KR20210077482A

KR20210077482A - 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법

Info

Publication number: KR20210077482A
Application number: KR1020190169162A
Authority: KR
Inventors: 한종우
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-17
Filing date: 2019-12-17
Publication date: 2021-06-25
Also published as: US20210182740A1; US11669781B2

Abstract

본 개시의 일 실시 예는 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버에 있어서, 제1 인공 지능 모델을 저장하는 메모리; 복수의 인공 지능 장치와 통신하는 통신부; 및 상기 복수의 인공 지능 장치에 상기 제1 인공 지능 모델을 전송하고, 상기 복수의 인공 지능 장치 중에서 적어도 하나 이상으로부터 상기 제1 인공 지능 모델에 대한 제1 갱신 정보 또는 상기 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델에 대한 제2 갱신 정보를 수신하고, 상기 제1 갱신 정보 및 상기 제2 갱신 정보 중에서 상기 제1 인공 지능 모델의 갱신에 이용할 제3 갱신 정보를 선택하고, 상기 제3 갱신 정보를 이용하여 상기 제1 인공 지능 모델을 갱신하는 프로세서를 포함하는, 인공 지능 서버를 제공한다.

Description

복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법 {ARTIFICIAL INTELLIGENCE SERVER AND METHOD FOR UPDATING ARTIFICIAL INTELLIGENCE MODEL BY MERGING PLURALITY OF UPDATE INFORMATION}

본 개시(disclosure)는 적어도 하나 이상의 인공 지능 장치로부터 수신한 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법에 관한 것이다.

최근 사용자의 사용 로그를 반영하여 인공 지능 모델을 지속적으로 갱신하는 인공 지능 진화 기술이 많이 채택되고 있다. 실제 사용자의 사용 로그에 기초하여 인공 지능 모델을 갱신하게 될 경우, 실제 사용자의 사용 태양에 적합한 학습 데이터를 획득할 수 있으므로, 보다 현실적이고 활용도 높은 인공 지능 모델을 구성할 수 있는 장점이 있다.

그러나, 인공 지능 장치가 사용자의 사용 로그를 그대로 인공 지능 서버에 전송하게 될 경우, 많은 네트워크 트래픽이 발생하며, 사용자의 프라이버시가 침해되는 문제가 발생하는 문제점이 있다.

본 개시는 복수의 인공 지능 장치로부터 수신한 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법을 제공하고자 한다.

또한, 본 개시는 수신한 복수의 갱신 정보가 비동기적(asynchronous) 갱신 정보라고 하더라도 수신한 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법을 제공하고자 한다.

본 개시의 일 실시 예는, 복수의 인공 지능 장치에 제1 인공 지능 모델을 전송하고, 적어도 하나 이상의 인공 지능 장치로부터 제1 인공 지능 모델에 대한 제1 갱신 정보 또는 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델에 대한 제2 갱신 정보를 수신하고, 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 제1 인공 지능 모델의 갱신에 이용할 제3 갱신 정보를 선택하고, 선택한 제3 갱신 정보를 이용하여 제1 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 아웃라이어를 결정하고, 결정한 아웃라이어를 제외한 갱신 정보를 제3 갱신 정보로 선택하는 인공 지능 서버 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 수신한 각 갱신 정보에 대하여 국부 밀도 점수, 로컬 아웃라이어 팩터(LOF: Local Outlier Factor) 또는 평균으로부터의 거리와 표준편차의 비율을 고려하여 아웃라이어를 결정하는 인공 지능 서버 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 제1 인공 지능 모델에 대한 모델 파라미터 세트에 제3 갱신 정보의 합, 평균 또는 가중합을 더하여 제1 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법을 제공한다.

본 개시의 다양한 실시 예에 따르면, 복수의 인공 지능 장치로부터 인공 지능 모델에 대한 갱신 정보만을 수신함으로써, 적은 네트워크 트래픽만으로 사용자의 프라이버시 문제 없이 수신한 갱신 정보를 이용하여 인공 지능 모델을 갱신할 수 있다.

그리고, 본 개시의 다양한 실시 예에 따르면, 복수의 인공 지능 장치들로부터 수신한 복수의 갱신 정보를 선별하여 인공 지능 모델을 갱신함으로써, 비동기적 갱신에 따른 부작용을 줄이면서 인공 지능 모델을 효과적으로 갱신할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 시스템을 나타낸 도면이다.
도 6은 본 개시의 일 실시 예에 따른 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 방법을 나타낸 동작 흐름도이다.
도 7은 본 개시의 일 실시 예에 따른 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 시스템을 나타낸 도면이다.
도 8은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 동기적 갱신 정보(synchronous update information)를 이용한 인공 지능 모델을 갱신하는 방법을 나타낸 도면이다.
도 9는 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 비동기적 갱신 정보(asynchronous update information)를 이용한 인공 지능 모델을 갱신하는 방법을 나타낸 도면이다.
도 10은 도 6에 도시된 제3 갱신 정보를 선택하는 단계(S605)의 일 예를 나타낸 동작 흐름도이다.
도 11은 본 개시의 일 실시 예에 따른 제3 갱신 정보를 선택하는 방법을 나타낸 도면이다.
도 12는 제1 갱신 정보 또는 제2 갱신 정보로부터 선택된 제3 갱신 정보의 예시를 나타낸 도면이다.
도 13은 도 6에 도시된 제1 인공 지능 모델을 갱신하는 단계(S607)의 일 예를 나타낸 동작 흐름도이다.
도 14는 도 6에 도시된 제1 인공 지능 모델을 갱신하는 단계(S607)의 일 예를 나타낸 동작 흐름도이다.
도 15는 본 개시의 일 실시 예를 나타낸 도면이다.

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 AI 장치(100)를 나타낸 블록도이다.

이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.

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, 인공 지능 장치(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 AI 서버(200)를 나타낸 블록도이다.

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 AI 시스템(1)을 나타낸 도면이다.

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. 예컨대, 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 나타낸 블록도이다.

도 1과 중복되는 설명은 생략한다.

통신부(110)는 통신 모뎀(communication modem) 또는 통신 회로(communication circuit)라고도 칭할 수 있다.

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, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

도 5는 본 개시의 일 실시 예에 따른 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 시스템(1)을 나타낸 도면이다.

도 5를 참조하면, 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 시스템(1)은 복수의 인공 지능 장치(100)와 인공 지능 서버(200)를 포함할 수 있다. 복수의 인공 지능 장치(100)는 유/무선 통신을 통해 인공 지능 서버(200)와 통신할 수 있다.

인공 지능 서버(200)는 인공 지능 모델을 각 인공 지능 장치(100)에 전송하고, 각 인공 지능 장치(100)는 수신한 인공 지능 모델을 이용하여 다양한 동작을 수행할 수 있다.

각 인공 지능 장치(100)는 인공 지능 모델의 사용 기록에 기초하여 학습 데이터를 생성하고, 생성한 학습 데이터를 이용하여 인공 지능 모델을 갱신함으로써, 인공 지능 모델에 대한 갱신 정보를 생성할 수 있다. 그리고, 각 인공 지능 장치(100)는 생성한 학습 데이터를 대신하여, 생성한 갱신 정보를 인공 지능 서버(200)에 전송할 수 있다.

인공 지능 서버(200)는 적어도 하나 이상의 인공 지능 장치(100)로부터 수신한 갱신 정보 중에서 인공 지능 서버(200)에 저장된 인공 지능 모델의 갱신에 적합한 갱신 정보를 선택하고, 선택한 갱신 정보를 이용하여 인공 지능 모델을 갱신할 수 있다. 나아가, 인공 지능 서버(200)는 갱신된 인공 지능 모델을 각 인공 지능 장치(100)에 전송함으로써, 모든 인공 지능 장치(100)가 동일한 인공 지능 모델을 이용하도록 동기화할 수 있다.

이와 같이, 본 개시의 실시 예들은 인공 지능 장치(100)가 인공 지능 서버(200)에 생성된 학습 데이터를 대신하여 인공 지능 모델에 대한 갱신 정보를 전송함으로써, 프라이버시 문제를 발생시키지 않으면서도 네트워크 트래픽을 효과적으로 감소시킬 수 있다는 장점이 있다. 그러나, 각 인공 지능 장치(100)에서 생성하는 갱신 정보가 갱신의 기준점이 상이할 수 있으므로, 인공 지능 서버(200)는 수신하는 갱신 정보 중에서 인공 지능 모델의 갱신에 적합한 갱신 정보를 선택하여 인공 지능 모델을 갱신함으로써, 인공 지능 모델의 갱신의 신뢰성을 유지할 수 있다.

도 6은 본 개시의 일 실시 예에 따른 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 방법을 나타낸 동작 흐름도이다.

도 6을 참조하면, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 복수의 인공 지능 장치(100)에 제1 인공 지능 모델을 전송한다(S601).

인공 지능 서버(200)는 프로세서(260)는 통신부(210)를 통해 복수의 인공 지능 장치(100)에 대하여 동일한 제1 인공 지능 모델을 전송할 수 있다. 제1 인공 지능 모델은 인공 지능 서버(200)의 메모리(230)에 저장되며, 각 인공 지능 장치(100)에 동일하게 전송됨으로써 동기화되는 인공 지능 모델을 의미할 수 있다. 또한, 제1 인공 지능 모델은 인공 지능 서버(200)에서 갱신의 대상이 되는 인공 지능 모델을 의미할 수 있다.

제1 인공 지능 모델 또는 인공 지능 모델은 인공 지능 장치(100)에서 미리 정해진 동작을 수행하는데 이용되는 모델로, 음성 인식 모델, 객체 인식 모델, 컨텐츠 추천 모델 등의 다양한 모델이 포함될 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 복수의 인공 지능 장치(100) 중에서 적어도 일부로부터 제1 인공 지능 모델에 대한 제1 갱신 정보 또는 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델에 대한 제2 갱신 정보를 수신한다(S603).

인공 지능 장치(100)는 인공 지능 서버(200)로부터 수신한 제1 인공 지능 모델을 이용하여 다양한 동작을 수행할 수 있고, 동작 수행 기록에 기초하여 제1 인공 지능 모델의 갱신을 위한 제1 학습 데이터를 생성할 수 있다. 그리고, 인공 지능 장치(100)는 제1 학습 데이터를 이용하여 제1 인공 지능 모델을 갱신하고, 제1 인공 지능 모델에 대한 제1 갱신 정보를 생성할 수 있다. 제1 학습 데이터는 제1 인공 지능 모델에 대한 갱신용 학습 데이터를 의미할 수 있다. 제1 갱신 정보는 제1 인공 지능 모델에 대한 갱신 정보를 의미할 수 있다.

인공 지능 모델에 대한 갱신 정보는 인공 지능 모델을 구성하는 모델 파라미터 세트의 갱신량을 의미할 수 있다. 이하에서, 용어 "모델 파라미터"와 용어 "모델 파라미터 세트"는 혼용될 수 있다.

또한, 인공 지능 장치(100)는 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델을 이용하여 다양한 동작을 수행할 수 있고, 동작 수행 기록에 기초하여 제2 인공 지능 모델의 갱신을 위한 제2 학습 데이터를 생성할 수 있다. 그리고, 인공 지능 장치(100)는 제2 학습 데이터를 이용하여 제2 인공 지능 모델을 갱신하고, 제2 인공 지능 모델에 대한 제2 갱신 정보를 생성할 수 있다. 제2 학습 데이터는 제2 인공 지능 모델에 대한 갱신용 학습 데이터를 의미할 수 있다. 제2 갱신 정보는 제2 인공 지능 모델에 대한 갱신 정보를 의미할 수 있다. 특히, 제2 인공 지능 모델은 인공 지능 장치(100)에서 제1 인공 지능 모델로부터 갱신된 인공 지능 모델을 의미하며, 제1 인공 지능 모델로부터 갱신된 인공 지능 모델뿐만 아니라 제2 인공 지능 모델로부터 갱신된 인공 지능 모델을 여전히 제2 인공 지능 모델이라 칭할 수 있다.

인공 지능 장치(100)는 통신부(110)를 통해 인공 지능 서버(200)에 제1 갱신 정보 또는 제2 갱신 정보를 전송할 수 있다. 그러나, 인공 지능 장치(100)에서 전송되는 갱신 정보에는 갱신 정보가 제1 갱신 정보인지 또는 제2 갱신 정보인지를 식별하는 정보가 포함되지 않을 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 제1 갱신 정보 및 제2 갱신 정보 중에서 제1 인공 지능 모델의 갱신에 이용할 제3 갱신 정보를 선택한다(S605).

제3 갱신 정보는 인공 지능 서버(200)에서 적어도 하나 이상의 인공 지능 장치(100)로부터 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 제1 인공 지능 모델을 갱신하는데 이용하기 위하여 선택된 갱신 정보를 의미할 수 있다. 따라서, 제3 갱신 정보는 제1 인공 지능 모델에 대한 제1 갱신 정보와 제2 인공 지능 모델에 대한 제2 갱신 정보를 포함할 수 있으며, 인공 지능 서버(200)의 메모리(230)에 저장된 제1 인공 지능 모델을 갱신하는데 이용된다.

제1 갱신 정보의 갱신의 기준점(baseline)이 되는 인공 지능 모델은 제1 인공 지능 모델로, 이는 인공 지능 서버(200)의 메모리(230)에 저장된 제1 인공 지능 모델과 동일하다. 따라서, 복수의 인공 지능 장치(100)에서 수신한 제1 갱신 정보는 서로 다른 제1 학습 데이터에 기초하여 생성되더라도 갱신 기준점(update baseline)이 제1 인공 지능 모델로 서로 동일하다. 반면, 제2 갱신 정보는 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델을 갱신하는데 이용하는 갱신 정보이므로, 서로 다른 인공 지능 장치(100)에서 생성된 복수의 제2 갱신 정보뿐만 아니라, 동일한 다른 인공 지능 장치(100)에서 생성된 복수의 제2 갱신 정보는 갱신 기준점이 상이할 수 있다.

그러나, 각 갱신 정보의 갱신 기준점이 서로 다르다고 하더라도, 인공 지능 모델은 서로 유사한 방향으로 갱신되어야 할 것이므로, 갱신 정보는 서로 극단적으로 차이나지 않을 것으로 기대할 수 있다. 따라서, 인공 지능 서버(200)는 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 서로 유사한 제3 갱신 정보들만을 선택할 수 있다. 일 실시 예에서, 프로세서(260)는 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 아웃라이어(outlier)를 추출하고, 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 추출한 아웃라이어를 제외한 갱신 정보를 제3 갱신 정보로 선택할 수 있다.

프로세서(260)는 미리 정해진 기간 동안 제1 갱신 정보 또는 제2 갱신 정보를 수신하고, 수신한 갱신 정보 중에서 제3 갱신 정보를 선택할 수 있다. 예컨대, 프로세서(260)는 24시간 동안 인공 지능 장치(100)로부터 제1 갱신 정보 또는 제2 갱신 정보를 수신하고, 24시간 동안 수신한 제1 갱신 정보 또는 제2 갱신 정보 중에서 제1 인공 지능 모델의 갱신에 이용할 제3 갱신 정보를 선택할 수 있다.

프로세서(260)는 미리 정해진 개수만큼 제1 갱신 정보 또는 제2 갱신 정보를 수신하고, 수신한 갱신 정보 중에서 제3 갱신 정보를 선택할 수 있다. 예컨대, 프로세서(260)는 인공 지능 장치(100)로부터 수신한 갱신 정보가 50개가 될 때까지 제1 갱신 정보 또는 제2 갱신 정보를 수신하고, 수신한 50개의 제1 갱신 정보 또는 제2 갱신 정보 중에서 제1 인공 지능 모델의 갱신에 이용할 제3 갱신 정보를 선택할 수 있다. 하나의 갱신 정보는 하나의 학습 데이터로부터 생성된 갱신 정보를 의미하고, 하나의 학습 데이터는 하나의 사용 기록으로부터 생성된 학습 데이터를 의미할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 제3 갱신 정보를 이용하여 메모리(230)에 저장된 제1 인공 지능 모델을 갱신한다(S607).

프로세서(260)는 직접 또는 러닝 프로세서(240)를 이용하여 제1 인공 지능 모델을 갱신할 수 있다. 인공 지능 장치(100)로부터 수신한 제1 갱신 정보와 제2 갱신 정보는 학습 데이터가 아닌 인공 지능 모델에 대한 모델 파라미터의 갱신량을 포함하므로, 제3 갱신 정보를 이용한 제1 인공 지능 모델의 갱신은 학습 데이터를 이용한 모델 파라미터의 갱신이 아니라 수신한 모델 파라미터 갱신량을 이용한 모델 파라미터의 갱신을 의미한다. 따라서, 제3 갱신 정보를 이용한 제1 인공 지능 모델의 갱신은 학습 데이터를 이용한 인공 지능 모델의 갱신과 비교하여 적은 연산으로도 가능하다.

프로세서(260)는 선택된 제3 갱신 정보의 합, 평균 또는 가중합에 기초하여 제1 인공 지능 모델의 모델 파라미터를 갱신할 수 있다. 구체적으로, 프로세서(260)는 선택된 제3 갱신 정보에 포함된 모델 파라미터의 갱신량의 합, 갱신량의 평균 또는 갱신량의 가중합을 산출하고, 산출된 값을 이용하여 인공 지능 모델의 모델 파라미터를 갱신할 수 있다. 특히, 프로세서(260)는 제3 갱신 정보를 가중합할 때, 제3 갱신 정보의 생성 시점 또는 수신 시점이 늦을수록 (즉, 최근의 갱신 정보일수록) 가중합의 가중치를 높게 설정할 수 있다.

이후, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 갱신된 제1 인공 지능 모델을 각 인공 지능 장치(100)에 전송함으로써 각 인공 지능 장치(100)에 탑재될 인공 지능 모델을 동기화할 수 있다.

본 개시의 실시 예들에 따른 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법은 복수의 인공 지능 장치에서 갱신 정보를 수신하여 인공 지능 모델을 갱신한다는 점에서 연합 학습(federated learning)을 통해 인공 지능 모델을 갱신한다고 볼 수 있다.

도 6에 도시된 단계들(steps)은 반복적으로 수행될 수 있고, 그에 따라 인공 지능 장치(100)는 반복적으로 입력 데이터 및 피드백으로부터 인공 지능 모델의 갱신에 이용할 학습 데이터를 생성할 수 있다.

도 6에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 6에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 6에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 7은 본 개시의 일 실시 예에 따른 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 시스템(1)을 나타낸 도면이다.

도 7을 참조하면, 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 시스템(1)은 제1 인공 지능 장치(710_1) 내지 제n 인공 지능 장치(710_n)와 인공 지능 서버(720)를 포함할 수 있다. 각 인공 지능 장치(710_1 내지 710_n)는 엣지 디바이스(edge device)로써 기능할 수 있다. 인공 지능 서버(720)는 클라우드 서버로 구성될 수 있다.

인공 지능 서버(720)는 각 인공 지능 장치(710_1 내지 710_n)에 동일한 인공 지능 모델 A(721)를 전송할 수 있다. 인공 지능 모델 A(721)은 인공 지능 서버(720)에서 갱신의 대상이 되는 인공 지능 모델로, 상술한 제1 인공 지능 모델에 속한다.

제1 인공 지능 장치(710_1)는 수신한 인공 지능 모델 A(721)을 이용한 사용 로그에 기초하여 인공 지능 모델 A(721)를 인공 지능 모델 A1(711)로 갱신하고, 갱신 정보 U1(712)을 생성할 수 있다. 그리고, 제1 인공 지능 장치(710_1)는 생성한 갱신 정보 U1(712)을 인공 지능 서버(720)에 전송할 수 있다. 인공 지능 모델 A1(711)은 인공 지능 모델 A(721)로부터 갱신된 인공 지능 모델로, 상술한 제2 인공 지능 모델에 속한다. 갱신 정보 U1(712)은 인공 지능 모델 A1(711)의 모델 파라미터 세트와 인공 지능 모델 A(721)의 모델 파라미터 세트의 차이이며, A1-A로 표현될 수 있다.

제n 인공 지능 장치(710_n)는 수신한 인공 지능 모델 A(721)을 이용한 사용 로그에 기초하여 인공 지능 모델 A(721)를 인공 지능 모델 A2(713)로 갱신하고, 갱신 정보 U2(714)를 생성할 수 있다. 또한, 제n 인공 지능 장치(710_n)는 갱신한 인공 지능 모델 A2(713)을 이용한 사용 로그에 기초하여 인공 지능 모델 A2(713)을 인공 지능 모델 A3(715)으로 갱신하고, 갱신 정보 U3(716)을 생성할 수 있다. 그리고, n2 인공 지능 장치(710_n)는 생성한 갱신 정보 U2(714) 및 갱신 정보 U3(716)을 인공 지능 서버(720)에 전송할 수 있다. 인공 지능 모델 A2(713)과 인공 지능 모델 A3(715)은 인공 지능 모델 A(721)로부터 갱신된 인공 지능 모델로, 상술한 제2 인공 지능 모델에 속한다. 갱신 정보 U2(714)은 인공 지능 모델 A2(713)의 모델 파라미터 세트와 인공 지능 모델 A(721)의 모델 파라미터 세트의 차이이며, A2-A로 표현될 수 있다. 마찬가지로, 갱신 정보 U3(716)은 인공 지능 모델 A3(715)의 모델 파라미터 세트와 인공 지능 모델 A2(723)의 모델 파라미터 세트의 차이이며, A3-A2로 표현될 수 있다.

인공 지능 서버(720)는 각 인공 지능 장치(710_1 내지 710_n)로부터 수신한 갱신 정보 U1(712), 갱신 정보 U2(714) 또는 갱신 정보 U3(716) 중에서 적어도 하나 이상을 이용하여 인공 지능 모델 A(721)를 인공 지능 모델 B(722)로 갱신할 수 있다.

도 7에는 도시되지 않았으나, 인공 지능 서버(720)는 갱신된 인공 지능 모델 B(722)를 각 인공 지능 장치(710_1 내지 710_n)에 전송함으로써, 각 인공 지능 장치(710_1 내지 710_n)에 저장되는 인공 지능 모델을 동기화할 수 있다. 이 경우, 각 인공 지능 장치(710_1 내지 710_n)에 전송된 인공 지능 모델 B(722)는 상술한 제1 인공 지능 모델에 속한다.

도 8은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 동기적 갱신 정보(synchronous update information)를 이용한 인공 지능 모델을 갱신하는 방법을 나타낸 도면이다.

도 8(a)를 참조하면, 인공 지능 장치(100)는 인공 지능 모델 A(810)를 인공 지능 모델 A1(830)로 갱신하며, 그에 상응하는 갱신 정보 U1(820)을 생성할 수 있다. 갱신 정보 U1(820)은 인공 지능 모델 A(810)가 인공 지능 모델 A1(830)로 갱신될 때의 모델 파라미터 세트의 변화량이고, 이는 A1-A로 표현될 수 있다.

도 8(b)를 참조하면, 인공 지능 장치(100)는 인공 지능 모델 A(810)를 인공 지능 모델 A2(850)로 갱신하며, 그에 상응하는 갱신 정보 U2(840)를 생성할 수 있다. 갱신 정보 U2(840)는 인공 지능 모델 A(810)가 인공 지능 모델 A2(850)로 갱신될 때의 모델 파라미터 세트의 변화량이고, 이는 A2-A로 표현될 수 있다.

상술한 갱신 정보 U1(820)와 갱신 정보 U2(840)는 인공 지능 장치(100)에서 생성되며, 생성된 갱신 정보 U1(820)와 갱신 정보 U2(840)는 인공 지능 서버(200)에 전송되어 인공 지능 모델 A(810)의 갱신에 이용된다. 여기서, 갱신 정보 U1(820)와 갱신 정보 U2(840)는 동일한 인공 지능 장치(100)에서 생성될 수도 있지만, 서로 다른 인공 지능 장치(100)에서 생성될 수도 있다.

도 8(c)를 참조하면, 인공 지능 서버(200)가 갱신 정보 U1(820) 및 갱신 정보 U2(840)를 인공 지능 모델 A(810)의 갱신에 이용할 갱신 정보 (또는, 제3 갱신 정보)로 선택하였다고 가정하면, 인공 지능 서버(200)는 인공 지능 장치(100)로부터 수신한 갱신 정보 U1(820) 및 갱신 정보 U2(840)를 이용하여 인공 지능 모델 A(810)를 갱신할 수 있다.

일 실시 예에서, 인공 지능 서버(200)는 수신한 갱신 정보 U1(820) 및 갱신 정보 U2(840)의 평균에 기초하여 인공 지능 모델 A(810)를 인공 지능 모델 B(860)로 갱신할 수 있다. 다른 실시 예에서, 도 8(c)와는 달리, 인공 지능 서버(200)는 수신한 갱신 정보 U1(820) 및 갱신 정보 U2(840)의 합이나 가중합에 기초하여 인공 지능 모델 A(810)을 갱신할 수도 있다.

도 9는 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 비동기적 갱신 정보(asynchronous update information)를 이용한 인공 지능 모델을 갱신하는 방법을 나타낸 도면이다.

도 9(a)를 참조하면, 인공 지능 장치(100)는 인공 지능 모델 A(910)를 인공 지능 모델 A1(930)로 갱신하며, 그에 상응하는 갱신 정보 U1(920)을 생성할 수 있다. 갱신 정보 U1(920)은 인공 지능 모델 A(910)가 인공 지능 모델 A1(930)로 갱신될 때의 모델 파라미터 세트의 변화량이고, 이는 A1-A로 표현될 수 있다.

도 9(b)를 참조하면, 인공 지능 장치(100)는 인공 지능 모델 A'(940)를 인공 지능 모델 A2(960)로 갱신하며, 그에 상응하는 갱신 정보 U2(950)를 생성할 수 있다. 갱신 정보 U2(950)는 인공 지능 모델 A'(940)가 인공 지능 모델 A2(960)로 갱신될 때의 모델 파라미터 세트의 변화량이고, 이는 A2-A'로 표현될 수 있다. 인공 지능 모델 A'(940)은 인공 지능 모델 A(910)로부터 적어도 1번 이상 갱신된 모델이며, 인공 지능 모델 A(910)와는 동일하지 않을 수 있다.

상술한 갱신 정보 U1(920)와 갱신 정보 U2(950)는 인공 지능 장치(100)에서 생성되며, 생성된 갱신 정보 U1(920)와 갱신 정보 U2(950)는 인공 지능 서버(200)에 전송되어 인공 지능 모델 A(910)의 갱신에 이용된다. 여기서, 갱신 정보 U1(920)와 갱신 정보 U2(950)는 동일한 인공 지능 장치(100)에서 생성될 수도 있지만, 서로 다른 인공 지능 장치(100)에서 생성될 수도 있다.

도 9(c)를 참조하면, 인공 지능 서버(200)가 갱신 정보 U1(920) 및 갱신 정보 U2(950)를 인공 지능 모델 A(910)의 갱신에 이용할 갱신 정보 (또는, 제3 갱신 정보)로 선택하였다고 가정하면, 인공 지능 서버(200)는 인공 지능 장치(100)로부터 수신한 갱신 정보 U1(920) 및 갱신 정보 U2(950)를 이용하여 인공 지능 모델 A(910)를 갱신할 수 있다. 비록, 갱신 정보 U2(950)는 갱신의 기준점(baseline)이 인공 지능 모델 A'(940)으로 인공 지능 모델 A(910)이 아니지만, 인공 지능 서버(200)는 갱신의 기준점을 인공 지능 모델 A(910)로 설정하여 갱신할 수 있다. 갱신 정보 U2(950)를 이용하여 인공 지능 모델 A(910)을 갱신할 경우, 인공 지능 모델 A(910)는 인공 지능 모델 A3(970)으로 갱신될 수 있다.

일 실시 예에서, 인공 지능 서버(200)는 수신한 갱신 정보 U1(920) 및 갱신 정보 U2(950)의 평균에 기초하여 인공 지능 모델 A(910)를 인공 지능 모델 B(980)로 갱신할 수 있다. 다른 실시 예에서, 도 9(c)와는 달리, 인공 지능 서버(200)는 수신한 갱신 정보 U1(920) 및 갱신 정보 U2(950)의 합이나 가중합에 기초하여 인공 지능 모델 A(910)을 갱신할 수도 있다.

도 9(c)와 같이, 비동기적 갱신 정보를 이용하여 인공 지능 모델을 갱신하는 방법은 동기적 갱신 정보를 이용하여 인공 지능 모델을 갱신하는 방법에 비하여 갱신된 인공 지능 모델의 성능이 낮을 수 있다. 그렇다고 동기적 갱신 정보만을 이용하여 인공 지능 모델을 갱신하는 방법을 채택하는 경우에는, 갱신 기준점(update baseline)이 동일한 갱신 정보만을 수집하여야 한다는 점에서, 갱신 효율이 떨어지는 문제점이 있다. 따라서, 본 개시에서는 비록 갱신 기준점이 다르다고 하더라도 인공 지능 모델의 성능을 크게 저하시키지 않을 갱신 정보를 잘 선택하여 인공 지능 모델을 갱신함으로써, 인공 지능 모델을 효율적으로 갱신할 수 있다.

도 10은 도 6에 도시된 제3 갱신 정보를 선택하는 단계(S605)의 일 예를 나타낸 동작 흐름도이다.

도 10을 참조하면, 인공 지능 서버(200)의 프로세서(260)는 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 아웃라이어를 결정한다(S1001).

프로세서(260)는 다양한 아웃라이어 결정 방법을 이용하여 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 아웃라이어를 결정할 수 있다.

일 실시 예에서, 프로세서(260)는 수신한 제1 갱신 정보와 제2 갱신 정보 사이의 거리를 기초로, 각 갱신 정보에 대하여 국부 밀도 점수(local density score)를 산출하고, 산출한 국부 밀도 점수가 기준 값보다 낮은 갱신 정보를 아웃라이어로 결정할 수 있다. 예컨대, 프로세서(180)는 각 갱신 정보에 대하여 미리 정해진 거리 이내에 포함된 갱신 정보의 개수를 국부 밀도 점수로 산출할 수도 있고, 또는 각 갱신 정보에 대하여 미리 정해진 개수만큼의 인접한 갱신 정보까지의 거리의 평균을 국부 밀도 점수로 산출할 수도 있다.

일 실시 예에서, 프로세서(260)는 로컬 아웃라이어 팩터(LOF: Local Outlier Factor) 알고리즘을 이용하여, 각 갱신 정보에 대하여 로컬 아웃라이어 팩터를 산출하고, 산출한 로컬 아웃라이어 팩터가 기준 값보다 큰 갱신 정보를 아웃라이어로 결정할 수 있다. 로컬 아웃라이어 팩터 알고리즘은 데이터 세트의 국부 특징뿐만 아니라 전역 특징도 모두 고려할 수 있다는 장점이 있다.

일 실시 예에서, 프로세서(260)는 수신한 제1 갱신 정보와 제2 갱신 정보에 대한 평균과 표준편차(또는, 분산)를 산출하고, 각 갱신 정보에 대하여 산출된 평균으로부터의 거리와 산출된 표준편차(또는, 분산)의 비율을 산출하고, 산출된 비율이 기준 값보다 큰 갱신 정보를 아웃라이어로 결정할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 수신한 제1 갱신 정보 및 제2 갱신 정보 중에서 결정된 아웃라이어를 제외한 갱신 정보를 제3 갱신 정보로 선택한다(S1003).

도 10에 도시된 단계들은 병렬적으로 수행될 수도 있다.

도 11은 본 개시의 일 실시 예에 따른 제3 갱신 정보를 선택하는 방법을 나타낸 도면이다.

도 11을 참조하면, 인공 지능 서버(200)는 적어도 하나 이상의 인공 지능 장치(100)로부터 제1 갱신 정보 또는 제2 갱신 정보를 수신하며, 수신한 갱신 정보들은 인공 지능 모델에 대한 모델 파라미터 세트의 변화량을 포함할 수 있다. 따라서, 각 갱신 정보는 모델 파라미터 공간(model parameter space, 1110)에 매핑하여 표현될 수 있다. 모델 파라미터 공간(1110)은 각 축이 제1 인공 지능 모델의 모델 파라미터에 대응될 수 있다. 다만, 도 11은 시각화를 위하여 모델 파라미터 공간(1110)을 2차원으로 도시하였을 뿐으로, 본 개시가 이에 한정되지 않는다.

모델 파라미터 공간(1110)에 매핑된 갱신 정보는 원점에 대한 벡터 또는 점으로 표현될 수 있다. 특히, 모델 파라미터 공간(1110)의 원점을 제1 인공 지능 모델이라 가정한다면, 매핑된 갱신 정보는 해당 갱신 정보를 이용하여 제1 인공 지능 모델로부터 갱신된 인공 지능 모델을 가리킬 수 있다. 즉, 갱신 정보는 갱신된 인공 지능 모델과 동등하게 취급할 수 있다.

도 11에는 총 13개의 갱신 정보가 모델 파라미터 공간에 매핑되어 있다. 인공 지능 서버(200)는 다양한 아웃라이어 결정 방법을 이용하여 수신한 갱신 정보 중에서 아웃라이어를 결정할 수 있다. 13개의 갱신 정보 중에서 10개의 갱신 정보는 서로 인접하여 하나의 군집(1111)을 형성할 수 있다. 반면, 13개의 갱신 정보 중에서 군집(1111)에 포함되지 않은 3개의 갱신 정보(1112, 1113 및 1114)는 다른 갱신 정보들로부터 멀리 떨어져있으며 국소 밀집도도 낮다. 따라서, 인공 지능 서버(200)는 3개의 갱신 정보(1112, 1113 및 1114)를 아웃라이어로 결정하고, 13개의 갱신 정보 중에서 아웃라이어를 제외한 10개의 갱신 정보를 제3 갱신 정보로 선택할 수 있다.

이와 같이, 복수의 갱신 정보를 수신하고, 복수의 갱신 정보 중에서 아웃라이어를 제외한 갱신 정보만을 이용하여 인공 지능 모델을 갱신할 경우, 최대한 많은 갱신 정보를 반영하여 인공 지능 모델을 갱신할 수 있으며, 인공 지능 모델을 갱신하기 위한 대기 시간이 짧다는 장점이 있다.

도 12는 제1 갱신 정보 또는 제2 갱신 정보로부터 선택된 제3 갱신 정보의 예시를 나타낸 도면이다.

설명에 앞서, 인공 지능 모델 A는 인공 지능 서버(200)에서의 갱신 대상 모델인 제1 인공 지능 모델이고, 인공 지능 모델 A'와 인공 지능 모델 A''은 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델이라 가정한다. 인공 지능 모델 A''은 인공 지능 모델 A로부터 직접 갱신된 모델일 수도 있고, 인공 지능 모델 A'으로부터 직접 갱신된 모델일 수도 있다.

도 12를 참조하면, 갱신 정보 U1(1211) 및 갱신 정보 U2(1212)는 갱신 기준점(1221)이 제1 인공 지능 모델인 인공 지능 모델 A이므로 제1 갱신 정보에 속한다. 반면, 갱신 정보 U3(1213), 갱신 정보 U4(1214) 및 갱신 정보 U5(1215)는 갱신 기준점(1221)이 제2 인공 지능 모델인 인공 지능 모델 A' 또는 인공 지능 모델 A''이므로 제2 갱신 정보에 속한다. 그러나, 인공 지능 서버(200)가 수신하는 갱신 정보(1211 내지 1215)에는 갱신 기준점(1221)에 대한 정보가 포함되지 않을 수 있다.

각 갱신 정보(1211 내지 1215)에는 인공 지능 모델에 대한 갱신 파라미터세트의 갱신량(1231, 1232, 1233 및 1234)이 포함될 수 있고, (모델 파라미터 1, 모델 파라미터 2, 모델 파라미터 3, 모델 파라미터 4)로 표현될 수 있다.

도 12의 예시에서, 갱신 정보 U1(1211)의 모델 파라미터 세트 갱신량은 (+0.0312, +0.0245, -0.1531, +0.0002)이고, 갱신 정보 U2(1212)의 모델 파라미터 세트 갱신량은 (+0.0254, +0.0339, -0.1210, -0.0110)이고, 갱신 정보 U3(1213)의 모델 파라미터 세트 갱신량은 (+0.0152, +0.0294, -0.1151, +0.0127)이고, 갱신 정보 U4(1214)의 모델 파라미터 세트 갱신량은 (-0.1094, +0.1512, +0.0651, -0.0564)이고, 갱신 정보 U5(1215)의 모델 파라미터 세트 갱신량은 (+0.2521, -0.0842, -0.1421, +0.1462)이다. 갱신 정보 U1(1211), 갱신 정보 U2(1212) 및 갱신 정보 U3(1213)은 서로 유사한 모델 파라미터 세트 갱신량을 포함하지만, 갱신 정보 U4(1214) 및 갱신 정보 U5(1215)는 다른 갱신 정보와 비교하여 상이한 모델 파라미터 세트 갱신량을 포함한다. 따라서, 인공 지능 서버(200)는 갱신 정보 U4(1214) 및 갱신 정보 U5(1215)를 아웃라이어(1241)로 결정하고, 갱신 정보 U1(1211), 갱신 정보 U2(1212) 및 갱신 정보 U3(1213)을 제3 갱신 정보로 선택할 수 있다.

도 13은 도 6에 도시된 제1 인공 지능 모델을 갱신하는 단계(S607)의 일 예를 나타낸 동작 흐름도이다.

도 13을 참조하면, 인공 지능 서버(200)의 프로세서(260)는 제1 인공 지능 모델을 이용하여 테스트 데이터 세트에 대한 제1 추론 결과들을 생성한다(S1301).

테스트 데이터 세트는 제1 인공 지능 모델의 성능을 평가하기 위하여 미리 설정된 데이터 세트를 의미하며, 복수의 테스트 데이터를 포함할 수 있다. 만약 테스트 데이터 세트가 100개의 테스트 데이터로 구성된 경우라면, 프로세서(260)는 제1 인공 지능 모델을 이용하여 테스트 데이터 세트에 대응하는 100개의 제1 추론 결과들을 생성할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 제3 갱신 정보를 이용하여 제1 인공 지능 모델을 갱신한다(S1303).

이 과정에서, 프로세서(260)는 메모리(230)에 제1 인공 지능 모델을 임시로 저장할 수 있다. 메모리(230)에 임시 저장된 제1 인공 지능 모델은 추후 갱신된 제1 인공 지능 모델이 부적합하다고 판단되는 경우에 제1 인공 지능 모델의 갱신을 롤백(rollback)할 때 이용될 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 갱신된 제1 인공 지능 모델을 이용하여 테스트 데이터 세트에 대한 제2 추론 결과들을 생성한다(S1305).

만약 테스트 데이터 세트가 100개의 테스트 데이터로 구성된 경우라면, 프로세서(260)는 제3 갱신 정보를 이용하여 갱신된 제1 인공 지능 모델을 이용하여 테스트 데이터 세트에 대응하는 100개의 제2 추론 결과들을 생성할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 서로 대응하는 제1 추론 결과들과 제2 추론 결과들을 비교하여 일치율을 산출한다(S1307).

프로세서(260)는 테스트 데이터 세트에 포함된 개별 테스트 데이터에 대하여 제1 추론 결과와 제2 추론 결과를 비교함으로써, 전체 추론 결과들에 대한 서로 일치하는 추론 결과의 숫자의 비율을 일치율로 산출할 수 있다. 만약 테스트 데이터 세트가 100개의 테스트 데이터로 구성된 경우라면, 프로세서(260)는 제1 테스트 데이터에 대한 제1 추론 결과와 제1 테스트 데이터에 대한 제2 추론 결과를 서로 비교하고, 마찬가지 방법으로 나머지 99개의 테스트 데이터에 대하여도 서로 대응하는 제1 추론 결과와 제2 추론 결과를 비교할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 산출된 일치율이 기준 값보다 큰지 판단한다(S1309).

단계(S1309)의 판단 결과, 산출된 일치율이 기준 값보다 큰 경우, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 갱신된 제1 인공 지능 모델을 복수의 인공 지능 장치(100)에 전송한다(S1311).

갱신되기 전의 제1 인공 지능 모델을 이용한 테스트 데이터에 대한 제1 추론 결과와 갱신된 후의 제1 인공 지능 모델을 이용한 테스트 데이터에 대한 제2 추론 결과의 일치율이 높다면, 프로세서(260)는 제3 갱신 정보를 이용한 제1 인공 지능 모델의 갱신을 적절한 갱신이라 판단할 수 있다. 따라서, 프로세서(260)는 메모리(230)에 임시 저장한 제1 인공 지능 모델을 삭제하고, 통신부(210)를 통해 복수의 인공 지능 장치(100)에 갱신된 제1 인공 지능 모델을 전송할 수 있다.

단계(S1309)의 판단 결과, 산출된 일치율이 기준 값 이하 경우, 인공 지능 서버(200)의 프로세서(260)는 갱신된 제1 인공 지능 모델을 롤백한다(S1313).

갱신되기 전의 제1 인공 지능 모델을 이용한 테스트 데이터에 대한 제1 추론 결과와 갱신된 후의 제1 인공 지능 모델을 이용한 테스트 데이터에 대한 제2 추론 결과의 일치율이 낮다면, 프로세서(260)는 제3 갱신 정보를 이용한 제1 인공 지능 모델의 갱신을 과도한 변화를 가져오는 부적절한 갱신이라 판단할 수 있다. 따라서, 프로세서(260)는 갱신된 제1 인공 지능 모델을 메모리(230)에 임시 저장한 제1 인공 지능 모델로 롤백할 수 있다.

도 13에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 13에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 13에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 14는 도 6에 도시된 제1 인공 지능 모델을 갱신하는 단계(S607)의 일 예를 나타낸 동작 흐름도이다.

도 14를 참조하면, 인공 지능 서버(200)의 프로세서(260)는 제1 인공 지능 모델을 이용하여 테스트 데이터 세트에 대한 제1 추론 정확도를 산출한다(S1401).

테스트 데이터 세트는 제1 인공 지능 모델의 성능을 평가하기 위하여 미리 설정된 데이터 세트를 의미하며, 복수의 테스트 데이터를 포함할 수 있다. 만약 테스트 데이터 세트가 100개의 테스트 데이터로 구성된 경우라면, 프로세서(260)는 제1 인공 지능 모델을 이용하여 테스트 데이터 세트에 대응하는 100개의 제1 추론 결과들을 생성하고, 생성한 제1 추론 결과들에 대하여 정확히 추론된 추론 결과의 수에 기초하여 제1 추론 정확도를 산출할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 제3 갱신 정보를 이용하여 제1 인공 지능 모델을 갱신한다(S1403).

그리고, 인공 지능 서버(200)의 프로세서(260)는 갱신된 제1 인공 지능 모델을 이용하여 테스트 데이터 세트에 대한 제2 추론 정확도를 산출한다(S1405).

만약 테스트 데이터 세트가 100개의 테스트 데이터로 구성된 경우라면, 프로세서(260)는 제3 갱신 정보를 이용하여 갱신된 제1 인공 지능 모델을 이용하여 테스트 데이터 세트에 대응하는 100개의 제2 추론 결과들을 생성하고, 생성한 제2 추론 결과들에 대하여 정확히 추론된 추론 결과의 수에 기초하여 제2 추론 정확도를 산출할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 제2 추론 정확도가 제1 추론 정확도 이상인지 판단한다(S1407).

즉, 프로세서(260)는 제3 갱신 정보를 이용하여 제1 인공 지능 모델을 갱신함으로써 테스트 데이터 세트에 대한 추론 정확도가 감소하지 않았는지 판단할 수 있다.

단계(S1407)의 판단 결과, 제2 추론 정확도가 제1 추론 정확도 이상인 경우, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 갱신된 제1 인공 지능 모델을 복수의 인공 지능 장치(100)에 전송한다(S1409).

갱신된 후의 제1 인공 지능 모델을 이용한 테스트 데이터에 대한 제2 추론 정확도가 갱신되기 전의 제1 인공 지능 모델을 이용한 테스트 데이터에 대한 제1 추론 정확도 이상이라면, 프로세서(260)는 제3 갱신 정보를 이용한 제1 인공 지능 모델의 갱신을 적절한 갱신이라 판단할 수 있다. 따라서, 프로세서(260)는 메모리(230)에 임시 저장한 제1 인공 지능 모델을 삭제하고, 통신부(210)를 통해 복수의 인공 지능 장치(100)에 갱신된 제1 인공 지능 모델을 전송할 수 있다.

단계(S1407)의 판단 결과, 제2 추론 정확도가 제1 추론 정확도보다 작은 경우, 인공 지능 서버(200)의 프로세서(260)는 갱신된 제1 인공 지능 모델을 롤백한다(S1411).

갱신된 후의 제1 인공 지능 모델을 이용한 테스트 데이터에 대한 제2 추론 정확도가 갱신되기 전의 제1 인공 지능 모델을 이용한 테스트 데이터에 대한 제1 추론 정확도보다 작다면, 프로세서(260)는 제3 갱신 정보를 이용한 제1 인공 지능 모델의 갱신을 성능을 저하시키는 부적절한 갱신이라 판단할 수 있다. 따라서, 프로세서(260)는 갱신된 제1 인공 지능 모델을 메모리(230)에 임시 저장한 제1 인공 지능 모델로 롤백할 수 있다.

도 14에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 14에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 14에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 15는 본 개시의 일 실시 예를 나타낸 도면이다.

도 15를 참조하면, 본 개시의 일 실시 예에 따른 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 시스템(1)은 제1 인공 지능 장치(1510), 제2 인공 지능 장치(1520), 제3 인공 지능 장치(1530) 및 인공 지능 서버(1540)를 포함할 수 있다.

각 인공 지능 장치(1510, 1520 및 1530)는 인공 지능 서버(1540)로부터 인공 지능 모델 A(1542)를 수신하여 이용할 수 있다. 인공 지능 모델 A(1542)는 음성 인식 모델일 수 있다.

제1 인공 지능 장치(1510)는 평균 발화 레벨이 45dB이고 평균 노이즈 레벨이 5dB인 음성 데이터와 그에 대응하는 피드백을 포함하는 제1 사용 기록(1511)을 이용하여 인공 지능 모델 A(1512)를 인공 지능 모델 A1(1513)로 갱신할 수 있다. 그리고, 제1 인공 지능 장치(1510)는 인공 지능 모델 A(1512)를 인공 지능 모델 A1(1513)로 갱신하는 갱신 정보 U1(1514)을 생성하여 인공 지능 서버(1540)에 전송할 수 있다. 제1 인공 지능 장치(1510)의 인공 지능 모델 A(1512)는 인공 지능 서버(1540)으로부터 수신한 인공 지능 모델 A(1542)와 동일한 모델일 수 있다.

제2 인공 지능 장치(1520)는 평균 발화 레벨이 25dB이고 평균 노이즈 레벨이 5dB인 음성 데이터와 그에 대응하는 피드백을 포함하는 제2 사용 기록(1521)을 이용하여 인공 지능 모델 A(1522)를 인공 지능 모델 A2(1523)로 갱신할 수 있다. 그리고, 제2 인공 지능 장치(1520)는 인공 지능 모델 A(1522)를 인공 지능 모델 A2(1523)로 갱신하는 갱신 정보 U2(1524)를 생성하여 인공 지능 서버(1540)에 전송할 수 있다. 제2 인공 지능 장치(1520)의 인공 지능 모델 A(1522)는 인공 지능 서버(1540)으로부터 수신한 인공 지능 모델 A(1542)와 동일한 모델일 수 있다.

제3 인공 지능 장치(1530)는 평균 발화 레벨이 35dB이고 평균 노이즈 레벨이 2dB인 음성 데이터와 그에 대응하는 피드백을 포함하는 제3 사용 기록(1531)을 이용하여 인공 지능 모델 A'(1532)를 인공 지능 모델 A3(1533)으로 갱신할 수 있다. 그리고, 제3 인공 지능 장치(1530)는 인공 지능 모델 A'(1532)를 인공 지능 모델 A3(1533)으로 갱신하는 갱신 정보 U3(1534)을 생성하여 인공 지능 서버(1540)에 전송할 수 있다. 제3 인공 지능 장치(1530)의 인공 지능 모델 A'(1532)는 인공 지능 서버(1540)으로부터 수신한 인공 지능 모델 A(1542)에서 갱신된 모델일 수 있다.

인공 지능 서버(1540)는 인공 지능 장치들(1510, 1520 및 1530)로부터 수신한 갱신 정보 U1(1541_1), 갱신 정보 U2(1541_2) 및 갱신 정보 U3(1542_3) 중에서 인공 지능 모델 A(1542)의 갱신에 이용할 갱신 정보를 선택할 수 있다. 예컨대, 제1 사용 기록(1511)은 평균 발화 레벨이 45dB이고 평균 노이즈 레벨이 5dB이고, 제3 사용 기록(1531)은 평균 발화 레벨이 35dB이고 평균 노이즈 레벨이 2dB이므로, 제1 사용 기록(1511)과 제3 사용 기록(1531)은 노이즈 레벨 대비 발화 레벨이 상대적으로 높아 인공 지능 모델 A(1542)의 성능을 개선하는데 이용하기에 적합한 사용 기록일 수 있다. 반면, 제2 사용 기록(1521)은 평균 발화 레벨이 25dB이고 평균 노이즈 레벨이 5dB이므로, 노이즈 레벨 대비 발화 레벨이 상대적으로 낮아 인공 지능 모델 A(1542)의 성능을 개선하는데 이용하기에 부적합한 사용 기록일 수 있다. 이에 따라, 인공 지능 서버(1540)는 갱신 정보 U1(1541_1), 갱신 정보 U2(1541_2) 및 갱신 정보 U3(1542_3) 중에서 갱신 정보 U1(1541_1)과 갱신 정보 U3(1542_3)만을 선택하고, 선택한 갱신 정보를 이용하여 인공 지능 모델 A(1542)를 인공 지능 모델 B(1543)로 갱신할 수 있다. 그리고, 인공 지능 서버(1540)는 갱신된 인공 지능 모델 B(1543)을 각 인공 지능 장치(1510, 1520 및 1530)에 전송할 수 있다.

본 개시의 일 실시 예에 따르면, 전술한 방법은 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.

Claims

복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버에 있어서,
제1 인공 지능 모델을 저장하는 메모리;
복수의 인공 지능 장치와 통신하는 통신부; 및
상기 복수의 인공 지능 장치에 상기 제1 인공 지능 모델을 전송하고, 상기 복수의 인공 지능 장치 중에서 적어도 하나 이상으로부터 상기 제1 인공 지능 모델에 대한 제1 갱신 정보 또는 상기 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델에 대한 제2 갱신 정보를 수신하고, 상기 제1 갱신 정보 및 상기 제2 갱신 정보 중에서 상기 제1 인공 지능 모델의 갱신에 이용할 제3 갱신 정보를 선택하고, 상기 제3 갱신 정보를 이용하여 상기 제1 인공 지능 모델을 갱신하는 프로세서
를 포함하는, 인공 지능 서버.
청구항 1에 있어서,
상기 제1 갱신 정보는
상기 제1 인공 지능 모델의 모델 파라미터 세트에 대한 갱신량이고,
상기 제2 갱신 정보는
상기 제2 인공 지능 모델의 모델 파라미터 세트에 대한 갱신량인, 인공 지능 서버.
청구항 2에 있어서,
상기 프로세서는
상기 제1 갱신 정보 및 상기 제2 갱신 정보 중에서 아웃라이어를 결정하고, 상기 제1 갱신 정보 및 상기 제2 갱신 정보 중에서 상기 결정된 아웃라이어를 제외한 갱신 정보를 상기 제3 갱신 정보로 선택하는, 인공 지능 서버.
청구항 3에 있어서,
상기 프로세서는
상기 제1 갱신 정보 및 상기 제2 갱신 정보 각각에 대하여 국부 밀도 점수를 산출하고, 상기 산출한 국부 밀도 점수가 기준 값보다 낮은 갱신 정보를 상기 아웃라이어로 결정하는, 인공 지능 서버.
청구항 3에 있어서,
상기 프로세서는
상기 제1 갱신 정보 및 상기 제2 갱신 정보 각각에 대하여 로컬 아웃라이어 팩터(LOF: Local Outlier Factor)를 산출하고, 상기 산출한 로컬 아웃라이어 팩터가 기준 값보다 큰 갱신 정보를 상기 아웃라이어로 결정하는, 인공 지능 서버.
청구항 3에 있어서,
상기 프로세서는
상기 제1 갱신 정보 및 상기 제2 갱신 정보에 대한 평균과 표준편차를 산출하고, 상기 제1 갱신 정보 및 상기 제2 갱신 정보 각각에 대하여 상기 산출된 평균으로부터의 거리와 상기 산출된 표준편차의 비율을 산출하고, 상기 산출된 비율이 기준 값보다 큰 갱신 정보를 상기 아웃라이어를 결정하는, 인공 지능 서버.
청구항 2에 있어서,
상기 프로세서는
상기 제1 인공 지능 모델의 모델 파라미터 세트에 대하여 상기 제3 갱신 정보의 합을 더하여 상기 제1 인공 지능 모델을 갱신하는, 인공 지능 서버.
청구항 2에 있어서,
상기 프로세서는
상기 제1 인공 지능 모델의 모델 파라미터 세트에 대하여 상기 제3 갱신 정보의 평균을 더하여 상기 제1 인공 지능 모델을 갱신하는, 인공 지능 서버.
청구항 2에 있어서,
상기 프로세서는
상기 제1 인공 지능 모델의 모델 파라미터 세트에 대하여 상기 제3 갱신 정보의 가중합을 더하여 상기 제1 인공 지능 모델을 갱신하는, 인공 지능 서버.
청구항 9에 있어서,
상기 프로세서는
상기 제3 갱신 정보를 가중합할 때, 최근의 갱신 정보일수록 가중치를 높게 설정하는, 인공 지능 서버.
청구항 2에 있어서,
상기 프로세서는
상기 제1 인공 지능 모델을 전송한 이후 미리 정해진 기간 동안 상기 제1 갱신 정보 또는 상기 제2 갱신 정보를 수신하고, 상기 미리 정해진 기간이 도과한 경우 상기 제1 갱신 정보 또는 상기 제2 갱신 정보 중에서 상기 제3 갱신 정보를 선택하는, 인공 지능 서버.
청구항 2에 있어서,
상기 프로세서는
상기 제1 인공 지능 모델을 전송한 이후 미리 정해진 개수만큼 상기 제1 갱신 정보 또는 상기 제2 갱신 정보를 수신하고, 상기 미리 정해진 개수만큼의 갱신 정보를 수신한 경우 상기 제1 갱신 정보 또는 상기 제2 갱신 정보 중에서 상기 제3 갱신 정보를 선택하는, 인공 지능 서버.
청구항 1에 있어서,
상기 프로세서는
상기 통신부를 통해 상기 복수의 인공 지능 장치에 상기 갱신된 제1 인공 지능 모델을 전송하는, 인공 지능 서버.
복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 방법에 있어서,
복수의 인공 지능 장치에 제1 인공 지능 모델을 전송하는 단계;
상기 복수의 인공 지능 장치 중에서 적어도 하나 이상으로부터 상기 제1 인공 지능 모델에 대한 제1 갱신 정보 또는 상기 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델에 대한 제2 갱신 정보를 수신하는 단계;
상기 제1 갱신 정보 및 상기 제2 갱신 정보 중에서 상기 제1 인공 지능 모델의 갱신에 이용할 제3 갱신 정보를 선택하는 단계; 및
상기 제3 갱신 정보를 이용하여 상기 제1 인공 지능 모델을 갱신하는 단계
를 포함하는, 방법.
복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서, 상기 방법은,
복수의 인공 지능 장치에 제1 인공 지능 모델을 전송하는 단계;
상기 복수의 인공 지능 장치 중에서 적어도 하나 이상으로부터 상기 제1 인공 지능 모델에 대한 제1 갱신 정보 또는 상기 제1 인공 지능 모델로부터 갱신된 제2 인공 지능 모델에 대한 제2 갱신 정보를 수신하는 단계;
상기 제1 갱신 정보 및 상기 제2 갱신 정보 중에서 상기 제1 인공 지능 모델의 갱신에 이용할 제3 갱신 정보를 선택하는 단계; 및
상기 제3 갱신 정보를 이용하여 상기 제1 인공 지능 모델을 갱신하는 단계
를 포함하는, 기록 매체.