KR20240047815A

KR20240047815A - System, method and program for determining quantization bit size using prediction accuracy of quantized data based on AI model

Info

Publication number: KR20240047815A
Application number: KR1020220127321A
Authority: KR
Inventors: 김의직; 권정혁
Original assignee: 한림대학교 산학협력단
Priority date: 2022-10-05
Filing date: 2022-10-05
Publication date: 2024-04-12

Abstract

본 개시에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 결정 장치는 센싱 데이터를 입력 데이터로 입력받아 예측 데이터를 출력 데이터로 출력하는 예측 모델의 훈련 데이터 세트 및 테스트 데이터 세트를 획득하는 통신부; 및 상기 훈련 데이터 세트를 이용하여 양자화 비트 크기 범위에 포함된 복수의 양자화 비트 크기 각각에 대응되는 복수의 양자화 테이블을 생성하고, 상기 복수의 양자화 테이블을 이용하여 상기 테스트 데이터 세트를 복수의 양자화 비트 크기 각각에 대응되는 복수의 양자화 테스트 데이터 세트로 양자화하고, 상기 테스트 데이터 세트 및 상기 복수의 양자화 테스트 데이터 세트 각각을 상기 예측 모델의 상기 입력 데이터로 입력하고, 상기 예측 모델로부터 출력되는 상기 예측 데이터 각각의 예측 정확도에 기초하여 상기 복수의 양자화 비트 크기 중에서 어느 하나의 양자화 비트 크기를 상기 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정하는 프로세서;를 포함할 수 있다.The decision device for determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to the present disclosure includes a training data set and test of a prediction model that receives sensing data as input data and outputs prediction data as output data. a communication unit that acquires a data set; And using the training data set to generate a plurality of quantization tables corresponding to each of a plurality of quantization bit sizes included in the quantization bit size range, and using the plurality of quantization tables to convert the test data set into a plurality of quantization bit sizes. Quantizing each of the corresponding quantized test data sets, inputting the test data set and each of the plurality of quantized test data sets as the input data of the prediction model, and each of the prediction data output from the prediction model. It may include a processor that determines one quantization bit size among the plurality of quantization bit sizes as the quantization bit size used for quantization of the sensing data based on prediction accuracy.

Description

System, method and program for determining quantization bit size using prediction accuracy of quantized data based on AI model}

본 개시는 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템, 방법 및 프로그램에 관한 것이다.The present disclosure relates to a system, method, and program for determining a quantization bit size using prediction accuracy of quantization data based on an artificial intelligence model.

무선 센서 네트워크(WSN: Wireless Sensor Network)는 다수의 센서 노드들이 센싱 영역에 배치되어 네트워크를 구성하고, 센서 노드가 획득한 센싱 정보를 원격으로 전송하는 네트워크이다.A wireless sensor network (WSN: Wireless Sensor Network) is a network in which multiple sensor nodes are deployed in a sensing area to form a network and remotely transmit sensing information acquired by the sensor nodes.

무선 센서 네트워크는 지능형 빌딩 또는 공장 내의 환경 제어, 생산 공정 자동 제어, 물류 관리, 병원에서의 물품 및 정보 관리, 환자 상태의 원격 감지, 군사 통제 등 다양한 분야에서 사용되고 있다.Wireless sensor networks are used in various fields such as environmental control within intelligent buildings or factories, automatic control of production processes, logistics management, goods and information management in hospitals, remote sensing of patient conditions, and military control.

초기에 군사 작전을 주목적으로 사용되어 왔던 센서 네트워크는 반도체 기술의 향상으로 인하여 프로세서의 소형화, 고성능화가 진행되고, 메모리 용량의 대형화 및 저비용화가 실현되는 한편, 무선 통신 등의 기술 발전에 힘입어 민간 부문에서도 상용화되기 직전까지 와있다.Sensor networks, which were initially used mainly for military operations, have been used in the private sector thanks to technological advancements such as wireless communication, while processors have become smaller and more performant, memory capacities have become larger and lower costs have been realized due to improvements in semiconductor technology. It is also on the verge of commercialization.

현재 제안되고 있는 센서 네트워크 기술 응용례는 무인 경비, 일정 지역의 또는 수역의 온도나 오염도 등의 상태를 감시하는 환경 감시, 원격 검침, 설비 감시 등 실로 다양하며, 홈 네트워크 시스템과 인터넷 망과 연동하여 동작되는 응용례도 제안되고 일부 실시되고 있다.Application examples of sensor network technology that are currently being proposed are truly diverse, such as unmanned security, environmental monitoring that monitors the temperature or pollution level of a certain area or water body, remote meter reading, and facility monitoring, and can be used in conjunction with home network systems and Internet networks. Working application examples have also been proposed and some are being implemented.

센서 네트워크의 기본 구조는 독자적 감지 능력과 컴퓨팅 능력이 있는 복수 개의 네트워크 노드가 통신망에 의하여 연결된 구조이며, 각 노드의 전력은 노드별로 위치하는 로컬 배터리를 통해 공급된다. The basic structure of a sensor network is a structure in which multiple network nodes with independent sensing and computing capabilities are connected by a communication network, and the power of each node is supplied through a local battery located for each node.

그러나, 각 노드에 전원을 공급하는 배터리는 각 노드의 이동성을 고려하여 비교적 소용량 배터리이기 때문에 에너지 사용에 극히 제약적인 단점이 있으며, 이를 극복하기 위하여 네트워크 전 분야에 걸쳐 전력 소비 저감에 관한 연구가 진행되어 왔다.However, since the battery that supplies power to each node is a relatively small capacity battery considering the mobility of each node, it has the disadvantage of being extremely limited in energy use. To overcome this, research is being conducted on reducing power consumption across all areas of the network. It has been done.

연구 방향의 주된 흐름은 각 노드 간의 무선 통신의 횟수 또는 통신량을 감소시켜 네트워크 생존시간을 최대화하려는 것이지만, 현재까지 에너지 소비를 효율적으로 이룰 수 있는 구체적인 방법이 제시되지 못하고 있으며 네트경로 탐색이나 데이터 병합 포인트에 대한 연구 등이 발표된 바 있으나 실질적 데이터 전송량 저감을 이루어내지 못하고 있다.The main trend of research is to maximize network survival time by reducing the number or volume of wireless communications between each node, but to date, no specific method has been proposed to achieve efficient energy consumption, and net path discovery or data merging points have not been proposed. Studies on this have been published, but no actual reduction in data transmission has been achieved.

즉, 무선 센서 네트워크는 배터리로 동작하고 배터리 전원이 고갈되면 기능할 수 없다는 특징 때문에 에너지 효율을 극대화하기 위한 전송기법이 절실히 요구된다.In other words, since wireless sensor networks operate on batteries and cannot function when the battery power is depleted, transmission techniques to maximize energy efficiency are urgently needed.

한국등록특허공보 제10-2420744호Korean Patent Publication No. 10-2420744

본 개시는 양자화 비트 크기 범위에 포함된 복수의 양자화 비트 크기 각각에 기초하여 예측 데이터를 출력하는 예측 모델의 테스트 데이터 세트를 양자화 테스트 데이터 세트로 생성하고, 복수의 양자화 비트 크기 마다의 양자화 테스트 데이터 세트 각각의 예측 정확도에 기초하여 복수의 양자화 비트 크기 중에서 센싱 데이터의 양자화에 이용되는 양자화 비트 크기를 결정하는 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템, 방법 및 프로그램을 제공한다.The present disclosure generates a test data set of a prediction model that outputs prediction data based on each of a plurality of quantization bit sizes included in the quantization bit size range as a quantization test data set, and generates a quantization test data set for each of the plurality of quantization bit sizes. A system, method, and program for determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model that determines the quantization bit size used for quantization of sensing data among a plurality of quantization bit sizes based on each prediction accuracy. provides.

본 개시의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 개시의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 개시의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 개시의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.The objects of the present disclosure are not limited to the purposes mentioned above, and other objects and advantages of the present disclosure that are not mentioned can be understood by the following description and will be more clearly understood by the examples of the present disclosure. Additionally, it will be readily apparent that the objects and advantages of the present disclosure can be realized by the means and combinations thereof indicated in the patent claims.

바람직하게, 상기 프로세서는 상기 복수의 양자화 비트 크기 중에서 제1 양자화 비트 크기에 대응되는 제1 양자화 테이블을 생성하는 경우, 상기 제1 양자화 비트 크기에 대응되는 제1 양자화 레벨 수 만큼의 제1 레이블 데이터를 생성하고, 생성된 상기 제1 레이블 데이터로 상기 제1 양자화 테이블을 구성하고, 상기 훈련 데이터 세트에 포함된 훈련 데이터의 최소값, 상기 훈련 데이터 세트에 포함된 훈련 데이터의 최대값, 상기 제1 양자화 레벨 수 및 생성할 제1 레이블 데이터의 상기 제1 양자화 테이블 내 순서 정보에 기초하여 상기 제1 레이블 데이터를 생성할 수 있다.Preferably, when the processor generates a first quantization table corresponding to a first quantization bit size among the plurality of quantization bit sizes, the processor generates first label data equal to the number of first quantization levels corresponding to the first quantization bit size. Generating, configuring the first quantization table with the generated first label data, the minimum value of the training data included in the training data set, the maximum value of the training data included in the training data set, and the first quantization The first label data may be generated based on the number of levels and order information in the first quantization table of the first label data to be generated.

바람직하게, 상기 프로세서는 하기의 수학식을 이용하여 상기 제1 레이블 데이터를 생성하고, 상기 제1 레이블 데이터로 구성된 상기 제1 양자화 테이블을 생성할 수 있다.Preferably, the processor may generate the first label data using the following equation and generate the first quantization table composed of the first label data.

<수학식><Equation>

여기서, 는 장치 식별 정보가 n인 센서 장치에 구비되고 센서 식별 정보가 k인 센서로부터 m번째로 생성된 훈련용 센싱 데이터인 훈련 데이터이고, 는 훈련 데이터 로 구성된 훈련 데이터 세트이고, 는 장치 식별 정보가 n인 센서 장치에 구비되고 센서 식별 정보가 k인 센서로부터 생성된 훈련 데이터에 대응되며 양자화 테이블 내 순서 정보가 i이고 양자화 비트 크기가 N인 레이블 데이터이고, 는 레이블 데이터 로 구성된 양자화 테이블이고, i는 1 내지 이다.here, is training data that is provided in a sensor device with device identification information n and is the mth training sensing data generated from a sensor with sensor identification information k, is the training data It is a training data set consisting of, is label data provided in a sensor device with device identification information n and generated from a sensor with sensor identification information k, with order information in the quantization table being i and a quantization bit size of N, is the label data It is a quantization table composed of, and i is 1 to am.

바람직하게, 상기 프로세서는 상기 복수의 양자화 테이블 중에서 상기 제1 양자화 테이블을 이용하여 상기 테스트 데이터 세트를 상기 제1 양자화 비트 크기에 대응되는 제1 양자화 테스트 데이터 세트로 양자화하는 경우, 상기 테스트 데이터 세트 내의 테스트 데이터 각각에 대응되는 제1 양자화 테스트 데이터를 생성하고, 생성된 상기 제1 양자화 테스트 데이터로 상기 제1 양자화 테스트 데이터 세트를 구성하고, 상기 제1 양자화 테이블에 포함된 제1 레이블 데이터 중에서, 양자화되는 테스트 데이터와의 데이터 차이값이 최소인 제1 레이블 데이터를 제1 양자화 테스트 데이터로 생성할 수 있다.Preferably, when the processor quantizes the test data set into a first quantization test data set corresponding to the first quantization bit size using the first quantization table among the plurality of quantization tables, the processor within the test data set Generate first quantized test data corresponding to each test data, configure the first quantized test data set with the generated first quantized test data, and quantize the first label data included in the first quantization table. The first label data having the minimum data difference from the test data may be generated as the first quantized test data.

바람직하게, 상기 프로세서는 하기의 수학식을 이용하여 상기 제1 양자화 테스트 데이터를 생성하고, 상기 제1 양자화 테스트 데이터로 구성된 상기 제1 양자화 테스트 데이터 세트를 생성할 수 있다.Preferably, the processor may generate the first quantization test data using the following equation, and generate the first quantization test data set composed of the first quantization test data.

<수학식><Equation>

여기서, 는 장치 식별 정보가 n인 센서 장치에 구비되고 센서 식별 정보가 k인 센서로부터 l번째로 생성된 테스트용 센싱 데이터인 테스트 데이터이고, 는 테스트 데이터 로 구성된 테스트 데이터 세트이고, 는 장치 식별 정보가 n인 센서 장치에 구비되고 센서 식별 정보가 k인 센서로부터 생성된 테스트 데이터에 대응되며 양자화 테스트 데이터 세트 내 순서 정보가 l이고 양자화 비트 크기가 N인 양자화 테스트 데이터이고, 는 양자화 테스트 데이터 로 구성된 양자화 테스트 데이터 세트이다.here, is test data that is provided in a sensor device with device identification information n and is the lth sensing data for testing generated from a sensor with sensor identification information k, is the test data It is a test data set consisting of, is provided in a sensor device with device identification information n, corresponds to test data generated from a sensor with sensor identification information k, is quantization test data with order information l in the quantization test data set and quantization bit size N, is the quantized test data It is a quantization test data set composed of .

바람직하게, 상기 프로세서는 상기 테스트 데이터 세트 및 상기 복수의 양자화 테스트 데이터 세트 각각을 상기 예측 모델의 상기 입력 데이터로 입력하여, 상기 예측 모델로부터 출력되는 상기 예측 데이터 각각의 예측 정확도를 산출하고, 상기 복수의 양자화 테스트 데이터 세트 각각에 대응되는 예측 정확도 중에서 상기 테스트 데이터 세트에 대응되는 예측 정확도와의 예측 정확도 차이값이 임계값 미만인 양자화 테스트 데이터 세트를 생성하는데 이용된 양자화 비트 크기를 확인하고, 상기 확인된 양자화 비트 크기 중에서 최소의 양자화 비트 크기를 상기 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정할 수 있다.Preferably, the processor inputs each of the test data set and the plurality of quantized test data sets as the input data of the prediction model, calculates a prediction accuracy of each of the prediction data output from the prediction model, and calculates the prediction accuracy of each of the prediction data output from the prediction model. Among the prediction accuracies corresponding to each of the quantization test data sets, the quantization bit size used to generate a quantization test data set whose prediction accuracy difference value with the prediction accuracy corresponding to the test data set is less than a threshold is confirmed, and the confirmed Among the quantization bit sizes, the minimum quantization bit size can be determined as the quantization bit size used for quantization of the sensing data.

본 발명에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템은 상기 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 결정 장치; 및 센싱 데이터의 양자화에 이용되는 것으로 결정된 양자화 비트 크기를 이용하여 상기 센싱 데이터를 양자화하는 센서 장치;를 포함할 수 있다.A system for determining a quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to the present invention includes a decision device for determining a quantization bit size using the prediction accuracy of quantization data based on the artificial intelligence model; and a sensor device that quantizes the sensing data using a quantization bit size determined to be used for quantization of the sensing data.

본 개시에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 방법은 통신부가, 센싱 데이터를 입력 데이터로 입력받아 예측 데이터를 출력 데이터로 출력하는 예측 모델의 훈련 데이터 세트 및 테스트 데이터 세트를 획득하는 단계; 및 프로세서가, 상기 훈련 데이터 세트를 이용하여 양자화 비트 크기 범위에 포함된 복수의 양자화 비트 크기 각각에 대응되는 복수의 양자화 테이블을 생성하는 단계; 상기 프로세서가, 상기 복수의 양자화 테이블을 이용하여 상기 테스트 데이터 세트를 복수의 양자화 비트 크기 각각에 대응되는 복수의 양자화 테스트 데이터 세트로 양자화하는 단계; 및 상기 프로세서가, 상기 테스트 데이터 세트 및 상기 복수의 양자화 테스트 데이터 세트 각각을 상기 예측 모델의 상기 입력 데이터로 입력하고, 상기 예측 모델로부터 출력되는 상기 예측 데이터 각각의 예측 정확도에 기초하여 상기 복수의 양자화 비트 크기 중에서 어느 하나의 양자화 비트 크기를 상기 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정하는 단계;를 포함할 수 있다.The method of determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to the present disclosure is a training data set of a prediction model in which the communication department receives sensing data as input data and outputs prediction data as output data. and obtaining a test data set; and generating, by a processor, a plurality of quantization tables corresponding to each of a plurality of quantization bit sizes included in the quantization bit size range using the training data set; quantizing, by the processor, the test data set into a plurality of quantization test data sets corresponding to each of a plurality of quantization bit sizes using the plurality of quantization tables; and the processor inputs each of the test data set and the plurality of quantized test data sets as the input data of the prediction model, and quantizes the plurality of test data based on prediction accuracy of each of the prediction data output from the prediction model. It may include determining one quantization bit size among bit sizes as the quantization bit size used for quantization of the sensing data.

바람직하게, 상기 복수의 양자화 테이블을 생성하는 단계는 상기 프로세서가, 상기 복수의 양자화 비트 크기 중에서 제1 양자화 비트 크기에 대응되는 제1 양자화 테이블을 생성하는 경우, 상기 제1 양자화 비트 크기에 대응되는 제1 양자화 레벨 수 만큼의 제1 레이블 데이터를 생성하고, 생성된 상기 제1 레이블 데이터로 상기 제1 양자화 테이블을 구성하는 단계; 및 상기 훈련 데이터 세트에 포함된 훈련 데이터의 최소값, 상기 훈련 데이터 세트에 포함된 훈련 데이터의 최대값, 상기 제1 양자화 레벨 수 및 생성할 제1 레이블 데이터의 상기 제1 양자화 테이블 내 순서 정보에 기초하여 상기 제1 레이블 데이터를 생성하는 단계;를 포함할 수 있다.Preferably, the step of generating the plurality of quantization tables includes, when the processor generates a first quantization table corresponding to a first quantization bit size among the plurality of quantization bit sizes, a first quantization table corresponding to the first quantization bit size. Generating first label data as many as the number of first quantization levels, and configuring the first quantization table with the generated first label data; and based on the minimum value of training data included in the training data set, the maximum value of training data included in the training data set, the number of first quantization levels, and order information in the first quantization table of the first label data to be generated. It may include generating the first label data.

바람직하게, 상기 복수의 양자화 테스트 데이터 세트로 양자화하는 단계는 상기 프로세서가, 상기 복수의 양자화 테이블 중에서 상기 제1 양자화 테이블을 이용하여 상기 테스트 데이터 세트를 상기 제1 양자화 비트 크기에 대응되는 제1 양자화 테스트 데이터 세트로 양자화하는 경우, 상기 테스트 데이터 세트 내의 테스트 데이터 각각에 대응되는 제1 양자화 테스트 데이터를 생성하고, 생성된 상기 제1 양자화 테스트 데이터로 상기 제1 양자화 테스트 데이터 세트를 구성하는 단계; 및 상기 프로세서가, 상기 제1 양자화 테이블에 포함된 제1 레이블 데이터 중에서, 양자화되는 테스트 데이터와의 데이터 차이값이 최소인 제1 레이블 데이터를 제1 양자화 테스트 데이터로 단계;를 포함할 수 있다.Preferably, the step of quantizing the test data set into the plurality of quantization test data sets is performed by the processor using the first quantization table among the plurality of quantization tables to first quantize the test data set corresponding to the first quantization bit size. When quantizing to a test data set, generating first quantization test data corresponding to each test data in the test data set, and configuring the first quantization test data set with the generated first quantization test data; and the processor, among the first label data included in the first quantization table, using the first label data with the minimum data difference value with the test data to be quantized as first quantization test data.

바람직하게, 상기 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정하는 단계는 상기 프로세서가, 상기 테스트 데이터 세트 및 상기 복수의 양자화 테스트 데이터 세트 각각을 상기 예측 모델의 상기 입력 데이터로 입력하여, 상기 예측 모델로부터 출력되는 상기 예측 데이터 각각의 예측 정확도를 산출하는 단계; 상기 프로세서가, 상기 복수의 양자화 테스트 데이터 세트 각각에 대응되는 예측 정확도 중에서 상기 테스트 데이터 세트에 대응되는 예측 정확도와의 예측 정확도 차이값이 임계값 미만인 양자화 테스트 데이터 세트를 생성하는데 이용된 양자화 비트 크기를 확인하는 단계; 및 상기 프로세서가, 상기 확인된 양자화 비트 크기 중에서 최소의 양자화 비트 크기를 상기 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정하는 단계;를 포함할 수 있다.Preferably, the step of determining the quantization bit size used for quantization of the sensing data involves the processor inputting each of the test data set and the plurality of quantization test data sets as the input data of the prediction model, thereby making the prediction. Calculating prediction accuracy for each of the prediction data output from the model; The processor determines the quantization bit size used to generate a quantization test data set whose prediction accuracy difference value between the prediction accuracy corresponding to the test data set among the prediction accuracies corresponding to each of the plurality of quantization test data sets is less than a threshold value. Confirmation steps; and determining, by the processor, a minimum quantization bit size among the confirmed quantization bit sizes as the quantization bit size used for quantization of the sensing data.

본 개시에 따른 컴퓨터 프로그램은 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 방법을 수행할 수 있도록 컴퓨터에서 읽기 가능한 기록매체에 저장될 수 있다.The computer program according to the present disclosure can be stored in a computer-readable recording medium to perform a method of determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

본 개시에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템, 방법 및 프로그램은 예측 모델에 입력 데이터로 입력 시, 출력되는 예측 데이터의 예측 정확도가 높고 데이터의 축소율이 높은 양자화 센싱 데이터가 센싱 데이터로부터 양자화되도록 양자화 비트 크기를 결정함으로써, 예측 정확도는 유지하면서도 축소율이 높은 양자화 센싱 데이터를 생성할 수 있다.The system, method, and program for determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to the present disclosure have high prediction accuracy of output prediction data and a data reduction rate when input as input data to a prediction model. By determining the quantization bit size so that this highly quantized sensing data is quantized from the sensing data, quantized sensing data with a high reduction rate can be generated while maintaining prediction accuracy.

본 개시에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템, 방법 및 프로그램은 크기가 축소된 센싱 데이터를 활용하여 인공 지능 모델의 예측 정확도를 보장하게 함으로써, 센서 장치가 센싱 데이터 전송에 소모되는 전력 및 전송 시간을 줄일 수 있어, 사용자가 장시간 센서 장치를 운용할 수 있게 하고 사용자에게 위험한 상황이 발생한 경우 빠르게 해당 상황을 전달하여 신속하게 대피할 수 있게 한다.The system, method, and program for determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to the present disclosure ensure the prediction accuracy of the artificial intelligence model by utilizing size-reduced sensing data, so that the sensor The device can reduce the power and transmission time consumed to transmit sensing data, allowing users to operate the sensor device for a long time, and if a dangerous situation occurs to the user, the situation is quickly communicated and the user can quickly evacuate.

도 1은 본 개시에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템의 개략적인 내용을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템의 구성 요소들의 블록도이다.
도 3는 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템의 결정 장치가 예측 모델을 운용하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템의 센싱 장치가 센싱 데이터를 양자화하여 양자화 센싱 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 방법의 순서도이다.1 is a diagram schematically illustrating a system for determining a quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to the present disclosure.
Figure 2 is a block diagram of components of a system that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention.
FIG. 3 is a diagram illustrating a process in which a decision device of a system that determines a quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention operates a prediction model.
Figure 4 illustrates a process in which a sensing device of a system that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention quantizes the sensing data to generate quantized sensing data. This is a drawing for
Figure 5 is a flowchart of a method for determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention.

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.The advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various different forms. The present embodiments are merely provided to ensure that the disclosure of the present invention is complete and to provide a general understanding of the technical field to which the present invention pertains. It is provided to fully inform the skilled person of the scope of the present invention, and the present invention is only defined by the scope of the claims.

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.The terminology used herein is for describing embodiments and is not intended to limit the invention. As used herein, singular forms also include plural forms, unless specifically stated otherwise in the context. As used in the specification, “comprises” and/or “comprising” does not exclude the presence or addition of one or more other elements in addition to the mentioned elements. Like reference numerals refer to like elements throughout the specification, and “and/or” includes each and every combination of one or more of the referenced elements. Although “first”, “second”, etc. are used to describe various components, these components are of course not limited by these terms. These terms are merely used to distinguish one component from another. Therefore, it goes without saying that the first component mentioned below may also be a second component within the technical spirit of the present invention.

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.Unless otherwise defined, all terms (including technical and scientific terms) used in this specification may be used with meanings commonly understood by those skilled in the art to which the present invention pertains. Additionally, terms defined in commonly used dictionaries are not interpreted ideally or excessively unless clearly specifically defined.

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.As used in the specification, the term “unit” or “module” refers to a hardware component such as software, FPGA, or ASIC, and the “unit” or “module” performs certain roles. However, “part” or “module” is not limited to software or hardware. A “unit” or “module” may be configured to reside on an addressable storage medium and may be configured to run on one or more processors. Thus, as an example, a “part” or “module” refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, Includes procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. The functionality provided within components and “parts” or “modules” can be combined into smaller components and “parts” or “modules” or into additional components and “parts” or “modules”. Could be further separated.

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 놓여질 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.Spatially relative terms such as “below”, “beneath”, “lower”, “above”, “upper”, etc. are used as a single term as shown in the drawing. It can be used to easily describe the correlation between a component and other components. Spatially relative terms should be understood as terms that include different directions of components during use or operation in addition to the directions shown in the drawings. For example, if a component shown in a drawing is flipped over, a component described as “below” or “beneath” another component will be placed “above” the other component. You can. Accordingly, the illustrative term “down” may include both downward and upward directions. Components can also be oriented in other directions, so spatially relative terms can be interpreted according to orientation.

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.In this specification, a computer refers to all types of hardware devices including at least one processor, and depending on the embodiment, it may be understood as encompassing software configurations that operate on the hardware device. For example, a computer can be understood to include, but is not limited to, a smartphone, tablet PC, desktop, laptop, and user clients and applications running on each device.

도 1은 본 개시에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템의 개략적인 내용을 설명하기 위한 도면이고, 도 2는 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템의 구성 요소들의 블록도이다.1 is a diagram schematically illustrating a system for determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to the present disclosure, and FIG. 2 is an artificial intelligence model according to an embodiment of the present invention. This is a block diagram of the components of a system that determines the quantization bit size using the prediction accuracy of quantization data based on an intelligence model.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템은 복수의 센서 장치(100) 및 결정 장치(200)를 포함할 수 있다.Referring to FIG. 1, a system for determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention includes a plurality of sensor devices 100 and a decision device 200. can do.

또한, 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템은 게이트웨이 장치(G)를 더 포함할 수 있다.Additionally, the system for determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention may further include a gateway device (G).

복수의 센서 장치(100)는 센싱부(110), 통신부(120), 프로세서(130) 및 저장부(140)를 포함할 수 있다.The plurality of sensor devices 100 may include a sensing unit 110, a communication unit 120, a processor 130, and a storage unit 140.

복수의 센서 장치(100)의 센싱부(110)는 센싱 데이터를 생성하고, 복수의 센서 장치(100)의 프로세서(120)는 생성된 센싱 데이터를 양자화하여 양자화 센싱 데이터로 생성하며, 복수의 센서 장치(100)의 통신부(130)는 생성된 양자화 센싱 데이터를 결정 장치(200)를 향해 송신할 수 있다. 이때, 복수의 센싱 장치(100)의 통신부(130)는 양자화 센싱 데이터를 게이트웨이 장치(G)로 송신하고, 게이트 웨이 장치(G)는 수신된 양자화 센싱 데이터를 결정 장치(200)로 송신할 수 있다.The sensing unit 110 of the plurality of sensor devices 100 generates sensing data, and the processor 120 of the plurality of sensor devices 100 quantizes the generated sensing data to generate quantized sensing data, and the plurality of sensors The communication unit 130 of the device 100 may transmit the generated quantized sensing data to the decision device 200. At this time, the communication unit 130 of the plurality of sensing devices 100 may transmit quantized sensing data to the gateway device (G), and the gateway device (G) may transmit the received quantized sensing data to the decision device 200. there is.

여기서, 복수의 센서 장치(100)는 사용자의 신체에 착용될 수 있고, 센싱부(110)는 사용자의 신체에 대한 움직임 정보 및 생체 정보를 측정하여 센싱 데이터로 생성할 수 있다. 이를 위해, 센싱부(110)는 가속도 센서, 자이로 센서, 자기계 센서, 혈압 센서, 체온 센서 및 심박수 센서 중 하나 이상을 포함할 수 있다.Here, the plurality of sensor devices 100 may be worn on the user's body, and the sensing unit 110 may measure movement information and biometric information about the user's body and generate sensing data. To this end, the sensing unit 110 may include one or more of an acceleration sensor, a gyro sensor, a magnetometer sensor, a blood pressure sensor, a body temperature sensor, and a heart rate sensor.

바람직하게, 센싱부(110)는 가속도 센서, 자이로 센서 및 자기계 센서를 포함할 수 있다.Preferably, the sensing unit 110 may include an acceleration sensor, a gyro sensor, and a magnetometer sensor.

결정 장치(200)는 통신부(210), 프로세서(220) 및 저장부(230)를 포함할 수 있다.The decision device 200 may include a communication unit 210, a processor 220, and a storage unit 230.

결정 장치(200)의 통신부(210)는 양자화 센싱 데이터를 수신하고, 결정 장치(200)의 프로세서(220)는 수신된 양자화 센싱 데이터를 딥러닝 기반 예측 모델(AI)에 입력 데이터로 입력하여 출력 데이터로 예측 데이터를 출력받을 수 있다.The communication unit 210 of the decision device 200 receives quantized sensing data, and the processor 220 of the decision device 200 inputs the received quantized sensing data as input data to a deep learning-based prediction model (AI) and outputs it. Predicted data can be output as data.

여기서, 예측 모델(AI)은 센싱 데이터를 입력 데이터로 입력받아 예측 데이터를 출력 데이터로 출력하는 딥러닝 기반 인공지능 모델일 수 있다.Here, the prediction model (AI) may be a deep learning-based artificial intelligence model that receives sensing data as input data and outputs prediction data as output data.

여기서, 예측 데이터는 센싱 데이터로부터 예측되는 사용자의 동작을 나타내는 데이터일 수 있다.Here, the predicted data may be data representing the user's motion predicted from the sensing data.

이러한, 예측 모델(AI)은 훈련용 센싱 데이터인 훈련 데이터로 구성된 훈련 데이터 세트와 테스트용 센싱 데이터인 테스트 데이터로 구성된 테스트 데이터 세트로 구축될 수 있다.Such a prediction model (AI) can be built with a training data set consisting of training data, which is sensing data for training, and a test data set, which is composed of test data, which is sensing data for testing.

이때, 훈련 데이터는 예측 모델의 훈련에 이용되는 훈련용 센싱 데이터이고, 테스트 데이터는 예측 모델의 테스트에 이용되는 테스트용 센싱 데이터일 수 있다.At this time, the training data may be sensing data for training used to train the prediction model, and the test data may be sensing data for testing used to test the prediction model.

또한, 훈련 데이터 세트와 테스트 데이터 세트는 센싱 장치(100)의 센싱부(110)에 포함된 센서 별로 구비될 수 있다.Additionally, a training data set and a test data set may be provided for each sensor included in the sensing unit 110 of the sensing device 100.

한편, 복수의 센서 장치(100)의 프로세서(120)는 센싱 데이터를 양자화하기 위해 양자화 비트 크기 범위에 포함된 복수의 양자화 비트 크기 중에서 어느 하나의 양자화 비트 크기에 대응되는 양자화 테이블을 생성하고, 양자화 테이블을 이용하여 센싱 데이터를 양자화 비트 크기에 대응되는 양자화 센싱 데이터로 양자화할 수 있다.Meanwhile, the processor 120 of the plurality of sensor devices 100 generates a quantization table corresponding to one quantization bit size among a plurality of quantization bit sizes included in the quantization bit size range in order to quantize the sensing data, and quantizes the sensing data. Using the table, sensing data can be quantized into quantized sensing data corresponding to the quantization bit size.

이때, 복수의 센서 장치(100)의 프로세서(120)가 양자화를 수행하는 과정에서 이용되는 양자화 비트 크기는 결정 장치(200)의 프로세서(220)에 의해 미리 결정될 수 있다.At this time, the quantization bit size used in the process of performing quantization by the processor 120 of the plurality of sensor devices 100 may be determined in advance by the processor 220 of the decision device 200.

이하, 결정 장치(200)가 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정하는 과정을 설명하도록 한다.Hereinafter, a process by which the decision device 200 determines the quantization bit size used for quantization of sensing data will be described.

결정 장치(200)의 통신부(210)는 예측 모델(AI)의 훈련 데이터 세트 및 테스트 데이터 세트를 획득할 수 있다.The communication unit 210 of the decision device 200 may obtain a training data set and a test data set of a prediction model (AI).

이때, 결정 장치(200)는 복수의 센서 장치(100)의 센싱부(110)에 포함된 센서 별로 구비된 훈련 데이터 세트 및 테스트 데이터 세트 중에서 양자화되는 센싱 데이터를 생성한 센서 장치(100)의 센싱부(110)에 포함된 센서에 대응되는 훈련 데이터 세트 및 테스트 데이터 세트를 획득할 수 있다.At this time, the decision device 200 determines the sensing data of the sensor device 100 that generates quantized sensing data from among the training data set and test data set provided for each sensor included in the sensing unit 110 of the plurality of sensor devices 100. A training data set and a test data set corresponding to the sensors included in the unit 110 may be obtained.

이후, 결정 장치(200)의 프로세서(220)는 훈련 데이터 세트를 이용하여 양자화 비트 크기 범위에 포함된 복수의 양자화 비트 크기 각각에 대응되는 복수의 양자화 테이블을 생성할 수 있다.Thereafter, the processor 220 of the decision device 200 may use the training data set to generate a plurality of quantization tables corresponding to each of a plurality of quantization bit sizes included in the quantization bit size range.

여기서, 양자화 비트 크기 범위는 센싱 데이터의 비트 크기 미만일 수 있다.Here, the quantization bit size range may be less than the bit size of the sensing data.

예를 들어, 센싱 데이터의 비트 크기가 32bit인 경우, 양자화 비트 크기 범위는 [2bit, 4bit, 8bit, 16bit]일 수 있다.For example, if the bit size of the sensing data is 32 bits, the quantization bit size range may be [2 bit, 4 bit, 8 bit, 16 bit].

즉, 결정 장치(200)의 프로세서(220)는 양자화 비트 크기 범위 내의 복수의 양자화 비트 크기 별로 양자화 테이블을 생성할 수 있다.That is, the processor 220 of the decision device 200 may generate a quantization table for each of a plurality of quantization bit sizes within the quantization bit size range.

구체적으로, 결정 장치(200)의 프로세서(220)는 양자화 비트 크기 범위 내의 복수의 양자화 비트 크기 중에서 어느 하나의 양자화 비트 크기인 제1 양자화 비트 크기에 대응되는 제1 양자화 테이블을 생성하는 경우, 제1 양자화 비트 크기에 대응되는 제1 양자화 레벨 수 만큼의 제1 레이블 데이터를 생성하고, 생성된 제1 레이블 데이터로 제1 양자화 테이블을 구성할 수 있다.Specifically, when the processor 220 of the decision device 200 generates a first quantization table corresponding to a first quantization bit size that is one of a plurality of quantization bit sizes within a quantization bit size range, First label data equal to the number of first quantization levels corresponding to the size of 1 quantization bit may be generated, and a first quantization table may be configured with the generated first label data.

이때, 결정 장치(200)의 프로세서(220)는 훈련 데이터 세트에 포함된 훈련 데이터의 최소값, 훈련 데이터 세트에 포함된 훈련 데이터의 최대값, 제1 양자화 레벨 수 및 생성할 제1 레이블 데이터의 제1 양자화 테이블 내 순서 정보에 기초하여 제1 레이블 데이터를 생성할 수 있다.At this time, the processor 220 of the decision device 200 determines the minimum value of the training data included in the training data set, the maximum value of the training data included in the training data set, the number of first quantization levels, and the first label data to be generated. 1 First label data can be generated based on order information in the quantization table.

이를 위해, 결정 장치(200)의 프로세서(220)는 수학식 1을 이용하여 제1 레이블 데이터를 생성하고, 제1 레이블 데이터로 구성된 제1 양자화 테이블을 생성할 수 있다.To this end, the processor 220 of the decision device 200 may generate first label data using Equation 1 and generate a first quantization table composed of the first label data.

이후, 결정 장치(200)의 프로세서(220)는 양자화 비트 크기 범위 내의 모든 복수의 양자화 비트 크기에 대응되는 양자화 테이블을 생성할 수 있다.Thereafter, the processor 220 of the decision device 200 may generate a quantization table corresponding to all the plurality of quantization bit sizes within the quantization bit size range.

상술된 예를 이어서 설명하면, 결정 장치(200)의 프로세서(220)는 2bit, 4bit, 8bit, 16bit의 양자화 비트 크기 각각에 대응되는 양자화 테이블을 수학식 1을 이용하여 생성할 수 있다.Continuing to explain the above-described example, the processor 220 of the decision device 200 can generate a quantization table corresponding to each of the quantization bit sizes of 2 bit, 4 bit, 8 bit, and 16 bit using Equation 1.

이어서, 결정 장치(200)의 프로세서(220)는 복수의 양자화 테이블을 이용하여 테스트 데이터 세트를 복수의 양자화 비트 크기 각각에 대응되는 복수의 양자화 테스트 데이터 세트로 양자화할 수 있다.Subsequently, the processor 220 of the decision device 200 may quantize the test data set into a plurality of quantization test data sets corresponding to each of the plurality of quantization bit sizes using a plurality of quantization tables.

구체적으로, 결정 장치(200)의 프로세서(220)는 복수의 양자화 테이블 중에서 제1 양자화 테이블을 이용하여 테스트 데이터 세트를 제1 양자화 비트 크기에 대응되는 제1 양자화 테스트 데이터 세트로 양자화하는 경우, 테스트 데이터 세트 내의 테스트 데이터 각각에 대응되는 제1 양자화 테스트 데이터를 생성하고, 생성된 제1 양자화 테스트 데이터로 제1 양자화 테스트 데이터 세트를 구성할 수 있다.Specifically, when the processor 220 of the decision device 200 quantizes the test data set into the first quantization test data set corresponding to the first quantization bit size using the first quantization table among the plurality of quantization tables, the test data set is First quantization test data corresponding to each test data in the data set may be generated, and a first quantization test data set may be configured with the generated first quantization test data.

이를 위해, 결정 장치(200)의 프로세서(220)는 하기의 수학식 2를 이용하여 제1 양자화 테스트 데이터를 생성하고, 제1 양자화 테스트 데이터로 구성된 제1 양자화 테스트 데이터 세트를 생성할 수 있다.To this end, the processor 220 of the decision device 200 may generate first quantization test data using Equation 2 below and generate a first quantization test data set composed of the first quantization test data.

이후, 결정 장치(200)의 프로세서(220)는 양자화 비트 크기 범위 내의 모든 복수의 양자화 비트 크기 별로 생성된 양자화 테이블 모두를 각각 이용하여 양자화 테스트 데이터 세트를 생성할 수 있다.Thereafter, the processor 220 of the decision device 200 may generate a quantization test data set using all of the quantization tables generated for each of the plurality of quantization bit sizes within the quantization bit size range.

상술된 예를 이어서 설명하면, 결정 장치(200)의 프로세서(220)는 2bit, 4bit, 8bit, 16bit의 양자화 비트 크기 각각에 대응되는 양자화 테이블을 각각 이용하여 양자화 데이터 세트를 생성할 수 있다.Continuing to explain the above-described example, the processor 220 of the decision device 200 may generate a quantization data set using quantization tables corresponding to each of the quantization bit sizes of 2 bit, 4 bit, 8 bit, and 16 bit.

도 3는 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템의 결정 장치가 예측 모델을 운용하는 과정을 설명하기 위한 도면이다.FIG. 3 is a diagram illustrating a process in which a decision device of a system that determines a quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention operates a prediction model.

도 3을 참조하면, 결정 장치(200)의 프로세서(220)는 테스트 데이터 세트 및 복수의 양자화 테스트 데이터 세트 각각을 예측 모델(AI)의 입력 데이터로 입력하고, 예측 모델(AI)로부터 출력되는 예측 데이터 각각의 예측 정확도에 기초하여 복수의 양자화 비트 크기 중에서 어느 하나의 양자화 비트 크기를 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정할 수 있다.Referring to FIG. 3, the processor 220 of the decision device 200 inputs each of the test data set and the plurality of quantized test data sets as input data to the prediction model (AI), and predicts the prediction output from the prediction model (AI). Based on the prediction accuracy of each data, one quantization bit size among a plurality of quantization bit sizes can be determined as the quantization bit size used for quantization of the sensing data.

구체적으로, 결정 장치(200)의 프로세서(220)는 테스트 데이터 세트 및 복수의 양자화 테스트 데이터 세트 각각을 예측 모델(AI)의 입력 데이터로 입력하여, 예측 모델(AI)로부터 출력되는 예측 데이터 각각의 예측 정확도를 산출할 수 있다.Specifically, the processor 220 of the decision device 200 inputs each of the test data set and the plurality of quantized test data sets as input data of the prediction model (AI), and inputs each of the prediction data output from the prediction model (AI). Prediction accuracy can be calculated.

즉, 결정 장치(200)의 프로세서(220)는 테스트 데이터 세트를 입력 데이트로 한 예측 데이터, 복수의 양자화 테스트 데이터 세트 각각을 입력 데이터로 한 예측 데이터를 획득하고, 예측 데이터 각각의 예측 정확도를 산출할 수 있다.That is, the processor 220 of the decision device 200 acquires prediction data using the test data set as input data, prediction data using each of the plurality of quantized test data sets as input data, and calculates the prediction accuracy of each prediction data. can do.

이때, 결정 장치(200)의 프로세서(220)는 예측 데이터의 출력 횟수 대비 예측 결과가 참인 예측 데이터의 개수의 비율을 예측 정확도로 산출할 수 있다.At this time, the processor 220 of the decision device 200 may calculate the ratio of the number of prediction data for which the prediction result is true to the number of output times of the prediction data as prediction accuracy.

예를 들어, 테스트 데이터 세트가 사용자의 실제 동작인 점프 동작으로부터 획득된 데이터인 경우, 테스트 데이터 세트로부터 출력되는 예측 데이터가 나타내는 사용자의 예측 동작이 점프 동작이면 예측 데이터는 예측 결과가 참일 수 있다.For example, if the test data set is data obtained from a jump motion, which is the user's actual motion, and the user's predicted motion indicated by the prediction data output from the test data set is a jump motion, the prediction result of the predicted data may be true.

이에 따라, 결정 장치(200)의 프로세서(220)는 테스트 데이터 세트를 입력 데이트로 한 예측 데이터와 복수의 양자화 테스트 데이터 세트 각각을 입력 데이터로 한 예측 데이터 각각에 대해 예측 데이터의 출력 횟수 대비 예측 결과가 참인 예측 데이터의 개수의 비율을 산출하여 예측 정확도로 산출할 수 있다.Accordingly, the processor 220 of the decision device 200 provides a prediction result compared to the number of outputs of the prediction data for each of the prediction data using the test data set as input data and the prediction data using each of the plurality of quantized test data sets as input data. The prediction accuracy can be calculated by calculating the ratio of the number of predicted data for which is true.

이후, 결정 장치(200)의 프로세서(220)는 복수의 양자화 테스트 데이터 세트 각각에 대응되는 예측 정확도 각각과 테스트 데이터 세트에 대응되는 예측 정확도 간의 예측 정확도 차이값을 산출하고, 산출된 예측 정확도 차이값이 임계값 미만인 양자화 테스트 데이터 세트를 생성하는데 이용된 양자화 비트 크기를 확인할 수 있다.Thereafter, the processor 220 of the decision device 200 calculates a prediction accuracy difference value between each prediction accuracy corresponding to each of the plurality of quantized test data sets and the prediction accuracy corresponding to the test data set, and the calculated prediction accuracy difference value. You can check the quantization bit size used to generate the quantization test data set that is below this threshold.

이어서, 결정 장치(200)의 프로세서(220)는 확인된 양자화 비트 크기 중에서 최소의 양자화 비트 크기를 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정할 수 있다.Subsequently, the processor 220 of the decision device 200 may determine the minimum quantization bit size among the confirmed quantization bit sizes as the quantization bit size used for quantization of the sensing data.

결정 장치(200)의 통신부(210)는 센싱 데이터의 양자화에 이용되는 것으로 결정된 양자화 비트 크기를 센서 장치(100)로 송신할 수 있다.The communication unit 210 of the decision device 200 may transmit the quantization bit size determined to be used for quantization of the sensing data to the sensor device 100.

한편, 상술된 예측 모델(AI)은 인공 신경망(ANN) 기반 예측 모델일 수 있으며, 입력 레이어, 은닉 레이어 및 출력 레이어로 구성된 다대일 순차 모델일 수 있다.Meanwhile, the above-described prediction model (AI) may be an artificial neural network (ANN)-based prediction model, and may be a many-to-one sequential model consisting of an input layer, a hidden layer, and an output layer.

은닉 레이어 및 출력 레이어는 각각 ReLu와 Softmax를 활성화 함수로 사용할 수 있다.The hidden layer and output layer can use ReLu and Softmax as activation functions, respectively.

또한, 상술된 예측 모델(AI)은 벡터(센싱 데이터)를 입력받아 스칼라 값(예측 데이터)를 출력할 수 있다.Additionally, the above-described prediction model (AI) can receive vectors (sensing data) and output scalar values (prediction data).

이하, 센서 장치(100)가 센싱 데이터를 양자화하는 과정을 설명하도록 한다.Hereinafter, the process by which the sensor device 100 quantizes sensing data will be described.

이하에서, 양자화 비트 크기는 결정 장치(200)의 프로세서(220)에 의해 센싱 데이터의 양자화에 이용되는 것으로 결정된 양자화 비트 크기를 의미한다.Hereinafter, the quantization bit size refers to the quantization bit size determined to be used for quantization of sensing data by the processor 220 of the decision device 200.

또한, 양자화 레이블은 결정 장치(200)의 프로세서(220)에 의해 센싱 데이터의 양자화에 이용되는 것으로 결정된 양자화 비트 크기에 대응되는 양자화 레이블을 의미한다.Additionally, the quantization label refers to a quantization label corresponding to the quantization bit size determined to be used for quantization of the sensing data by the processor 220 of the decision device 200.

도 4는 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 시스템의 센싱 장치가 센싱 데이터를 양자화하여 양자화 센싱 데이터를 생성하는 과정을 설명하기 위한 도면이다.Figure 4 illustrates a process in which a sensing device of a system that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention quantizes the sensing data to generate quantized sensing data. This is a drawing for

센서 장치(100)의 센싱부(110)는 상술한 바와 같이, 복수의 센서를 통해 센싱 데이터를 생성할 수 있다.As described above, the sensing unit 110 of the sensor device 100 may generate sensing data through a plurality of sensors.

이때, 복수의 센서 각각은 미리 설정된 주기마다 센싱 데이터를 생성할 수 있다.At this time, each of the plurality of sensors may generate sensing data at preset intervals.

센서 장치(100)의 프로세서(130)는 센싱 데이터가 생성되면 센싱 데이터 각각을 개별로 양자화하여 양자화 센싱 데이터를 생성할 수 있다.When sensing data is generated, the processor 130 of the sensor device 100 may individually quantize each piece of sensing data to generate quantized sensing data.

이를 위해, 센서 장치(100)의 통신부(120)는 결정 장치(200)의 통신부(210)로부터 센싱 데이터의 양자화에 이용되는 것으로 결정된 양자화 비트 크기를 수신할 수 있다.To this end, the communication unit 120 of the sensor device 100 may receive the quantization bit size determined to be used for quantization of the sensing data from the communication unit 210 of the decision device 200.

이후, 센서 장치(100)의 프로세서(130)는 센싱 데이터의 양자화에 이용되는 양자화 비트 크기를 확인하고, 예측 모델(AI)의 훈련 데이터 세트를 이용하여 양자화 비트 크기에 대응되는 양자화 테이블을 생성할 수 있다.Afterwards, the processor 130 of the sensor device 100 checks the quantization bit size used for quantization of the sensing data and generates a quantization table corresponding to the quantization bit size using the training data set of the prediction model (AI). You can.

이때, 센서 장치(100)의 프로세서(130)는 양자화되는 센싱 데이터를 생성한 센서 장치(100)의 센싱부(110)에 포함된 센서에 대응되는 훈련 데이터 세트를 이용하여 양자화 테이블을 생성할 수 있다.At this time, the processor 130 of the sensor device 100 can generate a quantization table using the training data set corresponding to the sensor included in the sensing unit 110 of the sensor device 100 that generated the quantized sensing data. there is.

구체적으로, 센서 장치(100)의 프로세서(130)는 양자화 비트 크기에 대응되는 양자화 레벨 수 만큼의 레이블 데이터를 생성하고, 생성된 레이블 데이터로 양자화 테이블을 구성할 수 있다.Specifically, the processor 130 of the sensor device 100 may generate label data equal to the number of quantization levels corresponding to the quantization bit size, and configure a quantization table with the generated label data.

이때, 센서 장치(100)의 프로세서(130)는 훈련 데이터 세트에 포함된 훈련 데이터의 최소값, 훈련 데이터 세트에 포함된 훈련 데이터의 최대값, 양자화 레벨 수 및 생성할 레이블 데이터의 양자화 테이블 내 순서 정보에 기초하여 레이블 데이터를 생성할 수 있다.At this time, the processor 130 of the sensor device 100 provides the minimum value of the training data included in the training data set, the maximum value of the training data included in the training data set, the number of quantization levels, and the order information in the quantization table of the label data to be generated. Label data can be generated based on .

이를 위해, 센서 장치(100)의 프로세서(130)는 하기의 수학식 3을 이용하여 레이블 데이터를 생성하고, 레이블 데이터로 구성된 양자화 테이블을 생성할 수 있다.To this end, the processor 130 of the sensor device 100 may generate label data using Equation 3 below and generate a quantization table composed of the label data.

이후, 센서 장치(100)의 프로세서(130)는 양자화 테이블을 이용하여 센싱 데이터를 양자화 비트 크기에 대응되는 양자화 센싱 데이터로 양자화할 수 있다.Thereafter, the processor 130 of the sensor device 100 may quantize the sensing data into quantized sensing data corresponding to the quantization bit size using the quantization table.

구체적으로, 센서 장치(100)의 프로세서(130)는 양자화 테이블에 포함된 레이블 데이터 중에서, 양자화되는 센싱 데이터와의 데이터 차이값이 최소인 레이블 데이터의 양자화 테이블 내 순서 정보 및 감쇄 상수를 이용하여 양자화 센싱 데이터를 생성할 수 있다.Specifically, the processor 130 of the sensor device 100 quantizes the label data with the minimum data difference from the quantized sensing data among the label data included in the quantization table using the order information and attenuation constant in the quantization table. Sensing data can be generated.

이를 위해, 센서 장치(100)의 프로세서(130)는 수학식 4를 이용하여 양자화 센싱 데이터를 생성할 수 있다.To this end, the processor 130 of the sensor device 100 may generate quantized sensing data using Equation 4.

여기서, 는 장치 식별 정보가 n인 센서 장치에 구비되고 센서 식별 정보가 k인 센서로부터 생성된 센싱 데이터이고, 는 장치 식별 정보가 n인 센서 장치에 구비되고 센서 식별 정보가 k인 센서로부터 생성된 훈련 데이터에 대응되며 양자화 테이블 내 순서 정보가 i이고 양자화 비트 크기가 N인 레이블 데이터이고, a는 감쇄 상수이다. 바람직하게, 감쇄 상수 a는 1일 수 있다.here, is sensing data provided in a sensor device with device identification information n and generated from a sensor with sensor identification information k, is provided in a sensor device with device identification information of n and corresponds to training data generated from a sensor with sensor identification information of k, is label data with order information in the quantization table of i and a quantization bit size of N, and a is an attenuation constant. . Preferably, the attenuation constant a may be 1.

이후, 센서 장치(100)의 통신부(120)는 생성된 양자화 센싱 데이터를 결정 장치(100)로 송신할 수 있다.Thereafter, the communication unit 120 of the sensor device 100 may transmit the generated quantized sensing data to the decision device 100.

이때, 센서 장치(100)의 통신부(120)는 미리 설정된 주기 동안 생성된 양자화 데이터를 하나의 메시지에 포함시키고, 해당 메시지를 미리 설정된 주기 마다 결정 장치(100)로 송신할 수 있다.At this time, the communication unit 120 of the sensor device 100 may include quantized data generated during a preset period in one message and transmit the message to the decision device 100 at each preset period.

이를 통해, 센서 장치(100)는 예측 정확도가 일정 수준 이상이면서도 최대로 데이터 크기가 축소되도록 센서 데이터를 양자화하여 양자화 데이터를 생성함으로써, 센서 장치(100)의 데이터 송수신에 소요되는 전력을 감소시킬 수 있다.Through this, the sensor device 100 quantizes the sensor data to generate quantized data so that the prediction accuracy is above a certain level and the data size is reduced to the maximum, thereby reducing the power required for data transmission and reception of the sensor device 100. there is.

최종적으로, 결정 장치(200)의 프로세서(220)는 수신된 메시지에 포함된 센싱 데이터를 예측 모델(AI)에 입력 데이터로 입력하여 예측 데이터를 출력 데이터로 출력받을 수 있다.Finally, the processor 220 of the decision device 200 may input the sensing data included in the received message as input data to a prediction model (AI) and output the prediction data as output data.

한편, 프로세서(130, 220)는 장치에 포함된 각 구성을 전반적으로 제어하기 위한 구성으로, 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어, 또는 이들의 결합에 의해 구현될 수 있다.Meanwhile, the processors 130 and 220 are components for overall control of each component included in the device, and may be implemented by hardware, firmware, software, or a combination thereof.

프로세서(130, 220)는 CPU(Central Processing Unit), GPU(Graphic Processing Unit), VPU, NPU 등 다양한 유닛으로 구성될 수 있다. 프로세서(130, 220)는 메모리(140, 230)에 저장된 인스트럭션을 실행함으로써 장치를 제어할 수 있다.The processors 130 and 220 may be composed of various units such as a Central Processing Unit (CPU), Graphic Processing Unit (GPU), VPU, and NPU. The processors 130 and 220 may control the device by executing instructions stored in the memories 140 and 230.

통신부(120, 210)는 다른 장치와 데이터, 신호, 정보를 송수신하기 위한 구성으로, 통신을 위한 적어도 하나의 회로를 포함할 수 있다.The communication units 120 and 210 are configured to transmit and receive data, signals, and information with other devices, and may include at least one circuit for communication.

통신부(120, 210)는 TCP/IP(Transmission Control Protocol/Internet Protocol), UDP(User Datagram Protocol), HTTP(Hyper Text Transfer Protocol), HTTPS(Secure Hyper Text Transfer Protocol), FTP(File Transfer Protocol), SFTP(Secure File Transfer Protocol), MQTT(Message Queuing Telemetry Transport) 등의 통신 규약(프로토콜)을 이용하여 하나 이상의 외부 전자 장치와 다양한 정보를 송수신할 수 있다.The communication units 120 and 210 include Transmission Control Protocol/Internet Protocol (TCP/IP), User Datagram Protocol (UDP), Hyper Text Transfer Protocol (HTTP), Secure Hyper Text Transfer Protocol (HTTPS), File Transfer Protocol (FTP), Various information can be transmitted and received with one or more external electronic devices using communication protocols (protocols) such as SFTP (Secure File Transfer Protocol) and MQTT (Message Queuing Telemetry Transport).

이를 위해, 통신부(120, 210)는 유선 통신 및/또는 무선 통신을 통해 구현된 네트워크를 기반으로, 외부 장치와 연결될 수 있다. 이때, 통신부(120, 210)는 외부 장치와 직접적으로 연결될 수도 있지만, 네트워크를 제공하는 하나 이상의 외부 서버(ex. ISP(Internet Service Provider))를 통해서 외부 전자 장치와 연결될 수도 있다.To this end, the communication units 120 and 210 may be connected to external devices based on a network implemented through wired communication and/or wireless communication. At this time, the communication units 120 and 210 may be directly connected to external devices, but may also be connected to external electronic devices through one or more external servers (ex. Internet Service Provider (ISP)) that provide a network.

네트워크는 영역 또는 규모에 따라 개인 통신망(PAN; Personal Area Network), 근거리 통신망(LAN; Local Area Network), 광역 통신망(WAN; Wide Area Network) 등일 수 있으며, 네트워크의 개방성에 따라 인트라넷(Intranet), 엑스트라넷(Extranet), 또는 인터넷(Internet) 등일 수 있다.Depending on the area or size, the network may be a personal area network (PAN), a local area network (LAN), or a wide area network (WAN). Depending on the openness of the network, it may be an intranet, It may be an extranet, or the Internet.

무선 통신은 LTE(long-term evolution), LTE-A(LTE Advance), 5G(5th Generation) 이동통신, CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), GSM(Global System for Mobile Communications), DMA(Time Division Multiple Access), WiFi(Wi-Fi), WiFi Direct, Bluetooth, NFC(near field communication), Zigbee 등의 통신 방식 중 적어도 하나를 포함할 수 있다. Wireless communications include LTE (long-term evolution), LTE-A (LTE Advance), 5G (5th Generation) mobile communications, CDMA (code division multiple access), WCDMA (wideband CDMA), UMTS (universal mobile telecommunications system), and WiBro. At least one of the following communication methods: (Wireless Broadband), GSM (Global System for Mobile Communications), DMA (Time Division Multiple Access), WiFi (Wi-Fi), WiFi Direct, Bluetooth, NFC (near field communication), and Zigbee. It can be included.

통신부(120, 210)는 상술한 무선 통신 방식에 따른 네트워크 인터페이스(Network Interface) 또는 네트워크 칩을 포함할 수 있다. 한편, 통신 방식은 상술한 예에 한정되지 아니하고, 기술의 발전에 따라 새롭게 등장하는 통신 방식을 포함할 수 있다.The communication units 120 and 210 may include a network interface or network chip according to the wireless communication method described above. Meanwhile, the communication method is not limited to the examples described above and may include newly emerging communication methods as technology develops.

메모리(140, 230)는 장치의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 장치의 구성요소와 관련된 적어도 하나의 인스트럭션 또는 데이터를 저장하기 위한 구성이다.The memories 140 and 230 are configured to store an operating system (OS) for controlling the overall operation of the device and at least one instruction or data related to the components of the device.

메모리(140, 230)는 ROM, 플래시 메모리 등의 비휘발성 메모리를 포함할 수 있으며, DRAM, SRAM 등으로 구성된 휘발성 메모리를 포함할 수 있다. 또한, 메모리(140, 230)는 하드 디스크, SSD(Solid state drive) 등을 포함할 수도 있다.The memories 140 and 230 may include non-volatile memory, such as ROM and flash memory, and may include volatile memory, such as DRAM and SRAM. Additionally, the memories 140 and 230 may include a hard disk, solid state drive (SSD), etc.

도 5는 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 방법의 순서도이다.Figure 5 is a flowchart of a method of determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention.

도 5를 참조하면, 본 발명의 일 실시 예에 따른 인공지능 모델을 기반한 양자화 데이터의 예측 정확도를 이용하여 양자화 비트 크기를 결정하는 방법은 S1 단계에서, 센싱 데이터를 입력 데이터로 입력받아 예측 데이터를 출력 데이터로 출력하는 예측 모델의 훈련 데이터 세트 및 테스트 데이터 세트를 획득할 수 있다.Referring to FIG. 5, the method of determining the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model according to an embodiment of the present invention involves receiving sensing data as input data and predicting data in step S1. You can obtain a training data set and a test data set of a prediction model output as output data.

이어서, S2 단계에서, 훈련 데이터 세트를 이용하여 양자화 비트 크기 범위에 포함된 복수의 양자화 비트 크기 각각에 대응되는 복수의 양자화 테이블을 생성할 수 있다.Subsequently, in step S2, a plurality of quantization tables corresponding to each of a plurality of quantization bit sizes included in the quantization bit size range can be generated using the training data set.

이후, S3 단계에서, 복수의 양자화 테이블을 이용하여 테스트 데이터 세트를 복수의 양자화 비트 크기 각각에 대응되는 복수의 양자화 테스트 데이터 세트로 양자화할 수 있다.Thereafter, in step S3, the test data set can be quantized into a plurality of quantization test data sets corresponding to each of the plurality of quantization bit sizes using a plurality of quantization tables.

최종적으로, S4 단계에서, 테스트 데이터 세트 및 복수의 양자화 테스트 데이터 세트 각각을 예측 모델의 입력 데이터로 입력하고, 예측 모델로부터 출력되는 예측 데이터 각각의 예측 정확도에 기초하여 복수의 양자화 비트 크기 중에서 어느 하나의 양자화 비트 크기를 센싱 데이터의 양자화에 이용되는 양자화 비트 크기로 결정할 수 있다.Finally, in step S4, each of the test data set and the plurality of quantized test data sets is input as input data of the prediction model, and one of the plurality of quantization bit sizes is selected based on the prediction accuracy of each prediction data output from the prediction model. The quantization bit size of can be determined as the quantization bit size used for quantization of sensing data.

한편, 이상에서 설명된 다양한 실시 예들은 서로 저촉되지 않는 한 둘 이상의 실시 예가 결합되어 수행될 수 있다.Meanwhile, the various embodiments described above may be performed by combining two or more embodiments as long as they do not conflict with each other.

한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다.Meanwhile, the various embodiments described above may be implemented in a recording medium that can be read by a computer or similar device using software, hardware, or a combination thereof.

하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. According to hardware implementation, embodiments described in this disclosure include application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), and field programmable gate arrays (FPGAs). ), processors, controllers, micro-controllers, microprocessors, and other electrical units for performing functions.

일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상술한 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.In some cases, embodiments described herein may be implemented in the processor itself. According to software implementation, embodiments such as procedures and functions described in this specification may be implemented as separate software modules. Each of the software modules described above may perform one or more functions and operations described herein.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 시스템 내 각 장치에서의 처리동작을 수행하기 위한 컴퓨터 명령어(computer instructions) 또는 컴퓨터 프로그램은 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어 또는 컴퓨터 프로그램은 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 각 장치에서의 처리 동작을 상술한 특정 기기가 수행하도록 한다. Meanwhile, computer instructions or computer programs for performing processing operations in each device in the system according to various embodiments of the present disclosure described above are stored in a non-transitory computer-readable medium. It can be saved. Computer instructions or computer programs stored in such non-transitory computer-readable media, when executed by a processor of a specific device, cause the specific device to perform processing operations in each device according to the various embodiments described above.

비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.A non-transitory computer-readable medium refers to a medium that stores data semi-permanently and can be read by a device, rather than a medium that stores data for a short period of time, such as registers, caches, and memories. Specific examples of non-transitory computer-readable media may include CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, etc.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.In the above, preferred embodiments of the present disclosure have been shown and described, but the present disclosure is not limited to the specific embodiments described above, and may be used in the technical field pertaining to the disclosure without departing from the gist of the disclosure as claimed in the claims. Of course, various modifications can be made by those skilled in the art, and these modifications should not be understood individually from the technical ideas or perspectives of the present disclosure.

100: 센서 장치
200: 결정 장치100: sensor device
200: decision device

Claims

a communication unit that acquires a training data set and a test data set of a prediction model that receives sensing data as input data and outputs prediction data as output data; and
Using the training data set, generate a plurality of quantization tables corresponding to each of a plurality of quantization bit sizes included in the quantization bit size range,
Quantizing the test data set into a plurality of quantization test data sets corresponding to each of a plurality of quantization bit sizes using the plurality of quantization tables,
Each of the test data set and the plurality of quantized test data sets is input as the input data of the prediction model, and one of the plurality of quantization bit sizes is based on the prediction accuracy of each of the prediction data output from the prediction model. A processor that determines the quantization bit size of the quantization bit size to be used for quantization of the sensing data.
A decision device that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

According to paragraph 1,
The processor is
When generating a first quantization table corresponding to a first quantization bit size among the plurality of quantization bit sizes, first label data as many as the number of first quantization levels corresponding to the first quantization bit size are generated, and the generated Constructing the first quantization table with the first label data,
Based on the minimum value of training data included in the training data set, the maximum value of training data included in the training data set, the number of first quantization levels, and order information in the first quantization table of the first label data to be generated. Characterized in generating the first label data
A decision device that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

According to paragraph 1,
The processor is
Generating the first label data using the following equation, and generating the first quantization table composed of the first label data.
A decision device that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.
<Equation>

here, is training data that is provided in a sensor device with device identification information n and is the mth training sensing data generated from a sensor with sensor identification information k, is the training data It is a training data set consisting of, is label data provided in a sensor device with device identification information n and generated from a sensor with sensor identification information k, order information in the quantization table is i, and the quantization bit size is N, is the label data It is a quantization table composed of, and i is 1 to am.

According to paragraph 2,
The processor is
When quantizing the test data set into a first quantization test data set corresponding to the first quantization bit size using the first quantization table among the plurality of quantization tables, each test data in the test data set is Generating first quantization test data, configuring the first quantization test data set with the generated first quantization test data,
Among the first label data included in the first quantization table, the first label data with the minimum data difference value with the test data to be quantized is generated as the first quantization test data.
A decision device that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

According to paragraph 1,
The processor is
Generating the first quantization test data using the following equation, and generating the first quantization test data set composed of the first quantization test data.
A decision device that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.
<Equation>

here, is test data that is provided in a sensor device with device identification information n and is the lth sensing data for testing generated from a sensor with sensor identification information k, is the test data It is a test data set consisting of, is provided in a sensor device with device identification information n, corresponds to test data generated from a sensor with sensor identification information k, is quantization test data with order information l in the quantization test data set and quantization bit size N, is the quantized test data It is a quantization test data set composed of .

According to paragraph 1,
The processor is
Inputting each of the test data set and the plurality of quantized test data sets as the input data of the prediction model to calculate a prediction accuracy of each of the prediction data output from the prediction model,
Among the prediction accuracies corresponding to each of the plurality of quantization test data sets, check the quantization bit size used to generate a quantization test data set in which a prediction accuracy difference value between the prediction accuracy corresponding to the test data set is less than a threshold value,
Characterized in that determining the minimum quantization bit size among the confirmed quantization bit sizes as the quantization bit size used for quantization of the sensing data.
A decision device that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

A decision device for determining a quantization bit size using prediction accuracy of quantization data based on the artificial intelligence model according to any one of claims 1 to 6; and
A sensor device that quantizes the sensing data using a quantization bit size determined to be used for quantization of the sensing data.
A system that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

Obtaining, by the communication unit, a training data set and a test data set of a prediction model that receives sensing data as input data and outputs prediction data as output data;
generating, by a processor, a plurality of quantization tables corresponding to each of a plurality of quantization bit sizes included in a quantization bit size range using the training data set;
quantizing, by the processor, the test data set into a plurality of quantization test data sets corresponding to each of a plurality of quantization bit sizes using the plurality of quantization tables; and
The processor inputs each of the test data set and the plurality of quantized test data sets as the input data of the prediction model, and bases the prediction accuracy of each of the prediction data output from the prediction model on the plurality of quantization bits. A step of determining one quantization bit size among the sizes as the quantization bit size used for quantization of the sensing data.
A decision method that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

According to clause 8,
The step of generating the plurality of quantization tables is
When the processor generates a first quantization table corresponding to a first quantization bit size among the plurality of quantization bit sizes, it generates first label data as many as the number of first quantization levels corresponding to the first quantization bit size. and configuring the first quantization table with the generated first label data; and
Based on the minimum value of training data included in the training data set, the maximum value of training data included in the training data set, the number of first quantization levels, and order information in the first quantization table of the first label data to be generated. Characterized in comprising: generating the first label data;
A decision method that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

According to clause 8,
The step of quantizing with the plurality of quantization test data sets is
When the processor quantizes the test data set into a first quantization test data set corresponding to the first quantization bit size using the first quantization table among the plurality of quantization tables, test data in the test data set generating first quantization test data corresponding to each and configuring the first quantization test data set with the generated first quantization test data; and
wherein the processor uses, among the first label data included in the first quantization table, first label data having a minimum data difference value with the test data to be quantized as first quantized test data.
A decision method that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

According to clause 8,
The step of determining the quantization bit size used for quantization of the sensing data is
The processor inputting each of the test data set and the plurality of quantized test data sets as the input data of the prediction model to calculate a prediction accuracy of each of the prediction data output from the prediction model;
The processor determines the quantization bit size used to generate a quantization test data set whose prediction accuracy difference value between the prediction accuracy corresponding to the test data set among the prediction accuracies corresponding to each of the plurality of quantization test data sets is less than a threshold value. Confirmation steps; and
A step of determining, by the processor, a minimum quantization bit size among the confirmed quantization bit sizes as the quantization bit size used for quantization of the sensing data.
A decision method that determines the quantization bit size using the prediction accuracy of quantization data based on an artificial intelligence model.

A computer program combined with a hardware computer and stored on a computer-readable recording medium to perform the method of claim 8.