KR20220144346A - 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 - Google Patents
컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 Download PDFInfo
- Publication number
- KR20220144346A KR20220144346A KR1020220130012A KR20220130012A KR20220144346A KR 20220144346 A KR20220144346 A KR 20220144346A KR 1020220130012 A KR1020220130012 A KR 1020220130012A KR 20220130012 A KR20220130012 A KR 20220130012A KR 20220144346 A KR20220144346 A KR 20220144346A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- electronic device
- event
- person
- artificial intelligence
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 141
- 238000004891 communication Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims 3
- 230000006855 networking Effects 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 18
- 239000003795 chemical substances by application Substances 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
- H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
- G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
- H04M1/7243—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages
- H04M1/72436—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages for text messaging, e.g. short messaging services [SMS] or e-mails
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
- H04M1/72457—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to geographic location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
- H04M1/7243—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
- H04M1/72463—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions to restrict the functionality of the device
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
- H04M2201/34—Microprocessors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- User Interface Of Digital Computer (AREA)
- Telephone Function (AREA)
Abstract
본 개시에서는 전자 장치 및 이의 제어 방법이 제공된다. 본 개시의 전자 장치의 제어 방법은, 정보를 제공하기 위한 이벤트가 감지되면, 전자 장치 주변의 컨텍스트를 감지하기 위한 데이터를 획득하고, 획득된 데이터를 인공지능 알고리즘에 의해 학습된 제1 모델에 입력하여 전자 장치가 존재하는 공간에 위치하는 사람에 대한 정보를 획득하며, 획득된 사람에 대한 정보 및 이벤트에 대한 정보를 인공지능 알고리즘에 의해 학습된 제2 모델에 입력하여 이벤트에 대응되는 출력 정보를 획득하고, 획득된 출력 정보를 제공할 수 있다. 특히, 컨텍스트에 따라 이벤트에 대한 출력 정보를 획득하는 방법의 적어도 일부는 기계학습, 신경망 또는 딥러닝 라고리즘 중 적어도 하나에 따라 학습된 인공지능 모델을 이용할 수 있다.
Description
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 더욱 상세하게는 컨텍스트에 따라 이벤트의 출력 정보를 제공할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.
또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 근래의 전자 장치는 사용자에게 정보를 제공하기 위한 다양한 이벤트를 감지할 수 있다. 특히, 알람 이벤트가 수신된 경우, 전자 장치는 전자 장치의 컨텍스트와 상관없이 알람 이벤트를 출력하였다. 예를 들어, 전자 장치에 알람 이벤트가 수신된 경우, 전자 장치는 전자 장치 주변에 다른 사용자가 존재하는지 여부, 현재 위치가 어디인지 여부 등과 상관없이 알람 이벤트에 대한 정보를 출력하였다. 즉, 사용자가 원하지 않는 경우에도 알람 이벤트의 내용이 타인에게 공유되어 사용자의 프라이버시가 보호되지 못하는 문제점이 존재하였다.
본 개시는 상술한 문제점을 해결하기 위해 안출된 것으로, 본 개시의 목적은 인공지능 모델을 이용하여 전자 장치의 컨텍스트에 따라 이벤트에 대한 출력 정보를 제공할 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.
본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은 정보를 제공하기 위한 이벤트가 감지되면, 상기 전자 장치 주변의 컨텍스트를 감지하기 위한 데이터를 획득하는 단계; 상기 획득된 데이터를 인공지능 알고리즘에 의해 학습된 제1 모델에 입력하여 상기 전자 장치가 존재하는 공간에 위치하는 사람에 대한 정보를 획득하는 단계; 상기 획득된 사람에 대한 정보 및 상기 이벤트에 대한 정보를 인공지능 알고리즘에 의해 학습된 제2 모델에 입력하여 상기 이벤트에 대응되는 출력 정보를 획득하는 단계; 및 상기 획득된 출력 정보를 출력하는 단계;를 포함한다.
본 개시의 다른 실시예에 따른, 전자 장치는 통신부; 디스플레이; 스피커; 명령어를 저장하는 적어도 하나의 메모리; 및 상기 통신부, 상기 디스플레이, 상기 스피커 및 상기 적어도 하나의 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며, 상기 프로세서는, 상기 명령어를 실행함으로써, 정보를 제공하기 위한 이벤트가 감지되면, 상기 전자 장치 주변의 컨텍스트를 감지하기 위한 데이터를 획득하고, 상기 획득된 데이터를 인공지능 알고리즘에 의해 학습된 제1 모델에 입력하여 상기 전자 장치가 존재하는 공간에 위치하는 사람에 대한 정보를 획득하며, 상기 획득된 사람에 대한 정보 및 상기 이벤트에 대한 정보를 인공지능 알고리즘에 의해 학습된 제2 모델에 입력하여 상기 이벤트에 대응되는 출력 정보를 획득하고, 상기 획득된 출력 정보를 출력하도록 상기 디스플레이 및 상기 스피커 중 적어도 하나를 제어한다.
상술한 바와 같은 본 개시에 의해 전자 장치의 주변의 컨텍스트에 따라 이벤트의 출력 정보가 제공되어 사용자의 프라이버시가 보호될 수 있다. 또한, 사용자는 컨텍스트에 따라 필요한 정보를 획득할 수 있다.
도 1은 본 개시의 일 실시예에 따른, 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치의 사용도,
도 2는 본 개시의 일 실시예에 따른, 전자 장치 및 서버를 포함하는 시스템,
도 3a는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도,
도 3b는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도,
도 4 내지 도 5b는 본 개시의 일 실시예에 따른, 컨텍스트에 따라 알람 이벤트와 관련된 제어 명령을 획득하는 실시예를 설명하기 위한 도면들,
도 6 내지 도 7b는 본 개시의 다른 실시예에 따른, 컨텍스트에 따라 알람 이벤트의 출력 정보를 제공하는 실시예를 설명하기 위한 도면들,
도 8 내지 도 9b는 본 개시의 다른 실시예에 따른, 컨텍스트에 따라 사용자 요청 정보를 제공하는 실시예를 설명하기 위한 도면들,
도 10은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도,
도 11은 본 개시의 다른 실시예에 따른, 전자 장치가 인공지능 모델을 이용하여 컨텍스트에 따라 알람 이벤트에 대한 출력 정보를 제공하는 방법을 설명하기 위한 흐름도,
도 12는 본 개시의 일 실시예에 따른, 인공지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도,
도 13a 및 도 13b는 본 개시의 일 실시예에 따른, 학습부 및 판단부의 구체적인 구성을 나타내는 블록도,
도 14 및 도 15는 본 개시의 다양한 실시예에 따른, 인공지능 모델을 이용하는 네트워크 시스템의 흐름도, 그리고,
도 16은 본 개시의 일 실시예에 따른, 전자 장치가 컨텍스트에 따라 이벤트에 대한 출력 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치 및 서버를 포함하는 시스템,
도 3a는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도,
도 3b는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도,
도 4 내지 도 5b는 본 개시의 일 실시예에 따른, 컨텍스트에 따라 알람 이벤트와 관련된 제어 명령을 획득하는 실시예를 설명하기 위한 도면들,
도 6 내지 도 7b는 본 개시의 다른 실시예에 따른, 컨텍스트에 따라 알람 이벤트의 출력 정보를 제공하는 실시예를 설명하기 위한 도면들,
도 8 내지 도 9b는 본 개시의 다른 실시예에 따른, 컨텍스트에 따라 사용자 요청 정보를 제공하는 실시예를 설명하기 위한 도면들,
도 10은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도,
도 11은 본 개시의 다른 실시예에 따른, 전자 장치가 인공지능 모델을 이용하여 컨텍스트에 따라 알람 이벤트에 대한 출력 정보를 제공하는 방법을 설명하기 위한 흐름도,
도 12는 본 개시의 일 실시예에 따른, 인공지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도,
도 13a 및 도 13b는 본 개시의 일 실시예에 따른, 학습부 및 판단부의 구체적인 구성을 나타내는 블록도,
도 14 및 도 15는 본 개시의 다양한 실시예에 따른, 인공지능 모델을 이용하는 네트워크 시스템의 흐름도, 그리고,
도 16은 본 개시의 일 실시예에 따른, 전자 장치가 컨텍스트에 따라 이벤트에 대한 출력 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
이하, 본 문서의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 문서의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 문서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른, 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치의 사용도이다.
우선, 전자 장치(100)는 외부로부터 정보를 제공하기 위한 이벤트(예로, 알람 이벤트)를 감지하는 신호를 수신할 수 있다. 예로, 도 1의 (a)와 같이, 전자 장치(100)는 외부로부터 콘서트 티켓 예매에 대한 이메일을 수신하는 이벤트(10)를 감지하는 신호를 수신할 수 있다. 이때, 이벤트는 이메일 수신 이벤트 외에 문자 수신 이벤트, 전화 수신 이벤트, 정보 요청 수신 이벤트, SNS 수신 이벤트 등과 같은 다양한 이벤트로 구현될 수 있다.
이벤트를 감지하는 신호가 수신되면, 전자 장치(100)는 전자 장치(100) 주변의 컨텍스트 정보를 획득할 수 있다. 이때, 전자 장치(100)는 전자 장치(100) 내에 구비된 센서(예로, 카메라, GPS 센서 등)를 이용하여 전자 장치(100) 주변의 컨텍스트를 감지하기 위한 데이터 또는 전자 장치(100)에 저장된 데이터(예로, 스케줄 데이터 등)를 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)와 연동하는 외부 장치(예로, IoT 장치 등)로부터 전자 장치(100) 주변의 컨텍스트를 감지하기 위한 데이터를 획득할 수 있다.여기서, 컨텍스트 정보는 전자 장치(100)가 위치하는 공간에 대한 정보 또는 전자 장치(100)를 사용하는 사용자에 대한 정보로서, 전자 장치(100)가 위치하는 공간에 존재하는 적어도 하나의 사용자에 대한 정보를 포함할 수 있으나, 이는 일 실시예에 불과할 뿐, 사용자 일정에 대한 정보 및 전자 장치(100)가 위치하는 장소에 대한 정보 등을 포함할 수 있다.
전자 장치(100)는 인공지능 알고리즘을 통해 학습된 제1 모델에 컨텍스트 정보를 판단하기 위한 데이터를 입력하여 전자 장치(100)의 컨텍스트 정보를 획득할 수 있다. 특히, 전자 장치(100)는 전자 장치 주변의 컨텍스트를 감지하기 위한 데이터를 인공지능 알고리즘에 의해 학습된 제1 모델에 입력하여 전자 장치가 존재하는 공간에 위치하는 사람에 대한 정보를 획득할 수 있다. 예로, 전자 장치(100)는 전자 장치(100) 또는 외부 장치가 촬영된 이미지를 제1 모델에 입력하여 전자 장치(100)가 위치하는 공간에 존재하는 사용자에 대한 정보를 획득할 수 있다. 이때, 제1 모델은 전자 장치(100) 내부에 존재할 수 있으나, 이는 일 실시예에 불과할 뿐, 외부의 서버에 존재할 수 있으며, 전자 장치(100)는 외부 서버에 컨텍스트 정보를 판단하기 위한 데이터를 전송하고, 외부 서버가 제1 모델을 이용하여 컨텍스트 정보를 획득하며, 전자 장치(100)는 외부 서버(200)로부터 컨텍스트 정보를 획득할 수 있다.
전자 장치(100)는 이벤트에 대한 정보 및 획득된 컨텍스트 정보를 외부 서버(200)에 전송할 수 있다. 이때, 이벤트에 대한 정보는 이벤트의 유형 정보, 이벤트의 발신자 정보, 이벤트의 발신 시간, 이벤트의 내용 중 적어도 하나를 포함할 수 있다. 일 예로, 전자 장치(100)는 이벤트에 대한 정보 및 전자 장치(100)가 존재하는 공간에 위치하는 사람에 대한 정보를 외부 서버로 전송할 수 있다. 한편, 전자 장치(100)는 컨텍스트 정보를 외부 서버(200)로 전송할 수 있으나, 이는 일 실시예에 불과할 뿐, 컨텍스트 정보를 획득하기 위한 데이터를 외부 서버(200)로 전송할 수 있다.
외부 서버(200)는 수신된 이벤트에 대한 정보 및 획득된 컨텍스트 정보를 바탕으로 이벤트에 대한 출력 정보를 획득할 수 있다. 구체적으로, 외부 서버(200)는 인공지능 알고리즘에 의해 학습된 제2 모델에 수신된 이벤트에 대한 정보 및 획득된 컨텍스트 정보를 입력하여 이벤트에 대한 출력 정보를 획득할 수 있다. 이때, 제2 모델은 이벤트에 대한 정보 및 컨텍스트 정보(또는 컨텍스트 정보를 획득하기 위한 데이터)를 입력 데이터로 이용하여 이벤트에 대한 출력 정보를 획득하도록 학습된 모델로서, 사용자에 의해 입력된 피드백 정보에 의해 재학습될 수 있다. 또한, 이벤트에 대한 출력 정보는 이벤트에 포함된 내용 및 이벤트에 대한 정보 중 적어도 일부를 포함하는 정보일 수 있다.
또한, 외부 서버(200)는 제2 모델을 이용하여 이벤트에 대한 출력 정보 뿐만 아니라, 이벤트에 대한 출력 방식을 결정할 수 있다. 예로, 외부 서버(200)는 제2 모델을 이용하여 이벤트에 대한 출력 방식으로 스피커로 출력하는 방식, 디스플레이로 출력하는 방식, 진동으로 출력하는 방식, 및 둘 이상의 출력 방식을 조합하는 방식 중 적어도 하나를 결정할 수 있다.
예로, 이벤트에 대한 정보에 콘서트 티켓 예매에 대한 정보를 포함하고 컨텍스트 정보에 전자 장치(100) 주변에 존재하는 사용자에 대한 정보를 포함하는 경우, 외부 서버(200)는 제2 모델을 이용하여 이벤트에 대한 출력 정보를 획득할 수 있다. 전자 장치(100)가 존재하는 거실에 사용자 혼자만 존재하는 경우, 외부 서버(200)는 제2 모델을 이용하여 도 1의 (b)에 도시된 바와 같이, "인o파크"에서 10월 15일 저녁 7시 반 고척돔에서 열리는 엑소 콘서트 티켓 배송 시작 알림 메일이 왔습니다."라는 이벤트에 대한 출력 정보를 획득할 수 있다. 즉, 사용자 혼자 존재하는 경우, 외부 서버(200)는 이벤트에 포함된 구체적인 컨텐츠 내용을 포함하는 출력 정보를 획득할 수 있다. 전자 장치(100)가 존재하는 거실에 사용자뿐만 아니라 부모님이 함께 존재하는 경우, 외부 서버(200)는 제2 모델을 이용하여 도 1의 (c)에 도시된 바와 같이, "인o파크"로부터 메일 1통이 왔습니다."라는 이벤트에 대한 출력 정보를 획득할 수 있다. 즉, 사용자가 타인과 함께 존재하는 경우, 외부 서버(200)는 이벤트 수신 자체에 대한 간략한 정보를 포함하는 출력 정보를 획득할 수 있다.
또 다른 예로, 외부 서버(200)는 제2 모델을 이용하여 이벤트에 대한 출력 방식을 결정할 수 있다. 전자 장치(100)가 존재하는 거실에 사용자 혼자만 존재하는 경우, 외부 서버(200)는 제2 모델을 이용하여 이벤트에 대한 출력 방식을 디스플레이 및 스피커를 이용한 출력 방식으로 결정할 수 있다. 전자 장치(100)가 존재하는 거실에 사용자뿐만 아니라 부모님이 함께 존재하는 경우, 외부 서버(200)는 제2 모델을 이용하여 이벤트에 대한 출력 방식을 디스플레이를 이용한 출력 방식으로 결정할 수 있다.
외부 서버(200)는 이벤트에 대한 출력 정보 및 출력 방식에 대한 정보를 전자 장치(100)로 전송할 수 있다.
전자 장치(100)는 외부 서버(200)로부터 획득된 이벤트에 대한 출력 정보 및 출력 방식에 대한 정보를 바탕으로 이벤트에 대한 출력 정보를 제공할 수 있다.
한편, 상술한 실시예에서는 전자 장치(100)가 제2 모델을 포함하는 외부 서버(200)와 연동하여 이벤트에 대한 출력 정보 및 출력 방식을 획득하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 인공지능 모델이 전자 장치(100) 내부에 저장되어 전자 장치(100)가 직접 제2 모델을 이용하여 이벤트에 대한 출력 정보 및 출력 방식을 획득할 수 있다.
또한, 이벤트에 대한 출력 정보가 제공되는 동안 또는 제공된 후, 전자 장치(100)는 사용자에 의해 입력된 피드백 정보를 획득할 수 있다. 이때, 피드백 정보는 출력 정보에 대한 사용자의 반응 정보(예로, 출력 정보가 출력된 후, 사용자의 표정, 행동 등), 출력 정보를 출력한 후 사용자에 의해 입력된 이벤트에 대한 제어 명령 정보 및 출력 정보를 출력한 후 사용자에 의해 검색되는 정보 중 적어도 하나를 포함할 수 있다.
전자 장치(100)는 사용자에 의해 입력된 피드백 정보를 외부 서버(200)에 전송할 수 있다. 외부 서버(200)는 수신된 피드백 정보를 이용하여 제2 모델을 재학습할 수 있다. 인공지능 모델이 재학습하는 과정에 대해서는 추후 도면을 참조하여 상세히 설명하도록 한다.
한편, 상술한 실시예에서 언급된 제1 모델 및 제2 모델은 인공지능 알고리즘 기반으로 학습된 판단 모델로서, 예로, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 학습된 제1 모델 및 제2 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 또한, 학습된 제1 모델 및 제2 모델은, 일 예로, 신경망 모델, 또는 신경망 모델에서 발전한 딥 러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 학습된 제1 모델 및 제2 모델의 예에는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등이 있을 수 있으나 이에 한정되지 않는다.
또한, 전자 장치(100)는 상술한 바와 같이 이벤트에 대한 출력 정보를 획득하기 위하여, 인공지능 전용 프로그램(또는 인공지능 에이전트, Artificial intelligence agent)인 개인 비서 프로그램을 이용할 수 있다. 이때, 개인 비서 프로그램은 AI(Artificial Intelligence) 기반의 서비스를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU 등)에 의해 실행될 수 있다.
구체적으로, 기설정된 사용자 입력(예를 들어, 개인 비서 챗봇에 대응되는 아이콘 터치, 기설정된 단어를 포함하는 사용자 음성 등)이 입력되거나 전자 장치(100)에 구비된 버튼(예를 들어, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러지거나 이벤트가 감지되는 경우, 인공지능 에이전트가 동작(또는 실행)할 수 있다. 그리고, 인공지능 에이전트는 이벤트에 대한 정보와 컨텍스트 정보를 외부 서버로 전송하고, 외부 서버로부터 수신된 이벤트에 대한 출력 정보를 제공할 수 있다.
물론, 화면상에 기설정된 사용자 입력이 감지되거나 전자 장치(100)에 구비된 버튼(예를 들어, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러지거나 이벤트가 감지되면, 인공지능 에이전트가 동작할 수도 있다. 또는, 인공지능 에이전트는 기설정된 사용자 입력이 감지되거나 전자 장치(100)에 구비된 버튼이 선택되거나 이벤트가 감지되기 이전에 기 실행된 상태일 수 있다. 이 경우, 기설정된 사용자 입력이 감지되거나 전자 장치(100)에 구비된 버튼이 선택되거나 이벤트가 감지된 이후에는 전자 장치(100)의 인공지능 에이전트가 이벤트에 대한 정보 및 컨텍스트 정보를 바탕으로 획득된 이벤트에 대한 출력 정보를 획득할 수 있다. 또한, 인공지능 에이전트는 기설정된 사용자 입력이 감지되거나 전자 장치(100)에 구비된 버튼이 선택되거나 이벤트가 감지되기 이전에 대기 상태일 수 있다. 여기서, 대기 상태란, 인공지능 에이전트의 동작 시작을 제어하기 위해 미리 정의된 사용자 입력이 수신되는 것을 감지하는 상태이다. 인공지능 에이전트가 대기 상태인 동안 기설정된 사용자 입력이 감지되거나 전자 장치(100)에 구비된 버튼이 선택되거나 이벤트가 감지되면, 전자 장치(100)는 인공지능 에이전트를 동작시키고, 이벤트에 대한 정보 및 컨텍스트 정보를 바탕으로 획득된 이벤트에 대한 출력 정보를 획득할 수 있다.
본 개시의 또 다른 실시예로, 전자 장치(100)가 직접 인공지능 모델을 이용하여 컨텍스트에 따른 이벤트에 대한 출력 정보를 획득하는 경우, 인공지능 에이전트는 제2 모델을 제어하여 이벤트에 대한 출력 정보를 획득할 수 있다. 이때, 인공지능 에이전트는 상술한 외부 서버의 동작을 수행할 수 있다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치 및 서버를 포함하는 시스템이다. 도 2에 도시된 바와 같이, 시스템은 전자 장치(100) 및 서버(200)를 포함할 수 있다. 이때, 서버(200)는 하나의 서버로 도시하였으나, 이는 일 실시예에 불과할 뿐, 컨텍스트 정보를 획득하기 위한 서버, 이벤트에 대한 출력 정보를 획득하기 위한 서버, 사용자가 요청하는 정보를 획득하기 위한 서버 등과 같은 다양한 서버로 구현될 수 있다.
전자 장치(100)는 이벤트를 감지하는 신호를 수신할 수 있다. 이때, 이벤트는 문자 수신 이벤트, 이메일 수신 이벤트, 전화 수신 이벤트, 정보 요청 수신 이벤트, SNS 수신 이벤트 중 적어도 하나를 포함할 수 있다.
이벤트가 감지되면, 전자 장치(100)는 전자 장치의 컨텍스트 정보를 획득할 수 있다. 이때, 전자 장치(100)는 센서로부터 감지되는 데이터, 기 저장된 데이터, 외부 장치로부터 획득된 데이터를 이용하여 컨텍스트 정보를 획득할 수 있다. 이때, 컨텍스트 정보는 전자 장치(100)가 위치하는 공간에 존재하는 사용자에 대한 정보, 사용자 일정에 대한 정보 및 전자 장치(100)가 위치하는 장소에 대한 정보 등이 포함될 수 있다.
전자 장치(100)는 감지된 이벤트에 대한 정보 및 컨텍스트 정보를 외부 서버(200)로 전송할 수 있다. 또는 전자 장치(100)는 컨텍스트 정보 대신 컨텍스트 정보를 획득하기 위한 데이터(예로, 전자 장치(100)가 위치하는 장소를 촬영한 이미지 등)를 전송할 수 있다.
전자 장치(100)는 외부 서버(200)로부터 수신된 이벤트에 대한 출력 정보를 제공할 수 있다. 이때, 전자 장치(100)는 외부 서버(200)에 의해 결정된 출력 방식에 따라 이벤트에 대한 출력 정보를 제공할 수 있다.
또한, 전자 장치(100)는 이벤트에 대한 출력 정보의 피드백 정보를 획득할 수 있으며, 획득된 피드백 정보를 외부 서버(200)로 전송할 수 있다.
외부 서버(200)는 컨텍스트를 감지하기 위한 데이터(예로, 전자 장치(100) 또는 전자 장치(100)와 연결된 외부 장치에 포함된 카메라 및 마이크를 통해 획득된 영상 데이터 및 음성 데이터 중 적어도 하나)를 입력 데이터로 이용하여 컨텍스트 정보(예로, 전자 장치가 존재하는 공간에 위치한 사람에 대한 정보 등)를 획득하도록 학습된 제1 모델 및이벤트에 대한 정보 및 컨텍스트 정보를 입력 데이터로 이용하여 이벤트에 대한 출력 정보를 획득하도록 학습된 제2 모델을 저장할 수 있다. 외부 서버(200)는 학습된 제2 모델을 이용하여 전자 장치(100)로부터 수신된 컨텍스트 정보에 따른 이벤트에 대한 출력 정보를 획득할 수 있다. 외부 서버(200)는 획득된 이벤트에 대한 출력 정보를 전자 장치(100)로 전송할 수 있다.
또한, 전자 장치(100)로부터 피드백 정보가 수신되면, 외부 서버(200)는 수신된 피드백 정보를 바탕으로 제2 모델을 재학습할 수 있다. 추후, 외부 서버(200)는 재학습된 제2 모델을 이용하여 전자 장치(100)로부터 수신된 컨텍스트 정보에 따른 이벤트에 대한 출력 정보를 획득할 수 있다.
도 3a는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도이다. 도 3a에 도시된 바와 같이, 전자 장치(100)는 통신부(110), 디스플레이(120), 스피커(130), 메모리(140) 및 프로세서(150)를 포함한다. 도 3a에 도시된 구성들은 본 개시의 실시 예들을 구현하기 위한 예시도이며, 당업자에게 자명한 수준의 적절한 하드웨어/소프트웨어 구성들이 전자 장치(100)에 추가로 포함되거나 도 3a에 도시된 구성이 생략될 수 있다.
통신부(110)는 다양한 통신 방식을 통해 외부의 장치와 통신을 수행할 수 있다. 특히, 통신부(110)는 외부로부터 알람 이벤트(예로, 알람 이벤트)를 수신할 수 있다. 또한, 통신부(110)는 외부 서버(200)로 이벤트에 대한 정보 및 컨텍스트 정보를 전송할 수 있으며, 외부 서버(200)로부터 이벤트에 대한 출력 정보를 수신할 수 있다.
이때, 통신부(110)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 기기와 통신을 수행할 수 있다. 통신부(110)는 와이파이칩, 블루투스 칩, 무선 통신 칩 중 적어도 하나를 포함할 수 있다. 프로세서(150)는 통신부(110)를 이용하여 외부 서버 또는 각종 외부 기기와 통신을 수행할 수 있다. 그 밖에, 통신부(110)는 NFC 칩 등과 같은 다양한 통신 칩을 통해 외부 기기와 통신을 수행할 수 있다.
디스플레이(120)는 다양한 화면을 제공할 수 있다. 특히, 디스플레이(110)는 이벤트에 대한 출력 정보를 출력할 수 있다. 이때, 디스플레이(110)는 이벤트에 대한 출력 정보를 팝업창 형태로 표시할 수 있으나, 이는 일 실시예에 불과할 뿐, 알람 이벤트에 대한 출력 정보를 전체 화면으로 표시할 수 있다.
스피커(130)는 오디오 처리부(미도시)에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특히, 스피커(130)는 이벤트에 대한 출력 정보를 오디오 형태로 출력할 수 있다. 이때, 스피커(140)는 전자 장치의 복수의 영역(예를 들어, 전자 장치 전면의 상단 영역 또는 전자 장치 아랫쪽 측면 영역 등)에 복수 개 구비될 수 있다.
메모리(140)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령(instruction) 또는 데이터를 저장할 수 있다. 특히, 메모리(140)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(130)는 프로세서(150)에 의해 액세스되며, 프로세서(150)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(140), 프로세서(150) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(140)에는 디스플레이(120)의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.
특히, 메모리(140)는 인공지능 전용 프로그램을 저장할 수 있다. 이때, 인공지능 전용 프로그램은 전자 장치(100)에 대한 다양한 서비스를 제공하기 위한 개인화된 프로그램이다. 특히, 인공지능 전용 프로그램은 전자 장치(100) 또는 전자 장치(100)를 사용하는 사용자의 컨텍트스에 따라 이벤트에 대한 출력 정보를 획득할 수 있다. 또한, 본 개시의 일 실시예에 의하면, 메모리(140)는 전자 장치(100)가 감지한 데이터 또는 외부로부터 획득된 데이터를 이용하여 컨텍스트 정보를 획득하도록 학습된 제1 모델 및 컨텍스트에 따라 이벤트에 대한 출력 정보를 획득하도록 학습된 제2 모델 중 적어도 하나를 저장할 수 있다.
프로세서(150)는 통신부(110), 디스플레이(120), 스피커(130) 및 메모리(140)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다. 특히, 프로세서(150)는 메모리(140)에 저장된 다양한 프로그램(또는 명령어)을 이용하여 전자 장치(100) 또는 전자 장치(100)를 사용하는 사용자의 컨텍스트에 따라 이벤트에 대한 출력 정보를 제공할 수 있다.
특히, 전자 장치(100)는 메모리(140)에 저장된 명령어를 실행함으로써, 이벤트를 감지하는 신호가 입력되면, 전자 장치(100)의 컨텍스트 정보를 획득하며, 알람 이벤트에 대한 정보 및 컨텍스트 정보를 인공지능 알고리즘을 통해 학습된 인공지능 모델에 입력하여 획득된 알람 이벤트에 대한 출력 정보를 통신부(110)를 통해 외부 서버(200)로부터 수신하며, 수신된 이벤트에 대한 출력 정보를 출력하도록 디스플레이(120) 및 스피커(130) 중 적어도 하나를 제어할 수 있다.
구체적으로, 전자 장치(100)는 알람 이벤트가 감지된 시점에 전자 장치(100) 주변에 존재하는 적어도 하나의 사용자에 대한 정보를 획득할 수 있다. 구체적으로, 전자 장치(100)는 전자 장치(100)에 존재하는 센서(예로, 카메라)를 이용하여 전자 장치(100) 주변을 촬영하고, 촬영된 이미지를 분석하여 전자 장치(100) 주변에 존재하는 적어도 하나의 사용자에 대한 정보를 획득할 수 있다. 또는 전자 장치(100)는 전자 장치(100)와 연동하는 카메라를 통해 촬영된 이미지 또는 전자 장치(100)와 연동하는 마이크를 통해 획득된 사용자 음성을 분석하여 전자 장치(100) 주변에 존재하는 적어도 하나의 사용자에 대한 정보를 획득할 수 있다. 또는, 전자 장치(100)는 전자 장치(100) 내에 저장된 스케줄 정보를 이용하여 전자 장치(100) 주변에 존재하는 적어도 하나의 사용자에 대한 정보를 획득할 수 있다. 그러나, 이는 일 실시예에 불과할 뿐, 다양한 방법을 통해 전자 장치(100) 주변에 존재하는 적어도 하나의 사용자에 대한 정보를 획득할 수 있다.
특히, 전자 장치(100)는 전자 장치(100)에 존재하는 센서(예로, 카메라)를 이용하여 전자 장치(100) 주변을 촬영하고, 촬영된 이미지를 학습된 제1 모델에 입력하여 컨텍스트 정보(예로, 전자 장치(100) 주변에 위치하는 사람에 대한 정보)를 획득할 수 있다.
프로세서(150)는 외부 서버(200)로부터 학습된 제2 모델에 의해 획득된 이벤트에 대한 출력 정보를 획득할 수 있다. 예로, 컨텍스트 정보에 전자 장치(100)를 사용하는 주사용자에 대한 정보만 포함하는 경우, 제2 모델은 이벤트에 대한 상세 정보를 포함하는 출력 정보를 획득할 수 있으며, 컨텍스트 정보에 전자 장치(100)를 사용하는 주사용자에 대한 정보와 함께 타인에 대한 정보가 모두 포함하는 경우, 전자 장치(100)는 이벤트에 대한 간략 정보를 포함하는 출력 정보를 획득할 수 있다.
또한, 프로세서(150)는 사용자 입력에 따라 출력 정보에 대한 피드백 정보를 획득하며, 출력 정보에 대한 피드백 정보를 외부 서버(200)에 전송하도록 통신부(110)를 제어할 수 있다. 이때, 제2 모델은 출력 정보에 피드백 정보를 바탕으로 재학습될 수 있다. 그리고, 다른 이벤트에 대한 정보와 컨텍스트 정보가 입력된 경우, 제2 모델은 재학습 결과를 바탕으로 다른 이벤트에 대한 출력 정보를 획득할 수 있다. 즉, 제2 모델은 사용자에 의해 입력된 피드백 정보를 바탕으로 업데이트될 수 있다.
이때, 출력 정보에 대한 피드백 정보는 출력 정보에 대한 사용자의 반응 정보, 출력 정보를 출력한 후 사용자에 의해 입력된 이벤트에 대한 제어 명령 정보 및 출력 정보를 출력한 후 사용자에 의해 검색되는 정보 중 적어도 하나를 포함할 수 있다.
한편, 상술한 실시예에서는 컨텍스트 정보가 전자 장치(100) 주변에 존재하는 사용자에 대한 정보인 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 사용자 일정에 대한 정보 및 전자 장치(100)가 위치하는 장소에 대한 정보 등과 같은 다양한 정보를 포함할 수 있다.
또한, 프로세서(150)는 알람 이벤트에 대한 정보 및 컨텍스트 정보를 인공지능 모델에 입력하여 획득된 이벤트에 대한 출력 방식에 대한 정보를 통신부(110)를 통해 외부 서버(200)로부터 수신하며, 이벤트에 대한 출력 방식을 바탕으로 이벤트의 출력 정보를 제공하도록 스피커(140) 및 디스플레이(130) 중 적어도 하나를 제어할 수 있다. 이때, 출력 방식은 디스플레이(130)를 통한 출력 방식, 스피커(140)를 통한 출력 방식, 진동을 통한 출력 방식, 이의 조합에 의한 출력 방식 등이 포함될 수 있으나, 이에 한정되는 것은 아니고, 다른 방식이 포함될 수 있다.
도 3b는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도이다. 도 3b에 도시된 바와 같이, 전자 장치(100)는 통신부(110), 디스플레이(120), 스피커(130), 메모리(140), 센서(160), 입력부(170) 및 프로세서(160)를 포함할 수 있다. 한편, 통신부(110), 디스플레이(120), 스피커(130), 메모리(140)는 도 3a에서 설명하였으므로, 중복되는 설명은 생략하기로 한다.
센서(160)는 전자 장치(100)의 상태 정보를 획득하기 위한 센싱 데이터를 획득할 수 있다. 이때, 센서(180)는 전자 장치(100)의 위치 정보를 획득하기 위하여, GPS 센서를 포함할 수 있으며, 전자 장치(100)의 움직임 정보를 획득하기 위하여, 가속도 센서, 자이로 센서, 지자기 센서 등과 같은 다양한 움직임 센서를 포함할 수 있으며, 전자 장치(100)의 주변을 촬영하기 위한 이미지 센서(즉, 카메라)를 ㅍ포함할 수 있다. 그 밖에, 센서(180)는 전자 장치(100) 주변의 온도, 습도 등과 같은 환경 정보를 획득할 수 있는 센서 및 음성 데이터를 수집하기 위한 마이크 등을 더 포함할 수 있다.
입력부(170)는 다양한 사용자 입력을 수신하여 프로세서(150)로 전달할 수 있다. 특히, 입력부(170)는 터치 센서, (디지털) 펜 센서, 압력 센서, 키, 또는 마이크를 포함할 수 있다. 터치 센서는, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. (디지털) 펜 센서는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다. 마이크는 사용자 음성을 수신하기 위한 구성으로, 전자 장치(100) 내부에 구비될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)의 외부에 구비되어 전자 장치(100)와 전기적으로 연결될 수 있다.
특히, 입력부(170)는 인공지능 전용 프로그램에 대응되는 아이콘을 선택하기 위한 기설정된 사용자 터치 또는 전자 장치(100) 외부에 구비된 버튼을 선택하는 사용자 입력에 따른 입력 신호를 획득할 수 있다. 그리고, 입력부(170)는 입력 신호를 프로세서(150)로 전송할 수 있다. 또한, 입력부(170)는 이벤트의 출력 정보에 대한 피드백 정보를 획득하기 위한 사용자 입력을 수신할 수 있다.
프로세서(150)(또는, 제어부)는 메모리(140)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(150)는 RAM(151), ROM(152), 그래픽 처리부(153), 메인 CPU(154), 제1 내지 n 인터페이스(155-1~155-n), 버스(156)로 구성될 수 있다. 이때, RAM(151), ROM(152), 그래픽 처리부(153), 메인 CPU(154), 제1 내지 n 인터페이스(155-1~155-n) 등은 버스(156)를 통해 서로 연결될 수 있다.
이하에서는 본 개시에 따른 다양한 실시예들에 대해 설명하기로 한다. 도 4 내지 도 5b는 본 개시의 일 실시예에 따른, 컨텍스트에 따라 알람 이벤트와 관련된 제어 명령을 획득하는 실시예를 설명하기 위한 도면들이다.
우선, 도 4에 도시된 바와 같이, 전자 장치(100)는 알람 이벤트를 감지할 수 있다(S410). 이때, 알람 이벤트는 도 5a의 (a)에 도시된 바와 같이, 외부로부터 전화가 수신되는 전화 수신 이벤트일 수 있으나, 이는 일 실시예에 불과할 뿐, 문자 수신 이벤트, 이메일 수신 이벤트 등과 같은 다양한 이벤트가 포함될 수 있다.
전자 장치(100)는 컨텍스트 정보를 획득할 수 있다(S420). 이때, 전자 장치(100)는 전자 장치(100)에 포함된 센서(160)로부터 획득된 데이터, 전자 장치(100)에 저장된 데이터, 전자 장치(100)와 연동하는 외부 장치로부터 획득된 데이터를 이용하여 전자 장치(100)의 컨텍스트 정보를 획득할 수 있다. 예로, 전자 장치(100)는 컨텍스트 정보로서, 전자 장치(100)가 위치하는 공간 및 전자 장치(100)가 위치하는 공간에 존재하는 사용자에 대한 정보를 획득할 수 있다.
전자 장치(100)는 알람 이벤트에 대한 정보 및 컨텍스트 정보를 서버(200)로 전송할 수 있다(S430).
서버(200)는 학습된 인공지능 모델을 이용하여 알람 이벤트를 출력하기 위한 제어 명령을 생성할 수 있다(S440). 구체적으로, 서버(200)는 현재 컨텍스트에 따라 알람 이벤트에 대한 동작을 수행하기 위한 제어 명령을 생성할 수 있다. 이때, 인공지능 모델은 알람 이벤트에 대한 정보 및 컨텍스트 정보를 입력 데이터로 이용하여 알람 이벤트를 출력하기 위한 제어 명령을 생성하도록 학습된 모델일 수 있다. 예로, 컨텍스트 정보가 "차량에 주사용자만 존재함"에 대한 정보를 포함하는 경우, 서버(200)는 도 5a의 (b)에 도시된 바와 같이, 주 사용자 모드로서, "차량 내 스피커 폰으로 자동 연결"이라는 제어 명령을 획득할 수 있다. 또한, 컨텍스트 정보가 "차량에 직장 상사 B와 함께 존재함"에 대한 정보를 포함하는 경우, 서버(200)는 도 5a의 (c)에 도시된 바와 같이, 기본 부 사용자 모드로서, "블루투스 이어폰으로 자동 연결"이라는 제어 명령을 획득할 수 있다.
서버(200)는 제어 명령을 전자 장치(100)로 전송할 수 있다(S450).
전자 장치(100)는 제어 명령에 따라 알람 이벤트와 관련된 동작을 수행할 수 있다(S460). 즉, 전자 장치(100)는 제어 명령에 따라 컨텍스트에 따라 결정된 출력 방식으로 알람 이벤트에 대한 동작을 수행할 수 있다. 예로, 차량에 주사용자만 존재하는 경우, 전자 장치(100)는 제어 명령에 따라 주 사용자 모드로서, 차량 내 스피커 폰으로 자동 연결 동작을 수행할 수 있으며, 차량에 주사용자와 직장 상사 B가 함께 존재하는 경우, 전자 장치(100)는 제어 명령에 따라 기본 부 사용자 모드로서, 블루투스 이어폰으로 자동 연결 동작을 수행할 수 있다.
전자 장치(100)는 사용자 입력에 따른 피드백 정보를 입력받을 수 있다(S470). 이때, 피드백 정보는 알람 이벤트와 관련된 동작을 수행한 후 사용자가 전자 장치에 입력한 사용자 명령에 대한 정보일 수 있다. 예로, 차량에 주사용자와 직장 상사 B가 함께 존재하는 경우, 전자 장치(100)가 제어 명령에 따라 블루투스 이어폰으로 자동 연결을 수행한 후, 주 사용자가 블루투스 이어폰 연결을 취소하고 "나중에 다시 전화할께"라는 문자가 전송되면, 전자 장치(100)는 "블루투스 이어폰 연결 취소 및 문자 메시지 전송"이라는 피드백 정보를 획득할 수 있다.
전자 장치(100)는 입력된 피드백 정보를 외부 서버(200)로 전송할 수 있다(S480).
외부 서버(200)는 입력된 피드백 정보를 바탕으로 인공지능 모델을 재학습할 수 있다(S490). 구체적으로, 외부 서버(200)는 알람 이벤트와 관련된 동작을 수행한 후 사용자가 전자 장치에 입력한 사용자 명령에 대한 정보를 바탕으로 인공지능 모델을 재학습할 수 있다. 이에 의해, 외부 서버(200)는 컨텍스트에 따른 사용자 피드백 정보를 반영하여 인공지능 모델을 업데이트할 수 있다.
예로, 피드백 정보에 의해 인공지능 모델이 업데이트된 후, 도 5b의 (a)에 도시된 바와 같이, 알람 이벤트가 수신된 경우, 컨텍스트 정보가 "차량에 주사용자만 존재함"에 대한 정보가 포함되면, 서버(200)는 도 5b의 (b)에 도시된 바와 같이, 주 사용자 모드로서, "차량 내 스피커 폰으로 자동 연결"이라는 제어 명령을 획득할 수 있다. 또한, 컨텍스트 정보가 "차량에 주사용자와 직장 상사 B가 함께 존재함"에 대한 정보를 포함하는 경우, 서버(200)는 도 5b의 (c)에 도시된 바와 같이, Target-aware 모드로서, ""나중에 다시 전화할께"라는 회신 문자 자동 전송"이라는 제어 명령을 획득할 수 있다.
도 6 내지 도 7b는 본 개시의 다른 실시예에 따른, 컨텍스트에 따라 알람 이벤트의 출력 정보를 제공하는 실시예를 설명하기 위한 도면들이다.
우선, 도 6에 도시된 바와 같이, 전자 장치(100)는 알람 이벤트를 감지할 수 있다(S610). 이때, 알람 이벤트는 도 7a의 (a)에 도시된 바와 같이, 외부로부터 이메일이 수신되는 이벤트일 수 있으나, 이는 일 실시예에 불과할 뿐, 문자 수신 이벤트, 전화 수신 이벤트 등과 같은 다양한 이벤트가 포함될 수 있다.
전자 장치(100)는 컨텍스트 정보를 획득할 수 있다(S620). 예로, 전자 장치(100)는 컨텍스트 정보로서, 전자 장치(100)가 위치하는 공간 및 전자 장치(100)가 위치하는 공간에 존재하는 사용자에 대한 정보를 획득할 수 있다.
전자 장치(100)는 알람 이벤트에 대한 정보 및 컨텍스트 정보를 서버(200)로 전송할 수 있다(S630).
서버(200)는 학습된 인공지능 모델을 이용하여 알람 이벤트의 출력 정보를 획득할 수 있다(S640). 구체적으로, 서버(200)는 현재 컨텍스트에 따라 알람 이벤트의 출력 정보를 획득할 수 있다. 이때, 인공지능 모델은 알람 이벤트에 대한 정보 및 컨텍스트 정보를 입력 데이터로 이용하여 알람 이벤트의 출력 정보를 획득하도록 학습된 모델일 수 있다. 예로, 컨텍스트 정보가 "방에 주사용자만 존재함"에 대한 정보를 포함하는 경우, 서버(200)는 도 7a의 (b)에 도시된 바와 같이, 알람 이벤트의 출력 정보로, 이메일 내용 전체를 획득할 수 있다. 또한, 컨텍스트 정보가 "방에 누나 B와 함께 존재함"에 대한 정보를 포함하는 경우, 서버(200)는 도 7a의 (c)에 도시된 바와 같이, 알람 이벤트의 출력 정보로, "이메일 1통이 왔습니다"를 획득할 수 있다.
서버(200)는 알람 이벤트의 출력 정보를 전자 장치(100)로 전송할 수 있다(S650).
전자 장치(100)는 알람 이벤트의 출력 정보를 제공할 수 있다(S660). 즉, 전자 장치(100)는 외부 서버(200)로부터 획득된 알람 이벤트의 출력 정보를 제공할 수 있다. 예로, 방에 주사용자만 존재하는 경우, 전자 장치(100)는 알람 이벤트의 출력 정보로, "이메일 내용 전체"를 제공할 수 있으며, 방에 주사용자와 누나 B가 함께 존재하는 경우, 전자 장치(100)는 알람 이벤트의 출력 정보로, "이메일 1통이 왔습니다"를 제공할 수 있다.
전자 장치(100)는 사용자 입력에 따른 피드백 정보를 입력받을 수 있다(S670). 이때, 피드백 정보는 알람 이벤트의 출력 정보를 제공한 후 주사용자가 전자 장치(100)에 입력한 사용자 명령에 대한 정보일 수 있다. 예로, 방에 주사용자와 누나 B가 함께 존재하는 경우, 전자 장치(100)가 알람 이벤트의 출력 정보로 "이메일 1통이 왔습니다."를 출력한 후, 주 사용자가 이메일 내용 전체를 읽을 것을 명령하거나 주사용자가 이메일을 언니 B에게 전달한 경우, 전자 장치(100)는 "메일 전체 읽음" 또는 "메일 전달"이라는 피드백 정보를 획득할 수 있다.
전자 장치(100)는 입력된 피드백 정보를 외부 서버(200)로 전송할 수 있다(S680).
외부 서버(200)는 입력된 피드백 정보를 바탕으로 인공지능 모델을 재학습할 수 있다(S690). 구체적으로, 외부 서버(200)는 알람 이벤트의 출력 정보를 제공한 후 주사용자가 전자 장치(100)에 입력한 사용자 명령에 대한 정보를 바탕으로 인공지능 모델을 재학습할 수 있다. 이에 의해, 외부 서버(200)는 컨텍스트에 따른 사용자 피드백 정보를 반영하여 인공지능 모델을 업데이트할 수 있다.
예로, 피드백 정보에 의해 인공지능 모델이 업데이트된 후, 도 7b의 (a)에 도시된 바와 같이, 메일 수신 이벤트가 수신된 경우, 컨텍스트 정보가 "방에 주사용자만 존재함"에 대한 정보가 포함되면, 서버(200)는 도 7b의 (b)에 도시된 바와 같이, 알람 이벤트의 출력 정보로, 이메일 내용 전체를 획득할 수 있다. 또한, 컨텍스트 정보가 "방에 누나 B와 함께 존재함"에 대한 정보를 포함하는 경우, 서버(200)는 도 7b의 (c)에 도시된 바와 같이, 알람 이벤트의 출력 정보로, 이메일 내용 전체를 획득할 수 있다.
한편, 상술한 실시예에서는 인공지능 모델이 알람 이벤트의 출력 정보를 획득하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 출력 정보의 출력 방식 역시 결정할 수 있다.
도 8 내지 도 9b는 본 개시의 다른 실시예에 따른, 컨텍스트에 따라 사용자 요청 정보를 제공하는 실시예를 설명하기 위한 도면들이다.
우선, 도 8에 도시된 바와 같이, 전자 장치(100)는 정보를 요청하기 위한 명령을 입력받을 수 있다(S810). 이때, 정보를 요청하기 위한 명령은 현재 날씨 정보를 요청하기 위한 명령일 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 정보를 요청하는 사용자 명령일 수 있다.
전자 장치(100)는 컨텍스트 정보를 획득할 수 있다(S820). 예로, 전자 장치(100)는 컨텍스트 정보로서, 전자 장치(100)가 위치하는 공간에 대한 정보 및 전자 장치(100)를 사용하는 주사용자의 일정 정보를 획득할 수 있다.
전자 장치(100)는 요청 명령 및 컨텍스트 정보를 서버(200)로 전송할 수 있다(S830).
서버(200)는 학습된 인공지능 모델을 이용하여 사용자 요청 정보를 획득할 수 있다(S840). 구체적으로, 서버(200)는 현재 컨텍스트에 따라 사용자가 요청하는 사용자 요청 정보를 획득할 수 있다. 이때, 인공지능 모델은 요청 명령 및 컨텍스트 정보를 입력 데이터로 이용하여 사용자가 요청하는 사용자 요청 정보를 획득하도록 학습된 모델일 수 있다. 예로, 컨텍스트 정보가 "바로 외출 일정이 있음"에 대한 정보를 포함하는 경우, 서버(200)는 도 9a의 (b)에 도시된 바와 같이, 사용자 요청 정보로, "오늘의 날씨 안내-> 미세먼지 농도, 온도, 바람세기 등 날씨에 따라 옷차림에 유의할 것을 안내"를 획득할 수 있다. 또한, 컨텍스트 정보가 "집에 계속 있음"에 대한 정보를 포함하는 경우, 서버(200)는 도 9a의 (c)에 도시된 바와 같이, 사용자 요청 정보로, "오늘의 날씨 안내-> 미세먼지 농도, 온도, 바람세기 등 날씨에 따라 옷차림에 유의할 것을 안내"를 획득할 수 있다.
서버(200)는 사용자 요청 정보를 전자 장치(100)로 전송할 수 있다(S850).
전자 장치(100)는 사용자 요청 정보를 제공할 수 있다(S860). 예로, 사용자의 외출 일정이 있는지 여부와 무관하게, 전자 장치(100)는 사용자 요청 정보로, "오늘의 날씨 안내-> 미세먼지 농도, 온도, 바람세기 등 날씨에 따라 옷차림에 유의할 것"을 제공할 수 있다.
전자 장치(100)는 사용자 입력에 따른 피드백 정보를 입력받을 수 있다(S870). 이때, 피드백 정보는 사용자 요청 정보가 제공된 후 사용자가 검색하는 정보일 수 있다. 예로, 사용자가 집에 계속 존재하는 경우, 주 사용자가 환기/채광/빨래 등 집안 일을 하기에 적합한 날씨인지 여부를 검색하면, 전자 장치(100)는 "집안일과 관련된 날씨 정보 검색"이라는 피드백 정보를 획득할 수 있다.
전자 장치(100)는 입력된 피드백 정보를 외부 서버(200)로 전송할 수 있다(S880).
서버(200)는 입력된 피드백 정보를 바탕으로 인공지능 모델을 재학습할 수 있다(S890). 구체적으로, 서버(200)는 알람 이벤트의 출력 정보를 제공한 후 주사용자가 전자 장치(100)를 이용한 검색한 정보를 바탕으로 인공지능 모델을 재학습할 수 있다. 이에 의해, 외부 서버(200)는 컨텍스트에 따른 사용자 피드백 정보를 반영하여 인공지능 모델을 업데이트할 수 있다.
예로, 피드백 정보에 의해 인공지능 모델이 업데이트된 후, 도 9b의 (a)에 도시된 바와 같이,정보를 검색하기 위한 요청 명령이 입력된 경우, 컨텍스트 정보가 "바로 외출 일정이 있음"에 대한 정보를 포함하는 경우, 서버(200)는 도 9b의 (b)에 도시된 바와 같이, 사용자 요청 정보로, "오늘의 날씨 안내-> 미세먼지 농도, 온도, 바람세기 등 날씨에 따라 옷차림에 유의할 것을 안내"를 획득할 수 있다. 또한, 컨텍스트 정보가 "집에 계속 있음"에 대한 정보를 포함하는 경우, 서버(200)는 도 9b의 (c)에 도시된 바와 같이, 사용자 요청 정보로, "미세먼지 농도 등 환기/채광/빨래하기에 좋은 날씨인지에 대한 안내"를 획득할 수 있다.
한편, 상술한 실시예에서는 인공지능 모델이 알람 이벤트에 대한 정보(또는 요청 명령에 대한 정보) 및 컨텍스트 정보를 바탕으로 알람 이벤트의 출력 정보, 제어 명령, 사용자 요청 정보 중 적어도 하나를 획득하는 것으로 설명하였으나, 이는 일 실시예에 할 뿐, 인공지능 모델이 다른 정보를 이용하여 알람 이벤트의 출력 정보, 제어 명령, 사용자 요청 정보 중 적어도 하나를 획득할 수 있다. 구체적, 인공지능 모델은 사용자 히스토리 정보, 사용자 선호 정보 등을 바탕으로 알람 이벤트의 출력 정보, 제어 명령, 사용자 요청 정보 중 적어도 하나를 획득할 수 있다. 예로, 주 사용자가 누나와 함께 콘서트 티켓을 예매한 이력에 대한 정보가 존재하거나, 주 사용자가 누나를 선호하는 정보가 존재하는 경우, 인공지능 모델은 수신된 이메일에 대한 전체 정보를 출력할 수 있다.
상술한 바와 같이, 전자 장치(100)는 컨텍스트에 따라 다양한 서비스를 제공함으로써, 사용자의 프라이버시가 보호될 수 있으며, 최적의 컨텐츠를 사용자에게 제공할 수 있게 된다.
도 10은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
우선, 전자 장치(100)는 알람 이벤트를 감지하는 신호가 입력되었는지 여부를 판단할 수 있다(S1010). 이때, 알람 이벤트는 이메일 수신 이벤트, 문자 수신 이벤트, 정보 수신 이벤트, SNS 수신 이벤트 등과 같은 다양한 이벤트일 수 있다. 그 밖에, 전자 장치(100)는 알람 이벤트 외에 사용자로부터 정보를 요청하는 명령을 입력받을 수 있다.
알람 이벤트를 감지하는 신호가 입력되면(S1010-Y), 전자 장치(100)는 전자 자치(100) 주변의 컨텍스트 정보를 획득할 수 있다(S1020). 이때, 컨텍스트 정보는 전자 장치(100)가 위치하는 공간에 대한 정보, 전자 장치(100)가 위치하는 공간에 존재하는 적어도 하나의 사용자에 대한 정보, 전자 장치(100)를 사용하는 주 사용자의 일정 정보 등이 포함될 수 있다.
전자 장치(100)는 알람 이벤트에 대한 정보 및 컨텍스트 정보를 인공지능 알고리즘을 통해 학습된 인공지능 모델에 입력하여 획득된 알람 이벤트에 대한 출력 정보를 외부 서버(200)로부터 수신할 수 있다(S1030). 구체적으로, 전자 자치(100)는 알람 이벤트에 대한 정보 및 컨텍스트 정보를 외부 서버(200)로 전송할 수 있다. 외부 서버가 인공지능 모델을 이용하여 알람 이벤트에 대한 출력 정보를 획득한 경우, 전자 장치(100)는 외부 서버(200)로부터 알람 이벤트에 대한 출력 정보를 수신할 수 있다.
전자 장치(100)는 수신된 알람 이벤트에 대한 출력 정보를 제공한다(S1040).
도 11은 본 개시의 다른 실시예에 따른, 전자 장치가 인공지능 모델을 이용하여 컨텍스트에 따라 알람 이벤트에 대한 출력 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
우선, 전자 장치(100)는 알람 이벤트를 감지하는 신호를 획득한다(S1110).
전자 장치(100)는 전자 장치(100) 주변의 컨텍스트 정보를 획득할 수 있다(S1120).
전자 장치(100)는 인공지능 모델을 이용하여 알람 이벤트의 출력 정보를 획득할 수 있다(S1130). 이때, 인공지능 모델은 전자 장치(100)에 의해 저장되며, 전자 장치(100)의 인공지능 전용 프로그램(예로, 개인 비서 프로그램)에 의해 제어될 수 있다. 또한, 인공지능 모델은 알람 이벤트에 대한 정보 및 컨텍스트 정보를 입력 데이터로 이용하여 알람 이벤트의 출력 정보를 획득하도록 학습된 모델일 수 있다. 이때, 인공지능 모델은 알람 이벤트의 출력 정보뿐만 아니라 알람 이벤트의 출력 방식을 결정할 수 있다.
전자 장치(100)는 출력 정보를 제공할 수 있다(S1140). 구체적으로, 전자 장치(100)는 인공지능 모델에 의해 획득된 알람 이벤트에 대한 출력 정보를 제공할 수 있다. 이때, 알람 이벤트에 대한 출력 정보는 인공지능 모델에 의해 결정된 출력 방식에 따라 제공될 수 있다.
전자 장치(100)는 사용자 입력에 따라 피드백 정보를 획득할 수 있다(S1150). 이때, 피드백 정보는 출력 정보에 대한 사용자의 반응 정보, 출력 정보를 출력한 후 사용자에 의해 입력된 알람 이벤트에 대한 제어 명령 정보 및 출력 정보를 출력한 후 사용자에 의해 검색되는 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
전자 장치(100)는 피드백 정보를 이용하여 인공지능 모델을 재학습할 수 있다(S1160). 즉, 전자 장치(100)는 사용자 입력에 따라 획득된 피드백 정보를 바탕으로 인공지능 모델을 재학습함으로써, 컨텍스트에 따라 적응적으로 알람 이벤트에 대한 출력 정보를 제공할 수 있게 된다.
도 12는 본 개시의 일 실시예에 따른, 인공지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도이다.
도 12를 참조하면, 외부 서버(1200)는 학습부(1210) 및 판단부(1220) 중 적어도 하나를 포함할 수 있다. 도 12의 외부 서버(1300)는 도 2의 외부 서버(200)에 대응될 수 있다.
학습부(1210)는 학습 데이터를 이용하여 컨텍스트 정보를 획득하기 위한 기준을 갖는 제1 모델 및 학습 데이터를 이용하여 이벤트의 출력 정보를 획득하기 위한 기준을 갖는 제2 모델을 생성 또는 학습시킬 수 있다. 학습부(1210)는 수집된 학습 데이터를 이용하여 판단 기준을 갖는 인공지능 모델을 생성할 수 있다.
일 예로, 학습부(1210)는 전자 장치(100)가 감지한 데이터 또는 외부 장치가 감지한 데이터를 학습 데이터로 전자 장치(100) 주변의 컨텍스트 정보를 획득하도록 제1 모델을 생성, 학습 또는 갱신시킬 수 있다.
또 다른 예로, 학습부(1210)는 이벤트에 대한 정보 및 컨텍스트 정보를 학습 데이터로 이벤트에 대한 출력 정보(또는, 출력 방식)를 획득하도록 제2 모델을 생성, 학습 또는 갱신시킬 수 있다.
판단부(1220)는 소정의 데이터를 학습된 제1 모델에 입력 데이터로 사용하여, 전자 장치(100) 주변의 컨텍스트 정보를 획득할 수 있다. 또한, 판단부(1220)는 소정의 데이터를 학습된 인공지능 모델의 입력 데이터로 사용하여, 이벤트의 출력 정보를 획득할 수 있다.
일 예로, 판단부(1220)는 전자 장치(100)가 감지한 데이터 또는 외부 장치가 감지한 데이터를 입력 데이터로 사용하여 전자 장치(100) 주변의 컨텍스트 정보를 획득(또는 추정, 추론)할 수 있다.
또 다른 예로, 판단부(1220)는 이벤트에 대한 정보 및 컨텍스트 정보를 학습된 인공지능 모델의 입력 데이터로 사용하여 이벤트의 출력 정보를 획득(또는, 추정, 추론)할 수 있다.
본 개시의 일 실시예로, 학습부(1210) 및 판단부(1220)는 외부 서버(1200)에 포함될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100) 내부에 탑재될 수 있다. 구체적으로, 학습부(1210)의 적어도 일부 및 판단부(1220)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다. 예를 들어, 학습부(1210) 및 판단부(1220) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다. 이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(1210) 및 판단부(1220)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(1210) 및 판단부(1220)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(1210) 및 판단부(1220) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 외부의 서버(1200)에 포함될 수 있다. 또한, 학습부(1210) 및 판단부(1220)는 유선 또는 무선으로 통하여, 학습부(1210)가 구축한 모델 정보를 판단부(1220)로 제공할 수도 있고, 학습부(1210)로 입력된 데이터가 추가 학습 데이터로서 학습부(1210)로 제공될 수도 있다.
도 13a는, 다양한 실시예에 따른 학습부(1210) 및 판단부(1220)의 블록도이다.
도 13a의 (a)를 참조하면, 일부 실시예에 따른 학습부(1210)는 학습 데이터 획득부(1210-1) 및 모델 학습부(1210-4)를 포함할 수 있다. 또한, 학습부(1210)는 학습 데이터 전처리부(1210-2), 학습 데이터 선택부(1210-3) 및 모델 평가부(1210-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(1210-1)는 컨텍스트 정보를 획득하기 위한 제1 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시예로, 학습 데이터 획득부(1210-1)는 전자 장치(100)에 구비된 센서에 의해 획득된 데이터, 외부 장치에 의해 수신된 데이터 등을 학습 데이터로서 획득할 수 있다.
또한, 학습 데이터 획득부(1210-1)는 이벤트의 출력 정보를 획득하기 위한 제2 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시예로, 학습 데이터 획득부(1210-1)는 이벤트에 대한 정보, 컨텍스트 정보 등을 학습 데이터로서 획득할 수 있다. 또한, 학습 데이터 획득부(1210-1)는 이벤트의 출력 정보를 획득하기 위하여 사용자 히스토리 정보, 사용자 선호 정보 등을 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(1210) 또는 학습부(1210)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(1210-4)는 학습 데이터를 이용하여, 제1 모델이 컨텍스트 정보를 획득하도록 기준을 갖도록 학습시킬 수 있다. 또한, 모델 학습부(1210-4)는 제2 모델이 이벤트의 출력 정보를 획득하는 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(1210-4)는 학습 데이터 중 적어도 일부를 이벤트의 출력 정보를 획득하기 위한 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 제1 모델 및 제2 모델 중 적어도 하나를 학습시킬 수 있다. 또는, 모델 학습부(1210-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 이벤트의 출력 정보를 획득하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 제1 모델 및 제2 모델 중 적어도 하나를 학습시킬 수 있다. 또한, 모델 학습부(1210-4)는, 예를 들어, 학습에 따른 판단 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 제1 모델 및 제2 모델 중 적어도 하나를 학습시킬 수 있다. 또한, 모델 학습부(1210-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 제1 모델 및 제2 모델 중 적어도 하나를 학습시킬 수 있다
또한, 모델 학습부(1210-4)는 입력 데이터를 이용하여 컨텍스트 정보를 획득하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 선별 기준 또는 이벤트의 출력 정보를 획득하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 선별 기준을 학습할 수도 있다.
모델 학습부(1210-4)는 미리 구축된 인공지능 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 모델을 학습할 인공지능 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기 분류되어 있을 수 있으며, 인공지능 모델은 데이터의 타입별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
인공지능 모델이 학습되면, 모델 학습부(1210-4)는 학습된 인공지능 모델을 저장할 수 있다. 이 경우, 모델 학습부(1210-4)는 학습된 인공지능 모델을 외부 서버(1200)의 메모리에 저장할 수 있다. 또는, 모델 학습부(1210-4)는 학습된 인공지능 모델을 외부 서버(1200)와 유선 또는 무선 네트워크로 연결되는 서버 또는 전자 장치의 메모리에 저장할 수도 있다.
학습부(1210)는 인공지능 모델의 판단 결과를 향상시키거나, 인공지능 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(1210-2) 및 학습 데이터 선택부(1210-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(1210-2)는 컨텍스트 정보를 획득하기 위한 학습에 획득된 데이터 또는 이벤트의 출력 정보를 획득하기 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(1210-2)는 모델 학습부(1210-4)가 이벤트의 출력 정보를 획득하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 학습 데이터 전처리부(1210-2)는 입력된 정보 중 제2 모델이 응답을 제공할 때 필요없는 텍스트(예를 들어, 부사,감탄사 등)를 제거할 수 있다.
학습 데이터 선택부(1210-3)는 학습 데이터 획득부(1210-1)에서 획득된 데이터 또는 학습 데이터 전처리부(1210-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(1210-4)에 제공될 수 있다. 학습 데이터 선택부(1210-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1210-3)는 모델 학습부(1210-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(1210)는 인공지능 모델의 판단 결과를 향상시키기 위하여, 모델 평가부(1210-5)를 더 포함할 수도 있다.
모델 평가부(1210-5)는 인공지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 판단 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1210-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(1210-5)는 평가 데이터에 대한 학습된 인공지능 모델의 판단 결과 중에서, 판단 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인공지능 모델이 복수 개가 존재하는 경우, 모델 평가부(1210-5)는 각각의 학습된 인공지능 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공지능 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1210-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 모델로서 결정할 수 있다.
도 13a의 (b)를 참조하면, 일부 실시예에 따른 판단부(1220)는 입력 데이터 획득부(1220-1) 및 판단 결과 제공부(1220-4)를 포함할 수 있다.
또한, 판단부(1220)는 입력 데이터 전처리부(1220-2), 입력 데이터 선택부(1220-3) 및 모델 갱신부(1220-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(1220-1)는 컨텍스트 정보를 획득하기 위한 데이터 또는 이벤트의 출력 정보를 획득하기 위해 필요한 데이터를 획득할 수 있다. 판단 결과 제공부(1220-4)는 입력 데이터 획득부(1220-1)에서 획득된 입력 데이터를 입력 값으로 학습된 제1 모델에 적용하여 컨텍스트 정보를 획득하거나 입력 데이터 획득부(1220-1)에서 획득된 입력 데이터를 입력 값으로 학습된 제2 모델에 적용하여 이벤트의 출력 정보를 획득할 수 있다. 판단 결과 제공부(1220-4)는 후술할 입력 데이터 전처리부(1220-2) 또는 입력 데이터 선택부(1220-3)에 의해 선택된 데이터를 입력 값으로 인공지능 모델에 적용하여 판단 결과를 획득할 수 있다.
일 실시예로, 판단 결과 제공부(1220-4)는 입력 데이터 획득부(1220-1)에서 획득한 데이터를 학습된 제1 모델에 적용하여 전자 장치(100) 주변의 컨텍스트 정보를 획득할 수 있다.
다른 실시예로, 판단 결과 제공부(1220-4)는 입력 데이터 획득부(1220-1)에서 획득한 이벤트에 대한 정보 및 컨텍스트 정보를 학습된 제2 모델 적용하여 이벤트의 출력 정보를 획득할 수 있다.
판단부(1220)는 인공지능 모델의 판단 결과를 향상시키거나, 판단 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(1220-2) 및 입력 데이터 선택부(1220-3)를 더 포함할 수도 있다.
입력 데이터 전처리부(1220-2)는 컨텍스트 정보 또는 이벤트의 출력 정보를 획득하기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(1220-2)는 판단 결과 제공부(1220-4)가 컨텍스트 정보를 획득하기 위하여 획득된 데이터 또는 이벤트의 출력 정보를 획득하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
입력 데이터 선택부(1220-3)는 입력 데이터 획득부(1220-1)에서 획득된 데이터 또는 입력 데이터 전처리부(1220-2)에서 전처리된 데이터 중에서 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 판단 결과 제공부(1220-4)에게 제공될 수 있다. 입력 데이터 선택부(1220-3)는 판단을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(1220-3)는 모델 학습부(1210-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(1220-5)는 판단 결과 제공부(1220-4)에 의해 제공되는 판단 결과에 대한 평가에 기초하여, 인공지능 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(1220-5)는 판단 결과 제공부(1220-4)에 의해 제공되는 판단 결과를 모델 학습부(1210-4)에게 제공함으로써, 모델 학습부(1210-4)가 인공지능 모델을 추가 학습 또는 갱신하도록 요청할 수 있다. 특히, 모델 갱신부(1220-5)는 사용자 입력에 따른 피드백 정보를 바탕으로 인공지능 모델을 재학습할 수 있다
도 13b는, 일 실시예에 따른 전자 장치(100) 및 외부의 서버(S)가 서로 연동함으로써 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.
도 13b를 참조하면, 외부의 서버(S)는 컨텍스트 정보 또는 이벤트에 대한 출력 정보를 획득하기 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(S)에 의한 학습 결과에 기초하여 컨텍스트 정보를 획득하거나 이벤트에 대한 출력 정보를 통해 제공할 수 있다.
이 경우, 서버(S)의 모델 학습부(1210-4)는 도 12에 도시된 학습부(1210)의 기능을 수행할 수 있다. 즉, 서버(S)의 모델 학습부(1210-4)는 이벤트에 대한 출력 정보를 획득하기 위하여 어떤 이벤트에 대한 정보 또는 컨텍스트 정보를 이용할지, 상기 정보를 이용하여 이벤트에 대한 출력 정보를 어떻게 획득할지에 관한 기준을 학습할 수 있다.
또한, 전자 장치(100)의 판단 결과 제공부(1220-4)는 입력 데이터 선택부(1220-3)에 의해 선택된 데이터를 서버(S)에 의해 생성된 인공지능 모델에 적용하여 이벤트에 대한 출력 정보를 획득할 수 있다. 또는, 전자 장치(100)의 판단 결과 제공부(1220-4)는 서버(50)에 의해 생성된 인공지능 모델을 서버(50)로부터 수신하고, 수신된 인공지능 모델을 이용하여 이벤트에 대한 출력 정보를 획득할 수 있다.
도 14 및 도 15는 본 개시의 다양한 실시예에 따른, 인공지능 모델을 이용하는 네트워크 시스템의 흐름도이다.
도 14 및 도 15에서, 인공지능 모델을 이용하는 네트워크 시스템은 제1 구성 요소(1401, 1501), 제2 구성 요소(1402,1502)를 포함할 수 있다.
여기서, 제1 구성 요소(1401,1501)는 전자 장치(100)이고, 제2 구성 요소(1402,1502)는 판단 모델이 저장된 서버(200)가 될 수 있다. 또는, 제1 구성 요소(1401,1501)는 범용 프로세서이고, 제2 구성 요소(1402,1502)는 인공 지능 전용 프로세서가 될 수 있다. 또는, 제1 구성 요소(1401,1501)는 적어도 하나의 어플리케이션이 될 수 있고, 제2 구성 요소(1402,1502)는 운영 체제(operating system, OS)가 될 수 있다. 즉, 제2 구성 요소(1402,1502)는 제1 구성 요소(1401,1501)보다 더 집적화되거나, 전용화되거나, 딜레이(delay)가 작거나, 성능이 우세하거나 또는 많은 리소스를 가진 구성 요소로서 인공지능 모델의 생성, 갱신 또는 적용 시에 요구되는 많은 연산을 제1 구성 요소(1401,1502)보다 신속하고 효과적으로 처리 가능한 구성 요소가 될 수 있다.
이 경우, 제1 구성 요소(1401,1501) 및 제2 구성 요소(1402,1502) 간에 데이터를 송/수신하기 위한 인터페이스가 정의될 수 있다. 예로, 인공지능 모델에 적용할 학습 데이터를 인자 값(또는, 매개 값 또는 전달 값)으로 갖는 API(application program interface)가 정의될 수 있다. API는 어느 하나의 프로토콜(예로, 전자 장치(100)에서 정의된 프로토콜)에서 다른 프로토콜(예로, 서버(S)에서 정의된 프로토콜)의 어떤 처리를 위해 호출할 수 있는 서브 루틴 또는 함수의 집합으로 정의될 수 있다. 즉, API를 통하여 어느 하나의 프로토콜에서 다른 프로토콜의 동작이 수행될 수 있는 환경을 제공될 수 있다.
또한, 제2 구성 요소(1402,1502)는 복수의 서버로 구현될 수 있다. 예로, 컨텍스트 정보를 획득하기 위한 서버, 이벤트의 출력 정보를 획득하기 위한 서버로 구현될 수 있다.
도 14에서, 제1 구성 요소(1401)는 이벤트를 감지할 수 있다(S1410). 이때, 이벤트는 이메일 수신 이벤트, 문자 수신 이벤트, 전화 수신 이벤트 등과 같은 다양한 이벤트가 포함될 수 있다.
제1 구성 요소(1401)는 컨텍스트 정보를 획득할 수 있다(S1420). 예로, 제1 구성 요소(1401)는 컨텍스트 정보로서, 제1 구성 요소(1401)가 위치하는 공간 및 제1 구성 요소(1401)가 위치하는 공간에 존재하는 사용자에 대한 정보를 획득할 수 있으나, 이에 한정되는 것은 아니다. 예로, 제1 구성 요소(1401)는 사용자의 스케줄 정보, 사용자의 건강 정보, 사용자의 감정 정보 등과 같은 다양한 컨텍스트 정보를 획득할 수 있다.
제1 구성 요소(1401)는 이벤트에 대한 정보 및 컨텍스트 정보를 제2 구성 요소(1402)로 전송할 수 있다(S1430).
제2 구성 요소(1402)는 학습된 인공지능 모델을 이용하여 이벤트의 출력 정보 및 출력 방식을 결정할 수 있다(S1440). 구체적으로, 제2 구성 요소(1402)는 현재 컨텍스트에 따라 이벤트의 출력 정보를 획득할 수 있고, 획득된 출력 정보를 출력하는 출력 방식을 결정할 수 있다. 이때, 인공지능 모델은 이벤트에 대한 정보 및 컨텍스트 정보를 입력 데이터로 이용하여 이벤트의 출력 정보 및 출력 방식을 결정하도록 학습된 모델일 수 있다.
제2 구성 요소(1402)는 이벤트의 출력 정보 및 출력 방식에 대한 정보를 제1 구성 요소(1401)로 전송할 수 있다(S1450).
제1 구성 요소(1401)는 결정된 출력 방식으로 이벤트의 출력 정보를 제공할 수 있다(S1460). 즉, 제1 구성 요소(1401)는 컨텍스트에 따라 결정된 컨텐츠 출력 방식에 따라 이벤트의 출력 정보를 제공할 수 있다. 예로, 사용자가 방에 혼자 존재하는 경우, 제1 구성 요소(1401)는 이벤트의 출력 정보를 디스플레이(120)와 함께 스피커(130)를 통해 제공할 수 있으며, 사용자와 다른 사람이 방에 함께 존재하는 경우, 제1 구성 요소(1401)는 이벤트의 출력 정보를 디스플레이(120)를 통해서만 제공할 수 있다.
제1 구성 요소(1401)는 사용자 입력에 따른 피드백 정보를 입력받을 수 있다(S1470). 이때, 피드백 정보는 이벤트의 출력 정보에 대한 사용자 반응 정보, 이벤트의 출력 정보를 제공한 후 주사용자가 입력한 사용자 명령에 대한 정보, 이벤트의 출력 정보를 출력한 후 주사용자를 통해 검색된 정보 등일 수 있다.
제1 구성 요소(1401)는 입력된 피드백 정보를 제2 구성 요소(1402)로 전송할 수 있다(S1480).
제2 구성 요소(1402)는 입력된 피드백 정보를 바탕으로 인공지능 모델을 재학습할 수 있다(S1490). 이에 의해, 제2 구성 요소(1402)는 컨텍스트에 따른 사용자 피드백 정보를 반영하여 인공지능 모델을 업데이트할 수 있다.
도 15에서, 제1 구성 요소(1501)는 이벤트를 감지할 수 있다(S1505). 이때, 이벤트는 정보를 제공하기 위한 이벤트로서, 문자 수신 이벤트, 메일 수신 이벤트, 전화 수신 이벤트, 정보 요청 수신 이벤트 등과 같은 다양한 이벤트가 포함될 수 있다.
제1 구성 요소(1501)는 전자 장치(100) 주변의 컨텍스트를 감지하기 위한 데이터를 획득할 수 있다(S1510). 이때, 제1 구성 요소(1501)는 전자 장치(100) 내부에 존재하는 센서(예로, 카메라, 마이크 등)를 통해 데이터를 획득할 수 있으며, 전자 장치(100)와 연결된 외부 장치로부터 데이터를 수신할 수 있다.
제1 구성 요소(1501)는 제2 구성 요소(1502)로 컨텍스트를 감지하기 위한 데이터를 전송할 수 있따(S1515).
제2 구성 요소(1520)는 제1 모델을 사용하여 전자 장치(100)가 존재하는 공간에 위치한 사람에 대한 정보를 획득할 수 있다(S1520). 이때, 제1 모델은 전자 장치(100) 주변의 컨텍스트를 감지하기 위한 데이터를 입력 데이터로 사용하여 컨텍스트 정보(특히, 전자 장치(100)가 존재하는 공간에 위치한 사람에 대한 정보)를 획득하도록 학습된 인공지능 모델일 수 있다.
제2 구성 요소(1502)는 획득된 사람에 대한 사람에 대한 정보를 제1 구성 요소(1501)로 전송할 수 있다(S1525). 제1 구성 요소(1501)는 이벤트에 대한 정보 및 사람에 대한 정보를 제2 구성 요소로 전송할 수 있다(S1530). 한편, 제1 구성 요소(1501)가 S1515 단계에서 이벤트에 대한 정보를 함께 전송하는 경우, S1525 단계 및 S1530 단계는 생략될 수 있다.
제2 구성 요소(1502)는 제2 모델을 이용하여 이벤트에 대응되는 출력 정보를 획득할 수 있다(S1535). 구체적으로, 제2 구성 요소(1502)는 이벤트에 대한 정보 및 컨텍스트 정보(특히, 전자 장치(100)가 존재하는 공간에 위치한 사람에 대한 정보)를 제2 모델에 입력 데이터로 입력하여 이벤트에 대응되는 출력 정보를 획득할 수 있다.
제2 구성 요소(1502)는 이벤트의 출력 정보를 제1 구성 요소(1501)로 전송할 수 있다(S1540).
제1 구성 요소(1501)는 이벤트의 출력 정보를 제공할 수 있다(S1545).
제1 구성 요소(1501)는 사용자 입력에 따른 피드백 정보를 입력받을 수 있다(S1550). 이때, 피드백 정보는 이벤트의 출력 정보에 대한 사용자 반응 정보, 이벤트의 출력 정보를 제공한 후 주사용자가 입력한 사용자 명령에 대한 정보, 이벤트의 출력 정보를 출력한 후 주사용자를 통해 검색된 정보 등일 수 있다.
제1 구성 요소(1501)는 입력된 피드백 정보를 제2 구성 요소(1502)로 전송할 수 있다(S1555).
제2 구성 요소(1502)는 입력된 피드백 정보를 바탕으로 제2 모델을 재학습할 수 있다(S1560). 이에 의해, 제2 구성 요소(1502)는 컨텍스트에 따른 사용자 피드백 정보를 반영하여 제2 모델을 업데이트할 수 있다.
도 16은 본 개시의 일 실시예에 따른, 전자 장치가 컨텍스트에 따라 이벤트에 대한 출력 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
우선, 전자 장치(100)는 정보를 제공하기 위한 이벤트를 감지할 수 있다(S1610). 이때, 정보를 제공하기 위한 이벤트는 문자 수신 이벤트, 이메일 수신 이벤트, 전화 수신 이벤트, 정보 수신 이벤트, SNS 수신 이벤트 중 적어도 하나를 포함할 수 있다.
전자 장치(100)는 전자 장치(100) 주변의 컨텍스트를 감지하기 위한 데이터를 획득할 수 있다(S1620). 이때, 전자 장치의 주변의 컨텍스트를 감지하기 위한 데이터는 전자 장치(100) 또는 전자 장치(100)와 연결된 외부 장치에 포함된 카메라 및 마이크를 통해 획득된 영상 데이터 및 음성 데이터 중 적어도 하나를 포함할 수 있다.
전자 장치(100)는 획득된 데이터를 학습된 제1 모델에 입력하여 전자 장치(100)가 존재하는 공간에 위치하는 사람에 대한 정보를 획득할 수 있다(S1630).
전자 장치(100)는 획득된 사람에 대한 정보 및 이벤트에 대한 정보를 학습된 제2 모델에 입력하여 이벤트에 대응되는 출력 정보를 획득할 수 있다(S1640). 예로, 획득된 사람에 대한 정보에 전자 장치(100)를 사용하는 주사용자에 대한 정보만 포함된 경우, 제2 모델은 이벤트에 대한 상세 정보를 출력 정보로 획득하도록 학습되며, 획득된 사람에 대한 정보에 전자 장치(100)를 사용하는 주사용자에 대한 정보와 함께 타인에 대한 정보가 모두 포함된 경우, 제2 모델은 이벤트에 대한 간략 정보를 출력 정보로 획득하도록 학습될 수 있다.
전자 장치(100)는 획득된 출력 정보를 제공할 수 있다(S1650).
본 개시의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일시예에 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, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
110: 통신부
120: 디스플레이
130: 스피커 140: 메모리
150: 프로세서 160: 센서
170: 입력부
130: 스피커 140: 메모리
150: 프로세서 160: 센서
170: 입력부
Claims (17)
- 전자 장치에 있어서,
통신부;
카메라;
디스플레이; 및
상기 통신부를 통해 외부 장치로부터 수신된 정보를 제공하기 위한 이벤트가 발생하면, 상기 카메라를 통해 상기 전자 장치의 주변 영역을 캡처하여 이미지 데이터를 획득하고,
상기 획득된 이미지 데이터를 학습된 인공 지능 모델에 제공하여 상기 획득된 이미지 데이터에서 인물 정보를 검출하고,
상기 검출된 상기 인물 정보가 제1 인물을 나타내면, 어플리케이션을 통해 상기 이벤트에 대한 제 1 정보를 제공하도록 상기 디스플레이를 제어하고,
상기 어플리케이션이 복수의 애플리케이션 중 상기 전자 장치의 사용자에 의해 선택된 애플리케이션이고 상기 검출된 상기 인물 정보가 상기 제1 인물이 아닌 제2 인물을 포함하는 적어도 한 인물을 나타내면, 상기 어플리케이션을 통해 상기 제1 정보보다 덜 상세한 상기 이벤트에 대한 제2 정보를 제공하도록 상기 디스플레이를 제어하는 프로세서; 를 포함하며,
상기 인공 지능 모델은 상기 전자 장치의 주 사용자인 상기 제1 인물을 감지하도록 학습되며,
상기 제1 정보는 메시지의 발신자를 나타내는 정보 및 상기 메시지의 내용을 나타내는 정보를 포함하고,
상기 제2 정보는 상기 메시지의 내용을 디스플레이에 표시하는 대신 상기 메시지가 수신되었음을 나타내는 전자 장치.
- 제1 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 제1 정보 또는 상기 제2 정보 중 하나를 팝업창을 통해 제공하도록 상기 디스플레이를 제어하는 전자 장치.
- 제1 항에 있어서,
상기 이벤트는 문자 메시지 수신 이벤트, 이메일 수신 이벤트, 전화 수신 이벤트, 정보 수신 이벤트, SNS(Social Networking Service) 수신 이벤트 및 푸시 알림 수신 이벤트 중 적어도 하나를 포함하는 전자 장치.
- 제1 항에 있어서,
상기 적어도 하나의 프로세서는,
사용자 입력을 통해 수신된 피드백 정보에 기초하여 상기 제1 정보 또는 상기 제2 정보를 제공하도록 상기 디스플레이를 제어하는 전자 장치. - 제1 항에 있어서,
상기 제1 정보는 상기 외부 전자 장치로부터 수신된 정보에 대한 발신자 정보 및 컨텐츠 정보를 포함하는 전자 장치.
- 제5 항에 있어서,
상기 제2 정보는 상기 컨텐츠 정보를 포함하지 않는 전자 장치.
- 제1 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 검출된 상기 인물 정보가 상기 제1 인물 및 상기 제2 인물 모두를 나타내면, 상기 이벤트에 대한 상기 제2 정보를 제공하도록 상기 디스플레이를 제어하는 전자 장치.
- 제1 항에 있어서,
상기 적어도 하나의 프로세서는,
상기 획득된 이미지 데이터를 학습된 인공지능 모델에서 처리하는 AI(Artificial Intelligence) 전용 프로세서를 포함하는 전자 장치.
- 전자 장치의 제어 방법에 있어서,
외부 장치로부터 수신된 정보를 제공하기 위한 이벤트가 발생하면, 상기 전자 장치의 카메라를 통해 상기 전자 장치의 주변 영역을 캡처하여 이미지 데이터를 획득하는 단계;
상기 획득된 이미지 데이터를 학습된 인공 지능 모델에 제공하여 상기 획득된 이미지 데이터에서 인물 정보를 검출하는 단계;
상기 검출된 상기 인물 정보가 제1 인물을 나타내면, 어플리케이션을 통해 상기 디스플레이를 통해 상기 이벤트에 대한 제 1 정보를 제공하는 단계; 및
상기 어플리케이션이 복수의 애플리케이션 중 상기 전자 장치의 사용자에 의해 선택된 애플리케이션이고 상기 검출된 상기 인물 정보가 상기 제1 인물이 아닌 제2 인물을 포함하는 적어도 한 인물을 나타내면, 상기 어플리케이션을 통해 상기 디스플레이를 통해 상기 제1 정보보다 덜 상세한 상기 이벤트에 대한 제2 정보를 제공하는 단계; 를 포함하며,
상기 인공 지능 모델은 상기 전자 장치의 주 사용자인 상기 제1 인물을 감지하도록 학습되며,
상기 제1 정보는 메시지의 발신자를 나타내는 정보 및 상기 메시지의 내용을 나타내는 정보를 포함하고,
상기 제2 정보는 상기 메시지의 내용을 디스플레이에 표시하는 대신 상기 메시지가 수신되었음을 나타내는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 제1 정보 또는 상기 제2 정보 중 하나는 팝업창을 통해 제공되는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 이벤트는 문자 메시지 수신 이벤트, 이메일 수신 이벤트, 전화 수신 이벤트, 정보 수신 이벤트, SNS(Social Networking Service) 수신 이벤트 및 푸시 알림 수신 이벤트 중 적어도 하나를 포함하는 전자 장치의 제어 방법.
- 제9 항에 있어서,
사용자 입력을 통해 수신된 피드백 정보에 기초하여, 상기 디스플레이를 통해 상기 제1 정보 또는 상기 제2 정보를 제공하는 단계; 를 더 포함하는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 제1 정보는 상기 외부 전자 장치로부터 수신된 정보에 대한 발신자 정보 및 컨텐츠 정보를 포함하는 전자 장치의 제어 방법.
- 제13 항에 있어서,
상기 제2 정보는 상기 컨텐츠 정보를 포함하지 않는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 제2 정보를 제공하는 단계는,
상기 검출된 상기 인물 정보가 상기 제1 인물 및 상기 제2 인물 모두를 나타내면, 상기 디스플레이를 통해 상기 이벤트에 대한 상기 제2 정보를 제공하도록 상기 디스플레이를 제어하는 전자 장치의 제어 방법.
- 제9 항에 있어서,
상기 인물 정보를 검출하는 단계는,
AI(Artificial Intelligence) 전용 프로세서에 의해 상기 획득된 이미지 데이터를 학습된 인공지능 모델에서 처리하는 단계; 를 포함하는 전자 장치의 제어 방법.
- 전자 장치의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서,
상기 전자 장치의 제어 방법은,
외부 장치로부터 수신된 정보를 제공하기 위한 이벤트가 발생하면, 상기 전자 장치의 카메라를 통해 상기 전자 장치의 주변 영역을 캡처하여 이미지 데이터를 획득하는 단계;
상기 획득된 이미지 데이터를 학습된 인공 지능 모델에 제공하여 상기 획득된 이미지 데이터에서 인물 정보를 검출하는 단계;
상기 검출된 상기 인물 정보가 제1 인물을 나타내면, 어플리케이션을 통해 상기 디스플레이를 통해 상기 이벤트에 대한 제 1 정보를 제공하는 단계; 및
상기 어플리케이션이 복수의 애플리케이션 중 상기 전자 장치의 사용자에 의해 선택된 애플리케이션이고 상기 검출된 상기 인물 정보가 상기 제1 인물이 아닌 제2 인물을 포함하는 적어도 한 인물을 나타내면, 상기 어플리케이션을 통해 상기 디스플레이를 통해 상기 제1 정보보다 덜 상세한 상기 이벤트에 대한 제2 정보를 제공하는 단계; 를 포함하며,
상기 인공 지능 모델은 상기 전자 장치의 주 사용자인 상기 제1 인물을 감지하도록 학습되며,
상기 제1 정보는 메시지의 발신자를 나타내는 정보 및 상기 메시지의 내용을 나타내는 정보를 포함하고,
상기 제2 정보는 상기 메시지의 내용을 디스플레이에 표시하는 대신 상기 메시지가 수신되었음을 나타내는 컴퓨터 판독 가능 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220130012A KR102617387B1 (ko) | 2018-02-01 | 2022-10-11 | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180012973A KR102455056B1 (ko) | 2018-02-01 | 2018-02-01 | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 |
| KR1020220130012A KR102617387B1 (ko) | 2018-02-01 | 2022-10-11 | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180012973A Division KR102455056B1 (ko) | 2018-02-01 | 2018-02-01 | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220144346A true KR20220144346A (ko) | 2022-10-26 |
| KR102617387B1 KR102617387B1 (ko) | 2023-12-27 |
Family
ID=67392278
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180012973A KR102455056B1 (ko) | 2018-02-01 | 2018-02-01 | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 |
| KR1020220130012A KR102617387B1 (ko) | 2018-02-01 | 2022-10-11 | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180012973A KR102455056B1 (ko) | 2018-02-01 | 2018-02-01 | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 |
Country Status (5)
| Country | Link |
|---|---|
| US (2) | US10936918B2 (ko) |
| EP (1) | EP3704853B1 (ko) |
| KR (2) | KR102455056B1 (ko) |
| CN (3) | CN116320149A (ko) |
| WO (1) | WO2019151830A1 (ko) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11159447B2 (en) | 2019-03-25 | 2021-10-26 | Cisco Technology, Inc. | Predictive routing using machine learning in SD-WANs |
| US11269590B2 (en) * | 2019-06-10 | 2022-03-08 | Microsoft Technology Licensing, Llc | Audio presentation of conversation threads |
| KR102234691B1 (ko) * | 2019-08-09 | 2021-04-02 | 엘지전자 주식회사 | 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법 |
| US20210342736A1 (en) * | 2020-04-30 | 2021-11-04 | UiPath, Inc. | Machine learning model retraining pipeline for robotic process automation |
| US11836640B2 (en) * | 2020-05-15 | 2023-12-05 | Motorola Mobility Llc | Artificial intelligence modules for computation tasks |
| KR102391211B1 (ko) * | 2020-06-02 | 2022-04-28 | (주)웰팩토리 | 스마트케어 기능성 게임플랫폼 장치 |
| US11816678B2 (en) * | 2020-06-26 | 2023-11-14 | Capital One Services, Llc | Systems and methods for providing user emotion information to a customer service provider |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004289408A (ja) * | 2003-03-20 | 2004-10-14 | Jintetsuku:Kk | Ｕｒｌ通知サービスシステム、ｕｒｌ通知サービス処理プログラム及び記憶媒体 |
| KR20050018359A (ko) * | 2003-08-12 | 2005-02-23 | 에스케이 텔레콤주식회사 | Ｓｍｓ 수신 일시보류 서비스 방법 |
| KR100814067B1 (ko) * | 2007-05-30 | 2008-03-14 | (주)엠비즈코리아 | 에스엠에스 메시지 열람확인 방법 및 이를 수행하기 위한단말장치 |
| WO2016094105A1 (en) * | 2014-12-12 | 2016-06-16 | Microsoft Technology Licensing, Llc | Context-driven multi-user communication |
| US9621720B1 (en) * | 2013-10-21 | 2017-04-11 | West Corporation | Providing data messaging support by intercepting and redirecting received short message service (SMS) messages |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6466232B1 (en) | 1998-12-18 | 2002-10-15 | Tangis Corporation | Method and system for controlling presentation of information to a user based on the user's condition |
| US6954657B2 (en) * | 2000-06-30 | 2005-10-11 | Texas Instruments Incorporated | Wireless communication device having intelligent alerting system |
| US10304066B2 (en) * | 2010-12-22 | 2019-05-28 | Facebook, Inc. | Providing relevant notifications for a user based on location and social information |
| US9591346B2 (en) * | 2012-05-14 | 2017-03-07 | Samsung Electronics Co., Ltd. | Content delivery system with content sharing mechanism and method of operation thereof |
| US9002380B2 (en) * | 2012-06-08 | 2015-04-07 | Apple Inc. | Proximity-based notifications in a mobile device |
| US9638537B2 (en) * | 2012-06-21 | 2017-05-02 | Cellepathy Inc. | Interface selection in navigation guidance systems |
| US9576574B2 (en) | 2012-09-10 | 2017-02-21 | Apple Inc. | Context-sensitive handling of interruptions by intelligent digital assistant |
| JP5983332B2 (ja) | 2012-11-13 | 2016-08-31 | 株式会社Ｊｖｃケンウッド | 音声情報報知装置、音声情報報知方法およびプログラム |
| KR101558656B1 (ko) | 2013-07-30 | 2015-10-08 | 현대자동차주식회사 | 수신자 맞춤형 메시지 처리 장치 및 그 방법 |
| US9959431B2 (en) * | 2013-09-16 | 2018-05-01 | Google Technology Holdings LLC | Method and apparatus for displaying potentially private information |
| US10007810B2 (en) | 2013-10-05 | 2018-06-26 | Excalibur Ip, Llc | Alternate screen reveal for instant privacy |
| US9946893B2 (en) * | 2013-11-26 | 2018-04-17 | Nokia Technologies Oy | Method and apparatus for providing privacy profile adaptation based on physiological state change |
| KR20160006417A (ko) | 2014-07-09 | 2016-01-19 | 엘지전자 주식회사 | 이동단말기 및 그 제어방법 |
| KR101588190B1 (ko) | 2014-10-22 | 2016-01-25 | 현대자동차주식회사 | 차량, 그 제어 방법 및 차량에 포함되는 멀티미디어 장치 |
| US10530720B2 (en) | 2015-08-27 | 2020-01-07 | Mcafee, Llc | Contextual privacy engine for notifications |
| KR101797856B1 (ko) | 2016-02-24 | 2017-11-15 | 라인 가부시키가이샤 | 메신저 서비스를 이용한 인공지능 학습 방법 및 시스템, 그리고 인공지능을 이용한 답변 중계 방법 및 시스템 |
| CN105956022B (zh) * | 2016-04-22 | 2021-04-16 | 腾讯科技（深圳）有限公司 | 电子镜图像处理方法和装置、图像处理方法和装置 |
| JP2019056970A (ja) * | 2017-09-19 | 2019-04-11 | カシオ計算機株式会社 | 情報処理装置、人工知能選択方法及び人工知能選択プログラム |
| US20190122082A1 (en) * | 2017-10-23 | 2019-04-25 | Motionloft, Inc. | Intelligent content displays |
-
2018
- 2018-02-01 KR KR1020180012973A patent/KR102455056B1/ko active IP Right Grant
-
2019
- 2019-02-01 EP EP19747841.5A patent/EP3704853B1/en active Active
- 2019-02-01 WO PCT/KR2019/001459 patent/WO2019151830A1/en unknown
- 2019-02-01 CN CN202310244747.0A patent/CN116320149A/zh active Pending
- 2019-02-01 CN CN202310239150.7A patent/CN116320148A/zh active Pending
- 2019-02-01 CN CN201980010243.4A patent/CN111656757A/zh active Pending
- 2019-02-01 US US16/265,393 patent/US10936918B2/en active Active
-
2021
- 2021-02-04 US US17/167,652 patent/US11876925B2/en active Active
-
2022
- 2022-10-11 KR KR1020220130012A patent/KR102617387B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004289408A (ja) * | 2003-03-20 | 2004-10-14 | Jintetsuku:Kk | Ｕｒｌ通知サービスシステム、ｕｒｌ通知サービス処理プログラム及び記憶媒体 |
| KR20050018359A (ko) * | 2003-08-12 | 2005-02-23 | 에스케이 텔레콤주식회사 | Ｓｍｓ 수신 일시보류 서비스 방법 |
| KR100814067B1 (ko) * | 2007-05-30 | 2008-03-14 | (주)엠비즈코리아 | 에스엠에스 메시지 열람확인 방법 및 이를 수행하기 위한단말장치 |
| US9621720B1 (en) * | 2013-10-21 | 2017-04-11 | West Corporation | Providing data messaging support by intercepting and redirecting received short message service (SMS) messages |
| WO2016094105A1 (en) * | 2014-12-12 | 2016-06-16 | Microsoft Technology Licensing, Llc | Context-driven multi-user communication |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190236417A1 (en) | 2019-08-01 |
| US20210166089A1 (en) | 2021-06-03 |
| US10936918B2 (en) | 2021-03-02 |
| CN116320148A (zh) | 2023-06-23 |
| EP3704853B1 (en) | 2023-08-02 |
| WO2019151830A1 (en) | 2019-08-08 |
| EP3704853A4 (en) | 2020-12-09 |
| EP3704853A1 (en) | 2020-09-09 |
| KR20190098859A (ko) | 2019-08-23 |
| EP3704853C0 (en) | 2023-08-02 |
| KR102455056B1 (ko) | 2022-10-17 |
| CN111656757A (zh) | 2020-09-11 |
| US11876925B2 (en) | 2024-01-16 |
| CN116320149A (zh) | 2023-06-23 |
| KR102617387B1 (ko) | 2023-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11671386B2 (en) | Electronic device and method for changing chatbot | |
| KR102455056B1 (ko) | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 | |
| KR102473447B1 (ko) | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 | |
| EP3725470A1 (en) | Robot reacting on basis of user behavior and control method therefor | |
| KR102643027B1 (ko) | 전자 장치, 그의 제어 방법 | |
| KR102449630B1 (ko) | 전자 장치 및 이의 제어 방법 | |
| US11954150B2 (en) | Electronic device and method for controlling the electronic device thereof | |
| US20200133211A1 (en) | Electronic device and method for controlling electronic device thereof | |
| KR102515023B1 (ko) | 전자 장치 및 그 제어 방법 | |
| CN110121696B (zh) | 电子设备及其控制方法 | |
| US20230290343A1 (en) | Electronic device and control method therefor | |
| KR20230023704A (ko) | 전자 장치 및 그의 제어 방법 | |
| KR102398386B1 (ko) | 복수 개의 메시지들을 필터링하는 방법 및 이를 위한 장치 | |
| US11468270B2 (en) | Electronic device and feedback information acquisition method therefor | |
| KR102669026B1 (ko) | 전자 장치 및 이의 제어 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |