KR20240012245A - 자연어처리 기반의 인공지능 모델을 이용한 faq를 자동생성하기 위한 방법 및 이를 위한 장치 - Google Patents

자연어처리 기반의 인공지능 모델을 이용한 faq를 자동생성하기 위한 방법 및 이를 위한 장치 Download PDF

Info

Publication number
KR20240012245A
KR20240012245A KR1020220105075A KR20220105075A KR20240012245A KR 20240012245 A KR20240012245 A KR 20240012245A KR 1020220105075 A KR1020220105075 A KR 1020220105075A KR 20220105075 A KR20220105075 A KR 20220105075A KR 20240012245 A KR20240012245 A KR 20240012245A
Authority
KR
South Korea
Prior art keywords
data
faq
answer
question
text
Prior art date
Application number
KR1020220105075A
Other languages
English (en)
Inventor
서규현
Original Assignee
(주) 유비커스
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 (주) 유비커스 filed Critical (주) 유비커스
Priority to KR1020220105075A priority Critical patent/KR20240012245A/ko
Publication of KR20240012245A publication Critical patent/KR20240012245A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • G06F16/345—Summarisation for human users
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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

Abstract

본 명세서는 단말이 자연어처리 기반의 인공지능 모델을 이용하여 FAQ(Frequently asked questions)를 생성하는 방법에 있어서, Q&A(Question and Answer) 데이터를 자동생성하기 위한 문서 데이터를 서버에 업로드하고, 상기 문서 데이터의 파일 확장자를 분류하며, 상기 문서 데이터는 상기 분류된 파일 확장자에 근거하여, 텍스트(text)가 파싱(parsing)되며, 상기 텍스트는 문장 단위로 처리되고, 상기 문서 데이터에 근거하여, 상기 자연어처리 기반의 인공지능 모델을 통해 자동생성된 상기 Q&A 데이터를 사용자에게 표시하며, 상기 Q&A 데이터에 근거하여, 상기 FAQ를 생성할 수 있다.

Description

자연어처리 기반의 인공지능 모델을 이용한 FAQ를 자동생성하기 위한 방법 및 이를 위한 장치 { METHOD AND APPARATUS FOR AUTOMATICALLY GENERATING FAQ USING AN ARTIFICIAL INTELLIGENCE MODEL BASED ON NATURAL LANGUAGE PROCESSING }
본 명세서는 딥러닝을 이용하여 자연어처리 기반으로 FAQ(Frequently asked questions)와 챗봇(Chatbot)을 위한 학습데이터를 자동으로 생성하기 위한 인공지능 모델의 파이프 라인 및 서비스를 구현하는 방법 및 이를 위한 장치에 관한 것이다.
서비스 제공자가 머신러닝 및 딥러닝 기반의 FAQ 작성 및 갱신, 또는 챗봇 및 챗봇빌더 (Chatbot builder) 서비스를 제공하기 위해서는, 사용자가 입력한 자연어 텍스트 데이터를 이해하기 위해 수많은 양의 라벨링(Labeling)된 양질의 학습데이터를 필요로 한다. 예를 들어, 로컬 또는 클라우드 데이터베이스에 축적된 데이터를 통해, 사람이 직접 수작업으로 양질의 학습데이터를 구축하기 위한 과정이 요구된다.
이러한 학습데이터를 라벨링하는 작업은 서비스 제공자가 주석팀(annotation team)을 보유하고 있지 않는 이상, 쉬운 작업이 아니다. 특히, 데이터베이스의 로우(raw) 데이터, 또는 자사의 업무 규정집 등을 기반으로 챗봇 학습데이터를 구축하는 과정은, annotator가 챗봇 사용자의 예상 질문과 그에 상응하는 답을 수작업으로 입력해야 하기 때문에 시간, 비용, 인력 투입 측면에서 효율적이지 못하다.
본 명세서의 목적은 서비스 제공자가 서버에 업로드한 업무 규정집, FAQ 등 기존에 작성된 문서로부터, 자동으로 핵심답변을 추출하고 그에 상응하는 질문을 자동 생성하기 위한 방법 및 이를 위한 장치를 제공하는 것이다.
본 명세서가 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 이하의 명세서의 상세한 설명으로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서의 일 양상은, 단말이 자연어처리 기반의 인공지능 모델을 이용하여 FAQ(Frequently asked questions)를 생성하는 방법에 있어서, Q&A(Question and Answer) 데이터를 자동생성하기 위한 문서 데이터를 서버에 업로드하고, 상기 문서 데이터의 파일 확장자를 분류하며, 상기 문서 데이터는 상기 분류된 파일 확장자에 근거하여, 텍스트(text)가 파싱(parsing)되며, 상기 텍스트는 문장 단위로 처리되고, 상기 문서 데이터에 근거하여, 상기 자연어처리 기반의 인공지능 모델을 통해 자동생성된 상기 Q&A 데이터를 사용자에게 표시하며, 상기 Q&A 데이터에 근거하여, 상기 FAQ를 생성할 수 있다.
또한, 상기 문서 데이터는 상기 Q&A 데이터를 자동생성하기 위한 콘텐츠(Contents)를 포함하고, 상기 Q&A 데이터는 질문과 답을 쌍으로 포함할 수 있다.
또한, 상기 Q&A 데이터를 사용자에게 표시하는 단계는 상기 질문을 검색하기 위한 질문 검색 패널을 표시하고, 상기 검색된 질문에 대응되는 답을 표시하기 위한 답 표시 패널을 표시하며, 상기 답을 수정하기 위한 편집 패널을 표시할 수 있다.
또한, 상기 FAQ를 생성하는 단계는 상기 질문 검색 패널을 통해, 사용자로부터 상기 질문을 검색하기 위한 텍스트를 입력받고, 상기 답 표시 패널을 통해, 상기 검색된 질문에 대응되는 답을 표시하며, 상기 편집 패널을 통해, 상기 사용자로부터 상기 답의 수정을 위한 텍스트를 입력받고, 상기 답의 수정을 위한 텍스트에 근거하여, 상기 Q&A 데이터를 수정할 수 있다.
또한, 상기 Q&A 데이터는 토큰화된 상기 문서 데이터로부터, 추출된 요약 문장에 근거하여, 상기 질문이 생성되고, 상기 요약 문장을 상기 답으로 할 수 있다.
또한, 상기 요약 문장은 상기 문서 데이터로부터 핵심이 되는 문장 또는 단어를 추출하여, 조합하고, 요약하는 추출 요약(extractive text summarization) 기법에 근거할 수 있다.
본 명세서의 또 다른 일 양상은 자연어처리 기반의 인공지능 모델을 이용하여 FAQ(Frequently asked questions)를 생성하는 단말에 있어서, 메모리; 서버와 통신하기 위한 통신부; 디스플레이부; 및 상기 메모리, 상기 통신부 및 상기 디스플레이부를 기능적으로 제어하기 위한 프로세서; 를 포함하고, 상기 프로세서는 상기 통신부를 통해, Q&A(Question and Answer) 데이터를 자동생성하기 위한 문서 데이터를 서버에 업로드하고, 상기 문서 데이터의 파일 확장자를 분류하며, 상기 문서 데이터는 상기 분류된 파일 확장자에 근거하여, 텍스트(text)가 파싱(parsing)되며, 상기 텍스트는 문장 단위로 처리되고, 상기 디스플레이부를 통해, 상기 문서 데이터에 근거하여, 상기 자연어처리 기반의 인공지능 모델을 통해 자동생성된 상기 Q&A 데이터를 사용자에게 표시하며, 상기 Q&A 데이터에 근거하여, 상기 FAQ를 생성할 수 있다.
본 명세서의 실시예에 따르면, 서비스 제공자가 서버에 업로드한 업무 규정집, FAQ 등 기존에 작성된 문서로부터, 자동으로 핵심답변을 추출하고 그에 상응하는 질문을 자동 생성함으로써, 학습데이터를 구축하는 시간, 비용, 인력 투입 측면에서 생산성과 업무 효율성을 증대시킬 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.
도 2는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 3은 본 명세서에 적용될 수 있는 text-to-text 프레임워크의 예시이다.
도 4는 본 명세서에 적용될 수 있는 Q&A 자동생성 장치의 일 실시예이다.
도 5 및 도 6은 본 명세서에 적용될 수 있는 문서 데이터의 수집 및 전처리의 예시이다.
도 7은 본 명세서가 적용될 수 있는 Q&A 데이터 자동생성의 예시이다.
도 8은 본 명세서가 적용될 수 있는 Q&A 데이터의 수정 및/또는 추가의 예시이다.
도 9는 본명세서가 적용될 수 있는 인공지능 모델 재학습의 예시이다.
도 10은 본 명세서가 적용될 수 있는 FAQ 데이터 및/또는 챗봇의 학습데이터의 예시이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.
상기 전자 기기(100)는 무선 통신부(110), 입력부(120), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다. 도 1에 도시된 구성요소들은 전자 기기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 전자 기기는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
보다 구체적으로, 상기 구성요소들 중 무선 통신부(110)는, 전자 기기(100)와 무선 통신 시스템 사이, 전자 기기(100)와 다른 전자 기기(100) 사이, 또는 전자 기기(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 무선 통신부(110)는, 전자 기기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
이러한 무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.
입력부(120)는, 영상 신호 입력을 위한 카메라(121) 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone, 122), 또는 오디오 입력부, 사용자로부터 정보를 입력받기 위한 사용자 입력부(123, 예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
센싱부(140)는 전자 기기 내 정보, 전자 기기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다. 예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 전자 기기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다. 디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 전자 기기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 전자 기기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
인터페이스부(160)는 전자 기기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 전자 기기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
또한, 메모리(170)는 전자 기기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 전자 기기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 전자 기기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 전자 기기(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 전자 기기(100)상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(170)에 저장되고, 전자 기기(100) 상에 설치되어, 제어부(180)에 의하여 상기 전자 기기의 동작(또는 기능)을 수행하도록 구동될 수 있다.
제어부(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 전자 기기(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 제어부(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(180)는 상기 응용 프로그램의 구동을 위하여, 전자 기기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
전원공급부(190)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가받아 전자 기기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체가능한 형태의 배터리가 될 수 있다.
상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 전자 기기의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 전자 기기의 동작, 제어, 또는 제어방법은 상기 메모리(170)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 전자 기기 상에서 구현될 수 있다.
본 명세서에서 Q&A 자동생성 장치 및 단말은 전자기기(100)를 포함할 수 있다.
도 2는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 1에 도시된 전자기기(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 자연어처리를 위한 인공지능 모델을 메모리(25) 상에 생성할 수 있고, Q&A 자동생성 장치에서 수집될 수 있는 데이터를 이용하여, 이러한 인공지능 모델을 학습시킬 수 있다.
이러한 인공지능 모델은 “Text-to-Text Transfer Transformer" 형태의 T5 모델을 포함할 수 있다.
도 3은 본 명세서에 적용될 수 있는 text-to-text 프레임워크의 예시이다.
도 3을 참조하면, 인공지능 모델(예를 들어, T5 모델)을 포함하는 text-to-text 프레임워크의 다이어그램을 예시한다. Q&A 자동생성 장치는 인공지능 모델에 번역, 질문, 답변 및 분류를 포함하여, 고려될 수 있는 작업들을 인공지능 모델에 텍스트로 입력하고, 인공지능 모델은 입력된 텍스트들에 근거하여 타켓 텍스트를 생성하도록 훈련될 수 있다.
인공지능 모델은 T5 모델뿐 만이 아니라, 텍스트를 생성할 수 있는 Transformer의 디코더를 활용하거나 Autoregressive 한 특성을 갖는 다른 모델(예를 들어, BART, GPT-2 등)이 포함될 수 있다.
다시 도 2를 참조하면, 전술한 바와 같은 기능을 수행하는 AI 프로세서(21)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU, graphics processing unit)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델)을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부를 포함할 수 있다. 예를 들어, 데이터 학습부는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 다른 단말, 서버를 포함할 수 있다.
한편, 도 2에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈 또는 인공지능(AI) 모델로 호칭될 수도 있다.
도 4는 본 명세서에 적용될 수 있는 Q&A 자동생성 장치의 일 실시예이다.
도 4를 참조하면, Q&A 자동생성 장치는 Q&A 데이터를 자동생성하고, FAQ 데이터 및 챗봇을 위한 학습데이터를 생성할 수 있다.
S4010 : Q&A 자동생성 장치는 Q&A 자동생성을 위한 문서 데이터를 수집하고 전처리한다.
도 5 및 도 6은 본 명세서에 적용될 수 있는 문서 데이터의 수집 및 전처리의 예시이다.
도 5를 참조하면, Q&A 자동생성 장치는 Q&A 자동생성을 위한 문서 데이터를 서버에 업로드한다(S5010). 예를 들어, Q&A 자동생성을 위한 문서 데이터는 서비스 제공자와 관련된 업무규정 텍스트 파일, 상담 지식문서 텍스트 파일, FAQ 텍스트 파일을 포함할 수 있다. Q&A 자동생성 장치는 Q&A 데이터 자동생성을 위한 문서 데이터를 문서 데이터를 관리하기 위한 서버에 업로드 할 수 있다.
도 6을 참조하면, Q&A 자동생성 장치는 단말을 통해, 사용자에게 문서 데이터 업로드를 위한 안내 화면을 표시할 수 있다. 사용자는 안내 화면을 통해, 업로드 대상이 되는 문서 데이터 리스트를 확인하고, 문서 데이터를 선택할 수 있으며, 문서 업로드 버튼(610)을 입력함으로써, 문서 데이터를 서버에 업로드할 수 있다.
서버는 로컬 및/또는 클라우드 데이터베이스를 이용하여, 업로드된 문서 데이터를 관리할 수 있다. 예를 들어, 문서 데이터에는 고유 ID가 생성될 수 있다.
다시 도 5를 참조하면, Q&A 자동생성 장치는 문서 데이터의 파일 확장자를 분류한다(S5020). 예를 들어, Q&A 자동생성 장치는 문서 데이터의 파일 확장자(예를 들어, docx, hwp, pdf, txt)에 따라, Q&A 데이터의 자동생성을 위한 문서 데이터를 선택할 수 있다.
도 6을 참조하면, Q&A 자동생성 장치는 단말을 통해, 사용자로부터 Q&A 자동생성을 위한 토글 버튼(620)을 입력받아, 문서 데이터의 파일 확장자를 분류할 수 있다.
다시 도 5를 참조하면, Q&A 자동생성 장치는 파일 확장자에 근거하여, 문서 데이터의 텍스트를 파싱(parsing)한다(S5030). 예를 들어, Q&A 자동생성 장치는 인공지능 모델을 이용하여, 문서 데이터의 텍스트를 파싱하여, Q&A 자동생성에 필요한 콘텐츠를 나타내는 텍스트를 추출할 수 있다. 또는, Q&A 자동생성 장치는 기설정된 룰(Rule)에 따라, 문서 데이터의 텍스트를 파싱하여, Q&A 데이터 자동생성에 필요한 콘텐츠를 나타내는 텍스트를 추출할 수 있다.
Q&A 자동생성 장치는 텍스트를 문장 단위로 전처리한다(S5040). 예를 들어, Q&A 자동생성 장치는 정규표현식을 통해, 텍스트를 문장 단위로 나눈 후, key-value 쌍의 형태를 갖는 JSON 형식으로 변환할 수 있다.
Q&A 자동생성 장치는 전처리된 문서 데이터를 저장한다(S5050). 예를 들어, Q&A 자동생성 장치는 메모리에 포함된 데이터베이스에 JSON 데이터를 저장할 수 있다. 보다 자세하게, Q&A 자동생성 장치는 해당 문서의 고유 ID를 key로 하여 저장할 수 있다.
다음의 표 1은 JSON 데이터의 예시이다.
{
document_id: unique_hash_value,
document_name: 업로드 문서명,
content: 문서로부터 추출한 텍스트
}
S4020 : 다시 도 4를 참조하면, Q&A 자동생성 장치는 전처리된 문서 데이터에 근거하여, 인공지능 모델을 이용하여 Q&A 데이터를 자동생성한다.도 7은 본 명세서가 적용될 수 있는 Q&A 데이터 자동생성의 예시이다.
도 7을 참조하면, Q&A 자동생성 장치는 인공지능 모델(700)을 이용하여, 전처리된 문서 데이터를 입력값으로 하고, Q&A 데이터를 자동생성할 수 있다.
1. Q&A 자동생성 장치는 인공지능 모델(700)에 전처리된 문서 데이터를 입력한다. 예를 들어, 전처리된 문서 데이터의 콘텐츠는 BERT(Bidirectional Encoder Representations from Transformers) 토크나이저(Tokenizer)를 통해 토큰화 될 수 있다. 자연어처리 분야에서 토큰화란 주어진 텍스트를 문자단위 혹은 의미있는 문자열로 쪼개는 것을 의미할 수 있다.
2. Q&A 자동생성 장치는 토큰화된 벡터를 n개의 윈도우를 이용하여, 순서대로 n개의 그룹으로 나눌 수 있다. 여기서 사용될 수 있는 윈도잉(windowing) 테크닉이란, 인풋 벡터(vector)를 윈도우의 크기대로 n개로 분할하는 것을 의미할 수 있다. 예를 들어, Q&A 자동생성 장치는 전처리된 문서 데이터로부터, m개의 요약문장을 추출할 수 있다. 윈도잉 테크닉을 이용하면, Q&A 자동생성 장치는 길이가 긴 문서에서 m개의 문장을 추출하는 대신에 각각의 윈도우에서 m개의 문장을 추출할 수 있다. 이를 통해, Q&A 자동생성 장치는 총 m*n개의 요약문장을 추출할 수 있으므로, 전처리된 문서 데이터로부터 더 많은 정보를 추출할 수 있다.
3. Q&A 자동생성 장치는 윈도우로부터 각각 m개의 요약 문장을 추출할 수 있다. 예를 들어, 요약 문장의 추출은 문서를 요약하는 방식에 따라 추출 요약(extractive text summarization)과 생성 요약(abstractive text summarization)으로 나뉠 수 있다. 보다 자세하게, 추출 요약은 문서로부터 핵심 문장 또는 단어를 추출한 후, 조합하여 요약하는 방식이고, 생성 요약은 핵심문맥을 반영하여 새로운 문장을 생성하여 원문을 요약하는 방식이다. 본 명세서에서는 요약문장이 후에 생성될 질문에 대한 답이 될 것이므로 추출 요약이 사용될 수 있다. 예를 들어, 추출 요약에 사용되는 인공지능 모델(700)은 Transformer 기반의 BERT를 추출요약 task에 맞게 변형시킨 BertSumExt가 포함될 수 있다. 하지만 위의 BertSumExt 이외에도 추출요약에 사용될 수 있는 다른 인공지능 모델이 사용될 수 있음은 물론이다.
4. Q&A 자동생성 장치는 질문 생성 네트워크를 이용하여, 요약 문장으로부터 질문을 생성할 수 있다. 예를 들어, T5 모델은 트랜스포머의 인코더와 디코더를 모두 사용하기 때문에, 트랜스포머의 인코더만을 사용하는 BERT보다 텍스트 생성(Text Generation) 문제를 해결하는데 더 적합하다. 또한 T5 모델은 모든 자연어처리(NLP)태스크를 통합하여 Text-to-Text 형식으로 해결하고자 고안되었기 때문에, 기계번역, 질의응답, 생성요약 등의 downstream task에도 미세조정(fine-tuning)을 거쳐 동일하게 사용될 수 있다. 따라서, 본 명세서에서의 인공지능 모델에도 미세조정이 적용될 수 있다. 또한, Bert와 T5 모두 대규모의 말뭉치로 사전학습(pre-trained)을 진행하였기 때문에 적은 양의 데이터로 파인튜닝(fine-tuning)을 진행하더라도 훌륭한 성능을 발휘할 수 있다. 예를 들어, Q&A 자동생성 장치는 T5 모델의 토크나이저를 사용하여 요약 문장들을 토큰화한 뒤, 질문 생성 네트워크에 입력하고, string 형태의 출력값으로 반환할 수 있다. 이때 반환된 return value는 해당 요약 문장을 정답으로 한 질문형식의 문장일 수 있다. 본 명세서에서는 이를 위해, T5를 사용하였지만, 문장을 생성할 수 있는 Transformer의 디코더를 활용하거나 Autoregressive 한 특성을 갖는 다른 모델이 사용될 수 있다(예를 들어, BART, GPT-2 등).
5. Q&A 자동생성 장치는 생성된 질문-답 pair 데이터를 데이터베이스에 저장할 수 있다. 예를 들어, 이러한 질문-답 pair 데이터는 이를 식별하기 위한 고유한 아이디가 부여될 수 있다.
6. Q&A 자동생성 장치는 질문-답 pair 데이터를 Q&A 데이터로 출력할 수 있다.
S4030 : 다시 도 4를 참조하면, Q&A 자동생성 장치는 자동생성된 Q&A 데이터를 수정 및/또는 추가한다. 예를 들어, Q&A 자동생성 장치는 단말과 연결되어, Q&A 데이터를 수정 및/또는 추가하기 위한 어플리케이션을 통해, 사용자에게 Q&A 데이터를 표시할 수 있고, 사용자로부터 Q&A 데이터를 수정 및/또는 추가하기 위한 텍스트를 입력받을 수 있다.
도 8은 본 명세서가 적용될 수 있는 Q&A 데이터의 수정 및/또는 추가의 예시이다.
도 8을 참조하면, Q&A 자동생성 장치는 단말을 통해, Q&A 데이터를 수정 및/또는 추가하기 위한 화면을 표시할 수 있다. Q&A 데이터를 수정 및/또는 추가하기 위한 화면은 질문 검색 패널(810), 답 표시 패널(820), 및 편집 패널(830)을 포함할 수 있다.
질문 검색 패널(810)은 Q&A 데이터의 질문 정보를 표시한다. 예를 들어, 사용자는 데이터베이스 내의 Q&A 데이터로부터 질문을 검색할 수 있다. 사용자가 질문 검색 패널(810)에 표시된 질문 리스트에서 특정 질문을 선택하면, 해당 질문은 하이라이트로 표시될 수 있다. 만일, 사용자가 원하는 질문이 검색되지 않는다면, 사용자는 질문을 추가할 수 있고, 편집 패널(830)을 통해, 대응되는 답변을 추가할 수 있다.
답 표시 패널(820)은 선택된 특정 질문에 대응되는 Q&A 데이터의 답 정보를 표시한다. Q&A 자동생성 장치는 단말을 통해, 선택된 특정 질문에 대응되는 답 문장을 답 표시 패널(820)에 표시할 수 있다. 대응되는 질문-답을 나타내는 문장은 하이라이트로 표시될 수 있다.
편집 패널(830)은 답 표시 패널(820)에 표시된 답 문장이 사용자로부터 선택되는 경우, 답 문장에 대응하는 질문을 표시한다. 또한, 편집 패널(830)은 질문과 관련된 ID 및 답을 표시할 수 있고. 사용자는 답 문장을 확인하고, 이를 수정할 수 있다.
S4040 : 다시 도 4를 참조하면, Q&A 자동생성 장치는 수정 및/또는 추가된 Q&A 데이터를 이용하여, 인공지능 모델을 재학습시킨다.
도 9는 본명세서가 적용될 수 있는 인공지능 모델 재학습의 예시이다.
도 9를 참조하면, Q&A 자동생성 장치는 단말을 통해, 인공지능 모델의 재학습을 위한 화면을 사용자에게 표시할 수 있다. 예를 들어, 사용자는 인공지능 모델의 재학습을 위해 사용될 수 있는 Q&A 데이터를 선택하고, 모델 학습 버튼을 입력하여, 인공지능 모델의 재학습을 명령할 수 있다.
S4050 : 다시, 도 4를 참조하면, Q&A 자동생성 장치는 FAQ 데이터 및/또는 사용자의 질문에 답하기 위한 챗봇의 학습데이터를 생성한다. Q&A 자동생성 장치는 수정 및/또는 추가가 완료된 Q&A 데이터를 이용하여, FAQ 데이터 및/또는 챗봇의 학습데이터를 생성할 수 있다.
도 10은 본 명세서가 적용될 수 있는 FAQ 데이터 및/또는 챗봇의 학습데이터의 예시이다.
도 10을 참조하면, Q&A 자동생성 장치는 단말을 통해, 사용자에게 Q&A 데이터를 표시할 수 있다. 사용자는 질문/응답 메뉴를 통해, 질문을 검색할 수 있고 Q&A 데이터를 삭제할 수 있다. 이를 통해, Q&A 자동생성 장치는 최적화된 FAQ 데이터 및/또는 챗봇의 학습데이터를 생성할 수 있다.
일반적인 머신러닝 및 딥러닝 기반 FAQ 구축 및 갱신 또는 챗봇 및 챗봇빌더 서비스를 제공함에 있어서, 인공지능 모델은 Labeling된 양질의 학습데이터를 입력 받아야 한다. 그러기 위해서는 사용자가 수작업으로 직접 입력을 해야 되기 때문에 업무 생산성 및 효율성이 저하되지만, 본 명세서에서의 Q&A 자동생성 장치는 사용자 업무 생산성 및 효율성을 향상시킬 수 있다.
또한, 학습데이터 Labeling 수작업을 위한 인력이 투입됨에 따라 인건비 부담이 크지만, 본 명세서의 Q&A 자동생성 장치는 인건비를 절감할 수 있다.
전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀 질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 명세서를 한정하는 것이 아니며, 본 명세서가 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 명세서의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (7)

  1. 단말이 자연어처리 기반의 인공지능 모델을 이용하여 FAQ(Frequently asked questions)를 생성하는 방법에 있어서,
    Q&A(Question and Answer) 데이터를 자동생성하기 위한 문서 데이터를 서버에 업로드하는 단계;
    상기 문서 데이터의 파일 확장자를 분류하는 단계;
    상기 문서 데이터는
    상기 분류된 파일 확장자에 근거하여, 텍스트(text)가 파싱(parsing)되며, 상기 텍스트는 문장 단위로 처리됨;
    상기 문서 데이터에 근거하여, 상기 자연어처리 기반의 인공지능 모델을 통해 자동생성된 상기 Q&A 데이터를 사용자에게 표시하는 단계; 및
    상기 Q&A 데이터에 근거하여, 상기 FAQ를 생성하는 단계;
    를 포함하는, FAQ 생성방법.
  2. 제1항에 있어서,
    상기 문서 데이터는
    상기 Q&A 데이터를 자동생성하기 위한 콘텐츠(Contents)를 포함하고,
    상기 Q&A 데이터는 질문과 답을 쌍으로 포함하는, FAQ 생성방법.
  3. 제2항에 있어서,
    상기 Q&A 데이터를 사용자에게 표시하는 단계는
    상기 질문을 검색하기 위한 질문 검색 패널을 표시하는 단계;
    상기 검색된 질문에 대응되는 답을 표시하기 위한 답 표시 패널을 표시하는 단계; 및
    상기 답을 수정하기 위한 편집 패널을 표시하는 단계;
    를 포함하는, FAQ 생성방법.
  4. 제3항에 있어서,
    상기 FAQ를 생성하는 단계는
    상기 질문 검색 패널을 통해, 사용자로부터 상기 질문을 검색하기 위한 텍스트를 입력받는 단계;
    상기 답 표시 패널을 통해, 상기 검색된 질문에 대응되는 답을 표시하는 단계;
    상기 편집 패널을 통해, 상기 사용자로부터 상기 답의 수정을 위한 텍스트를 입력받는 단계; 및
    상기 답의 수정을 위한 텍스트에 근거하여, 상기 Q&A 데이터를 수정하는 단계;
    를 포함하는, FAQ 생성방법.
  5. 제2항에 있어서,
    상기 Q&A 데이터는
    토큰화된 상기 문서 데이터로부터, 추출된 요약 문장에 근거하여, 상기 질문이 생성되고, 상기 요약 문장을 상기 답으로 하는, FAQ 생성방법.
  6. 제5항에 있어서,
    상기 요약 문장은
    상기 문서 데이터로부터 핵심이 되는 문장 또는 단어를 추출하여, 조합하고, 요약하는 추출 요약(extractive text summarization) 기법에 근거하는, FAQ 생성방법.
  7. 자연어처리 기반의 인공지능 모델을 이용하여 FAQ(Frequently asked questions)를 생성하는 단말에 있어서,
    메모리;
    서버와 통신하기 위한 통신부;
    디스플레이부; 및
    상기 메모리, 상기 통신부 및 상기 디스플레이부를 기능적으로 제어하기 위한 프로세서;
    를 포함하고,
    상기 프로세서는
    상기 통신부를 통해, Q&A(Question and Answer) 데이터를 자동생성하기 위한 문서 데이터를 서버에 업로드하고, 상기 문서 데이터의 파일 확장자를 분류하며,
    상기 문서 데이터는
    상기 분류된 파일 확장자에 근거하여, 텍스트(text)가 파싱(parsing)되며, 상기 텍스트는 문장 단위로 처리되고,
    상기 디스플레이부를 통해, 상기 문서 데이터에 근거하여, 상기 자연어처리 기반의 인공지능 모델을 통해 자동생성된 상기 Q&A 데이터를 사용자에게 표시하며,
    상기 Q&A 데이터에 근거하여, 상기 FAQ를 생성하는 단말.
KR1020220105075A 2022-07-20 2022-08-22 자연어처리 기반의 인공지능 모델을 이용한 faq를 자동생성하기 위한 방법 및 이를 위한 장치 KR20240012245A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220105075A KR20240012245A (ko) 2022-07-20 2022-08-22 자연어처리 기반의 인공지능 모델을 이용한 faq를 자동생성하기 위한 방법 및 이를 위한 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220089394A KR102436549B1 (ko) 2022-07-20 2022-07-20 딥러닝을 이용한 자연어처리 기반의 faq 및 챗봇을 위한 학습데이터를 자동으로 생성하기 위한 방법 및 이를 위한 장치
KR1020220105075A KR20240012245A (ko) 2022-07-20 2022-08-22 자연어처리 기반의 인공지능 모델을 이용한 faq를 자동생성하기 위한 방법 및 이를 위한 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020220089394A Division KR102436549B1 (ko) 2022-07-20 2022-07-20 딥러닝을 이용한 자연어처리 기반의 faq 및 챗봇을 위한 학습데이터를 자동으로 생성하기 위한 방법 및 이를 위한 장치

Publications (1)

Publication Number Publication Date
KR20240012245A true KR20240012245A (ko) 2024-01-29

Family

ID=83111591

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020220089394A KR102436549B1 (ko) 2022-07-20 2022-07-20 딥러닝을 이용한 자연어처리 기반의 faq 및 챗봇을 위한 학습데이터를 자동으로 생성하기 위한 방법 및 이를 위한 장치
KR1020220105075A KR20240012245A (ko) 2022-07-20 2022-08-22 자연어처리 기반의 인공지능 모델을 이용한 faq를 자동생성하기 위한 방법 및 이를 위한 장치

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020220089394A KR102436549B1 (ko) 2022-07-20 2022-07-20 딥러닝을 이용한 자연어처리 기반의 faq 및 챗봇을 위한 학습데이터를 자동으로 생성하기 위한 방법 및 이를 위한 장치

Country Status (1)

Country Link
KR (2) KR102436549B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7440143B1 (ja) 2023-04-18 2024-02-28 チャットプラス株式会社 情報処理方法、プログラム、及び、情報処理装置
KR102604242B1 (ko) * 2023-05-15 2023-11-21 (주)페르소나에이아이 외부 모델과 연동하는 생성형 인공지능을 포함하는k-gpt 솔루션 기반의 전자 장치 및 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11222266B2 (en) * 2016-07-15 2022-01-11 Intuit Inc. System and method for automatic learning of functions
JP6902945B2 (ja) * 2017-07-07 2021-07-14 株式会社野村総合研究所 テキスト要約システム
KR102100951B1 (ko) * 2017-11-16 2020-04-14 주식회사 마인즈랩 기계 독해를 위한 질의응답 데이터 생성 시스템
KR102173382B1 (ko) * 2020-02-25 2020-11-03 휴멜로 주식회사 텍스트 생성 장치 및 방법
KR20220043505A (ko) * 2020-09-29 2022-04-05 창원대학교 산학협력단 문서 요약장치 및 방법

Also Published As

Publication number Publication date
KR102436549B1 (ko) 2022-08-25

Similar Documents

Publication Publication Date Title
US20240078386A1 (en) Methods and systems for language-agnostic machine learning in natural language processing using feature extraction
US10387557B2 (en) Information extraction and annotation systems and methods for documents
US11514235B2 (en) Information extraction from open-ended schema-less tables
US11573954B1 (en) Systems and methods for processing natural language queries for healthcare data
KR102436549B1 (ko) 딥러닝을 이용한 자연어처리 기반의 faq 및 챗봇을 위한 학습데이터를 자동으로 생성하기 위한 방법 및 이를 위한 장치
CN110297868A (zh) 构建企业特定知识图
CN109783796B (zh) 预测文本内容中的样式破坏
JP7296419B2 (ja) 品質評価モデルを構築するための方法および装置、電子機器、記憶媒体並びにコンピュータプログラム
CN109196496A (zh) 未知词预测器和内容整合的翻译器
US20220405484A1 (en) Methods for Reinforcement Document Transformer for Multimodal Conversations and Devices Thereof
US11687570B2 (en) System and method for efficient multi-relational entity understanding and retrieval
KR20090090613A (ko) 멀티모달 대화형 이미지 관리 시스템 및 방법
US20220414463A1 (en) Automated troubleshooter
KR20210090576A (ko) 품질을 관리하는 방법, 장치, 기기, 저장매체 및 프로그램
AU2018250372A1 (en) Method to construct content based on a content repository
WO2023005968A1 (zh) 文本类别识别方法、装置、电子设备和存储介质
Arnold et al. Beyond lexical frequencies: using R for text analysis in the digital humanities
CN114692655A (zh) 翻译系统及文本翻译、下载、质量检查和编辑方法
US20220406217A1 (en) Deep learning-based pedagogical word recommendation system for predicting and improving vocabulary skills of foreign language learners
KR102570471B1 (ko) 텍스트 마이닝을 이용한 사용자 기반의 문서 작성 서비스 방법 및 사용자 기반의 문서 작성 서비스 시스템
KR102532216B1 (ko) Esg 보조 툴을 이용하여 정형화된 esg 데이터로 이루어진 esg 데이터베이스를 구축하는 방법 및 이를 수행하는 esg 서비스 제공 시스템
WO2023001308A1 (zh) 文本识别方法及装置、计算机可读存储介质和电子设备
KR102549971B1 (ko) 수학식 음독 기술을 활용한 수학관련 인공지능 모델 성능 개선 및 검색 용이성 확대 방법
KR101786019B1 (ko) 지능형 문장 자동 완성 방법 및 장치
KR20200049435A (ko) 문자 인식에 기반한 서비스 제공 방법 및 장치