RU2772237C2 - Data-based learning server and method for forming and using its learning model - Google Patents
Data-based learning server and method for forming and using its learning model Download PDFInfo
- Publication number
- RU2772237C2 RU2772237C2 RU2019134550A RU2019134550A RU2772237C2 RU 2772237 C2 RU2772237 C2 RU 2772237C2 RU 2019134550 A RU2019134550 A RU 2019134550A RU 2019134550 A RU2019134550 A RU 2019134550A RU 2772237 C2 RU2772237 C2 RU 2772237C2
- Authority
- RU
- Russia
- Prior art keywords
- air conditioner
- temperature
- training model
- recommended
- current
- Prior art date
Links
- 238000004891 communication Methods 0.000 claims abstract description 117
- 238000003860 storage Methods 0.000 claims abstract description 77
- 230000001276 controlling effect Effects 0.000 claims abstract description 17
- 238000004378 air conditioning Methods 0.000 claims abstract description 7
- 230000000875 corresponding Effects 0.000 claims description 21
- 238000001816 cooling Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000005755 formation reaction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 23
- 238000000034 method Methods 0.000 description 19
- 239000008186 active pharmaceutical agent Substances 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000001413 cellular Effects 0.000 description 8
- 230000001537 neural Effects 0.000 description 7
- 230000001419 dependent Effects 0.000 description 5
- 230000002354 daily Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 241001439061 Cocksfoot streak virus Species 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006011 modification reaction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000002569 neurons Anatomy 0.000 description 2
- 230000000306 recurrent Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000004556 Brain Anatomy 0.000 description 1
- 210000000225 Synapses Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003203 everyday Effects 0.000 description 1
- 230000002068 genetic Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000000946 synaptic Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Abstract
Description
Область техники, к которой относится изобретениеThe technical field to which the invention belongs
[1] Раскрытие сущности относится к способу формирования обучающей модели и к серверу обучения на основе данных с использованием сформированной обучающей модели.[1] The disclosure relates to a method for generating a training model and a data-based learning server using the generated training model.
Уровень техникиState of the art
[2] В последние годы, интеллектуальные услуги, которые автоматически распознают данные, такие как голос, изображение, движущееся изображение и текст, с тем чтобы предоставлять информацию, связанную с данными, или услуги, связанные с данными, используются в различных областях техники.[2] In recent years, intelligent services that automatically recognize data such as voice, image, moving image, and text so as to provide data-related information or data-related services have been used in various fields of technology.
[3] Технология искусственного интеллекта, используемая в интеллектуальных услугах, представляет собой технологию, которая реализует интеллектуальность человеческого уровня. В отличие от существующих интеллектуальных систем на основе правил, технология искусственного интеллекта позволяет машинам выполнять обучение и суждение и становиться интеллектуальными самопроизвольно для машины. Поскольку используется технология искусственного интеллекта, коэффициент распознавания возрастает, и пользователи могут пониматься более точно, так что существующая технология на основе правил постепенно заменяется посредством технологии искусственного интеллекта.[3] The artificial intelligence technology used in intelligent services is a technology that realizes human-level intelligence. Unlike existing rule-based intelligent systems, AI technology allows machines to perform learning and judgment and become intelligent spontaneously for the machine. Since artificial intelligence technology is used, the recognition rate increases and users can be understood more accurately, so that the existing rule-based technology is gradually replaced by artificial intelligence technology.
[4] Технология искусственного интеллекта включает в себя технологии на основе машинного обучения и элементов, которые используют машинное обучение.[4] Artificial intelligence technology includes technologies based on machine learning and elements that use machine learning.
[5] Машинное обучение представляет собой алгоритмическую технологию, которая самопроизвольно классифицирует/обучает признаки входных данных. Технология на основе элементов представляет собой технологию, которая моделирует такие функции, как распознавание и суждение человеческого мозга, с использованием алгоритмов машинного обучения, и включает в себя такие области техники, как лингвистическое понимание, визуальное понимание, логический вывод/прогнозирование, представление знаний и управление движением.[5] Machine learning is an algorithmic technology that spontaneously classifies/trains features of input data. Element-based technology is a technology that models functions such as recognition and judgment of the human brain using machine learning algorithms, and includes fields of technology such as linguistic understanding, visual understanding, inference/prediction, knowledge representation, and control. movement.
[6] Варианты применения технологии искусственного интеллекта являются различными следующим образом. Лингвистическое понимание представляет собой технологию для распознавания и применения/обработки естественного языка/символов и включает в себя обработку естественного языка, машинный перевод, диалоговую систему, ответ на запросы, распознавание/синтез речи и т.п. Визуальное понимание представляет собой технологию, чтобы распознавать и обрабатывать объекты, такую как человеческое зрение, и включает в себя распознавание объектов, отслеживание объектов, поиск изображений, человеческое распознавание, понимание сцен, пространственное понимание и улучшение изображений и т.п. Прогнозирование на основе логического вывода представляет собой технологию для суждения и логического вывода и прогнозирования информации и включает в себя логический вывод на основе знаний/вероятности, прогнозирование на основе оптимизации, планирование на основе предпочтений, рекомендацию и т.п. Представление знаний представляет собой технологию для автоматизации информации человеческого опыта в данные знаний и включает в себя конструирование знаний (формирование/классификацию данных), управление знаниями (использование данных) и т.п. Управление движением представляет собой технологию для управления автоматическим вождением транспортного средства и движением робота и включает в себя управление движением (навигацию, столкновение, вождение), функциональное управление (управление поведением) и т.п.[6] Applications of artificial intelligence technology are different as follows. Linguistic understanding is a technology for natural language/character recognition and application/processing, and includes natural language processing, machine translation, conversational system, query response, speech recognition/synthesis, and the like. Visual understanding is a technology to recognize and process objects such as human vision, and includes object recognition, object tracking, image retrieval, human recognition, scene understanding, spatial understanding and image enhancement, and the like. Inference-based prediction is a technology for judging and inferring and predicting information, and includes knowledge/probability-based inference, optimization-based prediction, preference-based planning, recommendation, and the like. Knowledge representation is a technology for automating human experience information into knowledge data and includes knowledge construction (data generation/classification), knowledge management (data use), and the like. The motion control is a technology for controlling the automatic driving of a vehicle and the motion of a robot, and includes motion control (navigation, collision, driving), functional control (behavior control), and the like.
[7] Вышеуказанная информация представляется в качестве исходной информации только для того, чтобы помогать в понимании раскрытия сущности. Не выполняются определения и не выносятся суждения в отношении того, может или нет быть применимым что–либо из вышеуказанного в качестве предшествующего уровня техники относительно раскрытия сущности.[7] The above information is provided as background information only to assist in understanding the disclosure. No determinations are made and no judgments are made as to whether or not any of the foregoing may or may not be applicable as prior art regarding the disclosure.
Сущность изобретенияThe essence of the invention
Техническая задачаTechnical task
[8] Примерные варианты осуществления раскрытия сущности преодолевают вышеуказанные недостатки и другие недостатки, не описанные выше. Кроме того, настоящее изобретение не обязательно должно преодолевать недостатки, описанные выше, и примерный вариант осуществления раскрытия сущности может не преодолевать ни одну из проблем, описанных выше.[8] Exemplary embodiments of the disclosure overcome the above disadvantages and other disadvantages not described above. Furthermore, the present invention need not overcome the disadvantages described above, and an exemplary embodiment of the disclosure may not overcome any of the problems described above.
[9] Раскрытие сущности заключается в том, чтобы задавать температуру кондиционера с использованием технологии искусственного интеллекта.[9] The disclosure of the essence is to set the temperature of the air conditioner using artificial intelligence technology.
Решение задачиThe solution of the problem
[10] Соответственно, раскрытие сущности заключается в том, чтобы обеспечить способ формирования и использования обучающей модели для настройки температуры кондиционера.[10] Accordingly, the disclosure is to provide a method for generating and using a training model for setting the temperature of an air conditioner.
[11] Помимо этого, технические предметы раскрытия сущности не ограничены вышеописанными техническими вопросами, и другие технические предметы изобретения, которые не упоминаются, могут ясно пониматься в специалисты в данной области техники, к которым относится раскрытие сущности, из нижеприведенного описания.[11] In addition, the technical subjects of the disclosure are not limited to the technical matters described above, and other technical subjects that are not mentioned can be clearly understood by those skilled in the art to which the disclosure relates from the description below.
[12] В соответствии с аспектом раскрытия сущности, обеспечен сервер обучения на основе данных. Сервер обучения на основе данных включает в себя блок связи, выполненный с возможностью обмениваться данными с внешним устройством, по меньшей мере один процессор, выполненный с возможностью получать заданную температуру, заданную в кондиционере, и текущую температуру кондиционера во время настройки температуры через блок связи и формировать или заменять на новую обучающую модель с использованием заданной температуры и текущей температуры, и блок хранения данных, выполненный с возможностью сохранять сформированную или замененную на новую обучающую модель, чтобы обеспечивать рекомендованную температуру, которая должна задаваться в кондиционере, в результате формирования или замены на новую обучающей модели.[12] In accordance with the disclosure aspect, a data-based learning server is provided. The data-based learning server includes a communication unit configured to communicate with an external device, at least one processor configured to receive a set temperature set in the air conditioner and the current temperature of the air conditioner at the time of temperature setting through the communication unit, and generate or replaced with a new training model using the set temperature and the current temperature, and a data storage unit configured to store the generated or replaced with a new training model to provide the recommended temperature to be set in the air conditioner, as a result of the formation or replacement with a new training models.
[13] В соответствии с другим аспектом раскрытия сущности, обеспечен сервер обучения на основе данных. Сервер обучения на основе данных включает в себя блок хранения данных, выполненный с возможностью сохранять обученную обучающую модель, чтобы обеспечивать рекомендованную температуру, которая должна задаваться, в кондиционер, по меньшей мере один процессор, выполненный с возможностью получать текущую температуру кондиционера и вводить текущую температуру в обучающую модель, чтобы получать рекомендованную температуру, которая должна задаваться в кондиционере, и блок связи, выполненный с возможностью передавать рекомендованную температуру во внешнее устройство.[13] In accordance with another aspect of the disclosure, a data-based learning server is provided. The data-based learning server includes a data storage unit configured to store a trained training model to provide a recommended temperature to be set to an air conditioner, at least one processor configured to obtain the current temperature of the air conditioner and input the current temperature to the air conditioner. a training model to obtain a recommended temperature to be set in the air conditioner; and a communication unit configured to transmit the recommended temperature to an external device.
[14] В соответствии с другим аспектом раскрытия сущности, обеспечена сетевая система.[14] In accordance with another aspect of the disclosure, a network system is provided.
Система включает в себя кондиционер и сервер обучающих моделей, выполненный с возможностью формировать обучающую модель с использованием обучающих данных, полученных из кондиционера, при этом кондиционер включает в себя температурный датчик, выполненный с возможностью считывать текущую температуру около кондиционера, вентилятор, выполненный с возможностью выпускать охлаждающий воздух наружу на основе заданной температуры, заданной в кондиционере, и блок связи кондиционера, выполненный с возможностью обмениваться данными с внешним устройством, и по меньшей мере один процессор кондиционера, выполненный с возможностью управлять блоком связи кондиционера таким образом, чтобы передавать считываемую текущую температуру и заданную температуру во внешнее устройство, и сервер обучающих моделей включает в себя по меньшей мере один серверный процессор, который получает текущую температуру и заданную температуру и формирует обучающую модель с использованием полученной заданной температуры и текущей температуры, и блок хранения данных, выполненный с возможностью сохранять сформированную обучающую модель, чтобы обеспечивать рекомендованную температуру кондиционера в результате формирования обучающей модели.The system includes an air conditioner and a training model server configured to generate a training model using training data received from the air conditioner, wherein the air conditioner includes a temperature sensor configured to read the current temperature near the air conditioner, a fan configured to emit cooling air outside based on the set temperature set in the air conditioner, and an air conditioner communication unit configured to communicate with an external device, and at least one air conditioner processor configured to control the air conditioner communication unit so as to transmit the read current temperature and the set temperature to an external device, and the training model server includes at least one server processor that obtains the current temperature and the set temperature, and generates a training model using the obtained set temperature and the current th temperature, and a data storage unit configured to store the generated training model to provide the recommended temperature of the air conditioner as a result of generating the training model.
[15] В соответствии с другим аспектом раскрытия сущности, обеспечена сетевая система.[15] In accordance with another aspect of the disclosure, a network system is provided.
Сетевая система включает в себя кондиционер и сервер обучающих моделей, выполненный с возможностью обеспечивать рекомендованную температуру с использованием данных распознавания, полученных из кондиционера, при этом кондиционер включает в себя температурный датчик, выполненный с возможностью считывать текущую температуру кондиционера, вентилятор, выполненный с возможностью выпускать охлаждающий воздух, сформированный из воздухоочистителя наружу, и блок связи кондиционера, передающий текущую температуру в первое внешнее устройство, при этом сервер обучающих моделей включает в себя блок хранения данных, выполненный с возможностью сохранять обученную обучающую модель, чтобы обеспечивать рекомендованную температуру кондиционера, по меньшей мере один серверный процессор, выполненный с возможностью получать текущую температуру и вводить текущую температуру в обучающую модель, чтобы получать рекомендованную температуру кондиционера, и серверный блок связи, выполненный с возможностью передавать рекомендованную температуру во второе внешнее устройство.The network system includes an air conditioner and a training model server configured to provide a recommended temperature using recognition data obtained from the air conditioner, the air conditioner includes a temperature sensor configured to read the current temperature of the air conditioner, a fan configured to issue a cooling air generated from the air cleaner to the outside, and an air conditioner communication unit transmitting the current temperature to the first external device, wherein the training model server includes a data storage unit configured to store the trained training model to provide the recommended temperature of the air conditioner, at least one a server processor configured to obtain the current temperature and input the current temperature to the training model to obtain the recommended temperature of the air conditioner, and a server communication unit configured to transmit the recommended temperature to the second external device.
[16] В соответствии с другим аспектом раскрытия сущности, обеспечен кондиционер.[16] In accordance with another aspect of the disclosure, an air conditioner is provided.
Кондиционер включает в себя вентилятор, выполненный с возможностью выпускать охлаждающий воздух наружу, температурный датчик, выполненный с возможностью считывать текущую температуру около кондиционера, блок связи, выполненный с возможностью обмениваться данными с внешним устройством, и по меньшей мере один процессор, выполненный с возможностью управлять блоком связи таким образом, чтобы передавать текущую температуру во внешнее устройство, управлять блоком связи таким образом, чтобы принимать рекомендованную температуру, которая представляет собой результат, полученный посредством применения текущей температуры к обучающей модели, из внешнего устройства в зависимости от передачи текущей температуры, и задавать принимаемую рекомендованную температуру в кондиционере, при этом обучающая модель представляет собой обучающую модель, обученную с использованием множества заданных температур, предварительно заданных в кондиционере, и множества текущих температур.The air conditioner includes a fan configured to discharge cooling air to the outside, a temperature sensor configured to read the current temperature near the air conditioner, a communication unit configured to exchange data with an external device, and at least one processor configured to control the unit connection so as to transmit the current temperature to an external device, control the communication unit so as to receive the recommended temperature, which is the result obtained by applying the current temperature to the training model, from the external device depending on the transmission of the current temperature, and set the received a recommended temperature in the air conditioner, wherein the training model is a training model trained using a plurality of target temperatures preset in the air conditioner and a plurality of current temperatures.
[17] В соответствии с другим аспектом раскрытия сущности, обеспечен пользовательский терминал. Пользовательский терминал включает в себя дисплей, выполненный с возможностью отображать экран, блок связи, выполненный с возможностью обмениваться данными с внешним устройством, ввод, выполненный с возможностью принимать пользовательский ввод, и по меньшей мере один процессор, выполненный с возможностью управлять блоком связи таким образом, чтобы передавать сигнал запроса работы искусственного интеллекта, соответствующий UI работы искусственного интеллекта, в кондиционер в ответ на сигнал пользовательского ввода, зависящий от пользовательского ввода, выбирающего UI работы искусственного интеллекта, включенный в экран, который принят через ввод, и управлять дисплеем таким образом, чтобы отображать полученную рекомендованную температуру в ответ на получение рекомендованной температуры, заданной в кондиционере, которая представляет собой результат, полученный посредством применения текущей температуры кондиционера к обучающей модели в зависимости от сигнала запроса работы искусственного интеллекта через блок связи.[17] In accordance with another aspect of the disclosure, a user terminal is provided. The user terminal includes a display configured to display a screen, a communication unit configured to communicate with an external device, an input configured to receive user input, and at least one processor configured to control the communication unit in a manner to transmit the artificial intelligence operation request signal corresponding to the artificial intelligence operation UI to the air conditioner in response to the user input signal dependent on the user input selecting the artificial intelligence operation UI included in the screen which is received via the input, and control the display so as to display the received recommended temperature in response to receiving the recommended temperature set in the air conditioner, which is the result obtained by applying the current temperature of the air conditioner to the training model depending on the artificial operation request signal intelligence through the communication unit.
[18] В соответствии с другим аспектом раскрытия сущности, обеспечен способ формирования обучающей модели для сервера обучения на основе данных. Способ включает в себя получение заданной температуры, заданной в кондиционере, и текущей температуры кондиционера во время настройки температуры, формирование или замену на новую обучающей модели с использованием заданной температуры и текущей температуры и сохранение сформированной или замененной на новую обучающей модели, чтобы обеспечивать рекомендованную температуру, которая должна задаваться в кондиционере, в результате формирования или замены на новую обучающей модели.[18] In accordance with another aspect of the disclosure, a method is provided for generating a training model for a training server based on data. The method includes obtaining the set temperature set in the air conditioner and the current temperature of the air conditioner at the time of setting the temperature, generating or replacing with a new training model using the set temperature and the current temperature, and storing the generated or replaced with the new training model to provide the recommended temperature, which should be set in the air conditioner as a result of formation or replacement with a new training model.
[19] В соответствии с другим аспектом раскрытия сущности, обеспечен способ использования обучающей модели для сервера обучения на основе данных. Способ включает в себя сохранение обученной обучающей модели, чтобы обеспечивать рекомендованную температуру, которая должна задаваться, в кондиционер, получение текущей температуры кондиционера, ввод текущей температуры в обученную обучающую модель, чтобы получать рекомендованную температуру, которая должна задаваться в кондиционере, и передачу рекомендованной температуры во внешнее устройство.[19] In accordance with another aspect of the disclosure, a method is provided for using a training model for a data-based learning server. The method includes storing the trained training model to provide a recommended temperature to be set to the air conditioner, obtaining the current temperature of the air conditioner, inputting the current temperature to the trained training model to obtain the recommended temperature to be set to the air conditioner, and passing the recommended temperature to the air conditioner. external device.
[20] В соответствии с другим аспектом раскрытия сущности, обеспечен способ обеспечения рекомендованной температуры кондиционера. Способ включает в себя считывание текущей температуры кондиционера, передачу считываемой текущей температуры во внешнее устройство, прием рекомендованной температуры, которая представляет собой результат, полученный посредством применения текущей температуры к обучающей модели, из внешнего устройства в зависимости от передачи текущей температуры, и настройку принимаемой рекомендованной температуры в кондиционере, при этом обучающая модель представляет собой обучающую модель, обученную с использованием множества заданных температур, предварительно заданных в кондиционере, и множества текущих температур.[20] In accordance with another aspect of the disclosure, a method is provided for providing a recommended air conditioner temperature. The method includes reading the current temperature of the air conditioner, transmitting the read current temperature to an external device, receiving the recommended temperature, which is the result obtained by applying the current temperature to the training model, from the external device depending on the transmission of the current temperature, and setting the received recommended temperature in the air conditioner, wherein the training model is a training model trained using the set temperature preset in the air conditioner and the current temperature set.
[21] В соответствии с другим аспектом раскрытия сущности, обеспечен способ управления контроллером подачи воздуха пользовательского терминала. Способ включает в себя прием сигнала пользовательского ввода, зависящего от пользовательского ввода, выбирающего UI работы искусственного интеллекта, передачу сигнала запроса работы искусственного интеллекта, соответствующего UI работы искусственного интеллекта, в кондиционер, получение рекомендованной температуры, заданной в кондиционере, которая представляет собой результат, полученный посредством применения текущей температуры кондиционера к обучающей модели в зависимости от сигнала запроса работы искусственного интеллекта, и отображение полученной рекомендованной температуры на экране.[21] In accordance with another aspect of the disclosure, a method for controlling an air supply controller of a user terminal is provided. The method includes receiving a user input signal dependent on a user input selecting an AI operation UI, transmitting an AI operation request signal corresponding to the AI operation UI to an air conditioner, obtaining a recommended temperature set in the air conditioner, which is a result obtained by applying the current temperature of the air conditioner to the training model depending on the request signal of the artificial intelligence operation, and displaying the obtained recommended temperature on the screen.
[22] В соответствии с другим аспектом раскрытия сущности, обеспечен способ формирования обучающей модели сетевой системы, включающей в себя кондиционер и сервер обучающих моделей. Способ включает в себя прием, посредством кондиционера, пользовательского управляющего сигнала, настраивающего температуру, операцию передачи, посредством кондиционера, заданной температуры и текущей температуры кондиционера во внешнее устройство, формирование, посредством сервера обучающих моделей, обучающей модели с использованием заданной температуры и текущей температуры, и сохранение, посредством сервера обучающих моделей, сформированной обучающей модели, чтобы обеспечивать рекомендованную температуру кондиционера.[22] In accordance with another aspect of the disclosure, a method is provided for generating a training model of a network system including an air conditioner and a training model server. The method includes receiving, by the air conditioner, a user control signal adjusting the temperature, an operation of transmitting, by the air conditioner, the set temperature and the current temperature of the air conditioner to an external device, generating, by the training model server, a training model using the set temperature and the current temperature, and storing, by the training model server, the generated training model to provide the recommended air conditioner temperature.
[23] В соответствии с другим аспектом раскрытия сущности, обеспечен способ обеспечения рекомендованной температуры в сетевой системе, включающей в себя кондиционер и сервер обучающих моделей. Способ включает в себя передачу, посредством кондиционера, текущей температуры кондиционера во внешнее устройство, получение, посредством сервера обучающих моделей, рекомендованной температуры кондиционера посредством применения текущей температуры к обучающей модели и передачу, посредством кондиционера, рекомендованной температуры во внешнее устройство.[23] In accordance with another aspect of the disclosure, a method is provided for providing a recommended temperature in a network system including an air conditioner and a training model server. The method includes transmitting, by means of the air conditioner, the current temperature of the air conditioner to an external device, obtaining, via the training model server, the recommended temperature of the air conditioner by applying the current temperature to the training model, and transmitting, by means of the air conditioner, the recommended temperature to the external device.
[24] В соответствии с другим аспектом раскрытия сущности, обеспечен способ управления кондиционером сетевой системы, включающей в себя кондиционер и пользовательский терминал. Способ включает в себя прием, посредством пользовательского терминала, сигнала пользовательского ввода, зависящего от пользовательского ввода, выбирающего UI работы искусственного интеллекта, передачу, посредством пользовательского терминала, сигнала запроса работы искусственного интеллекта, соответствующего UI работы искусственного интеллекта в кондиционер, передачу, посредством кондиционера, текущей температуры кондиционера во внешнее устройство, если сигнал запроса работы искусственного интеллекта принимается, прием, посредством кондиционера, рекомендованной температуры, которая представляет собой результат, полученный посредством применения текущей температуры к обучающей модели, из внешнего устройства в зависимости от передачи текущей температуры, и настройку, посредством кондиционера, принимаемой рекомендованной температуры в кондиционере, при этом обучающая модель представляет собой обучающую модель, обученную с использованием множества заданных температур, предварительно заданных в кондиционере, и множества текущих температур.[24] In accordance with another aspect of the disclosure, there is provided a method for controlling an air conditioner of a network system including an air conditioner and a user terminal. The method includes receiving, by the user terminal, a user input signal dependent on the user input selecting an AI operation UI, transmitting, by the user terminal, an AI operation request signal corresponding to the AI operation UI to an air conditioner, transmitting, by the air conditioner, the current temperature of the air conditioner to the external device, if the artificial intelligence operation request signal is received, receiving, by the air conditioner, the recommended temperature, which is the result obtained by applying the current temperature to the training model, from the external device depending on the transmission of the current temperature, and setting, by the air conditioner receiving the recommended temperature in the air conditioner, wherein the training model is a training model trained using a plurality of preset temperatures predetermined s in the air conditioner, and a set of current temperatures.
[25] Согласно варианту осуществления раскрытия сущности, поскольку температура, заданная в кондиционере, автоматически рекомендуется с использованием технологии искусственного интеллекта, удобство пользователя, который управляет температурой, может значительно повышаться. В частности, можно предоставлять пользователю самую идеальную рекомендованную температуру для пользователя.[25] According to the embodiment of the disclosure, since the temperature set in the air conditioner is automatically recommended using artificial intelligence technology, the convenience of the user who controls the temperature can be greatly improved. In particular, it is possible to provide the user with the most ideal recommended temperature for the user.
[26] Дополнительно, согласно способу использования обучающей модели раскрытия сущности, обучающая модель может непрерывно обновляться на основе предыстории настроек температуры пользователя, которая задает кондиционер, и производительность обучающей модели может повышаться, так что когда используется обучающая модель согласно раскрытию сущности, самая идеальная рекомендованная температура может предоставляться пользователю.[26] Further, according to the method of using the entity disclosure training model, the training model can be continuously updated based on the user's temperature setting history that specifies the air conditioner, and the performance of the training model can be improved, so that when the entity disclosure training model is used, the most ideal recommended temperature may be provided to the user.
[27] Таким образом, может формироваться обучающая модель, индивидуально настроенная для каждого из пользователей с использованием кондиционера, и в силу этого может предоставляться оптимальная рекомендованная температура, подходящая для каждого из множества пользователей.[27] In this way, a training model customized for each of the users using the air conditioner can be formed, and thus an optimal recommended temperature suitable for each of the plurality of users can be provided.
[28] Дополнительно, преимущества, которые могут получаться или ожидаться посредством различных вариантов осуществления раскрытия сущности, должны быть непосредственно или неявно раскрыты в подробном описании раскрытия сущности. Например, различные преимущества, которые могут ожидаться посредством различных вариантов осуществления раскрытия сущности, должны быть раскрыты в подробном описании, которое описывается ниже.[28] Additionally, the benefits that may be obtained or expected by various embodiments of the disclosure should be directly or implicitly disclosed in the detailed description of the disclosure. For example, the various benefits that can be expected through various embodiments of the disclosure should be disclosed in the detailed description, which is described below.
[29] Другие аспекты, преимущества и характерные признаки раскрытия сущности должны становиться очевидными специалистам в данной области техники из нижеприведенного подробного описания, которое, при рассмотрении вместе с прилагаемыми чертежами, раскрывает различные варианты осуществления раскрытия сущности.[29] Other aspects, advantages, and features of the disclosure will become apparent to those skilled in the art from the following detailed description, which, when considered in conjunction with the accompanying drawings, discloses various embodiments of the disclosure.
Краткое описание чертежейBrief description of the drawings
[30] Вышеуказанные и/или другие аспекты раскрытия сущности должны быть более очевидными посредством описания определенных вариантов осуществления раскрытия сущности со ссылкой на прилагаемые чертежи, на которых:[30] The above and/or other aspects of the disclosure should be made more apparent by describing certain embodiments of the disclosure with reference to the accompanying drawings, in which:
[31] Фиг. 1A и 1B являются схемами, показывающими сетевую систему для формирования и использования обучающей модели согласно варианту осуществления раскрытия сущности;[31] FIG. 1A and 1B are diagrams showing a network system for generating and using a training model according to an embodiment of the disclosure;
[32] Фиг. 2A и 2B являются схемами, показывающими конфигурацию сервера обучения на основе данных согласно варианту осуществления раскрытия сущности;[32] FIG. 2A and 2B are diagrams showing a configuration of a data-based learning server according to an embodiment of the disclosure;
[33] Фиг. 3A и 3B являются блок–схемами последовательности операций способа в сетевой системе согласно варианту осуществления раскрытия сущности;[33] FIG. 3A and 3B are flowcharts of a method in a network system according to an embodiment of the disclosure;
[34] Фиг. 4 является таблицей, показывающей пример формирования обучающей модели согласно варианту осуществления раскрытия сущности;[34] FIG. 4 is a table showing an example of generating a training model according to an embodiment of the disclosure;
[35] Фиг. 5 является схемой, показывающей пример приложения весового коэффициента к обучающим данным согласно варианту осуществления раскрытия сущности;[35] FIG. 5 is a diagram showing an example of applying a weighting factor to training data according to an embodiment of the disclosure;
[36] Фиг. 6 является схемой, показывающей структуру облачного сервера согласно варианту осуществления раскрытия сущности;[36] FIG. 6 is a diagram showing the structure of a cloud server according to an embodiment of the disclosure;
[37] Фиг. 7A и 7B являются схемами, показывающими процедуру формирования обучающей модели согласно варианту осуществления раскрытия сущности;[37] FIG. 7A and 7B are diagrams showing a training model generation procedure according to an embodiment of the disclosure;
[38] Фиг. 8 является блок–схемой, показывающей конфигурацию кондиционера согласно варианту осуществления раскрытия сущности;[38] FIG. 8 is a block diagram showing a configuration of an air conditioner according to an embodiment of the disclosure;
[39] Фиг. 9 является блок–схемой, показывающей конфигурацию пользовательского терминала U согласно варианту осуществления раскрытия сущности;[39] FIG. 9 is a block diagram showing a configuration of a user terminal U according to an embodiment of the disclosure;
[40] Фиг. 10A и 10B являются схемами, показывающими экран пользовательского терминала, на котором отображается рекомендованная температура, согласно варианту осуществления раскрытия сущности;[40] FIG. 10A and 10B are diagrams showing a user terminal screen displaying a recommended temperature according to an embodiment of the disclosure;
[41] Фиг. 11 является блок–схемой последовательности операций, показывающей способ формирования обучающей модели для сервера обучения на основе данных согласно варианту осуществления раскрытия сущности;[41] FIG. 11 is a flowchart showing a method for generating a training model for a learning server based on data according to an embodiment of the disclosure;
[42] Фиг. 12 является блок–схемой последовательности операций, показывающей способ использования обучающей модели для сервера обучения на основе данных согласно варианту осуществления раскрытия сущности;[42] FIG. 12 is a flowchart showing a method of using a training model for a data-based learning server according to an embodiment of the disclosure;
[43] Фиг. 13 является блок–схемой последовательности операций, показывающей способ обеспечения рекомендованной температуры кондиционера согласно варианту осуществления раскрытия сущности;[43] FIG. 13 is a flowchart showing a method for providing the recommended temperature of an air conditioner according to an embodiment of the disclosure;
[44] Фиг. 14 является блок–схемой последовательности операций, показывающей способ управления кондиционером пользовательского терминала согласно варианту осуществления раскрытия сущности; и[44] FIG. 14 is a flowchart showing a method for controlling an air conditioner of a user terminal according to an embodiment of the disclosure; and
[45] Фиг. 15 является блок–схемой последовательности операций способа в сетевой системе, включающей в себя пользовательский терминал и кондиционер согласно варианту осуществления раскрытия сущности.[45] FIG. 15 is a flowchart of a method in a network system including a user terminal and an air conditioner according to an embodiment of the disclosure.
[46] На всех чертежах, аналогичные номера ссылок должны пониматься как ссылающиеся на аналогичные части, компоненты и структуры.[46] Throughout the drawings, like reference numerals are to be understood as referring to like parts, components, and structures.
Оптимальный режим осуществления изобретенияOptimal Mode for Carrying Out the Invention
[47] Нижеприведенное описание со ссылкой на прилагаемые чертежи предоставляется для того, чтобы помогать в полном понимании различных вариантов осуществления раскрытия сущности, заданного посредством формулы изобретения и ее эквивалентов. Оно включает в себя различные сведения, чтобы помогать в этом понимании, но они должны рассматриваться просто как примерные. Соответственно, специалисты в данной области техники должны признавать, что различные изменения и модификации различных вариантов осуществления, описанных в данном документе, могут осуществляться без отступления от сущности и объема раскрытия сущности. Помимо этого, описания хорошо известных функций и конструкций могут быть опущены для ясности и краткости.[47] The following description with reference to the accompanying drawings is provided to assist in a full understanding of the various embodiments of the disclosure as defined by the claims and their equivalents. It includes various details to assist in this understanding, but they are to be regarded as merely exemplary. Accordingly, those skilled in the art will recognize that various changes and modifications to the various embodiments described herein may be made without departing from the spirit and scope of the disclosure. In addition, descriptions of well-known functions and constructions may be omitted for the sake of clarity and brevity.
[48] Выше описывается раскрытие сущности на основе примерного способа. Термины и слова, используемые в данном документе, служат для описания и не ограничены библиографическими смысловыми значениями, а используются автором изобретения просто для того, чтобы обеспечивать ясное и согласованное понимание раскрытия сущности. Раскрытие сущности может модифицироваться и изменяться различными способами согласно вышеуказанному содержимому. Следовательно, если не указано дополнительно, раскрытие сущности может свободно осуществляться на практике в пределах объема формулы изобретения.[48] The disclosure of an entity based on an exemplary method is described above. The terms and words used herein are for description and are not limited to bibliographic meanings, but are used by the inventor simply to provide a clear and consistent understanding of the disclosure. The entity disclosure may be modified and changed in various ways according to the above content. Therefore, unless otherwise indicated, the disclosure is free to practice within the scope of the claims.
[49] Различные варианты осуществления, приведенные в описании изобретения, и конфигурации, показанные на чертежах, представляют собой просто предпочтительные примеры раскрытия сущности раскрытые, и различные модификации, которые могут заменять различные варианты осуществления и чертежи настоящего описания изобретения, могут присутствовать на момент подачи настоящей заявки.[49] The various embodiments set forth in the specification and the configurations shown in the drawings are merely preferred examples of the disclosures disclosed, and various modifications that may replace the various embodiments and drawings of the present specification may be present at the time of filing of this specification. applications.
[50] Помимо этого, аналогичные ссылки или символы с номерами каждого чертежа настоящего описания изобретения обозначают части или компоненты, выполняющие практически идентичные функции.[50] In addition, like references or symbols with the numbers of each drawing of the present description of the invention designate parts or components that perform almost identical functions.
[51] Помимо этого, термины, используемые в настоящем описании изобретения, используются только для того, чтобы описывать конкретный вариант осуществления, вместо ограничения раскрытого раскрытия сущности. Формы единственного числа, используемые в данном документе, имеют намерение включать в себя формы множественного числа, если контекст явно не указывает иное. В этом подробном описании, следует понимать, что термин "содержать" и его варьирования, такие как "содержащий" и "содержит", указывают присутствие признаков, чисел, этапов, операций, компонентов, частей или комбинаций вышеозначенного, описанных в этом подробном описании, но не исключают присутствие или добавление одного или более других признаков, чисел, этапов, операций, компонентов, частей или комбинаций вышеозначенного.[51] In addition, the terms used in the present description of the invention are used only to describe a specific embodiment, instead of limiting the disclosed disclosure of the essence. The singular forms used herein are intended to include the plural forms unless the context clearly indicates otherwise. In this detailed description, it is to be understood that the term "comprise" and variations thereof such as "comprising" and "comprises" indicate the presence of the features, numbers, steps, operations, components, parts, or combinations of the foregoing described in this detailed description, but do not exclude the presence or addition of one or more other features, numbers, steps, operations, components, parts, or combinations of the foregoing.
[52] Помимо этого, термины, включающие в себя порядковые числительные, такие как "первый" и "второй", используемые в данном документе, могут использоваться для того, чтобы описывать различные компоненты, но компоненты не ограничены посредством терминов, и термины используются только в целях различения одного компонента от других компонентов. Например, "первый" компонент может называться "вторым" компонентом, и "второй" компонент также может аналогично называться "первым" компонентом, без отступления от объема раскрытия сущности. Термин "и/или" включает в себя комбинацию множества пунктов или любой из множества терминов.[52] In addition, terms including ordinal numbers such as "first" and "second" used herein may be used to describe various components, but the components are not limited by terms, and the terms are used only in order to distinguish one component from other components. For example, the "first" component may be referred to as the "second" component, and the "second" component may likewise be referred to as the "first" component, without departing from the scope of the disclosure. The term "and/or" includes a combination of a plurality of items or any of a plurality of terms.
[53] Помимо этого, если любой (например: первый, компонент "(функционально или оперативно) соединяется (connected)" или "соединяется (coupled)" с другим (например: вторым) компонентом, любой компонент может непосредственно соединяться с другим компонентом или может соединяться с другим компонентом через другой компонент (например: третий компонент).[53] In addition, if any (eg: the first, component is "(functionally or operationally) connected (connected)" or "coupled)" with another (eg: second) component, any component can directly connect to another component or can connect to another component through another component (for example: a third component).
[54] Далее подробно описываются различные варианты осуществления раскрытия сущности со ссылкой на прилагаемые чертежи.[54] The following describes in detail various embodiments of the disclosure with reference to the accompanying drawings.
[55] Фиг. 1A и 1B являются схемами, показывающими сетевую систему для формирования и использования обучающей модели согласно варианту осуществления раскрытия сущности.[55] FIG. 1A and 1B are diagrams showing a network system for generating and using a training model according to an embodiment of the disclosure.
[56] Ссылаясь на фиг. 1A, сетевая система может включать в себя кондиционер A (Aa или Ab), пользовательский терминал U (Ua или Ub) и облачный сервер C. Кондиционер A может представлять собой прибор для управления температурой или влажностью окружения в помещениях. Кондиционер A может разделяться на настенный, к примеру, кондиционер Aa, и стоящий, к примеру, кондиционер Ab.[56] Referring to FIG. 1A, the network system may include an air conditioner A (Aa or Ab), a user terminal U (Ua or Ub), and a cloud server C. Air conditioner A may be a temperature or humidity control device for indoor environments. Air conditioner A can be divided into wall-mounted, for example, air conditioner Aa, and standing, for example, air conditioner Ab.
[57] Пользовательский терминал U может представлять собой устройство для управления кондиционером A дистанционно. Аналогично пользовательскому терминалу Ua, пользовательский терминал U может представлять собой смартфон, сотовый телефон или планшетный PC, в котором устанавливается приложение (или приложение) для управления кондиционером. Альтернативно, как пользовательский терминал Ub, пользовательский терминал U может представлять собой дистанционный контроллер (или пульт дистанционного управления), выделенный для кондиционера. Помимо этого, пользовательский терминал U может представлять собой интеллектуальный телевизор, цифровую камеру, персональное цифровое устройство (PDA), портативный мультимедийный проигрыватель (PMP), ноутбук, настольный компьютер и т.п., но не ограничен вышеуказанными примерами.[57] The user terminal U may be a device for controlling the air conditioner A remotely. Like the user terminal Ua, the user terminal U may be a smartphone, a cellular phone, or a tablet PC in which an application (or application) for controlling the air conditioner is installed. Alternatively, as the user terminal Ub, the user terminal U may be a remote controller (or remote controller) dedicated to the air conditioner. In addition, the user terminal U may be a smart TV, a digital camera, a personal digital assistant (PDA), a portable media player (PMP), a laptop computer, a desktop computer, and the like, but is not limited to the above examples.
[58] Пользовательский терминал U может управлять кондиционером A дистанционно. Например, пользовательский терминал U может использовать технологии RF–связи, такие как ZigBee, Wi–Fi, технологию Bluetooth, мобильную связь, локальную вычислительную сеть (LAN), глобальную вычислительную сеть (WAN), стандарт Ассоциации по передаче данных в инфракрасном диапазоне (IrDA), UHF и VHF, чтобы передавать команду управления в кондиционер A.[58] The user terminal U can control the air conditioner A remotely. For example, the user terminal U may use RF communication technologies such as ZigBee, Wi-Fi, Bluetooth technology, mobile communications, local area network (LAN), wide area network (WAN), Infrared Data Association (IrDA) ), UHF and VHF to send the control command to air conditioner A.
[59] Облачный сервер C может соединяться или непосредственно соединяться с кондиционером A через третье устройство (например, точку доступа (AP), повторитель, маршрутизатор, шлюз, концентратор и т.п.).[59] The cloud server C may connect or directly connect to the air conditioner A through a third device (eg, access point (AP), repeater, router, gateway, hub, etc.).
[60] Облачный сервер C может включать в себя один или более серверов. Например, облачный сервер C может включать в себя по меньшей мере одно из мостового сервера (bridge server) BS, интеллектуального домашнего сервера SS предоставления услуг и сервера DS обучения на основе данных. В этом случае, два или более из мостового сервера BS, интеллектуального домашнего сервера SS предоставления услуг и сервера DS обучения на основе данных могут интегрироваться в один сервер. Альтернативно, по меньшей мере одно из мостового сервера BS, интеллектуального домашнего сервера SS предоставления услуг и сервера DS обучения на основе данных может разделяться на множество подсерверов.[60] Cloud server C may include one or more servers. For example, the cloud server C may include at least one of a bridge server BS, an intelligent home service server SS, and a data-based learning server DS. In this case, two or more of the bridge server BS, the intelligent home service server SS, and the data-based learning server DS can be integrated into one server. Alternatively, at least one of the bridge server BS, the intelligent home service server SS, and the data-based learning server DS may be divided into a plurality of subservers.
[61] Мостовой сервер BS (или сервер импорта информации состояния устройства) может импортировать информацию состояния интеллектуальных бытовых приборов (например, кондиционера, стиральной машины, холодильника, пылесоса, печи и т.п.).[61] The bridge server BS (or device state information import server) can import state information of smart home appliances (eg, air conditioner, washing machine, refrigerator, vacuum cleaner, oven, etc.).
[62] Мостовой сервер BS может включать в себя API BS1 подключений и DB BS2 данных состояния устройства.[62] The bridge server BS may include a connection API BS1 and a device state data DB BS2.
[63] API BS1 подключений может включать в себя интерфейс прикладного программирования (в дальнейшем в этом документе, называемый "API"), который служит в качестве интерфейса между различными устройствами, работающими в зависимости от гетерогенных протоколов. API может задаваться как набор вложенных процедур или функций, которые могут вызываться из любого протокола для любой обработки другого протокола. Таким образом, API может предоставлять окружение, в котором работа другого протокола может выполняться в любом из протоколов.[63] API BS1 connections may include an application programming interface (hereinafter referred to as "API"), which serves as an interface between various devices operating depending on heterogeneous protocols. An API can be defined as a set of nested procedures or functions that can be called from any protocol for any other protocol processing. Thus, an API can provide an environment in which another protocol's work can be done in any of the protocols.
[64] Мостовой сервер BS может импортировать информацию состояния кондиционера с использованием API BS1 подключений. Затем мостовой сервер BS может сохранять импортированную информацию состояния кондиционера в DB BS2 данных состояния устройства.[64] The bridge server BS can import air conditioner state information using the connection API BS1. Then, the bridge server BS may store the imported air conditioner state information in the device state data DB BS2.
[65] Интеллектуальный домашний сервер SS предоставления услуг (или сервер импорта информации внешнего окружения) может импортировать информацию внешнего окружения. Информация внешнего окружения может включать в себя, например, по меньшей мере одно из наружной температуры и наружной влажности в качестве погодной информации, которую предоставляет внешний сервер CP контента (например, сервер метеорологической станции, сервер предсказания погоды и т.п.).[65] The intelligent home service server SS (or the external environment information import server) can import the external environment information. The outside environment information may include, for example, at least one of outside temperature and outside humidity as weather information provided by the outside content server CP (eg, weather station server, weather prediction server, or the like).
[66] Сервер DS обучения на основе данных может формировать обучающую модель и получать результаты применения обучающей модели с использованием обученной формирующей модели.[66] The data-based learning server DS may generate a training model and obtain the results of applying the training model using the trained forming model.
[67] Сервер DS обучения на основе данных включает в себя API DS1 импорта данных, механизм DS2 аналитики данных, аналитическую DB (DS3) и API (DS4) для предоставления услуг передачи данных.[67] The data-based learning server DS includes a data import API DS1, a data analytics engine DS2, an analytics DB (DS3), and an API (DS4) for providing data services.
[68] Фиг. 1A показывает сетевую систему, в которой сервер DS обучения на основе данных формирует обучающую модель, и фиг. 1B показывает сетевую систему, в которой используется сформированная обучающая модель сервера DS обучения на основе данных.[68] FIG. 1A shows a network system in which the learning server DS generates a learning model based on the data, and FIG. 1B shows a network system using the generated training model of the data-based learning server DS.
[69] Во–первых, в дальнейшем описывается процедура сетевой системы, в которой сервер DS обучения на основе данных формирует обучающую модель, со ссылкой на фиг. 1A.[69] First, the following describes the procedure of the network system in which the learning server DS generates a learning model based on the data, with reference to FIG. 1A.
[70] На этапе 1, кондиционер A может передавать информацию состояния (например, заданную температуру, текущую температуру и т.п.) кондиционера A в облачный сервер C через третье устройство (например, точку AP доступа, повторитель, маршрутизатор, шлюз, концентратор и т.п.). Мостовой сервер BS облачного сервера C может импортировать информацию состояния кондиционера A, передаваемую из кондиционера A с использованием API BS1 подключений, и сохранять импортированную информацию состояния кондиционера A в DB BS2 данных состояния устройства.[70] In
[71] Информация состояния кондиционера A может включать в себя заданную температуру, заданную в кондиционере A, и текущую температуру (например, комнатную температуру и температуру окружающей среды) кондиционера во время настройки температуры, в зависимости от требуемой температуры пользователя.[71] The state information of the air conditioner A may include the set temperature set in the air conditioner A and the current temperature (eg, room temperature and ambient temperature) of the air conditioner at the time of temperature setting, depending on the user's desired temperature.
[72] Требуемая температура пользователя, в общем, может быть идентичной заданной температуре, заданной в кондиционере A, но может представлять собой заданную температуру, ступенчато задаваемую посредством кондиционера A до тех пор, пока не достигается требуемая температура.[72] The desired temperature of the user may generally be identical to the set temperature set in the air conditioner A, but may be the set temperature stepwise set by the air conditioner A until the desired temperature is reached.
[73] Помимо этого, текущая температура (либо комнатная температура и температура окружающей среды) во время настройки температуры могут включать в себя, например, по меньшей мере одно из температуры, считываемой посредством кондиционера A во время настройки температуры (например, во время, когда операция пользователя настройки температуры кондиционера A выполняется), температуры, считываемые посредством кондиционера A в пределах определенного времени (например, 10 минут) после настройки температуры, и недавней температуры, которая считывается заранее до настройки температуры и сохраняется.[73] In addition, the current temperature (or room temperature and ambient temperature) at the time of temperature setting may include, for example, at least one of the temperature read by air conditioner A at the time of temperature setting (for example, at the time when temperature setting user operation of air conditioner A is in progress), temperatures read by air conditioner A within a certain time (for example, 10 minutes) after temperature setting, and the recent temperature read in advance before temperature setting and stored.
[74] Информация состояния кондиционера A может включать в себя информацию рабочего режима, заданную в кондиционере A. Рабочий режим может включать в себя, например, интеллектуальный комфортный режим, режим тропического крепкого ночного сна, режим тропического крепкого ночного сна в режиме безветрия, режим двухступенчатого охлаждения и т.п., но не ограничен вышеописанным режимом.[74] The state information of air conditioner A may include operating mode information set in air conditioner A. The operation mode may include, for example, intelligent comfort mode, tropical sound night sleep mode, tropical sound night sleep mode in calm mode, two-stage cooling and the like, but not limited to the above mode.
[75] Согласно различным вариантам осуществления, информация времени во время настройки температуры кондиционера A также может сохраняться в DB BS2 данных состояния устройства. Информация времени во время настройки температуры включает в себя, например, по меньшей мере одно из времени работы пользователя, который задает температуру, времени, когда мостовой сервер BS принимает заданную температуру, и времени, когда заданная температура сохраняется в DB BS2 данных состояния устройства.[75] According to various embodiments, time information at the time of temperature setting of the air conditioner A may also be stored in the device status data DB BS2. The time information at the time of setting the temperature includes, for example, at least one of the operating time of the user who sets the temperature, the time when the bridge server BS receives the set temperature, and the time when the set temperature is stored in the device status data DB BS2.
[76] Согласно различным вариантам осуществления, позиционная информация кондиционера A также может сохраняться в DB BS2 данных состояния устройства. В этом случае, позиционная информация кондиционера A может сохраняться посредством приема во время настройки температуры или сохраняться заранее.[76] According to various embodiments, the position information of the air conditioner A may also be stored in the device state data DB BS2. In this case, the position information of air conditioner A may be stored by reception at the time of temperature setting, or stored in advance.
[77] На этапе 2, интеллектуальный домашний сервер SS предоставления услуг может импортировать информацию внешнего окружения (или погодную информацию) каждый предварительно определенный период (например, между 5 минутами и 30 минутами) из обменивающегося данными внешнего сервера CP контента и сохранять импортированную информацию внешнего окружения в DB SS1 погодных данных.[77] In step 2, the intelligent home service server SS may import external environment information (or weather information) every predetermined period (for example, between 5 minutes and 30 minutes) from the communicating external content server CP and store the imported external environment information. in DB SS1 weather data.
[78] Информация внешнего окружения может включать в себя по меньшей мере одно из температуры вне помещений, влажности вне помещений, концентрации пыли, осадков и количества солнечного света, но не ограничена вышеописанным примером.[78] The environmental information may include at least one of outdoor temperature, outdoor humidity, dust concentration, rainfall, and sunlight amount, but is not limited to the above-described example.
[79] На этапах 3 и 3', сервер DS обучения на основе данных может использовать API DS1 импорта данных, чтобы получать информацию состояния кондиционера A, сохраненную в DB BS2 данных состояния устройства мостового сервера BS. Помимо этого, сервер DS обучения на основе данных может использовать API DS1 импорта данных, чтобы получать информацию внешнего окружения, сохраненную в DB SS1 погодных данных интеллектуального домашнего сервера SS предоставления услуг.[79] In
[80] В этом случае, информация внешнего окружения представляет собой информацию внешнего окружения во время настройки температуры кондиционера A и может представлять собой информацию, найденную из DB SS1 погодных данных, на основе информации времени во время настройки температуры кондиционера A, сохраненной в DB BS2 данных состояния устройства.[80] In this case, the outside environment information is the outside information at the time of setting the temperature of the air conditioner A, and may be information retrieved from the weather data DB SS1 based on the time information at the time of setting the temperature of the air conditioner A stored in the data DB BS2 device status.
[81] В частности, информация внешнего окружения во время настройки температуры может включать в себя, например, по меньшей мере одну из информации внешнего окружения в то время, когда пользователь задает температуру, информации внешнего окружения в часовом поясе (например, утро/день/вечер или утро/день), в котором пользователь задает температуру, и информации внешнего окружения в месяц или во время года, когда пользователь задает температуру.[81] Specifically, the ambient information at the time of setting the temperature may include, for example, at least one of the ambient information at the time the user sets the temperature, the ambient information in the time zone (e.g., morning/afternoon/ evening or morning/day) in which the user sets the temperature, and information of the external environment in the month or time of the year when the user sets the temperature.
[82] Помимо этого, информация внешнего окружения может представлять собой погодную информацию, полученную на основе позиционной информации кондиционера A. Например, информация внешнего окружения может представлять собой погодную информацию, найденную из DB SS1 погодных данных, на основе позиционной информации кондиционера A, сохраненной в DB BS2 данных состояния устройства.[82] In addition, the ambient information may be weather information obtained based on the position information of the air conditioner A. For example, the ambient information may be weather information retrieved from the weather data DB SS1 based on the position information of the air conditioner A stored in DB BS2 device status data.
[83] На этапе 4, механизм DS2 аналитики данных сервера DS обучения на основе данных может формировать обучающую модель с использованием полученной информации состояния кондиционера A и информации внешнего окружения в качестве обучающих данных.[83] In step 4, the data analytics engine DS2 of the data-based learning server DS may generate a training model using the obtained state information of the air conditioner A and the external environment information as training data.
[84] Согласно различным вариантам осуществления, механизм DS2 аналитики данных сервера DS обучения на основе данных также может формировать обучающую модель с использованием информации времени во время настройки температуры кондиционера A в качестве обучающих данных.[84] According to various embodiments, the data analytics engine DS2 of the data-based learning server DS can also generate a learning model using time information at the time of temperature setting of air conditioner A as training data.
[85] Помимо этого, механизм DS2 аналитики данных также может формировать множество обучающих моделей для каждого рабочего режима кондиционера A во время настройки температуры кондиционера A.[85] In addition, the data analytics engine DS2 can also generate a plurality of training models for each operating mode of air conditioner A at the time of temperature setting of air conditioner A.
[86] Например, механизм DS2 аналитики данных может формировать обучающую модель, доступную в интеллектуальном комфортном режиме, обучающую модель, доступную в режиме тропического крепкого ночного сна, обучающую модель, доступную в режиме тропического крепкого ночного сна в режиме безветрия, и обучающую модель, доступную в режиме двухступенчатого охлаждения, соответственно.[86] For example, the data analytics engine DS2 may generate a training model available in a smart comfort mode, a training model available in a tropical sound sleep mode, a training model available in a tropical sound sleep mode in a calm mode, and a training model available in a tropical sound sleep mode in a calm mode, and a training model available in the two-stage cooling mode, respectively.
[87] Помимо этого, сервер DS обучения на основе данных может выполняться, например, в единицах времени, дня и месяца в качестве периода моделирования, в течение которого сервер DS обучения на основе данных формирует обучающую модель (или обновляет обучающую модель) с использованием обучающих данных, или может выполняться во время формирования события, но период моделирования не ограничен вышеуказанным периодом.[87] In addition, the data-based learning server DS may be executed, for example, in units of time, day, and month, as a simulation period during which the data-based learning server DS generates a training model (or updates a training model) using training data, or may be executed at the time of generating an event, but the simulation period is not limited to the above period.
[88] Ниже подробнее описывается процесс для сервера DS обучения на основе данных, чтобы формировать обучающую модель, со ссылкой на фиг. 4, 5 и 7.[88] The following describes in more detail a process for the data-based learning server DS to generate a training model with reference to FIG. 4, 5 and 7.
[89] На этапе 5, сервер DS обучения на основе данных может сохранять сформированную обучающую модель в аналитической DB DS3. В этом случае, обучающая модель может не представлять собой общую обучающую модель, а может представлять собой обучающую модель, сконфигурированную или сконструированную с возможностью обеспечивать рекомендованную температуру кондиционера A.[89] In
[90] Ссылаясь на фиг. 1B, в дальнейшем описывается процедура сетевой системы с использованием обучающей модели, сформированной посредством сервера DS обучения на основе данных.[90] Referring to FIG. 1B, the following describes the procedure of the network system using the training model generated by the data-based learning server DS.
[91] На этапе 6, кондиционер A может принимать команду управления, запрашивающую выполнение (например, включение AI–режима) функции искусственного интеллекта, из пользовательского терминала U.[91] In step 6, the air conditioner A may receive a control command requesting execution (for example, turning on the AI mode) of the artificial intelligence function from the user terminal U.
[92] На этапе 7, кондиционер A может передавать информацию состояния (например, текущую температуру, рабочий режим и т.п.) кондиционера A в облачный сервер C через третье устройство (например, точку AP доступа). Сервер DS обучения на основе данных облачного сервера C может получать информацию состояния кондиционера A с использованием API DS4 для предоставления услуг передачи данных.[92] In step 7, air conditioner A may transmit state information (eg, current temperature, operating mode, etc.) of air conditioner A to cloud server C via a third device (eg, access point AP). The learning server DS based on the cloud server C can obtain state information of the air conditioner A using the DS4 API to provide data services.
[93] На этапе 8, сервер DS обучения на основе данных может вводить полученную информацию состояния кондиционера A в качестве обученной обучающей модели, чтобы обеспечивать рекомендованную температуру кондиционера A, сохраненную в аналитической DB DS3.[93] In step 8, the data-based learning server DS may input the obtained state information of the air conditioner A as a trained training model to provide the recommended temperature of the air conditioner A stored in the analysis DB DS3.
[94] На этапе 9, сервер DS обучения на основе данных может получать рекомендованную температуру кондиционера A в результате применения обучающей модели.[94] In step 9 , the data-based learning server DS can obtain the recommended temperature of the air conditioner A as a result of applying the learning model.
[95] На этапе 10, сервер DS обучения на основе данных может передавать полученную рекомендованную температуру кондиционера A в кондиционер A через третье устройство (например, точку AP доступа). Дополнительно, на этапе 10', сервер DS обучения на основе данных может передавать полученную рекомендованную температуру кондиционера A в пользовательский терминал U.[95] In step 10, the data learning server DS may transmit the obtained recommended temperature of the air conditioner A to the air conditioner A via a third device (eg, an access point AP). Further, in step 10', the data learning server DS may transmit the obtained recommended temperature of the air conditioner A to the user terminal U.
[96] На этапе 11, кондиционер A, который принимает рекомендованную температуру, может задавать температуру кондиционера A в качестве принимаемой рекомендованной температуры.[96] In
[97] Помимо этого, на этапе 12, пользовательский терминал U, принимающий рекомендованную температуру, может отображать принимаемую рекомендованную температуру таким образом, что пользователь может подтверждать принимаемую рекомендованную температуру. Альтернативно, как указано на этапе 12', пользовательский терминал U, принимающий рекомендованную температуру, может отображать визуальную информацию, указывающую то, что предпочтительная рекомендованная температура приспосабливается, по сравнению с предысторией заданной температуры, предварительно определенной пользователем.[97] In addition, in
[98] Фиг. 2A и 2B являются схемами, показывающими конфигурацию сервера обучения на основе данных согласно варианту осуществления раскрытия сущности.[98] FIG. 2A and 2B are diagrams showing a configuration of a data-based learning server according to an embodiment of the disclosure.
[99] Сервер DS обучения на основе данных по фиг. 2A является функциональной блок–схемой для формирования обучающей модели, и сервер DS обучения на основе данных по фиг. 2B является функциональной блок–схемой с использованием сформированной обучающей модели.[99] The learning server DS based on the data of FIG. 2A is a functional block diagram for generating a training model, and the training server DS based on the data of FIG. 2B is a functional block diagram using the generated training model.
[100] На фиг. 2A и 2B, сервер DS обучения на основе данных может включать в себя блок 201 связи, блок 202 хранения данных и процессор 203.[100] FIG. 2A and 2B, the data-based learning server DS may include a
[101] Блок 201 связи может выполнять связь с внешним устройством.[101] The
[102] Внешнее устройство может включать в себя по меньшей мере одно из внешнего сервера (например, мостового сервера, интеллектуального домашнего сервера предоставления услуг и т.п.) и кондиционера A.[102] The external device may include at least one of an external server (for example, a bridge server, an intelligent home service server, etc.) and an air conditioner A.
[103] Блок 201 связи может выполнять связь с внешним устройством способом проводной или беспроводной связи. Беспроводная связь может включать в себя, например, сотовую связь, связь ближнего радиуса действия или связь по стандарту глобальной навигационной спутниковой системы (GNSS). Сотовая связь может включать в себя, например, стандарт долгосрочного развития (LTE), усовершенствованный стандарт LTE (LTE–A), множественный доступ с кодовым разделением каналов (CDMA), широкополосный CDMA (WCDMA), универсальную систему мобильной связи (UMTS), стандарт беспроводной широкополосной связи (WiBro), глобальную систему мобильной связи (GSM) и т.п. Связь ближнего радиуса действия может включать в себя, например, стандарт высококачественной беспроводной связи (Wi–Fi), стандарт Wi–Fi Direct, стандарт высококачественной связи в диапазоне видимого света (Li–Fi), технологию Bluetooth, технологию Bluetooth с низким энергопотреблением (BLE), ZigBee, связь ближнего радиуса действия (NFC), магнитную защищенную передачу данных, радиочастотную (RF–) связь и сеть масштаба человеческого тела (BAN). Блок 201 связи также может упоминаться как блок связи.[103] The
[104] Сервер DS обучения на основе данных может включать в себя блок 202 хранения данных. Блок 202 хранения данных может сохранять обучающую модель, сформированную посредством сервера DS обучения на основе данных.[104] The data-based learning server DS may include a
[105] Блок 202 хранения данных может включать в себя энергозависимое и/или энергонезависимое запоминающее устройство. Энергозависимое запоминающее устройство может включать в себя, например, оперативное запоминающее устройство (RAM) (например, DRAM, SRAM или SDRAM). Энергонезависимое запоминающее устройство может включать в себя, например, однократно программируемое постоянное запоминающее устройство (OTPROM), программируемое постоянное запоминающее устройство (PROM), стираемое программируемое постоянное запоминающее устройство (EPROM), электрически стираемое программируемое постоянное запоминающее устройство (EEPROM), ROM с маскированием, флэш–ROM, флэш–память, накопитель на жестких дисках или полупроводниковый накопитель (SSD).[105] The
[106] Процессор 203 может включать в себя одно или более из центрального процессора, процессора приложений, графического процессора (GPU), процессора сигналов снятых камерой изображений и процессора связи (CP). Согласно варианту осуществления, процессор 203 может реализовываться как система на кристалле (SoC) или система в одном корпусе (SiP). Процессор 203 может направлять, например, операционную систему или прикладную программу с возможностью управлять по меньшей мере еще одним компонентом (например, аппаратным или программным компонентом) сервера (DS) обучения на основе данных, соединенного с процессором 203, и может выполнять различную обработку и операции с данными. Процессор 203 может загружать команду или данные, принимаемые из других компонентов (например, блока 201 связи) в энергозависимом запоминающем устройстве, и обрабатывать загруженную команду или данные и может сохранять результирующие данные в энергонезависимом запоминающем устройстве.[106] The
[107] Фиг. 2A и 2B являются схемами, показывающими конфигурацию сервера обучения на основе данных согласно варианту осуществления раскрытия сущности.[107] FIG. 2A and 2B are diagrams showing a configuration of a data-based learning server according to an embodiment of the disclosure.
[108] Сервер DS обучения на основе данных по фиг. 2A является функциональной блок–схемой для формирования обучающей модели, и сервер DS обучения на основе данных по фиг. 2B является функциональной блок–схемой с использованием сформированной обучающей модели.[108] The learning server DS based on the data of FIG. 2A is a functional block diagram for generating a training model, and the training server DS based on the data of FIG. 2B is a functional block diagram using the generated training model.
[109] Ссылаясь на фиг. 2A и 2B, сервер DS обучения на основе данных может включать в себя блок 201 связи, блок 202 хранения данных и процессор 203.[109] Referring to FIG. 2A and 2B, the data-based learning server DS may include a
[110] Блок 201 связи может выполнять связь с внешним устройством.[110] The
[111] Внешнее устройство может включать в себя по меньшей мере одно из внешнего сервера (например, мостового сервера, интеллектуального домашнего сервера предоставления услуг и т.п.) и кондиционера A.[111] The external device may include at least one of an external server (for example, a bridge server, an intelligent home service server, etc.) and an air conditioner A.
[112] Блок 201 связи может выполнять связь с внешним устройством способом проводной или беспроводной связи. Беспроводная связь может включать в себя, например, сотовую связь, связь ближнего радиуса действия или связь по стандарту глобальной навигационной спутниковой системы (GNSS). Блок сотовой связи может включать в себя, например, стандарт долгосрочного развития (LTE), усовершенствованный стандарт LTE (LTE–A), множественный доступ с кодовым разделением каналов (CDMA), широкополосный CDMA (WCDMA), универсальную систему мобильной связи (UMTS), стандарт беспроводной широкополосной связи (WiBro), глобальную систему мобильной связи (GSM) и т.п. Связь ближнего радиуса действия может включать в себя, например, стандарт высококачественной беспроводной связи (Wi–Fi), стандарт Wi–Fi Direct, стандарт высококачественной связи в диапазоне видимого света (Li–Fi), технологию Bluetooth, технологию Bluetooth с низким энергопотреблением (BLE), ZigBee, связь ближнего радиуса действия (NFC), магнитную защищенную передачу данных, радиочастотную (RF–) связь и сеть масштаба человеческого тела (BAN).[112] The
[113] Сервер DS обучения на основе данных может включать в себя блок 202 хранения данных. Блок 202 хранения данных может сохранять обучающую модель, сформированную посредством сервера DS обучения на основе данных.[113] The data-based learning server DS may include a
[114] Блок 202 хранения данных может включать в себя энергозависимое или энергонезависимое запоминающее устройство. Энергозависимое запоминающее устройство может включать в себя, например, оперативное запоминающее устройство (RAM) (например, DRAM, SRAM или SDRAM). Энергонезависимое запоминающее устройство может включать в себя, например, однократно программируемое постоянное запоминающее устройство (OTPROM), программируемое постоянное запоминающее устройство (PROM), стираемое программируемое постоянное запоминающее устройство (EPROM), электрически стираемое программируемое постоянное запоминающее устройство (EEPROM), ROM с маскированием, флэш–ROM, флэш–память, накопитель на жестких дисках или полупроводниковый накопитель (SSD).[114] The
[115] Процессор 203 может включать в себя одно или более из центрального процессора, процессора приложений, графического процессора (GPU), процессора сигналов снятых камерой изображений и процессора связи (CP). Согласно варианту осуществления, процессор 203 может реализовываться как система на кристалле (SoC) или система в одном корпусе (SiP). Процессор 203 может направлять, например, операционную систему или прикладную программу с возможностью управлять по меньшей мере еще одним компонентом (например, аппаратным или программным компонентом) сервера (DS) обучения на основе данных, соединенного с процессором 203, и может выполнять различную обработку и операции с данными. Процессор 203 может загружать команду или данные, принимаемые из других компонентов (например, блока 201 связи) в энергозависимом запоминающем устройстве, и обрабатывать загруженную команду или данные и может сохранять результирующие данные в энергонезависимом запоминающем устройстве.[115] The
[116] Процессор 203 по фиг. 2A может описываться как функциональная блок–схема для формирования обучающей модели.[116] The
[117] На фиг. 2A, процессор 203 может включать в себя блок 203a получения обучающих данных и блок 203b обучения на основе моделей.[117] FIG. 2A, the
[118] Блок 203a получения обучающих данных может получать заданную температуру, заданную в кондиционере A, и текущую температуру кондиционера A во время настройки температуры через блок 201 связи. Например, блок 203a получения обучающих данных может получать заданную температуру и текущую температуру из мостового сервера BS, функционально соединенного с кондиционером A. Альтернативно, блок 203a получения обучающих данных также может получать заданную температуру и текущую температуру из кондиционера A или третьего устройства, функционально соединенного с кондиционером A.[118] The training
[119] Помимо этого, блок 203a получения обучающих данных дополнительно может получать информацию внешнего окружения через блок 201 связи. Информация внешнего окружения может включать в себя по меньшей мере одно из наружной температуры и наружной влажности. Например, блок 203a получения обучающих данных может получать информацию внешнего окружения из интеллектуального домашнего сервера SS предоставления услуг, функционально соединенного с внешним сервером CP предоставления контента.[119] In addition, the training
[120] Блок 203b обучения на основе моделей может формировать или обновлять обучающую модель с использованием полученной заданной температуры и текущей температуры. Когда блок 203a получения обучающих данных дополнительно получает информацию внешнего окружения, блок 203b обучения на основе моделей может формировать или обновлять обучающую модель с использованием заданной температуры, текущей температуры и информации внешнего окружения. Помимо этого, когда блок 203a получения обучающих данных дополнительно получает информацию времени во время настройки температуры кондиционера A, блок 203b обучения на основе моделей может формировать или обновлять обучающую модель с использованием заданной температуры, текущей температуры и информации времени.[120] The
[121] Блок 202 хранения данных может сохранять обученную обучающую модель, чтобы обеспечивать рекомендованную температуру, которая должна задаваться в кондиционере, в качестве результата формирования или обновления обучающей модели.[121] The
[122] С другой стороны, когда блок 203b обучения на основе моделей формирует или обновляет множество обучающих моделей для каждого рабочего режима кондиционера A, блок 202 хранения данных может сохранять множество обучающих моделей, соответственно.[122] On the other hand, when the
[123] Процессор 203 по фиг. 2B может описываться как функциональная блок–схема для использования обучающей модели.[123] The
[124] На фиг. 2B, процессор 203 может включать в себя блок 203c получения данных распознавания и блок 203d применения моделей. В этом случае, блок 202 хранения данных может сохранять обученную обучающую модель, чтобы обеспечивать рекомендованную температуру, которая должна задаваться в кондиционере A.[124] FIG. 2B, the
[125] На фиг. 2B, блок 203c получения данных распознавания может получать текущую температуру кондиционера A.[125] FIG. 2B, the recognition
[126] Блок 203d применения моделей может вводить полученную текущую температуру в обучающую модель блока 202 хранения данных и получать рекомендованную температуру, которая должна задаваться в кондиционере A.[126] The
[127] Когда блок 203c получения данных распознавания дополнительно получает информацию внешнего окружения, блок 203d применения моделей может вводить текущую температуру и информацию внешнего окружения в обучающую модель, чтобы получать рекомендованную температуру, которая должна задаваться в кондиционере A.[127] When the recognition
[128] Помимо этого, когда блок 202 хранения данных сохраняет множество обучающих моделей для каждого рабочего режима кондиционера A, блок 203d применения моделей может задавать текущую температуру для обучающей модели, соответствующей текущему рабочему режиму кондиционера A, чтобы получать возобновленную температуру кондиционера A.[128] In addition, when the
[129] Блок 201 связи может передавать полученную рекомендованную температуру во внешнее устройство. Внешнее устройство, например, может представлять собой кондиционер A или третье устройство, функционально соединенное с кондиционером A.[129] The
[130] Фиг. 3A и 3B являются блок–схемами последовательности операций способа в сетевой системе согласно варианту осуществления раскрытия сущности.[130] FIG. 3A and 3B are flowcharts of a method in a network system according to an embodiment of the disclosure.
[131] Блок–схема последовательности операций способа в сетевой системе показывает процедуру обмена потоками данных между кондиционером A, пользовательским терминалом U и облачным сервером C.[131] A flowchart in a network system shows a data flow exchange procedure between an air conditioner A, a user terminal U, and a cloud server C.
[132] Ссылаясь на фиг. 3A и 3B, блок–схема последовательности операций способа в сетевой системе может включать в себя процедуру 351 импорта данных для импорта обучающих данных, процедуру 352 формирования модели данных на основе обучающих данных, процедуру 353 управления функцией искусственного интеллекта и процедуру 354 настройки предпочтительных режимов для каждой функции.[132] Referring to FIG. 3A and 3B, a flowchart in a network system may include a
[133] На фиг. 3A, кондиционер A может включать в себя микрокомпьютер 301 и модуль 302 связи ближнего радиуса действия (например, Wi–Fi–модуль). Микрокомпьютер 301 соответствует процессору 203 фиг. 2A и 2B, и модуль 302 связи ближнего радиуса действия может соответствовать блоку 201 связи фиг. 2A и 2B. Кондиционер A может обмениваться данными с пользовательским терминалом U и облачным сервером C через сеть с использованием модуля 302 связи ближнего радиуса действия. Помимо этого, кондиционер A может принимать рекомендованную температуру, рекомендованную посредством облачного сервера C, через API–вызов, связанный с модулем 302 связи ближнего радиуса действия, и задавать температуру кондиционера A в зависимости от рекомендованной температуры.[133] FIG. 3A, air conditioner A may include a
[134] Пользовательский терминал U может включать в себя мобильное приложение 303 (или мобильное приложение). Мобильное приложение 303 может задавать функцию искусственного интеллекта и рабочий режим кондиционера A и выполнять функцию отображения рекомендованной температуры, обеспеченной посредством облачного сервера C, на пользовательском терминале U.[134] The user terminal U may include a mobile application 303 (or a mobile application). The
[135] Облачный сервер C может включать в себя мостовой сервер BS, DB–сервер (304) и сервер DS обучения на основе данных. DB–сервер 304 может составлять часть мостового сервера BS или третьего сервера, физически отделенного от мостового сервера BS.[135] The cloud server C may include a bridge server BS, a DB server (304), and a data-based learning server DS. The
[136] Во–первых, на этапе 311, пользовательский терминал U может принимать пользовательский ввод, чтобы изменять (или задавать) требуемую температуру через мобильное приложение 303. Мобильное приложение 303, например, может представлять собой приложение, обеспечивающее пользовательский интерфейс для управления кондиционером A.[136] First, at
[137] На этапе 312, в зависимости от ввода пользователя, пользовательский терминал U может передавать команду управления в микрокомпьютер 301 через модуль 302 связи ближнего радиуса действия, чтобы настраивать кондиционер A на требуемую температуру.[137] At
[138] Альтернативно, на этапе 311', пользователь может изменять требуемую температуру через устройство Ub дистанционного управления. На этапе 312', устройство Ub дистанционного управления может передавать команду управления для настройки кондиционера A на требуемую температуру в микрокомпьютер 301 согласно вводу для изменения пользователя.[138] Alternatively, at step 311', the user can change the desired temperature via the remote control device Ub. In step 312', the remote controller Ub may transmit a control command for setting the air conditioner A to a desired temperature to the
[139] На этапе 313, микрокомпьютер 301 кондиционера A может формировать событие изменения требуемой температуры в ответ на запрос на изменение требуемой температуры пользователя и передавать сформированное событие изменения требуемой температуры в мостовой сервер BS через модуль 302 связи ближнего радиуса действия. В это время, событие изменения требуемой температуры может включать в себя данные событий. Данные событий могут включать в себя, например, информацию состояния кондиционера A. Информация состояния кондиционера A может включать в себя требуемую температуру (или заданную температуру) и текущую температуру во время настройки требуемой температуры.[139] In
[140] Помимо этого, данные событий могут включать в себя, например, информацию рабочего режима и информацию времени кондиционера A. Информация рабочего режима может включать в себя, например, информацию, указывающую рабочий режим кондиционера A во время приема команды управления пользователя или рабочий режим кондиционера A во время формирования события изменения требуемой температуры. Информация времени может включать в себя, например, информацию относительно времени, когда пользователь принимает команду управления, или информацию относительно времени, когда формируется событие изменения требуемой температуры.[140] In addition, the event data may include, for example, operating mode information and time information of the air conditioner A. The operating mode information may include, for example, information indicating the operating mode of the air conditioner A at the time of receiving the control command of the user, or the operating mode air conditioner A when the desired temperature change event is generated. The time information may include, for example, information regarding the time when the user receives the control command, or information regarding the time when the desired temperature change event is generated.
[141] На этапе 314, мостовой сервер BS может передавать данные событий на DB–сервер 304. На этапе 315, DB–сервер 304 может сохранять принимаемые данные событий.[141] In
[142] На этапе 316, DB–сервер 304 может передавать сохраненные данные событий на сервер DS обучения на основе данных с регулярными периодами. Например, DB–сервер 304 может передавать данные событий ежедневно в форме ежедневного пакетного файла. В это время, ежедневный пакетный файл может включать в себя множество данных событий. Например, когда запрос на изменение требуемой температуры пользователя формируется несколько раз в день, могут формироваться множество данных событий, которые в свою очередь сохраняются на DB–сервере 304. Множество сформированных данных событий могут передаваться на сервер DS обучения на основе данных посредством включения в ежедневный пакетный файл.[142] In step 316, the
[143] На этапе 317, сервер DS обучения на основе данных может формировать обучающую модель с использованием принимаемых данных событий в качестве обучающих данных. Например, сервер DS обучения на основе данных может формировать обучающую модель с использованием по меньшей мере одного из заданной температуры кондиционера A, текущей температуры, информации внешнего окружения, информации рабочего режима и информации времени.[143] In
[144] В ситуации, в которой обучающая модель сформирована, как указано на этапе 318, пользовательский терминал U может принимать пользовательский ввод, который включает функцию искусственного интеллекта кондиционера A. Частичный экран 318a показывает часть экрана пользовательского терминала U, включающую в себя пользовательский интерфейс для включения функции искусственного интеллекта. На частичном экране 318a, пользовательский терминал U может принимать пользовательский ввод, который выбирает объект 318b выполнения "индивидуально настроенной AI–операции", чтобы включать AI–функцию.[144] In a situation in which the training model is generated as indicated in step 318, the user terminal U may receive user input that includes the artificial intelligence function of the air conditioner A.
[145] На этапе 319, в зависимости от пользовательского ввода, пользовательский терминал U может передавать команду активации функции искусственного интеллекта в микрокомпьютер 301 через модуль 302 связи ближнего радиуса действия, чтобы включать AI–функцию кондиционера A.[145] In
[146] На основе команды активации функции искусственного интеллекта, микрокомпьютер 301 может передавать информацию состояния устройства, указывающую то, что функция искусственного интеллекта кондиционера A активируется, в пользовательский терминал U через модуль 302 связи ближнего радиуса действия, как указано на этапе 320. В этом случае, информация состояния кондиционера A может передаваться посредством включения в событие уведомления.[146] Based on the AI function activation command, the
[147] Альтернативно, как указано на этапе 321, пользовательский терминал U может передавать команду запроса на информацию устройства, запрашивающую информацию состояния кондиционера A, в микрокомпьютер 301 через модуль 302 связи ближнего радиуса действия. Команда запроса на информацию устройства может передаваться посредством включения, например, в сообщение GET DEVICE.[147] Alternatively, as indicated in
[148] На основе команды запроса на информацию устройства, микрокомпьютер 301 может передавать ответ по информации устройства в пользовательский терминал U через модуль 302 связи ближнего радиуса действия, как указано на этапе 322. В этом случае, ответ по информации устройства может включать в себя информацию задания искусственного интеллекта, указывающую то, что функция искусственного интеллекта кондиционера A задается с возможностью включаться, в качестве информации состояния кондиционера A.[148] Based on the device information request command, the
[149] Таким образом, посредством рассмотрения ситуации, когда предусмотрено множество пользовательских терминалов U для управления функцией искусственного интеллекта кондиционера A, кондиционер A может уведомлять пользовательский терминал U в отношении того, активируется функция искусственного интеллекта кондиционера A периодически или при формировании события.[149] Thus, by considering a situation where a plurality of user terminals U are provided to control the artificial intelligence function of the air conditioner A, the air conditioner A can notify the user terminal U as to whether the artificial intelligence function of the air conditioner A is activated periodically or when an event is generated.
[150] В связи с этим, когда функция искусственного интеллекта кондиционера A активируется, пользовательский терминал U может принимать пользовательский ввод для настройки рабочего режима.[150] In this regard, when the artificial intelligence function of the air conditioner A is activated, the user terminal U may receive user input to set the operating mode.
[151] Ссылаясь на фиг. 3B, на этапе 323, пользовательский терминал U может принимать пользовательский ввод, запрашивающий выполнение интеллектуального комфортного режима.[151] Referring to FIG. 3B, at
[152] На этапе 324, в зависимости от ввода пользователя, пользовательский терминал U может передавать команду интеллектуального управления комфортом в микрокомпьютер 301 через модуль 302 связи ближнего радиуса действия, чтобы выполнять интеллектуальный комфортный режим кондиционера A.[152] At
[153] На основе команды интеллектуального управления комфортом, микрокомпьютер 301 может передавать команду запроса на рекомендованную температуру (или предпочтительную температуру) на сервер DS обучения на основе данных через модуль 302 связи ближнего радиуса действия, как указано на этапе 325. В это время, команда запроса на рекомендованную температуру может включать в себя, например, текущую температуру кондиционера A в качестве информации состояния кондиционера A. Альтернативно, команда запроса на рекомендованную температуру дополнительно может включать в себя по меньшей мере одно из информации рабочего режима, указывающей текущий рабочий режим, и позиционной информации кондиционера A.[153] Based on the intelligent comfort control command, the
[154] На этапе 326, сервер DS обучения на основе данных может получать рекомендованную температуру кондиционера A в результате применения обучающей модели информации состояния кондиционера A. Таким образом, сервер DS обучения на основе данных может вводить информацию состояния кондиционера A в обучающую модель, сохраненную на сервере DS обучения на основе данных, чтобы получать рекомендованную температуру кондиционера A.[154] In
[155] В этом случае, сервер DS обучения на основе данных может применять информацию состояния кондиционера A к обучающей модели, соответствующей рабочему режиму кондиционера A, на основе информации рабочего режима кондиционера A, чтобы получать рекомендованную температуру кондиционера A. В варианте осуществления, сервер DS обучения на основе данных может получать рекомендованную температуру кондиционера A посредством применения информации состояния кондиционера A к обучающей модели, соответствующей интеллектуальному комфортному режиму.[155] In this case, the data-based learning server DS may apply the state information of the air conditioner A to the training model corresponding to the operating mode of the air conditioner A based on the operating mode information of the air conditioner A to obtain the recommended temperature of the air conditioner A. In the embodiment, the server DS data-based learning can obtain the recommended temperature of the air conditioner A by applying the status information of the air conditioner A to the training model corresponding to the intelligent comfort mode.
[156] После того, как рекомендованная температура получается, на этапе 327, сервер DS обучения на основе данных может передавать полученную рекомендованную температуру в микрокомпьютер 301 через модуль 302 связи ближнего радиуса действия.[156] After the recommended temperature is obtained, in
[157] На этапе 328, микрокомпьютер 301, принимающий рекомендованную температуру, может изменять рекомендованную температуру на заданную температуру. Затем микрокомпьютер 301 может управлять кондиционером A в зависимости от измененной заданной температуры.[157] At
[158] С другой стороны, если отсутствует ответ из сервера DS обучения на основе данных в течение предварительно определенного времени (например, 30 секунд) 329 после того, как микрокомпьютер 301 запрашивает рекомендованную температуру на сервер DS обучения на основе данных, на этапе 330, микрокомпьютер 301 может поддерживать существующую заданную температуру. Существующая заданная температура, например, может представлять собой предварительно определенную температуру перед пользовательским вводом для запроса выполнения интеллектуального комфортного режима, предварительно определенную температуру, соответствующую текущему рабочему режиму (например, интеллектуальному комфортному режиму), и т.п.[158] On the other hand, if there is no response from the data-based learning server DS within a predetermined time (for example, 30 seconds) 329 after the
[159] Фиг. 4 является таблицей, показывающей пример формирования обучающей модели согласно варианту осуществления раскрытия сущности.[159] FIG. 4 is a table showing an example of generating a training model according to an embodiment of the disclosure.
[160] Ссылаясь на фиг. 4, сервер DS обучения на основе данных может выполнять процедуру 404 обучения с использованием различных обучающих данных 403 в зависимости от типа 401 кондиционера A и режима 402 кондиционера A. Например, тип 401 кондиционера A может включать в себя тип напольного кондиционера (FAC) (или стоящего кондиционера) и тип комнатного кондиционера (RAC) (настенного кондиционера). В этом случае, сервер DS обучения на основе данных может формировать обучающие модели, соответствующие каждому из интеллектуального комфортного режима, режима тропического крепкого ночного сна и режима тропического крепкого ночного сна в режиме безветрия, в качестве рабочего режима напольного кондиционера. Помимо этого, сервер DS обучения на основе данных может формировать обучающие модели, соответствующие каждому из режима двухступенчатого охлаждения, режима тропического крепкого ночного сна и режима тропического крепкого ночного сна в режиме безветрия, в качестве рабочего режима комнатного кондиционера.[160] Referring to FIG. 4, the data-based learning server DS may perform a
[161] Если каждая обучающая модель согласно процедуре 404 обучения с учетом типа 401 кондиционера A и режима 402 кондиционера A формируется, сервер DS обучения на основе данных может использовать обучающую модель, чтобы получать рекомендованную температуру. В этом случае, рекомендованная температура может получаться с учетом диапазона 405 настроек для каждого рабочего режима. Например, когда рекомендованная температура, полученная посредством сервера DS обучения на основе данных, находится за пределами диапазона 405 настроек, температура в диапазоне 405 настроек, ближайшая к рекомендованной температуре, может определяться в качестве конечной рекомендованной температуры.[161] If each training model according to the
[162] При описании примера процедуры формирования обучающей модели в интеллектуальном комфортном режиме 411 со ссылкой на фиг. 4, может использоваться температура в помещениях (или текущая температура) и требуемая температура (или заданная температура). В этом случае, комнатная температура может представлять собой комнатную температуру, измеряемую во время изменения требуемой температуры. Помимо этого, в качестве обучающих данных, могут использоваться данные, импортированные в течение конкретного периода времени. Конкретный период времени, например, может представлять собой данные, импортированные в конкретном году, в конкретный месяц или в конкретное время года. Конкретные данные могут представлять собой данные, импортированные на основе информации предыстории настроек температуры кондиционера неуказанных пользователей, которые используют продукты, идентичные или аналогичные кондиционеру A, а также пользователя кондиционера A. В это время, неуказанные пользователи могут быть ограничены, например, пользователем в идентичной или аналогичной области или идентичном или аналогичном окружении с кондиционером A.[162] When describing an example of the training model generation procedure in the
[163] В интеллектуальном комфортном режиме 411, сервер DS обучения на основе данных может использовать текущую температуру (или комнатную температуру), наружную температуру, наружную влажность и требуемую температуру в качестве обучающих данных.[163] In the
[164] Помимо этого, сервер DS обучения на основе данных может использовать информацию внешнего окружения на основе локальной информации кондиционера A в качестве обучающих данных. С другой стороны, когда сервер DS обучения на основе данных может не подтверждать локальную информацию кондиционера A, сервер обучения на основе данных может формировать, обучать и заменять на новую обучающую модель с использованием текущей температуры и требуемой температуры в качестве обучающих данных.[164] In addition, the data-based learning server DS may use the external environment information based on the local information of the air conditioner A as training data. On the other hand, when the data learning server DS may not confirm the local information of the air conditioner A, the data learning server may generate, train, and replace with a new training model using the current temperature and the desired temperature as training data.
[165] Сервер DS обучения на основе данных может получать рекомендованную температуру, которая должна задаваться в кондиционере, посредством использования сформированных, обученных и замененных на новые обучающих моделей.[165] The data-based learning server DS can obtain the recommended temperature to be set in the air conditioner by using the generated, trained and replaced with new learning models.
[166] В этом случае, если полученная рекомендованная температура находится за пределами диапазона настроек в 22–26°C, сервер DS обучения на основе данных может определять конечную рекомендованную температуру с учетом диапазона настроек.[166] In this case, if the received recommended temperature is outside the setting range of 22-26°C, the learning server DS may determine the final recommended temperature based on the setting range based on the data.
[167] Например, если рекомендованная температура, полученная с использованием обучающей модели, меньше 22°C, сервер DS обучения на основе данных может определять рекомендованную температуру как равную 22°C. Помимо этого, если рекомендованная температура, полученная с использованием обучающей модели, выше или равна 26°C, сервер DS обучения на основе данных может определять рекомендованную температуру как равную 26°C.[167] For example, if the recommended temperature obtained using the training model is less than 22°C, the data-based learning server DS may determine the recommended temperature to be 22°C. In addition, if the recommended temperature obtained using the training model is greater than or equal to 26°C, the data-based learning server DS may determine the recommended temperature to be 26°C.
[168] Согласно различным вариантам осуществления, при формировании обучающей модели, сервер DS обучения на основе данных дополнительно может назначать весовой коэффициент обучающим данным, недавно импортированным, чтобы формировать обучающую модель.[168] According to various embodiments, when generating the training model, the data-based learning server DS may further assign a weight to the training data newly imported to generate the training model.
[169] Фиг. 5 является схемой, показывающей пример приложения весового коэффициента к обучающим данным согласно варианту осуществления раскрытия сущности.[169] FIG. 5 is a diagram showing an example of applying a weighting factor to training data according to an embodiment of the disclosure.
[170] Ссылаясь на фиг. 5, сервер DS обучения на основе данных может по–разному назначать весовые коэффициенты обучающим данным, импортированным в течение 1 дня, 2 дней и 3 дней, соответственно, как 501, 502 и 503 на фиг. 5.[170] Referring to FIG. 5, the data-based learning server DS may assign weights to the training data imported for 1 day, 2 days, and 3 days, respectively, as 501, 502, and 503 in FIG. 5.
[171] Например, на 501 по фиг. 5, сервер DS обучения на основе данных может назначать весовой коэффициент в 0,8 всем данным (например, данным, импортированным от неуказанных пользователей) за прошлый год и назначать весовой коэффициент в 0,2 персональным данным пользователя (требуемой температуре и текущей температуре пользователя и т.п.) кондиционера A, которые импортируются в первый день. Аналогично, на 502 по фиг. 5, сервер DS обучения на основе данных может назначать весовой коэффициент в 0,8 всем данным за прошлый год и персональным данным пользователя кондиционера A, которые импортируются в первый день, и весовой коэффициент в 0,2 персональным данным пользователя кондиционера A, которые импортируются во второй день. Помимо этого, на 503 по фиг. 5, сервер DS обучения на основе данных может назначать весовой коэффициент в 0,8 всем данным за прошлый год и персональным данным пользователя кондиционера A, которые импортируются в первый день и второй день, и весовой коэффициент в 0,2 персональным данным пользователя, которые импортируются в третий день.[171] For example, at 501 of FIG. 5, the data-based learning server DS may assign a weight of 0.8 to all data (for example, data imported from unspecified users) over the past year, and assign a weight of 0.2 to the user's personal data (desired temperature and current temperature of the user and etc.) of air conditioner A, which are imported on the first day. Similarly, at 502 of FIG. 5, the data-based learning server DS may assign a weight of 0.8 to all data in the past year and the personal data of the user of the air conditioner A that are imported on the first day, and a weight of 0.2 to the personal data of the user of the air conditioner A that are imported on the first day. second day. In addition, at 503 of FIG. 5, the data-based learning server DS can assign a weight of 0.8 to all of the last year's data and the personal data of the user of the air conditioner A that are imported on the first day and the second day, and a weight of 0.2 to the user's personal data that are imported. on the third day.
[172] С другой стороны, вышеуказанное значение весового коэффициента представляет собой только пример, и сервер DS обучения на основе данных может быть предварительно установлен согласно различным значениям посредством изготовителя, диспетчера, операционной системы, поставщика приложений и т.п. для сервера DS обучения на основе данных. Например, на фиг. 5, вместо весового коэффициента в 0,8 и весового коэффициента в 0,2, могут использоваться весовой коэффициент в 0,9 и весовой коэффициент в 0,1. В качестве другого примера, на фиг. 5, вместо весового коэффициента в 0,8 и весового коэффициента в 0,2, могут использоваться весовой коэффициент в 0,7 и весовой коэффициент в 0,3.[172] On the other hand, the above weight value is only an example, and the data-based learning server DS may be preset according to various values by a manufacturer, a manager, an operating system, an application provider, or the like. for the data-based learning server DS. For example, in FIG. 5, instead of a weighting factor of 0.8 and a weighting factor of 0.2, a weighting factor of 0.9 and a weighting factor of 0.1 may be used. As another example, in FIG. 5, instead of a weighting factor of 0.8 and a weighting factor of 0.2, a weighting factor of 0.7 and a weighting factor of 0.3 may be used.
[173] С другой стороны, вышеуказанный весовой коэффициент может представлять собой тип переменной, который изменяется в зависимости от ситуации, а не предварительно определенный фиксированный тип.[173] On the other hand, the above weighting factor may be a variable type that changes depending on the situation, rather than a predetermined fixed type.
[174] В этом случае, весовой коэффициент может изменяться вручную администратором сервера DS обучения на основе данных, пользователем кондиционера и т.п. либо может автоматически изменяться в зависимости от конкретного условия. Например, по мере того, как общий объем импортированных обучающих данных увеличивается, весовой коэффициент последних импортированных персональных данных также может увеличиваться, соответственно.[174] In this case, the weighting factor may be changed manually by an administrator of the data-based learning server DS, an air conditioner user, or the like. or it can automatically change depending on the specific condition. For example, as the total volume of imported training data increases, the weight of the most recently imported personal data may also increase accordingly.
[175] Фиг. 6 является схемой, показывающей структуру облачного сервера согласно варианту осуществления раскрытия сущности.[175] FIG. 6 is a diagram showing the structure of a cloud server according to an embodiment of the disclosure.
[176] Облачный сервер C может включать в себя блок 601 пакетной обработки, блок 602 сбора данных поставщиков контента (CP), блок 603 создания CSV–формата, блок 604 создания моделей и API 605 сервера обеспечения температуры для обучения. Компоненты 601–604 облачного сервера C, описанного выше, используют и обрабатывают данные, сохраненные в блоке хранения данных (или базе данных) облачного сервера C, чтобы формировать рекомендованную температуру, подходящую для кондиционера A.[176] Cloud server C may include a
[177] Во–первых, облачный сервер C может сохранять, в блоке 651 хранения состояний устройства, данные состояния устройства, включающие в себя информацию состояния кондиционера A, полученную в зависимости от формирования события изменения состояния кондиционера A. Блок 651 хранения состояний устройства может соответствовать, например, DB BS2 данных состояния устройства фиг. 1A и 1B. Облачный сервер C может получать информацию состояния, сохраненную в блоке 651 хранения состояний устройства, каждый предварительно определенный период (например, каждый день), и сохраняет необработанные данные, сформированные в зависимости от определенного критерия (например, по дате), в блоке 652 хранения объектов.[177] First, the cloud server C may store, in the device
[178] Блок 601 пакетной обработки облачного сервера C может получать и фильтровать данные строк в блоке 652 хранения объектов и сохранять фильтрованные данные в DB 653 данных распределенного окружения (например, Not Only SQL DB, NoSQL DB). Фильтрованные данные, например, могут представлять собой данные, включающие в себя данные состояния устройства кондиционера A или информацию состояния, извлеченную из метаданных.[178] The C cloud server
[179] Помимо этого, блок 602 сбора CP–данных может сохранять погодные данные, включающую в себя погодную информацию, импортированную из внешнего сервера CP контента, в блоке 654 хранения объектов.[179] In addition, the CP
[180] Блок 603 создания CSV–формата облачного сервера C уточняет данные, полученные из DB 653 данных распределенного окружения объектов и блока 654 хранения объектов, чтобы формировать данные конкретного формата (например, CSV–формата), подходящего для формирования обучающей модели, и сохранять сформированные данные в блоке 655 хранения объектов.[180] The C cloud server CSV
[181] Блок 604 создания моделей может получать данные конкретного формата из блока 655 хранения объектов, формировать обучающую модель с использованием данных и сохранять сформированную обучающую модель в блоке 656 хранения объектов.[181]
[182] Облачный сервер C может временно сохранять обучающую модель, сохраненную в блоке 655 хранения объектов, в кэше 657, который представляет собой высокоскоростное запоминающее устройство, когда требуется использование обучающей модели.[182] The cloud server C may temporarily store the training model stored in the
[183] В ситуации, в которой использование обучающей модели требуется, API 605 обеспечения рекомендованной температуры облачного сервера C может получать рекомендованную температуру кондиционера A посредством использования обучающей модели, сохраненной в кэше 657.[183] In a situation in which the use of a training model is required, the recommended
[184] Облачный сервер C может передавать рекомендованную температуру, полученную через API 605 обеспечения полученной рекомендованной температуры, в мобильные приложения кондиционера A и пользовательского терминала U.[184] The cloud server C may transmit the recommended temperature obtained through the received recommended
[185] Между тем, на фиг. 6, для удобства пояснения, блоки 652, 654, 655 и 656 хранения объектов обозначаются посредством различных ссылок с номерами, но блоки 652, 654, 655 и 656 хранения объектов могут обозначать идентичный блок хранения объектов или могут означать два или более распределенных блока хранения объектов.[185] Meanwhile, in FIG. 6, for ease of explanation, object
[186] Фиг. 7A и 7B являются схемами, показывающими процедуру формирования обучающей модели согласно варианту осуществления раскрытия сущности.[186] FIG. 7A and 7B are diagrams showing a training model generation procedure according to an embodiment of the disclosure.
[187] Обучающая модель может формироваться с использованием алгоритма на основе искусственного интеллекта. Например, обучающая модель может формироваться с использованием алгоритма на основе дерева решений, алгоритма на основе метода опорных векторов, алгоритма линейного дискриминационного анализа, генетического алгоритма или нейронного сетевого алгоритма, который моделирует нейроны в человеческой нейронной сети. Нейронный сетевой алгоритм может включать в себя множество сетевых узлов, имеющих весовые коэффициенты. Множество сетевых узлов могут устанавливать взаимосвязь соединений таким образом, что нейроны моделируют синаптическую активность передачи и приема сигналов через синапсы. Кроме того, обучающая модель может формироваться с использованием алгоритма глубокого обучения, разработанного в нейронном сетевом алгоритме. В алгоритме глубокого обучения, множество сетевых узлов могут передавать и принимать данные в зависимости от сверточной взаимосвязи соединений при расположении на различных глубинах (или слоях). Обучающая модель может включать в себя такие модели, как глубокая нейронная сеть (DNN), рекуррентная нейронная сеть (RNN) и двунаправленная рекуррентная глубокая нейронная сеть (BRDNN) могут предоставляться, но не ограничены вышеуказанным примером.[187] The training model may be generated using an artificial intelligence algorithm. For example, the training model may be generated using a decision tree algorithm, a support vector machine algorithm, a linear discriminative analysis algorithm, a genetic algorithm, or a neural network algorithm that models neurons in a human neural network. The neural network algorithm may include a plurality of network nodes having weights. A plurality of network nodes can interconnect connections in such a way that neurons model the synaptic activity of transmitting and receiving signals across synapses. In addition, the training model can be formed using a deep learning algorithm developed in a neural network algorithm. In a deep learning algorithm, multiple network nodes can transmit and receive data depending on the convolutional interconnection of connections when located at different depths (or layers). The training model may include models such as deep neural network (DNN), recurrent neural network (RNN), and bidirectional recurrent deep neural network (BRDNN) may be provided, but are not limited to the above example.
[188] Для удобства описания, раскрытие сущности описывает способ обеспечения рекомендованной температуры с использованием линейной регрессии в качестве алгоритма, используемого для формирования обучающей модели.[188] For ease of description, the disclosure describes a method for providing a recommended temperature using linear regression as the algorithm used to generate the training model.
[189] Сервер DS обучения на основе данных может извлекать обучающую модель, к примеру, следующее уравнение 1 согласно алгоритму линейной регрессии.[189] The data-based learning server DS may extract a training model, for example, the following
[190] y=a0+a1×1+a2×2+a3×3... уравнение 1[190] y=a0+a1×1+a2×2+a3×3...
[191] В вышеприведенном уравнении 1, y является переменной, связанной с заданной температурой, заданной в кондиционере A, и a0, a1, a2 и a3 являются постоянными значениями. Помимо этого, x1 является переменной, связанной с текущей температурой, x2 является переменной, связанной с температурой вне помещений, и x3 является переменной, связанной с влажностью вне помещений.[191] In the
[192] Чтобы упрощать понимание, обучающая модель в случае, в котором число обучающих переменных (или обучающих элементов) в вышеприведенном уравнении 1 равно двум, выражается посредством следующего уравнения 2.[192] To simplify understanding, the training model in the case where the number of training variables (or training items) in the
[193] y=a0+a1×1... уравнение 2[193] y=a0+a1×1... equation 2
[194] В этом случае, таблица по фиг. 7A показывает заданную температуру 712 (например, температуру настройки пользователя) в зависимости от текущей температуры 711 (или температуры окружающей среды, комнатной температуры) кондиционера.[194] In this case, the table of FIG. 7A shows the set temperature 712 (eg, user setting temperature) versus the current temperature 711 (or ambient temperature, room temperature) of the air conditioner.
[195] На основе алгоритма линейной регрессии, сервер DS обучения на основе данных может извлекать обучающую модель, которая является выражением для вычисления, которое выражает взаимосвязь заданной температуры 712 в зависимости от текущей температуры 711.[195] Based on the linear regression algorithm, the data-based learning server DS may derive a training model, which is a calculation expression that expresses the relationship of the set
[196] Это показано на графике, показанном на фиг. 7B.[196] This is shown in the graph shown in FIG. 7B.
[197] Ссылаясь на фиг. 7B, текущая температура 711 и заданная температура 712 на фиг. 7A могут соответствовать метке X на графике, когда они проиллюстрированы на осях X и Y.[197] Referring to FIG. 7B,
[198] В этом случае, линия 721 линейной регрессии с использованием алгоритма линейной регрессии может получаться таким образом, что сумма ошибок множества маркеров X является небольшой. Таким образом, в вышеприведенном уравнении 2, могут вычисляться постоянные значения a0 и a1, имеющие наименьшую разность между заданной температурой 712 кондиционера A и прогнозированной температурой.[198] In this case, the
[199] Пример линейной регрессионной модели, которая отражает вычисленное постоянное значение, является следующим.[199] An example of a linear regression model that reflects the calculated constant value is as follows.
[200] y=29,91840623+(–0,3717125) x1... уравнение 3[200] y=29.91840623+(–0.3717125) x1...
[201] Соответственно, модель DS обучения на основе данных может обеспечивать для кондиционера A рекомендованную температуру согласно команде запроса на рекомендованную температуру кондиционера A на основе следующего уравнения 3.[201] Accordingly, the data-based learning model DS can provide the air conditioner A with the recommended temperature according to the air conditioner A recommended temperature request command based on the following
[202] Например, когда текущая комнатная температура около кондиционера A составляет 26°C, рекомендованная температура, обеспеченная посредством использования обучающей модели вышеприведенного уравнения 3, может составлять 19°C.[202] For example, when the current room temperature near air conditioner A is 26°C, the recommended temperature provided by using the training model of
[203] Согласно различным вариантам осуществления, обучающая модель может непрерывно заменяться на новую (или обновляться).[203] According to various embodiments, the training model may be continuously replaced with a new one (or updated).
[204] С этой целью, сервер DS обучения на основе данных дополнительно может включать в себя блок замены на новые моделей (не показан). Блок замены на новые моделей может определять то, заменена или нет обучающая модель на новую, при анализе релевантности между базовыми обучающими данными, используемыми в обучающей модели, которая сконструирована заранее, и новыми введенными обучающими данными. В это время, релевантность может определяться на основе области и времени, в которое обучающие данные формируются, времени, модели кондиционера, который предоставляет обучающие данные, и т.п.[204] To this end, the data-based learning server DS may further include a new model replacement unit (not shown). The new model replacement unit may determine whether or not the training model has been replaced with a new one by analyzing the relevance between the base training data used in the training model that is constructed in advance and the newly input training data. At this time, the relevance may be determined based on the region and time at which the training data is generated, the time, the model of the air conditioner that provides the training data, and the like.
[205] Например, блок замены на новые моделей может непрерывно заменять на новую уже сконструированную обучающую модель посредством использования предыстории настроек температуры пользователя для настройки температуры кондиционера A, предыстории изменений пользователя для рекомендованной температуры и т.п. в качестве обучающих данных.[205] For example, the replacement unit can continuously replace with a new training model already constructed by using the user's temperature setting history to set the temperature of the air conditioner A, the user's change history for the recommended temperature, and the like. as training data.
[206] Согласно различным вариантам осуществления, обучающая модель может сохраняться в блоке хранения данных кондиционера A, а не в отдельном сервере. В этом случае, обучающая модель, сконструированная на сервере DS обучения на основе данных, может передаваться в кондиционер A периодически или при формировании события.[206] According to various embodiments, the training model may be stored in the storage unit of air conditioner A rather than in a separate server. In this case, the training model constructed on the data-based learning server DS may be transmitted to the conditioner A periodically or when an event is generated.
[207] Когда обучающая модель обеспечена в кондиционере A, кондиционер A может получать рекомендованную температуру с использованием сохраненной обучающей модели. Например, кондиционер A может получать рекомендованную температуру посредством ввода считываемой текущей температуры в обучающую модель. В этом случае, кондиционер A может получать рекомендованную температуру с использованием считываемой текущей температуры без вмешательства пользователя и может автоматически задавать температуру кондиционера A в зависимости от рекомендованной температуры.[207] When the training model is provided in the air conditioner A, the air conditioner A can obtain the recommended temperature using the stored training model. For example, air conditioner A can obtain the recommended temperature by inputting the read current temperature into the training model. In this case, air conditioner A can obtain the recommended temperature using the read current temperature without user intervention, and can automatically set the temperature of air conditioner A according to the recommended temperature.
[208] Фиг. 8 является блок–схемой, показывающей конфигурацию кондиционера согласно варианту осуществления раскрытия сущности.[208] FIG. 8 is a block diagram showing a configuration of an air conditioner according to an embodiment of the disclosure.
[209] Ссылаясь на фиг. 8, кондиционер A может включать в себя температурный датчик 810, вентилятор 820, блок 830 связи, блок 840 хранения данных и процессор 850. В различных вариантах осуществления, кондиционер A может не включать в себя по меньшей мере один из компонентов, описанных выше, или дополнительно может включать в себя другие компоненты.[209] Referring to FIG. 8, air conditioner A may include a temperature sensor 810, a
[210] Температурный датчик 810 может считывать температуру помещения около кондиционера A.[210] Temperature sensor 810 can sense the temperature of a room near air conditioner A.
[211] Вентилятор 820 может выпускать охлаждающий воздух наружу через открывающую/закрывающую часть (не показана). Альтернативно, в режиме безветрия, вентилятор 820 может выпускать охлаждающий воздух наружу через множество микрополостей (не показаны) при предварительно определенном расходе или меньше. В это время, предварительно определенный расход может составлять 0,25 м/с или меньше, предпочтительно 0,15 м/с или меньше.[211] The
[212] Блок 830 связи может выполнять связь с внешним устройством. В это время, внешнее устройство может включать в себя по меньшей мере одно из облачного сервера C, сервера DS обучения на основе данных и пользовательского терминала U. Связь блока 830 связи с внешним устройством может включать в себя обмен данными с внешним устройством через третье устройство и т.п. Например, блок 830 связи может принимать сигнал дистанционного управления для управления кондиционером A из пользовательского терминала U.[212] The
[213] Блок 830 связи может обмениваться данными с внешним устройством через проводную связь или беспроводную связь. Например, блок 830 связи может обмениваться данными с управляющим терминальным устройством через сотовую связь, связь ближнего радиуса действия и Интернет–сеть, а также порт для соединения через кабель, и выполнять связь согласно таким стандартам, как связь по стандарту универсальной последовательной шины (USB), Wi–Fi, технология Bluetooth, ZigBee, стандарт Ассоциации по передаче данных в инфракрасном диапазоне (IrDA), RF, к примеру, UHF и VHF, и связь по стандарту сверхширокополосной связи (UWB).[213] The
[214] Блок 840 хранения данных сохраняет различное программное обеспечение и программы для выполнения функции кондиционера A. В частности, блок 840 хранения данных может сохранять алгоритм управления температурой согласно множеству рабочих режимов. Алгоритм управления температурой может включать в себя изменение заданной температуры, интенсивности скорости ветра, направления скорости ветра и т.п. в зависимости от предварительно определенного периода для каждого рабочего режима. Дополнительно, согласно раскрытию сущности, блок 840 хранения данных может сохранять обученную обучающую модель на основе заданной температуры и текущей температуры.[214] The
[215] Процессор 850 может считывать программу и т.п., сохраненные в блоке 840 хранения данных.[215] The
В частности, чтобы выполнять функцию кондиционера A, процессор 850 может считывать программы, включающие в себя последовательность считываемых инструкций, и выполнять кондиционирование воздуха согласно заданной температуре.In particular, in order to perform the function of the air conditioner A, the
[216] Процессор 850 может считывать давление и/или температуру хладагента в теплообменнике для внутренней установки (не показан), чтобы считывать то, выполняется или нет кондиционирование воздуха нормально. Например, процессор 850 может считывать то, повреждается или покрывается морозом труба теплообменника для внутренней установки либо нет, и то, и удаляется или нет надлежащим образом вода, сформированная посредством конденсации пара в воздухе.[216] The
[217] Процессор 850 может управлять скоростью вентилятора 820. В частности, процессор 850 может управлять текущей температурой, измеряемой посредством температурного датчика 810, и скоростью, с которой вращается вентилятор 820, в зависимости от заданной температуры. В частности, процессор 850 может управлять скоростью, с которой вращается вентилятор 820, в зависимости от разности между текущей температурой и заданной температурой. Например, если разность между текущей температурой и заданной температурой является большой, скорость вращения вентилятора 820 управляется таким образом, что она является высокой, чтобы быстро достигать заданной температуры, и если разность между комнатной температурой и заданной температурой является небольшой, или комнатная температура достигает заданной температуры, комнатная температура также чрезмерно падает, скорость вращения вентилятора 820 может быть небольшой, так что компрессор блока для наружной установки не выключается. Например, процессор 850 может управлять скоростью вращения вентилятора 820 между 500 об/мин и 900 об/мин.[217] The
[218] Процессор 850 может управлять блоком 830 связи таким образом, чтобы передавать текущую температуру и заданную температуру, считываемые посредством температурного датчика 810, во внешнее устройство.[218] The
[219] Помимо этого, процессор 850 может управлять блоком 830 связи таким образом, чтобы принимать рекомендованную температуру, принимаемую из внешнего устройства, и управлять рекомендованной температурой, полученной через блок 830 связи, так что она задается в кондиционере в качестве заданной температуры.[219] In addition, the
[220] Помимо этого, процессор 850 может управлять блоком 830 связи таким образом, чтобы передавать текущую температуру, считываемую посредством температурного датчика 810, во внешнее устройство, и может принимать рекомендованную температуру в зависимости от передачи текущей температуры из внешнего устройства и задавать принимаемую рекомендованную температуру в кондиционере. В этом случае, рекомендованная температура может представлять собой результат применения текущей температуры, считываемой посредством температурного датчика 810, к обученной обучающей модели с использованием множества заданных температур и множества текущих температур, заданных в кондиционере A. В этом случае, внешнее устройство может включать в себя по меньшей мере одно из облачного сервера C, сервера DS обучающих моделей и третьего устройства, функционально соединенного с облачным сервером C или сервером DS обучающих моделей.[220] In addition, the
[221] Согласно различным вариантам осуществления, может быть предусмотрена сетевая система, которая включает в себя кондиционер A и сервер DS обучающих моделей, формирующий обучающую модель с использованием обучающих данных, полученных из кондиционера A.[221] According to various embodiments, a network system can be provided that includes conditioner A and a training model server DS generating a training model using training data received from conditioner A.
[222] В этом случае, кондиционер A сетевой системы может включать в себя температурный датчик 810, считывающий текущую температуру, вентилятор 820, выпускающий охлаждающий воздух наружу, и блок 830 связи, способный на обмен данными с внешним устройством. Кондиционер A может включать в себя процессор 850, который управляет блоком 830 связи таким образом, чтобы передавать заданную температуру, заданную в кондиционере A, и текущую температуру, считываемую посредством температурного датчика 810, во внешнее устройство.[222] In this case, the network system air conditioner A may include a temperature sensor 810 that reads the current temperature, a
[223] В этом случае, внешнее устройство может включать в себя по меньшей мере одно из облачного сервера C, сервера DS обучающих моделей и третьего устройства, функционально соединенного с облачным сервером C или сервером DS обучающих моделей.[223] In this case, the external device may include at least one of the cloud server C, the training model server DS, and a third device operatively connected to the cloud server C or the training model server DS.
[224] Помимо этого, сервер DS обучающих моделей сетевой системы может включать в себя блок получения обучающих данных (например, блок 203a получения обучающих данных по фиг. 2A), который получает текущую температуру и заданную температуру, передаваемую из кондиционера A, блок обучения на основе моделей (например, блок 203b обучения на основе моделей по фиг. 2A), который формирует обучающую модель с использованием заданной температуры и текущей температуры, и блок хранения данных (например, блок 202 хранения данных по фиг. 2A), который сохраняет обученную обучающую модель, чтобы обеспечивать рекомендованную температуру кондиционера A в результате формирования обучающей модели.[224] In addition, the network system training model server DS may include a training data acquisition unit (for example, the training
[225] Согласно различным вариантам осуществления, может быть предусмотрена сетевая система, которая включает в себя кондиционер A и сервер DS обучающих моделей, обеспечивающий рекомендованную температуру с использованием данных распознавания, полученных из кондиционера A.[225] According to various embodiments, a network system can be provided that includes air conditioner A and a training model server DS providing a recommended temperature using recognition data received from air conditioner A.
[226] В этом случае, кондиционер A сетевой системы включает в себя температурный датчик 810, считывающий текущую температуру, вентилятор 820, выпускающий охлаждающий воздух наружу, блок 830 связи, способный на обмен данными с внешним устройством, и процессор 850, управляющий блоком 830 связи таким образом, чтобы передавать текущую температуру, считываемую посредством температурного датчика 810, во внешнее устройство.[226] In this case, the network system air conditioner A includes a temperature sensor 810 sensing the current temperature, a
[227] В этом случае, внешнее устройство может включать в себя по меньшей мере одно из облачного сервера C, сервера DS обучающих моделей и третьего устройства, функционально соединенного с облачным сервером C или сервером DS обучающих моделей.[227] In this case, the external device may include at least one of the cloud server C, the training model server DS, and a third device operatively connected to the cloud server C or the training model server DS.
[228] Помимо этого, сервер DS обучающих моделей может включать в себя блок хранения данных (например, блок 202 хранения данных по фиг. 2B), сохраняющий обученные обучающие модели, чтобы обеспечивать рекомендованную температуру кондиционера A, блок получения данных распознавания (например, блок 203c получения данных распознавания по фиг. 2B), получающий текущую температуру кондиционера A, и блок применения моделей (например, блок 203d применения моделей по фиг. 2B), получающий рекомендованную температуру кондиционера A посредством ввода текущей температуры в качестве обучающей модели, и блок связи (например, блок 201 связи по фиг. 2B), передающий полученную рекомендованную температуру во внешнее устройство. Внешнее устройство может включать в себя кондиционер A или третье устройство, функционально соединенное с кондиционером A. Помимо этого, внешнее устройство может включать в себя пользовательский терминал U или третье устройство, функционально соединенное с пользовательским терминалом U, чтобы передавать рекомендованную температуру.[228] In addition, the training model server DS may include a data storage unit (for example,
[229] Фиг. 9 является блок–схемой, показывающей конфигурацию пользовательского терминала согласно варианту осуществления раскрытия сущности.[229] FIG. 9 is a block diagram showing a configuration of a user terminal according to an embodiment of the disclosure.
[230] Ссылаясь на фиг. 9, пользовательский терминал U может включать в себя дисплей 910, блок 920 связи, ввод 930, блок 940 хранения данных и процессор 950.[230] Referring to FIG. 9, the user terminal U may include a
[231] Дисплей 910 может визуально предоставлять информацию пользователю пользовательского терминала U. Например, дисплей 910 может отображать экран, включающий в себя UI работы искусственного интеллекта под управлением процессора 950.[231] The
[232] Блок 920 связи может устанавливать канал для блока проводной или беспроводной связи между пользовательским терминалом U и внешним устройством и поддерживать производительность связи через установленный канал связи. Внешнее устройство может включать в себя по меньшей мере например, одно из облачного сервера C, сервера DS обучающих моделей и третьего устройства, функционально соединенного с облачным сервером C или сервером DS обучающих моделей.[232] The
[233] Блок 920 связи может обмениваться данными с внешним устройством через сети связи ближнего радиуса действия (например, технологию Bluetooth, стандарт Wi–Fi Direct или стандарт Ассоциации по передаче данных в инфракрасном диапазоне (IrDA) и т.п.) или удаленные сети связи (например, сотовую сеть, Интернет–сеть или компьютерную сеть (например, LAN или WAN) и т.п.) с использованием модулей беспроводной связи (например, модуля сотовой связи, модуля локальной беспроводной связи и модуля связи по стандарту глобальной навигационной спутниковой системы (GNSS)) или модуля проводной связи (например, модуля связи на основе локальной вычислительной сети (LAN) или модуля связи по линиям электросети). Несколько видов модулей связи, описанных выше, могут реализовываться как одна микросхема или могут реализовываться как отдельная микросхема.[233] The
[234] Ввод 930 может принимать команды или данные, которые должны использоваться для компонентов (например, процессора 950) пользовательского терминала U, извне (например, от пользователя) пользовательского терминала U. Ввод 930 может включать в себя, например, кнопку, микрофон, сенсорную панель и т.п. Ввод 930 может передавать сигнал пользовательского ввода, сформированный в зависимости от пользовательского ввода, для управления пользовательским терминалом U, в процессор 950.[234]
[235] Блок 940 хранения данных может сохранять различные данные, используемые посредством по меньшей мере одного компонента (например, процессора 950) пользовательского терминала U, например, программное обеспечение (например, программу), и может сохранять входные данные или выходные данные для команды, ассоциированной с ними. Блок 940 хранения данных может включать в себя энергозависимое и/или энергонезависимое запоминающее устройство.[235] The
[236] Программа представляет собой программное обеспечение, сохраненное в блоке 940 хранения данных, и может включать в себя, например, операционную систему, промежуточное программное обеспечение или приложение.[236] The program is software stored in the
[237] Процессор 950 может направлять, например, программное обеспечение (например, программу), сохраненную в блоке 940 хранения данных, с возможностью управлять по меньшей мере еще другими компонентами (например, аппаратными или программными компонентами) пользовательского терминала U, соединенного с процессором 950, и выполнять различную обработку и операции с данными. Процессор 950 может загружать команду или данные, принимаемые из других компонентов (например, блока 920 связи) в энергозависимом запоминающем устройстве, и обрабатывать загруженную команду или данные и может сохранять результирующие данные в энергонезависимом запоминающем устройстве. Согласно варианту осуществления, процессор 950 может включать в себя главные процессоры (например, центральный процессор или процессор приложений) и подпроцессоры (например, графический процессор, процессор сигналов изображений, процессор концентратора датчиков или процессор связи), которые работают независимо от главного процессора и дополнительно или альтернативно используют более низкий уровень мощности, чем главный процессор, или предназначены специально для указанных функций. Подпроцессор может работать отдельно от главного процессора или может работать со встраиванием.[237]
[238] Согласно различным вариантам осуществления, если сигнал пользовательского ввода, зависящий от пользовательского ввода, выбирающего UI работы искусственного интеллекта, включенный в экран, обеспеченный посредством дисплея 910, принимается через ввод 930, процессор 950 может управлять блоком 920 связи с возможностью передавать сигнал запроса работы искусственного интеллекта, соответствующий UI работы искусственного интеллекта, в кондиционер A. Если рекомендованная температура, заданная в кондиционере в зависимости от сигнала запроса работы искусственного интеллекта, получается через блок 920 связи, процессор 950 может управлять дисплеем 910 таким образом, чтобы отображать полученную рекомендованную температуру. В это время, рекомендованная температура может получаться как результат, полученный посредством предоставления возможности кондиционеру A применять текущую температуру кондиционера A к обучающей модели. В этом случае, процессор 950 может управлять дисплеем 910 таким образом, что пользователь отображает заданную температуру, которая задается в кондиционере в прошлом, как равную текущей температуре, вместе с рекомендованной температурой.[238] According to various embodiments, if a user input signal dependent on the user input selecting the AI operation UI included in the screen provided by the
[239] Согласно различным вариантам осуществления, может быть предусмотрена сетевая система, включающая в себя кондиционер A и пользовательский терминал U, управляющий кондиционером A.[239] According to various embodiments, a network system can be provided including an air conditioner A and a user terminal U controlling the air conditioner A.
[240] В этом случае, если сигнал пользовательского ввода, зависящий от пользовательского ввода, выбирающего UI работы искусственного интеллекта, включенный в экран, обеспеченный посредством дисплея 910 пользовательского терминала U, принимается через ввод 930, процессор 950 может управлять блоком 920 связи с возможностью передавать сигнал запроса работы искусственного интеллекта, соответствующий UI работы искусственного интеллекта, в кондиционер A.[240] In this case, if the user input signal dependent on the user input selecting the AI operation UI included in the screen provided by the
[241] Если кондиционер A принимает запрос работы искусственного интеллекта через блок 830 связи кондиционера A, процессор 850 кондиционера A может управлять блоком 830 связи таким образом, чтобы передавать текущую температуру кондиционера A во внешнее устройство. Процессор 850 кондиционера A может управлять блоком 830 связи таким образом, чтобы принимать рекомендованную температуру в зависимости от передачи текущей температуры из внешнего устройства. Процессор 850 может задавать рекомендованную температуру, принимаемую через блок 830 связи в кондиционере A. В этом случае, рекомендованная температура может представлять собой результат, полученный посредством применения текущей температуры к обученной обучающей модели, на основе множества заданных температур, предварительно заданных в кондиционере A, и множества текущих температур. В этом случае, внешнее устройство может включать в себя по меньшей мере одно из облачного сервера C, сервера DS обучающих моделей и третьего устройства, функционально соединенного с облачным сервером C или сервером DS обучающих моделей.[241] If the air conditioner A receives the AI operation request via the air conditioner
[242] Фиг. 10A и 10B являются схемами, показывающими экран пользовательского терминала, на котором отображается рекомендованная температура, согласно варианту осуществления раскрытия сущности.[242] FIG. 10A and 10B are diagrams showing a user terminal screen displaying a recommended temperature, according to an embodiment of the disclosure.
[243] Ссылаясь на фиг. 10A, пользовательский терминал U может отображать экран 1010 для управления кондиционером посредством выполнения приложения, способного управлять кондиционером A.[243] Referring to FIG. 10A, the user terminal U may display a
[244] Экран 1010 для управления кондиционером может включать в себя UI 1011, включающий/отключающий кондиционер A, UI 1012, выбирающий рабочий режим кондиционера A, информацию 1013 текущей температуры, информацию 1014 относительно того, работает или нет режим искусственного интеллекта, UI 1015 настройки ветровой заслонки, UI 1016 настройки силы ветра, функциональный UI 1017 в режиме безветрия, UI 1018 относительно того, выполняется или нет операция очистки воздуха, UI 1019 настройки искусственного интеллекта, UI 1020 настройки резервирования и т.п.[244] The
[245] В этом случае, когда экран 1010 для правления кондиционером находится за пределами диапазона окна просмотра дисплея UI пользовательского терминала, пользователь может отображать экран 1110 для управления кондиционером, который находится за пределами диапазона окна просмотра, в диапазоне окна просмотра посредством жеста перетаскивания.[245] In this case, when the air
[246] Ссылаясь на фиг. 10A и 10B, в этой ситуации, если пользовательский ввод для выбора UI 1019 настройки искусственного интеллекта принимается, пользовательский терминал U может отображать экран 1020 управления искусственным интеллектом в рабочем режиме (например, в интеллектуальном комфортном режиме) кондиционера A, как показано на фиг. 10B. Экран 1020 управления искусственным интеллектом может включать в себя UI 1021 работы искусственного интеллекта для работы в режиме искусственного интеллекта кондиционера A и рабочую информацию 1022 системы искусственного интеллекта, указывающую работу в режиме искусственного интеллекта кондиционера A.[246] Referring to FIG. 10A and 10B, in this situation, if the user input for selecting the
[247] В том случае, если пользовательский ввод для выбора UI 1021 работы искусственного интеллекта принимается, пользовательский терминал U может получать рекомендованную температуру, заданную в кондиционере на основе пользовательского ввода. Например, пользовательский терминал U может получать рекомендованную температуру через третье устройство (например, точку доступа (AP)), функционально соединенное с облачным сервером C.[247] If the user input for selecting the
[248] Затем пользовательский терминал U может отображать рекомендованную температуру 1023 на экране 1020 управления искусственным интеллектом. В это время, рекомендованная температура 1023 может получаться как результат, полученный посредством предоставления возможности кондиционеру A применять текущую температуру кондиционера A к серверу DS обучающих моделей, на основе пользовательского ввода, выбирающего UI 1021 работы искусственного интеллекта.[248] Then, the user terminal U may display the recommended
[249] Пользовательский терминал U может отображать не только рекомендованную температуру 1023 на экране 1020 управления искусственным интеллектом, но также и заданную температуру 1024, которую пользователь кондиционера A непосредственно задает в кондиционере в прошлом. В этом случае, рекомендованная температура 1023 и заданная температура 1034 могут отображаться на графике вместе, так что они могут сравниваться между собой.[249] The user terminal U can display not only the recommended
[250] Фиг. 11 является блок–схемой последовательности операций, показывающей способ формирования обучающей модели для сервера обучения на основе данных согласно варианту осуществления раскрытия сущности.[250] FIG. 11 is a flowchart showing a method for generating a training model for a learning server based on data according to an embodiment of the disclosure.
[251] Ссылаясь на фиг. 11, на этапе 1101, сервер DS обучения на основе данных может получать заданную температуру, заданную в кондиционере A, и текущую температуру кондиционера A во время настройки температуры. Дополнительно, сервер DS обучения на основе данных дополнительно может получать информацию внешнего окружения кондиционера A.[251] Referring to FIG. 11, in step 1101, the data-learning server DS may obtain the set temperature set in the air conditioner A and the current temperature of the air conditioner A at the time of temperature setting. Further, the data-based learning server DS may further acquire the outside environment information of the air conditioner A.
[252] В это время, сервер DS обучения на основе данных может получать заданную температуру и текущую температуру из мостового сервера BS, функционально соединенного с кондиционером A, и получать информацию внешнего окружения из интеллектуального домашнего сервера SS предоставления услуг, функционально соединенного с внешним сервером (CP) предоставления контента.[252] At this time, the data-based learning server DS can obtain the set temperature and the current temperature from the bridge server BS operatively connected to the air conditioner A, and obtain external environment information from the intelligent home service server SS operatively connected to the external server ( CP) providing content.
[253] Дополнительно, сервер DS обучения на основе данных дополнительно может получать информацию времени во время настройки температуры в кондиционере A.[253] Additionally, the data-based learning server DS may further obtain time information at the time of setting the temperature in the air conditioner A.
[254] На этапе 1103, сервер DS обучения на основе данных может формировать или заменять на новую обучающую модель с использованием полученной заданной температуры и текущей температуры.[254] In
[255] Когда сервер DS обучения на основе данных дополнительно получает информацию внешнего окружения, сервер DS обучения на основе данных может формировать или заменять на новую обучающую модель с использованием полученной заданной температуры, текущей температуры и информации внешнего окружения.[255] When the data-based learning server DS further obtains the external environment information, the data-based learning server DS may generate or replace with a new training model using the acquired target temperature, the current temperature, and the external environment information.
[256] Помимо этого, когда сервер DS обучения на основе данных дополнительно получает информацию времени во время настройки температуры, сервер DS обучения на основе данных может формировать или заменять на новую обучающую модель с использованием полученной заданной температуры, текущей температуры и информации времени.[256] In addition, when the data-based learning server DS further obtains time information at the time of temperature setting, the data-based learning server DS may generate or replace with a new training model using the obtained target temperature, current temperature, and time information.
[257] На этапе 1105, сервер DS обучения на основе данных может сохранять обученную обучающую модель, чтобы обеспечивать рекомендованную температуру, которая должна задаваться в кондиционере, в результате формирования и замены на новую обучающей модели.[257] In
[258] Между тем, сервер DS обучения на основе данных может формировать или заменять на новые множество обучающих моделей для каждого рабочего режима кондиционера A. В этом случае, сервер DS обучения на основе данных может сохранять множество обучающих моделей.[258] Meanwhile, the data-based learning server DS may generate or replace a plurality of training models for each operating mode of the air conditioner A. In this case, the data-based learning server DS may store a plurality of training models.
[259] Фиг. 12 является блок–схемой последовательности операций, показывающей способ использования обучающей модели для сервера обучения на основе данных согласно варианту осуществления раскрытия сущности.[259] FIG. 12 is a flowchart showing a method of using a training model for a data-based learning server according to an embodiment of the disclosure.
[260] Ссылаясь на фиг. 12, на этапе 1201, сервер DS обучения на основе данных может сохранять обученную обучающую модель, чтобы обеспечивать рекомендованную температуру, которая должна задаваться в кондиционере A.[260] Referring to FIG. 12, in
[261] В ситуации, в которой обученная обучающая модель сохраняется, на этапе 1203, сервер DS обучения на основе данных может получать текущую температуру кондиционера A. В этом случае, сервер DS обучения на основе данных дополнительно может получать информацию внешнего окружения кондиционера A.[261] In a situation in which the trained training model is stored, in
[262] На этапе 1205, сервер DS обучения на основе данных может вводить полученную текущую температуру в обученную обучающую модель, чтобы получать рекомендованную температуру, которая должна задаваться в кондиционере A.[262] In
[263] Помимо этого, когда сервер DS обучения на основе данных дополнительно получает информацию внешнего окружения, сервер DS обучения на основе данных может вводить полученную рекомендованную температуру и информацию внешнего окружения в обучающую модель, чтобы получать рекомендованную температуру, которая должна задаваться в кондиционере A.[263] In addition, when the data-based learning server DS further obtains the external environment information, the data-based learning server DS may input the obtained recommended temperature and the external environment information into the training model to obtain the recommended temperature to be set in the air conditioner A.
[264] Между тем, сервер DS обучения на основе данных может сохранять множество обучающих моделей для каждого рабочего режима кондиционера A. В этом случае, сервер DS обучения на основе данных может вводить полученную текущую температуру в обучающую модель, соответствующую текущему рабочему режиму кондиционера A, и вводить полученную текущую температуру в обучающую модель, соответствующую текущему рабочему режиму кондиционера A, чтобы получать рекомендованную температуру, которая должна задаваться в кондиционере A.[264] Meanwhile, the data-based learning server DS may store a plurality of training models for each operating mode of air conditioner A. In this case, the data-based learning server DS may input the acquired current temperature into the training model corresponding to the current operating mode of air conditioner A, and input the obtained current temperature into the training model corresponding to the current operating mode of air conditioner A to obtain the recommended temperature to be set in air conditioner A.
[265] На этапе 1207, сервер DS обучения на основе данных может передавать полученную рекомендованную температуру во внешнее устройство. Внешнее устройство, например, может представлять собой кондиционер A или третье устройство, функционально соединенное с кондиционером A, чтобы передавать рекомендованную температуру. Помимо этого, внешнее устройство может представлять собой пользовательский терминал U или третье устройство, функционально соединенное с пользовательским терминалом U, чтобы передавать рекомендованную температуру.[265] In step 1207, the data-based learning server DS may transmit the obtained recommended temperature to an external device. The external device, for example, may be air conditioner A or a third device operatively connected to air conditioner A to transmit the recommended temperature. In addition, the external device may be a user terminal U or a third device operatively connected to the user terminal U to transmit the recommended temperature.
[266] Фиг. 13 является блок–схемой последовательности операций, показывающей способ обеспечения рекомендованной температуры кондиционера A согласно варианту осуществления раскрытия сущности.[266] FIG. 13 is a flowchart showing a method for providing the recommended temperature of air conditioner A according to an embodiment of the disclosure.
[267] Ссылаясь на фиг. 13, на этапе 1301, кондиционер A может считывать текущую температуру кондиционера A.[267] Referring to FIG. 13, in
[268] Затем, на этапе 1303, кондиционер A может передавать считываемую текущую температуру во внешнее устройство. Например, кондиционер A может передавать считываемую текущую температуру в по меньшей мере одно из облачного сервера C, сервера DS обучающих моделей и третьего устройства, функционально обменивающегося данными с облачным сервером C или сервером DS обучающих моделей.[268] Next, in
[269] На этапе 1305, кондиционер A может принимать рекомендованную температуру, которая представляет собой результат применения текущей температуры к обучающей модели, из внешнего устройства в зависимости от передачи текущей температуры. В этом случае, рекомендованная температура может представлять собой результат, полученный посредством применения текущей температуры к обученной обучающей модели, на основе множества заданных температур, предварительно заданных в кондиционере A, и множества текущих температур.[269] In
[270] На этапе 1307, кондиционер A может задавать принимаемую рекомендованную температуру в кондиционере.[270] In step 1307, air conditioner A may set the air conditioner to receive recommended temperature.
[271] Фиг. 14 является блок–схемой последовательности операций, показывающей способ управления кондиционером пользовательского терминала согласно варианту осуществления раскрытия сущности.[271] FIG. 14 is a flowchart showing a method for controlling an air conditioner of a user terminal according to an embodiment of the disclosure.
[272] Ссылаясь на фиг. 14, на этапе 1401, пользовательский терминал U может принимать сигнал пользовательского ввода, зависящий от пользовательского ввода, выбирающего UI работы искусственного интеллекта.[272] Referring to FIG. 14, in
[273] На этапе 1403, пользовательский терминал U может передавать сигнал запроса работы искусственного интеллекта, соответствующий UI работы искусственного интеллекта, в кондиционер A в ответ на сигнал пользовательского ввода.[273] In
[274] На этапе 1405, пользовательский терминал U может получать рекомендованную температуру, заданную в кондиционере в результате применения текущей температуры кондиционера A к обучающей модели, в зависимости от сигнала запроса работы искусственного интеллекта.[274] In
[275] На этапе 1407, пользовательский терминал U может отображать полученную рекомендованную температуру на экране. В этом случае, пользовательский терминал U может отображать заданную температуру, которую пользователь предварительно задает в кондиционере вместе с рекомендованной температурой, как равную текущей температуре.[275] In step 1407, the user terminal U may display the received recommended temperature on the screen. In this case, the user terminal U may display the set temperature that the user presets in the air conditioner together with the recommended temperature as equal to the current temperature.
[276] Фиг. 15 является блок–схемой последовательности операций способа в сетевой системе, включающей в себя пользовательский терминал и кондиционер согласно варианту осуществления раскрытия сущности.[276] FIG. 15 is a flowchart of a method in a network system including a user terminal and an air conditioner according to an embodiment of the disclosure.
[277] Ссылаясь на фиг. 15, на этапе 1501, пользовательский терминал U может принимать сигнал пользовательского ввода, зависящий от пользовательского ввода, выбирающего UI работы искусственного интеллекта.[277] Referring to FIG. 15, in
[278] На этапе 1503, пользовательский терминал U может передавать сигнал запроса работы искусственного интеллекта, соответствующий UI работы искусственного интеллекта, в кондиционер A.[278] In
[279] На этапе 1505, кондиционер A может считывать текущую температуру кондиционера A.[279] In
[280] Затем, на этапе 1507, кондиционер A может передавать считываемую текущую температуру во внешнее устройство 1500. Внешнее устройство может включать в себя по меньшей мере одно из облачного сервера C, сервера DS обучающих моделей и третьего устройства, функционально соединенного с облачным сервером C или сервером DS обучающих моделей.[280] Next, in
[281] На этапе 1509, кондиционер A может принимать рекомендованную температуру, которая представляет собой результат применения текущей температуры к обучающей модели, из внешнего устройства 1500 в зависимости от передачи текущей температуры. В этом случае, обучающая модель может представлять собой обучающую модель, обученную с использованием множества заданных температур, предварительно заданных в кондиционере A, и множества текущих температур.[281] At
[282] На этапе 1511, кондиционер A может задавать принимаемую рекомендованную температуру в кондиционере.[282] In
[283] Раскрытые варианты осуществления могут реализовываться как программно–реализованная программа, которая включает в себя инструкции, сохраненные на машиночитаемом носителе хранения данных.[283] The disclosed embodiments may be implemented as a software program that includes instructions stored on a computer-readable storage medium.
[284] Компьютер представляет собой оборудование, которое вызывает сохраненные инструкции из носителя хранения данных, и может работать согласно раскрытому варианту осуществления в зависимости от вызываемых инструкций и может включать в себя сервер обучения на основе данных согласно раскрытым вариантам осуществления или внешний сервер, функционально соединенный с сервером обучения на основе данных. Альтернативно, компьютер может включать в себя кондиционер или внешний сервер, функционально соединенный с кондиционером, согласно раскрытым вариантам осуществления.[284] A computer is equipment that calls stored instructions from a storage medium, and may operate according to the disclosed embodiment depending on the instructions being called, and may include a data-based learning server according to the disclosed embodiments, or an external server operatively connected to data-based learning server. Alternatively, the computer may include an air conditioner or an external server operatively connected to the air conditioner according to the disclosed embodiments.
[285] Машиночитаемый носитель хранения данных может быть обеспечен в виде невременного носителя хранения данных. "Невременный" означает то, что носитель хранения данных не включает в себя сигнал и ток и является материальным, а "невременный" не различает, хранятся ли данные полупостоянно или временно на носителе хранения данных. В качестве примера, невременный носитель хранения данных может представлять собой временно сохраненные носители временного хранения, такие как регистры, кэш и буфер, а также невременные считываемые носители записи, такие как CD, DVD, жесткий диск, Blu–Ray–диск, USB, внутреннее запоминающее устройство, карта памяти, ROM и RAM.[285] A computer-readable storage medium may be provided as a non-transitory storage medium. "Non-temporal" means that the storage medium does not include a signal and current and is tangible, and "non-temporal" does not distinguish whether the data is stored semi-permanently or temporarily on the storage medium. As an example, non-temporary storage media can be temporarily stored temporary storage media such as registers, cache and buffer, as well as non-temporary readable media such as CD, DVD, hard disk, Blu-ray disc, USB, internal storage device, memory card, ROM and RAM.
[286] Кроме того, способ согласно раскрытым вариантам осуществления может быть обеспечен в виде компьютерного программного продукта.[286] In addition, the method according to the disclosed embodiments may be provided as a computer program product.
[287] Компьютерный программный продукт может включать в себя программно–реализованную программу, машиночитаемый носитель хранения данных, на котором сохраняется программно–реализованная программа, или продукт, продаваемый между продавцом и покупателем.[287] A computer program product may include a software program, a computer-readable storage medium on which the software program is stored, or a product traded between a seller and a buyer.
[288] Например, компьютерный программный продукт может включать в себя продукт (например, загружаемое приложение) в форме программно–реализованной программы, электронно распространяемой через сервер обучения на основе данных, через изготовителя кондиционера или через электронный рынок (например, магазин Google Play, AppStore). Для электронного распространения по меньшей мере часть программно–реализованных программ может сохраняться на носителе хранения данных или может формироваться временно. В этом случае, носитель хранения данных может быть изготовителем или сервером электронного рынка или носителем хранения данных ретрансляционного сервера.[288] For example, a computer program product may include a product (e.g., a downloadable application) in the form of a software program electronically distributed through a data-based learning server, through an air conditioner manufacturer, or through an electronic marketplace (e.g., Google Play Store, AppStore ). For electronic distribution, at least a portion of the firmware programs may be stored on a storage medium or may be temporarily generated. In this case, the storage medium may be a manufacturer or an electronic marketplace server or a relay server storage medium.
[289] Хотя проиллюстрированы и описаны варианты осуществления раскрытия сущности, раскрытие сущности не ограничено вышеуказанным конкретным вариантом осуществления, но может модифицироваться различными способами специалистами в данной области техники, к которой относится раскрытие сущности, без отступления от сущности и объема раскрытия сущности, заявленного в формуле изобретения. Помимо этого, следует понимать, что такие модификации попадают в пределы объема раскрытия сущности.[289] Although embodiments of the disclosure have been illustrated and described, the disclosure is not limited to the above specific embodiment, but may be modified in various ways by those skilled in the art to which the disclosure relates without departing from the spirit and scope of the disclosure as claimed in the claims. inventions. In addition, it should be understood that such modifications fall within the scope of the disclosure.
[290] Хотя раскрытие сущности показано и описано со ссылкой на его различные варианты осуществления, специалисты в данной области техники должны понимать, что различные изменения по форме и содержанию могут вноситься без отступления от сущности и объема раскрытия сущности, заданного посредством прилагаемой формулы изобретения и ее эквивалентов.[290] Although the disclosure has been shown and described with reference to various embodiments thereof, those skilled in the art should understand that various changes in form and content may be made without departing from the spirit and scope of the disclosure as defined by the appended claims and its equivalents.
Claims (182)
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762479207P | 2017-03-30 | 2017-03-30 | |
US62/479,207 | 2017-03-30 | ||
KR1020170123239A KR102393418B1 (en) | 2017-03-30 | 2017-09-25 | Data learning server and method for generating and using thereof |
KR10-2017-0123239 | 2017-09-25 | ||
PCT/KR2018/003774 WO2018182357A1 (en) | 2017-03-30 | 2018-03-30 | Data learning server and method for generating and using learning model thereof |
Publications (3)
Publication Number | Publication Date |
---|---|
RU2019134550A RU2019134550A (en) | 2021-04-30 |
RU2019134550A3 RU2019134550A3 (en) | 2021-11-08 |
RU2772237C2 true RU2772237C2 (en) | 2022-05-18 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100245094A1 (en) * | 2009-03-26 | 2010-09-30 | Hui Tan | Remote control with temperature sensor for air conditioner |
US20120016526A1 (en) * | 2011-09-27 | 2012-01-19 | Jpmorgan Chase Bank, N.A. | Heating, Ventilation, and Air Conditioning Management System and Method |
US20150248118A1 (en) * | 2014-02-26 | 2015-09-03 | Board Of Trustees Of The University Of Alabama | Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches |
US20160320081A1 (en) * | 2015-04-28 | 2016-11-03 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Personalization of Heating, Ventilation, and Air Conditioning Services |
RU2612995C1 (en) * | 2013-03-14 | 2017-03-14 | Мицубиси Электрик Корпорейшн | Air conditioning system, including device controlling pressure and bypass valve |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100245094A1 (en) * | 2009-03-26 | 2010-09-30 | Hui Tan | Remote control with temperature sensor for air conditioner |
US20120016526A1 (en) * | 2011-09-27 | 2012-01-19 | Jpmorgan Chase Bank, N.A. | Heating, Ventilation, and Air Conditioning Management System and Method |
RU2612995C1 (en) * | 2013-03-14 | 2017-03-14 | Мицубиси Электрик Корпорейшн | Air conditioning system, including device controlling pressure and bypass valve |
US20150248118A1 (en) * | 2014-02-26 | 2015-09-03 | Board Of Trustees Of The University Of Alabama | Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches |
US20160320081A1 (en) * | 2015-04-28 | 2016-11-03 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Personalization of Heating, Ventilation, and Air Conditioning Services |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220018567A1 (en) | Data learning server and method for generating and using learning model thereof | |
US11137161B2 (en) | Data learning server and method for generating and using learning model thereof | |
US11405231B2 (en) | Data learning server, and method for generating and using learning model thereof | |
US10584892B2 (en) | Air-conditioning control method, air-conditioning control apparatus, and storage medium | |
US10101052B2 (en) | Location-based approaches for controlling an energy consuming device | |
CN111868449B (en) | Air conditioner and control method thereof | |
EP3748247B1 (en) | Air conditioner and method for controlling air conditioner | |
CN106196433A (en) | A kind of airconditioning control parameter determination device and method, air-conditioning and server | |
RU2772237C2 (en) | Data-based learning server and method for forming and using its learning model | |
US11371741B2 (en) | Air conditioning apparatus and method for controlling using learned sleep modes | |
CN110598916A (en) | Method and system for constructing user behavior model | |
BR112019020372B1 (en) | METHOD FOR GENERATING A LEARNING MODEL OF A DATA LEARNING SERVER, DATA LEARNING SERVER, AND NETWORK SYSTEM | |
US20220381472A1 (en) | Air conditioner, air conditioner control method, and air conditioner control system | |
Wilson | Radically Connected Home for Power Control and Device Discovery and Synergy | |
Tait | Smart Rubbish Bins | |
Diniz de Faria | Smart Thermally Controlled Bedding | |
CN117647938A (en) | Control method, device, equipment and storage medium | |
Brune | An IoT System that Combines Externally Sourced and Public Sensor Data with Internal Enterprise Sensor Data for Action Determination | |
Bertsch | Sensor Network Trained To Understand Arbitrary Labels | |
Dhillon et al. | Health Analyzing Smart Mirror | |
Benassi | User Notification Interface Using Internet of Things Devices | |
Ross | Augmented Reality Interface for Visualizing and Interacting with IoT Devices | |
Von Dehsen | Camera Lens with Display Mode | |
Rodriguez | Location Finding of Wireless Beacons | |
CN117111485A (en) | Equipment control method and device |