KR20210098914A - 데이터 분석 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 분석 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 데이터 세트에 기초하여 분석 대상 데이터를 결정하는 동작; 상기 분석 대상 데이터에 기초하여 분석 시나리오를 결정하는 동작; 및 상기 분석 시나리오에 기초하여 분석 대상 데이터에 대한 분석 결과를 생성하는 동작을 포함할 수 있다.

Description

데이터 분석 방법{METHOD TO ANALYZE DATA}

본 발명은 데이터를 분석하는 방법을 제공하기 위한 것으로, 보다 구체적으로 데이터베이스에 저장된 데이터를 분석하고, 분석 결과를 생성하기 위한 방법에 관한 것이다.

기업의 비즈니스는 폭발적인 데이터의 증가와 다양한 환경 및 플랫폼의 등장으로 빠르게 확장되고 있다. 새로운 비즈니스 환경이 도래함에 따라서, 보다 더 효율적이고 유연한 데이터 서비스와 정보의 처리, 데이터 관리 기능이 필요하게 되었다. 이러한 변화에 맞춰서 기업 비지니스 구현의 기반이 되는 고성능, 고가용성 및 확장성의 문제를 해결하기 위한 데이터베이스에 대한 연구가 계속되고 있다.

데이터베이스 관리 시스템(DBMS)에서 데이터들은 데이터 저장소에 저장될 수 있다. 데이터베이스가 수많은 양의 데이터를 포함하고 있는 경우, 사용자가 데이터베이스에 저장된 데이터들 중 어떤 데이터를 분석해야 하는지, 또는 어떤 데이터를 분석하여 어떤 결과물을 생성해야 하는지에 대하여 결정하는데 시간이 많이 소요될 수 있다.

따라서, 데이터베이스에 저장된 데이터들 중 어떤 데이터를 분석해야 하고, 어떤 방식으로 분석해서 분석 결과를 생성해야 하는지에 관한 방법을 제공하기 위한 당업계의 니즈가 존재한다.

대한민국 등록특허 제10-1648401호는 데이터 관리 및 분석을 위한 데이터베이스 관리 장치에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 데이터 분석 방법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 데이터 분석 방법을 제공하기 위한 동작들을 수행하도록 하며 상기 동작들은, 상기 컴퓨터 프로그램은 데이터 세트에 기초하여 분석 대상 데이터를 결정하는 동작; 상기 분석 대상 데이터에 기초하여 분석 시나리오를 결정하는 동작; 및 상기 분석 시나리오에 기초하여 분석 대상 데이터에 대한 분석 결과를 생성하는 동작을 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 데이터 세트에 기초하여 분석 대상 데이터를 결정하는 동작은, 상기 데이터 세트를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 대상 데이터 결정 모델의 입력으로 하여 상기 분석 대상 데이터를 출력하는 동작을 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 데이터 세트를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 대상 데이터 결정 모델의 입력으로 하여 상기 분석 대상 데이터를 출력하는 동작은, 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 상기 분석 대상 데이터 결정 모델의 추가적인 입력으로 입력시키는 동작; 및 상기 데이터 세트 및 상기 추가적인 입력을 상기 분석 대상 데이터 결정 모델을 이용하여 연산함으로써 상기 분석 대상 데이터를 출력하는 동작을 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 사용자 정보는, 사용자를 다른 사용자와 구분하기 위한 식별 정보 또는 상기 사용자의 그룹에 관련한 정보를 포함하는 그룹 정보 중 적어도 하나를 포함하는 사용자 일반 정보 또는 사용자의 데이터 분석 특성에 관한 정보인 사용자 히스토리 정보 중 적어도 하나의 정보를 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 대상 데이터 결정 모델은, 데이터 세트를 입력으로 포함하고, 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 추가 입력으로 포함하고, 그리고 분석 대상 데이터를 라벨로 포함하는 학습 데이터를 이용하여 학습된 모델일 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 대상 데이터 결정 모델은, 사용자들의 분석 대상 데이터에 대한 피드백에 기초하여 생성된 학습 데이터를 이용하여 학습된 모델일 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 대상 데이터 결정 모델은, 데이터 세트에 포함된 둘 이상의 항목들 간의 관련성에 관하여 학습된 모델일 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 대상 데이터 결정 모델은, 사용자들의 데이터 분석 히스토리에 포함된 분석 항목들에 기초하여 상기 둘 이상의 항목들 간의 관련성에 관하여 학습된 모델일 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 시나리오를 수행하기 위하여 상기 분석 대상 데이터에 대한 전처리 방법을 결정하는 동작을 더 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 대상 데이터에 기초하여 사용자 관심 시나리오인 분석 시나리오를 결정하는 동작은, 상기 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나에 기초하여 상기 분석 시나리오를 결정하는 동작을 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나에 기초하여 상기 분석 시나리오를 결정하는 동작은, 사용자들의 데이터 분석 히스토리에 포함된 상기 분석 대상 데이터가 포함하는 내용에 관한 정보 또는 상기 분석 목적 중 적어도 하나에 대응되는 분석 시나리오에 기초하여 상기 분석 시나리오를 결정하는 동작; 또는 상기 사용자 정보에 기초한 사용자의 데이터 분석 히스토리에 포함된 분석 시나리오에 기초하여 상기 분석 시나리오를 결정하는 동작 중 적어도 하나의 동작을 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 시나리오에 기초하여 분석 결과를 생성하는 동작은, 상기 분석 시나리오의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나에 기초하여 상기 분석 결과를 생성하는 동작을 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 데이터 세트는, 둘 이상의 이기종 데이터베이스에 포함된 데이터를 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 데이터 세트에 포함된 데이터가 저장되어 있는 데이터베이스의 종류에 기초하여 상기 데이터의 전처리를 수행하는 동작을 더 포함할 수 있다.

데이터 분석 방법을 제공하기 위한 이하의 동작들을 수행하도록 하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 분석 시나리오에 기초하여 분석 대상 데이터에 대한 분석 결과를 생성하는 동작은, 상기 분석 대상 데이터에 포함된 하나 이상의 데이터 중 어노말리 데이터에 가중치를 부여하여 상기 분석 결과를 생성하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 데이터 분석을 위한 방법으로서, 데이터 세트에 기초하여 분석 대상 데이터를 결정하는 단계; 상기 분석 대상 데이터에 기초하여 분석 시나리오를 결정하는 단계; 및 상기 분석 시나리오에 기초하여 분석 대상 데이터에 대한 분석 결과를 생성하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 데이터 분석을 위한 서버로서, 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 데이터 세트에 기초하여 분석 대상 데이터를 결정하고, 상기 분석 대상 데이터에 기초하여 분석 시나리오를 결정하고, 상기 분석 시나리오에 기초하여 분석 대상 데이터에 대한 분석 결과를 생성할 수 있다.

본 개시는 데이터 분석 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따라 데이터 분석을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 데이터 분석 방법의 예시를 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 데이터 분석 방법의 순서도이다.
도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 1은 본 개시의 일 실시예에 따라 데이터 분석을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.

본 개시의 일 실시예에 따른 데이터 분석을 위한 동작을 수행하는 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

네트워크부(110)는 본 개시의 일 실시예에 따른 데이터 분석을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(110)는 데이터 분석을 수행하기 위하여 이기종 데이터베이스에 포함된 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 네트워크 함수의 학습이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 네트워크 함수를 사용한 데이터 분석을 분산 처리할 수 있도록 할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망 (PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 데이터 분석을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분석을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분석을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)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(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), 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. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

이하에서는 데이터 분석 방법에 관하여 설명한다. 도 2는 본 개시의 일 실시예에 따른 데이터 분석 방법의 예시를 도시한 도면이다. 프로세서(120)는 데이터 세트에 기초하여 분석 대상 데이터를 결정하고, 분석 대상 데이터에 기초하여 분석 시나리오를 결정하고, 그리고 분석 시나리오에 기초하여 분석 대상 데이터에 대한 분석 결과를 생성할 수 있다. 데이터 분석 방법에 관하여 도 2를 참조하여 설명한다.

프로세서(120)는 데이터 세트(230)에 기초하여 분석 대상 데이터를 결정할 수 있다.

데이터 세트(230)는, 데이터베이스에 저장된 데이터들 중 적어도 일부의 데이터들의 집합일 수 있다. 프로세서(120)는 네트워크부(110)를 통해 다른 컴퓨팅 장치 또는 서버 중 적어도 하나에 저장되어 있는 데이터베이스로부터 데이터베이스에 저장된 데이터들에 관한 정보를 수신하고, 그리고 수신한 데이터들에 관한 정보에 기초하여 데이터 세트(230)를 결정할 수 있다. 또는, 프로세서(120)는 컴퓨팅 장치(100)에 포함된 메모리(130)인 데이터베이스에 저장된 데이터들에 기초하여 데이터 세트(230)를 결정할 수도 있다. 전술한 데이터 세트(230) 생성에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

데이터 세트(230)는, 둘 이상의 이기종 데이터베이스(210)에 포함된 데이터를 포함할 수 있다. 프로세서(120)는 네트워크부(110)를 통해 둘 이상의 이기종(heterogeneous) 데이터베이스(210)로부터 데이터에 관한 정보를 수신하고, 그리고 둘 이상의 이기종 데이터베이스(210) 각각에 저장된 데이터들 중 적어도 일부의 데이터들에 기초하여 데이터 세트(230)를 생성할 수 있다. 데이터에 관한 정보는, 데이터 그 자체의 정보일 수도 있고, 또는 데이터를 설명하기 위한 정보일 수도 있다. 데이터 그 자체의 정보는 예를 들어, A 회사의 2019년도 매출에 관한 데이터인 240억원의 값일 수 있다. 데이터를 설명하기 위한 정보는 예를 들어, 데이터의 저장 위치, 데이터가 포함된 칼럼, 열 또는 테이블 정보 등일 수 있다. 예를 들어, 데이터를 설명하기 위한 정보는 A 회사에 관한 데이터 테이블, 데이터 테이블에서 B 부서에 관한 칼럼 등에 관한 정보일 수 있다. 전술한 데이터에 관한 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 둘 이상의 데이터베이스로부터 데이터를 수신하고, 수신한 데이터에 기초하여 데이터 세트(230)를 생성할 수 있다. 둘 이상의 데이터베이스가 이기종 데이터베이스(210)인 경우, 프로세서(120)는 둘 이상의 데이터베이스로부터 수신한 데이터에 대한 전처리(220)를 수행할 수 있다. 이기종 데이터베이스(210)에 포함된 데이터들은 서로 다른 형식, 또는 기준 등에 의하여 저장된 데이터일 수 있고, 따라서, 데이터들 간의 호환이 불가능할 수 있다. 프로세서(120)는 둘 이상의 데이터베이스로부터 수신한 데이터들에 대해, 하나의 기준 또는 방법에 기초하여 데이터 분석을 수행하기 위하여, 전처리(220)를 수행할 수 있다.

프로세서(120)는 상기 데이터 세트(230)에 포함된 데이터가 저장되어 있는 데이터베이스의 종류에 기초하여 상기 데이터의 전처리(220)를 수행할 수 있다. 예를 들어, 다른 회사에서 배포하는 둘 이상의 데이터베이스, 또는 동일한 회사에서 배포하는 데이터베이스이더라도 다른 형식 또는 기준에 의해 데이터를 저장하고 있는 데이터베이스인 경우, 각각의 데이터베이스로부터 수집된 데이터들에 대해 전처리(220)를 수행할 수 있다.

전처리(220)는, 둘 이상의 데이터베이스로부터 수집된 데이터들을 하나로 그룹핑하여 처리하기 위한 동작일 수 있다. 전처리(220)는 둘 이상의 데이터베이스로부터 수집된 데이터들을 변형(transformation)하는 동작일 수 있다. 예를 들어, 전처리(220)는 데이터의 형식을 변형하거나 또는 값을 적어도 일부 조정하는 동작일 수 있다. 전술한 전처리에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 데이터 세트(230)에 기초하여 분석 대상 데이터를 결정할 수 있다.

데이터베이스가 수많은 양의 데이터를 포함하고 있는 경우, 사용자가 관심 있어 하는 데이터를 분석한 결과를 제공하기 위하여, 프로세서(120)는 수많은 양의 데이터들 중 사용자들이 관심 있어 할 만한 데이터들인 분석 대상 데이터를 결정할 수 있다. 프로세서(120)는 데이터 세트(230)에 포함된 데이터들의 분석 조합들 중 사용자가 관심 있어 할 만한 데이터 분석 조합을 사용자에게 제공하기 위하여, 데이터 세트(230) 중 분석 대상 데이터를 결정할 수 있다. 분석 대상 데이터는 데이터 세트의 부분 집합일 수 있다. 분석 대상 데이터는 프로세서(120)에서 데이터 세트를 분석하여 사용자에게 제공할 것으로 결정한 데이터 세트의 일부일 수 있다. 분석 대상 데이터는 데이터 세트에 포함된 하나 이상의 데이터 중 사용자가 관심 있을 것으로 예상되는 데이터의 집합일 수 있다. 프로세서(120)는 데이터 세트와 데이터 세트에서 분석 데이터를 선정하기 위한 추가적인 정보들을 분석하여 데이터 세트에서 분석 대상 데이터를 결정할 수 있다.

데이터 세트는 데이터베이스에 저장된 데이터들의 집합일 수 있다. 데이터 세트는 데이터베이스에 저장된 데이터 전체의 적어도 일부일 수 있다. 데이터 세트는 데이터베이스에 저장된 테이블, 칼럼 또는 열 중 적어도 일부의 집합일 수 있다. 데이터베이스에서 데이터들은 데이터 저장소에 저장될 수 있다. 데이터 저장소는 테이블로 지칭될 수 있다. 이러한 테이블은 하나 이상의 로우들을 포함하고 하나 이상의 로우들 각각은 하나 이상의 컬럼들을 포함할 수 있다.

프로세서(120)는 데이터 세트를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 대상 데이터 결정 모델의 입력으로 하여 상기 분석 대상 데이터를 출력할 수 있다.

본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.

이하에서는 분석 대상 데이터 결정 모델의 학습 방법에 관하여 설명한다.

본 개시의 일 실시예에 따라 분석 대상 데이터 결정 모델은, 데이터 세트를 입력으로 포함하고, 데이터 세트에서 분석 대상 데이터를 결정하기 위한 추가 정보를 추가적인 입력으로 포함하는 학습 데이터를 이용하여 학습된 모델일 수 있다. 보다 구체적으로 본 개시의 일 실시예에서, 분석 대상 데이터 결정 모델은, 데이터 세트를 입력으로 포함하고, 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 추가 입력으로 포함하고, 그리고 분석 대상 데이터를 라벨로 포함하는 학습 데이터를 이용하여 학습된 모델일 수 있다.

분석 목적은, 사용자가 데이터 세트에 포함된 데이터들을 이용하여 분석하고자 하는 목적에 관한 정보일 수 있다. 분석 목적은, 분석하고자 하는 데이터들의 상관 관계에 관한 정보일 수도 있고, 또는 분석하고자 하는 데이터로부터 얻고자 하는 정보일 수도 있다. 예를 들어, 분석하고자 하는 데이터들의 상관 관계에 관한 정보는, 데이터들의 비교(comparison), 분산(distribution), 관계(relationship), 구성(composition)에 관한 정보일 수 있다. 프로세서(120)는 추가 입력이 분석 목적인 경우, 데이터 세트에 포함된 데이터들 중 상기 분석 목적에 대응하는 데이터들을 분석 대상 데이터로 결정할 수 있다. 예를 들어, 분석 목적이 데이터들의 비교인 경우, 분석 대상 데이터는 동일한 항목(즉, 예를 들어 직원들의 연차 사용 횟수)에 대한 2018년도 및 2019년도 각각에 대한 데이터일 수 있다. 예를 들어, 분석하고자 하는 데이터로부터 얻고자 하는 정보가 연봉을 높이는 방법에 관한 정보인 경우, 분석 대상 데이터들은 사용자보다 연봉이 높은 다른 직원들에 대한 성과 데이터일 수 있다. 전술한 분석 목적에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

사용자 선정 데이터는 데이터 세트에 포함된 데이터에 대한 사용자의 선택에 관련한 정보를 포함할 수 있다. 예를 들어, 사용자 선정 데이터는 사용자가 데이터 세트에 포함된 데이터들 중 분석하고 싶은 데이터들 중 적어도 일부에 관한 정보일 수 있다. 프로세서(120)는 사용자 선정 데이터에 포함된 데이터들에 기초하여 분석 대상 데이터를 결정할 수 있다. 프로세서(120)는 사용자 선정 데이터에 포함된 데이터들을 분석 대상 데이터로 결정할 수도 있고, 또는 사용자 선정 데이터에 포함된 데이터들 및 사용자 선정 데이터에 포함된 데이터들과 관련성이 있는 데이터들을 분석 대상 데이터로 결정할 수도 있다. 본 개시의 일 실시예에 따라, 프로세서(120)는 사용자 선정 데이터를 분석 대상 데이터 결정 모델의 추가 입력 데이터로 입력 받는 경우, 사용자 선정 데이터 및 사용자 선정 데이터와 관련성이 있는 데이터들을 분석 대상 데이터로 결정하기 위하여, 분석 대상 데이터 결정 모델이 데이터들의 관련성에 관하여 학습하도록 할 수 있다. 예를 들어, 사용자 선정 데이터가 A회사 사원들의 연봉 데이터인 경우, 사용자 선정 데이터와 관련성이 있는 데이터는 A회사 사원들의 학력 또는 부서일 수 있다. 본 개시의 일 실시예의 분석 대상 데이터 결정 모델은 A 회사 사원들의 연봉 데이터가 사용자 선정 데이터로 입력되는 경우, 연봉 데이터와 관련이 있는 데이터(예를 들어, 학력, 부서 등)를 분석 대상 데이터로 선정할 수 있다. 전술한 사용자 선정 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

사용자 정보는 사용자 일반 정보 또는 사용자 히스토리 정보 중 적어도 하나의 정보를 포함할 수 있다.

사용자 일반 정보는 사용자를 다른 사용자와 구분하기 위한 식별 정보 또는 상기 사용자의 그룹에 관련한 정보를 포함하는 그룹 정보 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 사용자를 다른 사용자와 구분하기 위한 식별 정보는 사용자 식별 정보에 기초하여 식별되는, 사용자의 데이터 분석 히스토리 정보를 기반으로, 기존의 분석 패턴과 유사한 분석 결과를 제공하기 위한 정보일 수 있다. 예를 들어, 프로세서는 특정 사용자가 분석 대상 데이터를 선정한 히스토리에 기초하여, 과거 분석 대상 데이터와 유사하거나, 관련된 데이터를 추천할 수 있다. 예를 들어, 사용자 식별 정보에 기초하여 식별되는, 사용자의 데이터 분석 히스토리에 따라, 사용자 A가 데이터 세트에 포함된 F 칼럼과 관련한 데이터들을 여러 번 분석한 경우, 프로세서(120)는 사용자 A에 대하여 F 칼럼과 관련한 데이터들을 분석 대상 데이터로 결정할 수 있다. 전술한 히스토리 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 사용자를 다른 사용자와 구분하기 위한 식별 정보는 사용자 식별 정보에 기초하여 식별되는 사용자의 데이터 분석 히스토리 정보를 기반으로, 사용자의 분석 패턴과 유사한 분석 패턴을 가지는 다른 사용자의 데이터 분석 결과에 기초하여 사용자에게 분석 결과를 제공하기 위한 정보일 수 있다. 예를 들어, 프로세서(120)는 분석 대상 데이터 결정을 요청한 사용자의 과거 분석 히스토리에 기초하여, 과거 분석 히스토리의 과거 분석 데이터와 유사하거나 관련된 분석 데이터를 선택한 다른 사용자를 식별할 수 있고, 식별된 다른 사용자의 분석 히스토리에 기초하여 분석 대상 데이터를 선택할 수 있다. 예를 들어, A 및 B 사용자가 C 데이터 세트에 포함된 D 칼럼에 관하여 데이터 분석을 수행했던 데이터 분석 히스토리 정보가 있고, A 사용자가 E 데이터 세트에 포함된 F 칼럼에 관하여 데이터 분석을 수행했던 데이터 분석 히스토리 정보가 있는 경우, 프로세서(120)는 분석 대상 데이터 결정 모델을 이용하여, B 사용자에 대하여 E 데이터 세트 중 F 칼럼에 관한 데이터를 분석 대상 데이터로 출력하도록 할 수 있다. 전술한 식별 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다

사용자의 그룹에 관련한 정보를 포함하는 그룹 정보는 사용자의 그룹에 관한 정보에 기초하여 그룹의 분석 패턴과 유사한 분석 결과를 제공하기 위한 정보일 수 있다. 본 개시의 일 실시예에서, 그룹 정보는 사용자를 분류할 수 있는 하나 이상의 기준에 관련한 정보를 포함할 수 있다. 예를 들어, 그룹 정보는 사용자가 속한 그룹에 관련한 정보를 포함할 수 있다. 예를 들어, 사용자의 그룹에 관련한 정보는, 사용자가 속한 기업, 업무, 부서 등의 특징일 수 있다. 예를 들어, 프로세서(120)는 사용자가 총무팀에 속한다는 그룹 정보를 추가 입력으로 입력 받는 경우, 분석 대상 데이터 결정 모델이 총무팀에 속하는 다른 사용자들의 데이터 분석 히스토리에 기초하여 분석 대상 데이터를 결정하도록 할 수 있다. 또한 예를 들어, 프로세서(120)는 사용자의 그룹 정보를 추가 입력으로 수신한 경우, 분석 대상 데이터 결정 모델이 사용자가 속한 그룹과 관련한 데이터를 분석 대상 데이터로 결정할 수 있다. 예를 들어, 프로세서(120)는 사용자가 총무팀에 속한다는 그룹 정보를 추가 입력으로 수신한 경우, 분석 대상 데이터 결정 모델이 총무팀의 업무와 관련한 데이터를 분석 데이터로 결정하도록 할 수 있다. 전술한 그룹 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

사용자 히스토리 정보는 사용자의 데이터 분석 특성에 관한 정보일 수 있다. 본 개시의 일 실시예에 따라, 프로세서(120)는 추가 입력으로 사용자 히스토리 정보를 입력 받는 경우, 사용자의 데이터 분석 히스토리와 유사하거나 관련된 패턴의 데이터 분석을 위한 분석 대상 데이터를 결정할 수 있다. 본 개시의 다른 일 실시예에 따라, 프로세서(120)는 추가 입력으로 사용자 히스토리 정보를 입력 받는 경우, 사용자의 데이터 분석 히스토리와 유사하거나 관련된 패턴의 데이터 분석 히스토리를 가지는 다른 사용자의 입력 데이터 세트에 대한 데이터 분석 히스토리에 포함된 분석 대상 데이터를 기초로 사용자의 분석 대상 데이터를 결정할 수 있다. 전술한 사용자 히스토리 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 전처리하여 분석 대상 데이터 결정 모델의 추가 입력으로 입력시킬 수 있다. 추가 입력에 대한 전처리는, 추가 입력 데이터에 대한 변형일 수 있다. 예를 들어, 프로세서(120)는 추가 입력 데이터에 관하여 원-핫 인코딩(one-hot encoding)을 이용하여 전처리를 수행할 수 있다. 원-핫 인코딩은 항목의 종류의 수를 벡터의 차원으로 결정하고, 그리고 해당하는 항목의 인덱스에 1의 값을 부여하고, 다른 인덱스에는 0을 부여하는 항목에 대한 벡터 표현 방식일 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델에 추가 입력으로 입력시키고자 하는 정보(즉, 본 예시에서 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나)에 포함된 항목에 대응되는 고유한 인덱스를 결정할 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델에 추가 입력으로 입력시키고자 하는 항목의 인덱스의 위치에는 1로 값을 결정하고, 다른 항목의 인덱스의 위치에는 0으로 값을 결정할 수 있다. 예를 들어, 프로세서(120)는 분석 목적이 매출 향상 품목에 대한 분석인 경우, 매출에 관련한 항목의 인덱스의 위치에는 1 값을, 나머지 항목의 인덱스의 위치에는 0 값을 가지는 원-핫 벡터를 생성하여, 추가 입력으로 입력시킬 수 있다. 전술한 추가 입력 전처리에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

학습 데이터는, 데이터 세트를 입력으로 포함하고, 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 추가 입력으로 포함하고, 그리고 분석 대상 데이터를 라벨로 포함할 수 있다. 학습 데이터는 사용자들의 데이터 분석 히스토리에 기초하여 생성될 수 있다.

본 개시의 일 실시예의 분석 대상 데이터 결정 모델은 데이터 세트와 추가 입력을 입력시켜 분석 대상 데이터가 출력되도록 교사 학습된 모델일 수 있다. 분석 대상 데이터 결정 모델은 데이터 세트에 기초하여 분석 대상 데이터를 출력할 수 있으며, 데이터 세트를 추가 입력에 따라 상이하게 처리함으로써, 상이한 분석 대상 데이터를 출력할 수 있다. 예를 들어, 분석 대상 데이터 결정 모델은 데이터 세트와 사용자 정보를 입력 받아, 사용자 정보에 따라, 데이터 세트를 상이하게 처리함으로써, 사용자 정보에 따른 분석 대상 데이터를 출력할 수 있다.

본 개시의 일 실시예에 따라 상기 분석 대상 데이터 결정 모델은, 사용자들의 분석 대상 데이터에 대한 피드백에 기초하여 생성된 학습 데이터를 이용하여 학습된 모델일 수 있다. 프로세서(120)는 사용자들이 데이터 세트에서 분석한 데이터들에 대한 분석 결과에 기초하여 학습 데이터를 생성할 수 있다. 프로세서(120)는 사용자들이 분석했던 데이터 세트를 학습 데이터의 입력으로, 그리고 사용자들의 데이터 세트에서 도출했던 분석 결과의 기초가 되는 분석 대상 데이터 또는 데이터 세트에서 추출했던 분석 대상 데이터를 학습 데이터의 라벨로 할 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 사용자들의 데이터 분석 히스토리에 포함된 모든 데이터 세트 및 분석 대상 데이터를 학습 데이터로 하는 것이 아니라, 적어도 일부의 데이터 세트 및 분석 대상 데이터를 학습 데이터로 할 수 있다. 프로세서(120)는 사용자들의 분석 결과들 중 사용자들이 사용한 횟수가 사전 결정된 임계 값 이상인 분석 결과에 관하여만 학습 데이터의 기초로 할 수 있다. 예를 들어, 사용자들이 분석 결과를 사용한 경우는 분석 결과를 다른 사람에게 공유하거나, 저장하거나 또는 다운로드 하는 등의 동작을 의미할 수 있다. 예를 들어, A 데이터 세트에서 B 칼럼에 관하여 분석하고 그에 대한 분석 결과를 다운로드한 횟수가 1회이고, 그리고 A 데이터 세트에서 C 테이블에 관하여 분석하고 그에 대한 분석 결과를 다운로드한 횟수가 3회, 공유한 횟수가 12회인 경우, 프로세서(120)는 B 칼럼에 관하여는 학습 데이터를 생성하지 않고, C 테이블에 관하여만 학습 데이터를 생성할 수 있다. 전술한 학습 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라 프로세서(120)는 사용자들의 데이터 분석 히스토리에 포함된 데이터 세트들 중 적어도 일부의 데이터 세트는 추가 입력과 매칭되도록 학습 데이터를 생성할 수 있다. 프로세서(120)는 데이터 세트를 입력으로 포함하고, 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 추가 입력으로 포함하고, 그리고 분석 대상 데이터를 라벨로 포함하는 학습 데이터를 생성할 수 있다.

이 경우 프로세서(120)는 사용자들의 분석 결과들 중 사용자들이 사용한 횟수가 사전 결정된 임계 값 미만인 분석 결과에 관하여 추가 입력과 매칭되도록 학습 데이터를 생성할 수도 있다. 예를 들어, 데이터 세트에서 사용자들이 일반적으로 사용하는 분석 패턴에 따라 추출된 분석 대상 데이터일 경우, 사용자들이 분석 대상 데이터를 사용한 횟수가 임계 값 이상일 수 있고, 일반적으로 사용하는 분석 패턴의 경우, 프로세서(120)는 데이터 세트를 입력으로 포함하고, 분석 대상 데이터를 라벨로 포함하는 학습 데이터를 생성할 수 있다. 또한 예를 들어, 데이터 세트에서 사용자들이 일반적으로 사용하지 않는 분석 패턴에 따라 추출된 분석 대상 데이터일 경우, 사용자들이 분석 대상 데이터를 사용한 횟수가 임계 값 미만인 경우, 프로세서(120)는 데이터 세트를 입력으로 포함하고, 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 추가 입력으로 포함하고, 분석 대상 데이터를 라벨로 포함하는 학습 데이터를 생성할 수 있다. 예를 들어, D 그룹 사용자가 A 데이터 세트에서 B 칼럼에 관하여 분석하고 그에 대한 분석 결과를 다운로드한 횟수가 1회이고, 그리고 A 데이터 세트에서 C 테이블에 관하여 분석하고 그에 대한 분석 결과를 다운로드한 횟수가 3회, 공유한 횟수가 12회인 경우, 프로세서(120)는 B 칼럼에 관하여는 D 그룹에 관한 추가 입력을 포함하도록 학습 데이터를 생성할 수 있고, 그리고 C 테이블에 관하여는 D 그룹에 관한 추가 입력을 포함하는 학습 데이터 또는 D 그룹에 관한 추가 입력을 포함하지 않는 학습 데이터를 모두 생성할 수도 있다. 전술한 학습 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(120)는 하나 이상의 네트워크 함수를 포함하는 분석 대상 데이터 결정 모델을 생성할 수 있다. 프로세서(120)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어 중 적어도 하나를 포함하는 하나 이상의 네트워크 함수로 이루어진 분석 대상 데이터 결정 모델을 생성할 수 있다. 프로세서(120)는 하나 이상의 입력 노드를 포함하는 입력 레이어로 구성된 네트워크 함수를 생성할 수 있다. 프로세서(120)는 네트워크 함수에 포함된 히든 레이어는 하나 이상의 히든 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 프로세서(120)는 네트워크 함수에 포함된 출력 레이어는 하나 이상의 출력 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 프로세서(120)는 네트워크 함수의 레이어에 포함된 각각의 노드는 다른 레이어의 하나 이상의 노드와 링크를 통해 각각 연결되도록 생성할 수 있다. 각각의 링크에는 각각의 가중치가 설정될 수 있다.

프로세서(120)는 분석 대상 데이터 결정 모델의 입력으로 학습 데이터의 데이터 세트를 입력할 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 학습 데이터의 데이터 세트를 입력할 수 있다. 입력되는 데이터 세트는 데이터 세트 자체, 전처리된 데이터 세트, 또는 데이터 세트에 대한 메타 정보일 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델의 입력으로 학습 데이터의 추가 입력인 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 입력할 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 학습 데이터에 포함된 데이터 세트 및 학습 데이터에 포함된 추가 입력인 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 입력시킬 수 있다. 전술한 분석 대상 데이터 결정 모델의 입력에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 분석 대상 데이터 결정 모델을 생성할 수 있다. 레이어는 하나 이상의 노드를 포함할 수 있다. 노드는 다른 노드와 링크를 통해 연결될 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델의 입력 레이어의 입력 노드에 입력된 데이터 세트 및 추가 입력을 상기 입력 노드와 연결된 링크를 통해 연산하여 히든 레이어로 전파할 수 있다. 연산은 임의의 수학적 연산을 포함할 수 있다. 예를 들어, 연산은 곱 또는 합성 곱일 수 있으나, 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(120)는 분석 대상 데이터 결정 모델의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 하나 이상의 히든 레이어를 거쳐 출력 레이어로 전파할 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델의 출력 레이어로 전파된 값에 기초하여 분석 대상 데이터를 생성할 수 있다.

프로세서(120)는 분석 대상 데이터 결정 모델의 제 1 노드의 제 1 노드 값을, 상기 제 1 노드와 연결된 이전 레이어에 포함된 제 2 노드의 제 2 노드 값과 상기 이전 레이어에 포함된 제 2 노드와 상기 제 1 노드를 연결하는 링크에 설정된 링크의 제 1 링크 가중치로 연산하여 도출할 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델의 제 1 노드의 제 1 노드 값을, 제 1 노드와 연결된 다음 레이어에 포함된 제 3 노드를 연결하는 링크에 설정된 제 2 링크 가중치로 연산하여 제 3 노드에 전파할 수 있다.

프로세서(120)는 분석 대상 데이터 결정 모델을 생성하기 위하여 학습 데이터에 포함된 데이터 세트 및 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 포함하는 추가 입력 각각을 분석 대상 데이터 결정 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 분석 대상 데이터 결정 모델의 출력 레이어에서 연산한 분석 대상 데이터(즉, 출력)와 학습 데이터에 포함된 라벨인 분석 대상 데이터(즉, 정답)을 비교하여 오차를 계산할 수 있다. 프로세서(120)는 오차에 기초하여 분석 대상 데이터 결정 모델의 가중치를 조정할 수 있다. 프로세서(120)는 상기 오차에 기초하여 분석 대상 데이터 결정 모델의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다.

본 개시의 다른 일 실시예에 따라, 프로세서(120)는 학습된 분석 대상 데이터 결정 모델에 대한 사용자의 피드백에 기초하여 재 학습 데이터를 생성할 수 있다. 프로세서(120)는 분석 대상 데이터 결정 모델에서 출력된 분석 대상 데이터 또는 분석 대상 데이터에 기초한 분석 결과에 대한 사용자의 피드백에 기초하여 재 학습 데이터를 생성할 수 있다. 프로세서(120)는 분석 대상 데이터 모델에서 출력된 분석 대상 데이터 또는 분석 대상 데이터에 기초한 분석 결과를 사용자가 사용한 횟수가 사전 결정된 임계 값 이상인 분석 결과에 관하여 재 학습 데이터의 기초로 할 수 있다. 예를 들어, A 데이터 세트에 대해 B 칼럼에 대한 분석 결과는 사용자들이 여러 번 공유하고, 그리고 저장한 경우, 프로세서(120)는 해당 히스토리에 기초하여 재 학습 데이터를 생성할 수 있다. 즉, 프로세서(120)는 분석 대상 데이터를 선정한 결과에 대한 사용자의 피드백에 기초하여 재 학습 데이터를 생성할 수 있다. 예를 들어, 본 개시의 일 실시예에 의하여 분석 대상 데이터 결정 모델이 선택한 분석 대상 데이터가 사용자에게 사용되는 경우, 분석 대상 데이터의 선택이 적절하였으므로, 이를 새로운 학습 데이터(즉, 재 학습 데이터)로 생성함으로써, 모델이 업데이트 되도록 할 수 있다. 재 학습 데이터를 이용하여 사전 학습된 분석 대상 데이터 결정 모델을 업데이트하는 경우, 분석 대상 데이터 결정 모델의 정확도가 향상될 수 있다.

프로세서(120)는 재 학습 데이터를 이용하여 학습된 분석 대상 데이터 결정 모델을 업데이트할 수 있다. 프로세서(120)는 학습된 분석 대상 데이터 결정 모델과 초기 가중치를 적어도 일부 공유하는 업데이트 분석 대상 데이터 결정 모델을 재 학습 데이터를 이용하여 학습시킬 수 있다. 업데이트 분석 대상 데이터 결정 모델의 초기 가중치가 학습된 분석 대상 데이터 결정 모델의 가중치를 적어도 일부 공유하고, 사용자들의 피드백을 반영한 재 학습 데이터를 이용하여 업데이트 분석 대상 데이터 결정 모델을 학습시키는 경우, 모델의 학습 속도가 향상될 수 있으며, 기존에 학습된 분석 대상 데이터 결정 모델 보다 정확도가 높은 모델의 생성이 가능할 수 있다.

본 개시의 다른 일 실시예에 따라 상기 분석 대상 데이터 결정 모델은, 데이터 세트에 포함된 둘 이상의 항목들 간의 관련성에 관하여 학습된 모델일 수 있다. 본 개시의 일 실시예에 따라 상기 분석 대상 데이터 결정 모델은, 사용자들의 데이터 분석 히스토리에 포함된 분석 항목들에 기초하여 상기 둘 이상의 항목들 간의 관련성에 관하여 학습된 모델일 수 있다. 프로세서(120)는 사용자들의 데이터 분석 히스토리에 포함된 분석 항목들을 확인할 수 있다. 분석 항목은 데이터 세트에 포함된 데이터, 데이터 테이블, 데이터 칼럼, 데이터 열 또는 데이터들의 그룹핑 기준 중 적어도 하나일 수 있다. 예를 들어, 분석 대상 데이터 결정 모델은 사용자들이 A 데이터 세트에서 F 열의 데이터들과 B 열의 데이터들을 같이 분석한 데이터 히스토리에 기초하여, F 열의 데이터들과 B 열의 데이터들은 관련성이 높은 것으로 학습될 수 있다. 예를 들어, 분석 대상 데이터 결정 모델은 사용자들이 연봉과 관련된 데이터 항목(즉, 데이터들의 그룹핑 기준)과 연차와 관련된 데이터 항목들을 같이 분석한 데이터 히스토리에 기초하여, 연봉과 관련된 데이터 항목과 연차와 관련된 데이터 항목들의 관련성이 높은 것으로 학습될 수 있다. 전술한 항목들 간의 관련성에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

이하에서는 학습된 분석 대상 데이터 결정 모델을 이용하여 분석 대상 데이터를 출력하는 방법에 관하여 설명한다.

프로세서(120)는 데이터 세트(230)를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 대상 데이터 결정 모델(240)에 입력시키고, 분석 대상 데이터 결정 모델(240)을 이용하여 분석 대상 데이터(250)를 출력할 수 있다.

프로세서(120)는 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 상기 분석 대상 데이터 결정 모델(240)의 추가적인 입력으로 입력시킬 수 있다. 프로세서(120)는 상기 데이터 세트(230) 및 상기 추가적인 입력을 상기 분석 대상 데이터 결정 모델(240)을 이용하여 연산함으로써 상기 분석 대상 데이터(250)를 출력할 수 있다. 분석 목적은 전술한 바와 같이, 사용자가 데이터 세트(230)에 포함된 데이터들을 이용하여 분석하고자 하는 목적에 관한 정보일 수 있다. 사용자 선정 데이터는 전술한 바와 같이, 사용자가 데이터 세트(230)에 포함된 데이터들 중 분석하고 싶은 데이터들 중 적어도 일부에 관한 정보일 수 있다. 프로세서(120)는 데이터 세트(230)에 포함된 둘 이상의 항목들 간의 관련성에 관하여 학습된 모델인 분석 대상 데이터 결정 모델(240)을 이용하여, 사용자 선정 데이터를 연산하여, 사용자 선정 데이터 및 사용자 선정 데이터와 관련성이 있는 데이터들을 분석 대상 데이터(250)로 결정할 수 있다. 사용자 정보는, 전술한 바와 같이, 사용자를 다른 사용자와 구분하기 위한 식별 정보 또는 상기 사용자의 그룹에 관련한 정보를 포함하는 그룹 정보 중 적어도 하나를 포함하는 사용자 일반 정보 또는 사용자의 데이터 분석 특성에 관한 정보인 사용자 히스토리 정보 중 적어도 하나의 정보를 포함할 수 있다.

프로세서(120)는 분석 대상 데이터 결정 모델을 이용하여 데이터 세트에서 하나의 분석 대상 데이터를 출력할 수도 있고, 또는 스코어링 값이 높은 상위 개수의 둘 이상의 분석 대상 데이터를 출력할 수도 있다. 프로세서(120)는 둘 이상의 분석 대상 데이터를 상기 분석 대상 데이터 결정 모델을 이용하여 출력한 경우, 둘 이상의 분석 대상 데이터 각각에 기초한 분석 결과를 생성하여 사용자에게 제공할 수도 있다.

이하에서는 프로세서(120)가 분석 시나리오를 결정하는 방법에 관하여 설명한다.

프로세서(120)는 상기 분석 대상 데이터에 기초하여 분석 시나리오(270)를 결정할 수 있다. 분석 시나리오(270)는, 분석 대상 데이터의 분석 방법일 수 있다. 분석 시나리오(270)는, 사용자에게 분석 대상 데이터들에 관한 정보를 효과적으로 전달하기 위한 방법일 수 있다. 분석 시나리오(270)는 예를 들어, 분석 대상 데이터들의 비교(comparison), 분산(distribution), 관계(relationship), 구성(composition)에 관한 정보일 수 있다. 분석 시나리오에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 분석 대상 데이터 및 상기 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나에 기초하여 상기 분석 시나리오(270)를 결정할 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 사용자들의 데이터 분석 히스토리에 포함된 상기 분석 대상 데이터가 속하는 항목 또는 상기 분석 목적 중 적어도 하나에 대응되는 분석 시나리오(270)에 기초하여 상기 분석 시나리오를 결정할 수 있다.

분석 대상 데이터의 특성은, 분석 대상 데이터가 포함하고 있는 데이터의 내용에 관한 정보일 수 있다. 프로세서(120)는 사용자들의 데이터 분석 히스토리에 포함된 분석 대상 데이터의 특성에 따라 분석한 분석 시나리오 정보에 기초하여, 분석 시나리오(270)를 결정할 수 있다. 프로세서(120)는 분석 대상 데이터의 특성에 분석 시나리오를 매칭시켜 메모리(130)에 저장해 놓을 수 있다. 예를 들어, 분석 대상 데이터의 특성이 시계열적인 경우, 비교 분석 시나리오가 메모리(130)에 매칭되어 저장되어 있을 수 있고, 분석 대상 데이터의 특성이 복수의 분석 항목을 포함하는 경우, 관계 분석 시나리오가 메모리(130)에 매칭되어 저장되어 있을 수 있다. 예를 들어, 분석 대상 데이터가 시계열적인 데이터를 포함하는 경우, 프로세서(120)는 비교 시나리오에 기초하여 분석 대상 데이터를 분석해야 하는 것으로 결정할 수도 있고, 또는 분석 대상 데이터가 상이한 두개의 항목을 포함하는 경우, 프로세서(120)는 관계 시나리오에 기초하여 분석 대상 데이터를 분석해야 하는 것으로 결정할 수도 있다. 예를 들어, 사용자들의 데이터 분석 히스토리에 기초하여 분석 대상 데이터가 회사 내 직원들의 직급 및 회사 내 직원들의 연봉인 경우, 프로세서(120)는 관계 시나리오에 기초하여 분석 대상 데이터를 분석해야 하는 것으로 결정할 수도 있다. 전술한 분석 시나리오에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

분석 목적은, 전술한 바와 같이 사용자가 데이터 세트에 포함된 데이터들을 이용하여 분석하고자 하는 목적에 관한 정보일 수 있다. 분석 목적은, 분석하고자 하는 데이터들의 상관 관계에 관한 정보일 수도 있고, 또는 분석하고자 하는 데이터로부터 얻고자 하는 정보일 수도 있다. 사용자가 분석 대상 데이터 결정 모델의 추가 입력으로 분석하고자 하는 데이터들의 상관 관계에 관한 정보를 입력한 경우, 프로세서(120)는 분석 목적에 기초하여 분석 시나리오(270)를 결정할 수 있다. 프로세서(120)는 분석 목적에 대응되는 분석 시나리오(270)를 결정할 수 있다. 예를 들어, 사용자가 분석 대상 데이터 결정 모델의 추가 입력으로 데이터들의 분산을 알고 싶다는 데이터 분석 목적에 관한 정보를 입력한 경우, 프로세서(120)는 분석 시나리오(270)를 분산에 관한 시나리오로 결정할 수 있다. 전술한 분석 시나리오에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 상기 사용자 정보에 기초한 사용자의 데이터 분석 히스토리에 포함된 분석 시나리오(270)에 기초하여 상기 분석 시나리오를 결정할 수 있다. 프로세서(120)는 사용자의 분석 히스토리에 기초하여, 사용자가 어떤 분석 시나리오(270)를 통해 데이터 분석을 많이 수행하였는지 확인하고, 그리고 사용자가 선호하는 분석 시나리오(270) 패턴이 있는 경우, 해당 분석 시나리오에 기초하여 분석 시나리오(270)를 결정할 수 있다. 예를 들어, 사용자가 데이터들의 분산에 대한 분석 시나리오에 기초하여 데이터 분석을 많이 수행한 경우, 프로세서(120)는 분산에 기초하여 분석 시나리오(270)를 결정할 수 있다. 전술한 분석 시나리오에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 분석 시나리오(270)를 수행하기 위하여 상기 분석 대상 데이터에 대한 전처리 방법(260)을 결정할 수 있다. 분석 대상 데이터에 대한 전처리는, 분석 대상 데이터를 효과적으로 분석하기 위하여, 분석 대상 데이터에 포함된 데이터의 적어도 일부의 데이터를 변형하는 동작을 의미할 수 있다. 예를 들어, 분석 대상 데이터에 대한 전처리는, 값 트랜스폼(value transformation), 아웃라이어(outlier)의 제거, 표준화(standardization), 대체(imputation)를 포함할 수 있다. 아웃라이어는 데이터 세트에서 데이터 분석에 대한 결과를 왜곡시키거나, 또는 데이터 분석에 대한 적절성을 위협하는 데이터일 수 있다. 예를 들어, 아웃라이어는 측정 오류나 수집 오류 등에 의하여 획득된 값을 포함할 수도 있고, 정상적인 데이터 범주에서 벗어난 데이터 일 수도 있다. 예를 들어 값 트랜스폼은 데이터들의 선형성(linearity)을 보여주기 위한 분석 시나리오(270)에서 수행될 수 있고, 아웃라이어의 제거는 데이터 세트의 정상 상태(normality)를 보여주기 위한 분석 시나리오(270)에서 수행될 수 있고, 표준화는 다양한 항목에 포함된 데이터들의 비교 분석을 위한 분석 시나리오(270)에서 수행될 수 있고, 그리고 대체는 결측 데이터들을 보충하기 위하여 수행될 수 있다. 전술한 분석 대상 데이터에 대한 전처리 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 사전 학습된 분석 시나리오 결정 모델을 이용하여 분석 시나리오(270)를 결정할 수 있다. 프로세서(120)는 사용자들의 데이터 분석 히스토리에 기초하여 분석 대상 데이터를 입력으로 하고, 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나를 추가 입력으로 하고, 그리고 분석 시나리오를 학습 데이터의 라벨로 하는 학습 데이터를 생성할 수 있다. 프로세서(120)는 전술한 학습 데이터를 이용하여 하나 이상의 네트워크 함수를 포함하는 분석 시나리오 결정 모델을 학습시킬 수 있다. 프로세서(120)는 학습된 분석 시나리오 결정 모델의 입력으로 분석 대상 학습 데이터 및 추가 입력으로 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나를 입력시켜 연산하여, 분석 시나리오(270)를 출력할 수 있다.

본 개시의 다른 일 실시예에 따라, 프로세서(120)는 사용자들의 데이터 분석 히스토리에 기초하여 분석 시나리오 및 분석 대상 데이터에 대한 전처리 방법(260)을 추가적인 라벨로 포함하는 학습 데이터를 생성할 수 있다. 프로세서(120)는 전처리 방법(260)을 추가적인 라벨로 포함하는 학습 데이터를 이용하여 분석 시나리오 결정 모델을 학습시킬 수 있다. 분석 시나리오 결정 모델은 분석 대상 데이터를 입력으로 하여 분석 시나리오를 출력하도록 학습될 수 있다. 또한, 분석 시나리오 결정 모델은 분석 대상 데이터를 입력으로 하여 분석 대상 데이터에 대한 분석 시나리오 및 전처리 방법을 출력하도록 학습될 수 있다.

본 개시의 다른 일 실시예에서, 분석 시나리오 결정 모델은 분석 대상 데이터 및 추가 입력(예를 들어, 분석 대상 데이터 특성, 분석 목적 또는 사용자 정보 중 적어도 하나)을 입력으로 하여 분석 시나리오 또는 전처리 방법 중 적어도 하나를 출력하도록 학습될 수 있다. 프로세서(120)는 학습된 분석 시나리오 결정 모델의 입력으로 분석 대상 학습 데이터 및 추가 입력으로 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나를 입력시켜 연산하여, 분석 시나리오(270) 및 분석 대상 데이터에 대한 전처리 방법(260)을 출력할 수 있다.

프로세서(120)는 상기 분석 시나리오(270)에 기초하여 분석 대상 데이터에 대한 분석 결과(280)를 생성할 수 있다. 분석 결과(280)는 사용자에게 제공하기 위한 분석 대상 데이터에 대한 분석의 결과물일 수 있다. 분석 결과(280)는 사용자가 확인할 수 있는 다양한 형식으로 생성될 수 있다. 예를 들어, 분석 결과(280)는 표, 줄글, 시각화 자료 등을 포함할 수 있다. 전술한 분석 결과에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 상기 분석 시나리오의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나에 기초하여 상기 분석 결과(280)를 생성할 수 있다.

프로세서(120)는 분석 시나리오의 특성 또는 분석 목적에 기초하여 분석 대상 데이터에 대한 분석 결과(280)를 생성할 수 있다.

분석 시나리오의 특성은, 분석 시나리오를 통해 분석하고자 하는 목적에 관한 정보일 수 있다. 분석 시나리오의 특성은 프로세서(120)가 분석 대상 데이터에 기초하여 결정한 분석 시나리오에 관한 특성일 수 있다. 분석 시나리오의 특성은 사용자가 입력한 추가적인 정보가 아니고, 프로세서(120)가 분석 대상 데이터를 연산하여 출력한 분석 시나리오에 대한 특성일 수 있다. 예를 들어, 분석 시나리오의 특성은 프로세서(120)가 분석 대상 데이터를 분석 시나리오 결정 모델을 이용하여 연산함으로써 출력한 분석 시나리오에 대한 특성일 수 있다. 분석 시나리오의 특성은 분석 목적과 대응되는 개념일 수 있다. 분석 시나리오의 특징은, 데이터들의 비교, 분산, 관계, 구성에 관한 정보일 수 있다. 예를 들어, 메모리(130)에는 분석 시나리오의 특징 각각에 매칭되는 데이터 분석 결과(280) 제공 방법인 데이터 시각화 방법이 저장되어 있을 수 있다. 예를 들어, 분석 시나리오의 특성이 데이터들의 비교 결과를 도출하기 위한 경우, 바(bar) 차트, 칼럼(column) 차트, 라인(line) 차트 등을 이용하여 데이터들을 시각화하고, 분석 시나리오의 특성이 데이터들의 분산에 관한 정보를 도출하기 위한 경우, 분산형(scatter) 차트, 면적(area) 그래프 등을 이용하여 데이터들을 시각화 하고, 분석 시나리오의 특성이 데이터들의 관계에 관한 정보를 도출하기 위한 경우, 분산형(scatter) 차트, 버블(bubble) 차트 등을 이용하여 데이터들을 시각화하고, 그리고 분석 시나리오의 특성이 데이터의 구성에 관한 정보를 도출하기 위한 경우, 파이(pie) 차트, 스택형 영역(stacked area) 차트 등을 이용하여 데이터들을 시각화함으로써 분석 대상 데이터에 대한 분석 결과(280)를 생성할 수 있다. 전술한 분석 결과에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

분석 목적은, 전술한 바와 같이, 사용자가 데이터 세트에 포함된 데이터들을 이용하여 분석하고자 하는 목적에 관한 정보일 수 있다. 분석 목적은, 데이터들의 비교, 분산, 관계, 구성에 관한 정보일 수 있다. 예를 들어, 메모리(130)에는 분석 목적 각각에 매칭되는 데이터 분석 결과(280) 제공 방법인 데이터 시각화 방법이 저장되어 있을 수 있다. 예를 들어, 데이터 분석 목적이 데이터들의 비교 결과를 도출하기 위한 경우, 바(bar) 차트, 칼럼(column) 차트, 라인(line) 차트 등을 이용하여 데이터들을 시각화하고, 데이터 분석 목적이 데이터들의 분산에 관한 정보를 도출하기 위한 경우, 분산형(scatter) 차트, 면적(area) 그래프 등을 이용하여 데이터들을 시각화 하고, 데이터 분석 목적이 데이터들의 관계에 관한 정보를 도출하기 위한 경우, 분산형(scatter) 차트, 버블(bubble) 차트 등을 이용하여 데이터들을 시각화하고, 그리고 데이터 분석 목적이 데이터의 구성에 관한 정보를 도출하기 위한 경우, 파이(pie) 차트, 스택형 영역(stacked area) 차트 등을 이용하여 데이터들을 시각화함으로써 분석 대상 데이터에 대한 분석 결과(280)를 생성할 수 있다. 전술한 분석 결과에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 사용자 정보에 기초하여 분석 대상 데이터에 대한 분석 결과(280)를 생성할 수 있다. 프로세서(120)는 사용자의 데이터 분석 히스토리에 기초하여, 사용자의 선호 분석 패턴에 따라 분석 결과(280)를 생성할 수 있다. 예를 들어, 사용자의 데이터 분석 히스토리에 기초하여, 사용자가 분산 시나리오에 대해 분산형 차트, 면적 그래프 중 분산형 차트를 이용한 시각화 분석을 선호하는 경우, 분산형 차트를 이용한 분석 결과(280)를 생성할 수 있다. 전술한 분석 결과에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 데이터 세트에 포함된 하나 이상의 데이터 중 어노말리 데이터에 가중치를 부여하여 분석 대상 데이터를 결정할 수 있다. 어노말리 데이터는 데이터 세트에 포함된 하나 이상의 데이터 중 일반적이지 않은 패턴의 데이터일 수 있다. 프로세서(120)는 어노말리 데이터를 포함하도록 분석 대상 데이터를 결정할 수 있다. 예를 들어, 동일한 부서의 동일한 직급의 사원들 중 한명의 연봉 데이터만 비 이상적으로 높은 값을 가지는 경우, 프로세서(120)는 데이터 세트에 포함된 연봉 데이터들의 일반적인 패턴과 상이한 패턴을 가지는 어노말리 데이터로 결정하고, 어노말리 데이터를 포함하도록 분석 대상 데이터를 결정할 수 있다. 전술한 예시에서, 프로세서(120)는 어노말리 데이터 및 어노말리 데이터와 관련된 데이터를 포함하도록 분석 대상 데이터를 결정할 수 있다. 전술한 분석 대상 데이터에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 분석 대상 데이터에 포함된 하나 이상의 데이터 중 어노말리 데이터에 가중치를 부여하여 분석 시나리오를 결정할 수 있다. 예를 들어, 시계열적인 데이터인 2017, 2018, 2019년도의 데이터 중 2018년도의 데이터가 어노말리 데이터인 경우, 프로세서(120)는 비교에 기초한 분석 시나리오를 결정할 수 있다. 예를 들어, 동일한 부서의 동일한 직급의 사원들 중 한명의 연봉 데이터만 비 이상적으로 높은 값을 가지는 경우, 프로세서(120)는 연봉과 성과 각각의 항목들에 포함되는 데이터들의 관계에 기초한 분석 시나리오를 결정할 수 있다. 전술한 분석 시나리오에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(120)는 분석 대상 데이터에 포함된 하나 이상의 데이터 중 어노말리 데이터에 가중치를 부여하여 분석 결과(280)를 생성할 수 있다. 어노말리 데이터는 예를 들어, 동일한 테이블에 속하는 데이터들 중 다른 데이터들과 다르게 비 이상적인 값을 가지는 데이터, 같은 항목에 대한 연도 별 데이터들 중 다른 연도와 다르게 비 이상적인 값을 가지는 데이터 등일 수 있다. 프로세서(120)는 어노말리 데이터가 존재하는 경우, 어노말리 데이터에 대한 특징을 분석하기 위한 분석 결과(280)를 생성할 수 있다. 예를 들어, 프로세서(120)는 어노말리 데이터가 존재하는 경우, 어노말리 데이터에 대하여 시각적으로 눈에 띄도록 하는 시각화 자료를 생성함으로써 분석 결과(280)를 생성할 수 있다. 전술한 어노말리 데이터 분석에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라 프로세서(120)는 데이터 세트에 포함된 하나 이상의 데이터 중 어노말리 데이터에 가중치를 부여하여 분석 결과(280)를 생성할 수 있다. 프로세서(120)는 데이터 세트에 포함된 하나 이상의 데이터 중 어노말리 데이터가 존재하는 경우, 어노말리 데이터 또는, 어노말리 데이터 및 어노말리 데이터와 관련된 데이터를 분석 대상 데이터로 결정할 수 있다. 프로세서(120)는 분석 대상 데이터에 포함된 어노말리 데이터에 기초하여 분석 시나리오(270)를 결정할 수 있다. 프로세서(120)는 분석 대상 데이터에 포함된 어노말리 데이터에 기초하여 어노말리 데이터 또는 어노말리 데이터와 관련성이 있는 데이터를 사용자가 확인할 수 있도록 하는 분석 시나리오(270)를 결정할 수 있다. 프로세서(120)는 어노말리 데이터에 기초한 분석 시나리오(270)에 대응되는 분석 결과(280)를 생성할 수 있다. 예를 들어, 데이터 세트가 연도 별 사원들의 퇴사율에 관련한 데이터를 포함하고, 2017년도에 비 이상적으로 많은 수치의 퇴사자가 발생한 경우, 프로세서(120)는 2017년도 사원들의 퇴사율 수치를 어노말리 데이터로 결정할 수 있고, 프로세서(120)는 2017년도 사원들의 퇴사율 수치를 포함하는 데이터 및 2017년도 사원들의 퇴사율 수치와 관련성이 있는 2017년도 사원들의 성과급 데이터를 분석 대상 데이터로 결정할 수 있다. 프로세서(120)는 2017년도 사원들의 퇴사율 수치를 포함하는 데이터와 2017년도 사원들의 성과급 데이터의 관계에 대응하는 분석 시나리오(270)를 결정할 수 있고, 관계성을 보여줄 수 있는 시각화 자료인 분석 결과(280)를 생성할 수 있다. 전술한 어노말리 데이터 분석에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 데이터베이스 관리 시스템(DBMS, Database Management System)의 일부로 동작할 수 있다. 데이터베이스 관리 시스템의 프론트엔드(frontend)가 쿼리를 수신하는 경우, 프로세서(120)는 해당 쿼리의 처리를 위하여 쿼리 옵티마이제이션(query optimization)을 수행할 수 있다. 프로세서(120)는 쿼리 옵티마이제이션을 위해 데이터 테이블에 포함된 컬럼 별 상태 정보를 확인할 수 있다. 컬럼 별 상태 정보는 데이터베이스 관리 시스템에서 운영하고 있는 상태 테이블(status table)에 기초하여 확인할 수 있다. 상태 테이블은 데이터 테이블에 포함된 데이터들의 상태(예를 들어, 변경, 저장, 삭제 등), 데이터들의 값 또는 데이터들의 값의 변화 중 적어도 하나에 관한 정보를 포함하고 있을 수 있다. 프로세서(120)는 상태 테이블에 기초하여 어노말리 데이터를 확인할 수 있다. 프로세서(120)는 어노말리 데이터를 확인하기 위한 별도의 동작을 수행하거나, 또는 별도의 테이블을 생성할 필요 없이, 상태 테이블에 기초하여 어노말리 데이터를 확인할 수 있다. 예를 들어, 프로세서(120)는 컬럼 별 상태 정보를 포함하고 있는 상태 테이블의 최소값, 최대값, 밀도 정보, 표준화 점수(Z-score), 사분범위(IQR, Inter Quartile Range)를 이용하여 어노말리 데이터를 확인할 수 있다. 전술한 어노말리 데이터 확인에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

기업에서 관리하는 데이터의 경우, 어노말리 데이터에 대한 모니터링이 중요할 수 있다. 예를 들어, 매출에 관한 데이터세트에서 특정 영역에 대한 매출만 급감한 경우, 해당 매출은 어노말리 데이터일 수 있고, 그리고 데이터를 관리하는 기업 입장에서는 어노말리 데이터에 대한 원인 분석 또는 결과 파악이 중요할 수 있다. 본 개시의 일 실시예에 따라 어노말리 데이터에 대한 분석을 제공하는 경우 기업 데이터 관리에 긍정적인 영향을 줄 수 있다.

도 3은 본 개시의 일 실시예에 따른 데이터 분석 방법의 순서도이다.

데이터 세트는, 데이터베이스에 저장된 데이터들 중 적어도 일부의 데이터들의 집합일 수 있다. 데이터 세트는, 둘 이상의 이기종 데이터베이스에 포함된 데이터를 포함할 수 있다. 컴퓨팅 장치(100)는 둘 이상의 이기종(heterogeneous) 데이터베이스로부터 데이터에 관한 정보를 수신하고, 그리고 둘 이상의 이기종 데이터베이스 각각에 저장된 데이터들 중 적어도 일부의 데이터들에 기초하여 데이터 세트를 생성할 수 있다.

컴퓨팅 장치(100)는 상기 데이터 세트에 포함된 데이터가 저장되어 있는 데이터베이스의 종류에 기초하여 상기 데이터의 전처리를 수행할 수 있다. 이기종 데이터베이스에 포함된 데이터들은 서로 다른 형식, 또는 기준 등에 의하여 저장된 데이터일 수 있고, 따라서, 데이터들 간의 호환이 불가능할 수 있다. 컴퓨팅 장치(100)는 둘 이상의 데이터베이스로부터 수신한 데이터들에 대해, 하나의 기준 또는 방법에 기초하여 데이터 분석을 수행하기 위하여, 전처리를 수행할 수 있다. 전처리는, 둘 이상의 데이터베이스로부터 수집된 데이터들을 하나로 그룹핑하여 처리하기 위한 동작일 수 있다. 전처리는 둘 이상의 데이터베이스로부터 수집된 데이터들을 변형(transformation)하는 동작일 수 있다.

컴퓨팅 장치(100)는 데이터 세트에 기초하여 분석 대상 데이터를 결정(310)할 수 있다.

컴퓨팅 장치(100)는 상기 데이터 세트를 사전 학습된 하나 이상의 네트워크 함수를 포함하는 분석 대상 데이터 결정 모델의 입력으로 하여 상기 분석 대상 데이터를 출력할 수 있다. 분석 대상 데이터 결정 모델은, 데이터 세트를 입력으로 포함하고, 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 추가 입력으로 포함하고, 그리고 분석 대상 데이터를 라벨로 포함하는 학습 데이터를 이용하여 학습된 모델일 수 있다.

분석 목적은, 사용자가 데이터 세트에 포함된 데이터들을 이용하여 분석하고자 하는 목적에 관한 정보일 수 있다. 분석 목적은, 분석하고자 하는 데이터들의 상관 관계에 관한 정보일 수도 있고, 또는 분석하고자 하는 데이터로부터 얻고자 하는 정보일 수도 있다.

사용자 선정 데이터는, 사용자가 데이터 세트에 포함된 데이터들 중 분석하고 싶은 데이터들 중 적어도 일부에 관한 정보일 수 있다. 컴퓨팅 장치(100)는 사용자 선정 데이터에 포함된 데이터들에 기초하여 분석 대상 데이터를 결정할 수 있다. 컴퓨팅 장치(100)는 사용자 선정 데이터에 포함된 데이터들을 분석 대상 데이터로 결정할 수도 있고, 또는 사용자 선정 데이터에 포함된 데이터들 및 사용자 선정 데이터에 포함된 데이터들과 관련성이 있는 데이터들을 분석 대상 데이터로 결정할 수도 있다.

사용자 정보는, 사용자 일반 정보 또는 사용자 히스토리 정보 중 적어도 하나의 정보를 포함할 수 있다. 사용자 일반 정보는, 사용자를 다른 사용자와 구분하기 위한 식별 정보 또는 상기 사용자의 그룹에 관련한 정보를 포함하는 그룹 정보 중 적어도 하나를 포함할 수 있다. 본 개시의 일 실시예에 따라, 사용자를 다른 사용자와 구분하기 위한 식별 정보는, 사용자 식별 정보에 기초하여 식별되는, 사용자의 데이터 분석 히스토리 정보를 기반으로, 기존의 분석 패턴과 유사한 분석 결과를 제공하기 위한 정보일 수 있다. 본 개시의 다른 일 실시예에 따라, 사용자를 다른 사용자와 구분하기 위한 식별 정보는, 사용자 식별 정보에 기초하여 식별되는, 사용자의 데이터 분석 히스토리 정보를 기반으로, 사용자의 분석 패턴과 유사한 분석 패턴을 가지는 다른 사용자의 데이터 분석 결과에 기초하여 사용자에게 분석 결과를 제공하기 위한 정보일 수 있다. 사용자의 그룹에 관련한 정보를 포함하는 그룹 정보는, 사용자의 그룹에 관한 정보에 기초하여 그룹의 분석 패턴과 유사한 분석 결과를 제공하기 위한 정보일 수 있다. 사용자 히스토리 정보는 사용자의 데이터 분석 특성에 관한 정보일 수 있다.

컴퓨팅 장치(100)는 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 전처리하여 분석 대상 데이터 결정 모델의 추가 입력으로 입력시킬 수 있다. 추가 입력에 대한 전처리는, 추가 입력 데이터에 대한 변형일 수 있다.

분석 대상 데이터 결정 모델은, 사용자들의 분석 대상 데이터에 대한 피드백에 기초하여 생성된 학습 데이터를 이용하여 학습된 모델일 수 있다.

학습 데이터는, 데이터 세트를 입력으로 포함하고, 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 추가 입력으로 포함하고, 그리고 분석 대상 데이터를 라벨로 포함할 수 있다. 학습 데이터는 사용자들의 데이터 분석 히스토리에 기초하여 생성될 수 있다.

분석 대상 데이터 결정 모델은, 데이터 세트에 포함된 둘 이상의 항목들 간의 관련성에 관하여 학습된 모델일 수 있다. 분석 대상 데이터 결정 모델은, 사용자들의 데이터 분석 히스토리에 포함된 분석 항목들에 기초하여 상기 둘 이상의 항목들 간의 관련성에 관하여 학습된 모델일 수 있다.

분석 대상 데이터 결정 모델은, 사용자들의 분석 대상 데이터에 대한 피드백에 기초하여 생성된 학습 데이터를 이용하여 학습된 모델일 수 있다. 본 개시의 다른 일 실시예에 따라, 컴퓨팅 장치(100)는 분석 대상 데이터 결정 모델에 대한 사용자의 피드백에 기초하여 재 학습 데이터를 생성할 수 있다.

컴퓨팅 장치(100)는 재 학습 데이터를 이용하여 학습된 분석 대상 데이터 결정 모델을 업데이트할 수 있다. 컴퓨팅 장치(100)는 학습된 분석 대상 데이터 결정 모델과 초기 가중치를 적어도 일부 공유하는 업데이트 분석 대상 데이터 결정 모델을 재 학습 데이터를 이용하여 학습시킬 수 있다.

컴퓨팅 장치(100)는 분석 목적, 사용자 선정 데이터 또는 사용자 정보 중 적어도 하나를 상기 분석 대상 데이터 결정 모델의 추가적인 입력으로 입력시킬 수 있다.

컴퓨팅 장치(100)는 상기 데이터 세트 및 상기 추가적인 입력을 상기 분석 대상 데이터 결정 모델을 이용하여 연산함으로써 상기 분석 대상 데이터를 출력할 수 있다.

사용자 정보는, 사용자를 다른 사용자와 구분하기 위한 식별 정보 또는 상기 사용자의 그룹에 관련한 정보를 포함하는 그룹 정보 중 적어도 하나를 포함하는 사용자 일반 정보 또는 사용자의 데이터 분석 특성에 관한 정보인 사용자 히스토리 정보 중 적어도 하나의 정보를 포함할 수 있다.

컴퓨팅 장치(100)는 상기 분석 대상 데이터에 기초하여 분석 시나리오를 결정(320)할 수 있다. 컴퓨팅 장치(100)는 상기 분석 대상 데이터에 기초하여 분석 시나리오를 결정할 수 있다. 분석 시나리오는, 분석 대상 데이터의 분석 방법일 수 있다. 분석 시나리오는, 사용자에게 분석 대상 데이터들에 관한 정보를 효과적으로 전달하기 위한 방법일 수 있다.

컴퓨팅 장치(100)는 상기 분석 시나리오를 수행하기 위하여 상기 분석 대상 데이터에 대한 전처리 방법을 결정할 수 있다. 분석 대상 데이터에 대한 전처리는, 분석 대상 데이터를 효과적으로 분석하기 위하여, 분석 대상 데이터에 포함된 데이터의 적어도 일부의 데이터를 변형하는 동작을 의미할 수 있다.

컴퓨팅 장치(100)는 상기 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나에 기초하여 상기 분석 시나리오를 결정할 수 있다.

컴퓨팅 장치(100)는 사용자들의 데이터 분석 히스토리에 포함된 상기 분석 대상 데이터가 포함하는 내용에 관한 정보 또는 상기 분석 목적 중 적어도 하나에 대응되는 분석 시나리오에 기초하여 상기 분석 시나리오를 결정할 수 있다. 분석 대상 데이터의 특성은, 분석 대상 데이터가 포함하고 있는 데이터의 내용에 관한 정보일 수 있다. 컴퓨팅 장치(100)는 사용자들의 데이터 분석 히스토리에 포함된 분석 대상 데이터의 특성에 따라 분석한 분석 시나리오 정보에 기초하여, 분석 시나리오를 결정할 수 있다. 분석 목적은, 전술한 바와 같이 사용자가 데이터 세트에 포함된 데이터들을 이용하여 분석하고자 하는 목적에 관한 정보일 수 있다. 분석 목적은, 분석하고자 하는 데이터들의 상관 관계에 관한 정보일 수도 있고, 또는 분석하고자 하는 데이터로부터 얻고자 하는 정보일 수도 있다. 본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 상기 사용자 정보에 기초한 사용자의 데이터 분석 히스토리에 포함된 분석 시나리오에 기초하여 상기 분석 시나리오를 결정할 수 있다. 컴퓨팅 장치(100)는 사용자의 분석 히스토리에 기초하여, 사용자가 어떤 분석 시나리오를 통해 데이터 분석을 많이 수행하였는지 확인하고, 그리고 사용자가 선호하는 분석 시나리오 패턴이 있는 경우, 해당 분석 시나리오에 기초하여 분석 시나리오를 결정할 수 있다.

본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 사전 학습된 분석 시나리오 결정 모델을 이용하여 분석 시나리오를 결정할 수 있다. 컴퓨팅 장치(100)는 사용자들의 데이터 분석 히스토리에 기초하여 분석 대상 데이터를 입력으로 하고, 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나를 추가 입력으로 하고, 그리고 분석 시나리오를 학습 데이터의 라벨로 하는 학습 데이터를 생성할 수 있다. 컴퓨팅 장치(100)는 전술한 학습 데이터를 이용하여 하나 이상의 네트워크 함수를 포함하는 분석 시나리오 결정 모델을 학습시킬 수 있다. 컴퓨팅 장치(100)는 학습된 분석 시나리오 결정 모델의 입력으로 분석 대상 학습 데이터 및 추가 입력으로 분석 대상 데이터의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나를 입력시켜 연산하여, 분석 시나리오를 출력할 수 있다.

컴퓨팅 장치(100)는 사용자들의 데이터 분석 히스토리에 기초하여 분석 시나리오 및 분석 대상 데이터에 대한 전처리 방법을 추가적인 라벨로 포함하는 학습 데이터를 생성할 수 있다.

컴퓨팅 장치(100)는 상기 사용자 정보에 기초한 사용자의 데이터 분석 히스토리에 포함된 분석 시나리오에 기초하여 상기 분석 시나리오를 결정할 수 있다. 분석 결과는 사용자에게 제공하기 위한 분석 대상 데이터에 대한 분석의 결과물일 수 있다. 분석 결과는 사용자가 확인할 수 있는 다양한 형식으로 생성될 수 있다.

컴퓨팅 장치(100)는 상기 분석 시나리오에 기초하여 분석 대상 데이터에 대한 분석 결과를 생성(330)할 수 있다.

컴퓨팅 장치(100)는 상기 분석 시나리오의 특성, 분석 목적 또는 사용자 정보 중 적어도 하나에 기초하여 상기 분석 결과를 생성할 수 있다. 분석 목적은, 전술한 바와 같이, 사용자가 데이터 세트에 포함된 데이터들을 이용하여 분석하고자 하는 목적에 관한 정보일 수 있다. 분석 시나리오의 특성 또는 분석 목적은, 데이터들의 비교, 분산, 관계, 구성에 관한 정보일 수 있다. 컴퓨팅 장치(100)는 사용자의 데이터 분석 히스토리에 기초하여, 사용자의 선호 분석 패턴에 따라 분석 결과를 생성할 수 있다.

컴퓨팅 장치(100)는 상기 분석 대상 데이터에 포함된 하나 이상의 데이터 중 어노말리 데이터에 가중치를 부여하여 상기 분석 결과를 생성할 수 있다. 어노말리 데이터는 예를 들어, 동일한 테이블에 속하는 데이터들 중 다른 데이터들과 다르게 비 이상적인 값을 가지는 데이터, 같은 항목에 대한 연도 별 데이터들 중 다른 연도와 다르게 비 이상적인 값을 가지는 데이터 등일 수 있다. 컴퓨팅 장치(100)는 어노말리 데이터가 존재하는 경우, 어노말리 데이터에 대한 특징을 분석하기 위한 분석 결과를 생성할 수 있다.

컴퓨팅 장치(100)는 데이터 세트에 포함된 하나 이상의 데이터 중 어노말리 데이터에 가중치를 부여하여 분석 결과를 생성할 수 있다. 컴퓨팅 장치(100)는 데이터 세트에 포함된 하나 이상의 데이터 중 어노말리 데이터가 존재하는 경우, 어노말리 데이터 또는, 어노말리 데이터 및 어노말리 데이터와 관련된 데이터를 분석 대상 데이터로 결정할 수 있다. 컴퓨팅 장치(100)는 분석 대상 데이터에 포함된 어노말리 데이터에 기초하여 분석 시나리오를 결정할 수 있다.

컴퓨팅 장치(100)는 상태 테이블에 기초하여 어노말리 데이터를 확인할 수 있다. 컴퓨팅 장치(100)는 어노말리 데이터를 확인하기 위한 별도의 동작을 수행하거나, 또는 별도의 테이블을 생성할 필요 없이, 상태 테이블에 기초하여 어노말리 데이터를 확인할 수 있다.

도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

도 4는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드 헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비 휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시 적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화 된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (1)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.

Images