KR20220120052A - 데이터를 생성하는 전자 장치 및 그 동작 방법 - Google Patents

Abstract

데이터를 생성하는데 이용되는, 제1 샘플 데이터로부터, 제1 샘플 데이터의 특징을 나타내는, 복수 개의 제1 특징 값을 포함한 제1 특징 정보를 획득하고, 복수 개의 제1 특징 값 중 적어도 하나의 제1 특징 값을 랜덤하게 선택하고, 랜덤하게 선택된 적어도 하나의 제1 특징 값을 미리 설정된 값으로 변환하고, 변환된 적어도 하나의 제1 특징 값을 포함하는, 복수 개의 제1 특징 값에 기초하여, 복수 개의 제2 특징 값을 포함한 제2 특징 정보를, 생성 모델을 이용하여, 생성하고, 생성된 제2 특징 정보에 기초하여, 제2 샘플 데이터를 생성하는, 전자 장치가 데이터를 생성하는 방법이 개시된다.

Description

데이터를 생성하는 전자 장치 및 그 동작 방법 {Electronic device and operating method for generating a data}

본 개시는, 데이터를 생성하는 전자 장치 및 그 동작 방법에 관한 것이다.

인공지능 모델은, 여러 종류의 데이터를 인식하고, 그 결과를 출력할 수 있다. 예를 들면, 인공지능 모델은, 인공지능 모델에 입력된 음성 신호를 인식한 결과로서, 음성 신호와 대응되는 텍스트를 식별한 결과를 출력할 수 있다. 인공지능 모델은, 샘플 데이터와 정답 데이터의 쌍을 포함하는 학습 데이터에 기초하여, 학습될 수 있다. 예를 들면, 샘플 데이터(ex. 음성 신호(voice signal))에 기초하여, 인공지능 모델로부터 정답 데이터(ex. 텍스트)가 출력될 수 있도록, 인공지능 모델이 학습될 수 있다.

그러나, 학습 데이터는, 다양한 이유로 인해, 인공지능 모델을 학습시키기에 부족한 양의 데이터를 포함하거나, 편향된 특성을 가진 데이터들을 포함할 수 있다.

예를 들면, 사용자의 음성 신호는, 음성 신호에 포함된 개인 정보의 유출 우려로 인해 쉽게 수집되기 어려우므로, 학습 데이터는, 인공지능 모델을 학습시키기에 충분한 양의 음성 신호를, 샘플 데이터로서, 포함하지 않을 수 있다. 또한, 쉽게 수집되기 어려운 음성 신호의 특성으로 인해, 학습 데이터는, 편향된 특성을 가진 음성 신호들을, 샘플 데이터로서, 포함할 가능성이 있다.

그러나, 인공지능 모델의 성능은, 학습 데이터에 따라 크게 좌우될 수 있으므로, 보다 높은 성능을 가진 인공지능 모델을 획득하기 위한, 학습 데이터를 획득하고, 획득된 학습 데이터에 기초한, 인공지능 모델을 학습하는 방법을 제시하고자 한다.

본 개시가 해결하고자 하는 과제는 전술한 문제를 해결하기 위한 것으로서, 인공지능 모델을 학습하는데 이용될 수 있는, 데이터를 생성하는 전자 장치 및 그 동작 방법을 제공하기 위한 것이다.

또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 전자 장치가 데이터를 생성하는 방법에 있어서, 상기 인공지능 모델을 학습하는데 이용되는, 제1 샘플 데이터로부터, 상기 제1 샘플 데이터의 특징을 나타내는, 복수 개의 제1 특징 값을 포함한 제1 특징 정보를 획득하는 단계; 상기 복수 개의 제1 특징 값 중 적어도 하나의 제1 특징 값을 랜덤하게 선택하는 단계; 상기 랜덤하게 선택된 적어도 하나의 제1 특징 값을 미리 설정된 값으로 변환하는 단계; 상기 변환된 적어도 하나의 제1 특징 값을 포함하는, 상기 복수 개의 제1 특징 값에 기초하여, 복수 개의 제2 특징 값을 포함한 제2 특징 정보를, 생성 모델을 이용하여, 생성하는 단계; 및 상기 생성된 제2 특징 정보에 기초하여, 제2 샘플 데이터를 생성하는 단계를 포함하는, 방법을 제공할 수 있다.

또한, 본 개시의 제2 측면은, 인공지능 모델을 학습하는 전자 장치에 있어서, 상기 전자 장치는, 하나 이상의 명령어들(instructions)을 저장하는 메모리; 및 상기 메모리에 저장된 하나 이상의 명령어들을 실행하는 적어도 하나의 프로세서를 포함하며, 상기 적어도 하나의 프로세서는, 제1 샘플 데이터로부터, 상기 제1 샘플 데이터의 특징을 나타내는, 복수 개의 제1 특징 값을 포함한 제1 특징 정보를 획득하고, 상기 복수 개의 제1 특징 값 중 적어도 하나의 제1 특징 값을 랜덤하게 선택하고, 상기 랜덤하게 선택된 적어도 하나의 제1 특징 값을 미리 설정된 값으로 변환하고, 상기 변환된 적어도 하나의 제1 특징 값을 포함하는, 상기 복수 개의 제1 특징 값에 기초하여, 복수 개의 제2 특징 값을 포함한 제2 특징 정보를, 생성 모델을 이용하여, 생성하고, 상기 생성된 제2 특징 정보에 기초하여, 제2 샘플 데이터를 생성하는, 전자 장치를 제공할 수 있다.　

또한, 본 개시의 제3 측면은, 제1 측면의 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 제공할 수 있다.

일 실시 예에 의하면, 기존의 학습 데이터로부터 새롭게 생성된 학습 데이터에 기초하여, 보다 높은 성능을 가진 인공지능 모델이 획득될 수 있다.

도 1은 일 실시 예에 의한 인공지능 모델을 학습하는 전자 장치의 일 예를 나타낸 도면이다.
도 2는 일 실시 예에 의한 샘플 데이터의 특징 정보를 생성하는 일 예를 나타낸 도면이다.
도 3은 일 실시 예에 의한 새로운 샘플 데이터를 생성하는 일 예를 나타낸 도면이다.
도 4는 일 실시 예에 의한 전자 장치의 내부 구성을 설명하기 위한 블록도이다.
도 5은 일 실시 예에 의한 전자 장치의 내부 구성을 설명하기 위한 블록도이다.
도 6은 일 실시 예에 의한 데이터를 생성하는 방법을 나타낸 순서도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 일 실시 예에 의한 인공지능 모델을 학습하는 전자 장치(1000)의 일 예를 나타낸 도면이다.

도 1을 참조하면, 일 실시 예에 의한 전자 장치(1000)는 인공지능 모델을 포함하고, 학습 데이터에 기초하여, 인공지능 모델을 학습할 수 있다.

일 실시예에 따른 전자 장치(1000)는 인공지능 모델을 학습할 수 있는 다양한 형태의 장치일 수 있다. 예를 들어, 전자 장치(1000)는, 디지털 카메라, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 차량(vehicle) 등, 사용자에 의해 직접 이용되는 단말 장치일 수 있으나, 이에 한정되는 것은 아니다. 또한, 전자 장치(1000)는, 사용자가 이용하는 단말 장치에, 인공지능 모델을 이용하여, 여러가지 서비스를 제공할 수 있는 서버일 수도 있다.

일 실시 예에 의한 전자 장치(1000)는, 기존의 학습 데이터(110)로부터, 새로운 학습 데이터를 획득하고, 새로 획득된 학습 데이터에 기초하여, 인공지능 모델을 학습할 수 있다.

일 실시 예에 의한 학습 데이터(110)는, 학습 데이터가 이용되는 인공지능 모델에 따라서, 다양한 종류의 데이터를 포함할 수 있다. 예를 들어, 학습 데이터(110)가 음성 신호를 인식하기 위한 인공지능 모델을 학습하는데 이용되는 경우, 학습 데이터(110)는, 다양한 특성을 가진 음성 신호를, 샘플 데이터로서, 포함할 수 있다. 예를 들면, 학습 데이터(110)는, 음성의 높낮이(pitch), 음색(timbre), 억양(intonation), 음성을 발화하는 화자의 목소리 특징 등에 있어서, 다양한 특성을 가진 음성 신호를 포함할 수 있다.

일 실시 예에 의한 인공지능 모델은, 학습 데이터(110)에 포함된 음성 신호의 특성이 다양하게 분포되어 있고, 충분한 양의 음성 신호를 포함하는 만큼, 다양한 특성을 가진 음성 신호를 정확하게 인식할 수 있다. 그러나, 일 실시 예에 의한 학습 데이터(110)는, 다양한 이유로 인해, 인공지능 모델을 학습하기에 충분히 많은 양의 음성 신호를 포함하지 않을 수 있다. 또한, 학습 데이터(110)는, 편향된 특성의 음성 신호를 포함할 수 있다.

일 실시 예에 의한 전자 장치(1000)는 기존의 학습 데이터(110)에 포함된 데이터(ex. 음성 신호)로부터 생성된 새로운 데이터(ex. 음성 신호)에 기초하여, 새로운 학습 데이터를 획득할 수 있다. 일 실시 예에 의한 전자 장치(1000)는, 새로운 학습 데이터를 이용하여, 기존의 학습 데이터(110)의 문제점을 해소할 수 있다. 예를 들어, 학습 데이터(110)가 음성 신호를 인식하기 위한 인공지능 모델을 학습하는데 이용되는 경우, 전자 장치(1000)는 학습 데이터(110)에 포함된 음성 신호로부터 새로운 음성 신호를 생성하고, 새로운 음성 신호를 포함하는, 새로운 학습 데이터를 획득할 수 있다.

일 실시 예에 의한 새로운 음성 신호는, 기존의 학습 데이터(110)에 포함된 음성 신호 중 다른 특성에 비해 상대적으로 학습 데이터(110)에 적은 비율로 포함된 특성을 가진 음성 신호로부터, 획득될 수 있다. 예를 들어, 기존의 학습 데이터(110)가, 성인 어른의 음성 특징을 가지는 음성 신호를 다수 포함하고, 어린이 또는 노인의 음성 특징을 가지는 음성 신호를 상대적으로 적게 포함할 수 있다. 이때, 전자 장치(1000)는, 학습 데이터(110)에 포함된, 어린이 또는 노인의 음성 특징을 가지는 음성 신호에 기초하여, 어린이 또는 노인의 음성 특징을 가진 음성 신호를 포함하는 새로운 학습 데이터를 생성할 수 있다.

따라서, 일 실시 예에 의하면 새로운 학습 데이터에 의해, 편향된 특성을 가진 학습 데이터(110)의 문제점이 해소될 수 있다. 또한, 전자 장치(1000)는, 기존의 학습 데이터(110)에 더해, 새로운 학습 데이터에 기초하여, 인공지능 모델을 학습함으로써, 기존의 학습 데이터(110)에 적은 비율로 포함된 특성을 가지는 데이터에 대하여도, 인공지능 모델을 이용하여, 높은 정확도로 인식할 수 있다.

일 실시 예에 의한 샘플 데이터의 특징 정보 생성부(120)는, 기존의 학습 데이터(110)에 포함된 샘플 데이터 중 새로운 학습 데이터를 생성하는데 이용될 샘플 데이터를 획득하고, 획득된 샘플 데이터로부터, 새로운 학습 데이터에 포함될 샘플 데이터의 특징 정보를 생성할 수 있다. 일 실시 예에 의한 새로 생성되는 샘플 데이터의 특징 정보는, 상기 획득된 샘플 데이터의 특징 정보와 동일하지는 않으나, 유사한 값을 가지도록, 생성될 수 있다.

일 실시 예에 의하면, 기존의 학습 데이터(110)에 포함된 샘플 데이터 중, 다른 특성에 비해, 학습 데이터(110)에 상대적으로 적은 비율로 포함된 특성을 가진 샘플 데이터가, 새로 생성될 데이터의 특징 정보를 생성하는데, 이용될 수 있다. 따라서, 새로 생성된 학습 데이터에 의하면, 기존의 학습 데이터(110)가 편향된 특성을 가지는 문제점이 해소될 수 있다. 또한, 기존의 학습 데이터(110)로부터, 여러 특성을 가진 새로운 학습 데이터가 다수 생성될 수 있으므로, 새로 생성된 학습 데이터에 의하면, 학습 데이터(110)의 데이터 양이 부족한 문제점도 해소될 수 있다.

일 실시 예에 의한 샘플 데이터 생성부(130)는, 샘플 데이터의 특징 정보 생성부(120)에 의해 생성된 특징 정보로부터, 새로운 학습 데이터에 포함될 샘플 데이터를 생성할 수 있다. 일 실시 예에 의한 샘플 데이터는, 미리 결정된 정답 데이터에 기초하여, 새로 생성된 특징 정보에 포함된 특징을 가지도록, 생성될 수 있다.

예를 들어, 샘플 데이터가 음성 신호이고, 정답 데이터가, 음성 신호와 대응되는 텍스트인 경우, 새로 생성된 특징 정보에 포함된 특징을 가지면서, 정답 데이터의 텍스트와 대응되는 발음을 가지는 음성 신호가 샘플 데이터로 생성될 수 있다.

일 실시 예에 의한 정답 데이터는, 기존의 학습 데이터(110)에 포함된 정답 데이터에 기초하여, 학습 데이터로서, 보충이 필요한 정답 데이터인지에 따라, 결정될 수 있다. 예를 들어, 정답 데이터는, 기존의 학습 데이터(110)에 포함된, 동일 유사한 특징을 가진 샘플 데이터들에 대한 각 정답 데이터들의 개수에 기초하여 결정될 수 있다. 일 예로, 기존의 학습 데이터(110)에 포함된, 동일 유사한 특징을 가진 샘플 데이터들에 대한 정답 데이터 중에서, 다른 정답 데이터에 비해 개수가 적은 정답 데이터가 샘플 데이터 생성을 위한 정답 데이터로 결정될 수 있다. 또는, 기존의 학습 데이터(110)에 포함된 동일 유사한 특징을 가진 샘플 데이터들에 대한 정답 데이터들에 포함되어 있지 않은 정답 데이터가, 샘플 데이터 생성을 위한 정답 데이터로 결정될 수 있다. 상술한 예에 한하지 않고, 다양한 정보에 기초하여, 학습 데이터의 생성이 필요한 정답 데이터가 결정될 수 있다.

일 실시 예에 의한 인공지능 모델 학습부(140)는, 샘플 데이터 생성부(130)에 의해 생성된 샘플 데이터 및 샘플 데이터와 대응되는 정답 데이터로부터, 새로운 학습 데이터를 획득하고, 새로운 학습 데이터에 기초하여, 인공지능 모델을 학습할 수 있다.

일 실시 예에 의한 전자 장치(1000)가 사용자에 의해 이용되는 단말 장치인 경우, 전자 장치(1000)의 일부 동작은 서버(미도시)에 의해 수행될 수도 있다. 예를 들면, 전자 장치(1000)는, 전자 장치(1000)에서 수집된 학습 데이터(110)로부터 새로운 학습 데이터를 생성하고, 생성된 새로운 학습 데이터에 관한 정보를 서버로 전송할 수 있다. 이때, 전자 장치(1000)는, 새로운 학습 데이터에 포함될 수 있는 사용자의 민감한 정보와 외부에 유출되지 않도록, 새로운 학습 데이터를 암호화하거나 변형하여, 서버로 전송할 수 있다. 또한, 서버는, 전자 장치(1000) 대신, 새로운 학습 데이터에 관한 정보에 기초하여, 인공지능 모델을 학습하는 동작을 수행할 수 있다.

또한, 일 실시 예에 의한 전자 장치(1000)가 직접 인공지능 모델을 학습하는 동작을 수행할 수 있다. 예를 들면, 전자 장치(1000)는, 서버로부터 인공지능 모델을 수신하고, 수신된 인공지능 모델을, 전자 장치(1000)에서 수집된 학습 데이터(110) 및 일 실시 예에 따라 새롭게 생성된 학습 데이터에 기초하여 학습할 수 있다.

일 실시 예에 의한 전자 장치(1000)는, 사용자가 이용하는 단말 장치에, 인공지능 모델을 이용하여, 여러가지 서비스를 제공할 수 있는 서버(미도시)일 수도 있다. 일 실시 예에 의한 전자 장치(1000)가 서버인 경우, 전자 장치(1000)는 일 실시 예에 따라 새롭게 생성된 학습 데이터에 기초하여, 인공지능 모델을 학습할 수 있다. 또한, 전자 장치(1000)는, 학습된 인공지능 모델을 단말 장치에 제공하거나, 학습된 인공지능 모델에 기초한 여러가지 서비스를 단말 장치에 제공할 수 있다.

도 2는 일 실시 예에 의한 샘플 데이터의 특징 정보를 생성하는 일 예를 나타낸 도면이다.

도 2를 참조하면, 일 실시 예에 의한 샘플 데이터의 특징 정보를 생성하는, 샘플 데이터의 특징 정보 생성부(120)는, 학습 데이터(110)에 기초하여, 새로운 샘플 데이터의 특징 정보인, 제2 특징 정보를 생성할 수 있다. 일 실시 예에 의한 제2 특징 정보는, 샘플 데이터 생성부(130)로 전달되어, 제2 특징 정보와 대응되는, 새로운 샘플 데이터가 생성되는데 이용될 수 있다.

일 실시 예에 의한 샘플 데이터의 특징 정보 생성부(120)는, 특징 정보 추출부(210), 마스킹부(220) 및 제2 특징 정보 생성부(230)를 포함할 수 있다.

일 실시 예에 의한 특징 정보 추출부(210)는, 학습 데이터(110)에 포함된 샘플 데이터 중 새로운 학습 데이터를 생성하는데 이용될 제1 샘플 데이터를 획득하고, 획득된 제1 샘플 데이터로부터 제1 샘플 데이터의 복수 개의 제1 특징값들을 포함하는, 제1 특징 정보를 추출할 수 있다.

일 실시 예에 의한 샘플 데이터의 특징 정보는, 샘플 데이터의 특징을 나타내는 복수 개의 특징 값들을 포함할 수 있다. 예를 들면, 샘플 데이터가 음성 신호인 경우, 복수 개의 특징값들은, 음성 신호를 발화하는 화자의 목소리 특징 또는 성문(voice print)을 나타내는 특징 값들을 포함할 수 있다. 또한, 복수 개의 특징값들은, 음성 신호의 발화 스타일(ex. 높낮이, 음색, 억양 등)을 나타내는 특징값들은 포함할 수 있다.

일 실시 예에 의한 복수 개의 특징 값들은 다양한 방법에 따라 획득될 수 있으며, 예를 들면, 화자의 목소리 특징 또는 성문을 나타내는 특징값들은, 미리 학습된 DNN(Deep Neural Network)에 기초하여, 획득될 수 있다. 또한, 음성 신호의 발화 스타일(ex. 높낮이, 음색, 억양 등)을 나타내는 특징값들은, Glottal Autocorrelation, SWIPE, RAPT, SAC, 및 TEMPO 등의 여러 종류의 모듈에 의하여, 획득될 수 있다.

상술한 다양한 방법에 따라 획득된 특징값들은, 서로 이어붙여짐(concatenation)으로써, 복수 개의 특징값들을 포함하는, 샘플 데이터의 특징 정보가 획득될 수 있다. 예를 들어, 화자의 목소리 특징 또는 성문을 나타내는 특징값들이 X1, X2, X3 등을 포함하는 X-벡터의 형태로 획득되고, 발화 스타일을 나타내는 특징값들이 F_01, F_02, F_03 등을 포함하는 F_0 벡터의 형태로 획득된 경우, 샘플 데이터의 특징 정보는, X-벡터 및 F_0 벡터가 이어붙여진 FX 벡터인, {X1, X2, X3, F_01, F_02, F_3}를 포함할 수 있다. 상술한 예에 한하지 않고, 샘플 데이터의 특징 정보는, 다양한 형태로 표현될 수 있다.

일 실시 예에 의한 특징 정보 추출부(210)는, 제1 샘플 데이터의 복수 개의 제1 특징값들, 예를 들면, 제1 샘플 데이터로부터 획득된, FX 벡터에 포함된, 복수 개의 특징 값들(ex. X1, X2, F_01, F_02 등)을 포함한, 제1 특징 정보를 획득하고, 마스킹부(220)로 전달할 수 있다.

일 실시 예에 의한 마스킹부(220)는, 제1 특징 정보로부터, 마스킹된 제1 특징 정보를 획득할 수 있다. 일 실시 예에 의한 마스킹부(220)는, 제1 특징 정보에 포함된 복수 개의 특징 값들 중 적어도 하나의 특징 값을 미리 설정된 값(ex. 0)으로 변환하여, 마스킹된 제1 특징 정보를 획득할 수 있다. 예를 들어, 제1 특징 정보가, FX 벡터인, {X1, X2, X3, F_01, F_02, F_3}를 포함하는 경우, 마스킹된 제1 특징 정보는, 랜덤하게 선택된 적어도 하나의 특징값이 0으로 변환된, {X1, 0, X3, F_01, F_02, 0}를 포함할 수 있다. 일 실시 예에 의하면, 랜덤하게 선택되는 특징값의 개수 역시, 랜덤하게 결정될 수 있다.

일 실시 예에 의한 제2 특징 정보는, 제1 특징 정보에 포함된 일부 특징 값이 변환된, 마스킹된 제1 특징 정보에 기초하여, 획득됨에 따라서, 제1 특징 정보로부터 획득된 제2 특징 정보는, 제1 특징 정보에 포함된 특징값들과 동일하지는 않으나, 유사한 특징값들을 포함할 수 있다.

예를 들어, 학습 데이터(110)가, 성인 어른의 음성 특징을 가지는 음성 신호를 다수 포함하고, 어린이 또는 노인의 음성 특징을 가지는 음성 신호를 상대적으로 적게 포함하는 경우, 음성 신호의 양이 적은 만큼, 어린이 또는 노인의 음성 특징에 있어서의 학습 데이터의 다양성이 부족할 수 있다. 예를 들면, 어린이 또는 노인의 음성 신호들은, 한정된 범위 내에서, 다양한 특징값들을 포함할 수 있으나, 학습 데이터로 이용되는 음성 신호의 개수가 적으면, 그만큼 특징 값들의 다양성이 낮아지므로, 어린이 또는 노인의 음성 신호들에 대한 인공지능 모델의 정확도가 낮아질 수 있다.

따라서, 어린이 또는 노인의 음성 특징에 있어서의 학습 데이터의 다양성을 확보하고, 인공지능 모델의 정확도가 높아질 수 있도록, 어린이 또는 노인의 음성 특징과 유사한 범위에 속하는 음성 신호가 새로운 학습 데이터로서 보충됨이 바람직하다.

일 실시 예에 의한 전자 장치(1000)는, 기존의 학습 데이터(110)에 포함된 샘플 데이터의 특징 정보 대신, 마스킹된 특징 정보에 기초하여, 새로운 샘플 데이터의 특징 정보를 새롭게 생성함으로써, 기존의 샘플 데이터의 특성과 유사한 범위의 특성을 가진 새로운 샘플 데이터를 획득할 수 있다. 또한, 전자 장치(1000)는, 새로운 샘플 데이터에 기초하여, 학습 데이터(110)의 일부 특성을 가진 샘플 데이터(ex. 어린이 또는 노인 특성을 가진 음성 신호)에 있어서의 다양성을 확보할 수 있다.

일 실시 예에 의한 제2 특징 정보 생성부(230)는, 마스킹부(220)에 의해 생성된 마스킹된 제1 특징 정보 및 랜덤으로 생성되는 노이즈에 기초하여, 새로운 샘플 데이터에 대한, 제2 특징 정보를 새롭게 생성할 수 있다. 일 실시 예에 의한 생성 모델(231)은, 랜덤으로 생성되는 노이즈를 이용하여, 마스킹된 제1 특징 정보가 동일한 경우에도, 서로 다른 제2 특징 정보를 생성할 수 있다.

따라서, 동일한 제1 특징 정보에 기초하여, 랜덤으로 생성되는 노이즈 및, 랜덤으로 선택된 특징 값이 변환된, 마스킹된 제1 특징 정보에 의해, 생성되는 제2 특징 정보는, 매번 다른 특징 값들을 포함할 수 있다. 따라서, 동일한 제1 특징 정보로부터 서로 다른 제2 특징 정보가 다수 생성될 수 있으며, 서로 다른 제2 특징 정보의 개수만큼 새로운 학습 데이터가 생성될 수 있다.

일 실시 예에 의한 생성 모델(231) 및 분류 모델(232)은, 비지도 학습될 수 있는, GAN(Generative adversarial network)일 수 있다. 일 실시 예에 의한 비지도 학습은, 학습 데이터를 이용하여 학습되는 지도 학습과는 달리, 학습 데이터 없이, 분류 모델(232)에 의한 판별 결과에 따라서, 수행될 수 있다. 일 실시 예에 의하면, 생성 모델(231)은, 생성 모델(231)에 의해 생성된 데이터가, 분류 모델(232)에 의해 사실(real)로 판단될 수 있도록, 비지도 학습될 수 있다.

일 실시 예에 의한 생성 모델(231)은, 마스킹된 제1 특징 정보를 조건으로 하고, 노이즈에 기초하여, 랜덤하게 새로운 제2 특징 정보를 생성할 수 있다. 일 실시 예에 의한 생성 모델(231)은, 노이즈에 더해, 마스킹된 제1 특징 정보를 더 이용하여, 마스킹된 제1 특징 정보로 한정된 정보, 예를 들면, 마스킹된 제1 특징 정보와 유사하거나, 마스킹된 제1 특징 정보를 포함하는, 정보를 생성할 수 있다.

일 실시 예에 의한, 분류 모델(232)은, 실제 데이터인 제1 특징 정보 및 마스킹된 제1 특징 정보에 기초하여, 생성 모델(231)에 의해 생성된 제2 특징 정보가 실제 데이터(real)인지 거짓 데이터(fake), 즉, 가상으로 생성된 데이터인지 여부를 판단할 수 있다. 일 실시 예에 의한 분류 모델(232)은, 실제 데이터인 제1 특징 정보 및 마스킹된 제1 특징 정보를 분석하여, 제2 특징 정보가 실제 데이터에 해당되는 특징을 가지는지를 판단할 수 있다.

일 실시 예에 의하면, 생성 모델(231)에 의해 생성된 제2 특징 정보는, 실제 정보가 아닌 가상으로 생성된 거짓 정보이므로, 분류 모델(232)은, 거짓이라고 판단해야 한다. 그러나, 생성 모델(231)이 실제 정보와 구별이 어렵도록 제2 특징 정보를 생성하는 경우, 분류 모델(232)은, 제2 특징 정보를 실제 데이터로 판단할 수 있다.

일 실시 예에 의한 생성 모델(231)은, 자신에 의해 생성된 제2 특징 정보가 분류 모델(232)에 의하여 참(real)인 것으로 판단할 수 있도록, 분류 모델(232)의 판단 결과에 기초하여, 학습될 수 있다. 일 실시 예에 의하면, 랜덤하게 생성된 노이즈 및 랜덤하게 선택되어 변환된 특징 값을 포함한 제1 특징값들에 기초하여, 제2 특징 정보가 생성될 수 있으므로, 동일한 제1 특징 정보로부터, 서로 다른 값을 포함하는 제2 특징 정보가 반복하여 생성될 수 있다. 따라서, 생성 모델(231)은, 제2 특징 정보가 생성될 때마다, 분류 모델(232)에 의한 판단 결과에 기초한 학습이 거듭 수행됨에 따라서, 실제 정보에 가까운 제2 특징 정보를 생성할 수 있다.

일 실시 예에 의한 분류 모델(232)은, 실제 정보인 제1 특징 정보에 기초하여, 제2 특징 정보가 실제 정보인지 여부를 판단할 수 있다. 또한, 일 실시 예에 의하면, 분류 모델(232)은, 제2 특징 정보가, 마스킹된 제1 특징 정보의 특징값들 중 마스킹부(220)에 의해 변환되지 않은 특징 값들을 포함하여 생성될 수 있도록, 제2 특징 정보에 대한 분류를 수행할 수 있다. 예를 들면, 제2 특징 정보가 마스킹된 제1 특징 정보에 포함된 특징 값들과 동일 또는 유사한 값들을 많이 포함할수록, 분류 모델(232)은, 제2 특징 정보를 실제 정보로 판단할 가능성이 높아질 수 있다.

상술한 변환되지 않은 특징 값들은, 제2 특징 정보에 대한 한정(limitation)으로서, 생성 모델(231)에 입력되는 값이고, 제2 특징 정보는, 제1 특징 정보와 유사한 특징을 가짐이 바람직하므로, 상기 변환되지 않은 특징 값을 포함한 제2 특징 정보가 생성될 수 있도록, 분류 모델(232)의 판단이 수행될 수 있다.

도 3은 일 실시 예에 의한 새로운 샘플 데이터를 생성하는 일 예를 나타낸 도면이다.

도 3을 참조하면, 일 실시 예에 의한 샘플 데이터 생성부(130)는, 샘플 데이터의 특징 정보 생성부(120)에 의해 생성된 제2 특징 정보에 기초하여, 제2 특징 정보와 대응되는 샘플 데이터를 생성할 수 있다. 일 실시 예에 의한 샘플 데이터는, 제2 특징 정보와, 정답 데이터에 기초하여, 생성될 수 있다. 일 실시 예에 의하면, 기존의 학습 데이터(110)에 포함된 정답 데이터에 기초하여, 학습 데이터로서, 보충이 필요한 정답 데이터인지에 따라, 각각의 정답 데이터가 새로운 샘플 데이터의 생성에 이용될지 여부가 결정될 수 있으나, 이에 한하지 않고, 다양한 정보에 기초하여, 결정될 수 있다.

일 실시 예에 의한 샘플 데이터 생성부(130)는, 정답 데이터를 인코딩하는 인코더(310), 인코딩된 정답 데이터 및 제2 특징 정보를 합성하는 합성부(320), 및 합성된 값에 대응되는 샘플 데이터를 생성하는 디코더(330)를 포함할 수 있다.

일 실시 예에 의한 인코더(310)는, 정답 데이터가 텍스트인 경우, 정답 데이터와 대응되는 텍스트의 특징 정보를 생성할 수 있다. 예를 들면, 인코더(310)에 의해 생성된 정답 데이터의 특징 정보는, 텍스트의 특징 정보를 나타내는 복수 개의 특징 값들을 포함한 벡터로서, {p1, p2, p3, ?? pN}을 포함할 수 있다.

일 실시 예에 의한 합성부(320)는, 인코더(310)에 의해 생성된 정답 데이터의 특징 정보와 제2 특징 정보를 합성할 수 있다.

일 실시 예에 의한 제2 특징 정보는, 제1 특징 정보의 형태와 유사하게, 샘플 데이터의 특징 정보를 나타내는 복수 개의 특징 값들을 포함한 벡터로서, {b1, b2, b3, ?? bN}을 포함할 수 있다. 또한, 합성부(320)에 의해 텍스트의 특징 정보와 제2 특징 정보가 합성된 정보는, 각각의 특징값이 이어붙여진, {b1p1, b2p2, b3p3, ?? bNpN}을 포함할 수 있다. 상술한 예에 한하지 않고, 텍스트의 특징 정보와 제2 특징 정보는, 다양한 방법에 따라 합성될 수 있다.

일 실시 예에 의한 디코더(330)는, 합성부(320)에서 합성된 정보에 기초하여, 텍스트의 특징 정보와 제2 특징 정보에 대응되는 샘플 데이터를 생성할 수 있다. 일 실시 예에 의한 디코더(330)에 의해, 정답 데이터의 텍스트와 대응되면서, 제2 특징 정보에 포함된 특징값들에 의한 특성을 포함하는 음성 신호가 샘플 데이터로서 생성될 수 있다.

일 실시 예에 의한 전자 장치(1000)는, 샘플 데이터 생성부(130)에 의해 생성된 샘플 데이터 및 샘플 데이터 생성부(130)에서 샘플 데이터 생성에 이용된 정답 데이터에 기초하여, 새로운 학습 데이터를 생성할 수 있다. 일 실시 예에 의한 전자 장치(1000)는, 새로운 학습 데이터에 기초하여, 인공지능 모델을 학습함으로써, 성능이 더 향상된 인공지능 모델을 획득할 수 있다.

도 4는 일 실시 예에 의한 전자 장치(1000)의 내부 구성을 설명하기 위한 블록도이다.

도 5은 일 실시 예에 의한 전자 장치(1000)의 내부 구성을 설명하기 위한 블록도이다.

도 4를 참조하면, 전자 장치(1000)는, 프로세서(1300) 및 메모리(1700)를 포함할 수 있다. 그러나, 도 4에 도시된 구성 요소 모두가 전자 장치(1000)의 필수 구성 요소인 것은 아니다. 도 4에 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 도 4에 도시된 구성 요소보다 적은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있다.

예를 들면, 전자 장치(1000)는 도 4에 도시된 바와 같이, 일 실시예에 따른 전자 장치(1000)는, 프로세서(1300) 및 메모리(1700) 이외에 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500) 및 A/V 입력부(1600)를 더 포함할 수도 있다.

사용자 입력부(1100)는, 사용자가 전자 장치(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.

일 실시 예에 의하면, 사용자 입력부(1100)는, 인공지능 모델을 학습하기 위한 사용자 입력을 수신할 수 있다. 예를 들면, 사용자 입력부(1100)는, 인공지능 모델을 학습하는데 이용되는 학습 데이터를 수집하기 위한 사용자 입력을 수신하고, 사용자 입력에 따라, 전자 장치(1000)는, 사용자와 관련된 정보를 포함하는 학습 데이터(ex. 음성 신호)를 수집할 수 있다. 또한, 사용자 입력부(1100)는 일 실시 예에 따라 학습된 인공지능 모델에 의한 동작을 수행하기 위한 사용자 입력을 수신할 수 있다.

출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.

디스플레이부(1210)는 전자 장치(1000)에서 처리되는 정보를 표시 출력한다. 일 실시 예에 의하면, 디스플레이부(1210)는 인공지능 모델에 따라 동작이 수행된 결과를 표시할 수 있다.

한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 전자 장치(1000)의 구현 형태에 따라 전자 장치(1000)는 디스플레이부(1210)를 2개 이상 포함할 수도 있다.

음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다.

진동 모터(1230)는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다. 일 실시 예에 의한, 음향 출력부(1220) 및 진동 모터(1230)는 인공지능 모델에 따라 동작이 수행된 결과를 표시할 수 있다.

프로세서(1300)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다.

전자 장치(1000)는 적어도 하나의 프로세서(1300)를 포함할 수 있다. 예를 들면, 전자 장치(1000)는 CPU(Central Processing Unit), GPU(Graphics Processing Unit), NPU(Neural Processing Unit) 등의 다양한 종류의 프로세서를 포함할 수 있다.

프로세서(1300)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(1700)로부터 프로세서(1300)에 제공되거나, 통신부(1500)를 통해 수신되어 프로세서(1300)로 제공될 수 있다. 예를 들면 프로세서(1300)는 메모리와 같은 기록 장치에 저장된 프로그램 코드에 따라 명령을 실행하도록 구성될 수 있다.

일 실시 예에 의한 프로세서(1300)는 제1 샘플 데이터로부터, 제1 샘플 데이터의 특징을 나타내는, 복수 개의 제1 특징 값을 포함한, 제1 특징 정보를 획득하고, 복수 개의 제1 특징 값 중 적어도 하나의 제1 특징 값을 랜덤하게 선택할 수 있다. 또한, 프로세서(1300)는, 랜덤하게 선택된 적어도 하나의 제1 특징 값을 미리 설정된 값으로 변환하고, 변환된 값을 포함하는, 복수 개의 제1 특징 값에 기초하여, 복수 개의 제2 특징 값을 포함한 제2 특징 정보를 생성 모델을 이용하여, 생성할 수 있다. 또한, 프로세서(1300)는, 제2 특징 정보에 기초하여, 제2 샘플 데이터를 생성할 수 있다.

일 실시 예에 의한 프로세서(1300)는, 제1 샘플 데이터 및 제2 샘플 데이터를 이용하여, 인공지능 모델을 학습할 수 있다. 일 실시 예에 의한 제1 샘플 데이터 및 제2 샘플 데이터는, 인공지능 모델을 학습하는데 한하지 않고, 다양한 동작을 수행하는데 이용될 수 있다.

센싱부(1400)는, 전자 장치(1000)의 상태 또는 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다.

센싱부(1400)는, 지자기 센서(Geomagnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.

일 실시 예에 의한 센싱부(1400)에 의해 감지된 다양한 센서 정보는, 인공지능 모델을 학습하는데 이용될 수 있는 학습 데이터로서 이용될 수 있다.

통신부(1500)는, 전자 장치(1000)가 서버(2000) 또는 외부 장치(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.

근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.

일 실시 예에 의한, 통신부(1500)는 외부 장치와 적어도 하나의 메시지를 송수신할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)의 일부 동작이 외부의 서버에 의해 수행되는 경우, 통신부(1500)는, 일 실시 예에 의한 인공지능 모델의 학습을 수행하는데 필요한 데이터를 서버와 송수신할 수 있다. 예를 들면, 통신부(1500)는, 전자 장치(1000)에서 수집된 학습 데이터 또는, 학습 데이터로부터 생성된 새로운 학습 데이터를 서버로 전송할 수 있다.

또한, 통신부(1500)는, 전자 장치(1000)에서 학습된 인공지능 모델을 다른 외부 장치로 전송하거나, 인공지능 모델에 의해 동작이 수행된 결과에 기초하여, 다른 외부 장치에 서비스를 제공하기 위한 데이터를 전송할 수 있다.

A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다. 마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다.

일 실시 예에 의한 A/V 입력부(1600)에 의해 획득된 음성 데이터 또는 영상 데이터는, 인공지능 모델의 학습을 위한 학습 데이터가 생성되는데 이용될 수 있다.

메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다.

일 실시 예에 의한 메모리(1700)는 인공지능 모델 및 인공지능 모델의 학습을 위한 학습 데이터를 저장할 수 있다. 또한, 메모리(1700)는, 학습 데이터로부터 새로운 학습 데이터를 생성하는데 필요한 다양한 데이터를 더 저장할 수 있다.

메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.

UI 모듈(1710)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.

사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.

알림 모듈(1730)은 전자 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다.

도 6은 일 실시 예에 의한 데이터를 생성하는 방법을 나타낸 순서도이다.

도 6을 참조하면, 단계 610에서, 일 실시 예에 의한 전자 장치(1000)는, 복수 개의 제1 특징 값을 포함한, 제1 샘플 데이터의 제1 특징 정보를 획득할 수 있다. 일 실시 예에 의한 제1 샘플 데이터의 제1 특징 정보는, 제1 샘플 데이터의 특징을 나타내는 복수 개의 특징값들을 포함할 수 있다.

예를 들어, 제1 샘플 데이터가 음성 신호인 경우, 제1 특징 정보는, 음성 신호의 발화 스타일을 나타내는 정보 및 음성 신호를 발화하는 화자의 성문을 나타내는 정보 중 적어도 하나를 포함할 수 있다. 상술한 예에 한하지 않고, 제1 특징 정보는, 샘플 데이터의 특징을 나타내는 다양한 형태의 특징값들을 포함할 수 있다.

단계 620에서, 일 실시 예에 의한 전자 장치(1000)는, 복수 개의 제1 특징 값 중 적어도 하나의 제1 특징 값을 랜덤하게 선택할 수 있다. 또한, 단계 630에서, 랜덤하게 선택된 제1 특징 값을 미리 설정된 값, 예를 들면, 0으로 변환할 수 있다.

따라서, 일 실시 예에 의한, 제2 샘플 데이터의 제2 특징 정보는, 제1 특징 정보로부터 매번 랜덤하게 생성된 서로 다른 값에 기초하여, 생성될 수 있으므로, 동일한 제1 특징 정보로부터 생성된 제2 특징 정보여도, 각각의 제2 특징 정보들은 서로 다른 특징 값들을 포함할 수 있다. 따라서, 하나의 제1 특징 정보로부터 서로 다른 제2 특징 정보들이 생성될 수 있다.

단계 640에서, 일 실시 예에 의한 전자 장치(1000)는, 단계 630에서 변환된 제1 특징 값을 포함하는, 복수 개의 제1 특징 값에 기초하여, 복수 개의 제2 특징 값을 포함한, 제2 특징 정보를 생성 모델을 이용하여 생성할 수 있다. 일 실시 예에 의한 생성 모델은, 비지도 학습에 따라서, 분류 모델에 따라 스스로 학습할 수 있는 모델일 수 있다.

일 실시 예에 의한 생성 모델은, 생성 모델에 의해 생성된 특징 정보를 분류 모델이 실제 수집된 학습 데이터의 특징 정보로 판단할 수 있도록, 분류 모델의 판단 결과에 기초하여, 학습될 수 있다. 따라서, 생성 모델은, 실제 수집된 학습 데이터의 특징 정보와 동일하지는 않으나, 실제 수집된 학습 데이터로 판단될 수 있는, 특징 정보를 생성할 수 있다.

단계 650에서, 일 실시 예에 의한 전자 장치(1000)는, 단계 640에서, 생성된 제2 특징 정보에 기초하여, 제2 샘플 데이터를 생성할 수 있다. 일 실시 예에 의한 전자 장치(1000)는, 제2 샘플 데이터를 생성하기 위하여 결정된 정답 데이터와, 제2 특징 정보에 기초하여, 제2 샘플 데이터를 생성할 수 있다. 일 실시 예에 의한 정답 데이터는, 학습 데이터로서 보충이 필요한 정답 데이터인지에 따라 결정될 수 있으나, 이에 한하지 않고, 다양한 방법에 따라서, 미리 결정될 수 있다.

일 실시 예에 의한 전자 장치(1000)는, 제1 샘플 데이터 및 제2 샘플 데이터를 이용하여 인공지능 모델을 학습할 수 있다. 예를 들면, 전자 장치(1000)는, 단계 650에서 생성된 제2 샘플 데이터에 기초하여, 새로운 학습 데이터를 생성할 수 있고, 제1 샘플 데이터를 포함한, 기존의 학습 데이터에 더해, 새로운 학습 데이터를 더 이용하여, 인공지능 모델을 학습할 수 있다. 일 실시 예에 의한 새로운 학습 데이터는, 제2 샘플 데이터와 단계 650에서, 제2 샘플 데이터를 생성하는데 이용된 정답 데이터를 포함하여, 생성될 수 있다.

일 실시 예에 의한 제1 샘플 데이터 및 제2 샘플 데이터는, 인공지능 모델을 학습하는데 한하지 않고, 다양한 동작을 수행하는데 이용될 수 있다.

일 실시 예에 의하면, 기존의 학습 데이터로부터 새롭게 생성된 학습 데이터에 기초하여, 보다 높은 성능을 가진 인공지능 모델이 획득될 수 있다.

기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.

일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

1. 전자 장치가 데이터를 생성하는 방법에 있어서,
   제1 샘플 데이터로부터, 상기 제1 샘플 데이터의 특징을 나타내는, 복수 개의 제1 특징 값을 포함한 제1 특징 정보를 획득하는 단계;
   상기 복수 개의 제1 특징 값 중 적어도 하나의 제1 특징 값을 랜덤하게 선택하는 단계;
   상기 랜덤하게 선택된 적어도 하나의 제1 특징 값을 미리 설정된 값으로 변환하는 단계;
   상기 변환된 적어도 하나의 제1 특징 값을 포함하는, 상기 복수 개의 제1 특징 값에 기초하여, 복수 개의 제2 특징 값을 포함한 제2 특징 정보를, 생성 모델을 이용하여, 생성하는 단계; 및
   상기 생성된 제2 특징 정보에 기초하여, 제2 샘플 데이터를 생성하는 단계를 포함하는, 방법.
2. 제1항에 있어서,
   상기 제1 샘플 데이터 및 상기 제2 샘플 데이터에 기초하여, 상기 인공지능 모델을 학습하는 단계를 더 포함하는, 방법.
3. 제1항에 있어서, 상기 생성 모델은,
   상기 변환된 적어도 하나의 제1 특징 값을 포함하는, 상기 복수 개의 제1 특징 값 및 랜덤하게 생성된 노이즈에 기초하여, 상기 제2 특징 정보를 생성하도록, 미리 학습된 인공지능 모델인, 방법.
4. 제1항에 있어서, 상기 랜덤하게 선택되는 적어도 하나의 제1 특징 값의 개수는 랜덤하게 결정되는, 방법.
5. 제1항에 있어서, 상기 생성 모델은,
   상기 생성 모델에 의해 생성된, 상기 제2 특징 정보가 분류 모델에 의해 실제 정보인 것으로 판단될 수 있도록, 학습되고,
   상기 분류 모델은,
   상기 변환된 적어도 하나의 제1 특징 값을 포함하는 상기 복수 개의 제1 특징 값 및 상기 제1 특징 정보에 기초하여, 상기 제2 특징 정보가 실제(real) 정보인지 또는 가상으로 생성된 거짓(fake) 정보인지 여부를 판단하는 인공지능 모델인, 방법.
6. 제5항에 있어서,
   상기 제2 특징 정보가, 상기 복수 개의 제1 특징 값 중 상기 변환되지 않은 특징 값과 동일 또는 유사한 값들을 많이 포함할수록, 상기 분류 모델이, 상기 제2 특징 정보를 실제 정보로 판단할 가능성이 높은, 방법.
7. 제1항에 있어서, 상기 제2 샘플 데이터는
   상기 제2 특징 정보 및 상기 제2 샘플 데이터에 대해 미리 결정된 정답 데이터에 기초하여, 생성되고,
   상기 정답 데이터는, 상기 인공지능 모델의 학습에 이용되는 학습 데이터에 포함된, 동일 유사한 특징을 가진 샘플 데이터들에 대한 각 정답 데이터들의 개수에 기초하여, 결정되는, 방법.
8. 데이터를 생성하는 전자 장치에 있어서, 상기 전자 장치는,
   하나 이상의 명령어들(instructions)을 저장하는 메모리; 및
   상기 메모리에 저장된 하나 이상의 명령어들을 실행하는 적어도 하나의 프로세서를 포함하며,
   상기 적어도 하나의 프로세서는,
   제1 샘플 데이터로부터, 상기 제1 샘플 데이터의 특징을 나타내는, 복수 개의 제1 특징 값을 포함한 제1 특징 정보를 획득하고,
   상기 복수 개의 제1 특징 값 중 적어도 하나의 제1 특징 값을 랜덤하게 선택하고,
   상기 랜덤하게 선택된 적어도 하나의 제1 특징 값을 미리 설정된 값으로 변환하고,
   상기 변환된 적어도 하나의 제1 특징 값을 포함하는, 상기 복수 개의 제1 특징 값에 기초하여, 복수 개의 제2 특징 값을 포함한 제2 특징 정보를, 생성 모델을 이용하여, 생성하고,
   상기 생성된 제2 특징 정보에 기초하여, 제2 샘플 데이터를 생성하는, 전자 장치.
9. 제8항에 있어서,
   상기 적어도 하나의 프로세서는, 상기 제1 샘플 데이터 및 상기 제2 샘플 데이터에 기초하여, 상기 인공지능 모델을 학습하는, 전자 장치.
10. 제8항에 기초하여, 상기 생성 모델은,
    상기 변환된 적어도 하나의 제1 특징 값을 포함하는, 상기 복수 개의 제1 특징 값 및 랜덤하게 생성된 노이즈에 기초하여, 상기 제2 특징 정보를 생성하도록, 미리 학습된 인공지능 모델인, 전자 장치.
11. 제8항에 있어서, 상기 랜덤하게 선택되는 적어도 하나의 제1 특징 값의 개수는 랜덤하게 결정되는, 전자 장치.
12. 제8항에 있어서, 상기 생성 모델은,
    상기 생성 모델에 의해 생성된, 상기 제2 특징 정보가 분류 모델에 의해 실제 정보인 것으로 판단될 수 있도록, 상기 분류 모델의 판단 결과에 기초하여, 학습되고,
    상기 분류 모델은,
    상기 변환된 적어도 하나의 제1 특징 값을 포함하는 상기 복수 개의 제1 특징 값 및 상기 제1 특징 정보에 기초하여, 상기 제2 특징 정보가 실제 정보인지 또는 가상으로 생성된 거짓 정보인지 여부를 판단하는 인공지능 모델인, 전자 장치.
13. 제12항에 있어서,
    상기 제2 특징 정보가, 상기 복수 개의 제1 특징 값 중 상기 변환되지 않은 특징 값과 동일 또는 유사한 값들을 많이 포함할수록, 상기 분류 모델이, 상기 제2 특징 정보를 실제 정보인 것으로 판단할 가능성이 높은, 전자 장치.
14. 제8항에 있어서, 상기 제2 샘플 데이터는
    상기 제2 특징 정보 및 상기 제2 샘플 데이터에 대해 미리 결정된 정답 데이터에 기초하여, 생성되고,
    상기 정답 데이터는, 상기 인공지능 모델의 학습에 이용되는 학습 데이터에 포함된, 동일 유사한 특징을 가진 샘플 데이터들에 대한 각 정답 데이터들의 개수에 기초하여, 결정되는, 전자 장치.
15. 제1항 내지 제7항 중 어느 한 항의 방법을 컴퓨터에서 수행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체.

Images