KR20240020025A - 분할된 딥러닝 모델을 이용한 서비스 제공 방법 및 시스템 - Google Patents

Abstract

분할된 딥러닝 모델을 이용한 서비스 제공 방법 및 시스템이 개시된다. 일실시예에 따른 서비스 제공 방법은 기 생성된 딥러닝 모델이 분할되어 생성된 헤드(head) 모델 및 바디(body) 모델 중 상기 헤드 모델을 포함하는 제1 모듈로부터 입력 이미지에 대한 상기 헤드 모델의 제1 출력값을 포함하는 서비스 요청을 수신하는 단계, 상기 수신된 서비스 요청에 포함된 상기 제1 출력값을 제2 모듈이 포함하는 상기 바디 모델에 입력하여 제2 출력값을 획득하는 단계 및 상기 제2 출력값에 기반하여 상기 제1 모듈로 서비스를 제공하는 단계를 포함할 수 있다.

Description

분할된 딥러닝 모델을 이용한 서비스 제공 방법 및 시스템{METHOD AND SYSTEM FOR PROVIDING SERVICE USING SEGMENTED DEEP LEARNING MODEL}

아래의 설명은 분할된 딥러닝 모델을 이용한 서비스 제공 방법 및 시스템에 관한 것이다.

SaaS(Software as a Service)는 소프트웨어의 여러 기능 중에서 사용자가 필요로 하는 서비스만 네트워크를 통해 이용 가능하도록 한 소프트웨어이다. 이러한 SaaS 형의 딥러닝 모델 서비스는 얼굴 인식 기능이나, 이미지 분류 기능 등과 같이 딥러닝 모델을 이용한 다양한 기능들을 네트워크를 통해 제공할 수 있다. 사용자는 서비스의 딥러닝 모델 API(Application Programming Interface)를 통해 원하는 기능을 호출하여 이용할 수 있다.

그러나, SaaS 형의 딥러닝 모델 서비스는 공개 네트워크(public network)를 통한 이미지의 전송이 필수적이라는 문제점이 있다. 사람의 얼굴과 같은 민감한 정보가 외부 망을 통해 전달되는 것에 대한 규제가 강화되고 있으며, 사용자에 따라 서비스의 사용은 원하지만 클라이언트 단말에서 서버로 이미지가 수집되는 것 자체를 원하지 않는 경우도 많이 존재한다.

[선행문헌번호]

한국공개특허 제10-2021-0082630호

기 생성된 딥러닝 모델을 헤드(head) 모델과 바디(body) 모델로 분할하여 헤드 모델을 포함하는 클라이언트 단말에서 헤드 모델을 통해 1차적으로 처리된 데이터를 공개 네트워크를 통해 바디 모델을 포함하는 서버로 전송하고, 서버가 바디 모델을 통해 1차적으로 처리된 데이터를 2차적으로 처리하도록 함으로써, 이미지를 직접 공개 네트워크를 통해 전송하지 않고도 SaaS 형의 딥러닝 모델 서비스를 제공할 수 있는 서비스 제공 방법 및 시스템을 제공한다.

기 생성된 딥러닝 모델을 적절히 헤드 모델과 바디 모델로 분할하기 위한 기술을 제공한다.

고객의 레거시 시스템과 같은 하나의 시스템 내에서 헤드 모델을 포함하는 제1 모듈과 바디 모델을 포함하는 제2 모듈을 이용하여 고객의 시스템과 서비스 제공자의 모듈간 데이터 보호 이슈를 커버할 수 있는 서비스 제공 방법 및 시스템을 제공한다.

적어도 하나의 프로세서를 포함하는 컴퓨터 시스템의 서비스 제공 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 기 생성된 딥러닝 모델이 분할되어 생성된 헤드(head) 모델 및 바디(body) 모델 중 상기 헤드 모델을 포함하는 제1 모듈로부터 입력 이미지에 대한 상기 헤드 모델의 제1 출력값을 포함하는 서비스 요청을 수신하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 수신된 서비스 요청에 포함된 상기 제1 출력값을 제2 모듈이 포함하는 상기 바디 모델에 입력하여 제2 출력값을 획득하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 제2 출력값에 기반하여 상기 클라이언트 단말로 서비스를 제공하는 단계를 포함하는 서비스 제공 방법을 제공한다.

일측에 따르면, 상기 제1 모듈 및 상기 제2 모듈은 상기 컴퓨터 시스템에 포함되는 것을 특징으로 할 수 있다.

다른 측면에 따르면, 상기 제2 모듈은 상기 컴퓨터 시스템에 포함되고, 상기 제1 모듈은 상기 컴퓨터 시스템과 상이한 별도의 컴퓨터 장치에 포함되어 상기 컴퓨터 시스템과 상기 별도의 컴퓨터 장치간의 네트워크 통신을 통해 상기 제2 모듈과 연동되는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 딥러닝 모델은 상기 딥러닝 모델이 포함하는 노드들 각각이 처리하는 누적 파라미터의 수 및 상기 헤드 모델에서 상기 바디 모델로 전달해야 하는 데이터의 양 중 적어도 하나에 기반하여 선정된 노드를 기준으로 상기 헤드 모델 및 상기 바디 모델로 분할되는 것을 특징으로 할 수 있다.

다른 측면에 따르면, 상기 서비스 제공 방법은 상기 적어도 하나의 프로세서에 의해, 상기 딥러닝 모델을 상기 헤드 모델 및 상기 바디 모델로 분할하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 헤드 모델을 배포하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 분할하는 단계는, 상기 딥러닝 모델이 포함하는 노드들 각각의 가중치 값에 기초하여 상기 노드들 중에서 선정된 후보 노드들을 포함하는 후보군을 선정하는 단계; 상기 딥러닝 모델이 포함하는 노드들 각각이 처리하는 누적 파라미터의 수 및 상기 헤드 모델에서 상기 바디 모델로 전달해야 하는 데이터의 양 중 적어도 하나에 기반하여, 상기 노드들 중 분할의 기준이 되는 노드를 선정하는 단계; 및 상기 선정된 노드를 기준으로 상기 딥러닝 모델을 상기 헤드 모델 및 상기 바디 모델로 분할하는 단계를 포함하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 후보군을 선정하는 단계는, 상기 딥러닝 모델이 포함하는 노드들 각각에 대해, 노드가 부모 노드인 경우에 동일한 제1 가중치 값을 설정하고, 노드가 자식 노드인 경우에 제2 가중치 값을 설정하는 단계; 및 최상위 부모 노드와 리프(leaf) 노드를 제외한 노드들 중 제1 가중치 값이 설정된 노드들의 집합을 상기 후보군으로 선정하는 단계를 포함하고, 상기 제2 가중치 값은 상기 제1 가중치 값을 부모 노드가 포함하는 자식 노드의 수로 나눈 값을 포함하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 서비스 제공 방법은 상기 적어도 하나의 프로세서에 의해, 상기 제1 모듈이 포함하는 상기 헤드 모델과 상기 제2 모듈이 포함하는 상기 바디 모델간의 인터페이스를 연결하는 단계를 더 포함하고, 상기 서비스 요청은 상기 연결된 인터페이스에 기반하여 발생되는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 서비스의 제공과 관련하여 상기 제1 모듈의 사용자에게 부가되는 비용이 상기 헤드 모델의 용량에 영향을 받는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 헤드 모델의 용량을 고려하여 상기 딥러닝 모델이 상기 헤드 모델 및 상기 바디 모델로 분할되는 것을 특징으로 할 수 있다.

컴퓨터 시스템과 결합되어 상기 방법을 컴퓨터 시스템에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

상기 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.

컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 기 생성된 딥러닝 모델이 분할되어 생성된 헤드(head) 모델 및 바디(body) 모델 중 상기 헤드 모델을 포함하는 제1 모듈로부터 입력 이미지에 대한 상기 헤드 모델의 제1 출력값을 포함하는 서비스 요청을 수신하고, 상기 수신된 서비스 요청에 포함된 상기 제1 출력값을 제2 모듈이 포함하는 상기 바디 모델에 입력하여 제2 출력값을 획득하고, 상기 제2 출력값에 기반하여 상기 제1 모듈로 서비스를 제공하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

기 생성된 딥러닝 모델을 헤드(head) 모델과 바디(body) 모델로 분할하여 헤드 모델을 포함하는 클라이언트 단말에서 헤드 모델을 통해 1차적으로 처리된 데이터를 공개 네트워크를 통해 바디 모델을 포함하는 서버로 전송하고, 서버가 바디 모델을 통해 1차적으로 처리된 데이터를 2차적으로 처리하도록 함으로써, 이미지를 직접 공개 네트워크를 통해 전송하지 않고도 SaaS 형의 딥러닝 모델 서비스를 제공할 수 있다.

기 생성된 딥러닝 모델을 적절히 헤드 모델과 바디 모델로 분할하기 위한 기술을 제공할 수 있다.

고객의 레거시 시스템과 같은 하나의 시스템 내에서 헤드 모델을 포함하는 제1 모듈과 바디 모델을 포함하는 제2 모듈을 이용하여 고객의 시스템과 서비스 제공자의 모듈간 데이터 보호 이슈를 커버할 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 서비스 제공 시스템의 개괄적인 모습의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 서비스 제공 방법의 예를 도시한 흐름도이다.
도 5는 본 발명의 일실시예에 따른 딥러닝 모델 분할 방법의 예를 도시한 흐름도이다.
도 6은 본 발명의 일실시예에 있어서, 딥러닝 모델을 분할하는 예를 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 딥러닝 모델 분할 방법의 예를 도시한 흐름도이다.
도 8은 본 발명의 일실시예에 있어서, 딥러닝 모델을 분할하는 과정의 예를 도시한 도면이다.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.

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

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

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

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

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 서비스(일례로, 클라우드 서비스, 게임 서비스, 컨텐츠 제공 서비스, 그룹 통화 서비스(또는 음성 컨퍼런스 서비스), 메시징 서비스, 메일 서비스, 소셜 네트워크 서비스, 지도 서비스, 번역 서비스, 금융 서비스, 결제 서비스, 검색 서비스 등)를 제공하는 시스템일 수 있다.

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

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

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

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

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

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

도 3은 본 발명의 일실시예에 따른 서비스 제공 시스템의 개괄적인 모습의 예를 도시한 도면이다. 도 3의 실시예에 따른 서비스 제공 시스템(Service providing system, 300)은 클라이언트 단말(Client terminal, 310)과 서버(Server, 320)를 포함할 수 있다. 여기서, 클라이언트 단말(310)과 서버(320)는 각각 적어도 하나의 컴퓨터 장치(200)에 의해 구현될 수 있다. 클라이언트 단말(310)은 엣지(edge) 단말로 표현될 수도 있다.

우선, 기 생성된 딥러닝 모델이 헤드 모델(Head model, 311)과 바디 모델(Body model, 321)로 분할될 수 있다. 여기서 기 생성된 딥러닝 모델은 학습이 완료된 딥러닝 모델을 의미할 수 있다. 딥러닝 모델의 종류나 학습은 서비스 제공자가 서버(320)를 통해 제공하고자 하는 서비스에 따라 달라질 수 있다. 딥러닝 모델 자체에 대한 기술이나 딥러닝 모델을 학습하는 방법에 대해서는 이미 잘 알려진 기술들을 통해 쉽게 이해할 수 있을 것이다. 헤드 모델(311)은 딥러닝 모델의 헤드 부분을, 바디 모델(321)은 딥러닝 모델의 바디 부분을 각각 구성할 수 있다.

이러한 딥러닝 모델의 분할은 서버(320)에 의해 수행될 수도 있으나, 서버(320)와는 별도의 다른 컴퓨터 장치에 의해 수행될 수도 있다. 분할된 헤드 모델(311)은 클라이언트 단말(310)로 배포될 수 있으며, 바디 모델(321)은 서버(320)에 배치될 수 있다. 헤드 모델(311)의 배포 역시 서버(320)에 의해 수행될 수도 있으나, 서버(320)와는 별도의 다른 컴퓨터 장치에 의해 수행될 수도 있다. 예를 들어, 서버(320)에서 딥러닝 모델을 분할하여 헤드 모델(311)과 바디 모델(321)을 생성한 경우, 서버(320)는 헤드 모델(311)을 클라이언트 단말(310)로 배포할 수 있다. 만약, 별도의 다른 컴퓨터 장치에서 딥러닝 모델을 분할하여 헤드 모델(311)과 바디 모델(321)을 생성한 경우, 다른 컴퓨터 장치는 헤드 모델(311)을 클라이언트 단말(310)로, 바디 모델(321)을 서버(320)로 각각 배포할 수 있다. 이러한 다른 컴퓨터 장치는 서버(320)와 함께 클라우드 네트워크를 형성하는 다른 노드의 형태로 구현될 수 있으나 이에 한정되는 것은 아니다. 딥러닝 모델을 헤드 모델(311)과 바디 모델(321)로 분할하는 방법에 대해서는 이후 더욱 자세히 설명한다.

한편, 본 발명의 실시예들에 따른 서비스 제공 시스템(Service providing system, 300)은 딥러닝 모델을 이용하여 이미지를 처리하는 서비스(또는 기능)를 SaaS(Software as a Service) 형태로 제공할 수 있다. 도 3의 실시예에서는 이미지에서 얼굴을 인식하는 서비스를 제공하는 예를 나타내고 있다. 이를 위해, 클라이언트 단말(310)은 원본 이미지(330)에서 얼굴 영역(340)을 탐지하는 얼굴 탐지부(Face detector, 312)를 더 포함할 수 있다.

이때, 클라이언트 단말(310)은 탐지된 얼굴 영역(340)의 이미지를 바로 서버(320)로 전송하는 것이 아니라, 클라이언트 단말(310)이 포함하는 헤드 모델(311)을 통해 처리된 중간 연산값(intermediate operation value)을 생성하여 서버(320)로 전송할 수 있다. 이때, 중간 연산값은 헤드 모델(311)의 제1 출력값일 수 있다. 클라이언트 단말(310)은 이러한 중간 연산값을 포함하는 서비스 요청을 네트워크(일례로, 네트워크(170))를 통해 서버(320)로 전달할 수 있다. 이때, 서버(320)는 서비스 요청을 수신하고, 수신된 서비스 요청에 포함된 중간 연산값을 서버(320)가 포함하는 바디 모델(321)에 입력하여 바디 모델(321)의 제2 출력값인 최종 출력값을 획득할 수 있다. 이후, 서버(320)는 최종 출력값에 기반하여 클라이언트 단말(310)로 서비스 요청에 해당하는 서비스를 제공할 수 있다. 도 3의 실시예에서는 탐지된 얼굴 영역(340)에 따른 얼굴 인식 서비스가 클라이언트 단말(310)로 제공될 수 있다.

이때, 헤드 모델(311)과 바디 모델(321)은 기 생성된 딥러닝 모델을 분할한 것이다. 이 경우, 얼굴 영역(340)의 이미지를 헤드 모델(311)에 입력하여 얻어지는 제1 출력값(중간 연산값)을 바디 모델(321)에 입력함으로써 얻어지는 제2 출력값으로서의 최종 출력값은 얼굴 영역(340)의 이미지를 딥러닝 모델에 입력하여 얻어지는 제3 출력값과 동일할 수 있다. 반면, 클라이언트 단말(310)에서 서버(320)로 전송되는 중간 연산값은 뒤섞인 데이터 값(350)으로 중간 연산값으로부터는 얼굴 영역(340)의 이미지를 얻기가 매우 어렵다. 따라서, 서비스 제공 시스템(300)은 이미지를 공개 네트워크를 통해 전송하지 않고도 딥러닝 모델을 이용한 이미지 처리 서비스를 SaaS 형태로 제공할 수 있게 된다.

이처럼, 본 발명의 실시예들에 따르면, SaaS 형의 딥러닝 모델 서비스를 제공함에 있어서, 사용자들이 서비스 제공자에게 민감한 데이터를 노출하지 않고도 서비스를 제공받을 수 있어 민감 정보 공유에 대한 문제를 해결할 수 있다.

또한, 본 발명의 실시예들을 통해 클라이언트 단말(310)과 서버(320)간의 자원 이용량을 조절할 수 있다. 예를 들어, 딥러닝 모델을 분할하여 생성되는 헤드 모델(311)과 바디 모델(321)의 용량을 조절함으로써, 클라이언트 단말(310)과 서버(320) 각각에서 요구되는 자원 이용량이 조절될 수 있다. 이에 따라 서비스 제공자는 헤드 모델(311)의 용량에 기반하여 서비스의 제공과 관련하여 클라이언트 단말(310)의 사용자에게 부가되는 비용을 조절할 수 있다. 다시 말해, 딥러닝 모델을 분할하는 주체는 헤드 모델(311)의 용량을 고려하여 딥러닝 모델을 헤드 모델(311) 및 바디 모델(321)로 분할할 수 있으며, 서비스 제공자는 이러한 용량을 고려하여 서비스의 제공과 관련하여 클라이언트 단말(310)의 사용자에게 부가되는 비용을 조절할 수 있다.

한편, 도 3의 실시예에서는 헤드 모델(311)은 클라이언트 단말(310)에 바디 모델(321)은 서버(320)에 각각 설치되어 클라이언트 단말(310)과 서버(320)간의 네트워크 통신을 이용하여 헤드 모델(311)과 바디 모델(321)이 연동되는 예를 설명하였다. 그러나, 실시예에 따라 헤드 모델(311)과 바디 모델(321)은 하나의 물리적인 전자 장치에 설치될 수도 있다. 예를 들어, 고객의 레거시 시스템과 같은 하나의 시스템 내에서 헤드 모델(311)을 포함하는 제1 모듈과 바디 모델(321)을 포함하는 제2 모듈이 각각 존재할 수 있다. 이 경우, 고객의 시스템의 모듈과 서비스 제공자의 모듈간의 데이터 보호 이슈를 커버할 수 있게 된다.

도 4는 본 발명의 일실시예에 따른 서비스 제공 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 서비스 제공 방법은 앞서 설명한 서버(320)를 구현하는 컴퓨터 장치(200)에 의해 수행될 수 있다. 이때, 컴퓨터 장치(200)의 프로세서(220)는 메모리(210)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(220)는 컴퓨터 장치(200)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(200)가 도 4의 방법이 포함하는 단계들(410 내지 440)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다.

단계(410)에서 컴퓨터 장치(200)는 클라이언트 단말이 포함하는 헤드 모델과 컴퓨터 장치(200)가 포함하는 바디 모델간의 인터페이스를 연결할 수 있다. 여기서 클라이언트 단말은 앞서 도 3을 통해 설명한 클라이언트 단말(310)에 대응할 수 있다. 앞서 설명한 바와 같이, 기 생성된 딥러닝 모델이 분할됨에 따라 헤드 모델 및 바디 모델이 생성될 수 있으며, 헤드 모델은 클라이언트 단말로 배포될 수 있고, 바디 모델은 서버(320)를 구현하는 컴퓨터 장치(200)에 배치될 수 있다. 이때, 컴퓨터 장치(200)는 이러한 헤드 모델과 바디 모델간의 인터페이스를 연결할 수 있다. 인터페이스의 연결은 실질적으로 클라이언트 단말이 헤드 모델의 제1 출력값을 전달하는 경우, 컴퓨터 장치(200)가 전달된 제1 출력값을 헤드 모델에 대응하는 바디 모델의 입력으로 활용하도록 하기 위한 연결을 의미할 수 있다.

단계(420)에서 컴퓨터 장치(200)는 클라이언트 단말로부터 입력 이미지에 대한 헤드 모델의 제1 출력값을 포함하는 서비스 요청을 네트워크를 통해 수신할 수 있다. 이때, 클라이언트 단말은 단계(410)에서 연결된 인터페이스에 기반하여 서비스 요청을 발생시킬 수 있다. 보다 구체적으로 클라이언트 단말은 딥러닝 모델 서비스의 API 호출을 통해 서비스 요청을 발생시킬 수 있으며, 이러한 API 호출은 단계(410)에서 연결된 인터페이스에 기반할 수 있다. 한편, 입력 이미지는 딥러닝 모델 관점의 입력 이미지를 의미할 수 있다. 도 3의 실시예를 예로 들면, 원본 이미지(330)에서 탐지되어 헤드 모델로 입력되는 얼굴 영역(340)의 이미지가 단계(420)에서 설명하는 입력 이미지일 수 있다. 이미지 분류 서비스를 위해 원본 이미지(330)가 그대로 헤드 모델로 입력되는 경우를 고려하면, 원본 이미지(330)가 그대로 입력 이미지로서 사용될 수도 있다.

단계(430)에서 컴퓨터 장치(200)는 수신된 서비스 요청에 포함된 제1 출력값을 바디 모델에 입력하여 제2 출력값을 획득할 수 있다. 이때, 이미 설명한 바와 같이 제2 출력값은 입력 이미지를 분할하기 전의 딥러닝 모델에 입력한 경우의 출력값과 동일할 수 있다. 다시 말해, 서버(320)를 구현하는 컴퓨터 장치(200)는 클라이언트 단말로부터 입력 이미지를 직접 수신하지 않고도 입력 이미지에 대한 딥러닝 모델의 출력값을 얻을 수 있게 된다.

단계(440)에서 컴퓨터 장치(200)는 제2 출력값에 기반하여 클라이언트 단말로 서비스를 제공할 수 있다. 서비스의 예시는 앞서 설명한 바와 같이 얼굴 인식 서비스, 이미지 분류 서비스 등을 들 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 이미지를 딥러닝 모델을 통해 처리하여 이루어지는 모든 종류의 서비스들에 본 발명의 실시예들에 따른 서비스 제공 방법이 적용될 수 있음을 쉽게 이해할 수 있을 것이다.

도 5는 본 발명의 일실시예에 따른 딥러닝 모델 분할 방법의 예를 도시한 흐름도이다. 이미 설명한 바와 같이 딥러닝 모델의 분할은 서버(320)에 의해 수행될 수도 있고, 별도의 컴퓨터 장치에 의해 수행될 수도 있다. 도 5의 실시예에서는 서버(320)를 구현하는 컴퓨터 장치(200)에 의해 수행되는 예를 설명한다. 도 5의 딥러닝 모델 분할 방법이 포함하는 단계들(510 및 520)은 도 4의 단계(410) 이전에 수행될 수 있다.

단계(510)에서 컴퓨터 장치(200)는 딥러닝 모델을 헤드 모델 및 바디 모델로 분할할 수 있다. 이를 위해, 단계(510)는 단계(511) 및 단계(512)를 포함할 수 있다.

단계(511)에서 컴퓨터 장치(200)는 딥러닝 모델이 포함하는 노드들 각각이 처리하는 누적 파라미터의 수 및 헤드 모델에서 바디 모델로 전달해야 하는 데이터의 양 중 적어도 하나에 기반하여, 노드들 중 분할의 기준이 되는 노드를 선정할 수 있다. 딥러닝 모델의 레이어의 연산(operation)들은 이미 기술되어 있으며, 가중치들은 매트릭스로 포함되어 있다. 이때, 매트릭스와 매트릭스간의 연산들간에 끊어지는 구간들이 존재하며, 이러한 구간의 노드가 누적 파라미터의 수 및/또는 데이터의 양에 따라 선정될 수 있다.

예를 들어, 딥러닝 모델의 각 노드에서는 누적 파라미터의 수에 기초하여 연산량이 결정되며, 딥러닝 모델은 그래프 파일이 인퍼런스 엔진에 올라갔을 때, 하나씩 순차적으로 연산을 처리하여 결과를 내보내는 방식을 이용하기 때문에, 누적 파라미터의 수에 따라 연산 시간이 얼마나 걸릴 것인지, 자원을 얼마나 사용할 것인가 등이 결정될 수 있으며, 컴퓨터 장치(200)는 이러한 연산 시간, 자원 이용량 등에 기반하여 헤드 모델과 바디 모델을 나누기 위한 적정 구간을 결정할 수 있다. 예를 들어, 컴퓨터 장치(200)는 딥러닝 모델의 분할을 위해 정의된 연산 시간 및/또는 자원 이용량을 미리 입력받을 수 있다. 이 경우, 컴퓨터 장치(200)는 미리 입력된 연산 시간 및/또는 자원 이용량을 만족시키는 누적 파라미터의 수를 갖는 노드를 딥러닝 모델을 헤드 모델과 바디 모델로 분할하기 위한 기준 노드로서 선정할 수 있다. 이러한 누적 파라미터의 수뿐만 아니라, 앞서 설명한 헤드에서 바디로 보내야 할 데이터의 양이 헤드 모델과 바디 모델을 나누기 위한 적정 구간을 결정하는데 이용될 수 있다. 예를 들어, 컴퓨터 장치(200)는 특정 데이터의 양(일례로, 기설정된 범위에 포함되는 데이터의 양)을 네트워크를 통해 전송하게 하는 만드는 특정 노드의 구간을 딥러닝 모델의 분할을 위한 구간으로 결정할 수도 있다. 실시예에 따라 레이어의 복잡도가 딥러닝 모델을 헤드 모델과 바디 모델로 분할하는데 이용될 수도 있다. 예를 들어, 컴퓨터 장치(200)는 각 노드가 포함하는 레이어들의 수에 기반하여 각 노드별로 레이어의 복잡도를 계산할 수 있으며, 이러한 레이어의 복잡도가 낮은 노드를 기준으로 딥러닝 모델을 헤드 모델과 바디 모델로 분할할 수 있다.

단계(512)에서 컴퓨터 장치(200)는 선정된 노드를 기준으로 딥러닝 모델을 헤드 모델 및 바디 모델로 분할할 수 있다. 이때, 선정된 노드는 헤드 모델 및 바디 모델 중 어느 하나에 포함될 수 있다.

단계(520)에서 컴퓨터 장치(200)는 헤드 모델을 배포할 수 있다. 일례로, 컴퓨터 장치(200)는 클라이언트 장치로 헤드 모델을 배포할 수 있으나, 다수의 클라이언트 장치들이 존재하는 실시예도 고려될 수 있다. 이 경우, 컴퓨터 장치(200)는 다수의 클라이언트 장치들 각각으로 헤드 모델을 배포할 수 있다. 한편, 별도의 다른 컴퓨터 장치가 딥러닝 모델을 헤드 모델과 바디 모델로 분할하는 경우, 다른 컴퓨터 장치는 헤드 모델을 클라이언트 장치로, 바디 모델을 서버(320)로 각각 배포할 수 있다.

이처럼, 딥러닝 모델은 딥러닝 모델이 포함하는 노드들 각각이 처리하는 누적 파라미터의 수 및 헤드 모델에서 바디 모델로 전달해야 하는 데이터의 양 중 적어도 하나에 기반하여 선정된 노드를 기준으로 헤드 모델 및 바디 모델로 분할될 수 있다. 이때, 헤드 모델의 용량은 서비스의 제공과 관련하여 클라이언트 단말의 사용자에게 부가되는 비용에 영향을 미칠 수 있다. 예를 들어, 헤드 모델의 용량이 커질수록 클라이언트 단말에서의 자원 이용량이 늘어날 수 있다. 역으로 서버(320)의 자원 이용량은 감소할 수 있다. 따라서, 서비스 제공자는 이러한 헤드 모델의 용량에 따라 서비스의 제공과 관련하여 클라이언트 단말의 사용자에게 부가되는 비용을 조절할 수 있으며, 필요 시 이러한 헤드 모델의 용량을 고려하여 딥러닝 모델을 헤드 모델과 바디 모델로 분할할 수 있다. 보다 구체적인 예로, 딥러닝 모델이 포함하는 노드들 각각이 처리하는 누적 파라미터의 수 및 헤드 모델에서 바디 모델로 전달해야 하는 데이터의 양 중 적어도 하나에 기반하여 분할의 기준이 되는 다수의 후보 노드들을 선정한 후, 헤드 모델의 용량에 따라 최종적으로 선정되는 노드를 기준으로 딥러닝 모델을 분할할 수도 있다.

도 6은 본 발명의 일실시예에 있어서, 딥러닝 모델을 분할하는 예를 도시한 도면이다. 도 6은 딥러닝 모델을 개괄적으로 나타내고 있으며, 이러한 딥러닝 모델을 헤드 모델(610)과 바디 모델(620)로 분할한 예를 나타내고 있다. 이때, 도 6의 실시예에서는 "Add" 노드가 분할의 기준으로서 선정된 예를 나타내고 있다. 도 6의 실시예에서 헤드 모델(610)의 출력은 "Add" 노드의 출력이며, 출력값을 통해 딥러닝 모델로의 입력 이미지를 도출하는 것은 매우 어려운 문제가 된다. 따라서 공개 네트워크를 통해 헤드 모델(610)의 출력값이 노출되더라도 입력 이미지와 같은 민감한 정보가 노출되는 것을 방지할 수 있다.

한편, 이상의 실시예들을 통해 어느 노드를 기준으로 딥러닝 모델을 분할하는가에 따라 헤드 모델의 출력값이 하나 이상이 될 수도 있음을 이해할 수 있을 것이다. 또한, 헤드 모델과 바디 모델간의 인터페이스를 연결하는 것이 헤드 모델의 출력과 바디 모델의 입력을 연결하는 것을 포함함에 대해서도 쉽게 이해할 수 있을 것이다.

도 7은 본 발명의 일실시예에 따른 딥러닝 모델 분할 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 딥러닝 모델 분할 방법은 컴퓨터 장치(200)에 의해 수행될 수 있다. 이때, 본 실시예의 컴퓨터 장치(200)는 앞서 설명한 서버(320)를 구현하는 컴퓨터 장치(200)와 동일한 물리적인 전자 장치일 수도 있으나, 실시예에 따라 서버(320)를 구현하는 컴퓨터 장치(200)와는 상이한 물리적인 전자 장치일 수도 있다. 예를 들어, 본 실시예에 따른 컴퓨터 장치(200)에 의해 딥러닝 모델이 헤드 모델과 바디 모델로 분할될 수 있으며, 헤드 모델이 클라이언트 단말(310)로, 바디 모델이 서버(320)로 각각 배포될 수 있다. 만약, 본 실시예에 따른 컴퓨터 장치(200)가 서버(320)를 구현하는 컴퓨터 장치(200)와 동일한 물리적인 전자 장치라면, 헤드 모델이 클라이언트 단말(310)로 배포될 수 있고, 바디 모델은 컴퓨터 장치(200)에 설치될 수 있다.

이때, 본 실시예에 따른 컴퓨터 장치(200)의 프로세서(220)는 메모리(210)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령을 실행하도록 구현될 수 있다. 여기서, 프로세서(220)는 컴퓨터 장치(200)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(200)가 도 7의 방법이 포함하는 단계들(710 내지 730)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다.

단계(710)에서 컴퓨터 장치(200)는 기 생성된 딥러닝 모델의 노드들 중 분할 포인트의 후보군에 포함될 노드들을 선정할 수 있다. 이때, 딥러닝 모델의 노드들은 부모(parent) 노드 또는 자식(child) 노드로 구분될 수 있다. 이 경우, 부모 노드의 가중치 값은 1로 시작하며, 자식 노드의 가중치 값은 모든 부모 노드의 가중치를 해당 부모 노드의 자식의 수로 나눈 값으로 결정될 수 있다. 예를 들어, 하나의 부모 노드가 두 개의 자식 노드를 갖는 경우, 부모 노드의 가중치 값이 1일 때, 두 개의 자식 노드 각각의 가중치 값은 0.5가 될 수 있다. 이러한 각 노드의 가중치 값은 컴퓨터 장치(200)에 의해 결정될 수 있다. 한편, 후보군의 노드들은 딥러닝 모델을 분할하기 위한 분할 포인트로서 이용되는 것이기 때문에 딥러닝 모델을 분할하는 기준이 될 수 없는 최상위 부모 노드와 리프(leaf) 노드는 후보군 선정에서 제외될 수 있다. 다시 말해, 가중치 값이 1이면서 최상위 부모 노드와 리프 노드를 제외한 나머지 노드들이 후보군에 선정될 수 있다.

단계(720)에서 컴퓨터 장치(200)는 후보군에 포함된 노드들 각각의 누적 파라미터의 수 및 형태(shape) 값 중 적어도 하나에 기반하여 후보군에 포함된 노드들 중 분할 포인트로서의 노드를 선정할 수 있다. 누적 파라미터의 수는 각 노드의 연산량과 연관된 누적된 파라미터의 수를 의미할 수 있으며, 형태 값은 노드 분할에 따른 데이터 전송량과 연관될 수 있다. 예를 들어, 헤드 노드에서 바디 노드로 전송될 데이터의 전송량이 형태 값에 따라 결정될 수 있다. 만약 도 6에 나타난 노드의 출력 크기{1 × 32 × 32 × 32}에 따른 형태 값은 32,768(1 × 32 × 32 × 32)이 될 수 있다.

단계(730)에서 컴퓨터 장치(200)는 선정된 분할 포인트로서의 노드를 기준으로 딥러닝 모델을 헤드 모델 및 바디 모델로 분할할 수 있다. 이미 설명한 바와 같이 헤드 모델과 바디 모델은 각기 다른 물리적인 전자 장치에 설치되어 입력 이미지의 민감한 정보가 노출되지 않도록 딥러닝 모델을 통한 서비스를 제공하는데 사용될 수 있다.

도 8은 본 발명의 일실시예에 있어서, 딥러닝 모델을 분할하는 과정의 예를 도시한 도면이다. 도 8은 딥러닝 모델이 포함하는 노드들을 타원으로 간략히 표현하고 있다. 이때, 타원 안의 숫자는 해당 노드들의 가중치로서 이미 설명한 바와 같이 부모 노드의 가중치를 1로, 자식 노드의 가중치는 해당 자식 노드의 부모 노드가 갖는 자식의 수로 부모 노드의 가중치를 나눈 값이 될 수 있다. 이때, 후보군에 포함될 노드는 가중치 값이 1이면서 최상위 부모 노드와 리프 노드를 제외한 노드가 될 수 있다. 도 8의 예시에서는 해당 조건을 만족하는 후보 노드 1과 후보 노드 2를 나타내고 있다. 이때, 후보 노드 1과 후보 노드 2 중 딥러닝 모델의 분할 포인트로서의 노드는 누적된 파라미터의 수와 형태 값 중 적어도 하나에 의해 결정될 수 있다. 이미 설명한 바와 같이 누적된 파라미터는 노드의 연산량과 연관되며, 형태 값은 노드 분할에 따른 데이터 전송량과 연관될 수 있다. 따라서 어떠한 후보 노드를 기준으로 딥러닝 모델을 분할하는가에 따라 헤드 노드의 연산량이나 헤드 노드에서 바디 노드로의 데이터 전송량 등이 결정될 수 있다.

이와 같이, 본 발명의 실시예들에 따르면, 기 생성된 딥러닝 모델을 헤드(head) 모델과 바디(body) 모델로 분할하여 헤드 모델을 포함하는 클라이언트 단말에서 헤드 모델을 통해 1차적으로 처리된 데이터를 공개 네트워크를 통해 바디 모델을 포함하는 서버로 전송하고, 서버가 바디 모델을 통해 1차적으로 처리된 데이터를 2차적으로 처리하도록 함으로써, 이미지를 직접 공개 네트워크를 통해 전송하지 않고도 SaaS 형의 딥러닝 모델 서비스를 제공할 수 있다. 또한, 기 생성된 딥러닝 모델을 적절히 헤드 모델과 바디 모델로 분할하기 위한 기술을 제공할 수 있다. 또한, 고객의 레거시 시스템과 같은 하나의 시스템 내에서 헤드 모델을 포함하는 제1 모듈과 바디 모델을 포함하는 제2 모듈을 이용하여 고객의 시스템과 서비스 제공자의 모듈간 데이터 보호 이슈를 커버할 수 있다.

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

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

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

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

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

Claims (12)

1. 적어도 하나의 프로세서를 포함하는 컴퓨터 시스템의 서비스 제공 방법에 있어서,
   상기 적어도 하나의 프로세서에 의해, 기 생성된 딥러닝 모델이 분할되어 생성된 헤드(head) 모델 및 바디(body) 모델 중 상기 헤드 모델을 포함하는 제1 모듈로부터 입력 이미지에 대한 상기 헤드 모델의 제1 출력값을 포함하는 서비스 요청을 수신하는 단계;
   상기 적어도 하나의 프로세서에 의해, 상기 수신된 서비스 요청에 포함된 상기 제1 출력값을 제2 모듈이 포함하는 상기 바디 모델에 입력하여 제2 출력값을 획득하는 단계; 및
   상기 적어도 하나의 프로세서에 의해, 상기 제2 출력값에 기반하여 상기 제1 모듈로 서비스를 제공하는 단계
   를 포함하는 서비스 제공 방법.
2. 제1항에 있어서,
   상기 제1 모듈 및 상기 제2 모듈은 상기 컴퓨터 시스템에 포함되는 것을 특징으로 하는 서비스 제공 방법.
3. 제1항에 있어서,
   상기 제2 모듈은 상기 컴퓨터 시스템에 포함되고,
   상기 제1 모듈은 상기 컴퓨터 시스템과 상이한 별도의 컴퓨터 장치에 포함되어 상기 컴퓨터 시스템과 상기 별도의 컴퓨터 장치간의 네트워크 통신을 통해 상기 제2 모듈과 연동되는 것을 특징으로 하는 서비스 제공 방법.
4. 제1항에 있어서,
   상기 딥러닝 모델은 상기 딥러닝 모델이 포함하는 노드들 각각이 처리하는 누적 파라미터의 수 및 상기 헤드 모델에서 상기 바디 모델로 전달해야 하는 데이터의 양 중 적어도 하나에 기반하여 선정된 노드를 기준으로, 상기 헤드 모델 및 상기 바디 모델로 분할되는 것을 특징으로 하는 서비스 제공 방법.
5. 제1항에 있어서,
   상기 적어도 하나의 프로세서에 의해, 상기 딥러닝 모델을 상기 헤드 모델 및 상기 바디 모델로 분할하는 단계; 및
   상기 적어도 하나의 프로세서에 의해, 상기 헤드 모델을 배포하는 단계
   를 더 포함하는 서비스 제공 방법.
6. 제5항에 있어서,
   상기 분할하는 단계는,
   상기 딥러닝 모델이 포함하는 노드들 각각의 가중치 값에 기초하여 상기 노드들 중에서 선정된 후보 노드들을 포함하는 후보군을 선정하는 단계;
   상기 딥러닝 모델이 포함하는 노드들 각각이 처리하는 누적 파라미터의 수 및 상기 헤드 모델에서 상기 바디 모델로 전달해야 하는 데이터의 양 중 적어도 하나에 기반하여, 상기 후보군에서 분할의 기준이 되는 노드를 선정하는 단계; 및
   상기 선정된 노드를 기준으로 상기 딥러닝 모델을 상기 헤드 모델 및 상기 바디 모델로 분할하는 단계
   를 포함하는 것을 특징으로 하는 서비스 제공 방법.
7. 제6항에 있어서,
   상기 후보군을 선정하는 단계는,
   상기 딥러닝 모델이 포함하는 노드들 각각에 대해, 노드가 부모 노드인 경우에 동일한 제1 가중치 값을 설정하고, 노드가 자식 노드인 경우에 제2 가중치 값을 설정하는 단계; 및
   최상위 부모 노드와 리프(leaf) 노드를 제외한 노드들 중 제1 가중치 값이 설정된 노드들의 집합을 상기 후보군으로 선정하는 단계
   를 포함하고,
   상기 제2 가중치 값은 상기 제1 가중치 값을 부모 노드가 포함하는 자식 노드의 수로 나눈 값을 포함하는 것
   을 특징으로 하는 서비스 제공 방법.
8. 제1항에 있어서,
   상기 적어도 하나의 프로세서에 의해, 상기 제1 모듈이 포함하는 상기 헤드 모델과 상기 제2 모듈이 포함하는 상기 바디 모델간의 인터페이스를 연결하는 단계
   를 더 포함하고,
   상기 서비스 요청은 상기 연결된 인터페이스를 통해 발생하는 것
   을 특징으로 하는 서비스 제공 방법.
9. 제1항에 있어서,
   상기 서비스의 제공과 관련하여 상기 제1 모듈의 사용자에게 부가되는 비용이 상기 헤드 모델의 용량에 영향을 받는 것을 특징으로 하는 서비스 제공 방법.
10. 제9항에 있어서,
    상기 헤드 모델의 용량을 고려하여 상기 딥러닝 모델이 상기 헤드 모델 및 상기 바디 모델로 분할되는 것을 특징으로 하는 서비스 제공 방법.
11. 컴퓨터 시스템과 결합되어 제1항 내지 제10항 중 어느 한 항의 방법을 컴퓨터 시스템에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
12. 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서에 의해,
    기 생성된 딥러닝 모델이 분할되어 생성된 헤드(head) 모델 및 바디(body) 모델 중 상기 헤드 모델을 포함하는 제1 모듈로부터 입력 이미지에 대한 상기 헤드 모델의 제1 출력값을 포함하는 서비스 요청을 수신하고,
    상기 수신된 서비스 요청에 포함된 상기 제1 출력값을 제2 모듈이 포함하는 상기 바디 모델에 입력하여 제2 출력값을 획득하고,
    상기 제2 출력값에 기반하여 상기 제1 모듈로 서비스를 제공하는 것
    을 특징으로 하는 컴퓨터 장치.

Images