KR20240097046A - 메타 러닝에 기반하여 학습된 인공지능 모델들을 제공하는 서버 - Google Patents
메타 러닝에 기반하여 학습된 인공지능 모델들을 제공하는 서버 Download PDFInfo
- Publication number
- KR20240097046A KR20240097046A KR1020220178599A KR20220178599A KR20240097046A KR 20240097046 A KR20240097046 A KR 20240097046A KR 1020220178599 A KR1020220178599 A KR 1020220178599A KR 20220178599 A KR20220178599 A KR 20220178599A KR 20240097046 A KR20240097046 A KR 20240097046A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- artificial intelligence
- model
- intelligence model
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012795 verification Methods 0.000 claims abstract description 22
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 238000013079 data visualisation Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 230000009193 crawling Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 10
- 230000015654 memory Effects 0.000 description 37
- 238000004891 communication Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000001413 cellular effect Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003825 pressing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000006930 Pseudomyxoma Peritonei Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001646 magnetic resonance method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 229920000306 polymethylpentene Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
다양한 실시예들에 따라서, 메타 러닝 방식에 따라 훈련된 인공지능 모델을 제공하는 서버는, 웹 크롤링을 이용하여 복수의 서버들로부터 데이터를 수집하고, 수집된 데이터를 수치 데이터로 변환하는 데이터 수집부(501), 상기 수치 데이터를 전처리하여 데이터를 정규화하고, 상기 정규화된 데이터에 대한 차원 변환을 수행함으로써 학습용 데이터를 생성하는 데이터 전처리부(502), 상기 학습용 데이터를 시각화하는 데이터 시각화부(503), 메타 러닝 방식에 따라, 상기 학습용 데이터를 이용하여 인공지능 모델을 훈련하는 모델 훈련부(504), 상기 학습용 데이터에 대응하는 검증/평가 데이터를 상기 인공 지능 모델에 입력하여 상기 인공지능 모델의 신뢰도를 검증하는 모델 검증부(505), 상기 인공지능 모델의 신뢰도가 임계값 이상인 경우, 복수의 사용자들이 상기 인공지능 모델에 접근할 수 있도록 하는 모델 제공부(506), 상기 복수의 사용자들이 상기 서버에 접속하여 상기 인공지능 모델과 관련된 복수의 동작들을 수행할 수 있는 그래픽 유저 인터페이스를 제공하는 HMI(Human-Machine Interface)부(507)를 포함할 수 있다. 그 밖의 다양한 실시예들도 가능하다.
Description
본 발명의 다양한 실시예는, 메타 러닝에 기반하여 학습된 인공지능 모델들을 제공하는 서버에 관한 것이다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서 기계가 스스로 학습하고 판단하며, 사용할수록 인식률이 향상되는 시스템이다. 인공지능 기술은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(딥러닝) 기술 및 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 요소 기술들로 구성된다. 요소기술들은, 예로, 인간의 언어/문자를 인식하는 언어적 이해 기술, 사물을 인간의 시각처럼 인식하는 시각적 이해 기술, 정보를 판단하여 논리적으로 추론하고 예측하는 추론/예측 기술, 인간의 경험 정보를 지식데이터로 처리하는 지식 표현 기술 및 차량의 자율 주행, 로봇의 움직임을 제어하는 동작 제어 기술 중 적어도 하나를 포함할 수 있다. 특히, 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다.
디지털 전환 및 인공지능 기술의 확산에 따라 산업 전반에서 인공지능 기술을 적용한 서비스에 대한 수요가 늘면서 IT 전문가(SW 개발자)에 대한 의존도 역시 증가하고 있지만, 개발자는 부족한 상태이다.
대부분의 인공지능 플랫폼은 전문 개발자가 대용량의 데이터를 이용해 인공지능 모델을 학습해 생성하면, 학습한 업무에 대한 작업(예측 등)은 잘 수행하지만, 유사한 다른 작업은 수행할 수 없다.
본 발명의 다양한 실시예에 따른 서버 및 그 동작 방법은, 범용(일반) 모델을 생성하는 인공지능 학습 방법인 Meta-Learning을 이용하여, 플랫폼에 참여하는 사용자가 코딩 없이(LCNC, Low-Code, No-Code) 인공지능 모델을 생성하고 이를 서비스 할 수 있는 서버를 제공할 수 있다.
다양한 실시예들에 따라서, 메타 러닝 방식에 따라 훈련된 인공지능 모델을 제공하는 서버는, 웹 크롤링을 이용하여 복수의 서버들로부터 데이터를 수집하고, 수집된 데이터를 수치 데이터로 변환하는 데이터 수집부(501), 상기 수치 데이터를 전처리하여 데이터를 정규화하고, 상기 정규화된 데이터에 대한 차원 변환을 수행함으로써 학습용 데이터를 생성하는 데이터 전처리부(502), 상기 학습용 데이터를 시각화하는 데이터 시각화부(503), 메타 러닝 방식에 따라, 상기 학습용 데이터를 이용하여 인공지능 모델을 훈련하는 모델 훈련부(504), 상기 학습용 데이터에 대응하는 검증/평가 데이터를 상기 인공 지능 모델에 입력하여 상기 인공지능 모델의 신뢰도를 검증하는 모델 검증부(505), 상기 인공지능 모델의 신뢰도가 임계값 이상인 경우, 복수의 사용자들이 상기 인공지능 모델에 접근할 수 있도록 하는 모델 제공부(506), 상기 복수의 사용자들이 상기 서버에 접속하여 상기 인공지능 모델과 관련된 복수의 동작들을 수행할 수 있는 그래픽 유저 인터페이스를 제공하는 HMI(Human-Machine Interface)부(507)를 포함할 수 있다.
본 발명의 다양한 실시예에 따라, 플랫폼에 참여하는 사용자들이 코딩 작업을 최소화(LCNC)하여 인공지능 모델을 생성하고 이용함으로써, 인공지능 모델의 생성 효율을 높이고 비전문가 프로그래머라도 인공지능 모델을 손쉽게 사용할 수 있는 환경을 제공할 수 있다.
도 1은 본 발명의 다양한 실시예에 따른 전자 장치 및 네트워크의 블록도를 도시한다.
도 2는 다양한 실시예에 따른 전자 장치의 블록도이다.
도 3은 다양한 실시예에 따른 프로그램 모듈의 블록도이다.
도 4는 다양한 실시예들에 따른, 메타 학습기를 학습하기 위한 학습 과정을 나타낸다.
도 5는 다양한 실시예들에 따른, 서버에 포함된 인공지능 모델의 제공을 위한 구성들을 나타낸다.
도 6은 다양한 실시예들에 따른, 데이터 수집부가 동작하는 실시예를 나타낸다.
도 7은 다양한 실시예들에 따른, 데이터 전처리부가 동작하는 실시예를 나타낸다.
도 8은 다양한 실시예들에 따른, 데이터 시각화부가 동작하는 실시예를 나타낸다.
도 9는 다양한 실시예들에 따른, 모델 검증부가 동작하는 실시예를 나타낸다.
도 2는 다양한 실시예에 따른 전자 장치의 블록도이다.
도 3은 다양한 실시예에 따른 프로그램 모듈의 블록도이다.
도 4는 다양한 실시예들에 따른, 메타 학습기를 학습하기 위한 학습 과정을 나타낸다.
도 5는 다양한 실시예들에 따른, 서버에 포함된 인공지능 모델의 제공을 위한 구성들을 나타낸다.
도 6은 다양한 실시예들에 따른, 데이터 수집부가 동작하는 실시예를 나타낸다.
도 7은 다양한 실시예들에 따른, 데이터 전처리부가 동작하는 실시예를 나타낸다.
도 8은 다양한 실시예들에 따른, 데이터 시각화부가 동작하는 실시예를 나타낸다.
도 9는 다양한 실시예들에 따른, 모델 검증부가 동작하는 실시예를 나타낸다.
본 발명은 신경망의 추론이 충분치 않은 상황에서, 메타 러닝에 따른 학습 알고리즘을 통해 이를 극복할 수 있는 과제에 폭넓게 적용될 수 있다. 해당 과제는 구체적으로 다음과 같은 상황을 포함한다: 1) 학습되지 않은 태스크(task)에 대해, 해당 task의 극히 적은 데이터만 가지고 빠르고 성공적으로 추론을 얻어야 하는 상황, 2) 하드웨어 혹은 소프트웨어 문제로 인하여 신경망의 크기 및 신경망의 연결 웨이트의 해상도가 제한 받는 상황에서, 성공적인 추론을 얻어야 하는 상황.
위의 1) 및 2)와 관련하여 본 발명은 메타 학습(meta-learning)과 관련된다. 메타 학습이란 학습을 해야하는 과제(task)가 고정되어 있지 않을 때, 앞으로 처리해야 할 학습된 적 없는 task를 미리 대비하기 위한 학습 패러다임으로 정의될 수 있다. 그렇기 때문에 메타 학습은 '학습을 위한 학습'이라는 의미로 'learn-to-learn' 프로세스이다. 기존의 학습이 고정된 task에 대해서 해당 task에 특화된 전략을 학습한다면, 본 발명에 따른 메타 학습은 학습된 적 없는 새로운 task에 대해서 성공적인 추론을 얻을 수 있는 전략을 학습해야 한다. 다른 말로는, 변하는 task들이 공유하는 공통적인 추론 전략을 학습하는 패러다임이라고 할 수 있다.
전술한 바와 같이, 본 발명의 메타 학습은 학습된 적 없는 새로운 task에 대해서, 해당 task의 굉장히 적은 샘플만 가지고, 얼마나 해당 task에 빠르게 대응하여 성공적인 추론을 얻어낼 수 있는지를 성능 평가의 기준으로 삼는다. 따라서, 메타 학습기(meta-learner)의 핵심 전략은, 변하는 task들이 공유하는 공통 전략을 학습하면서, 주어진 현재 task에 대해서 빠르게 적응하여 성공적인 추론을 얻을 수 있는 알고리즘 설계에 있다.
이하, 본 문서의 다양한 실시예들이 첨부된 도면을 참조하여 기재된다. 실시예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1," "제 2," "첫째," 또는 "둘째,"등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.
본 문서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다. 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
도 1을 참조하여, 다양한 실시예에서의, 네트워크 환경(100) 내의 전자 장치(101)가 기재된다. 전자 장치(101)는 버스(110), 프로세서(120), 메모리(130), 입출력 인터페이스(150), 디스플레이(160), 및 통신 인터페이스(170)를 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)는, 구성요소들 중 적어도 하나를 생략하거나 다른 구성요소를 추가적으로 구비할 수 있다. 버스(110)는 구성요소들(110-170)을 서로 연결하고, 구성요소들 간의 통신(예: 제어 메시지 또는 데이터)을 전달하는 회로를 포함할 수 있다. 프로세서(120)는, 중앙처리장치, 어플리케이션 프로세서, 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다. 프로세서(120)는, 예를 들면, 전자 장치(101)의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다.
메모리(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(130)는, 예를 들면, 전자 장치(101)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 한 실시예에 따르면, 메모리(130)는 소프트웨어 및/또는 프로그램(140)을 저장할 수 있다. 프로그램(140)은, 예를 들면, 커널(141), 미들웨어(143), 어플리케이션 프로그래밍 인터페이스(API)(145), 및/또는 어플리케이션 프로그램(또는 "어플리케이션")(147) 등을 포함할 수 있다. 커널(141), 미들웨어(143), 또는 API(145)의 적어도 일부는, 운영 시스템으로 지칭될 수 있다. 커널(141)은, 예를 들면, 다른 프로그램들(예: 미들웨어(143), API(145), 또는 어플리케이션 프로그램(147))에 구현된 동작 또는 기능을 실행하는 데 사용되는 시스템 리소스들(예: 버스(110), 프로세서(120), 또는 메모리(130) 등)을 제어 또는 관리할 수 있다. 또한, 커널(141)은 미들웨어(143), API(145), 또는 어플리케이션 프로그램(147)에서 전자 장치(101)의 개별 구성요소에 접근함으로써, 시스템 리소스들을 제어 또는 관리할 수 있는 인터페이스를 제공할 수 있다.
미들웨어(143)는, 예를 들면, API(145) 또는 어플리케이션 프로그램(147)이 커널(141)과 통신하여 데이터를 주고받을 수 있도록 중개 역할을 수행할 수 있다. 또한, 미들웨어(143)는 어플리케이션 프로그램(147)으로부터 수신된 하나 이상의 작업 요청들을 우선 순위에 따라 처리할 수 있다. 예를 들면, 미들웨어(143)는 어플리케이션 프로그램(147) 중 적어도 하나에 전자 장치(101)의 시스템 리소스(예: 버스(110), 프로세서(120), 또는 메모리(130) 등)를 사용할 수 있는 우선 순위를 부여하고, 상기 하나 이상의 작업 요청들을 처리할 수 있다. API(145)는 어플리케이션(147)이 커널(141) 또는 미들웨어(143)에서 제공되는 기능을 제어하기 위한 인터페이스로, 예를 들면, 파일 제어, 창 제어, 영상 처리, 또는 문자 제어 등을 위한 적어도 하나의 인터페이스 또는 함수(예: 명령어)를 포함할 수 있다. 입출력 인터페이스(150)는, 예를 들면, 사용자 또는 다른 외부 기기로부터 입력된 명령 또는 데이터를 전자 장치(101)의 다른 구성요소(들)에 전달하거나, 또는 전자 장치(101)의 다른 구성요소(들)로부터 수신된 명령 또는 데이터를 사용자 또는 다른 외부 기기로 출력할 수 있다.
디스플레이(160)는, 예를 들면, 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 유기 발광 다이오드(OLED) 디스플레이, 또는 마이크로 전자기계 시스템 (MEMS) 디스플레이, 또는 전자종이(electronic paper) 디스플레이를 포함할 수 있다. 디스플레이(160)는, 예를 들면, 사용자에게 각종 콘텐츠(예: 텍스트, 이미지, 비디오, 아이콘, 및/또는 심볼 등)을 표시할 수 있다. 디스플레이(160)는, 터치 스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치, 제스쳐, 근접, 또는 호버링 입력을 수신할 수 있다. 통신 인터페이스(170)는, 예를 들면, 전자 장치(101)와 외부 장치(예: 제 1 외부 전자 장치(102), 제 2 외부 전자 장치(104), 또는 서버(106)) 간의 통신을 설정할 수 있다. 예를 들면, 통신 인터페이스(170)는 무선 통신 또는 유선 통신을 통해서 네트워크(162)에 연결되어 외부 장치(예: 제 2 외부 전자 장치(104) 또는 서버(106))와 통신할 수 있다.
무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 한 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 한실시예에 따르면, 무선 통신은 GNSS를 포함할 수 있다. GNSS는, 예를 들면, GPS(Global Positioning System), Glonass(Global Navigation Satellite System), Beidou Navigation Satellite System(이하 "Beidou") 또는 Galileo, the European global satellite-based navigation system일 수 있다. 이하, 본 문서에서는, "GPS"는 "GNSS"와 상호 호환적으로 사용될 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 네트워크(162)는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.
제 1 및 제 2 외부 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 다양한 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 다른 하나 또는 복수의 전자 장치(예: 전자 장치(102,104), 또는 서버(106)에서 실행될 수 있다. 한 실시예에 따르면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로 또는 요청에 의하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 그와 연관된 적어도 일부 기능을 다른 장치(예: 전자 장치(102, 104), 또는 서버(106))에게 요청할 수 있다. 다른 전자 장치(예: 전자 장치(102, 104), 또는 서버(106))는 요청된 기능 또는 추가 기능을 실행하고, 그 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 수신된 결과를 그대로 또는 추가적으로 처리하여 요청된 기능이나 서비스를 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 2는 다양한 실시예에 따른 전자 장치(201)의 블록도이다. 전자 장치(201)는, 예를 들면, 도 1에 도시된 전자 장치(101)의 전체 또는 일부를 포함할 수 있다. 전자 장치(201)는 하나 이상의 프로세서(예: AP)(210), 통신 모듈(220), 가입자 식별 모듈(224), 메모리(230), 센서 모듈(240), 입력 장치(250), 디스플레이(260), 인터페이스(270), 오디오 모듈(280), 카메라 모듈(291), 전력 관리 모듈(295), 배터리(296), 인디케이터(297), 및 모터(298) 를 포함할 수 있다. 프로세서(210)는, 예를 들면, 운영 체제 또는 응용 프로그램을 구동하여 프로세서(210)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(210)는, 예를 들면, SoC(system on chip) 로 구현될 수 있다. 한 실시예에 따르면, 프로세서(210)는 GPU(graphic processing unit) 및/또는 이미지 신호 프로세서를 더 포함할 수 있다. 프로세서(210)는 도 2에 도시된 구성요소들 중 적어도 일부(예: 셀룰러 모듈(221))를 포함할 수도 있다. 프로세서(210) 는 다른 구성요소들(예: 비휘발성 메모리) 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드)하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다.
통신 모듈(220)(예: 통신 인터페이스(170))와 동일 또는 유사한 구성을 가질 수 있다. 통신 모듈(220)은, 예를 들면, 셀룰러 모듈(221), WiFi 모듈(223), 블루투스 모듈(225), GNSS 모듈(227), NFC 모듈(228) 및 RF 모듈(229)를 포함할 수 있다. 셀룰러 모듈(221)은, 예를 들면, 통신망을 통해서 음성 통화, 영상 통화, 문자 서비스, 또는 인터넷 서비스 등을 제공할 수 있다. 한 실시예에 따르면, 셀룰러 모듈(221)은 가입자 식별 모듈(예: SIM 카드)(224)을 이용하여 통신 네트워크 내에서 전자 장치(201)의 구별 및 인증을 수행할 수 있다. 한 실시예에 따르면, 셀룰러 모듈(221)은 프로세서(210)가 제공할 수 있는 기능 중 적어도 일부 기능을 수행할 수 있다. 한 실시예에 따르면, 셀룰러 모듈(221)은 커뮤니케이션 프로세서(CP)를 포함할 수 있다. 어떤 실시예에 따르면, 셀룰러 모듈(221), WiFi 모듈(223), 블루투스 모듈(225), GNSS 모듈(227) 또는 NFC 모듈(228) 중 적어도 일부(예: 두 개 이상)는 하나의 integrated chip(IC) 또는 IC 패키지 내에 포함될 수 있다. RF 모듈(229)은, 예를 들면, 통신 신호(예: RF 신호)를 송수신할 수 있다. RF 모듈(229)은, 예를 들면, 트랜시버, PAM(power amp module), 주파수 필터, LNA(low noise amplifier), 또는 안테나 등을 포함할 수 있다. 다른 실시예에 따르면, 셀룰러 모듈(221), WiFi 모듈(223), 블루투스 모듈(225), GNSS 모듈(227) 또는 NFC 모듈(228) 중 적어도 하나는 별개의 RF 모듈을 통하여 RF 신호를 송수신할 수 있다. 가입자 식별 모듈(224)은, 예를 들면, 가입자 식별 모듈을 포함하는 카드 또는 임베디드 SIM을 포함할 수 있으며, 고유한 식별 정보(예: ICCID(integrated circuit card identifier)) 또는 가입자 정보(예: IMSI(international mobile subscriber identity))를 포함할 수 있다.
메모리(230)(예: 메모리(130))는, 예를 들면, 내장 메모리(232) 또는 외장 메모리(234)를 포함할 수 있다. 내장 메모리(232)는, 예를 들면, 휘발성 메모리(예: DRAM, SRAM, 또는 SDRAM 등), 비휘발성 메모리(예: OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD) 중 적어도 하나를 포함할 수 있다. 외장 메모리(234)는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD, Mini-SD, xD(extreme digital), MMC(multi-media card) 또는 메모리 스틱 등을 포함할 수 있다. 외장 메모리(234)는 다양한 인터페이스를 통하여 전자 장치(201)와 기능적으로 또는 물리적으로 연결될 수 있다.
센서 모듈(240)은, 예를 들면, 물리량을 계측하거나 전자 장치(201)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 센서 모듈(240)은, 예를 들면, 제스처 센서(240A), 자이로 센서(240B), 기압 센서(240C), 마그네틱 센서(240D), 가속도 센서(240E), 그립 센서(240F), 근접 센서(240G), 컬러(color) 센서(240H)(예: RGB(red, green, blue) 센서), 생체 센서(240I), 온/습도 센서(240J), 조도 센서(240K), 또는 UV(ultra violet) 센서(240M) 중의 적어도 하나를 포함할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(240)은, 예를 들면, 후각(e-nose) 센서, 일렉트로마이오그라피(EMG) 센서, 일렉트로엔씨팔로그램(EEG) 센서, 일렉트로카디오그램(ECG) 센서, IR(infrared) 센서, 홍채 센서 및/또는 지문 센서를 포함할 수 있다. 센서 모듈(240)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어 회로를 더 포함할 수 있다. 어떤 실시예에서는, 전자 장치(201)는 프로세서(210)의 일부로서 또는 별도로, 센서 모듈(240)을 제어하도록 구성된 프로세서를 더 포함하여, 프로세서(210)가 슬립(sleep) 상태에 있는 동안, 센서 모듈(240)을 제어할 수 있다.
입력 장치(250)는, 예를 들면, 터치 패널(252), (디지털) 펜 센서(254), 키(256), 또는 초음파 입력 장치(258)를 포함할 수 있다. 터치 패널(252)은, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 또한, 터치 패널(252)은 제어 회로를 더 포함할 수도 있다. 터치 패널(252)은 택타일 레이어(tactile layer)를 더 포함하여, 사용자에게 촉각 반응을 제공할 수 있다. (디지털) 펜 센서(254)는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키(256)는, 예를 들면, 하드웨어 버튼, 광학식 키, 또는 키패드를 포함할 수 있다. 초음파 입력 장치(258)는 마이크(예: 마이크(288))를 통해, 입력 도구에서 발생된 초음파를 감지하여, 상기 감지된 초음파에 대응하는 데이터를 확인할 수 있다.
디스플레이(260)(예: 디스플레이(160))는 패널(262), 홀로그램 장치(264), 프로젝터(266), 및/또는 이들을 제어하기 위한 제어 회로를 포함할 수 있다. 패널(262)은, 예를 들면, 유연하게, 투명하게, 또는 착용할 수 있게 구현될 수 있다. 패널(262)은 터치 패널(252)과 하나 이상의 모듈로 구성될 수 있다. 한 실시예에 따르면, 패널(262)은 사용자의 터치에 대한 압력의 세기를 측정할 수 있는 압력 센서(또는 포스 센서)를 포함할 수 있다. 상기 압력 센서는 터치 패널(252)과 일체형으로 구현되거나, 또는 터치 패널(252)과는 별도의 하나 이상의 센서로 구현될 수 있다. 홀로그램 장치(264)는 빛의 간섭을 이용하여 입체 영상을 허공에 보여줄 수 있다. 프로젝터(266)는 스크린에 빛을 투사하여 영상을 표시할 수 있다. 스크린은, 예를 들면, 전자 장치(201)의 내부 또는 외부에 위치할 수 있다. 인터페이스(270)는, 예를 들면, HDMI(272), USB(274), 광 인터페이스(optical interface)(276), 또는 D-sub(D-subminiature)(278)를 포함할 수 있다. 인터페이스(270)는, 예를 들면, 도 1에 도시된 통신 인터페이스(170)에 포함될 수 있다. 추가적으로 또는 대체적으로, 인터페이스(270)는, 예를 들면, MHL(mobile high-definition link) 인터페이스, SD카드/MMC(multi-media card) 인터페이스, 또는 IrDA(infrared data association) 규격 인터페이스를 포함할 수 있다.
오디오 모듈(280)은, 예를 들면, 소리와 전기 신호를 쌍방향으로 변환시킬 수 있다. 오디오 모듈(280)의 적어도 일부 구성요소는, 예를 들면, 도 1 에 도시된 입출력 인터페이스(145)에 포함될 수 있다. 오디오 모듈(280)은, 예를 들면, 스피커(282), 리시버(284), 이어폰(286), 또는 마이크(288) 등을 통해 입력 또는 출력되는 소리 정보를 처리할 수 있다. 카메라 모듈(291)은, 예를 들면, 정지 영상 및 동영상을 촬영할 수 있는 장치로서, 한 실시예에 따르면, 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다. 전력 관리 모듈(295)은, 예를 들면, 전자 장치(201)의 전력을 관리할 수 있다. 한 실시예에 따르면, 전력 관리 모듈(295)은 PMIC(power management integrated circuit), 충전 IC, 또는 배터리 또는 연료 게이지를 포함할 수 있다. PMIC는, 유선 및/또는 무선 충전 방식을 가질 수 있다. 무선 충전 방식은, 예를 들면, 자기공명 방식, 자기유도 방식 또는 전자기파 방식 등을 포함하며, 무선 충전을 위한 부가적인 회로, 예를 들면, 코일 루프, 공진 회로, 또는 정류기 등을 더 포함할 수 있다. 배터리 게이지는, 예를 들면, 배터리(296)의 잔량, 충전 중 전압, 전류, 또는 온도를 측정할 수 있다. 배터리(296)는, 예를 들면, 충전식 전지 및/또는 태양 전지를 포함할 수 있다.
인디케이터(297)는 전자 장치(201) 또는 그 일부(예: 프로세서(210))의 특정 상태, 예를 들면, 부팅 상태, 메시지 상태 또는 충전 상태 등을 표시할 수 있다. 모터(298)는 전기적 신호를 기계적 진동으로 변환할 수 있고, 진동, 또는 햅틱 효과 등을 발생시킬 수 있다. 전자 장치(201)는, 예를 들면, DMB(digital multimedia broadcasting), DVB(digital video broadcasting), 또는 미디어플로(mediaFloTM) 등의 규격에 따른 미디어 데이터를 처리할 수 있는 모바일 TV 지원 장치(예: GPU)를 포함할 수 있다. 본 문서에서 기술된 구성요소들 각각은 하나 또는 그 이상의 부품(component)으로 구성될 수 있으며, 해당 구성요소의 명칭은 전자 장치의 종류에 따라서 달라질 수 있다. 다양한 실시예에서, 전자 장치(예: 전자 장치(201))는 일부 구성요소가 생략되거나, 추가적인 구성요소를 더 포함하거나, 또는, 구성요소들 중 일부가 결합되어 하나의 개체로 구성되되, 결합 이전의 해당 구성요소들의 기능을 동일하게 수행할 수 있다.
본 발명의 다양한 실시예에서, 전자 장치(201)(또는, 전자 장치(101))는, 전면, 후면 및 상기 전면과 상기 후면 사이의 공간을 둘러싸는 측면을 포함하는 하우징을 포함할 수도 있다. 터치스크린 디스플레이(예: 디스플레이(260))는, 상기 하우징 안에 배치되며, 상기 전면을 통하여 노출될 수 있다. 마이크(288)는, 상기 하우징 안에 배치되며, 상기 하우징의 부분을 통하여 노출될 수 있다. 적어도 하나의 스피커(282)는, 상기 하우징 안에 배치되며, 상기 하우징의 다른 부분을 통하여 노출될 수 있다. 하드웨어 버튼(예: 키(256))는, 상기 하우징의 또 다른 부분에 배치되거나 또는 상기 터치스크린 디스플레이 상에 표시하도록 설정될 수 있다. 무선 통신 회로(예: 통신 모듈(220))은, 상기 하우징 안에 위치할 수 있다. 상기 프로세서(210)(또는, 프로세서(120))는, 상기 하우징 안에 위치하며, 상기 터치스크린 디스플레이, 상기 마이크(288), 상기 스피커(282) 및 상기 무선 통신 회로에 전기적으로 연결될 수 있다. 상기 메모리(230)(또는, 메모리(130))는, 상기 하우징 안에 위치하며, 상기 프로세서(210)에 전기적으로 연결될 수 있다.
본 발명의 다양한 실시예에서, 상기 메모리(230)는, 텍스트 입력을 수신하기 위한 제 1 사용자 인터페이스를 포함하는 제 1 어플리케이션 프로그램을 저장하도록 설정되고, 상기 메모리(230)는, 실행 시에, 상기 프로세서(210)가, 제 1 동작과 제 2 동작을 수행하도록 야기하는 인스트럭션들을 저장하고, 상기 제 1 동작은, 상기 제 1 사용자 인터페이스가 상기 터치스크린 디스플레이 상에 표시되지 않는 도중에, 상기 버튼을 통하여 제 1 타입의 사용자 입력을 수신하고, 상기 제 1 타입의 사용자 입력을 수신한 이후에,
상기 마이크(288)를 통하여 제 1 사용자 발화를 수신하고, 자동 스피치 인식(ASR: automatic speech recognition) 및 지능 시스템(intelligence system)을 포함하는 외부 서버로 상기 제 1 사용자 발화에 대한 제 1 데이터를 제공하고, 상기 제 1 데이터를 제공한 이후에, 상기 외부 서버로부터 상기 제 1 사용자 발화에 응답하여 상기 지능 시스템에 의하여 생성되는 태스크를 수행하도록 하는 적어도 하나의 명령을 수신하고, 상기 제 2 동작은, 상기 터치스크린 디스플레이 상에 상기 제 1 사용자 인터페이스가 표시되는 도중에 상기 버튼을 통하여 상기 제 1 사용자 입력을 수신하고, 상기 제 1 타입의 사용자 입력을 수신한 이후에, 상기 마이크(288)를 통하여 제 2 사용자 발화를 수신하고, 상기 외부 서버로 상기 제 2 사용자 발화에 대한 제 2 데이터를 제공하고, 상기 제 2 데이터를 제공한 이후에, 상기 서버로부터, 상기 제 2 사용자 발화로부터 상기 자동 스피치 인식에 의하여 생성된 텍스트에 대한 데이터를 수신하지만, 상기 지능 시스템에 의하여 생성되는 명령은 수신하지 않고,
상기 제 1 사용자 인터페이스에 상기 텍스트를 입력할 수 있다.
본 발명의 다양한 실시예에서, 상기 버튼은, 상기 하우징의 상기 측면에 위치하는 물리적인 키를 포함할 수 있다.
본 발명의 다양한 실시예에서, 상기 제 1 타입의 사용자 입력은, 상기 버튼에 대한 1회 누름, 상기 버튼에 대한 2회 누름, 상기 버튼에 대한 3회 누름, 상기 버튼에 대한 1회 누른 이후에 누름 유지, 또는 상기 버튼에 대한 2회 누름 및 누름 유지 중 하나일 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서가 상기 제 1 사용자 인터페이스를 가상 키보드와 함께 표시하도록 더 야기할 수 있다. 상기 버튼은, 상기 가상 키보드의 일부가 아닐 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서(210)가, 상기 외부 서버로부터, 상기 제 1 동작 내에서의 상기 제 1 사용자 발화로부터 ASR에 의하여 생성되는 텍스트에 대한 데이터를 수신하도록 더 야기할 수 있다.
본 발명의 다양한 실시예에서, 상기 제 1 어플리케이션 프로그램은, 노트 어플리케이션 프로그램, 이메일 어플리케이션 프로그램, 웹 브라우저 어플리케이션 프로그램 또는 달력 어플리케이션 프로그램 중 적어도 하나를 포함할 수 있다.
본 발명의 다양한 실시예에서, 상기 제 1 어플리케이션 프로그램은, 메시지 어플리케이션을 포함하고, 상기 인스트럭션들은, 상기 프로세서(210)가, 상기 텍스트를 입력한 이후에 선택된 시간 기간이 초과하면, 상기 무선 통신 회로를 통하여 자동으로 입력된 텍스트를 송신하도록 더 야기할 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서(210)가, 제 3 동작을 수행하도록 더 야기하고, 상기 제 3 동작은, 상기 터치스크린 디스플레이 상에 상기 제 1 사용자 인터페이스를 표시하는 도중에, 상기 버튼을 통하여 제 2 타입의 사용자 입력을 수신하고, 상기 제 2 타입의 사용자 입력을 수신한 이후에, 상기 마이크를 통하여 제 3 사용자 발화를 수신하고, 상기 외부 서버로 상기 제 3 사용자 발화에 대한 제 3 데이터를 제공하고, 상기 제 3 데이터를 제공한 이후에, 상기 제 3 사용자 발화에 응답하여 상기 지능 시스템에 의하여 생성된 태스크를 수행하기 위한 적어도 하나의 명령을 상기 외부 서버로부터 수신할 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서(210)가, 제 4 동작을 수행하도록 더 야기하고, 상기 제 4 동작은, 상기 터치스크린 디스플레이 상에 상기 제 1 사용자 인터페이스가 표시되지 않는 도중에, 상기 버튼을 통하여 상기 제 2 타입의 사용자 입력을 수신하고, 상기 제 2 타입의 사용자 입력을 수신한 이후에, 상기 마이크(288)를 통하여 제 4 사용자 발화를 수신하고, 상기 제 4 사용자 발화에 대한 제 4 데이터를 상기 외부 서버로 제공하고, 상기 제 4 데이터를 제공한 이후에, 상기 제 4 사용자 발화에 응답하여, 상기 지능 시스템에 의하여 생성된 태스크를 수행하기 위한 적어도 하나의 명령을 상기 외부 서버로부터 수신하고, 상기 마이크를 통하여 제 5 사용자 발화를 수신하고, 상기 외부 서버로, 상기 제 5 사용자 발화에 대한 제 5 데이터를 제공하고, 및 상기 제 5 데이터를 제공한 이후에, 상기 제 5 사용자 발화에 응답하여 상기 지능 시스템에 의하여 생성된 태스크를 수행하기 위한 적어도 하나의 명령을 상기 외부 서버로부터 수신할 수 있다.
본 발명의 다양한 실시예에서, 상기 제 1 타입의 사용자 입력 및 상기 제 2 타입의 사용자 입력은 서로 다르며, 상기 버튼에 대한 1회 누름, 상기 버튼에 대한 2회 누름, 상기 버튼에 대한 3회 누름, 상기 버튼에 대한 1회 누른 이후에 누름 유지, 또는 상기 버튼에 대한 2회 누름 및 누름 유지 중 하나로부터 선택될 수 있다.
본 발명의 다양한 실시예에서, 상기 메모리(230)는, 텍스트 입력을 수신하기 위한 제 2 사용자 인터페이스를 포함하는 제 2 어플리케이션 프로그램을 저장하도록 더 설정되며, 상기 인스트럭션들은, 실행 시에, 상기 프로세서(210)가, 제 3 동작을 수행하도록 더 야기하고, 상기 제 3 동작은,
상기 제 2 사용자 인터페이스를 표시하는 도중에 상기 버튼을 통하여 상기 제 1 타입의 사용자 입력을 수신하고,
상기 제 1 타입의 사용자 입력이 수신된 이후에, 상기 마이크를 통하여 제 3 사용자 발화를 수신하고, 상기 외부 서버로, 상기 제 3 사용자 발화에 대한 제 3 데이터를 제공하고, 상기 제 3 데이터를 제공한 이후에, 상기 외부 서버로부터, 상기 제 3 사용자 발화로부터 ASR에 의하여 생성된 텍스트에 대한 데이터를 수신하면서, 상기 지능 시스템에 의하여 생성되는 명령은 수신하지 않고, 상기 제 2 사용자 인터페이스에 상기 텍스트를 입력하고, 및 상기 텍스트를 입력하고, 선택된 시간 기간이 초과하면, 상기 무선 통신 회로를 통하여 상기 입력된 텍스트를 자동으로 송신할 수 있다.
본 발명의 다양한 실시예에서, 상기 메모리(230)는, 텍스트 입력을 수신하기 위한 제 1 사용자 인터페이스를 포함하는 제 1 어플리케이션 프로그램을 저장하도록 설정되고, 상기 메모리(230)는, 실행 시에, 상기 프로세서(210)가, 제 1 동작과 제 2 동작을 수행하도록 야기하는 인스트럭션들을 저장하고, 상기 제 1 동작은,
상기 버튼을 통하여 제 1 타입의 사용자 입력을 수신하고, 상기 제 1 타입의 사용자 입력을 수신한 이후에, 상기 마이크(288)를 통하여 제 1 사용자 발화를 수신하고, 자동 스피치 인식(ASR: automatic speech recognition) 및 지능 시스템(intelligence system)을 포함하는 외부 서버로, 상기 제 1 사용자 발화에 대한 제 1 데이터를 제공하고, 및 상기 제 1 데이터를 제공한 이후에, 상기 제 1 사용자 발화에 응답하여 상기 지능 시스템에 의하여 생성된 태스크를 수행하기 위한 적어도 하나의 명령을 상기 외부 서버로부터 수신하고,
상기 제 2 동작은, 상기 버튼을 통하여 제 2 타입의 사용자 입력을 수신하고, 상기 제 2 타입의 사용자 입력을 수신한 이후에, 상기 마이크(288)를 통하여 제 2 사용자 발화를 수신하고, 상기 외부 서버로 상기 제 2 사용자 발화에 대한 제 2 데이터를 제공하고, 상기 제 2 데이터를 제공한 이후에, 상기 서버로부터, 상기 제 2 사용자 발화로부터 ASR에 의하여 생성된 텍스트에 대한 데이터를 수신하면서, 상기 지능 시스템에 의하여 생성되는 명령은 수신하지 않으며, 상기 제 1 사용자 인터페이스에 상기 텍스트를 입력할 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서(210)가 상기 제 1 사용자 인터페이스를 가상 키보드와 함께 표시하도록 더 야기할 수 있으며, 상기 버튼은, 상기 가상 키보드의 일부가 아닐 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서(210)가, 상기 외부 서버로부터 상기 제 1 동작 내에서 상기 제 1 사용자 발화로부터 상기 ASR에 의하여 생성되는 텍스트에 대한 데이터를 수신하도록 더 야기할 수 있다.
본 발명의 다양한 실시예에서, 상기 제 1 어플리케이션 프로그램은, 노트 어플리케이션 프로그램, 이메일 어플리케이션 프로그램, 웹 브라우저 어플리케이션 프로그램 또는 달력 어플리케이션 프로그램 중 적어도 하나를 포함할 수 있다.
본 발명의 다양한 실시예에서, 상기 제 1 어플리케이션 프로그램은, 메시지 어플리케이션을 포함하고, 상기 인스트럭션들은, 상기 프로세서(210)가, 상기 텍스트를 입력한 이후에 선택된 시간 기간이 초과하면, 상기 무선 통신 회로를 통하여 자동으로 입력된 텍스트를 송신하도록 더 야기할 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서(210)가 상기 제 1 사용자 인터페이스의 상기 디스플레이 상에 표시와 독립적으로 상기 제 1 동작을 수행하도록 더 야기할 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서(210)가, 상기 전자 장치가 잠금 상태에 있거나 또는 상기 터치스크린 디스플레이가 턴 오프된 것 중 적어도 하나인 경우에, 상기 제 2 동작을 수행하도록 더 야기할 수 있다.
본 발명의 다양한 실시예에서, 상기 인스트럭션들은, 상기 프로세서(210)가, 상기 터치스크린 디스플레이 상에 상기 제 1 사용자 인터페이스를 표시하는 도중에, 상기 제 2 동작을 수행하도록 더 야기할 수 있다.
본 발명의 다양한 실시예에서, 상기 메모리(230)는, 실행 시에, 상기 프로세서(210)가, 상기 마이크(288)를 통하여 사용자 발화를 수신하고, 자동 스피치 인식(automatic speech recognition: ASR) 또는 자연어 이해(natural language understanding: NLU) 중 적어도 하나를 수행하는 외부 서버로, 상기 사용자 발화에 대한 데이터와 함께, 상기 사용자 발화에 대한 데이터에 대하여 상기 ASR을 수행하여 획득된 텍스트에 대하여 상기 자연어 이해를 수행할지 여부와 연관된 정보를 송신하고, 상기 정보가 상기 자연어 이해를 수행하지 않을 것을 나타내면, 상기 외부 서버로부터 상기 사용자 발화에 대한 데이터에 대한 상기 텍스트를 수신하고, 상기 정보가 상기 자연어 이해를 수행할 것을 나타내면, 상기 외부 서버로부터 상기 텍스트에 대한 상기 자연어 이해 수행 결과 획득된 명령을 수신하도록 야기하는 인스트럭션을 저장할 수 있다.
도 3은 다양한 실시예에 따른 프로그램 모듈의 블록도이다. 한 실시예에 따르면, 프로그램 모듈(310)(예: 프로그램(140))은 전자 장치(예: 전자 장치(101))에 관련된 자원을 제어하는 운영 체제 및/또는 운영 체제 상에서 구동되는 다양한 어플리케이션(예: 어플리케이션 프로그램(147))을 포함할 수 있다. 운영 체제는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 도 3을 참조하면, 프로그램 모듈(310)은 커널(320)(예: 커널(141)), 미들웨어(330)(예: 미들웨어(143)), (API(360)(예: API(145)), 및/또는 어플리케이션(370)(예: 어플리케이션 프로그램(147))을 포함할 수 있다. 프로그램 모듈(310)의 적어도 일부는 전자 장치 상에 프리로드 되거나, 외부 전자 장치(예: 전자 장치(102, 104), 서버(106) 등)로부터 다운로드 가능하다.
커널(320)은, 예를 들면, 시스템 리소스 매니저(321) 및/또는 디바이스 드라이버(323)를 포함할 수 있다. 시스템 리소스 매니저(321)는 시스템 리소스의 제어, 할당, 또는 회수를 수행할 수 있다. 한 실시예에 따르면, 시스템 리소스 매니저(321)는 프로세스 관리부, 메모리 관리부, 또는 파일 시스템 관리부를 포함할 수 있다. 디바이스 드라이버(323)는, 예를 들면, 디스플레이 드라이버, 카메라 드라이버, 블루투스 드라이버, 공유 메모리 드라이버, USB 드라이버, 키패드 드라이버, WiFi 드라이버, 오디오 드라이버, 또는 IPC(inter-process communication) 드라이버를 포함할 수 있다. 미들웨어(330)는, 예를 들면, 어플리케이션(370)이 공통적으로 필요로 하는 기능을 제공하거나, 어플리케이션(370)이 전자 장치 내부의 제한된 시스템 자원을 사용할 수 있도록 API(360)를 통해 다양한 기능들을 어플리케이션(370)으로 제공할 수 있다. 한 실시예에 따르면, 미들웨어(330) 는 런타임 라이브러리(335), 어플리케이션 매니저(341), 윈도우 매니저(342), 멀티미디어 매니저(343), 리소스 매니저(344), 파워 매니저(345), 데이터베이스 매니저(346), 패키지 매니저(347), 커넥티비티 매니저(348), 노티피케이션 매니저(349), 로케이션 매니저(350), 그래픽 매니저(351), 또는 시큐리티 매니저(352) 중 적어도 하나를 포함할 수 있다.
런타임 라이브러리(335)는, 예를 들면, 어플리케이션(370)이 실행되는 동안에 프로그래밍 언어를 통해 새로운 기능을 추가하기 위해 컴파일러가 사용하는 라이브러리 모듈을 포함할 수 있다. 런타임 라이브러리(335)는 입출력 관리, 메모리 관리, 또는 산술 함수 처리를 수행할 수 있다. 어플리케이션 매니저(341)는, 예를 들면, 어플리케이션(370)의 생명 주기를 관리할 수 있다. 윈도우 매니저(342)는 화면에서 사용되는 GUI 자원을 관리할 수 있다. 멀티미디어 매니저(343)는 미디어 파일들의 재생에 필요한 포맷을 파악하고, 해당 포맷에 맞는 코덱을 이용하여 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(344)는 어플리케이션(370)의 소스 코드 또는 메모리의 공간을 관리할 수 있다. 파워 매니저(345)는, 예를 들면, 배터리의 용량 또는 전원을 관리하고, 전자 장치의 동작에 필요한 전력 정보를 제공할 수 있다. 한 실시예에 따르면, 파워 매니저(345)는 바이오스(BIOS: basic input/output system)와 연동할 수 있다. 데이터베이스 매니저(346)는, 예를 들면, 어플리케이션(370)에서 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(347)는 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다.
커넥티비티 매니저(348)는, 예를 들면, 무선 연결을 관리할 수 있다. 노티피케이션 매니저(349)는, 예를 들면, 도착 메시지, 약속, 근접성 알림 등의 이벤트를 사용자에게 제공할 수 있다. 로케이션 매니저(350)는, 예를 들면, 전자 장치의 위치 정보를 관리할 수 있다. 그래픽 매니저(351)는, 예를 들면, 사용자에게 제공될 그래픽 효과 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다. 보안 매니저(352)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 한 실시예에 따르면, 미들웨어(330)는 전자 장치의 음성 또는 영상 통화 기능을 관리하기 위한 통화(telephony) 매니저 또는 전술된 구성요소들의 기능들의 조합을 형성할 수 있는 하는 미들웨어 모듈을 포함할 수 있다. 한 실시예에 따르면, 미들웨어(330)는 운영 체제의 종류 별로 특화된 모듈을 제공할 수 있다. 미들웨어(330)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. API(360)는, 예를 들면, API 프로그래밍 함수들의 집합으로, 운영 체제에 따라 다른 구성으로 제공될 수 있다. 예를 들면, 안드로이드 또는 iOS의 경우, 플랫폼 별로 하나의 API 셋을 제공할 수 있으며, 타이젠의 경우, 플랫폼 별로 두 개 이상의 API 셋을 제공할 수 있다.
어플리케이션(370)은, 예를 들면, 홈(371), 다이얼러(372), SMS/MMS(373), IM(instant message)(374), 브라우저(375), 카메라(376), 알람(377), 컨택트(378), 음성 다이얼(379), 이메일(380), 달력(381), 미디어 플레이어(382), 앨범(383), 와치(384), 헬스 케어(예: 운동량 또는 혈당 등을 측정), 또는 환경 정보(예: 기압, 습도, 또는 온도 정보) 제공 어플리케이션을 포함할 수 있다. 한 실시예에 따르면, 어플리케이션(370)은 전자 장치와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션을 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치에 특정 정보를 전달하기 위한 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하기 위한 장치 관리 어플리케이션을 포함할 수 있다. 예를 들면, 알림 전달 어플리케이션은 전자 장치의 다른 어플리케이션에서 발생된 알림 정보를 외부 전자 장치로 전달하거나, 또는 외부 전자 장치로부터 알림 정보를 수신하여 사용자에게 제공할 수 있다. 장치 관리 어플리케이션은, 예를 들면, 전자 장치와 통신하는 외부 전자 장치의 기능(예: 외부 전자 장치 자체(또는, 일부 구성 부품)의 턴-온/턴-오프 또는 디스플레이의 밝기(또는, 해상도) 조절), 또는 외부 전자 장치에서 동작하는 어플리케이션을 설치, 삭제, 또는 갱신할 수 있다. 한 실시예에 따르면, 어플리케이션(370)은 외부 전자 장치의 속성에 따라 지정된 어플리케이션(예: 모바일 의료 기기의 건강 관리 어플리케이션)을 포함할 수 있다. 한 실시예에 따르면, 어플리케이션(370)은 외부 전자 장치로부터 수신된 어플리케이션을 포함할 수 있다. 프로그램 모듈(310)의 적어도 일부는 소프트웨어, 펌웨어, 하드웨어(예: 프로세서(210)), 또는 이들 중 적어도 둘 이상의 조합으로 구현(예: 실행)될 수 있으며, 하나 이상의 기능을 수행하기 위한 모듈, 프로그램, 루틴, 명령어 세트 또는 프로세스를 포함할 수 있다.
도 4는 다양한 실시예들에 따른, 메타 학습기를 학습하기 위한 학습 과정을 나타낸다.
도 4의 메타 학습 알고리즘은 변화하는 task들에 대해서 공유하는 지식을 신경망의 파라미터( t)의 형태로 학습한다. 본 발명에서는 신경망과 결합된 프로세서(120)가 새로운 task의 적은 샘플만 가지고도 곧바로 최적화될 수 있으며, 이렇게 최적화된 신호처리 모듈이 신경망의 신호를 입력으로 받아 '현재 task에 최적화된 처리(task-adaptive processing)'를 진행하여 크게 향상된 추론을 얻을 수 있게 된다.
본 발명은 신경망과 신경망의 신호를 입력으로 받는 프로세서(120)의 결합 시스템을 다룬다. 구체적으로, 신경망의 출력층(output layer)의 출력 신호(output signal), 은닉층(hidden layer) 신호 혹은 피처(feature)를 프로세서(120)의 입력으로 받아 처리한다.
본 발명의 프로세서(120)의 추가적인 처리를 통해 부족한 신경망의 추론을 크게 향상시킨다. 본 발명은 신경망의 구조 및 형태에 제한 받지 않으며 프로세서(120)의 구체적인 설계 전략을 담고 있다. 이러한 결합 시스템 및 학습 알고리즘을 기반으로, 실제로 신경망의 학습만으로는 대처하기 어려운 학습 상황에서 크게 향상된 추론 성능을 달성할 수 있게 된다.
도 5는 다양한 실시예들에 따른, 서버(예: 도 1의 전자 장치(101))에 포함된 인공지능 모델의 제공을 위한 구성들을 나타낸다.
도 6은 다양한 실시예들에 따른, 데이터 수집부가 동작하는 실시예를 나타낸다.
도 7은 다양한 실시예들에 따른, 데이터 전처리부가 동작하는 실시예를 나타낸다.
도 8은 다양한 실시예들에 따른, 데이터 시각화부가 동작하는 실시예를 나타낸다.
도 9는 다양한 실시예들에 따른, 모델 검증부가 동작하는 실시예를 나타낸다.
다양한 실시예들에 따르면, 서버(101)는 데이터 수집부(501), 데이터 전처리부(502), 데이터 시각화부(503), 모델 훈련부(504), 모델 검증부(505), 모델 제공부(506) 및 HMI(Human-Machine Interface)부(507)를 포함할 수 있다.
일 실시예에 따르면, 데이터 수집부(501)는 웹 크롤링을 이용하여 복수의 서버들로부터 데이터를 수집하고, 수집된 데이터를 수치 데이터로 변환할 수 있다. 예를 들어, 도 5를 참조하면, 데이터 수집부(501)는 다양한 데이터(예: 공공행정, 환경기상, 산업고용, 교통물류 등)를 처리하는 복수의 서버들로부터 해당 서버가 관리하는 웹 사이트에 접속하여 상기 데이터들을 수집할 수 있다. 이 때 수집된 데이터의 형태는 이미지, 동영상, 음성, 텍스트, 숫자 등의 포맷을 가질 수 있고, 데이터 수집부(501)는 크롤링으로 획득한 데이터를 수치(숫자) 데이터 포맷으로 변환할 수 있다.
일 실시예에 따르면, 데이터 전처리부(502)는 데이터 수집부(501)로부터 수치 데이터를 전달받을 수 있고, 상기 수치 데이터를 전처리하여 데이터를 정규화하고, 상기 정규화된 데이터에 대한 차원 변환을 수행함으로써 학습용 데이터를 생성할 수 있다. 예를 들어, 도 7을 참조하면, 데이터 전처리부(502)는 수치화된 데이터의 전처리 과정으로서, 노이즈를 제거하고, 결측값을 처리하고, 컬럼 데이터를 결합하고 단위 통일 작업을 수행함으로써 정규화된 데이터를 생성할 수 있고, 정규화된 데이터를 메타 러닝 알고리즘 모델에서 공통으로 사용할 수 있도록 차원 변환을 수행함으로써 학습용 데이터를 생성할 수 있다.
일 실시예에 따르면, 데이터 시각화부(503)는 데이터 전처리부(502)에서 전달받은 학습용 데이터를 시각화할 수 있다. 예를 들어, 도 8을 참조하면, 데이터 시각화부(503)는 전처리 전/후 데이터를 활용해 다양한 시각화 정보를 사용자에게 용이하게 표시하도록 하는 UI(유저 인터페이스)를 생성할 수 있다. 구체적으로, 학습용 데이터를 다양한 데이터와 표현 방식(예: area, bar, bubble, chart 등)에 적용 가능한 템플릿을 생성하여 사용자에 해당하는 모델 사용자가 볼 수 있는 UI를 생성할 수 있다. 일 실시예에 따라, 데이터 시각화부(503)는 이 기술 분야의 당업자에 의하여 용이하게 사용가능한 데이터 시각화 툴을 포함할 수 있다.
일 실시예에 따르면, 모델 훈련부(504)는 메타 러닝 방식에 따라 학습용 데이터를 이용하여 인공지능 모델을 훈련시킬 수 있다. 메타 러닝 모델 훈련을 위해서는 아래의 3가지 접근 방법을 지원할 수 있다.
- Metric 기반의 Efficient Distance Metric을 학습하는 방식
- Model 기반의 External/Internal Memory를 이용한 RNN 방식
- Optimization 기반의 fast learning을 위한 모델 파라메타 최적화 방식
모델 훈련부(504)는 상술한 메타 러닝 방식들에 따라 아래의 인공지능 모델을 훈련시킬 수 있다.
일 실시예에 따르면, 모델 훈련부(504)는 이미지 분류를 위하여 이미지 데이터에 대응하는 학습용 데이터를 수신하는 경우, Convolutional Neural Network(CNN) 기반의 인공지능 모델을 훈련시킬 수 있다.
모델 훈련부(504)는 객체 감지를 위하여 이미지 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN 기반의 인공지능 모델을 훈련시킬 수 있다.
모델 훈련부(504)는 회귀/분류를 위하여 테이블 데이터에 대응하는 학습용 데이터를 수신하는 경우, Extreme Gradient Boosting(XGBoost) 기반의 인공지능 모델을 훈련시킬 수 있다.
모델 훈련부(504)는 예측을 위하여 테이블 데이터에 대응하는 학습용 데이터를 수신하는 경우, Long Short-term Memory(LSTM) 기반의 인공지능 모델을 훈련시킬 수 있다.
모델 훈련부(504)는 텍스트 분류를 위하여 텍스트 데이터에 대응하는 학습용 데이터를 수신하는 경우, Recurrent Neural Network(RNN) 기반의 인공지능 모델을 훈련시킬 수 있다.
모델 훈련부(504)는 텍스트 항목 추출을 위하여 텍스트 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN 기반의 인공지능 모델을 훈련시킬 수 있다.
모델 훈련부(504)는 동작 인식, 영상 분류, 객체 추적을 위하여, 동영상 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN, RNN, 및 Generative Adversarial Networks(GAN) 중 하나에 기반하는 인공지능 모델을 훈련시킬 수 있다.
일 실시예에 따르면, 모델 검증부(505)는 학습용 데이터에 대응하는 검증/평가 데이터를 인공지능 모델에 입력하여 인공지능 모델의 신뢰도를 검증할 수 있다. 예를 들어, 도 9를 참조하면, 모델 검증부(505)는 학습용 데이터에 기반하여 훈련된 인공지능 모델에 검증/평가 데이터를 입력함으로써, 상기 인공지능 모델이 다른 사용자들에게 제공하기에 적합한지에 관한 신뢰도를 검증할 수 있다. 일 실시예에 따르면, 모델 검증 알고리즘은 기존에 당업자에게 자명한 인공지능 모델 검증 알고리즘을 이용할 수 있고, 인공지능 모델의 검증 결과, 그 신뢰도가 서버(101)의 관리자가 미리 설정한 임계값 미만인 경우, 인공지능 모델의 신뢰도 불통과 사실을 모델 훈련부(504)로 전달할 수 있고, 이 경우, 모델 훈련부(504)는 인공지능 모델을 재훈련시킬 수 있다. 한편, 상기 신뢰도가 임계값 이상인 경우, 인공지능 모델의 신뢰도 통과 완료 사실을 모델 제공(506)로 전달할 수 있다.
일 실시예에 따르면, 모델 제공부(506)는 인공지능 모델의 신뢰도가 임계값 이상인 경우, 복수의 사용자들이 인공지능 모델에 접근할 수 있도록 인공지능 모델에 관한 API(Application Programming Interface)를 제공할 수 있다.
일 실시예에 따르면, HMI(Human-Machine Interface)부(507)는 상기 복수의 사용자들이 상기 서버에 접속하여 상기 인공지능 모델과 관련된 복수의 동작들을 수행할 수 있는 그래픽 유저 인터페이스를 제공할 수 있다. 인공지능 모델은 소프트웨어 기반 모델 설계 툴의 이용을 통해 구현될 수 있다. 이러한 모션 설계 툴은 인공지능 모델 설계자에게 모델의 입력 데이터, 출력 데이터, 및 다른 특성들을 정의하기 위한 옵션들을 제시하기 위하여, 그래픽 사용자 인터페이스(GUI)를 이용할 수 있고, 일련의 하나 이상의 웹 페이지 및/또는 웹 기반 애플리케이션으로서 구현될 수 있다., 서버 이용자들은 조직화되고 효율적인 방식으로 다양한 작업들을 수행하기 위해 모델 설계 툴을 이용할 수 있다. 특히, 모델 설계 툴은 소위 "로우-코드/노-코드(low-code/no-code)" 솔루션일 수 있으며, 이 솔루션으로 설계자들은 인공지능 모델을 구현하기 위해 매우 적은 프로그램 코드를 기입하거나 전혀 코드를 기입하지 않을 수 있다. 예를 들어, HMI부(507)는 서버에 보관된 데이터를 선택하기 위한 GUI, 사용자가 학습하려고 하는 데이터를 서버에 업로드하기 위한 GUI, 해당 데이터를 이용해 특정 작업(예측, 추적, 분류 등)을 하기 위한 GUI를 제공할 수 있다.
다양한 실시예들에 따라서, 메타 러닝 방식에 따라 훈련된 인공지능 모델을 제공하는 서버는, 웹 크롤링을 이용하여 복수의 서버들로부터 데이터를 수집하고, 수집된 데이터를 수치 데이터로 변환하는 데이터 수집부(501), 상기 수치 데이터를 전처리하여 데이터를 정규화하고, 상기 정규화된 데이터에 대한 차원 변환을 수행함으로써 학습용 데이터를 생성하는 데이터 전처리부(502), 상기 학습용 데이터를 시각화하는 데이터 시각화부(503), 메타 러닝 방식에 따라, 상기 학습용 데이터를 이용하여 인공지능 모델을 훈련하는 모델 훈련부(504), 상기 학습용 데이터에 대응하는 검증/평가 데이터를 상기 인공 지능 모델에 입력하여 상기 인공지능 모델의 신뢰도를 검증하는 모델 검증부(505), 상기 인공지능 모델의 신뢰도가 임계값 이상인 경우, 복수의 사용자들이 상기 인공지능 모델에 접근할 수 있도록 하는 모델 제공부(506), 상기 복수의 사용자들이 상기 서버에 접속하여 상기 인공지능 모델과 관련된 복수의 동작들을 수행할 수 있는 그래픽 유저 인터페이스를 제공하는 HMI(Human-Machine Interface)부(507)를 포함할 수 있다.
다양한 실시예들에 따라서, 상기 모델 훈련부는 이미지 분류를 위하여 이미지 데이터에 대응하는 학습용 데이터를 수신하는 경우, Convolutional Neural Network(CNN) 기반의 인공지능 모델을 훈련시키고, 상기 모델 훈련부는 객체 감지를 위하여 이미지 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN 기반의 인공지능 모델을 훈련시키고, 상기 모델 훈련부는 회귀/분류를 위하여 테이블 데이터에 대응하는 학습용 데이터를 수신하는 경우, Extreme Gradient Boosting(XGBoost) 기반의 인공지능 모델을 훈련시키고, 상기 모델 훈련부는 예측을 위하여 테이블 데이터에 대응하는 학습용 데이터를 수신하는 경우, Long Short-term Memory(LSTM) 기반의 인공지능 모델을 훈련시키고, 상기 모델 훈련부는 텍스트 분류를 위하여 텍스트 데이터에 대응하는 학습용 데이터를 수신하는 경우, Recurrent Neural Network(RNN) 기반의 인공지능 모델을 훈련시키고, 상기 모델 훈련부는 텍스트 항목 추출을 위하여 텍스트 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN 기반의 인공지능 모델을 훈련시키고, 상기 모델 훈련부는 동작 인식, 영상 분류, 객체 추적을 위하여, 동영상 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN, RNN, 및 Generative Adversarial Networks(GAN) 중 하나에 기반하는 인공지능 모델을 훈련시킬 수 있다.
다양한 실시예들에 따라서, 상기 모델 훈련부는, 상기 인공지능 모델의 검증 결과 상기 신뢰도가 상기 임계값 미만인 경우, 상기 모델 검증부로부터 신뢰도 불통과 사실을 전달받고, 상기 인공지능 모델을 재훈련시킬 수 있다.
본 문서에서 사용된 용어 "모듈" 또는 "~부"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "모듈" 또는 "~부"는, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. "모듈" 또는 "~부"는 기계적으로 또는 전자적으로 구현될 수 있으며, 예를 들면, 어떤 동작들을 수행하는, 알려졌거나 앞으로 개발될, ASIC(application-specific integrated circuit) 칩, FPGAs(field-programmable gate arrays), 또는 프로그램 가능 논리 장치를 포함할 수 있고, 프로세서(120)에 의하여 실행될 수 있다. 다양한 실시예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는 프로그램 모듈의 형태로 컴퓨터로 판독 가능한 저장 매체(예: 메모리(130))에 저장된 명령어로 구현될 수 있다. 상기 명령어가 프로세서(예: 프로세서(120))에 의해 실행될 경우, 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다. 컴퓨터로 판독 가능한 기록 매체는, 하드디스크, 플로피디스크, 마그네틱 매체(예: 자기테이프), 광기록 매체(예: CD-ROM, DVD, 자기-광 매체 (예: 플롭티컬 디스크), 내장 메모리 등을 포함할 수 있다. 명령어는 컴파일러에 의해 만들어지는 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 다양한 실시예에 따른 모듈 또는 프로그램 모듈은 전술한 구성요소들 중 적어도 하나 이상을 포함하거나, 일부가 생략되거나, 또는 다른 구성요소를 더 포함할 수 있다. 다양한 실시예에 따른, 모듈, 프로그램 모듈 또는 다른 구성요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
그리고 본 문서에 개시된 실시예는 개시된, 기술 내용의 설명 및 이해를 위해 제시된 것이며, 본 개시의 범위를 한정하는 것은 아니다. 따라서, 본 개시의 범위는, 본 개시의 기술적 사상에 근거한 모든 변경 또는 다양한 다른 실시예를 포함하는 것으로 해석되어야 한다.
Claims (3)
- 메타 러닝 방식에 따라 훈련된 인공지능 모델을 제공하는 서버에 있어서,
웹 크롤링을 이용하여 복수의 서버들로부터 데이터를 수집하고, 수집된 데이터를 수치 데이터로 변환하는 데이터 수집부(501),
상기 수치 데이터를 전처리하여 데이터를 정규화하고, 상기 정규화된 데이터에 대한 차원 변환을 수행함으로써 학습용 데이터를 생성하는 데이터 전처리부(502),
상기 학습용 데이터를 시각화하는 데이터 시각화부(503),
메타 러닝 방식에 따라, 상기 학습용 데이터를 이용하여 인공지능 모델을 훈련하는 모델 훈련부(504),
상기 학습용 데이터에 대응하는 검증/평가 데이터를 상기 인공 지능 모델에 입력하여 상기 인공지능 모델의 신뢰도를 검증하는 모델 검증부(505),
상기 인공지능 모델의 신뢰도가 임계값 이상인 경우, 복수의 사용자들이 상기 인공지능 모델에 접근할 수 있도록 하는 모델 제공부(506),
상기 복수의 사용자들이 상기 서버에 접속하여 상기 인공지능 모델과 관련된 복수의 동작들을 수행할 수 있는 그래픽 유저 인터페이스를 제공하는 HMI(Human-Machine Interface)부(507)를 포함하는,
인공지능 모델을 제공하는 서버.
- 제1 항에 있어서,
상기 모델 훈련부는 이미지 분류를 위하여 이미지 데이터에 대응하는 학습용 데이터를 수신하는 경우, Convolutional Neural Network(CNN) 기반의 인공지능 모델을 훈련시키고,
상기 모델 훈련부는 객체 감지를 위하여 이미지 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN 기반의 인공지능 모델을 훈련시킬 수 있다.
상기 모델 훈련부는 회귀/분류를 위하여 테이블 데이터에 대응하는 학습용 데이터를 수신하는 경우, Extreme Gradient Boosting(XGBoost) 기반의 인공지능 모델을 훈련시키고,
상기 모델 훈련부는 예측을 위하여 테이블 데이터에 대응하는 학습용 데이터를 수신하는 경우, Long Short-term Memory(LSTM) 기반의 인공지능 모델을 훈련시키고,
상기 모델 훈련부는 텍스트 분류를 위하여 텍스트 데이터에 대응하는 학습용 데이터를 수신하는 경우, Recurrent Neural Network(RNN) 기반의 인공지능 모델을 훈련시키고,
상기 모델 훈련부는 텍스트 항목 추출을 위하여 텍스트 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN 기반의 인공지능 모델을 훈련시키고,
상기 모델 훈련부는 동작 인식, 영상 분류, 객체 추적을 위하여, 동영상 데이터에 대응하는 학습용 데이터를 수신하는 경우, CNN, RNN, 및 Generative Adversarial Networks(GAN) 중 하나에 기반하는 인공지능 모델을 훈련시키는,
인공지능 모델을 제공하는 서버.
- 제2 항에 있어서,
상기 모델 훈련부는, 상기 인공지능 모델의 검증 결과 상기 신뢰도가 상기 임계값 미만인 경우, 상기 모델 검증부로부터 신뢰도 불통과 사실을 전달받고, 상기 인공지능 모델을 재훈련시키는,
인공지능 모델을 제공하는 서버.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220178599A KR20240097046A (ko) | 2022-12-19 | 2022-12-19 | 메타 러닝에 기반하여 학습된 인공지능 모델들을 제공하는 서버 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220178599A KR20240097046A (ko) | 2022-12-19 | 2022-12-19 | 메타 러닝에 기반하여 학습된 인공지능 모델들을 제공하는 서버 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240097046A true KR20240097046A (ko) | 2024-06-27 |
Family
ID=91713798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220178599A KR20240097046A (ko) | 2022-12-19 | 2022-12-19 | 메타 러닝에 기반하여 학습된 인공지능 모델들을 제공하는 서버 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240097046A (ko) |
-
2022
- 2022-12-19 KR KR1020220178599A patent/KR20240097046A/ko unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102414122B1 (ko) | 사용자 발화를 처리하는 전자 장치 및 그 동작 방법 | |
US11151961B2 (en) | Electronic device and method of providing information in electronic device | |
CN108369808B (zh) | 电子设备和用于控制该电子设备的方法 | |
CN108292317B (zh) | 问题和答案处理方法以及支持该方法的电子设备 | |
US10917552B2 (en) | Photographing method using external electronic device and electronic device supporting the same | |
US10825453B2 (en) | Electronic device for providing speech recognition service and method thereof | |
CN107665485B (zh) | 用于显示图形对象的电子装置和计算机可读记录介质 | |
KR102389996B1 (ko) | 전자 장치 및 이를 이용한 사용자 입력을 처리하기 위한 화면 제어 방법 | |
KR20180083587A (ko) | 전자 장치 및 그의 동작 방법 | |
KR102653450B1 (ko) | 전자 장치의 입력 음성에 대한 응답 방법 및 그 전자 장치 | |
KR102356889B1 (ko) | 음성 인식을 수행하는 방법 및 이를 사용하는 전자 장치 | |
CN110199503A (zh) | 消息生成方法及用于支持该方法的可穿戴的电子设备 | |
KR20170087142A (ko) | 센서 활용 방법 및 이를 구현한 전자 장치 | |
KR102358849B1 (ko) | 스마트 워치에 대한 정보를 제공하는 전자 장치와 이의 동작 방법 | |
EP3062238A1 (en) | Summarization by sentence extraction and translation of summaries containing named entities | |
KR20170027589A (ko) | 기능 제어 방법 및 그 방법을 처리하는 전자 장치 | |
KR102222711B1 (ko) | 쇼핑몰 관련 웹사이트를 제공하는 전자 장치 및 그 동작 방법 | |
KR102356345B1 (ko) | 전자 장치 및 그 제어 방법 | |
KR102678352B1 (ko) | 이동 통신망을 이용한 영어 학습 서비스 방법 및 시스템 | |
KR102323797B1 (ko) | 전자 장치 및 그의 정보 공유 방법 | |
KR102201577B1 (ko) | 쇼핑몰 관련 정보를 제공하는 방법 및 그 장치 | |
KR102449350B1 (ko) | 재고 관리 서비스를 제공하는 시스템 및 그 동작 방법 | |
KR102196241B1 (ko) | 쇼핑몰 관련 웹사이트를 통한 검색 결과를 제공하는 전자 장치 및 그 동작 방법 | |
KR20220115040A (ko) | 휘트니스 상품 거래 플랫폼을 운용하는 서버 및 그 동작 방법 | |
KR20240097046A (ko) | 메타 러닝에 기반하여 학습된 인공지능 모델들을 제공하는 서버 |