KR20220030922A - 인공지능 기반의 어플라이언스 관리 장치 및 어플라이언스 관리 방법 - Google Patents
인공지능 기반의 어플라이언스 관리 장치 및 어플라이언스 관리 방법 Download PDFInfo
- Publication number
- KR20220030922A KR20220030922A KR1020217034062A KR20217034062A KR20220030922A KR 20220030922 A KR20220030922 A KR 20220030922A KR 1020217034062 A KR1020217034062 A KR 1020217034062A KR 20217034062 A KR20217034062 A KR 20217034062A KR 20220030922 A KR20220030922 A KR 20220030922A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- appliance
- symptom
- log data
- processor
- Prior art date
Links
- 238000007726 management method Methods 0.000 title claims description 65
- 238000013473 artificial intelligence Methods 0.000 title description 5
- 208000024891 symptom Diseases 0.000 claims abstract description 163
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000012790 confirmation Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 28
- 238000012545 processing Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 23
- 238000005406 washing Methods 0.000 description 23
- 238000007405 data analysis Methods 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 230000003993 interaction Effects 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 239000003599 detergent Substances 0.000 description 9
- 238000013523 data management Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000009223 counseling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035943 smell Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/2803—Home automation networks
- H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network
- H04L12/2825—Reporting to a device located outside the home and the home network
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L2015/088—Word spotting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Emergency Management (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 실시 예에 따른 어플라이언스 관리 장치는, 사용자의 단말기로부터, 제1 어플라이언스의 증상 정보를 획득하는 통신부; 사용자와 매칭되는 어플라이언스들 각각의 로그 데이터를 누적 저장하는 데이터베이스를 포함하는 메모리; 및 획득된 증상 정보에 기초하여, 상기 사용자의 어플라이언스들 각각의 로그 데이터 중 상기 제1 어플라이언스의 로그 데이터를 획득하고, 획득된 로그 데이터에 포함된 복수의 정보 중, 상기 증상 정보와 관련된 적어도 하나의 정보를 확인하고, 확인 결과에 기초하여 상기 증상 정보에 대한 진단 정보를 생성하고, 생성된 진단 정보를 상기 단말기로 전송하는 프로세서를 포함한다.
Description
본 발명은 인공지능 기반의 어플라이언스 관리 장치 및 방법에 관한 것이다.
제품의 제조사들은, 사용자가 제품을 사용하는 동안 발생하는 문의나 불만, 이상 증상 등에 대한 답변 안내나 서비스 접수 등을 위한 콜 센터나 서비스 센터와 같은 상담 부서를 운영하고 있다.
종래의 경우, 이러한 상담 부서의 상담원은 사용자와의 전화 통화를 통해 사용자로부터 증상의 설명 또는 제품으로부터 발생하는 소리를 듣거나, 상담 부서로 방문한 사용자로부터 증상의 설명을 직접 듣는 방식 등에 의존하여, 제품의 증상에 대해 유추할 수 밖에 없었다.
이 경우, 제품의 증상에 대한 정확한 인식이 어려울 수 있고, 그에 따라 상기 증상에 대한 정확한 진단 정보를 제공하기 어려운 바 상기 증상의 처리율이 낮을 수 있다. 그 결과 사용자의 상담 만족도가 떨어지며 제품의 신뢰성까지도 저하시킬 수 있다.
또한, 콜 센터를 통해 상기 증상을 처리하지 못할 경우, 상기 증상이 간단한 것임에도 불구하고 서비스 기사 등의 기술자가 직접 사용자에게 방문하여 상기 증상을 해결해야 하는 바, 효율성이 현저히 저하될 수 있고 품질 비용이 증가할 수 있다.
본 발명이 해결하고자 하는 과제는, 콜센터나 서비스 센터 등을 통해 사용자로부터 접수되는 어플라이언스의 증상 정보에 대한 정확한 진단이 가능한 어플라이언스 관리 장치 및 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는, 상기 증상 정보의 해소와 관련된 사용자의 행위를 최소화시킬 수 있는 어플라이언스 관리 장치 및 방법을 제공하는 것이다.
본 발명의 실시 예에 따른 어플라이언스 관리 장치는, 사용자의 단말기로부터, 제1 어플라이언스의 증상 정보를 획득하는 통신부; 사용자와 매칭되는 어플라이언스들 각각의 로그 데이터를 누적 저장하는 데이터베이스를 포함하는 메모리; 및 획득된 증상 정보에 기초하여, 상기 사용자의 어플라이언스들 각각의 로그 데이터 중 상기 제1 어플라이언스의 로그 데이터를 획득하고, 획득된 로그 데이터에 포함된 복수의 정보 중, 상기 증상 정보와 관련된 적어도 하나의 정보를 확인하고, 확인 결과에 기초하여 상기 증상 정보에 대한 진단 정보를 생성하고, 생성된 진단 정보를 상기 단말기로 전송하는 프로세서를 포함한다.
상기 증상 정보는 음성 또는 텍스트 형태로 획득되고, 상기 프로세서는, 상기 음성 또는 텍스트로부터 상기 증상 정보와 관련된 적어도 하나의 키워드를 추출하고, 상기 메모리에 저장된 복수의 증상들 중 상기 추출된 키워드와 매칭되는 증상을 식별할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 획득된 증상 정보에 기초하여, 상기 제1 어플라이언스에 대해 누적 저장된 로그 데이터 중, 현재 시점으로부터 가장 가까운 시점에 저장된 기설정된 개수의 로그 데이터를 획득할 수 있다.
실시 예에 따라, 상기 프로세서는 상기 증상 정보와 관련된 적어도 하나의 진단 정보에 대해 설정된 적어도 하나의 조건에 기초하여, 상기 획득된 로그 데이터에 포함된 상기 복수의 정보 중 적어도 하나의 정보를 추출할 수 있다.
상기 프로세서는, 상기 추출된 적어도 하나의 정보가 상기 적어도 하나의 조건 중 제1 조건을 만족하는 경우, 상기 제1 조건에 대응하는 제1 진단 정보를 상기 제1 어플라이언스의 증상 정보에 대한 진단 정보로 결정할 수 있다.
실시 예에 따라, 상기 메모리는 머신 러닝 기반으로 학습된 학습 모델을 저장하고, 상기 프로세서는 상기 학습 모델을 통해, 상기 추출된 적어도 하나의 정보로부터 상기 제1 어플라이언스의 증상 정보에 대한 진단 정보를 획득할 수 있다.
상기 프로세서는, 상기 추출된 적어도 하나의 정보, 및 상기 학습 모델을 통해 획득되는 진단 정보에 기초하여 상기 학습 모델을 업데이트할 수 있다.
실시 예에 따라, 상기 프로세서는 상기 진단 정보에 포함된 솔루션 메시지를 상기 단말기로 전송하고, 상기 솔루션 메시지는 음성 또는 텍스트 형태로 제공될 수 있다.
실시 예에 따라, 상기 프로세서는 상기 생성된 진단 정보에 기초하여 상기 제1 어플라이언스의 구동과 관련된 설정 항목들 중 적어도 하나의 설정값을 변경하기 위한 설정 정보를 생성하고, 생성된 설정 정보를 상기 제1 어플라이언스로 전송하도록 상기 통신부를 제어할 수 있다.
상기 프로세서는, 상기 설정 정보의 전송에 따라 상기 제1 어플라이언스의 구동과 관련된 설정 항목들 중 적어도 하나의 설정값이 변경되었음을 나타내는 알림을 생성하고, 생성된 알림을 상기 단말기로 전송할 수 있다.
본 발명의 실시 예에 따른 어플라이언스 관리 방법은, 사용자의 제1 어플라이언스에 대한 증상 정보를 획득하는 단계; 획득된 증상 정보에 기초하여, 상기 사용자의 어플라이언스들 각각에 대해 누적 저장된 로그 데이터 중, 상기 제1 어플라이언스의 로그 데이터를 획득하는 단계; 획득된 로그 데이터에 포함된 복수의 정보 중, 상기 증상 정보와 관련된 적어도 하나의 정보를 확인하는 단계; 확인 결과에 기초하여 상기 증상 정보에 대한 진단 정보를 생성하는 단계; 및 생성된 진단 정보를 상기 사용자에게 제공하는 단계를 포함한다.
본 발명의 실시 예에 따르면, 어플라이언스 관리 장치는 사용자로부터 특정 어플라이언스에 대한 증상 정보가 접수된 경우, 상기 어플라이언스의 로그 데이터를 활용하여 상기 증상 정보에 대한 정확한 진단이 가능하다. 따라서, 사용자로부터 접수된 증상 정보에 대한 처리율 및 상담 만족도의 향상이 가능하며 제품의 신뢰성 저하를 방지할 수 있다.
또한, 어플라이언스 관리 장치는 상기 증상 정보에 대한 진단에 기초하여 어플라이언스의 구동과 관련된 설정값을 원격으로 변경시킬 수 있다. 사용자는 상기 증상 정보를 해소하기 위한 소정의 행위를 직접 수행하지 않고도, 어플라이언스에 대한 증상이 원활히 해소됨을 확인할 수 있다. 따라서, 어플라이언스의 제조사 및 어플라이언스에 대한 사용자의 만족도가 극대화될 수 있다. 뿐만 아니라, 제조사는 별도의 관리 인력을 제공하지 않고도 상기 증상을 효과적으로 해결해줄 수 있으므로, 보다 효율적인 애프터서비스의 운영이 가능할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 어플라이언스 관리 장치의 개념도이다.
도 5는 도 4에 도시된 어플라이언스 관리 장치의 동작과 관련된 구성의 예를 나타낸 도면이다.
도 6은 본 발명의 실시 예에 따른 어플라이언스 관리 장치의 제어 동작을 설명하기 위한 플로우차트이다.
도 7 내지 도 9는 도 6에 도시된 어플라이언스 관리 장치의 제어 동작과 관련된 예시도들이다.
도 10은 본 발명의 다른 실시 예에 따른 어플라이언스 관리 장치의 제어 동작을 설명하기 위한 플로우차트이다.
도 11 내지 도 14는 도 10에 도시된 어플라이언스 관리 장치의 제어 동작과 관련된 예시도들이다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 어플라이언스 관리 장치의 개념도이다.
도 5는 도 4에 도시된 어플라이언스 관리 장치의 동작과 관련된 구성의 예를 나타낸 도면이다.
도 6은 본 발명의 실시 예에 따른 어플라이언스 관리 장치의 제어 동작을 설명하기 위한 플로우차트이다.
도 7 내지 도 9는 도 6에 도시된 어플라이언스 관리 장치의 제어 동작과 관련된 예시도들이다.
도 10은 본 발명의 다른 실시 예에 따른 어플라이언스 관리 장치의 제어 동작을 설명하기 위한 플로우차트이다.
도 11 내지 도 14는 도 10에 도시된 어플라이언스 관리 장치의 제어 동작과 관련된 예시도들이다.
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.
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 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 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 어플라이언스 관리 장치의 개념도이다. 도 5는 도 4에 도시된 어플라이언스 관리 장치의 동작과 관련된 구성의 예를 나타낸 도면이다.
도 4를 참조하면, 어플라이언스 관리 장치(200a)는 도 2에서 상술한 AI 서버(200)의 일 실시 예에 해당할 수 있다. 즉, 도 2에 도시된 AI 서버(200)의 구성들 및 관련 설명은, 본 발명의 실시 예에 따른 어플라이언스 관리 장치(200a)에도 마찬가지로 적용될 수 있다.
즉, 어플라이언스 관리 장치(200a)는 일종의 서버로 구현될 수 있다. 또한, 도 4에서는 어플라이언스 관리 장치(200a)가 하나의 장치인 형태로 도시되어 있으나, 실시 예에 따라 어플라이언스 관리 장치(200a)는 복수의 장치들로 구분되어 구현될 수도 있다.
어플라이언스 관리 장치(200a)는 복수의 사용자들 각각의 어플라이언스들(100e)과 연결되어, 상기 어플라이언스들(100e)의 구동 시 생성되는 로그 데이터를 누적 획득할 수 있다. 이하 명세서에서는 어플라이언스들(100e)이 가정에서 사용되는 홈 어플라이언스인 것으로 가정하여 설명하나, 어플라이언스의 종류는 홈 어플라이언스에 한정되지 않는다.
상기 로그 데이터는 어플라이언스(100e)의 구동 중 획득되는 다양한 정보를 포함할 수 있다. 예컨대, 어플라이언스(100e)가 세탁기인 경우, 상기 로그 데이터는 세탁기 코스 정보, 에러 정보, 물온도 정보, 물살 세기 정보, 물높이 정보, 헹굼 횟수 정보, 탈수 옵션 정보, 도어 열림 정보, 세제통의 잔존 세제량 정보 등, 세탁기에 포함된 구성이나 구동 환경 등과 관련된 다양한 정보를 포함할 수 있다.
어플라이언스 관리 장치(200a)는 누적 획득되는 로그 데이터를 데이터베이스에 저장 및 관리할 수 있다. 즉, 어플라이언스 관리 장치(200a)는 복수의 사용자들 각각에 대응하는 다양한 어플라이언스들의 로그 데이터를 수집 및 관리함으로써, 로그 데이터를 어플라이언스의 개선하는 등의 다양한 방식으로 활용할 수 있다.
도 5를 참조하면, 어플라이언스 관리 장치(200a)는 상기 로그 데이터를 누적 획득 및 관리하는 로그 데이터 관리 모듈(510)을 포함할 수 있다. 로그 데이터 관리 모듈(510)은 등록된 사용자들 각각에 대응하는 어플라이언스들로부터, 어플라이언스들의 구동 시 생성되는 로그 데이터를 수신할 수 있다. 로그 데이터 관리 모듈(510)은 수신된 로그 데이터를 데이터베이스에 저장 및 관리할 수 있다.
한편, 어플라이언스 관리 장치(200a)는 사용자로부터(단말기 또는 어플라이언스로부터) 어플라이언스(100e)의 증상 정보를 획득할 수 있다. 상기 증상 정보는 어플라이언스(100e)의 사용 중 발생하는 이상 증상이나 현상, 에러, 특정 기능과 관련된 문의 등을 포함할 수 있다.
어플라이언스 관리 장치(200a)는 데이터베이스에 저장된 상기 사용자의 어플라이언스로부터 획득된 로그 데이터 중, 상기 증상 정보와 관련된 로그 데이터를 이용하여 상기 증상 정보를 보다 정확히 인식할 수 있다. 또한, 상기 로그 데이터를 이용하여 상기 증상 정보에 대한 정확한 진단 정보를 사용자에게 제공할 수 있다.
이와 관련하여, 어플라이언스 관리 장치(200a)는 로그 데이터 분석 모듈(520) 및 증상 정보 획득 및 처리 모듈(530)을 포함할 수 있다.
증상 정보 획득 및 처리 모듈(530)은, 사용자로부터 어플라이언스(100e)의 증상 정보를 획득할 수 있다. 증상 정보 획득 및 처리 모듈(530)은, 획득된 증상 정보에 기초하여, 어플라이언스(100e)의 로그 데이터에 포함된 정보 항목들 중, 확인해야 할 정보 항목을 인식할 수 있다.
로그 데이터 분석 모듈(520)은, 데이터베이스에 저장된 사용자의 어플라이언스들 각각의 로그 데이터 중, 상기 어플라이언스(100e)의 로그 데이터를 획득할 수 있다. 로그 데이터 분석 모듈(520)은 획득된 로그 데이터에 포함된 정보 항목들 중, 상기 인식된 정보 항목을 확인할 수 있다.
실시 예에 따라, 로그 데이터 분석 모듈(520)은 어플라이언스(100e)에 대해 누적 저장된 로그 데이터 중, 기설정된 수의 최근 저장된 로그 데이터만을 획득하여 확인할 수 있다.
로그 데이터 분석 모듈(520)은 로그 데이터의 확인 결과를 증상 정보 획득 및 처리 모듈(530)로 전송할 수 있다.
증상 정보 획득 및 처리 모듈(530)은 상기 확인 결과에 기초하여, 어플라이언스(100e)의 증상 정보에 대한 진단 정보를 생성하고, 생성된 진단 정보를 사용자에게 제공할 수 있다. 실시 예에 따라, 상기 진단 정보는 로그 데이터 분석 모듈(520)에 의해 생성될 수도 있다.
도 5에 도시된 로그 데이터 관리 모듈(510), 로그 데이터 분석 모듈(520), 및 증상 정보 획득 및 처리 모듈(530)은 하나의 어플라이언스 관리 장치(200a) 내에 구현될 수 있다.
또는, 로그 데이터 관리 모듈(510), 로그 데이터 분석 모듈(520), 및 증상 정보 획득 및 처리 모듈(530) 중 적어도 하나는 서로 다른 장치에 분산되어 구현될 수도 있다. 이 경우, 상기 어플라이언스 관리 장치(200a)는 어플라이언스 관리 시스템으로 정의될 수도 있다.
이하 도 6 내지 도 14를 참조하여, 어플라이언스 관리 장치(200a)의 동작과 관련된 실시 예들을 설명한다.
설명의 편의를 위해, 이하 도면들에서는 로그 데이터 관리 모듈(510), 로그 데이터 분석 모듈(520), 및 증상 정보 획득 및 처리 모듈(530)이 하나의 어플라이언스 관리 장치(200a) 내에 구현되는 것으로 가정하여 설명한다. 이 경우, 상기 모듈들(510, 520, 530)의 동작은 프로세서(260)의 제어에 의해 수행될 수 있다.
도 6은 본 발명의 실시 예에 따른 어플라이언스 관리 장치의 제어 동작을 설명하기 위한 플로우차트이다.
도 6을 참조하면, 어플라이언스 관리 장치(200a)는 사용자로부터 어플라이언스(100e)의 증상을 나타내는 증상 정보를 획득할 수 있다(S100).
어플라이언스 관리 장치(200a)의 프로세서(260)는, 사용자의 단말기나 어플라이언스 등으로부터, 사용자가 보유한 소정 어플라이언스(100e)의 증상 정보를 획득할 수 있다. 예컨대, 상기 증상 정보는 음성이나 텍스트 등의 형태로 획득될 수 있다.
예컨대, 상기 증상 정보가 음성 형태로 획득된 경우, 프로세서(260)는 기 공지된 각종 음성 인식 기법을 통해, 상기 획득된 음성을 텍스트로 변환함으로써 상기 증상 정보를 획득할 수 있다.
예컨대, 메모리(270)에는 어플라이언스(100e)와 관련된 복수의 증상들 및 증상들 각각에 대응하는 적어도 하나의 진단 정보의 리스트(또는 테이블)가 저장될 수 있다. 프로세서(260)는 상기 증상 정보를 포함하는 텍스트로부터 적어도 하나의 키워드를 추출하고, 추출된 키워드와 메모리(270)에 저장된 복수의 증상들 중 어느 하나를 매칭시킬 수 있다. 프로세서(260)는 매칭된 증상 및 상기 증상에 대응하는 적어도 하나의 진단 정보를 포함하는 리스트(또는 테이블)를 로드할 수 있다.
어플라이언스 관리 장치(200a)는 데이터베이스로부터, 상기 사용자와 매칭된 어플라이언스(100e)의 로그 데이터를 획득할 수 있다(S110).
프로세서(260)는 상기 증상 정보를 전송한 사용자의 단말기 또는 어플라이언스의 식별 정보, 또는 상기 증상 정보와 함께 전송되는 사용자의 식별 정보(ID 등)에 기초하여, 데이터베이스에 저장된 다수의 사용자들의 로그 데이터 중, 상기 사용자와 매칭된 어플라이언스(100e)의 로그 데이터를 로드할 수 있다.
실시 예에 따라, 프로세서(260)는 상기 어플라이언스(100e)에 대해 누적 저장된 복수의 로그 데이터 중, 최근 저장된 기설정된 수의 로그 데이터만을 로드할 수도 있다.
어플라이언스 관리 장치(200a)는 획득된 로그 데이터 중, 상기 증상 정보와 관련된 로그 데이터를 확인할 수 있다(S120).
상기 어플라이언스(100e)의 로그 데이터는, 어플라이언스(100e)의 구성이나 구동 환경 등과 관련된 다양한 정보 항목들을 포함할 수 있다.
프로세서(260)는 상기 로그 데이터에 포함된 정보 항목들 중, 상기 증상 정보와 관련된 적어도 하나의 정보 항목에 대응하는 정보(예컨대 값 등)를 확인할 수 있다. 이와 관련된 예들은 추후 도 7 내지 도 8, 도 11 내지 도 12를 통해 설명한다.
어플라이언스 관리 장치(200a)는 상기 증상 정보와 관련된 로그 데이터의 확인 결과에 기초하여, 상기 증상 정보에 대한 진단 정보를 생성할 수 있다(S130). 어플라이언스 관리 장치(200a)는 생성된 진단 정보를 상기 사용자에게 제공할 수 있다(S140).
프로세서(260)는 상기 증상 정보와 관련된 적어도 하나의 정보에 대한 확인 결과에 따라, 상기 증상 정보에 대한 진단 정보를 획득할 수 있다.
상기 진단 정보는 상기 증상 정보의 원인과 관련된 정보, 및/또는 상기 증상 정보의 솔루션에 대한 정보를 포함할 수 있다.
한편, 상기 증상 정보의 원인은 어느 하나로 한정되지 않을 수 있고, 이 경우 상기 증상 정보에 대한 솔루션 또한 복수 개일 수 있다.
이에 따라, 메모리(270)는 상기 증상 정보에 대한 복수의 진단 정보를 저장할 수 있다.
프로세서(260)는, 상기 증상 정보와 관련된 적어도 하나의 정보의 확인 결과에 따라, 상기 복수의 진단 정보 중 어느 하나의 진단 정보를 획득할 수 있다. 예컨대, 복수의 진단 정보 각각은, 상기 적어도 하나의 정보 항목 각각에 대응하는 정보(값)와 관련된 조건을 가질 수 있다. 프로세서(260)는 상기 적어도 하나의 정보에 대한 확인 결과, 특정 조건을 만족하는 진단 정보가 존재하는 경우, 상기 진단 정보를 상기 사용자의 어플라이언스(100e)의 증상 정보에 대한 진단 정보로서 획득할 수 있다.
실시 예에 따라, 프로세서(260)는 상기 적어도 하나의 정보를, 메모리(270)에 저장된 학습 모델로 입력할 수 있다. 상기 학습 모델은 러닝 프로세서(240) 등에 의해 머신 러닝 기반(딥러닝 등)으로 학습된 모델(예컨대, 인공신경망)을 의미할 수 있다. 상기 학습 모델은 상기 입력된 적어도 하나의 정보에 기초하여, 상기 증상 정보에 대한 복수의 진단 정보 각각의 확률값을 출력할 수 있다. 프로세서(260)는 상기 확률값이 가장 높은 진단 정보를, 상기 어플라이언스(100e)의 증상 정보에 대한 진단 정보로서 획득할 수 있다.
프로세서(260)는 획득된 진단 정보를 상기 사용자에게 제공할 수 있다. 예컨대, 프로세서(260)는 획득된 진단 정보를 포함하는 텍스트 또는 음성 데이터를 상기 사용자의 단말기 또는 어플라이언스로 전송할 수 있다. 사용자는 상기 텍스트 또는 음성 데이터에 포함된 진단 정보에 기초하여, 어플라이언스(100e)의 증상을 해결할 수 있다.
도 7 내지 도 9는 도 6에 도시된 어플라이언스 관리 장치의 제어 동작과 관련된 예시도들이다.
도 7을 참조하면, 어플라이언스 관리 장치(200a)의 프로세서(260)(또는 증상 접수 및 처리 모듈(530))은, 사용자의 단말기(700)로부터 제1 증상 정보(701)를 포함하는 음성 또는 텍스트를 획득할 수 있다. 예컨대, 상기 제1 증상 정보(701)는 세탁기의 냄새 발생이라는 증상을 나타낼 수 있다.
프로세서(260)는 획득된 음성 또는 텍스트 데이터로부터 상기 제1 증상 정보(701)를 획득할 수 있다.
프로세서(260)는 메모리(270)에 저장된 복수의 어플라이언스별 증상 정보 테이블 중, 상기 획득된 제1 증상 정보(701)에 대응하는 제1 증상 정보 테이블(TABLE1)을 획득할 수 있다.
프로세서(260)는 획득된 제1 증상 정보 테이블(TABLE1)에 기초하여, 로그 데이터에 포함된 정보 항목들 중 상기 제1 증상 정보(701)와 관련된 적어도 하나의 정보 항목을 인식할 수 있다. 예컨대, 제1 증상 정보 테이블(TABLE1)의 현상 항목에 기초하여, 프로세서(260)는 상기 로그 데이터 중 잔존 세제량 정보 항목의 정보(값)와, 도어 열림 정보 항목의 정보(값)를 확인하여야 함을 인식할 수 있다. 현상 항목은, 상기 제1 증상 정보(701)와 관련된 적어도 하나의 진단 정보 각각에 대한 조건을 포함할 수 있다. 도 7의 실시 예에서, 상기 조건은 평균 잔존세제량이 6 이상임에 대응하는 제1 조건과, 도어 열림 횟수가 3 이하임에 대응하는 제2 조건을 포함할 수 있다.
도 8을 참조하면, 프로세서(260)(또는 로그 데이터 관리 모듈(510))는 데이터베이스에 저장된 복수의 사용자들의 어플라이언스별 로그 데이터 중, 상기 단말기(700)의 사용자에 매칭된 세탁기의 로그 데이터(LOG)를 로드할 수 있다.
실시 예에 따라, 프로세서(260)는 상기 단말기(700)의 사용자에 매칭된 세탁기의 로그 데이터 중, 현재 시점으로부터 가장 가까운 시점에 저장된 소정 개수(예컨대 5개)의 로그 데이터(LOG)만을 로드할 수도 있다.
프로세서(260)(또는 로그 데이터 분석 모듈(520))는 로드된 로그 데이터(LOG) 중, 상기 제1 증상 정보 테이블(TABLE1)에 기초하여 인식되는 적어도 하나의 정보 항목을 포함하는 로그 데이터를 추출(EXT_LOG1)할 수 있다.
도 8에 도시된 예를 참조하면, 추출된 로그 데이터(EXT_LOG1)는 현재 시점으로부터 가장 가까운 시점에 저장된 5개의 로그 데이터 각각에 대한 잔존 세제량 정보, 옷감량 정보, 도어 열림 정보를 포함할 수 있다.
프로세서(260)(또는 로그 데이터 분석 모듈(520))는 제1 증상 정보 테이블(TABLE1)에 기초하여, 추출된 로그 데이터(EXT_LOG1)의 잔존 세제량 정보로부터 평균 잔존 세제량을 산출할 수 있다. 또한, 프로세서(260)는 총 도어 열림 횟수를 산출할 수 있다.
도 7과 도 8을 참조하면, 프로세서(260)(로그 데이터 분석 모듈(520) 또는 증상 정보 획득 및 처리 모듈(530))는 산출된 평균 잔존 세제량이 6.4이므로, 제1 증상 정보 테이블(TABLE1)에 저장된 제1 조건(평균 잔존세제량이 6 이상)을 만족함을 확인할 수 있다. 또한, 프로세서(260)는 산출된 도어 열림 횟수가 2 이므로, 제1 증상 정보 테이블(TABLE1)에 저장된 제2 조건(도어 열림 횟수가 3 이하)을 만족함을 확인할 수 있다.
확인 결과에 기초하여, 프로세서(260)는 상기 증상 정보(701)에 대응하는 복수의 진단 정보 중, 제1 조건에 대응하는 제1 진단 정보와, 제2 조건에 대응하는 제2 진단 정보를 획득할 수 있다. 즉, 사용자의 세탁기의 증상 정보(701)(냄새 발생)에 따른 진단 정보는 상기 제1 진단 정보와 상기 제2 진단 정보에 해당할 수 있다.
실시 예에 따라, 프로세서(260)는 머신 러닝 기반으로 학습된 학습 모델(예컨대 인공신경망)을 통해, 상기 추출된 로그 데이터(EXT_LOG1)에 포함된 값들에 대응하는 진단 정보를 획득할 수도 있다.
또한, 프로세서(260)는 상기 추출된 로그 데이터(EXT_LOG1)에 포함된 값들 및 획득된 진단 정보에 기초하여 학습 모델에 대한 학습 동작을 수행할 수도 있다.
도 9를 참조하면, 프로세서(260)(또는 증상 정보 획득 및 처리 모듈(530))는 상기 제1 진단 정보와 제2 진단 정보를 사용자의 단말기(700)로 전송할 수 있다.
예컨대, 프로세서(260)는 상기 제1 진단 정보에 포함된 제1 솔루션 메시지와, 제2 진단 정보에 포함된 제2 솔루션 메시지를 포함하는 솔루션 데이터(SOLUTION1)를 단말기(700)로 전송할 수 있다. 상기 제1 솔루션 메시지 및 제2 솔루션 메시지는 음성 또는 텍스트 형태로 제공될 수 있다.
사용자는 상기 솔루션 데이터(SOLUTION1)에 기초하여 세탁기를 사용함으로써 상기 증상을 효과적으로 해소시킬 수 있다.
즉, 본 발명의 실시 예에 따른 어플라이언스 관리 장치(200a)는, 사용자로부터 특정 어플라이언스에 대한 증상 정보가 접수된 경우, 상기 어플라이언스의 로그 데이터를 활용하여 상기 증상 정보에 대한 정확한 진단이 가능하다. 따라서, 사용자로부터 접수된 증상 정보에 대한 처리율 및 상담 만족도의 향상이 가능하며 제품의 신뢰성 저하를 방지할 수 있다.
도 10은 본 발명의 다른 실시 예에 따른 어플라이언스 관리 장치의 제어 동작을 설명하기 위한 플로우차트이다.
도 10을 참조하면, S200 단계 내지 S230 단계는 도 6의 S100 단계 내지 S130 단계와 실질적으로 동일한 바, 이에 대한 설명은 생략하기로 한다.
어플라이언스 관리 장치(200a)는, S230 단계에 따라 생성된 진단 정보에 기초하여, 획득된 증상 정보에 대응하는 어플라이언스의 설정값(또는 설정 환경 등)을 변경시킬 수 있다(S240).
프로세서(260)는, 상기 진단 정보에 기초하여, 어플라이언스의 구동과 관련된 기본 설정값을 조절함으로써, 사용자의 행위 없이도 상기 증상 정보를 원격으로 처리할 수 있다.
즉, 프로세서(260)는 어플라이언스 관리 장치(200a)와 연결된 상기 어플라이언스로, 상기 어플라이언스의 설정값을 변경하기 위한 설정 정보를 전송할 수 있다. 어플라이언스는 수신된 설정 정보에 기초하여 설정값을 변경함으로써 상기 증상 정보에 따른 증상의 발생을 방지할 수 있다.
도 11 내지 도 14는 도 10에 도시된 어플라이언스 관리 장치의 제어 동작과 관련된 예시도들이다.
도 11을 참조하면, 어플라이언스 관리 장치(200a)의 프로세서(260)(또는 증상 접수 및 처리 모듈(530))은, 사용자의 단말기(1100)로부터 제2 증상 정보(1101)를 포함하는 음성 또는 텍스트를 획득할 수 있다. 예컨대, 상기 제2 증상 정보(1101)는 세탁기의 세탁 성능 저하에 해당하는 증상을 나타낼 수 있다.
프로세서(260)는 획득된 음성 또는 텍스트 데이터로부터 상기 제2 증상 정보(1101)를 획득할 수 있다.
프로세서(260)는 메모리(270)에 저장된 복수의 어플라이언스별 증상 정보 테이블 중, 상기 획득된 제2 증상 정보(1101)에 대응하는 제2 증상 정보 테이블(TABLE2)을 획득할 수 있다.
프로세서(260)는 획득된 제2 증상 정보 테이블(TABLE2)에 기초하여, 로그 데이터에 포함된 정보 항목들 중 상기 제2 증상 정보(1101)와 관련된 적어도 하나의 정보 항목을 인식할 수 있다. 예컨대, 제2 증상 정보 테이블(TABLE2)의 현상 항목에 기초하여, 프로세서(260)는 상기 로그 데이터 중 물높이 정보 항목의 정보(값)와, 물살 세기 정보 항목의 정보(값)를 확인하여야 함을 인식할 수 있다.
도 12를 참조하면, 프로세서(260)(또는 로그 데이터 관리 모듈(510))는 데이터베이스에 저장된 복수의 사용자들의 어플라이언스별 로그 데이터 중, 상기 단말기(1100)의 사용자에 매칭된 세탁기의 로그 데이터(LOG)를 로드할 수 있다.
실시 예에 따라, 프로세서(260)는 상기 단말기(1100)의 사용자에 매칭된 세탁기의 로그 데이터 중, 현재 시점으로부터 가장 가까운 시점에 저장된 소정 개수(예컨대 5개)의 로그 데이터(LOG)만을 로드할 수도 있다.
프로세서(260)(또는 로그 데이터 분석 모듈(520))는 로드된 로그 데이터(LOG) 중, 상기 제2 증상 정보 테이블(TABLE2)에 기초하여 인식되는 적어도 하나의 정보 항목을 포함하는 로그 데이터를 추출(EXT_LOG2)할 수 있다.
도 12에 도시된 예를 참조하면, 추출된 로그 데이터(EXT_LOG2)는 현재 시점으로부터 가장 가까운 시점에 저장된 5개의 로그 데이터 각각에 대한 물살 세기 정보, 옷감량 정보, 물높이 정보를 포함할 수 있다.
프로세서(260)(또는 로그 데이터 분석 모듈(520))는 제2 증상 정보 테이블(TABLE2)에 기초하여, 추출된 로그 데이터(EXT_LOG2)의 물살 세기 정보로부터 평균 물살 세기를 산출할 수 있다. 또한, 프로세서(260)는 물높이 정보로부터 평균 물높이를 산출할 수 있다.
도 11과 도 12를 참조하면, 프로세서(260)(로그 데이터 분석 모듈(520) 또는 증상 정보 획득 및 처리 모듈(530))는 산출된 평균 물높이가 4.4이므로, 제2 증상 정보 테이블(TABLE2)에 저장된 제1 조건(평균 물높이가 7 이하)을 만족함을 확인할 수 있다. 또한, 프로세서(260)는 산출된 평균 물살 세기가 0.8 이므로, 제2 증상 정보 테이블(TABLE2)에 저장된 제2 조건(평균 물살 세기가 2 이하)을 만족함을 확인할 수 있다.
확인 결과에 기초하여, 프로세서(260)는 상기 제2 증상 정보(1101)에 대응하는 복수의 진단 정보 중, 제1 조건에 대응하는 제1 진단 정보와, 제2 조건에 대응하는 제2 진단 정보를 획득할 수 있다.
즉, 사용자의 세탁기의 증상 정보(1101)(세탁성능 저하)에 따른 진단 정보는 상기 제1 진단 정보와 상기 제2 진단 정보에 해당할 수 있다.
도 13을 참조하면, 프로세서(260)(또는 증상 정보 획득 및 처리 모듈(530))는 상기 제1 진단 정보와 제2 진단 정보를 사용자의 단말기(1100)로 전송할 수 있다.
예컨대, 프로세서(260)는 상기 제1 진단 정보에 포함된 제1 솔루션 메시지와, 제2 진단 정보에 포함된 제2 솔루션 메시지를 포함하는 솔루션 데이터(SOLUTION2)를 단말기(1100)로 전송할 수 있다. 상기 제1 솔루션 메시지 및 제2 솔루션 메시지는 음성 또는 텍스트 형태로 제공될 수 있다.
사용자는 상기 솔루션 데이터(SOLUTION2)에 기초하여 세탁기를 사용함으로써 상기 증상을 해소시킬 수 있다.
한편, 도 14를 참조하면, 프로세서(260)(또는 증상 정보 획득 및 처리 모듈(530))는 상기 획득된 진단 정보에 기초하여, 세탁기(1400)의 구동 시 기본 설정값을 변경시킬 수도 있다.
프로세서(260)는 확인한 정보 항목과 관련된 설정 항목들 중 적어도 하나의 설정값을 변경하기 위한 설정 정보(SETTING)를 생성하고, 생성된 설정 정보(SETTING)를 어플라이언스로 전송할 수 있다.
예컨대, 프로세서(260)는 물살 세기에 대한 기본 설정값을 증가시키고, 물높이에 대한 기본 설정값을 증가시키기 위한 상기 설정 정보(SETTING)를 생성하고, 생성된 설정 정보(SETTING)를 세탁기(1400)로 전송할 수 있다.
세탁기(1400)는 수신된 설정 정보(SETTING)에 기초하여 물살 세기 및 물높이 각각에 대한 기본 설정값을 변경시킬 수 있다. 이에 따라, 세탁기(1400)의 구동 시 물살 세기 및 물높이가 증가함으로써, 세탁성능 저하 증상의 해소가 가능해질 수 있다.
한편, 프로세서(260)는 증상 정보에 따라 세탁기(1400)의 기본 설정값을 변경하였음을 나타내는 알림(NOTI)을 생성하고, 생성된 알림(NOTI)을 사용자의 단말기(1100)로 전송할 수 있다. 예컨대 상기 알림(NOTI)은 음성 또는 텍스트 등의 형태로 제공될 수 있다.
사용자는 상기 알림(NOTI)을 확인함으로써 상기 증상 정보에 대한 처리가 완료되었음을 인지하고, 세탁기(1400)를 구동시킴으로써 상기 증상 정보가 해소됨을 확인할 수 있다.
즉, 도 10 내지 도 14에 도시된 실시 예에 따르면, 어플라이언스 관리 장치(200a)는 사용자로부터 획득되는 어플라이언스의 증상 정보에 따른 진단 정보를 획득하고, 획득된 진단 정보에 기초하여 어플라이언스의 구동과 관련된 설정값을 원격으로 변경시킬 수 있다. 사용자는 상기 증상 정보를 해소하기 위한 소정의 행위를 직접 수행하지 않고도, 어플라이언스에 대한 증상이 원활히 해소됨을 확인할 수 있다. 따라서, 어플라이언스의 제조사 및 어플라이언스에 대한 사용자의 만족도가 극대화될 수 있다. 또한, 제조사는 별도의 관리 인력을 제공하지 않고도 상기 증상을 효과적으로 해결해줄 수 있으므로, 보다 효율적인 애프터서비스의 운영이 가능할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (17)
- 사용자의 단말기로부터, 제1 어플라이언스의 증상 정보를 획득하는 통신부;
사용자와 매칭되는 어플라이언스들 각각의 로그 데이터를 누적 저장하는 데이터베이스를 포함하는 메모리; 및
획득된 증상 정보에 기초하여, 상기 사용자의 어플라이언스들 각각의 로그 데이터 중 상기 제1 어플라이언스의 로그 데이터를 획득하고,
획득된 로그 데이터에 포함된 복수의 정보 중, 상기 증상 정보와 관련된 적어도 하나의 정보를 확인하고,
확인 결과에 기초하여 상기 증상 정보에 대한 진단 정보를 생성하고,
생성된 진단 정보를 상기 단말기로 전송하는 프로세서를 포함하는 어플라이언스 관리 장치. - 제1항에 있어서,
상기 증상 정보는 음성 또는 텍스트 형태로 획득되고,
상기 프로세서는,
상기 음성 또는 텍스트로부터 상기 증상 정보와 관련된 적어도 하나의 키워드를 추출하고,
상기 메모리에 저장된 복수의 증상들 중 상기 추출된 키워드와 매칭되는 증상을 식별하는 어플라이언스 관리 장치. - 제1항에 있어서,
상기 프로세서는,
상기 획득된 증상 정보에 기초하여, 상기 제1 어플라이언스에 대해 누적 저장된 로그 데이터 중, 현재 시점으로부터 가장 가까운 시점에 저장된 기설정된 개수의 로그 데이터를 획득하는 어플라이언스 관리 장치. - 제1항에 있어서,
상기 프로세서는,
상기 증상 정보와 관련된 적어도 하나의 진단 정보에 대해 설정된 적어도 하나의 조건에 기초하여, 상기 획득된 로그 데이터에 포함된 상기 복수의 정보 중 적어도 하나의 정보를 추출하는 어플라이언스 관리 장치. - 제4항에 있어서,
상기 프로세서는,
상기 추출된 적어도 하나의 정보가 상기 적어도 하나의 조건 중 제1 조건을 만족하는 경우, 상기 제1 조건에 대응하는 제1 진단 정보를 상기 제1 어플라이언스의 증상 정보에 대한 진단 정보로 결정하는 어플라이언스 관리 장치. - 제4항에 있어서,
상기 메모리는 머신 러닝 기반으로 학습된 학습 모델을 저장하고,
상기 프로세서는,
상기 학습 모델을 통해, 상기 추출된 적어도 하나의 정보로부터 상기 제1 어플라이언스의 증상 정보에 대한 진단 정보를 획득하는 어플라이언스 관리 장치. - 제6항에 있어서,
상기 프로세서는,
상기 추출된 적어도 하나의 정보, 및 상기 학습 모델을 통해 획득되는 진단 정보에 기초하여 상기 학습 모델을 업데이트하는 어플라이언스 관리 장치. - 제1항에 있어서,
상기 프로세서는,
상기 진단 정보에 포함된 솔루션 메시지를 상기 단말기로 전송하고,
상기 솔루션 메시지는 음성 또는 텍스트 형태로 제공되는 어플라이언스 관리 장치. - 제1항에 있어서,
상기 프로세서는,
상기 생성된 진단 정보에 기초하여 상기 제1 어플라이언스의 구동과 관련된 설정 항목들 중 적어도 하나의 설정값을 변경하기 위한 설정 정보를 생성하고,
생성된 설정 정보를 상기 제1 어플라이언스로 전송하도록 상기 통신부를 제어하는 어플라이언스 관리 장치. - 제9항에 있어서,
상기 프로세서는,
상기 설정 정보의 전송에 따라 상기 제1 어플라이언스의 구동과 관련된 설정 항목들 중 적어도 하나의 설정값이 변경되었음을 나타내는 알림을 생성하고,
생성된 알림을 상기 단말기로 전송하는 어플라이언스 관리 장치. - 사용자의 제1 어플라이언스에 대한 증상 정보를 획득하는 단계;
획득된 증상 정보에 기초하여, 상기 사용자의 어플라이언스들 각각에 대해 누적 저장된 로그 데이터 중, 상기 제1 어플라이언스의 로그 데이터를 획득하는 단계;
획득된 로그 데이터에 포함된 복수의 정보 중, 상기 증상 정보와 관련된 적어도 하나의 정보를 확인하는 단계;
확인 결과에 기초하여 상기 증상 정보에 대한 진단 정보를 생성하는 단계; 및
생성된 진단 정보를 상기 사용자에게 제공하는 단계를 포함하는 어플라이언스 관리 방법. - 제11항에 있어서,
상기 증상 정보를 획득하는 단계는,
상기 사용자의 단말기 또는 어플라이언스로부터 음성 또는 텍스트 형태의 상기 증상 정보를 획득하는 단계를 포함하는 어플라이언스 관리 방법. - 제11항에 있어서,
상기 제1 어플라이언스의 로그 데이터를 획득하는 단계는,
상기 제1 어플라이언스에 대해 누적 저장된 로그 데이터 중, 현재 시점으로부터 가장 가까운 시점에 저장된 기설정된 개수의 로그 데이터를 획득하는 단계를 포함하는 어플라이언스 관리 방법. - 제11항에 있어서,
상기 적어도 하나의 정보를 확인하는 단계는,
상기 증상 정보와 관련된 적어도 하나의 진단 정보에 대해 설정된 적어도 하나의 조건에 기초하여, 상기 획득된 로그 데이터에 포함된 상기 복수의 정보 중 상기 적어도 하나의 정보를 추출하는 단계; 및
상기 추출된 적어도 하나의 정보를 이용하여, 상기 적어도 하나의 조건 중 만족되는 조건이 존재하는지 여부를 확인하는 단계를 포함하는 어플라이언스 관리 방법. - 제14항에 있어서,
상기 진단 정보를 생성하는 단계는,
상기 추출된 적어도 하나의 정보가 상기 적어도 하나의 조건 중 제1 조건을 만족하는 경우, 상기 제1 조건에 대응하는 제1 진단 정보를 상기 증상 정보에 대한 진단 정보로 결정하는 단계를 포함하는 어플라이언스 관리 방법. - 제11항에 있어서,
상기 진단 정보를 상기 사용자에게 제공하는 단계는,
상기 진단 정보에 포함된 솔루션 메시지를 음성 또는 텍스트 형태로 상기 사용자의 단말기로 전송하는 단계를 포함하는 어플라이언스 관리 방법. - 제11항에 있어서,
상기 생성된 진단 정보에 기초하여 상기 제1 어플라이언스의 구동과 관련된 설정 항목들 중 적어도 하나의 설정값을 변경시키기 위한 설정 정보를 생성하는 단계; 및
생성된 설정 정보를 상기 제1 어플라이언스로 전송하는 단계를 더 포함하는 어플라이언스 관리 방법.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2019/008322 WO2021006369A1 (ko) | 2019-07-05 | 2019-07-05 | 인공지능 기반의 어플라이언스 관리 장치 및 어플라이언스 관리 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220030922A true KR20220030922A (ko) | 2022-03-11 |
Family
ID=74115046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217034062A KR20220030922A (ko) | 2019-07-05 | 2019-07-05 | 인공지능 기반의 어플라이언스 관리 장치 및 어플라이언스 관리 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220260461A1 (ko) |
| KR (1) | KR20220030922A (ko) |
| WO (1) | WO2021006369A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006011718A (ja) * | 2004-06-24 | 2006-01-12 | Toshiba Corp | エラー監視装置、エラー監視システム及びエラー処理方法 |
| JP6128937B2 (ja) * | 2013-04-25 | 2017-05-17 | 京セラドキュメントソリューションズ株式会社 | 機器管理システム、機器管理プログラム、および機器管理方法 |
| KR20160006832A (ko) * | 2014-07-09 | 2016-01-20 | 삼성전자주식회사 | 가전기기 관리 시스템 및 관리 방법 |
| KR102511522B1 (ko) * | 2017-10-18 | 2023-03-17 | 삼성전자주식회사 | 데이터 학습 서버, 이의 학습 모델 생성 및 이용 방법 |
| JP6405024B1 (ja) * | 2017-10-30 | 2018-10-17 | 京セラ株式会社 | 電子機器、制御方法及び制御プログラム |
-
2019
- 2019-07-05 WO PCT/KR2019/008322 patent/WO2021006369A1/ko active Application Filing
- 2019-07-05 US US17/625,009 patent/US20220260461A1/en active Pending
- 2019-07-05 KR KR1020217034062A patent/KR20220030922A/ko active Search and Examination
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021006369A1 (ko) | 2021-01-14 |
| US20220260461A1 (en) | 2022-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11663516B2 (en) | Artificial intelligence apparatus and method for updating artificial intelligence model | |
| KR102281602B1 (ko) | 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법 | |
| KR102658966B1 (ko) | 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법 | |
| US11138844B2 (en) | Artificial intelligence apparatus and method for detecting theft and tracing IoT device using same | |
| KR102286137B1 (ko) | 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 | |
| KR20190096307A (ko) | 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법 | |
| US11568239B2 (en) | Artificial intelligence server and method for providing information to user | |
| KR20210072362A (ko) | 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법 | |
| US11507825B2 (en) | AI apparatus and method for managing operation of artificial intelligence system | |
| KR102297655B1 (ko) | 외부 기기를 제어하기 위한 인공 지능 장치 | |
| KR102331672B1 (ko) | 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법 | |
| US11210567B2 (en) | Artificial intelligence apparatus and method for recognizing object | |
| KR102263250B1 (ko) | 엔진 소음 제거 장치 및 엔진 소음 제거 방법 | |
| KR20190101330A (ko) | 음성 처리 장치 및 음성 처리 방법 | |
| US11863627B2 (en) | Smart home device and method | |
| KR20190096879A (ko) | 인공지능 기반의 세탁물 데이터 분석 장치 | |
| KR20190100108A (ko) | 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법 | |
| KR102421488B1 (ko) | 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법 | |
| KR20190094317A (ko) | 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법 | |
| US20210137311A1 (en) | Artificial intelligence device and operating method thereof | |
| KR20190113690A (ko) | 로봇 시스템 및 그 제어방법 | |
| KR20190095190A (ko) | 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법 | |
| KR20210019765A (ko) | 모듈러 로봇을 관리하는 방법 및 그 장치 | |
| US11550328B2 (en) | Artificial intelligence apparatus for sharing information of stuck area and method for the same | |
| US11927931B2 (en) | Artificial intelligence-based air conditioner |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |