KR20210112395A - 인공 지능에 의한 노출 최소화 대응 - Google Patents

인공 지능에 의한 노출 최소화 대응 Download PDF

Info

Publication number
KR20210112395A
KR20210112395A KR1020217027684A KR20217027684A KR20210112395A KR 20210112395 A KR20210112395 A KR 20210112395A KR 1020217027684 A KR1020217027684 A KR 1020217027684A KR 20217027684 A KR20217027684 A KR 20217027684A KR 20210112395 A KR20210112395 A KR 20210112395A
Authority
KR
South Korea
Prior art keywords
risk exposure
resources
total weighted
manipulate
exposure
Prior art date
Application number
KR1020217027684A
Other languages
English (en)
Other versions
KR102417001B1 (ko
Inventor
케사바나드 무랄리다라
아메드 제다
파울로 핀토
Original Assignee
모르간 스탠리 서비시즈 그룹, 인코포레이티드
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 모르간 스탠리 서비시즈 그룹, 인코포레이티드 filed Critical 모르간 스탠리 서비시즈 그룹, 인코포레이티드
Publication of KR20210112395A publication Critical patent/KR20210112395A/ko
Application granted granted Critical
Publication of KR102417001B1 publication Critical patent/KR102417001B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B9/00Safety arrangements
    • G05B9/02Safety arrangements electric
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0275Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

자율 에이전트 장치와, 원격 전자 센서, 및 중앙 서버를 포함하는, 카오스 환경에서 노출 피해를 최소화하기 위해 자원을 조작하기 위한 인공 지능 시스템이 개시된다. 중앙 서버는 제 1 시간대 동안 하나 이상의 원격 전자 센서로부터 제 1 세트의 센서 판독값을 수신하고, 센서 판독값은 카오스 환경 내의 하나 이상의 변수의 값을 기록하고; 카오스 환경이 하나 이상의 자원에 영향을 미칠 수 있는 임계 시간 간격 및 해당 시간 간격 동안의 최대 허용 위험 노출을 수신하고; 카오스 환경 및 카오스 환경 내의 자원으로부터 임계 시간 간격 동안의 총 가중 위험 노출을 결정하고; 총 가중 위험 노출이 최대 허용 위험 노출을 초과하는지 결정하고; 및 자율 에이전트 장치로 하여금 하나 이상의 자원을 조작하여 총 가중 위험 노출을 감소시키도록 한다.

Description

인공 지능에 의한 노출 최소화 대응
본 출원은 인공 지능 방법 및 시스템에 관한 것으로, 더욱 상세하게는, 인공 지능이 카오스 환경(chaotic environment)으로부터의 센서 데이터를 분석하고, 해당 환경의 변화에 대응하여 자율 시스템의 거동을 수정하는 방법 및 시스템에 관한 것이다.
많은 엔지니어링 및 컴퓨팅 응용 분야에서, 시스템은 특정 위험 허용 범위를 염두에 두고 설계되어야 한다. 건물은 종종 하루 동안의 일반적인 평균 바람 수준뿐만 아니라, 언제든지 발생할 수 있지만 통계적으로 백 년에 한 번 이상 발생할 가능이 없는 폭풍인 소위 "백 년 폭풍"에도 견디도록 설계된다. 중요한 상거래 또는 정보 공유를 위한 온라인 서비스는 가용성이 "99.999"(즉, 연간 중단 시간이 6분 미만인, 99.999%의 가동 시간)인 것으로 광고되며, 들어오는 연결 요청을 빠뜨리지 않고, 전혀 예측할 수 없는 네트워크 트래픽 급증을 처리할 필요가 있다.
그 결과, 많은 컴퓨팅 응용 및 기타 분야에서, 체계적 변화를 더 잘 예측하고, 임박해서 발생할 수 있고 그렇지 않을 수도 있는 극단적인 변화로 인한 피해를 완화하기 위해 자원을 재할당해야 할 필요성이 계속 존재한다. 이러한 예측은 "사물 인터넷"의 일부인 분산 센서 시스템 사용이 증가함에 따라, 그리고 자율 차량, "스마트" 온도조절기, 및 운영 환경에 대한 더 큰 인식과 더 큰 대응 능력을 갖는 기타 "스마트" 시스템, 가전 제품 및 장치를 제조하기 위해 전통적으로 "스마트 장치가 아닌 일반적인" 장치로의 소프트웨어의 통합이 증가함에 따라 촉진될 수 있다.
하나 이상의 자율 에이전트 장치(autonomous agent device) 및 중앙 서버를 포함하는, 카오스 환경에서 노출 피해를 최소화하기 위해 자원을 조작하기 위한 인공 지능 시스템이 본원에 개시된다. 중앙 서버는 프로세서 및 비일시적 메모리를 포함하며, 비일시적 메모리는, 프로세서에 의해 실행될 때, 프로세서로 하여금: 제 1 시간대 동안 하나 이상의 원격 전자 센서로부터 제 1 세트의 센서 판독값을 수신하고, 센서 판독값은 카오스 환경 내의 하나 이상의 변수의 값을 기록하고; 카오스 환경이 하나 이상의 자원에 영향을 미칠 수 있는 임계 시간 간격 및 해당 시간 간격 동안의 최대 허용 위험 노출을 수신하고; 제 1 세트의 센서 판독값을 기반으로, 카오스 환경 및 카오스 환경 내의 자원으로부터 임계 시간 간격 동안의 총 가중 위험 노출을 결정하고; 총 가중 위험 노출이 최대 허용 위험 노출을 초과하는지 결정하고; 및 총 가중 위험 노출이 최대 허용 위험 노출을 초과한다는 결정에 응답하여, 하나 이상의 자율 에이전트 장치로 하여금 하나 이상의 자원을 조작하여 총 가중 위험 노출을 감소시키도록 하는 명령을 저장한다.
카오스 환경에서 노출 피해를 최소화하기 위해 자원을 조작하기 위한 인공 지능 방법이 또한 개시되며, 방법은: 제 1 시간대 동안 하나 이상의 원격 전자 센서로부터 제 1 세트의 센서 판독값을 수신하는 단계로서, 센서 판독값은 카오스 환경 내의 하나 이상의 변수의 값을 기록하는, 단계와; 카오스 환경이 하나 이상의 자원에 영향을 미칠 수 있는 임계 시간 간격 및 해당 시간 간격 동안의 최대 허용 위험 노출을 수신하는 단계와; 제 1 세트의 센서 판독값을 기반으로, 카오스 환경 및 카오스 환경 내의 자원으로부터 임계 시간 간격 동안의 총 가중 위험 노출을 결정하는 단계와; 총 가중 위험 노출이 최대 허용 위험 노출을 초과하는지 결정하는 단계; 및 총 가중 위험 노출이 최대 허용 위험 노출을 초과한다는 결정에 응답하여, 하나 이상의 자율 에이전트 장치로 하여금 하나 이상의 자원을 조작하여 총 가중 위험 노출을 감소시키도록 하는 단계를 포함한다.
도 1은 카오스 환경으로부터 센서 판독값을 수신하고, 해당 카오스 환경의 변화에 응답하여 자율 에이전트를 지시하기 위한 컴퓨팅 시스템을 도시하고;
도 2는 일정 기간 동안 위험으로부터의 위험 노출의 개념적 그래프를 도시하고;
도 3은 인공 지능 시스템이 카오스 환경 내에서 들어오는 센서 데이터를 처리하고 에이전트를 지시하는 방법을 도시하고; 및
도 4는 상기한 다수의 특징을 수행하기 위한 일반적인 컴퓨팅 장치를 도시한다.
도 1은 카오스 환경으로부터 센서 판독값을 수신하고, 해당 카오스 환경의 변화에 응답하여 자율 에이전트를 지시하기 위한 컴퓨팅 시스템을 도시하고 있다.
많은 엔지니어링, 컴퓨팅 및 소셜 시스템은 이들이 작동하는 카오스 환경에 의해 영향을 받는다. 건물, 교량, 지역, 및 기타 엔지니어링 프로젝트는 허리케인, 산불 또는 기타 환경 위험에 의해 영향을 받을 수 있는 지역에 건설되고; 네트워크로 연결된 컴퓨팅 장치는 예측할 수 없는 네트워크 트래픽 급증이 있는 네트워크에서 또는 끊어진 네트워크 링크로 인해 네트워크 트래픽이 다시 라우팅되는 네트워크에서 작동하고; 공공 시설 및 민간 서비스는 언제든지 서비스에 대한 액세스를 요구할 수 있는 분산된 소비자 그룹에 서비스를 제공해야 하고; 기업은 자산 가격이 지속적으로 변하고 시기가 맞지 않는 제안은 경제적으로 낭비가 될 수 있는 시장에서 거래를 위한 귀중한 자산을 제공할 수 있다.
카오스 시스템의 간섭 비용은 증분 또는 한계 효과(예를 들어, 산불이 진행됨에 따라 개별 가정이 위험에 처하거나, 트래픽이 증가함에 따라 네트워크 기능이 완만하게 감소하거나, 또는 위태로운 전력망에서 전력 액세스가 불안정해짐 등), 및/또는 갑작스러운 재난적 손실(예를 들어, 허리케인 바람으로 인한 주요 교량의 붕괴, 서비스 거부 공격으로 서버가 완전히 비활성화되거나, 또는 전력망이 완전히 꺼짐 등)에서 발생할 수 있다.
이제 도 1의 요소들을 참조하면, 중앙 서버(100)는 하나 이상의 중요한 자원이 존재하는 카오스 환경으로부터 데이터를 관찰하거나 중계하는 다수의 원격 전자 센서(105)로부터 센서 데이터를 네트워크(110)를 통해 수신한다. 중앙 서버는 또한 카오스 환경에 의해 야기된 피해로부터 중요한 자원을 보존하기 위해 직접적으로 또는 간접적으로 작동할 수 있는 다수의 전자 컴퓨팅 장치 에이전트(115)에 명령을 네트워크(110)를 통해 전송한다.
네트워크(110)는 데이터 전송을 가능하게 하기 위해 센서(105)를 중앙 서버(100)에 연결하고 중앙 서버를 에이전트(115)에 연결하는, 예를 들어 일반적으로 인터넷, 로컬 무선 네트워크, 이더넷 네트워크 또는 기타 유선 네트워크, 위성 통신 시스템, 또는 임의의 다른 수단일 수 있다. 또한, 네트워크(110)는 다수의 개별 네트워크라기보다는 도시된 바와 같이 단일 네트워크가 아닐 수 있으며; 예를 들어, 중앙 서버(100)는 유선 연결에 의해 부착되는 다수의 근위 센서(105), 와이파이 네트워크를 통해 연결되는 다수의 주변 센서(105), 및/또는 위성을 통해 연결되는 다수의 극도로 멀리 떨어진 센서(105)를 가질 수 있다. 연결은 네트워크의 사용을 완전히 피할 수 있고, 직접 유선 또는 무선 전송을 사용하여 중앙 서버(100)에 대해 데이터를 송수신할 수 있다. 도 1에 도시된 바와 같이, 화살표는 네트워크에 대한 데이터 흐름의 예상 방향을 보여준다.
센서(105)는 중앙 서버(100) 외부의 카오스 환경으로부터의 데이터를 기록하는 임의의 유형의 전자 센서일 수 있다. 특정 실시형태에 대한 예시적인 센서 유형은 카메라, 온도계, GPS 추적 장치 또는 기타 지리위치 장치, 센서가 부착된 물체 또는 센서에 의해 관찰되는 원격 물체의 동작/거리/가속도/방향 센서, 또는 소스로부터 전자 데이터 통신을 수신하는 통신 모듈을 포함할 수 있지만 이에 한정되지 않는다.
에이전트(115)는 자원이 재할당, 전송, 이동, 생성, 파괴되거나, 또는 카오스 환경과 자원의 상호 작용으로 인한 피해를 최소화하는 방식으로 조작되게 할 수 있는 임의의 형태의 컴퓨팅 장치(또는 해당 장치를 제어하기 위해 컴퓨팅 장치로서 일반적으로 사용되지 않는 장치에 통합된 모듈)일 수 있다. 예를 들어, 에이전트(115)는 건물 내의 자동화 시스템을 제어하거나, 물리적 경보를 트리거하거나, 무인 항공기 또는 자율 차량을 조종하거나, 네트워크 트래픽을 라우팅하거나, 인간 사용자와 관련된 물리적 장치에 디스플레이하기 위한 메시지를 생성하거나, 또는 "스마트 기기" 또는 기타 자동화 시스템과 관련된 기타 동작을 수행하는 컴퓨팅 장치일 수 있다.
특정 목적을 달성하기 위한 센서(105) 및 에이전트(115)의 다수의 가능한 페어링이 아래에서 설명된다.
예시적인 일 실시형태에서, 발전소에 있는 청취 장치(listening device, 105)는 발전소로부터 전력을 끌어오는 다수의 가정 및 기업에 있는 스마트 전력계(105)로부터 신호를 수신할 수 있다. 전력 소모가 증가함에 따라, 불충분한 발전으로 인한 전압저하(brownout) 또는 갑작스러운 기기 고장으로 인한 정전(blackout) 위험도 마찬가지로 증가할 수 있다. 발전소의 자동화 시스템(115)은 추가 터빈을 돌릴지, 특정 출력 채널에 대한 전력 출력의 우선 순위를 지정할지, 또는 전력 생산 자원 및 전력 공급 네트워크를 조작하여 전압저하 또는 정전 위험을 줄일지 결정할 수 있다.
또 다른 예시적인 실시형태에서, 비디오 스트리밍 서비스는 특정 비디오 파일을 스트리밍하라는 다수의 요청을 수신하고 라우팅하는 방화벽 또는 에지 네트워크 장치(105)를 가질 수 있다. 각각의 특정 고객은 추가 고객이 로그인하여 다른 비디오 데이터를 요청하기 시작하더라도 해당 기간 동안 원활하게 계속 제공되어야 하는 30분 또는 그 이상의 영화 또는 에피소드를 시청하기 시작할 수 있지만, 일부 고객은 전체 영화 또는 에피소드가 완료되기 전에 로그오프할 수 있다. 콘텐츠 전달 네트워크(content delivery network, CDN) 관리 시스템(115)은, 대역폭이 완전히 사용될 위험을 최소화하고 추가 고객이 데이터에 액세스할 수 있게 하거나 원래 고객이 시청 경험의 중단을 경험하도록 하기 위해, 네트워크의 현재 사용률을 검토하고 동영상 파일의 복사본을 보조 CDN 서버에 배포할 수 있다.
또 다른 예시적인 실시형태에서, 카메라, 거리측정기, 및 기타 센서(105)를 구비한 자율 차량은 몇몇 다른 차량, 보행자 또는 기타 물체가 근처에 있는 도로를 따라 주행할 수 있다. 서버(100)는 자율 차량이 피할 수 있기 전에 특정 거리 떨어져 있는 자동차가 자율 차량의 경로로 방향을 틀거나, 도로를 향해 걸어가는 보행자가 옆에서 멈추는 대신에 계속 도로로 걸어갈 가능성과 같은 위태로운 사고의 가능성을 지속적으로 평가해야 하고, 차량 제어 시스템(115)이 사고 위험을 줄이기 위해 경로 또는 속도를 변경하도록 지시해야 할 필요가 있을 수 있다.
또 다른 예시적인 실시형태에서, 기상 위성, 풍속계, 또는 도플러 레이더 시스템(105)은 지역, 도시, 또는 기타 거주지에 접근할 수 있는 허리케인, 산불 또는 토네이도와 같은 위험 또는 기상 시스템을 감지할 수 있다. 위험 요소에 대응하여 대피하는 데 드는 총 비용과 대피하지 않을 경우 예상되는 비용에 대해 결정이 이루어져야 할 필요가 있을 수 있으며, 이는 위험 요소가 인간의 거주지에 결코 도달하지 않을 가능성을 고려해야 한다. 마찬가지로, 차량, 선박, 또는 기타 가치 있는 물건은 접근하는 우박을 동반한 폭풍, 모래 폭풍, 또는 특정 위치에 실제로 영향을 미칠 수도 있고 그렇지 않을 수도 있는 기타 기상 이벤트에 대응하여 이동해야 할 필요가 있을 수 있다. 경보 시스템 또는 알림 시스템(115)은 대피하지 않음으로 인한 잠재적인 피해가 소정의 위험 임계값을 충족하는 경우에만 트리거하도록 구성될 수 있거나, 자율 차량 제어 시스템(115)은 차량의 손상 또는 파손 위험이 현재 기상 조건에 따라 용납할 수 없을 정도로 높은 경우 차량을 특정 위치로 조종하도록 지시 받을 수 있다.
또 다른 예시적인 실시형태에서, 센서(105)는 들어오는 네트워크 패킷의 수를 보고하는 컴퓨터 네트워크의 에지에서 방화벽 또는 라우터를 포함할 수 있고, 에이전트(115)는 서버 클러스터, 라우터 또는 방화벽의 서버를 포함할 수 있다. 시스템은 현재 네트워크 사용률을 모니터링하고, 서비스 거부 공격이 발생하여 현재 구성에서 시스템을 중단시킬 위험을 계산할 수 있다. 이에 대응하여, 공격을 처리하기 위해 더 많은 서버를 작동시키거나, 네트워크 장애 위험이 충분히 감소할 때까지 네트워크 트래픽의 유입을 늦출 수 있다.
또 다른 예시적인 실시형태에서, 센서(105)는 다수의 동물에 대한 GPS 추적기, 또는 자연 보호 구역에서 동물의 위치를 기록하는 카메라를 포함할 수 있다. 사자나 코끼리와 같은 보호 구역 내의 포식 동물이나 텃세 초식 동물은 현재 보호 구역에 있는 인간 근처에서 다소 무작위로 이동할 수 있다. 중앙 서버는 인간이 보호 구역을 떠나기 전에 동물이 인간과 조우할 위험을 지속적으로 평가하고, 알림 시스템, 경보 또는 인간의 개인 모바일 컴퓨팅 장치(115)로 하여금 인간에게 조우 가능성에 대해 경고하고 조우 위험을 최소화하는 길을 제안하도록 할 수 있다.
또 다른 예시적인 실시형태에서, 센서(105)는 하나 이상의 자산의 현재 매수 또는 매도 가격을 보고하는 증권 거래소 또는 다른 시장에서의 장치를 포함할 수 있다. 에이전트(115)는 시장에 매수 또는 매도 주문을 전송하거나 이로부터 매수 또는 매도 주문을 회수할 수 있는 컴퓨팅 장치, 또는 이러한 컴퓨팅 장치가 시장에 매수 또는 매도 주문을 성공적으로 전송하는 것을 방지할 수 있는 방화벽 장치를 포함할 수 있다. 허용할 수 없는 수준의 자산 기반 위험(예를 들어, 고정 가격으로 자산을 매도하거나 자산 가격이 급격히 상승하는 시장에서 어떤 가격으로든지 자산을 매수하는 주문)에 대한 노출에 대응하여, 거래자의 거래 능력은 컴퓨팅 장치 자체에 의해 자동으로 중지될 수 있거나, 거래자는 더 큰 주의를 기울여 진행할 수 있도록 이상(anomaly)을 통지 받을 수 있다.
상기한 모든 시스템에서, 시스템에 의해 취해진 조치가 없는 경우 총 위험 노출을 결정하고, 이 결정을 사용하여 시스템이 노출되는 위험을 최소화하거나 제거하기 위한 조치가 정당한지 여부를 결정하는 것은 가치 있는 일이다.
도 2A 및 2B는 일정 기간 동안 위험으로부터의 위험 노출의 개념적 그래프를 도시하고 있다.
이상 이벤트가 발생할 때까지의 예상 시간이 정규 분포를 따르는 간단한 상황(도 2A)에서, 이벤트가 정확히 시간 t에 발생할 확률의 그래프(205)는 전통적인 종형 곡선(bell curve)의 형태를 취할 것을 예상할 수 있다. 따라서, 시간 t에 또는 그 이전에 발생하는 이벤트의 누적 확률 그래프(210)는, 시간상 그 이전에 발생하는 그래프(205) 상의 모든 포인트의 합을 포함하기 때문에 시그모이드 형태를 가질 것이다.
자원에 영향을 미치는 이벤트의 비용이 이벤트가 발생하는 때와 무관하다고 가정하는 경우, 해당 자원을 기반으로 하는 누적 위험 노출은 고려되는 임의의 시간대의 끝에서의 누적 확률(210)에 단순히 비례한다.
대조적으로, 이벤트의 타이밍이 이벤트의 피해를 결정하는 데 있어서 중요한 경우, 자원을 기반으로 하는 누적 위험 노출은 위험 함수에 확률 함수를 곱한 적분, 즉 고려되는 모든 시간의 순간에 대해, 해당 순간에 피해가 발생할 확률에, 발생하는 경우, 발생될 피해의 양을 곱한 총합일 것이다.
예를 들어 (도 2B에 도시된 바와 같이), 지역사회는 대피하는 동안 허리케인이 강타한 경우 X와 같은 피해를 입는 것으로 간주될 수 있지만, 거주하는 동안 강타한 경우에는 10X와 같은 피해를 입는 것으로 간주될 수 있다. 대피 명령이 내려지면, 피해 함수(215)는 사람들이 대피함에 따라 시간이 지나면서 감소하고, 시간 t에서의 이벤트 확률의 곡선(205)이 변하지 않더라도, 특정 시간에서의 이벤트의 확률을 곱한 특정 시간에서의 피해는 확률 곡선 단독과는 매우 다르게 보일 것이며, 따라서 가중 누적 노출 위험(220)의 그래프는 더 급격한 초기 증가 및 더 빠른 평준화와 함께 다르게 거동할 것이다. 대피 명령이 내려진 경우의 누적 노출 위험과 대피 명령이 내려지지 않은 경우의 별도로 계산된 누적 노출 위험의 차이는, 주민에게 경고하거나 대피를 시작해야 한다고 안전 요원에게 지시하는 자동화 시스템의 결정의 기반이 될 수 있다.
가중 위험 노출은 다양한 이상 이벤트(예를 들어, 다수의 허리케인) 및/또는 다양한 자원(예를 들어, 허리케인이 강타할 수 있는 각각의 거주지)에 대해 계산되고 합산되어, 특정 카오스 환경 내에서의 행동 또는 비행동에 대한 총 가중 위험 노출을 결정할 수 있다.
도 3은 인공 지능 시스템이 카오스 환경 내에서 들어오는 센서 데이터를 처리하고 에이전트를 지시하는 방법을 도시하고 있다.
먼저, 시스템은 (외부 서버, 저장된 구성 파일, 인간 사용자에 의한 입력, 또는 일부 다른 소스로부터) 고려할 임계 시간대 및 최대 허용 가중 위험 노출을 수신할 수 있다(단계 300). 예를 들어, 기상 대피 시스템은 해당 시간대를 넘어서는 데이터의 불확실성으로 인해 1주일 전에만 미리 경계하도록 구성될 수 있다. 자산 가격을 모니터링하는 시스템은 어느 날의 시장이 마감된 후 임의의 기간 동안에는 무관심할 수 있다.
다음으로, 시스템은 환경 및 자원에 관한 센서 데이터를 센서(105)로부터 수신한다(단계 305). 일부 실시형태에서, 시스템은 환경 요소 또는 자원의 예상되는 거동에 관한 정보로 갖고 사전 구성될 수 있다. 다른 실시형태에서, 시스템은 일정 기간 동안 센서 데이터를 수신하고, 이러한 요소 및 자원에 대한 거동 모델을 구축할 수 있다.
예를 들어, 랜덤-워크-유사 거동(random-walk-like behavior)(예를 들어, 보호 구역에서 동물의 움직임 또는 시장에서 자산 가치의 변화)을 경험하는 카오스 환경의 요소에 대해, 이 경우 시스템은 특정 시간 간격 동안 요소가 특정 양만큼 변경될 확률을 결정하는 데 도움이 되도록 하기 위해, 시스템의 변화에 대한 변동성의 표준 편차를 결정할 수 있다.
또 다른 예에서, 카오스 환경은 저녁에 스트리밍 서비스 또는 전력 설비의 사용이 증가하고 밤새 사용이 감소하는 것과 같은 주기적인 변동을 경험할 수 있다. 시스템은 이러한 주기의 기간을 결정하고, 이를 향후 주기 동안의 체계적 변화를 예상하는 데 사용할 수 있다.
적어도 초기 양의 센서 데이터가 수신되고 처리된 후, 중앙 서버는 시스템의 총 가중 위험 노출을 결정한다(단계 310).
위에서 논의한 바와 같이, 이러한 결정은 임계 시간대의 종료 전의 모든 t에 대해, 시간 t에서 이벤트에 대한 비용 함수를 곱한 P(t에서 또는 t 이전에 발생하는 이벤트)를 적분하는 단계를 적어도 부분적으로 기반으로 하여 이루어질 수 있다.
시스템은 특정 환경 변수(예를 들어, 특정 축을 따른 위험의 위치 또는 특정 규모의 자산 가치)가 랜덤-워크-유사 거동을 경험하고, 따라서 시간이 지남에 따라 특정 거리를 커버하는 변수의 확률이 거리에 비례하지 않고, 선형 비율보다 더 빠른 속도로 감소한다고 가정할 수 있다. 바람직한 실시형태에서, 두 개의 환경 값 ab 사이의 "거리"는 (a - b)2가 아니라 │a - b│로 계산되어야 한다. 또한, 감지된 값은, 예를 들어 ab 사이가 아니라 ln aln b 사이의 거리를 결정하는 것과 같이, 특정 실시형태에서 계산 전에 수정될 수 있다.
다양한 실시형태는 또한 환경 변수가 감지되고 있는 기본 시스템에서의 자연적인 변동성을 고려할 수 있다. 일정 기간 동안 감지된 변수 값의 표준 편차에 비례하는 값과 같이, 변동성의 척도로 거리를 나누면, 더 빠르게 진행되고 더 혼란스러운(chaotic) 시스템에서 랜덤 워크가 더 느리게 진행되는 시스템에서보다 특정 시간 간격으로 거리를 커버할 가능성이 더 높다는 사실을 더욱 정확하게 나타낼 것이다. 표준 편차는 현재 위험 노출 계산 이전의 초, 분 또는 일의 수, 또는 이러한 판독값을 포함하는 시간 간격에 관계없이 미리 결정된 센서 판독값의 수로 계산될 수 있다. 데이터의 양 또는 사용 가능한 이전 시간대의 간결성으로 인해 표준 편차가 데이터의 노이즈에 의해 더 영향을 받고 향후 시간대 동안 변수의 실제 미래 변화를 반영할 가능성이 적은 경우, 표준 편차는 미리 결정된 기본값으로 설정될 수 있다.
상기한 바와 같은 제곱 거리 항(squared distance term)과 변동성에 대한 허용치를 포함하는 바람직한 실시형태에서, 랜덤-워크-유사 거동이 σ의 표준 편차를 갖고, 현재 평균값이 z 0 인 경우, 정확히 시간 t에서 특정 값 z에 도달하는 환경 변수의 누적 확률은 다음과 같다:
Figure pct00001
이러한 가정을 고려한다면, 총 남은 시간 간격 길이 T 동안의 이 함수의 적분(즉, 이벤트가 간격 동안 특정 지점에서 발생할 누적 확률)은 다음과 같다:
Figure pct00002
여기서 ERFC는 보완 오차 함수(complementary error function)이다. 이벤트의 비용 함수가 시간에 대해 일정한 경우, 총 가중 위험 노출은 다음과 같다:
Figure pct00003
여기서 k는 각각의 자원을 나타내고, C k 는 이벤트가 발생하는 경우 해당 자원에 대한 비용을 나타낸다.
랜덤 워크 거동을 경험하지 않는 것으로 보이는 시스템의 변화 확률을 추정하기 위해 다른 확률 함수가 사용될 수 있다. 이러한 확률 함수는 마찬가지로 이벤트의 누적 확률에 대한 간단한 계산을 결정하고 전체 가중 위험 노출을 결정하기 위해 시간과 관련하여 통합될 수 있다.
특정 자원과 관련된 비용은, 예를 들어 실제 물품을 수리하는 비용, 통증, 고통 또는 인명 손실의 추상화된 비용, 소비자가 의존하고 있을 때 다운되는 소비자 대상 시스템에 대한 영업권 손실의 추상화된 비용, 또는 시장 환경에서 무분별한 거래에 참여하여 발생하는 순수한 경제적 손실의 추정치일 수 있다. 많은 경우에, 비용은 그 자체로 광범위한 가능한 실제 비용을 가질 수 있는 이벤트 클래스에 대한 예상 비용일 수 있다.
총 가중 위험 노출을 결정한 후, 시스템은 총 가중 위험 노출이 저장된 최대 허용 가중 노출을 초과하는지 여부를 결정한다(단계 315).
과도한 위험 노출이 없는 경우, 시스템은 새로운 기간 동안 센서 데이터를 수신하고(단계 305), 센서(105)로부터의 업데이트된 데이터에 응답하여 위험 노출이 변경되었는지 여부를 재계산하는 단계로 돌아간다. 일부 실시형태에서, 총 위험 노출을 재계산하는 단계와 관련된 계산의 총수는 부담이 될 수 있으며, 특정 환경 변수가 총 가중 위험 노출이 계산된 마지막 시간으로부터 적어도 특정 최소 임계량만큼 변경되었을 때만 시스템은 총 가중 위험 노출을 재계산할 수 있다. 추가적으로, 일부 실시형태에서, 시스템은 단순히 재계산을 하거나 재계산이 아직 필요하지 않다고 결정하기 위해 재계산 전에 환경 변수 데이터를 반올림(round), 버림(truncate), 또는 다른 방법으로 전처리할 수 있다.
반면에, 과도한 위험 노출이 있는 경우, 시스템은 이동하는 자원을 통해 위험을 최소화하는 것을 시작하기 위해 에이전트(115에 메시지 또는 지시를 전송할 수 있고(단계 320), 자원에 대한 위험을 인간 사용자에게 알리거나, 또는 상기 실시형태에서 설명한 바와 같이 환경으로부터의 위험을 최소화하기 위해 자원을 재구성할 수 있다. 메시지 전송 이후, 시스템은 센서 데이터를 관찰하고(단계 305 및 이후) 과도한 위험 노출이 여전히 존재하고 에이전트에 의한 추가 조치가 필요한지 여부를 결정하는 단계로 돌아간다.
주식 시장 환경 내에서 노출을 최소화하는 것과 관련된 특정 실시형태에서, 노출 또는 이에 대한 대응을 결정할 때 추가 고려 사항 및 조치가 취해질 수 있다.
예를 들어, 주문이 참조하는 자산 가격의 변화 외에도, 제안 가격, 제안 수량, 상태(제안됨, 수락됨 또는 채워짐) 변경과 같이 주문 자체가 수정될 수 있다. 모든 유효 주문을 포함하는 "주문장(order book)"은 유지되고 주문이 제안되거나, 수정되거나 또는 채워질 때 업데이트될 수 있으며, 이는 기업이 하나 이상의 증권 거래소에 걸쳐 가질 수 있는 총 노출에 영향을 미친다. 주문장을 유지 관리하는 소프트웨어는, 제안되고, 수정되고, 수락되고, 다시 수정되며, 하나의 출처로부터 부분적으로 그리고 또 다른 출처로부터 부분적으로 채워지는 주문과 같이, 일련의 복잡한 보고 상태 업데이트 및 수정에도 불구하고 주문장을 정확하게 유지해야 할 필요가 있을 수 있다. 작업은, 주문을 수정하라는 요청의 통지 이전에 수신되는 주문 수정의 확인과 같이, 순서 없이 수신되는 메시지에 의해 더욱 복잡해질 수 있고, 따라서 들어오는 메시지는 이를 이해하는 데 필요한 맥락이 또한 수신될 때까지 대기될 수 있다.
하나의 회사에 대한 총 주문장은 특정 시간에 해당 회사에 대한 총 재무 위험을 추정하는 데 사용될 수 있는데, 예를 들어 회사가 특정 가격에 자산을 구매하기 위한 미결제 제안을 갖고 있지만, 시장 가격은 특정 가격 아래로 떨어졌고 다른 거래자들이 차익 거래를 하고 본질적으로 회사의 비용으로 공짜 돈을 받을 수 있게 된 경우가 그렇다. 위에서 설명한 수학적 계산을 사용하여, 미결제 제안은 실제로 채워질 확률에 의해 가중치가 부여될 수 있으며, 이는 제안의 현재 가격과 시장의 현재 가격의 거리와 반비례할 수 있다. 시장 가격이 변동하거나 제안 가격이 수정되면, 해당 노출을 줄이기 위해 조치가 필요한지 여부를 결정하기 위해 회사에 대한 총 위험 노출이 다시 계산될 수 있다. 조치의 예에는 하나 이상의 미결제 주문에 대한 수정 명령을 자동으로 생성하고, 이들 주문이 이루어진 하나 이상의 거래소에 명령을 전송하는 조치; 높은 수준의 재정적 위험에 도달했으며 추가 주의를 기울여야 한다는 알림을 인간 사용자에게 자동으로 생성하는 조치; 또는 심지어 총 위험 노출이 감소하거나 인간 사용자가 거래 재개를 승인할 때까지 (거래에 사용되는 컴퓨터의 통신 인터페이스에 대한 제어를 통해) 추가 주문이 거래소에 전송되는 것을 방지하는 조치가 포함될 수 있다.
도 4는 본원에 기술된 다양한 특징 및 프로세스, 예를 들어 중앙 서버(100), 센서(105), 또는 자율 에이전트(115)의 기능을 구현하는 데 이용될 수 있는 대표적인 컴퓨팅 장치의 고수준 블록도이다. 컴퓨터 시스템에 의해 실행되는 프로그램 모듈과 같은 컴퓨터 시스템 실행 가능 명령의 일반적인 맥락에서 컴퓨팅 장치가 설명될 수 있다. 일반적으로, 프로그램 모듈은 특정 작업을 수행하거나 특정 추상 데이터 유형을 구현하는 루틴, 프로그램, 개체, 구성요소, 논리, 데이터 구조 등을 포함할 수 있다.
도 4에 도시된 바와 같이, 컴퓨팅 장치는 특수 목적 컴퓨터 시스템의 형태로 예시되어 있다. 컴퓨팅 장치의 구성요소는 하나 이상의 프로세서 또는 처리 장치(900), 시스템 메모리(910), 및 메모리(910)를 포함하는 다양한 시스템 구성요소를 프로세서(900)에 연결하는 버스(915)를 포함할 수 있지만 이에 한정되지 않는다.
버스(915)는 메모리 버스 또는 메모리 제어기, 주변장치 버스, 가속 그래픽 포트, 및 다양한 버스 아키텍처 중 어느 하나를 사용하는 프로세서 또는 로컬 버스를 포함하는 버스 구조의 여러 유형 중 하나 이상을 나타낸다. 예를 들어, 그리고 제한이 아니라, 이러한 아키텍처는 산업 표준 아키텍처(Industry Standard Architecture, ISA) 버스, 마이크로 채널 아키텍처(Micro Channel Architecture, MCA) 버스, 확장 ISA(Enhanced ISA, EISA) 버스, 비디오 전자 표준 협회(Video Electronics Standards Association, VESA) 로컬 버스, 및 주변 장치 상호연결(Peripheral Component Interconnect, PCI) 버스를 포함한다.
처리 장치(들)(900)는 메모리(910)에 저장된 컴퓨터 프로그램을 실행할 수 있다. C, C++, 자바, 어셈블리 언어 등을 포함하는 특정 실시형태의 루틴을 구현하기 위해 임의의 적절한 프로그래밍 언어가 사용될 수 있다. 절차적 또는 객체 지향과 같은 다양한 프로그래밍 기술이 사용될 수 있다. 루틴은 단일 컴퓨팅 장치 또는 다수의 컴퓨팅 장치 상에서 실행될 수 있다. 또한, 다수의 프로세서(900)가 사용될 수 있다.
컴퓨팅 장치는 일반적으로 다양한 컴퓨터 시스템 판독 가능 매체를 포함한다. 이러한 매체는 컴퓨팅 장치에 의해 액세스 가능한 임의의 사용 가능한 매체일 수 있으며, 휘발성 및 비휘발성 매체, 이동식 및 비이동식 매체를 모두 포함한다.
시스템 메모리(910)는 랜덤 액세스 메모리(RAM)(920) 및/또는 캐시 메모리(930)와 같은 휘발성 메모리 형태의 컴퓨터 시스템 판독 가능 매체를 포함할 수 있다. 컴퓨팅 장치는 다른 이동식/비이동식, 휘발성/비휘발성 컴퓨터 시스템 저장 매체를 더 포함할 수 있다. 단지 예로서, 비이동식 비휘발성 자기 매체(도시되지 않았고 일반적으로 "하드 드라이브"라고 함)에 대해 읽고 쓰기 위해 저장 시스템(940)이 제공될 수 있다. 도시되지는 않았지만 이동식 비휘발성 자기 디스크(예를 들어, "플로피 디스크")에 대해 읽고 쓰기 위한 자기 디스크 드라이브, 및 CD-ROM, DVD-ROM 또는 기타 광 매체와 같은 이동식 비휘발성 광 디스크에 대해 읽거나 쓰기 위한 광 디스크 드라이브 디스크가 제공될 수 있다. 이러한 경우에, 각각은 하나 이상의 데이터 매체 인터페이스에 의해 버스(915)에 연결될 수 있다. 아래에서 더 도시되고 설명되는 바와 같이, 메모리(910)는 본 개시에서 설명된 실시형태의 기능을 수행하도록 구성된 한 세트(예를 들어, 적어도 하나)의 프로그램 모듈을 갖는 적어도 하나의 프로그램 제품을 포함할 수 있다.
한 세트(적어도 하나)의 프로그램 모듈(955)뿐만 아니라 운영 체제, 하나 이상의 애플리케이션 소프트웨어, 기타 프로그램 모듈, 및 프로그램 데이터를 갖는 프로그램/유틸리티(950)는 예를 들어, 그리고 제한이 아니라, 메모리(910)에 저장될 수 있다. 각각의 운영 체제, 하나 이상의 애플리케이션 프로그램, 기타 프로그램 모듈, 및 프로그램 데이터 또는 이들의 일부 조합은 네트워킹 환경의 구현을 포함할 수 있다.
컴퓨팅 장치는 또한 키보드, 포인팅 장치, 디스플레이 등과 같은 하나 이상의 외부 장치(970)와; 사용자가 컴퓨팅 장치와 상호작용할 수 있게 하는 하나 이상의 장치; 및/또는 컴퓨팅 장치가 하나 이상의 다른 컴퓨팅 장치와 통신할 수 있게 하는 임의의 장치(예를 들어, 네트워크 카드, 모뎀 등)과 통신할 수 있다. 이러한 통신은 입출력(I/O) 인터페이스(들)(960)를 통해 발생할 수 있다.
또한, 상기한 바와 같이, 컴퓨팅 장치는 네트워크 어댑터(980)를 통해 근거리 통신망(LAN), 일반 광역 통신망(WAN) 및/또는 공용 네트워크(예를 들어, 인터넷)와 같은 하나 이상의 네트워크와 통신할 수 있다. 도시된 바와 같이, 네트워크 어댑터(980)는 버스(915)를 통해 컴퓨팅 장치의 다른 구성요소와 통신한다. 도시되지는 않았지만, 컴퓨팅 장치와 함께 다른 하드웨어 및/또는 소프트웨어 구성요소가 사용될 수 있음을 알아야 한다. 예는 마이크로코드, 장치 드라이버, 중복 처리 장치, 외부 디스크 드라이브 어레이, RAID 시스템, 테이프 드라이브, 및 데이터 보관 저장 시스템 등을 포함하지만 이에 한정되지 않는다.
본 발명의 다양한 실시형태에 대한 설명은 예시의 목적으로 제시되었지만, 개시된 실시형태를 완전하게 하거나 제한하려는 것은 아니다. 기술된 실시형태의 범위 및 사상을 벗어나지 않으면서 많은 수정 및 변형이 본 기술 분야의 숙련자에게 명백할 것이다. 본원에서 사용된 용어는 실시형태의 원리, 시장에서 발견되는 기술에 대한 실제 적용 또는 기술적 개선을 가장 잘 설명하거나, 또는 본 기술 분야의 숙련자가 본원에 개시된 실시형태를 이해할 수 있도록 선택되었다.
본 발명은 통합의 가능한 기술적인 세부사항에서 시스템, 방법 및/또는 컴퓨터 프로그램 제품일 수 있다. 컴퓨터 프로그램 제품은 프로세서로 하여금 본 발명의 양태를 수행하도록 하기 위한 컴퓨터 판독 가능 프로그램 명령을 갖는 컴퓨터 판독 가능 저장 매체(또는 매체들)를 포함할 수 있다.
컴퓨터 판독 가능 저장 매체는 명령 실행 장치에 의해 사용하기 위한 명령을 보유하고 저장할 수 있는 유형의 장치일 수 있다. 컴퓨터 판독 가능 저장 매체는 예를 들어 전자 저장 장치, 자기 저장 장치, 광 저장 장치, 전자기 저장 장치, 반도체 저장 장치, 또는 이들의 임의의 적절한 조합일 수 있지만 이에 한정되지 않는다. 컴퓨터 판독 가능 저장 매체의 보다 구체적인 예의 완전하지 않은 목록은 다음을 포함한다: 휴대용 컴퓨터 디스켓, 하드 디스크, 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 소거 가능 프로그램 가능 읽기 전용 메모리(EPROM 또는 플래시 메모리), 정적 랜덤 액세스 메모리(SRAM), 휴대용 컴팩트 디스크 읽기 전용 메모리(CD-ROM), 디지털 다목적 디스크(DVD), 메모리 스틱, 플로피 디스크, 펀치 카드 또는 명령이 기록된 그루브 내의 융기 구조와 같은 기계적으로 인코딩된 장치, 및 이들의 임의의 적절한 조합. 본원에서 사용된 컴퓨터 판독 가능 저장 매체는 전파 또는 기타 자유롭게 전파되는 전자기파, 도파관 또는 기타 전송 매체를 통해 전파되는 전자파(예를 들어, 광섬유 케이블을 통과하는 광 펄스), 또는 전선을 통해 전송되는 전기 신호와 같은 일시적인 신호 그 자체로 해석되어서는 안 된다.
본원에 기술된 컴퓨터 판독 가능 프로그램 명령은 컴퓨터 판독 가능 저장 매체로부터 각각의 컴퓨팅/처리 장치로 다운로드되거나, 예를 들어 인터넷, 근거리 통신망, 광역 네트워크 및/또는 무선 네트워크와 같은 네트워크를 통해 외부 컴퓨터 또는 외부 저장 장치로 다운로드될 수 있다. 네트워크는 구리 전송 케이블, 광 전송 섬유, 무선 전송, 라우터, 방화벽, 스위치, 게이트웨이 컴퓨터 및/또는 에지 서버를 포함할 수 있다. 각각의 컴퓨팅/처리 장치 내의 네트워크 어댑터 카드 또는 네트워크 인터페이스는 네트워크로부터 컴퓨터 판독 가능 프로그램 명령을 수신하고 각각의 컴퓨팅/처리 장치 내의 컴퓨터 판독 가능 저장 매체에 저장하기 위해 컴퓨터 판독 가능 프로그램 명령을 전달한다.
본 발명의 동작을 수행하기 위한 컴퓨터 판독 가능 프로그램 명령은 어셈블러 명령, 명령 집합 아키텍처(instruction-set-architecture, ISA) 명령, 기계 명령, 기계 종속 명령, 마이크로코드, 펌웨어 명령, 상태 설정 데이터, 집적 회로용 구성 데이터, 또는 스몰토크, C++ 등과 같은 객체 지향 프로그래밍 언어, 및 "C" 프로그래밍 언어 또는 유사한 프로그래밍 언어와 같은 절차적 프로그래밍 언어를 포함하는 하나 이상의 프로그래밍 언어의 조합으로 작성된 소스 코드 또는 목적 코드일 수 있디. 컴퓨터 판독 가능 프로그램 명령은 독립형 소프트웨어 패키지로서 사용자의 컴퓨터에서 전적으로 실행될 수 있고, 사용자의 컴퓨터에서 부분적으로 실행될 수 있으며, 사용자의 컴퓨터에서 부분적으로 그리고 원격 컴퓨터에서 부분적으로 또는 원격 컴퓨터 또는 서버 상에서 전적으로 실행될 수 있다. 후자의 시나리오에서, 원격 컴퓨터는 근거리 통신망(LAN) 또는 광역 통신망(WAN)을 포함하는 임의의 유형의 네트워크를 통해 사용자의 컴퓨터에 연결될 수 있거나, 연결은 (예를 들어, 인터넷 서비스 제공자를 사용하여 인터넷을 통해) 외부 연결에 대해 이뤄질 수 있다. 일부 실시형태에서, 예를 들어 프로그램 가능 논리 회로, 필드 프로그램 가능 게이트 어레이(field-programmable gate array, FPGA), 또는 프로그램 가능 논리 어레이(programmable logic array, PLA)를 포함하는 전자 회로는, 본 발명의 양태를 수행하기 위해, 전자 회로를 개인화하기 위한 컴퓨터 판독 가능 프로그램 명령의 상태 정보를 활용함으로써 컴퓨터 판독 가능 프로그램 명령을 실행할 수 있다.
본 발명의 양태는 본 발명의 실시형태에 따른 방법, 장치(시스템), 및 컴퓨터 프로그램 제품의 흐름도 및/또는 블록도를 참조하여 본원에 기술된다. 흐름도 및/또는 블록도의 각각의 블록, 및 흐름도 및/또는 블록도 내의 블록의 조합은 컴퓨터 판독 가능 프로그램 명령에 의해 구현될 수 있음이 알 것이다.
이러한 컴퓨터 판독 가능 프로그램 명령은 범용 컴퓨터, 특수 목적 컴퓨터, 또는 기타 프로그램 가능 데이터 처리 장치의 프로세서에 제공되어 기계를 생성할 수 있으며, 따라서 컴퓨터 또는 기타 프로그램 가능 데이터 처리 장치의 프로세서를 통해 실행되는 명령은 흐름도 및/또는 블록도의 블록 또는 블록들에 명시된 기능/동작을 구현하기 위한 수단을 생성한다. 이러한 컴퓨터 판독 가능 프로그램 명령은 또한 컴퓨터, 프로그램 가능 데이터 처리 장치, 및/또는 다른 장치가 특정 방식으로 기능하도록 지시할 수 있는 컴퓨터 판독 가능 저장 매체에 저장될 수 있고, 따라서 명령이 저장된 컴퓨터 판독 가능 저장 매체는 흐름도 및/또는 블록도의 블록 또는 블록들에 명시된 기능/동작의 양태를 구현하는 명령을 포함하는 제조품으로 구성된다.
컴퓨터 판독 가능 프로그램 명령은 또한 컴퓨터, 기타 프로그램 가능 데이터 처리 장치, 또는 다른 장치에 로드되어, 일련의 동작 단계가 컴퓨터, 기타 프로그램 가능 장치, 또는 다른 장치에서 수행되도록 하여 컴퓨터 구현 프로세스를 형성할 수 있고, 따라서 컴퓨터, 기타 프로그램 가능 장치, 또는 다른 장치에서 실행되는 명령은 흐름도 및/또는 블록도의 블록 또는 블록들에 명시된 기능/동작을 구현한다.
도면에서의 흐름도 및 블록도는 본 발명의 다양한 실시형태에 따른 시스템, 방법, 및 컴퓨터 프로그램 제품의 가능한 구현의 아키텍처, 기능 및 동작을 예시한다. 이와 관련하여, 흐름도 또는 블록도의 각각의 블록은 모듈, 세그먼트, 또는 명시된 논리 기능(들)을 구현하기 위한 하나 이상의 실행 가능한 명령을 포함하는 명령의 일부를 나타낼 수 있다. 일부 대안적인 구현에서, 블록에 언급된 기능은 도면에 언급된 순서와 다르게 발생할 수 있다. 예를 들어, 연속적으로 도시된 두 개의 블록은 실제로 실질적으로 동시에 실행될 수 있거나, 블록은 관련된 기능에 따라 때때로 역순으로 실행될 수 있다. 또한 블록도 및/또는 순서도의 각각의 블록, 및 블록도 및/또는 순서도 내의 블록의 조합은 명시된 기능 또는 동작을 수행하거나 특수 목적 하드웨어와 컴퓨터 명령의 조합을 수행하는 특수 목적 하드웨어 기반 시스템에 의해 구현될 수 있다.

Claims (20)

  1. 카오스 환경에서 노출 피해를 최소화하기 위해 자원을 조작하기 위한 인공 지능 시스템으로서,
    하나 이상의 자율 에이전트 장치; 및
    프로세서 및 비일시적 메모리를 포함하는 중앙 서버;를 포함하며,
    비일시적 메모리는, 프로세서에 의해 실행될 때, 프로세서로 하여금:
    제 1 시간대 동안 하나 이상의 원격 전자 센서로부터 제 1 세트의 센서 판독값을 수신하고, 센서 판독값은 카오스 환경 내의 하나 이상의 변수의 값을 기록하고;
    카오스 환경이 하나 이상의 자원에 영향을 미칠 수 있는 임계 시간 간격 및 해당 시간 간격 동안의 최대 허용 위험 노출을 수신하고;
    제 1 세트의 센서 판독값을 기반으로, 카오스 환경 및 카오스 환경 내의 자원으로부터 임계 시간 간격 동안의 총 가중 위험 노출을 결정하고;
    총 가중 위험 노출이 최대 허용 위험 노출을 초과하는지 결정하고; 및
    총 가중 위험 노출이 최대 허용 위험 노출을 초과한다는 결정에 응답하여, 하나 이상의 자율 에이전트 장치로 하여금 하나 이상의 자원을 조작하여 총 가중 위험 노출을 감소시키도록 하는 명령을 저장하는, 시스템.
  2. 제 1 항에 있어서,
    비일시적 메모리는, 프로세서에 의해 실행될 때, 프로세서로 하여금 추가로:
    하나 이상의 변수의 변화를 기록하는 제 2 시간대 동안 하나 이상의 원격 전자 센서로부터 제 2 세트의 센서 판독값을 수신하고; 및
    적어도 부분적으로 제 2 세트의 센서 판독값을 기반으로 임계 시간 간격 동안 총 가중 위험 노출을 업데이트하도록 하는 명령을 저장하는, 시스템.
  3. 제 2 항에 있어서,
    비일시적 메모리는, 프로세서에 의해 실행될 때, 프로세서로 하여금 추가로:
    총 가중 위험 노출을 감소시키기 위해 하나 이상의 자원을 조작하고 총 가중 위험 노출을 업데이트한 후, 총 가중 위험 노출이 최대 허용 위험 노출을 초과하지 않을 때까지 반복적으로 하나 이상의 자원을 조작하고 총 가중 위험 노출을 업데이트하도록 하는 명령을 저장하는, 시스템.
  4. 제 1 항에 있어서,
    총 가중 위험 노출을 결정하는 단계는 현재 순간부터 임계 시간 간격의 종료까지의 시간에 대한 위험 함수의 통합을 적어도 부분적으로 기반으로 하는, 시스템.
  5. 제 4 항에 있어서,
    위험 함수는 하나 이상의 변수에서의 랜덤 워크 거동의 추정을 기반으로 하는, 시스템.
  6. 제 5 항에 있어서,
    위험 함수는 적어도 부분적으로 보완 오차 함수를 기반으로 하는, 시스템.
  7. 제 1 항에 있어서,
    하나 이상의 자율 에이전트 장치는 네트워크 메시지가 네트워크를 통해 전송되는 것을 방지함으로써 하나 이상의 자원을 조작하는, 시스템.
  8. 제 1 항에 있어서,
    하나 이상의 자율 에이전트 장치는 원격 컴퓨팅 장치에 네트워크 메시지를 전송함으로써 하나 이상의 자원을 조작하는, 시스템.
  9. 제 1 항에 있어서,
    하나 이상의 자율 에이전트 장치는 인간 사용자가 수신하기 위한 메시지를 생성함으로써 하나 이상의 자원을 조작하는, 시스템.
  10. 제 1 항에 있어서,
    하나 이상의 자율 에이전트 장치는 인간 사용자가 볼 수 있거나 들을 수 있는 경보를 활성화함으로써 하나 이상의 자원을 조작하는, 시스템.
  11. 카오스 환경에서 노출 피해를 최소화하기 위해 자원을 조작하기 위한 인공 지능 방법으로서, 방법은:
    제 1 시간대 동안 하나 이상의 원격 전자 센서로부터 제 1 세트의 센서 판독값을 수신하는 단계로서, 센서 판독값은 카오스 환경 내의 하나 이상의 변수의 값을 기록하는, 단계와;
    카오스 환경이 하나 이상의 자원에 영향을 미칠 수 있는 임계 시간 간격 및 해당 시간 간격 동안의 최대 허용 위험 노출을 수신하는 단계와;
    제 1 세트의 센서 판독값을 기반으로, 카오스 환경 및 카오스 환경 내의 자원으로부터 임계 시간 간격 동안의 총 가중 위험 노출을 결정하는 단계와;
    총 가중 위험 노출이 최대 허용 위험 노출을 초과하는지 결정하는 단계; 및
    총 가중 위험 노출이 최대 허용 위험 노출을 초과한다는 결정에 응답하여, 하나 이상의 자율 에이전트 장치로 하여금 하나 이상의 자원을 조작하여 총 가중 위험 노출을 감소시키도록 하는 단계를 포함하는, 방법.
  12. 제 11 항에 있어서,
    비일시적 메모리는, 프로세서에 의해 실행될 때, 프로세서로 하여금 추가로:
    하나 이상의 변수의 변화를 기록하는 제 2 시간대 동안 하나 이상의 원격 전자 센서로부터 제 2 세트의 센서 판독값을 수신하고; 및
    적어도 부분적으로 제 2 세트의 센서 판독값을 기반으로 임계 시간 간격 동안 총 가중 위험 노출을 업데이트하도록 하는 명령을 저장하는, 방법.
  13. 제 12 항에 있어서,
    비일시적 메모리는, 프로세서에 의해 실행될 때, 프로세서로 하여금 추가로:
    총 가중 위험 노출을 감소시키기 위해 하나 이상의 자원을 조작하고 총 가중 위험 노출을 업데이트한 후, 총 가중 위험 노출이 최대 허용 위험 노출을 초과하지 않을 때까지 반복적으로 하나 이상의 자원을 조작하고 총 가중 위험 노출을 업데이트하도록 하는 명령을 저장하는, 방법.
  14. 제 11 항에 있어서,
    총 가중 위험 노출을 결정하는 단계는 현재 순간부터 임계 시간 간격의 종료까지의 시간에 대한 위험 함수의 통합을 적어도 부분적으로 기반으로 하는, 방법.
  15. 제 14 항에 있어서,
    위험 함수는 하나 이상의 변수에서의 랜덤 워크 거동의 추정을 기반으로 하는, 방법.
  16. 제 15 항에 있어서,
    위험 함수는 적어도 부분적으로 보완 오차 함수를 기반으로 하는, 방법.
  17. 제 11 항에 있어서,
    하나 이상의 자율 에이전트 장치는 네트워크 메시지가 네트워크를 통해 전송되는 것을 방지함으로써 하나 이상의 자원을 조작하는, 방법.
  18. 제 11 항에 있어서,
    하나 이상의 자율 에이전트 장치는 원격 컴퓨팅 장치에 네트워크 메시지를 전송함으로써 하나 이상의 자원을 조작하는, 방법.
  19. 제 11 항에 있어서,
    하나 이상의 자율 에이전트 장치는 인간 사용자가 수신하기 위한 메시지를 생성함으로써 하나 이상의 자원을 조작하는, 방법.
  20. 제 11 항에 있어서,
    하나 이상의 자율 에이전트 장치는 인간 사용자가 볼 수 있거나 들을 수 있는 경보를 활성화함으로써 하나 이상의 자원을 조작하는, 방법.
KR1020217027684A 2019-01-31 2020-01-30 인공 지능에 의한 노출 최소화 대응 KR102417001B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/264,668 US11360442B2 (en) 2019-01-31 2019-01-31 Exposure minimization response by artificial intelligence
US16/264,668 2019-01-31
PCT/US2020/015920 WO2020160294A1 (en) 2019-01-31 2020-01-30 Exposure minimization response by artificial intelligence

Publications (2)

Publication Number Publication Date
KR20210112395A true KR20210112395A (ko) 2021-09-14
KR102417001B1 KR102417001B1 (ko) 2022-07-05

Family

ID=71836396

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217027684A KR102417001B1 (ko) 2019-01-31 2020-01-30 인공 지능에 의한 노출 최소화 대응

Country Status (7)

Country Link
US (1) US11360442B2 (ko)
EP (1) EP3917811A4 (ko)
JP (1) JP7149430B2 (ko)
KR (1) KR102417001B1 (ko)
CN (1) CN113678070B (ko)
CA (1) CA3128197A1 (ko)
WO (1) WO2020160294A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210356953A1 (en) * 2020-05-18 2021-11-18 At&T Intellectual Property I, L.P. Deviation detection for uncrewed vehicle navigation paths

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010018162A (ja) * 2008-07-10 2010-01-28 Fuji Heavy Ind Ltd 車両の衝突防止装置
JP2015228204A (ja) * 2014-05-30 2015-12-17 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーHonda Research Institute Europe GmbH 先進運転者支援システムによりリスクベースの交通シーン分析を行う方法、及び当該分析を行う当該システムを備える乗り物
US20170279843A1 (en) * 2014-06-30 2017-09-28 Neo Prime, LLC Probabilistic model for cyber risk forecasting
US20180365533A1 (en) * 2017-06-16 2018-12-20 Nauto Global Limited System and method for contextualized vehicle operation determination

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4570257A (en) * 1984-02-14 1986-02-11 Rosemount Inc. Communication system with slot time error detection
US7236939B2 (en) * 2001-03-31 2007-06-26 Hewlett-Packard Development Company, L.P. Peer-to-peer inter-enterprise collaborative process management method and system
US7711584B2 (en) 2003-09-04 2010-05-04 Hartford Fire Insurance Company System for reducing the risk associated with an insured building structure through the incorporation of selected technologies
US7089099B2 (en) * 2004-07-30 2006-08-08 Automotive Technologies International, Inc. Sensor assemblies
JP4730137B2 (ja) 2006-03-01 2011-07-20 トヨタ自動車株式会社 移動体安全性評価方法および移動体安全性評価装置
JP4970156B2 (ja) 2007-06-12 2012-07-04 富士重工業株式会社 車両の運転支援装置
JP5261045B2 (ja) 2008-07-03 2013-08-14 富士重工業株式会社 車両の運転支援装置
EP2289754B1 (en) * 2009-08-31 2015-04-29 Toyota Motor Europe NV/SA Vehicle or traffic control method and system
US20120317058A1 (en) * 2011-06-13 2012-12-13 Abhulimen Kingsley E Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's
CN102394766A (zh) * 2011-09-01 2012-03-28 穆成坡 一种入侵进程的层次化在线风险评估方法
US8856936B2 (en) * 2011-10-14 2014-10-07 Albeado Inc. Pervasive, domain and situational-aware, adaptive, automated, and coordinated analysis and control of enterprise-wide computers, networks, and applications for mitigation of business and operational risks and enhancement of cyber security
CN102387163A (zh) 2011-12-16 2012-03-21 穆成坡 一种基于风险均衡的网络服务器防御方法
US9960929B2 (en) 2012-09-21 2018-05-01 Google Llc Environmental sensing with a doorbell at a smart-home
WO2014109016A1 (ja) * 2013-01-09 2014-07-17 三菱電機株式会社 車両周辺表示装置
US20150025917A1 (en) * 2013-07-15 2015-01-22 Advanced Insurance Products & Services, Inc. System and method for determining an underwriting risk, risk score, or price of insurance using cognitive information
US10599155B1 (en) * 2014-05-20 2020-03-24 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature monitoring and evaluation of effectiveness
US10223479B1 (en) 2014-05-20 2019-03-05 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature evaluation
US10248923B2 (en) * 2015-06-01 2019-04-02 Cisco Technology, Inc. Business process modeling based on network traffic
US20170214701A1 (en) 2016-01-24 2017-07-27 Syed Kamran Hasan Computer security based on artificial intelligence
US9896096B2 (en) 2016-04-11 2018-02-20 David E. Newman Systems and methods for hazard mitigation
KR101714354B1 (ko) * 2016-07-18 2017-03-09 삼성정밀공업 주식회사 가구도어의 점프거리를 증대하는 가구힌지
CA3073285A1 (en) * 2016-08-19 2018-02-22 Curiato Inc. System, method, and computer readable medium for dynamic pressure damage risk assessment and response
US10733460B2 (en) * 2016-09-14 2020-08-04 Nauto, Inc. Systems and methods for safe route determination
WO2018053175A1 (en) * 2016-09-14 2018-03-22 Nauto Global Limited Systems and methods for near-crash determination
CN107967173A (zh) * 2016-10-20 2018-04-27 阿里巴巴集团控股有限公司 一种资源调度的方法、装置和系统
KR20180045745A (ko) * 2016-10-26 2018-05-04 삼성에스디에스 주식회사 이동체에서의 객체 검출 장치 및 방법
US10012993B1 (en) * 2016-12-09 2018-07-03 Zendrive, Inc. Method and system for risk modeling in autonomous vehicles
CN108667642B (zh) * 2017-03-30 2021-11-02 穆成坡 一种基于风险评估的服务器的风险均衡器
US10884902B2 (en) * 2017-05-23 2021-01-05 Uatc, Llc Software version verification for autonomous vehicles
WO2018232147A1 (en) * 2017-06-15 2018-12-20 Johnson Controls Technology Company Building management system with artificial intelligence for unified agent based control of building subsystems
US10911473B2 (en) * 2017-08-31 2021-02-02 Charter Communications Operating, Llc Distributed denial-of-service attack detection and mitigation based on autonomous system number
US10469327B1 (en) * 2017-10-18 2019-11-05 Vulcan Inc. Operations environment model and simulation to reduce operator error
US20190342297A1 (en) * 2018-05-01 2019-11-07 Brighterion, Inc. Securing internet-of-things with smart-agent technology
US10909866B2 (en) * 2018-07-20 2021-02-02 Cybernet Systems Corp. Autonomous transportation system and methods

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010018162A (ja) * 2008-07-10 2010-01-28 Fuji Heavy Ind Ltd 車両の衝突防止装置
JP2015228204A (ja) * 2014-05-30 2015-12-17 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーHonda Research Institute Europe GmbH 先進運転者支援システムによりリスクベースの交通シーン分析を行う方法、及び当該分析を行う当該システムを備える乗り物
US20170279843A1 (en) * 2014-06-30 2017-09-28 Neo Prime, LLC Probabilistic model for cyber risk forecasting
US20180365533A1 (en) * 2017-06-16 2018-12-20 Nauto Global Limited System and method for contextualized vehicle operation determination

Also Published As

Publication number Publication date
CN113678070A (zh) 2021-11-19
EP3917811A4 (en) 2022-10-26
CN113678070B (zh) 2022-11-08
JP7149430B2 (ja) 2022-10-06
KR102417001B1 (ko) 2022-07-05
EP3917811A1 (en) 2021-12-08
JP2022516379A (ja) 2022-02-25
CA3128197A1 (en) 2020-08-06
US11360442B2 (en) 2022-06-14
US20200249639A1 (en) 2020-08-06
WO2020160294A1 (en) 2020-08-06

Similar Documents

Publication Publication Date Title
US20220058746A1 (en) Risk quantification for insurance process management employing an advanced decision platform
US9952851B2 (en) Intelligent mobile application update
US20170206541A1 (en) System, method and computer program product for order fulfillment in retail supply networks
US11119825B2 (en) Dynamic task allocation and node reconfiguration in mesh network
US9842039B2 (en) Predictive load scaling for services
US10671492B2 (en) Forecast recommended backup destination
US9934020B2 (en) Intelligent mobile application update
US10476983B2 (en) Systems monitoring in case of lost network connection in SaaS model
US20240205267A1 (en) Modeling multi-peril catastrophe using a distributed simulation engine
US20220058747A1 (en) Risk quantification for insurance process management employing an advanced insurance management and decision platform
US11133955B2 (en) Testing automated smart device functions within smart environments
US20180232807A1 (en) Advanced decentralized financial decision platform
US20170134319A1 (en) Automated image consolidation and prediction
KR102417001B1 (ko) 인공 지능에 의한 노출 최소화 대응
US10467888B2 (en) System and method for dynamically adjusting an emergency coordination simulation system
US20220198641A1 (en) Tree fall management
US11409355B2 (en) Method and apparatus for power savings in communications equipment
US11186994B2 (en) Ice dam prevention system
WO2020247287A1 (en) Latency prediction and network message microtiming
US10248507B1 (en) Validation of condition-sensitive messages in distributed asynchronous workflows
AU2017355658A1 (en) Quantification for investment vehicle management and insurance process management
Crowther Risk-informed assessment of regional preparedness: A case study of emergency potable water for hurricane response in Southeast Virginia
US11810209B2 (en) Outage restoration time prediction during weather events and optimized solutions for recovery
Dalal et al. Capacity planning for large scale people movement: Models and application to the Ujjain Kumbh Mela
US11188959B2 (en) Point of purchase based physical item offer optimization

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant