KR20230109539A - 뉴럴 네트워크 기반의 파일 매니지먼트 시스템 - Google Patents

Abstract

실시예들은 뉴럴 네트워크 기반의 파일 매니지먼트 방법을 제공한다. 실시예에 따른 파일 매니지먼트 방법은, 서버 트랜시버에 의해, 제1 문서, 제2 문서를 포함하는 복수의 문서를 저장하는 클라이언트로부터 상기 제1 문서를 제공받고, 데이터 분류기에 의해, 상기 제1 문서에 포함된 텍스트 데이터를 기초로 텍스트 파일을 추출하고, 상기 제1 문서에 포함된 이미지 데이터를 기초로 이미지 파일을 추출하고, 이미지 추출 모듈에 의해, 상기 이미지 파일에서 하나 이상의 특징 이미지를 추출하고, 상기 하나 이상의 특징 이미지를 군집화(clustering)하여 특징 코드를 생성하고, 상기 특징 코드를 기초로 하나 이상의 제1 키워드를 추출하고, 텍스트 추출 모듈에 의해, 상기 텍스트 파일에서 TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출하고, 카테고리 분류기에 의해, 데이터베이스에 저장된 제1 카테고리와 상기 하나 이상의 제1 키워드와, 상기 하나 이상의 제2 키워드를 비교하여 상기 제1 문서의 카테고리를 결정하는 것을 포함할 수 있다.

Description

뉴럴 네트워크 기반의 파일 매니지먼트 시스템{NEURAL NETWORK-BASED FILE MANAGEMENT SYSTEM}

본 발명의 실시예들은 업무용 파일 매니지먼트 시스템, 방법, 메타버스 구현 시스템 및 업무용 챗봇에 관한 것으로, 보다 구체적으로는 뉴럴 네트워크 기반의 파일 매니지먼트 시스템 및 방법에 관한 것이다.

재택 근무 등이 활성화됨에 따라, 회사 구성원들의 업무 파일을 보다 효과적으로 관리하기 위한 필요성이 증가하고 있다. 이에 따라 최근 많은 기업이나 관공서, 학교, 금융기관, 첨단 기술연구소 등에서는 지식관리 시스템 (KMS;Knowledge Management System) 또는 전자 문서 관리 시스템 (EDMS; Electronic Document Management System)을 이용하여 기업 등의 내부 문서자료를 관리하고 정보공유를 통해 업무의 효율을 높이고 있다. 그러나 이러한 목적을 달성하기 위하여 중앙 관리시스템으로 수집되어 축적되어야 할 문서자료는 사용자의 직접적인 등록 행위를 통해서만 이루어지고 있으므로 관리시스템에 축적되는 문서자료의 수집에 오랜 시간이 소요된다. 또한, 기업 등에서 기존에 업무를 수행하던 인원의 공백이 발생하여 새로운 인원으로 대체되는 경우, 업무 인수인계에 많은 시간이 소요되어 업무 효율이 저하되는 문제점이 있다.

위에서 설명한 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.

실시예들은, 뉴럴 네트워크 기반의 파일 매니지먼트 방법을 제공한다.

다른 실시예들은, 뉴럴 네트워크 기반의 파일 매니지먼트 시스템을 제공한다.

또 다른 실시예들은, 업무용 메타버스 구현 시스템을 제공한다.

또 다른 실시예들은, 업무용 챗봇을 제공한다.

실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.

본 발명의 몇몇 실시예에 따른 뉴럴 네트워크 기반의 파일 매니지먼트 방법은, 서버 트랜시버에 의해, 제1 문서, 제2 문서를 포함하는 복수의 문서를 저장하는 클라이언트로부터 상기 제1 문서를 제공받고, 데이터 분류기에 의해, 상기 제1 문서에 포함된 텍스트 데이터를 기초로 텍스트 파일을 추출하고, 상기 제1 문서에 포함된 이미지 데이터를 기초로 이미지 파일을 추출하고, 이미지 추출 모듈에 의해, 상기 이미지 파일에서 하나 이상의 특징 이미지를 추출하고, 상기 하나 이상의 특징 이미지를 군집화(clustering)하여 특징 코드를 생성하고, 상기 특징 코드를 기초로 하나 이상의 제1 키워드를 추출하고, 텍스트 추출 모듈에 의해, 상기 텍스트 파일에서 TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출하고, 카테고리 분류기에 의해, 데이터베이스에 저장된 제1 카테고리와 상기 하나 이상의 제1 키워드와, 상기 하나 이상의 제2 키워드를 비교하여 상기 제1 문서의 카테고리를 결정하는 것을 포함할 수 있다.

상기 이미지 추출 모듈은 이미지 추출 모델을 이용하여 상기 특징 이미지를 추출하고, 상기 이미지 추출 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고, 상기 특징 이미지에 관한 복수의 학습 데이터는 상기 이미지 추출 모델의 상기 입력 레이어에 입력되어, 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 상기 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 이미지 추출 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,

[수학식]

상기 손실 함수는 상기 수학식을 따르고, 상기 수학식에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.

상기 서버 트랜시버에 의해, 상기 제2 문서를 포함한 복수의 문서를 제공받는 것을 더 포함하고,

[수학식]

상기 텍스트 추출 모듈은, 상기 수학식을 이용하여 상기 제2 키워드를 추출하되, 상기 수학식에서, tfidf(t,d,D)는 TF-IDF 수치를 의미하고, d는 상기 제1 문서를 식별하는 자연수, D는 상기 서버가 상기 클라이언트로부터 제공받은 상기 복수의 문서의 전체 개수, f(t,d)는 상기 제1 문서에서 특징 키워드 t의 등장 빈도, f(w,d)는 상기 제1 문서의 최다 등장 키워드 w의 등장 빈도, n(d)는 특징 키워드 t가 포함된 문서의 개수를 의미하는 자연수일 수 있다.

본 발명의 다른 몇몇 실시예에 따른 뉴럴 네트워크 기반의 파일 매니지먼트 시스템은, 서버; 및 복수의 클라이언트를 포함하고, 상기 복수의 클라이언트는 제1 클라이언트; 및 제2 클라이언트를 포함하고, 상기 제1 클라이언트는 제1 프로세서(processor); 제1 트랜시버(transceiver); 제1 입력부; 제1 출력부 및 제1 메모리(memory)를 포함하고, 상기 서버는, 서버 프로세서; 서버 트랜시버; 및 서버 메모리를 포함하고, 상기 제1 클라이언트의 상기 제1 메모리는 클라이언트 프로그램을 저장하고, 상기 서버의 상기 서버 메모리는 서버 프로그램을 저장하고, 상기 서버 트랜시버는, 상기 제1 클라이언트로부터 제1 문서를 제공받고, 상기 서버 프로세서는, 상기 제1 문서에 포함된 텍스트 데이터를 기초로 텍스트 파일을 추출하고, 상기 제1 문서에 포함된 이미지 데이터를 기초로 이미지 파일을 추출하고, 상기 이미지 파일에서 하나 이상의 특징 이미지를 추출하고, 상기 하나 이상의 특징 이미지를 군집화(clustering)하여 특징 코드를 생성하고, 상기 특징 코드를 기초로 하나 이상의 제1 키워드를 추출하고, 상기 텍스트 파일에서 TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출하고, 데이터베이스에 저장된 제1 카테고리와 상기 하나 이상의 제1 키워드와, 상기 하나 이상의 제2 키워드를 비교하여 상기 제1 문서의 카테고리를 결정할 수 있다.

본 발명의 또 다른 몇몇 실시예에 따른 업무용 메타버스 구현 시스템은, 서버; 복수의 클라이언트; 및 메타버스 구현 장치를 포함하고, 상기 복수의 클라이언트는 제1 클라이언트; 및 제2 클라이언트를 포함하고, 상기 제1 클라이언트는 제1 프로세서(processor); 제1 트랜시버(transceiver); 제1 입력부; 제1 출력부 및 제1 메모리(memory)를 포함하고, 상기 서버는, 서버 프로세서; 서버 트랜시버; 및 서버 메모리를 포함하고, 상기 제1 클라이언트의 상기 제1 메모리는 클라이언트 프로그램을 저장하고, 상기 서버의 상기 서버 메모리는 서버 프로그램을 저장하고, 상기 서버 프로세서는, 상기 제1 클라이언트로부터 제1 문서, 제2 문서를 포함하는 복수의 문서를 제공받고, 상기 제1 문서의 카테고리를 결정하고, 상기 메타버스 구현 장치는, 메타버스 구현부, 메타버스 구현 보조부를 포함하고, 상기 메타버스 구현부는, 상기 제1 클라이언트의 접속 신호에 응답하여, 상기 제1 클라이언트에 업무용 메타버스 환경을 구현하고, 상기 메타버스 구현 보조부에 메타버스 구현 정보를 제공하고, 상기 업무용 메타버스 환경은, 가상 배경 이미지, 제1 클라이언트 버츄얼 오브젝트 중 적어도 하나를 상기 제1 클라이언트에 출력하여 구현되고, 상기 메타버스 구현 정보는, 메타버스에 대한 클라이언트 상태 정보, 클라이언트 접속 정보, 가상 배경 정보, 클라이언트 버츄얼 오브젝트 정보, 메타버스 이벤트 발생 정보 중 적어도 하나를 포함하되, 상기 메타버스 이벤트 발생 정보는, 상기 제1 클라이언트의 업무 요청 이벤트 발생 정보를 포함하고, 상기 메타버스 구현부는, 상기 제1 클라이언트로부터 상기 제1 클라이언트의 상기 업무 요청 이벤트 발생 정보를 수신하고, 상기 서버로부터 상기 제1 문서의 카테고리에 대한 정보를 수신하고, 상기 제1 문서의 카테고리에 대한 정보를 기초로 상기 제1 클라이언트에 제1 문서 버츄얼 오브젝트를 출력할 수 있다.

상기 서버 트랜시버는, 상기 제1 클라이언트로부터 제1 문서를 제공받고,

상기 서버 프로세서는, 상기 제1 문서에 포함된 텍스트 데이터를 기초로 텍스트 파일을 추출하고, 상기 제1 문서에 포함된 이미지 데이터를 기초로 이미지 파일을 추출하고, 상기 이미지 파일에서 하나 이상의 특징 이미지를 추출하고, 상기 하나 이상의 특징 이미지를 군집화(clustering)하여 특징 코드를 생성하고, 상기 특징 코드를 기초로 하나 이상의 제1 키워드를 추출하고, 상기 텍스트 파일에서 TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출하고, 데이터베이스에 저장된 제1 카테고리와 상기 하나 이상의 제1 키워드와, 상기 하나 이상의 제2 키워드를 비교하여 상기 제1 문서의 카테고리를 결정할 수 있다.

본 발명의 또 다른 몇몇 실시예에 따른 업무용 챗봇은, 클라이언트로부터 제1 문서, 제2 문서를 포함하는 복수의 문서를 제공받고, 상기 문서를 사전처리하여 가공 데이터를 생성하는 사전처리부; 상기 가공 데이터를 제공받고, 상기 가공 데이터를 기초로 학습된 학습 텍스트를 생성하는 지능형 대화 학습부;

상기 학습 텍스트를 저장하는 데이터베이스; 및 상기 데이터베이스에 저장된 상기 학습 텍스트를 기초로 출력 텍스트를 생성하고, 상기 출력 텍스트를 상기 클라이언트에 송신하는 지능형 대화 솔루션 생성부;를 포함하되, 상기 사전처리부는, 상기 문서에서 이미지 파일을 분류하고, 이미지 추출 모델을 이용하여 상기 이미지 파일에서 특징 이미지를 추출하고, 상기 특징 이미지를 기초로 상기 문서의 제1 키워드를 추출하고, 상기 문서에서 텍스트 파일을 분류하고, TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출하고, 상기 가공 데이터는 상기 제1 키워드와 상기 제2 키워드를 포함하고, 상기 지능형 대화 솔루션 생성부는, 상기 클라이언트의 입력 텍스트에 응답하여 상기 출력 텍스트를 상기 클라이언트에 송신할 수 있다.

상기 지능형 대화 학습부는, 상기 학습 텍스트를 기초로 업무 지수를 출력하고, 상기 업무 지수가 제1 임계치를 초과하는 경우 상기 지능형 대화 솔루션 생성부가 안내 텍스트를 생성하도록 제어하는 제어 신호를 생성할 수 있다.

상기 업무 지수는 대응 지수에 비례하고, 상기 대응 지수는, 상기 지능형 대화 솔루션 생성부가 상기 제1 클라이언트의 입력 텍스트에 응답하여 상기 출력 텍스트를 생성한 횟수에 비례할 수 있다.

[수학식]

상기 지능형 대화 학습부는 상기 수학식을 이용하여 상기 업무 지수를 계산하고, T는 업무 지수, v_react는 대응 지수, S는 학습 텍스트의 가공률, p는 학습 텍스트를 식별하는 자연수를 의미할 수 있다.

본 발명의 또 다른 몇몇 실시예에 따른 업무용 챗봇 시스템은, 서버; 복수의 클라이언트; 및 업무용 챗봇을 포함하고, 상기 복수의 클라이언트는 제1 클라이언트; 및 제2 클라이언트를 포함하고, 상기 제1 클라이언트는 제1 프로세서(processor); 제1 트랜시버(transceiver); 제1 입력부; 제1 출력부 및 제1 메모리(memory)를 포함하고, 상기 서버는, 서버 프로세서; 서버 트랜시버; 및 서버 메모리를 포함하고, 상기 제1 클라이언트의 상기 제1 메모리는 클라이언트 프로그램을 저장하고, 상기 서버의 상기 서버 메모리는 서버 프로그램을 저장하고, 상기 업무용 챗봇은, 상기 복수의 클라이언트로부터 제1 문서, 제2 문서를 포함하는 복수의 문서를 제공받고, 상기 문서를 사전처리하여 가공 데이터를 생성하는 사전처리부; 상기 가공 데이터를 제공받고, 상기 가공 데이터를 기초로 학습된 학습 텍스트를 생성하는 지능형 대화 학습부; 및 상기 학습 텍스트를 저장하는 데이터베이스; 및 상기 데이터베이스에 저장된 상기 학습 텍스트를 기초로 출력 텍스트를 생성하고, 상기 출력 텍스트를 상기 클라이언트에 송신하는 지능형 대화 솔루션 생성부;를 포함하되, 상기 사전처리부는, 상기 문서에서 이미지 파일을 분류하고, 이미지 추출 모델을 이용하여 상기 이미지 파일에서 특징 이미지를 추출하고, 상기 특징 이미지를 기초로 상기 문서의 제1 키워드를 추출하고, 상기 문서에서 텍스트 파일을 분류하고, TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출하고, 상기 가공 데이터는 상기 제1 키워드와 상기 제2 키워드를 포함하고, 상기 지능형 대화 솔루션 생성부는, 상기 클라이언트의 입력 텍스트에 응답하여 상기 출력 텍스트를 상기 클라이언트에 송신하고, 상기 지능형 대화 학습부는, 상기 학습 텍스트를 기초로 업무 지수를 출력하고, 상기 업무 지수가 제1 임계치를 초과하는 경우 상기 지능형 대화 솔루션 생성부가 안내 텍스트를 생성하도록 제어하는 제어 신호를 생성할 수 있다.

실시예들에 따르면, 뉴럴 네트워크 기반의 파일 매니지먼트 방법 및 시스템은 서버에 연결된 다수의 클라이언트에 저장된 문서를 효과적으로 관리할 수 있는 방법을 제공한다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 파일 매니지먼트 시스템을 개략적으로 도시한 도면이다.
도 4는 도 3의 서버의 구조를 설명하기 위한 예시적인 블록도이다.
도 5는 본 발명의 일 실시예에 따른 파일 매니지먼트 방법을 설명하기 위한 흐름도이다.
도 6은 도 5의 S530 단계를 설명하기 위한 흐름도이다.
도 7은 본 발명의 다른 실시예에 따른 업무용 메타버스 구현 시스템을 개략적으로 나타내는 도면이다.
도 8은 도 7의 메타버스 구현 장치를 설명하기 위한 블록도이다.
도 9는 본 발명의 다른 실시예에 따른 업무용 챗봇 시스템을 개략적으로 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 업무용 챗봇의 구성을 설명하기 위한 블록도이다.
도 11은 도 10의 업무용 챗봇의 동작을 설명하기 위한 흐름도이다.

이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.

도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.

이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.

또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.

도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 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. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 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.

서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.

데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.

도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.

운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.

미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.

어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.

데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.

시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.

어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.

장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.

도 3은 본 발명의 일 실시예에 따른 업무용 파일 매니지먼트 시스템(300)을 개략적으로 나타내는 도면이다.

도 3을 참조하면, 파일 매니지먼트 시스템(300)은 서버(310), 복수의 클라이언트, 및 네트워크(340)를 포함할 수 있다.

복수의 클라이언트는 제1 클라이언트(320) 및 제2 클라이언트(330)를 포함할 수 있다. 다만, 이는 예시에 불과하며, 제1 클라이언트(320)만 포함하거나, 3개 이상의 클라이언트가 포함될 수도 있다. 제1 클라이언트(320)는 제1 프로세서(processor), 제1 트랜시버(transceiver), 제1 입력부, GPS 모듈, 카메라 모듈, 제1 출력부 및 제1 메모리(memory)를 포함할 수 있다. 제2 클라이언트(330)는 제2 프로세서, 제2 트랜시버, 제2 입력부, 제2 출력부 및 제2 메모리를 포함할 수 있다. 여기서, '제1', '제2'는 서로 다른 클라이언트를 구별하기 위한 것이며 순서를 한정하지 않는다. 이하 같다. 제1 클라이언트(320)의 제1 메모리 및 제2 클라이언트(330)의 제2 메모리는 클라이언트 프로그램을 저장할 수 있다.

서버(310)는 서버 프로세서, 서버 트랜시버 및 서버 메모리를 포함할 수 있다. 서버(310)의 서버 메모리는 서버 프로그램을 저장할 수 있다. 서버(310)의 서버 프로세서는 서버 프로그램의 미들웨어의 데이터베이스 매니저를 로딩할 수 있다. 서버 프로세서는 데이터베이스 매니저를 이용하여 복수의 클라이언트에 저장된 파일의 데이터베이스를 생성할 수 있다.

서버(310)는 물리적인 서버를 통해 구현될 수 있다. 즉, 서버(310)는 통신 장치를 포함하는 서버로 구현되어, 복수의 클라이언트로부터 데이터를 수신하고, 또한 데이터를 송신할 수도 있다. 서버(310)는 워크스테이션(workstation), 데이터 센터, 인터넷 데이터 센터(internet data center(IDC)), DAS(direct attached storage) 시스템, SAN(storage area network) 시스템, NAS(network attached storage) 시스템, RAID(redundant array of inexpensive disks, or redundant array of independent disks) 시스템, 및 EDMS(Electronic Document Management) 시스템 중 적어도 하나로 구현될 수 있으나, 본 실시예가 이에 제한되는 것은 아니다.

서버(310)가 물리적인 서버를 통해 구현되는 것인 경우, 서버(310)는 무선 또는 유선으로 연결된 네트워크(340)를 통해 데이터를 송신하거나 수신할 수 있다. 네트워크(340)는 유선 인터넷 기술, 무선 인터넷 기술 및 근거리 통신 기술에 의한 네트워크를 포함할 수 있다. 유선 인터넷 기술은 예를 들어, 근거리 통신망(LAN, Local area network) 및 광역 통신망(WAN, wide area network) 중 적어도 하나를 포함할 수 있다.

무선 인터넷 기술은 예를 들어, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 및 5G NR(New Radio) 기술 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.

서버(310)가 무선 통신 방식으로 데이터를 송/수신하는 경우, 서버(310)은 이동통신을 위한 기술표준 및 표준 통신 방식을 준수할 수 있다. 예를 들어, 표준 통신 방식은 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTEA(Long Term Evolution-Advanced) 및 5G NR(New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.

서버(310)는 하드웨어적으로 통상적인 웹서버(Web Server) 또는 네트워크 서버와 동일한 하드웨어 모듈을 포함할 수 있다. 서버(310)는 웹서버 또는 네트워크 서버의 형태로 구현될 수도 있고, 유형의 저장 장치 내부에 구축되어 있는 각종 데이터베이스를 포함하여 웹서버상에서 동작하는 일련의 응용 프로그램(Application Program)으로 구현될 수도 있다. 따라서 서버(310)는 전술한 내용 중 어느 하나의 형태로 국한되지 않는 넓은 개념으로 이해되어야 할 것이다.

서버(310)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신할 수 있다. 서버(310)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.

도 4는 도 3의 서버(310)의 구조를 설명하기 위한 예시적인 블록도이다.

도 4를 참조하면, 서버(310)는 데이터 분류기, 이미지 추출 모듈, 텍스트 추출 모듈, 카테고리 분류기를 포함할 수 있다. 여기서, 서버(310)를 구성하는 각각의 구성 요소는 서버(310)의 구분 동작을 수행하는 모듈로서 이해될 수 있다. 또는, 서버(310)를 구성하는 각각의 구성 요소는 하드웨어로 구현될 수도 있다.

데이터 분류기는 클라이언트로부터 제공받은 문서에 포함된 텍스트 데이터를 기초로 텍스트 파일을 추출할 수 있다. 또한, 데이터 분류기는, 제1 문서에 포함된 이미지 데이터를 기초로 이미지 파일을 추출할 수 있다. 데이터 분류기는 추출한 이미지 파일을 이미지 추출 모듈에 제공할 수 있다.

이미지 추출 모듈은 데이터 분류기에 전기적으로 연결되어 데이터 분류기로부터 이미지 파일을 제공받을 수 있다. 이미지 추출 모듈은 이미지 파일에서 하나 이상의 특징 이미지를 추출할 수 있다.

이를 위해, 이미지 추출 모듈은 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 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.

일 실시예에서, 이미지 추출 모듈은 이미지 추출 모델을 이용하여 특징 이미지를 추출할 수 있다. 여기서, 이미지 추출 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 이미지 추출 모델은 학습 과정을 통해 이미지 파일로부터 특징 이미지가 정확하게 추출되도록 미리 학습될 수 있다. 이를 위하여, 학습 과정에서 특징 이미지에 관한 복수의 학습 데이터는 이미지 추출 모델의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터가 출력될 수 있다. 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 이미지 추출 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다.

예를 들어, 손실 함수는 [수학식 1]을 따라 손실 값을 계산할 수 있다. [수학식 1]에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.

또는, 손실 함수는 [수학식 2]를 따라 손실 값을 계산할 수 있다. [수학식 2]에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.

또한, 이미지 추출 모듈은, 추출된 상기 하나 이상의 특징 이미지를 군집화(clustering)하여 특징 코드를 생성하고, 상기 특징 코드를 기초로 하나 이상의 제1 키워드를 추출할 수 있다.

텍스트 추출 모듈은 데이터 분류기에 전기적으로 연결되어 서버(310)의 데이터 분류기로부터 텍스트 파일을 제공받을 수 있다. 텍스트 추출 모듈은, 추출한 텍스트 파일에서 TF-IDF(Term Frequency - Inverse Document Frequency) 방식을 이용하여 하나 이상의 제2 키워드를 추출할 수 있다.

카테고리 분류기는, 이미지 추출 모듈로부터 제1 키워드를 제공받을 수 있다. 또한, 카테고리 분류기는 텍스트 추출 모듈로부터 제2 키워드를 제공받을 수 있다. 카테고리 분류기는 제1 키워드 및 제2 키워드와, 데이터베이스에 저장된 제1 카테고리를 비교하여 제1 문서의 카테고리를 결정할 수 있다.

이를 위해, 데이터베이스에는 하나 이상의 카테고리가 미리 저장될 수 있다. 데이터베이스에 저장된 하나 이상의 카테고리는 하나 이상의 단어를 포함하는 텍스트 데이터로 저장될 수 있다. 카테고리 분류기는 제1 키워드와, 데이터베이스에 저장된 하나 이상의 카테고리 중 제1 카테고리를 비교하여 제1 유사도를 출력할 수 있다. 또한, 카테고리 분류기는 제2 키워드와, 데이터베이스에 저장된 하나 이상의 카테고리 중 제1 카테고리를 비교하여 제2 유사도를 출력할 수 있다. 카테고리 분류기는 제1 유사도와 제2 유사도를 기초로 제1 문서의 카테고리를 결정할 수 있다.

도 5는 본 발명의 일 실시예에 따른 파일 매니지먼트 방법을 설명하기 위한 흐름도이다. 본 명세서에서, '문서'는 일반적인 텍스트와 이미지로 구성되는 문서를 의미하는 것으로 이해될 수 있다. 그러나 본 발명의 실시예는 이에 제한되지 않는다. 즉, 이하에서 설명하는 바와 같이 일반적인 문서에 포함된 텍스트와 이미지로부터 키워드를 추출하는 것 외에도, 동일한 기술적 사상을 바탕으로 영상이 포함된 문서에서도 키워드를 추출하여 문서를 관리할 수도 있다. 이하에서, 텍스트(text)는, 단순히 문자, 숫자, 기호, 도형 또는 둘 이상의 조합으로 구성된 하나의 단어를 의미하는 것은 아니고, 그러한 문자, 숫자 기호 등이 조합으로 구성된 여러 단어들이 모여 하나 이상의 문장을 포함하는 텍스트 데이터를 지칭하는 것으로 이해될 수 있다.

도 5를 참조하면, S510에서, 서버(310)의 서버 트랜시버는, 클라이언트로부터 제1 문서, 제2 문서를 포함하는 복수의 문서를 수신할 수 있다.

S520에서, 서버(310)의 데이터 분류기는, 제1 문서에 포함된 텍스트 데이터를 기초로 텍스트 파일을 추출할 수 있다. 또는, 서버(310)의 데이터 분류기는, 복수의 문서 각각에 포함된 텍스트 데이터를 기초로, 복수의 텍스트 파일을 추출할 수 있다. 또한, 서버(310)의 데이터 분류기는, 제1 문서에 포함된 이미지 데이터를 기초로 이미지 파일을 추출할 수 있다.

S530에서, 서버(310)의 이미지 추출 모듈은, 추출한 이미지 파일에서 하나 이상의 특징 이미지를 추출하고, 상기 하나 이상의 특징 이미지를 군집화(clustering)하여 특징 코드를 생성하고, 상기 특징 코드를 기초로 하나 이상의 제1 키워드를 추출할 수 있다.

S540에서, 서버(310)의 텍스트 추출 모듈은, 추출한 텍스트 파일에서 TF-IDF 방식을 이용하여 하나 이상의 제2 키워드를 추출할 수 있다.

일 실시예에서, 텍스트 추출 모듈은 데이터 분류기로부터 복수의 텍스트 파일을 제공받고, 제공받은 복수의 텍스트 파일을 기초로 제1 문서의 TF-IDF 수치를 출력할 수 있다. 여기서, TF(Term Frequency) 수치는 제1 문서에서 특징 키워드가 등장하는 빈도수를 의미할 수 있다. 또한, TF-IDF 수치는, TF 수치를, 서버가 클라이언트로부터 제공받은 복수의 문서에 공통적으로 등장하는 특징 키워드의 빈도수로 나눈 값을 의미할 수 있다. 즉, 텍스트 추출 모듈은, TF-IDF 수치를 참고하여, 특징 키워드가 서버가 클라이언트로부터 제공받은 복수의 문서에서 공통적으로 많이 등장하는 경우, 해당 특징 키워드를 제1 문서의 특징 키워드가 아닌 것으로 결정할 수 있다. 텍스트 추출 모듈은 TF-IDF 수치를 기초로 제2 키워드를 결정하여, 텍스트 파일에서 제2 키워드를 추출할 수 있다.

예를 들어, 텍스트 추출 모듈은, [수학식 3]에 의해 복수의 텍스트 파일을 기초로 제1 문서에 대한 TF-IDF 수치를 출력할 수 있다.

[수학식 3]에서, tfidf(t,d,D)는 TF-IDF 수치를 의미할 수 있다. d는 제1 문서를 식별하는 자연수, D는 서버가 클라이언트로부터 제공받은 복수의 문서의 전체 개수, f(t,d)는 제1 문서에서 특징 키워드 t의 등장 빈도, f(w,d)는 제1 문서의 최다 등장 키워드 w의 등장 빈도, n(d)는 특징 키워드 t가 포함된 문서의 개수를 의미하는 자연수일 수 있다.

S550에서, 서버(310)의 카테고리 분류기는, 추출한 제1 키워드, 제2 키워드와 데이터베이스에 저장된 제1 카테고리를 비교하여 제1 문서의 카테고리를 결정할 수 있다.

일 실시예에서, 카테고리 분류기는 제1 키워드와, 데이터베이스에 저장된 하나 이상의 카테고리 중 제1 카테고리를 비교하여 제1 유사도를 출력할 수 있다. 또한, 카테고리 분류기는 제2 키워드와, 데이터베이스에 저장된 하나 이상의 카테고리 중 제1 카테고리를 비교하여 제2 유사도를 출력할 수 있다. 카테고리 분류기는 제1 유사도와 제2 유사도를 기초로 제1 문서와 제1 카테고리의 유사도를 결정할 수 있다.

마찬가지로, 카테고리 분류기는 제1 키워드와, 데이터베이스에 저장된 하나 이상의 카테고리 중 제2 카테고리를 비교하여 제3 유사도를 출력할 수 있다. 또한, 카테고리 분류기는 제2 키워드와, 데이터베이스에 저장된 하나 이상의 카테고리 중 제2 카테고리를 비교하여 제4 유사도를 출력할 수 있다. 카테고리 분류기는 제3 유사도와 제4 유사도를 기초로 제1 문서와 제2 카테고리의 유사도를 결정할 수 있다.

같은 방식으로, 카테고리 분류기는 제1 문서와 제3 카테고리의 유사도, 제1 문서와 제4 카테고리의 유사도, ??, 제1 문서와 제n 카테고리의 유사도를 결정할 수 있다. 카테고리 분류기는 제1 문서와 제1 카테고리의 유사도, 제1 문서와 제2 카테고리의 유사도, ??, 제1 문서와 제n 카테고리의 유사도 중 가장 유사도가 높은 카테고리를 제1 문서의 카테고리로 결정할 수 있다.

일 실시예에서, 카테고리 분류기는 카테고리 분류 모델을 이용하여 키워드와 데이터베이스에 저장된 카테고리를 비교하여 유사도를 출력할 수 있다. 여기서, 카테고리 분류 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 카테고리 분류 모델은 학습 과정을 통해 미리 키워드와 카테고리를 비교하여 유사도가 정확하게 추출되도록 미리 학습될 수 있다. 이를 위하여, 학습 과정에서 키워드, 카테고리에 관한 복수의 학습 데이터는 카테고리 분류 모델의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터가 출력될 수 있다. 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 카테고리 분류 모델의 파라미터는 손실값이 작아지는 방향으로 학습될 수 있다. 카테고리 분류 모델은 전술한 수학식 1, 또는 수학식 2를 이용하여 손실값을 계산할 수 있다.

도 6은 도 5의 S530 단계를 설명하기 위한 흐름도이다.

도 5의 S530에서, 이미지 추출 모듈이 하나 이상의 특징 이미지를 군집화하는 것은, 상호 유사한 특징 이미지를 일정한 수의 군집으로 분류(grouping)하는 것을 의미한다. 즉, 이미지 추출 모듈을 상호 유사한 특징 이미지가 공통적으로 포함하는 특징을 반영하는 특징 코드를 생성할 수 있다. 이미지 추출 모듈은, 가상 필드(virtual field) 상에 추출된 하나 이상의 특징 이미지를 배치하여 키워드를 군집화할 수 있다.

일 실시예에서, 이미지 추출 모듈은, K-평균 군집화(K-Means Clustering) 방법을 이용하여 하나 이상의 특징 이미지를 가상 필드 상에서 복수의 군집으로 분류할 수 있다. 도 6을 참조하면, 이미지 추출 모듈은, 미리 단일한 중심점(C1_K)을 가지는 군집의 개수(K)를 지정할 수 있다(S610). 이미지 추출 모듈은, 가상 필드 상에서 K개의 군집의 제1 중심점(C1_1, C1_2, ??, C1_K)을 각각 임의로 지정할 수 있다(S620). 이미지 추출 모듈은, 하나 이상의 특징 이미지에 대해 가상 필드 상에서 각각의 군집의 중심점까지의 거리를 계산할 수 있다(S630). 가상 필드 상에서 하나 이상의 특징 이미지와 각각의 군집의 중심점까지의 거리를 계산하는 방식은 Euclidean 방식, Manhattan 방식, Pearson correlation 방식, Mahalanobis 방식 등일 수 있다. 이미지 추출 모듈은, 상기 계산된 거리를 기초로 각각의 특징 이미지를 군집의 중심점까지의 거리가 가장 가까운 군집으로 분류할 수 있다(S640).

이미지 추출 모듈은, 다시 가상 필드 상에서 각각의 군집에 포함된 특징 이미지의 평균값을 기초로 각각의 군집의 제2 중심점(C2_1, C2_2, ??, C2_K)을 지정할 수 있다(S650). 이미지 추출 모듈은, K개의 군집 각각에 대하여 제1 중심점과 제2 중심점을 비교하여, 제2 중심점과 제1 중심점의 차이가 제1 임계치 이하인지 여부를 판단할 수 있다(S660). 이미지 추출 모듈은, K개의 군집 각각에 대하여 제1 중심점과 제2 중심점을 비교하여, 제2 중심점과 제1 중심점의 차이가 제1 임계치 이하가 될 때까지 S630 내지 S660 과정을 반복할 수 있다. 이를 통해, 이미지 추출 모듈은 최종적으로 결정된 K개의 중심점을 기초로 하나 이상의 특징 코드를 생성할 수 있다. 이미지 추출 모듈은 생성된 특징 코드를 기초로 제1 키워드를 결정할 수 있다.

그러나 본 발명의 실시예는 이에 한정되지 않는다. 즉, 예를 들면, 이미지 추출 모듈은, 분할적 군집화(Partitional Clustering), 또는 계층적 군집화(Hierarchical Clustering) 방법을 이용하여 하나 이상의 특징 이미지를 가상 필드 상에서 복수의 군집으로 분류할 수도 있다.

도 7은 본 발명의 다른 실시예에 따른 업무용 메타버스 구현 시스템(700)을 개략적으로 나타내는 도면이다. 도 8은 도 7의 메타버스 구현 장치(740)를 설명하기 위한 블록도이다.

먼저, 도 7을 참조하면, 업무용 메타버스 구현 시스템(700)은 서버(710), 복수의 클라이언트, 메타버스 구현 장치(740), 및 네트워크(750)를 포함할 수 있다.

서버(710)는 서버 프로세서, 서버 트랜시버 및 서버 메모리를 포함할 수 있다. 서버(710)의 서버 메모리는 서버 프로그램을 저장할 수 있다. 서버(710)의 서버 프로세서는 서버 프로그램의 미들웨어의 데이터베이스 매니저를 로딩할 수 있다. 서버 프로세서는 데이터베이스 매니저를 이용하여 복수의 클라이언트에 저장된 파일의 데이터베이스를 생성할 수 있다.

복수의 클라이언트는 제1 클라이언트(720), 제2 클라이언트(730)를 포함할 수 있다. 다만, 이는 예시에 불과하며, 제1 클라이언트(720)만 포함하거나, 3개 이상의 클라이언트가 포함될 수도 있다. 제1 클라이언트(720)는 제1 프로세서(processor), 제1 트랜시버(transceiver), 제1 입력부, GPS 모듈, 카메라 모듈, 제1 출력부 및 제1 메모리(memory)를 포함할 수 있다. 제2 클라이언트(730)는 제2 프로세서, 제2 트랜시버, 제2 입력부, 제2 출력부 및 제2 메모리를 포함할 수 있다. 여기서, '제1', '제2'는 서로 다른 클라이언트를 구별하기 위한 것이며 순서를 한정하지 않는다. 이하 같다. 제1 클라이언트(720)의 제1 메모리 및 제2 클라이언트(730)의 제2 메모리는 클라이언트 프로그램을 저장할 수 있다.

서버(710), 제1 클라이언트(720), 제2 클라이언트(730), 및 네트워크(750)는 도 3의 서버(310), 제1 클라이언트(320), 제2 클라이언트(330) 및 네트워크(340)와 각각 동일하거나 유사할 수 있다. 일 실시예에서, 상기 서버 트랜시버는, 상기 제1 클라이언트로부터 제1 문서를 제공받고, 상기 서버 프로세서는, 상기 제1 문서에 포함된 텍스트 데이터를 기초로 텍스트 파일을 추출하고, 상기 제1 문서에 포함된 이미지 데이터를 기초로 이미지 파일을 추출하고, 상기 이미지 파일에서 하나 이상의 특징 이미지를 추출하고, 상기 하나 이상의 특징 이미지를 군집화(clustering)하여 특징 코드를 생성하고, 상기 특징 코드를 기초로 하나 이상의 제1 키워드를 추출하고, 상기 텍스트 파일에서 TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출하고, 데이터베이스에 저장된 제1 카테고리와 상기 하나 이상의 제1 키워드와, 상기 하나 이상의 제2 키워드를 비교하여 상기 제1 문서의 카테고리를 결정할 수 있다.

또한, 도 3을 참조하여 설명한 서버(310)의 업무용 파일 매니지먼트 동작은 서버(710)에서도 동일하게 구현될 수 있으며, 도 7은 도 3의 시스템에서 메타버스 구현 장치(740)를 더 포함하는 시스템으로 이해될 수 있다. 이하에서는 메타버스 구현 장치(740)를 중심으로 설명한다.

도 8을 추가로 참조하면, 메타버스 구현 장치(740)는 메타버스 구현부(741), 메타버스 구현 보조부(742) 및 사용자 정보 관리부(743)를 포함할 수 있다.

메타버스 구현부(741)는 네트워크(750)에 접속된 클라이언트의 접속 신호에 응답하여 클라이언트에 업무용 메타버스 환경을 구현할 수 있다. 업무용 메타버스 환경은 가상 배경, 클라이언트 버츄얼 오브젝트, 메타버스 이벤트 중 적어도 하나를 포함할 수 있다.

메타버스 구현부(741)는 메타버스에 대한 메타버스 구현 정보를 메타버스 구현 보조부(742)에 제공할 수 있다. 메타버스 구현 정보는 메타버스에 대한 클라이언트 상태 정보, 클라이언트 접속 정보, 가상 배경 정보, 클라이언트 버츄얼 오브젝트 정보, 메타버스 이벤트 발생 정보 중 적어도 하나를 포함할 수 있다.

일 실시예에서, 메타버스 이벤트 발생 정보는 클라이언트의 업무 요청 이벤트 발생 정보를 포함할 수 있다. 예를 들면, 제1 클라이언트(720)의 업무 요청 이벤트 발생 정보는 제1 문서, 제2 문서를 포함하는 복수의 문서에 대한 카테고리 정보를 요청하는 신호일 수 있다. 즉, 제1 클라이언트(720)를 통해 업무를 수행하는 사용자의 경우, 메타버스 구현부(741)에 의해 구현된 메타버스 환경 내에서 제1 클라이언트(720)에 저장된 제1 문서에 대한 카테고리 정보를 메타버스 구현부(741)에 요청할 수 있다. 메타버스 구현부(741)는 서버(710)에 제1 문서에 대한 카테고리 정보를 요청할 수 있다. 서버(710)는 메타버스 구현부(741)의 제1 문서에 대한 카테고리 정보 요청에 응답하여, 메타버스 구현부(741)에 제1 문서의 카테고리 정보를 제공할 수 있다. 메타버스 구현부(741)는 제1 문서의 카테고리 정보에 응답하여, 제1 클라이언트(720)에 제1 문서의 카테고리 정보에 기초하여 제1 문서 버츄얼 오브젝트를 출력할 수 있다.

클라이언트 상태 정보는 네트워크(750)에 접속되어 온라인 상태인 클라이언트에 대해 메타버스 내 업무 환경에 대한 클라이언트의 현재 상태에 관한 정보를 포함할 수 있다. 클라이언트 접속 정보는 네트워크(750)에 접속된 클라이언트 각각의 IP 주소를 포함할 수 있다. 가상 배경 정보는 업무 환경 메타버스의 가상 배경 이미지에 대한 정보를 포함할 수 있다. 예를 들어, 배경 이미지는 사무실 내부, 개인 업무 자리, 회의실 내부 등과 같은 이미지일 수 있다. 클라이언트 버츄얼 오브젝트 정보는 네트워크(750)에 접속되어 온라인 상태인 클라이언트에 대해 메타버스 내에서 각 클라이언트에 대응하는 버츄얼 오브젝트 이미지에 관한 정보를 포함할 수 있다. 오브젝트 이미지는 사람 형상을 한 캐릭터 이미지와, 의상, 소품 등과 같은 사물 이미지를 포함할 수 있다. 메타버스 이벤트 발생 정보는 예컨대 회의 소집, 고객 미팅 등 업무용 메타버스 환경 내에서 발생되는 다양한 이벤트에 대한 정보를 포함할 수 있다.

메타버스 구현 보조부(742)는 사용자가 메타버스 구현부(741)를 이용하여 메타버스를 구현할 때, 메타버스의 몰입감을 증가시키기 위한 보조 장치일 수 있다. 메타버스 구현 보조부(742)는 센싱 정보를 메타버스 구현부(741)에 제공할 수 있다. 센싱 정보는 메타버스 구현 보조부(742)에서 센싱한 모션 인식 정보를 포함할 수 있다. 마찬가지로, 메타버스 구현 보조부(742)는 센싱 정보를 메타버스 구현부(741)에 제공할 수 있다. 또한, 메타버스 구현 보조부(742)는 사용자로부터 측정된 생체 데이터 정보를 메타버스 구현부(741)에 제공할 수 있다. 또한, 메타버스 구현 보조부(742)는 생체 데이터 정보를 메타버스 구현부(741)에 제공할 수 있다.즉, 메타버스 구현 보조부(742)는 메타버스 구현부(741) 및 메타버스 구현부(741) 중 메타버스가 구현되고 있는 메타버스 구현 장치에 대해 센싱 정보 및 생체 데이터 정보를 제공할 수 있다.

사용자 정보 관리부(743)는 메타버스 구현부(741) 및 메타버스 구현부(741)를 이용하는 사용자에 대한 사용자 정보를 저장할 수 있다. 사용자 정보는 클라이언트 상태 정보에 대응할 수 있다. 즉, 클라이언트 상태 정보는 네트워크(750)에 접속된 각 클라이언트의 정보를 나타내고, 사용자 정보는 각각의 클라이언트 정보에 대응하여 클라이언트를 실제로 조작하는 사용자에 대한 정보 등을 포함할 수 있다.

사용자가 메타버스 구현부(741)를 이용하여 메타버스를 시작할 때, 메타버스 구현부(741)는 사용자 정보 관리부(743)에 사용자 정보 쿼리를 제공할 수 있다. 예를 들어, 사용자는 메타버스 구현부(741)에 ID 카드, 생체 인증, 바코드 인증, QR 코드 인증 등을 통해 사용자를 인증하고, 메타버스 구현부(741)는 인증된 사용자에 대한 정보를 사용자 정보 관리부(743)에 요청할 수 있다. 즉,사용자 정보 쿼리는 메타버스 구현부(741)를 통해 인증된 사용자에 대한 식별 정보를 포함할 수 있다.

사용자 정보 관리부(743)는 사용자 정보 쿼리에 대응하여, 사용자 정보 쿼리에 대한 응답을 메타버스 구현부(741)에 제공할 수 있다. 즉, 사용자 정보 쿼리에 대한 응답은 메타버스 구현부(741)를 통해 인증된 사용자에 대한 사용자 정보를 포함할 수 있다. 사용자 정보는 사용자의 나이, 직급, 현재 진행되는 프로젝트 별 임무 등에 관한 사용자 개인 정보를 포함할 수 있다. 메타버스 구현부(741)는 사용자 정보 관리부(743)에서 수신하는 사용자 정보 쿼리에 대한 응답을 이용하여, 이전에 저장되었던 클라이언트 버츄얼 오브젝트 정보 등을 로딩하여 메타버스를 이용할 수 있다.

메타버스 구현부(741)는 메타버스 이용 중 특정 이벤트가 발생하였을 때, 사용자 정보 관리부(743)에 사용자 정보에 대한 업데이트 요청을 제공할 수 있다. 예를 들어, 메타버스 구현부(741)는 사용자의 캐릭터가 메타버스 이용 중 세이브 포인트에 진입하였을 때, 사용자 정보를 저장하도록 사용자 정보 관리부(743)에 사용자 정보에 대한 업데이트 요청을 제공할 수 있다. 다른 예를 들어, 메타버스 구현부(741)는 사용자가 저장 기능을 요청하였을 때, 사용자 정보 관리부(743)에 사용자 정보에 대한 업데이트 요청을 제공할 수 있다. 또 다른 예를 들어, 메타버스 구현부(741)는 사용자가 메타버스를 종료할 때, 사용자 정보 관리부(743)에 사용자 정보에 대한 업데이트 요청을 제공할 수 있다. 다만, 이러한 예시는 설명의 편의를 위한 것이며, 실시예들이 이에 한정되는 것은 아니다. 사용자 정보 관리부(743)는 사용자 정보에 대한 업데이트 요청을 수신하면, 기 저장된 사용자 정보를 갱신할 수 있다.

이와 유사하게, 사용자가 메타버스 구현부(741)를 이용하여 메타버스를 시작할 때, 메타버스 구현부(741)는 사용자 정보 관리부(743)에 사용자 정보 쿼리를 제공할 수 있다. 사용자 정보 관리부(743)는 수신한 사용자 정보 쿼리에 대응하여, 사용자 정보 쿼리에 대한 응답을 메타버스 구현부(741)에 제공할 수 있다. 메타버스 구현부(741)는 메타버스 구현 중 특정 이벤트가 발생하였을 때, 사용자 정보 관리부(743)에 사용자 정보에 대한 업데이트 요청을 제공할 수 있다.

비록 도 8에서는 사용자 정보 관리부(743)가 메타버스 구현 장치(740)에 포함되는 것으로 도시되었으나, 본 발명의 실시예는 이에 제한되지 않는다. 예를 들면, 사용자 정보 관리부(743)는 서버(710)에 포함되어 동일한 기능을 수행할 수도 있다.

전술한 바와 같이, 메타버스 구현 시스템(700)을 이용하여 기업 등에 근무하는 직원이 반드시 사무실에 출근하지 않더라도 원격으로 사무실 환경과 유사하게 구현되는 메타버스 환경 속에서 몰입감 있게 근무를 할 수 있다.

도 9는 본 발명의 다른 실시예에 따른 업무용 챗봇 시스템을 개략적으로 나타내는 도면이다.

도 9를 참조하면, 업무용 챗봇 시스템(900)은 서버(910), 복수의 클라이언트, 및 네트워크(950)를 포함할 수 있다.

복수의 클라이언트는 제1 클라이언트(920) 및 제2 클라이언트(930)를 포함할 수 있다. 다만, 이는 예시에 불과하며, 제1 클라이언트(920)만 포함하거나, 3개 이상의 클라이언트가 포함될 수도 있다. 제1 클라이언트(920)는 제1 프로세서(processor), 제1 트랜시버(transceiver), 제1 입력부, GPS 모듈, 카메라 모듈, 제1 출력부 및 제1 메모리(memory)를 포함할 수 있다. 제2 클라이언트(930)는 제2 프로세서, 제2 트랜시버, 제2 입력부, 제2 출력부 및 제2 메모리를 포함할 수 있다. 여기서, '제1', '제2'는 서로 다른 클라이언트를 구별하기 위한 것이며 순서를 한정하지 않는다. 이하 같다. 제1 클라이언트(920)의 제1 메모리 및 제2 클라이언트(930)의 제2 메모리는 클라이언트 프로그램을 저장할 수 있다.

서버(910)는 서버 프로세서, 서버 트랜시버 및 서버 메모리를 포함할 수 있다. 서버(910)의 서버 메모리는 서버 프로그램을 저장할 수 있다. 서버(910)의 서버 프로세서는 서버 프로그램의 미들웨어의 데이터베이스 매니저를 로딩할 수 있다. 서버 프로세서는 데이터베이스 매니저를 이용하여 복수의 클라이언트에 저장된 파일의 데이터베이스를 생성할 수 있다.

서버(910), 제1 클라이언트(920), 제2 클라이언트(930), 및 네트워크(950)는 도 3의 서버(310), 제1 클라이언트(320), 제2 클라이언트(330) 및 네트워크(340)와 각각 동일하거나 유사할 수 있다.

또한, 도 3을 참조하여 설명한 서버(310)의 업무용 파일 매니지먼트 동작은 서버(910)에서도 동일하게 구현될 수 있으며, 도 9는 도 3의 시스템에서 업무용 챗봇(940)을 더 포함하는 시스템으로 이해될 수 있다. 이하에서는 업무용 챗봇(940)을 중심으로 설명한다.

도 10은 본 발명의 일 실시예에 따른 업무용 챗봇의 구성을 설명하기 위한 블록도이다. 도 11은 도 10의 업무용 챗봇의 동작을 설명하기 위한 흐름도이다.

먼저, 도 10을 참조하면, 업무용 챗봇은 사전처리부, 데이터베이스, 지능형 대화 솔루션 생성부, 지능형 대화 학습부를 포함할 수 있다.

도 11을 함께 참조하면, 사전처리부는 클라이언트로부터 제1 문서, 제2 문서를 포함하는 복수의 문서를 제공받고, 문서를 사전처리하여 가공 데이터를 생성할 수 있다. 가공 데이터는 제1 키워드와 제2 키워드를 포함할 수 있다. 사전처리부는, 문서에서 이미지 파일을 분류할 수 있다. 사전처리부는 이미지 추출 모델을 이용하여 상기 이미지 파일에서 특징 이미지를 추출할 수 있다. 사전처리부는 특징 이미지를 기초로 상기 문서의 제1 키워드를 추출할 수 있다. 사전처리부는 또한 문서에서 텍스트 파일을 분류할 수 있다. 사전처리부는 TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출할 수 있다. 사전처리부의 제1 키워드 및 제2 키워드 추출 동작은 각각 도 4 내지 도 6을 참조하여 설명한 이미지 추출 모듈 및 텍스트 추출 모듈의 동작과 동일하거나 유사할 수 있다.

지능형 대화 학습부는, 가공 데이터를 제공받고, 가공 데이터를 기초로 학습된 학습 텍스트를 생성할 수 있다. 학습 텍스트는 클라이언트가 담당하는 업무의 특징을 반영한 설명 내용을 포함할 수 있다. 즉, 지능형 대화 학습부는 클라이언트로부터 제공된 문서 정보가 포함된 가공 데이터를 기초로 해당 클라이언트가 담당하고 있는 업무의 특징을 반영한 설명을 생성할 수 있다.

또한, 도 11을 참조하면, 지능형 대화 학습부는 업무 지수를 출력할 수 있다. 일 실시예에서, 지능형 대화 학습부는, 학습 텍스트를 기초로 업무 지수를 출력할 수 있다. 지능형 대화 학습부는 업무 지수가 제1 임계치를 초과하는 경우 지능형 대화 솔루션 생성부가 안내 텍스트를 생성하도록 제어하는 제어 신호를 생성할 수 있다. 지능형 대화 솔루션 생성부는 지능형 대화 학습부로부터 안내 텍스트 생성 제어 신호를 수신하는 경우, 안내 텍스트를 생성할 수 있다. 지능형 대화 솔루션 생성부는 클라이언트에 안내 텍스트를 전달할 수 있다.

업무 지수는 대응 지수에 비례할 수 있다. 대응 지수는, 지능형 대화 솔루션 생성부가 클라이언트의 입력 텍스트에 대응하여 출력 텍스트를 전달한 횟수를 의미할 수 있다. 또한, 업무 지수는 학습 텍스트의 가공률을 기초로 계산될 수 있다.

예를 들어, 지능형 대화 학습부는 [수학식 4]를 이용하여 업무 지수를 출력할 수 있다. [수학식 4]에서, T는 업무 지수, v_react는 지능형 대화 학습부의 대응 지수, S는 학습 텍스트의 가공률, p는 학습 텍스트를 식별하는 자연수를 의미할 수 있다.

데이터베이스는 지능형 대화 학습부로부터 학습 텍스트를 제공받고, 학습 텍스트를 저장할 수 있다.

지능형 대화 솔루션 생성부는, 데이터베이스에 저장된 학습 텍스트를 기초로 출력 텍스트를 생성할 수 있다. 지능형 대화 솔루션 생성부는 출력 텍스트를 클라이언트에 송신할 수 있다. 지능형 대화 솔루션 생성부는 클라이언트의 입력 텍스트에 응답하여 상기 출력 텍스트를 상기 클라이언트에 송신할 수 있다. 클라이언트의 입력 텍스트는 해당 클라이언트를 통해 업무를 수행하는 사용자가 입력한 데이터를 포함할 수 있다. 예를 들면, 입력 텍스트는 클라이언트를 통해 업무를 수행하는 사용자가 질문, 설명 등의 내용을 포함할 수 있다.

지능형 대화 학습부 및 지능형 대화 솔루션 생성부는 인공지능 기계학습 모델을 포함할 수 있다. 지능형 대화 학습부 및 지능형 대화 솔루션 생성부가 하드웨어로 구현되는 경우, 지능형 대화 학습부 및 지능형 대화 솔루션 생성부는 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 있다.

기계 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.

전술한 바와 같이, 기업 등에서 기존에 업무를 수행하던 인원의 공백이 발생하여 새로운 인원으로 대체되는 경우, 업무용 챗봇 시스템을 이용하여 업무 인수인계에 소요되는 시간과 노동을 획기적으로 감소시킬 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 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 애플리케이션을 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, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 (2)

1. 서버 트랜시버에 의해, 제1 문서, 제2 문서를 포함하는 복수의 문서를 저장하는 클라이언트로부터 상기 제1 문서를 제공받고,
   데이터 분류기에 의해, 상기 제1 문서에 포함된 텍스트 데이터를 기초로 텍스트 파일을 추출하고, 상기 제1 문서에 포함된 이미지 데이터를 기초로 이미지 파일을 추출하고, 이미지 추출 모듈은 상기 데이터 분류기에 전기적으로 연결되어 상기 데이터 분류기로부터 상기 이미지 파일을 제공받고,
   상기 이미지 추출 모듈에 의해, 상기 이미지 파일에서 하나 이상의 특징 이미지를 추출하고, 상기 하나 이상의 특징 이미지를 군집화(clustering)하여 특징 코드를 생성하고, 상기 특징 코드를 기초로 하나 이상의 제1 키워드를 추출하고,
   텍스트 추출 모듈에 의해, 상기 텍스트 파일에서 TF-IDF방식을 이용하여 하나 이상의 제2 키워드를 추출하고,
   카테고리 분류기에 의해, 데이터베이스에 저장된 제1 카테고리와 상기 하나 이상의 제1 키워드와, 상기 하나 이상의 제2 키워드를 비교하여 상기 제1 문서의 카테고리를 결정하는 것을 포함하고,
   상기 서버 트랜시버에 의해, 상기 제2 문서를 포함한 복수의 문서를 제공받는 것을 더 포함하고,
   [수학식]
   
   상기 텍스트 추출 모듈은, 상기 수학식을 이용하여 상기 제2 키워드를 추출하되,
   상기 수학식에서, tfidf(t,d,D)는 TF-IDF 수치를 의미하고, d는 상기 제1 문서를 식별하는 자연수, D는 상기 서버가 상기 클라이언트로부터 제공받은 상기 복수의 문서의 전체 개수, f(t,d)는 상기 제1 문서에서 특징 키워드 t의 등장 빈도, f(w,d)는 상기 제1 문서의 최다 등장 키워드 w의 등장 빈도, n(d)는 특징 키워드 t가 포함된 문서의 개수를 의미하는 자연수인,
   뉴럴 네트워크 기반의 파일 매니지먼트 방법.
2. 제1항에 있어서,
   상기 이미지 추출 모듈은 이미지 추출 모델을 이용하여 상기 특징 이미지를 추출하고,
   상기 이미지 추출 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
   상기 특징 이미지에 관한 복수의 학습 데이터는 상기 이미지 추출 모델의 상기 입력 레이어에 입력되어, 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고,
   상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 상기 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고,
   상기 이미지 추출 모델의 파라미터는 상기 손실값이 작아지는 방향으로 학습되고,
   [수학식]
   
   상기 손실 함수는 상기 수학식을 따르고,
   상기 수학식에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미하는,
   뉴럴 네트워크 기반의 파일 매니지먼트 방법.