KR20230018869A

KR20230018869A - 제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치

Info

Publication number: KR20230018869A
Application number: KR1020210100878A
Authority: KR
Inventors: 이종훈; 박연규; 박진용
Original assignee: 삼성전자주식회사
Priority date: 2021-07-30
Filing date: 2021-07-30
Publication date: 2023-02-07
Also published as: WO2023008732A1

Abstract

본 발명의 다양한 실시 예들은 통신 모듈, 메모리, 및 상기 통신 모듈, 또는 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 부품 입력 데이터에 기반하여 AI 예측 모델을 생성하고, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정된 방법 및 장치에 관하여 개시한다. 다양한 실시 예들이 가능하다.

Description

제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치{DEVICE AND METHOD FOR UPDATING AI PREDITION MODEL TO PREDICTION OF PRODUCT FAILURE}

본 발명의 다양한 실시예들은 제품의 불량을 예측하는 예측 모델을 업데이트하는 방법 및 장치에 관하여 개시한다.

디지털 기술의 발달과 함께 이동통신 단말기, PDA(personal digital assistant), 전자수첩, 스마트 폰, 태블릿 PC(personal computer), 웨어러블 디바이스(wearable device)와 같은 다양한 유형의 전자 장치가 널리 사용되고 있다. 이러한, 전자 장치는 기능 지지 및 증대를 위해, 전자 장치의 하드웨어적인 부분 및/또는 소프트웨어적인 부분이 지속적으로 개량되고 있다.

한편, 전자 장치는 다양한 기능을 제공하기 위해, 복수의 부품(또는 전자 부품)들(예: 프로세서, 카메라, 안테나)을 포함할 수 있다. 전자 장치가 만들어지면, 전자 장치에 이상이 없는지 테스트를 할 수 있다. 생산된 모든 전자 장치를 테스트할 수 없으므로, 생산된 전체 전자 장치 중에서 일부 전자 장치를 테스트할 수 있다. 또는, 종래에는 예측 모델을 이용하여 전자 장치를 테스트하고 있다.

종래에는 부품(또는 전자 부품)의 데이터(예: 프로세서, 카메라)를 이용하여 완제품(예: 전자 장치)의 성능 테스트를 수행할 수 있다. 종래에는 완제품으로 성능 테스트를 수행하지 않고, 부품 테스트 결과만으로 완제품의 성능(예: pass/fail)을 예측하기 때문에 늘 같은 예측 결과를 제공할 수 있다. 또한, 외부 변화 요인에 의해 동일한 부품을 사용하더라도 완제품의 테스트 결과가 달라질 수 있다. 종래에는 한번 만들어진 예측 모델을 업데이트하지 않기 때문에, 시간이 지날수록 예측 모델에 의해 양품 또는 불량으로 예측하는 정확성이 낮아질 수 있다.

다양한 실시예들에서는, 부품 입력 데이터에 기반하여 AI(artificial intelligence) 예측 모델을 생성하고, AI 예측 모델에 따라 실패(fail) 결과 데이터를 획득하고, 실패 결과 데이터에 따라 정상(pass) 결과 데이터를 획득하고, 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트하는 방법 및 장치에 관하여 개시할 수 있다.

본 발명의 다양한 실시예들에 따른 전자 장치는 통신 모듈, 메모리, 및 상기 통신 모듈, 또는 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 부품 입력 데이터에 기반하여 AI 예측 모델을 생성하고, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정될 수 있다.

본 발명의 다양한 실시예들에 따른 AI 예측 시스템은 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전달하는 전자 장치, 및 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 생성 또는 업데이트하고, 상기 AI 예측 모델을 상시 전자 장치로 전송하는 서버를 포함할 수 있다.

본 발명의 다양한 실시예들에 따른 전자 장치의 동작 방법은 부품 입력 데이터에 기반하여 AI 예측 모델을 생성하는 동작, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하는 동작, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하는 동작, 및 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함할 수 있다.

다양한 실시예들에 따르면, 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나에 기반하여 완제품(예: 전자 장치)의 AI 예측 모델을 업데이트함으로써, 시간이 지나더라도 AI 예측 모델에 의해 정상 및 실패로 예측하는 정확성을 유지할 수 있다.

다양한 실시예들에 따르면, 정상으로 예측되었지만 완제품의 테스트 결과 실패로 판단되는 경우, 정상 예측된 실패 결과 데이터를 이용하여 AI 예측 모델을 학습시킴으로써, 이후 생산되는 완제품의 예측 성능을 향상시킬 수 있다.

다양한 실시예들에 따르면, 실패로 예측되었지만 완제품의 테스트 결과 정상으로 판단되는 경우, 실패 및 정상을 판단하기 위해 테스트하는 완제품의 샘플링 비율(또는 샘플링 수)을 조정함으로써, 완제품 테스트에 따른 시간 또는 비용을 절약할 수 있다.

도 1은 다양한 실시예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2a 및 도 2b는 다양한 실시예들에 따른 전자 장치와 서버를 포함하는 AI 예측 시스템의 일례를 도시한 도면들이다.
도 3은 다양한 실시예들에 따른 전자 장치의 동작 방법을 도시한 흐름도이다.
도 4a는 다양한 실시예들에 따른 전자 장치의 정상 및 실패 예측 비율을 도시한 도면이다.
도 4b는 비교 예에 따른 예측 정상률을 도시한 그래프이다.
도 4c는 다양한 실시예들에 따른 예측 정상률을 도시한 그래프이다.
도 5는 다양한 실시예들에 따른 전자 장치에서 획득하는 데이터를 도시한 도면이다.
도 6은 다양한 실시예들에 따른 전자 장치에서 정상 결과 데이터의 추출 비율을 제어하는 방법을 도시한 흐름도이다.
도 7은 다양한 실시예들에 따른 전자 장치에서 정상 결과 데이터의 추출 비율을 제어하는 일례를 도시한 도면이다.
도 8은 다양한 실시예들에 따른 전자 장치에서 실패 결과 데이터를 이용하여 AI 예측 모델을 업데이트하는 방법을 도시한 흐름도이다.
도 9a는 다양한 실시예들에 따른 외부 요인에 의해 실패 예측 비율이 증가하는 일례를 도시한 도면이다.
도 9b는 다양한 실시예들에 따른 전자 장치에서 실패 결과 데이터를 이용하여 AI 예측 모델을 업데이트하는 일례를 도시한 도면이다.
도 10은 다양한 실시예들에 따른 전자 장치에서 샘플링 비율을 제어하는 방법을 도시한 흐름도이다.
도 11a 및 도 11b는 다양한 실시예들에 따른 전자 장치에서 샘플링 비율을 제어하는 일례를 도시한 도면들이다.

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 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 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 제1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 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 제1 네트워크(198) 또는 제2 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: 제2 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, 제1 네트워크(198) 또는 제2 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 제1 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 제2 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 제2 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 제2 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, 웨어러블 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. "제1", "제2", 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: 제1) 구성요소가 다른(예: 제2) 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 스토어^TM)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.

도 2a 및 도 2b는 다양한 실시예들에 따른 전자 장치와 서버를 포함하는 AI 예측 시스템의 일례를 도시한 도면들이다.

도 2a는 다양한 실시예들에 따른 AI 예측 시스템(200)에서 AI 예측 모델을 생성하는 일례를 도시한 것이다.

도 2a를 참조하면, 다양한 실시예들에 따른 AI(artificial intelligence) 예측 시스템(200)은 전자 장치(예: 도 1의 전자 장치(101)) 및 서버(예: 도 1의 서버(108))를 포함할 수 있다. 전자 장치(101)는 부품 데이터 획득 모듈(210), AI 예측 모델 제어 모듈(230) 및 데이터 처리 모듈(250) 중 적어도 하나를 포함할 수 있다. 부품 데이터 획득 모듈(210), AI 예측 모델 제어 모듈(230) 및 데이터 처리 모듈(250)은 전자 장치(101)의 프로세서(예: 도 1의 프로세서(120))에 포함될 수 있다. 또는, 부품 데이터 획득 모듈(210), AI 예측 모델 제어 모듈(230) 및 데이터 처리 모듈(250)은 전자 장치(101)의 프로세서(예: 도 1의 프로세서(120))와 작동적으로 연결된 모듈로 구성될 수 있다. 서버(108)는 학습 데이터 모듈(270) 및 머신 러닝 모듈(290)을 포함할 수 있다.

부품 데이터 획득 모듈(210)은 실시간으로 부품 입력 데이터를 획득할 수 있다. 상기 부품 입력 데이터는 완제품(예: 전자 장치)에 포함되는 복수의 부품(또는 전자 부품)(예: 프로세서, 카메라)에 대한 테스트 정보(예: 사양, 성능, 테스트 값)를 포함할 수 있다. 부품 데이터 획득 모듈(210)은 상기 획득한 부품 입력 데이터를 데이터 처리 모듈(250)에 제공할 수 있다.

AI 예측 모델 제어 모듈(230)은 부품 입력 데이터에 기반하여 AI 예측 모델을 생성할 수 있다. 예를 들어, AI 예측 모델 제어 모듈(230)은 서버(108)로부터 실시간으로 상기 AI 예측 모델을 업로드(또는 수신)할 수 있다. 상기 생성된(또는 업로드된) AI 예측 모델은 실패(fail) 결과 데이터 또는 정상(pass) 결과 데이터가 없는 상태에서 만들어진 첫 번째 AI 예측 모델일 수 있다. 첫 번째 AI 예측 모델은 부품 입력 데이터에 기반하여 생성될 수 있다. 상기 첫 번째 AI 예측 모델을 이용하여, AI 예측 모델 제어 모듈(230)은 부품 입력 데이터(273)(예: 원인)로 제품 결과 데이터(예: 정상 결과 데이터(201) 및 실패 결과 데이터(203))를 예측할 수 있다. 다양한 실시예들에 따르면, 상기 첫 번째 AI 예측 모델은 부품 입력 데이터(273)에 대응하는 부품으로 만들어진 전체 완제품을 실패 결과 데이터(271)로 활용하여 생성될 수 있다. 상기 첫 번째 AI 예측 모델은 부품 입력 데이터(273) 및 실패 결과 데이터(271)에 기반하여 생성된 것일 수 있다.

데이터 처리 모듈(250)은 정상 결과 데이터(201), 실패 결과 데이터(203) 또는 부품 입력 데이터(205) 중 적어도 하나를 실시간으로 서버(108)로 전달할 수 있다. 데이터 처리 모듈(250)은 부품 데이터 획득 모듈(210)로부터 부품 입력 데이터(205)를 획득할 수 있다. 데이터 처리 모듈(250)은 AI 예측 모델 제어 모듈(230)로부터 정상 결과 데이터(201) 또는 실패 결과 데이터(203)를 획득(또는 수신)할 수 있다. 정상 결과 데이터(201)는 상기 AI 예측 모델에 의해 정상으로 판단되고, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 테스트 결과 정상으로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 없는 것으로, 사용자가 정상적으로 완제품을 사용 가능한 것을 의미할 수 있다. 또는, 정상 결과 데이터(201)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 실패 결과 데이터(203)는 상기 AI 예측 모델에 의해 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것일 수 있다. 테스트 결과 실패로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 있는 것을 의미할 수 있다. 또는, 실패 결과 데이터(203)는 상기 AI 예측 모델에 의해 정상으로 예측되었지만, 실제 테스트 결과 불량으로 판단된 것일 수 있다.

서버(108)의 학습 데이터 모듈(270)은 부품 입력 데이터(273)를 학습할 수 있다. 학습 데이터 모듈(270)은 부품 입력 데이터(273)를 머신 러닝이 가능한 학습 데이터로 변환할 수 있다. 학습 데이터 모듈(270)은 정상 결과 데이터(201) 및 실패 결과 데이터(203)가 발생하기 전에, 부품 입력 데이터(273)를 학습 데이터로 변환할 수 있다. 또는, 학습 데이터 모듈(270)은 부품 입력 데이터(273)로 만들어진 모든 완제품을 실패 결과 데이터(271) 및 부품 입력 데이터(273)를 학습 데이터로 변환할 수 있다. 학습 데이터 모듈(270)은 상기 변환된 학습 데이터를 머신 러닝 모듈(290)에 전달할 수 있다.

머신 러닝 모듈(290)은 상기 학습 데이터를 학습하여 AI 예측 모델을 생성할 수 있다. 예를 들어, 머신 러닝 모듈(290)은 부품 입력 데이터(273)를 학습하여 AI 예측 모델을 생성할 수 있다. 또는, 머신 러닝 모듈(290)은 부품 입력 데이터(273) 및 실패 결과 데이터(271)를 학습하여 AI 예측 모델을 생성할 수 있다. 머신 러닝 모듈(290)은 생성된 AI 예측 모델을 전자 장치(101)로 전달할 수 있다. 상기 생성된 AI 예측 모델은 첫 번째 AI 예측 모델일 수 있다.

도 2b는 다양한 실시예들에 따른 AI 예측 시스템(200)에서 AI 예측 모델을 업데이트하는 일례를 도시한 것이다.

도 2b를 참조하면, 부품 데이터 획득 모듈(210)은 실시간으로 부품 입력 데이터를 획득할 수 있다. AI 예측 모델 제어 모듈(230)은 도 2a에 의해 생성된 AI 예측 모델(예: 첫 번째 AI 예측 모델)을 업데이트할 수 있다. AI 예측 모델 제어 모듈(230)은 정상 결과 데이터(201), 실패 결과 데이터(203) 또는 부품 입력 데이터(205) 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트할 수 있다. 다양한 실시예들에 따르면, AI 예측 모델 제어 모듈(230)은 정상 결과 데이터(201) 중에서 설정된 비율의 정상 결과 데이터(207)를 이용하여 상기 AI 예측 모델을 업데이트할 수 있다.

첫 번째 AI 예측 모델에 의해 정상 결과 데이터(201), 실패 결과 데이터(203)가 획득되면, 데이터 처리 모듈(250)을 통해 실시간으로 서버(108)로 전달될 수 있다. AI 예측 모델 제어 모듈(230)은 서버(108)에 포함된 머신 러닝 모듈(290)로부터 업데이트된 AI 예측 모델을 획득(또는 수신)할 수 있다. 첫 번째 AI 예측 모델 이후에, 머신 러닝 모듈(290)로부터 획득한 AI 예측 모델은 두 번째 AI 예측 모델일 수 있다. 상기 두 번째 AI 예측 모델을 이용하여, AI 예측 모델 제어 모듈(230)은 부품 입력 데이터(273), 정상 결과 데이터(275), 및 실패 결과 데이터(271)(예: 원인)로 제품 결과 데이터(예: 정상 결과 데이터(201) 및 실패 결과 데이터(203))를 예측할 수 있다. 두 번째 AI 예측 모델은 실패 결과 데이터(271), 부품 입력 데이터(273) 및 정상 결과 데이터(275)에 기반하여 생성된 것일 수 있다. 두 번째 AI 예측 모델에 의해 정상 결과 데이터(201), 실패 결과 데이터(203)가 획득되면, 데이터 처리 모듈(250)을 통해 실시간으로 서버(108)로 전달될 수 있다. AI 예측 모델 제어 모듈(230)은 서버(108)에 포함된 머신 러닝 모듈(290)로부터 업데이트된 AI 예측 모델을 획득할 수 있다. AI 예측 모델 제어 모듈(230)은 정상 결과 데이터(201), 실패 결과 데이터(203) 또는 부품 입력 데이터(205)가 획득될 때마다 상기 AI 예측 모델을 업데이트할 수 있다.

데이터 처리 모듈(250)은 설정된 비율의 정상 결과 데이터(207), 실패 결과 데이터(203) 또는 부품 입력 데이터(205) 중 적어도 하나를 실시간으로 서버(108)로 전달할 수 있다. 데이터 처리 모듈(250)은 부품 데이터 획득 모듈(210)로부터 부품 입력 데이터(205)를 획득할 수 있다. 데이터 처리 모듈(250)은 AI 예측 모델 제어 모듈(230)로부터 정상 결과 데이터(201) 또는 실패 결과 데이터(203)를 획득(또는 수신)할 수 있다. 설정된 비율의 정상 결과 데이터(207)는 정상 결과 데이터(201) 중에서 실패 결과 데이터(203)에 기반하여 추출되는 일부 정상 결과 데이터를 의미할 수 있다. 예를 들어, 실패 결과 데이터(203)가 10개 검출(또는 추출)된 경우, 동일 또는 유사한 비율(예: 1:1)인 10개의 정상 결과 데이터(207)가 AI 예측 모델을 업데이트하는데 사용될 수 있다.

학습 데이터 모듈(270)은 실패 결과 데이터(271), 부품 입력 데이터(273) 및 정상 결과 데이터(275)를 머신 러닝이 가능한 학습 데이터로 변환할 수 있다. 실패 결과 데이터(271)는 실패 결과 데이터(203)에 대응되고, 부품 입력 데이터(273)는 부품 입력 데이터(205)에 대응되며, 정상 결과 데이터(275)는 설정된 비율의 정상 결과 데이터(207)에 대응되는 것일 수 있다. 학습 데이터 모듈(270)은 상기 변환된 학습 데이터를 머신 러닝 모듈(290)에 전달할 수 있다.

머신 러닝 모듈(290)은 상기 학습 데이터에 기반하여 AI 예측 모델을 업데이트할 수 있다. 예를 들어, 머신 러닝 모듈(290)은 실패 결과 데이터(271), 부품 입력 데이터(273) 및 정상 결과 데이터(275) 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 머신 러닝 모듈(290)은 업데이트된 AI 예측 모델을 전자 장치(101)로 전달할 수 있다. 상기 생성된 AI 예측 모델은 두 번째 AI 예측 모델일 수 있다. 학습 데이터 모듈(270)은 실시간으로 데이터 처리 모듈(250)로부터 데이터를 획득하고, 획득한 데이터를 학습 데이터로 변환할 수 있다. 머신 러닝 모듈(290)은 실시간으로 학습 데이터 모듈(270)에 의해 변환된 학습 데이터에 기반하여 AI 예측 모델을 업데이트하여 전자 장치(101)로 전달할 수 있다.

다양한 실시예들에 따르면, 전자 장치(101)와 서버(108)는 서로 연동하여 AI 예측 모델을 업데이트할 수 있다. 전자 장치(101)와 서버(108)는 부품 입력 데이터, 정상 결과 데이터, 실패 결과 데이터가 획득될 때마다 실시간으로 AI 예측 모델을 업데이트할 수 있다. AI 예측 모델이 업데이트되면, 업데이트된 AI 예측 모델에 의해 정상 결과 데이터 및 실패 결과 데이터가 발생할 수 있다.

본 발명의 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 통신 모듈(예: 도 1의 통신 모듈(190)), 메모리(예: 도 1의 메모리(130)), 및 상기 통신 모듈, 또는 상기 메모리와 작동적으로 연결된 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 프로세서는, 부품 입력 데이터에 기반하여 AI(artificial intelligence) 예측 모델을 생성하고, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정될 수 있다.

상기 프로세서는, 상기 통신 모듈을 통해 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버(예: 도 1의 서버(108))로 전송하고, 상기 서버로부터 상기 AI 예측 모델을 수신하도록 설정될 수 있다.

상기 프로세서는, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터를 획득할 때마다 상기 AI 예측 모델을 업데이트하고, 상기 업데이트된 AI 예측 모델에 의해 예측된 실패 결과 데이터 및 정상 결과 데이터를 획득하도록 설정될 수 있다.

상기 실패 결과 데이터는, 상기 AI 예측 모델에 의해 정상 또는 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것이고, 상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 정상 또는 불량으로 판단되고, 실제 테스트 결과 정상으로 판단된 것일 수 있다.

상기 프로세서는, 상기 실패 결과 데이터의 수에 기반하여 상기 정상 결과 데이터를 획득하도록 설정될 수 있다.

상기 프로세서는, 상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하고, 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하도록 설정될 수 있다.

상기 프로세서는, 상기 AI 예측 모델에 의해 정상으로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정될 수 있다.

상기 프로세서는, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 존재하는 경우, 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득하도록 설정될 수 있다.

상기 프로세서는, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터에 기반하여 상기 실패 결과 데이터 및 상기 정상 결과 데이터를 검사하는 샘플링 비율을 제어하도록 설정될 수 있다.

상기 프로세서는, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되면, 상기 샘플링 비율을 변경하고, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되지 않으면, 상기 샘플링 비율을 유지하도록 설정될 수 있다.

본 발명의 다양한 실시예들에 따른 AI 예측 시스템(예: 도 2a 및 도 2b의 AI 예측 시스템(200))은 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전달하는 전자 장치(예: 도 1의 전자 장치(101)), 및 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 생성 또는 업데이트하고, 상기 AI 예측 모델을 상시 전자 장치로 전송하는 서버(예: 도 1의 서버(108))를 포함할 수 있다.

상기 서버는, 상기 전자 장치로부터 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터를 획득할 때마다 상기 AI 예측 모델을 업데이트하여 상기 전자 장치로 전송하고, 상기 전자 장치는, 상기 서버로부터 수신된 AI 예측 모델에 의해 예측된 실패 결과 데이터 및 정상 결과 데이터를 획득하도록 설정될 수 있다.

상기 전자 장치는, 상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하고, 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하도록 설정될 수 있다.

도 3은 다양한 실시예들에 따른 전자 장치의 동작 방법을 도시한 흐름도(300)이다.

도 3을 참조하면, 동작 301에서, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))는 부품 입력 데이터에 기반하여 AI 예측 모델을 생성할 수 있다. 상기 생성된 AI 예측 모델은 실패(fail) 결과 데이터 또는 정상(pass) 결과 데이터가 없는 상태에서 만들어진 첫 번째 AI 예측 모델일 수 있다. 프로세서(120)는 실시간으로 부품 입력 데이터를 획득할 수 있다. 상기 부품 입력 데이터는 완제품(예: 전자 장치)에 포함되는 복수의 부품(또는 전자 부품)(예: 프로세서, 카메라)에 대한 테스트 정보(예: 사양, 성능, 테스트 값)를 포함할 수 있다. 다양한 실시예들에 따르면, 상기 첫 번째 AI 예측 모델은 부품 입력 데이터로 만들어진 전체 완제품을 실패 결과 데이터로 활용하여 생성될 수 있다. 예를 들어, 상기 첫 번째 AI 예측 모델은 상기 부품 입력 데이터 및 상기 실패 결과 데이터에 기반하여 생성될 수 있다. 프로세서(120)는 통신 모듈(예: 도 1의 통신 모듈(190))을 통해 서버(예: 도 1의 서버(108))로부터 상기 AI 예측 모델을 수신(또는 업로드)할 수 있다.

동작 303에서, 프로세서(120)는 상기 생성된 AI 예측 모델에 기반하여 실패 결과 데이터를 획득할 수 있다. 상기 생성된 AI 예측 모델에 의해 정상 결과 데이터 및 실패 결과 데이터가 발생할 수 있다. 상기 실패 결과 데이터는 상기 생성된 AI 예측 모델에 의해 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것일 수 있다. 테스트 결과 실패로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 있는 것을 의미할 수 있다. 또는, 상기 실패 결과 데이터는 상기 AI 예측 모델에 의해 정상으로 예측되었지만, 실제 테스트 결과 불량으로 판단된 것일 수 있다.

동작 305에서, 프로세서(120)는 상기 실패 결과 데이터에 기반하여 정상 결과 데이터를 획득할 수 있다. 상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 정상으로 판단되고, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 테스트 결과 정상으로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 없는 것으로, 사용자가 정상적으로 완제품을 사용 가능한 것을 의미할 수 있다. 또는, 상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수에 기반하여 정상 결과 데이터를 획득할 수 있다. 예를 들어, 프로세서(120)는 상기 실패 결과 데이터의 수가 10개인 경우, 동일 또는 유사한 비율(예: 1:1)인 10개의 정상 결과 데이터를 획득할 수 있다.

다양한 실시예들에 따르면, 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치 이하인지 여부에 기반하여 정상 결과 데이터를 획득할 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율(예: 1:1)에 따라 정상 결과 데이터를 획득할 수 있다. 상기 실패 결과 데이터의 수가 기준치 이하인 것은, 상기 AI 예측 모델에 의해 실패 예측한 것과 동일 또는 유사하게 실패 결과 데이터가 발생한 것일 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 정상 결과 데이터의 추출 비율을 변경(또는 조정)할 수 있다. 상기 실패 결과 데이터의 수가 기준치를 초과한 것은, 상기 AI 예측 모델에 의해 실패 예측한 것 보다 실패 결과 데이터가 많이 발생한 것일 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 정상 결과 데이터의 추출 비율을 증가시킬 수 있다. 프로세서(120)는 변경된 추출 비율(예: 1:1.5)에 따라 정상 결과 데이터를 획득할 수 있다.

동작 307에서, 프로세서(120)는 상기 획득한 데이터에 기반하여 AI 예측 모델을 업데이트할 수 있다. 상기 획득한 데이터는 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 통신 모듈(190)을 통해 서버(108)로부터 업데이트된 AI 예측 모델을 수신할 수 있다.

다양한 실시예들에 따르면, 프로세서(120)는 실시간으로 부품 입력 데이터를 획득하고, 업데이트된 AI 예측 모델에 기반하여 실패 결과 데이터, 또는 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 동작 303 내지 동작 307을 반복 수행하여 실시간으로 AI 예측 모델을 업데이트할 수 있다.

도 4a는 다양한 실시예들에 따른 전자 장치의 정상 및 실패 예측 비율을 도시한 도면이다.

도 4a를 참조하면, 다양한 실시예들에 따르면, 첫 번째 AI 예측 모델(410)을 이용하여 실패 결과 데이터 및 정상 결과 데이터를 예측하는 것보다, AI 예측 모델을 실시간으로 업데이트하는 본 발명(420)에서 불량률(415)이 줄어들 수 있다. 예를 들어, 첫 번째 AI 예측 모델(410)에 의한 불량률(401)은 본 발명(420)에 의한 불량률(421)보다 클 수 있다. 동일한 부품 입력 데이터에 의해 완제품이 만들어진 경우, 첫 번째 AI 예측 모델(410)에 의해서는 불량률(401)이 줄어들지 않지만, 본 발명(420)은 실시간으로 AI 예측 모델을 업데이트함으로써, 불량률(415)이 줄어들 수 있다. AI 예측 모델은 불량률이 줄어들어야 예측 성능이 좋다고 할 수 있다.

도 4b는 비교 예에 따른 예측 성공률을 도시한 그래프이다.

도 4b를 참조하면, 비교예에 따른 그래프(450)는 시간에 따라 예측 성공률이 낮아지는 것을 나타낸 것이다. 예를 들어, t0 시간에 예측 모델에 의한 예측 성공률(451)은 시간이 지남에 따라 낮아질 수 있다. 종래에는 예측 모델이 만들어 지고 나면, 동일한 부품 테스트 결과에 대해 늘 같은 예측 결과가 얻어질 수 있다. 부품 테스트 결과가 같더라도, 외부 요인의 변화(예: s/w 기술 발달, Spec 강화)로 인해 완제품의 테스트 결과는 달라질 수 있다. 외부 요인의 변화를 예측 결과에 반영하기 위해서는 매번 예측 모델을 새로 만들어야 하고 사람이 직접 외부 요인 변화를 추적하여 예측 모델을 만드는 시점을 결정하고 있다. 예를 들어, 종래에는 예측 성공률이 성공 임계치(P1)에 해당하는 경우, t1 시간에 예측 모델을 재생성할 수 있다. 예측 모델을 재생성 하면, 예측 성공률(453)은 높아질 수 있다. 예측 모델을 재생성하기 위해서는 일정 기간 동안 전체 완제품에 대해 테스트를 진행하여 다시 학습해야 할 수 있다.

도 4c는 다양한 실시예들에 따른 예측 성공률을 도시한 그래프이다.

도 4c를 참조하면, 본 발명에 따른 그래프(470)는 시간에 따라 예측 성공률이 변동이 있지만 일정한 성공률(P0)이 나타나는 것일 수 있다. 예를 들어, t0 시간에 첫 번째 AI 예측 모델에 의한 예측 성공률(471)은 P0에 근접할 수 있다. 본 발명에서는 부품 입력 데이터와, 첫 번째 AI 예측 모델에 의해 획득한 실패 결과 데이터 및 정상 결과 데이터에 기반하여 첫 번째 AI 예측 모델을 업데이트(473)할 수 있다. 첫 번째 AI 예측 모델을 업데이트(473)한 것이 두 번째 AI 예측 모델일 수 있다. 본 발명은 부품 입력 데이터와 두 번째 예측 모델에 의해 획득한 실패 결과 데이터 및 정상 결과 데이터에 기반하여 두 번째 예측 모델을 업데이트(475)할 수 있다. 두 번째 AI 예측 모델을 업데이트(475)한 것이 세 번째 AI 예측 모델일 수 있다. 본 발명은 부품 입력 데이터와 세 번째 예측 모델에 의해 획득한 실패 결과 데이터 및 정상 결과 데이터에 기반하여 세 번째 예측 모델을 업데이트(477)할 수 있다. 세 번째 AI 예측 모델을 업데이트(477)한 것이 네 번째 AI 예측 모델일 수 있다. 본 발명은 실시간으로 AI 예측 모델을 업데이트함으로써, 시간이 지나더라도 예측 성공률이 일정한 성공률(P0)을 갖도록 유지할 수 있다.

도 5는 다양한 실시예들에 따른 전자 장치에서 획득하는 데이터를 도시한 도면이다.

도 5를 참조하면, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 제1 테이블(510), 제2 테이블(530) 및 제3 테이블(550)을 획득할 수 있다. 제1 테이블(510)은 실시간으로 획득한 부품 입력 데이터일 수 있다. 상기 부품 입력 데이터는 완제품(예: 전자 장치)에 포함되는 복수의 부품(또는 전자 부품)(예: 프로세서, 카메라)에 대한 테스트 정보(예: 사양, 성능, 테스트 값)를 포함할 수 있다. 제1 테이블(510)에서, 모듈 ID(511)(module ID)는 각 부품에 부여된 식별자일 수 있다. 예를 들어, 전자 장치(101)는 모듈 ID(511)가 CVNE31C8A140402(513)인 부품 입력 데이터를 획득할 수 있다.

제2 테이블(530)은 다양한 부품이 포함된 완제품의 결과 데이터를 포함할 수 있다. 제2 테이블(530)은 완제품의 카메라 칩 정보(531)(Chip_ID_Camera)에 대응하는 완제품의 결과 데이터를 포함할 수 있다. 상기 결과 데이터는 실패 결과 데이터 및 정상 결과 데이터를 포함한 것일 수 있다. 전자 장치(101)는 제1 테이블(510)의 모듈 ID(511)와 제2 테이블(530)의 카메라 칩 정보(531)를 매칭시켜, 모듈 ID(511)를 기준으로 부품 입력 데이터와 실패 결과 데이터 및 정상 결과 데이터를 합칠 수 있다.

제3 테이블(550)은 부품 결과 데이터에 대응하는 실패 결과 데이터 및 정상 결과 데이터를 포함한 것일 수 있다. 전자 장치(101)는 제3 테이블(550)을 서버(예: 도 1의 서버(108))로 전달할 수 있다. 서버(108)는 제3 테이블(550)을 학습 데이터로 변환시켜, 학습 데이터에 기반하여 AI 예측 모델을 생성 및 업데이트할 수 있다. 서버(108)의 머신 러닝 모듈(290)은 제3 테이블(550)을 원인 학습 데이터(예: 부품 입력 데이터(551), 실패 결과 데이터, 정상 결과 데이터)와 결과 학습 데이터(예: 실패 결과 데이터, 정상 결과 데이터)로 분리하여 학습시킬 수 있다.

도 6은 다양한 실시예들에 따른 전자 장치에서 정상 결과 데이터의 추출 비율을 제어하는 방법을 도시한 흐름도(600)이다.

도 6을 참조하면, 동작 601에서, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))는 부품 입력 데이터 및 실패 결과 데이터를 획득할 수 있다. 상기 부품 입력 데이터는 완제품(예: 전자 장치)에 포함되는 복수의 부품(또는 전자 부품)(예: 프로세서, 카메라)에 대한 테스트 정보(예: 사양, 성능, 테스트 값)를 포함할 수 있다. 상기 실패 결과 데이터는 AI 예측 모델에 의해 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것일 수 있다. 테스트 결과 실패로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 있는 것을 의미할 수 있다. 또는, 상기 실패 결과 데이터는 상기 AI 예측 모델에 의해 정상으로 예측되었지만, 실제 테스트 결과 불량으로 판단된 것일 수 있다.

동작 603에서, 프로세서(120)는 상기 실패의 수가 기준치 이하인지 여부를 판단할 수 있다. 상기 실패의 수는 상기 실패 결과 데이터의 수를 의미할 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치 이하인지 여부에 기반하여 정상 결과 데이터를 획득할 수 있다. 프로세서(120)는 상기 실패의 수가 기준치 이하인 경우, 동작 605를 수행하고, 상기 실패의 수가 기준치를 초과하는 경우, 동작 604를 수행할 수 있다.

상기 실패의 수가 기준치 이하인 경우, 동작 605에서, 프로세서(120)는 설정된 비율(예: 1:1)에 따라 정상 결과 데이터를 획득할 수 있다. 상기 실패 결과 데이터의 수가 기준치 이하인 것은, 상기 AI 예측 모델에 의해 실패 예측한 것과 동일 또는 유사하게 실패 결과 데이터가 발생한 것일 수 있다. 설정된 비율은 AI 예측 모델을 업데이트하는데 필요한 개수를 고려하여 결정(또는 설정)된 것일 수 있다.

상기 실패의 수가 기준치를 초과하는 경우, 동작 604에서, 프로세서(120)는 정상 결과 데이터의 추출 비율을 변경할 수 있다. 상기 실패 결과 데이터의 수가 기준치를 초과한 것은, 상기 AI 예측 모델에 의해 실패를 예측한 것 보다 실패 결과 데이터가 많이 발생한 것일 수 있다. 실패 결과 데이터가 상기 AI 예측 모델에 의해 실패 예측한 것보다 많이 발생하는 것은 예측 성능이 떨어지는 것을 의미할 수 있다. 프로세서(120)는 AI 예측 모델의 성능을 향상시키기 위하여, AI 예측 모델을 학습시키는 데이터의 개수(양)를 증가시킬 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 정상 결과 데이터의 추출 비율을 증가시킬 수 있다.

동작 606에서, 프로세서(120)는 변경된 추출 비율에 따라 정상 결과 데이터를 획득할 수 있다. 프로세서(120)는 정상 결과 데이터를 설정된 비율보다 많이 획득할 수 있다. 프로세서(120)는 설정된 비율보다 많이 획득한 정상 결과 데이터를 부품 입력 데이터, 실패 결과 데이터와 함께 학습시켜 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 동작 606 수행이 완료되면 동작 607을 수행할 수 있다.

동작 607에서, 프로세서(120)는 획득한 데이터에 기반하여 AI 예측 모델을 업데이트할 수 있다. 상기 획득한 데이터는 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 통신 모듈(190)을 통해 서버(108)로부터 업데이트된 AI 예측 모델을 수신할 수 있다.

다양한 실시예들에 따르면, 프로세서(120)는 실시간으로 부품 입력 데이터를 획득하고, 업데이트된 AI 예측 모델에 기반하여 실패 결과 데이터, 또는 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 동작 601 내지 동작 607을 반복 수행하여 실시간으로 AI 예측 모델을 업데이트할 수 있다.

도 7은 다양한 실시예들에 따른 전자 장치에서 정상 결과 데이터의 추출 비율을 제어하는 일례를 도시한 도면이다.

도 7을 참조하면, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 AI 예측 모델(710)을 이용하여 정상 결과 데이터(711) 및 실패 결과 데이터(713)를 예측할 수 있다. AI 예측 모델(710)은 부품 입력 데이터에 기반하여 생성된 것일 수 있다. 또는, AI 예측 모델(710)은 부품 입력 데이터 및 상기 부품 입력 데이터에 대응하는 부품으로 만들어진 전체 완제품의 실패 결과 데이터에 기반하여 생성된 것일 수 있다.

전자 장치(101)는 AI 예측 모델(710)에 의해 예측된 완제품을 실제 테스트한 결과, 결과 데이터(730)를 획득할 수 있다, 결과 데이터(730)는 정상 결과 데이터 및 실패 결과 데이터(731)를 포함할 수 있다. AI 예측 모델(710)에 의해 실패가 예측되었지만, 실제 테스트 결과, 정상 결과 데이터에 포함되어, 실패 결과 데이터(715)의 수가 감소할 수 있다. 전자 장치(101)는 AI 예측 모델(710)에 의해 실패가 예측되었지만, 실제 테스트 결과, 정상 결과 데이터인 결과 데이터(730)를 학습하여 AI 예측 모델을 업데이트할 수 있다.

업데이트한 AI 예측 모델(750)은 부품 입력 데이터, 결과 데이터(730)에 기반하여 생성된 것일 수 있다. 전자 장치(101)는 업데이트된 AI 예측 모델(750)을 이용하여 정상 결과 데이터(751) 및 실패 결과 데이터(753)를 예측할 수 있다. 예측 결과, 실패 결과 데이터(753)의 수가 감소할 수 있다. 업데이트된 AI 예측 모델(750)을 이용하여 완제품의 정상 또는 실패를 예측하면, 실패 예측이 줄어들게 되어, 예측 성능이 향상될 수 있다.

도 8은 다양한 실시예들에 따른 전자 장치에서 실패 결과 데이터를 이용하여 AI 예측 모델을 업데이트하는 방법을 도시한 흐름도(800)이다.

도 8을 참조하면, 동작 801에서, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))는 실패 결과 데이터를 획득할 수 있다. 상기 실패 결과 데이터는 AI 예측 모델에 의해 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것일 수 있다. 또는, 상기 실패 결과 데이터는 상기 AI 예측 모델에 의해 정상으로 예측되었지만, 실제 테스트 결과 불량으로 판단된 것일 수 있다.

동작 803에서, 프로세서(120)는 상기 실패 결과 데이터가 정상 예측된 것인지 판단할 수 있다. 상기 실패 결과 데이터는 AI 예측 모델에 의해 불량으로 예측되거나, 정상으로 예측된 것일 수 있다. 프로세서(120)는 상기 실패 결과 데이터가 정상 예측된 것인 경우, 동작 805를 수행하고, 상기 실패 결과 데이터가 정상 예측된 것이 아닌 경우, 동작 807을 수행할 수 있다.

상기 실패 결과 데이터가 정상 예측된 것인 경우, 동작 805에서, 프로세서(120)는 정상 예측된 실패 결과 데이터로 AI 예측 모델을 업데이트할 수 있다. 실패 결과 데이터 중에서 AI 예측 모델에 의해 성공으로 예측되었지만, 실제 테스트 결과 실패인 경우, 프로세서(120)는 외부 조건 변화가 발생한 것으로 판단할 수 있다. 외부 조건(예: 정상으로 판단하는 스팩 변경) 변경으로 불량 발생이 늘어나는 경우, 프로세서(120)는 AI 예측 모델을 실시간 업데이트할 수 있다. 프로세서(120)는 AI 예측 모델에 의해 불량으로 예측된 실패 결과 데이터와 정상으로 예측된 정상 결과 데이터를 학습 데이터로 활용될 수 있다. 이렇게 학습한 AI 예측 모델은 테스트 결과를 반영하여 다음 예측 시 외부 조건의 변화를 반영하는 AI 예측 모델로 업데이트(또는 생성)될 수 있다. 제품 생산 시 계속 반복적으로 예측 -> 테스트 -> 학습 -> AI 예측 모델 업데이트 -> 예측 -> 테스트 -> 학습 -> AI 예측 모델 업데이트를 수행하면, AI 예측 모델은 보다 정확히 예측하도록 업데이트될 수 있다.

상기 실패 결과 데이터가 정상 예측된 것이 아닌 경우(예: 상기 실패 결과 데이터가 불량 예측된 것), 동작 807에서, 프로세서(120)는 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득할 수 있다. 상기 샘플링 비율은 실패 결과 데이터 또는 정상 결과 데이터 중에서 실제 테스트하는 샘플링 비율(또는 수)를 의미할 수 있다. 상기 샘플링 비율은 실패 결과 데이터의 수에 따라 정상 결과 데이터의 수의 비율을 나타내는 추출 비율과는 상이한 것일 수 있다. 프로세서(120)는 정상으로 예측된 제품 중에서 실제 테스트하는 샘플링 비율을 조절하면서 각 생산 설비 환경에 맞는 비율을 세팅할 수 있다. 예를 들어, 프로세서(120)는 정상으로 예측되는 정상 결과 데이터 중 일부를 랜덤하게 샘플링 하고, 테스트한 후 부품 입력 데이터와 매칭시켜 학습시켜 AI 예측 모델에 외부 조건 변화를 반영할 수 있다. 스팩 상향 조정으로 실패 결과 데이터가 늘어나게 되는 경우, AI 예측 모델을 업데이트하면, 실패 예측이 증가하게 되고, AI 예측 모델의 정확도가 향상될 수 있다. 이러한 과정을 반복하게 되면 보다 정확하게 정상 또는 실패 예측이 가능할 수 있다.

동작 809에서, 프로세서(120)는 획득한 데이터에 기반하여 AI 예측 모델을 업데이트할 수 있다. 상기 획득한 데이터는 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 통신 모듈(190)을 통해 서버(108)로부터 업데이트된 AI 예측 모델을 수신할 수 있다.

도 9a는 다양한 실시예들에 따른 외부 요인에 의해 실패 예측 비율이 증가하는 일례를 도시한 도면이다.

도 9a를 참조하면, 외부 요인 변경 전(910)에는, AI 예측 모델에 따라 정상으로 예측된 정상 결과 데이터 및 불량으로 예측된 실패 결과 데이터(911)가 획득될 수 있다. 외부 요인 변경 후(920)에는, AI 예측 모델에 따라 정상으로 예측한 정상 결과 데이터가 감소하고, 불량으로 예측된 실패 결과 데이터가 증가(915)하게 될 수 있다. 외부 요인 변경 후(920)에는, 실제 테스트 결과 획득한 실패 결과 데이터(921)가 증가하게 되어 예측 정확도가 떨어질 수 있다. 이러한 문제점을 해결하기 위하여, 본 발명에서는 정상으로 예측되는 정상 결과 데이터 중 일부를 랜덤하게 샘플링 하고, 테스트한 후 부품 입력 데이터와 매칭시켜 학습하여 AI 예측 모델에 외부 조건 변화를 반영할 수 있다. 스팩 상향 조정으로 실패 결과 데이터가 늘어나게 되는 경우, AI 예측 모델을 업데이트하면, 실패 예측이 증가하게 되고, AI 예측 모델의 정확도가 향상될 수 있다.

도 9b는 다양한 실시예들에 따른 전자 장치에서 실패 결과 데이터를 이용하여 AI 예측 모델을 업데이트하는 일례를 도시한 도면이다.

도 9b를 참조하면, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 AI 예측 모델(950)을 이용하여 정상 결과 데이터 및 실패 결과 데이터(951)를 예측할 수 있다. AI 예측 모델(950)은 부품 입력 데이터, 정상 결과 데이터 및 실패 결과 데이터 중 적어도 하나에 기반하여 생성된 것일 수 있다. 전자 장치(101)는 AI 예측 모델(950)에 의해 예측된 완제품을 실제 테스트한 결과, 결과 데이터(970)를 획득할 수 있다. 결과 데이터(970)는 정상 결과 데이터 및 실패 결과 데이터(975)를 포함할 수 있다. 결과 데이터(970)는 AI 예측 모델(950)에 의해 정상으로 예측되고, 실제 테스트 결과 정상인 정상 결과 데이터(971)와 AI 예측 모델(950)에 의해 정상으로 예측되었지만, 실제 테스트 결과 실패인 실패 결과 데이터(973)가 포함될 수 있다.

전자 장치(101)는 정상 결과 데이터 중에서 랜덤하게 샘플링하여 정상 결과 데이터(971) 및 실패 결과 데이터(973)를 부품 입력 데이터와 매칭시켜 학습하여 AI 예측 모델을 업데이트할 수 있다. 업데이트된 AI 예측 모델(990)은 부품 입력 데이터, 정상 결과 데이터(971) 및 실패 결과 데이터(973)에 기반하여 생성된 것일 수 있다. 전자 장치(101)는 업데이트된 AI 예측 모델(990)을 이용하여 정상 결과 데이터 및 실패 결과 데이터를 예측할 수 있다. 예측 결과, 실패 결과 데이터(991)의 수가 증가할 수 있다. 업데이트된 AI 예측 모델(990)을 이용하여 완제품의 정상 또는 실패를 예측하면, 실패 예측이 줄어들게 되어, 예측 성능이 향상될 수 있다.

도 10은 다양한 실시예들에 따른 전자 장치에서 샘플링 비율을 제어하는 방법을 도시한 흐름도이다.

도 10을 참조하면, 동작 1001에서, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))는 정상 결과 데이터를 획득할 수 있다. 상기 정상 결과 데이터는 AI 예측 모델에 의해 정상으로 판단되고, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 테스트 결과 정상으로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 없는 것으로, 사용자가 정상적으로 완제품을 사용 가능한 것을 의미할 수 있다. 또는, 상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 것일 수 있다.

동작 1003에서, 프로세서(120)는 상기 획득한 정상 결과 데이터 중에서 AI 예측 모델에 의해 실패로 예측된 것이 있는지 판단할 수 있다. 프로세서(120)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 있는 경우, 동작 1005를 수행할 수 있다. 프로세서(120)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 없는 경우, 동작 1007을 수행할 수 있다.

동작 1005에서, 프로세서(120)는 샘플링 비율을 변경할 수 있다. 프로세서(120)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 있는 경우, 샘플링 비율을 변경할 수 있다. 본 발명은 완제품의 실패 및 정상을 판단하기 위해 테스트하는 완제품의 샘플링 비율(또는 샘플링 수)를 조정함으로써, 완제품 테스트에 따른 시간 또는 비용을 절약할 수 있다. 예를 들어, 프로세서(120)는 실패 결과 데이터 및 정상 결과 데이터를 검사(또는 테스트)하는 샘플링 비율을 증가시키거나, 또는 감소시킬 수 있다.

동작 1007에서, 프로세서(120)는 샘플링 비율을 유지할 수 있다. 프로세서(120)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 없는 경우, 샘플링 비율을 유지할 수 있다. 외부 요인의 변화가 없는 제품의 경우 예측한 결과가 실제 테스트한 결과와 동일 또는 유사하므로, 프로세서(120)는 실패 결과 데이터 및 정상 결과 데이터를 검사(또는 테스트)하는 샘플링 비율을 유지시킬 수 있다.

도 11a 및 도 11b는 다양한 실시예들에 따른 전자 장치에서 샘플링 비율을 제어하는 일례를 도시한 도면들이다.

도 11a를 참조하면, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 AI 예측 모델(1110)을 이용하여 정상 결과 데이터(1111) 및 실패 결과 데이터(1113)를 예측할 수 있다. AI 예측 모델(1110)은 부품 입력 데이터, 정상 결과 데이터 및 실패 결과 데이터 중 적어도 하나에 기반하여 생성된 것일 수 있다. 전자 장치(101)는 AI 예측 모델(1110)에 의해 예측된 완제품을 실제 테스트한 결과, 결과 데이터(1120)를 획득할 수 있다. 결과 데이터(1120)는 정상 결과 데이터 및 실패 결과 데이터를 포함할 수 있다. 결과 데이터(1120)는 AI 예측 모델(1110)에 의해 정상으로 예측되고, 실제 테스트 결과 정상인 정상 결과 데이터(1123, 1125)와 AI 예측 모델(950)에 의해 정상으로 예측되었지만, 실제 테스트 결과 실패인 실패 결과 데이터(1121, 1127)가 포함될 수 있다.

전자 장치(101)는 정상 결과 데이터 중에서 랜덤하게 샘플링하여 정상 결과 데이터(1123, 1125) 및 실패 결과 데이터(1121, 1127)를 부품 입력 데이터와 매칭시켜 학습하여 AI 예측 모델을 업데이트할 수 있다. 전자 장치(101)는 업데이트된 AI 예측 모델(1130)을 이용하여 정상 결과 데이터(1131) 및 실패 결과 데이터(1133)를 예측할 수 있다. 예측 결과, 실패 결과 데이터(1133)의 수가 증가할 수 있다. 업데이트된 AI 예측 모델(1130)을 이용하여 완제품의 정상 또는 실패를 예측하면, 실패 예측이 줄어들게 되어, 예측 성능이 향상될 수 있다.

도 11b를 참조하면, 전자 장치(101)는 AI 예측 모델(1150)을 이용하여 정상 결과 데이터(1151) 및 실패 결과 데이터(1153)를 예측할 수 있다. 전자 장치(101)는 AI 예측 모델(1150)에 의해 예측된 완제품을 실제 테스트한 결과, 결과 데이터(1160)를 획득할 수 있다. 결과 데이터(1160)는 정상 결과 데이터 및 실패 결과 데이터를 포함할 수 있다. 결과 데이터(1160)는 AI 예측 모델(1150)에 의해 정상으로 예측되고, 실제 테스트 결과 정상인 정상 결과 데이터(1161, 1162)와 AI 예측 모델(1150)에 의해 정상으로 예측되었지만, 실제 테스트 결과 실패인 실패 결과 데이터(1163, 1164)가 포함될 수 있다.

전자 장치(101)는 결과 데이터(1160) 중에 AI 예측 모델(1150)에 의해 정상으로 판단되었지만, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 있는 경우, 샘플링 비율을 증가시킬 수 있다. 또는, 전자 장치(101)는 외부 변화 요인이 발생하는 경우, 샘플링 비율을 증가시킬 수 있다. 전자 장치(101)는 정상 결과 데이터 중에서 랜덤하게 샘플링하여 정상 결과 데이터(1161, 1162) 및 실패 결과 데이터(1163, 1164)를 부품 입력 데이터와 매칭시켜 학습하여 AI 예측 모델을 업데이트할 수 있다. 전자 장치(101)는 업데이트된 AI 예측 모델(1170)을 이용하여 정상 결과 데이터(1171) 및 실패 결과 데이터(1173)를 예측할 수 있다. 예측 결과, 실패 결과 데이터(1173)의 수가 증가할 수 있다.

본 발명의 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 동작 방법은 부품 입력 데이터에 기반하여 AI 예측 모델을 생성하는 동작, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하는 동작, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하는 동작, 및 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함할 수 있다.

상기 방법은, 상기 통신 모듈을 통해 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전송하는 동작, 및 상기 서버로부터 상기 AI 예측 모델을 수신하는 동작을 더 포함할 수 있다.

상기 정상 결과 데이터를 획득하는 동작은, 상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하는 동작, 및 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하는 동작을 포함할 수 있다.

상기 업데이트하는 동작은, 상기 AI 예측 모델에 의해 정상으로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함할 수 있다.

상기 정상 결과 데이터를 획득하는 동작은, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 존재하는 경우, 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득하는 동작을 포함할 수 있다.

상기 방법은 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터에 기반하여 상기 실패 결과 데이터 및 상기 정상 결과 데이터를 검사하는 샘플링 비율을 제어하는 동작을 더 포함할 수 있다.

상기 제어하는 동작은, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되면, 상기 샘플링 비율을 변경하는 동작, 및 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되지 않으면, 상기 샘플링 비율을 유지하는 동작을 포함할 수 있다.

본 명세서와 도면에 개시된 본 발명의 다양한 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 범위는 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

101: 전자 장치
120: 프로세서
130: 메모리
190: 통신 모듈
108: 서버

Claims

전자 장치에 있어서,
통신 모듈;
메모리; 및
상기 통신 모듈, 또는 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는,
부품 입력 데이터에 기반하여 AI(artificial intelligence) 예측 모델을 생성하고,
상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하고,
상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고,
상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정된 전자 장치.
제1항에 있어서, 상기 프로세서는,
상기 통신 모듈을 통해 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전송하고,
상기 서버로부터 상기 AI 예측 모델을 수신하도록 설정된 전자 장치.
제1항에 있어서, 상기 프로세서는,
상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터를 획득할 때마다 상기 AI 예측 모델을 업데이트하고,
상기 업데이트된 AI 예측 모델에 의해 예측된 실패 결과 데이터 및 정상 결과 데이터를 획득하도록 설정된 전자 장치.
제1항에 있어서,
상기 실패 결과 데이터는, 상기 AI 예측 모델에 의해 정상 또는 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것이고,
상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 정상 또는 불량으로 판단되고, 실제 테스트 결과 정상으로 판단된 것인, 전자 장치.
제1항에 있어서, 상기 프로세서는,
상기 실패 결과 데이터의 수에 기반하여 상기 정상 결과 데이터를 획득하도록 설정된 전자 장치.
제5항에 있어서, 상기 프로세서는,
상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하고,
상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하도록 설정된 전자 장치.
제1항에 있어서, 상기 프로세서는,
상기 AI 예측 모델에 의해 정상으로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정된 전자 장치.
제1항에 있어서, 상기 프로세서는,
상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 존재하는 경우, 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득하도록 설정된 전자 장치.
제1항에 있어서, 상기 프로세서는,
상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터에 기반하여 상기 실패 결과 데이터 및 상기 정상 결과 데이터를 검사하는 샘플링 비율을 제어하도록 설정된 전자 장치.
제9항에 있어서, 상기 프로세서는,
상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되면, 상기 샘플링 비율을 변경하고,
상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되지 않으면, 상기 샘플링 비율을 유지하도록 설정된 전자 장치.
AI 예측 시스템에 있어서,
AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전달하는 전자 장치; 및
상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 생성 또는 업데이트하고, 상기 AI 예측 모델을 상시 전자 장치로 전송하는 서버를 포함하는 AI 예측 시스템.
제11항에 있어서,
상기 서버는,
상기 전자 장치로부터 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터를 획득할 때마다 상기 AI 예측 모델을 업데이트하여 상기 전자 장치로 전송하고,
상기 전자 장치는,
상기 서버로부터 수신된 AI 예측 모델에 의해 예측된 실패 결과 데이터 및 정상 결과 데이터를 획득하도록 설정된 AI 예측 시스템.
제11항에 있어서,
상기 전자 장치는,
상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하고,
상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하도록 설정된 AI 예측 시스템.
전자 장치의 동작 방법에 있어서,
부품 입력 데이터에 기반하여 AI 예측 모델을 생성하는 동작;
상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하는 동작;
상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하는 동작; 및
상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함하는 방법.
제14항에 있어서,
상기 통신 모듈을 통해 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전송하는 동작; 및
상기 서버로부터 상기 AI 예측 모델을 수신하는 동작을 더 포함하는 방법.
제14항에 있어서, 상기 정상 결과 데이터를 획득하는 동작은,
상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하는 동작; 및
상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하는 동작을 포함하는 방법.
제14항에 있어서, 상기 업데이트하는 동작은,
상기 AI 예측 모델에 의해 정상으로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함하는 방법.
제14항에 있어서, 상기 정상 결과 데이터를 획득하는 동작은,
상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 존재하는 경우, 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득하는 동작을 포함하는 방법.
제14항에 있어서,
상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터에 기반하여 상기 실패 결과 데이터 및 상기 정상 결과 데이터를 검사하는 샘플링 비율을 제어하는 동작을 더 포함하는 방법.
제19항에 있어서, 상기 제어하는 동작은,
상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되면, 상기 샘플링 비율을 변경하는 동작; 및
상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되지 않으면, 상기 샘플링 비율을 유지하는 동작을 포함하는 방법.