KR20230088138A - 컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법 - Google Patents

컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법 Download PDF

Info

Publication number
KR20230088138A
KR20230088138A KR1020210177030A KR20210177030A KR20230088138A KR 20230088138 A KR20230088138 A KR 20230088138A KR 1020210177030 A KR1020210177030 A KR 1020210177030A KR 20210177030 A KR20210177030 A KR 20210177030A KR 20230088138 A KR20230088138 A KR 20230088138A
Authority
KR
South Korea
Prior art keywords
neural network
network model
artificial neural
container
mrm
Prior art date
Application number
KR1020210177030A
Other languages
English (en)
Inventor
허의남
홍승준
Original Assignee
경희대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020210177030A priority Critical patent/KR20230088138A/ko
Publication of KR20230088138A publication Critical patent/KR20230088138A/ko

Links

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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Stored Programmes (AREA)

Abstract

컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법이 개시된다. 개시되는 일 실시예에 따른 인공 신경망 모델 업데이트 장치는, 컨테이너 기반의 인공 신경망 모델 업데이트 장치로서, 컨테이너를 통해 제공되는 인공지능 서비스의 인공 신경망 모델에 대한 업데이트를 관리하는 MRM(Micro-Renewal Method) 매니저, MRM 매니저의 요청에 따라 소정 인공 신경망 모델을 업데이트하는 스토리지 드라이버, 및 컨테이너에 장착되고, MRM 매니저의 요청에 따라 스토리지 드라이버에서 업데이트 된 인공 신경망 모델을 추출하고, 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하는 서비스 컨트롤러를 포함한다.

Description

컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법{APPARATUS AND METHOD FOR UPDATING ARTIFICIAL NEURAL NETWORK MODEL OF BASED CONTAINER}
본 발명의 실시예는 컨테이너 기반의 인공 신경망 모델 업데이트 기술과 관련된다.
컴퓨팅 인프라의 혁신이 클라우드 컴퓨팅을 거쳐 엣지 컴퓨팅으로 확산되면서 로봇, 드론, 및 자율 주행 차량 등과 같은 지능형 모바일 엣지 노드가 급증하고 있으며, 점차 1인 1로봇 사회로 다가갈 인프라가 갖추어져 가고 있다. 하지만, 1인 1로봇 사회를 만족시킬 지능형 단말들은 자원이 제한적이라는 한계가 있어 인공지능 서비스가 컨테이너 기반으로 경량화되어 탑재된다.
한편, 수많은 사용자들의 상황에 맞춰 인공지능 서비스를 제공하기 위해서는 각 상황에 대한 데이터가 수집되어 지속적인 학습 모델의 업데이트가 필요하며, 학습 모델의 업데이트는 사용자에게 실시간 제공 중인 실제 서비스에도 적용되어야 한다.
그러나, 컨테이너의 특성상 컨테이너화된 서비스를 업데이트할 경우, 컨테이너에서 제공하는 메인 서비스의 PID(Process Identification)가 1번으로 설정되기 때문에 컨테이너 종료 외에는 업데이트할 방법이 없다. 따라서, 컨테이너의 재시작이 불가피하여 서비스가 중단되는 시간이 발생하게 된다.
한국등록특허공보 제10-2284539호(2021.08.02)
개시되는 실시예는 컨테이너의 종료 없이 인공지능 서비스의 인공 신경망 모델을 업데이트 할 수 있는 컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법을 제공하기 위한 것이다.
개시되는 일 실시예에 따른 인공 신경망 모델 업데이트 장치는, 컨테이너 기반의 인공 신경망 모델 업데이트 장치로서, 상기 컨테이너를 통해 제공되는 인공지능 서비스의 인공 신경망 모델에 대한 업데이트를 관리하는 MRM(Micro-Renewal Method) 매니저; 상기 MRM 매니저의 요청에 따라 소정 인공 신경망 모델을 업데이트하는 스토리지 드라이버; 및 상기 컨테이너에 장착되고, 상기 MRM 매니저의 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하는 서비스 컨트롤러를 포함한다.
상기 MRM 매니저는, 업데이트가 필요한 컨테이너의 식별 정보 및 업데이트 된 인공 신경망 모델을 입력 받는 탐색 모듈을 포함할 수 있다.
상기 탐색 모듈은, 컨테이너 리스트 및 스토리지 드라이버 리스트를 포함하고, 상기 탐색 모듈은, 상기 컨테이너 리스트에서 상기 식별 정보에 대응하는 컨테이너를 탐색하고, 상기 스토리지 드라이버 리스트에서 상기 탐색된 컨테이너에 대응하는 스토리지 드라이버를 탐색할 수 있다.
상기 MRM 매니저는, 상기 탐색 모듈에 의해 탐색된 스토리지 드라이버로 상기 업데이트 된 인공 신경망 모델을 포함하는 업데이트 명령을 전송하는 재구성 모듈을 더 포함할 수 있다.
상기 스토리지 드라이버는, 상기 업데이트 명령에 대응하는 인공 신경망 모델의 저장 경로를 탐색하고, 탐색된 저장 경로에서 인공 신경망 모델을 삭제한 후 상기 업데이트 된 인공 신경망 모델을 저장할 수 있다.
상기 MRM 매니저는, 상기 스토리지 드라이버로부터 업데이트 완료 신호를 수신하고, 업데이트 된 인공 신경망 모델의 식별 정보를 포함하는 재시작 요청을 상기 서비스 컨트롤러로 송신하는 재시작 요청 모듈을 더 포함할 수 있다.
상기 서비스 컨트롤러는, 상기 재시작 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 컨테이너에서 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업 할 수 있다.
개시되는 일 실시예에 따른 인공 신경망 모델 업데이트 방법은, 컨테이너 기반의 인공 신경망 모델 업데이트 방법으로서, MRM(Micro-Renewal Method) 매니저에서, 업데이트가 필요한 컨테이너의 식별 정보 및 업데이트 된 인공 신경망 모델을 입력 받는 단계; 스토리지 드라이버에서, 상기 MRM 매니저의 요청에 따라 소정 인공 신경망 모델을 업데이트하는 단계; 및 상기 컨테이너에 장착되는 서비스 컨트롤러에서, 상기 MRM 매니저의 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하는 단계를 포함한다.
상기 MRM 매니저는, 컨테이너 리스트 및 스토리지 드라이버 리스트를 포함하고, 상기 인공 신경망 모델 업데이트 방법은, 상기 MRM 매니저가, 상기 컨테이너 리스트에서 상기 식별 정보에 대응하는 컨테이너를 탐색하고, 상기 스토리지 드라이버 리스트에서 상기 탐색된 컨테이너에 대응하는 스토리지 드라이버를 탐색하는 단계를 더 포함할 수 있다.
상기 업데이트하는 단계는, 상기 MRM 매니저에서, 탐색된 스토리지 드라이버로 상기 업데이트 된 인공 신경망 모델을 포함하는 업데이트 명령을 전송하는 단계를 포함할 수 있다.
상기 업데이트하는 단계는, 상기 스토리지 드라이버에서, 상기 업데이트 명령에 대응하는 인공 신경망 모델의 저장 경로를 탐색하고, 탐색된 저장 경로에서 인공 신경망 모델을 삭제한 후 상기 업데이트 된 인공 신경망 모델을 저장하는 단계를 포함할 수 있다.
상기 셋업하는 단계는, 상기 MRM 매니저에서, 상기 스토리지 드라이버로부터 업데이트 완료 신호를 수신하고, 업데이트 된 인공 신경망 모델의 식별 정보를 포함하는 재시작 요청을 상기 서비스 컨트롤러로 송신하는 단계를 포함할 수 있다.
상기 셋업하는 단계는, 상기 서비스 컨트롤러에서, 상기 재시작 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 컨테이너에서 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하는 단계를 포함할 수 있다.
개시되는 실시예에 의하면, 컨테이너를 통해 제공되는 인공지능 서비스의 인공 신경망 모델을 업데이트 하기 위한 MRM 매니저, 스토리지 드라이버, 및 서비스 컨트롤러를 구성함으로써, 컨테이너를 종료시키지 않고도 업데이트가 이루어진 인공지능 서비스만 셋업할 수 있으며, 그로 인해 다른 인공지능 서비스가 중단되는 것을 방지할 수 있으며, 인공지능 서비스의 업데이트에 소요되는 시간을 최소화 할 수 있게 된다.
또한, 분산된 다양한 데이터를 학습하는 연합 학습 플랫폼에 본 발명을 적용하는 경우, 하나의 학습 모델을 업데이트 할 때 데이터의 보안을 유지하면서도 다른 학습 모델의 서비스는 그대로 유지될 수 있어 그 활용도가 높게 된다.
도 1은 본 발명의 일 실시예에 따른 컨테이너 기반의 인공 신경망 모델 업데이트 시스템을 나타낸 블록도
도 2는 본 발명의 일 실시예에 따른 인공 신경망 모델 업데이트 방법과 기존의 업데이트 방법의 소요 시간을 비교한 도면
도 3은 본 발명의 일 실시예에 따른 인공 신경망 모델 업데이트 방법에서 인공 신경망 모델의 크기에 따른 업데이트 총 소요시간을 나타낸 그래프
도 4는 본 발명의 일 실시예에 따른 컨테이너 기반의 인공 신경망 모델 업데이트 방법을 나타낸 흐름도
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.
도 1은 본 발명의 일 실시예에 따른 컨테이너 기반의 인공 신경망 모델 업데이트 시스템을 나타낸 블록도이다.
도 1을 참조하면, 인공 신경망 모델 업데이트 장치(100)는 MRM(Micro-Renewal Method) 매니저(102), 스토리지 드라이버(Storage Driver)(104), 및 컨테이너(Container)(106)를 포함할 수 있다.
MRM 매니저(102)는 컨테이너(106)를 통해 제공되는 인공지능 서비스 중 변경하고자 하는 인공 신경망 모델의 업데이트를 관리할 수 있다. MRM 매니저(102)는 탐색 모듈(111), 재구성(Reconfiguration) 모듈(113), 및 재시작 요청 모듈(115)을 포함할 수 있다.
탐색 모듈(111)은 업데이트가 필요한 컨테이너의 식별 정보 및 업데이트 된 인공 신경망 모델을 입력 받을 수 있다. 여기서, 업데이트 된 인공 신경망 모델은 해당 컨테이너에서 제공하는 인공지능 서비스의 인공 신경망 모델이 재 학습되어 업데이트 된 것일 수 있다.
도 1에서는 설명의 편의상, 컨테이너(106)에서 제공하는 복수 개의 인공지능 서비스(서비스 A, 서비스 B, 및 서비스 C) 중 서비스 A에 대한 인공 신경망 모델(ModelA_1)을 인공 신경망 모델(ModelA_2)로 업데이트 하는 경우에 대해 살펴보기로 한다. 이 경우, 탐색 모듈(111)은 업데이트가 필요한 컨테이너(106)의 식별 정보 및 업데이트 된 인공 신경망 모델(ModelA_2)을 외부 장치(예를 들어, 클라우드 서버 등)로부터 입력 받을 수 있다.
탐색 모듈(111)은 컨테이너 리스트 및 스토리지 드라이버 리스트를 관리할 수 있다. 즉, 인공 신경망 모델 업데이트 시스템(100)은 복수 개의 컨테이너 및 각 컨테이너에 대응하는 복수 개의 스토리지 드라이버들을 포함할 수 있다.
탐색 모듈(111)은 인공 신경망 모델 업데이트 장치(100)에서 현재 구동 중인 컨테이너 리스트를 확인할 수 있다. 탐색 모듈(111)은 현재 구동 중인 컨테이너 리스트에서 업데이트가 필요한 컨테이너의 식별 정보에 대응하는 컨테이너(106)를 탐색할 수 있다. 또한, 탐색 모듈(111)은 스토리지 드라이버 리스트에서 컨테이너의 식별 정보에 대응하는 컨테이너와 매칭되는 스토리지 드라이버(104)를 탐색할 수 있다.
재구성(Reconfiguration) 모듈(113)은 탐색 모듈(111)에 의해 탐색된 스토리지 드라이버(104)로 해당 인공 신경망 모델의 업데이트 명령을 전송할 수 있다. 재구성 모듈(113)은 업데이트 된 인공 신경망 모델(ModelA_2)을 스토리지 드라이버(104)로 전달하면서 업데이트 명령을 스토리지 드라이버(104)로 전송할 수 있다.
즉, 재구성(Reconfiguration) 모듈(113)은 해당 컨테이너(106)가 제공하는 서비스 A에 대한 인공 신경망 모델(ModelA_1)을 인공 신경망 모델(ModelA_2)로 업데이트 하라는 명령을 스토리지 드라이버(104)로 전송할 수 있다.
재시작 요청 모듈(115)은 스토리지 드라이버(104)로부터 업데이트 완료 신호를 수신할 수 있다. 재시작 요청 모듈(115)은 업데이트 완료 신호가 수신된 경우, 컨테이너(106)로 업데이트 된 인공 신경망 모델(ModelA_2)에 대응하는 인공지능 서비스(서비스 A)의 재시작을 요청하는 재시작 요청을 전송할 수 있다.
스토리지 드라이버(104)는 컨테이너(106)에서 제공하는 인공지능 서비스들의 각 인공지능 모델을 저장할 수 있다. 스토리지 드라이버(104)는 컨테이너(106)에서 제공하는 인공지능 서비스들의 각 인공지능 모델의 저장 경로를 저장할 수 있다.
스토리지 드라이버(104)는 재구성 모듈(113)의 업데이트 명령을 수신하는 경우, 업데이트 명령에 대응하는 인공 신경망 모델의 저장 경로를 검색할 수 있다. 스토리지 드라이버(104)는 검색된 인공 신경망 모델(즉, 인공 신경망 모델(ModelA_1))을 삭제하고, 업데이트 된 인공 신경망 모델(ModelA_2)을 해당 저장 경로에 저장할 수 있다. 스토리지 드라이버(104)는 해당 인공 신경망 모델의 업데이트가 완료된 경우, 업데이트 완료 신호를 MRM 매니저(102)로 송신할 수 있다.
컨테이너(106)는 인공지능 서비스의 운영 또는 동작에 필요한 각종 프로그램과 환경 변수들을 묶어 놓은 형태의 것으로서, 인공지능 서비스의 프로세스가 동작되도록 하는 가상화 엔진을 의미할 수 있다. 컨테이너(106)는 복수 개의 인공지능 서비스(예를 들어, 서비스 A, 서비스 B, 서비스 C 등)를 제공하도록 마련될 수 있다. 컨테이너(106)는 하나의 OS(Operating System)에 여러 어플리케이션을 포함하며, 각 어플리케이션들끼리 격리된 공간에서 프로세스가 동작되도록 할 수 있다. 여기서, 각 어플리케이션은 하나의 운영 체제를 공유하므로, 부하를 줄일 수 있고 빠른 실행이 가능하다.
예시적인 실시예에서, 컨테이너(106)는 엣지 노드에 실시간 인공지능 서비스를 제공하도록 마련될 수 있다. 즉, 컨테이너(106)는 모바일 단말, 로봇, 드론, 및 자율주행 차량 등과 같은 엣지 노드에 실시간 인공지능 서비스를 제공하도록 마련될 수 있다.
컨테이너(106)는 서비스 컨트롤러(106a)를 포함할 수 있다. 서비스 컨트롤러(106a)는 각 인공지능 서비스에 대응하는 인공 신경망 모델의 업데이트 시 인공지능 서비스의 셋업을 관리할 수 있다. 서비스 컨트롤러(106a)는 MRM 매니저(102)로부터 재시작 요청에 따라 해당 인공지능 서비스의 셋업을 관리할 수 있다.
구체적으로, 서비스 컨트롤러(106a)는 MRM 매니저(102)로부터 재시작 요청을 수신하는 경우, 스토리지 드라이버(104)로부터 해당 인공지능 서비스의 업데이트 된 인공 신경망 모델(ModelA_2)을 추출하고, 추출한 인공 신경망 모델(ModelA_2)을 해당 인공지능 서비스(즉, 서비스 A)에 셋업할 수 있다. 즉, 서비스 컨트롤러(106a)는 컨테이너(106)를 종료시키지 않고도 업데이트가 이루어진 해당 인공지능 서비스만 새로 셋업하도록 마련될 수 있다.
개시되는 실시예에 의하면, 컨테이너(106)를 통해 제공되는 인공지능 서비스의 인공 신경망 모델을 업데이트 하기 위한 MRM 매니저(102), 스토리지 드라이버(104), 및 서비스 컨트롤러(106a)를 구성함으로써, 컨테이너(106)를 종료시키지 않고도 업데이트가 이루어진 인공지능 서비스만 셋업할 수 있으며, 그로 인해 다른 인공지능 서비스가 중단되는 것을 방지할 수 있으며, 인공지능 서비스의 업데이트에 소요되는 시간을 최소화 할 수 있게 된다.
또한, 분산된 다양한 데이터를 학습하는 연합 학습 플랫폼에 본 발명을 적용하는 경우, 하나의 학습 모델을 업데이트 할 때 데이터의 보안을 유지하면서도 다른 학습 모델의 서비스는 그대로 유지될 수 있어 그 활용도가 높게 된다.
도 2는 본 발명의 일 실시예에 따른 인공 신경망 모델 업데이트 방법과 기존의 업데이트 방법의 소요 시간을 비교한 도면이다. 여기서, 컨테이너의 크기는 5.01Gbyte이고, 인공 신경망 모델의 크기는 33.15Mbyte를 대상으로 테스트 하였다.
도 2를 참조하면, 기존의 업데이트 방법은 10번의 테스트를 평균한 업데이트 소요 시간이 13.857s(sec)인 반면, 본 발명의 업데이트 방법은 10번의 테스트를 평균한 업데이트 소요 시간이 1.451s로 그 소요 시간이 1/10 수준으로 줄어든 것을 볼 수 있다.
한편, 도 3에서는 본 발명의 일 실시예에 따른 인공 신경망 모델 업데이트 방법에서 인공 신경망 모델의 크기에 따른 업데이트 총 소요시간을 나타내었다. 여기서는, 인공 신경망 모델의 크기가 30Mbyte, 60Mbyte, 90Mbyte, 120Mbyte, 150Mbyte, 180Mbyte인 경우에 대해 각각 측정하였다.
도 4는 본 발명의 일 실시예에 따른 컨테이너 기반의 인공 신경망 모델 업데이트 방법을 나타낸 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 4를 참조하면, MRM 매니저(102)는 업데이트가 필요한 컨테이너의 식별 정보 및 업데이트 된 인공 신경망 모델을 입력 받는다(S 101).
다음으로, MRM 매니저(102)는 컨테이너 리스트에서 업데이트가 필요한 컨테이너의 식별 정보에 대응하는 컨테이너(106)를 탐색하고, 컨테이너의 식별 정보에 대응하는 컨테이너와 매칭되는 스토리지 드라이버(104)를 탐색한다(S 103).
다음으로, MRM 매니저(102)는 탐색된 스토리지 드라이버(104)로 해당 인공 신경망 모델의 업데이트 명령을 전송한다(S 105). 이때, 업데이트 명령에는 해당 인공지능 서비스의 업데이트 된 인공 신경망 모델이 포함될 수 있다.
다음으로, 스토리지 드라이버(104)는 해당 인공지능 서비스에 대응하는 인공 신경망 모델의 저장 경로를 검색하여 해당 인공 신경망 모델을 삭제하고 업데이트 된 인공 신경망 모델을 저장한다(S 107).
다음으로, 스토리지 드라이버(104)는 해당 인공 신경망 모델의 업데이트가 완료된 경우, 업데이트 완료 신호를 MRM 매니저(102)로 송신한다(S 109).
다음으로, MRM 매니저(102)는 해당 인공지능 서비스에 대한 재시작 요청을 컨테이너(106)로 송신한다(S 111). 이때, 재시작 요청에는 업데이트 된 인공 신경망 모델(또는 인공지능 서비스)의 식별 정보가 포함될 수 있다.
다음으로, 컨테이너(106)의 서비스 컨트롤러(106a)는 스토리지 드라이버(104)로부터 해당 인공지능 서비스의 업데이트 된 인공 신경망 모델을 추출하고(S 113), 추출한 인공 신경망 모델을 해당 인공지능 서비스에 셋업한다(S 115).
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 인공 신경망 모델 업데이트 장치(100)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100 : 인공 신경망 모델 업데이트 장치
102 : MRM 매니저
104 : 스토리지 드라이버
106 : 컨테이너
106a : 서비스 컨트롤러
111 : 탐색 모듈
113 : 재구성 모듈
115 : 재시작 요청 모듈

Claims (14)

  1. 컨테이너 기반의 인공 신경망 모델 업데이트 장치로서,
    상기 컨테이너를 통해 제공되는 인공지능 서비스의 인공 신경망 모델에 대한 업데이트를 관리하는 MRM(Micro-Renewal Method) 매니저;
    상기 MRM 매니저의 요청에 따라 소정 인공 신경망 모델을 업데이트하는 스토리지 드라이버; 및
    상기 컨테이너에 장착되고, 상기 MRM 매니저의 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하는 서비스 컨트롤러를 포함하는, 인공 신경망 모델 업데이트 장치.
  2. 청구항 1에 있어서,
    상기 MRM 매니저는,
    업데이트가 필요한 컨테이너의 식별 정보 및 업데이트 된 인공 신경망 모델을 입력 받는 탐색 모듈을 포함하는, 인공 신경망 모델 업데이트 장치.
  3. 청구항 2에 있어서,
    상기 탐색 모듈은, 컨테이너 리스트 및 스토리지 드라이버 리스트를 포함하고,
    상기 탐색 모듈은,
    상기 컨테이너 리스트에서 상기 식별 정보에 대응하는 컨테이너를 탐색하고, 상기 스토리지 드라이버 리스트에서 상기 탐색된 컨테이너에 대응하는 스토리지 드라이버를 탐색하는, 인공 신경망 모델 업데이트 장치.
  4. 청구항 3에 있어서,
    상기 MRM 매니저는,
    상기 탐색 모듈에 의해 탐색된 스토리지 드라이버로 상기 업데이트 된 인공 신경망 모델을 포함하는 업데이트 명령을 전송하는 재구성 모듈을 더 포함하는, 인공 신경망 모델 업데이트 장치.
  5. 청구항 4에 있어서,
    상기 스토리지 드라이버는,
    상기 업데이트 명령에 대응하는 인공 신경망 모델의 저장 경로를 탐색하고, 탐색된 저장 경로에서 인공 신경망 모델을 삭제한 후 상기 업데이트 된 인공 신경망 모델을 저장하는, 인공 신경망 모델 업데이트 장치.
  6. 청구항 4에 있어서,
    상기 MRM 매니저는,
    상기 스토리지 드라이버로부터 업데이트 완료 신호를 수신하고, 업데이트 된 인공 신경망 모델의 식별 정보를 포함하는 재시작 요청을 상기 서비스 컨트롤러로 송신하는 재시작 요청 모듈을 더 포함하는, 인공 신경망 모델 업데이트 장치.
  7. 청구항 6에 있어서,
    상기 서비스 컨트롤러는,
    상기 재시작 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 컨테이너에서 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하는, 인공 신경망 모델 업데이트 장치.
  8. 컨테이너 기반의 인공 신경망 모델 업데이트 방법으로서,
    MRM(Micro-Renewal Method) 매니저에서, 업데이트가 필요한 컨테이너의 식별 정보 및 업데이트 된 인공 신경망 모델을 입력 받는 단계;
    스토리지 드라이버에서, 상기 MRM 매니저의 요청에 따라 소정 인공 신경망 모델을 업데이트하는 단계; 및
    상기 컨테이너에 장착되는 서비스 컨트롤러에서, 상기 MRM 매니저의 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하는 단계를 포함하는, 인공 신경망 모델 업데이트 방법.
  9. 청구항 8에 있어서,
    상기 MRM 매니저는, 컨테이너 리스트 및 스토리지 드라이버 리스트를 포함하고,
    상기 인공 신경망 모델 업데이트 방법은,
    상기 MRM 매니저가, 상기 컨테이너 리스트에서 상기 식별 정보에 대응하는 컨테이너를 탐색하고, 상기 스토리지 드라이버 리스트에서 상기 탐색된 컨테이너에 대응하는 스토리지 드라이버를 탐색하는 단계를 더 포함하는, 인공 신경망 모델 업데이트 방법.
  10. 청구항 9에 있어서,
    상기 업데이트하는 단계는,
    상기 MRM 매니저에서, 탐색된 스토리지 드라이버로 상기 업데이트 된 인공 신경망 모델을 포함하는 업데이트 명령을 전송하는 단계를 포함하는, 인공 신경망 모델 업데이트 방법.
  11. 청구항 10에 있어서,
    상기 업데이트하는 단계는,
    상기 스토리지 드라이버에서, 상기 업데이트 명령에 대응하는 인공 신경망 모델의 저장 경로를 탐색하고, 탐색된 저장 경로에서 인공 신경망 모델을 삭제한 후 상기 업데이트 된 인공 신경망 모델을 저장하는 단계를 포함하는, 인공 신경망 모델 업데이트 방법.
  12. 청구항 10에 있어서,
    상기 셋업하는 단계는,
    상기 MRM 매니저에서, 상기 스토리지 드라이버로부터 업데이트 완료 신호를 수신하고, 업데이트 된 인공 신경망 모델의 식별 정보를 포함하는 재시작 요청을 상기 서비스 컨트롤러로 송신하는 단계를 포함하는, 인공 신경망 모델 업데이트 방법.
  13. 청구항 12에 있어서,
    상기 셋업하는 단계는,
    상기 서비스 컨트롤러에서, 상기 재시작 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 컨테이너에서 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하는 단계를 포함하는, 인공 신경망 모델 업데이트 방법.
  14. 비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
    MRM(Micro-Renewal Method) 매니저가 업데이트가 필요한 컨테이너의 식별 정보 및 업데이트 된 인공 신경망 모델을 입력 받도록 하고,
    스토리지 드라이버가 상기 MRM 매니저의 요청에 따라 소정 인공 신경망 모델을 업데이트하도록 하며,
    컨테이너에 장착되는 서비스 컨트롤러가 상기 MRM 매니저의 요청에 따라 상기 스토리지 드라이버에서 상기 업데이트 된 인공 신경망 모델을 추출하고, 상기 업데이트 된 인공 신경망 모델을 해당 인공지능 서비스에 셋업하도록 하는, 컴퓨터 프로그램.
KR1020210177030A 2021-12-10 2021-12-10 컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법 KR20230088138A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210177030A KR20230088138A (ko) 2021-12-10 2021-12-10 컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210177030A KR20230088138A (ko) 2021-12-10 2021-12-10 컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20230088138A true KR20230088138A (ko) 2023-06-19

Family

ID=86988368

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210177030A KR20230088138A (ko) 2021-12-10 2021-12-10 컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20230088138A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102284539B1 (ko) 2020-11-30 2021-08-02 주식회사 애자일소다 머신러닝 기반 인공지능 모델 학습, 개발, 배포 및 운영 시스템과 이를 이용한 서비스 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102284539B1 (ko) 2020-11-30 2021-08-02 주식회사 애자일소다 머신러닝 기반 인공지능 모델 학습, 개발, 배포 및 운영 시스템과 이를 이용한 서비스 방법

Similar Documents

Publication Publication Date Title
US11814077B2 (en) Method and apparatus for storing autonomous driving test data and electronic device
EP3176697B1 (en) Type-to-type analysis for cloud computing technical components
EP3667500B1 (en) Using a container orchestration service for dynamic routing
CN110998567A (zh) 用于对话语义分析的知识图谱
US10873512B2 (en) Methods for managing self-healing cloud infrastructure and applications
US10909415B2 (en) Method, device and computer program product for generating image tag
US10901621B2 (en) Dual-level storage device reservation
CN110659100B (zh) 容器管理方法、装置和设备
CN110781505B (zh) 系统构建方法及装置、检索方法及装置、介质和设备
US11597080B2 (en) Knowledge partitioning for task execution by conversational tele-presence robots in a geographically separated environment
KR20070001974A (ko) 군용 데이터 링크 통합 장치 및 방법
US20190095261A1 (en) Software resource management
US10938956B2 (en) Processing command line templates for database queries
US20200184014A1 (en) Internet of everything
US10599440B2 (en) Method for sharing processing modules between pipelines
KR100811091B1 (ko) 지능형 홈네트워크 상황인지서비스 시스템 및 그 방법
KR101286284B1 (ko) 온 더 플라이 학습 기반 검색을 이용한 큐 오 에스 인식 웹 서비스 구성방법
KR20230088138A (ko) 컨테이너 기반의 인공 신경망 모델 업데이트 장치 및 방법
US20210150289A1 (en) Text classification for input method editor
US20190121681A1 (en) Framework for integrating a user device and a mainframe system
CN114415954A (zh) 一种Ceph对象存储元数据处理的优化方法及装置
CN107818122A (zh) 一种代理组件、搜索管理方法及搜索管理系统
US11003439B2 (en) Incorporating version control into packaging
US20190356725A1 (en) Generating client applications from service model descriptions
CN107493316B (zh) 应用运营管理方法、服务器及计算机可读存储介质