공지능 모델 관리 장치.
18. 제 13 항에 있어서,
    상기 앙상블 모델을 구축한 이후에, 상기 복수의 사이트 각각으로부터 취합한 상기 디바이스의 운전 데이터를 일정 범위로 정규화하는 정규화부를 더 포함하는,
    인공지능 모델 관리 장치.
19. 제 18 항에 있어서,
    상기 정규화부는,
    결측치를 포함하는 상기 디바이스의 운전 데이터를, 상기 앙상블 모델의 입력 데이터로부터 제외하도록 필터링 하도록 구성되는,
    인공지능 모델 관리 장치.
20. 제 18 항에 있어서,
    상기 정규화부는,
    지수 가중 이동 평균 필터(exponentially weighted moving average filter) 및 목표 액추에이터 값 도달 유무 확인 방식 중 하나 이상을 이용하여 상기 디바이스의 상기 운전 데이터에 대한 안정 상태를 판단하도록 구성되는,
    인공지능 모델 관리 장치.

Images