KR20210095429A - 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법 - Google Patents

사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법 Download PDF

Info

Publication number
KR20210095429A
KR20210095429A KR1020200009312A KR20200009312A KR20210095429A KR 20210095429 A KR20210095429 A KR 20210095429A KR 1020200009312 A KR1020200009312 A KR 1020200009312A KR 20200009312 A KR20200009312 A KR 20200009312A KR 20210095429 A KR20210095429 A KR 20210095429A
Authority
KR
South Korea
Prior art keywords
personal
information
model
users
weight
Prior art date
Application number
KR1020200009312A
Other languages
English (en)
Inventor
제임스 러셀 제라치
이경환
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200009312A priority Critical patent/KR20210095429A/ko
Priority to PCT/KR2020/012150 priority patent/WO2021149890A1/ko
Publication of KR20210095429A publication Critical patent/KR20210095429A/ko
Priority to US17/480,859 priority patent/US20220004874A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • User Interface Of Digital Computer (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

사용자에 대하여 수집된 개인 데이터에 기초하여 개인 모델을 학습함으로써, 학습된 개인 모델의 구성 요소를 포함하는 제1 정보를 획득하고, 사용자가 속한 그룹의 복수의 사용자들에 대한 그룹 모델 데이터에 기초하여 개인 모델을 학습함으로써, 학습된 개인 모델의 구성 요소를 포함하는 제2 정보를 획득하고, 제1 정보의 신뢰도에 기초하여, 제1 정보 및 제2 정보 각각에 적용될 제1 가중치 및 제2 가중치를 결정하고, 결정된 제1 가중치 및 제2 가중치가 적용된, 제1 정보 및 제2 정보에 기초하여, 개인 모델을 학습하는, 전자 장치에서, 사용자의 개인 모델을 학습하는 방법이 제공된다.

Description

사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법 {Electronic device and operating method for training an individual model of an user}
본 개시는, 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법에 관한 것이다.
전자 장치는, 사용자와 관련하여 수집된 다양한 종류의 개인 데이터에 기초하여 학습된 개인 모델을 이용하여, 사용자에게 다양한 서비스를 제공할 수 있다.
그러나, 개인 모델을 학습하기 위한 개인 데이터의 양이 충분하지 않거나, 수집된 개인 데이터의 정확도 또는 신뢰도가 낮은 경우, 개인 모델에 따라, 사용자에게 적합한 서비스가 제공되기 어려울 수 있다.
따라서, 개인 모델을 학습하기 위한 양질의 개인 데이터가 부족한 경우에도, 신뢰도 높게 학습된 개인 모델을 제공하는 방법이 필요하다.
본 개시가 해결하고자 하는 과제는 전술한 문제를 해결하기 위한 것으로서, 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법을 제공하기 위한 것이다.
또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 전자 장치에서, 사용자의 개인 모델을 학습하는 방법에 있어서, 상기 사용자에 대하여 수집된 개인 데이터에 기초하여 상기 개인 모델을 학습함으로써, 상기 학습된 개인 모델의 구성 요소를 포함하는 제1 정보를 획득하는 단계; 상기 사용자가 속한 그룹의 복수의 사용자들에 대한 그룹 모델 데이터에 기초하여 상기 개인 모델을 학습함으로써, 상기 학습된 개인 모델의 구성 요소를 포함하는 제2 정보를 획득하는 단계; 상기 제1 정보의 신뢰도에 기초하여, 상기 제1 정보 및 제2 정보 각각에 적용될 제1 가중치 및 제2 가중치를 결정하는 단계; 및 상기 결정된 제1 가중치 및 제2 가중치가 적용된, 상기 제1 정보 및 제2 정보에 기초하여, 상기 개인 모델을 학습하는 단계를 포함하는, 방법을 제공할 수 있다.
또한, 본 개시의 제2 측면은, 사용자의 개인 모델을 학습하는 전자 장치에 있어서, 상기 사용자가 속한 그룹의 복수의 사용자들에 대한 그룹 모델 데이터를 수신하는 통신부; 상기 사용자에 대하여 수집된 개인 데이터에 포함하는 상기 개인 모델을 학습함으로써, 상기 학습된 개인 모델의 구성 요소를 나타내는 제1 정보를 획득하고, 상기 그룹 모델 데이터에 기초하여 상기 개인 모델을 학습함으로써, 상기 학습된 개인 모델의 구성 요소를 포함하는 제2 정보를 획득하고, 상기 제1 정보의 신뢰도에 기초하여, 상기 제1 정보 및 제2 정보 각각에 적용될 제1 가중치 및 제2 가중치를 결정하고, 상기 결정된 제1 가중치 및 제2 가중치가 적용된, 상기 제1 정보 및 제2 정보에 기초하여, 상기 개인 모델을 학습하는 적어도 하나의 프로세서; 및 상기 학습된 개인 모델에 기초하여 수행된 동작의 결과를 출력하는 출력부를 포함하는, 전자 장치를 제공할 수 있다.
또한, 본 개시의 제3 측면은, 제1 측면의 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 제공할 수 있다.
일 실시 예에 의하면, 개인 데이터만으로 갱신된 개인 모델의 신뢰도가 낮은 경우에도, 그룹 모델 데이터에 따라 갱신된 개인 모델을 함께 이용함으로써, 신뢰도 높게 갱신된 개인 모델이 획득될 수 있다.
도 1은 일 실시 예에 의한 사용자의 개인 모델을 학습하는 전자 장치의 일 예를 나타낸 블록도이다.
도 2는 일 실시 예에 의한 하나의 그룹에 속한 복수 개의 개인 모델들의 일 예를 나타낸 도면이다.
도 3은 일 실시 예에 의한 개인 모델의 일 예를 나타낸 도면이다.
도 4는 일 실시 예에 의한 전자 장치의 내부 구성을 설명하기 위한 블록도이다.
도 5는 일 실시 예에 의한 전자 장치의 내부 구성을 설명하기 위한 블록도이다.
도 6은 일 실시 예에 의한 개인 모델을 학습하는 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 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.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 노드 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep 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) 등이 있으나, 전술한 예에 한정되지 않는다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 일 실시 예에 의한 사용자의 개인 모델을 학습하는 전자 장치(1000)의 일 예를 나타낸 블록도이다.
도 1을 참조하면, 사용자의 개인 모델을 학습하는 전자 장치(1000)는, 개인 데이터 수집부(110), 그룹 모델 데이터 수집부(120), ILI(Information learned from individual) 획득부(130), f(x) 결정부(140), ILG(Information learned from group) 획득부(150), 및 개인 모델 학습부(160)를 포함할 수 있다.
일 실시예에 따른 전자 장치(1000)는 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자 장치(1000)는, 디지털 카메라, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어 등이 있을 수 있으나, 이에 한정되는 것은 아니다. 본 명세서에서 기술되는 전자 장치(1000)는 사용자에 의해 착용될 수 있는 장치(wearable device)일 수 있다. 웨어러블 디바이스는 액세서리 형 장치(예컨대, 시계, 반지, 팔목 밴드, 발목 밴드, 목걸이, 안경, 콘택트 렌즈), 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형 장치(예: 전자 의복), 신체 부착형 장치(예컨대, 스킨 패드(skin pad)), 또는 생체 이식형 장치(예: implantable circuit) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 이하에서는, 설명의 편의상, 전자 장치(1000)가 스마트 폰인 경우를 예로 들어 설명하기로 한다.
일 실시 예에 의한 개인 모델은, 전자 장치(1000)의 사용자에 대하여 개인화된 인공지능 모델로, 전자 장치(1000)가 사용자에게 다양한 서비스를 제공하는데 이용될 수 있다. 일 실시 예에 의하면, 각 사용자 개개인에 대하여 수집된 서로 다른 개인 데이터에 기초하여, 각각의 사용자와 대응되는 개인 모델이 학습될 수 있다. 따라서, 일 실시 예에 의한 개인 모델은, 각 사용자에 대해 수집된 개인 데이터에 기초하여 학습됨에 따라, 각 사용자의 상황에 적합한 서비스를 제공하는데 이용될 수 있다.
또한, 일 실시 예에 의한 개인 모델은 DNN(Deep Neural Network), RNN(Recurrent Neural Network) 등의 뉴럴 네트워크(Neural Network)를 기반으로 하는 인공지능 모델일 수 있다. 상술한 예에 한하지 않고, 개인 모델은, 다양한 종류의 인공지능 모델일 수 있다.
일 실시 예에 의한 개인 모델은, 개인 데이터 수집부(110)에 의해 수집된 개인 데이터에 기초하여 학습될 수 있다. 또한, 일 실시 예에 의한 개인 모델은, 개인 데이터에 한하지 않고, 그룹 모델 데이터 수집부(120)에 의해 수집된 그룹 모델 데이터에 더 기초하여 학습될 수 있다.
일 실시 예에 의한 개인 데이터 수집부(110)에서 수집될 수 있는, 사용자의 개인 데이터는, 개인 정보, 위치 정보, 앱 사용과 관련된 정보, 일정 정보, SNS(social network service) 정보 등 사용자의 개인적인 상황(context)과 관련된 다양한 종류의 정보를 포함할 수 있다. 따라서, 일 실시 예에 의하면, 개인 데이터에 기초하여 학습된 개인 모델에 따라, 사용자에게 적절히 개인화된 서비스가 제공될 수 있다.
상술한 예에 한하지 않고, 개인 모델이 학습되는데 이용될 수 있는 사용자에 관한 정보는, 사용자에게 적합한 결과가 출력되도록, 개인 모델이 학습되기 위한, 사용자와 관련된 다양한 종류의 정보를 포함할 수 있다.
일 실시 예에 의한 ILI 획득부(130)는, 개인 데이터 수집부(110)에서 수집된 개인 데이터로부터 개인 모델을 학습하기 위해 획득된 정보로서, 예를 들면, 개인 데이터에 기초하여, 개인 모델로부터 사용자에게 적합한 결과가 출력되도록 개인 모델을 갱신하기 위한 정보를 획득할 수 있다.
일 실시 예에 의한 ILI는, 아래와 같은 수학식 1에 따라서, 개인 데이터에 기초하여 갱신된 개인 모델을 구성하는 구성 요소에 관한 정보를 포함할 수 있다. 예를 들어, ILI는, 이하 수학식 1과 같이, 우측의 연산이 수행된 결과에 따라, k+1 스텝에서, 개인 데이터를 이용하여 갱신된 개인 모델을 구성하는 구성 요소를 포함할 수 있다.
Figure pat00001
수학식 1에서, u는, 개인 모델을 구성하는 구성 요소로서, 예를 들면, 인공지능 모델을 구성하는, 각 노드에 대한 노드 가중치 및 바이어스 값을 나타낼 수 있다. 일 실시 예에 의하면, 개인 모델을 구성하는 구성 요소, 예를 들면, 각 노드에 대한 노드 가중치 및 바이어스 값 중 적어도 하나가, 개인 데이터에 기초하여, 갱신됨으로써, 개인 모델이 갱신될 수 있다.
i는, 현재 갱신되는 개인 모델과 대응되는 사용자(i)를 나타내는 인덱스 값이다. k는, 일 실시 예에 따라 개인 모델이 갱신된 스텝을 나타낸다. 일 실시 예에 의하면, 각 스텝 마다 개인 모델을 갱신하는 동작이 수행될 수 있다.
예를 들면, k 단계에서 갱신된 개인 모델인 uk에 기초하여 획득된 ILI과, 후술될 ILG에 더 기초하여, k+1 단계에서 갱신된 개인 모델인 uk+1이 획득될 수 있다.
일 실시 예에 의한 전자 장치(1000)는, 개인 데이터에 기초하여, 개인 모델을 구성하는 복수의 신경망 레이어들에 대한 복수의 노드 가중치들 및 바이어스들 중 적어도 하나를 최적화함으로써, 개인 모델을 갱신할 수 있다. 상술한 노드 가중치는, 상기 개인 모델을 구성하는 각 노드에 대해 적용될 수 있는 가중치를 나타낸다. 예를 들면, 전자 장치(1000)는 개인 데이터에 기초하여, 개인 모델을 통해 출력될 수 있는 예측 정보와, 예측 정보와 대응되는 관측 정보 간의 차이가 최소화될 수 있도록, 개인 모델을 갱신할 수 있다. 일 실시 예에 의한 관측 정보는, 예측 정보에 대한 정답을 나타내는 정보이며, 개인 데이터에 기초하여 결정될 수 있는 정보이다.
일 실시 예에 의하면, 개인 데이터에 기초하여, 개인 모델에 출력될 수 있는 예측 정보와 대응되는 관측 정보가 획득될 수 있다. 따라서, a 및 g는, 상기 관측 정보와 예측 정보 간 차이가 최소화되도록, 개인 모델을 구성하는 값들을 수정하기 위한 값으로 결정될 수 있다.
일 실시 예에 의한 a 및 g는 예측 정보와 관측 정보 간의 차이를 나타내는 손실 함수의 값이 최소화되는 지점에 따라 결정될 수 있는 값이다. 예를 들어, g는, 상기 개인 모델을 구성하는 각 노드에 대한 노드 가중치 및 바이어스 각각에 대하여, 상기 손실 함수의 값이 최소화되는 지점의 기울기를 나타내는 값을 포함할 수 있다. 또한, a는 상기 g에 적용됨으로써, uk 에 기초하여, uk+1이 획득될 수 있도록 하는, 상수값일 수 있다. 상술한 예에 한하지 않고, a 및 g는, 상기 관측 정보와 예측 정보 간 차이가 최소화되도록, 개인 모델을 구성하는 값들을 수정하기 위한 다양한 방법에 따라 결정될 수 있다.
그러나, 일 실시 예에 의한 개인 데이터 수집부(110)에서 수집된 개인 데이터의 양이 충분하지 않은 경우, ILI 에 기초하여, 학습된 개인 모델의 신뢰도가 낮을 수 있다. 예를 들면, 개인 모델을 학습하는데 이용된 개인 데이터의 양이 충분하지 않은 경우, 사용자에 관한 정보가 충분히 반영되어 개인 모델이 학습되지 않음에 따라서, 개인 모델에 따라 제공되는 서비스가 사용자에게 적합하지 않을 수 있다.
따라서, 일 실시 예에 의한 전자 장치(1000)는, 개인 데이터에 기초하여 획득된 ILI 뿐만 아니라, 사용자가 속한 그룹으로부터 획득된 그룹 모델 데이터를 더 이용하여, 개인 모델을 학습할 수 있다.
일 실시 예에 의한 그룹 모델 데이터 수집부(120)에서 수집될 수 있는 그룹 모델 데이터는, 사용자가 속한 그룹에 속한, 복수의 사용자들에 대하여 각각 수집된 개인 데이터에 기초하여 학습된 복수 개의 개인 모델에 관련된 정보를 포함할 수 있다.
예를 들면, 그룹 모델 데이터는, 복수의 사용자들과 각각 대응되는 개인 모델의 구성 요소를 나타내는 정보를 포함할 수 있다. 복수의 사용자들과 각각 대응되는 개인 모델은, 각 사용자들에 대해 수집된 개인 데이터에 기초하여, 각각 갱신된 인공지능 모델일 수 있다.
따라서, 일 실시 예에 의한 개인 모델은, 개인 데이터뿐만 아니라, 복수의 사용자들에 대하여 각각 개인화된 개인 모델에 관한 정보를 포함하는, 그룹 모델 데이터에 기초하여, 갱신될 수 있다.
일 실시 예에 의한 그룹 모델 데이터의 복수의 사용자들은, 각 사용자의 성향, 나이, 거주 지역 등 각 사용자에 대한 다양한 정보들 간의 유사성에 기초하여, 그룹화될 수 있다. 복수의 사용자들에 관한 다양한 정보를 포함하는 개인 데이터에 기초하여, 각 사용자들의 개인 모델이 학습되는 경우, 복수의 사용자들에 각각 대응되는 개인 데이터들 간의 유사도에 기초하여, 복수의 사용자들이 그룹화될 수 있다. 예를 들면, 복수의 사용자들은 각 사용자들의 주변 환경, 경험, 개인 정보 등이 서로 유사한지에 따라서, 그룹화될 수 있다.
일 실시 예에 의하면, 복수의 사용자들에 관한 다양한 정보들 간의 연관성(correlation)이 높을수록, 유사도가 높은 것으로 판단될 수 있다.
일 예로, 나이 및 거주 지역이 유사한 사용자들이 동일한 그룹으로 분류될 수 있다. 상술한 예에 한하지 않고, 일 실시 예에 의한 복수의 사용자들은, 각 사용자의 생활 패턴, 취향, 상황 등이 서로 유사한지에 따라서, 다양한 방법에 따라, 그룹화되거나, 유사성에 대한 고려 없이, 랜덤하게 그룹화될 수도 있다.
일 실시 예에 의한 ILG 획득부(150)는, 그룹 모델 데이터 수집부(120)에서 수집된 그룹 모델 데이터로부터 개인 모델을 학습하기 위해 획득된 정보를 포함할 수 있다. 일 실시 예에 의한 ILG 획득부(150)에서 획득된 ILG는, 그룹 모델 데이터에 기초하여, 개인 모델로부터 사용자에게 적합한 결과가 출력되도록 개인 모델을 갱신하기 위한 정보를 포함할 수 있다. 예를 들면, ILG는, 그룹 모델 데이터에 기초하여 갱신된, 사용자의 개인 모델의 구성 요소를 포함할 수 있다.
일 실시 예에 의한 ILG는, 아래와 같은 수학식 2에 따라서, 복수의 사용자들과 각각 대응되는 개인 모델의 구성 요소를 나타내는 정보를 포함하는 그룹 모델 데이터에 기초하여 획득될 수 있다. 예를 들어, ILG는, 이하 수학식 2와 같이, 우측의 연산이 수행된 결과에 따라, 그룹 모델 데이터에 기초하여, k+1 스텝에서 갱신된 개인 모델을 구성하는 구성 요소를 나타낼 수 있다.
Figure pat00002
수학식 2에서, u는, 수학식 1에서의 u와 같이, 개인 모델을 구성하는 구성 요소이다. 또한, 수학식 1에서와 같이, i는, 현재 갱신되는 개인 모델과 대응되는 사용자(i)를 나타내는 인덱스 값이고, k는, 일 실시 예에 따라 개인 모델이 갱신된 스텝을 나타낸다.
j는, 사용자(i)와 동일한 그룹에 속한 다른 사용자들을 나타내는 인덱스 값이다.
d는, 출력 차수(out degree)를 나타내는 값으로, 각 개인 모델이 일 실시 예에 따라 그룹 모델 데이터로서 영향을 주는, 다른 사용자의 개인 모델의 개수를 나타낸다. 예를 들어, j=3인 사용자에 대한 개인 모델이, j=0, 2, 4인 사용자에 대한 개인 모델이 갱신될 때, 그룹 모델 데이터로서 이용되는 경우, dj=d3=3으로 결정될 수 있다.
Ni는, i가 속한 그룹의 다른 사용자들을 나타내는 것으로, 일 실시 예에 의한 j는, i가 속한 그룹의 다른 사용자들의 인덱스 값으로 결정될 수 있다.
상술한 예에 한하지 않고, 일 실시 예에 의한 그룹 모델 데이터는, 복수의 사용자들에 대하여 각각 개인화된 개인 모델에 관한 정보 또는 상술한 수학식 2에 따라 획득된 정보에 한하지 않고, 복수의 사용자들에 대하여 각각 수집된 다양한 종류의 개인 데이터와 관련된 정보를 포함할 수 있다.
따라서, 일 실시 예에 의하면, 사용자에 대하여 수집된 개인 데이터가 부족한 경우에도, 성향이 비슷한 다른 사용자들에 대해 수집된 그룹 모델 데이터에 기초하여, 개인 모델이 학습될 수 있어, 개인 모델의 정확도 및 신뢰도가 개선될 수 있다.
일 실시 예에 의한 f(x) 결정부(140)는, ILI 획득부(130) 및 ILG 획득부(150)에서 획득된 ILI 및 ILG에 적용될 가중치를 결정할 수 있다. 일 실시 예에 의하면, f(x) 결정부(140)에 따라 결정된 f(x)에 기초하여, 개인 데이터 및 그룹 모델 데이터에 기초하여 갱신된 개인 모델의 구성 요소(ui)는 아래 수학식 3에 따라 획득될 수 있다.
Figure pat00003
일 실시 예에 따라 k+1 스텝에서, 사용자 i의 개인 모델은, f(x)에 기초하여, 가중치가 적용된 ILI와 대응되는 개인 모델 및 ILG와 대응되는 개인 모델에 기초하여, 갱신될 수 있다.
일 실시 예에 의한 f(x)에 의하면, ILG의 개인 모델이 ILI의 개인 모델과 대비하여, 사용자 i의 개인 모델에 반영되는 정도가 조절될 수 있다. 일 실시 예에 의한 f(x)는, ILG의 개인 모델이 ILI 대비 사용자 i의 개인 모델에 반영되는 정도를 조절하기 위한 상수값일 수 있다. 일 실시 예에 의한 f(x)는 x는, 상기 상수값을 결정하기 위한 임의의 변수를 나타내며, 다양한 방법에 따라 결정된 x에 기초하여, 상수값의 f(x)가 획득될 수 있다.
일 실시 예에 의한 f(x)는 ILI의 개인 모델의 신뢰도가 높을 것으로 예상될수록, ILG의 개인 모델이 사용자 i의 개인 모델에 적게 반영되도록, 결정될 수 있다. 일 실시 예에 의한 개인 모델의 신뢰도는, 개인 모델에 따른 동작이 정확하거나 사용자에게 적합한 정도를 나타낼 수 있다.
예를 들면, 개인 모델의 신뢰도는, 개인 모델에 따른 동작이 사용자의 의도와 대응되는 정도를 나타낼 수 있다. 일 실시 예에 따른 개인 모델에 따른 동작이, 사용자의 의도와 대응되는 정도가 클수록, 상기 개인 모델에 의해 사용자가 원하는 결과가 출력될 가능성이 높은 만큼, 개인 모델의 신뢰도가 큰 것으로 판단될 수 있다.
일 실시 예에 의한 개인 모델의 신뢰도는, 개인 모델의 학습과 관련된 다양한 종류의 정보들에 기초하여 결정될 수 있다.
예를 들면, ILI가 획득되는데 이용된 개인 데이터의 양이 많을수록, ILI의 개인 모델의 신뢰도가 높은 것으로 판단하고, f(x) 값이 낮은 값으로 결정될 수 있다.
또한, ILI가 획득되는데 이용된, 관측 정보와 예측 정보 간의 차이를 나타내는 손실 함수의 크기가 0에 가까울수록, ILI의 개인 모델의 신뢰도가 높은 것으로 판단하고, f(x) 값이 낮은 값으로 결정될 수 있다.
또한, 갱신 과정이 여러 번 수행될수록, 즉, k 값이 높을수록, ILI의 개인 모델의 신뢰도가 높은 것으로 판단하고, f(x) 값이 낮은 값으로 결정될 수 있다.
또한, 그룹 내 사용자들과 사용자 i 간의 상관도가 높을수록, ILG의 개인 모델의 신뢰도가 높은 것으로 판단하고, f(x) 값이 높은 값으로 결정될 수 있다.
상술한 예에 한하지 않고, 일 실시 예에 의한 f(x)는, 개인 데이터에 기초하여 갱신되는 개인 모델의 신뢰도에 기초하여, 다양한 방법에 따라 결정될 수 있다.
일 실시 예에 의한 개인 모델 학습부(160)는, f(x) 결정부(140)에 의해 결정된 f(x)에 기초하여, 상기 수학식 3에 따라 ILI 및 ILG로부터, k+1 스텝에서 갱신된 개인 모델(ui k+1)을 획득할 수 있다.
따라서, 일 실시 예에 의하면, 개인 데이터만으로 갱신된 개인 모델의 신뢰도가 낮은 경우에도, 그룹 모델 데이터에 따라 갱신된 개인 모델을 함께 이용함으로써, 신뢰도 높게 갱신된 개인 모델이 획득될 수 있다.
도 2는 일 실시 예에 의한 하나의 그룹에 속한 복수 개의 개인 모델들의 일 예를 나타낸 도면이다.
도 2를 참조하면, 하나의 그룹(200)에는, 복수의 사용자들과 각각 대응되는 개인 모델들(u1, u2, u3, u4)이 존재할 수 있다. 일 실시 예에 의한 각각의 개인 모델들은, 개인 데이터에 기초하여 획득된 ILI뿐만 아니라, 동일 그룹(200)에 속한 다른 개인 모델에 기초하여 획득된 ILG에 따라서, 갱신될 수 있다.
예를 들어, 그룹(200)에 속한 개인 모델들 중 u1에 대한 ILG는, u2, u3, 및 u4의 개인 모델들에 관련된 정보를 포함하는, 그룹 모델 데이터에 기초하여 획득될 수 있다. 일 실시 예에 의한 그룹 모델 데이터는, 각각의 개인 모델에 관련된 정보로서, u2, u3, 및 u4의 개인 모델들의 구성 요소(ex. 각 노드에 대한 노드 가중치 및 바이어스)와, 각 개인 모델들의 출력 차수(d)를 포함할 수 있다.
일 실시 예에 의하면, 도 2에 도시된 화살표에 따라서, 각각의 개인 모델들(u1, u2, u3, u4)은, 다른 개인 모델이 학습될 때, 다른 개인 모델에 그룹 모델 데이터로서, 영향을 줄 수 있다. 예를 들면, u1의 개인 모델은 u2, u3, u4의 개인 모델이 학습될 때, 그룹 모델 데이터로서, 이용될 수 있다. 또한, u2의 개인 모델은 u1, u4의 개인 모델이 학습될 때, 그룹 모델 데이터로서, 이용될 수 있다. 또한, u3의 개인 모델은 u1, u4의 개인 모델이 학습될 때, 그룹 모델 데이터로서, 이용될 수 있다. 또한, u4의 개인 모델은 u1, u2, u3의 개인 모델이 학습될 때, 그룹 모델 데이터로서, 이용될 수 있다. 따라서, u1, u2, u3, 및 u4에 대한 출력 차수는, 각각 3, 2, 2, 및 3으로 결정될 수 있다.
도 3은 일 실시 예에 의한 개인 모델의 일 예를 나타낸 도면이다.
일 실시 예에 의한 개인 모델은, 인간의 뇌가 패턴을 인식하는 방식을 모사한 신경망 모델로 구성될 수 있다. 일 실시 예에 의한 전자 장치(1000)는, 신경망 모델로 구성된 개인 모델을 이용하여, 사용자에게 다양한 서비스를 제공할 수 있다.
일 실시 예에 의한 신경망 모델은 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), BRDNN(Bidirectional Recurrent Deep Neural Network), 제한 볼츠만 머신 (Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망 (Deep Belief Network, DBN), 심층 Q-네트워크(Deep Q-Networks) 중 하나일 수 있다. 또한, 상술한 예에 한하지 않고, 일 실시 예에 의한 로컬 모델 또는 글로벌 모델은 이외 다양한 종류의 신경망 중 하나일 수 있다.
도 3을 참조하면, 일 실시 예에 의한 신경망 모델은, 적어도 하나의 노드를 포함한 적어도 하나의 레이어를 포함할 수 있다. 예를 들면, 신경망 모델은 입력 레이어인 레이어 1과, 출력 레이어인 레이어 2를 포함할 수 있다. 또한, 일 실시 예에 의한 신경망 모델은, 입력 레이어 및 출력 레이어 사이에 적어도 하나의 히든 레이어(미도시)를 더 포함할 수 있다. 이하에서는, 설명의 편의상, 히든 레이어를 제외한 입력 레이어 및 출력 레이어를 포함하는 신경망을 예로 들어 설명하기로 한다.
일 실시 예에 의하면, 신경망 모델의 레이어 1에 적어도 하나의 입력값이 입력될 수 있다. 예를 들면, 레이어 1의 노드(N11, N12)에 각각 I1, I2의 값이 입력될 수 있다. 일 실시 예에 의하면, 레이어 1에 입력값이 입력됨에 따라서, 신경망 모델의 레이어 1 및 레이어 2에 포함된 노드들(N11, N12, N21, N22)이 처리될 수 있다.
또한, 각 레이어의 노드에서 출력된 값은 다음 층의 입력 값으로 이용될 수 있다. 예를 들면, 레이어 1의 노드(N11, N12)가 처리됨에 따라 획득된 값에 기초하여, 레이어 2의 노드(N21, N22)에 소정 값이 입력될 수 있다. 레이어 2로부터 출력된 값은 신경망 모델에서 출력 값으로서 출력될 수 있다. 예를 들면, 레이어 2에서 출력된 값인 O1 및 O2는, 신경망 모델의 출력값으로서 출력될 수 있다.
일 실시 예에 의하면, 하나의 노드로부터 출력된 하나의 값에 서로 다른 노드 가중치가 적용되고, 노드 가중치가 적용된 값에 바이어스 값이 더해짐으로써, 하나의 노드로부터 적어도 하나의 엣지 데이터가 획득될 수 있다. 엣지 데이터는, 하나의 노드로부터 출력된 하나의 값에 적어도 하나의 노드 가중치가 적용되고, 각 노드 가중치가 적용된 적어도 하나의 값에 적어도 하나의 바이어스 값이 더해짐으로써, 획득될 수 있는 데이터이다. 엣지 데이터는, 하나의 값에 적용된 노드 가중치의 개수만큼, 획득될 수 있다. 따라서, 레이어 1의 각각의 노드로부터 출력된 값은, 적어도 하나의 엣지 데이터로 변환되어 다음 레이어의 노드로 입력될 수 있다.
예를 들면, 노드 N11로부터 출력된 값에 서로 다른 노드 가중치인 W11 및 W12가 적용된 엣지 데이터는 각각 바이어스 값인 B11 및 B12가 더해진 후, 다음 레이어의 노드인 N21 및 N22로 각각 입력될 수 있다. 또한, 노드 N12로부터 출력된 값에 서로 다른 노드 가중치인 W21 및 W22가 적용된 엣지 데이터는 각각 바이어스 값인 B21 및 B22가 더해진 후, 다음 레이어의 노드인 N21 및 N22로 각각 입력될 수 있다.
일 실시 예에 의하면, ILI 및 ILG에 기초하여, 개인 모델을 구성하는 값들인, 각 노드에 적용될 수 있는 적어도 하나의 노드 가중치 값과, 바이어스 값이 변경됨으로써, 개인 모델이 학습될 수 있다.
일 실시 예에 따른 ILI는, 개인 데이터에 기초하여, 획득된 예측 정보와 관측 정보 간의 차이가 최소화될 수 있도록 하는, 개인 모델의, 적어도 하나의 노드 가중치 값과, 바이어스 값들을 포함할 수 있다.
또한, 일 실시 예에 따른 ILG는, 동일 그룹에 속하는 다른 사용자의 개인 모델을 구성하는 적어도 하나의 노드 가중치 값과, 바이어스 값에 기초하여, 갱신된, 개인 모델의, 적어도 하나의 노드 가중치 값과, 바이어스 값들을 포함할 수 있다.
또한, 일 실시 예에 의한 개인 모델의 적어도 하나의 노드 가중치 값과, 바이어스 값들은, f(x) 결정부(140)에 의해 결정된 f(x)에 기초하여, 수학식 3에 따라서, ILI 및 ILG에 각각 가중치가 적용됨에 따라, 갱신될 수 있다.
도 4는 일 실시 예에 의한 전자 장치(1000)의 내부 구성을 설명하기 위한 블록도이다.
도 5는 일 실시 예에 의한 전자 장치(1000)의 내부 구성을 설명하기 위한 블록도이다.
도 4를 참조하면, 전자 장치(1000)는, 프로세서(1300), 통신부(1500) 및 출력부(1200)를 포함할 수 있다. 그러나, 도 4에 도시된 구성 요소 모두가 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 4에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 도 4에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있다.
예를 들면, 전자 장치(1000)는 도 5에 도시된 바와 같이, 일부 실시예에 따른 전자 장치(1000)는, 프로세서(1300), 통신부(1500) 및 출력부(1200) 이외에 사용자 입력부(1100), 센싱부(1400), A/V 입력부(1600) 및 메모리(1700)를 더 포함할 수도 있다.
사용자 입력부(1100)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
일 실시 예에 의하면, 사용자 입력부(1100)는, 전자 장치(1000)에서 개인 모델을 학습하거나, 개인 모델을 이용한 다양한 동작을 수행하기 위한 사용자 입력을 수행할 수 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 전자 장치(1000)에서 처리되는 정보를 표시 출력한다. 일 실시 예에 의하면, 디스플레이부(1210)는 일 실시 예에 따라 학습된 개인 모델에 관한 정보나, 학습된 개인 모델에 따라 수행된 동작의 결과를 표시할 수 있다.
한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 전자 장치(1000)의 구현 형태에 따라 전자 장치(1000)는 디스플레이부(1210)를 2개 이상 포함할 수도 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 일 실시 예에 의하면, 음향 출력부(1220)는 일 실시 예에 따라 학습된 개인 모델에 관한 정보나, 학습된 개인 모델에 따라 수행된 동작의 결과를 출력할 수 있다.
진동 모터(1230)는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다. 일 실시 예에 의하면, 진동 모터(1230)는 일 실시 예에 따라 학습된 개인 모델에 관한 정보나, 학습된 개인 모델에 따라 수행된 동작의 결과를 출력할 수 있다.
프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다.
전자 장치(1000)는 적어도 하나의 프로세서(1300)를 포함할 수 있다. 예를 들면, 전자 장치(1000)는 CPU(Central Processing Unit), GPU(Graphics Processing Unit), NPU(Neural Processing Unit) 등의 다양한 종류의 프로세서를 포함할 수 있다.
프로세서(1300)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(1700)로부터 프로세서(1300)에 제공되거나, 통신부(1500)를 통해 수신되어 프로세서(1300)로 제공될 수 있다. 예를 들면 프로세서(1300)는 메모리와 같은 기록 장치에 저장된 프로그램 코드에 따라 명령을 실행하도록 구성될 수 있다.
일 실시 예에 의한 프로세서(1300)는 개인 데이터 및 그룹 모델 데이터에 기초하여, 개인 모델을 학습할 수 있다. 일 실시 예에 의하면, 개인 데이터에 기초하여 학습된 개인 모델의 구성 요소를 나타내는 제1 정보와, 전자 장치(1000)의 사용자가 속한 그룹의 복수의 사용자들에 대하여 수집된 그룹 모델 데이터에 기초하여 학습된 개인 모델의 구성 요소를 나타내는 제2 정보에 기초하여, 개인 모델이 학습될 수 있다.
일 실시 예에 의한 전자 장치(1000)는 제1 정보의 신뢰도에 기초하여, 제1 정보 및 제2 정보 각각에 적용될, 제1 가중치 및 제2 가중치를 결정하고, 제1 정보 및 제2 정보에 제1 가중치 및 제2 가중치를 적용함으로써, 개인 모델을 학습할 수 있다.
예를 들면, 제1 정보의 신뢰도가 낮을수록, 제1 가중치는 제2 가중치 대비 낮은 값으로 결정됨으로써, 개인 데이터만으로 갱신된 개인 모델의 신뢰도가 낮은 경우에도, 그룹 모델 데이터에 따라 갱신된 개인 모델을 함께 이용함으로써, 신뢰도 높게 갱신된 개인 모델이 획득될 수 있다.
센싱부(1400)는, 전자 장치(1000)의 상태 또는 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.
센싱부(1400)는, 지자기 센서(Geomagnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
통신부(1500)는, 전자 장치(1000)가 서버(2000) 또는 외부 장치(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
일 실시 예에 의한, 통신부(1500)는 개인 모델을 학습하는데 필요한 데이터를 외부 장치(미도시)와 송수신할 수 있다. 예를 들면, 통신부(1500)는, 사용자가 속한 그룹의 복수의 사용자들에 대하여 수집된 그룹 모델 데이터를 외부 장치로부터 수신할 수 있다. 상기 그룹 모델 데이터에 기초하여, ILG가 획득될 수 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다. 마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다.
일 실시 예에 의한 A/V 입력부(1600)에 의해 생성된 음성 데이터 또는 동영상 데이터는, 개인 모델을 학습하기 위한 개인 데이터로서, 이용될 수 있다. 상술한 예에 한하지 않고, 상기 음성 데이터 또는 동영상 데이터는 개인 모델을 학습하기 위한 다양한 방법에 따라 이용될 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다.
일 실시 예에 의한 메모리(1700)는 개인 모델을 학습하는데 필요한 데이터를 저장할 수 있다. 예를 들면, 메모리(1700)는 개인 모델을 학습하기 위한 개인 데이터 및 그룹 모델 데이터를 저장할 수 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.
사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.
알림 모듈(1730)은 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다.
도 6은 일 실시 예에 의한 개인 모델을 학습하는 방법을 나타낸 순서도이다.
도 6을 참조하면, 단계 610에서, 전자 장치(1000)는 개인 데이터에 기초하여 개인 모델을 학습할 수 있다. 일 실시 예에 의한 전자 장치(1000)는, 개인 모델을 학습한 결과, 학습된 개인 모델의 구성 요소를 나타내는 제1 정보인, ILI를 획득할 수 있다.
단계 620에서, 전자 장치(1000)는, 사용자가 속한 그룹의 복수의 사용자들에 대하여 수집된 그룹 모델 데이터에 기초하여, 사용자의 개인 모델을 학습함으로써, 학습된 개인 모델의 구성 요소를 나타내는 제2 정보인, ILG를 획득할 수 있다.
일 실시 예에 의한 그룹 모델 데이터는, 복수의 사용자들에 대하여 각각 수집된 개인 데이터에 기초하여 학습된 복수 개의 개인 모델에 관련된 정보를 포함할 수 있다. 예를 들면, 그룹 모델 데이터는, 복수의 사용자들과 각각 대응되는 개인 모델의 구성 요소에 관한 정보를 포함할 수 있다.
단계 630에서, 전자 장치(1000)는, 제1 정보의 신뢰도에 기초하여, 제1 정보 및 제2 정보 각각에 적용될 제1 가중치 및 제2 가중치를 결정할 수 있다. 일 실시 예에 의한 제1 정보의 신뢰도는, 개인 데이터에 기초하여 학습된 개인 모델에 대한 신뢰도를 나타낼 수 있다.
일 실시 예에 의한 제1 정보의 신뢰도는, 개인 모델에 따른 동작이 사용자의 의도와 대응되는 정도를 나타내는 값일 수 있다.
따라서, 일 실시 예에 의한 제1 정보의 신뢰도는, 개인 모델의 학습에 영향을 주는, 개인 데이터에 관한 정보, 또는 개인 모델의 학습 상황에 관련된 정보에 기초하여, 결정될 수 있다.
예를 들면, 제1 정보의 신뢰도는, 제1 정보가 획득되는데 이용된 개인 데이터의 양, 제1 정보가 획득되는데 이용된 관측 정보와 예측 정보 간의 차이를 나타내는 손실 함수의 크기가 0에 가까운지 여부, 일 실시 예에 따라서, 제1 정보 및 제2 정보에 기초하여, 개인 모델이 학습되는 동작이 반복 수행된 횟수, 및 사용자와 동일 그룹에 속한 복수의 사용자들과 사용자 간의 상관도가 높은지 여부 중 적어도 하나에 기초하여, 결정될 수 있다.
일 실시 예에 의한 제1 가중치 및 제2 가중치는, 제1 정보의 신뢰도에 따라 서로 상대적인 값으로 결정될 수 있으므로, 사용자와 동일 그룹에 속한 복수의 사용자들과 사용자 간의 상관도가 높은지 여부는, 제2 가중치와 대응되는 제2 정보에 관한 것이지만, 제1 정보의 신뢰도를 결정하는데 이용될 수 있다.
일 실시 예에 의한 제1 가중치 및 제2 가중치는, 두 가중치의 합이 1이 되도록 결정될 수 있다. 예를 들어, 제2 가중치는, 제1 가중치가 상술한 신뢰도에 기초하여 결정됨에 따라서, 1에서 제1 가중치를 뺀 값으로 결정될 수 있다.
단계 640에서, 전자 장치(1000)는 단계 630에서 결정된 제1 가중치 및 제2 가중치를 각각 제1 정보 및 제2 정보에 적용함으로써, 개인 모델을 학습할 수 있다.
일 실시 예에 의하면, 상술한 수학식 3에 따라서, 제1 가중치 및 제2 가중치가 적용된 제1 정보 및 제2 정보가 더해진 결과가, 일 실시 예에 따라 학습된 개인 모델의 구성요소로서 획득될 수 있다.
일 실시 예에 의하면, 개인 데이터만으로 갱신된 개인 모델의 신뢰도가 낮은 경우에도, 그룹 모델 데이터에 따라 갱신된 개인 모델을 함께 이용함으로써, 신뢰도 높게 갱신된 개인 모델이 획득될 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 스토어TM)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, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 전자 장치에서, 사용자의 개인 모델을 학습하는 방법에 있어서,
    상기 사용자에 대하여 수집된 개인 데이터에 기초하여 상기 개인 모델을 학습함으로써, 상기 학습된 개인 모델의 구성 요소를 포함하는 제1 정보를 획득하는 단계;
    상기 사용자가 속한 그룹의 복수의 사용자들에 대한 그룹 모델 데이터에 기초하여 상기 개인 모델을 학습함으로써, 상기 학습된 개인 모델의 구성 요소를 포함하는 제2 정보를 획득하는 단계;
    상기 제1 정보의 신뢰도에 기초하여, 상기 제1 정보 및 제2 정보 각각에 적용될 제1 가중치 및 제2 가중치를 결정하는 단계; 및
    상기 결정된 제1 가중치 및 제2 가중치가 적용된, 상기 제1 정보 및 제2 정보에 기초하여, 상기 개인 모델을 학습하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 제1 정보의 신뢰도는
    상기 개인 모델에 따른 동작이 상기 사용자의 의도와 대응되는 정도를 나타내는, 방법.
  3. 제1항에 있어서, 상기 제1 정보의 신뢰도는,
    상기 제1 정보가 획득되는데 이용된 상기 개인 데이터의 양, 상기 제1 정보가 획득되는데 이용된 관측 정보와 예측 정보 간의 차이를 나타내는 손실 함수의 크기가 0에 가까운지 여부, 상기 제1 정보 및 제2 정보에 기초하여, 상기 개인 모델이 학습되는 동작이 반복 수행된 횟수, 및 상기 복수의 사용자들과 상기 사용자 간의 상관도가 높은지 여부 중 적어도 하나에 기초하여, 결정되는, 방법.
  4. 제1항에 있어서, 상기 제1 가중치 및 제2 가중치의 합이 1이 되도록, 상기 제1 가중치 및 제2 가중치가 결정되는, 방법.
  5. 제1항에 있어서, 상기 그룹 모델 데이터는,
    상기 복수의 사용자들에 대하여 각각 수집된 개인 데이터에 기초하여 학습된 복수 개의 개인 모델에 관련된 정보를 포함하는, 방법.
  6. 제5항에 있어서, 상기 복수 개의 개인 모델에 관련된 정보는,
    상기 복수 개의 개인 모델의 구성 요소 및 상기 복수 개의 개인 모델 각각에 대한 출력 차수를 포함하고,
    상기 출력 차수는, 상기 복수의 사용자들과 각각 대응되는 개인 모델이 상기 그룹 모델 데이터로서 영향을 주는, 다른 사용자의 개인 모델의 개수를 나타내는, 방법.
  7. 제1항에 있어서, 상기 복수의 사용자들은
    상기 복수의 사용자들에 대하여 각각 수집된 개인 데이터들간의 유사도에 기초하여, 그룹화되는, 방법.
  8. 사용자의 개인 모델을 학습하는 전자 장치에 있어서,
    상기 사용자가 속한 그룹의 복수의 사용자들에 대한 그룹 모델 데이터를 수신하는 통신부;
    상기 사용자에 대하여 수집된 개인 데이터에 기초하여 상기 개인 모델을 학습함으로써, 상기 학습된 개인 모델의 구성 요소를 포함하는 제1 정보를 획득하고, 상기 그룹 모델 데이터에 기초하여 상기 개인 모델을 학습함으로써, 상기 학습된 개인 모델의 구성 요소를 포함하는 제2 정보를 획득하고, 상기 제1 정보의 신뢰도에 기초하여, 상기 제1 정보 및 제2 정보 각각에 적용될 제1 가중치 및 제2 가중치를 결정하고, 상기 결정된 제1 가중치 및 제2 가중치가 적용된, 상기 제1 정보 및 제2 정보에 기초하여, 상기 개인 모델을 학습하는 적어도 하나의 프로세서; 및
    상기 학습된 개인 모델에 기초하여 수행된 동작의 결과를 출력하는 출력부를 포함하는, 전자 장치.
  9. 제8항에 기초하여, 상기 제1 정보의 신뢰도는
    상기 개인 모델에 따른 동작이 상기 사용자의 의도와 대응되는 정도를 나타내는, 전자 장치.
  10. 제8항에 있어서, 상기 제1 정보의 신뢰도는,
    상기 제1 정보가 획득되는데 이용된 상기 개인 데이터의 양, 상기 제1 정보가 획득되는데 이용된 관측 정보와 예측 정보 간의 차이를 나타내는 손실 함수의 크기가 0에 가까운지 여부, 상기 제1 정보 및 제2 정보에 기초하여, 상기 개인 모델이 학습되는 동작이 반복 수행된 횟수, 및 상기 복수의 사용자들과 상기 사용자 간의 상관도가 높은지 여부 중 적어도 하나에 기초하여, 결정되는, 전자 장치.
  11. 제8항에 있어서, 상기 제1 가중치 및 제2 가중치의 합이 1이 되도록, 상기 제1 가중치 및 제2 가중치가 결정되는, 전자 장치.
  12. 제8항에 있어서, 상기 그룹 모델 데이터는,
    상기 복수의 사용자들에 대하여 각각 수집된 개인 데이터에 기초하여 학습된 복수 개의 개인 모델에 관련된 정보를 포함하는, 전자 장치.
  13. 제12항에 있어서, 상기 복수 개의 개인 모델에 관련된 정보는,
    상기 복수 개의 개인 모델의 구성 요소 및 상기 복수 개의 개인 모델 각각에 대한 출력 차수를 포함하고,
    상기 출력 차수는, 상기 복수의 사용자들과 각각 대응되는 개인 모델이 상기 그룹 모델 데이터로서 영향을 주는, 다른 사용자의 개인 모델의 개수를 나타내는, 전자 장치.
  14. 제8항에 있어서, 상기 복수의 사용자들은
    상기 복수의 사용자들에 대하여 각각 수집된 개인 데이터들간의 유사도에 기초하여, 그룹화되는, 전자 장치.
  15. 제1항 내지 제7항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체.
KR1020200009312A 2020-01-23 2020-01-23 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법 KR20210095429A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200009312A KR20210095429A (ko) 2020-01-23 2020-01-23 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법
PCT/KR2020/012150 WO2021149890A1 (ko) 2020-01-23 2020-09-09 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법
US17/480,859 US20220004874A1 (en) 2020-01-23 2021-09-21 Electronic apparatus training individual model of user and method of operating the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200009312A KR20210095429A (ko) 2020-01-23 2020-01-23 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법

Publications (1)

Publication Number Publication Date
KR20210095429A true KR20210095429A (ko) 2021-08-02

Family

ID=76993040

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200009312A KR20210095429A (ko) 2020-01-23 2020-01-23 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법

Country Status (3)

Country Link
US (1) US20220004874A1 (ko)
KR (1) KR20210095429A (ko)
WO (1) WO2021149890A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102414823B1 (ko) * 2021-11-02 2022-06-30 주식회사 에이젠글로벌 금융 서비스를 위한 금융 세그먼트 분화 방법 및 이러한 방법을 수행하는 장치
KR102485528B1 (ko) * 2021-11-02 2023-01-06 주식회사 에이젠글로벌 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101792587B1 (ko) * 2009-01-23 2017-11-02 삼성전자주식회사 컨텐츠에 대한 선호도 예측 방법 및 장치와, 샘플 컨텐츠 선정 방법 및 장치
KR101573601B1 (ko) * 2014-03-10 2015-12-04 단국대학교 산학협력단 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법
KR20170048970A (ko) * 2015-10-27 2017-05-10 삼성전자주식회사 혈압 추정 방법
US10339470B1 (en) * 2015-12-11 2019-07-02 Amazon Technologies, Inc. Techniques for generating machine learning training data
KR101893554B1 (ko) * 2017-02-14 2018-08-30 영남대학교 산학협력단 멀티 모달 데이터 기반 표정인식방법 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102414823B1 (ko) * 2021-11-02 2022-06-30 주식회사 에이젠글로벌 금융 서비스를 위한 금융 세그먼트 분화 방법 및 이러한 방법을 수행하는 장치
KR102485528B1 (ko) * 2021-11-02 2023-01-06 주식회사 에이젠글로벌 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치
WO2023080531A1 (ko) * 2021-11-02 2023-05-11 주식회사 에이젠글로벌 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치

Also Published As

Publication number Publication date
WO2021149890A1 (ko) 2021-07-29
US20220004874A1 (en) 2022-01-06

Similar Documents

Publication Publication Date Title
US11222413B2 (en) Method for correcting image by device and device therefor
US20200118010A1 (en) System and method for providing content based on knowledge graph
US20190228294A1 (en) Method and system for processing neural network model using plurality of electronic devices
US11762628B2 (en) Text input device and method therefor
US20230359541A1 (en) Electronic device for identifying force touch and method for operating same
US20190251355A1 (en) Method and electronic device for generating text comment about content
US20230290343A1 (en) Electronic device and control method therefor
US20220004874A1 (en) Electronic apparatus training individual model of user and method of operating the same
EP3816917A1 (en) Electronic device for updating artificial intelligence model, server, and operation method therefor
US20220309231A1 (en) Electronic device for generating summary information of conversation text and operating method thereof
US20200327433A1 (en) Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model
US11710495B2 (en) Device for outputting sound and method therefor
KR20220023212A (ko) 단말의 모델을 갱신하는 서버 및 그 동작 방법
US11617957B2 (en) Electronic device for providing interactive game and operating method therefor
US20220083882A1 (en) Electronic device and operating method for providing information about why response has changed
KR20220088169A (ko) 인공지능 모델을 변환하는 전자 장치 및 그 동작 방법
US20220187092A1 (en) Electronic device for acquiring location information on basis of image, and method for operating same
KR20210110471A (ko) 필기 입력에 기초하여, 동작을 수행하는 전자 장치 및 그 동작 방법
KR20220036781A (ko) 응답이 변화된 이유에 관한 정보를 제공하는 전자 장치 및 그 동작 방법
US20230316470A1 (en) Method for correcting image by device and device therefor
KR20220057353A (ko) 인공지능 모델을 갱신하는 전자 장치 및 그 동작 방법
KR20220120052A (ko) 데이터를 생성하는 전자 장치 및 그 동작 방법
KR20210128316A (ko) 플랜을 제공하는 전자 장치 및 그 동작 방법
KR20210128328A (ko) 플랜을 제공하는 전자 장치 및 그 동작 방법
KR20230087297A (ko) 웨어러블 디바이스를 이용한 제스처 인식 방법 및 그 장치