KR20240034530A

KR20240034530A - 인공 지능을 통한 대표 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법

Info

Publication number: KR20240034530A
Application number: KR1020220113670A
Authority: KR
Inventors: 김민호
Original assignee: 주식회사 에크네
Priority date: 2022-09-07
Filing date: 2022-09-07
Publication date: 2024-03-14

Abstract

본 발명의 일 면에 따른 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법은 서버가, 피번역 도서 데이터를 구성하는 복수의 피번역 문장 데이터 중에서 어느 하나의 피번역 문장 데이터에 대응하여 번역 작업을 수행하는 복수의 제1 사용자 각각에 의해 생성되는 복수의 번역 문장 데이터를 획득하는 단계; 상기 서버가, 상기 복수의 번역 문장 데이터 각각의 번역 적합도에 기초하여 상기 복수의 번역 문장 데이터 각각에 노출 순위 정보를 설정하는 단계; 및 상기 서버가, 상기 복수의 번역 문장 데이터 각각의 번역 적합도에 기초하여 상기 복수의 번역 문장 데이터 각각에 노출 여부 정보를 설정하는 단계; 사용자 장치가 상기 노출 순위 정보 및 상기 노출 여부 정보에 기초하여 상기 복수의 번역 문장 데이터를 정렬하여 표시하는 단계;를 포함할 수 있다.

Description

인공 지능을 통한 대표 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법 {Method for controlling system for prevent translation service using determination of representative translations}

본 발명은 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법에 관한 것으로, 보다 상세하게는, 피번역 문장을 번역한 복수의 번역 문장 중에서 번역가에 의한 대표 번역문 선택의 결과를 나타내는 선택 학습 데이터로 학습된 인공지능 모델을 이용하여 복수의 번역 문장 데이터 중에서 어느 하나의 번역 문장 데이터를 대표 번역 문장 데이터로 결정함으로써, 피번역 도서 데이터를 대표 번역 문장 데이터로 구성된 번역 도서 데이터로 생성하는 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법에 관한 것이다.

통신 기술의 발달 및 네트워크의 확대에 따라 전 세계가 하나로 연결됨으로써 다양한 국가의 사람들이 홈페이지 상에서 커뮤니케이션을 나누는 일은 더 이상 새로운 것은 아니긴 하나, 언어의 벽은 여전히 높기만 하다.

한편, 컴퓨터 기술의 발전으로 처리할 수 있는 정보량이 늘어남에 따라 인공지능이 빠른 속도로 진화하고 있으며, 인공지능의 발전에 따라 언어의 벽을 낮추기 위한 기계 번역에 관심이 높아지고 있다. 이러한 기계 번역을 위한 서버 플랫폼으로는, 구글 번역기, 네이버 번역기 등을 비롯한 다양한 번역기가 존재한다.

근래에는 딥 러닝 알고리즘을 통해 기계 번역의 수준이 급상승함에 따라, 현재 양질의 번역 서비스가 공급되고 있다. 이러한 기계 번역은, 실시간으로 빠르게 원문에 대한 번역문을 제공할 수 있으며, 비용이 저렴하다는 장점이 있다.

다만, 기계 번역은 특수한 전문 분야의 지식에 관한 원문에 대하여 문맥을 고려하는 자연스러운 번역문 출력하는 데에는 한계가 있다. 또한, 기계 번역은, 출력된 번역문을 자체적으로 감수하기 위한 추가적인 기능이 없기 때문에, 번역한 문장에 오역 또는, 부자연스러운 문장이 존재하는지 여부를 사용자에게 인지시키기 어렵다.

이에 따라, 기계 번역을 통해 출력된 번역문에 대한 감수 과정에서의 감수자의 많은 노력과 시간이 필수적으로 요구된다. 예를 들어, 문학 작품에 관련한 원문을 기계 번역을 통해 번역하는 경우, 출력된 번역문에 오역 또는 부자연스러운 문장이 존재할 수 있으며, 이는, 원문에 대한 원작자의 의도를 해치는 결과를 가져올 우려가 있다. 즉, 번역문에 오역과 부자연스러운 문장이 존재함에 따라 발생되는 문제점들로 인해, 감수자의 감수 과정은 매우 중요할 수 있다. 원문의 양이 많을수록 감수해야할 번역문의 양은 많아지게 되며, 감수자의 노력과 시간이 더욱 가중될 수 있다.

한국공개특허 제10-2016-0118198호

본 발명이 해결하고자 하는 과제는 피번역 문장을 번역한 복수의 번역 문장 중에서 번역가에 의한 대표 번역문 선택의 결과를 나타내는 선택 학습 데이터로 학습된 인공지능 모델을 이용하여 복수의 번역 문장 데이터 중에서 어느 하나의 번역 문장 데이터를 대표 번역 문장 데이터로 결정함으로써, 피번역 도서 데이터를 대표 번역 문장 데이터로 구성된 번역 도서 데이터로 생성하는 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법을 제공하고자 한다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법은 상기 서버가, 피번역 도서 데이터를 구성하는 복수의 피번역 문장 데이터 중에서 어느 하나의 피번역 문장 데이터에 대응하여 번역 작업을 수행하는 제1 사용자에 의해 생성되는 복수의 번역 문장 데이터를 획득하는 단계; 상기 서버가, 상기 복수의 번역 문장 데이터 각각의 번역 적합도에 기초하여 상기 복수의 번역 문장 데이터 각각에 노출 순위 정보를 설정하는 단계; 및 상기 서버가, 상기 복수의 번역 문장 데이터 각각의 번역 적합도에 기초하여 상기 복수의 번역 문장 데이터 각각에 노출 여부 정보를 설정하는 단계; 상기 사용자 장치가 상기 노출 순위 정보 및 상기 노출 여부 정보에 기초하여 상기 복수의 번역 문장 데이터를 정렬하여 표시하는 단계;를 포함할 수 있다.

바람직하게, 상기 노출 순위 정보를 설정하는 단계는 상기 서버가, 상기 복수의 번역 문장 데이터 각각에 노출 순위 정보를 상기 번역 적합도가 높은 순으로 설정하는 단계;를 포함할 수 있다.

바람직하게, 상기 노출 여부 정보를 설정하는 단계는 상기 서버가, 상기 복수의 번역 문장 데이터 중에서 상기 번역 적합도가 미리 설정된 기준 적합도 이하인 번역 문장 데이터에 해당 번역 문장의 노출이 차단되도록 상기 노출 여부 정보를 설정하는 단계;를 포함할 수 있다.

상기 서버가, 피번역 문장 데이터에 대한 번역 문장 데이터의 번역 적합도를 결정하도록 훈련된 선택학습 인공지능 모델에 상기 어느 하나의 피번역 문장 데이터 및 상기 복수의 번역 문장 데이터를 입력하여, 상기 복수의 번역 문장 데이터 각각의 상기 번역 적합도를 획득하는 단계; 및 상기 서버가, 상기 복수의 번역 문장 데이터 각각의 상기 번역 적합도에 기초하여 상기 복수의 번역 문장 데이터 중에서 어느 하나의 번역 문장 데이터를 상기 어느 하나의 피번역 문장 데이터의 대표 번역 문장 데이터로 결정하는 단계;를 포함할 수 있다.

상기 서버가, 피번역 문장 학습 데이터에 대응되는 복수의 번역 문장 학습 데이터 중에서 어느 하나의 번역 문장 학습 데이터가 번역가에 의해 대표 번역 문장 학습 데이터로 선택된 결과를 나타내는 선택 학습 데이터를 획득하는 단계;를 포함할 수 있다.

상기 서버가, 상기 피번역 문장 학습 데이터, 상기 번역 문장 학습 데이터 및 상기 선택 학습 데이터를 이용하여 상기 선택학습 인공지능 모델을 훈련시키는 단계;를 포함할 수 있다.

바람직하게, 상기 결정하는 단계는 상기 서버가, 상기 복수의 번역 문장 데이터 중에서 상기 번역 적합도가 가장 높은 번역 문장 데이터를 상기 대표 번역 문장 데이터로 결정하는 단계;를 포함할 수 있다.

상기 서버가, 상기 피번역 도서 데이터에 포함된 상기 복수의 피번역 문장 데이터 모두에 대해 상기 대표 번역 문장 데이터가 결정되면, 상기 복수의 피번역 문장 데이터 각각의 상기 대표 번역 문장 데이터로 구성된 번역 도서 데이터를 생성하는 단계;를 포함할 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명에 따른 시스템의 제어 방법은 피번역 문장을 번역한 복수의 번역 문장 중에서 번역가에 의한 대표 번역문 선택의 결과를 나타내는 선택 학습 데이터로 학습된 인공지능 모델을 이용하여 복수의 번역 문장 데이터 중에서 어느 하나의 번역 문장 데이터를 대표 번역 문장 데이터로 결정함으로써, 피번역 도서 데이터를 대표 번역 문장 데이터로 구성된 번역 도서 데이터로 생성할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시예에 따른 시스템의 구성도이다.
도 2는 본 개시의 일 실시예에 따른 시스템에 포함된 서버, 제1 사용자 장치 및 제2 사용자 장치의 구성도이다.
도 3은 본 개시의 일 실시예에 따른 시스템의 제어 방법에 대한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 제1 사용자 장치가 번역 문장 데이터를 획득하는 모습에 대한 예시도이다.
도 5는 본 개시의 일 실시예에 따른 서버가 선택학습 인공지능 모델을 이용하여 번역 문장 데이터의 번역 적합도를 획득하는 과정을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시예에 따른 제2 사용자 장치가 복수의 번역 문장 데이터를 표시하는 모습에 대한 예시도이다.
도 7은 본 개시의 다른 실시예에 따른 서버가 선호학습 인공지능 모델을 이용하여 번역 문장 데이터의 번역 적합도를 획득하는 과정을 설명하기 위한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1은 본 개시의 일 실시예에 따른 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 면에 따른 시스템은 서버(100), 제1 사용자 장치(200) 및 제2 사용자 장치(300)를 포함할 수 있다.

서버(100)는 피번역 도서 데이터 및 번역 도서 데이터를 복수의 제1 사용자 장치(200) 및 복수의 제2 사용자 장치(300)로 송신할 수 있다. 또한, 서버(100)는 복수의 제1 사용자 장치(200)로부터 피번역 도서 데이터를 구성하는 피번역 문장 데이터 각각에 대응되는 번역 문장 데이터를 수신할 수 있다. 서버(100)는 수신된 복수의 번역 문장 데이터 중에서 어느 하나의 번역 문장 데이터를 대표 번역 문장 데이터로 결정하여 대표 번역 문장 데이터만으로 구성된 번역 도서 데이터를 생성하고, 제2 사용자 장치(300)로 번역 도서 데이터를 송신할 수 있다.

이때, 서버(100)는 번역 도서 데이터 뿐만 아니라, 피번역 도서 데이터 및 대표 번역 문장 데이터로 결정되지 않은 번역 문장 데이터를 제2 사용자 장치(300)로 송신할 수 있다.

제2 사용자 장치(300)는 번역 도서 데이터, 피번역 도서 데이터 중 어느 하나만을 표시할 수도 있고, 피번역 도서 데이터와 함께 번역 도서 데이터에 포함된 일부 대표 번역 문장 데이터를 표시할 수도 있으며, 피번역 도서 데이터와 함께 번역 도서 데이터에 포함된 일부 대표 번역 문장 데이터 대표 번역 문장 데이터로 결정되지 않은 번역 문장 데이터를 표시할 수도 있다.

즉, 서버(100)는 피번역 도서 데이터에 대한 번역 정보인 번역 문장 데이터를 복수의 제1 사용자 장치(200)로부터 수신하고, 하나의 피번역 문장 데이터가 나타내는 피번역 문장을 번역한 번역 문장을 나타내는 복수의 번역 문장 데이터 중에서 어느 하나를 대표 번역 문장 데이터로 결정하며, 결정된 대표 번역 문장 데이터들을 피번역 도서가 번역된 번역 도서를 나타내는 번역 도서 데이터로 구성하여 생성할 수 있다.

여기서, 피번역 도서 데이터는 번역 대상이 되는 피번역 도서를 나타내는 데이터이고, 피번역 문장 데이터는 번역 대상이 되는 피번역 도서에 포함된 어느 하나의 피번역 문장을 나타내는 데이터이다.

여기서, 번역 문장 데이터는 제1 사용자에 의해 피번역 문장으로부터 번역된 번역 문장을 나타내는 데이터이고, 번역 도서 데이터는 피번역 도서의 모든 피번역 문장에 대응되는 대표 번역 문장 데이터의 대표 번역 문장들로 구성된 번역 도서를 나타내는 데이터일 수 있다.

이때, 피번역 도서 데이터, 번역 도서 데이터 각각은 이북(E-BOOK) 형태일 수 있다.

이때, 피번역 언어의 종류와 번역 언어의 종류는 제한되지 않으며, 예를 들어, 피번역 언어의 종류는 한국어일 수 있고, 번역 언어의 종류는 인도네시아어일 수 있다.

제1 사용자 장치(200)는 상술된 번역 작업을 수행하는 제1 사용자에 의해 제어되는 장치로써, 스마트폰, 태블릿 PC, 퍼스널 컴퓨터(PC), TV, 콘솔 기기, 셋탑 박스, 기타 제어 기기 등으로 구현될 수 있으며, 바람직하게 제1 사용자 장치(200)는 스마트폰으로 구현될 수 있다.

제2 사용자 장치(300)는 상술된 번역 작업을 수행하는 제2 사용자에 의해 제어되는 장치로써, 스마트폰, 태블릿 PC, 퍼스널 컴퓨터(PC), TV, 콘솔 기기, 셋탑 박스, 기타 제어 기기 등으로 구현될 수 있으며, 바람직하게 제2 사용자 장치(300)는 스마트폰으로 구현될 수 있다.

이에 따라, 서버(100)는 본 발명에 따른 번역 서비스가 스마트폰에서 구현되도록 모바일 버전의 애플리케이션 데이터를 제공할 수 있다.

도 2는 본 개시의 일 실시예에 따른 시스템에 포함된 서버, 제1 사용자 장치 및 제2 사용자 장치의 구성도이다.

도 2를 참조하면, 서버(100)는, 메모리(110), 프로세서(120) 및 통신부(130)를 포함할 수 있다.

메모리(110)는 서버(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(110)는 비휘발성 메모리(110), 휘발성 메모리(110), 플래시메모리(110)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.

프로세서(120)는 메모리(110)에 저장된 각종 프로그램을 이용하여 서버(100)의 전반적인 동작을 제어할 수 있다. 프로세서(120)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.

RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 서버(100)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.

ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(110)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(110)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.

메인 CPU는 메모리(110)에 액세스하여, 메모리(110)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(110)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.

제1 내지 n 인터페이스는 상술한 각종 구성요소들과 연결된다. 제1 내지 n 인터페이스 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.

한편, 나아가, 프로세서(120)는 인공지능 모델을 제어할 수 있다. 이 경우, 프로세서(120)는 인공지능 모델을 제어하기 위한 그래픽 전용 프로세서(예: GPU)를 포함할 수 있음은 물론이다.

한편, 본 발명에 따른 인공지능 모델은 교사 지도학습(supervised learning) 또는 비교사 지도학습(unsupervised learning)기반의 모델일 수 있다. 나아가, 본 발명에 따른 인공지능 모델은 SVM(support vector machine), Decision tree, neural network 등 및 이들이 응용된 방법론을 포함할 수 있다.

일 실시예로, 본 발명에 따른 인공지능 모델은 학습데이터를 입력하여 학습된 합성곱 신경망(Convolutional deep Neural Networks, CNN) 기반의 인공지능 모델일 수 있다. 다만, 이에 한정되는 것은 아니며, 다양한 인공지능 모델이 본 발명에 적용될 수 있음은 물론이다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 인공지능 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

이때, 합성곱 신경망(Convolutional deep Neural Networks, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망은 하나 또는 여러개의 합성곱 계층(convolutional layer)과 그 위에 올려진 일반적인 인공신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 또한, 합성곱 신경망은 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

또한, 심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.

이때, 심층 신경망의 구조는 퍼셉트론(perceptron)으로 구성될 수 있다. 퍼셉트론은 여러 개의 입력 값(input)과 하나의 프로세서(prosessor), 하나의 출력 값으로 구성된다. 프로세서는 여러 개의 입력 값에 각각 가중치를 곱한 후, 가중치가 곱해진 입력 값들을 모두 합한다. 그 다음 프로세서는 합해진 값을 활성화함수에 대입하여 하나의 출력 값을 출력한다. 만약 활성화함수의 출력 값으로 특정한 값이 나오기를 원하는 경우, 각 입력 값에 곱해지는 가중치를 수정하고, 수정된 가중치를 이용하여 출력 값을 다시 계산할 수 있다. 이때, 각각의 퍼셉트론은 서로 다른 활성화함수를 사용할 수 있다. 또한 각각의 퍼셉트론은 이전 계층에서 전달된 출력들을 입력으로 받아들인 다음, 활성화 함수를 이용해서 출력을 구한다. 구해진 출력은 다음 계층의 입력으로 전달된다. 상술한 바와 같은 과정을 거치면 최종적으로 몇 개의 출력 값을 얻을 수 있다.

순환 신경망(Reccurent Neural Network, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다.

심층 신뢰 신경망(Deep Belief Networks, DBN)이란 기계학습에서 사용되는 그래프 생성 모형(generative graphical model)으로, 딥 러닝에서는 잠재변수(latent variable)의 다중계층으로 이루어진 심층 신경망을 의미한다. 계층 간에는 연결이 있지만 계층 내의 유닛 간에는 연결이 없다는 특징이 있다.

심층 신뢰 신경망은 생성 모형이라는 특성상 선행학습에 사용될 수 있고, 선행학습을 통해 초기 가중치를 학습한 후 역전파 혹은 다른 판별 알고리즘을 통해 가중치의 미조정을 할 수 있다. 이러한 특성은 훈련용 데이터가 적을 때 굉장히 유용한데, 이는 훈련용 데이터가 적을수록 가중치의 초기값이 결과적인 모델에 끼치는 영향이 세지기 때문이다. 선행학습된 가중치 초기값은 임의로 설정된 가중치 초기값에 비해 최적의 가중치에 가깝게 되고 이는 미조정 단계의 성능과 속도향상을 가능케 한다.

상술한 인공지능 및 그 학습방법에 관한 내용은 예시를 위하여 서술된 것이며, 상술한 실시 예들에서 이용되는 인공지능 및 그 학습방법은 제한되지 않는다. 예를 들어, 당 업계의 통상의 기술자가 동일한 과제해결을 위하여 적용할 수 있는 모든 종류의 인공지능 기술 및 그 학습방법이 개시된 실시 예에 따른 시스템을 구현하는 데 활용될 수 있다.

한편, 프로세서(120)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(120)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(120)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 추출된 제1 학습용 데이터를 신규 학습용 데이터로부터 삭제하고, 추출된 학습용 데이터가 삭제된 신규 학습용 데이터를 이용하여 학습된 모델을 다시 학습시킬 수 있다.

한편, 프로세서(120)는 프로세서(120) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(120)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(110)에는 프로세서(120)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(110)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

통신부(130)는 제1 사용자 장치(100)와 통신을 수행할 수 있다. 특히, 통신부(130)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.

도 2를 참조하면, 제1 사용자 장치(200)는, 메모리(210), 입력부(220), 디스플레이(230), 프로세서(240) 및 통신부(250)를 포함할 수 있다.

메모리(210)는 제1 사용자 장치(200)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(210)는 비휘발성 메모리(210), 휘발성 메모리(210), 플래시메모리(210)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.

프로세서(240)는 메모리(210)에 저장된 각종 프로그램을 이용하여 제1 사용자 장치(200)의 전반적인 동작을 제어할 수 있다. 프로세서(240)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.

RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 제1 사용자 장치(200)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.

ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(210)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(210)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.

그래픽 처리부는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이템, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성한다. 여기서, 연산부는 입력부로부터 수신된 제어 명령을 이용하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산하는 구성일 수 있다. 그리고, 렌더링부는 연산부에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성하는 구성이 일 수 있다. 이러한 렌더링부에서 생성된 화면은 디스플레이(230)의 디스플레이 영역 내에 표시될 수 있다.

메인 CPU는 메모리(210)에 액세스하여, 메모리(210)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(210)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.

한편, 프로세서(240)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(240)는 메모리(210)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(240)는 메모리(210)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 추출된 제1 학습용 데이터를 신규 학습용 데이터로부터 삭제하고, 추출된 학습용 데이터가 삭제된 신규 학습용 데이터를 이용하여 학습된 모델을 다시 학습시킬 수 있다.

한편, 프로세서(240)는 프로세서(240) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(240)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(210)에는 프로세서(240)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(210)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

입력부(220)는 사용자로부터 다양한 정보를 입력받을 수 있다. 이를 위해, 입력부(220) 다양한 입력인터페이스를 구비할 수 있다. 예를 들어, 입력부(220)는 키보드, 마우스, 터치모듈을 구비할 있다.

디스플레이(230)는 다양한 정보를 시각적으로 출력하기 위한 구성으로, LCD(Liquid Crystal Display), PDP(Plasma Display Panel), OLED(Organic Light Emitting Diodes), TOLED(Transparent OLED), Micro LED 등으로 구현될 수 있으나, 이에 한정되는 것은 아니고 이밖에 종래 알려진 다양한 형태의 디스플레이를 포함할 수 있다.

실시예로, 디스플레이(230)는, 사용자의 터치 조작을 감지할 수 있는 터치스크린 형태로 구현될 수 있으며, 접히거나 구부러질 수 있는 플렉서블 디스플레이로 구현될 수도 있다.

통신부(250)는 서버(200)와 통신을 수행할 수 있다. 특히, 통신부(250)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.

도 2를 참조하면, 제2 사용자 장치(300)는, 메모리(310), 입력부(320), 디스플레이(330), 프로세서(340) 및 통신부(350)를 포함할 수 있다.

메모리(310)는 제2 사용자 장치(300)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(310)는 비휘발성 메모리(310), 휘발성 메모리(310), 플래시메모리(310)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.

프로세서(340)는 메모리(310)에 저장된 각종 프로그램을 이용하여 제2 사용자 장치(300)의 전반적인 동작을 제어할 수 있다. 프로세서(340)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제2 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제2 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.

RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 제2 사용자 장치(300)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.

ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(310)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(310)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.

그래픽 처리부는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이템, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성한다. 여기서, 연산부는 입력부로부터 수신된 제어 명령을 이용하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산하는 구성일 수 있다. 그리고, 렌더링부는 연산부에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성하는 구성이 일 수 있다. 이러한 렌더링부에서 생성된 화면은 디스플레이(330)의 디스플레이 영역 내에 표시될 수 있다.

메인 CPU는 메모리(310)에 액세스하여, 메모리(310)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(310)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.

제2 내지 n 인터페이스는 상술한 각종 구성요소들과 연결된다. 제2 내지 n 인터페이스 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.

한편, 프로세서(340)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(340)는 메모리(310)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(340)는 메모리(310)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 테스트 결과, 라벨링된 정보가 소정의 제2 기준값 이상의 정확도로 획득되는 제2 학습용 데이터를 추출하고, 추출된 제2 학습용 데이터를 신규 학습용 데이터로부터 삭제하고, 추출된 학습용 데이터가 삭제된 신규 학습용 데이터를 이용하여 학습된 모델을 다시 학습시킬 수 있다.

한편, 프로세서(340)는 프로세서(340) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(340)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(310)에는 프로세서(340)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(310)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

입력부(320)는 사용자로부터 다양한 정보를 입력받을 수 있다. 이를 위해, 입력부(320) 다양한 입력인터페이스를 구비할 수 있다. 예를 들어, 입력부(320)는 키보드, 마우스, 터치모듈을 구비할 있다.

디스플레이(330)는 다양한 정보를 시각적으로 출력하기 위한 구성으로, LCD(Liquid Crystal Display), PDP(Plasma Display Panel), OLED(Organic Light Emitting Diodes), TOLED(Transparent OLED), Micro LED 등으로 구현될 수 있으나, 이에 한정되는 것은 아니고 이밖에 종래 알려진 다양한 형태의 디스플레이를 포함할 수 있다.

실시예로, 디스플레이(330)는, 사용자의 터치 조작을 감지할 수 있는 터치스크린 형태로 구현될 수 있으며, 접히거나 구부러질 수 있는 플렉서블 디스플레이로 구현될 수도 있다.

통신부(350)는 서버(300)와 통신을 수행할 수 있다. 특히, 통신부(350)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.

도 3은 본 개시의 일 실시예에 따른 시스템의 제어 방법에 대한 흐름도이다.

도 3에 도시된 바와 같이, 본 발명의 일 면에 따른 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법은, 서버(100)가, 피번역 도서 데이터를 구성하는 복수의 피번역 문장 데이터 중에서 어느 하나의 피번역 문장 데이터에 대응하여 번역 작업을 수행하는 복수의 제1 사용자 각각에 의해 생성되는 복수의 번역 문장 데이터를 획득하는 단계(S21)을 수행할 수 있다.

이어서, 본 발명의 일 면에 따른 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법은, 서버(200)가, 피번역 문장 데이터에 대한 번역 문장 데이터의 번역 적합도를 결정하도록 훈련된 선택학습 인공지능 모델에 어느 하나의 피번역 문장 데이터 및 복수의 번역 문장 데이터를 입력하여, 복수의 번역 문장 데이터 각각의 번역 적합도를 획득하는 단계(S22)를 수행할 수 있다.

최종적으로, 본 발명의 일 면에 따른 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법은, 서버(200)가, 복수의 번역 문장 데이터 각각의 번역 적합도에 기초하여 복수의 번역 문장 데이터 중에서 어느 하나의 번역 문장 데이터를 어느 하나의 피번역 문장 데이터의 대표 번역 문장 데이터로 결정하는 단계(S23)를 수행할 수 있다.

본 발명의 일 면에 따른 인공 지능을 통한 번역문 결정을 이용하여 번역 서비스를 제공하는 시스템의 제어 방법은, 단계 S21 내지 단계 S23를 수행하기 전에, 피번역 도서 데이터를 제공하는 단계를 수행할 수 있다.

도 4는 본 개시의 일 실시예에 따른 제1 사용자 장치가 번역 문장 데이터를 획득하는 모습에 대한 예시도이다.

단계 S21를 수행하기 전에, 서버(100)는 제1 사용자의 번역 작업을 위해 피번역 문장 데이터로 구성된 피번역 도서 데이터를 제1 사용자 장치(200)로 송신하여 피번역 도서 데이터를 제공하는 단계를 수행할 수 있다.

이때, 서버(100)는 제1 사용자에 의해 요청된 피번역 도서 데이터를 제1 사용자 장치(200)로 송신할 수 있다.

이후, 단계 S21에 대해 설명하면, 제1 사용자 장치(200)는, 수신된 피번역 도서 데이터(TBD')와 피번역 도서 데이터(TBD')를 구성하는 피번역 문장 데이터(TSD')를 표시할 수 있다.

이때, 제1 사용자 장치(200)는 제1 사용자로부터 피번역 도서 데이터(TBD')를 구성하는 복수의 피번역 문장 데이터(TSD') 중에서 어느 하나의 피번역 문장 데이터(TSD')를 선택하는 선택 입력이 입력되면, 선택된 피번역 문장 데이터(TSD')가 나타내는 피번역 문장으로부터 번역된 번역 문장을 입력할 수 있는 입력 UI(UI2)를 표시할 수 있다.

이후, 제1 사용자 장치(200)는 입력 UI(UI2)를 통해 번역 문장이 입력되면 입력된 번역 문장을 번역 문장 데이터(TSD)로 생성할 수 있다.

이때, 제1 사용자 장치(200)는 피번역 도서 데이터(TBD')를 구성하는 복수의 피번역 문장 데이터(TSD') 중에서 어느 하나의 피번역 문장 데이터(TSD') 뿐만 아니라 다른 피번역 문장 데이터(TSD')에 대응되는 번역 문장을 제1 사용자로부터 입력받아 번역 문장 데이터(TSD)를 생성할 수 있다.

서버(200)는 제1 사용자 장치(200)로부터 번역 문장 데이터(TSD)를 수신하여 번역 문장 데이터(TSD)를 획득할 수 있다.

이때, 서버(200)는 동일한 피번역 문장 데이터(TSD')에 대해 복수의 제1 사용자 장치(200) 각각으로부터 번역 문장 데이터(TSD)를 수신하여 번역 문장 데이터(TSD)를 획득할 수 있다.

또한, 서버(200)는 동일한 제1 사용자 장치(200)로부터 복수의 문장 데이터(TSD')에 대한 번역 문장 데이터(TSD)를 수신하여 번역 문장 데이터(TSD)를 획득할 수 있다.

즉, 어느 하나의 피번역 문장은 복수의 제1 사용자 각각으로부터 번역될 수 있고, 번역의 결과로 복수의 제1 사용자 각각에 의해 입력된 번역 문장은 번역 문장 데이터(TSD)로 생성될 수 있다.

예를 들어, 피번역 문장 “ㄱ”는 제1 사용자 3명 각각으로부터 번역될 수 있고, 번역의 결과로, 번역 문장 “A1”, 번역 문장 “A2” 및 번역 문장 “A3” 각각이 번역 문장 데이터(TSD)로 생성될 수 있다.

또한, 피번역 문장 “ㄱ”와 피번역 문장 “ㄴ” 각각은 동일한 제1 사용자 1명으로부터 번역될 수 있고, 번역 각각의 결과로, 번역 문장 “A”, 번역 문장 “B” 각각이 번역 문장 데이터(TSD)로 생성될 수 있다.

한편, 서버(200)는 획득된 피번역 문장 데이터(TSD')에 피번역 도서 식별 정보, 피번역 문장 식별 정보를 할당하여 피번역 문장 데이터(TSD')를 저장할 수 있다.

여기서, 피번역 도서 식별 정보는 피번역 문장 데이터(TSD')에 대응되는 피번역 도서를 식별하기 위한 정보이고, 피번역 문장 식별 정보는 피번역 문장 데이터(TSD')에 대응되는 피번역 문장을 식별하기 위한 정보이다.

즉, 서버(200)는 피번역 도서 식별 정보를 이용하여 피번역 문장 데이터(TSD')의 피번역 도서가 어떠한 도서인지 확인할 수 있고, 피번역 문장 식별 정보를 이용하여 피번역 문장 데이터(TSD')의 피번역 문장이 피번역 도서를 구성하는 피번역 문장 중 어떠한 문장인지 확인할 수 있다.

단계 S22에 대해 설명하면, 서버(200)는 피번역 문장 데이터에 대한 번역 문장 데이터의 번역 적합도를 결정하도록 훈련된 선택학습 인공지능 모델에 어느 하나의 피번역 문장 데이터 및 복수의 번역 문장 데이터를 입력하여, 복수의 번역 문장 데이터 각각의 번역 적합도를 획득할 수 있다.

이를 위해, 서버(200)는 선택학습 인공지능 모델을 훈련시킬 수 있다.

도 5는 본 개시의 일 실시예에 따른 서버가 선택학습 인공지능 모델을 이용하여 번역 문장 데이터의 번역 적합도를 획득하는 과정을 설명하기 위한 도면이다.

도 5를 참조하면, 서버(100)는 선택학습 인공지능 모델(M2)을 훈련시키는 인공지능 훈련 모듈을 구비할 수 있다.

구체적으로, 서버(100)는 피번역 문장 학습 데이터(TSRD'), 피번역 문장 학습 데이터(TSRD')에 대응되는 복수의 번역 문장 학습 데이터(TSRD) 및 피번역 문장 학습 데이터(TSRD')에 대응되는 복수의 번역 문장 학습 데이터(TSRD) 중에서 어느 하나의 번역 문장 학습 데이터(TSRD)가 번역가에 의해 대표 번역 문장 학습 데이터로 선택된 결과를 나타내는 선택 학습 데이터(SRD)를 제2 학습 데이터 세트로 구성하고, 제2 학습 데이터 세트를 이용하여 선택학습 인공지능 모델(M2)를 훈련시킬 수 있다.

여기서, 피번역 문장 학습 데이터(TSRD')는 피번역 도서 데이터를 구성하는 피번역 문장 데이터이며 피번역 문장을 나타내되, 학습 데이터 세트로 구성되는 데이터이다.

여기서, 번역 문장 학습 데이터(TSRD)는 제1 사용자에 의해 피번역 문장 학습 데이터(TSRD')가 나타내는 피번역 문장으로부터 번역된 번역 문장을 나타내되, 학습 데이터 세트로 구성되는 데이터이다.

한편, 피번역 문장 학습 데이터(TSRD')가 나타내는 피번역 문장은, 상술된 피번역 문장 데이터가 나타내는 피번역 문장과 다른 문장이고, 번역 문장 학습 데이터(TSRD)가 나타내는 번역 문장은, 상술된 번역 문장 데이터가 나타내는 번역 문장과 다른 문장이며, 번역 문장 데이터의 번역 적합도를 획득하는 과정을 수행하기 이전에 서버(200)는 상술된 제2 학습 데이터 세트를 획득하여 상술된 선호학습 인공지능 모델(M1)을 훈련시킬 수 있다.

여기서, 선택 학습 데이터(SRD)는 복수의 번역 문장 학습 데이터(TSRD)가 나타내는 복수의 번역 문장 중에서 번역가에 의해 가장 적합한 번역 문장의 선택의 결과를 나타내는 결과 데이터를 포함할 수 있다.

다른 실시 예에 따른 서버(100)는 복수의 제2 학습 데이터 세트를 이용하여 선택학습 인공지능 모델(M2)를 훈련시킬 수 있다.

즉, 복수의 제2 학습 데이터 세트 각각은 하기의 표 1과 같이 구성될 수 있다.

제2 학습 데이터 세트	피번역 문장 학습 데이터	번역 문장 학습 데이터	선택 학습 데이터
B1-1	B2-1	B3-1-1, B3-1-2, …	B4-1
B1-2	B2-2	B3-2-1, B3-2-2, …	B4-2
B1-3	B2-3	B3-3-1, B3-3-2, …	B4-3
…	…	…	…

여기서, 번역 문장 학습 데이터(TSRD)에 대해 번역가가 선택함이란, 어느 하나의 피번역 문장 학습 데이터(TSRD')의 피번역 문장에 대한 복수의 번역 문장을 나타내는 복수의 번역 문장 학습 데이터(TSRD) 중에서, 번역가가 어느 하나의 번역 문장 학습 데이터(TSRD)가 나타내는 번역 문장을 대표되는 번역 문장으로 선택함을 의미할 수 있다.

여기서, 번역가는 소정의 기간동안 번역활동을 수행한 사람이거나 특정 언어의 번역에 대한 자격증을 소유한 사람일 수 있다.

또한, 번역가는 서버에 번역가로 미리 등록된 사용자일 수도 있다.

즉, 선택학습 인공지능 모델(M2)은 어느 하나의 피번역 문장을 번역한 복수의 피번역 문장에 대한 피번역가의 선택 결과를 학습하고, 학습을 기초하여 복수의 번역 문장 데이터(TSD) 각각에 대한 번역 적합도를 출력할 수 있다.

여기서, 번역 적합도가 나타내는 수치가 클수록 해당 번역 문장 데이터(TSD)의 번역 문장이 피번역 문장 데이터(TSD')의 피번역 문장에 적합하게 번역?瑛습? 의미할 수 있다.

단계 S23에 대해 설명하면, 서버(100)는 복수의 번역 문장 데이터 각각의 번역 적합도에 기초하여 복수의 번역 문장 데이터 중에서 어느 하나의 번역 문장 데이터를 어느 하나의 피번역 문장 데이터의 대표 번역 문장 데이터로 결정할 수 있다.

구체적으로, 서버(100)는 복수의 번역 문장 데이터 중에서 번역 적합도가 가장 높은 번역 문장 데이터를 대표 번역 문장 데이터로 결정할 수 있다.

한편, 서버(100)는 복수의 번역 문장 데이터 각각에 노출 순위 정보를 번역 적합도가 높은 순으로 설정할 수 있다.

또한, 서버(200)는 복수의 번역 문장 데이터 중에서 번역 적합도가 미리 설정된 기준 적합도 이하인 번역 문장 데이터에 해당 번역 문장의 노출이 차단되도록 노출 여부 정보를 설정할 수 있다.

이후, 서버(200)는 대표 번역 문장 데이터의 결정 결과를 나타내는 결정 결과 정보, 노출 순위 정보, 노출 여부 정보를 제2 사용자 장치(300)로 송신할 수 있다.

도 6은 본 개시의 일 실시예에 따른 제2 사용자 장치가 복수의 번역 문장 데이터를 표시하는 모습에 대한 예시도이다.

도 6을 참조하면, 제2 사용자 장치(300)는 결정 결과 정보, 노출 순위 정보 및 노출 여부 정보에 기초하여 피번역 문장 데이터(TSD')와 함께 번역 문장 데이터(TSD1, …, TSD3)를 표시할 수 있다.

또한, 제2 사용자 장치(300)는 피번역 문장 데이터(TSD')를 대신하여 번역 문장 데이터만을 표시할 수 있다.

구체적으로, 제2 사용자 장치(300)는 결정 결과 정보에 기초하여 번역 문장 데이터(TSD1, …, TSD3) 중에서 대표 번역 문장 데이터만을 표시하거나, 노출 순위 정보에 기초하여 번역 적합도가 큰 순으로 번역 문장 데이터(TSD1, …, TSD3)를 정렬하여 표시하거나 노출 여부 정보에 기초하여 번역 적합도기 기준 번역 적합도 이하인 번역 문장 데이터는 표시하지 않을 수 있다.

한편, 서버(100)는 피번역 도서 데이터(TBD')를 구성하는 피번역 문장 데이터(TSD') 모두에 대해 대표 번역 문장 데이터가 결정된 경우, 결정된 대표 번역 문장 데이터만으로 구성된 번역 도서 데이터(TBD)를 생성할 수 있다.

서버(100)는 번역 도서 데이터(TBD)를 제1 사용자 장치(200)와 제2 사용자 장치(300)로 송신할 수 있다.

도 7은 본 개시의 다른 실시예에 따른 서버가 선택학습 인공지능 모델을 이용하여 번역 문장 데이터의 번역 적합도를 획득하는 과정을 설명하기 위한 도면이다.

도 7을 참조하면, 다른 실시 예에 따른 서버(100)는 선택학습 인공지능 모델(M2) 대신 선택학습 인공지능 모델을 이용하여 상술된 번역 적합도를 획득할수 있다.

구체적으로, 다른 실시 예에 따른 서버(100)는 피번역 문장 데이터에 대한 번역 문장 데이터의 번역 적합도를 결정하도록 훈련된 선호학습 인공지능 모델(M1)에 어느 하나의 피번역 문장 데이터 및 복수의 번역 문장 데이터를 입력하여, 복수의 번역 문장 데이터 각각의 번역 적합도를 획득할 수 있다.

다른 실시 예에 따른 서버(100)는 선호학습 인공지능 모델(M1)을 훈련시키는 인공지능 훈련 모듈을 구비할 수 있다.

다른 실시 예에 따른 서버(100)는 피번역 문장 학습 데이터(TSRD'), 피번역 문장 학습 데이터(TSRD')에 대응되는 복수의 번역 문장 학습 데이터(TSRD) 및 피번역 문장 학습 데이터(TSRD')에 대응되는 복수의 번역 문장 학습 데이터(TSRD) 각각에 대한 복수의 제2 사용자 각각의 선호 여부를 나타내는 선호 학습 데이터(PRD)를 제1 학습 데이터 세트로 구성하고, 제1 학습 데이터 세트를 이용하여 선호학습 인공지능 모델(M1)을 훈련시킬 수 있다.

번역 문장 데이터의 번역 적합도를 획득하는 과정을 수행하기 이전에 서버(200)는 상술된 제1 학습 데이터 세트를 획득하여 상술된 선호학습 인공지능 모델(M1)을 훈련시킬 수 있다.

여기서, 선호 학습 데이터(PRD)는 번역 문장 학습 데이터(TSRD)가 나타내는 번역 문장의 번역 퀄리티에 대한 제2 사용자의 평가를 나타내는 평가 데이터, 피번역 문장 학습 데이터(TSRD')에 대응되는 복수의 번역 문장 학습 데이터(TSRD) 각각에 대해 제2 사용자가 선택한 결과를 나타내는 결과 데이터를 포함할 수 있다.

서버(100)는 복수의 제1 학습 데이터 세트를 이용하여 선호학습 인공지능 모델(M1)을 훈련시킬 수 있다.

즉, 복수의 제1 학습 데이터 세트 각각은 하기의 표 2와 같이 구성될 수 있다.

제1 학습 데이터 세트	피번역 문장 학습 데이터	번역 문장 학습 데이터	선호 학습 데이터
A1-1	A2-1	A3-1-1, A3-1-2, …	A4-1
A1-2	A2-2	A3-2-1, A3-2-2, …	A4-2
A1-3	A2-3	A3-3-1, A3-3-2, …	A4-3
…	…	…	…

여기서, 번역 문장 학습 데이터(TSRD)에 대해 제2 사용자가 선택함이란, 어느 하나의 피번역 문장 학습 데이터(TSRD')의 피번역 문장에 대한 복수의 번역 문장을 나타내는 복수의 번역 문장 학습 데이터(TSRD) 중에서, 제2 사용자가 어느 하나의 번역 문장 학습 데이터(TSRD)가 나타내는 번역 문장을 대표되는 번역 문장으로 선택함을 의미할 수 있다.

즉, 선호학습 인공지능 모델(M1)은 어느 하나의 피번역 문장을 번역한 복수의 피번역 문장에 대한 제2 사용자의 선호 여부를 학습하고, 학습을 기초하여 복수의 번역 문장 데이터(TSD) 각각에 대한 번역 적합도를 출력할 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

또한, 본 발명의 서로 다른 실시예들은 상호 보완되거나 결합될 수 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler), 파이썬(Python) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 서버
200 : 제1 사용자 장치
300 : 제2 사용자 장치

Claims

사용자 장치 및 서버를 포함하는 시스템의 제어 방법에 있어서,
상기 서버가, 피번역 도서 데이터를 구성하는 복수의 피번역 문장 데이터 중에서 어느 하나의 피번역 문장 데이터에 대응하여 번역 작업을 수행하는 복수의 제1 사용자 각각에 의해 생성되는 복수의 번역 문장 데이터를 획득하는 단계;
상기 서버가, 상기 복수의 번역 문장 데이터 각각의 번역 적합도에 기초하여 상기 복수의 번역 문장 데이터 각각에 노출 순위 정보를 설정하는 단계;
상기 서버가, 상기 복수의 번역 문장 데이터 각각의 번역 적합도에 기초하여 상기 복수의 번역 문장 데이터 각각에 노출 여부 정보를 설정하는 단계; 및
상기 사용자 장치가 상기 노출 순위 정보 및 상기 노출 여부 정보에 기초하여 상기 복수의 번역 문장 데이터를 정렬하여 표시하는 단계;를 포함하는, 시스템의 제어 방법.
제1항에 있어서,
상기 노출 순위 정보를 설정하는 단계는
상기 서버가, 상기 복수의 번역 문장 데이터 각각에 노출 순위 정보를 상기 번역 적합도가 높은 순으로 설정하는 단계;를 포함하는, 시스템의 제어 방법.
제1항에 있어서,
상기 노출 여부 정보를 설정하는 단계는
상기 서버가, 상기 복수의 번역 문장 데이터 중에서 상기 번역 적합도가 미리 설정된 기준 적합도 이하인 번역 문장 데이터에 해당 번역 문장의 노출이 차단되도록 상기 노출 여부 정보를 설정하는 단계;를 포함하는, 시스템의 제어 방법.
제1항에 있어서,
상기 서버가, 피번역 문장 데이터에 대한 번역 문장 데이터의 번역 적합도를 결정하도록 훈련된 선택학습 인공지능 모델에 상기 어느 하나의 피번역 문장 데이터 및 상기 복수의 번역 문장 데이터를 입력하여, 상기 복수의 번역 문장 데이터 각각의 상기 번역 적합도를 획득하는 단계; 및
상기 서버가, 상기 복수의 번역 문장 데이터 각각의 상기 번역 적합도에 기초하여 상기 복수의 번역 문장 데이터 중에서 어느 하나의 번역 문장 데이터를 상기 어느 하나의 피번역 문장 데이터의 대표 번역 문장 데이터로 결정하는 단계;를 포함하는, 시스템의 제어 방법.
제4항에 있어서,
상기 서버가, 피번역 문장 학습 데이터에 대응되는 복수의 번역 문장 학습 데이터 중에서 어느 하나의 번역 문장 학습 데이터가 번역가에 의해 대표 번역 문장 학습 데이터로 선택된 결과를 나타내는 선택 학습 데이터를 획득하는 단계;를 포함하는, 시스템의 제어 방법.
제5항에 있어서,
상기 서버가, 상기 피번역 문장 학습 데이터, 상기 번역 문장 학습 데이터 및 상기 선택 학습 데이터를 이용하여 상기 선택학습 인공지능 모델을 훈련시키는 단계;를 포함하는, 시스템의 제어 방법.
제4항에 있어서,
상기 결정하는 단계는
상기 서버가, 상기 복수의 번역 문장 데이터 중에서 상기 번역 적합도가 가장 높은 번역 문장 데이터를 상기 대표 번역 문장 데이터로 결정하는 단계;를 포함하는, 시스템의 제어 방법.
제4항에 있어서,
상기 서버가, 상기 피번역 도서 데이터에 포함된 상기 복수의 피번역 문장 데이터 모두에 대해 상기 대표 번역 문장 데이터가 결정되면, 상기 복수의 피번역 문장 데이터 각각의 상기 대표 번역 문장 데이터로 구성된 번역 도서 데이터를 생성하는 단계;를 포함하는, 시스템의 제어 방법.