WO2018135696A1 - 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 - Google Patents

딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 Download PDF

Info

Publication number
WO2018135696A1
WO2018135696A1 PCT/KR2017/002339 KR2017002339W WO2018135696A1 WO 2018135696 A1 WO2018135696 A1 WO 2018135696A1 KR 2017002339 W KR2017002339 W KR 2017002339W WO 2018135696 A1 WO2018135696 A1 WO 2018135696A1
Authority
WO
WIPO (PCT)
Prior art keywords
self
dna
learning
module
mission
Prior art date
Application number
PCT/KR2017/002339
Other languages
English (en)
French (fr)
Inventor
윤희병
Original Assignee
주식회사 더디엔에이시스템
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 더디엔에이시스템 filed Critical 주식회사 더디엔에이시스템
Publication of WO2018135696A1 publication Critical patent/WO2018135696A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models

Definitions

  • the present invention relates to an artificial intelligence platform, and more particularly, to an artificial intelligence platform using a deep learning-based self-adaptive learning technology.
  • AI artificial intelligence
  • existing artificial neural network technology or self-adaptation technology has a limitation in that it is difficult to process unstructured data because it cannot effectively implement the human brain mechanism, and it is difficult to apply to various situations because it is developed in a specific field. There is a limit that is not efficient.
  • Patent No. 10-1400636 Invention: Artificial Intelligence Algorithm Thinking Like a Man, Publication Date: May 30, 2014
  • Publication No. 10-1999-0044063 Name of the invention: a method of providing a self-adaptive management service using an information communication network, a publication date: May 07, 2001
  • Patent No. 10-1400636 Invention: Artificial Intelligence Algorithm Thinking Like a Man, Publication Date: May 30, 2014
  • Publication No. 10-1999-0044063 Name of the invention: a method of providing a self-adaptive management service using an information communication network, a publication date: May 07, 2001
  • the present invention has been proposed to solve the above problems of the proposed methods, the structured data and unstructured data is processed in the preprocessor to derive the elements, and the self-adaptive using the elements in the self-adaptive learning engine It can provide a modular system for learning and scheduling, including decision-making and forecasting, decision-making and forecasting, recommendation and situational actions, including effects that use learning results.
  • the aim is to provide an AI platform using deep learning-based self-adaptive learning technology that can be customized.
  • the present invention includes a self-adaptive learning engine that combines self-adaptive technology and deep learning-based learning technology to self-organize DNA mission and self-construct a DNA model, thereby understanding the situation and modeling the mission by itself.
  • Another aim is to provide an artificial intelligence platform using deep learning-based self-adaptive learning technology that can effectively implement the human brain mechanism to solve the situation by creating a model.
  • Self-organizing DNA Mission using the elements derived from the preprocessor, self-organizing a deep learning-based artificial neural network DNA Model (DNA Model) using the self-organized DNA mission, the self-organized Self-Adaptive Learning Engine for learning DNA model;
  • DNA Model deep learning-based artificial neural network DNA Model
  • the preprocessor Preferably, the preprocessor, the preprocessor
  • a text conversion module for converting unstructured data except text among the input data into text data
  • An information extraction module for extracting information necessary for performing a mission from the text data converted by the text conversion module
  • an element derivation module for identifying and deriving an element to be input to the self-adaptive learning engine from the extracted information.
  • the self-adaptive learning engine Preferably, the self-adaptive learning engine,
  • a mission organization module that self-organizes the DNA mission using the elements derived from the preprocessor
  • It may include a model learning module for self-learning the self-constructed DNA model.
  • the DNA mission is a combination of Blocks of Organization and Chains
  • the DNA model may be a combination of blocks of functions and chains.
  • An understanding and scheduling module for understanding a given situation or identifying intent and providing scheduling to decision makers using the situation understanding or intent finding result
  • a determination and prediction module for providing a determination and analysis result for a given situation and for predicting and providing a possible situation
  • the analysis and prediction results may be used to include recommendation and action modules that recommend decisions about a given situation and provide action accordingly.
  • the preprocessor, the self-adaptive learning engine and the effector may further include a DNA tool for providing a plurality of tools.
  • the DNA tool More preferably, the DNA tool,
  • Combination Tool may be included.
  • the element is derived by processing the structured data and the unstructured data in the preprocessor, and the element is used in the self-adaptive learning engine.
  • Adaptable learning including effects that use learning results, can provide a modular system for situation understanding and scheduling, decision and prediction, recommendations and situational actions, and a system suitable for various situations Can be customized.
  • Models by combining a self-adaptive technology and deep learning-based learning technology, by including a self-adaptive learning engine that self-organizes DNA mission and self-organizing the DNA model, by understanding the situation to identify the mission by itself Models can be used to effectively implement human brain mechanisms to solve situations.
  • FIG. 1 is a diagram showing the configuration of an artificial intelligence platform using a deep learning-based self-adaptive learning technology according to an embodiment of the present invention.
  • FIG. 2 is a diagram showing a configuration further comprising a DNA tool in an artificial intelligence platform using a deep learning-based self-adaptive learning technology according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating the overall technical configuration of an artificial intelligence platform using a deep learning-based self-adaptive learning technology according to an embodiment of the present invention.
  • an artificial intelligence platform using deep learning based self-adaptive learning technology may include a preprocessor 100, a self-adaptive learning engine 200, and an effector 300. It can be configured to include.
  • the preprocessor 100 processes the structured data and the unstructured data to derive the element, and the self-adaptive learning engine.
  • the element can be self-adaptive learning, including an effector 300 that uses the learning results, modular system that can understand the situation and scheduling, decision and prediction, recommendations and situation actions, etc. It is possible to provide a customized system for various situations.
  • the preprocessor 100 may process the input data to derive the elements. That is, the preprocessor 100 may derive an element that is input information of the self-adaptive learning engine 200 to be described in detail later from input data including structured data and unstructured data.
  • the preprocessor 100 may include a text conversion module 110, an information extraction module 120, and an element derivation module 130.
  • the text conversion module 110 may convert unstructured data excluding text among input data into text data (Text Conversion). In particular, the text conversion module 110 may convert unstructured data except text including an image, an image, and voice into text data.
  • the information extraction module 120 may extract information necessary for performing a mission from the text data converted by the text conversion module 110 (Information Extraction). In addition, the information extraction module 120 may extract necessary information from input data in the form of text that is not a conversion target in the text conversion module 110.
  • the element derivation module 130 may identify and derive an element to be input to the self-adaptive learning engine 200 from the extracted information (Element Identification & Elicitation).
  • the self-adaptive learning engine 200 self-organizes a DNA mission using elements derived from the preprocessor 100 and uses a deep learning-based artificial neural network DNA model (DNA) by using a self-organized DNA mission. Self-constructed models and learn self-constructed DNA models.
  • the present invention includes a self-adaptive learning engine (200) that combines self-adaptive technology and deep learning-based learning technology to self-organize DNA mission and self-organize DNA model, thereby understanding the situation and identifying the mission by itself. Models can be used to effectively implement human brain mechanisms to solve situations.
  • the self-adaptive learning engine 200 may include a mission organization module 210, a model construction module 220, and a model learning module 230.
  • the mission organization module 210 may self-organize the DNA mission using elements derived from the preprocessor 100 (Self-Organization of DNA Mission). More specifically, the mission organization module 210 compares and evaluates elements input over time and elements within a predefined organization mission to organize and generate DNA missions that change over time. can do.
  • the mission is a mission of a predefined tissue, and the DNA missions are different from each other by the mission tissue module 210 of the present invention self-organizing.
  • the DNA mission self-organized by the mission organization module 210 may be a combination of blocks of organizations and chains. That is, the mission organization module 210 may organize a DNA mission by combining a block and a chain of tissue using a block chain combination technology.
  • the DNA mission may include a special DNA mission composed of a combination of chains.
  • the DNA mission may be composed of the sum of the mission modules, and the mission module may be a function of elements received from the preprocessor 100 and positions of organizations. At this time, the position of the organization member may be predetermined.
  • the model construction module 220 may self-compose a deep learning-based neural network DNA model using a self-organized DNA mission (Self-Composition of DNA Model). That is, the model construction module 220 may receive a DNA mission from the mission organization module 210 and construct an artificial neural network DNA model that can be learned on a deep learning basis. Since the DNA model self-constructed by the model constructing module 220 is constructed using a DNA mission self-organized by elements input over time, the DNA model may be a model that flexibly changes according to input data.
  • a self-organized DNA mission Self-Composition of DNA Model
  • the DNA model may be a combination of blocks of function and chains. That is, the model construction module 220 may organize a DNA model by combining a block and a chain of functions using a block chain combination technology.
  • model construction module 220 self-constructs a DNA model composed of the sum of the functional submodels, and the submodels of the elements and sequences of thoughts received from the preprocessor 100. It can be a function.
  • the model learning module 230 may self-learn a self-constructed DNA model (Self-Learning of DNA Model). That is, the model training module 230 may be configured to train the DNA model configured in the model construction module 220, and may learn through an artificial neural network technology, and may transfer the training result to the effector 300.
  • Self-Learning of DNA Model a self-constructed DNA model
  • the effector 300 may generate common software using the learning results of the self-adaptive learning engine 200. As shown in FIG. 1, effector 300 may comprise an understanding and scheduling module 310, a determination and prediction module 320, a recommendation and action module 330.
  • the understanding and scheduling module 310 may understand a given situation or identify intent, and provide scheduling to decision makers using the situation understanding or intention finding result (Understanding & Scheduling).
  • the determination and prediction module 320 may provide a determination and analysis result for a given situation and may predict and provide a possible situation (Decision & Prediction).
  • the recommendation and action module 330 may use the analysis result and the prediction result to recommend a decision about a given situation and provide an action accordingly (Recommendation & Action). To this end, the recommendation and action module 330 may receive an analysis result and a prediction result from the determination and prediction module 320.
  • FIG. 2 is a diagram illustrating a configuration further including a DNA tool 400 in an artificial intelligence platform using a deep learning-based self-adaptive learning technology according to an embodiment of the present invention.
  • the artificial intelligence platform using the deep learning-based self-adaptive learning technology according to an embodiment of the present invention may further include a DNA tool 400.
  • the DNA tool 400 may provide a plurality of tools to the preprocessor 100, the self-adaptive learning engine 200, and the effector 300. That is, the DNA tool 400 may provide a tool that helps the preprocessor 100, the self-adaptive learning engine 200, and the effector 300 perform their respective functions.
  • the DNA tool 400 includes a conversion tool 410 for converting unstructured data into text, an extraction tool 420 for extracting information, and a DNA mission self. It may include a combination tool (430) for connecting the blocks and chains required for self-organization of the tissue and DNA model.
  • the mission organization module 210, the model construction module 220 and the model learning module 230 are self-adaptation tools (Self-) to help self-organize the DNA mission, self-organization and self-learning the DNA model. * Tool) may be further included.
  • an artificial intelligence platform using deep learning-based self-adaptive learning technology includes resources and libraries 500, an operating system 600, middleware 700, and a business. And a plurality of layers further including a service 800.
  • the resource and library 500 may be a layer indicating a source and a type of input data (Resource & Library Layer).
  • the source of input data may be a machine, an organization, or a person.
  • Sources that produce the most input data may be machines, for example, aircraft, satellites, sensors, and the like, and may include various types of smart devices that are widely used in recent years.
  • data produced in an organization may refer to structured data, not unstructured data produced by humans.
  • Data originating from humans may include data produced on various social media such as Facebook, Google, and Twitter.
  • structured data may refer to data contained in a table of a relational database in a server or mainframe of a computer room in which data produced by an organization is stored.
  • unstructured data may be data such as an image, audio, video, text, or multimedia generated by a machine or a person.
  • the operating system 600 may be a layer indicating a type of operating system in which an artificial intelligence platform using deep learning based self-adaptive learning technology operates according to an embodiment of the present invention (OS Layer).
  • the artificial intelligence platform of the present invention may be a platform that operates in both a real time OS (RTOS), which is mainly used for a general operating system and an embedded system.
  • RTOS real time OS
  • the middleware 700 may be a software layer that connects a layer of the operating system 600 and a higher self-adaptive learning engine 200 or the like (middleware layer).
  • Agent runs an application on an operating system basis
  • Distributed supports the AI platform of the present invention to be used in a distributed computing environment
  • Communication & N / W indicates that the AI platform of the present invention is remote or networked.
  • Adaptation can support the AI platform of the present invention to be applicable to a system that is already developed and used.
  • the business and service 800 may be a layer representing a business field and a service field to which the artificial intelligence platform of the present invention may be applied (Business & Service Layer).
  • Artificial intelligence platform using deep learning-based self-adaptive learning technology according to an embodiment of the present invention, the government, institution, industry, individuals all fall into the business field, defense, science, finance, medical, navigation, combat, It can be applied to all service areas such as games, robots and security.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Image Analysis (AREA)

Abstract

본 발명에서 제안하고 있는 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼에 따르면, 구조화된 데이터 및 비구조화된 데이터를 전처리기에서 처리하여 요소를 도출하고, 자가 적응 학습 엔진에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 이펙터를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있다.

Description

딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼
본 발명은 인공지능 플랫폼에 관한 것으로서, 보다 구체적으로는 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼에 관한 것이다.
주어진 상황이나 진행되는 상황을 이해하고 분석해서 의사결정을 내리는 인간의 두뇌 메커니즘을 기술적으로 구현하기 위한 연구는 꾸준히 이루어지고 있다. 특히, 인공지능 기술에 대한 관심이 높아지면서, 인공 신경망을 기반으로 한 딥 러닝(Deep Learning)을 통해서 인공지능(Artificial Intelligence; AI) 기술이 비약적으로 발전하고 있다.
또한, 소프트웨어 공학에서는, 더 나은 사용자 경험을 위하여 사용자와 기기의 상황을 파악하고 맞춤화 된 사용자 서비스를 제공하려는 자가 적응 기술에 대한 요구가 증가하고 있으며, 다양한 분야에 적용되고 있다.
그러나 이러한 딥 러닝 기반의 학습 기술이나 인공신경망과 소프트웨어 공학의 자가 적응 기술을 결합시킨 자가 적응 학습 관련 연구는 거의 진행된 바가 없는 실정이다.
특히, 기존의 인공 신경망 기술이나 자가 적응 기술 등은, 인간의 두뇌 메커니즘을 효과적으로 구현할 수 없기 때문에 비구조화된 데이터의 처리가 어려운 한계가 있으며, 개별적인 분야에 특화되어 개발됨으로써, 다양한 상황에 적용이 어렵고 효율적이지 못한 한계가 있다.
한편, 본 발명과 관련된 선행기술로서, 등록특허 제10-1400636호(발명의 명칭: 사람처럼 생각하는 인공지능 알고리즘, 공고일자: 2014년 05월 30일), 공개특허 제10-1999-0044063호(발명의 명칭: 정보 통신망을 이용한 자가 적응 관리 서비스 제공 방법, 공개일자: 2001년 05월 07일) 등이 개시된 바 있다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 구조화된 데이터 및 비구조화된 데이터를 전처리기에서 처리하여 요소를 도출하고, 자가 적응 학습 엔진에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 이펙터를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은, 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 DNA 모델을 자가 구성하는 자가 적응 학습 엔진을 포함함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간 두뇌 메커니즘을 효과적으로 구현할 수 있는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼을 제공하는 것을 또 다른 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼은,
인공지능 플랫폼으로서,
입력 데이터를 처리하여 요소(Elements)를 도출하는 전처리기(Preprocessor);
상기 전처리기에서 도출된 요소를 이용하여 DNA 미션(DNA Mission)을 자가 조직하고, 상기 자가 조직된 DNA 미션을 이용하여 딥 러닝 기반의 인공신경망 DNA 모델(DNA Model)을 자가 구성하며, 상기 자가 구성된 DNA 모델을 학습시키는 자가 적응 학습 엔진(Self-Adaptive Learning Engine); 및
상기 자가 적응 학습 엔진의 학습 결과를 이용하여 공통 소프트웨어를 생성하는 이펙터(Effector)를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 전처리기는,
입력 데이터 중 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환하는 텍스트 변환 모듈;
상기 텍스트 변환 모듈에서 변환된 상기 텍스트 데이터로부터, 미션 수행을 위해 필요한 정보를 추출하는 정보 추출 모듈; 및
상기 추출된 정보로부터 상기 자가 적응 학습 엔진에 입력될 요소를 식별하여 도출하는 요소 도출 모듈을 포함할 수 있다.
바람직하게는, 상기 자가 적응 학습 엔진은,
상기 전처리기에서 도출된 요소를 이용하여 DNA 미션을 자가 조직하는 미션 조직 모듈;
상기 자가 조직된 DNA 미션을 이용하여, 딥 러닝 기반의 인공신경망 DNA 모델을 자가 구성하는 모델 구성 모듈; 및
상기 자가 구성된 DNA 모델을 자가 학습하는 모델 학습 모듈을 포함할 수 있다.
바람직하게는,
상기 DNA 미션은, 조직의 블록(Blocks of Organization)과 체인(Chains)의 콤비네이션이고,
상기 DNA 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션일 수 있다.
바람직하게는, 상기 이펙터는,
주어진 상황을 이해하거나 의도를 파악하고, 상황 이해 또는 의도 파악 결과를 이용해 의사결정권자에게 스케줄링을 제공하는 이해 및 스케줄링 모듈;
주어진 상황에 대한 판단 및 분석 결과를 제공하고, 발생 가능한 상황을 예측하여 제공하는 판단 및 예측 모듈; 및
분석 결과 및 예측 결과를 이용하여, 주어진 상황에 대한 의사결정을 추천하고 이에 따른 조치를 제공하는 추천 및 조치 모듈을 포함할 수 있다.
바람직하게는,
상기 전처리기, 자가 적응 학습 엔진 및 이펙터에 복수의 툴을 제공하는 DNA 툴을 더 포함할 수 있다.
더욱 바람직하게는, 상기 DNA 툴은,
비구조화된 데이터를 텍스트로 변환시키는 변환 툴(Conversion Tool), 정보를 추출하는 추출 툴(Extraction Tool), 및 DNA 미션의 자가 조직 및 DNA 모델의 자가 구성에 필요한 블록과 체인을 연결하는 콤비네이션 툴(Combination Tool)을 포함할 수 있다.
본 발명에서 제안하고 있는 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼에 따르면, 구조화된 데이터 및 비구조화된 데이터를 전처리기에서 처리하여 요소를 도출하고, 자가 적응 학습 엔진에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 이펙터를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있다.
또한, 본 발명에 따르면, 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 DNA 모델을 자가 구성하는 자가 적응 학습 엔진을 포함함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간 두뇌 메커니즘을 효과적으로 구현할 수 있다.
도 1은 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼의 구성을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼에서 DNA 툴을 더 포함하는 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼의 기술적인 전체 구성을 도시한 도면.
<부호의 설명>
100: 전처리기
110: 텍스트 변환 모듈
120: 정보 추출 모듈
130: 요소 도출 모듈
200: 자가 적응 학습 엔진
210: 미션 조직 모듈
220: 모델 구성 모듈
230: 모델 학습 모듈
300: 이펙터
310: 이해 및 스케줄링 모듈
320: 판단 및 예측 모듈
330: 추천 및 조치 모듈
400: DNA 툴
410: 변환 툴
420: 추출 툴
430: 콤비네이션 툴
440: 자가 적응 툴
500: 리소스 및 라이브러리
600: 운영체제
700: 미들웨어
800: 비즈니스 및 서비스
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼의 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼은, 전처리기(100), 자가 적응 학습 엔진(200) 및 이펙터(300)를 포함하여 구성될 수 있다.
즉, 본 발명에서 제안하고 있는 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼에 따르면, 구조화된 데이터 및 비구조화된 데이터를 전처리기(100)에서 처리하여 요소를 도출하고, 자가 적응 학습 엔진(200)에서 요소를 이용해 자가 적응 학습을 할 수 있으며, 학습 결과를 이용하는 이펙터(300)를 포함하여, 상황 이해 및 스케줄링, 의사결정 및 예측, 추천 및 상황 조치 등을 할 수 있는 시스템을 모듈식으로 제공할 수 있고, 다양한 상황에 맞는 시스템을 맞춤식으로 제공할 수 있다.
이하에서는, 도 1을 참조하여, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼을 구성하는 각 구성요소에 대하여 상세히 설명하도록 한다.
전처리기(100)는, 입력 데이터를 처리하여 요소(Elements)를 도출할 수 있다. 즉, 전처리기(100)는 구조화된 데이터 및 비구조화된 데이터를 포함하는 입력 데이터로부터 추후 상세히 설명할 자가 적응 학습 엔진(200)의 입력 정보인 요소를 도출할 수 있다. 전처리기(100)는, 텍스트 변환 모듈(110), 정보 추출 모듈(120) 및 요소 도출 모듈(130)을 포함하여 구성될 수 있다.
텍스트 변환 모듈(110)은, 입력 데이터 중 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환할 수 있다(Text Conversion). 특히, 텍스트 변환 모듈(110)은, 이미지, 영상, 음성을 포함하는 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환할 수 있다.
정보 추출 모듈(120)은, 텍스트 변환 모듈(110)에서 변환된 텍스트 데이터로부터, 미션 수행을 위해 필요한 정보를 추출할 수 있다(Information Extraction). 또한, 정보 추출 모듈(120)은, 텍스트 변환 모듈(110)에서의 변환 대상이 아닌, 텍스트 형태의 입력 데이터로부터도 필요한 정보를 추출할 수 있다.
요소 도출 모듈(130)은, 추출된 정보로부터 자가 적응 학습 엔진(200)에 입력될 요소를 식별하여 도출할 수 있다(Element Identification & Elicitation).
자가 적응 학습 엔진(200)은, 전처리기(100)에서 도출된 요소를 이용하여 DNA 미션(DNA Mission)을 자가 조직하고, 자가 조직된 DNA 미션을 이용하여 딥 러닝 기반의 인공신경망 DNA 모델(DNA Model)을 자가 구성하며, 자가 구성된 DNA 모델을 학습시킬 수 있다. 본 발명은, 자가 적응 기술과 딥 러닝 기반의 학습 기술을 결합하여, DNA 미션을 자가 조직하고 DNA 모델을 자가 구성하는 자가 적응 학습 엔진(200)을 포함함으로써, 상황을 이해해서 스스로 미션을 파악하고 모델을 만들어 상황을 해결하는 인간 두뇌 메커니즘을 효과적으로 구현할 수 있다. 도 1에 도시된 바와 같이, 자가 적응 학습 엔진(200)은, 미션 조직 모듈(210), 모델 구성 모듈(220) 및 모델 학습 모듈(230)을 포함하여 구성될 수 있다.
미션 조직 모듈(210)은, 전처리기(100)에서 도출된 요소를 이용하여 DNA 미션을 자가 조직할 수 있다(Self-Organization of DNA Mission). 보다 구체적으로는, 미션 조직 모듈(210)은, 시간의 흐름에 따라 입력되는 요소와 미리 정의된 조직의 미션 내 요소를 비교 및 평가하여, 시간의 흐름에 따라 변화하는 DNA 미션을 스스로 조직해서 생성할 수 있다. 여기에서, 미션은 미리 정의된 조직의 미션이고, DNA 미션은 본 발명의 미션 조직 모듈(210)이 자가 조직하는 미션으로 서로 상이하다.
한편, 미션 조직 모듈(210)이 자가 조직하는 DNA 미션은, 조직의 블록(Blocks of Organization)과 체인(Chains)의 콤비네이션일 수 있다. 즉, 미션 조직 모듈(210)은, 블록체인 콤비네이션(Block Chain Combination) 기술을 이용하여, 조직의 블록과 체인을 조합하여 DNA 미션을 조직할 수 있다. 또한, 실시예에 따라서는, DNA 미션은, 체인(Chains)의 콤비네이션으로 구성되는 특수 DNA 미션(Special DNA Mission)을 포함할 수 있다.
또한, DNA 미션은, 미션 모듈의 합으로 구성될 수 있으며, 미션 모듈은 전처리기(100)로부터 전달받은 요소와 조직 구성원의 포지션(Positions of Organization)의 함수일 수 있다. 이때, 조직 구성원의 포지션은 미리 정해질 수 있다.
모델 구성 모듈(220)은, 자가 조직된 DNA 미션을 이용하여, 딥 러닝 기반의 인공신경망 DNA 모델을 자가 구성할 수 있다(Self-Composition of DNA Model). 즉, 모델 구성 모듈(220)은, 미션 조직 모듈(210)로부터 DNA 미션을 전달받아, 딥 러닝 기반으로 학습할 수 있는 인공신경망 DNA 모델을 스스로 구성해서 만들 수 있다. 모델 구성 모듈(220)에 의해 자가 구성되는 DNA 모델은, 시간의 흐름에 따라 입력되는 요소에 의해 자가 조직된 DNA 미션을 이용해 구성되기 때문에, 입력 데이터에 따라 유연하게 변화하는 모델일 수 있다.
DNA 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션일 수 있다. 즉, 모델 구성 모듈(220)은, 블록체인 콤비네이션(Block Chain Combination) 기술을 이용하여, 기능의 블록과 체인을 조합하여 DNA 모델을 조직할 수 있다.
또한, 모델 구성 모듈(220)은, 기능적 하위 모델(Functional Submodel)의 합으로 구성되는 DNA 모델을 자가 구성하며, 하위 모델은 전처리기(100)로부터 전달받은 요소와 사고 시퀀스(Sequences of Thought)의 함수일 수 있다.
모델 학습 모듈(230)은, 자가 구성된 DNA 모델을 자가 학습할 수 있다(Self-Learning of DNA Model). 즉, 모델 학습 모듈(230)은, 모델 구성 모듈(220)에서 구성된 DNA 모델을 학습시키는 구성으로서, 인공 신경망 기술을 통해 학습을 할 수 있으며, 학습 결과를 이펙터(300)에 전달할 수 있다.
이펙터(300)는, 자가 적응 학습 엔진(200)의 학습 결과를 이용하여 공통 소프트웨어를 생성할 수 있다. 도 1에 도시된 바와 같이, 이펙터(300)는 이해 및 스케줄링 모듈(310), 판단 및 예측 모듈(320), 추천 및 조치 모듈(330)을 포함하여 구성될 수 있다.
이해 및 스케줄링 모듈(310)은, 주어진 상황을 이해하거나 의도를 파악하고, 상황 이해 또는 의도 파악 결과를 이용해 의사결정권자에게 스케줄링을 제공할 수 있다(Understanding & Scheduling).
판단 및 예측 모듈(320)은, 주어진 상황에 대한 판단 및 분석 결과를 제공하고, 발생 가능한 상황을 예측하여 제공할 수 있다(Decision & Prediction).
추천 및 조치 모듈(330)은, 분석 결과 및 예측 결과를 이용하여, 주어진 상황에 대한 의사결정을 추천하고 이에 따른 조치를 제공할 수 있다(Recommendation & Action). 이를 위해, 추천 및 조치 모듈(330)은, 판단 및 예측 모듈(320)로부터 분석 결과 및 예측 결과를 전달받을 수 있다.
도 2는 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼에서 DNA 툴(400)을 더 포함하는 구성을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼은, DNA 툴(400)을 더 포함하여 구성될 수 있다.
DNA 툴(400)은, 전처리기(100), 자가 적응 학습 엔진(200) 및 이펙터(300)에 복수의 툴을 제공할 수 있다. 즉, DNA 툴(400)은, 전처리기(100), 자가 적응 학습 엔진(200) 및 이펙터(300)가 각각의 기능을 수행하는 데에 도움을 주는 툴을 제공할 수 있다.
보다 구체적으로는, DNA 툴(400)은, 비구조화된 데이터를 텍스트로 변환시키는 변환 툴(Conversion Tool)(410), 정보를 추출하는 추출 툴(Extraction Tool)(420), 및 DNA 미션의 자가 조직 및 DNA 모델의 자가 구성에 필요한 블록과 체인을 연결하는 콤비네이션 툴(Combination Tool)(430)을 포함할 수 있다. 또한, 미션 조직 모듈(210), 모델 구성 모듈(220) 및 모델 학습 모듈(230)이, DNA 미션을 자가 조직, DNA 모델을 자가 구성 및 자가 학습할 수 있도록 도움을 주는 자가 적응 툴(Self-* Tool)(440)을 더 포함하여 구성될 수 있다.
도 3은 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼의 기술적인 전체 구성을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼은, 리소스 및 라이브러리(500), 운영체제(600), 미들웨어(700), 및 비즈니스 및 서비스(800)를 더 포함하는 복수의 레이어를 더 포함하여 구성될 수 있다.
리소스 및 라이브러리(500)는, 입력 데이터의 원천과 종류를 나타내는 계층일 수 있다(Resource & Library Layer). 입력 데이터의 출처는 기계(Machine), 조직(Organization), 사람(People)일 수 있다. 가장 많은 입력 데이터를 생산하는 출처는 기계일 수 있는데, 예를 들어, 항공기, 위성, 센서 등이 있을 수 있으며, 최근 널리 사용되고 있는 다양한 형태의 스마트 디바이스가 포함될 수 있다. 또한, 조직에서 생산되는 데이터는, 사람에 의해 생산되는 비구조화된 데이터가 아니고 구조화된 데이터를 의미할 수 있다. 사람을 출처로 하는 데이터는, 페이스북, 구글, 트위터 등 각종 소셜 미디어에서 생산되는 데이터를 포함할 수 있다.
도 3에 도시된 바와 같이, 구조화된 데이터(Structured Data)는 주로 조직에 의해 생산되는 데이터가 저장된 전산실의 서버나 메인프레임에 관계형 데이터베이스의 테이블 형태로 들어있는 데이터를 의미할 수 있다. 또한, 비구조화된 데이터(Unstructured Data)는 기계나 사람에 의해 발생되는 이미지, 음성, 영상, 텍스트, 멀티미디어 등의 데이터일 수 있다.
운영체제(600)는, 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼이 동작되는 운영체제의 종류를 나타내는 계층일 수 있다(OS Layer). 본 발명의 인공지능 플랫폼은 일반 운영체제와 임베디드 시스템에 주로 사용되는 실시간 운영체제(Real Time OS; RTOS)에서 모두 동작되는 플랫폼일 수 있다.
미들웨어(700)는, 운영체제(600)와 상위의 자가 적응 학습 엔진(200) 등의 계층을 연결시켜주는 소프트웨어 계층일 수 있다(Middleware Layer). 에이전트(Agent)는 애플리케이션을 운영체제 기반 위에서 동작시켜주고, Distributed는 본 발명의 인공지능 플랫폼이 분산 컴퓨팅 환경에서 사용될 수 있도록 지원하며, Communication & N/W는 본 발명의 인공지능 플랫폼이 원격이나 네트워크 환경 하에서 사용 가능하도록 지원하는 통신 및 네트워크 소프트웨어일 수 있다. 또한, Adaptation은 본 발명의 인공지능 플랫폼이 이미 개발되어 사용되고 있는 시스템에 적용 가능하도록 지원할 수 있다.
비즈니스 및 서비스(800)는, 본 발명의 인공지능 플랫폼이 적용될 수 있는 비즈니스 분야와 서비스 분야를 나타내는 계층일 수 있다(Business & Service Layer). 본 발명의 일실시예에 따른 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼은, 정부 및 기관, 산업체, 개인 모두가 비즈니스 분야에 해당되고, 국방, 과학, 금융, 의료, 항법, 전투, 게임, 로봇, 보안 등 모든 서비스 분야에 적용될 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.

Claims (7)

  1. 인공지능 플랫폼으로서,
    입력 데이터를 처리하여 요소(Elements)를 도출하는 전처리기 (Preprocessor)(100);
    상기 전처리기(100)에서 도출된 요소를 이용하여 DNA 미션(DNA Mission)을 자가 조직하고, 상기 자가 조직된 DNA 미션을 이용하여 딥 러닝 기반의 인공신경망 DNA 모델(DNA Model)을 자가 구성하며, 상기 자가 구성된 DNA 모델을 학습시키는 자가 적응 학습 엔진(Self-Adaptive Learning Engine)(200); 및
    상기 자가 적응 학습 엔진(200)의 학습 결과를 이용하여 공통 소프트웨어를 생성하는 이펙터(Effector)(300)를 포함하는 것을 특징으로 하는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼.
  2. 제1항에 있어서, 상기 전처리기(100)는,
    입력 데이터 중 텍스트를 제외한 비구조화된 데이터를 텍스트 데이터로 변환하는 텍스트 변환 모듈(110);
    상기 텍스트 변환 모듈(110)에서 변환된 상기 텍스트 데이터로부터, 미션 수행을 위해 필요한 정보를 추출하는 정보 추출 모듈(120); 및
    상기 추출된 정보로부터 상기 자가 적응 학습 엔진(200)에 입력될 요소를 식별하여 도출하는 요소 도출 모듈(130)을 포함하는 것을 특징으로 하는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼.
  3. 제1항에 있어서, 상기 자가 적응 학습 엔진(200)은,
    상기 전처리기(100)에서 도출된 요소를 이용하여 DNA 미션을 자가 조직하는 미션 조직 모듈(210);
    상기 자가 조직된 DNA 미션을 이용하여, 딥 러닝 기반의 인공신경망 DNA 모델을 자가 구성하는 모델 구성 모듈(220); 및
    상기 자가 구성된 DNA 모델을 자가 학습하는 모델 학습 모듈(230)을 포함하는 것을 특징으로 하는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼.
  4. 제1항에 있어서,
    상기 DNA 미션은, 조직의 블록(Blocks of Organization)과 체인(Chains)의 콤비네이션이고,
    상기 DNA 모델은, 기능 블록(Blocks of Function)과 체인(Chains)의 콤비네이션인 것을 특징을 하는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼.
  5. 제1항에 있어서, 상기 이펙터(300)는,
    주어진 상황을 이해하거나 의도를 파악하고, 상황 이해 또는 의도 파악 결과를 이용해 의사결정권자에게 스케줄링을 제공하는 이해 및 스케줄링 모듈(310);
    주어진 상황에 대한 판단 및 분석 결과를 제공하고, 발생 가능한 상황을 예측하여 제공하는 판단 및 예측 모듈(320); 및
    분석 결과 및 예측 결과를 이용하여, 주어진 상황에 대한 의사결정을 추천하고 이에 따른 조치를 제공하는 추천 및 조치 모듈(330)을 포함하는 것을 특징으로 하는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼.
  6. 제1항에 있어서,
    상기 전처리기(100), 자가 적응 학습 엔진(200) 및 이펙터(300)에 복수의 툴을 제공하는 DNA 툴(400)을 더 포함하는 것을 특징으로 하는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼.
  7. 제6항에 있어서, 상기 DNA 툴(400)은,
    비구조화된 데이터를 텍스트로 변환시키는 변환 툴(Conversion Tool)(410), 정보를 추출하는 추출 툴(Extraction Tool)(420), 및 DNA 미션의 자가 조직 및 DNA 모델의 자가 구성에 필요한 블록과 체인을 연결하는 콤비네이션 툴(Combination Tool)(430)을 포함하는 것을 특징으로 하는, 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼.
PCT/KR2017/002339 2017-01-20 2017-03-03 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 WO2018135696A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0010079 2017-01-20
KR20170010079 2017-01-20

Publications (1)

Publication Number Publication Date
WO2018135696A1 true WO2018135696A1 (ko) 2018-07-26

Family

ID=60387342

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/002339 WO2018135696A1 (ko) 2017-01-20 2017-03-03 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼

Country Status (2)

Country Link
KR (1) KR101787613B1 (ko)
WO (1) WO2018135696A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190060021A (ko) * 2017-11-23 2019-06-03 주식회사 모다 맞춤형 지능시스템 및 그 동작방법
KR102077384B1 (ko) 2017-12-31 2020-02-13 주식회사 포스코아이씨티 실시간 학습과 호출을 위한 인공지능 시스템 및 그 처리 방법
KR102503757B1 (ko) * 2018-04-03 2023-02-23 엘지전자 주식회사 각각의 인공지능을 탑재한 복수의 로봇을 포함하는 로봇 시스템
KR102236298B1 (ko) * 2018-05-18 2021-04-05 박병훈 빅데이터 기반의 인공지능 통합 플랫폼 시스템
KR102236302B1 (ko) * 2018-05-18 2021-04-05 박병훈 빅데이터 기반의 인공지능 통합 플랫폼 서비스 방법
KR102191773B1 (ko) * 2018-08-31 2020-12-16 한국전자통신연구원 레고형 딥러닝 학습엔진 생성 장치 및 방법
KR20200057298A (ko) 2018-11-16 2020-05-26 (주)매직에코 인공지능 학습 플랫폼 및 이를 이용한 교육용 컨텐츠 제공 시스템 및 방법
KR102175187B1 (ko) 2018-12-26 2020-11-06 한국건설기술연구원 복합재난 취약 건축물의 보강전략을 위한 구조성능 데이터베이스 구축 시스템 및 그 방법
KR20200087298A (ko) 2018-12-28 2020-07-21 주식회사 라스테크 딥러닝 기반의 학습 클라우드 플랫폼을 이용하는 로봇용 인공지능 컴퓨팅 플랫폼 시스템
CN109543359B (zh) * 2019-01-18 2023-01-06 李燕清 一种基于物联网大数据的人工智能包装设计方法及系统
CN110147712A (zh) * 2019-03-27 2019-08-20 苏州书客贝塔软件科技有限公司 一种行人分析智能云平台
WO2020256339A1 (ko) * 2019-06-18 2020-12-24 삼성전자주식회사 전자 장치 및 이의 제어 방법
KR20210084025A (ko) 2019-12-27 2021-07-07 주식회사 라스테크 딥러닝 기반의 학습 클라우드 플랫폼을 이용하는 로봇용 인공지능 컴퓨팅 플랫폼

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003317073A (ja) * 2002-04-24 2003-11-07 Fuji Xerox Co Ltd ニューラルネットワーク処理装置
JP2005182449A (ja) * 2003-12-19 2005-07-07 Takumi Ichimura ニューラルネットワークによるデータベース解析装置
KR20060076839A (ko) * 2004-12-29 2006-07-05 학교법인 대양학원 상황인식 서비스를 제공하는 장치 및 방법
KR20070043126A (ko) * 2005-10-20 2007-04-25 (주)아라게이트 게임용 인공지능 엔진시스템
KR101607209B1 (ko) * 2014-10-16 2016-03-30 아주대학교산학협력단 온톨로지를 이용한 자가적응시스템 및 자가적응방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008041085A (ja) * 2006-07-14 2008-02-21 Pacific Technos Corp 環境に対して自律的に適応する自律適応型システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003317073A (ja) * 2002-04-24 2003-11-07 Fuji Xerox Co Ltd ニューラルネットワーク処理装置
JP2005182449A (ja) * 2003-12-19 2005-07-07 Takumi Ichimura ニューラルネットワークによるデータベース解析装置
KR20060076839A (ko) * 2004-12-29 2006-07-05 학교법인 대양학원 상황인식 서비스를 제공하는 장치 및 방법
KR20070043126A (ko) * 2005-10-20 2007-04-25 (주)아라게이트 게임용 인공지능 엔진시스템
KR101607209B1 (ko) * 2014-10-16 2016-03-30 아주대학교산학협력단 온톨로지를 이용한 자가적응시스템 및 자가적응방법

Also Published As

Publication number Publication date
KR101787613B1 (ko) 2017-11-15

Similar Documents

Publication Publication Date Title
WO2018135696A1 (ko) 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼
WO2017213398A1 (en) Learning model for salient facial region detection
WO2020122669A1 (en) Distributed training of machine learning models for personalization
WO2019088313A1 (ko) 딥러닝을 이용한 암호화 방법
WO2017164478A1 (ko) 미세 얼굴 다이나믹의 딥 러닝 분석을 통한 미세 표정 인식 방법 및 장치
WO2011136425A1 (ko) 개체명 사전 및 마이닝 규칙이 결합된 온톨로지 스키마를 이용한 리소스 기술 프레임워크 네트워크 구축 장치 및 방법
WO2021153971A1 (ko) 비식별화된 이미지를 이용한 신경망 학습 방법 및 이를 제공하는 서버
WO2014106979A1 (ko) 통계적 음성 언어 이해 방법
WO2021095987A1 (ko) 다중타입 엔티티에 기반한 지식 보완 방법 및 장치
WO2022039318A1 (ko) 비식별화 영상 데이터를 이용한 인공지능 학습 방법 및 시스템
WO2015129983A1 (ko) 분산 퍼지 연관 규칙 마이닝에 기반한 영화 추천 장치 및 방법
WO2021215710A1 (en) Method for preventing breach of original data for deep learning and data breach preventing device using them
EP3642763A1 (en) System and method for neural networks
WO2023096445A1 (en) Method for generating obfuscated image to be used in training learning network and labeling device using the same
WO2022146050A1 (ko) 우울증 진단을 위한 인공지능 연합학습 방법 및 시스템
WO2018212584A2 (ko) 딥 뉴럴 네트워크를 이용하여 문장이 속하는 클래스를 분류하는 방법 및 장치
WO2022025537A1 (ko) 데이터관리컴퓨터, 데이터관리컴퓨터를 포함한 데이터보안시스템 및 데이터보안방법
WO2019240330A1 (ko) 영상 기반 힘 예측 시스템 및 그 방법
WO2018131749A1 (ko) 딥 러닝 기반의 자가 적응 학습 엔진 모듈
WO2022139325A1 (ko) 과적합 없는 단일 신경망 기반 다중 도메인 적응 학습을 위한 컴퓨터 시스템, 및 그의 방법
WO2021091052A1 (ko) 가중 퍼지 소속함수 기반 심층 신경망을 통한 하위 패턴 학습 및 세부 학습을 이용한 클래스 분류 방법 및 장치
WO2022097805A1 (ko) 이상 이벤트 탐지 방법, 장치 및 시스템
WO2022050477A1 (ko) 클라우드 기반 딥러닝 작업의 수행시간 예측 시스템 및 방법
WO2022004970A1 (ko) 신경망 기반의 특징점 학습 장치 및 방법
WO2021132831A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업자 및 검수자의 증감 운영 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17892637

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 281019)

122 Ep: pct application non-entry in european phase

Ref document number: 17892637

Country of ref document: EP

Kind code of ref document: A1