KR20230037196A

KR20230037196A - 기기에 탑재된 다수의 연합 학습 모델을 관리하는 방법, 시스템, 및 컴퓨터 프로그램

Info

Publication number: KR20230037196A
Application number: KR1020210120203A
Authority: KR
Inventors: 장혁재; 이동수
Original assignee: 라인플러스 주식회사
Priority date: 2021-09-09
Filing date: 2021-09-09
Publication date: 2023-03-16
Also published as: JP2023039924A; US20230075590A1; CN115796468A

Abstract

기기에 탑재된 다수의 연합 학습 모델을 관리하는 방법, 시스템, 및 컴퓨터 프로그램이 개시된다. 연합 학습 모델 관리 방법은, 복수 개의 연합 학습(federated learning) 모델이 탑재된 상기 컴퓨터 장치의 상태 정보를 모니터링하는 단계; 및 상기 상태 정보와 각 모델 별 요구사항을 고려하여 상기 복수 개의 연합 학습 모델에 대한 학습 스케줄링을 수행하는 단계를 포함한다.

Description

기기에 탑재된 다수의 연합 학습 모델을 관리하는 방법, 시스템, 및 컴퓨터 프로그램{METHOD, SYSTEM, AND COMPUTER PROGRAM FOR MANAGE MULTIPLE FEDERATED LEARNING MODELS MOUNTED ON DEVICES}

아래의 설명은 연합 학습(federated learning) 모델을 관리하는 기술에 관한 것이다.

딥러닝(deep learning)은 사물이나 데이터를 군집화하거나 분류하는 데 이용되는 기술로, 다층 구조 형태의 신경망(neural network)을 통해 분류에 따른 추론(inference)을 가능하게 한다는 점에서 최근 다양한 기술 분야에서 활용되고 있다.

예를 들어, 한국 공개특허공보 제10-2019-0117837호(공개일 2019년 10월 17일)에는 딥러닝 기반 학습 모델을 이용한 메시지 답변 서비스를 제공하는 기술이 개시되어 있다.

딥러닝 기술 중 하나인 연합 학습은 분산형 기계 학습 기술로서 연합 학습에 참여하는 사용자 측에서 기본 데이터와 기저 데이터 암호화(혼합) 형태를 공개하지 않는다는 전제 하에서 암호화된 기계 학습 중간 결과를 교환함으로써 공동 모델링을 구현할 수 있다.

이러한 연합 학습은 사용자 단말인 전자 기기 상에서 기계 학습 모델의 학습이 가능하고 서버에서 취득하기 어려운 개인 데이터를 활용한 학습이 가능하다는 이점이 있다.

기기에 탑재된 복수 개의 연합 학습 모델을 기기 상태를 고려하여 통합 관리할 수 있다.

연합 학습 모델 각각의 요구사항을 충족시키면서 기기 사용을 방해하지 않고 기기의 자원 소모를 최소화하는 방향으로 복수 개의 연합 학습 모델을 관리할 수 있다.

컴퓨터 장치에서 실행되는 연합 학습 모델 관리 방법에 있어서, 상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 연합 학습 모델 관리 방법은, 상기 적어도 하나의 프로세서에 의해, 복수 개의 연합 학습(federated learning) 모델이 탑재된 상기 컴퓨터 장치의 상태 정보를 모니터링하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 상태 정보와 각 모델 별 요구사항을 고려하여 상기 복수 개의 연합 학습 모델에 대한 학습 스케줄링을 수행하는 단계를 포함하는 연합 학습 모델 관리 방법을 제공한다.

일 측면에 따르면, 상기 모니터링하는 단계는, 상기 상태 정보로서 상기 컴퓨터 장치의 모델 학습과 관련된 자원 상태를 모니터링할 수 있다.

다른 측면에 따르면, 상기 모니터링하는 단계는, 상기 복수 개의 연합 학습 모델을 대상으로 각 모델 별로 모델 학습에 필요한 요구사항을 파악하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 수행하는 단계는, 상기 컴퓨터 장치의 배터리 잔량, 상기 컴퓨터 장치의 충전 여부, 또는 사용자에 의한 사용 여부 중 적어도 하나의 상태를 기초로 상기 복수 개의 연합 학습 모델에 대한 학습 스케줄을 결정하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 결정하는 단계는, 상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 요구되는 학습 주기, 필요 자원, 또는 필요 데이터 중 적어도 하나를 기초로 상기 학습 스케줄을 결정할 수 있다.

또 다른 측면에 따르면, 상기 결정하는 단계는, 상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 요구되는 최소 학습 데이터가 수집되면 상기 학습 스케줄을 결정할 수 있다.

또 다른 측면에 따르면, 상기 연합 학습 모델 관리 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 학습 스케줄링 결과에 따라 상기 복수 개의 연합 학습 모델을 학습하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별 학습 결과를 서버로 업로드하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 업로드하는 단계는, 각 연합 학습 모델 별로 요구되는 업로드 주기와 업로드 형태 중 적어도 하나를 기초로 상기 학습 결과를 업로드할 수 있다.

또 다른 측면에 따르면, 상기 연합 학습 모델 관리 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델을 최신 버전의 모델로 업데이트하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 연합 학습 모델 관리 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 모델 학습을 위한 준비 조건을 확인하여 해당 조건에 대응되는 학습 준비 작업을 수행하는 단계를 더 포함할 수 있다.

상기 연합 학습 모델 관리 방법을 상기 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.

컴퓨터 장치에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 복수 개의 연합 학습 모델이 탑재된 상기 컴퓨터 장치의 상태 정보를 모니터링하는 과정; 및 상기 상태 정보와 각 모델 별 요구사항을 고려하여 상기 복수 개의 연합 학습 모델에 대한 학습 스케줄링을 수행하는 과정을 처리하는 컴퓨터 장치를 제공한다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3 내지 도 4는 본 발명의 일실시예에 있어서 연합 학습 기술의 예를 도시한 것이다.
도 5는 본 발명의 일실시예에 따른 컴퓨터 장치의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 방법의 일례를 도시한 순서도이다.
도 7은 본 발명의 일실시예에 있어서 연합 학습 모델 관리 시스템의 아키텍처 예시를 도시한 것이다.
도 8은 본 발명의 일실시예에 있어서 연합 학습 모델 관리 방법의 세부 과정을 도시한 것이다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

본 발명의 실시예들은 기기 상의 연합 학습 모델을 관리하는 기술에 관한 것이다.

본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 기기 상에서 기기 상태를 고려하여 기기에 탑재된 복수 개의 연합 학습 모델을 통합 관리할 수 있다.

본 발명의 실시예들에 따른 연합 학습 모델 관리 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 연합 학습 모델 관리 방법은 연합 학습 모델 관리 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 연합 학습 모델 관리 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 연합 학습 모델 관리 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다. 또한, 도 1의 네트워크 환경은 본 실시예들에 적용 가능한 환경들 중 하나의 예를 설명하는 것일 뿐, 본 실시예들에 적용 가능한 환경이 도 1의 네트워크 환경으로 한정되는 것은 아니다.

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 장치들 중 하나를 의미할 수 있다.

통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들 간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 서비스(일례로, 연합 학습 모델 관리 서비스 등)를 제공하는 시스템일 수 있다.

도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140) 각각이나 서버들(150, 160) 각각은 도 2를 통해 도시된 컴퓨터 장치(200)에 의해 구현될 수 있다.

이러한 컴퓨터 장치(200)는 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영 체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(200)의 메모리(210)에 로딩될 수 있다.

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 인터페이스(230)는 네트워크(170)를 통해 컴퓨터 장치(200)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 장치(200)의 통신 인터페이스(230)를 통해 컴퓨터 장치(200)로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 장치(200)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 장치(200)와 하나의 장치로 구성될 수도 있다.

또한, 다른 실시예들에서 컴퓨터 장치(200)는 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(200)는 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

이하에서는 기기에 탑재된 다수의 연합 학습 모델을 관리하는 방법 및 장치의 구체적인 실시예를 설명하기로 한다.

먼저 연합 학습 기술을 설명하면 다음과 같다.

도 3 내지 도 4는 본 발명의 일실시예에 있어서 연합 학습 기술의 예를 도시한 것이다.

연합 학습을 적용하는 경우 개별 기기에서 데이터를 직접 관리하면서 모델을 공동으로 학습할 수 있어 서버(150) 또는 별도의 다른 서버(160)에 데이터를 저장하지 않기 때문에 개인 프라이버시 보호를 보장할 수 있다.

도 3을 참조하면, 연합 학습을 위해 선택된 모든 전자 기기들은 초기 모델에 해당되는 예측 모델을 다운로드한다(S310). 각 전자 기기는 사용자의 사용에 따른 기기 내 데이터를 바탕으로 예측 모델의 학습을 개선한다(S320). 전자 기기는 예측 모델의 학습을 개선한 다음 개선에 따른 변경사항을 업데이트 데이터로 생성할 수 있다(S330). 모든 전자 기기의 예측 모델들은 기기마다 다른 사용 환경과 사용자 특성이 반영되어 학습될 수 있다(S340). 각 전자 기기의 업데이트 데이터는 서버(150)로 전송되며, 이는 예측 모델을 개선하는 데에 사용될 수 있다(S350). 개선된 예측 모델은 다시 각 전자 기기에 배포될 수 있다(S360). 각 전자 기기는 재배포된 예측 모델을 재학습하고 개선하는 과정을 반복하면서 예측 모델을 발전시키고 이를 공유할 수 있다.

이러한 연합 학습을 바탕으로 하는 서비스는 다음과 같은 차별점을 가지고 있다. 서버(150)에서 모델 학습을 위한 사용자 데이터를 수집하지 않기 때문에 개인 정보 유출의 문제가 발행하지 않는다. 임의의 환경에서 수집된 데이터가 아닌, 전자 기기에서 사용자에 의한 실사용 데이터를 모델 학습에 사용한다. 또한, 모델 학습이 각 사용자의 기기에서 개별적으로 일어나기 때문에 별도의 학습을 위한 서버가 필요하지 않다. 더불어, 개인의 로우 데이터(raw data)를 서버(150)로 전송하지 않고 업데이트 데이터인 가중치들(weights)만 수집하기 때문에 개인정보 유출 문제를 해결할 수 있다.

도 4는 연합 학습 과정에서의 업데이트 데이터를 나타내는 가중치에 대한 예시를 나타내고 있다. 가중치란 딥러닝의 신경망을 이용하여 학습 가능한 변수의 집합을 의미한다. 예측 모델을 개선하기 위한 각 전자 기기에서의 업데이트 데이터는 가중치의 형태로 생성될 수 있다. 각 전자 기기의 예측 모델을 통해 생성되는 가중치는, 예를 들어 W = [w1, w2, ..., wn]과 같이 표현될 수 있다. 이는 서버(150)로 업로드되어 예측 모델을 개선하는 데 이용될 수 있다.

전자 기기 상에 복수 개의 연합 학습 모델이 탑재되는 환경에서 전자 기기 내에서 연합 학습 모델들을 통합 관리하는 환경과 학습 스케줄링과 같은 여러 요구조건들이 등장하고 있다.

첫째, 탑재된 연합 학습 모델들을 최신 버전의 모델로 유지 관리해야 한다.

둘째, 연합 학습 모델마다 학습에 필요한 요구사항(예를 들어, 필요 학습 데이터의 양, 학습에 필요한 CPU, RAM, 저장공간 등의 리소스)이 다르므로 이에 따라 모델을 학습시켜야 한다.

셋째, 연합 학습 모델마다 서로 다른 주기와 방법으로 학습 결과를 업로드해야 한다.

넷째, 연합 학습 모델을 학습시킴에 있어 가능한 한 기기의 배터리 소모를 최소화하고 사용자의 기기 사용에 방해가 되지 않아야 한다.

이를 위해 본 실시예에서는 기기에 탑재된 복수 개의 연합 학습 모델에 대해 기기 상태를 고려하여 각 연합 학습 모델 별로 요구되는 사항에 맞춘 효율적인 학습 환경을 제공할 수 있다.

도 5는 본 발명의 일실시예에 따른 컴퓨터 장치의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이고, 도 6은 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 연합 학습 모델 관리 방법의 일례를 도시한 순서도이다.

본 실시예에 따른 컴퓨터 장치(200)에는 컴퓨터로 구현된 연합 학습 모델 관리 시스템이 구성될 수 있다. 일례로, 연합 학습 모델 관리 시스템은 독립적으로 동작하는 프로그램 형태로 구현되거나, 혹은 특정 어플리케이션의 인-앱(in-app) 형태로 구성되어 상기 특정 어플리케이션 상에서 동작이 가능하도록 구현될 수 있다.

컴퓨터 장치(200)의 프로세서(220)는 이후 설명될 연합 학습 모델 관리 방법을 수행하기 위한 구성요소로서 도 5에 도시된 바와 같이, 모델 관리부(510), 및 모델 학습부(520)를 포함할 수 있다. 실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.

이러한 프로세서(220) 및 프로세서(220)의 구성요소들은 이후 설명될 연합 학습 모델 관리 방법이 포함하는 단계들을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다. 예를 들어, 프로세서(220) 및 프로세서(220)의 구성요소들은 메모리(210)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.

여기서, 프로세서(220)의 구성요소들은 컴퓨터 장치(200)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 컴퓨터 장치(200)가 컴퓨터 장치(200)에 탑재된 복수 개의 연합 학습 모델에 대한 통합 관리 환경을 제공하도록 상술한 명령에 따라 컴퓨터 장치(200)를 제어하는 프로세서(220)의 기능적 표현으로서 모델 관리부(510)가 이용될 수 있다.

프로세서(220)는 컴퓨터 장치(200)의 제어와 관련된 명령이 로딩된 메모리(210)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(220)가 이후 설명될 연합 학습 모델 관리 방법을 실행하도록 제어하기 위한 명령을 포함할 수 있다.

이후 설명될 연합 학습 모델 관리 방법이 포함하는 단계들은 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.

도 6을 참조하면, 단계(S610)에서 모델 관리부(510)는 기기에 탑재된 복수 개의 연합 학습 모델에 대해 해당 기기의 유휴 상태와 연합 학습 모델 각각의 요구사항을 고려하여 학습 스케줄링을 수행할 수 있다.

모델 관리부(510)는 컴퓨터 장치(200)에 해당되는 기기의 스펙과 현재 상황을 포함하는 상태 정보를 파악할 수 있다. 일례로, 기기의 상태 정보는 연합 학습 모델의 학습 환경과 관련된 자원에 대한 정보로, 예를 들어 기기의 메모리, CPU 스펙, 부하, 저장소 여유 공간, 네트워크 사용 가능 여부, 종류, 처리 속도, 배터리 상황 등을 포함할 수 있다.

모델 관리부(510)는 기기에 탑재된 복수 개의 연합 학습 모델을 대상으로 연합 학습 모델 각각에 대해 모델 학습과 관련된 요구사항을 파악할 수 있다. 모델 관리부(510)는 모델 학습에 필요한 요구사항으로, 예를 들어 모델 저장 크기, 필요 자원(CPU 사용량과 메모리 등), 최소 학습 시간, 학습에 필요한 입력 데이터 요구조건(데이터 유형, 데이터 개수 등) 등을 파악할 수 있다.

모델 관리부(510)는 복수 개의 연합 학습 모델에 대해 기기 상태를 고려하여 모델 별 요구사항에 따른 학습 스케줄을 결정할 수 있다. 이때, 모델 관리부(510)는 기기의 배터리 소모를 최소화하고 사용자의 기기 사용에 방해되지 않는 학습 환경을 스케줄링할 수 있다. 예를 들어, 모델 관리부(510)는 기기의 배터리 잔량이 50% 이상일 때, 기기가 충전 중일 때, 사용자가 기기를 사용하지 않을 때 복수 개의 연합 학습 모델에 대한 학습 환경을 제공할 수 있다. 또한, 모델 관리부(510)는 각 연합 학습 모델 별로 요구되는 학습 주기(예를 들어, 하루에 한번, 하루에 최대 한번 등)를 이용하여 학습 스케줄을 결정할 수 있다. 또한, 모델 관리부(510)는 각 연합 학습 모델 별로 학습에 필요한 자원에 맞춰서 학습 스케줄을 결정할 수 있다. 또한, 모델 관리부(510)는 각 연합 학습 모델 별로 학습에 필요한 입력 데이터 요구조건을 기초로 학습 스케줄을 결정할 수 있다.

모델 관리부(510)는 복수 개의 연합 학습 모델에 대해 기기 상태와 모델 별 요구사항을 고려하여 학습 우선순위를 설정할 수 있고, 이를 바탕으로 모델을 하나씩 순차적으로 학습하는 스케줄 혹은 둘 이상의 모델을 동시에 학습하는 스케줄을 결정할 수 있다.

단계(S620)에서 모델 학습부(520)는 단계(S610)의 학습 스케줄링 결과에 따라 기기에 탑재된 복수 개의 연합 학습 모델을 학습시킬 수 있다. 모델 학습부(520)는 기기 상태와 모델 별 요구사항을 기초로 결정된 학습 스케줄에 따라 모델을 하나씩 순차적으로 학습시키거나 혹은 둘 이상의 모델을 동시에 학습시킬 수 있다.

모델 관리부(510)는 각 연합 학습 모델 별로 요구되는 학습 결과 업로드 주기를 관리할 수 있다. 모델 관리부(510)는 연합 학습 모델의 학습 결과를 각 모델의 요구사항에 맞게 다양한 형태로 적어도 하나의 저장 장치(예를 들어, 서버(150) 등)로 업로드할 수 있다. 연합 학습 모델에 따라 학습 결과로 모델 전체를 업로드하는 방식, 모델 수정 사항(모델 변경 사항에 대한 정보로서 예를 들어, Diff, gradient 등)만을 업로드하는 방식, 개인 정보 보호를 위해 노이즈(noise) 값이 추가된 모델 형태로 업로드하는 방식 등을 적용할 수 있다.

모델 관리부(510)는 복수 개의 연합 학습 모델에 대한 통합 관리 환경을 제공함에 있어 학습 스케줄링과 학습 결과 업로드 이외에도 기기에 탑재된 모든 연합 학습 모델의 버전을 관리할 수 있다. 모델 관리부(510)는 서버(150)와의 통신을 통해 기기에 탑재된 연합 학습 모델들을 최신 버전의 모델로 유지 관리할 수 있다.

도 7은 본 발명의 일실시예에 있어서 연합 학습 모델 관리 시스템의 아키텍처 예시를 도시한 것이다.

도 7을 참조하면, 모델 관리부(510)는 트리거(trigger)(511), 매니저(manager)(512), 업로더(uploader)(513), 및 다운로더(downloader)(514)를 포함할 수 있고, 모델 학습부(520)는 트레이너(trainer)(521), 및 배칭(batching)(522)을 포함할 수 있다.

트리거(511)는 기기 상태로 유휴 여부, CPU, 메모리, 네트워크, 배터리 등을 모니터링하는 역할을 한다. 트리거(511)는 매니저(512)에 의한 설정 값으로 등록된 트리거 신호를 해당 트리거의 정해진 조건이 관찰될 때 호출할 수 있다. 이때 트리거(511)는 트리거 신호에 대해 일정 시간 간격 혹은 최소 호출 간격 등을 제공할 수 있다.

매니저(512)는 기기에 탑재된 복수 개의 연합 학습 모델(50)에 대한 통합 관리 환경을 제공하는 것으로, 연합 학습 전체를 관장하고 통합 관리를 위한 전반적인 기능과 개별 학습 모델의 온/오프를 담당할 수 있다. 매니저(512)는 트리거(511)를 통해 연합 학습 모델(50)에 필요한 학습 환경에 맞춰 모델 학습을 실행하도록 제어할 수 있다. 이때, 매니저(512)는 기기에 탑재된 복수 개의 연합 학습 모델(50)에 대해 각 모델의 요구사항(모델 저장 크기, 필요 자원(CPU 사용량과 메모리 등), 최소 학습 시간, 최소 학습 데이터 등)에 기초하여 학습 순서를 결정할 수 있다. 그리고, 매니저(512)는 각 연합 학습 모델(50)의 버전 관리를 위해 최신 버전으로의 다운로드를 제어할 수 있고, 각 연합 학습 모델(50)의 학습 결과를 해당 모델이 요구하는 기준(업로드 주기와 업로드 형태 등)에 맞게 업로드하도록 제어할 수 있다.

업로더(513)는 매니저(512)의 제어 하에 연합 학습 모델(50)에 대한 학습 결과를 모델 전체 혹은 모델 수정 사항(Diff, gradient 등) 등의 형태로 서버(150)에 업로드하는 역할을 담당한다.

다운로더(514)는 매니저(512)의 제어 하에 서버(150)로부터 최신 버전의 연합 학습 모델(50)을 다운로드하는 역할을 담당한다.

트레이너(521)는 연합 학습 모델(50)과 학습 데이터가 되는 자료(record)를 사용하여 연합 학습 모델(50)에 대한 학습을 수행하고 연합 학습 모델(50)을 업데이트하는 역할을 담당한다.

배칭(522)은 모델 학습에 이용되는 자료 데이터가 많을 때 한 번에 여러 번의 학습을 동시에 수행하도록 자료 데이터를 묶음으로 만들어주는 역할을 한다.

연합 학습 모델(50)을 포함하는 연합 학습 모듈은 사진 인식, 단어 추천, 스티커 추천, 음성 인식 등 다양한 서비스에 적용될 수 있으며, 이를 위해 학습에 이용되는 자료 데이터를 수집하기 위한 수집기, 자료 데이터를 저장하기 위한 저장소, 그리고 연합 학습 모델(50)을 이용한 추론 정보(예측 결과나 분류 결과 등)를 제공하기 위한 추론기를 포함할 수 있다.

도 8은 본 발명의 일실시예에 있어서 연합 학습 모델 관리 방법의 세부 과정을 도시한 것이다.

매니저(512)는 어플리케이션 실행이나 기기 부팅 등 시스템 기동 시점에 서버(150)를 통해 설정된 서비스 구성(service configuration)을 체크하여 연합 학습 모델(50)에 대한 사용 여부(enable/disable)를 결정할 수 있다.

매니저(512)는 서비스 구성에 따라 연합 학습 모델(50)을 사용하지 않는 경우 트리거(511)를 비활성화 상태(disable)로 전환하고 트리거(511)에 등록된 설정 값 또한 초기화시킬 수 있다.

한편, 매니저(512)는 서비스 구성에 따라 기기에 탑재된 복수 개의 연합 학습 모델(50) 중 적어도 하나의 연합 학습 모델(50)을 사용하는 경우 트리거(511)를 활성화 상태(enable)로 전환할 수 있다. 이때, 매니저(512)는 서비스에서 사용할 적어도 하나의 연합 학습 모델(50)을 관리 대상으로 하는 설정 값을(예를 들어, 배터리 상태, 충전여부, 인터넷 연결 여부 등) 트리거(511)에 등록할 수 있다.

도 8을 참조하면, 단계(S801)에서 매니저(512)는 관리 대상으로 설정된 각 연합 학습 모델(50)에 대해 서버(150)로부터 모델 구성(model configuration)을 가져올 수 있다. 모델마다 모델 요구 사항이 다를 수 있기 때문에 각 연합 학습 모델(50)이 요구하는 주기에 따른 설정을 통해 서버(150)로부터 모델 구성을 가져올 수 있다.

단계(S802)에서 매니저(512)는 각 연합 학습 모델(50)에 대해 모델 구성에 기초하여 모델 버전을 확인한 후 최신 버전으로 업데이트할 수 있다.

매니저(512)는 다운로더(514)를 통해 서버(150)로부터 최신 버전의 연합 학습 모델(50)을 다운로드받아 설치할 수 있다. 이때, 매니저(512)는 이전 버전의 연합 학습 모델(50)에 대해 수집된 자료 데이터나 중간 학습 결과 등을 삭제하고 최신 버전에 대한 설정을 트리거(511)에 새로 등록할 수 있다.

단계(S803)에서 매니저(512)는 각 연합 학습 모델(50)에 대해 모델 구성에 기초하여 해당 모델이 학습 가능한 상태인지 여부를 체크할 수 있다. 일례로, 매니저(512)는 각 연합 학습 모델(50)에 대해 학습을 위한 준비 조건을 확인하여 해당 조건을 위한 학습 준비 작업을 수행할 수 있다.

학습 준비 작업은 모델 학습 이전에 학습에 필요한 기능을 다운로드받는 작업, 모델 압축을 푸는 작업, 자료 데이터를 전처리하는 작업 등을 포함할 수 있다. 연합 학습 모델(50) 각각은 모델 학습 이전에 필요한 준비 과정을 일종의 작업 형태로 매니저(512)에게 위임한다. 예를 들어, 매니저(512)는 모델 학습에 이용되는 자료 데이터에 대한 전처리 상태 또는 클러스터링 버전을 모델 학습 이전에 확인하여 필요한 작업을 수행할 수 있다. 모델마다 모델 요구 사항이 다를 수 있기 때문에 각 연합 학습 모델(50)의 학습 준비 작업 또한, 해당 모델이 요구하는 사항에 맞는 설정에 따라 수행할 수 있다.

그리고, 매니저(512)는 각 연합 학습 모델(50)에 대해 모델 구성에 기초하여 학습에 필요한 입력 데이터 요구조건(데이터 유형, 데이터 개수 등) 등을 파악할 수 있다. 다시 말해, 매니저(512)는 각 연합 학습 모델(50)에 대해 학습에 필요한 최소 학습 데이터가 수집되면 모델 학습을 위한 준비가 완료된 것으로 판단할 수 있다.

단계(S804)에서 매니저(512)는 모델 학습을 위한 준비가 완료된 연합 학습 모델(50)을 대상으로 기기 상태와 각 연합 학습 모델(50)의 요구사항을 고려하여 학습 스케줄링을 수행할 수 있다.

매니저(512)는 기기 상태와 각 연합 학습 모델(50)의 요구사항에 따라 모델들의 학습 순서를 설정함으로써 복수 개의 연합 학습 모델(50)에 대한 학습 스케줄을 결정할 수 있다.

단계(S805)에서 매니저(512)는 스케줄링 결과에 기초하여 트레이너(521)를 통해 복수 개의 연합 학습 모델(50)을 학습시킬 수 있다. 매니저(512)는 학습 스케줄에 따라 연합 학습 모델(50)을 하나씩 순차적으로 학습시키거나 혹은 둘 이상의 연합 학습 모델(50)을 동시에 학습시킬 수 있다.

매니저(512)는 연합 학습 모델(50)의 학습이 완료되면 모델 학습에 이용된 자료 데이터를 삭제할 수 있다.

단계(S806)에서 매니저(512)는 모델 학습이 완료된 연합 학습 모델(50)에 대해 업로더(513)를 통해 각 모델의 학습 결과를 학습된 모델 전체 혹은 모델 수정 사항 등의 형태로 서버(150)에 업로드할 수 있다.

이처럼 본 발명의 실시예들에 따르면, 사용자의 기기 사용을 방해하지 않고 기기의 자원 소모를 최소화하기 위해 기기 상태를 고려하여 각 모델의 요구사항을 충족하는 학습 환경을 제공함으로써 하나의 기기에 탑재된 복수 개의 연합 학습 모델을 효율적으로 통합 관리할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

컴퓨터 장치에서 실행되는 연합 학습 모델 관리 방법에 있어서,
상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 연합 학습 모델 관리 방법은,
상기 적어도 하나의 프로세서에 의해, 복수 개의 연합 학습(federated learning) 모델이 탑재된 상기 컴퓨터 장치의 상태 정보를 모니터링하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 상태 정보와 각 모델 별 요구사항을 고려하여 상기 복수 개의 연합 학습 모델에 대한 학습 스케줄링을 수행하는 단계
를 포함하는 연합 학습 모델 관리 방법.
제1항에 있어서,
상기 모니터링하는 단계는,
상기 상태 정보로서 상기 컴퓨터 장치의 모델 학습과 관련된 자원 상태를 모니터링하는 것
을 특징으로 하는 연합 학습 모델 관리 방법.
제1항에 있어서,
상기 모니터링하는 단계는,
상기 복수 개의 연합 학습 모델을 대상으로 각 모델 별로 모델 학습에 필요한 요구사항을 파악하는 단계
를 포함하는 연합 학습 모델 관리 방법.
제1항에 있어서,
상기 수행하는 단계는,
상기 컴퓨터 장치의 배터리 잔량, 상기 컴퓨터 장치의 충전 여부, 또는 사용자에 의한 사용 여부 중 적어도 하나의 상태를 기초로 상기 복수 개의 연합 학습 모델에 대한 학습 스케줄을 결정하는 단계
를 포함하는 연합 학습 모델 관리 방법.
제4항에 있어서,
상기 결정하는 단계는,
상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 요구되는 학습 주기, 필요 자원, 또는 필요 데이터 중 적어도 하나를 기초로 상기 학습 스케줄을 결정하는 것
을 특징으로 하는 연합 학습 모델 관리 방법.
제4항에 있어서,
상기 결정하는 단계는,
상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 요구되는 최소 학습 데이터가 수집되면 상기 학습 스케줄을 결정하는 것
을 특징으로 하는 연합 학습 모델 관리 방법.
제1항에 있어서,
상기 연합 학습 모델 관리 방법은,
상기 적어도 하나의 프로세서에 의해, 상기 학습 스케줄링 결과에 따라 상기 복수 개의 연합 학습 모델을 학습하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별 학습 결과를 서버로 업로드하는 단계
를 더 포함하는 연합 학습 모델 관리 방법.
제7항에 있어서,
상기 업로드하는 단계는,
각 연합 학습 모델 별로 요구되는 업로드 주기와 업로드 형태 중 적어도 하나를 기초로 상기 학습 결과를 업로드하는 것
을 특징으로 하는 연합 학습 모델 관리 방법.
제1항에 있어서,
상기 연합 학습 모델 관리 방법은,
상기 적어도 하나의 프로세서에 의해, 상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델을 최신 버전의 모델로 업데이트하는 단계
를 더 포함하는 연합 학습 모델 관리 방법.
제1항에 있어서,
상기 연합 학습 모델 관리 방법은,
상기 적어도 하나의 프로세서에 의해, 상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 모델 학습을 위한 준비 조건을 확인하여 해당 조건에 대응되는 학습 준비 작업을 수행하는 단계
를 더 포함하는 연합 학습 모델 관리 방법.
제1항 내지 제10항 중 어느 한 항의 연합 학습 모델 관리 방법을 상기 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.
컴퓨터 장치에 있어서,
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
복수 개의 연합 학습 모델이 탑재된 상기 컴퓨터 장치의 상태 정보를 모니터링하는 과정; 및
상기 상태 정보와 각 모델 별 요구사항을 고려하여 상기 복수 개의 연합 학습 모델에 대한 학습 스케줄링을 수행하는 과정
을 처리하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서는,
상기 상태 정보로서 상기 컴퓨터 장치의 모델 학습과 관련된 자원 상태를 모니터링하고,
상기 복수 개의 연합 학습 모델을 대상으로 각 모델 별로 모델 학습에 필요한 요구사항을 파악하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서는,
상기 컴퓨터 장치의 배터리 잔량, 상기 컴퓨터 장치의 충전 여부, 또는 사용자에 의한 사용 여부 중 적어도 하나의 상태를 기초로 상기 복수 개의 연합 학습 모델에 대한 학습 스케줄을 결정하는 것
을 특징으로 하는 컴퓨터 장치.
제14항에 있어서,
상기 적어도 하나의 프로세서는,
상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 요구되는 학습 주기, 필요 자원, 또는 필요 데이터 중 적어도 하나를 기초로 상기 학습 스케줄을 결정하는 것
을 특징으로 하는 컴퓨터 장치.
제14항에 있어서,
상기 적어도 하나의 프로세서는,
상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 요구되는 최소 학습 데이터가 수집되면 상기 학습 스케줄을 결정하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서는,
상기 학습 스케줄링 결과에 따라 상기 복수 개의 연합 학습 모델을 학습하고,
상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별 학습 결과를 서버로 업로드하는 것
을 특징으로 하는 컴퓨터 장치.
제17항에 있어서,
상기 적어도 하나의 프로세서는,
각 연합 학습 모델 별로 요구되는 업로드 주기와 업로드 형태 중 적어도 하나를 기초로 상기 학습 결과를 업로드하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서는,
상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델을 최신 버전의 모델로 업데이트하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서는,
상기 복수 개의 연합 학습 모델에 대해 각 연합 학습 모델 별로 모델 학습을 위한 준비 조건을 확인하여 해당 조건에 대응되는 학습 준비 작업을 수행하는 것
을 특징으로 하는 컴퓨터 장치.