KR20220078830A - 시공간 컨텍스트 피드백 기반 동적 ai 모델 선택 방법 - Google Patents

시공간 컨텍스트 피드백 기반 동적 ai 모델 선택 방법 Download PDF

Info

Publication number
KR20220078830A
KR20220078830A KR1020200168000A KR20200168000A KR20220078830A KR 20220078830 A KR20220078830 A KR 20220078830A KR 1020200168000 A KR1020200168000 A KR 1020200168000A KR 20200168000 A KR20200168000 A KR 20200168000A KR 20220078830 A KR20220078830 A KR 20220078830A
Authority
KR
South Korea
Prior art keywords
model
models
dynamic
stored
context
Prior art date
Application number
KR1020200168000A
Other languages
English (en)
Other versions
KR102526261B1 (ko
Inventor
이석준
성낙명
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 KR1020200168000A priority Critical patent/KR102526261B1/ko
Publication of KR20220078830A publication Critical patent/KR20220078830A/ko
Application granted granted Critical
Publication of KR102526261B1 publication Critical patent/KR102526261B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Stored Programmes (AREA)

Abstract

현재 컨텍스트에 맞게 AI 모델을 동적으로 선택하는 방법이 제공된다. 본 발명의 실시예에 따른 동적 AI 모델 선택 방법은, 동적 AI 모델 선택 시스템이, 기저장된 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키는 단계; 동적 AI 모델 선택 시스템이, 학습된 복수의 AI 모델을 저장하는 단계; 및 동적 AI 모델 선택 시스템이, 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 단계;를 포함한다. 이에 의해, AI 모델을 현재 컨텍스트에 맞게 동적으로 선택함으로써, 범용 AI 모델에 비해 네트워크 레이어를 줄여 온디바이스 환경에서 대용량 데이터를 기반으로 AI를 수행하는데 기여할 수 있다.

Description

시공간 컨텍스트 피드백 기반 동적 AI 모델 선택 방법{Method for dynamic Artificial Intelligence model select based on space-time context}
본 발명은 동적 AI 모델 선택 방법에 관한 것으로, 더욱 상세하게는 온디바이스 환경에서 대용량 데이터를 기반으로 AI를 수행하기 위해, 현재 컨텍스트에 맞게 AI 모델을 동적으로 선택하는 방법에 관한 것이다.
일반적으로, AI(Artificial Intelligence)는 보통 여러 개의 AI 모델로 이루어져 있으며, AI 학습을 기반으로 구현된다.
이러한 AI는 사용자의 컨텍스트(맥락, 환경, 의도)를 고려하여, 다양한 서비스를 제공하고자 개발되고 있다.
그러나 대용량 데이터를 기반으로 AI를 수행하는 경우, 네트워크 상에서 데이터를 처리하는데 걸리는 시간이 상당하며, 범용적으로 구현된 AI 모델을 이용하여 서비스를 제공함에 따라 즉각적으로 현재 컨텍스트에 맞는 AI 분석의 성능을 확보하기 어렵다는 문제점이 존재한다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 범용 AI 모델에 비해 네트워크 레이어를 줄여 온디바이스 환경에서 대용량 데이터 기반 AI 수행하기 위해, AI 모델을 현재 컨텍스트에 맞게 동적으로 선택할 수 있는 동적 AI 모델 선택 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 동적 AI 모델 선택 방법은, 동적 AI 모델 선택 시스템이, 기저장된 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키는 단계; 동적 AI 모델 선택 시스템이, 학습된 복수의 AI 모델을 저장하는 단계; 및 동적 AI 모델 선택 시스템이, 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 단계;를 포함한다.
그리고 AI 모델을 학습시키는 단계는, 기저장된 컨텍스트 정보에 포함된 AI 모델이 지원하는 서비스의 종류별 또는 AI 모델의 탐지 목표별로 복수의 AI 모델을 학습시킬 수 있다.
또한, AI 모델을 학습시키는 단계는, 기저장된 컨텍스트 정보에 포함된 AI 모델이 수행되는 시간 조건, 공간 조건 및 기상 조건을 고려하여, 시간, 공간 또는 기상 조건별로 복수의 AI 모델을 학습시킬 수 있다.
그리고 복수의 AI 모델을 저장하는 단계는, 학습된 복수의 AI 모델의 연산 능력을 AI 모델별로 정리하여 리스트를 생성하여, 학습된 AI 모델과 별도로 저장할 수 있다.
또한, 복수의 AI 모델을 저장하는 단계는, AI 모델별로 정리된 연산 성능에 대한 리스트를 컨텍스트 정보별로 각각 생성할 수 있다.
그리고 복수의 AI 모델을 저장하는 단계는, 각각의 리스트 생성 시, 동일한 컨텍스트 정보를 기준으로 학습된 AI 모델들의 성능을 비교 평가하여 리스트를 생성할 수 있다.
또한, AI 모델을 선택하는 단계는, 저장된 복수의 AI 모델 중 하나가 선택되면, 선택된 AI 모델이 서버에 접속된 디바이스에 다운로드 되도록 할 수 있다.
그리고 AI 모델이 다운로드된 디바이스는, 다운로드된 AI 모델을 설치하여 실행하되, 기설정된 주기마다 AI 모델이 실행되는 하드웨어 및 소프트웨어에 대한 정보가 포함된 디바이스 정보를 서버에 전달하고, 이때, 서버는, 디바이스 정보가 수신되면, 수신된 디바이스 정보를 기반으로 가상의 디바이스 환경을 구현하여, 구현된 디바이스 환경에서 디바이스에 다운로드되어 실행되는 AI 모델의 성능을 검증할 수 있다.
또한, 서버는, 디바이스에 다운로드되어 실행되는 AI 모델의 성능 검증 시, 저장된 복수의 AI 모델 중 구현된 디바이스 환경에서 다운로드되어 실행되는 AI 모델보다 상대적으로 더 우수한 성능을 보장하는 AI 모델이 존재하는지 검증할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 동적 AI 모델 선택 시스템은, 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키고, 학습된 복수의 AI 모델을 저장하며, 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 서버; 및 서버에 의해 선택된 AI 모델을 다운로드하여 실행하는 디바이스;를 포함한다.
그리고 본 발명의 다른 실시예에 따른, 동적 AI 모델 선택 방법은, 동적 AI 모델 선택 시스템이, 기저장된 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키는 단계; 동적 AI 모델 선택 시스템이, 실시간 컨텍스트 데이터를 수집하는 단계; 동적 AI 모델 선택 시스템이, 수집된 실시간 컨텍스트에 따라 학습된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 단계;를 포함한다.
또한, 본 발명의 다른 실시예에 따른, 동적 AI 모델 선택 시스템은, 동적 AI 모델 선택 시스템이, 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키는 프로세서; 및 학습된 복수의 AI 모델을 저장하는 저장부;를 포함하고, 이때, 프로세서는, 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택할 수 있다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, AI 모델을 현재 컨텍스트에 맞게 동적으로 선택함으로써, 범용 AI 모델에 비해 네트워크 레이어를 줄여 온디바이스 환경에서 대용량 데이터를 기반으로 AI를 수행하는데 기여할 수 있다.
도 1은, 본 발명의 일 실시예에 따른 시공간 컨텍스트 피드백 기반 동적 AI 모델 선택 시스템의 설명에 제공된 도면,
도 2는, 본 발명의 일 실시예에 따른 시공간 컨텍스트 피드백 기반 동적 AI 모델 선택 시스템의 구성 설명에 제공된 도면,
도 3은, 본 발명의 일 실시예에 따른 서버의 구성 설명에 제공된 도면,
도 4는, 본 발명의 일 실시예에 따른 디바이스의 구성 설명에 제공된 도면, 그리고
도 5는, 본 발명의 일 실시예에 따른 시공간 컨텍스트 피드백 기반 동적 AI 모델 선택 방법의 설명에 제공된 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은, 본 발명의 일 실시예에 따른 시공간 컨텍스트 피드백 기반 동적 AI 모델 선택 시스템(이하에서는 '동적 AI 모델 선택 시스템'으로 총칭하기로 함)의 설명에 제공된 도면이고, 도 2는, 본 발명의 일 실시예에 따른 동적 AI 모델 선택 시스템의 구성 설명에 제공된 도면이다.
본 실시예에 따른 동적 AI 모델 선택 시스템은, 범용 AI 모델에 비해 네트워크 레이어를 줄여 온디바이스 환경에서 대용량 데이터 기반 AI 수행하기 위해, AI 모델을 현재 컨텍스트에 맞게 동적으로 선택할 수 있다.
이를 위해, 본 동적 AI 모델 선택 시스템은 서버(100) 및 디바이스(200)로 구성될 수 있다.
서버(100)는, 기저장된 다양한 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키고, 학습된 복수의 AI 모델을 저장하며, 실시간 컨텍스트를 수집하여, 수집된 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택할 수 있다.
여기서, 다양한 컨텍스트 정보는, 사용자의 맥락, 환경, 의도 등을 고려하여, 다양한 상황에서, AI의 탐지 목표, AI가 수행되는 공간 및 날씨, AI가 적용되는 서비스 등에 대한 정보가 수집되어 저장된 데이터를 의미한다.
구체적으로, 서버(100)는, 기저장된 컨텍스트 정보에 포함된 AI 모델이 지원하는 서비스의 종류별 또는 AI 모델의 탐지 목표별로 복수의 AI 모델을 학습시킬 수 있다.
다른 예를 들면, 서버(100)는, 기저장된 컨텍스트 정보에 포함된 AI 모델이 수행되는 시간 조건, 공간 조건 및 기상 조건을 고려하여, 시간, 공간 또는 기상 조건별로 복수의 AI 모델을 학습시킬 수 있다.
그리고 서버(100)는, 학습된 복수의 AI 모델의 연산 능력을 AI 모델별로 정리하여 리스트를 생성하여, 학습된 AI 모델과 별도로 저장할 수 있다.
즉, 서버(100)는, 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 경우, 별도로 저장된 리스트를 이용하여, 실시간 컨텍스트에 맞는 AI 모델를 선택할 수 있다.
이를 위해, 서버(100)는, AI 모델별로 정리된 연산 성능에 대한 리스트 생성 시, 컨텍스트 정보별로 각각 생성하여 저장할 수 있다.
그리고 서버(100)는, 각각의 리스트 생성 시, 동일한 컨텍스트 정보를 기준으로 학습된 AI 모델들의 성능을 비교 평가하여 리스트를 생성하게 된다.
디바이스(200)는, 서버(100)에 의해 선택된 AI 모델을 다운로드하여 실행할 수 있다.
구체적으로, 서버(100)에 의해, 저장된 복수의 AI 모델 중 하나가 선택되면, 선택된 AI 모델이 서버(100)에 접속된 디바이스(200)에 다운로드될 수 있다.
이때, AI 모델이 다운로드된 디바이스(200)는, 다운로드된 AI 모델을 설치하여 실행하되, 기설정된 주기마다 AI 모델이 실행되는 하드웨어 및 소프트웨어에 대한 정보가 포함된 디바이스 정보를 서버(100)에 전달하게 되고, 디바이스 정보가 수신된 서버(100)는, 수신된 디바이스 정보를 기반으로 가상의 디바이스 환경을 구현하여, 구현된 디바이스 환경에서 디바이스(200)에 다운로드되어 실행되는 AI 모델의 성능을 검증할 수 있다.
구체적으로, 서버(100)는, 디바이스(200)에 다운로드되어 실행되는 AI 모델의 성능 검증 시, 저장된 복수의 AI 모델 중 구현된 디바이스 환경에서 다운로드되어 실행되는 AI 모델보다 상대적으로 더 우수한 성능을 보장하는 AI 모델이 존재하는지 검증하여, 구현된 디바이스 환경에서 다운로드되어 실행되는 AI 모델보다 상대적으로 더 우수한 성능을 보장하는 AI 모델이 존재하는 경우, 디바이스(200)에 상대적으로 더 우수한 성능을 보장하는 AI 모델이 다운로드 되도록 하여, 디바이스(200)의 AI 모델을 상대적으로 더 우수한 성능을 보장하는 AI 모델로 업데이트할 수 있다.
도 3은, 본 발명의 일 실시예에 따른 서버(100)의 구성 설명에 제공된 도면이다.
도 3을 참조하면, 서버(100)는, 수집부(110), 제1 프로세서(120), 제1 저장부(130) 및 제1 통신부(140)를 포함할 수 있다.
수집부(110)는, 실시간 컨텍스트 기반 데이터를 수집하기 위해 마련된다.
구체적으로, 수집부(110)는, AI가 적용되는 서비스를 지원하기 위해, 분석하고자 하는 데이터 및 데이터 분석에 이용될 수 있는 AI가 수행되는 공간, 시간, 날씨(기상), 기타 환경, AI가 동작하는 디바이스 환경 등이 포함된 컨텍스트 데이터를 수집할 수 있다.
이를 위해, 수집부(110)는, 하나 이상의 센서가 구비될 수 있다.
제1 프로세서(120)는, 기저장된 다양한 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키고, 학습된 복수의 AI 모델을 저장하며, 실시간 컨텍스트를 수집하여, 수집된 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택할 수 있다.
구체적으로, 예를 들면, 제1 프로세서(120)는, 차로 위를 주행하는 차량에 대한 영상 데이터를 수집하는 경우, 차량별 신호위반, 속도위반 또는 버스전용차로 위반 여부를 판별할 수 있는 복수의 AI 모델을 학습시켜 저장하고, AI가 동작하고자 디바이스(200)가 드론인 경우, 드론의 이동 속도, 드론이 비행하는 시간, 드론이 비행하는 공간의 기상 환경 등을 고려하여, 저장된 AI 모델 중 가장 우수한 성능을 보장하는 AI 모델을 선택하여, 드론에 다운로드 되도록 할 수 있다.
또한, 제1 프로세서(120)는, 디바이스(200)로부터 디바이스 정보를 수신하면, 수신된 디바이스 정보를 기반으로 가상의 디바이스 환경을 구현하여, 구현된 디바이스 환경에서 디바이스(200)에 다운로드되어 실행되는 AI 모델의 성능을 검증할 수 있다.
제1 저장부(130)는, 제1 프로세서(120)가 동작함에 있어 필요한 프로그램 및 데이터를 저장하는 저장매체이다.
구체적으로, 제1 저장부(130)는, 복수의 AI 모델, 복수의 AI 모델을 학습시키기 위한 학습 데이터, AI 모델별, 컨텍스트 정보별로 정리된 연산 성능에 대한 리스트 등이 저장될 수 있다.
제1 통신부(140)는, 제1 프로세서(120)에 의해 선택된 AI 모델을 서버(100)에 접속된 디바이스(200)에 전달하고, 디바이스(200)로부터 디바이스 정보를 수신할 수 있다.
도 4는, 본 발명의 일 실시예에 따른 디바이스(200)의 구성 설명에 제공된 도면이다.
도 4를 참조하면, 디바이스(200)는, 제2 통신부(210), 제2 프로세서(220) 및 제2 저장부(230)를 포함할 수 있다.
제2 통신부(210)는, 서버(100)에 접속하기 위해, 제1 통신부(140)와 연결되는 통신 수단이다.
제2 프로세서(220)는, 다운로드된 AI 모델을 설치하여 실행할 수 있다.
또한, 제2 프로세서(220)는, 기설정된 주기마다 AI 모델이 실행되는 하드웨어 및 소프트웨어에 대한 정보가 포함된 디바이스 정보를 서버(100)에 전달하여, 서버(100)를 통해, 실행되는 AI 모델의 성능을 검증할 수 있다.
또한, 제2 프로세서(220)는, 디바이스(200)에 센서 등이 마련되어, 디바이스(200) 주변의 컨텍스트 데이터의 수집이 가능한 경우, 수집된 컨텍스트 데이터를 서버(100)에 전달하여, 서버(100)가 가상의 디바이스 환경을 구현하여, AI 모델의 성능을 검증하는 경우, 수집된 컨텍스트 데이터가 반영되도록 할 수 있다.
제2 저장부(230)는, 제2 프로세서(220)가 동작함에 있어 필요한 프로그램 및 데이터를 저장하는 저장매체이다.
도 5는, 본 발명의 일 실시예에 따른 시공간 컨텍스트 피드백 기반 동적 AI 모델 선택 방법의 설명에 제공된 도면이다.
도 5를 참조하면, 본 시공간 컨텍스트 피드백 기반 동적 AI 모델 선택 방법은, 도 1 내지 도 4를 참조하여 전술한 AI 모델 선택 시스템을 이용하여, 기저장된 다양한 컨텍스트 정보를 기반으로 성능이 서로 다른 복수의 AI 모델을 학습시키고(S510), 학습된 복수의 AI 모델을 저장할 수 있다(S520).
그리고 시공간 컨텍스트 피드백 기반 동적 AI 모델 선택 방법은, 실시간 컨텍스트를 수집하여(S530), 수집된 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택할 수 있다(S540).
구체적으로, 서버(100)를 통해, 성능이 서로 다른 복수의 AI 모델을 학습시키고, 학습된 복수의 AI 모델을 저장한 이후, 실시간 컨텍스트를 수집하여, 수집된 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택하게 되면, 선택된 AI 모델을 디바이스(200)가 다운로드하여, 설치하도록 함으로써, 디바이스(200)에서 AI 모델이 실행되도록 할 수 있다.
이를 통해, AI 모델을 현재 컨텍스트에 맞게 동적으로 선택함으로써, 범용 AI 모델에 비해 네트워크 레이어를 줄여 온디바이스 환경에서 대용량 데이터를 기반으로 AI를 수행하는데 기여할 수 있다.
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.
100 : 서버
110 : 수집부
120 : 제1 프로세서
130 : 제1 저장부
140 : 제1 통신부
200 : 디바이스
210 : 제2 통신부
220 : 제2 프로세서
230 : 제2 저장부

Claims (12)

  1. 동적 AI 모델 선택 시스템이, 기저장된 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키는 단계;
    동적 AI 모델 선택 시스템이, 학습된 복수의 AI 모델을 저장하는 단계; 및
    동적 AI 모델 선택 시스템이, 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 단계;를 포함하는 동적 AI 모델 선택 방법.
  2. 청구항 1에 있어서,
    AI 모델을 학습시키는 단계는,
    기저장된 컨텍스트 정보에 포함된 AI 모델이 지원하는 서비스의 종류별 또는 AI 모델의 탐지 목표별로 복수의 AI 모델을 학습시키는 것을 특징으로 하는 동적 AI 모델 선택 방법.
  3. 청구항 1에 있어서,
    AI 모델을 학습시키는 단계는,
    기저장된 컨텍스트 정보에 포함된 AI 모델이 수행되는 시간 조건, 공간 조건 및 기상 조건을 고려하여, 시간, 공간 또는 기상 조건별로 복수의 AI 모델을 학습시키는 것을 특징으로 하는 동적 AI 모델 선택 방법.
  4. 청구항 1에 있어서,
    복수의 AI 모델을 저장하는 단계는,
    학습된 복수의 AI 모델의 연산 능력을 AI 모델별로 정리하여 리스트를 생성하여, 학습된 AI 모델과 별도로 저장하는 것을 특징으로 하는 동적 AI 모델 선택 방법.
  5. 청구항 4에 있어서,
    복수의 AI 모델을 저장하는 단계는,
    AI 모델별로 정리된 연산 성능에 대한 리스트를 컨텍스트 정보별로 각각 생성하는 것을 특징으로 하는 동적 AI 모델 선택 방법.
  6. 청구항 5에 있어서,
    복수의 AI 모델을 저장하는 단계는,
    각각의 리스트 생성 시, 동일한 컨텍스트 정보를 기준으로 학습된 AI 모델들의 성능을 비교 평가하여 리스트를 생성하는 것을 특징으로 하는 동적 AI 모델 선택 방법.
  7. 청구항 1에 있어서,
    AI 모델을 선택하는 단계는,
    저장된 복수의 AI 모델 중 하나가 선택되면, 선택된 AI 모델이 서버에 접속된 디바이스에 다운로드 되도록 하는 것을 특징으로 하는 동적 AI 모델 선택 방법.
  8. 청구항 7에 있어서,
    AI 모델이 다운로드된 디바이스는,
    다운로드된 AI 모델을 설치하여 실행하되, 기설정된 주기마다 AI 모델이 실행되는 하드웨어 및 소프트웨어에 대한 정보가 포함된 디바이스 정보를 서버에 전달하고,
    서버는,
    디바이스 정보가 수신되면, 수신된 디바이스 정보를 기반으로 가상의 디바이스 환경을 구현하여, 구현된 디바이스 환경에서 디바이스에 다운로드되어 실행되는 AI 모델의 성능을 검증하는 것을 특징으로 하는 동적 AI 모델 선택 방법.
  9. 청구항 8에 있어서,
    서버는,
    디바이스에 다운로드되어 실행되는 AI 모델의 성능 검증 시, 저장된 복수의 AI 모델 중 구현된 디바이스 환경에서 다운로드되어 실행되는 AI 모델보다 상대적으로 더 우수한 성능을 보장하는 AI 모델이 존재하는지 검증하는 것을 특징으로 하는 동적 AI 모델 선택 방법.
  10. 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키고, 학습된 복수의 AI 모델을 저장하며, 실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 서버; 및
    서버에 의해 선택된 AI 모델을 다운로드하여 실행하는 디바이스;를 포함하는 동적 AI 모델 선택 시스템.
  11. 동적 AI 모델 선택 시스템이, 기저장된 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키는 단계;
    동적 AI 모델 선택 시스템이, 실시간 컨텍스트 데이터를 수집하는 단계;
    동적 AI 모델 선택 시스템이, 수집된 실시간 컨텍스트에 따라 학습된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 단계;를 포함하는 동적 AI 모델 선택 방법.
  12. 동적 AI 모델 선택 시스템이, 컨텍스트 정보를 이용하여 성능이 서로 다른 복수의 AI 모델을 학습시키는 프로세서; 및
    학습된 복수의 AI 모델을 저장하는 저장부;를 포함하고,
    프로세서는,
    실시간 컨텍스트에 따라 저장된 복수의 AI 모델 중 사용될 AI 모델을 선택하는 것을 특징으로 하는 동적 AI 모델 선택 시스템.
KR1020200168000A 2020-12-04 2020-12-04 시공간 컨텍스트 피드백 기반 동적 ai 모델 선택 방법 KR102526261B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200168000A KR102526261B1 (ko) 2020-12-04 2020-12-04 시공간 컨텍스트 피드백 기반 동적 ai 모델 선택 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200168000A KR102526261B1 (ko) 2020-12-04 2020-12-04 시공간 컨텍스트 피드백 기반 동적 ai 모델 선택 방법

Publications (2)

Publication Number Publication Date
KR20220078830A true KR20220078830A (ko) 2022-06-13
KR102526261B1 KR102526261B1 (ko) 2023-04-27

Family

ID=81984377

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200168000A KR102526261B1 (ko) 2020-12-04 2020-12-04 시공간 컨텍스트 피드백 기반 동적 ai 모델 선택 방법

Country Status (1)

Country Link
KR (1) KR102526261B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190141892A (ko) * 2018-06-15 2019-12-26 네이버랩스 주식회사 실 공간에서 관심지점 관련 정보를 자동으로 수집 및 업데이트하는 방법 및 시스템
KR20200002034A (ko) * 2017-08-11 2020-01-07 구글 엘엘씨 온-디바이스 기계 학습 플랫폼
KR20200010480A (ko) * 2017-08-11 2020-01-30 구글 엘엘씨 온-디바이스 기계 학습 플랫폼
KR20200054372A (ko) * 2018-11-06 2020-05-20 전자부품연구원 클라우드-엣지 시스템 및 이의 데이터 처리 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200002034A (ko) * 2017-08-11 2020-01-07 구글 엘엘씨 온-디바이스 기계 학습 플랫폼
KR20200010480A (ko) * 2017-08-11 2020-01-30 구글 엘엘씨 온-디바이스 기계 학습 플랫폼
KR20190141892A (ko) * 2018-06-15 2019-12-26 네이버랩스 주식회사 실 공간에서 관심지점 관련 정보를 자동으로 수집 및 업데이트하는 방법 및 시스템
KR20200054372A (ko) * 2018-11-06 2020-05-20 전자부품연구원 클라우드-엣지 시스템 및 이의 데이터 처리 방법

Also Published As

Publication number Publication date
KR102526261B1 (ko) 2023-04-27

Similar Documents

Publication Publication Date Title
CN111091200A (zh) 训练模型的更新方法、系统、智能体、服务器及存储介质
US10726335B2 (en) Generating compressed representation neural networks having high degree of accuracy
US5910903A (en) Method and apparatus for verifying, analyzing and optimizing a distributed simulation
CN105144118A (zh) 应用测试和分析
CN116702850A (zh) 用于映射工作负载的方法、系统、制品和装置
CN110209146A (zh) 自动驾驶车辆的测试方法、装置、设备及可读存储介质
CN112416323B (zh) 控制代码的生成方法、运行方法、装置、设备及存储介质
CN113069769B (zh) 云游戏界面显示方法、装置、电子设备以及存储介质
US20110097697A1 (en) Training system and method based on cognitive models
CN111108737A (zh) 在物联网环境中的边缘设备上提供软件应用
Zhu et al. Sim-real joint reinforcement transfer for 3d indoor navigation
Talagala et al. {ECO}: Harmonizing Edge and Cloud with {ML/DL} Orchestration
CN109800475A (zh) 自动驾驶数据处理方法、装置、设备和计算机存储介质
CN107463096B (zh) 一种具有云控制器编程功能的计算机控制实验系统
CN112215357A (zh) 模型优化方法、装置、设备和计算机可读存储介质
CN112766595B (zh) 一种指挥控制装置、方法、系统、计算机设备及介质
CN111291882A (zh) 一种模型转换的方法、装置、设备和计算机存储介质
CN114567560B (zh) 基于生成对抗模仿学习的边缘节点动态资源分配方法
JP7342948B2 (ja) 行動学習システム、行動学習方法及びプログラム
Mokhtarian et al. CPM Remote: A remote access to the CPM Lab
KR20220078830A (ko) 시공간 컨텍스트 피드백 기반 동적 ai 모델 선택 방법
EP4016295A1 (en) Managing a machine learning environment
JP6985230B2 (ja) 業務分析サーバ、業務分析方法、および業務分析プログラム
KR102529335B1 (ko) Ai 칩 연계 기반 온디바이스 ai 지원 방법
KR20180055629A (ko) 딥 러닝 기반 교육용 비디오 학습 및 평가 시스템

Legal Events

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