KR20220024579A

KR20220024579A - 인공지능 서버

Info

Publication number: KR20220024579A
Application number: KR1020227001406A
Authority: KR
Inventors: 진문섭; 김지혜; 박진성; 허지영; 김범오
Original assignee: 엘지전자 주식회사
Priority date: 2019-07-11
Filing date: 2019-07-11
Publication date: 2022-03-03
Also published as: WO2021006405A1; US20220254006A1

Abstract

인공지능 서버가 개시된다. 본 발명의 실시 예에 따른 인공지능 서버는, 사용자의 단말기와 통신하는 통신부, 및, 가전기기가 촬영된 동영상을 상기 단말기로부터 수신하고, 상기 동영상으로부터 분리된 영상 데이터를 영상 분류 모델에 입력하여 제1 특징 벡터를 획득하고, 상기 동영상으로부터 분리된 소리 데이터를 음성 분류 모델에 입력하여 제2 특징 벡터를 획득하고, 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 조합한 데이터 셋을 비정상 분류 모델에 입력하여 결과 값을 획득하고, 상기 결과 값에 기반하여 획득된 고장 유형을 상기 단말기로 전송하는 프로세서를 포함한다.

Description

인공지능 서버

본 발명은, 영상 데이터 및 소리 데이터를 이용하여 멀티 모달 러닝 방식으로 트레이닝 된 분류 모델을 이용함으로써, 가전기기를 촬영한 동영상으로 고장 유형을 정확히 판단할 수 있는 인공지능 서버에 관한 것이다.

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

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

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

한편 가전 기기에 고장이 발생한 경우, 고장 유형을 파악하고 고객에게 해결책을 제시하기 위한 다양한 서비스가 존재한다.

고객과 전화 통화를 통한 대화를 통하여 고장 유형을 파악하는 서비스 센터나, 텍스트를 통하여 고객과 질의 응답을 하면서 고장 유형을 파악하는 챗봇 서비스를 그 예로 들 수 있다.

다만 언어 또는 텍스트로는 가전 기기의 상태를 정확히 전달 하기 어려운 한계가 있으며, 또한 가전 기기의 상태를 전달하기 위해서는 많은 질의 응답이 필요한 문제가 있다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 영상 데이터 및 소리 데이터를 이용하여 멀티 모달 러닝 방식으로 트레이닝 된 분류 모델을 이용함으로써, 가전기기를 촬영한 동영상으로 고장 유형을 정확히 판단할 수 있는 인공지능 서버를 제공하기 위함이다.

본 발명의 실시 예에 따른 인공지능 서버는, 사용자의 단말기와 통신하는 통신부, 및, 가전기기가 촬영된 동영상을 상기 단말기로부터 수신하고, 상기 동영상으로부터 분리된 영상 데이터를 영상 분류 모델에 입력하여 제1 특징 벡터를 획득하고, 상기 동영상으로부터 분리된 소리 데이터를 음성 분류 모델에 입력하여 제2 특징 벡터를 획득하고, 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 조합한 데이터 셋을 비정상 분류 모델에 입력하여 결과 값을 획득하고, 상기 결과 값에 기반하여 획득된 고장 유형을 상기 단말기로 전송하는 프로세서를 포함한다.

또한 본 발명의 실시 예에 따른 고장 판별 모델의 생성 방법은, 가전기기가 촬영된 동영상의 영상 데이터와, 상기 영상 데이터에 레이블링 되는 고장 유형을 이용하여 제1 뉴럴 네트워크를 트레이닝 함으로써 영상 분류 모델을 생성 하는 단계, 상기 가전기기가 촬영된 동영상의 소리 데이터와, 상기 소리 데이터에 레이블링 되는 고장 유형을 이용하여 제2 뉴럴 네트워크를 트레이닝 함으로써 음성 분류 모델을 생성 하는 단계, 및, ‘상기 영상 분류 모델이 출력한 제1 특징 벡터 및 상기 음성 분류 모델이 출력한 제2 특징 벡터를 조합한 데이터 셋’과 상기 데이터 셋에 레이블링 되는 고장 유형을 이용하여 제3 뉴럴 네트워크를 트레이닝 함으로써, 비정상 분류 모델을 생성 하는 단계를 포함한다.

본 발명에 따르면, 사용자는 고장이 발생한 가전 기기의 동영상을 촬영하여 전송하는 간단한 행위 만으로도 고장의 유형을 진단 받을 수 있는 장점이 있다.

또한 영상만으로는 판단되지 않는 고장 유형이 존재하며, 음성만으로는 판단되지 않는 고장 유형도 존재한다. 또한 영상 만으로는 고장 유형의 정확한 판단이 힘든 경우가 존재하며, 음성만으로는 고장 유형의 정확한 판단이 힘든 경우도 존재한다. 다만 본 발명은 고장난 가전 기기의 영상과 음성을 모두 고려하여 고장 유형을 판단함으로써, 고장 유형 진단의 정확도를 높이거나, 영상 또는 음성 만으로 판단할 수 없는 고장 유형을 진단할 수 있는 장점이 있다.

또한 본 발명은 동영상 자체를 이용하여 고장 유형을 진단하는 것이 아니라, 영상 데이터에 기초한 제1 특징 벡터 및 음성 데이터에 기초한 제2 특징 벡터를 먼저 추출하고, 이들을 비정상 분류 모델에 다시 입력하여 고장 유형을 예측한다. 즉 비정상 분류 모델에는 정제된 데이터가 입력되기 때문에, 예측의 정확도가 향상되는 장점이 있다.

또한 본 발명은, 정상 동작 상태일 확률을 추가적으로 예측하여 고장 여부의 결정에 활용함으로써, 예측의 정확도를 더욱 향상시킬 수 있는 장점이 있다.

도 1은 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.
도 3은 본 발명의 실시 예에 따른, 인공지능 서버의 동작 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른, 서비스 시스템을 설명하기 위한 블록블럭도이다.
도 5는 본 발명의 실시 예에 따른, 인공 지능 서버가 고장 유형을 획득하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른 고장 판별 모델의 트레이닝 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 또 다른 실시 예에 따른, 인공 지능 서버가 고장 여부를 결정하고 고장 유형을 획득하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른 정상 분류 모델(560)의 트레이닝 방법을 설명하기 위한 도면이다.
도 9 내지 도 10은 종래 방식의 챗봇 서비스와 본 발명이 적용된 챗봇 서비스를 비교하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.

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

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

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

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

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

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

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

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

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

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

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

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

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

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

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

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

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

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

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

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

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

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

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

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

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

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

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

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

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

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

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

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

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

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

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

도 1은 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.

단말기(100)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 공기 조화기, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.

즉, 단말기(100)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.

도 1을 참조하면, 단말기(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.

학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.

한편, 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.

무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.

입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다.

입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

러닝 프로세서(130)는 훈련 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습한다.

구체적으로, 러닝 프로세서(130)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.

이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

러닝 프로세서(130)는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.

선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.

다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 학습 장치(200)의 메모리(230), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.

프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.

일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다.

프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.

프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.

프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.

프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.

단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.

프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅틱 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.

메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

메모리(170)는 러닝 프로세서(130) 또는 학습 장치(200)에서 학습된 모델을 저장할 수 있다.

이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

이때, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.

이때, 메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.

도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.

학습 장치(200)는 단말기(100)의 외부에 별도로 구성된 장치 또는 서버로, 단말기(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.

즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

학습 장치(200)는 적어도 하나의 단말기(100)와 통신할 수 있고, 단말기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.

즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

학습 장치(200)는 주기적으로 혹은 요청에 의하여 단말기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 2를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.

통신부(210)는 도 1의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.

입력부(220)는 도 1의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.

입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.

입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

메모리(230)는 도 1의 메모리(170)에 대응되는 구성이다.

메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.

모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.

이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

도 2에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다

인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.

데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

러닝 프로세서(240)는 도 1의 러닝 프로세서(130)에 대응되는 구성이다.

러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.

러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다

이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.

또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.

전원 공급부(250)는 도 1의 전원 공급부(190)에 대응되는 구성이다.

서로 대응되는 구성에 대한 중복되는 설명은 생략한다.

한편 도 1에서 설명한 용어 단말기(100)는 용어 인공지능 서버(100)와 혼용되어 사용될 수 있다.

한편 인공 신경망의 트레이닝이 학습 장치(200)에서 수행되는 것으로 설명하였으나 이에 한정되지 않으며, 인공 신경망의 트레이닝은 인공지능 서버(100)에서 수행될 수도 있다.

도 3은 본 발명의 실시 예에 따른, 인공지능 서버의 동작 방법을 설명하기 위한 도면이다.

본 발명의 실시 예에 따른 인공지능 서버의 동작 방법은, 단말기로부터 가전 기기가 촬영된 동영상을 수신하는 단계(S310), 가전 기기가 촬영된 동영상을 영상 데이터 및 소리 데이터로 분리하는 단계(S320), 영상 데이터를 이용하여 가전 기기의 모델 정보를 획득하는 단계(S330), 영상 데이터를 영상 분류 모델에 입력하여 제1 특징 벡터를 획득하는 단계(S340), 음성 데이터를 음성 분류 모델에 입력하여 제2 특징 벡터를 획득하는 단계(S350), 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋을 비정상 분류 모델에 입력하여 결과 값을 획득하는 단계(S360) 및 결과 값에 기반하여 획득된 고장 유형을 전송하는 단계(S370)를 포함할 수 있다.

먼저 단말기로부터 가전 기기가 촬영된 동영상을 수신하는 단계(S310)에 대하여 도 4를 참고하여 설명한다.

도 4는 본 발명의 실시 예에 따른, 서비스 시스템을 설명하기 위한 블록블럭도이다.

서비스 시스템은 인공지능 서버(100), 하나 이상의 단말기(300, 400, 500, 600) 및 서비스 센터 서버(700)를 포함할 수 있다.

인공지능 서버(100)는 하나 이상의 단말기(300, 400, 500, 600)와 통신하고, 하나 이상의 단말기(300, 400, 500, 600)와 데이터를 송/수신 할 수 있다. 여기서 하나 이상의 단말기(300, 400, 500, 600)는, 도 1에서 설명한 단말기의 구성을 포함하고 도 1에서 설명한 단말기의 기능을 수행할 수 있다.

또한 인공지능 서버(100)는 서비스 센터 서버(700)와 통신하고, 서비스 센터 서버(700)와 데이터를 송/수신 할 수 있다.

제1 단말기(300)의 사용자는 제1 단말기를 이용하여 가전 기기의 동영상을 촬영하고, 촬영된 동영상을 서버로 전송하도록 단말기를 제어할 수 있다. 이 경우 제1 단말기(300)의 프로세서는 가전기기를 촬영한 동영상을 인공지능 서버(100)에 전송할 수 있다.

이 경우 인공지능 서버(100)의 프로세서(180)는, 통신부(110)를 통하여, 제1 단말기(300)로부터 가전 기기가 촬영된 동영상을 수신할 수 있다.

다음은, S320 내지 S370에 대하여 도 5 및 도 6을 참고하여 설명한다.

도 5는 본 발명의 실시 예에 따른, 인공 지능 서버가 고장 유형을 획득하는 방법을 설명하기 위한 도면이다.

프로세서(180)는 수신된 동영상을 전처리 하고(505), 수신된 동영상으로부터 영상 데이터와 소리 데이터를 분리할 수 있다.

구체적으로 수신된 동영상은, 가전 기기가 촬영된 동영상으로, 영상 정보와 소리 정보를 포함할 수 있다. 이 경우 프로세서(180)는 동영상으로부터 영상 데이터 및 소리 데이터를 추출할 수 있다.

한편 동영상으로부터 분리된 영상 데이터는, 소리 정보 없이 영상 정보만을 포함할 수 있다. 또한 동영상으로부터 분리된 영상 데이터 역시 복수의 화상 프레임의 조합으로 이루어지는 동영상일 수 있다.

한편 프로세서(180)는 소리 데이터를 소리 분류 모델에 입력할 수 있다. 이 경우 프로세서(180)는 소리 데이터를 전처리 하고, 전처리된 소리 데이터를 소리 분류 모델에 입력할 수 있다.

구체적으로 프로세서(180)는 소리 데이터를 샘플링 하고, 샘플링한 소리 데이터를 일정 시간 단위로 잘라 복수의 그룹을 생성할 수 있다. 또한 프로세서(180)는 소리 데이터로부터 잡음을 제거하고, 음파를 낮은 주파수부터 높은 주파수까지 표현하기 위하여 소리 데이터를 푸리에 변환하여 주파수 스펙트럼을 생성할 수 있다(525, 530, 535, 540).

한편 프로세서(180)는 영상 데이터를 이용하여 가전기기의 모델 정보를 획득할 수 있다.

구체적으로 영상 데이터는 가전 기기의 형상, 모양, 색체 등의 정보를 포함할 수 있다. 그리고 프로세서(180)는 영상 데이터와 메모리에 기 저장된 복수의 모델 각각의 영상 데이터를 비교하여, 가전 기기의 모델 정보를 획득할 수 있다.

한편 가전기기의 모델 정보는, 대 분류 정보를 포함할 수 있다. 여기서 대 분류 정보는 가전 기기를 종류에 따라 구분한 것으로, 예를 들어 가전 기기의 모델 정보는 냉장고, 세탁기, 텔레비전, 청소기, 청정기, 오븐 중 하나일 수 있다.

또한 가전 기기의 모델 정보는, 중 분류 정보를 포함할 수 있다. 여기서 중 분류 정보는 가전 기기를 세부적으로 분류한 것으로, 예를 들어 모델 정보는 일반형 냉장고, 양문형 냉장고, 일반 세탁기, 드럼 세탁기, 일반 텔레비전, OLED 텔레비전, 유/무선 청소기, 로봇 청소기, 공기 청정기, 가습기, 광파 오븐, 전자 레인지 중 어느 하나일 수 있다.

또한 가전기기의 모델 정보는 소 분류 정보를 포함할 수 있다. 여기서 소 분류 정보는 가전 기기의 모델에 따라 분류한 것으로, 예를 들어 모델 정보는 제1 모델 명, 제2 모델 명, 제3 모델 명 중 어느 하나일 수 있다.

한편 프로세서(180)는 제품 분류 모델(520)을 이용하여 가전 기기의 모델 정보를 획득할 수 있다.

여기서 제품 분류 모델(520)은 다양한 가전 기기를 촬영한 영상 각각에, 대응하는 모델 정보를 레이블링 하여 트레이닝 된 뉴럴 네트워크일 수 있다.

구체적으로 학습 장치(200)는 다양한 가전 기기를 촬영한 영상을 입력 값으로, 가전 기기에 대응하는 모델 정보를 출력 값으로 하여 뉴럴 네트워크를 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크는 훈련 데이터(다양한 가전 기기를 촬영한 영상) 및 레이블링 데이터(모델 정보)를 이용하여 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 또한 뉴럴 네트워크는 유추된 함수에 대한 평가를 통해 뉴럴 네트워크의 파라미터를 결정(최적화) 할 수 있다.

이와 같이 훈련 데이터(다양한 가전 기기를 촬영한 영상) 및 레이블링 데이터(모델 정보)를 이용하여 트레이닝 된 뉴럴 네트워크를 제품 분류 모델(520)이라 명칭할 수 있다.

한편 제품 분류 모델(520)은 인공지능 서버(100)에 탑재될 수 있다.

그리고 프로세서(180)는 영상 데이터를 제품 분류 모델(520)에 입력할 수 있다. 이 경우 제품 분류 모델(520)은 입력된 영상 데이터에 대응하는 모델 정보를 예측하여 출력할 수 있다.

한편 프로세서(180)는 대표 이미지를 이용하여 가전 기기의 모델 정보를 획득할 수 있다.

구체적으로 프로세서(180)는 영상 데이터로부터 대표 이미지를 추출할 수 있다(515). 여기서 대표 이미지는 스틸 이미지일 수 있다. 그리고 프로세서(180)는 대표 이미지를 제품 분류 모델(520)에 입력하여 가전기기의 모델 정보를 획득할 수 있다.

한편 프로세서(180)는 영상 데이터를 이용하여 가전 기기의 모델 정보를 획득하고, 모델 정보에 대응하는 고장 판별 모델에 영상 데이터 및 음성 데이터를 입력할 수 있다.

구체적으로 고장 판별 모델은, 복수의 모델 정보에 각각 대응하는 복수의 고장 판별 모델을 포함할 수 있다.

예를 들어, 고장 판별 모델은 제1 모델 정보(예를 들어 제1 모델 명)에 대응하는 제1 고장 판별 모델, 제2 모델 정보(예를 들어 제2 모델 명)에 대응하는 제2 고장 판별 모델, 제3 모델 정보(예를 들어 광파 오븐)에 대응하는 제3 고장 판별 모델, 제4 모델 정보(예를 들어 냉장고)에 대응하는 제4 고장 판별 모델을 포함할 수 있다.

여기서 제1 고장 판별 모델은 제1 모델 정보에 대응하는 가전 기기의 고장을 판별하기 위하여 트레이닝 된 모델일 수 있다. 다른 예로, 제4 고장 판별 모델은 제4 모델 정보에 대응하는 가전 기기의 고장을 판별하기 위하여 트레이닝 된 모델일 수 있다.

그리고 프로세서(180)는 획득한 모델 정보에 대응하는 고장 판별 모델에 영상 데이터 및 음성 데이터를 입력할 수 있다.

한편 프로세서(180)는 획득된 모델 정보를 사용자의 단말기에 전송할 수 있다.

한편 고장 판별 모델은 영상 분류 모델(545), 소리 분류 모델(550), 비정상 분류 모델(555)을 포함할 수 있다.

영상 분류 모델(545), 소리 분류 모델(550) 및 비정상 분류 모델(555)에 대해서는 도 6을 참고하여 구체적으로 설명한다.

도 6은 본 발명의 실시 예에 따른 고장 판별 모델의 트레이닝 방법을 설명하기 위한 도면이다.

먼저 도 6a를 참고하여 영상 분류 모델(545)의 트레이닝 방법에 대하여 설명한다.

영상 분류 모델(545)은 가전기기가 촬영된 동영상의 영상 데이터와, 영상 데이터에 레이블링 되는 고장 유형을 이용하여 트레이닝 된 뉴럴 네트워크(610)일 수 있다.

여기서 고장 유형은, 전자 기기의 미 작동이나 성능 저하를 야기한 원인이나, 전자 기기가 미 작동하거나 성능이 저하된 상황을 의미할 수 있다.

식기 세척기의 예를 들어 설명하면, 고장 유형은 급수 필터 막힘, 급수호스 동결, 급수 호스 꼬임, 급수 호스 누수, 급수 밸브 불량, 배수 필터 막힘, 배수 호스 동결, 배수 호스 설치 불량, 배수 호스 누수, 배수 호스 꼬임 등을 포함할 수 있다.

냉장고의 예를 들어 설명하면, 고장 유형은, 도어와 본체의 연결부의 결함, 압축기 냉매 부족 등을 포함할 수 있다.

그리고, 학습 장치(200)는 가전기기가 촬영된 동영상의 영상 데이터와, 영상 데이터에 레이블링 되는 고장 유형을 이용하여 뉴럴 네트워크(610)를 트레이닝 함으로써 영상 분류 모델(545)를 생성할 수 있다.

더욱 구체적으로 학습 장치(200)는 가전 기기를 촬영한 동영상으로부터 추출된 영상 데이터를 입력 값으로, 촬영된 가전 기기에서 발생한 고장 유형을 출력 값으로 하여 뉴럴 네트워크(610)를 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크(610)는 훈련 데이터(가전 기기를 촬영한 동영상으로부터 분리된 영상 데이터) 및 레이블링 데이터(고장 유형)를 이용하여 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 또한 뉴럴 네트워크(610)는 유추된 함수에 대한 평가를 통해 뉴럴 네트워크(610)의 파라미터를 결정(최적화) 할 수 있다.

이와 같이 훈련 데이터(가전 기기를 촬영한 동영상으로부터 분리된 영상 데이터) 및 레이블링 데이터(고장 유형)를 이용하여 트레이닝 된 뉴럴 네트워크(610)를 영상 분류 모델(545)이라 명칭할 수 있다.

이와 같이 생성된 영상 분류 모델(545)은 동영상으로부터 분리된 영상 데이터를 입력 받아, 입력된 영상 데이터에 대응하는 제1 특징 벡터를 출력할 수 있다.

다음은 도 6b를 참고하여 소리 분류 모델(550)의 트레이닝 방법에 대하여 설명한다.

소리 분류 모델(550)은 가전기기가 촬영된 동영상의 소리 데이터와, 소리 데이터에 레이블링 되는 고장 유형을 이용하여 트레이닝 된 뉴럴 네트워크(620)일 수 있다.

그리고, 학습 장치(200)는 가전기기가 촬영된 동영상의 소리 데이터와, 소리 데이터에 레이블링 되는 고장 유형을 이용하여 뉴럴 네트워크(620)를 트레이닝 함으로써 소리 분류 모델(550)를 생성할 수 있다.

더욱 구체적으로 학습 장치(200)는 가전 기기를 촬영한 동영상으로부터 추출된 소리 데이터를 입력 값으로, 촬영된 가전 기기에서 발생한 고장 유형을 출력 값으로 하여 뉴럴 네트워크(620)를 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크(620)는 훈련 데이터(가전 기기를 촬영한 동영상으로부터 분리된 소리 데이터) 및 레이블링 데이터(고장 유형)를 이용하여 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 또한 뉴럴 네트워크(620)는 유추된 함수에 대한 평가를 통해 뉴럴 네트워크(620)의 파라미터를 결정(최적화) 할 수 있다.

이와 같이 훈련 데이터(가전 기기를 촬영한 동영상으로부터 분리된 소리 데이터) 및 레이블링 데이터(고장 유형)를 이용하여 트레이닝 된 뉴럴 네트워크(620)를 소리 분류 모델(550)이라 명칭할 수 있다.

이와 같이 생성된 소리 분류 모델(550)은 동영상으로부터 분리된 소리 데이터를 입력 받아, 입력된 소리 데이터에 대응하는 제2 특징 벡터를 출력할 수 있다.

다음은 도 6c를 참고하여 비 정상 분류 모델(555)의 트레이닝 방법에 대하여 설명한다.

비 정상 분류 모델(555)은 영상 분류 모델(545)이 출력한 제1 특징 벡터 및 음성 분류 모델(550)이 출력한 제2 특징 벡터를 조합한 데이터 셋(data set)과, 데이터 셋에 레이블링 되는 고장 유형을 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

구체적으로 학습 장치(200)는 영상 분류 모델이 출력한 제1 특징 벡터 및 음성 분류 모델이 출력한 제2 특징 벡터를 조합한 데이터 셋과 데이터 셋에 레이블링 되는 고장 유형을 이용하여 뉴럴 네트워크(630)를 트레이닝 함으로써, 비정상 분류 모델(555)을 생성할 수 있다.

더욱 구체적으로 학습 장치(200)는 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋에, 복수의 고장 유형 중 제1 고장 유형을 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다. 그리고 제1 고장 유형이 레이블링 되는 경우, 데이터 셋을 구성하는 제1 특징 벡터는, 제1 고장 유형의 고장이 발생한 가전기기의 동영상에 기초하여 영상 분류 모델이 출력한 특징 벡터일 수 있다. 또한 제1 고장 유형이 레이블링 되는 경우, 데이터 셋을 구성하는 제2 특징 벡터는 제1 고장 유형의 고장이 발생한 가전기기의 동영상에 기초하여 음성 분류 모델이 출력한 특징 벡터일 수 있다.

제1 특징 벡터는, 영상 데이터만을 기초로 추론된 하나 이상의 고장 유형의 발생 확률에 대한 정보를 포함할 수 있다. 예를 들어 영상 분류 모델은 제1 고장 유형의 고장이 발생한 가전기기의 영상 데이터를 이용하여, 가전 기기의 고장 유형이 제1 고장 유형일 확률 70%, 제2 고장 유형일 확률 30%, 제3 고장 유형일 확률 0%라는 정보를 포함하는 제1 특징 벡터를 출력할 수 있다.

또한 제2 특징 벡터는, 소리 데이터만을 기초로 추론된 하나 이상의 고장 유형의 발생 확률에 대한 정보를 포함할 수 있다. 예를 들어 소리 분류 모델은 제1 고장 유형의 고장이 발생한 가전기기의 소리 데이터를 이용하여, 가전 기기의 고장 유형이 제1 고장 유형일 확률 40%, 제2 고장 유형일 확률 40%, 제3 고장 유형일 확률 20%라는 정보를 포함하는 제2 특징 벡터를 출력할 수 있다.

이 경우 학습 장치(200)는 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋에, 복수의 고장 유형 중 제1 고장 유형을 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다.

그리고 다양한 고장 유형이 발생한 가전 기기의 동영상에 대하여 위와 같은 트레이닝을 반복하는 경우, 뉴럴 네트워크(630)는 훈련 데이터(제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋) 및 레이블링 데이터(고장 유형)의 연관 관계에 대한 함수를 유추할 수 있다. 또한 뉴럴 네트워크(630)는 유추된 함수에 대한 평가를 통해 뉴럴 네트워크(630)의 파라미터를 결정(최적화) 할 수 있다.

이와 같이 훈련 데이터(제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋) 및 레이블링 데이터(고장 유형)를 이용하여 트레이닝 된 뉴럴 네트워크(630)를 비 정상 분류 모델(555)이라 명칭할 수 있다.

그리고 이와 같이 생성된 비 정상 분류 모델(555)은 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋을 입력 받아, 단말기로부터 수신된 동영상에 대응하는 결과 값(고장 유형, 또는 하나 이상의 고장 유형의 확률 값)을 출력할 수 있다.

한편 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋에 고장 유형을 레이블링 하는 방식은 뉴럴 네트워크(630)에 정답을 제공함으로써 뉴럴 네트워크를 트레이닝 하는 방식이다.

그리고 뉴럴 네트워크(630)에 오답을 함께 제공하여 뉴럴 네트워크(630)를 트레이닝 함으로써, 비 정상 분류 모델(555)의 예측의 정확도를 향상시킬 수 있다.

구체적으로 학습 장치(200)는 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋에, 오류(error) 정보를 레이블링 하여 뉴럴 네트워크(630)를 트레이닝 할 수 있다. 이 경우 제1 특징 벡터는, 정상 상태의 가전기기의 동영상에 기초하여 영상 분류 모델이 출력한 특징 벡터이고, 제2 특징 벡터는, 정상 상태의 가전기기의 동영상에 기초하여 상기 음성 분류 모델이 출력한 특징 벡터일 수 있다.

즉 제1 특징 벡터 및 제2 특징 벡터는 모두 고장이 발생하지 않은 가전기기의 동영상에 기초하여 획득된 것인 바, 학습 장치(200)는 데이터 셋이 오답이라는 정보를 뉴럴 네트워크에 제공함으로써 예측의 정확도를 향상시킬 수 있다.

또한 학습 장치(200)는 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋에, 오류 정보를 레이블링 하여 뉴럴 네트워크(630)를 트레이닝 할 수 있다. 이 경우 제1 특징 벡터는, 제1 고장 유형의 고장이 발생한 가전기기의 동영상에 기초하여 상기 영상 분류 모델이 출력한 특징 벡터이고, 제2 특징 벡터는, 제2 고장 유형의 고장이 발생한 가전기기의 동영상에 기초하여 음성 분류 모델이 출력한 특징 벡터일 수 있다.

즉 제1 특징 벡터 및 제2 특징 벡터는 서로 다른 유형의 고장이 발생한 가전기기의 동영상에 기초하여 획득된 특징 벡터 들이다. 따라서 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋이 오답이라는 정보를 뉴럴 네트워크에 제공함으로써 예측의 정확도를 향상시킬 수 있다.

다시 도 5로 돌아가서, 인공지능 서버(100)의 동작을 다시 설명한다.

프로세서(180)는 동영상으로부터 분리된 영상 데이터를 영상 분류 모델에 입력하여 제1 특징 벡터를 획득할 수 있다. 구체적으로 프로세서(180)는 영상 데이터를 영상 분류 모델(545)에 입력할 수 있다. 이 경우 영상 분류 모델(545)은 입력된 영상 데이터에 대응하는 제1 특징 벡터를 출력할 수 있다. 여기서 제1 특징 벡터는, 영상 데이터만을 기초로 추론된 하나 이상의 고장 유형의 발생 확률에 대한 정보를 포함할 수 있다.

또한 프로세서(180)는 동영상으로부터 분리된 소리 데이터를 소리 분류 모델에 입력하여 제2 특징 벡터를 획득할 수 있다. 구체적으로 프로세서(180)는 소리 데이터를 소리 분류 모델(550)에 입력할 수 있다. 이 경우 소리 분류 모델(550)은 입력된 소리 데이터에 대응하는 제2 특징 벡터를 출력할 수 있다. 이 경우 제2 특징 벡터는, 소리 데이터만을 기초로 추론된 하나 이상의 고장 유형의 발생 확률에 대한 정보를 포함할 수 있다.

또한 프로세서(180)는 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋을 비정상 분류 모델에 입력하여 결과 값을 획득할 수 있다. 구체적으로 프로세서(180)는 제1 특징 벡터 및 제2 특징 벡터를 조합한 데이터 셋을 비정상 분류 모델(555)에 입력할 수 있다. 이 경우 비정상 분류 모델(555)은 입력된 데이터 셋에 대응하는 결과 값을 출력할 수 있다. 이 경우 결과 값은, 영상 데이터만을 기초로 추론된 하나 이상의 고장 유형의 발생 확률과 소리 데이터만을 기초로 추론된 하나 이상의 고장 유형의 발생 확률에 대한 정보를 종합적으로 고려하여 추론된 하나 이상의 고장 유형의 발생 확률에 대한 정보를 포함할 수 있다.

한편 프로세서(180)는 결과 값에 기반하여 획득된 고장 유형을 사용자의 단말기로 전송할 수 있다.

구체적으로, 하나 이상의 고장 유형의 발생 확률에 기초하여, 프로세서(180)는 가전 기기에서 발생한 고장 유형을 결정하고, 결정된 고장 유형을 동영상을 전송한 단말기로 전송할 수 있다.

이 경우 프로세서(180)는 고장 유형과 함께 고장 유형에 대응하는 문제 해결 방안을 전송할 수 있다.

이와 같이 본 발명에 따르면, 사용자는 고장이 발생한 가전 기기의 동영상을 촬영하여 전송하는 간단한 행위 만으로도 고장의 유형을 진단 받을 수 있는 장점이 있다.

한편 고장 유형이 획득되지 않는 경우, 프로세서(180)는 동영상을 서비스 센터 서버(700)에 전송할 수 있다.

여기서 고장 유형이 획득되지 않는 경우란, 비정상 분류 모델이 오류 정보를 출력하거나, 비 정상 분류 모델이 하나 이상의 고장 유형의 확률 값을 출력하였으나, 확률 값이 기 설정된 값보다 낮은 경우를 의미할 수 있다.

한편 서비스 센터 서버(700)는 동영상을 수신할 수 있다. 그리고 서비스 센터 측 수리 기사는 동영상을 보고, 또는 가전 기기를 직접 보고 고장 유형을 결정할 수 있다. 그리고 서비스 센터 서버(700)는 결정된 고장 유형을 인공지능 서버(100)에 전송할 수 있다.

이 경우 프로세서(180)는 서비스 센터 서버(700)로부터 전송된 동영상에 대응하는 고장 유형(즉 수리 기사에 의해 결정된 고장 유형)을 수신할 수 있다. 이 경우 프로세서(180)는 동영상 및 수신된 고장 유형을 이용하여 고장 판별 모델(영상 분류 모델, 소리 분류 모델, 비정상 분류 모델)을 트레이닝 할 수 있다.

구체적으로 프로세서(180)는 동영상의 영상 데이터에 수신된 고장 유형을 레이블링 하여 영상 분류 모델을 트레이닝 할 수 있다. 또한 프로세서(180)는 동영상의 소리 데이터에 수신된 고장 유형을 레이블링 하여 소리 분류 모델을 트레이닝 할 수 있다. 또한 프로세서(180)는 트레이닝 된 영상 분류 모델이 출력한 제1 특징 벡터 및 트레이닝 된 소리 분류 모델이 출력한 제2 특징 벡터를 조합한 데이터 셋에, 수신된 고장 유형을 레이블링 하여 비정상 분류 모델을 트레이닝 할 수 있다.

도 7은 본 발명의 또 다른 실시 예에 따른, 인공 지능 서버가 고장 여부를 결정하고 고장 유형을 획득하는 방법을 설명하기 위한 도면이다.

본 실시 예에는, 도 5 내지 도 6의 설명이 적용될 수 있으며, 도 5 내지 도 6과 다르거나 추가되는 내용만을 설명하도록 한다.

프로세서(180)는 동영상을 정상 분류 모델(560)에 입력하여 제2 결과 값을 획득하고, 결과 값(비정상 분류 모델이 출력한 결과 값) 및 제2 결과 값(정상 분류 모델이 출력한 결과 값)을 이용하여 고장 여부를 결정할 수 있다.

여기서 정상 분류 모델(560)은, 정상 상태의 가전기기가 촬영된 동영상 및 정상 상태의 가전 기기가 촬영된 동영상에 레이블링 된 정상 동작 정보를 이용하여 트레이닝 된 뉴럴 네트워크일 수 있다.

이와 관련해서는 도 8을 참조하여 설명한다.

도 8은 본 발명의 실시 예에 따른 정상 분류 모델(560)의 트레이닝 방법을 설명하기 위한 도면이다.

학습 장치(200)는 정상 상태의 가전기기가 촬영된 동영상에 정상 동작 정보를 레이블링 하여 뉴럴 네트워크(810)를 트레이닝 함으로써, 정상 분류 모델(560)을 생성 할 수 있다.

구체적으로 학습 장치(200)는 정상 상태의 가전 기기를 촬영한 동영상으로부터 추출된 영상 데이터를 입력 값으로, 정상 동작 정보를 출력 값으로 하여 뉴럴 네트워크(810)를 트레이닝 할 수 있다.

이 경우 뉴럴 네트워크(810)는 훈련 데이터(정상 상태의 가전 기기를 촬영한 동영상) 및 레이블링 데이터(정상 동작 정보)를 이용하여 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 또한 뉴럴 네트워크(810)는 유추된 함수에 대한 평가를 통해 뉴럴 네트워크(810)의 파라미터를 결정(최적화) 할 수 있다.

이와 같이 훈련 데이터(정상 상태의 가전 기기를 촬영한 동영상) 및 레이블링 데이터(정상 동작 정보)를 이용하여 트레이닝 된 뉴럴 네트워크(810)를 정상 분류 모델(560) 이라 명칭할 수 있다.

한편 정상 상태의 가전 기기를 촬영한 동영상에 정상 동작 정보를 레이블링 하는 방식은, 뉴럴 네트워크(810)에 정답을 제공함으로써 뉴럴 네트워크를 트레이닝 하는 방식이다.

그리고 뉴럴 네트워크(810)에 오답을 함께 제공하여 뉴럴 네트워크(810)를 트레이닝 함으로써, 상 분류 모델(560)의 예측의 정확도를 향상시킬 수 있다.

구체적으로 학습 장치(200)는 고장난 가전기기를 촬영한 동영상에 고장 정보를 레이블링 하여 뉴럴 네트워크(810)를 트레이닝 할 수 있다.

즉 학습 장치(200)는 정답 데이터 및 오답 데이터를 모두 이용하여 뉴럴 네트워크(810)를 트레이닝 할 수 있다.

다시 도 7로 돌아가서, 프로세서(180)는 동영상을 정상 분류 모델(560)에 입력하여 제2 결과 값을 획득할 수 있다. 여기서 제2 결과 값은 동영상에 포함되는 가전 기기가 정상 동작 상태일 확률에 대한 정보를 포함할 수 있다.

그리고 프로세서는 결과 값(비정상 분류 모델이 출력한 결과 값) 및 제2 결과 값(정상 분류 모델이 출력한 결과 값)을 이용하여 고장 여부를 결정할 수 있다.

예를 들어 비정상 분류 모델이 제1 고장 유형일 확률 80프로, 제2 고장 유형일 확률 20프로를 출력하였으며, 정상 분류 모델이 정상 동작 상태일 확률 10프로를 출력하였다고 가정한다. 이 경우, 정상 동작 상태일 확률이 매우 낮고, 제1 고장 유형일 확률이 매우 높기 때문에, 프로세서는 가전 기기에 고장이 발생한 것으로 결정하고 제1 고장 유형을 획득할 수 있다.

다른 예를 들어 비정상 분류 모델이 제1 고장 유형일 확률 30프로, 제2 고장 유형일 확률 30프로, 제3 고장 유형일 확률 20프로, 제4 고장 유형일 확률 20프로를 출력하였으며, 정상 분류 모델이 정상 동작 상태일 확률 80프로를 출력하였다고 가정한다. 이 경우, 정상 동작 상태일 확률이 매우 높고, 고장 유형 들의 확률의 엔트로피가 높기 때문에, 프로세서는 가전 기기에 고장이 발생하지 않았다고 결정할 수 있다.

한편 가전 기기에 고장이 발생하지 않았다고 결정되는 경우, 프로세서는 고장이 발생하지 않았다는 정보를 사용자의 단말기에 전송할 수 있다.

이와 같이 본 발명은, 정상 동작 상태일 확률을 추가적으로 예측하여 고장 여부의 결정에 활용함으로써, 예측의 정확도를 더욱 향상시킬 수 있는 장점이 있다.

예를 들어 냉장고에서 소음이 발생하는 경우, 이러한 소음은 고장(예를 들어 압축기 냉매 부족)에 의한 것일 수도 있으며, 정상 동작(예를 들어 제품의 노후화에 따른 자연스러운 현상)일 수 있다. 그리고 비정상 분류 모델만을 이용하여 고장 여부를 결정하는 경우, 비정상 분류 모델은 소음의 원인을 압축기 냉매 부족이라고 출력할 가능성이 높다. 다만 본 발명에 따르면, 비정상 분류 모델의 출력값과 함께 정상 분류 모델의 출력 값을 활용함으로써, 고장 여부에 대한 정확한 진단이 가능한 장점이 있다.

도 9 내지 도 10은 종래 방식의 챗봇 서비스와 본 발명이 적용된 챗봇 서비스를 비교하기 위한 도면이다.

도 9를 참조하면, 종래의 챗봇 서비스는 텍스트를 통한 질의 응답이 반복되면서 고장 유형을 파악해 가는 방식이다. 다만 텍스트로는 가전 기기의 상태를 정확히 전달하기 얼운 한계가 있으며, 가전 기기의 상태를 전달하기 위해서는 많은 질의 응답이 필요한 문제가 있다.

도 10을 참조하면, 사용자는 단말기(900)를 통해 동영상(1010)을 인공지능 서버(100)에 전송할 수 있다.

이 경우 단말기(900)는 인공지능 서버(100)로부터 모델 정보(1920)를 수신하여 디스플레이 할 수 있다.

또한 단말기(900)는 인공지능 서버(100)로부터 고장 유형(1930)을 수신하여 디스플레이 할 수 있다.

또한 단말기(900)는 인공지능 서버(100)로부터 고장 유형에 대응하는 문제 해결 방안을 수신하여 디스플레이 할 수 있다.

이와 같이 본 발명에 따르면, 사용자는 고장이 발생한 가전 기기의 동영상을 촬영하여 전송하는 간단한 행위만으로도 고장의 유형 및 문제 해결 방안을 제공 받을 수 있는 장점이 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims

사용자의 단말기와 통신하는 통신부; 및
가전기기가 촬영된 동영상을 상기 단말기로부터 수신하고,
상기 동영상으로부터 분리된 영상 데이터를 영상 분류 모델에 입력하여 제1 특징 벡터를 획득하고,
상기 동영상으로부터 분리된 소리 데이터를 음성 분류 모델에 입력하여 제2 특징 벡터를 획득하고,
상기 제1 특징 벡터 및 상기 제2 특징 벡터를 조합한 데이터 셋을 비정상 분류 모델에 입력하여 결과 값을 획득하고,
상기 결과 값에 기반하여 획득된 고장 유형을 상기 단말기로 전송하는 프로세서를 포함하는
인공지능 서버.
제 1항에 있어서,
상기 영상 분류 모델은,
가전기기가 촬영된 동영상의 영상 데이터와, 영상 데이터에 레이블링 되는 고장 유형을 이용하여 트레이닝 된 뉴럴 네트워크이고,
상기 음성 분류 모델은,
가전기기가 촬영된 동영상의 소리 데이터와, 소리 데이터에 레이블링 되는 고장 유형을 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 서버.
제 1항에 있어서,
상기 비정상 분류 모델은,
상기 영상 분류 모델이 출력한 제1 특징 벡터 및 상기 음성 분류 모델이 출력한 제2 특징 벡터를 조합한 데이터 셋과, 데이터 셋에 레이블링 되는 고장 유형을 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 서버.
제 1항에 있어서,
상기 프로세서는,
상기 영상 데이터를 이용하여 상기 가전기기의 모델 정보를 획득하고, 상기 모델 정보에 대응하는 고장 판별 모델에 상기 영상 데이터 및 상기 음성 데이터를 입력하는
인공지능 서버.
제 1항에 있어서,
상기 프로세서는,
상기 동영상을 정상 분류 모델에 입력하여 제2 결과 값을 획득하고, 상기 결과 값 및 상기 제2 결과 값을 이용하여 고장 여부를 결정하는
인공지능 서버.
제 5항에 있어서,
상기 정상 분류 모델은,
정상 상태의 가전기기가 촬영된 동영상 및 상기 정상 상태의 가전 기기가 촬영된 동영상에 레이블링 된 정상 동작 정보를 이용하여 트레이닝 된 뉴럴 네트워크인
인공지능 서버.
제 1항에 있어서,
상기 프로세서는,
상기 고장 유형이 획득되지 않는 경우, 상기 동영상을 서비스 센터 서버에 전송하는
인공지능 서버.
제 7항에 있어서,
상기 프로세서는,
상기 서비스 센터 서버로부터 상기 전송된 동영상에 대응하는 고장 유형을 수신하고, 상기 동영상 및 상기 수신된 고장 유형을 이용하여 고장 판별 모델을 트레이닝 하는
인공지능 서버.
가전기기가 촬영된 동영상의 영상 데이터와, 상기 영상 데이터에 레이블링 되는 고장 유형을 이용하여 제1 뉴럴 네트워크를 트레이닝 함으로써 영상 분류 모델을 생성 하는 단계;
상기 가전기기가 촬영된 동영상의 소리 데이터와, 상기 소리 데이터에 레이블링 되는 고장 유형을 이용하여 제2 뉴럴 네트워크를 트레이닝 함으로써 음성 분류 모델을 생성 하는 단계; 및
‘상기 영상 분류 모델이 출력한 제1 특징 벡터 및 상기 음성 분류 모델이 출력한 제2 특징 벡터를 조합한 데이터 셋’과 상기 데이터 셋에 레이블링 되는 고장 유형을 이용하여 제3 뉴럴 네트워크를 트레이닝 함으로써, 비정상 분류 모델을 생성 하는 단계;를 포함하는
고장 판별 모델의 생성 방법.
제 9항에 있어서,
상기 비정상 분류 모델을 생성 하는 단계는,
상기 제1 특징 벡터 및 상기 제2 특징 벡터를 조합한 데이터 셋에, 복수의 고장 유형 중 제1 고장 유형을 레이블링 하여 상기 제3 뉴럴 네트워크를 트레이닝 하는 단계를 포함하고,
상기 제1 특징 벡터는, 상기 제1 고장 유형의 고장이 발생한 가전기기의 동영상에 기초하여 상기 영상 분류 모델이 출력한 특징 벡터이고,
상기 제2 특징 벡터는, 상기 제1 고장 유형의 고장이 발생한 가전기기의 동영상에 기초하여 상기 음성 분류 모델이 출력한 특징 벡터인
고장 판별 모델의 생성 방법.
제 9항에 있어서,
상기 비정상 분류 모델을 트레이닝 하는 단계는,
상기 제1 특징 벡터 및 상기 제2 특징 벡터를 조합한 데이터 셋에, 오류 정보를 레이블링 하여 상기 제3 뉴럴 네트워크를 트레이닝 하는 단계를 포함하고,
상기 제1 특징 벡터는, 정상 상태의 가전기기의 동영상에 기초하여 상기 영상 분류 모델이 출력한 특징 벡터이고,
상기 제2 특징 벡터는, 정상 상태의 가전기기의 동영상에 기초하여 상기 음성 분류 모델이 출력한 특징 벡터인
고장 판별 모델의 생성 방법.
제 9항에 있어서,
상기 비정상 분류 모델을 트레이닝 하는 단계는,
상기 제1 특징 벡터 및 상기 제2 특징 벡터를 조합한 데이터 셋에, 오류 정보를 레이블링 하여 상기 제3 뉴럴 네트워크를 트레이닝 하는 단계를 포함하고,
상기 제1 특징 벡터는, 제1 고장 유형의 고장이 발생한 가전기기의 동영상에 기초하여 상기 영상 분류 모델이 출력한 특징 벡터이고,
상기 제2 특징 벡터는, 제2 고장 유형의 고장이 발생한 가전기기의 동영상에 기초하여 상기 음성 분류 모델이 출력한 특징 벡터인
고장 판별 모델의 생성 방법.
제 9항에 있어서,
정상 상태의 가전기기가 촬영된 동영상에 정상 동작 정보를 레이블링 하여 제4 뉴럴 네트워크를트레이닝 함으로써, 정상 분류 모델을 생성 하는 단계를 더 포함하는
고장 판별 모델의 생성 방법.