KR20220061684A - 연속적이고 지속적인 인공지능 신경망 모델의 통합 운영 시스템 - Google Patents

연속적이고 지속적인 인공지능 신경망 모델의 통합 운영 시스템 Download PDF

Info

Publication number
KR20220061684A
KR20220061684A KR1020200147950A KR20200147950A KR20220061684A KR 20220061684 A KR20220061684 A KR 20220061684A KR 1020200147950 A KR1020200147950 A KR 1020200147950A KR 20200147950 A KR20200147950 A KR 20200147950A KR 20220061684 A KR20220061684 A KR 20220061684A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
model
data
learning
intelligence model
Prior art date
Application number
KR1020200147950A
Other languages
English (en)
Inventor
지영민
Original Assignee
한국전자기술연구원
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 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020200147950A priority Critical patent/KR20220061684A/ko
Publication of KR20220061684A publication Critical patent/KR20220061684A/ko

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Debugging And Monitoring (AREA)

Abstract

인공지능 신경망을 지속적이며, 연속적으로 학습 및 배포를 수행하는 인공지능 신경망 모델의 통합 운영 시스템이 제공된다. 본 발명의 실시예에 따른 인공지능 신경망 모델의 통합 운영 시스템은, 실제 환경에서 수집된 데이터가 학습 데이터로 유효한지 확인하는 학습 데이터 확인기; 학습 데이터 확인기로부터 수신되는 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키고, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 학습 및 검증 시스템; 및 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 인공지능 모델 저장소;를 포함한다. 이에 의해, 인공지능 모델의 데이터 수집, 학습, 검증, 배포, 운영의 단계를 통합한 신경망 모델 시스템을 통하여 개별 기능을 위한 시스템이 아닌 전체 과정의 시스템을 제공하여 효과적인 운영 관리할 수 있다.

Description

연속적이고 지속적인 인공지능 신경망 모델의 통합 운영 시스템{Integrated operation system of continuous and continuous artificial intelligence neural network model}
본 발명은 인공지능 신경망 모델의 통합 운영 시스템에 관한 것으로, 더욱 상세하게는 인공지능 신경망을 지속적이며, 연속적으로 학습 및 배포를 수행하는 인공지능 신경망 모델의 통합 운영 시스템에 관한 것이다.
기존의 신경망 모델은 데이터를 취득하고 취합하여 정답을 위한 라벨링 작업 후 학습, 검증으로 나눈 뒤 인공지능 모델을 학습 데이터를 기반으로 학습한 뒤, 검증 데이터를 이용하여 모델을 검증하는 일련의 과정을 반복한 뒤 가장 적합한 신경망 모델을 도출하였다.
이러한 기존 신경망 도출 방법은 자동화가 되어 있지 않고, 인공지능 모델은 한번 배포가 된 이후에 다시 학습, 검증을 거쳐 실제 동작하는 모델을 갱신하기가 쉽지 않아, 불편함이 존재한다.
따라서, 기존의 분리되어 있던 인공지능 신경망 모델의 학습, 배포 등의 과정을 하나의 통합 시스템으로 처리하여, 보다 빠르게 학습, 검증, 배포의 단계를 수행하기 위한 방안의 모색이 요구된다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 인공지능 신경망을 지속적이며, 연속적으로 학습, 배포를 가능하게 하기 위해서 인공지능 모델의 입력 데이터를 주기적으로 반영하여 학습 데이터를 생성하고, 생성된 데이터를 기반으로 기존 모델을 포함한 다양한 모델을 학습시켜, 현재 배포 운영 중인 모델보다 좋은 성능이 검증되면 이를 배포하여, 운영 중인 인공지능 모델을 자동으로 갱신할 수 있는 인공지능 신경망 모델의 통합 운영 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 인공지능 신경망 모델의 통합 운영 시스템은, 실제 환경에서 수집된 데이터가 학습 데이터로 유효한지 확인하는 학습 데이터 확인기; 학습 데이터 확인기로부터 수신되는 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키고, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 학습 및 검증 시스템; 및 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 인공지능 모델 저장소;를 포함한다.
그리고 학습 데이터 확인기는, 수집된 데이터가 학습 데이터의 입력 사이즈 규격에 적합한 것인지 여부를 판단하고, 수집된 데이터가 학습에 활용될 학습 데이터로 적용되는 경우 적용되는 데이터에 대한 정답이 존재하는지 여부를 판단하여, 수집된 데이터가 학습 데이터로 유효한지 확인할 수 있다.
또한, 학습에 활용될 학습 데이터는, 분류(Clustering)을 통해 자동으로 데이터 라벨링이 수행되거나 또는 관리자를 통해 수동으로 데이터 라벨링이 수행될 수 있다.
그리고 학습 데이터 확인기는, 자동 또는 수동으로 라벨링된 데이터를 활용하는 인공지능 모델의 학습 성과를 향상시키기 위해, 분류된 각각의 데이터 세트의 샘플 수를 조정하되, 샘플 수가 가장 많은 데이터 세트의 샘플 수를 기준 값으로 설정하고, 모든 데이터 세트의 샘플 수가 동일하도록, 다른 데이터 세트의 샘플 수를 설정된 기준 값만큼 증가하도록 조정할 수 있다.
또한, 본 발명의 일 실시예에 따른, 인공지능 신경망 모델의 통합 운영 시스템은, 인공지능 모델이 동작되는 인공지능 단말; 및 인공지능 단말에서 동작하는 인공지능 모델의 업데이트를 수행하는 모델 확인기;를 더 포함할 수 있다.
그리고 인공지능 모델 저장소는, 학습 및 검증 시스템에서 검증된 인공지능 모델을 신규 버전으로 등록하고, 등록된 신규 버전의 인공지능 모델을 활용하는 인공지능 단말에서 인공지능 모델에 대한 검색이 가능하도록, 클라우드 기반의 공유 기능을 제공할 수 있다.
또한, 모델 확인기는, 주기적으로 최신의 인공지능 모델이 등록되었는지 확인하여, 신규 버전의 인공지능 모델이 등록되면, 기존 인공지능 모델을 신규 버전의 인공지능 모델로 업데이트할 수 있다.
그리고 모델 확인기는, 신규 버전의 인공지능 모델이 등록되면, 등록된 신규 버전의 인공지능 모델을 다운로드하고, 신규 버전의 인공지능 모델의 다운로드가 완료되면, 인공지능 단말에서 현재 동작하고 있는 인공지능 모델과 교체하고, 인공지능 단말이 재시작하도록 제어하여, 업데이트를 완료할 수 있다.
또한, 학습 데이터 확인기는, 유효성이 검증된 신규 학습 데이터와 기존 학습 데이터를 통합하여, 학습 및 검증 시스템에 전달할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 인공지능 신경망 모델의 통합 운영 방법은, 통합 운영 시스템이, 실제 환경에서 수집된 데이터가 학습 데이터로 유효한지 확인하는 단계; 통합 운영 시스템이, 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키는 단계; 통합 운영 시스템이, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 단계; 및 통합 운영 시스템이, 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 단계;를 포함한다.
그리고 본 발명의 다른 실시예에 따른, 인공지능 신경망 모델의 통합 운영 시스템은, 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키고, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 학습 및 검증 시스템; 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 인공지능 모델 저장소; 및 현재 동작 중인 인공지능 모델을 저장된 신규 버전의 인공지능 모델로 업데이트하는 모델 확인기;를 포함한다.
또한, 본 발명의 다른 실시예에 따른, 인공지능 신경망 모델의 통합 운영 방법은, 통합 운영 시스템이, 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키는 단계; 통합 운영 시스템이, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 단계; 통합 운영 시스템이, 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 단계; 및 통합 운영 시스템이, 현재 동작 중인 인공지능 모델을 저장된 신규 버전의 인공지능 모델로 업데이트하는 단계;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 인공지능 모델의 데이터 수집, 학습, 검증, 배포, 운영의 단계를 통합한 신경망 모델 시스템을 통하여 개별 기능을 위한 시스템이 아닌 전체 과정의 시스템을 제공하여 효과적인 운영 관리할 수 있다.
더불어, 데이터를 기반으로한 인공지능 모델 검증의 자동화를 통하여 가장 정확도가 높은 모델의 선별 및 배포 기능을 통한 쉬운 보급 및 확산이 가능하다.
또한, 개별적으로 학습, 검증하던 인공지능 모델의 중앙의 클라우드 기반의 관리를 통한 인공지능 모델에 대한 체계적으로 관리할 수 있다.
도 1은, 본 발명의 일 실시예에 따른 인공지능 신경망 모델의 통합 운영 시스템의 설명에 제공된 도면,
도 2는, 본 발명의 일 실시예에 따른 학습 데이터 확인기의 동작 특성 설명에 제공된 도면,
도 3은, 본 발명의 일 실시예에 따른 학습 및 검증 시스템의 동작 특성 설명에 제공된 도면,
도 4는, 본 발명의 일 실시예에 따른 모델 확인기의 동작 특성 설명에 제공된 도면, 그리고
도 5는, 본 발명의 일 실시예에 따른 인공지능 신경망 모델의 통합 운영 방법의 설명에 제공된 흐름도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은, 본 발명의 일 실시예에 따른 인공지능 신경망 모델의 통합 운영 시스템의 설명에 제공된 도면이다.
본 실시예에 따른 인공지능 신경망 모델의 통합 운영 시스템은, 인공지능 신경망을 지속적이며, 연속적으로 학습, 배포를 가능하게 하기 위해서 인공지능 모델의 입력 데이터를 주기적으로 반영하여 학습 데이터를 생성하고, 생성된 데이터를 기반으로 기존 모델을 포함한 다양한 모델을 학습시켜, 현재 배포 운영 중인 모델보다 좋은 성능이 검증되면 이를 배포하여, 운영 중인 인공지능 모델을 자동으로 갱신할 수 있다.
이를 위해, 인공지능 신경망 모델의 통합 운영 시스템은, 학습 데이터 확인기(110), 학습 및 검증 시스템(120), 인공지능 모델 저장소(130), 모델 확인기(140) 및 인공지능 단말(150)을 포함할 수 있다.
학습 데이터 확인기(110)는, 실제 환경에서 수집된 데이터가 학습 데이터로 유효한지 확인하기 위해 마련된다.
구체적으로, 학습 데이터 확인기(110)는, 실제 환경에서 수집된 데이터가 학습에 필요한 정도의 사이즈로 저장되었는지와 각 학습에 활용할 입력 데이터에 대한 정답이 존재하는 지를 확인하여, 학습 및 검증 시스템(120)으로 전달하게 된다.
즉, 학습 데이터 확인기(110)는, 학습을 위한 데이터 마련을 위해, 게속 입력되는 데이터의 일정량 이상의 정답을 주기적으로 체크하여, 이를 학습 및 검증 시스템(120)으로 전달하는 기능을 자동으로 이루어진다.
이때 입력 데이터에 대한 정답은 수동이나 자동으로 연동하여 툴을 기반으로 학습 데이터를 만들어 낼 수 있다.
구체적으로, 학습에 활용될 학습 데이터는, 분류(Clustering)을 통해 자동으로 데이터 라벨링이 수행되거나 또는 관리자를 통해 수동으로 데이터 라벨링이 수행될 수 있다.
학습 및 검증 시스템(120)은, 학습 데이터 확인기(110)로부터 수신되는 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키고, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증할 수 있다.
구체적으로, 학습 및 검증 시스템(120)은, 정답을 알고 있는 일정 분량의 학습 및 검증 데이터가 들어오면 이를 기존의 학습데이터와 자동으로 통합하여, 학습 및 검증 데이터로 분류하여 기존 모델의 재학습하거나, 다른 모델을 통하여 학습 및 검증을 수행하고 가장 정확도가 높은 모델을 선별하여 인공지능 모델 저장소(130)로 배포할 수 있다.
인공지능 모델 저장소(130)는, 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하기 위해 마련된다.
구체적으로, 인공지능 모델 저장소(130)는, 학습 및 검증 시스템(120)에서 검증된 인공지능 모델을 신규 버전으로 등록하고, 등록된 신규 버전의 인공지능 모델을 활용하는 인공지능 단말(150)에서 인공지능 모델에 대한 검색이 가능하도록, 클라우드 기반의 공유 기능을 제공할 수 있다.
모델 확인기(140)는, 인공지능 단말(150)에서 동작하는 인공지능 모델의 업데이트를 수행하기 위해 마련되며, 인공지능 단말(150)은, 인공지능 모델을 동작시킬 수 있다.
구체적으로, 모델 확인기(140)는, 신규 버전의 인공지능 모델이 인공지능 모델 저장소(130)에 등록되면, 인공지능 단말(150)에서 동작하는 인공지능 모델을 저장된 신규 버전의 인공지능 모델로 업데이트할 수 있다.
예를 들면, 모델 확인기(140)는, 주기적으로 인공지능 모델 저장소(130)에 갱신된 모델의 버전을 확인하고 갱신된 모델이 있으며, 현재 수행 중인 모델을 일시 중단하고 새로운 모델로 장치의 모델을 업데이트하고 다시 작업을 수행하여, 최신 인공지능 모델이 동작하는 것을 보장할 수 있다.
도 2는, 본 발명의 일 실시예에 따른 학습 데이터 확인기(110)의 동작 특성 설명에 제공된 도면이다.
도 2를 참조하면, 본 학습 데이터 확인기(110)는, 데이터가 입력되면(S210), 입력된 데이터가 학습 데이터의 입력 사이즈 규격에 적합한 것인지 여부를 판단하고(S220), 입력된 데이터가 학습 데이터의 입력 사이즈 규격에 적합하면(S220-Y), 정답이 존재하는지 여부를 판단할 수 있다(S230).
여기서 정답은, 수집된 데이터가 학습에 활용될 학습 데이터로 적용되는 경우 적용되는 데이터에 대한 정답을 의미하며, 학습 데이터는 데이터 라벨링을 통해 데이터에 대한 정답이 부가될 수 있다.
학습 데이터 확인기(110)는, 이전 모델의 데이터인 기존 학습 데이터가 존재하면(S250-Y), 정답이 존재하는 데이터(정답을 알고 있는 데이터)와 기존 학습 데이터를 통합하여(S260), 학습 및 검증 데이터를 분류하고(S270), 분류된 학습 데이터 및 검증 데이터를 학습 및 검증 시스템(120)에 전달하게 된다.
즉, 학습 데이터 확인기(110)는, 데이터의 입력 사이즈 규격에 적합한지 여부와 데이터 라벨링이 수행된 것인지 여부를 판단하여, 입력된 데이터의 유효성을 확인하고, 유효성이 확인된 데이터를 기존 학습 데이터와 통합하여, 학습 및 검증 시스템(120)에 전달하게 된다.
그리고 학습 데이터 확인기(110)는, 분류(Clustering)을 통해 자동으로 데이터 라벨링이 수행되거나 또는 관리자를 통해 수동으로 데이터 라벨링이 수행되도록 하여, 학습에 활용될 학습 데이터를 생성하는데, 이때, 자동 또는 수동으로 라벨링된 데이터를 활용하는 인공지능 모델의 학습 성과를 향상시키기 위해, 분류된 각각의 데이터 세트의 샘플 수를 조정하되, 샘플 수가 가장 많은 데이터 세트의 샘플 수를 기준 값으로 설정하고, 다른 데이터 세트의 샘플 수를 설정된 기준 값만큼 증가하도록 조정하여, 모든 데이터 세트의 샘플 수가 동일하게 만들 수 있다.
구체적으로 예를 들면, 학습 데이터 확인기(110)는, 분류된 데이터 세트의 샘플 수를 조정하는 과정에서, 5개로 분류된 데이터 세트의 샘플 수가, 각 10, 20, 30, 100, 10 이렇게 구성이 되었다면, 리샘플(Resample)을 통하여 데이터 수를 가장 큰 100을 기준으로 조정하여, 각 데이터 세트당 100, 100, 100, 100, 100 이렇게 구성되도록 샘플 수를 늘려 학습 및 검증 시스템(120)에 전달할 수 있다.
이를 통해, 모든 데이터 세트의 샘플 수가 동일하게 조정되어, 인공지능 모델의 학습 성과가 향상될 수 있다.
도 3은, 본 발명의 일 실시예에 따른 학습 및 검증 시스템(120)의 동작 특성 설명에 제공된 도면이다.
도 3을 참조하면, 학습 및 검증 시스템(120)은 신규로 들어온 학습 데이터를 기존에 학습데이터가 있다면 추가하여 다양한 모델에 적용하여 학습하고, 현재 동작 중인 모델 보다 성능이 좋은지를 검증하고 판별하는 역할을 한다.
구체적으로, 학습 및 검증 시스템(120)은, 정답을 알고 있는 일정 분량의 학습 및 검증 데이터가 들어오면, 이를 기존의 학습데이터와 자동으로 통합하여 학습 및 검증 데이터로 분류하고, 기존 모델의 재학습하거나, 다른 모델을 통하여 학습 및 검증을 수행하고 가장 정확도가 높은 모델을 선별하여 인공지능 모델 저장소(130)로 배포할 수 있다.
예를 들면, 학습 및 검증 시스템(120)은, 학습 데이터 확인기(110)로부터 수신되는 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키고(S310), 학습된 인공지능 모델 중 하나를 선택하여(S320), 선택된 인공지능 모델이 현재 동작 중인 인공지능 모델(이전 버전의 인공지능 모델)보다 성능이 우수한지 평가할 수 있다(S330).
그리고 학습 및 검증 시스템(120)은, 평가 결과, 선택된 인공지능 모델이 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 판단되면(S340-Y), 인공지능 모델 저장소(130)에 전달되어 등록될 수 있다(S350).
한편, 학습된 인공지능 모델들은, 학습 및 검증 시스템(120) 내에 마련되는 학습 모델 저장소에 저장될 수 있으며, 학습 모델 저장소에 저장된 인공지능 모델들은, 성능에 대한 검증이 수행되지 않은 인공지능 모델들로서, 성능이 검증되면, 인공지능 모델 저장소(130)에 저장될 수 있다.
도 4는, 본 발명의 일 실시예에 따른 모델 확인기(140)의 동작 특성 설명에 제공된 도면이다.
도 4를 참조하면, 모델 확인기(140)는, 신규 버전의 인공지능 모델이 인공지능 모델 저장소(130)에 등록되면, 인공지능 단말(150)에서 동작하는 인공지능 모델을 저장된 신규 버전의 인공지능 모델로 업데이트할 수 있다.
구체적으로, 모델 확인기(140)는, 주기적으로 최신의 인공지능 모델이 등록되었는지 확인하여(S410), 신규 버전의 인공지능 모델이 등록되면, 등록된 신규 버전의 인공지능 모델을 다운로드하고(S420), 신규 버전의 인공지능 모델의 다운로드가 완료되면, 인공지능 단말(150)에서 현재 동작하고 있는 인공지능 모델과 교체하고(S430), 인공지능 단말(150)이 재시작하도록 제어하여, 기존 인공지능 모델을 신규 버전의 인공지능 모델로 업데이트할 수 있다(S450).
이를 통해, 인공지능 모델의 데이터 수집, 학습, 검증, 배포, 운영의 단계를 통합한 신경망 모델 시스템을 통하여 개별 기능을 위한 시스템이 아닌 전체 과정의 시스템을 제공하여 효과적인 운영 관리할 수 있다. 더불어, 데이터를 기반으로 한 인공지능 모델 검증의 자동화를 통하여 가장 정확도가 높은 모델의 선별 및 배포 기능을 통한 쉬운 보급 및 확산이 가능하다.
도 5는, 본 발명의 일 실시예에 따른 인공지능 신경망 모델의 통합 운영 방법의 설명에 제공된 흐름도이다.
도 5를 참조하면, 본 실시예에 따른 인공지능 신경망 모델의 통합 운영 방법은, 도 1 내지 도 4를 참조하여 전술한 통합 운영 시스템을 이용하여, 실제 환경에서 수집된 데이터가 학습 데이터로 유효한지 확인하고(S510), 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시킬 수 있다(S520).
그리고 통합 운영 방법은 통합 운영 시스템을 이용하여, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하고(S530), 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장할 수 있다(S540).
또한, 통합 운영 방법은 통합 운영 시스템을 이용하여, 주기적으로 최신의 인공지능 모델이 등록되었는지 확인하여, 신규 버전의 인공지능 모델이 등록되면, 현재 동작 중인 인공지능 모델을 저장된 신규 버전의 인공지능 모델로 업데이트할 수 있다(S550).
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : 학습 데이터 확인기
120 : 학습 및 검증 시스템
130 : 인공지능 모델 저장소
140 : 모델 확인기
150 : 인공지능 단말

Claims (12)

  1. 실제 환경에서 수집된 데이터가 학습 데이터로 유효한지 확인하는 학습 데이터 확인기;
    학습 데이터 확인기로부터 수신되는 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키고, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 학습 및 검증 시스템; 및
    현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 인공지능 모델 저장소;를 포함하는 인공지능 신경망 모델의 통합 운영 시스템.
  2. 청구항 1에 있어서,
    학습 데이터 확인기는,
    수집된 데이터가 학습 데이터의 입력 사이즈 규격에 적합한 것인지 여부를 판단하고, 수집된 데이터가 학습에 활용될 학습 데이터로 적용되는 경우 적용되는 데이터에 대한 정답이 존재하는지 여부를 판단하여, 수집된 데이터가 학습 데이터로 유효한지 확인하는 것을 특징으로 하는 인공지능 신경망 모델의 통합 운영 시스템.
  3. 청구항 2에 있어서,
    학습에 활용될 학습 데이터는,
    분류(Clustering)을 통해 자동으로 데이터 라벨링이 수행되거나 또는 관리자를 통해 수동으로 데이터 라벨링이 수행되는 것을 특징으로 하는 인공지능 신경망 모델의 통합 운영 시스템.
  4. 청구항 3에 있어서,
    학습 데이터 확인기는,
    자동 또는 수동으로 라벨링된 데이터를 활용하는 인공지능 모델의 학습 성과를 향상시키기 위해, 분류된 각각의 데이터 세트의 샘플 수를 조정하되, 샘플 수가 가장 많은 데이터 세트의 샘플 수를 기준 값으로 설정하고, 모든 데이터 세트의 샘플 수가 동일하도록, 다른 데이터 세트의 샘플 수를 설정된 기준 값만큼 증가하도록 조정하는 것을 특징으로 하는 인공지능 신경망 모델의 통합 운영 시스템.
  5. 청구항 1에 있어서,
    인공지능 모델이 동작되는 인공지능 단말; 및
    인공지능 단말에서 동작하는 인공지능 모델의 업데이트를 수행하는 모델 확인기;를 더 포함하는 것을 특징으로 하는 인공지능 신경망 모델의 통합 운영 시스템.
  6. 청구항 5에 있어서,
    인공지능 모델 저장소는,
    학습 및 검증 시스템에서 검증된 인공지능 모델을 신규 버전으로 등록하고, 등록된 신규 버전의 인공지능 모델을 활용하는 인공지능 단말에서 인공지능 모델에 대한 검색이 가능하도록, 클라우드 기반의 공유 기능을 제공하는 것을 특징으로 하는 인공지능 신경망 모델의 통합 운영 시스템.
  7. 청구항 6에 있어서,
    모델 확인기는,
    주기적으로 최신의 인공지능 모델이 등록되었는지 확인하여, 신규 버전의 인공지능 모델이 등록되면, 기존 인공지능 모델을 신규 버전의 인공지능 모델로 업데이트하는 것을 특징으로 하는 인공지능 신경망 모델의 통합 운영 시스템.
  8. 청구항 7에 있어서,
    모델 확인기는,
    신규 버전의 인공지능 모델이 등록되면, 등록된 신규 버전의 인공지능 모델을 다운로드하고, 신규 버전의 인공지능 모델의 다운로드가 완료되면, 인공지능 단말에서 현재 동작하고 있는 인공지능 모델과 교체하고, 인공지능 단말이 재시작하도록 제어하여, 업데이트를 완료하는 것을 특징으로 하는 인공지능 신경망 모델의 통합 운영 시스템.
  9. 청구항 1에 있어서,
    학습 데이터 확인기는,
    유효성이 검증된 신규 학습 데이터와 기존 학습 데이터를 통합하여, 학습 및 검증 시스템에 전달하는 것을 특징으로 하는 인공지능 신경망 모델의 통합 운영 시스템.
  10. 통합 운영 시스템이, 실제 환경에서 수집된 데이터가 학습 데이터로 유효한지 확인하는 단계;
    통합 운영 시스템이, 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키는 단계;
    통합 운영 시스템이, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 단계; 및
    통합 운영 시스템이, 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 단계;를 포함하는 인공지능 신경망 모델의 통합 운영 방법.
  11. 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키고, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 학습 및 검증 시스템;
    현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 인공지능 모델 저장소; 및
    현재 동작 중인 인공지능 모델을 저장된 신규 버전의 인공지능 모델로 업데이트하는 모델 확인기;를 포함하는 인공지능 신경망 모델의 통합 운영 시스템.
  12. 통합 운영 시스템이, 신규 학습 데이터를 이용하여, 인공지능 모델을 학습시키는 단계;
    통합 운영 시스템이, 학습된 인공지능 모델 중 현재 동작 중인 인공지능 모델보다 성능이 우수한 인공지능 모델이 존재하는지 검증하는 단계;
    통합 운영 시스템이, 현재 동작 중인 인공지능 모델보다 성능이 우수한 것으로 검증된 인공지능 모델을 저장하는 단계; 및
    통합 운영 시스템이, 현재 동작 중인 인공지능 모델을 저장된 신규 버전의 인공지능 모델로 업데이트하는 단계;를 포함하는 인공지능 신경망 모델의 통합 운영 방법.
KR1020200147950A 2020-11-06 2020-11-06 연속적이고 지속적인 인공지능 신경망 모델의 통합 운영 시스템 KR20220061684A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200147950A KR20220061684A (ko) 2020-11-06 2020-11-06 연속적이고 지속적인 인공지능 신경망 모델의 통합 운영 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200147950A KR20220061684A (ko) 2020-11-06 2020-11-06 연속적이고 지속적인 인공지능 신경망 모델의 통합 운영 시스템

Publications (1)

Publication Number Publication Date
KR20220061684A true KR20220061684A (ko) 2022-05-13

Family

ID=81583405

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200147950A KR20220061684A (ko) 2020-11-06 2020-11-06 연속적이고 지속적인 인공지능 신경망 모델의 통합 운영 시스템

Country Status (1)

Country Link
KR (1) KR20220061684A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102518913B1 (ko) * 2022-12-14 2023-04-10 라온피플 주식회사 인공지능 모델의 성능 관리 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102518913B1 (ko) * 2022-12-14 2023-04-10 라온피플 주식회사 인공지능 모델의 성능 관리 장치 및 방법

Similar Documents

Publication Publication Date Title
CN109990790A (zh) 一种无人机路径规划方法及装置
CN111339675B (zh) 基于机器学习构建模拟环境的智能营销策略的训练方法
CN104424284A (zh) 信息处理方法和教育平台
JP2017211689A (ja) 分類モデル装置、分類モデル学習方法、および分類モデル学習プログラム
CN114861112B (zh) 基于数据存取和大数据分类的信息分发方法及系统
CN106485261A (zh) 一种图像识别的方法和装置
WO2020170593A1 (ja) 情報処理装置及び情報処理方法
CN111008263A (zh) 问答匹配模型的更新方法和装置
CN111753846A (zh) 一种基于rpa和ai的网站验证方法、装置、设备及存储介质
KR20220061684A (ko) 연속적이고 지속적인 인공지능 신경망 모델의 통합 운영 시스템
CN112035325A (zh) 文本机器人自动监控方法及装置
CN101142559B (zh) 对计算机控制的处理进行监视的方法与系统
CN113609393A (zh) 一种基于数据服务和数据管理的数字化平台
CN112949711A (zh) 面向软件定义卫星的神经网络模型可复用训练方法、装置
CN111833115A (zh) 一种操作识别方法、装置及存储介质和服务器
CN117435999A (zh) 一种风险评估方法、装置、设备以及介质
CN109413663B (zh) 一种信息处理方法和设备
CN115563069B (zh) 基于人工智能的数据共享处理方法、系统及云平台
CN111079175A (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN114347043B (zh) 一种机械手模型学习方法、装置、电子设备及存储介质
CN109558135A (zh) 基站软件集成发布管理方法及系统
CN114443970A (zh) 基于人工智能和大数据的数字化内容推送方法及ai系统
CN112016607B (zh) 一种基于深度学习的错因分析方法
EP4002222A1 (en) Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model
CN115269673A (zh) 应用人工智能的业务大数据处理方法及系统

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination