KR20210069860A

KR20210069860A - 스마트 장치

Info

Publication number: KR20210069860A
Application number: KR1020190159631A
Authority: KR
Inventors: 심묘섭; 천동기; 성희정
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-04
Filing date: 2019-12-04
Publication date: 2021-06-14
Also published as: US20210174422A1; US11854059B2

Abstract

본 개시는 스마트 장치에 설치된 어플리케이션이 사용자 프로파일을 요청하면, 상기 어플리케이션이 상기 사용자 프로파일을 사용할 권한이 있는지 판단하고, 상기 어플리케이션이 사용 권한이 있으면 상기 사용자 프로파일을 상기 어플리케이션에 대응하는 서버로 전송하는, 스마트 장치를 개시한다.

Description

스마트 장치{SMART APPARATUS}

본 개시는 사용자에게 맞춤형 상품을 추천하기 위한 방법으로, 사용자 프로파일을 생성하고, 생성된 사용자 프로파일과 추천 알고리즘을 기반으로 사용자에게 상품을 추천하기 위한 장치를 개시한다.

추천 알고리즘은 대상자가 좋아할만한 것을 추천하는 알고리즘이다. 대표적으로 사용되는 추천 알고리즘은 협업 필터링(collaborative filtering)이 있다. 협업 필터링은 likely mind로 나와 비슷한 성향을 가진 다른 사용자들이 좋아하는 것을 추천해주는 방식으로 이루어진다.

한편 협업 필터링은 사용자가 조회하지 않은 새로운 상품은 추천할 수 없으며, 기본적으로 인기도에 의한 추천이기 때문에 사용자 개인의 맞춤형 추천이 불가하다는 문제가 존재하였다.

본 개시의 목적은 스마트 장치의 정보를 이용하여 사용자 프로파일을 생성하고, 생성한 사용자 프로파일 및 추천 알고리즘을 이용하여 사용자 개인의 맞춤형 상품을 추천하는 것이다.

본 개시는 스마트 장치에 있어서 서버와 통신하는 통신부를 포함하고, 상기 스마트 장치에 설치된 어플리케이션이 사용자 프로파일을 요청하면, 상기 어플리케이션이 상기 사용자 프로파일을 사용할 권한이 있는지 판단하고, 상기 어플리케이션이 사용 권한이 있으면 상기 사용자 프로파일을 상기 어플리케이션에 대응하는 서버로 전송하는 프로세서를 포함하고, 상기 서버는 수신한 사용자 프로파일 또는 추천 상품 정보에 기초하여 사용자에게 상품을 추천하기 위한 것인, 스마트 장치를 개시한다.

본 개시는 사용자 프로파일 및 추천 알고리즘을 기반으로 사용자 개인의 맞춤형 상품을 추천함으로써 스마트 장치 내의 최소한의 개인정보를 이용하여 사용자 맞춤형 상품을 제공할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버를(200)의 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 개시의 사용자 프로파일 생성 과정을 나타낸다.
도 6은 본 개시의 흐름도이다.
도 7은 본 개시의 일 실시예이다.
도 8은 본 개시의 추천 상품 정보를 생성하는 과정을 설명하기 위한 도면이다.
도 9는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.
도 10는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.
도 11는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.
도 12는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.
도 13는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.
도 14는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.
도 15는 본 개시의 출력 예시이다.
도 16은 본 개시의 출력 예시이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 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.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

도 1과 중복되는 설명은 생략한다.

본 개시에서, 인공 지능 장치(100)는 엣지 디바이스(edge device)를 포함한다.

도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

센싱부(140)는 센서부라고 칭할 수 있다.

출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 어플리케이션을 통한 정보 수신 등이 될 수 있다.

도 5는 본 개시의 사용자 프로파일 생성 과정을 나타낸다.

본 개시의 사용자 프로파일을 설명하기 앞서, 사용자 프로파일을 생성하고 활용하기 위한 지능화 서비스 모델이 구현될 수 있다. 지능화 서비스 모델은 수집엔진, 분류엔진, 서비스 제공자를 포함할 수 있다. 지능화 서비스 모델은 어플리케이션 형태로 설치되어 프로세서(180)를 통해 구현되거나, 사용자의 단말 등과 연결되는 서버 등을 통해 구현될 수 있다.

수집엔진은 사용자가 이용하는 단말 등을 통해 사용자 정보와 관련된 소스 데이터를 수집할 수 있다.

분류엔진은 수집엔진으로부터 획득된 소스 데이터를 클러스터링(clustering) 하여 분류할 수 있다. 이때 클러스터링은 비슷한 개체끼리 그룹화 시키는 것을 의미할 수 있다. 분류엔진은 획득된 소스 데이터를 클러스터링 하여 사용자 프로파일을 생성할 수 있다.

서비스 제공자는 분류엔진에서 생성된 사용자의 프로파일을 이용하여 사용자에게 적합한 서비스를 추천할 수 있다.

이러한 지능화 서비스 모델은 기존의 서비스 제공방식과 달리 사용자의 요청없이도 사용자에게 필요한 서비스를 직접 분석하고, 선택하여 제공할 수 있는 특징이 있다.

본 개시에서 상기 수집엔진 및 분류엔진은 스마트 장치(100)의 프로세서(180)에 포함되거나, 소프트웨어로 구현되어 프로세서(180)가 수집엔진 및 분류엔진의 동작을 수행할 수 있다.

그리고, 인공 지능 장치(100)는 스마트 장치(100)와 혼용되어 사용될 수 있다.

그리고, 상기 서비스 제공자는 본 개시의 스마트 장치(100) 또는 외부 서버를 포함할 수 있다.

이하 도 5에서 사용자 프로파일을 생성하는 과정에 대하여 설명한다.

도 5를 참조하면, 스마트 장치(100)의 프로세서(180)는 사용자가 소유한 스마트 장치(100) 또는 다른 단말에 포함된 소스 데이터를 획득할 수 있다(S510). 이때, 상기 소스 데이터는 사용자가 스마트 장치 또는 다른 단말을 사용함으로써 생성된 데이터를 의미할 수 있다.

예를 들어 소스 데이터는 위치정보, 메시지, 이미지 및 비디오, 캘린더 정보, 통화기록, 메모 또는 앱 사용기록 등을 포함할 수 있다.

본 개시의 프로세서(180)는 상기 소스 데이터를 비슷한 기 설정된 알고리즘을 통하여 소스 데이터를 클러스터링(clustering) 할 수 있다(S520).

상기 클러스터링을 위하여 본 개시의 프로세서(180)는 사용자에게 제공할 서비스와 관련된 카테고리를 갖는 데이터의 집합을 생성할 수 있다. 또는 외부 업체에서 운영하는 서버로부터 클러스터링을 위한 데이터 집합을 수신할 수 있다. 분류엔진은 획득된 소스 데이터를 클러스터링 하여 사용자 프로파일을 생성할 수 있다.

본 개시에 따른 프로세서(180)는 사용자 프로파일을 생성할 수 있다(S530). 상기 사용자 프로파일은 사용자가 사용하는 스마트 장치 또는 다른 단말을 기반으로 추출된 정보이며, 사용자의 개인 정보를 포함할 수 있다.

생성된 사용자 프로파일은 자녀 유무, 결혼 여부, 반려동물 유무, 주 교통수단, 직장 여부 등을 포함할 수 있다.

본 개시에 따르면, 사용자 프로파일의 생성 방법으로, 프로세서(180)는 상기 프로세서(180)는 소스 데이터를 인공신경망 모델에 입력하고, 상기 인공신경망 모델의 결과값인 상기 사용자의 프로파일을 생성하고, 상기 소스 데이터는 상기 스마트 장치에 설치된 어플리케이션 정보, 메시지 정보 또는 연락처 정보를 포함할 수 있다.

본 개시에 따른 프로세서(180)는 사용자 프로파일을 요청하는 외부 서버에 전송할 수 있다. 여기서 외부 서버는 서비스 제공자를 의미할 수 있으며, 사용자의 프로파일에 기초하여 사용자에게 적합한 서비스를 제공할 수 있다(S540). 또한 본 개시에 따른 프로세서(180)는 사용자 프로파일을 기반으로 사용자 맞춤형 서비스를 제공할 수 있다.

이하 도 6에서 사용자 맞춤형 상품 추천을 위한 과정을 설명한다.

도 6은 본 개시의 흐름도이다.

도 6은, 본 개시의 스마트 장치(100)의 사용자 프로파일 구현을 설명하기 위한 도면이다. 도 6의 흐름도는 상기 지능화 서비스 모델에서 구현될 수 있다.

도 6을 참조하면, 스마트 장치(100)의 프로세서(180)는 사용자의 스마트 장치(100) 또는 다른 단말에 포함된 소스 데이터를 획득할 수 있다(S610). 그리고 스마트 장치(100)의 프로세서(180)는 사용자 프로파일을 생성하기 위한 클러스터를 생성하고(S620), 클러스터링 결과에 기초하여 사용자 프로파일을 생성할 수 있다(S630) 상기 S610 내지 S630 과정은 도 5의 과정과 대응될 수 있다.

본 개시에 따른 스마트 장치(100)의 프로세서(180)는 사용자 프로파일을 생성하고, 스마트 장치(100)의 사용자에게 추천할 상품 정보를 생성할 수 있다(S640).

구체적으로 추천할 상품 정보는 추천 알고리즘(Recommendation Algorithm) 및 상기 사용자 프로파일을 기반으로 생성된 상품 정보를 포함할 수 있다. 이때 추천 알고리즘은 사용자의 행위 데이터를 분석하여 맞춤형 추천을 제공하는 (1)User-Based Collaborative Filtering(UBCF)에 의하여 구현될 수 있다. 상기 UBCF는 사용자간의 유사도를 계산하여 다른 사용자가 구매한 상품 이력에 포함된 상품을 추천해주는 방식을 포함할 수 있다. 사용자간의 유사도는 사용자 평가 데이터가 존재할 때 행렬을 구성하여 계산할 수 있다. 또한 추천 알고리즘은 상품간의 유사도를 측정하여 사용자가 상품을 조회하였을 때 유사 상품을 보여주는 (2)Item-based Collaborative Filtering(IBCF)에 의하여 구현될 수 있다. 그리고, (3)Content-based Filtering 또한 추천 알고리즘에 포함될 수 있다.

본 개시에 따른 스마트 장치(100)의 통신부(110)는 외부 서버와 통신하여 상기 외부 서버가 사용자 프로파일을 요구하는 경우, 사용자 프로파일을 외부 서버에 전송할 수 있다. 또한, 스마트 장치(100)에 설치된 어플리케이션이 사용자 프로파일을 요청하면, 프로세서(180)는 상기 어플리케이션이 상기 사용자 프로파일에 접근할 권한이 있는지 확인할 수 있다(S650).

프로세서(180)는 어플리케이션이 사용자 프로파일에 접근할 권한이 있는 경우, 상기 사용자 프로파일을 상기 어플리케이션에 대응하는 서버로 전송할 수 있다(S660). 그리고, 사용자 프로파일을 수신한 외부 서버는 수신한 사용자 프로파일을 기초로 상품 추천 정보를 스마트 장치(100)로 전송할 수 있다.

또 다른 예시로 본 개시에 따른 스마트 장치(100)의 통신부(110)는 외부 서버와 통신하여 스마트 장치(100) 내부에서 사용자 프로파일 및 추천 알고리즘을 기반으로 생성한 추천 상품 정보를 상기 외부 서버로 전송할 수 있다(S660).

이하 S650의 어플리케이션이 상기 사용자 프로파일에 접근 권한이 있는지 판단하는 과정에 대하여 도 7에서 설명한다.

도 7은 본 개시의 일 실시예이다.

도 7을 참조하면, 상기 스마트 장치(100)에 설치된 어플리케이션이 사용자 프로파일을 요청하면, 프로세서(180)는 상기 어플리케이션이 상기 사용자 프로파일을 사용할 권한이 있는지 판단하고, 상기 어플리케이션이 사용 권한이 있으면 상기 사용자 프로파일을 상기 어플리케이션에 대응하는 서버로 전송할 수 있다. 이때 상기 서버는 수신한 사용자 프로파일 또는 추천 상품 정보에 기초하여 사용자에게 상품을 추천하기 위한 것일 수 있다.

또한, 상기 스마트 장치(100)에는 복수의 어플리케이션이 설치되고, 상기 사용자 프로파일을 사용할 권한은 상기 복수의 어플리케이션 각각에 다르게 부여될 수 있다.

예를 들어, 도 7을 참고하면, 어플리케이션 A와 어플리케이션 B가 있다고 가정하자. 스마트 장치(100)는 사용자 개인 맞춤형 지능화 서비스를 제공하기 위하여 사용자 프로파일을 생성할 수 있다. 또한 생성한 사용자 프로파일을 메모리(170)에 저장할 수 있다.

프로세서(180)는 생성한 사용자 프로파일을 메모리(170)에 저장하고, 이후의 어플리케이션 설치 또는 사용자의 스마트 장치(100) 사용에 따라 사용자 프로파일을 갱신할 수 있다(S710).

어플리케이션 A는 사용자 프로파일을 사용할 권한이 부여되지 않은 어플리케이션이고, 어플리케이션 B는 사용자 프로파일을 사용할 권한이 부여된 어플리케이션이라고 하자.

어플리케이션 A 및 B에 대응되는 서버는 사용자 프로파일 정보를 이용하여 추천 상품을 제공하기 위하여 스마트 장치(100)의 API를 호출할 수 있다(S720). 스마트 장치(100)에 설치된 어플리케이션이 사용자 프로파일을 요청하면, 프로세서(180)는 상기 어플리케이션이 사용자 프로파일을 사용할 권한이 있는지 판단할 수 있다. 예를 들어, 어플리케이션 A는 사용자 프로파일을 사용할 권한이 없고, 어플리케이션 B는 사용자 프로파일을 사용할 권한이 있음을 판단할 수 있다(S730).

즉, 프로세서(180)는 어플리케이션 A 및 어플리케이션 B에 대하여 사용자 프로파일을 사용할 수 있는 권한을 다르게 부여하여, 권한이 부여된 어플리케이션에만 정보를 제공할 수 있다(S740).

본 개시에 따르면, 상기 사용자 프로파일은 자녀 유무, 결혼 여부, 반려 동물 유무, 차량 유무 및 직장 여부 중 적어도 하나 이상의 정보를 포함할 수 있다. 그리고 상기 프로세서(180)는 상기 사용자 프로파일에 포함된 정보 중 상기 복수의 어플리케이션 각각에 제공할 정보를 선별하여, 선별된 정보를 상기 복수의 어플리케이션 각각에 제공할 수 있다.

이때, 상기 선별된 정보는 상기 복수의 어플리케이션 각각에 포함된 정보에 기초하여 상기 각 어플리케이션 마다 개별적으로 결정될 수 있다.

상기 복수의 어플리케이션 각각에 포함된 정보는 상기 어플리케이션의 기능, 용도 및 카테고리를 포함할 수 있다.

예를 들어, 제1 어플리케이션은 집안 가구 쇼핑을 위한 어플리케이션이고, 제2 어플리케이션은 차량 용품을 구매하는 어플리케이션이라고 가정하자.

프로세서(180)는 제1 어플리케이션 및 제2 어플리케이션이 사용자 프로파일을 사용할 권한이 있는지 판단할 수 있다.

만약 제1 어플리케이션 및 제2 어플리케이션이 사용자 프로파일을 사용할 권한이 있으면, 프로세서(180)는 제1 어플리케이션에 포함된 기능, 용도 및 카테고리 정보를 획득할 수 있다.

프로세서(180)는 획득된 정보에 따라 사용자 프로파일 내에서, 제1 어플리케이션에 제공할 프로파일 정보를 선별할 수 있다.

예를 들어 프로세서(180)가 제1 어플리케이션에서 획득된 집안 가구 쇼핑을 위한 정보를 획득하면, 사용자 프로파일 내에 포함된 복수의 정보 중 자녀 유무, 결혼 여부, 연령대 및 성별과 같이 가구를 선택하기 위한 정보들을 선별하여 제1 어플리케이션에 대응하는 서버로 전송할 수 있다.

프로세서(180)는 제2 어플리케이션의 경우 차량 용품을 선택하기 위한 정보인, 차량의 종류, 주 교통수단, 성별 또는 연령대와 같은 정보들을 선별하여 제2 어플리케이션에 대응하는 서버로 전송할 수 있다.

이와 같이 프로세서(180)는 사용자 프로파일에 포함된 정보 중 복수의 어플리케이션 각각에 제공할 정보를 선별하여, 선별된 정보를 어플리케이션 각각에 제공할 수 있다.

본 개시의 실시예에 따르면, 상기 프로세서(180)는 상기 사용자 프로파일을 사용할 권한이 있는 어플리케이션을 추출하고, 상기 어플리케이션 및 상기 어플리케이션에 대응하는 상기 선별된 정보가 포함된 목록을 생성하고, 상기 메모리(170)에 생성된 목록을 저장할 수 있다.

구체적으로 프로세서(180)는 복수의 어플리케이션 각각에 대응하는 사용자 프로파일 리스트를 생성할 수 있다. 프로세서(180)는 스마트 장치(100) 에 설치된 복수의 어플리케이션마다 제공할 사용자 프로파일을 선별하고, 어플리케이션에 대응하는 리스트를 생성함으로써, 최소한의 개인 정보를 제공할 수 있으며 제공된 정보를 효율적으로 관리할 수 있다

각각의 어플리케이션에 대응하는 서버는, 수신한 사용자 프로파일에 기초하여 사용자에게 추천할 상품 정보를 전송할 수 있을 것이다.

또 다른 예시로, 스마트 장치(100)가 복수의 어플리케이션에 대응하는 서버와 통신하는 경우를 가정하자.

스마트 장치(100)는 상기 통신부(110)는 제1서버 및 제2 서버와 통신할 수 있다. 스마트 장치(100)의 프로세서(180)는 제1 어플리케이션을 통하여 구매된 상품 구매 이력 정보를 수신하고, 상기 사용자 프로파일을 기반으로 상기 상품 구매 이력 정보 내 포함되는 복수의 상품 중 추천할 상품을 결정하고, 상기 제2 어플리케이션에 대응하는 제2 서버에 상기 추천할 상품에 대한 정보를 전송할 수 있다. 이때, 상기 추천할 상품은 제2 어플리케이션을 통하여 구매된 제2 상품 구매 이력 정보에 포함되지 않는 상품일 수 있다.

예를 들어, 스마트 장치(100)에 설치된 제1 어플리케이션에서 의류 구매하고, 제2 어플리케이션에서 의류를 구매하지 않았다고 가정하자.

프로세서(180)는 제1 어플리케이션을 통하여 구매된 의류 구매 이력 정보를 수신할 수 있다. 프로세서(180)는 구매 이력에 포함된 의류 브랜드, 소재, 수치 정보를 분석할 수 있다. 그리고 프로세서(180)는 사용자 프로파일을 반영하여 의류 구매 이력에 포함된 복수의 상품 중 추천할 상품을 결정할 수 있다. 스마트 장치(100)의 통신부(110)는 제2 어플리케이션에 대응하는 제2 서버에 추천할 의류 정보를 전송할 수 있다. 이때, 제2 어플리케이션의 구매 이력에는 의류에 관한 정보는 포함되지 않는다.

이후, 스마트 장치(100)의 통신부(110)는 제2 어플리케이션에 대응하는 제2 서버로부터 의류에 대한 구매 이력이 없더라도, 사용자 프로파일에 기초한 추천 상품 정보를 수신할 수 있다.

위와 같이, 스마트 장치(100)에 복수의 어플리케이션이 설치되어 있고, 상기 어플리케이션마다 사용자 프로파일 내의 선별된 정보가 제공되는 점을 이용하여, 각 어플리케이션마다 다른 구매 이력을 보유하거나 제공되는 사용자 프로파일 정보가 다르더라도 사용자 프로파일이 반영된 추천 상품 정보를 외부 서버로부터 수신할 수 있다. 또는 스마트 장치(100)의 프로세서(180)가 생성할 수 있다.

도 8은 본 개시의 추천 상품 정보를 생성하는 과정을 설명하기 위한 도면이다.

도 8의 과정은 사용자 프로파일을 수신한 외부 서버에서 수행될 수 있으며, 외부 서버에서 수행되는 경우 스마트 장치(100)가 수신하는 추천할 상품 정보는 도 8의 과정을 통하여 생성된 것일 수 있다.

또한 도 8의 과정은 사용자 프로파일을 이용하여 스마트 장치(100)의 프로세서(180)가 수행할 수도 있다.

도 8을 참조하면, 스마트 장치(100)의 프로세서(180)는 스마트 장치(100)에서 수집된 소스 데이터를 이용하여 사용자 프로파일을 생성하고, 생성된 사용자 프로파일에 기초하여 추천할 상품 정보를 생성할 수 있다.

본 개시에 따르면 기존의 상품 추천 서비스(810)은 추천 알고리즘을 의미하는 것일 수 있다.

지능화 상품 추천 서비스를 제공하기 위하여 프로세서(180)는 개인 데이터를 기반으로 사용자 프로파일을 생성할 수 있다(821). 그리고, 프로세서(180)는 스마트 장치(100)에 설치된 어플리케이션 또는 검색 이력, 쇼핑정보 와 같은 사용자 활동 정보를 수집하여 사용자가 관심있어 하는 상품 후보군을 생성할 수 있다

프로세서(180)는 생성된 상품 후보군을 사용자 프로파일에 기초하여 추천할 상품 후보들을 분류할 수 있다(822). 프로세서(180)는 상품 후보들을 분류한 후, 사용자 프로파일과 상품 구매 이력 정보 등을 통하여 프로파일과 상품 데이터 기반으로 추천할 상품을 선정할 수 있다.

프로세서(180)는 기존의 추천 알고리즘(810)에서 추천된 상품들과 사용자 프로파일을 기반으로 선정된 추천할 상품들 중 적절하다고 판단되는 소비자 맞춤 상품을 추천할 상품으로 결정할 수 있다.

프로세서(180)는 추천 알고리즘 및 상기 사용자 프로파일을 기반으로 추천 상품 정보를 생성하고, 생성된 추천 상품 정보를 어플리케이션을 통하여 제공하거나, 외부 서버 또는 어플리케이션에 대응하는 외부 서버로 전송할 수 있다.

본 개시에 사용자 프로파일에 대하여 예시를 들었으나, 상기 예시들에 한정된 것은 아니며, 스마트 장치(100)로부터 획득될 수 있는 사용자 개인 정보로 생성된 다양한 사용자 프로파일이 포함될 수 있다.

이하 도 9 내지 도 14는 사용자 프로파일 내의 정보를 획득하는 예시를 나타낸다.

도 9는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.

도 9를 참조하면, 사용자 프로파일에 포함된 정보 중 자녀 유무를 판단하는 방법을 나타낸 것이다.

스마트 장치(100)의 프로세서(180)는 사용자의 자녀 유무를 판단하기 위한 소스 데이터를 수집할 수 있다. 이때 소스 데이터는 상기 스마트 장치(100)에 설치된 어플리케이션의 사용 기록 및 설치된 어플리케이션의 사용시간을 포함할 수 있다. 프로세서(180)는 상기 어플리케이션의 사용 기록 및 사용시간 정보를 획득할 수 있다(S910,S920). 이때, 어플리케이션 정보는 사용자가 구매 또는 설치한 어플리케이션 내역에 대한 정보를 포함할 수 있으며, 외부 서버로부터 제공된 정보를 포함할 수 있다.

프로세서(180)는 자녀 유무를 판단하기 위한 클러스터링 정보로써 자녀와 관련된 키워드 정보를 수집할 수 있다(S930). 상기 키워드 정보는 외부 서버로부터 제공받을 수 있으며, 프로세서(180)가 자녀와 관련된 키워드 정보를 내부적으로 생성할 수도 있다.

프로세서(180)는 설치된 어플리케이션의 이름 및 카테고리를 분석하여 자녀와 관련된 키워드가 발견된 경우 사용자 프로파일의 자녀 유무에 '자녀 있음'로 갱신할 수 있다.

예를 들어, 상기 어플리케이션의 이름에 "키즈" 와 같은 단어가 포함된 경우, 프로세서(180)는 사용자가 자녀가 있다고 판단할 수 있다.

또한, 프로세서(180)는 어플리케이션의 사용 시간을 분석하여, 자녀 유무를 판단하기 위한 스코어를 도출할 수 있다.

또한, 프로세서(180)는 자녀와 관련된 키워드들을 조합하여, 사용자의 스마트 장치(100)에 포함된 메시지, 연락처 또는 텍스트 정보에 자녀와 관련된 키워드들이 포함되는지 여부를 판단하여 자녀 유무를 판단할 수 있다.

본 개시의 실시예로, 사용자 프로파일의 자녀유무를 판단하기 위하여 프로세서(180)는 획득된 소스 데이터를 인공신경망 모델에 입력하고, 상기 인공신경망 모델이 출력한 자녀 유무를 사용자 프로파일에 갱신할 수 있다. 이때, 자녀 유무를 판단하기 위한 소스 데이터는 상기 스마트 장치에 설치된 어플리케이션 정보, 메시지 정보 또는 연락처 정보를 포함할 수 있다.

도 10는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.

도 10을 참조하면, 사용자 프로파일에 포함된 정보 중 결혼 유무를 판단하는 과정이다.

결혼 유무를 판단하기 위하여 프로세서(180)는 소스 데이터를 획득할 수 있다(S1010). 프로세서는 도 9에서 판단한 자녀 유무를 먼저 판단할 수 있다(S1020). 프로세서(180)는 자녀가 없다고 판단되면, 사용자의 스마트 장치의 연락처 정보에서 결혼 관련 키워드를 추출하고, 결혼 관련 키워드가 포함되어 있는지를 판단할 수 있다(S1030).

프로세서(180)는 결혼 관련 키워드를 갖는 연락처가 존재하지 않는 다면, 당해 사용자는 미혼 남자 또는 미혼 여자로 판단될 수 있다.

프로세서(180)는 자녀가 있다고 판단되는 경우, 사용자의 성별을 파악하기 위하여, 사용자의 스마트 장치(100)의 연락처 정보에서 남자 결혼 관련 키워드를 추출하고, 남자 결혼 관련 키워드가 포함되어 있는지를 판단할 수 있다(S1040).

프로세서(180)는 남자 결혼 관련 키워드가 존재하는 경우, 당해 사용자는 기혼 남자로 판단될 수 있고, 남자에 관한 결혼 관련 키워드가 존재하지 않는다면, 당해 사용자는 기혼 여자로 판단할 수 있다.

또한 사용자의 스마트 장치(100) 의 사용 이력에 따라 소스 데이터가 변경되면, 프로세서(180)는 변경된 소스 데이터를 분석하여 사용자 프로파일을 갱신할 수 있다.

도 11는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.

도 11은 사용자 프로파일에 포함된 정보 중 애완 동물 유무를 판단하기 위한 과정을 나타낸다.

스마트 장치(100)의 프로세서(180)는 애완 동물 유무를 판단하기 위한 소스 데이터를 획득할 수 있다(S1110). 이때 애완 동물 유무를 판단하기 위한 소스 데이터는 스마트 장치(100)에 저장되어 있는 이미지 또는 동영상을 포함할 수 있다.

프로세서(180)는 스마트 장치(100)의 갤러리에 저장된 이미지 또는 동영상 정보를 획득하고, 상기 이미지 또는 동영상 정보 내의 tag정보를 이용하여 반려 동물이 포함된 이미지 또는 동영상을 선별할 수 있다.

프로세서(180)는 반려 동물이 포함된 이미지 또는 동영상의 tag 정보에 포함된 이미지 생성 시간정보, 위치 정보, 동물 정보를 획득할 수 있다. 그리고, 프로세서(180)는 이미지 또는 동영상이 사용자의 스마트 장치에서 촬영된 것인지 판단할 수 있다(S1120). 만일, 사용자가 소유한 스마트 장치 또는 그외 단말 등을 이용하여 생성된 경우, 프로세서(180)는 해당 이미지 또는 동영상의 위치 정보를 이용하여 이미지 또는 동영상이 사용자의 주거 지역 주변에서 생성되었는지 여부를 판단할 수 있다(S1130).

예를 들어, 프로세서(180)는 사용자의 주거 지역 주변 반경 500m 이내에서 생성되었다면, 해당 이미지 또는 동영상은 사용자의 집에서 생성된 것으로 판단할 수 있다.

프로세서(180)는 상기 조건들을 모두 만족하는 데이터의 개수가 일정개수 이상인 경우, 사용자에게 애완동물이 있다고 판단할 수 있다(S1140).

도 12는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.

도 12는 사용자 프로파일에 포함된 정보 중 직장 유무를 판단하기 위한 과정을 나타낸다.

프로세서(180)는 직장 유무를 판단하기 위한 소스 데이터를 획득할 수 있다(S1210). 상기 소스 데이터는 사용자의 신분을 추정할 수 있는 키워드가 포함된 연락처, 메시지와 같은 텍스트 정보를 포함할 수 있다.

프로세서(180)는 소스 데이터에 급여 관련 단어가 포함되었는지 판단할 수 있다(S1220). 프로세서(180)는 급여 관련 단어가 포함되고, 스마트 장치(100)에 설치된 어플리케이션 정보를 획득하여, 획득한 정보가 직장인 사용 어플리케이션인지 판단할 수 있다(S1230).

프로세서(180)는 직장인 사용 어플리케이션으로 판단되면 직장인으로 사용자를 분류할 수 있다.

프로세서(180)는 소스 데이터에 급여 관련 단어가 포함되어 있지 않은 경우 직장인 사용어플리케이션의 설치 및 사용 유무를 판단하여(S1240), 상기 어플리케이션을 사용하는 경우 대학생으로 분류할 수 있다. 예를 들어 프로세서(180)는 급여관련 단어들이 소스 데이터에서 나타나진 않지만, 취업 준비생 또는 진로에 관련된 어플리케이션을 설치한 사용자를 대학생으로 분류할 수 있다.

프로세서(180)는 직장인 또는 대학생에 포함되지 않는 경우를 프리랜서로 분류할 수 있다.

도 13는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.

도 13은 사용자 프로파일에 포함된 정보 중 차량 유무를 판단하기 위한 과정을 나타낸 것이다.

프로세서(180)는 차량 유무를 판단하기 위하여 소스 데이터를 획득할 수 있다(S1310).

이때 차량 유무를 판단하기 위한 소스 데이터는 사용자의 Bluetooth 사용과 관련된 데이터 베이스를 포함할 수 있다.

프로세서는(180)는 블루투스의 사용 데이터 베이스에 포함된 정보인 일정기간 이내에 연결된 블루투스 이용기록을 획득할 수 있다.

프로세서(180)는 생성된 데이터 베이스에 포함된 블루투스가 연결된 디바이스의 type이 Car audio 인 데이터가 있는지를 판단한다(S1320). 만일, 위 조건을 만족하는 데이터가 없는 경우, 당해 사용자가 가장 많이 이용하는 교통수단은 대중교통으로 판단될 수 있다.

만약, 블루투스를 이용하여 연결된 디바이스의 type이 Car audio 인 데이터가 있는 경우, 프로세서(180)는 사용자가 출퇴근을 위해 걷는 시간이 일정시간 이상 소요되는지 판단할 수 있다(S1330).

프로세서(180)는 사용자가 출퇴근을 위해 걷는 시간이 일정시간 이상 소요된다면, 사용자는 자동차를 소유한 대중교통 이용자로 판단할 수 있다. 만일, 일정시간 이상 소요되지 않는 다면, 자동차를 소유한 자동차 이용자로 판단할 수 있다. 이때, 출퇴근을 위해 걷는 시간은 사용자의 입력, 헬스 관련 어플리케이션 또는 소스 데이터들을 이용한 AI 기술을 통해 획득될 수 있다.

도 14는 본 개시의 사용자 프로파일을 획득하는 예시를 나타낸다.

도 14는 사용자 프로파일에 포함된 정보 중 자주 이용하는 브랜드 또는 마트에 관련된 정보를 나타낸 것이다.

프로세서(180)는 관심 쇼핑 장소를 판단하기 위해 스마트 장치(100)에 포함된 소스 데이터를 획득할 수 있다(S1410). 획득된 소스 데이터는 쇼핑과 관련된 키워드가 포함된 텍스트 정보를 포함할 수 있다. 프로세서(180)는 소스 데이터에 포함된 텍스트 데이터 중 결제 기록을 분류하고, 상기 결제 기록에서 결제 장소를 추출할 수 있다(S1420). 프로세서(180)는 획득한 결제 장소가 동일한 이름의 장소로서 일정개수 이상인지 여부를 판단할 수 있다(S1430).

예를 들어, 동일한 이름의 장소가 5 개를 초과하는 경우, 상기 이름의 마트 종류 또는 브랜드가 사용자가 주로 이용하는 마트의 종류 또는 브랜드로 판단될 수 있다.

본 개시에 따르면, 사용자 프로파일은 상기의 기재된 예시에 한정되지 않고 사용자 개인 정보를 기반으로 다양하게 생성될 수 있다.

도 15 및 16은 본 개시의 출력 예시이다.

도 15 및 도 16은 스마트 장치(100)의 출력부(150)에서 추천할 상품 정보가 출력되는 예시를 나타낸다.

기본적으로 상기 프로세서(180)는 상기 외부 서버로부터, 상기 사용자 프로파일 및 추천 알고리즘을 이용하여 추천된 상품에 대한 정보를 수신하고, 출력부(150)는 상기 추천된 상품에 대한 정보를 출력할 수 있다.

그리고, 프로세서(180)가 스마트 장치(100)에 설치된 어플리케이션의 정보에 따라 개별적으로 사용자 프로파일을 제공한 경우에, 상기 프로세서(180)는 복수의 어플리케이션에 각각에 대응하는 서버로부터 추천된 상품 정보를 수신하고, 출력부(150)는 외부 서버로부터 전송 받은 추천 상품 정보를 출력할 수 있다.

이때 추천된 상품 정보는, 각각의 외부 서버에 따라 선별된 사용자 프로파일이 제공되어 상기 선별된 사용자 프로파일에 기초하여 결정된 것일 수 있다.

본 개시의 스마트 장치(100)는 위와 같이 복수의 어플리케이션의 정보를 획득하여, 각각의 어플리케이션마다 다른 사용자 프로파일을 제공함으로써, 불필요한 개인 정보의 유출을 막을 수 있다. 그리고 선별된 사용자 프로파일이 제공된 목록을 생성하여 관리함으로써 향상된 개인 정보 관리를 이룰 수 있다.

또 다른 예시로, 스마트 장치(100)는 상기 서버로부터 추천 상품의 후보군을 수신하고, 프로세서(180)는 추천 알고리즘(Recommendation Algorithm) 및 상기 사용자 프로파일을 기반으로 상기 추천 상품 정보를 생성하여, 생성된 추천 상품 정보를 상기 외부 서버로 전송할 수 있다. 이후, 출력부(150)는 외부 서버로부터 전송 받은 추천 상품 정보를 출력할 수 있다.

위와 같은 경우, 사용자 프로파일의 외부 서버로의 유출은 이루어지지 않고, 스마트 장치(100)의 통신부(110)를 통하여 추천 상품의 후보군을 수신하고, 스마트 장치(100)의 프로세서(180)가 추천 알고리즘 및 사용자 프로파일을 기반으로 상기 후보군 중 사용자 맞춤형 상품을 선별하고 선별된 상품 정보를 외부 서버로 송신할 수 있다. 따라서 외부 서버는 사용자 프로파일이 반영된 추천 상품 정보를 획득할 수 있을 것이고, 스마트 장치는 새로이 추천할 상품 정보를 수신할 수 있다. 출력부(150)는 상기 추천된 상품에 대한 정보를 출력할 수 있다.

도 15을 참조하면, 스마트 장치(100)에 설치된 어플리케이션에 사용자 프로파일을 이용할 권한이 있는 경우, 어플리케이션의 정보에 따라 선별된 사용자 프로파일 정보가 상단에 표시될 수 있다(1510).

예를 들어, 도 15에 나타난 어플리케이션에 제공된 사용자 프로파일은 직장 유무, 자녀 유무, 애완동물 유무 및 차량 유무이며, 스마트 장치의 사용자는 직장인이나, 자녀 없음, 반려동물 없음 및 차량 없음 과 같은 사용자 프로파일을 가진다.

상기 1510의 사용자 프로파일은 스마트 장치(100)의 입력부(120)를 통하여 사용자의 터치 입력 등을 통하여 다르게 설정 될 수 있으며, 이는 사용자 프로파일 정보가 정확하게 생성되지 않은 경우 또는 다른 사용자가 스마트 장치(100)를 이용하는 경우에 활용될 수 있을 것이다.

출력부(150)는 추천 알고리즘 및 상기 선별된 사용자 프로파일을 기반으로 추천 상품이 분석된 결과를 출력할 수 있다(1520).

도 16을 참조하면, 사용자 프로파일을 제공하기 전과 후 추천 상품이 달라지는 경우를 나타낸 예시도이다.

스마트 장치(100)는 추천 알고리즘만 사용하는 경우 1610과 같이 구매 내역 중에서 추천할 상품 정보를 생성하여 출력하거나, 1620과 같이 유행하는 상품 전체 리스트 중 추천할 상품 정보를 생성하여 출력하였다.

또는, 추천할 상품 정보를 외부 서버로부터 수신하여 출력하였다.

반면, 사용자 프로파일을 기반으로 생성된 추천할 상품 정보는 1630과 같이 사용자 개인에 맞춘 '나만의 제안'이 출력될 수 있다.

본 개시에 따른 순서도는 인공 지능 장치에 의해 순서에 관계 없이 수행될 수 있으며, 시간적 순서에 구속되지 않는다.

또한, 본 개시는 상기 실시예들에 한정되지 않고 다른 실시예들이 포함될 수 있다.

또한, 본 개시는 소프트웨어, firmware 또는 소프트웨어 나 firmware의 조합으로 구성될 수 있다.

전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다

Claims

스마트 장치에 있어서,
서버와 통신하는 통신부; 및
상기 스마트 장치에 설치된 어플리케이션이 사용자 프로파일을 요청하면, 상기 어플리케이션이 상기 사용자 프로파일을 사용할 권한이 있는지 판단하고, 상기 어플리케이션이 사용 권한이 있으면 상기 사용자 프로파일을 상기 어플리케이션에 대응하는 서버로 전송하는 프로세서를 포함하고,
상기 서버는 수신한 사용자 프로파일 또는 추천 상품 정보에 기초하여 사용자에게 상품을 추천하기 위한 것인,
스마트 장치.
제1항에 있어서
상기 스마트 장치에는 복수의 어플리케이션이 설치되고,
상기 사용자 프로파일을 사용할 권한은 상기 복수의 어플리케이션 각각에 다르게 부여된 것인,
스마트 장치.
제2항에 있어서,
상기 사용자 프로파일은 자녀 유무, 결혼 여부, 반려 동물 유무, 차량 유무 및 직장 여부 중 적어도 하나 이상의 정보를 포함하고,
상기 프로세서는 상기 사용자 프로파일에 포함된 정보 중 상기 복수의 어플리케이션 각각에 제공할 정보를 선별하여, 선별된 정보를 상기 복수의 어플리케이션 각각에 제공하고,
상기 선별된 정보는 상기 복수의 어플리케이션 각각에 포함된 정보에 기초하여 상기 각 어플리케이션 마다 개별적으로 결정되는, 스마트 장치.
제3항에 있어서,
상기 복수의 어플리케이션 각각에 포함된 정보는 상기 어플리케이션의 기능, 용도 및 카테고리를 포함하는,
스마트 장치.
제3항에 있어서
메모리를 더 포함하고,
상기 프로세서는 상기 사용자 프로파일을 사용할 권한이 있는 어플리케이션을 추출하고, 상기 어플리케이션 및 상기 어플리케이션에 대응하는 상기 선별된 정보가 포함된 목록을 생성하고, 상기 메모리에 생성된 목록을 저장하는,
스마트 장치.
제 1항에 있어서
상기 프로세서는
소스 데이터를 인공신경망 모델에 입력하고, 상기 인공신경망 모델의 결과값인 상기 사용자의 프로파일을 생성하고,
상기 소스 데이터는 상기 스마트 장치에 설치된 어플리케이션 정보, 메시지 정보 또는 연락처 정보를 포함하는,
스마트 장치.
제1항에 있어서,
출력부를 더 포함하고,
상기 프로세서는,
상기 서버로부터, 상기 사용자 프로파일 및 추천 알고리즘을 이용하여 추천된 상품에 대한 정보를 수신하고,
상기 출력부는 상기 추천된 상품에 대한 정보를 출력하는
스마트 장치.
제2항에 있어서,
출력부를 더 포함하고,
상기 프로세서는 상기 복수의 어플리케이션에 각각에 대응하는 서버로부터 추천된 상품 정보를 수신하고,
상기 추천된 상품 정보는, 각각의 서버에 따라 선별된 사용자 프로파일이 제공되어 상기 선별된 사용자 프로파일에 기초하여 결정된 것이고,
상기 출력부는 서버로부터 전송 받은 추천 상품 정보를 출력하는, 스마트 장치.
제1항에 있어서
상기 통신부는 제1서버 및 제2 서버와 통신하고,
상기 프로세서는 제1 어플리케이션을 통하여 구매된 상품 구매 이력 정보를 수신하고, 상기 사용자 프로파일을 기반으로 상기 상품 구매 이력 정보 내 포함되는 복수의 상품 중 추천할 상품을 결정하고, 상기 제2 어플리케이션에 대응하는 제2 서버에 상기 추천할 상품에 대한 정보를 전송하는
상기 추천할 상품은 제2 어플리케이션을 통하여 구매된 제2 상품 구매 이력 정보에 포함되지 않는 상품인,
스마트 장치.
제1항에 있어서
상기 서버로부터 추천 상품의 후보군을 수신하고,
상기 프로세서는 추천 알고리즘(Recommendation Algorithm) 및 상기 사용자 프로파일을 기반으로 상기 추천 상품 정보를 생성하여, 생성된 추천 상품 정보를 상기 서버로 전송하는,
스마트 장치.
스마트 장치의 동작 방법에 있어서,
서버와 통신하는 단계;
상기 스마트 장치에 설치된 어플리케이션이 사용자 프로파일을 요청하면, 상기 어플리케이션이 상기 사용자 프로파일을 사용할 권한이 있는지 판단하는 단계; 및 상기 어플리케이션이 사용 권한이 있으면 상기 사용자 프로파일을 상기 어플리케이션에 대응하는 서버로 전송하는 단계를 포함하고,
상기 서버는 수신한 사용자 프로파일 또는 추천 상품 정보에 기초하여 사용자에게 상품을 추천하기 위한 것인,
스마트 장치의 동작 방법.
제 11항에 있어서,
상기 서버와 통신하는 단계는 제1서버 및 제2 서버와 통신하는 단계를 포함하고,
상기 스마트 장치의 동작 방법은,
상기 프로세서는 제1 어플리케이션을 통하여 구매된 상품 구매 이력 정보를 수신하는 단계; 상기 사용자 프로파일을 기반으로 상기 상품 구매 이력 정보 내 포함되는 복수의 상품 중 추천할 상품을 결정하는 단계; 상기 제2 어플리케이션에 대응하는 제2 서버에 상기 추천할 상품에 대한 정보를 전송하는 단계를 더 포함하고, 상기 추천할 상품은 제2 어플리케이션을 통하여 구매된 제2 상품 구매 이력 정보에 포함되지 않는 상품인, 스마트 장치의 동작 방법.