KR20220147398A - 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 - Google Patents
인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 Download PDFInfo
- Publication number
- KR20220147398A KR20220147398A KR1020210054493A KR20210054493A KR20220147398A KR 20220147398 A KR20220147398 A KR 20220147398A KR 1020210054493 A KR1020210054493 A KR 1020210054493A KR 20210054493 A KR20210054493 A KR 20210054493A KR 20220147398 A KR20220147398 A KR 20220147398A
- Authority
- KR
- South Korea
- Prior art keywords
- artificial intelligence
- electronic device
- value
- intelligence model
- weight
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000012545 processing Methods 0.000 title claims abstract description 101
- 230000008569 process Effects 0.000 claims abstract description 60
- 230000006870 function Effects 0.000 claims description 145
- 230000004913 activation Effects 0.000 claims description 127
- 238000005265 energy consumption Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 abstract description 34
- 238000004891 communication Methods 0.000 description 67
- 238000010586 diagram Methods 0.000 description 26
- 238000011156 evaluation Methods 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000013136 deep learning model Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 4
- 238000011017 operating method Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Telephone Function (AREA)
Abstract
다양한 실시예들에 따르면, 전자 장치의 동작 방법으로서, 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하는 단계 상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 데이터를 획득하는 단계 지정된 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하는 단계 및 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 데이터를 획득하는 단계를 포함하는, 동작 방법이 제공될 수 있다. 그 밖의 다양한 실시예가 가능하다.
Description
본 문서에 개시된 다양한 실시예는 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법에 관한 것이다.
현대를 살아가는 많은 사람들에게 휴대용 디지털 통신기기들은 하나의 필수 요소가 되었다. 소비자들은 휴대용 디지털 통신기기들을 이용하여 언제 어디서나 자신이 원하는 다양한 고품질의 서비스를 제공받고 싶어한다.
근래에 휴대용 디지털 통신기기들에는 인공 지능 학습 알고리즘에 기반하여 학습된 인공 지능 모델들이 저장되며, 휴대용 디지털 통신기기들에 의해 학습된 인공 지능 모델들을 이용하여 획득되는 다양한 종류의 데이터들을 처리하여 다양한 고품질의 서비스를 제공되고 있다.
그러나 인공 지능 모델들을 운용하기 위해 요구되는 리소스가 커, 휴대용 디지털 통신기기들에서 인공 지능 모델들을 운용하기 위해 인공 지능 모델들을 최적화하는 기술에 대한 수요가 증대되고 있다.
전자 장치는 미리 학습된 복수의 인공 지능 모델들(예: 딥 러닝 모델들, 또는 머신 러닝 모델들)을 저장하고, 복수의 인공 지능 모델들을 기반으로 획득되는 데이터(예: 이미지 데이터, 오디오 데이터)를 처리하여 결과 데이터(예: instance segmentation된 이미지 데이터)를 획득할 수 있다. 미리 학습된 인공 지능 모델들은 입력되는 데이터를 처리하기 위해 학습에 따라서 적어도 하나의 파라미터(예: 가중치, 활성 함수)로 구성되며, 정확하게 데이터를 처리하기 위해 적어도 하나의 파라미터는 복잡도가 높은 연산 값으로 설정될 수 있다. 따라서, 전자 장치가 미리 학습된 인공 지능 모델들을 이용하는 경우, 복잡도가 높은 연산 값으로 설정된 적어도 하나의 파라미터에 기반한 연산을 수행하게 되어 전자 장치의 운용 부담이 가중될 수 있다. 또 입력되는 데이터의 특성에 따라서 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)의 연산 값과는 무관하게, 서로 다른 파라미터를 포함하는 인공 지능 모델들 각각을 이용하여 획득되는 결과 데이터 간의 차이가 없을(또는 적을) 수 있다. 이 경우, 전자 장치가 복잡도가 높은 연산 값으로 설정된 파라미터를 포함하는 미리 학습된 인공 지능 모델을 이용하는 경우 상대적으로 전자 장치의 운용 부담이 더 가중될 수 있다.
다양한 실시예들에 따르면, 전자 장치 및 그 동작 방법은 미리 학습된 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)를 동적으로 낮은 연산 값의 적어도 하나의 파라미터로 구성함으로써, 전자 장치의 운용 부담을 경감할 수 있다. 또 다양한 실시예들에 따르면, 전자 장치 및 그 동작 방법은 상술한 입력되는 데이터의 특성에 따른 결과 데이터의 차이의 특성(예: 적어도 하나의 파라미터(예: 가중치, 활성 함수)의 연산 값과는 무관하게 결과 데이터 간의 차이가 없음 또는 적음)에 기반하여, 미리 학습된 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)를 동적으로 낮은 연산 값의 적어도 하나의 파라미터로 구성함으로써, 정확도가 높은 결과 데이터를 획득하면서 전자 장치의 운용 부담을 경감할 수 있다.
다양한 실시예들에 따르면, 전자 장치의 동작 방법으로서, 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하는 단계 상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 데이터를 획득하는 단계 지정된 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하는 단계 및 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 데이터를 획득하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 전자 장치로서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하고, 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하고, 상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 컨텐트를 획득하고, 지정된 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 컨텐트를 획득하도록 설정된, 전자 장치가 제공될 수 있다.
다양한 실시예들에 따르면, 전자 장치의 동작 방법으로서, 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계 상기 전자 장치에 저장된 인공 지능 모델을 이용하여 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 제 1 프로세서를 선택하는 단계를 포함하고, 상기 제 1 프로세서는 연산 능력과 연관된 복수의 값들 중 제 1 값들에 대응하도록 설정되고, 상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계 지정된 이벤트의 발생에 기반하여, 제 2 프로세서를 선택하는 단계를 포함하고, 상기 제 2 프로세서는 상기 연산 능력과 연관된 상기 복수의 값들 중 제 2 값들에 대응하도록 설정되고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따른, 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 실시예들에 따르면, 미리 학습된 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)를 동적으로 낮은 연산 값의 적어도 하나의 파라미터로 구성함으로써, 전자 장치의 운용 부담을 경감하는 전자 장치 및 그 동작 방법이 제공될 수 있다.
또 다양한 실시예들에 따르면, 입력되는 데이터의 특성에 따른 결과 데이터의 차이의 특성(예: 적어도 하나의 파라미터(예: 가중치, 활성 함수)의 연산 값과는 무관하게 결과 데이터 간의 차이가 없음 또는 적음)에 기반하여, 미리 학습된 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)를 동적으로 낮은 연산 값의 적어도 하나의 파라미터로 구성함으로써, 정확도가 높은 결과 데이터를 획득하면서 전자 장치의 운용 부담을 경감하는 전자 장치 및 그 동작 방법이 제공될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예들에 따른 전자 장치의 구성의 예를 설명하기 위한 도면이다.
도 3은 다양한 실시예들에 따른 인공 지능 모델의 예를 설명하기 위한 도면이다.
도 4a는 다양한 실시예들에 따른 프로세서의 인공 지능 모델에 기반한 컨텐트 처리 동작의 예를 설명하기 위한 도면이다.
도 4b는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 가중치(weight))가 획득되는(또는 양자화되는) 동작의 일 예를 설명하기 위한 도면이다.
도 4c는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 활성 함수(activation function))가 획득되는(또는 양자화되는) 동작의 다른 예를 설명하기 위한 도면이다.
도 5는 다양한 실시예들에 따른 전자 장치의 동작의 일 예를 설명하기 위한 흐름도이다.
도 6은 다양한 실시예들에 따른 전자 장치의 인공 지능 모델을 이용하여 컨텐트(예: 이미지 데이터)를 처리하는 동작의 일 예를 설명하기 위한 도면이다.
도 7a는 다양한 실시예들에 따른 전자 장치의 복수의 연산 값들 중 연산 값들을 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다.
도 7b는 다양한 실시예들에 따른 전자 장치의 복수의 프로세서들 중 프로세서를 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다.
도 8은 다양한 실시예들에 따른 전자 장치의 동작의 일 예를 설명하기 위한 흐름도이다.
도 9는 다양한 실시예들에 따른 전자 장치의 복수의 연산 조합들 별로 코스트를 계산하는 동작의 예를 설명하기 위한 도면이다.
도 10은 다양한 실시예들에 따른 서로 다른 연산 조합들에 기반하여 구성된 적어도 하나의 파라미터를 가지는 인공 지능 모델들에 의해 획득된 결과 데이터의 예를 설명하기 위한 도면이다.
도 11a는 다양한 실시예들에 따른 전자 장치의 지정된 기간 동안 코스트들을 계산하는 동작의 일 예를 설명하기 위한 도면이다.
도 11b는 다양한 실시예들에 따른 전자 장치의 지정된 기간 동안 코스트들을 계산하는 동작의 다른 예를 설명하기 위한 도면이다.
도 2는 다양한 실시예들에 따른 전자 장치의 구성의 예를 설명하기 위한 도면이다.
도 3은 다양한 실시예들에 따른 인공 지능 모델의 예를 설명하기 위한 도면이다.
도 4a는 다양한 실시예들에 따른 프로세서의 인공 지능 모델에 기반한 컨텐트 처리 동작의 예를 설명하기 위한 도면이다.
도 4b는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 가중치(weight))가 획득되는(또는 양자화되는) 동작의 일 예를 설명하기 위한 도면이다.
도 4c는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 활성 함수(activation function))가 획득되는(또는 양자화되는) 동작의 다른 예를 설명하기 위한 도면이다.
도 5는 다양한 실시예들에 따른 전자 장치의 동작의 일 예를 설명하기 위한 흐름도이다.
도 6은 다양한 실시예들에 따른 전자 장치의 인공 지능 모델을 이용하여 컨텐트(예: 이미지 데이터)를 처리하는 동작의 일 예를 설명하기 위한 도면이다.
도 7a는 다양한 실시예들에 따른 전자 장치의 복수의 연산 값들 중 연산 값들을 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다.
도 7b는 다양한 실시예들에 따른 전자 장치의 복수의 프로세서들 중 프로세서를 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다.
도 8은 다양한 실시예들에 따른 전자 장치의 동작의 일 예를 설명하기 위한 흐름도이다.
도 9는 다양한 실시예들에 따른 전자 장치의 복수의 연산 조합들 별로 코스트를 계산하는 동작의 예를 설명하기 위한 도면이다.
도 10은 다양한 실시예들에 따른 서로 다른 연산 조합들에 기반하여 구성된 적어도 하나의 파라미터를 가지는 인공 지능 모델들에 의해 획득된 결과 데이터의 예를 설명하기 위한 도면이다.
도 11a는 다양한 실시예들에 따른 전자 장치의 지정된 기간 동안 코스트들을 계산하는 동작의 일 예를 설명하기 위한 도면이다.
도 11b는 다양한 실시예들에 따른 전자 장치의 지정된 기간 동안 코스트들을 계산하는 동작의 다른 예를 설명하기 위한 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 전자 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 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 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 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.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
이하에서는 다양한 실시예들에 따른 상술한 전자 장치(101)의 구성의 예들에 대해서 설명한다.
도 2는 다양한 실시예들에 따른 전자 장치(101)의 구성의 예를 설명하기 위한 도면이다. 다만 도 2에 도시되는 구성들에 제한되지 않고, 전자 장치(101)는 도 2에 도시되는 구성들 보다 더 많은 구성들 또는 더 적은 구성들을 포함하도록 구현될 수 있다. 이하에서는 도 3 및 도 4a 내지 도 4c를 참조하여 도 2에 대해서 설명한다.
도 3은 다양한 실시예들에 따른 인공 지능 모델의 예를 설명하기 위한 도면이다. 도 4a는 다양한 실시예들에 따른 프로세서의 인공 지능 모델에 기반한 컨텐트 처리 동작의 예를 설명하기 위한 도면이다. 도 4b는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 가중치(weight))가 획득되는(또는 양자화되는) 동작의 일 예를 설명하기 위한 도면이다. 도 4c는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 활성 함수(activation function))가 획득되는(또는 양자화되는) 동작의 다른 예를 설명하기 위한 도면이다.
다양한 실시예들에 따르면, 도 2를 참조하면, 전자 장치(101)는 카메라(211), 마이크(213), 및 통신 회로(215)와 같은 데이터 획득 장치(210), 복수의 프로세서들(220), 복수의 어플리케이션들(241)과 복수의 인공 지능 모델들(243)을 저장하는 메모리(240) 및 연산 값 선택 모듈(231)과 평가 모듈(233)을 포함하는 프로세서(230)를 포함할 수 있다. 이하에서는 전자 장치(101)에 포함된 각각의 구성들에 대해서 설명한다.
먼저 다양한 실시예들에 따른 데이터 획득 장치(210)에 대해서 설명한다. 데이터 획득 장치(210)는 전자 장치(101)에 포함된 장치들 중에서 컨텐트를 획득하기 위한 장치들을 분류하기 위한 논리적인 개념으로 해석될 수 있다. 데이터 획득 장치(210)들은 카메라(211), 마이크(213), 및 통신 회로(215) 이외에도 이하에서 기술하는 다양한 종류의 컨텐트들을 획득하기 위한 다양한 종류의 장치들(예: 각종 센서들, 터치 스크린)을 더 포함할 수 있다.
다양한 실시예들에 따르면 데이터 획득 장치(210)들은 인공 지능 모델에 기반하여 처리될 다양한 종류의 데이터(또는 컨텐트)를 획득할 수 있다. 상기 다양한 종류의 데이터들은 이미지, 영상, 및 오디오 데이터와 같은 미디어 데이터, 전자적인 문서를 포함할 수 있으며, 이에 제한되지 않고 인공 지능 모델에 의해 전자적으로 분석 가능한 종류의 전자적인 데이터들(예: 소프트웨어, 센서의 값들)을 더 포함할 수 있다. 일 실시예에서, 상기 데이터 획득 장치(210)들은, 전자 장치(101)에 설치된(또는, 저장된) 프로세스들, 프로그램들, 및/또는 어플리케이션들의 실행 및/또는 구동에 따라서, 구동되어 다양한 종류의 데이터를 획득할 수 있다. 일 예로, 카메라 어플리케이션이 실행 및/또는 구동되는 경우, 전자 장치(101)는 카메라(211)를 구동(예: 이미지 센서의 리드 아웃을 제어하는 동작을 수행)하여 데이터로서 이미지 및/또는 영상을 획득할 수 있다. 또 일 예로, 녹음 어플리케이션이 실행 및/또는 구동되는 경우, 전자 장치(101)는 마이크(213)를 구동하여 데이터로서 사용자의 발화 및/또는 주변 소리들과 같은 오디오 데이터를 획득할 수 있다. 또 일 예로, 웹 기반의 어플리케이션이 실행 및/또는 구동되는 경우, 전자 장치(101)는 통신 회로(215)를 이용하여 미디어 서버와 통신 연결을 설정하고 이미지, 영상, 오디오 데이터와 같은 미디어 데이터들을 획득할 수 있다. 이하에서는 각각의 컨텐트 장치들의 예에 대해서 설명한다.
다양한 실시예들에 따르면 카메라(211)(예: 적어도 하나의 전면 카메라(211) 및 적어도 하나의 후면 카메라(211))는 정지 영상(또는, 이미지) 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 적어도 하나의 카메라(211)는 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다. 일 실시예에서, 전자 장치(101)는 각각 다른 속성 또는 기능(또는, 용도)을 가진 카메라(211)들을 포함할 수 있다. 예를 들면, 적어도 하나의 카메라(211)는 서로 다른 화각의 카메라(211)들을 포함할 수 있다. 상기 화각은 일 예로서, 114° 내지 94°의 초광각(super wide angle), 75° 내지 66°의 광각(wide angle), 84° 내지 63°의 표준(normal lens), 28° 내지 8°의 망원(telephoto), 및 6° 내지 3°의 초망원(super telephoto)을 포함할 수 있으나, 상기 수치에 제한되지는 않는다. 또 예를 들어, 적어도 하나의 카메라(211)는 상술한 바와 같이 전면에 배치되어 이미지 및/또는 영상을 촬영하는 적어도 하나의 전면 카메라(211) 및 후면에 배치되어 이미지 및/또는 영상을 촬영하는 적어도 하나의 후면 카메라(211)를 포함할 수 있다.
다양한 실시예들에 따르면 마이크(213)는 전자 장치(101)의 외부로부터 사운드를 수신할 수 있다. 예를 들어, 전자 장치(101)(예: 프로세서(230))는 마이크(213)를 구동하여, 마이크(213)를 통해 외부에서 발생되는 사운드를 수신할 수 있다. 외부에서 발생되는 사운드는 화자들(예: 사용자 및/또는 다른 화자(또는 타인))의 음성들(또는 발화들), 생활 노이즈, 주변(또는 배경) 노이즈들을 포함할 수 있다. 일 실시예에서, 상기 마이크(213)는 복수의 마이크(213)들을 포함할 수 있다. 상기 전자 장치(101)(예: 프로세서(230))는 복수의 마이크(213)들을 이용하여 수신되는 사운드로부터, 전자 장치(101)로부터 지정된 방향에서 발생되는 사운드를 수신하는 빔포밍을 형성할 수 있다. 상기 수신된 사운드에 기반하여, 획득된 지정된 방향의 사운드는 서브 사운드로 정의될 수 있다. 상기 복수의 마이크(213)들 각각은 소정의 거리로 이격되도록 전자 장치(101)에 배치되며, 상기 이격된 거리와 사운드를 획득하고자 하는 방향과 연관된 시간 또는 위상 만큼 각 마이크(213)를 통해 수신되는 사운드를 신호 처리하여 상기 서브 사운드가 획득될 수 있다. 상기 빔포밍 기술은 주지의 기술이므로, 구체적인 설명은 생략한다.
다양한 실시예들에 따르면 통신 회로(215)는 다양한 종류의 통신 방식으로 외부 전자 장치(예: 다른 전자 장치, 또는 서버)와 통신 연결을 형성하고, 데이터를 송신 및/또는 수신할 수 있다. 상기 통신 방식은 상술한 바와 같이, Bluetooth, 및 Wi-Fi direct와 같은 직접 통신 연결을 설정하는 통신 방식에 의해 수행될 수 있으나, 이에 제한되지 않고 AP(access point)를 이용하는 통신 방식(예: Wi-Fi 통신) 또는 기지국(base station)을 이용하는 셀룰러 통신을 이용하는 통신 방식(예: 3G, 4G/LTE, 5G)을 포함할 수 있다. 상기 제 1 통신 회로(215)(622)는 도 1에서 상술한 통신 모듈(190)과 같이 구현될 수 있으므로 중복되는 설명은 생략한다.
이하에서는 다양한 실시예들에 따른 복수의 인공 지능 모델들(243) 및 복수의 프로세서들(220)에 대해서 설명한다.
먼저 복수의 인공 지능 모델들(243)에 대해서 설명한다.
다양한 실시예들에 따르면 복수의 인공 지능 모델들(243) 각각은 학습 알고리즘을 기반으로 미리 학습이 완료된 모델들로서, 다양한 종류의 컨텐트를 처리하여 결과 데이터를 출력(또는 획득)하도록 미리 구현된 인공 지능 모델들일 수 있다. 예를 들어, 전자 장치(101)에서 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 기반으로 지정된 종류들의 데이터들을 인풋 데이터로 하여 특정 종류의 결과 데이터를 아웃풋 데이터로 출력하도록 학습이 수행되어 복수의 인공 지능 모델들(243)(예: 머신 러닝 모델, 및 딥 러닝 모델)이 생성되어 전자 장치(101)에 저장되거나, 또는 외부 전자 장치(101)(예: 외부 서버)로부터 학습 완료된 인공 지능 모델들(243)이 전자 장치(101)로 전달되어 저장될 수 있다. 상기 인공 지능 모델들을 학습하는 동작은 주지의 기술이므로 구체적인 설명은 생략하며, 생성된 인공 지능 모델들(243)은 컴파일이 필요한 계산 그래프(graph) 또는 IR(Intermediate Representation), 또는 바로 수행이 가능한 네이티브 코드 형태로 구현될 수 있으나 이에 제한되지 않는다. 일 실시예에서 외부 서버로부터 인공 지능 모델이 전자 장치(101)로 수신(또는, 다운로드)되는 경우, 외부 서버는 어플리케이션을 제작하는 써드 파티(third party)의 서버 또는 써드 파티들이 어플리케이션을 등록하는 관리 서버일 수 있으며 상기 어플리케이션과 함께 어플리케이션을 통해 제공하기 위한 기능에 대응하는 인공 지능 모델이 함께 외부 서버에 등록되어 있을 수 있다. 이에 따라, 외부 서버로부터 어플리케이션과 함께 대응하는 인공 지능 모델이 전자 장치(101)로 전달되는 것일 수 있으나, 이에 제한되지는 않는다. 상기 머신 러닝 알고리즘은 선형 회귀(linear regression), 및 로지스틱 회귀(logistic regression)와 같은 지도 학습 알고리즘(supervised algorithms), 클러스터링(clustering), 시각화와 차원 축소(visualization and dimensionality reduction), 및 연관 규칙 학습(association rule learning)과 같은 비지도 학습 알고리즘(unsupervised algorithms), 및 강화학습 알고리즘(reinforcement algorithms)을 포함하고, 상기 딥 러닝 알고리즘은 ANN(Artificial Neural Network), DNN(Deep Neural Network), CNN(Convolution Neural Network)을 포함할 수 있으며, 기재된 바에 제한되지 않고 다양한 학습 알고리즘을 더 포함할 수 있다. 일 예로, 도 3에 도시된 바와 같이 CNN을 기반으로 이미지 데이터와 이미지 데이터에 포함된 객체들에 대한 정보를 트레이닝 데이터로하여(예: 이미지 데이터를 인풋 데이터, 객체들(또는, 피사체들)에 대한 정보를 아웃풋 데이터로 설정) 딥 러닝 모델이 생성 될 수 있으며, 생성된 딥 러닝 모델은 이미지 데이터(301)를 입력 받은 것에 대한 응답으로 컨벌루션 레이어(convolution layer), 활성 함수(activation function)(예: 시그모이드(sigmoid), 렐루(Relu)), 및 풀링 레이어(pooling layer)를 이용하여 이미지 데이터를 처리함으로써 객체들에 대한 정보(예: instance segmentation된 이미지 데이터)를 포함하는 결과 데이터(302)를 출력하도록 구현될 수 있다. 한편 도 3에 도시되지 않았으나, 상기 CNN을 기반으로 학습된 딥 러닝 모델은 도시된 컨벌루션 레이어, 및 풀링 레이어 이외에도 더 많은 레이어들을 포함할 수 있으며 주지의 기술이므로 구체적인 설명은 생략한다. 또 일 예로, 도 3에 도시된 바에 제한되지 않고 다른 학습 알고리즘을 기반으로 오디오 데이터와 화자들에 대한 정보를 트레이닝 데이터로하여(예: 오디오 데이터를 인풋 데이터, 화자들에 대한 정보를 아웃풋 데이터로 설정) 다른 인공 지능 모델(예: 머신 러닝 모델, 또는 딥 러닝 모델)이 생성될 수 있으며, 다른 인공 지능 모델은 오디오 데이터(예: 발화)를 입력 받은 것에 대한 응답으로 결과 데이터로서 화자를 식별하기 위한 식별자(예: unique ID)를 출력하도록 구현될 수도 있다. 상기 복수의 인공 지능 모델들(243) 각각은 복수의 프로세서들(220)에 의해서 구동(또는, 이용)될 수 있는데 이에 대해서는 후술한다.
다양한 실시예들에 따르면 복수의 인공 지능 모델들(243) 각각은 지정된 연산 능력과 연관된 값(이하, 연산 값)들(예: 가중치 연산 값(예: weight precision)은 32bit, 활성 함수 연산 값(예: activation function precision)은 32bit)에 대응하는 적어도 하나의 파라미터(예: 가중치들(310), 활성 함수들(320))를 포함하도록 구현될 수 있다. 예를 들어 도 3을 참조하면, 상기 적어도 하나의 파라미터는 학습에 따라서 생성된 복수의 인공 지능 모델들(243)을 구성하는(또는, 모델에 포함되는) 가중치들(weights)(310), 활성 함수(activation function)(320)를 포함할 수 있으며(또는 나타낼 수 있으며), 이에 제한되지 않고 그라디언트(gradient)와 같은 인공 지능 모델들을 구성하는 다양한 종류의 파라미터를 더 포함할 수도 있다. 또 예를 들어 도 3의 330을 참조하면, 상기 연산 능력과 연관된 값들은 가중치들(weights), 또는 활성 함수(activation function)(예: 시그모이드(sigmoid), 렐루(Relu))과 같은 파라미터를 연산하기 위한 능력에 대한 값으로서, 가중치(310)에 대한 연산 값(예: weight precision)과 활성 함수(320)에 대한 연산 값(예: activation precision)을 포함할 수 있다. 상기 연산 능력과 연관된 값들은 32bit, 16bit, 8bit, 및 4bit를 포함할 수 있으나 이에 제한되지 않고 다양한 값으로 설정 가능하며, 설정된 값에 따라서 파라미터를 연산하기 위한 형식과 수의 범위가 결정될 수 있다. 일 예로 상기 가중치(310)에 대한 연산 값이 32bit로 설정되는 경우, 컨벌루션 레이어에 포함된 가중치들은 지수부를 8bit 그리고 가수부를 24bit로 하여 부동 소수점 단위(32-bit float)로 연산될 수 있다. 그 외에 다른 연산 값들에 기반하여 표현 가능한 형식과 수의 범위는 주지의 기술이므로 구체적인 설명은 생략한다. 이에 따라 도 3에 도시된 바와 같이, 가중치(310)에 대한 연산 값(예: weight precision)은 32bit, 그리고 활성 함수(320)에 대한 연산 값(예: activation precision)은 32bit로 설정되어 학습이 수행된 경우, 생성된 인공 지능 모델은 32bit로 표현되는(또는 연산되는) 가중치들(310) 및 32bit로 표현되는(또는 연산되는) 활성 함수(320)를 포함할 수 있다. 일 실시예에서, 상기 복수의 인공 지능 모델들(243) 각각과 연관된 연산 값들은 후술하는 전자 장치(101)에서 이용 가능한 연산 값들(또는, 복수의 프로세서들(220) 각각에 설정된 연산 값들)과 같거나 또는 더 높도록 설정될 수 있다.
한편 전자 장치(101)가 전자 장치(101)에 미리 저장된 복수의 인공 지능 모델들(243)을 이용하는 것으로 기술 및/또는 도시하였으나, 이에 제한되지 않고 다양한 실시예들에 따르면 전자 장치(101)는 어플리케이션의 구동에 기반하여 외부 서버로부터 대응하는 인공 지능 모델들(243)을 수신하는 것일 수도 있다. 또는, 다양한 실시예들에 따르면 전자 장치(101)는 전자 장치(101)에서 인공 지능 모델을 이용하여 컨텐트를 처리하는 동작을 수행하는 대신, 컨텐트에 대한 정보 및 컨텐트의 처리를 위한 정보(예: 객체(또는 피사체)를 구별하기 위한 모드에 대한 정보 및 선택된 연산 값들)를 외부 서버로 전송하여 외부 서버에 미리 저장된 인공 지능 모델에 의해 처리된 결과 데이터를 외부 서버로부터 수신할 수도 있다.
이하에서는 복수의 프로세서들(220)에 대해서 설명한다.
다양한 실시예들에 따르면 복수의 프로세서들(220) 각각은 도 4a에 도시된 바와 같이 전자 장치(101)에 저장된 복수의 인공 지능 모델들(243))을 중 특정 인공 지능 모델을 양자화한 인공 지능 모델(410)을 이용하여 입력되는 데이터(또는 컨텐트)(401)를 처리함으로써, 복수의 인공 지능 모델들(243)로부터 출력되는 결과 데이터(또는 컨텐트)(402)를 획득하도록 구현될 수 있다. 다만 기재된 바에 제한되지 않고, 복수의 프로세서들(220) 각각은 복수의 인공 지능 모델들(243)에 기반하여 데이터(또는 컨텐트)(401)를 처리하여, 결과 데이터(또는 컨텐트)(402)를 획득할 수도 있으며, 또 미리 양자화된 인공 지능 모델을 이용할 수도 있다. 예를 들어, 상기 복수의 프로세서들(220)은 AP(application processor), CPU(central processing unit), GPU(graphic processing unit), DPU(display processing unit), 또는 NPU(neural processing unit) 중 적어도 하나를 포함할 수 있으며, 기재된 바에 제한되지 않고 다양한 종류의 프로세서들을 포함할 수 있다. 이때, 본 명세서에서 일 프로세서에 포함된 복수의 코어들도 프로세서들로 이해될 수 있다. 예를 들어, DSP가 복수의 코어들을 포함하도록 구현되는 경우, 복수의 코어들이 복수의 프로세서들(220)로 이해될 수 있다. 상기 복수의 프로세서들(220) 각각은 어플리케이션의 실행 및/또는 구동에 기반하여 상기 복수의 인공 지능 모델들(243) 중 실행 및/또는 구동된 프로그램, 프로세스, 또는 어플리케이션과 연관된 적어도 하나의 인공 지능 모델을 선택하고, 선택된 인공 지능 모델을 이용하여 데이터 획득 장치(210)에 의해 획득되는 컨텐들을 처리하여 결과 데이터를 획득하도록 구현될 수 있다. 상기 복수의 프로세서들(220)의 인공 지능 모델들을 이용하여 컨텐트들을 처리하는 동작은 백 그라운드에서 수행될 수 있다. 일 실시예에서, 전자 장치(101)는 복수의 프로세서들(220) 중 일 프로세서를 선택하는 경우, 저장된 인공 지능 모델이 그래프 또는 IR 형태인 경우 선택된 프로세서에서 인공 지능 모델이 수행 가능하도록 인공 지능 모델을 컴파일러(예: TVM)를 이용하여 컴파일함으로써 획실행 가능한 네이티브 코드가 적재된 커널(kernel)을 획득하고 선택된 프로세서로 전달할 수 있다. 선택된 프로세서는 커널을 수행함으로써 인공 지능 모델을 구동할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)에는 상기 복수의 프로세서들(220) 각각이 이용 가능한 파라미터의 종류들 별 연산 값에 대한 정보가 저장될 수 있다. 상기 복수의 프로세서들(220) 각각이 이용 가능한 복수의 연산 값들은 상기 복수의 인공 지능 모델들(243)에 연관된 복수의 연산 값들(예: 32bit)과 같거나 작도록 설정될 수 있다. 일 예로, 아래의 [표 1]의 복수의 조합들로 가중치에 대한 연산 값과 활성 함수에 대한 연산 값이 설정될 수 있으나, [표 1]에 기재된 바에 제한되지 않고 다양한 조합 및 값으로 가중치에 대한 연산 값(weight precision)과 활성 함수에 대한 연산 값(activation precision)이 설정 수 있다.
| 연산 값 조합 | Weight Precision | Activation Precision |
| 제 1 연산 값 조합 | 32bit | 32bit |
| 제 2 연산 값 조합 | 16bit | 16bit |
| 제 3 연산 값 조합 | 16bit | 16bit |
| 제 4 연산 값 조합 | 8bit | 16bit |
| 제 5 연산 값 조합 | 8bit | 8bit |
| 제 6 연산 값 조합 | 4bit | 4bit |
다양한 실시예들에 따르면 상기 복수의 프로세서들(220) 각각은 상기 복수의 인공 지능 모델들(243)에 연관된 연산 값들 보다 같거나 낮은 연산 값을 기반으로 상기 복수의 인공 지능 모델들(243)에 포함된 파라미터들(예: 가중치, 또는 활성 함수 중 적어도 하나)을 변경(또는 설정)하여, 변경된 파라미터들(예: 양자화된 가중치(411), 양자화된 활성 함수(413))을 가지는 인공 지능 모델(410)을 이용하여 컨텐트를 처리할 수 있다. 일 예로, 도 4b를 참조하면 인공 지능 모델들(243)의 32bit 연산 값에 대응하는 컨벌루션 레이어의 가중치들(310)은 더 낮은 연산 값(예: 8bit int)에 대응하는 가중치들(411)로 재구성될 수 있다. 또 일 예로 도 4c를 참조하면, 32bit 연산 값에 대응하는 값을 출력하도록 구현된 인공 지능 모델(243)의 활성 함수(320)가 더 낮은 4bit 연산 값에 대응하는 값을 출력하도록 구현된 활성 함수(413)로 재구성될 수 있다. 상기 파라미터가 변환된 인공 지능 모델(410)은 파라미터가 변환되지 않은 인공 지능 모델과 "제 1, 및 제 2"와 같은 서수에 의해 구별될 수 있다(예: 전자 장치(101)에 미리 저장된 딥 러닝 모델, 그리고 파라미터가 변경된 "제 1" 딥 러닝 모델). 미리 학습된 인공 지능 모델(243)의 가중치 및 활성 함수와 같은 파라미터가 상기 상대적으로 낮은 연산 값에 대응하는 단위와 범위로 변경되는 것은 양자화(quantization)로 정의될 수 있으며, 양자화는 주지의 기술이므로 더 구체적인 설명은 생략한다. 일 실시예에서 복수의 프로세서들(220) 각각은 후술하는 프로세서(230)에 의해 선택된 파라미터의 종류들(예: 가중치 및 활성 함수) 별 연산 값에 대한 정보를 수신하고, 수신된 파라미터의 종류들 별 연산 값에 대한 정보에 기반하여 미리 저장된 인공 지능 모델을 양자화하여 이용할 수 있다. 또 일 실시예에서 복수의 프로세서들(220) 각각은 프로세서(230)에 의해 선택된 파라미터의 종류들 별 연산 값에 기반하여 미리 양자화된 인공 지능 모델(410)을 획득하여 이용할 수 있다. 또는 상술한 바에 제한되지 않고, 복수의 프로세서들(220) 각각은 파라미터의 종류들 별로 지정된 연산 값을 이용하도록 미리 설정될 수 있고, 복수의 프로세서들(220) 중 일 프로세서가 선택되는 경우 일 프로세서가 프로세서에 대응하도록 설정된 파라미터의 종류들(예: 가중치 및 활성 함수) 별로 지정된 연산 값에 기반하여 양자화된 인공 지능 모델을 이용하도록 구현될 수도 있다. 전자 장치(101)의 양자화된 인공 지능 모델(410)을 이용한 컨텐트의 처리 시 연산량이 저감되어, 인공 지능 모델을 운용하는 부담이 경감될 수 있다. 이하에서는 프로세서(230)의 일 예에 대해서 설명한다. 이하에서 기술되는 프로세서는 설명의 편의를 위하여 상술한 복수의 프로세서들(220)과 구분되도록 기재 및/또는 도시하였으나 상기 프로세서는 상기 복수의 프로세서들(220)에 포함되는 프로세서일 수도 있으며, 또는 이에 제한되지 않고 인공 지능 모델에 기반한 컨텐트를 처리하는 동작을 수행하지 않도록 상기 복수의 프로세서와는 별도로 구현되는 프로세서일 수도 있다.
다양한 실시예들에 따르면 상기 프로세서(650)는 AP(application processor), CPU(central processing unit), GPU(graphic processing unit), DPU(display processing unit), 또는 NPU(neural processing unit) 중 적어도 하나를 포함할 수 있다. 이하에서 설명되는 프로세서(650)에 포함되는 모듈들(예: 연산 파라미터 선택 모듈(231), 평가 모듈(233))의 적어도 일부는 소프트웨어, 펌웨어, 하드웨어, 또는 이들 중 적어도 둘 이상의 조합으로 구현(예를 들어, 실행)될 수 있다. 예를 들어, 상기 모듈들은 프로세서(650)에 의해 실행 가능한 어플리케이션(application), 프로그램(program), 컴퓨터 코드(computer code), 인스트럭션들(instructions), 루틴(routine), 내지는 프로세스(process)의 형태로 구현될 수 있다. 이에 따라, 상기 모듈들이 프로세서(650)에 의해 실행되는 경우, 상기 모듈들은 상기 프로세서(650)가 상기 모듈과 연관된 동작(또는, 모듈이 제공 가능한 기능)을 수행하도록 야기할 수 있다. 또는 상기 모듈들은 특정 어플리케이션의 일부로 구현될 수도 있다. 또는 기재 및/또는 도시된 바에 제한되지 않고, 각 모듈들은 프로세서(650)와는 별도의 하드웨어(예: 프로세서, 제어 회로)로 구현될 수도 있다.
다양한 실시예들에 따르면 연산 값 선택 모듈(231)은 컨텐트의 처리를 위해 인공 지능 모델을 이용하기 위해, 파라미터의 종류들 별로(예: 가중치 또는 활성 함수) 연산 능력과 연관된 복수의 값들 중 일 값을 선택할 수 있다. 예를 들어, 상기 복수의 연산 값들 각각은 32bit, 16bit, 8bit, 및 4bit로 설정될 수 있으나 이에 제한되지 않고 다양한 값으로 설정될 수 있다. 일 실시예에서 연산 값 선택 모듈(231)은 컨텐트를 처리하기 위한 이벤트가 발생되는 경우(예: 어플리케이션의 실행 및/또는 구동), 파라미터 종류들(예: 가중치, 및 활성 함수) 별 복수의 연산 값들 중 기설정된 연산 값들(예: weight precision은 8bit이고, activation precision은 8bit)을 선택(또는 식별)할 수 있다. 일 실시예에서, 연산 값 선택 모듈(231)은 복수의 프로세서들(220) 별로 설정된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값에 대한 정보를 기반으로 복수의 프로세서들(220) 중에서 선택된 연산 값들(예: 가중치에 대한 연산 값(weight precision), 활성 함수에 대한 연산 값(activation precision))에 대응하는 프로세서를 선택할 수도 있다. 또 일 실시예에서, 연산 값 선택 모듈(231)은 전술한 바와 같이 복수의 프로세서들(220) 중에서 일 프로세서를 선택하고, 선택된 프로세서로 선택된 연산 값들에 대한 정보를 전달할 수도 있다. 또 기재된 바에 제한되지 않고, 연산 값 선택 모듈(231)은 연산 값들을 선택하는 동작 없이, 복수의 프로세서들(220) 중 프로세서를 선택하여 선택된 프로세서가 프로세서에 대응하는 연산 값들에 기반하여 양자화된 인공 지능 모델을 이용하도록 제어할 수도 있다. 또 일 실시예에서 상기 연산 값 선택 모듈(231)은 후술하는 평가 모듈(233)에 의해 계산되는 코스트에 기반하여, 현재 선택된 연산 값들을 다른 연산 값들로 변경(또는, 선택된 프로세서에서 다른 프로세서로 변경)할 수도 있다. 상기 연산 값 선택 모듈(231)에 기반한 전자 장치(101)의 동작에 대해서는 구체적으로 후술한다.
다양한 실시예들에 따르면 평가 모듈(233)은 지정된 이벤트의 발생에 기반하여 복수의 연산 값들 중 후보 연산 값들과 연관된 코스트를 계산할 수 있다. 상기 평가 모듈(233)에 기반한 전자 장치(101)의 코스트를 계산하는 동작에 대해서는 구체적으로 후술한다.
이하에서는 다양한 실시예들에 따른 전자 장치(101)의 동작의 일 예에 대해서 설명한다.
다양한 실시예들에 따르면 전자 장치(101)는 데이터를 처리하기 위해 복수의 연산 값들 중 연산 값들을 선택하고, 선택된 연산 값들에 기반하여 인공 지능 모델의 파라미터들(예: 가중치들, 활성 함수들)을 설정(또는, 양자화)하여 인공 지능 모델을 이용할 수 있다. 전자 장치(101)는 인공 지능 모델을 이용하여 데이터를 처리하는 중에, 지정된 이벤트가 발생되는 것에 기반하여 선택된 연산 값들을 복수의 연산 값들 중 다른 연산 값들로 변경하여 변경된 연산 값들에 기반하여 인공 지능 모델의 파라미터들을 설정(또는, 양자화)하여 인공 지능 모델을 이용할 수 있다.
도 5는 다양한 실시예들에 따른 전자 장치(101)의 동작의 일 예를 설명하기 위한 흐름도(500)이다. 도 5에 도시되는 동작들은 도시되는 순서에 국한되지 않고 다양한 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면 도 5에 도시되는 동작들 보다 더 많은 동작들이 수행되거나, 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는, 도 6, 및 도 7a 내지 도 7b를 참조하여 도 5에 대해서 설명한다.
도 6은 다양한 실시예들에 따른 전자 장치(101)의 인공 지능 모델을 이용하여 데이터(예: 이미지 데이터)를 처리하는 동작의 일 예를 설명하기 위한 도면이다. 도 7a는 다양한 실시예들에 따른 전자 장치(101)의 복수의 연산 값들 중 연산 값들을 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다. 도 7b는 다양한 실시예들에 따른 전자 장치(101)의 복수의 프로세서들(220) 중 프로세서를 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다.
다양한 실시예들에 따르면, 전자 장치(101)는 501 동작에서 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 데이터를 획득할 수 있다. 예를 들어, 전자 장치(101)는 전자 장치(101)에 설치된 복수의 어플리케이션들(241) 중 일 어플리케이션을 실행하고, 실행된 어플리케이션에 기반하여 전자 장치(101)에 구비되는 장치를 구동하여 데이터를 획득할 수 있다. 일 예로, 전자 장치(101)는 도 6의 601에 도시된 바와 같이 카메라 어플리케이션(611)을 실행하고, 실행된 카메라 어플리케이션(611)에 기반하여 카메라(211)를 구동함으로써 이미지 또는 영상들(615)을 획득할 수 있다. 또 기재 및/또는 도시된 바에 제한되지 않고, 도 2에서 전술한 바와 같이 전자 장치(101)가 획득 가능한 데이터는 오디오 데이터, 및 전자적인 문서를 포함할 수 있으며, 이에 제한되지 않고 인공 지능 모델에 의해 전자적으로 분석 가능한 종류의 전자적인 데이터들(예: 소프트웨어, 센서의 값들)을 더 포함할 수 있다. 이에 따라, 전자 장치(101)는 다양한 종류의 데이터들을 획득하기 위한 다양한 종류의 어플리케이션들(예: 녹음 어플리케이션, 문서 작성 어플리케이션), 프로세스들, 또는 프로그램들을 실행 및/또는 구동하고, 장치(예: 마이크(213), 통신 회로(215), 터치 스크린(미도시), 센서(미도시))를 이용하여 데이터를 획득할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 503 동작에서 상기 획득된 적어도 하나의 데이터(또는 컨텐트)를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택할 수 있다. 예를 들어, 전자 장치(101)는 획득된 적어도 하나의 데이터(또는 컨텐트)(예: 이미지, 또는 영상)를 처리하기 위한 이벤트가 발생되는 경우, 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 복수의 연산 값들 중에서 데이터(또는 컨텐트)의 처리를 위해 이용할 연산 값들을 선택할 수 있다. 예를 들어, 상기 데이터(또는 컨텐트)의 처리는 상기 데이터(또는 컨텐트)를 기반으로 상기 획득된 데이터(또는 컨텐트)와 연관된 정보를 획득하는 동작을 포함할 수 있다. 상기 획득된 데이터(또는 컨텐트)와 연관된 정보는 획득된 데이터(또는 컨텐트)로부터 분석 가능한 정보들을 포함할 수 있다. 일 예로, 상기 데이터(또는 컨텐트)가 이미지 데이터 또는 영상 데이터인 경우, 상기 데이터(또는 컨텐트)의 처리는 도 6의 601 내지 602에 도시된 바와 같이 상기 이미지 데이터로부터 객체들(또는 피사체들)에 대한 정보를 획득하는 동작을 포함할 수 있다. 또 일 예로, 도시되지 않았으나 데이터(또는 컨텐트)가 오디오 데이터인 경우, 상기 데이터(또는 컨텐트)의 처리는 상기 오디오 데이터에 기반하여 화자의 식별 정보를 획득하는 동작을 포함할 수 있다. 상기 데이터(또는 컨텐트)를 처리하기 위한 이벤트의 발생은 실행 및/또는 구동되는 어플리케이션(또는 프로그램, 또는 프로세스)을 기반으로 전자 장치(101)에 의해 식별될 수 있다. 예를 들어, 어플리케이션들 별로 획득되는 종류의 데이터(또는 컨텐트)를 처리하기 위한 모드가 어플리케이션들 각각에 미리 구현될 수 있다. 일 예로, 도 6의 601에 도시된 바와 같이 카메라 어플리케이션(615)은 획득되는 이미지 또는 영상을 처리하여 객체들(또는 피사체들)에 대한 정보를 획득하기 위한 모드(613)를 제공하도록 구현될 수 있다. 이에 따라 전자 장치(101)는 사용자에 의해 상기 카메라 어플리케이션(615)의 실행 화면 상에서 상기 모드(613)가 선택되는 경우 데이터(또는 컨텐트)의 처리를 위한 이벤트가 발생되는 것으로 식별할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)는 데이터(또는 컨텐트)를 처리하기 위한(또는, 상기 선택된 모드에 대응하는) 인공 지능 모델(710)을 획득(또는 선택)할 수 있다. 상기 복수의 인공 지능 모델들(243) 각각은 도 4a에서 전술한 바와 같이 지정된 종류의 데이터(예: 이미지 데이터)를 처리(예: 피사체가 구분된 결과 데이터를 출력)하기 위해 미리 학습된 모델들일 수 있다. 예를 들어, 전자 장치(101)는 상기 데이터(또는 컨텐트)의 처리를 위한 이벤트의 발생(예: 모드 선택)에 기반하여, 전자 장치(101)에 미리 저장된 복수의 인공 지능 모델들(243) 중 상기 이벤트(또는 모드)에 대응하는 종류의 데이터(또는 컨텐트)를 처리하기 위해 미리 학습된 인공 지능 모델(710)을 식별할 수 있다. 또는 기재된 바에 제한되지 않고 전술한 바와 같이 전자 장치(101)는 상기 이벤트의 발생(예: 모드 선택)에 기반하여, 외부 서버로부터 상기 이벤트에 대응하는 종류의 데이터(또는 컨텐트)를 처리하기 위한 인공 지능 모델을 수신할 수도 있다.
다양한 실시예들에 따르면 전자 장치(101)는 미리 저장된 복수의 연산 값들(예: [표 1]의 복수의 연산 값 조합들) 중에서 데이터(또는 컨텐트)를 처리하기 위해 이용할 연산 값 조합에 대응하는 연산 값들을 선택할 수 있다. 예를 들어, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 도 7a에 도시된 바와 같이 전자 장치(101)에 미리 저장된 파라미터의 종류들(예: 가중치 및 활성 함수) 별 복수의 연산 값들 중에서 기설정된 파라미터의 종류들 별 연산 값(예: weight precision은 8bit, activation precision은 8bit)(701)을 선택할 수 있다. 상기 복수의 연산 값들은 도 3 내지 도 4에서 전술한 바와 같이 인공 지능 모델의 파라미터(예: 가중치, 또는 활성 함수 중 적어도 하나)를 연산(또는 설정)하기 위한 연산 능력과 연관된 값들로서 인공 지능 모델(710)의 연산 값(예: 32 bit)과 같거나 작은 32bit, 16bit, 8bit, 또는 4bit로 설정될 수 있으나 그 값에 제한되지 않는다. 상기 파라미터의 종류들(예: 가중치 및 활성 함수) 별로 설정되는 연산 값의 조합들은 [표 1]에서 전술한 바와 같으므로 중복되는 설명은 생략한다. 일 실시예에서 전자 장치(101)(예: 연산 값 선택 모듈(231))는 상기 데이터(또는 컨텐트)의 처리를 위한 이벤트의 발생에 기반하여, 도 7a에 도시된 바와 같이 파라미터의 종류들(예: 가중치 및 활성 함수) 별 복수의 연산 값들 중 기설정된 연산 값들(예: weight precision은 8bit, activation precision은 8bit)(701)을 선택할 수 있다. 예를 들어, 도 7a에 도시된 바와 같이 파라미터의 종류들(예: 가중치 및 활성 함수) 별로 가장 낮은 연산 값의 조합이 선택되는 것으로 기설정될 수 있으나, 기재 및/또는 도시된 바에 제한되지 않고 선택되는 연산 값들은 다양하게 기설정(예: 중간 연산 값, 또는 가장 높은 연산 값이 선택되는 것으로 기설정)될 수 있다. 또 일 실시예에서, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 현재 수신되는 데이터(또는 컨텐트)의 종류에 기반하여, 파라미터의 종류들(예: 가중치 및 활성 함수) 별 복수의 연산 값들 중에서 연산 값들을 선택할 수도 있다. 예를 들어, 데이터(또는 컨텐트)의 종류에 따라서 데이터(또는 컨텐트)의 처리를 위한 운용 부담을 나타내는 복잡도가 설정되고, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 상기 복잡도에 비례하게 파라미터의 종류들(예: 가중치 및 활성 함수) 별 연산 값을 선택할 수 있다. 일 예로, 이미지 데이터의 복잡도가 오디오 데이터의 복잡도 보다 더 높게 설정될 수 있다. 이에 따라, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 이미지 데이터가 수신되는 경우 파라미터의 종류들(예: 가중치 및 활성 함수) 별 복수의 연산 값들 중에서 제 1 연산 값들을 선택하고, 오디오 데이터가 수신되는 경우 파라미터의 종류들 별 복수의 연산 값들 중에서 제 1 연산 값들 보다 낮은 제 2 연산 값들을 선택할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 505 동작에서 상기 전자 장치(101)에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 데이터(또는 컨텐트)를 처리함으로써 제 1 결과 데이터를 획득할 수 있다. 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 일 프로세서가 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값을 기반으로 양자화된 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어(또는, 인스트럭션들을 전송)하고, 처리 결과 데이터를 획득할 수 있다. 일 예로 전자 장치(101)는 도 6의 602에 도시된 바와 같이, 획득된 이미지 데이터(615)를 양자화된 인공 지능 모델(710)을 이용하여 처리함으로써 이미지 데이터에 포함된 객체가 식별되는 결과 데이터(621)를 획득할 수 있다. 상기 양자화는 인공 지능 모델(243)을 구성하는(또는 인공 지능 모델(243)에 포함되는) 더 높은 연산 값들로 구성된 파라미터들(예: 가중치 및 활성 함수)을 더 낮은 연산 값들로 구성된 파라미터들로 변경(또는 설정)하는 것일 수 있다. 예를 들어, 전자 장치(101)는 데이터(또는 컨텐트)의 처리를 위해 미리 구현된(예: 이미지 데이터를 입력 받아 객체가 식별된 결과 데이터를 출력하도록 구현된) 인공 지능 모델의 파라미터들(예: 가중치, 및 활성 함수)을 선택된 연산 값들에 기반하여 제 1 파라미터들(예: 제 1 가중치, 및 제 1 활성 함수)로 설정(또는 변경, 또는 구성)하고, 선택된 제 1 프로세서(221)가 제 1 파라미터들을 갖는 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 예를 들어, 도 4b 내지 도 4c에서 전술한 바와 같이, 전자 장치(101)는 변경된 가중치와 활성 함수를 가지는 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)는 도 7a에 도시된 바와 같이 복수의 프로세서들(220) 중 데이터(또는 컨텐트)를 처리할 적어도 하나의 프로세서를 선택할 수 있다. 일 실시예에서, 프로세서는 복수의 프로세서들(220) 중에서 데이터(또는 컨텐트) 처리 동작을 수행하지 않는 프로세서들을 식별(또는, 유휴 상태의 프로세서들을 식별)하고, 식별된 프로세서들 중에서 기설정된 프로세서를 선택하거나, 무작위로 프로세서를 선택하거나, 또는 수신된 데이터(또는 컨텐트)의 종류에 대응하는 프로세서를 선택(예: 데이터(또는 컨텐트)가 이미지 데이터인 경우 GPU를 선택)하고, 선택된 프로세서(예: 제 1 프로세서(221))가 양자화된 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어(또는 인스트럭션을 제공)할 수 있다. 또 일 실시예에서, 전자 장치(101)(예: 프로세서)는 복수의 프로세서들(220) 중에서 상기 선택된 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)에 대응하는(또는, 연산 값들로 연산하도록 구현된) 프로세서(예: 제 1 프로세서(221))를 선택하고, 선택된 프로세서가 양자화된 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어(또는 인스트럭션을 제공)할 수 있다. 전술한 바와 같이 복수의 프로세서들(220) 별로 이용하는 가중치에 대한 연산 값과 활성 함수에 대한 연산 값에 대한 정보가 미리 전자 장치(101)에 저장될 수 있다. 전자 장치(101)(예: 프로세서(230))는 상기 정보를 참조하여, 복수의 프로세서들(220) 중에서 선택된 상기 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)에 대응하는(또는, 연산 값들로 연산하도록 구현된) 프로세서(예: 제 1 프로세서(221))를 선택할 수 있다.
다양한 실시예들에 따르면, 상기 선택된 프로세서(예: 제 1 프로세서(221))는 미리 양자화된 인공 지능 모델(710)을 이용하거나, 또는 선택된 파라미터 종류들 별 연산 값에 기반하여 인공 지능 모델을 양자화하여 양자화된 인공 지능 모델(710)을 이용할 수 있다. 일 실시예에서, 프로세서(230)는 도 7a에 도시된 바와 같이 상기 제 1 프로세서(221)로 선택된 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)에 대한 정보를 전달할 수 있다. 제 1 프로세서(221)는 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)을 기반으로 인공 지능 모델의 파라미터들(예: 가중치, 및 활성 함수)를 변경(또는 구성, 또는 설정)하고, 변경된 파라미터들을 포함하는 인공 지능 모델에 데이터(또는 컨텐트)를 입력하고 입력된 데이터(또는 컨텐트)를 처리(예: 컨벌루션 레이어 연산, 활성 함수 연산, 풀링 레이어 연산)한 것에 대한 응답으로 출력되는 결과 데이터를 획득할 수 있다. 이때, 전술한 바와 같이 제 1 프로세서(221)는 양자화된 인공 지능 모델(710)을 컴파일하여 생성된 커널을 수행할 수 있으나 이에 제한되지 않는다. 또 일 실시예에서 상기 프로세서(230)는 선택된 제 1 프로세서(221)가 미리 양자화된 인공 지능 모델들 중 선택된 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)에 기반하여 양자화된 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수도 있다. 예를 들어, 전자 장치(101)는 미리 학습된 인공 지능 모델을 [표 1]에서 전술한 바와 같은 조합들 별 연산 값들로 양자화하여, 양자화된 인공 지능 모델들을 미리 구현(또는 생성)하여 저장할 수 있다. 전자 장치(101)(예: 프로세서(230))는 양자화된 인공 지능 모델들 중 선택된 파라미터들 별 연산 값에 대응하는 인공 지능 모델(710)을 식별하고, 제 1 프로세서(221)가 식별된 인공 지능 모델에 기반하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 이때, 프로세서(230)는 전술한 바와 같이 양자화된 인공 지능 모델(710)을 컴파일하여 생성된 커널을 선택된 제 1 프로세서(221)로 전달하여 제 1 프로세서(221)가 인공 지능 모델(710)에 기반한 처리 동작을 수행하도록 할 수 있으나 이에 제한되지 않는다.
다양한 실시예들에 따르면, 전자 장치(101)는 507 동작에서 지정된 이벤트의 발생 여부를 판단할 수 있다. 일 실시예에서 상기 지정된 이벤트의 발생은 미리 설정된 시간이 경과되는 것을 포함할 수 있다. 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 제 1 프로세서(221)를 이용한 데이터(또는 컨텐트)를 처리한 시점부터 타이머를 설정하여, 타이머를 기반으로 미리 설정된 시간이 경과되는 것을 식별하는 경우 지정된 이벤트가 발생되는 것으로 식별할 수 있다. 후술하는 평가 기간 이후에, 전자 장치(101)는 다시 미리 설정된 시간이 경과되는 것을 식별하는 경우 지정된 이벤트가 발생되는 것으로 식별할 수 있다. 또 일 실시예에서, 상기 지정된 이벤트의 발생은 도 6의 602 내지 603에 도시된 바와 같이 획득되는 데이터(예: 이미지 데이터)의 특성이 변경되는 것을 포함할 수 있다. 예를 들어, 상기 데이터의 특성은 데이터에 포함된 값, 또는 데이터의 종류를 포함할 수 있다. 일 예로, 전자 장치(101)는 도 6의 602 내지 603에 도시된 바와 같이 촬영 중인 피사체와는 다른 피사체 또는 촬영 중인 풍경과는 다른 풍경을 촬영함에 따라서 새로운 이미지 데이터를 획득하고, 현재 획득되는 이미지 데이터에 포함되는 값(예: 픽셀 값들)이 이전에 획득되던 이미지 데이터(615)에 포함되는 값(예: 픽셀 값)과 기설정된 값 이상의 차이를 가지는 것을 식별할 수 있다. 전자 장치(101)는 상기 기설정된 값 이상의 차이를 가지는 것을 식별함에 기반하여, 현재 수신되는 이미지 데이터의 특성이 변경됨을 식별하고 지정된 이벤트가 발생되는 것으로 식별할 수 있다. 또 일 실시예에서 상기 지정된 이벤트의 발생은 전자 장치(101)의 움직임을 식별하는 것일 수 있다. 예를 들어, 전자 장치(101)는 센서(예: 기울기 센서, 자이로 센서)로부터 식별된 값에 기반하여 전자 장치(101)의 움직임(예: 회전)을 식별하는 경우, 지정된 이벤트가 발생되는 것으로 식별할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 상기 지정된 이벤트가 발생된 것으로 판단된 경우, 509 동작에서 복수의 값들 중 제 2 값들을 선택할 수 있다. 예를 들어, 전자 장치(101)는 도 7b에 도시된 바와 같이 지정된 이벤트의 발생에 기반하여 복수의 연산 값 조합들 중에서 현재 선택된 조합(예: 제 1 연산 조합(701))과는 다른 조합(예: 제 2 연산 조합(703))을 선택할 수 있다. 전자 장치(101)는 지정된 이벤트가 발생되는 경우, 전자 장치(101)의 모드를 결과 평가 모드로 설정하고 지정된 기간 동안 현재 선택된 연산 조합(예: 제 1 연산 조합(701)) 이외의 다른 연산 조합들에 대한 코스트들을 계산하는 동작을 수행하고 계산된 코스트들에 기반하여 복수의 연산 조합들 중 다른 제 2 연산 조합(703)을 선택할 수 있다. 상기 계산된 코스트는 연산 조합에 기반한 결과 데이터의 차이와 에너지 소모량을 나타낼 수 있는데, 전자 장치(101)의 상기 코스트를 계산하는 동작 및 계산된 코스트에 기반하여 다른 연산 조합을 선택하는 동작에 대해서는 도 8 내지 도 11에서 후술한다.
다양한 실시예들에 따르면 전자 장치(101)는 연산 조합의 변경 시, 지정된 순서대로 연산 조합을 변경할 수 있다. 일 실시예에서, 도 7a 및 도 7b를 참조하면 상기 지정된 순서대로 연산 조합이 변경되는 것은 현재 조합에서 한 단계 씩 다른 조합으로 변경되는 것일 수 있다. 예를 들어, 조합의 단계는 조합에 대응하는 파라미터의 종류들(예: 가중치 및 활성 함수) 별 연산 값에 비례하여 설정될 수 있고, 이에 따라 가중치에 대한 연산 값과 활성 함수에 대한 연산 값의 합이 낮을 수록 낮은 단계의 연산 조합이고 클 수록 높은 단계의 연산 조합일 수 있다. 상기 단계는 단계라는 용어 대신 레벨과 같은 용어로 대체될 수도 있다. 전자 장치(101)는 도 7a 및 도 7b에 도시된 바와 같이 현재 연산 조합(예: 제 1 연산 조합(701))에서 한 단계 높은 연산 조합(예: 제 2 연산 조합(703))을 선택하거나, 또는 한 단계 낮은 연산 조합을 선택할 수 있다. 다른 실시예에서, 상기 연산 조합이 변경되는 단계는 한 단계가 아닌 한 단계 보다 더 큰 단계로 설정될 수 있다. 또 다른 실시예에서, 상기 연산 조합이 변경되는 단계는 이전에 수신되는 데이터(또는 컨텐트)와 현재 수신되는 데이터(또는 컨텐트)의 차이에 비례할 수도 있다. 상술한 바와 같이 전자 장치(101)가 지정된 순서대로 연산 조합을 변경하는 경우, 현재 단계에서 변경 가능한 단계들(예: 한 단계 씩 변경하는 경우, 한 단계 높은 단계 및/또는 한 단계 낮은 단계)에 대응하는 연산 조합들(즉, 후보 연산 조합들)을 식별하고 식별된 연산 조합들에 대한 코스트들을 계산할 수 있다. 또는 기재된 바에 제한되지 않고, 전자 장치(101)는 지정된 순서 없이 연산 조합을 변경하는 경우에는 전술한 후보 연산 조합을 식별하는 동작 없이 복수의 연산 조합들의 적어도 일부에 대한 코스트들을 계산할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 511 동작에서 상기 딥 러닝 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 딥 러닝 모델을 이용하여, 상기 적어도 하나의 데이터(또는 컨텐트)를 처리함으로써 제 2 결과 데이터를 획득할 수 있다. 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 일 프로세서가 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값을 기반으로, 양자화된 인공 지능 모델(720)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어(또는, 인스트럭션들을 전송)하고, 처리 결과 데이터를 획득할 수 있다. 일 실시예에서, 전자 장치(101)는 도 7a에 도시된 바와 같이 현재 데이터(또는 컨텐트)를 처리하는 동작을 수행하는 프로세서(예: 제 1 프로세서(221))가 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들(예: weight precision이 8bit이고, activation precision이 16bit)(703)에 대응하는 파라미터를 가지는 제 2 인공 지능 모델(720)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 예를 들어, 전술한 바와 같이 제 1 프로세서(221)가 프로세서(230)로부터 새로 선택된 파라미터의 종류들 별 연산 값들을 수신하고 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들에 기반하여 미리 학습된 인공 지능 모델을 양자화하거나, 또는 전자 장치(101)에 미리 저장된 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들에 대응하는 양자화된 인공 지능 모델(720)이 제 1 프로세서(221)로 전달될 수 있다. 또 일 실시예에서, 전자 장치(101)는 도 7b에 도시된 바와 같이 현재 데이터(또는 컨텐트)를 처리하는 동작을 수행하는 프로세서(예: 제 1 프로세서(221))와는 다른 프로세서(에: 제 2 프로세서(223))가 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들(예: weight precision:8bit, activation precision:16bit)(703)에 대응하는 파라미터를 가지는 제 2 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들(703)에 대응하는(또는 해당 연산 값들을 이용하도록 설정된) 제 2 프로세서(223)를 식별하고, 제 2 프로세서(223)가 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들(예: weight precision:8bit, activation precision:16bit)(703)에 대응하는 파라미터를 가지는 제 2 인공 지능 모델(720)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 이에 따라, 전자 장치(101)는 도 6의 603에 도시된 바와 같이 특성이 다른(예: 피사체 또는 풍경이 변경된) 이미지 데이터에 대한 결과 데이터(631)를 획득할 수 있다. 그 외에 상기 전자 장치(101)의 511 동작의 양자화된 인공 지능 모델을 획득하고 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하는 동작은 전술한 전자 장치(101)의 505 동작과 같이 수행될 수 있으므로 중복되는 설명은 생략한다.
한편 전자 장치(101)가 전자 장치(101)에 미리 저장된 복수의 인공 지능 모델들(243)을 이용하는 것으로 상술 및/또는 도시하였으나, 이에 제한되지 않고 다양한 실시예들에 따르면 전자 장치(101)는 어플리케이션의 구동에 기반하여 외부 서버로부터 대응하는 인공 지능 모델을 수신하여 수신된 인공 지능 모델을 양자화하여 이용하거나, 또는 외부 서버에서 미리 양자화된 인공 지능 모델을 수신하여 이용할 수도 있다. 또는, 다양한 실시예들에 따르면 전자 장치(101)는 전자 장치(101)에서 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하는 동작을 수행하는 대신, 데이터(또는 컨텐트)에 대한 정보 및 데이터(또는 컨텐트)의 처리를 위한 정보(예: 객체(또는 피사체)를 구별하기 위한 모드에 대한 정보 및 선택된 연산 값들)를 외부 서버로 전송하여 외부 서버에 미리 저장된 인공 지능 모델에 의해 처리된 결과 데이터를 외부 서버로부터 수신할 수도 있다.
이하에서는 다양한 실시예들에 따른 전자 장치(101)의 동작의 일 예에 대해서 설명한다. 전술한 전자 장치(101)의 동작의 일 예는 이하에서 기술되는 전자 장치(101)의 동작의 일 예에 준용될 수 있으므로 중복되는 설명은 생략한다.
다양한 실시예들에 따르면 전자 장치(101)는 지정된 이벤트가 발생되는 경우, 지정된 기간(예: 평가 기간) 동안 복수의 연산 조합들의 적어도 일부에 대한 코스트들을 계산하고, 계산된 코스트들에 기반하여 다른 연산 조합을 선택할 수 있다.
도 8은 다양한 실시예들에 따른 전자 장치(101)의 동작의 일 예를 설명하기 위한 흐름도(800)이다. 도 8에 도시되는 동작들은 도시되는 순서에 국한되지 않고 다양한 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면 도 8에 도시되는 동작들 보다 더 많은 동작들이 수행되거나, 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는, 도 9, 도 10, 및 도 11a 내지 도 11b를 참조하여 도 8에 대해서 설명한다.
도 9는 다양한 실시예들에 따른 전자 장치(101)의 복수의 연산 조합들 별로 코스트를 계산하는 동작의 예를 설명하기 위한 도면이다. 도 10은 다양한 실시예들에 따른 서로 다른 연산 조합들에 기반하여 구성된 적어도 하나의 파라미터를 가지는 인공 지능 모델들에 의해 획득된 결과 데이터의 예를 설명하기 위한 도면이다. 도 11a는 다양한 실시예들에 따른 전자 장치(101)의 지정된 기간 동안 코스트들을 계산하는 동작의 일 예를 설명하기 위한 도면이다. 도 11b는 다양한 실시예들에 따른 전자 장치(101)의 지정된 기간 동안 코스트들을 계산하는 동작의 다른 예를 설명하기 위한 도면이다.
다양한 실시예들에 따르면 전자 장치(101)는 801 동작에서 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 데이터(또는 컨텐트)를 획득할 수 있다. 예를 들어, 전자 장치(101)는 전자 장치(101)에 설치된 복수의 어플리케이션들(241) 중 일 어플리케이션(예: 카메라 어플리케이션)을 실행하고, 실행된 어플리케이션에 기반하여 전자 장치(101)에 구비되는 장치(예: 카메라(211))를 구동하여 데이터(또는 컨텐트)(예: 이미지 데이터)를 획득할 수 있다. 상기 전자 장치(101)의 801 동작은 상술한 전자 장치(101)의 501 동작과 같이 수행될 수 있으므로 중복되는 설명은 생략한다.
다양한 실시예들에 따르면 전자 장치(101)는 803 동작에서 상기 획득된 적어도 하나의 데이터(또는 컨텐트)를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하고, 805 동작에서 상기 전자 장치(101)에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 데이터(또는 컨텐트)를 처리함으로써 제 1 결과 데이터(또는 컨텐트)를 획득할 수 있다. 예를 들어, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 획득된 적어도 하나의 데이터(또는 컨텐트)(예: 이미지, 또는 영상)를 처리하기 위한 이벤트가 발생(예: 카메라 어플리케이션에서 객체들(또는 피사체들)에 대한 정보를 획득하기 위한 모드가 선택됨)되는 경우, 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 복수의 연산 값들(예: [표 1]에서 전술한 연산 값 종류들) 중에서 데이터(또는 컨텐트)의 처리를 위해 이용할 기설정된 연산 값들을 선택할 수 있다. 또 예를 들어, 전자 장치(101)는 데이터(또는 컨텐트)를 처리하기 위한(또는, 상기 선택된 모드에 대응하는) 인공 지능 모델을 획득(또는 선택)할 수 있다. 또 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 데이터(또는 컨텐트)를 처리할 적어도 하나의 프로세서를 선택하고, 선택된 프로세서(예: 제 1 프로세서(221))가 선택된 연산 값들에 기반하여 설정된 적어도 하나의 파라미터를 포함하는 양자화된 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 상기 전자 장치(101)의 803 동작 내지 805 동작은 전술한 전자 장치(101)의 503 동작 내지 505 동작과 같이 수행될 수 있으므로 중복되는 설명은 생략한다.
다양한 실시예들에 따르면 전자 장치(101)는 807 동작에서 지정된 이벤트의 발생 여부를 판단할 수 있다. 예를 들어, 상기 지정된 이벤트의 발생은 전술한 바와 같이 지정된 시간의 경과, 획득되는 데이터(또는 컨텐트)의 특성의 변경, 또는 전자 장치(101)의 움직임 중 적어도 하나를 포함할 수 있다. 전자 장치(101)의 807 동작은 전술한 전자 장치(101)의 507 동작과 같이 수행될 수 있으므로 중복되는 설명은 생략한다.
다양한 실시예들에 따르면 전자 장치(101)는 809 동작에서 지정된 이벤트의 발생에 기반하여, 지정된 시구간 동안 상기 복수의 값들 중 적어도 하나에 대응하는 적어도 하나의 코스트를 계산하고, 811 동작에서 상기 계산된 적어도 하나의 코스트에 기반하여, 상기 복수의 값들 중 제 2 값들을 선택할 수 있다. 예를 들어, 전자 장치(101)는 상기 지정된 이벤트가 발생된 것에 기반하여, 지정된 기간(예: 평가 기간) 동안 복수의 연산 조합들 중 일부 연산 조합들과 연관된 코스트들을 계산하고, 계산된 코스트들 중 가장 낮은 코스트를 가지는 연산 조합(예: 제 2 연산 조합)을 선택할 수 있다. 예를 들어, 전자 장치(101)는 도 11a 내지 도 11b에 도시된 바와 같이 상기 지정된 기간 동안 계산된 코스트들에 기반하여, 지정된 기간 이후 가장 낮은 코스트를 가지는 연산 조합으로 변경하여 데이터(또는 컨텐트)의 처리를 수행할 수 있다. 이때 가장 낮은 코스트를 가지는 연산 조합은 현재 선택된 연산 조합(예: 제 1 연산 조합)이거나, 또는 현재 선택된 연산 조합과 다른 연산 조합(예: 제 2 연산 조합)일 수도 있다. 일 실시예에서 전자 장치(101)는 상기 지정된 기간 동안 현재 연산 조합을 포함하는 복수의 연산 조합들 모두에 대한 코스트들을 계산할 수 있다. 또 일 실시예에서 전자 장치(101)는 상기 지정된 기간 동안 현재 연산 조합 및 전술한 지정된 순서 대로 조합의 변경 시 현재 연산 조합에서 변경 가능한 후보 연산 조합들(예: 현재 연산 조합 보다 한 단계 낮거나 한 단계 높은 연산 조합)에 대한 코스트들을 계산할 수도 있다. 또 기재된 바에 제한되지 않고, 전자 장치(101)는 현재 연산 조합을 제외한 복수의 연산 조합들 중 나머지 일부들에 대한 코스트들을 계산할 수 있다. 이때, 상기 계산된 코스트들이 기설정된 임계값 보다 높은 경우, 전자 장치(101)는 현재 선택된 연산 조합(예: 제 1 연산 조합)을 유지할 수 있다. 일 실시예에서, 상기 임계 값은 현재 선택된 연산 조합(예: 제 1 연산 조합)과 연관된 코스트의 값으로 설정될 수 있으나, 이에 제한되지는 않는다. 또, 상기 계산된 코스트들 중 적어도 일부가 기설정된 임계값 보다 낮은 경우에는, 전자 장치(101)는 전술한 바와 같이 코스트들 중 적어도 일부로부터 가장 낮은 코스트를 식별하고, 가장 낮은 코스트를 가지는 연산 조합으로 변경할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)(예: 평가 모듈(233))은 지정된 기간 동안 가장 높은 단계의 연산 조합과 상술한 복수의 연산 조합들 중 일부들에 대한 결과 데이터와 상기 복수의 연산 조합들 중 일부들에 연관된 에너지 소모량에 기반하여, 복수의 연산 조합들 중 일부들에 대한 코스트들을 계산할 수 있다. 예를 들어, 전자 장치(101)는 복수의 연산 조합들 중 일부들에 대한 결과 데이터와 가장 높은 단계의 연산 조합에 대한 결과 데이터의 차이를 계산하고, 상기 계산된 차이와 복수의 연산 조합들 중 일부들에 기반한 양자화된 인공 지능 모델을 이용한 데이터(또는 컨텐트) 처리 동작 시 소모되는 에너지(예: 전력)를 기반으로 코스트를 계산할 수 있다. 일 예로, 전자 장치(101)는 아래의 [수학식 1]과 같이 코스트를 계산할 수 있다. 한편, 코스트를 계산하기 위한 수학식에는 [수학식 1]에 기재된 파라미터들 이외에도 더 많은 파라미터들이 포함될 수 있다. 이에 따라, 상기 계산된 코스트는 복수의 연산 조합들 중 일부의 결과 데이터와 가장 정확도가 높은 결과 데이터와의 차이와 복수의 연산 조합들 중 일부에 의한 데이터(또는 컨텐트) 처리 시 에너지 소모양을 나타낼 수 있다. 상기 코스트가 작다는 것은 가장 정확도가 높은 결과 데이터와의 차이는 작으면서, 에너지가 소모되는 양도 작음을 나타낼 수 있다.
[수학식 1]에서 Out_candi는 코스트를 계산하고자 하는 복수의 연산 조합들 중 일부들의 결과 데이터의 일부(예: (x,y)는 이미지 데이터의 경우 일 픽셀을 의미, 오디오 데이터의 경우 특정 시간 프레임을 의미), Out_max는 가장 단계가 높은 연산 조합의 결과 데이터의 일부(즉, 가장 좋은 결과 데이터의 일부), Energy_candi는 코스트를 계산하고자 하는 복수의 연산 조합들 중 일부들에 의해 연산이 수행 될 때 소모되는 에너지를 나타냄, α는 상수를 나타냄.
예를 들어, 전자 장치(101)(예: 평가 모듈(233))은 도 9에 도시된 바와 같이 지정된 기간(예: 평가 기간) 동안 가장 높은 단계의 연산 조합 및 복수의 연산 조합들 일부들에 기반한 파라미터(예: 가중치 및 활성 함수)를 가지는 양자화된 인공 지능 모델들(예: 910, 920) 각각을 획득할 수 있다. 상기 양자화된 인공 지능 모델들을 획득하는 동작에 대해서는 전술한 바와 같이 미리 학습된 인공 지능 모델의 파라미터를 재구성함으로써 수행되므로 중복되는 설명은 생략한다. 전자 장치(101)(예: 평가 모듈(233))는 지정된 기간 동안 획득되는 데이터(또는 컨텐트)를 처리하도록 서로 다른 프로세서(예: 제 1 프로세서(221) 및 제 2 프로세서(223))를 제어하고, 각각의 프로세서들로부터 결과 데이터(예: 제 1 결과 데이터(911), 및 제 2 결과 데이터(921))를 획득할 수 있다. 상기 데이터(또는 컨텐트)를 처리하는 프로세서들 각각은 전술한 바와 같이 연산 조합들에 대응하는 프로세서일 수 있다. 또는 기재 및/또는 도시된 바에 제한되지 않고, 일 프로세서가 가장 높은 단계의 연산 조합 및 복수의 연산 조합들 일부들에 기반한 양자화된 인공 지능 모델들(예: 910, 920)을 이용하여 데이터(또는 컨텐트)를 처리할 수도 있다. 상기 전자 장치(101)(예: 평가 모듈(233))은 획득된 각각의 결과 데이터(예: 제 1 결과 데이터(911), 및 제 2 결과 데이터(921))의 서로 대응하는 일부(예: 이미지 데이터의 경우 대응하는 적어도 하나의 픽셀의 데이터, 오디오 데이터의 경우 적어도 하나의 타임 프레임의 데이터)의 차이를 계산할 수 있다. 또 예를 들어, 전자 장치(101)(예: 평가 모듈(233))은 상기 지정된 기간 동안 각각의 프로세서(예: 제 1 프로세서(221) 및 제 2 프로세서(223))가 획득되는 데이터(또는 컨텐트)를 처리하는 동안, 각각의 프로세서의 처리 동작에 따라서 소모되는 에너지의 양(또는 리소스의 양, 또는 전력의 양, 또는 연산되는 데이터의 양)에 대한 정보를 획득할 수 있다. 일 예로, 전자 장치(101)(예: 프로세서)는 각각의 프로세서의 처리 동작 동안 소모되는 에너지의 양을 모니터링할 수 있다. 결과적으로 전자 장치(101)(예: 평가 모듈(233))은 상기 결과 데이터(예: 제 1 결과 데이터(911), 및 제 2 결과 데이터(921))의 차이와 소모되는 에너지의 양에 기반하여, 복수의 연산 조합들의 일부에 대한 코스트들을 계산하고, 계산된 코스트들 중 가장 낮은 코스트에 대응하는 연산 조합을 선택할 수 있다. 도 10의 1001을 참조하면 특정 이미지 데이터의 경우 파라미터의 종류들(예: 가중치 및 활성 함수) 별 연산 값이 다른 경우(예: 연산 조합이 다른 경우) 결과 데이터의 차이가 크지만, 도 10의 1002를 참조하면 다른 이미지 데이터의 경우 파라미터의 종류들 별 연산 값이 다른 경우 결과 데이터의 차이가 적을 수 있다. 상기 다른 이미지 데이터는 특정 이미지 데이터에 비하여 현재 선택된 모드(예: 전술한 객체 식별 모드)에 따라서 처리되어야 하는 데이터의 양이 적을 수 있다(예: 식별되어야 하는 객체의 수가 적을 수 있다). 따라서, 도 10의 1002에 도시된 바와 같은 이미지 데이터가 획득되는 경우, 전자 장치(101)는 더 낮은 단계의 연산 조합을 선택하는 경우 더 높은 단계의 연산 조합을 선택하는 경우와 비교하여 결과 데이터의 차이는 작으면서 에너지 소모 양도 더 작을 수 있다(즉, 에너지 소모 측면에서 이점이 있을 수 있다). 따라서, 도 10의 1001 내지 1002에서 기술된 바를 고려하여, 전자 장치(101)(예: 평가 모듈(233))는 지정된 이벤트의 발생에 기반하여 가장 정확도가 높은 결과 데이터와의 차이와 데이터(또는 컨텐트) 처리 시 에너지 소모양을 나타내는 코스트를 계산하고, 계산된 코스트 중 가장 낮은 코스트를 가지는 연산 조합을 선택할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)는 지정된 기간(예: 결과 평가 기간) 동안 복수의 연산 조합들 각각에 기반한 데이터(또는 컨텐트)를 처리하는 동작은 동시에 또는 이시에 수행될 수 있다. 예를 들어 도 11a에 도시된 바와 같이 전자 장치(101)는 지정된 기간(예: 평가 기간) 동안 복수의 연산 조합들을 기반으로 동시에 데이터(또는 컨텐트)를 처리하는 동작을 수행할 수 있다. 복수의 연산 조합들에 대응하는 복수의 프로세서들(220)은 지정된 기간 동안 복수의 연산 조합들 각각에 기반하여 양자화된 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리할 수 있다. 또는 일 프로세서가 지정된 기간 동안 복수의 연산 조합들에 기반하여 양자화된 인공 지능 모델들을 이용하여 데이터(또는 컨텐트)를 처리하여 결과 데이터들을 획득할 수도 있다. 또 예를 들어 도 11b에 도시된 바와 같이 전자 장치(101)는 지정된 기간(예: 평가 기간) 동안 복수의 연산 조합들 중 일 연산 조합을 기반으로 데이터(또는 컨텐트)를 처리하는 동작을 순차적으로 수행할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)는 813 동작에서 상기 딥 러닝 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 딥 러닝 모델을 이용하여, 상기 적어도 하나의 데이터(또는 컨텐트)를 처리함으로써 제 2 결과 데이터(또는 컨텐트)를 획득할 수 있다. 예를 들어, 전자 장치(101)는 지정된 기간(예: 평가 기간) 이후 선택된 연산 조합(예: 제 2 연산 조합)의 파라미터의 종류들 별 연산 값을 기반으로 양자화된 인공 지능 모델을 이용하여, 지저된 기간 이후에 획득되는 데이터(또는 컨텐트)를 처리할 수 있다. 상기 전자 장치(101)의 813 동작은 전술한 전자 장치(101)의 511 동작과 같이 수행될 수 있으므로 중복되는 설명은 생략한다.
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))의 동작 방법으로서, 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하는 단계 상기 전자 장치(예: 도 1의 전자 장치(101))에 저장된 인공 지능 모델(예: 도 2의 인공 지능 모델들(243))의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 데이터를 획득하는 단계 지정된 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하는 단계 및 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 데이터를 획득하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 지정된 이벤트의 발생은 지정된 시간이 경과되는 것, 획득되는 상기 적어도 하나의 데이터의 특성의 변경이 식별되는 것, 또는 상기 전자 장치(예: 도 1의 전자 장치(101))의 움직임이 식별되는 것 중 적어도 하나를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 인공 지능 모델은 상기 어플리케이션의 실행에 기반하여 획득된 상기 적어도 하나의 데이터를 입력 받은 것에 대한 응답으로 결과 데이터를 출력하도록 미리 학습된 모델이고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터는 상기 학습에 따라서 획득된 적어도 하나의 가중치 및 적어도 하나의 활성 함수를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 연산 능력과 연관된 복수의 값들은 가중치 및 활성 함수의 각각에 대한 값의 조합들을 포함하고, 상기 조합들 각각은 상기 가중치에 대한 상기 연산 능력과 연관된 값과 상기 활성 함수에 대한 상기 연산 능력과 연관된 값을 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 실행된 어플리케이션을 기반으로 상기 획득된 적어도 하나의 컨텐트를 처리하기 위한 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 1 값들로서 상기 가중치에 대한 제 1 값과 상기 활성 함수에 대한 제 1 값에 대응하는 제 1 조합을 선택하는 단계 및 상기 지정된 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 2 값들로서 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 가중치에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 1 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 1 활성 함수로 설정함으로써 상기 제 1 인공 지능 모델을 획득하는 단계 및 상기 가중치에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 2 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 2 활성 함수로 설정함으로써 상기 제 2 인공 지능 모델을 획득하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 전자 장치(예: 도 1의 전자 장치(101))의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 1 값 및 상기 활성 함수에 대한 상기 제 1 값에 대응하는 제 1 프로세서를 식별하고, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계 및 상기 전자 장치(예: 도 1의 전자 장치(101))의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 2 값 및 상기 활성 함수에 대한 상기 제 2 값에 대응하는 제 2 프로세서를 식별하고, 상기 제 2 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 지정된 이벤트의 발생에 기반하여, 지정된 기간 동안 상기 조합들 중 일부들 각각에 대응하는 상기 가중치에 대한 값과 상기 활성 함수에 대한 값을 기반으로 상기 조합들 중 일부들에 대한 코스트들을 계산하는 단계를 포함하고, 상기 코스트들은 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 결과 데이터들의 정확도와 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 에너지 소모량을 나타내고, 상기 계산된 코스트들 중 가장 낮은 코스트를 가지는 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 계산된 코스트들 중 상기 가장 낮은 코스트가 임계 값 이상인 경우, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하는 동작을 유지하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 조합들 중 상기 가중치에 대한 가장 높은 값과 상기 활성 함수에 대한 가장 높은 값에 대응하는 제 3 조합을 식별하는 단계 상기 가중치에 대한 가장 높은 값과 상기 활성 함수에 대한 가장 높은 값에 기반하여 구성된 적어도 하나의 제 3 파라미터를 가지는 제 3 인공 지능 모델을 획득하고, 상기 조합들 중 상기 일부들에 대응하는 상기 가중치에 대한 값들과 상기 활성 함수에 대한 값들 각각에 기반하여 구성된 적어도 하나의 제 4 파라미터를 가지는 인공 지능 모델들을 획득하는 단계 상기 지정된 기간 동안 상기 제 3 인공 지능 모델에 기반하여 상기 적어도 하나의 데이터를 처리함으로써 제 3 결과 데이터를 획득하고, 상기 인공 지능 모델들에 기반하여 상기 적어도 하나의 데이터를 처리함으로써 복수의 결과 데이터들을 획득하는 단계 및 상기 복수의 결과 데이터들 각각의 적어도 일부와 상기 제 3 결과 데이터의 적어도 일부의 차이를 계산하는 단계를 포함하는 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 인공 지능 모델들 각각에 기반하여 상기 적어도 하나의 데이터를 처리함에 따라서 소모되는 에너지의 양과 연관된 정보를 획득하는 단계 및 상기 계산된 차이와 상기 소모되는 에너지의 양에 기반하여, 상기 코스트들을 계산하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))로서, 적어도 하나의 프로세서(예: 도 2의 프로세서(230))를 포함하고, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하고, 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하고, 상기 전자 장치(예: 도 1의 전자 장치(101))에 저장된 인공 지능 모델(예: 도 2의 인공 지능 모델들(243))의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 컨텐트를 획득하고, 지정된 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 컨텐트를 획득하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 지정된 이벤트의 발생은 지정된 시간이 경과되는 것, 획득되는 상기 적어도 하나의 데이터의 특성의 변경이 식별되는 것, 또는 상기 전자 장치(예: 도 1의 전자 장치(101))의 움직임이 식별되는 것 중 적어도 하나를 포함하는, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 인공 지능 모델은 상기 어플리케이션의 실행에 기반하여 획득된 상기 적어도 하나의 데이터를 입력 받은 것에 대한 응답으로 결과 데이터를 출력하도록 미리 학습된 모델이고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터는 상기 학습에 따라서 획득된 적어도 하나의 가중치 및 적어도 하나의 활성 함수를 포함하는, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 연산 능력과 연관된 복수의 값들은 가중치 및 활성 함수의 각각에 대한 값의 조합들을 포함하고, 상기 조합들 각각은 상기 가중치에 대한 상기 연산 능력과 연관된 값과 상기 활성 함수에 대한 상기 연산 능력과 연관된 값을 포함하는, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 상기 실행된 어플리케이션을 기반으로 상기 획득된 적어도 하나의 컨텐트를 처리하기 위한 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 1 값들로서 상기 가중치에 대한 제 1 값과 상기 활성 함수에 대한 제 1 값에 대응하는 제 1 조합을 선택하고, 상기 지정된 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 2 값들로서 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 상기 가중치에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 1 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 1 활성 함수로 설정함으로써 상기 제 1 인공 지능 모델을 획득하고, 상기 가중치에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 2 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 2 활성 함수로 설정함으로써 상기 제 2 인공 지능 모델을 획득하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 상기 전자 장치(예: 도 1의 전자 장치(101))의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 1 값 및 상기 활성 함수에 대한 상기 제 1 값에 대응하는 제 1 프로세서를 식별하고, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하고, 상기 전자 장치(예: 도 1의 전자 장치(101))의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 2 값 및 상기 활성 함수에 대한 상기 제 2 값에 대응하는 제 2 프로세서를 식별하고, 상기 제 2 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 상기 지정된 이벤트의 발생에 기반하여, 지정된 기간 동안 상기 조합들 중 일부들 각각에 대응하는 상기 가중치에 대한 값과 상기 활성 함수에 대한 값을 기반으로 상기 조합들 중 일부들에 대한 코스트들을 계산하고, 상기 코스트들은 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 결과 데이터들의 정확도와 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 에너지 소모량을 나타내고, 상기 계산된 코스트들 중 가장 낮은 코스트를 가지는 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))의 동작 방법으로서, 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계 상기 전자 장치(예: 도 1의 전자 장치(101))에 저장된 인공 지능 모델(예: 도 2의 인공 지능 모델들(243))을 이용하여 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 제 1 프로세서를 선택하는 단계를 포함하고, 상기 제 1 프로세서는 연산 능력과 연관된 복수의 값들 중 제 1 값들에 대응하도록 설정되고, 상기 전자 장치(예: 도 1의 전자 장치(101))에 저장된 인공 지능 모델(예: 도 2의 인공 지능 모델들(243))의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계 지정된 이벤트의 발생에 기반하여, 제 2 프로세서를 선택하는 단계를 포함하고, 상기 제 2 프로세서는 상기 연산 능력과 연관된 상기 복수의 값들 중 제 2 값들에 대응하도록 설정되고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
Claims (20)
- 전자 장치의 동작 방법으로서,
어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계;
상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하는 단계;
상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 데이터를 획득하는 단계;
지정된 이벤트의 발생에 기반하여, 상기 복수의 값들 중 제 2 값들을 선택하는 단계; 및
상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 데이터를 획득하는 단계;를 포함하는,
동작 방법.
- 제 1 항에 있어서,
상기 지정된 이벤트의 발생은 지정된 시간이 경과되는 것, 획득되는 상기 적어도 하나의 데이터의 특성의 변경이 식별되는 것, 또는 상기 전자 장치의 움직임이 식별되는 것 중 적어도 하나를 포함하는,
동작 방법.
- 제 1 항에 있어서, 상기 인공 지능 모델은 상기 어플리케이션의 실행에 기반하여 획득된 상기 적어도 하나의 데이터를 입력 받은 것에 대한 응답으로 결과 데이터를 출력하도록 미리 학습된 모델이고,
상기 인공 지능 모델의 상기 적어도 하나의 파라미터는 상기 학습에 따라서 획득된 적어도 하나의 가중치 및 적어도 하나의 활성 함수를 포함하는,
동작 방법.
- 제 3 항에 있어서,
상기 연산 능력과 연관된 복수의 값들은 가중치 및 활성 함수의 각각에 대한 값의 조합들을 포함하고, 상기 조합들 각각은 상기 가중치에 대한 상기 연산 능력과 연관된 값과 상기 활성 함수에 대한 상기 연산 능력과 연관된 값을 포함하는,
동작 방법.
- 제 4 항에 있어서,
상기 실행된 어플리케이션을 기반으로 상기 획득된 적어도 하나의 컨텐트를 처리하기 위한 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 1 값들로서 상기 가중치에 대한 제 1 값과 상기 활성 함수에 대한 제 1 값에 대응하는 제 1 조합을 선택하는 단계; 및
상기 지정된 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 2 값들로서 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하는 단계;를 포함하는,
동작 방법.
- 제 5 항에 있어서,
상기 가중치에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 1 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 1 활성 함수로 설정함으로써 상기 제 1 인공 지능 모델을 획득하는 단계; 및
상기 가중치에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 2 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 2 활성 함수로 설정함으로써 상기 제 2 인공 지능 모델을 획득하는 단계;를 포함하는,
동작 방법.
- 제 6 항에 있어서,
상기 전자 장치의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 1 값 및 상기 활성 함수에 대한 상기 제 1 값에 대응하는 제 1 프로세서를 식별하고, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계; 및
상기 전자 장치의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 2 값 및 상기 활성 함수에 대한 상기 제 2 값에 대응하는 제 2 프로세서를 식별하고, 상기 제 2 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계;를 포함하는,
동작 방법.
- 제 5 항에 있어서,
상기 지정된 이벤트의 발생에 기반하여, 지정된 기간 동안 상기 조합들 중 일부들 각각에 대응하는 상기 가중치에 대한 값과 상기 활성 함수에 대한 값을 기반으로 상기 조합들 중 일부들에 대한 코스트들을 계산하는 단계;를 포함하고, 상기 코스트들은 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 결과 데이터들의 정확도와 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 에너지 소모량을 나타내고,
상기 계산된 코스트들 중 가장 낮은 코스트를 가지는 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하는 단계;를 포함하는,
동작 방법.
- 제 8 항에 있어서,
상기 계산된 코스트들 중 상기 가장 낮은 코스트가 임계 값 이상인 경우, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하는 동작을 유지하는 단계;를 포함하는,
동작 방법.
- 제 8 항에 있어서,
상기 조합들 중 상기 가중치에 대한 가장 높은 값과 상기 활성 함수에 대한 가장 높은 값에 대응하는 제 3 조합을 식별하는 단계;
상기 가중치에 대한 가장 높은 값과 상기 활성 함수에 대한 가장 높은 값에 기반하여 구성된 적어도 하나의 제 3 파라미터를 가지는 제 3 인공 지능 모델을 획득하고, 상기 조합들 중 상기 일부들에 대응하는 상기 가중치에 대한 값들과 상기 활성 함수에 대한 값들 각각에 기반하여 구성된 적어도 하나의 제 4 파라미터를 가지는 인공 지능 모델들을 획득하는 단계;
상기 지정된 기간 동안 상기 제 3 인공 지능 모델에 기반하여 상기 적어도 하나의 데이터를 처리함으로써 제 3 결과 데이터를 획득하고, 상기 인공 지능 모델들에 기반하여 상기 적어도 하나의 데이터를 처리함으로써 복수의 결과 데이터들을 획득하는 단계; 및
상기 복수의 결과 데이터들 각각의 적어도 일부와 상기 제 3 결과 데이터의 적어도 일부의 차이를 계산하는 단계;를 포함하는
동작 방법.
- 제 10 항에 있어서,
상기 인공 지능 모델들 각각에 기반하여 상기 적어도 하나의 데이터를 처리함에 따라서 소모되는 에너지의 양과 연관된 정보를 획득하는 단계; 및
상기 계산된 차이와 상기 소모되는 에너지의 양에 기반하여, 상기 코스트들을 계산하는 단계;를 포함하는,
동작 방법.
- 전자 장치로서,
적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는:
어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하고,
상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하고,
상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 컨텐트를 획득하고,
지정된 이벤트의 발생에 기반하여, 상기 복수의 값들 중 제 2 값들을 선택하고,
상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 컨텐트를 획득하도록 설정된,
전자 장치.
- 제 12 항에 있어서,
상기 지정된 이벤트의 발생은 지정된 시간이 경과되는 것, 획득되는 상기 적어도 하나의 데이터의 특성의 변경이 식별되는 것, 또는 상기 전자 장치의 움직임이 식별되는 것 중 적어도 하나를 포함하는,
전자 장치.
- 제 12 항에 있어서, 상기 인공 지능 모델은 상기 어플리케이션의 실행에 기반하여 획득된 상기 적어도 하나의 데이터를 입력 받은 것에 대한 응답으로 결과 데이터를 출력하도록 미리 학습된 모델이고,
상기 인공 지능 모델의 상기 적어도 하나의 파라미터는 상기 학습에 따라서 획득된 적어도 하나의 가중치 및 적어도 하나의 활성 함수를 포함하는,
전자 장치.
- 제 14 항에 있어서,
상기 연산 능력과 연관된 복수의 값들은 가중치 및 활성 함수의 각각에 대한 값의 조합들을 포함하고, 상기 조합들 각각은 상기 가중치에 대한 상기 연산 능력과 연관된 값과 상기 활성 함수에 대한 상기 연산 능력과 연관된 값을 포함하는,
전자 장치.
- 제 15 항에 있어서,
상기 적어도 하나의 프로세서는:
상기 실행된 어플리케이션을 기반으로 상기 획득된 적어도 하나의 컨텐트를 처리하기 위한 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 1 값들로서 상기 가중치에 대한 제 1 값과 상기 활성 함수에 대한 제 1 값에 대응하는 제 1 조합을 선택하고,
상기 지정된 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 2 값들로서 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하도록 설정된,
전자 장치.
- 제 16 항에 있어서,
상기 적어도 하나의 프로세서는:
상기 가중치에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 1 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 1 활성 함수로 설정함으로써 상기 제 1 인공 지능 모델을 획득하고,
상기 가중치에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 2 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 2 활성 함수로 설정함으로써 상기 제 2 인공 지능 모델을 획득하도록 설정된,
전자 장치.
- 제 17 항에 있어서,
상기 적어도 하나의 프로세서는:
상기 전자 장치의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 1 값 및 상기 활성 함수에 대한 상기 제 1 값에 대응하는 제 1 프로세서를 식별하고, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하고,
상기 전자 장치의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 2 값 및 상기 활성 함수에 대한 상기 제 2 값에 대응하는 제 2 프로세서를 식별하고, 상기 제 2 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하도록 설정된,
전자 장치.
- 제 16 항에 있어서,
상기 적어도 하나의 프로세서는:
상기 지정된 이벤트의 발생에 기반하여, 지정된 기간 동안 상기 조합들 중 일부들 각각에 대응하는 상기 가중치에 대한 값과 상기 활성 함수에 대한 값을 기반으로 상기 조합들 중 일부들에 대한 코스트들을 계산하고, 상기 코스트들은 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 결과 데이터들의 정확도와 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 에너지 소모량을 나타내고,
상기 계산된 코스트들 중 가장 낮은 코스트를 가지는 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하도록 설정된,
전자 장치.
- 전자 장치의 동작 방법으로서,
어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계;
상기 전자 장치에 저장된 인공 지능 모델을 이용하여 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 제 1 프로세서를 선택하는 단계;를 포함하고, 상기 제 1 프로세서는 연산 능력과 연관된 복수의 값들 중 제 1 값들에 대응하도록 설정되고,
상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계;
지정된 이벤트의 발생에 기반하여, 제 2 프로세서를 선택하는 단계;를 포함하고, 상기 제 2 프로세서는 상기 연산 능력과 연관된 상기 복수의 값들 중 제 2 값들에 대응하도록 설정되고,
상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계;를 포함하는,
동작 방법.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210054493A KR20220147398A (ko) | 2021-04-27 | 2021-04-27 | 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 |
| PCT/KR2021/019673 WO2022231090A1 (ko) | 2021-04-27 | 2021-12-23 | 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 |
| US17/708,585 US20220343106A1 (en) | 2021-04-27 | 2022-03-30 | Electronic device for processing data based on artificial intelligence model and method for operating the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210054493A KR20220147398A (ko) | 2021-04-27 | 2021-04-27 | 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220147398A true KR20220147398A (ko) | 2022-11-03 |
Family
ID=83848610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210054493A KR20220147398A (ko) | 2021-04-27 | 2021-04-27 | 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20220147398A (ko) |
| WO (1) | WO2022231090A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3090329C (en) * | 2018-02-16 | 2021-07-27 | The Governing Council Of The University Of Toronto | Neural network accelerator |
| EP3543917B1 (en) * | 2018-03-19 | 2024-01-03 | SRI International Inc. | Dynamic adaptation of deep neural networks |
| KR102581471B1 (ko) * | 2018-05-03 | 2023-09-21 | 삼성전자주식회사 | 분류를 위한 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치 |
| KR20200076461A (ko) * | 2018-12-19 | 2020-06-29 | 삼성전자주식회사 | 중첩된 비트 표현 기반의 뉴럴 네트워크 처리 방법 및 장치 |
| US20210117799A1 (en) * | 2019-10-17 | 2021-04-22 | EMC IP Holding Company LLC | Monitoring performance of a storage system using paired neural networks |
-
2021
- 2021-04-27 KR KR1020210054493A patent/KR20220147398A/ko active Search and Examination
- 2021-12-23 WO PCT/KR2021/019673 patent/WO2022231090A1/ko active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022231090A1 (ko) | 2022-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11386866B2 (en) | Electronic device and screen refresh method thereof | |
| KR20220049759A (ko) | 인공 신경망 학습 방법 및 이를 지원하는 전자 장치 | |
| KR20220147398A (ko) | 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 | |
| KR20220120824A (ko) | 업사이클링 기능을 제공하기 위한 방법 및 이를 지원하는 전자 장치 | |
| US20220343106A1 (en) | Electronic device for processing data based on artificial intelligence model and method for operating the same | |
| KR20220059276A (ko) | 전자 장치 표면의 온도를 예측하는 방법 및 그 전자 장치 | |
| KR20220102420A (ko) | 이미지를 업스케일하는 전자 장치 및 이의 제어 방법 | |
| KR20210155961A (ko) | 전자 장치 및 전자 장치의 동작 방법 | |
| KR20220133566A (ko) | 인공 지능 모델을 최적화하기 위한 전자 장치 및 그 동작 방법 | |
| US20220245515A1 (en) | Electronic device for performing computation based on artificial intelligence model and operation method thereof | |
| US20240037722A1 (en) | Electronic device for encoding video, and control method therefor | |
| KR20230020328A (ko) | 이미지를 보정하는 장치 및 그 방법 | |
| US11282167B1 (en) | Electronic device including flexible display and method of operation thereof | |
| US11849289B2 (en) | Electronic device for outputting sound and method for operating the same | |
| US20230168856A1 (en) | Electronic device including vibration device and method for operating the same | |
| EP4220635A1 (en) | Audio data processing method and device thereof | |
| US20230230524A1 (en) | Method for providing image and electronic device for supporting the same | |
| KR20240054828A (ko) | 디스플레이를 포함하는 전자 장치 및 이의 동작 방법 | |
| KR20230036496A (ko) | 신경망 모델을 처리하는 전자 장치와 이의 동작 방법 | |
| KR20220073136A (ko) | 배경 화면을 설정하기 위한 전자 장치 및 그의 동작 방법 | |
| KR20230039342A (ko) | Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법 | |
| KR20230012350A (ko) | 주변 장치로부터 입력을 수신하였을 때 화면을 빠르게 업데이트하는 전자 장치 | |
| KR20230112303A (ko) | 전자 장치 및 상기 전자 장치에서 pip윈도우를 제어하는 방법 | |
| KR20240062069A (ko) | 디스플레이에게 전력을 제공하기 위한 전자 장치 | |
| KR20220142886A (ko) | 터치 입력 데이터를 처리하는 전자 장치 및 터치 입력 데이터를 처리하는 전자 장치를 제어하는 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |