KR20210090714A - 인공지능 장치 - Google Patents

Abstract

인공지능 장치가 개시된다. 본 발명의 실시 예에 따른 인공지능 장치는, 가정 내에 배치된 적어도 하나의 홈 어플라이언스로부터 사용 데이터를 수신하는 통신부, 상기 사용 데이터에 기초하여, 상기 가정에서의 사용 패턴을 획득하는 분석 모듈, 가정 들로부터 획득된 사용 패턴을 이용하여, 상기 가정 들을 가구 구성원의 수에 따라 나눈 결과 값을 출력하는 학습 모델, 및, 상기 결과 값 및 상기 가정 들의 위치 정보에 기초하여 1인 가구의 분포 데이터를 사업자에게 제공하는 프로세서를 포함하고, 상기 학습 모델은, 복수의 가정의 사용 패턴을 이용하여 트레이닝 된 뉴럴 네트워크이다.

Description

인공지능 장치

본 발명은, 홈 어플라이언스의 사용 데이터를 이용하여 1인 가구의 분포 데이터를 획득하고 분포 데이터를 사업자에게 제공하는 인공지능 장치에 관한 것이다.

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

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

한편, 인공지능을 이용하여 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다. 인공지능 기술에 따른 인식 모델은, 새로운 환경이나 인공지능 디바이스의 사용자의 특성을 인지 및 학습 하여 인식 모델을 업데이트 해가면서 성장한다.

한편, 인공지능 기반의 홈 어플라이언스의 보급이 확대되면서, 홈 어플라이언스에 구비된 각종 센서들로부터 다양한 데이터가 획득될 수 있다. 홈 어플라이언스의 제조사는 상기 홈 어플라이언스로부터 획득된 데이터를 제품의 개선이나 신제품 개발에 활용할 수 있다. 한편, 제조사는 홈 어플라이언스로부터 획득된 데이터의 비즈니스적 활용 방안에 대해서도 고민할 수 있다.

본 발명이 해결하고자 하는 일 과제는, 지역 내 가정 들 중 1인 가구의 분포를 산출함으로써, 비즈니스 수익을 창출할 수 있는 인공지능 장치를 제공하기 위함이다.

본 발명이 해결하고자 하는 다른 과제는, 1인 가구의 분포를 이용하여 판매 전략 정보를 산출함으로써, 추가적인 수익을 창출할 수 있는 인공지능 장치를 제공하기 위함이다.

본 발명의 일 실시예에 따른 인공지능 장치는, 가정 내에 배치된 적어도 하나의 홈 어플라이언스로부터 사용 데이터를 수신하여 사용 패턴을 획득하고, 사용 패턴을 학습 모델에 입력하여 가정들을 가구 구성원의 수에 따라 분류하며, 1인 가구에 대한 분포 데이터를 사업자에게 제공한다.

본 발명의 다른 실시 예에 따른 인공지능 장치는, 1인 가구의 분포 데이터를 이용하여 판매 전략 정보를 획득하고, 획득한 판매 전략 정보를 사업자에게 전송한다.

본 발명에 따르면, 해당 지역에 인접해 있거나 새로 진입하려는 사업자, 예를 들어 편의점, 빵집, 커피전문점, 배달서비스 등에 가구분포 유형 데이터를 판매 제공함으로써 비즈니스 수익을 만들어 낼 수 있다.

또한 1인 가구 트랜드에 맞는 식품, 상품 패키지, 서비스 등을 보다 효율적으로 판매하거나 진열하는 등, 상품 판매 및 서비스 제공의 정교화가 가능해지며, 창업 전략이나 판매 전략을 수립하는데 도움을 줄 수 있다.

도 1은 본 발명의 일 실시 예에 따른 인공지능 장치를 포함하는 시스템의 개념도이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 장치의 제어 구성을 나타낸 개략적인 블록도이다.
도 3은 본 발명의 실시 예에 따른 인공 지능 장치의 동작을 설명하기 위한 플로우차트이다.
도 4는 본 발명의 실시 예에 따른, 학습 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른, 홈 어플라이언스로부터 수신된 사용 데이터를 이용하여 분포 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 6은 1인 가구의 분포도를 도시한 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 발명의 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.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 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.

본 발명의 구체적인 설명에 앞서, 인공 지능(artificial intelligence, AI)에 대하여 간략히 설명한다.

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 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 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 분야이다.

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 취한다.

용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 또한 인공 신경망은 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터를 결정(최적화) 할 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 원본 데이터를 기반으로 생성기에서 생성한 새로운 데이터에 대한 진위 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기의 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 은닉층 및 출력층을 포함하며, 입력 데이터는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모드 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

도 1은 본 발명의 일 실시 예에 따른 인공지능 장치를 포함하는 시스템의 개념도이다.

이하 도면들에서, 사업자(200)는 가정에 상거래 서비스를 제공하는 사람(또는 기업)이나, 상거래 서비스를 제공하는 사람(또는 기업)에게 상거래 관련 정보를 제공하는 사람(또는 기업)이 운영하는 단말기나 서버를 의미할 수 있다.

한편 인공지능 장치(10)는 홈 어플라이언스(20)의 제조사에 의해 운영되는 서버일 수 있으나, 반드시 그러한 것은 아니다.

인공지능 장치(10)는 복수의 가정(2200, 2300, 2400, 2500, 2600, 2700, 2800, 2900, 3000, 3100, 3200) 내에 배치된 적어도 하나의 홈 어플라이언스와 네트워크를 통해 연결될 수 있다.

여기서 복수의 가정(2200, 2300, 2400, 2500, 2600, 2700, 2800, 2900, 3000, 3100, 3200)은 다양한 지역에 위치할 수 있다.

예를 들어 제1 그룹의 가정(2200, 2300, 2400, 2500)은 제1 지역에, 제2 그룹의 가정(2600, 2700, 2800, 2900)은 제2 지역에, 제3 그룹의 가정(3000, 3100, 3200)은 제3 지역에 위치할 수 있다.

여기서 지역은 읍, 면, 동, 구, 시, 도 등의 행정 구역을 의미할 수 있으나 이에 한정되지 않으며, 다양한 기준에 의해 구분될 수 있다.

인공지능 장치(10)는 복수의 가정(2200, 2300, 2400, 2500, 2600, 2700, 2800, 2900, 3000, 3100, 3200) 내에 배치된 적어도 하나의 홈 어플라이언스로부터 사용 데이터를 수신할 수 있다.

일 례로, 인공지능 장치(10)는 제1 가정(2200)에 배치된 적어도 하나의 홈 어플라이언스(2210)로부터, 적어도 하나의 홈 어플라이언스(2210) 각각의 사용 데이터를 수신할 수 있다.

한편 인공지능 장치(10)는 사용 데이터에 기초하여 가정에서의 사용 패턴을 획득할 수 있다.

또한 인공지능 장치(10)는 특정 지역 내의 가정들로부터 획득된 사용 패턴을 이용하여 특정 지역 내의 가정 들을 유형의 세부 요소에 따라 나눈 결과 값을 출력할 수 있다.

그리고 인공지능 장치(10)는 결과 값을 이용하여 특정 지역 내의 가정 들의 유형에 대한 분포 데이터를 획득하고, 획득된 분포 데이터를 사업자(200)에게 제공할 수 있다.

홈 어플라이언스(2210)는 특정 공간(예컨대, 가정 내)에 배치되어, 고유의 기능을 제공하는 장치에 해당한다. 도 1에 도시된 바와 같이, 홈 어플라이언스(2210)는 공기조화기, 로봇 청소기, 냉장고, 세탁기 등을 포함할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 인공지능 장치의 제어 구성을 나타낸 개략적인 블록도이다.

도 2를 참조하면, 인공지능 장치(100)는 프로세서(110), 통신부(120), 메모리(130), 분석 모듈(140) 및 학습 모델(150)을 포함할 수 있다.

프로세서(110)는 인공지능 장치(10)에 포함된 구성들의 전반적인 동작을 제어할 수 있다. 예컨대, 프로세서(11)는 적어도 하나의 집적 회로, ASIC(application specific integrated circuit), CPU, AP(application processor), 마이크로컴퓨터 등을 포함할 수 있다.

통신부(120)는, 네트워크를 통해 인공지능 장치(100)를 적어도 하나의 홈 어플라이언스(20)와 연결시키기 위한 적어도 하나의 통신 모듈을 포함할 수 있다. 상기 적어도 하나의 통신 모듈 각각은 서로 다른 유/무선 통신 방식을 지원할 수 있다. 인공지능 장치(100)는 통신부(120)를 통해 적어도 하나의 홈 어플라이언스(2210)로부터 이벤트 정보를 수신할 수 있다.

또한, 통신부(120)는 적어도 하나의 통신 모듈을 이용하여, 인공지능 장치(100)를 복수의 가정 내 홈 어플라이언스 및 사업자(200)와 연결할 수 있다.

메모리(130)에는, 인공지능 장치(100)에 포함된 구성 요소들의 동작을 제어하기 위한 제어 데이터나, 통신부(120) 등을 통해 수신되는 정보나 데이터를 저장할 수 있다.

특히, 메모리(130)에는 분석 모듈(140) 및 학습 모델(150)의 실행을 위한 프로그램 데이터 및 각 모듈(140, 150)의 동작과 관련된 데이터 및 알고리즘이 저장될 수 있다.

예컨대, 메모리(130)에는 사용 데이터에 기초하여 생성된 사용 패턴이 저장될 수 있다.

분석 모듈(140)는 홈 어플라이언스로부터 수신된 사용 데이터에 기초하여 가정에서의 사용 패턴을 획득할 수 있다.

학습 모델(150)은 특정 지역 내의 가정 들로부터 획득된 사용 패턴을 이용하여 특정 지역 내의 가정 들을 유형의 세부 요소에 따라 나눈 결과 값을 출력할 수 있다.

도 3은 본 발명의 실시 예에 따른 인공 지능 장치의 동작을 설명하기 위한 플로우차트이다.

도 3을 참조하면, 본 발명의 실시 예에 따른 인공지능 장치는, 복수의 가정의 사용 패턴을 이용하여 뉴럴 네트워크를 트레이닝 하여 학습 모델을 생성하는 단계(S310), 가정 내에 배치된 적어도 하나의 홈 어플라이언스로부터 사용 데이터를 수신하는 단계(S320), 상기 사용 데이터에 기초하여, 상기 가정에서의 사용 패턴을 획득하는 단계(S330), 가정 들로부터 획득된 상기 사용 패턴을 이용하여, 가정 들을 가구 구성원의 수에 따라 나눈 결과 값을 출력하는 단계(S340), 및 상기 결과 값 및 가정 들의 위치 정보에 기초하여 1인 가구의 분포 데이터를 사업자에게 제공하는 단계(S350)를 포함할 수 있다.

복수의 가정의 사용 패턴을 이용하여 뉴럴 네트워크를 트레이닝 하여 학습 모델을 생성하는 단계(S310)에 대해서는 도 4를 참고하여 설명한다.

도 4는 본 발명의 실시 예에 따른, 학습 모델을 생성하는 방법을 설명하기 위한 도면이다.

이하에서는 학습 모델(530)이 뉴럴 네트워크의 학습 장치(1000)에서 생성되는 것으로 설명한다. 다만 이하의 과정은 인공지능 장치(100)에서도 수행될 수 있다.

뉴럴 네트워크의 학습 장치(1000)는, 데이터 입력부(1010), 프로세서(1020) 및 뉴럴 네트워크(1030)를 포함할 수 있다.

데이터 입력부(1010)는 입력 데이터를 수신할 수 있다. 이 경우 데이터 입력부(1010)는 훈련 데이터를 수신할 수 있으며, 가공되지 않은 데이터를 수신할 수도 있다.

데이터 입력부(1010)가 가공되지 않은 데이터를 수신한 경우, 프로세서(1020)는 수신된 데이터를 전처리 하여 뉴럴 네트워크(1030)에 입력이 가능한 훈련데이터를 생성할 수 있다.

뉴럴 네트워크(1030)는 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 뉴럴 네트워크(1030)의 일부 또는 전부가 소프트웨어로 구현되는 경우 뉴럴 네트워크(1030)를 구성하는 하나 이상의 명령어는 뉴럴 네트워크의 학습 장치(1000)에 포함되는 메모리(미도시)에 저장될 수 있다.

프로세서(1020)는 훈련 데이터 또는 트레이닝 셋(training set)을 뉴럴 네트워크(1030)에 입력하여 뉴럴 네트워크(1030)를 훈련(training)시킬 수 있다.

프로세서(1020)는 인공 신경망(Artificial Neural Network, ANN)을 반복적으로 학습시킴으로써, 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화)할 수 있다.

이와 같이 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)(530)이라 명칭할 수 있다.

한편 학습 모델(a trained model)(530)은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다

먼저 지도 학습에 기반하여 뉴럴 네트워크를 트레이닝 하는 방법에 대하여 설명한다.

본 발명에서는, 사용 패턴(410)가 훈련 데이터로 사용될 수 있으며, 유형의 세부 요소가 레이블로써 사용 패턴(410)과 함께 뉴럴 네트워크에 입력될 수 있다.

구체적으로 프로세서(1020)는 사용 패턴(410) 및 사용 패턴(410)에 대응하는 유형의 세부 요소를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

여기서 사용 패턴(410)은 홈 어플라이언스의 보유 상태(411) 및 홈 어플라이언스의 동작 상태(412)를 포함할 수 있다.

예를 들어 홈 어플라이언스의 보유 상태(411)는 냉장고의 보유 여부, 식기 세척기의 보유 여부, 공기 청정기의 보유 여부, 전자레인지의 보유 여부, 가스레인지의 보유 여부, TV의 보유 여부, 에어컨의 보유 여부 등, 가정 내 배치된 홈 어플라이언스들의 보유 여부를 포함할 수 있다.

그리고 홈 어플라이언스의 동작 상태(412)는 홈 어플라이언스의 사용 횟수, 홈 어플라이언스를 사용한 시점, 홈 어플라이언스를 사용한 시간 구간, 홈 어플라이언스의 설정(예를 들어 전자레인지의 경우 오븐 기능이나 해동 기능, 에어컨의 경우 설정 온도나 운전 모드 등) 등을 포함할 수 있다.

또한 유형은, 가구 구성원의 수일 수 있다. 그리고 본 발명은 1인 가구의 분포를 획득하는 것을 목적으로 하는 바, 유형의 세부 요소는 1인 가구 및 다인 가구일 수 있다.

한편 사용 패턴(410)는 특정 가정 내의 하나 이상의 홈 어플라이언스의 사용 패턴일 수 있으며, 사용 패턴(410)에 대응하는 유형의 세부 요소는 상기 특정 가정의 가구 구성원의 수일 수 있다.

한편 유형의 세부 요소는 홈 어플라이언스를 서버에 등록하는 경우 설문 조사를 진행하는 방식 등으로 획득될 수 있다.

한편 프로세서(1020)는 복수의 가정의 사용 패턴 및 사용 패턴에 대응하는 유형의 세부 요소를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

예를 들어 프로세서(1020)는, 제1 가구 내 하나 이상의 홈 어플라이언스의 사용 패턴 및 제1 가구의 유형의 세부 요소를 이용하여 뉴럴 네트워크를 트레이닝 하고, 제2 가구 내 하나 이상의 홈 어플라이언스의 사용 패턴 및 제2 가구의 유형의 세부 요소를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.

이에 따라 다양한 사용 패턴 및 유형의 세부 요소가 훈련 데이터로써 뉴럴 네트워크(1030)에 입력될 수 있다.

이 경우 프로세서(1020)는 지도 학습을 이용하여 뉴럴 네트워크를 반복적으로 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크는(1030)는 사용 패턴 및 사용 패턴에 대응하는 유형의 세부 요소를 이용하여 사용 패턴과 유형의 세부 요소의 연관 관계에 대한 함수를 유추할 수 있다. 또한 뉴럴 네트워크(1030)는 유추된 함수에 대한 평가를 통해 뉴럴 네트워크(1030)의 파라미터를 결정(최적화) 할 수 있다.

이에 따라 트레이닝 된 뉴럴 네트워크는 사용 패턴을 유형의 세부 요소에 따라 분류(classification)할 수 있다.

다음은 비 지도 학습에 기반하여 뉴럴 네트워크를 트레이닝 하는 방법에 대하여 설명한다.

비 지도 학습은 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다. 그리고 클러스터링은 인공 신경망에서 획득된 특징 벡터들을 유한 개의 클러스터로 군집하는 과정을 의미할 수 있다.

한편 비지도 학습의 하나의 방법으로, k-평균(K-means Clustering) 알고리즘이 사용될 수 있다.

k-평균 군집화 알고리즘은 분리형 군집화 알고리즘 가운데 하나로, 주어진 데이터를 k개의 클러스터로 묶는 알고리즘이다. 각 군집은 하나의 중심(centroid)를 가진다. 각 개체는 가장 가까운 중심에 할당되며, 같은 중심에 할당된 개체들이 모여 하나의 군집을 형성한다. 사용자가 사전에 군집 수(k)가 정해야 알고리즘을 실행할 수 있다. 각 클러스터와 거리 차이의 분산을 최소화하는 방식으로 동작한다.

따라서 가구들의 분류 목표에 따라 유형이나 유형의 세부 요소가 결정되며, 프로세서(1020)는 사용 패턴을 상기 결정된 유형이나 유형의 세부 요소에 따라 분류할 수 있도록 뉴럴 네트워크를 트레이닝 할 수 있다.

예를 들어 분류 목표가 1인 가구 및 다인 가구이기 때문에, 군집 수는 2로 결정되고, 1인 가구와 다인 가구를 분류하기 위한 초기 파라미터가 설정될 수 있다. 그리고 프로세서(1020)가 훈련 데이터로써 사용 패턴을 입력하면, 뉴럴 네트워크는 사용 패턴과 각 클러스터와의 거리 차이의 분산을 최소화 하도록 파라미터를 설정할 수 있다.

이에 따라 트레이닝 된 뉴럴 네트워크는 사용 패턴을 유형의 세부 요소에 따라 군집화(clustering)할 수 있다.

한편 학습 모델(a trained model)(530)은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

한편 학습 모델(530)은 인공지능 장치(100)에 탑재될 수 있다.

한편 학습 모델(530)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 인공지능 장치(100)의 메모리(130)에 저장될 수 있다.

다음은 S320, S330, S340, S350와 관련하여 도 5를 참고하여 설명한다.

도 5는 본 발명의 실시 예에 따른, 홈 어플라이언스로부터 수신된 사용 데이터를 이용하여 분포 데이터를 획득하는 방법을 설명하기 위한 도면이다.

도 5를 참조하면, 프로세서(110)는 통신부(120)를 통하여 복수의 가정들에 배치된 적어도 하나의 홈 어플라이언스로부터 사용 데이터를 수신할 수 있다.

이 경우 분석 모듈(120)는 사용 데이터에 기초하여 가정에서의 사용 패턴을 획득할 수 있다.

구체적으로 사용 데이터는 홈 어플라이언스의 식별 데이터 및 홈 어플라이언스의 동작 데이터 중 적어도 하나를 포함할 수 있다.

여기서 홈 어플라이언스의 식별 데이터는 홈 어플라이언스의 종류를 식별하기 위한 것으로, 분석 모듈(120)은 식별 데이터에 기초하여 홈 어플라이언스의 보유 상태를 획득할 수 있다.

예를 들어 분석 모듈(120)은 가정 내 적어도 하나의 홈 어플라이언스를 이용하여, 특정 가정에서 세탁기, 냉장고, 에어컨을 보유하고 있다는 정보를 획득할 수 있다.

이와 같은 방식으로 분석 모듈(120)은 복수의 가정의 홈 어플라이언스의 보유 상태를 획득할 수 있다.

한편 홈 어플라이언스의 동작 데이터는, 홈 어플라이언스의 동작 상태를 획득하기 위하여 사용될 수 있다.

구체적으로 동작 데이터는, 홈 어플라이언스의 동작과 관련된 정보일 수 있다. 더욱 구체적으로 동작 데이터는 홈 어플라이언스에 구비되는 하나 이상의 센서에서 감지되는 정보, 홈 어플라이언스의 입력 장치를 통하여 수신되는 정보, 센서에서 감지되는 정보 또는 입력 장치를 통하여 수신되는 정보를 이용하여 홈 어플라이언스의 프로세서가 생성한 정보, 홈 어플라이언스의 설정 정보 중 적어도 하나를 포함할 수 있다.

그리고 분석 모듈(120)은 동작 데이터를 이용하여 홈 어플라이언스의 동작 상태를 획득할 수 있다.

예를 들어 분석 모듈(120)은 냉장고 개폐 센서에서 획득한 데이터를 이용하여, 냉장고를 사용한 시점이나 냉장고를 사용한 횟수 등의 동작 상태를 획득할 수 있다.

이와 같은 방식으로 분석 모듈(120)은 복수의 가정의 홈 어플라이언스의 동작 상태를 획득할 수 있다.

한편 학습 모델(150)은, 가정 들(530)로부터 획득된 사용 패턴을 이용하여, 가정 들을 가구 구성원의 수에 따라 나눈 결과 값을 출력할 수 있다.

구체적으로, 지도 학습의 방식으로 학습 모델(150)이 생성된 경우, 학습 모델(150)은 특정 지역 내의 가정들(530)로부터 획득된 사용 패턴이 입력되면, 특정 지역 내의 가정들(530)로부터 획득된 사용 패턴들을 1인 가구 및 다인 가구로 분류한 결과 값을 출력할 수 있다.

한편, 비 지도 학습의 방식으로 학습 모델(150)이 생성된 경우, 학습 모델(150)은 특정 지역 내의 가정들(530)로부터 획득된 사용 패턴이 입력되면, 특정 지역 내의 가정들(530)로부터 획득된 사용 패턴들을 1인 가구 및 다인 가구로 군집화 한 결과 값을 출력할 수 있다.

한편 프로세서(110)는 학습 모델(150)에서 출력된 결과 값을 이용하여 1인 가구의 분포 데이터를 획득할 수 있다.

분포 데이터의 일 례를 도 6을 참고하여 설명한다.

프로세서(110)는 특정 지역 내의 가정 들의 사용 패턴을 1인 가구 및 다인 가구로 나눈 결과 값을 이용하여 가정 들을 1인 가구 및 다인 가구로 나눌 수 있다.

그리고 프로세서(110)는 가정 들을 1인 가구 및 다인 가구로 나눈 정보를 메모리(130)에 저장할 수 있다.

또한 프로세서(110)는 가정 들을 1인 가구 및 다인 가구로 나눈 정보 및 가정 들의 위치 정보에 기초하여 1인 가구의 분포 데이터를 획득할 수 있다.

도 6은 가정 들을 1인 가구 및 다인 가구로 나눈 정보와, 위치 정보를 이용하여 생성한 분포도를 도시한 도면이다.

도 6을 참고하면, 프로세서(110)는 가정 들을 1인 가구 및 다인 가구로 나눈 정보와 위치 정보를 이용하여, 지도 상에 1인 가구를 점으로 표시한 분포도를 생성할 수 있다.

분포도 상에서 점의 밀집도가 높다는 것은, 1인 가구의 밀도가 높거나 1인 가구의 수가 많다는 것을 의미할 수 있다.

한편 분포도는 분포 데이터의 일 례일 뿐, 분포 데이터는 1인 가구의 수, 비율, 위치 등을 나타내는 정보를 의미할 수 있다.

한편 프로세서(110)는 1인 가구의 분포 데이터를 이용하여, 1인 가구의 밀도 또는 수가 기 설정된 값보다 높은 지역(620)을 획득할 수 있다.

한편 프로세서(110)는 1인 가구에 대한 분포 데이터 및 1인 가구의 밀도 또는 수가 기 설정된 값보다 높은 지역을 사업자(200)에게 전송할 수 있다.

한편 프로세서(110)는 1인 가구에 대응하는 판매 전략 정보를 사업자(200)에게 전송할 수 있다. 여기서 1인 가구에 대응하는 판매 전략 정보는 1인 가구에게 제공하기 적합한 상품, 서비스, 마케팅 등의 정보를 포함할 수 있다.

예를 들어 프로세서(110)는 1인 가구에게 인기있는 즉석 식품(예: 전자레인지로 조리가 가능한 만두), 1인 가구에게 인기 있는 서비스(예: 혼자 술먹는 선술집), 제품의 전시 방법(예: 1인 가구에게 인기있는 전자 레인지를 눈에 잘 띄는 곳에 전시) 등을 사업자(200)에게 전송할 수 있다.

한편 프로세서(110)는 1인 가구의 분포 데이터에 기초하여 판매 전략 정보를 획득하고, 획득한 판매 전략 정보를 사업자(200)에게 전송할 수 있다.

구체적으로, 프로세서(110)는 1인 가구의 분포 데이터에 기초하여 상품, 서비스, 마케팅 등의 제공 장소나 성공 가능성에 대한 정보를 획득할 수 있다.

예를 들어 1인 가구의 특성이 마트에서 장을 잘 보지 않으며, 빵을 많이 먹는다고 가정한다. 이 경우 프로세서(110)는 1인 가구의 밀도 또는 수가 기 설정된 값보다 높은 지역(620)에서, 마트의 성공 가능성이 낮다는 판매 전략 정보를 획득하여 사업자에게 전송할 수 있다. 또한 프로세서(110)는 1인 가구의 밀도 또는 수가 기 설정된 값보다 높은 지역(620)의 중심 위치가 빵집을 열기에 적합하다는 판매 전략 정보를 획득하여 사업자에게 전송할 수 있다.

이와 같이 본 발명에 따르면, 인공 지능 장치(100)는 인공 지능 장치(100)와 연동하여 동작하는 홈 어플라이언스들의 사용 데이터를 기반으로, 1인 가구의 분포의 도출이 가능하다.

따라서 본 발명에 따르면, 해당 지역에 인접해 있거나 새로 진입하려는 사업자, 예를 들어 편의점, 빵집, 커피전문점, 배달서비스 등에 가구분포 유형 데이터를 판매 제공함으로써 비즈니스 수익을 만들어 낼 수 있다.

또한 1인 가구 트랜드에 맞는 식품, 상품 패키지, 서비스 등을 보다 효율적으로 판매하거나 진열하는 등, 상품 판매 및 서비스 제공의 정교화가 가능해지며, 창업 전략이나 판매 전략을 수립하는데 도움을 줄 수 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.

본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

1. 가정 내에 배치된 적어도 하나의 홈 어플라이언스로부터 사용 데이터를 수신하는 통신부;
   상기 사용 데이터에 기초하여, 상기 가정에서의 사용 패턴을 획득하는 분석 모듈;
   가정 들로부터 획득된 사용 패턴을 이용하여, 상기 가정 들을 가구 구성원의 수에 따라 나눈 결과 값을 출력하는 학습 모델; 및
   상기 결과 값 및 상기 가정 들의 위치 정보에 기초하여 1인 가구의 분포 데이터를 사업자에게 제공하는 프로세서를 포함하고,
   상기 학습 모델은,
   복수의 가정의 사용 패턴을 이용하여 트레이닝 된 뉴럴 네트워크인
   인공지능 장치.
2. 제 1항에 있어서,
   상기 프로세서는,
   상기 1인 가구의 분포 데이터를 이용하여 1인 가구의 밀도가 기 설정된 값보다 높은 지역을 획득하고, 상기 획득된 지역을 사업자에게 제공하는
   인공지능 장치.
3. 제 1항에 있어서,
   상기 사용 데이터는,
   홈 어플라이언스의 식별 데이터 및 홈 어플라이어언스의 동작 데이터 중 적어도 하나를 포함하는
   인공지능 장치.
4. 제 3항에 있어서,
   상기 사용 패턴은,
   상기 가정에서의 홈 어플라이언스의 보유 상태 및 홈 어플라이어언스의 동작 상태를 포함하는
   인공지능 장치.
5. 제 1항에 있어서,
   상기 학습 모델은,
   비지도 학습을 기반으로, 복수의 가정의 사용 패턴을 이용하여 상기 뉴럴 네트워크를 트레이닝 함으로써 생성되는
   인공지능 장치.
6. 제 5항에 있어서,
   상기 학습 모델은,
   상기 가정 들로부터 획득된 상기 사용 패턴이 입력되면, 상기 가정 들을 상기 1인 가구 및 다인 가구로 클러스터링 한 상기 결과 값을 출력하는
   인공지능 장치.
7. 제 1항에 있어서,
   상기 학습 모델은,
   사용 패턴 및 상기 사용 패턴에 레이블된 1인 가구 또는 다인 가구를 이용하여 상기 뉴럴 네트워크를 트레이닝 함으로써 생성되는
   인공지능 장치.
8. 제 7항에 있어서,
   상기 학습 모델은,
   상기 가정 들로부터 획득된 상기 사용 패턴이 입력되면, 상기 가정 들을 상기 1인 가구 및 다인 가구로 분류(classification)한 상기 분포 데이터를 출력하는
   인공지능 장치.
9. 제 1항에 있어서,
   상기 프로세서는,
   상기 1인 가구의 분포 데이터를 이용하여 판매 전략 정보를 획득하고, 상기 획득한 판매 전략 정보를 상기 사업자에게 전송하는
   인공지능 장치.
10. 복수의 가정의 사용 패턴을 이용하여 뉴럴 네트워크를 트레이닝 하여 학습 모델을 생성하는 단계;
    가정 내에 배치된 적어도 하나의 홈 어플라이언스로부터 사용 데이터를 수신하는 단계;
    상기 사용 데이터에 기초하여, 상기 가정에서의 사용 패턴을 획득하는 단계;
    가정 들로부터 획득된 사용 패턴을 이용하여, 상기 가정 들을 가구 구성원의 수에 따라 나눈 결과 값을 출력하는 단계; 및
    상기 결과 값 및 상기 가정 들의 위치 정보에 기초하여 1인 가구의 분포 데이터를 사업자에게 제공하는 단계를 포함하는
    인공지능 장치의 동작 방법.

Images