KR20210092071A

KR20210092071A - 전자 장치 및 그 제어 방법

Info

Publication number: KR20210092071A
Application number: KR1020200005592A
Authority: KR
Inventors: 김경재; 김주유; 송형선; 김석배; 김주대; 나덕균
Original assignee: 삼성전자주식회사
Priority date: 2020-01-15
Filing date: 2020-01-15
Publication date: 2021-07-23
Also published as: WO2021145551A1; US20220341078A1

Abstract

전자 장치가 개시된다. 전자 장치는 학습된 인공 지능 모델에 대한 정보가 저장된 메모리, 통신 인터페이스 및, 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 획득된 추천 행정 정보를 세탁 관련 기기로 전송하도록 통신 인터페이스를 제어하는 프로세서를 포함하며, 프로세서는, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 복수의 그룹 중 세탁 관련 기기가 속한 그룹의 성향 정보를 획득할 수 있다. 여기서, 인공 지능 모델은, 세탁 관련 기기로부터 수신된 사용 정보 및 획득된 성향 정보에 기초하여 학습될 수 있다.

Description

전자 장치 및 그 제어 방법 { Electronic apparatus and control method thereof }

본 개시는 전자 장치 및 그 제어 방법에 관한 것으로, 더욱 상세하게는 가전 기기의 사용 정보를 관리하는 전자 장치 및 그 제어 방법에 관한 것이다.

전자 기술의 발달에 힘입어 다양한 유형의 전자 기기가 개발 및 보급되고 있다. 특히, 가정에서 이용되는 가전 기기는 사용자의 니즈를 만족시키기 위하여 최근 수년 간 지속적으로 발전하고 있다.

최근에는 스마트 폰에 설치된 어플리케이션을 통해 홈 내의 가전 기기를 제어하기 위한 다양한 방식이 보급되고 있다.

일 예에 따라 세탁기, 건조기, 에어드레서 등과 같은 세탁 관련 기능을 제공하는 기기에 대한 사용 패턴 정보에 기초하여 추천 행정 정보를 제공하는 기능도 제공되고 있다. 하지만, 세탁 관련 기기의 사용 정보가 많이 축적되지 않은 경우에는 사용 패턴 정보를 생성할 수 없다는 문제점이 있었다.

본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은 사용 정보가 축적되지 않은 세탁 관련 기기에 대해서도 사용 패턴 정보에 기초한 추천 행정 정보를 제공하는 전자 장치 및 그 제어 방법을 제공함에 있다.

이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 전자 장치는, 학습된 인공 지능 모델에 대한 정보가 저장된 메모리, 통신 인터페이스 및, 상기 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하도록 상기 통신 인터페이스를 제어하는 프로세서;를 포함하며, 상기 프로세서는, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하며, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습될 수 있다.

이 경우, 상기 인공 지능 모델은, 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함하며, 상기 복수의 인공 지능 모델 각각은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습될 수 있다.

또는, 상기 인공 지능 모델은 상이한 성향 정보를 학습할 수 있는 하나의 인공 지능 모델로 구현되며, 상기 세탁 관련 기기로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습될 수 있다.

또한, 상기 프로세서는, 날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하거나, 날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득할 수 있다.

또한, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습되거나, 상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습될 수 있다.

또한, 상기 프로세서는, 상기 세탁 관련 기기로부터 상기 추천 행정 정보에 대한 사용자 선택과 관련된 피드백 정보가 수신되면, 상기 수신된 피드백 정보에 기초하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹을 재식별하거나, 상기 수신된 피드백 정보에 기초하여 상기 인공 지능 모델을 재학습시킬 수 있다.

또한, 상기 추천 행정 정보는, 세탁 코스 정보 또는 세탁 옵션 정보 중 적어도 하나를 포함할 수 있다.

또한, 상기 프로세서는, 상기 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 상기 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 상기 세탁 관련 기기로 전송하도록 상기 통신 인터페이스를 제어할 수 있다.

또한, 상기 프로세서는, 상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 상기 사용 패턴의 유사도에 기초하여 상기 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.

또한, 상기 프로세서는, 상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.

또한, 세탁 관련 기기의 사용 정보는, 선택 코스, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수, 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 중 적어도 하나에 대한 데이터를 포함할 수 있다.

일 실시 예에 따른 서버 장치 및 세탁 관련 기기를 포함하는 시스템은 학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하는 서버 장치 및 상기 서버 장치로부터 상기 추천 행정 정보가 수신되면, 상기 수신된 추천 행정 정보를 제공하는 세탁 관련 기기를 포함할 수 있다. 이 경우, 상기 서버 장치는, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득할 수 있다. 또한, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습될 수 있다.

또한, 상기 세탁 관련 기기는, 상기 서버 장치로부터 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보가 수신되면, 상기 우선 순위 정보에 기초하여 상기 복수의 추천 행정 정보를 제공할 수 있다.

한편, 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법은, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하고 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 단계, 학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득하는 단계 및 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하는 단계;를 포함하며, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습될 수 있다.

또한, 상기 추천 행정 정보를 획득하는 단계는, 날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하거나, 날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득할 수 있다.

또한, 상기 제어 방법은, 상기 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 상기 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 상기 세탁 관련 기기로 전송하는 단계를 더 포함할 수 있다.

또한, 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 단계는, 상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 상기 사용 패턴의 유사도에 기초하여 상기 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.

상술한 다양한 실시 예에 따르면, 세탁 관련 기기의 사용 정보가 많지 않은 경우에도 사용자의 사용 패턴과 관련된 추천 행정 정보를 제공할 수 있게 되므로, 사용자의 편의성이 향상된다.

도 1a 및 도 1b는 본 개시의 일 실시 예에 따른 시스템의 구성을 나타내는 도면들이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 나타내는 블럭도이다.
도 3a 및 도 3b는 본 개시의 일 실시 예에 따른 세탁 관련 기기의 그룹핑 방법을 설명하기 위한 도면들이다.
도 4는 본 개시의 일 실시 예에 따른 맵핑 정보의 예시를 나타내는 도면이다.
도 5a 및 도 5b는 다양한 실시 예에 따른 인공 지능 모델의 학습 방법을 설명하기 위한 도면들이다.
도 6은 본 개시의 다른 실시 예에 따른 타 전자 장치의 일 구현 예를 나타내는 도면이다.
도 7, 도 8a 및 도 8b는 일 실시 예에 따라 제공되는 UI 화면을 나타내는 도면들이다.
도 9는 일 실시 예에 따른 전자 시스템의 동작을 설명하기 위한 시퀀스도이다.
도 10은 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.

본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.

본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 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 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.

이하 첨부된 도면들을 참조하여 본 개시의 일 실시 예를 보다 상세하게 설명한다.

도 1a 및 도 1b는 본 개시의 일 실시 예에 따른 시스템의 구성을 나타내는 도면들이다.

도 1a에 따르면, 시스템은 전자 장치(100) 및 복수의 제어 대상 기기(10, 20, 30)을 포함할 수 있다.

전자 장치(100)는 등록된 다양한 기기(가령, 가전 기기 및 IoT(Internet of Things) 기기 등)를 제어하고 관리할 수 있다. 예를 들어, 전자 장치(100)는 사용자 계정 별로 기기를 등록하고 관리할 수 있다. 일 예에 따라 전자 장치(100)는 서버, 특히, 클라우드 서버로 구현될 수 있으나, 이에 한정되는 것은 아니다.

제어 대상 기기(10, 20, 30)는 전자 장치(100)로부터 수신된 신호에 의해 제어 가능한 IoT (Internet of Things) 기기일 수 있다. 일 실시 예에 따라 물과 세제를 이용하여 세탁물을 세탁하고 젖은 세탁물에 대한 탈수를 수행하는 세탁기 또는 의류 등에 대한 건조 기능을 수행하는 건조기, 의류 등에 대한 청정 기능을 수행하는 의류 청정기 등과 같이 세탁과 관련된 다양한 기능을 수행하는 기기로 구현될 수 있다. 다만, 이하에서는 설명의 편의를 위하여 세탁물과 관련된 다양한 기능을 수행하는 기기를 "세탁 관련 기기"라 명명하도록 한다. 또한, 설명의 편의를 위하여 복수의 세탁 관련 기기(10, 20, 30)는 서로 다른 사용자 계정에 등록된 세탁 관련 기기인 것으로 상정하여 설명하도록 한다.

전자 장치(100)은 액세스 포인트를 세탁 관련 기기(10, 20, 30)와 통신하거나, LTE, 5G 등과 같은 이동 통신 네트워크를 통해 세탁 관련 기기(10, 20, 30)와 통신을 수행할 수 있다. 특히, 전자 장치(100)는 복수의 세탁 관련 기기(10, 20, 30)로부터 수신된 사용 정보에 기초하여, 인공 지능 모델을 이용하여 특정 세탁 관련 기기(10)에 대한 추천 행정 정보를 제공할 수 있다. 여기서, 특정 세탁 관련 기기(10)는 추천 행정 정보를 요청하는 이벤트가 발생된 세탁 관련 기기일 수 있다.

도 1b에 따르면, 시스템은 전자 장치(100), 데이터 서버(40), 사용자 단말(50) 및 복수의 제어 대상 기기(10, 20, 30)을 포함할 수 있다.

도 1b에 도시된 일 실시 예에 따르면, 전자 장치(100)는 복수의 세탁 관련 기기(10, 20, 30)의 사용 정보를 복수의 세탁 관련 기기(10, 20, 30)로부터 직접 수신하지 않고, 데이터 서버(40) 통해 수신하는 것도 가능하다. 이 경우, 데이터 서버(40)는 복수의 세탁 관련 기기(10, 20)의 사용 정보를 저장하고 관리하는 데이터베이스 서버로 구현될 수 있다. 예를 들어, 데이터 서버(40)는 복수의 세탁 관련 기기(10, 20, 30)의 사용 정보에 기초하여 복수의 세탁 관련 기기(10, 20, 30)의 고장 수리 서비스를 제공하는 서버로 구현될 수 있다.

도 1b에 도시된 다른 실시 예에 따르면, 전자 장치(100)는 사용자 단말(50)과 통신을 수행할 수 있다.

사용자 단말(50)은 어플리케이션을 제공하는 서버(미도시)로부터 어플리케이션을 다운로드받아 설치할 수 있다. 일 예에 따라 사용자 단말(50)는 스마트 폰, 태블릿과 같은 사용자 단말로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 전자 장치(200)는 노트북, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 전자책 단말기, 디지털 방송용 단말기, 네비게이션, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치로 구현되거나, 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기일 수 있다. 여기서, 세탁 관련 기기(10)는 사용자 단말(50)에 설치된 어플리케이션을 통해 제어 가능한 IoT (Internet of Things) 기기일 수 있다. 일 실시 예에 따라 세탁기, 건조기, 의류 청정기 등으로 구현 가능하다.

사용자는 사용자 단말(50)에서 어플리케이션을 실행하고 사용자 계정을 입력하여, 입력된 사용자 계정을 통해 전자 장치(100), 예를 들어 서버에 로그인할 수 있으며, 사용자 단말(50)은 로그인된 사용자 계정을 기반으로 전자 장치(100)와 통신을 수행할 수 있다. 전자 장치(100)는 세탁 관련 기기(10)를 대응되는 사용자 계정에 등록할 수 있다. 예를 들어, 사용자 단말(50)은 액세스 포인트(Access Point, AP) 모드로 동작하는 세탁 관련 기기(10)와 통신을 수행하여, 액세스 포인트(즉, 와이파이(Wi-Fi) 액세스 포인트)에 대한 정보를 세탁 관련 기기(10)로 전송할 수 있다. 예를 들어, 사용자 단말(50)은 연결 가능한 액세스 포인트에 대한 리스트를 사용자 단말(50)의 디스플레이에 표시하고, 리스트 상에서 사용자 명령에 따라 선택된 액세스 포인트에 대한 정보를 세탁 관련 기기(10)로 전송할 수 있다. 이 경우, 세탁 관련 기기(10)는 사용자 단말(50)로부터 수신된 액세스 포인트에 대한 정보를 이용하여 액세스 포인트와 통신 연결을 수행하고, 액세스 포인트를 통해 전자 장치(100)에 접속할 수 있다. 이에 따라, 전자 장치(100)는 액세스 포인트를 통해 세탁 관련 기기(10)가 접속되면, 로그인된 사용자 계정에 세탁 관련 기기(10)를 등록할 수 있다. 경우에 따라 전자 장치(100)는 사용자 단말(50)로 특정 세탁 관련 기기(10)에 대한 추천 행정 정보를 제공할 수 있다.

이하에서는, 본 개시의 다양한 실시 예에 따라 전자 장치(100)에서 세탁 관련 기기(10)의 사용 정보에 기초하여 추천 행정 정보를 제공하는 다양한 실시 예에 대해 설명하도록 한다.

도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 나타내는 블럭도이다.

도 2에 따른 전자 장치(100)는 메모리(110), 통신 인터페이스(120) 및 프로세서(130)를 포함한다.

전자 장치(100)는 서버로 구현 가능하며, 예를 들어, 클라우딩 컴퓨팅 환경이 구축된 서버로 구현될 수 있다. 이에 한정되는 것은 아니며, 인공 지능 모델을 이용하여 데이터를 처리하는 장치라면 한정되지 않고 적용 가능하다.

메모리(110)는 본 개시의 다양한 실시 예를 위해 필요한 데이터를 저장할 수 있다. 메모리(110)는 데이터 저장 용도에 따라 전자 장치(100)에 임베디드된 메모리 형태로 구현되거나, 전자 장치(100)와 통신 가능한(또는 탈부착 가능한) 메모리 형태로 구현될 수도 있다. 예를 들어, 전자 장치(100)의 구동을 위한 데이터의 경우 전자 장치(100)에 임베디드된 메모리에 저장되고, 전자 장치(100)의 확장 기능을 위한 데이터의 경우 전자 장치(100)와 통신 가능한 메모리에 저장될 수 있다. 한편, 전자 장치(100)에 임베디드된 메모리의 경우 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나로 구현될 수 있다. 또한, 전자 장치(100)와 통신 가능한 메모리의 경우 메모리 카드(예를 들어, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 등), USB 포트에 연결가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.

일 예에 따라 메모리(110)는 전자 장치(100)를 제어하기 위한 적어도 하나의 인스트럭션(instruction) 또는 인스트럭션들을 포함하는 컴퓨터 프로그램을 저장할 수 있다.

다른 예에 따라, 메모리(110)는 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장할 수 있다. 여기서, 인공 지능 모델에 관한 정보를 저장한다는 것은 인공 지능 모델의 동작과 관련된 다양한 정보, 예를 들어 인공 지능 모델에 포함된 복수의 레이어에 대한 정보, 복수의 레이어 각각에서 이용되는 파라미터(예를 들어, 필터 계수, 바이어스 등)에 대한 정보 등을 저장한다는 것을 의미할 수 있다. 예를 들어, 메모리(120)는 일 실시 예에 따라 추천 행정 정보를 획득하도록 학습된 인공 지능 모델에 대한 정보를 저장할 수 있다. 다만, 프로세서(130)가 인공 지능 모델 전용 하드웨어로 구현되는 경우, 인공 지능 모델에 관한 정보는 프로세서(130) 내부 메모리에 저장될 수도 있다.

일 실시 예에 따르면, 메모리(110)는 본 개시에 따른 다양한 동작들에서 생성되는 데이터를 저장하는 단일 메모리로 구현될 수 있다. 다만, 다른 실시 예에 따르면, 메모리(110)는 상이한 타입의 데이터를 각각 저장하거나, 상이한 단계에서 생성되는 데이터를 각각 저장하는 복수의 메모리를 포함하도록 구현될 수도 있다.

통신 인터페이스(120)는 복수의 세탁 관련 기기(10, 20, 30)와 통신을 수행할 수 있다.

일 실시 예에 따라 통신 인터페이스(120)는 세탁 관련 기기(10, 20, 30)와 통신을 수행하는 무선 통신 모듈을 포함할 수 있다. 다른 실시 예에 따라 통신 인터페이스(120)는 데이터 서버(40) 또는 사용자 단말(50) 중 적어도 하나와 추가적으로 통신을 수행할 수 있다.

예를 들어, 통신 인터페이스(120)는 무선 통신 모듈, 예를 들어, Wi-Fi 모듈을 포함할 수 있다. 다만, 이에 한정되는 것은 아니며, 통신 인터페이스(120)는 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격, 적외선 통신(IrDA, infrared Data Association) 기술 등에 따라 통신을 수행할 수도 있다.

프로세서(130)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작을 제어한다. 프로세서(130)는 하나 또는 복수의 프로세서로 구성될 수 있다. 구체적으로, 프로세서(130)는 메모리(110)에 저장된 적어도 하나의 인스트럭션(instruction)을 실행함으로써, 본 개시의 다양한 실시 예에 따른 전자 장치(100)의 동작을 수행할 수 있다.

일 실시 예에 따라 프로세서(130)는 디지털 영상 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), GPU(Graphics Processing Unit), AI(Artificial Intelligence) 프로세서, NPU (Neural Processing Unit), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(140)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, ASIC(application specific integrated circuit), FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.

또한, 일 실시 예에 따른 인공 지능 모델을 실행하기 위한 프로세서(130)는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서과 소프트웨어의 조합을 통해 구현될 수 있다. 프로세서(130)는, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어할 수 있다. 또는, 프로세서(130)가 전용 프로세서(또는 인공 지능 전용 프로세서)인 경우, 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 예를 들어, 특정 인공 지능 모델의 처리에 특화된 하드웨어는 ASIC, FPGA 등의 하드웨어 칩으로 설계될 수 있다. 프로세서(130)가 전용 프로세서로 구현되는 경우, 본 개시의 실시 예를 구현하기 위한 메모리를 포함하도록 구현되거나, 외부 메모리를 이용하기 위한 메모리 처리 기능을 포함하도록 구현될 수 있다.

일 실시 예에 따르면, 프로세서(130)는 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 획득된 추천 행정 정보를 세탁 관련 기기(10) 또는 사용자 단말(50)로 전송하도록 통신 인터페이스(120)를 제어할 수 있다.

일 예에 따라 인공 지능 모델은 CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등으로 구현될 수 있으나, 이에 한정되지 않는다.

추천 행정 정보는 코스 정보 및 옵션 정보(예를 들어 코스 별 옵션 정보)를 포함할 수 있다. 예를 들어, 세탁 코스는 표준 코스, 울세탁 코스, 아기 세탁 코스, 소프트 버블 등을 포함할 수 있고, 옵션 정보는 세탁 시간, 물 온도, 건조 시간 등을 포함할 수 있다. 다만, 건조기의 경우, 코스 정보는 이불/먼지 털기, 살균 코스, 강력 코스 등을 포함하고, 옵션 정보는, 건조 레벨, 건조 시간 등을 포함할 수 있다. 의류 청정기의 경우, 코스 정보는 표준 코스, 미세 먼지 코스, 급속 코스, 살균 코스 등을 포함하고, 옵션 정보는 관리 레벨, 관리 시간 등을 포함할 수 있다. 다만, 이는 코스 정보 및 옵션 정보의 일 예를 든 것이며, 다양한 정보가 추가될 수 있음은 물론이다. 또한, 추천 행정 정보에 코스 정보 및 옵션 정보 뿐 아니라 다양한 부가 정보가 추가될 수 있음은 물론이다.

이 경우, 프로세서(130)는 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 복수의 그룹 중 세탁 관련 기기(10)가 속한 그룹의 성향 정보를 획득할 수 있다. 일 실시 예에 따라 그룹핑되는 복수의 세탁 관련 기기는 동일한 타입의 기기 예를 들어, 세탁기일 수 있다.

이 경우, 인공 지능 모델은, 세탁 관련 기기(10)로부터 수신된 사용 정보 및 획득된 성향 정보(또는 코스 성향 정보)에 기초하여 학습될 수 있다. 즉, 일 실시 예에 따르면, 세탁 관련 기기(10)의 사용 정보 양이 인공 지능 모델을 학습시키기에 부족하더하도 세탁 관련 기기(10)의 사용 정보와 동일한 성향의 사용 정보를 이용하여 인공 지능 모델을 학습시킬 수 있게 된다. 이에 따라, 세탁 관련 기기(10)의 사용 정보가 충분히 축적되지 않은 경우에도 인공 지능 모델을 통해 사용자의 세탁 관련 기기(10) 사용 성향에 적합한 추천 행정 정보를 제공받을 수 있게 된다.

여기서, 세탁 관련 기기가 세탁기로 구현되는 경우, 사용 정보는, 선택 코스, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수(예를 들어, [0-6시 세탁 수], [6-12시 세탁 수], [12-18시 세탁 수], [18-24시 세탁수]) 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 등 다양한 사용 데이터를 포함할 수 있다. 다만 세탁 관련 기기가 건조기, 또는 의류 청정기로 구현되는 경우 해당 기기의 기능과 관련된 다양한 사용 데이터를 포함할 수 있다. 예를 들어, 건조기의 경우, 사용 정보는 코스 정보(이불/먼지 털기, 살균 코스, 강력 코스 등), 건조 레벨, 건조 시간 등을 포함할 수 있다. 의류 청정기의 경우, 사용 정보는 코스 정보(표준 코스, 미세 먼지 코스, 급속 코스, 살균 코스 등), 관리 레벨, 관리 시간 등을 포함할 수 있다.

일 예에 따라 프로세서(130)는 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보(이하, 최근 사용 정보라 함)에 기초하여 복수의 세탁 관련 기기를 그룹핑할 수 있다. 구체적으로, 프로세서(130)는 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 사용 패턴을 획득하고, 사용 패턴의 유사도에 기초하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다. 여기서, 최근 임계 시간 구간은 현재를 기준으로 기설정된 시간 구간 이전에 획득된 사용 정보, 예를 들어, 최근 2주 동안 획득된 사용 정보가 될 수 있다.

예를 들어, 프로세서(130)는 서로 다른 타입의 사용 정보를 벡터 데이터 형태로 생성하여 사용 패턴을 획득할 수 있다. 여기서, 사용 패턴은 최근 사용 정보에 기초한 일시적인 패턴을 의미할 수 있다.

일 예로 프로세서(130)는 {제1 타입 사용 정보, 제2 타입 사용 정보, 제3 타입 사용 정보... 제n 타입 사용 정보}의 형태로, 벡터 데이터를 생성할 수 있다. 여기서, 서로 다른 타입의 사용 정보 예를 들어, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수(예를 들어, [0-6시 세탁 수], [6-12시 세탁 수], [12-18시 세탁 수], [18-24시 세탁수]) 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 등을 포함할 수 있다. 예를 들어, 벡터 데이터가 { 총 세탁 횟수, 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수 }의 형태인 경우, {10, 3, 2, -1}와 같은 형태의 백터 데이터가 생성될 수 있다.

프로세서(130)는 복수의 세탁 관련 기기 각각의 사용 패턴(예를 들어, 벡터 데이터)가 획득되면, 획득된 사용 패턴에 인공 지능 기술(또는 인공 지능 모델링)을 적용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.

일 예에 따라 프로세서(130)는 획득된 사용 패턴에 기초하여 K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다. 여기서, K-means 알고리즘이란 비슷한 데이터들끼리 모아서 분류(Clustering)해주는 비지도 학습(Unsupervised Learning) 알고리즘을 의미한다. 여기서 비지도 학습(Unsuperised Learning)이란 입력만 있고 출력은 없는 경우에 적용되며, 입력 사이의 규칙성 등을 찾아낼 수 있는 알고리즘이다. 일 예에 따라, 1. 중심(Centroid) 값에 가까운 데이터끼리 분류(Clusering)하고, 2. 중심(Centroid) 값을 분류(Clusering)된 데이터의 중심 값으로 변경하며, 3. 중심(Centroid) 값이 더 이상 변하지 않을 때까지 1 및 2 과정을 반복할 수 있다.

프로세서(130)는 상술한 K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 예를 들어 도 3a에 도시된 바와 같이 복수의 그룹(Cluster 1, Cluster 2, Cluster 3)으로 그룹핑할 수 있다. 여기서, x, y, z축은 서로 다른 타입의 사용 정보 예를 들어, 선택 코스, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수, 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 등을 포함할 수 있다. 도 3a에서는 x, y, z축 세 가지 축 만을 도시하였지만 사용 정보의 타입에 따라 축의 개수, 즉 차원 수는 다양할 수 있음은 물론이다. 일 예에 따라 복수의 그룹(Cluster 1, Cluster 2, Cluster 3)은 도 3b에 도시된 바와 같이 각각 다른 코스에 대응될 수 있으나, 반드시 이에 한정되는 것은 아니다. 예를 들어, 복수의 그룹(Cluster 1, Cluster 2, Cluster 3) 중 일부는 동일한 코스의 서로 다른 옵션에 대응될 수 있다.

이 경우, 프로세서(130)는 임계 시간 단위로, 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보를 획득하고, 획득된 사용 정보에 기초하여 복수의 세탁 관련 기기의 최근 사용 패턴을 획득할 수 있다. 예를 들어, 프로세서(130)는 하루 단위로, 복수의 세탁 관련 기기 각각의 최근 2주 구간의 사용 정보를 획득하고, 획득된 사용 정보에 기초하여 복수의 세탁 관련 기기의 최근 사용 패턴을 획득할 수 있다. 즉, 오늘을 기준으로 최근 2주 구간의 사용 정보에 기초하여 최근 사용 패턴을 획득하고, 내일이 되면 내일을 기준으로 최근 2주 구간의 사용 정보에 기초하여 최근 사용 패턴을 획득하여 하루 단위로 최근 사용 패턴을 업데이트할 수 있다. 다만, 하루 단위, 2주 구간은 설명의 편의를 위하여 수치를 예로 든 것이며, 이에 한정되지 않음은 물론이다.

일 실시 예에 따라, 프로세서(130)는 복수의 세탁 관련 기기가 복수의 그룹으로 그룹핑되면, 각 그룹의 성향 정보를 획득할 수 있다. 또한, 프로세서(130)는, 각 그룹 별 사용 정보를 그룹 식별 정보, 기기 식별 정보 등과 맵핑하여 룩업 테이블 형태로 저장하고 인공 지능 모델의 학습에 이용할 수 있다. 도 4는 일 예에 따라 저장된 맵핑 정보의 예시를 나타낸다.

일 예에 따라 성향 정보는 각 그룹의 대표 성향을 반영할 수 있는 다양한 정보가 될 수 있다. 예를 들어, 성향 정보는, 복수의 그룹 각각의 대표 사용 패턴이 될 수 있다. 일 예에 따라 특정 그룹에 속한 복수의 세탁 관련 기기 각각에 대응되는 사용 패턴 정보가 생성되어 있는 경우, 해당 세탁 관련 기기들 중 우선 순위가 높은 사용 패턴 정보를 대표 사용 패턴 정보로 설정하거나, 복수의 사용 패턴 정보를 평균하여 대표 사용 패턴 정보를 설정할 수 있다.

여기서, 우선 순위는, 사용 패턴 정보 생성에 이용된 사용 데이터의 크기 정보, 사용 패턴 정보 생성에 이용된 사용 데이터의 날짜 정보, 세탁 관련 기기들의 위치 정보 또는, 세탁 관련 기기들의 제조사 또는 모델 정보 중 적어도 하나를 고려하여 설정될 수 있다. 예를 들어, 사용 데이터의 크기 정보가 클수록 사용 패턴 정보에 우선 순위를 높게 부여하거나, 사용 데이터의 날짜 정보가 최근 날짜 일수록 사용 패턴 정보에 우선 순위를 높게 부여할 수 있다. 다만, 상술한 예는 우선 순위를 설정하는 일 예에 불과하며, 우선 순위는 그외 다양한 방법으로 설정 가능하다.

일 실시 예에 따르면 인공 지능 모델은 세탁 관련 기기(10)로부터 수신된 사용 정보, 세탁 관련 기기(10)가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습될 수 있다. 또는 인공 지능 모델은 세탁 관련 기기(10)로부터 수신된 사용 정보, 타 세탁 관련 기기의 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습될 수 있다. 다만, 날씨 정보, 시간 정보 및 기기 정보가 학습에 반드시 요구되는 것은 아니며, 필요에 따라 적어도 일부가 생략될 수 있고, 다른 정보가 추가될 수도 있다.

여기서, 기기 정보는 세탁 관련 기기(10)와 관련된 다양한 정보, 예를 들어, 기능, 모델, 타입, 제조사, 위치 등 다양한 정보를 포함할 수 있고, 시간 정보는 시간, 요일, 휴일 등 시간과 관련된 다양한 정보를 포함할 수 있고, 날씨 정보는 온도, 먼지, 오존지수, 강수, 바람, 습도 등 날씨와 관련된 다양한 정보를 포함할 수 있다.

일 실시 예에 따르면, 인공 지능 모델은 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함할 수 있다. 이 경우, 복수의 인공 지능 모델 각각은, 세탁 관련 기기(10)로부터 수신된 사용 정보 및 세탁 관련 기기(10)가 속한 그룹에 대응되는 사용 정보에 기초하여 학습될 수 있다. 여기서, 세탁 관련 기기(10)가 속한 그룹에 대응되는 사용 정보란, 세탁 관련 기기(10)가 속한 그룹에 포함된 다른 세탁 관련 기기의 사용 정보가 될 수 있다.

다른 실시 예에 따르면, 인공 지능 모델은, 세탁 관련 기기(10)로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습될 수 있다.

도 5a 및 도 5b는 다양한 실시 예에 따른 인공 지능 모델의 학습 방법을 설명하기 위한 도면들이다.

일 실시 예에 따르면, 인공 지능 모델은 입력 훈련 데이터 및 출력 훈련 데이터 쌍에 기초하여 학습되거나, 입력 훈련 데이터에 기초하여 학습될 수 있다. 여기서, 인공 지능 모델이 학습된다는 것은, 기본 인공 지능 모델(예를 들어 임의의 랜덤한 파라미터를 포함하는 인공 지능 모델)이 학습 알고리즘에 의하여 다수의 훈련 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 전자 장치(100)를 통해 이루어질 수 있으나, 이에 한정되는 것은 아니며 별도의 서버 및/또는 시스템을 통해 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다. 다만, 이는 지도 학습의 경우를 예를 든 것이며, 출력 데이터로서 추천 행정 정보를 이용하지 않고 입력 데이터 만을 입력하여 인공 지능 모델을 학습시키는 비지도 학습에 기초하여 인공 지능 모델을 학습시킬 수 있음은 물론이다.

도 5a에 도시된 일 실시 예에 따르면, 각 그룹 별, 즉 그룹 성향 별 인공 지능 모델이 별도로 구비될 수 있다. 여기서, 그룹 성향은 일 예에 따라 코스 성향이 될 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 그룹 성향은 동일한 코스의 서로 다른 옵션 성향이 될 수도 있다.

예를 들어 도 5a에 도시된 바와 같이 제1 그룹에 대응되는 제1 인공 지능 모델(511)은 제1 그룹의 사용 정보 및 추천 행정 정보를 각각 입출력 훈련 데이터 쌍으로 이용하여 학습될 수 있다. 예를 들어, 도 5a에 도시된 바와 같이 제1 그룹의 사용 정보, 날씨 정보, 기기 정보, 시간 정보의 입력 데이터, 및 추천 행정 정보의 출력 데이터를 입출력 훈련 데이터 쌍으로 이용하여 학습될 수 있다. 이 경우, 제1 그룹에 속한 세탁 관련 기기들의 사용 정보가 될 수 있다. 또한, 유사한 방식으로 제2 그룹에 대응되는 제2 인공 지능 모델(512)은 제2 그룹의 사용 정보 및 추천 행정 정보를 각각 입출력 훈련 데이터 쌍으로 이용하여 학습될 수 있다. 다만, 이는 지도 학습의 경우를 예를 든 것이며, 출력 데이터로서 추천 행정 정보를 이용하지 않고 입력 데이터 만을 입력하여 인공 지능 모델을 학습시키는 비지도 학습에 기초하여 인공 지능 모델을 학습시킬 수 있음은 물론이다.

도 5b에 도시된 다른 실시 예에 따르면, 상이한 성향 정보를 학습할 수 있는 하나의 인공 지능 모델 만이 구비될 수 있다.

도 5a에 도시된 바와 다르게 인공 지능 모델(520)은 사용 정보, 날씨 정보, 기기 정보, 시간 정보, 성향 정보의 입력 데이터 및 추천 행정 정보의 출력 데이터를 입출력 훈련 데이터 쌍으로 이용하여 학습될 수 있다. 여기서, 사용 정보는 그룹과 관계없는 임의의 사용 정보가 될 수 있다. 다만, 인공 지능 모델(520)은 성향 정보를 훈련 데이터로 하여 각 그룹에 대응되는 추천 행정 정보를 출력하도록 학습될 수 있다.

도 2로 돌아와서, 프로세서(130)는 학습된 인공 지능 모델로부터 획득된 추천 행정 정보를 세탁 관련 기기(10) 또는 사용자 단말(50)로 전송할 수 있다. 이 경우, 인공 지능 모델의 입력 데이터는, 날씨 정보, 시간 정보, 기기 정보 및 사용 정보 중 적어도 하나를 포함할 수 있다. 다만 인공 지능 모델의 구현 예에 따라 성향 정보가 추가적으로 인공 지능 모델로 입력될 수 있다.

학습된 인공 지능 모델은 적어도 하나의 추천 행정 정보 및 해당 정보에 대응되는 확률 값을 출력할 수 있다. 예를 들어 프로세서(130)는 인공 지능 모델로부터 복수의 추천 행정 정보가 출력되면, 대응되는 확률 값에 기초하여 각 추천 행정 정보의 우선 순위를 결정할 수 있다. 이 경우, 프로세서(130)는 복수의 추천 행정 정보 및 대응되는 우선 순위 정보를 세탁 관련 기기(10) 또는 사용자 단말(50)로 전송할 수 있다. 다만, 우선 순위는 반드시 확률 값에 의해 결정되는 것은 아니며, 기 정해진 규칙에 따라 결정되는 것도 가능하다.

이 경우, 인공 지능 모델의 출력 부분은 softmax 처리가 가능하도록 구현될 수 있다. 여기서, softmax 는 입력받은 값을 0 ~ 1 사이 값으로 모두 정규화하며 출력 값들의 총합을 항상 1로 만드는 함수로, 각 class 별 즉, 각 추천 행정 정보의 확률 값을 출력하는 기능을 할 수 있다. 경우에 따라 인공 지능 모델의 출력 부분은 Argmax 처리가 가능하도록 구현될 수 있다. Argmax 는 다수의 label 중에서 가장 가능성 높은 것을 선택해 주는 함수로, 여기에서는 각 class 별 확률 값을 확률 값 중 가장 큰 값을 가지는 비율을 선택해 주는 기능을 할 수 있다. 즉, 인공 지능 모델은 각각의 출력 부분이 Argmax 처리되어 있는 경우, 가장 높은 확률 값을 가지는 하나의 추천 행정 정보 만이 출력될 수 있게 된다.

일 실시 예에 따라 프로세서(130)는 추천 행정 정보를 세탁 관련 기기(10) 또는 사용자 단말(50)로 전송한 후, 세탁 관련 기기(10) 또는 사용자 단말(50)로부터 추천 행정 정보에 대한 사용자 선택과 관련된 피드백 정보를 수신할 수 있다. 이 경우, 프로세서(130)는 수신된 피드백 정보에 기초하여 복수의 그룹 중 상기 세탁 관련 기기(10)가 속한 그룹을 재식별할 수 있다. 예를 들어, 프로세서(130)는 사용자가 복수의 추천 행정 정보 중 우선 순위가 낮은 추천 행정 정보를 선택하거나, 추천 행정 정보의 일부 옵션 정보를 변경하여 행정을 진행한 경우, 해당 피드백 정보를 반영하여 세탁 관련 기기(10)가 속한 그룹을 재식별할 수 있다. 또한, 프로세서(130)는 해당 피드백 정보를 반영하여 인공 지능 모델을 재학습시킬 수도 있다.

도 6은 본 개시의 다른 실시 예에 따른 타 전자 장치의 일 구현 예를 나타내는 도면이다.

도 6에 따르면, 전자 장치(200)는 메모리(210), 통신 인터페이스(220), 디스플레이(230), 사용자 인터페이스(240) 및 프로세서(250)를 포함한다. 여기서, 전자 장치(200)는 도 1a 및 도 1b에 도시된 세탁 관련 기기(10) 또는 사용자 단말(50)로 구현 가능하다.

메모리(210)는 전자 장치(200)를 구동하기 위한 다양한 모듈을 저장한다. 예를 들어, 메모리(210)에는 베이스 모듈, 센싱 모듈, 통신 모듈, 프리젠테이션 모듈, 웹 브라우저 모듈, 서비스 모듈을 포함하는 소프트웨어가 저장될 수 있다.

일 실시 예에 따라, 전자 장치(200)가 세탁 관련 기기(10)로 구현되는 경우, 세탁 관련 기기(10)에서 획득되는 다양한 사용 정보를 저장할 수 있다.

다른 실시 예에 따라 전자 장치(200)가 사용자 단말(50)로 구현되는 경우, 메모리(210)는 외부 기기를 제어하기 위한 어플리케이션(예를 들어, 도 1b에서 설명된 어플리케이션)을 저장할 수 있다. 여기서 어플리케이션은 홈 내의 가전 기기 등을 원격 제어하기 위한 어플리케이션일 수 있다.

통신 인터페이스(220)는 외부 장치(예를 들어 도 1a 및 도 1b의 전자 장치(100))와 통신을 수행할 수 있다.

일 실시 예에 따라 통신 인터페이스(220)는 예를 들어, Wi-Fi 모듈을 포함할 수 있다. 와이 파이 모듈은 802.11a, 802.11b, 802.11g, 802.11n 중 802.11ac 적어도 하나의 규격 버전에 따라 통신을 수행할 수 있으나, 이에 한정되는 것은 아니며 추후 개발되는 새로운 버전이 포함될 수 있음은 물론이다. 다만, 이에 한정되는 것은 아니며, 통신 인터페이스(220)는 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격, 적외선 통신(IrDA, infrared Data Association) 기술 등에 따라 통신을 수행할 수도 있다.

디스플레이(230)는 자발광 소자를 포함하는 디스플레이 또는, 비자발광 소자 및 백라이트를 포함하는 디스플레이로 구현될 수 있다. 예를 들어, LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, LED(Light Emitting Diodes), 마이크로 LED(micro LED), Mini LED, PDP(Plasma Display Panel), QD(Quantum dot) 디스플레이, QLED(Quantum dot light-emitting diodes) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(230) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이(230)는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 롤러블 디스플레이(rollable display), 3차원 디스플레이(3D display), 복수의 디스플레이 모듈이 물리적으로 연결된 디스플레이 등으로 구현될 수 있다.

사용자 인터페이스(240)는 버튼, 터치 패드, 마우스 및 키보드와 같은 장치로 구현되거나, 상술한 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(200)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.

프로세서(250)는 전자 장치(200)의 전반적인 동작을 제어한다.

특히, 프로세서(250)는 UI 화면을 디스플레이하도록 디스플레이(230)를 제어할 수 있다. 여기서, UI 화면은 이미지, 동영상, 텍스트, 음악 등과 같은 다양한 컨텐츠 재생 화면, 다양한 컨텐츠를 포함하는 어플리케이션 실행 화면, 웹 브라우저 화면, GUI(Graphic User Interface) 화면 등을 포함할 수 있다.

일 실시 예에 따라 프로세서(250)는 전자 장치(200)를 제어하기 위한 UI 또는 외부 기기와 관련된 UI 화면을 제공하도록 디스플레이(230)를 제어할 수 있다. 이 경우, 해당 UI 화면은 OS 상에서 사용자가 직접 사용하게 되는 소프트웨어인 어플리케이션(Application)을 통해 제공될 수 있다. 이 경우, 어플리케이션은 디스플레이(230) 화면 상에서 아이콘 인터페이스 형태로 제공될 수 있다. 일 예에 따라 전자 장치(200)가 사용자 단말(50)로 구현되는 경우 프로세서(250)는 외부 기기와 관련된 UI 화면을 제공하도록 디스플레이(230)를 제어할 수 있다. 이 경우 외부 기기는 세탁 관련 기기(10)가 될 수 있다.

일 예에 따라 어플리케이션을 통해 제공되는 UI 화면은 세탁 관련 기기(10)의 행정과 관련된 다양한 정보를 제공할 수 있으며, 세탁 관련 기기의 컨트롤을 위해 입력 및 출력이 가능한 컨트롤 패널의 기능을 할 수 있다. 즉, UI 화면은 사용자와 인터페이스를 위한 구성으로, 사용자의 입력을 수신하기 위한 입력 인터페이스 및 사용자 입력에 따른 정보(예를 들어 제어 정보)를 표시하는 출력 인터페이스를 포함할 수 있다.

일 예에 따라, 프로세서(250)는 기설정된 이벤트에 따라 세탁 관련 기기(10)의 추천 행정 정보에 대한 요청을 서버(예를 들어, 도 1a, 도 1b의 전자 장치(100))로 전송하고, 서버로부터 수신된 추천 행정 정보를 제공할 수 있다. 기설정된 이벤트는 전자 장치(200)가 세탁 관련 기기(10)로 구현되는 경우, 세탁 긱기(10)의 전원이 온 되는 이벤트가 될 수 있고, 전자 장치(200)가 사용자 단말(50)로 구현되는 경우 특정 어플리케이션이 구동되고, 세탁 관련 기기 관련 기능이 선택되는 이벤트일 수 있다. 이 경우, 프로세서(250)는 실행 중인 어플리케이션 화면을 통해 추천 행정 정보를 제공할 수 있다.

전자 장치(200)는 세탁 관련 기기(10)로 구현되는 경우, 추천 행정 정보는, 세탁 관련 기기에 마련된 UI(User Interface) 화면을 통해 제공될 수 있다. 이 경우, 프로세서(250)는 복수의 추천 행정 정보가 수신되면, 복수의 추천 행정 정보에 대응되는 우선 순위 정보에 기초하여 복수의 추천 행정 정보를 제공하도록 디스플레이(230)를 제어할 수 있다.

그 밖에 전자 장치(200)는 다양한 입출력 인터페이스(미도시), 스피커(미도시), 마이크(미도시)를 더 포함할 수 있다. 마이크는 사용자 음성이나 기타 소리를 입력받아 오디오 데이터로 변환하기 위한 구성이다. 예를 들어, 본 개시의 다양한 실시 예에 따른 UI 화면에 포함된 정보가 스피커(미도시)를 통해 음성으로 제공되고, 마이크(미도시)를 통해 사용자 명령이 음성으로 입력될 수도 있다.

도 7, 도 8a 및 도 8b는 일 실시 예에 따라 제공되는 UI 화면을 나타내는 도면들이다.

도 7은 전자 장치(200)가 세탁 관련 기기(10)로 구현되는 경우의 UI 화면을 나타낸다

도 7에 따르면, 기설정된 이벤트에 따라 추천 행정 정보(711)를 제공하는 UI 화면(710)이 디스플레이(11) 상에 제공될 수 있다. 또한, 다음으로 추천되는 추천 행정 정보를 보기 위한 네비게이션 GUI(712)가 함께 제공될 수 있다. 일 예에 따라 제공되는 추천 행정 정보는 우선 순위에 따라 순차적으로 제공될 수 있다. 이 경우, 기설정된 이벤트는 예를 들어 세탁 관련 기기(10)가 전원 온 되어 디스플레이(11)가 턴 온 되는 이벤트가 될 수 있으나, 사용자의 추천 정보 요청 명령이 있는 경우 등이 될 수도 있다.

도 8a 및 도 8b는 전자 장치(200)가 사용자 단말(50)로 구현되는 경우의 UI 화면을 나타낸다.

도 8a는 특정 어플리케이션이 실행된 경우 제공되는 UI 화면을 도시한 것으로 해당 UI 화면(810)에는 제어 가능한 가전 기기를 나타내는 아이콘 이미지가 제공될 수 있다. 여기서, 사용자의 터치 입력에 의해 세탁 관련 기기(811)가 선택되면, 도 8b에 도시된 바와 같이 추천 행정 정보(821)를 제공하는 UI 화면(820)이 제공될 수 있다. 또한, 다음으로 추천되는 추천 행정 정보를 보기 위한 네비게이션 GUI(822)가 함께 제공될 수 있다.

도 9는 일 실시 예에 따른 전자 시스템의 동작을 설명하기 위한 시퀀스도이다.

도 9에 도시된 시퀀스도에 따르면, 세탁 관련 기기(10)의 전원이 ON 되면(S910), 세탁 관련 기기(10)는 전자 장치(100)로 추천 행정 정보를 요청한다(S920). 일 예에 따라, 세탁 관련 기기(10)에 구비된 WiFi 모듈은 추천 행정 정보를 요청하는 API[Application Program Interface] request 신호를 전자 장치(100)로 전송할 수 있다.

전자 장치(100)는 세탁 관련 기기(10)로부터 추천 행정 정보를 요청하는 신호가 수신되면 학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득한다(S930). 일 예에 따라, 전자 장치(100)는 전자 장치(100)로부터 수신된 사용 정보 및 성향 정보에 기초하여 학습된 인공 지능 모델로부터 추천 행정 정보를 획득할 수 있다. 또한, 전자 장치(100)는 날씨 정보, 시간 정보 또는 기기 정보 중 적어도 하나를 추가적으로 이용하여 학습된 인공 지능 모델로부터 추천 행정 정보를 획득할 수 있다.

전자 장치(100)는 추천 행정 정보가 획득되면(S930), 획득된 추천 행정 정보를 세탁 관련 기기(10)로 전송할 수 있다(S940). 일 예에 따라, 전자 장치(100)는추천 행정 정보를 포함하는 API response 신호를 전자 장치(100)로 전송할 수 있다.

이 경우, 세탁 관련 기기(10)는 수신된 추천 행정 정보를 UI를 통해 제공할 있다. 이 경우, 복수의 추천 행정 정보 및 우선 순위 정보가 수신되면, 세탁 관련 기기(10)는 복수의 추천 행정 정보의 우선 순위에 기초하여 사용자 명령에 따라 복수의 추천 행정 정보를 순차적으로 제공할 수 있다.

다만, 경우에 따라 세탁 기기(10)가 전자 장치(100)와 네트워크 연결이 되지 않은 경우, 추천 행정 정보를 수신하지 못할 수도 있다. 이 경우, 세탁 기기(10)는 온 디바이스(On device) 코스 설정 기능에 따라 자동으로 세팅될 수 있다. 예를 들어, 세탁 기기(10)는 최근 사용 이력 중 가장 많이 사용된 코스 및 옵션 순서로 세팅될 수 있다.

또한, 세탁 기기(10)는 수신된 추천 행정 정보가 기기 스펙과 맞지 않는 경우, 예를 들어 추천 행정 정보에 세탁 기기(10)에서 지원하지 않는 옵션 정보가 포함된 경우 등에도 온 디바이스(On device) 코스 설정 기능에 따라 자동으로 세팅될 수 있다.

도 10은 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

도 10에 도시된 전자 장치의 제어 방법에 따르면, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하고 복수의 그룹 중 세탁 관련 기기가 속한 그룹의 성향 정보 획득한다(S1010).

이어서, 획득된 성향 정보에 기초하여 인공 지능 모델을 학습한다(S1020).

이어서, 학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득한다(S1030).

이 후, 획득된 추천 행정 정보를 세탁 관련 기기로 전송한다(S1040).

여기서, 인공 지능 모델은 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함할 수 있다. 이 경우, 복수의 인공 지능 모델 각각은, 세탁 관련 기기로부터 수신된 사용 정보 및 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습될 수 있다.

구체적으로, 인공 지능 모델은 특정 세탁 관련 기기로부터 수신된 사용 정보, 특정 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습될 수 있다.

또는, 인공 지능 모델은 하나의 인공 지능 모델로 구현될 수 있다. 이 경우, 인공 지능 모델은, 특정 세탁 관련 기기로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습될 수 있다.

구체적으로, 특정 세탁 관련 기기로부터 수신된 사용 정보, 특정 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습될 수 있다.

또한, 추천 행정 정보를 획득하는 S1030 단계에서는, 날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 인공 지능 모델에 입력하여 추천 행정 정보를 획득하거나, 날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 인공 지능 모델에 입력하여 추천 행정 정보를 획득할 수 있다.

한편, 제어 방법은, 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 복수의 추천 행정 정보 및 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 세탁 관련 기기로 전송하는 단계를 더 포함할 수 있다.

또한, 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 S1010 단계는, 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 사용 패턴의 유사도에 기초하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.

또한, 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 S1010 단계는, 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 복수의 세탁 관련 기기의 사용 패턴을 획득하고, K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 형태로 구현될 수 있다.

또한, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.

또한, 상술한 본 개시의 다양한 실시 예들은 전자 장치에 구비된 임베디드 서버, 또는 전자 장치 중 적어도 하나의 외부 서버를 통해 수행되는 것도 가능하다.

한편, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서,‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.

일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

100: 전자 장치 110: 통신 인터페이스
120: 프로세서

Claims

학습된 인공 지능 모델에 대한 정보가 저장된 메모리;
통신 인터페이스; 및
상기 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하도록 상기 통신 인터페이스를 제어하는 프로세서;를 포함하며,
상기 프로세서는,
복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하며,
상기 인공 지능 모델은,
상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습되는, 전자 장치.
제1항에 있어서,
상기 인공 지능 모델은,
상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함하며,
상기 복수의 인공 지능 모델 각각은,
상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습되는, 전자 장치.
제1항에 있어서,
상기 인공 지능 모델은 상이한 성향 정보를 학습할 수 있는 하나의 인공 지능 모델로 구현되며,
상기 세탁 관련 기기로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습되는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하거나,
날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하는, 전자 장치.
제1항에 있어서,
상기 인공 지능 모델은,
상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습되거나,
상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습되는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 세탁 관련 기기로부터 상기 추천 행정 정보에 대한 사용자 선택과 관련된 피드백 정보가 수신되면, 상기 수신된 피드백 정보에 기초하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹을 재식별하거나, 상기 수신된 피드백 정보에 기초하여 상기 인공 지능 모델을 재학습시키는, 전자 장치.
제1항에 있어서,
상기 추천 행정 정보는,
세탁 코스 정보 또는 세탁 옵션 정보 중 적어도 하나를 포함하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 상기 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 상기 세탁 관련 기기로 전송하도록 상기 통신 인터페이스를 제어하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 상기 사용 패턴의 유사도에 기초하여 상기 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑하는, 전자 장치.
제9항에 있어서,
상기 프로세서는,
상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑하는, 전자 장치.
제1항에 있어서,
세탁 관련 기기의 사용 정보는,
선택 코스, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수, 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 중 적어도 하나에 대한 데이터를 포함하는, 전자 장치.
서버 장치 및 세탁 관련 기기를 포함하는 시스템에 있어서,
학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하는 서버 장치; 및
상기 서버 장치로부터 상기 추천 행정 정보가 수신되면, 상기 수신된 추천 행정 정보를 제공하는 세탁 관련 기기;를 포함하며,
상기 서버 장치는,
복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하며,
상기 인공 지능 모델은,
상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습되는, 시스템.
제12항에 있어서,
상기 세탁 관련 기기는,
상기 서버 장치로부터 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보가 수신되면, 상기 우선 순위 정보에 기초하여 상기 복수의 추천 행정 정보를 제공하는, 시스템.
전자 장치의 제어 방법에 있어서,
복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하고 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 단계;
학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득하는 단계; 및
상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하는 단계;를 포함하며,
상기 인공 지능 모델은,
상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습되는, 제어 방법.
제14항에 있어서,
상기 인공 지능 모델은,
상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함하며,
상기 복수의 인공 지능 모델 각각은,
상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습되는, 제어 방법.
제14항에 있어서,
상기 인공 지능 모델은 상이한 성향 정보를 학습할 수 있는 하나의 인공 지능 모델로 구현되며,
상기 세탁 관련 기기로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습되는, 제어 방법.
제14항에 있어서,
상기 추천 행정 정보를 획득하는 단계는,
날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하거나,
날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하는, 제어 방법.
제14항에 있어서,
상기 인공 지능 모델은,
상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습되거나,
상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습되는, 제어 방법.
제14항에 있어서,
상기 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 상기 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 상기 세탁 관련 기기로 전송하는 단계;를 더 포함하는, 제어 방법.
제14항에 있어서,
상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 단계는,
상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 상기 사용 패턴의 유사도에 기초하여 상기 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑하는, 제어 방법.