WO2020116766A1 - 데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법 - Google Patents

데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법 Download PDF

Info

Publication number
WO2020116766A1
WO2020116766A1 PCT/KR2019/013146 KR2019013146W WO2020116766A1 WO 2020116766 A1 WO2020116766 A1 WO 2020116766A1 KR 2019013146 W KR2019013146 W KR 2019013146W WO 2020116766 A1 WO2020116766 A1 WO 2020116766A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
electronic device
data
prediction model
input
Prior art date
Application number
PCT/KR2019/013146
Other languages
English (en)
French (fr)
Inventor
김승년
민황기
정미현
정민성
정우철
허창룡
Original Assignee
삼성전자 주식회사
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 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Publication of WO2020116766A1 publication Critical patent/WO2020116766A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/45—Structures or tools for the administration of authentication

Definitions

  • Various embodiments disclosed in this document are related to a technique of generating a user prediction model for identifying a user by learning external data, and identifying a user corresponding to the input data using the generated user prediction model.
  • electronic devices may recognize or identify a user using a method other than a method of authenticating a user by inputting a password.
  • electronic devices such as a smart phone or a tablet may identify a user corresponding to the input voice or image when receiving voice or recognizing an image. Accordingly, an electronic device can be used without a user having to touch the keyboard, the touch pen, or directly.
  • the electronic device may receive voice or video data to perform an authentication function for identifying a user.
  • the electronic device may recognize or identify the user based on the input voice or video data. For example, the electronic device may identify who the current user is by comparing information associated with the registered user with input voice or video data.
  • the electronic device must identify a user to perform an authentication function and provide a customized service to the authenticated user. However, the operation of identifying the user is performed while the electronic device and the user are adjacent to each other. Since the electronic device cannot first identify the user outside a certain range, it is not easy for the electronic device to provide a customized service.
  • a result of an authentication function performed for user identification is provided as a correct answer to solve the above-described problem, and collected data is collected using a user prediction model that is learned by applying collected data as an input. It is an object to provide an electronic device that can identify a user using one data.
  • the method for generating a user prediction model collects voice data or image data from a sensor module and stores the collected data, and performs a user identification or authentication function. An operation, an operation of applying the collected data as an input, a result of the user identification or the authentication function as a target value, and an operation of generating the user prediction model based on the input and the target value .
  • an electronic device to which a user prediction model according to an embodiment disclosed in the present disclosure is applied includes a sensing module, a communication module, a memory, and a processor operatively connected to the sensing module, the communication module, and the memory , Collects data generated by a user spaced a first distance from the electronic device using the sensing module, and identifies a user spaced a second distance shorter than the first distance from the electronic device ) Or performs an authentication function, assigns the result of the user identification or the authentication function as a target value, and predicts a user by inputting data generated in a situation that is temporally or spatially related to the authentication function among the data as an input A model may be generated, and the user may be identified at the first distance using the user prediction model.
  • the method for applying a user prediction model includes collecting data such as video data or audio data, determining whether the collected data is valid data, and determining the collected data according to the determination result. And inputting the collected data into the user prediction model to identify a user in advance, and providing a customized service corresponding to the identified user.
  • the collected data includes voice data such as footsteps and peripheral operation sounds. Or it may be video data such as hairstyle, body shape, gait, and clothing.
  • an electronic device to which a user prediction model is applied may receive data and identify a user first outside a certain range.
  • a user-customized model for user-related data obtained prior to performing user authentication may be generated and utilized to provide a faster customized service.
  • a user prediction model trained by inputting collected data as an input and giving a result of an authentication function as a correct answer may be used to identify a user using the collected data. Accordingly, data that has not been utilized in the past can be used to generate a usable model such as a prediction service or a customized service.
  • a user prediction model associated with a user may be continuously taught and trained by giving a user authentication result as a target value of learning.
  • FIG. 1 illustrates an electronic device in a network environment according to various embodiments of the present disclosure.
  • 2A is a diagram illustrating generating a model for identifying each of users by learning data according to an embodiment.
  • 2B is a diagram illustrating machine learning applied to a user prediction model according to an embodiment.
  • FIG. 3 is a flowchart illustrating generating a user prediction model by learning data according to an embodiment.
  • FIG. 4 is a flowchart illustrating generating a user prediction model according to another embodiment.
  • 5A is a flowchart illustrating generating a user prediction model according to another embodiment.
  • 5B is a view showing an operation of assigning a new target value.
  • FIG. 6 is a flowchart for verifying a user prediction model according to an embodiment.
  • FIG. 7 is a diagram illustrating that an electronic device identifies a user using a user prediction model according to an embodiment.
  • FIG. 8 is a diagram illustrating generating and learning a user prediction model used by an electronic device according to an embodiment.
  • FIG. 9 is a diagram illustrating that an electronic device provides a service using a user prediction model according to an embodiment.
  • FIG. 10 is a diagram illustrating that an electronic device generates and learns a user prediction model according to another embodiment.
  • 11 is a block diagram showing an integrated intelligent system according to an embodiment.
  • FIG. 12 is a diagram illustrating a concept action network in which relationship information between a concept and an action according to an embodiment is stored in a database.
  • FIG. 13 is a diagram illustrating a hardware structure of an electronic device according to an embodiment.
  • FIG. 14 is a diagram illustrating a software structure of an electronic device according to an embodiment.
  • the electronic device 101 communicates with the electronic device 102 through the first network 198 (eg, a short-range wireless communication network), or the second network 199. It may communicate with the electronic device 104 or the server 108 through (eg, a remote wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108.
  • the first network 198 eg, a short-range wireless communication network
  • the server 108 e.g, a remote wireless communication network
  • the electronic device 101 may communicate with the electronic device 104 through the server 108.
  • the electronic device 101 includes a processor 120, a memory 130, an input device 150, an audio output device 155, a display device 160, an audio module 170, a sensor module ( 176), interface 177, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196, or antenna module 197 ).
  • the components for example, the display device 160 or the camera module 180
  • the sensor module 176 eg, fingerprint sensor, iris sensor, or illuminance sensor
  • the display device 160 eg, display.
  • the processor 120 executes software (eg, the program 140) to execute at least one other component (eg, hardware or software component) of the electronic device 101 connected to the processor 120. It can be controlled and can perform various data processing or operations. According to one embodiment, as at least a part of data processing or computation, the processor 120 may receive instructions or data received from other components (eg, the sensor module 176 or the communication module 190) in the volatile memory 132. Loaded into, process instructions or data stored in volatile memory 132, and store result data in non-volatile memory 134.
  • software eg, the program 140
  • the processor 120 may receive instructions or data received from other components (eg, the sensor module 176 or the communication module 190) in the volatile memory 132. Loaded into, process instructions or data stored in volatile memory 132, and store result data in non-volatile memory 134.
  • the processor 120 includes a main processor 121 (eg, a central processing unit or an application processor), and an auxiliary processor 123 (eg, a graphics processing unit, an image signal processor) that can be operated independently or together. , Sensor hub processor, or communication processor). Additionally or alternatively, the coprocessor 123 may be set to use less power than the main processor 121, or to be specialized for a designated function. The coprocessor 123 may be implemented separately from the main processor 121 or as part of it.
  • a main processor 121 eg, a central processing unit or an application processor
  • an auxiliary processor 123 eg, a graphics processing unit, an image signal processor
  • the coprocessor 123 may be set to use less power than the main processor 121, or to be specialized for a designated function.
  • the coprocessor 123 may be implemented separately from the main processor 121 or as part of it.
  • the coprocessor 123 may replace, for example, the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or the main processor 121 may be active (eg, execute an application) ) With the main processor 121 while in the state, at least one of the components of the electronic device 101 (for example, the display device 160, the sensor module 176, or the communication module 190) It can control at least some of the functions or states associated with.
  • the coprocessor 123 eg, image signal processor or communication processor
  • may be implemented as part of other functionally relevant components eg, camera module 180 or communication module 190). have.
  • the memory 130 may store various data used by at least one component of the electronic device 101 (eg, the processor 120 or the sensor module 176).
  • the data may include, for example, software (eg, the program 140) and input data or output data for commands related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134.
  • the program 140 may be stored as software in the memory 130, and may include, for example, an operating system 142, middleware 144, or an application 146.
  • the input device 150 may receive commands or data to be used for components (eg, the processor 120) of the electronic device 101 from outside (eg, a user) of the electronic device 101.
  • the input device 150 may include, for example, a microphone, mouse, keyboard, or digital pen (eg, a stylus pen).
  • the audio output device 155 may output an audio signal to the outside of the electronic device 101.
  • the audio output device 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback, and the receiver can be used to receive an incoming call.
  • the receiver may be implemented separately from, or as part of, the speaker.
  • the display device 160 may visually provide information to the outside of the electronic device 101 (eg, a user).
  • the display device 160 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the device.
  • the display device 160 may include a touch circuitry configured to sense a touch, or a sensor circuit configured to measure the strength of the force generated by the touch (eg, a pressure sensor). have.
  • the audio module 170 may convert sound into an electrical signal, or vice versa. According to one embodiment, the audio module 170 acquires sound through the input device 150, or an external electronic device (eg, directly or wirelessly connected to the sound output device 155 or the electronic device 101) Sound may be output through the electronic device 102 (eg, speakers or headphones).
  • an external electronic device eg, directly or wirelessly connected to the sound output device 155 or the electronic device 101
  • Sound may be output through the electronic device 102 (eg, speakers or headphones).
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the detected state can do.
  • the sensor module 176 includes, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an infrared (IR) sensor, a biological sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more designated protocols that can be used for the electronic device 101 to directly or wirelessly connect to an external electronic device (eg, the electronic device 102).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card interface
  • audio interface audio interface
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert electrical signals into mechanical stimuli (eg, vibration or movement) or electrical stimuli that the user can perceive through tactile or motor sensations.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and videos. According to one embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101.
  • the power management module 188 may be implemented, for example, as at least part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101.
  • the battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishing and performing communication through the established communication channel.
  • the communication module 190 operates independently of the processor 120 (eg, an application processor) and may include one or more communication processors supporting direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg : Local area network (LAN) communication module, or power line communication module.
  • a wireless communication module 192 eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • LAN Local area network
  • Corresponding communication module among these communication modules includes a first network 198 (for example, a short-range communication network such as Bluetooth, WiFi direct, or infrared data association (IrDA)) or a second network 199 (for example, a cellular network, the Internet, or It may communicate with external electronic devices through a computer network (eg, a telecommunication network such as a LAN or WAN).
  • a computer network eg, a telecommunication network such as
  • the wireless communication module 192 uses a subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199.
  • IMSI International Mobile Subscriber Identifier
  • the antenna module 197 may transmit a signal or power to the outside (eg, an external electronic device) or receive it from the outside.
  • the antenna module may include a single antenna including a conductor formed on a substrate (eg, a PCB) or a radiator made of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas. In this case, at least one antenna suitable for a communication method used in a communication network, such as the first network 198 or the second network 199, is transmitted from the plurality of antennas by, for example, the communication module 190. Can be selected.
  • the signal or power may be transmitted or received between the communication module 190 and an external electronic device through the at least one selected antenna.
  • other components eg, RFIC
  • other than the radiator may be additionally formed as part of the antenna module 197.
  • peripheral devices for example, a bus, a general purpose input and output (GPIO), a serial peripheral interface (SPI), or a mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199.
  • Each of the electronic devices 102 and 104 may be the same or a different type of device from the electronic device 101.
  • all or some of the operations performed on the electronic device 101 may be performed on one or more external devices of the external electronic devices 102, 104, or 108.
  • the electronic device 101 can execute the function or service itself.
  • one or more external electronic devices may be requested to perform at least a portion of the function or the service.
  • the one or more external electronic devices receiving the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and deliver the result of the execution to the electronic device 101.
  • the electronic device 101 may process the result, as it is or additionally, and provide it as at least part of a response to the request.
  • cloud computing, distributed computing, or client-server computing technology can be used, for example.
  • FIG. 2A is a diagram 200 illustrating learning a data 210 according to an embodiment to generate a model that identifies each of the users 201 and 202.
  • the users 201 and 202 may be located in the first area A1.
  • the users 201 and 202 may include a first user 201 and a second user 202.
  • the first user 201 may generate data 210.
  • the data 210 may be information including characteristics that can identify or predict the first user 201.
  • the data 210 may include at least one of a footstep 211, a body shape 212, and a gait 213.
  • the first user 201 and the second user 202 may generate information having different characteristics.
  • the electronic device 101 may be located in the second area A2.
  • the second area A2 may be an area spaced apart from the first area A1 by a specified distance.
  • the electronic device 101 may be spaced apart from the first user 201 by a first distance D1.
  • the first distance D1 may be longer than a distance at which the electronic device 101 can perform an authentication function for user identification.
  • the electronic device 101 may receive data 210 generated by the first user 201 separated by a first distance D1.
  • the electronic device 101 may collect data 210 generated by the first user 201 in real time.
  • the first user 201 may change the location.
  • the first user 201 may move to the second area A2 in which the electronic device 101 is located.
  • the first user 201 may change the position so that the electronic device 101 and the first user 201 are spaced apart by a second distance D2.
  • the second distance D2 may be a distance shorter than the first distance D1.
  • the second distance D2 may be a distance that the electronic device 101 can perform an authentication function.
  • the electronic device 101 may perform an authentication function with respect to the moved first user 201.
  • the authentication function may include an authentication function that compares whether the information acquired by the electronic device 101 from the first user 201 matches information registered in the electronic device 101.
  • the electronic device 101 acquires an image 221 such as a face or iris of the moved first user 201 to perform vision recognition, and the first user 201 in which the image 221 is registered
  • the first user 201 may be authenticated by determining whether it matches the image data of.
  • the electronic device 101 acquires the voice 222 spoken by the moved first user 201 to perform speech recognition, and the voice data of the first user 201 in which the voice 222 is registered.
  • the first user 201 may be authenticated by determining whether it matches.
  • the electronic device 101 may generate a model for learning the collected data 210.
  • the electronic device 101 can predict the user using the generated model.
  • the model generated by the electronic device 101 may be referred to as a user prediction model.
  • the electronic device 101 may assign a result of an operation of authenticating a user using an authentication function as a target value to the user prediction model.
  • the electronic device 101 may give a label or tag of machine learning based on the authentication result.
  • Machine learning may be an algorithm including at least one of various machine learning algorithms, such as deep learning, a Gaussian mixture model (GMM), a support vector machine (SVM), and a random forest.
  • the label may be a name or classification (eg, user 1, user 2, or administrator) for the collected data 210.
  • the electronic device 101 may provide data 210 generated in a situation that is temporally or spatially related to the authentication function as an input of a user prediction model. For example, the electronic device 101 may automatically label the data 210 collected within a predetermined period before the authentication function. The period of time may be a period associated with the authentication function (eg, immediately before the authentication function).
  • the electronic device 101 may discover a pattern associated with the first user 201 using the data 210 input to the user prediction model and the authentication result given as the correct answer.
  • the user prediction model may be updated using the data 210 as test data for machine learning and a correct answer as a target value such as a label.
  • 2B is a diagram illustrating machine learning applied to a user prediction model according to an embodiment.
  • the machine learning 240 applied to the user prediction model may be set to output a target value when the data 210 corresponding to the test data is input.
  • the user prediction model to which machine learning is applied can output target values for more various inputs by repeatedly inputting test data.
  • at least one test data eg, Xtest
  • the training data set 230 may include at least one test data whose value is a feature (X) and a label (Y).
  • training data set 1 is (2, 3, 5)
  • training data set 2 is (2, 5, 7)
  • training data set 3 is (3, 6, 9) simplified data.
  • the electronic device may repeatedly and learn the training data sets to generate a specific model (eg, a user prediction model), and data 210 corresponding to (3, 6, 9) in the generated model
  • the operation of generating the model is a parameter of a specific functional formula (eg, weight) for performing a function (eg, classification, clustering, user identification, etc.) It may include the operation of determining (weight), bias (bias).
  • the electronic device may discover a pattern of data using a learning algorithm and construct a mathematical model using the model, and then use the model to perform prediction on the input data.
  • a user prediction model is generated through learning of training data and may perform a function of determining or predicting information related to a user.
  • the electronic device 101 may predict a user using a generated user prediction model and provide a customized service.
  • FIG. 3 is a flowchart 300 illustrating generating a user prediction model according to an embodiment.
  • the system for generating a user prediction model may collect audio or video data from the sensor module 176 in operation 310.
  • the electronic device 101 may collect data 210 generated in the surrounding environment in real time using the sensor module 176.
  • the data 210 may be audio data or video data.
  • the voice data may be a unique sound pattern of each user 201, 202, such as footstep 211.
  • the image data may be unique image patterns of respective users 201 and 202 such as body shape 212, gait 213, clothing, and hairstyle.
  • the electronic device 101 may collect data 210 generated in the first area A1 located at a greater distance than the area performing the authentication function.
  • the electronic device 101 may collect audio data or video data generated in the first area A1 in real time.
  • the electronic device 101 may collect voice data generated at the first distance D1 in real time, such as conversations between users 201 and 202 located at the first distance D1.
  • the electronic device 101 may collect image data captured in the first area A1 in real time for a monitoring function.
  • the electronic device 101 may store the collected data 210.
  • the electronic device 101 may store the collected image data or audio data in the memory 130.
  • the system for generating a user prediction model may perform a user identification or authentication function in operation 320.
  • the electronic device 101 may move and perform an authentication function for the users 201 and 202 entering the second area A2.
  • the electronic device 101 may perform an identification function or an authentication function for distinguishing each of the users 201 and 202.
  • the user identification function or the authentication function may be an operation of checking unique information (eg, Product ID, Mac Address, etc.) of the external electronic device and biometric information (eg, iris, fingerprint, etc.) of the user.
  • biometric information eg, iris, fingerprint, etc.
  • the user identification function or the authentication function may be an operation of confirming predefined information such as a touch pattern and a gesture.
  • the electronic device 101 may recognize the user 201 entering the second area A2 and perform an authentication function to check whether the user is a registered user. For example, the electronic device 101 may authenticate the first user 201 by checking whether the image 221 obtained using speaker recognition or face recognition matches the first user 201.
  • the present invention is not limited thereto, and the distance between the electronic device and the user when performing the user identification function or the authentication function may vary depending on the type of function. For example, when the user identification function or the authentication function includes an operation of confirming information that can be confirmed from a long distance, the electronic device 101 may check whether the user is a registered user in the first area A1.
  • input data among learning data may be determined according to time information.
  • data collected and stored before or after the time of the identification or authentication function may be used as part of learning data (eg, input data).
  • the operation of the electronic device 101 to identify or authenticate the user may be performed to provide a customized service or security function.
  • the system for generating a user prediction model may input the collected data 210 as an input and assign an authentication result as a target value.
  • the electronic device 101 may determine the data 210 collected or stored within a predetermined time among the previously collected data 210 as data 210 for learning. For example, the electronic device 101 may determine data 210 generated in the first area A1 as a data 210 for learning and give it as an input within a predetermined time before performing the authentication function. The electronic device 101 may designate the determined data 210 as an input value, and designate a result of the identification function or authentication function as a result value.
  • the system for generating a user prediction model may learn the user prediction model in operation 340.
  • the electronic device 101 may generate learning data that can train a user prediction model based on the collected data 210.
  • the user prediction model may apply a learning algorithm such as a neural network or a hidden markov model (HMM) to perform learning using learning data.
  • the learning algorithm may perform an operation of discovering a new pattern from the collected data 210.
  • the user prediction model can repeatedly learn the data 210 collected in real time.
  • the user prediction model may be updated through iterative learning.
  • the first area A1 may be a long distance
  • the second area A2 may mean a distance relatively close to the first area A1.
  • the electronic device 101 may collect and analyze data 210 generated by users 201 and 202 at a long distance.
  • the electronic device 101 may generate a user prediction model that can predict each of the users 201 and 202 using only the data 210 collected from a long distance using the analyzed result.
  • Operation 410, operation 420, operation 450, and operation 460 of the user prediction model according to another embodiment may be substantially the same as operation 310, operation 320, operation 330, and operation 340 of the user prediction model described with reference to FIG. 3. have. Accordingly, hereinafter, redundant description of the same operation will be omitted.
  • the system for generating a user prediction model may determine whether the collected data satisfies a specific condition in operation 430.
  • the electronic device 101 may set the user identification operation or authentication function as a trigger time point at which the collected related data 210 is started.
  • the electronic device 101 may determine at least a part of the data 210 generated before the trigger point as a learning object.
  • the electronic device 101 may determine an operation of determining whether a specific condition is satisfied in determining the collected data 210 as learning data, so that valid data becomes learning data of the user prediction model.
  • the electronic device 101 may determine voice data within a specified frequency range as a learning target that satisfies a specific condition. For example, the electronic device 101 may limit the frequency of the voice data to a specific range, and induce the user to extract only the voice data 210 generated due to a user's designated action.
  • the electronic device 101 may designate a part or all of the body of each of the users 201 and 202 as a learning area when the collection target is an image and the collected data 210 is image data. .
  • the electronic device 101 may determine a body part for analyzing the body 212 or a leg part for analyzing the gait 213 as a learning object that satisfies a specific condition.
  • the electronic device 101 may perform operation 450.
  • the electronic device 101 may input the collected data 210 as an input and give an authentication result as a target value.
  • the electronic device 101 may perform operation 440 when the collected data 210 does not satisfy a specific condition.
  • the system for generating a user prediction model may delete the collected data 210 in operation 440.
  • the electronic device 101 may determine that the collected data 210 is unnecessary noise data in the process of generating or updating a user prediction model.
  • the electronic device 101 may determine whether the collected data 210 helps to generate or update the user prediction model, and thus may secure the purified input data 210 for learning the user prediction model.
  • the electronic device 101 may generate or update the user prediction model more quickly by removing data that is not required to generate or update the user prediction model.
  • 5A is a flowchart 500 illustrating generating a user prediction model according to another embodiment.
  • Operations 510, 520, and 550 of the user prediction model according to another embodiment may be substantially the same as operations 310, 320, and 340 of the user prediction model described with reference to FIG. 3. Accordingly, hereinafter, redundant description of the same operation will be omitted.
  • the system for generating a user prediction model may assign a concept related to an attribute extracted from an authentication result as a new target value.
  • the electronic device 101 may collect a variety of data 210 that is collectable but not capable of user identification or user prediction immediately to discover new patterns.
  • the electronic device 101 may discover new patterns by continuously analyzing dark data that has not yet found a pattern.
  • the collected data 210 may include features that can distinguish users.
  • Features that can distinguish a user may be features of a face or iris in the case of image data, and may be features of a phoneme or features of a phoneme constituting voice in the case of voice data.
  • the collected data 210 itself may include data other than a user classification level. Even if data that does not include features that can distinguish each of the individual users 201 and 202 among the audio data or the video data generated in the first area A1 is collected, it cannot be used in the user prediction model.
  • the electronic device 101 may generate a user prediction model capable of distinguishing from which user group the collected data is generated, instead of a user prediction model that distinguishes each of the users 201 and 202. have.
  • the electronic device 101 may redefine the target value to generate a user prediction model with an easier level.
  • the electronic device 101 may assign a higher concept as the target value, instead of giving the user identification result or the authentication function result as the target value of the user prediction model.
  • the electronic device 101 may collect the data 210 instead of determining from which user (eg, the first user 201 or the second user 202) the collected data 210 is generated.
  • a target value may be assigned to determine from which of the designated upper groups, such as whether is generated from a man or a woman or a child or an adult.
  • the system for generating a user prediction model may, at operation 540, input the collected data 210 as an input and assign a new target value as a correct answer.
  • the electronic device 101 may process the result determined in the user identification operation and assign it a new target value.
  • the electronic device 101 may redefine the user identification result to train characteristics of the data 210 collected as a new criterion in the user prediction model.
  • the electronic device 101 may extract a new target value from the result of the user identification operation or the authentication function and include it in the training data for training the user model. For example, when it is determined that the authentication function is the first user 201, the electronic device 101 extracts a target value such as an adult or a man from the profile information of the first user 201 and adds it to the learning data. Can be included.
  • the electronic device 101 may input the collected data 210 and the new target value into the user prediction model.
  • the electronic device 101 may configure a user prediction model by grouping new target values. For example, the electronic device 101 may group the collected data 210 into data that distinguishes men or women, or group it into data that distinguishes children or adults and input it into the user prediction model.
  • the electronic device 101 may define user identification results differently according to the type of the collected data 210 and use it as training data for generating a user prediction model. For example, when the result of the user identification or the result of the authentication function is identified as a father or a son, the electronic device 101 can use the collected data to generate a user prediction model capable of distinguishing men. Accordingly, the electronic device 101 may control the range learned by the user prediction model to ensure the ability to distinguish the collected data 210. Also, the electronic device 101 may provide various prediction services using the classified results according to the new target value.
  • 5B is a diagram illustrating an operation 530 of assigning a new target value.
  • the electronic device 101 may assign a concept related to an attribute extracted from a result of a user identification or authentication function as a new target value.
  • the electronic device 101 may set a higher concept of classifying a plurality of users according to attributes.
  • the electronic device 101 may extract the attributes of the plurality of users A to F through a user identification or authentication function. For example, the electronic device 101 may extract genders of a plurality of users A to F.
  • the electronic device 101 may divide the plurality of users A to F into male 531 and female 532 according to gender.
  • the associated concepts may include features that can be derived from the collected data 210.
  • the electronic device 101 may assign a new target value to determine the collected data 210 based on the characteristics. For example, the electronic device 101 generates the collected data 210 from the man 531 or the woman 532 instead of determining from which user A to F the collected data 210 is generated. A target value can be assigned to determine whether it has been completed.
  • the electronic device 101 may include the data 210 collected using the features in at least one group 531 and 532. For example, the electronic device 101 groups the users A, B, and C corresponding to the man 531 into one group, and the users D, E, and F corresponding to the woman 532 ) Can be grouped into one group.
  • grouping may be an operation of setting data having the same characteristic among collected data to have the same target value, and storing and managing data having the same target value as a group.
  • the collected data may be stored as hierarchy data.
  • differences between feature factors (or feature distributions) of objects of a higher concept may be more apparent than objects of a lower concept.
  • data collected from users A, B, and C corresponding to men 531 and data collected from users D, E, and F corresponding to women 532 can be clearly distinguished.
  • the data collected from each of the users A, B, and C corresponding to the man 531 may not be easy to distinguish.
  • a user prediction model may be more easily generated.
  • FIG. 6 is a flowchart 600 of verifying a user prediction model according to an embodiment.
  • reliability verification of a certain level or higher may be required.
  • it can be determined whether the electronic device 101 to which the user prediction model is applied can predict the user with only the data 210 actually collected.
  • the electronic device 101 applying the user prediction model may collect data 210 generated in the first area A1 in operation 610.
  • the electronic device 101 may collect audio data or video data generated in the first area A1 in real time.
  • the electronic device 101 applying the user prediction model may predict a user located in the first area A1 using the user prediction model in operation 620.
  • the electronic device 101 uses the relationship between the target value and the pattern (or characteristic) of input values given through machine learning in the user prediction model. 210) can be identified.
  • the electronic device 101 to which the user prediction model according to an embodiment is applied may perform identification or authentication of a user who has moved to the second area A2 in operation 630.
  • the electronic device 101 may identify the user through the authentication function.
  • the electronic device 101 to which the user prediction model according to an embodiment is applied may determine whether the predicted user and the identified user match in operation 640.
  • the predicted user may be a user predicted using the user prediction model in the first area A1.
  • the identified user may be a user identified through the authentication function in the second area A2.
  • the target value used in the verification process of the user prediction model may be obtained through a user identification operation or a result value of an authentication function.
  • a certain number of collected data 210 is used as an input value, and a result value obtained by passing an input value through the user prediction model and The target value obtained through the authentication function can be compared.
  • the accuracy of the user prediction model of the electronic device 101 may be determined based on the ratio of the result of comparing the predicted user and the identified user.
  • the electronic device 101 applying the user prediction model may increase the reliability of the user prediction model in operation 650.
  • the electronic device 101 may determine that the user prediction model satisfies the specified level because the result value obtained using the user prediction model is the same as the target value obtained through the authentication function. For example, when the input data for verification is applied as an input value of the user prediction model, an output value of the first user 201 is derived, and then a result of the first user 201 is also derived in an associated user identification operation. , The electronic device 101 can add the reliability of the user prediction model.
  • the electronic device 101 applying the user prediction model may apply the collected data 210 in operation 660 as learning data corresponding to the identified user. Can be. For example, if the result of the first user 201 is derived from the user prediction model, but the result of the second user 202 is derived from the user identification operation or authentication function, data input to the corresponding user prediction model is It can be used as learning data to distinguish the second user 202.
  • the electronic device 101 applying the user prediction model according to an embodiment may reduce the reliability of the user prediction model in operation 670 when the predicted user and the identified user do not match.
  • the electronic device 101 may determine that the user prediction model does not satisfy the specified level because the result value obtained using the user prediction model is different from the target value obtained through the authentication function. Accordingly, the electronic device 101 can reduce the reliability of the user prediction model.
  • FIG. 7 is a diagram 700 illustrating that the electronic device 101 identifies a user 710 using a user prediction model according to an embodiment.
  • the electronic device 101 may implement various service operations.
  • the user-customized service of the electronic device 101 to which the user identification operation or the authentication function was applied was possible only in the second area A2 which is a user-identifiable local area, but the electronic device 101 to which the user prediction model was applied was the farther first It is possible to identify the user in the area A1.
  • the electronic device 101 may collect data 710 occurring in the first area A1.
  • the electronic device 101 may sense the surrounding environment at all times by using a sensing operation such as performing a monitoring function.
  • the data 710 may be voice data such as footsteps and peripheral operation sounds, or image data such as hairstyle, body shape, gait, and clothing.
  • the electronic device 101 may identify a user in advance when a specific data input is sensed while sensing the surrounding environment.
  • the electronic device 101 may input the data 710 generated in the first area A1 spaced apart from the second area A2 into the user prediction module as an input value to obtain the user as a result value to identify the user. .
  • the electronic device 101 may identify the user in the first area A1 that is remote, and provide a customized service 720 corresponding to the identified user. For example, the electronic device 101 may provide a personalized service 720 that recognizes that the collected data 710 is a footstep generated by the user 1 and automatically responds to “Are you the user 1?”. As another example, the electronic device 101 automatically recognizes that the collected data 710 is a footstep generated by the user 1, and automatically uses the point that the user 1 mainly listens to the song, "Do you want to listen to a favorite song?" A responsive personalized service 720 may be provided. The customized service 720 may be executed when the electronic device 101 acquires data 710 such as footsteps or when the user calls the electronic device.
  • the electronic device 101 to which the user prediction model is applied may identify a user in the first area A1 and provide a customized service 720. Accordingly, the electronic device 101 can identify the user more quickly and provide the customized service 720 proactively.
  • FIG. 8 is a diagram 800 illustrating generation and learning of a user prediction model used by the electronic device 101 according to an embodiment.
  • the electronic device 101 may perform a data collection 810 operation to generate a user prediction model.
  • the data collected may be video data or audio data such as gait, body shape, hairstyle, or footsteps.
  • the electronic device 101 may perform a new target value assignment operation 820 to generate a user prediction model. If it is not easy to derive the target value from the user identification operation or the authentication function from the data collected by the data collection 810 operation, the electronic device 101 groups the features that can be derived from the collected data to develop a higher concept. It can be defined as a new target value. When the new target value is corrected, the accuracy of the user prediction model can be improved. In addition, by applying a user prediction model, it is possible to provide various services suitable for the situation.
  • the electronic device 101 may configure learning data 830 and 840.
  • the electronic device 101 may configure the learning data 830 and 840 through data meeting a specific condition and a result value of the authentication function.
  • the electronic device 101 may generate various user prediction models according to data change or processing of the authentication function result value.
  • a user prediction model capable of distinguishing an adult 830 user group from a child 840 user group includes learning data 830 and 840, which are grandfather 831 and grandmother 832 belonging to the adult 830 group.
  • Data generated from the father 833 or the mother 834 is designated as learning data capable of identifying the adult 830 group, and generated from the son 841 or daughter 842 belonging to the children 840 group.
  • the data may be designated as learning data that can identify the group of children 840.
  • the electronic device 101 may process the authentication function result value by modifying the target value with reference to the user profile. For example, if the sons 841 and the daughters 842 are identified in the collected data 810, and the user profiles of the sons 841 and the daughters 842 commonly have the attribute of children, the collected data ( 810) may be used to generate a user prediction model that distinguishes children 840.
  • the electronic device 101 may perform a user prediction model generation 850 operation.
  • the electronic device 101 may generate a user prediction model by repeatedly learning the training data 830 and 840.
  • the electronic device 101 may update the user prediction model by repeatedly learning the generated user prediction model, and increase the suitability or reliability of the user prediction model.
  • FIG. 9 is a diagram 900 illustrating that an electronic device 101 provides a service using a user prediction model 920 according to an embodiment.
  • the electronic device 101 may perform the data sensing 910 operation.
  • the data detection 910 may be performed using the sensor module 176.
  • the sensing data may be video data or audio data such as gait, body shape, hairstyle, or footsteps.
  • the electronic device 101 may collect data in the first area A1 that is remote.
  • the electronic device 101 may input the collected data into the user prediction model 920.
  • the user prediction model 920 may operate according to the learned content to identify a user or a group to which the user belongs.
  • the electronic device 101 may perform an operation of providing a service 930 through a result of the user prediction model 920.
  • the electronic device 101 may be changed in advance to service modes 931 to 933 corresponding to a group to which the user predicted by the user prediction model 920 belongs. For example, if the user prediction model 920 determines that the user is an adult having an age of a specified age or more, the user prediction model 920 may be changed in advance to a senior mode 931 in which the volume and font are increased. As another example, when the user determines that the user is a child, the user prediction model 920 may be changed in advance to a kids mode 932 with limited character background or content for the child. As another example, when the user prediction model 920 determines that the user is a male, the voice output by the electronic device 101 may be changed in advance to the female voice mode 933.
  • FIG. 10 is a diagram 1000 illustrating an electronic device generating and learning a user prediction model according to another embodiment.
  • the electronic device 101 may generate and learn a user prediction model using a scenario for processing a target value.
  • the electronic device 101 may generate learning data using the collected data 1010 and the authentication result 1020.
  • the electronic device 101 may repeatedly generate and update the user prediction model 1040 by repeatedly applying learning data to the user prediction model 1040.
  • the electronic device 101 to which the user prediction model is applied may predict the user using only the data 1010 using the generated user prediction model 1040. Accordingly, the electronic device 101 to which the user prediction model is applied may receive the data 1010 and identify the user first outside a certain range.
  • the electronic device 101 when the authentication result 1020 is not derived from the collected data 1010, the electronic device 101 sets a new target value using the attribute of the authentication result 1020 associated with the collected data 1010 Can be.
  • the electronic device 101 may store the target value list in a hierarchy type data structure.
  • the electronic device 101 may set a target value associated with an attribute of the authentication result 1020 as a new target value in the target value list.
  • the electronic device 101 may generate and update the user prediction model 1040 using the collected data 1010 and a new target value.
  • the electronic device may train the user prediction model 1040 by inputting the collected data and assigning a new target value as a correct answer.
  • the electronic device 101 may generate a user prediction model that can identify a group to which the user belongs using the data 1010.
  • the electronic device 101 applies the attribute of the authentication result 1020 to the user profile 1030 including a plurality of concepts to set a new target value, and corresponds to the attribute of the authentication result 1020 Can be applied as a new target value. For example, if the attribute of the authentication result 1020 includes the attribute of children, the electronic device 101 has a new target value for the group including the son or daughter having the attribute of children in the user profile 1030 having Can be specified as
  • 11 is a block diagram illustrating an integrated intelligence system 1100 according to an embodiment.
  • the integrated intelligent system 1100 of an embodiment may include an electronic device 101, an intelligent server 1200, and a service server 1300.
  • the electronic device 101 may be a robot device.
  • the present disclosure is not limited thereto, and the electronic device 101 may be an electronic device capable of performing wireless communication and sensing a user's input or an external environment to respond.
  • the electronic device 101 may be a mobile phone, a smart phone, a personal digital assistant (PDA), a notebook computer, a TV, a white appliance, a wearable device, an HMD, or a smart speaker.
  • PDA personal digital assistant
  • the electronic device 101 may include a processor 120, a memory 130, an input device 150, an audio output device 155, a display device 160, and an interface 177.
  • the components listed above may be operatively or electrically connected to each other.
  • the processor 120 may control the overall operation of the electronic device 101.
  • the processor 120 may be electrically connected to the memory 130, the input device 150, the sound output device 155, the display device 160, and the interface 177 to perform a designated operation.
  • the processor 120 may execute a program stored in the memory 130 to perform a designated function.
  • the processor 120 may execute at least one of the client module 131 or the software development kit (SDK) 133 included in the memory 130.
  • SDK software development kit
  • the processor 120 may perform an operation for processing a voice input.
  • the processor 120 may control the operation of a plurality of apps (apps, application programs) through the SDK 153.
  • the memory 130 may store the client module 131, the SDK 133, and a plurality of apps 135.
  • the client module 131 or the SDK 133 may configure a framework or solution program for performing a general purpose function.
  • the client module 131 or the SDK 133 may configure a framework for processing voice input.
  • the client module 131 may receive a voice input.
  • the client module 131 may receive a voice signal corresponding to the user's speech detected through the input device 150.
  • the client module 131 may transmit the received voice input to the intelligent server 1200.
  • the client module 131 may transmit status information of the electronic device 101 to the intelligent server 1200 together with the received voice input.
  • the status information may be, for example, execution status information of the plurality of apps 135.
  • the client module 131 may receive a result corresponding to the received voice input. For example, when the client module 131 can calculate a result corresponding to the voice input received from the intelligent server 1200, the client module 131 may receive a result corresponding to the received voice input. The client module 131 may display the received result on the display device 160.
  • the client module 131 may receive a plan corresponding to the received voice input.
  • the client module 131 may display a result of executing a plurality of operations of the app according to the plan on the display device 160.
  • the client module 131 may receive a request from the intelligent server 100 to obtain information necessary to calculate a result corresponding to voice input.
  • the client module 131 may transmit necessary information to the intelligent server 1200 in response to the request.
  • the client module 131 may transmit the result information of executing a plurality of operations according to the plan to the intelligent server 1200.
  • the intelligent server 1200 may confirm that the received voice input is correctly processed using the result information.
  • the client module 131 may include a speech recognition module.
  • the client module 131 may recognize a voice input performing a limited function through the voice recognition module.
  • the plurality of apps 135 may be programs for performing a designated function.
  • the plurality of apps 135 may include a first app 135_1 and a second app 135_3.
  • Each of the plurality of apps 135 may include a plurality of operations for performing a designated function.
  • the plurality of apps 135 may include an alarm app, a message app, and/or a schedule app.
  • the plurality of apps 135 may be executed by the processor 120 to sequentially execute at least some of the plurality of operations.
  • the input device 150 may receive a voice such as a user's speech.
  • the input device 150 may convert the received voice into electrical signals or voice data.
  • the input device 150 may be a microphone.
  • the sound output device 155 may output electrical signals or voice data as voice.
  • the sound output device 155 may be a speaker.
  • the display device 160 may be configured to display an image or video.
  • the display device 160 may display a graphical user interface (GUI) of a plurality of running apps 135.
  • GUI graphical user interface
  • the interface 177 may be configured to be connected to an external device to transmit and receive data.
  • the intelligent server 1200 may receive information related to user voice input from the electronic device 101 through a communication network.
  • the intelligent server 1200 may change data related to the received voice input into text data.
  • the intelligent server 1200 may generate a plan for performing a task corresponding to a user voice input based on the text data.
  • the plan may be created by an artificial intelligent (AI) system.
  • the artificial intelligence system may be a rule-based system, a neural network-based system (e.g., a feedforward neural network (FNN)), a recurrent neural network (RNN) ))). Or, it may be a combination of the above or another artificial intelligence system.
  • the plan can be selected from a predefined set of plans, or can be generated in real time in response to a user request. For example, the artificial intelligence system may select at least one plan among a plurality of predefined plans.
  • the intelligent server 1200 may transmit the result according to the generated plan to the electronic device 101 or the generated plan to the electronic device 101.
  • the electronic device 101 can display the result according to the plan on the display device 160.
  • the electronic device 101 may display the result of executing the operation according to the plan on the display device 160.
  • the intelligent server 1200 includes a front end 1210, a natural language platform 1220, a capsule DB 1230, and an execution engine 1240. ), an end user interface 1250, a management platform 1260, a big data platform 1270, or an analytic platform 1280. have.
  • the front end 1210 may receive a voice input received from the electronic device 101.
  • the front end 1210 may transmit a response corresponding to voice input.
  • the natural language platform 1220 is an automatic speech recognition module (ASR module) 1221, a natural language understanding module (NLU module) 1223, a planner module module) 1225, a natural language generator module (NLG module) 1227, or a text to speech module (TTS module) 1229.
  • ASR module automatic speech recognition module
  • NLU module natural language understanding module
  • NLG module natural language generator module
  • TTS module text to speech module
  • the automatic speech recognition module 1221 may convert speech input received from the electronic device 101 into text data.
  • the natural language understanding module 1223 may grasp the user's intention using text data of voice input.
  • the natural language understanding module 1223 may grasp a user's intention by performing a syntactic analysis or semantic analysis.
  • the natural language understanding module 1223 may determine the meaning of a word extracted from speech input using a morpheme or a verbal characteristic of a phrase (eg, grammatical elements), and determine the user's intention by matching the meaning of the identified word to the intention have.
  • the planner module 1225 may generate a plan using intents and parameters determined by the natural language understanding module 1223.
  • the planner module 225 may determine a plurality of domains required to perform a task based on the determined intention.
  • the planner module 1225 may determine a plurality of operations included in each of the plurality of domains determined based on the intention.
  • the planner module 1225 may determine parameters required to execute the determined plurality of operations or a result value output by execution of the plurality of operations.
  • the parameters and result values can be defined with the concept of a specified format or class.
  • the plan may include a plurality of actions and a plurality of concepts determined by the user's intention.
  • the planner module 1225 may determine stepwise or hierarchically the relationship between a plurality of operations and a plurality of concepts.
  • the planner module 1225 may determine an execution order of a plurality of operations determined based on a user's intention based on a plurality of concepts. In other words, the planner module 1225 may determine an execution order of a plurality of operations based on parameters required for execution of the plurality of operations and a result output by the execution of the plurality of operations. Accordingly, the planner module 1225 may generate a plan including association information (eg, ontology) between a plurality of operations and a plurality of concepts. The planner module 1225 may generate a plan using information stored in the capsule database 1230 in which a set of relations between concepts and actions is stored.
  • association information eg, ontology
  • the natural language generation module 1227 may change the designated information in the form of text.
  • the changed information in text form may be in the form of natural language speech.
  • the text-to-speech module 1229 may change text-type information to speech-type information.
  • the capsule database 1230 may store information about a relationship between a plurality of concepts and operations corresponding to a plurality of domains.
  • the capsule may include a plurality of action objects or action information included in the plan and concept objects or concept information.
  • the capsule database 1230 may store a plurality of capsules in the form of a concept action network (CAN).
  • the plurality of capsules may be stored in a function registry included in the capsule database 1230.
  • the capsule database 1230 may include a strategy registry in which strategy information required when determining a plan corresponding to voice input is stored.
  • the strategy information may include reference information for determining one plan when there are multiple plans corresponding to voice input.
  • the capsule database 1230 may include a follow up registry in which information of a follow up operation for suggesting a follow up operation to a user in a specified situation is stored. Subsequent actions may include subsequent utterances.
  • the capsule database 1230 may include a layout registry that stores layout information of information output through the electronic device 101.
  • the capsule database 1230 may include a vocabulary registry in which vocabulary information included in capsule information is stored.
  • the capsule database 1230 may include a dialogue registry in which dialogue with a user or interaction information is stored.
  • the capsule database 1230 may update stored objects through a developer tool.
  • the developer tool may include a function editor for updating a motion object or concept object.
  • the developer tool may include a vocabulary editor for updating the vocabulary.
  • Developer tools can include a strategy editor to create and register strategies to determine plans.
  • Developer tools may include a dialog editor that creates a conversation with the user.
  • the developer tool may include a follow up editor that can activate follow-up goals and edit follow-up utterances that provide hints. Subsequent goals may be determined based on currently set goals, user preferences, or environmental conditions.
  • the capsule database 1230 may be implemented in the electronic device 101.
  • the execution engine 1240 may calculate a result using the generated plan.
  • the end user interface 1250 may transmit the calculated result to the electronic device 100. Accordingly, the electronic device 101 may receive the result and provide the received result to the user.
  • the platform 1260 may manage information used in the intelligent server 1200.
  • the big data platform 1270 may collect user data. quality of service), for example, the analysis platform 1280 may manage components and processing speed or efficiency of the intelligent server 1200.
  • the service server 1300 may provide a designated service (eg, food order or hotel reservation) to the electronic device 101.
  • the service server 1300 may be a server operated by a third party.
  • the service server 1300 may provide information for generating a plan corresponding to the received voice input to the intelligent server 1200.
  • the provided information can be stored in the capsule database 1230.
  • the service server 1300 may provide result information according to the plan to the intelligent server 1200.
  • the electronic device 101 may provide various intelligent services to the user in response to a user input.
  • the user input may include, for example, input through a physical button, touch input, or voice input.
  • the electronic device 101 may provide a voice recognition service through an intelligent app or voice recognition app stored therein.
  • the electronic device 101 may recognize the received user utterance or voice input, and provide a service corresponding to the recognized voice input to the user.
  • the electronic device 101 may perform a designated operation alone or together with an intelligent server and/or a service server based on the received voice input. For example, the electronic device 101 may execute an app corresponding to the received voice input, and perform a designated operation through the executed app.
  • the electronic device 101 when the electronic device 101 provides a service together with the intelligent server 1200 and/or the service server 1300, the electronic device 101 detects a user's speech, and detects the user's speech. Corresponding signal or voice data) can be generated. The electronic device 101 may transmit voice data to the intelligent server 1200 using the interface 177.
  • the intelligent server 1200 may generate a result of performing an operation according to a plan or a plan for performing a task corresponding to the voice input in response to the voice input received from the electronic device 101.
  • the plan may include a plurality of operations related to a user's voice input and a plurality of concepts related to the plurality of operations.
  • the concept may be defined as a parameter input to execution of multiple operations or a result value output by execution of multiple operations.
  • the plan may include association information between multiple operations and multiple concepts.
  • the electronic device 101 may receive a response using the interface 177.
  • the electronic device 101 outputs a voice signal generated inside the electronic device 101 to the outside using the sound output device 155, or an image generated inside the electronic device 101 using the display device 160 Can be output to the outside.
  • FIG. 12 is a diagram illustrating a concept action network in which relationship information between a concept and an action according to an embodiment is stored in a database.
  • the capsule database 1230 of the intelligent server 1200 may store capsules in the form of a concept action network (CAN).
  • the capsule database 1230 may store an operation for processing a task corresponding to a user's voice input and parameters required for the operation in CAN form.
  • the capsule database 1230 may store capsule A 1401 and capsule B 1404 corresponding to each of a plurality of domains (eg, location or application).
  • one capsule eg, capsule A 1401
  • at least one service provider eg, CP 1 1402 or CP 2 1403
  • one capsule may include at least one operation 1410 and at least one concept 1420 for performing a designated function.
  • the natural language platform 1220 may generate a plan for performing a task corresponding to the received voice input using the capsule stored in the capsule database.
  • the planner module 1225 of the natural language platform 1220 may generate a plan using capsules stored in the capsule database. For example, planner module 1225 uses actions 4011, 4013 and concepts 4012, 4014 of capsule A 1401 and actions 4041 and concept 4042 of capsule B 1404. Plan 1407 can be created.
  • the electronic device 101 may be a movable robot device.
  • the electronic device 101 may be a robot device having a spherical or spherical body coupled with a ring-shaped module.
  • the present disclosure is not limited thereto, and the electronic device 101 may be a device that supports wireless communication and can respond to user input or collected data.
  • the electronic device 101 includes a processor 120, a memory 130, an audio output device 155, a display device 160, a sensor module 176, a communication module 190, a driving unit 1320, and a power supply unit 1330 ).
  • the processor 120 may include at least one of a graphic processing unit (GPU) 122, an image signal processor (ISP) 124, and a codec DSP.
  • the processor 120 may perform command processing for driving the electronic device 101 and providing services.
  • the memory 130 may store map information and object database.
  • the map information may include indoor space or surrounding environment information.
  • the object data may include information that can be compared with the detected object information.
  • the sound output device 155 may be a speaker that outputs voice.
  • the display device 160 may be a display that displays an image.
  • the sensor module 176 is a proximity sensor 1331, a depth camera 1332, an RGB camera 1333, an input device 150, and a 9-axis (9-axis) It may include a sensor 1334.
  • the proximity sensor 1331 may detect external objects.
  • the depth camera 1332 and the RGB camera 1333 may continuously acquire vision information and generate image data.
  • the input device 150 may be an array of microphones for acquiring voice information.
  • the 9-axis sensor 1334 may perform direction detection for movement and motion.
  • the 9-axis sensor 1334 may include sensors such as an acceleration sensor, an earth magnetic field sensor, or a gyro sensor.
  • the communication module 190 may include a wireless communication module 192 and a wired communication module 194.
  • the wireless communication module 192 may support a wireless communication environment using BT, Wi-Fi, or cellular communication.
  • the wired communication module 194 may support a wired communication environment using USB, HDMI, or MHL.
  • the driving unit 1320 may move the electronic device 101.
  • the driving unit 1320 may be used to mechanically change other components constituting the electronic device 101.
  • the driving unit 1320 may have a wheel-shaped structure that can be moved upward, downward, left, and right with respect to at least one axis.
  • the driving unit 1320 may have a wheel-shaped structure capable of rotational movement.
  • the driving unit 1320 may include a driving motor for driving a movable structure.
  • the driving unit 1320 may be implemented in various ways by combining a wheel-shaped structure and a driving motor.
  • the power supply unit 1330 may supply power to the electronic device 101.
  • the power supply 1330 may include a power management module 188 and a battery 189.
  • the power management module 188 may include a power management integrated circuit (PMIC) and a fuel guage.
  • PMIC power management integrated circuit
  • FIG. 14 is a diagram 1400 illustrating a software structure of an electronic device 101 according to an embodiment.
  • the software structure of the electronic device 101 may include an operating system (OS), middleware 144, and an intelligent framework 1430.
  • OS operating system
  • middleware middleware
  • intelligent framework 1430 intelligent framework
  • the operating system 142 may perform arithmetic processing, such as a resource distribution and a task scheduling process of the electronic device 101.
  • the operating system 142 can be coupled to the input device 150 and/or sensor module 176.
  • the operating system 142 may acquire data from the input device 150 and/or sensor module 176 and control the input device 150 and/or sensor module 176.
  • operating system 142 may include ISP 124, 9-axis sensor 1334, touch panel 151, and/or microphone 152 that acquired images from depth camera 1332 or RGB camera 1333. ), it is possible to control the codec 126 obtained from the input data.
  • the operating system 142 may be implemented as a kernel, which is a core program that completely controls everything in the system and provides various services necessary for executing different parts of the operating system and applications.
  • the operating system 142 may include a device driver 143 that processes signals input from the input device 150 and/or the sensor module 176.
  • the middleware 144 may be computer software that provides a service that the electronic device 101 can use in addition to the service provided by the operating system 142.
  • the middleware 144 may be software that acts as an intermediary between the operating system 142 and the intelligent framework 1430 to connect and exchange data with each other.
  • the middleware 144 may connect the electronic device 101 to the second network 199 so that the electronic device 101 can use any service.
  • the middleware 144 may provide functions such as object recognition, face detection/tracking/recognition, sensor information processing, conversation engine, speech synthesis, sound source tracking, or voice recognition.
  • the middleware 144 may recognize an object using signal-processed data.
  • the middleware 144 may detect and track a user's face location.
  • the middleware 144 may perform an authentication function through face recognition.
  • the middleware 144 may recognize a three-dimensional gesture performed by the user.
  • the middleware 144 may track an input location (DOA) of an audio signal.
  • DOA input location
  • the middleware 144 may process various sensed data and signals.
  • the middleware 144 may perform a voice recognition function.
  • the intelligent framework 1430 may obtain map information, voice models, and/or object models from the memory 130.
  • the intelligent framework 1430 may control the operation of the electronic device 101.
  • the intelligent framework 1430 may include multi-modal fusion 1431, user pattern learning, object learning, and behavior control 1434.
  • the multi-modal fusion 1431 may control the electronic device 101 to collect and manage various information processed by the middleware 144.
  • the user pattern learning may control the electronic device 101 to extract and learn meaningful information such as a user's life pattern or preference using the multi-modal fusion 1431 information.
  • the object learning may control the electronic device 101 to extract and store features and usage patterns of the object while continuously observing various registered objects.
  • the behavior control 1434 may control the electronic device 101 to output or display information to be fed back to the user.
  • the behavior control 1434 may control movement, graphics, and/or sound.
  • the behavior control 1434 may output or express the movement of the electronic device 101 using the driving unit 1320 including the wheel 1321 and the motor 1322.
  • the behavior control 1434 may output a graphic of the electronic device 101 using the display device 160.
  • the behavior control 1434 may output or express a user interface/user experience (UI/UX) of the electronic device 101 using the display device 160.
  • the behavior control 1434 may output or express the voice of the electronic device 101 using the sound output device 155.
  • An electronic device may be various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device e.g, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a camera
  • a wearable device e.g., a smart bracelet
  • any (eg first) component is referred to as “coupled” or “connected” to another (eg second) component, with or without the term “functionally” or “communically”
  • any of the above components can be connected directly to the other components (eg, by wire), wirelessly, or through a third component.
  • module may include units implemented in hardware, software, or firmware, and may be used interchangeably with terms such as logic, logic blocks, components, or circuits.
  • the module may be an integrally configured component or a minimum unit of the component or a part thereof performing one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present disclosure may include one or more instructions stored in a storage medium (eg, internal memory 136 or external memory 138) readable by a machine (eg, electronic device 101). It may be implemented as software (e.g., program 140) that includes.
  • a processor eg, processor 120
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the storage medium readable by the device may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' means that the storage medium is a tangible device and does not include a signal (eg, electromagnetic wave), and this term is used when data is stored semi-permanently. It does not distinguish between temporary storage cases.
  • a method may be provided as being included in a computer program product.
  • Computer program products can be traded between sellers and buyers as products.
  • the computer program product is distributed in the form of a storage medium readable by a device (eg compact disc read only memory (CD-ROM)), or through an application store (eg Play Store TM ) or two user devices ( For example, it can be distributed directly (e.g., downloaded or uploaded) between smartphones).
  • a device eg compact disc read only memory (CD-ROM)
  • an application store eg Play Store TM
  • two user devices For example, it can be distributed directly (e.g., downloaded or uploaded) between smartphones).
  • at least a portion of the computer program product may be temporarily stored at least temporarily in a storage medium readable by a device such as a memory of a manufacturer's server, an application store's server, or a relay server, or may be temporarily generated.
  • each component (eg, module or program) of the above-described components may include a singular or a plurality of entities.
  • one or more components or operations of the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, modules or programs
  • the integrated component may perform one or more functions of each component of the plurality of components the same or similar to that performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component may be executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations may be executed in a different order, or omitted Or, one or more other actions can be added.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • User Interface Of Digital Computer (AREA)
  • Collating Specific Patterns (AREA)

Abstract

센서 모듈로부터 음성 데이터 또는 영상 데이터를 수집하고 수집된 데이터를 저장하는 동작, 사용자 식별(identification) 또는 인증(authentication) 기능을 수행하는 동작, 상기 수집된 데이터를 입력으로, 상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하는 동작, 및 상기 입력 및 상기 목표 값에 기반하여 상기 사용자 예측 모델을 생성하는 동작을 포함하는 사용자 예측 모델 생성 방법이 개시될 수 있다. 이 외에도 명세서를 통해 파악되는 다양한 실시 예가 가능하다.

Description

데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법
본 문서에서 개시되는 다양한 실시 예들은 외부의 데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하고, 생성한 사용자 예측 모델을 이용하여 입력된 데이터에 대응하는 사용자를 식별하는 기술과 관련된다.
최근의 전자 장치들은 암호(password)를 입력하여 사용자를 인증(authentication)하는 방법 이외의 방법을 이용하여 사용자를 인식 또는 식별할 수 있다. 예를 들어, 스마트 폰(smart phone)이나 태블릿(tablet)과 같은 전자 장치들은 음성을 입력 받거나 영상을 인식하는 경우, 입력된 음성 또는 영상에 대응하는 사용자를 식별할 수 있다. 이에 따라, 사용자가 키보드, 터치 펜, 또는 직접 터치를 하지 않아도 전자 장치를 사용할 수 있다.
전자 장치는 사용자를 식별하는 인증 기능을 수행하기 위해 음성 또는 영상 데이터를 입력 받을 수 있다. 전자 장치는 입력된 음성 또는 영상 데이터에 기초하여 사용자를 인식 또는 식별할 수 있다. 예를 들어, 전자 장치는 등록된 사용자와 연관된 정보와 입력된 음성 또는 영상 데이터를 비교하여 현재 사용자가 누구인지 식별할 수 있다.
전자 장치는 인증 기능을 수행하고, 인증된 사용자에게 맞춤형 서비스를 제공하기 위해 사용자를 식별하여야 한다. 그러나, 사용자를 식별하는 동작은 전자 장치 및 사용자가 서로 인접한 상태에서 이루어진다. 일정 범위 밖에서는 전자 장치가 먼저 사용자를 식별할 수 없으므로, 전자 장치가 사용자 맞춤형 서비스를 제공하는 것이 용이하지 않다.
또한, 전자 장치는 수집한 데이터에서 의미 있는 정보를 추출하고 활용하는 것이 용이하지 않다. 이에 따라, 실시간 발생하는 데이터를 수집하고, 수집한 데이터를 이용하여 사용자를 식별하는 것이 용이하지 않다.
본 문서의 다양한 실시 예 들에서는, 상술한 문제를 해결하기 위해 사용자 식별을 위하여 수행한 인증 기능의 결과를 정답으로 부여하고, 수집된 데이터를 입력으로 부여하여 학습시킨 사용자 예측 모델을 이용하여, 수집한 데이터를 이용하여 사용자를 식별할 수 있는 전자 장치를 제공하는 것을 목적으로 한다.
본 문서에 개시되는 일 실시 예에 따른 사용자 예측 모델 생성 방법은, 센서 모듈로부터 음성 데이터 또는 영상 데이터를 수집하고 수집된 데이터를 저장하는 동작, 사용자 식별(identification) 또는 인증(authentication) 기능을 수행하는 동작, 상기 수집된 데이터를 입력으로, 상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하는 동작, 및 상기 입력 및 상기 목표 값에 기반하여 상기 사용자 예측 모델을 생성하는 동작을 포함할 수 있다.
또한, 본 문서에 개시되는 일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치는, 센싱 모듈, 통신 모듈, 메모리, 및 상기 센싱 모듈, 상기 통신 모듈, 및 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 센싱 모듈을 이용하여 상기 전자 장치로부터 제1 거리만큼 이격된 사용자가 생성한 데이터를 수집하고, 상기 전자 장치로부터 상기 제1 거리보다 짧은 제2 거리만큼 이격된 상기 사용자에 대하여 사용자 식별(identification) 또는 인증(authentication) 기능을 수행하고, 상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하고, 상기 데이터 중 상기 인증 기능과 시간적 또는 공간적으로 연관된 상황에서 발생한 데이터를 입력으로 부여하여 사용자 예측 모델을 생성하고, 상기 사용자 예측 모델을 이용하여 상기 제1 거리에서 상기 사용자를 식별할 수 있다.
또한, 본 문서에 개시되는 다른 실시 예에 따른 사용자 예측 모델 적용 방법은, 영상 데이터 또는 음성 데이터와 같은 데이터를 수집하는 동작, 상기 수집된 데이터가 유효한 데이터인지 판단하는 동작, 상기 판단 결과에 따라 상기 수집된 데이터를 상기 사용자 예측 모델에 입력하여 사용자를 미리 식별하는 동작, 및 식별된 상기 사용자에 대응하는 맞춤형 서비스를 제공하는 동작을 포함하고, 상기 수집된 데이터는 발소리, 주변기기 조작음 등의 음성 데이터 또는 헤어스타일, 체형, 걸음걸이, 의복 등의 영상 데이터일 수 있다.
본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자 예측 모델을 적용한 전자 장치는 데이터를 입력 받고 일정 범위 밖에서 먼저 사용자를 식별할 수 있다.
또한, 본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자 인증을 수행하기 이전에 획득된 사용자 관련 데이터에 대한 사용자 예측 모델을 생성 및 활용하여 보다 신속한 사용자 맞춤형 서비스를 제공할 수 있다.
또한, 본 문서에 개시되는 다양한 실시 예들에 따르면, 수집된 데이터를 입력으로, 인증 기능의 결과를 정답으로 부여하여 학습시킨 사용자 예측 모델을 이용하여, 수집한 데이터를 이용하여 사용자를 식별할 수 있다. 이에 따라, 기존에 활용되지 못한 데이터를 예측 서비스 또는 맞춤형 서비스와 같은 활용성 있는 모델을 생성하는 데에 활용할 수 있다.
또한, 본 문서에 개시되는 다양한 실시 예들에 따르면, 사용자 인증 결과를 학습의 목표 값으로 부여함으로써 사용자와 연관된 사용자 예측 모델을 지속적으로 지도 및 학습시킬 수 있다.
이 외에, 본 문서의 다양한 실시예들을 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치를 나타낸다.
도 2a는 일 실시 예에 따른 데이터를 학습하여 사용자들 각각을 식별하는 모델을 생성하는 것을 나타낸 도면이다.
도 2b는 일 실시 예에 따른 사용자 예측 모델에 적용하는 기계 학습을 나타낸 도면이다.
도 3는 일 실시 예에 따른 데이터를 학습하여 사용자 예측 모델을 생성하는 것을 나타낸 흐름도이다.
도 4는 다른 실시 예에 따른 사용자 예측 모델을 생성하는 것을 나타낸 흐름도이다.
도 5a는 또 다른 실시 예에 따른 사용자 예측 모델을 생성하는 것을 나타낸 흐름도이다.
도 5b는 새로운 목표 값을 부여하는 동작을 나타낸 도면이다.
도 6은 일 실시 예에 따른 사용자 예측 모델을 검증하는 흐름도이다.
도 7은 일 실시 예에 따른 전자 장치가 사용자 예측 모델을 이용하여 사용자를 식별하는 것을 나타낸 도면이다.
도 8은 일 실시 예에 따른 전자 장치가 이용하는 사용자 예측 모델을 생성 및 학습하는 것을 나타낸 도면이다.
도 9는 일 실시 예에 따른 전자 장치가 사용자 예측 모델을 이용하여 서비스를 제공하는 것을 나타낸 도면이다.
도 10은 다른 실시 예에 따른 전자 장치가 사용자 예측 모델을 생성 및 학습하는 것을 나타낸 도면이다.
도 11은 일 실시 예에 따른 통합 지능화 시스템을 나타낸 블록도이다.
도 12는 일 실시 예에 따른 컨셉과 액션의 관계 정보가 데이터베이스에 저장된 컨셉 액션 네트워크를 나타낸 도면이다.
도 13은 일 실시 예에 따른 전자 장치의 하드웨어 구조를 나타낸 도면이다.
도 14는 일 실시 예에 따른 전자 장치의 소프트웨어 구조를 나타낸 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블럭도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)은 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)은, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예:스타일러스 펜)을 포함할 수 있다.
음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102)) (예: 스피커 또는 헤드폰))를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)이 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)은, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))를 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, or 108) 중 하나 이상의 외부 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 2a는 일 실시 예에 따른 데이터(210)를 학습하여 사용자들(201, 202) 각각을 식별하는 모델을 생성하는 것을 나타낸 도면(200)이다.
일 실시 예에서, 사용자들(201, 202)은 제1 영역(A1)에 위치할 수 있다. 사용자들(201, 202)을 제1 사용자(201) 및 제2 사용자(202)를 포함할 수 있다.
일 실시 예에서, 제1 사용자(201)는 데이터(210)를 생성할 수 있다. 데이터(210)는 제1 사용자(201)를 식별 또는 예측할 수 있는 특성을 포함하는 정보일 수 있다. 예를 들어, 데이터(210)는 발소리(211), 체형(212), 및 걸음걸이(213) 중 적어도 하나를 포함할 수 있다. 제1 사용자(201) 및 제2 사용자(202)는 서로 다른 특성을 갖는 정보를 생성할 수 있다.
일 실시 예에서, 전자 장치(101)는 제2 영역(A2)에 위치할 수 있다. 제2 영역(A2)은 제1 영역(A1)으로부터 지정된 거리만큼 이격된 영역일 수 있다. 전자 장치(101)는 제1 사용자(201)와 제1 거리(D1)만큼 이격될 수 있다. 제1 거리(D1)는 전자 장치(101)가 사용자 식별을 위한 인증 기능을 수행할 수 있는 거리보다 길 수 있다.
일 실시 예에서, 전자 장치(101)는 제1 거리(D1)만큼 이격된 제1 사용자(201)가 생성한 데이터(210)를 입력받을 수 있다. 전자 장치(101)는 제1 사용자(201)가 생성한 데이터(210)를 실시간으로 수집할 수 있다.
일 실시 예에서, 제1 사용자(201)는 위치를 변경할 수 있다. 제1 사용자(201)는 전자 장치(101)가 위치한 제2 영역(A2)으로 이동할 수 있다. 제1 사용자(201)는 전자 장치(101)와 제1 사용자(201)와 제2 거리(D2)만큼 이격되도록 위치를 변경할 수 있다. 제2 거리(D2)는 제1 거리(D1)보다 짧은 거리일 수 있다. 제2 거리(D2)는 전자 장치(101)가 인증 기능을 수행할 수 있는 거리일 수 있다.
일 실시 예에서, 전자 장치(101)는 이동한 제1 사용자(201)에 대하여 인증(authentication) 기능을 수행할 수 있다. 인증 기능은 전자 장치(101)가 제1 사용자(201)로부터 획득한 정보가 전자 장치(101)에 등록된 정보와 일치하는지 여부를 비교하는 인증 기능을 포함할 수 있다. 예를 들어, 전자 장치(101)는 이동한 제1 사용자(201)의 얼굴 또는 홍채와 같은 이미지(221)를 획득하여 비전 인식을 수행하고, 이미지(221)가 등록된 제1 사용자(201)의 이미지 데이터와 일치하는지 여부를 판단하여 제1 사용자(201)를 인증할 수 있다. 다른 예로, 전자 장치(101)는 이동한 제1 사용자(201)가 발화한 음성(222)을 획득하여 음성 인식을 수행하고, 음성(222)이 등록된 제1 사용자(201)의 음성 데이터와 일치하는지 여부를 판단하여 제1 사용자(201)를 인증할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집한 데이터(210)를 학습하는 모델을 생성할 수 있다. 전자 장치(101)는 생성한 모델을 이용하여 사용자를 예측할 수 있다. 본 문서에서 전자 장치(101)가 생성한 모델은 사용자 예측 모델로 참조될 수 있다.
일 실시 예에서, 전자 장치(101)는 인증 기능을 이용하여 사용자를 인증한 동작의 결과를 사용자 예측 모델에 목표 값으로 부여할 수 있다. 전자 장치(101)는 인증 결과에 기반하여기계 학습(machine learning)의 레이블(label) 또는 태그(tag)를 부여할 수 있다. 기계 학습은 딥러닝(deep learning), GMM(Gaussian mixture model), SVM(support vector machine), 무작위 숲(random forest) 등 다양한 기계학습 알고리즘 중 적어도 하나를 포함하는 알고리즘이 될 수 있다. 레이블은 수집된 데이터(210)에 대한 이름 또는 분류(예: 사용자 1, 사용자 2, 또는 관리자)일 수 있다.
일 실시 예에서, 전자 장치(101)는 인증 기능과 시간적 또는 공간적으로 연관된 상황에서 발생한 데이터(210)를 사용자 예측 모델의 입력으로 부여할 수 있다. 예를 들어, 전자 장치(101)는 인증 기능 이전 일정 기간 내에 수집된 데이터(210)에 대해 레이블을 자동으로 부여할 수 있다. 일정 기간은 인증 기능과 연관된 기간(예: 인증 기능 바로 이전)일 수 있다.
일 실시 예에서, 전자 장치(101)는 사용자 예측 모델에 입력한 데이터(210) 및 정답으로 부여한 인증 결과를 이용하여 제1 사용자(201)와 연관된 패턴을 발견(mining)할 수 있다. 사용자 예측 모델은 데이터(210)를 기계 학습의 테스트 데이터로 이용하고, 정답을 레이블과 같은 목표 값으로 이용하여 갱신될 수 있다.
도 2b는 일 실시 예에 따른 사용자 예측 모델에 적용하는 기계 학습을 나타낸 도면이다.
일 실시 예에서, 사용자 예측 모델에 적용하는 기계 학습(240)은 테스트 데이터에 해당하는 데이터(210)를 입력하는 경우 목표 값을 출력하도록 설정될 수 있다. 기계 학습을 적용한 사용자 예측 모델은 테스트 데이터를 반복하여 입력함으로써 보다 다양한 입력에 대한 목표 값을 출력할 수 있다. 예를 들어, 적어도 하나 이상의 테스트 데이터(예: Xtest)가 훈련 데이터 세트(230)에 포함될 수 있다. 훈련 데이터 세트(230)는 값이 특징(feature, X) 및 레이블(label, Y)이 정해져 있는 적어도 하나 이상의 테스트 데이터를 포함할 수 있다. 예를 들어, 훈련 데이터 세트 1은 (2, 3, 5)이고, 훈련 데이터 세트 2는 (2, 5, 7)이고, 훈련 데이터 세트 3은 (3, 6, 9)로 단순화하여 표현된 데이터일 수 있다. 예를 들어, 전자 장치는 상기 훈련 데이터 세트들을 반복, 학습하여 특정 모델(예: 사용자 예측 모델)을 생성할 수 있으며, 상기 생성된 모델에 (3, 6, 9)에 대응하는 데이터(210)가 테스트 데이터(Xtest)로 입력되는 경우, 결과 값으로 목표 값(Y = 3)을 출력할 수 있다. 다양한 실시 예에 따라 학습 알고리즘으로 인공 신경망 알고리즘이 적용되는 경우, 상기 모델을 생성하는 동작은 기능(예: 분류, 군집화, 사용자 식별 등)을 수행하기 위한 특정 함수식의 파라미터(parameter)(예: 가중치(weight), 바이어스(bias))을 결정하는 동작을 포함할 수 있다. 전자 장치는 학습 알고리즘을 이용하여 데이터의 패턴을 발견하고 이를 이용하여 수학적 모델을 구성할 수 있으며 상기 모델을 사용하여 이후 입력된 데이터에 대한 예측을 수행할 수 있다. 본 발명의 다양한 실시 예에 따라 사용자 예측 모델은 훈련 데이터의 학습을 통해 생성되며 사용자와 관련된 정보의 판별 또는 예측하는 기능을 수행할 수 있다. 실시 예에서, 전자 장치(101)는 생성 사용자 예측 모델을 이용하여 사용자를 예측하고, 맞춤형 서비스를 제공할 수 있다.
도 3은 일 실시 예에 따른 사용자 예측 모델을 생성하는 것을 나타낸 흐름도(300)이다.
일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 310에서, 센서 모듈(176)로부터 음성 또는 영상 데이터를 수집할 수 있다. 전자 장치(101)는 센서 모듈(176)을 이용하여 주변 환경에서 발생하는 데이터(210)를 실시간으로 수집할 수 있다. 데이터(210)는 음성 데이터 또는 영상 데이터일 수 있다. 음성 데이터는 발소리(211)와 같은 각각의 사용자들(201, 202)의 고유의 소리 패턴일 수 있다. 영상 데이터는 체형(212), 걸음걸이(213), 의복, 헤어 스타일과 같은 각각의 사용자들(201, 202)의 고유의 이미지 패턴일 수 있다.
일 실시 예에서, 전자 장치(101)는 인증 기능을 수행하는 영역보다 먼 거리에 위치한 제1 영역(A1)에서 발생하는 데이터(210)를 수집할 수 있다. 전자 장치(101)는 제1 영역(A1)에서 발생하는 음성 데이터 또는 영상 데이터를 실시간으로 수집할 수 있다. 예를 들어, 전자 장치(101)는 제1 거리(D1)에 위치한 사용자들(201, 202)의 대화와 같이 제1 거리(D1)에서 발생한 음성 데이터를 실시간으로 수집할 수 있다. 다른 예로, 전자 장치(101)는 모니터링 기능을 위해 제1 영역(A1)을 촬영한 영상 데이터를 실시간으로 수집할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집된 데이터(210)를 저장할 수 있다. 전자 장치(101)는 수집된 영상 데이터 또는 음성 데이터를 메모리(130)에 저장할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 320에서, 사용자 식별(Identification)또는 인증(Authentication) 기능을 수행할 수 있다. 전자 장치(101)는 이동하여 제2 영역(A2)에 들어온 사용자(201, 202)에 대한 인증 기능을 수행할 수 있다. 전자 장치(101)는 사용자들(201, 202) 각각을 구별하기 위한 식별 기능 또는 인증 기능을 수행할 수 있다.
일 실시 예에서, 상기 사용자 식별 기능 또는 인증 기능은 외부 전자 장치의 고유 정보(예: Product ID, Mac Address 등), 사용자의 생체 정보(예: 홍채, 지문 등)를 확인하는 동작일 수 있다. 또한 상기 사용자 식별 기능 또는 인증 기능은 터치 패턴, 제스처 등 미리 정의된 정보를 확인하는 동작일 수 있다.
일 실시 예에서, 전자 장치(101)는 제2 영역(A2)에 들어온 사용자(201)를 인식하여 등록된 사용자인지 여부를 확인하는 인증 기능을 수행할 수 있다. 예를 들어, 전자 장치(101)는 화자 인식 또는 얼굴 인식을 이용하여 획득한 이미지(221)가 제1 사용자(201)와 일치하는지 여부를 확인하여 제1 사용자(201)를 인증할 수 있다. 그러나 이에 한정되지 않으며, 상기 사용자 식별 기능 또는 인증 기능 수행 시 전자 장치와 사용자 간 거리는 기능의 유형에 따라 다양할 수 있다. 예를 들어, 사용자 식별 기능 또는 인증 기능이 원거리에서 확인 가능한 정보를 확인하는 동작을 포함하는 경우, 전자 장치(101)는 제1 영역(A1)에서 등록된 사용자인지 여부를 확인할 수 있다.
다양한 실시 예에 따라 학습 데이터 중 입력 데이터는 시간 정보에 따라 결정될 수 있다. 예를 들어, 상기 식별 또는 인증 기능 시점 이전 또는 이후에 수집, 저장된 데이터를 학습 데이터의 일부(예: 입력 데이터)로 이용할 수 있다.
일 실시 예에서, 전자 장치(101)가 사용자를 식별 또는 인증하는 동작은 맞춤형 서비스나 보안 기능 제공을 위해 수행될 수 있다.
일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 330에서, 수집된 데이터(210)를 입력으로, 인증 결과를 목표 값으로 부여할 수 있다. 전자 장치(101)는 사용자 식별 기능 또는 인증 기능이 수행되면 이전에 수집된 데이터(210) 중 일정 시간 내 수집 또는 저장된 데이터(210)를 학습을 위한 데이터(210)로 결정할 수 있다. 예를 들어, 전자 장치(101)는 인증 기능 수행 이전 일정 시간 내에 제1 영역(A1)에서 발생한 데이터(210)를 학습을 위한 데이터(210)로 결정하고 입력으로 부여할 수 있다. 전자 장치(101)는 결정된 데이터(210)를 입력 값으로 지정하고, 식별 기능 또는 인증 기능의 결과를 결과 값으로 지정할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 340에서, 사용자 예측 모델을 학습할 수 있다. 전자 장치(101)는 수집된 데이터(210)에 기반하여 사용자 예측 모델을 학습시킬 수 있는 학습 데이터를 생성할 수 있다. 사용자 예측 모델은 학습 데이터를 이용하여 학습을 수행하기 위해 신경망(neural network) 또는 HMM(hidden Markov model)과 같은 학습 알고리즘을 적용할 수 있다. 학습 알고리즘은 수집된 데이터(210)로부터 새로운 패턴을 발견하는 동작을 수행할 수 있다. 사용자 예측 모델은 실시간으로 수집된 데이터(210)를 반복적으로 학습할 수 있다. 사용자 예측 모델은 모델은 반복적인 학습을 통해 갱신될 수 있다.
다양한 실시 예에 따라 제1 영역(A1)은 원거리, 제2 영역(A2)은 제1 영역(A1)보다 상대적으로 가까운 거리를 의미할 수 있다. 전자 장치(101)는 사용자들(201, 202)이 원거리에서 생성한 데이터(210)를 수집 및 분석할 수 있다. 전자 장치(101)는 분석한 결과를 이용하여 원거리에서 수집된 데이터(210)만을 이용하여 각각의 사용자들(201, 202)을 예측할 수 있는 사용자 예측 모델을 생성할 수 있다.
도 4는 다른 실시 예에 따른 사용자 예측 모델을 학습시키는 시스템을 나타낸 흐름도(400)이다. 다른 실시 예에 따른 사용자 예측 모델의 동작 410, 동작 420, 동작 450, 및 동작 460은 도 3을 결부하여 설명한 사용자 예측 모델의 동작 310, 동작 320, 동작 330, 및 동작 340과 실질적으로 동일할 수 있다. 이에 따라, 이하에서는 동일한 동작에 대한 중복되는 설명은 생략하기로 한다.
일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 430에서, 수집된 데이터가 특정 조건을 만족하는지 여부를 판단할 수 있다. 전자 장치(101)는 사용자 식별 동작 또는 인증 기능을 수집된 연관된 데이터(210)를 수집하기 시작하는 트리거(trigger) 시점으로 설정할 수 있다. 전자 장치(101)는 트리거 시점 이전에 발생한 데이터(210) 중 적어도 일부를 학습 대상으로 결정할 수 있다. 전자 장치(101)는 수집된 데이터(210)를 학습 데이터로 결정하는데 있어서 특정 조건을 만족하는지 판단하는 동작을 판단하여 유효한 데이터가 사용자 예측 모델의 학습 데이터가 되도록 할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집 대상이 음성이어서 수집된 데이터(210)가 음성 데이터일 경우, 지정된 주파수 범위 이내의 음성 데이터를 특정 조건을 만족하는 학습 대상으로 판단할 수 있다. 예를 들어, 전자 장치(101)는 음성 데이터의 주파수를 특정 범위로 제한하여, 사용자의 지정된 행위로 인해 발생하는 음성 데이터(210)만을 추출하도록 유도할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집 대상이 영상이어서 수집된 데이터(210)가 영상 데이터일 경우, 각각의 사용자들(201, 202)의 신체의 일부 또는 전체를 학습 영역으로 지정할 수 있다. 예를 들어, 전자 장치(101)는 체형(212) 분석을 위한 몸통(body)부 또는 걸음걸이(213) 분석을 위한 다리부를 특정 조건을 만족하는 학습 대상으로 판단할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집된 데이터(210)가 특정 조건을 만족하는 경우, 동작 450을 수행할 수 있다. 전자 장치(101)는 수집된 데이터(210)가 특정 조건을 만족하는 경우 수집된 데이터(210)를 입력으로, 인증 결과를 목표 값으로 부여할 수 있다. 전자 장치(101)는 수집된 데이터(210)가 특정 조건을 만족하지 않는 경우, 동작 440을 수행할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 440에서, 수집된 데이터(210)를 삭제할 수 있다. 전자 장치(101)는 수집된 데이터(210)가 특정 조건을 만족하지 않는 경우 수집된 데이터(210)가 사용자 예측 모델을 생성 또는 갱신하는 과정에 불필요한 노이즈(noise) 데이터로 판단할 수 있다. 전자 장치(101)는 수집된 데이터(210)가 사용자 예측 모델을 생성 또는 갱신하는 데 도움이 되는지 여부를 판단하여 사용자 예측 모델의 학습을 위한 정제된 입력 데이터(210)의 확보가 가능할 수 있다. 또한, 전자 장치(101) 사용자 예측 모델의 생성 또는 갱신에 필요 없는 데이터를 제거하여 사용자 예측 모델을 보다 신속하게 생성 또는 갱신할 수 있다.
도 5a는 또 다른 실시 예에 따른 사용자 예측 모델을 생성하는 것을 나타낸 흐름도(500)이다. 또 다른 실시 예에 따른 사용자 예측 모델의 동작 510, 동작 520, 및 동작 550은 도 3을 결부하여 설명한 사용자 예측 모델의 동작 310, 동작 320, 및 동작 340과 실질적으로 동일할 수 있다. 이에 따라, 이하에서는 동일한 동작에 대한 중복되는 설명은 생략하기로 한다.
일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 530에서, 인증 결과로부터 추출한 속성에 연관된 개념을 새로운 목표 값으로 부여할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집 가능하지만 사용자 식별 또는 사용자 예측을 곧바로 할 수 없는 다양한 데이터(210)를 수집하여 새로운 패턴을 발견할 수 있다. 전자 장치(101)는 패턴을 아직 발견하지 못한 암흑 데이터(dark data)를 지속적으로 분석하여 새로운 패턴을 발견할 수 있다. 이와 같이, 사용자를 구별하기 위한 용도로 데이터(210)를 수집하여 사용자 예측 모델을 생성하기 위해, 수집된 데이터(210)는 사용자를 구별할 수 있는 특징들을 포함할 수 있다. 사용자를 구별할 수 있는 특징들은 영상 데이터의 경우 얼굴의 특징들 또는 홍채일 수 있고, 음성 데이터의 경우 음성을 구성하는 음소의 특징들 또는 음정의 특징들일 수 있다.
그러나, 다양한 데이터(210) 중에는 원래부터 특정 분류로 구분하기 어려운 데이터가 포함되어, 수집된 데이터(210) 자체가 사용자 구분 수준이 아닌 데이터가 포함될 수 있다. 제1 영역(A1)에서 발생한 음성 데이터 또는 영상 데이터 중 개별적인 사용자들(201, 202) 각각을 구분할 수 있는 특징들 자체를 포함하지 않는 데이터들은 수집하더라도 사용자 예측 모델에서 활용될 수 없다.
일 실시 예에서, 전자 장치(101)는 각각의 사용자들(201, 202)을 구별하는 사용자 예측 모델 대신 수집된 데이터가 어떤 사용자 그룹(group)으로부터 생성되었는지 구분할 수 있는 사용자 예측 모델을 생성할 수 있다. 전자 장치(101)는 보다 용이한 수준의 사용자 예측 모델을 생성할 수 있도록 목표 값을 재정의할 수 있다. 전자 장치(101)는 목표 값을 재정의하기 위해 사용자 식별 결과 또는 인증 기능의 결과를 사용자 예측 모델의 목표 값으로 그대로 부여하는 대신, 보다 상위의 개념을 목표 값으로 부여할 수 있다. 예를 들어, 전자 장치(101)는 수집된 데이터(210)가 어느 사용자(예: 제1 사용자(201) 또는 제2 사용자(202))로부터 생성된 것인지 판단하는 대신, 수집된 데이터(210)가 남자 또는 여자로부터 생성된 것인지, 또는 아이 또는 어른으로부터 생성된 것인지 여부와 같이 지정된 상위 그룹 중 어느 그룹으로부터 생성된 것인지 판단하도록 목표 값을 부여할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 생성하는 시스템은 동작 540에서, 수집된 데이터(210)를 입력으로, 새로운 목표 값을 정답으로 부여할 수 있다. 예를 들어, 전자 장치(101)는 사용자 예측 모델의 레이블을 부여할 때, 사용자 식별 동작에서 판별된 결과를 가공하여 새로운 목표 값으로 부여할 수 있다.
일 실시 예에서, 전자 장치(101)는 사용자 식별 결과를 재정의하여 새로운 기준으로 수집된 데이터(210)의 특징을 사용자 예측 모델에 학습시킬 수 있다. 전자 장치(101)는 사용자 식별 동작 또는 인증 기능 결과로부터 새로운 목표 값을 추출하여 사용자 모델을 학습시키는 학습 데이터에 포함시킬 수 있다. 예를 들어, 인증 기능에서 제1 사용자(201)라고 판명된 경우, 전자 장치(101)는 제1 사용자(201)의 프로필(profile) 정보로부터 어른 또는 남자와 같은 목표 값을 추출하여 학습 데이터에 포함시킬 수 있다. 전자 장치(101)는 수집된 데이터(210)와 새로운 목표 값을 사용자 예측 모델에 같이 입력할 수 있다.
일 실시 예에서, 전자 장치(101)는 새로운 목표 값을 그룹핑(grouping)하여 사용자 예측 모델을 구성할 수 있다. 예를 들어, 전자 장치(101)는 수집된 데이터(210)를 남자 또는 여자를 구분하는 데이터로 그룹핑하거나, 아이 또는 어른을 구분하는 데이터로 그룹핑하여 사용자 예측 모델에 입력할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집된 데이터(210)의 종류에 따라 사용자 식별 결과를 서로 다르게 정의하여 사용자 예측 모델 생성을 위한 학습 데이터로 사용할 수 있다. 예를 들어, 사용자 식별 결과 또는 인증 기능의 결과가 아빠 또는 아들로 식별된 경우, 전자 장치(101)는 수집된 데이터를 남자를 구별할 수 있는 사용자 예측 모델을 생성하는 데 이용할 수 있다. 이에 따라, 전자 장치(101)는 사용자 예측 모델이 학습하는 범위를 조절하여 수집된 데이터(210)의 구분 능력을 보장할 수 있다. 또한, 전자 장치(101)는 새로운 목표 값에 따라 구분된 결과를 이용하여 다양한 예측 서비스를 제공할 수 있다.
도 5b는 새로운 목표 값을 부여하는 동작(530)을 나타낸 도면이다.
일 실시 예에서, 전자 장치(101)는 사용자 식별 또는 인증 기능의 결과로부터 추출한 속성에 연관된 개념을 새로운 목표 값으로 부여할 수 있다. 전자 장치(101)는 복수의 사용자들을 속성에 따라 구분하는 상위 개념을 설정할 수 있다. 전자 장치(101)는 사용자 식별 또는 인증 기능으로 복수의 사용자들(A~F)의 속성을 추출할 수 있다. 예를 들어, 전자 장치(101)는 복수의 사용자들(A~F)의 성별을 추출할 수 있다. 전자 장치(101)는 복수의 사용자들(A~F)을 성별에 따라 남자(531) 및 여자(532)로 구분할 수 있다.
일 실시 예에서, 연관된 개념은 수집된 데이터(210)로부터 도출할 수 있는 특징을 포함할 수 있다. 전자 장치(101)는 특징을 바탕으로 수집된 데이터(210)를 판단하도록 새로운 목표 값을 부여할 수 있다. 예를 들어, 전자 장치(101)는 수집된 데이터(210)가 어느 사용자(A~F)로부터 생성된 것인지 판단하는 대신, 수집된 데이터(210)가 남자(531) 또는 여자(532)로부터 생성된 것인지 판단하도록 목표 값을 부여할 수 있다.
일 실시 예에서, 전자 장치(101)는 특징들을 이용하여 수집된 데이터(210)를 적어도 하나의 그룹(531, 532)에 포함시킬 수 있다. 예를 들어, 전자 장치(101)는 남자(531)에 해당하는 사용자(A, B, C)들을 하나의 그룹으로 그룹핑(grouping)하고, 여자(532)에 해당하는 사용자(D, E, F)들을 하나의 그룹으로 그룹핑할 수 있다.
일 실시 예에서, 그룹핑은 수집된 데이터 중 동일한 특징을 갖는 데이터가 동일한 목표 값을 갖도록 설정하고, 동일한 목표 값을 갖는 데이터들을 하나의 그룹으로 저장 및 관리하는 동작일 수 있다. 그룹핑을 위해, 수집된 데이터들은 계층(hierarchy) 형태의 자료로 저장될 수 있다.
일 실시 예에서, 상위 개념의 객체들은 특징 인자(또는 특징 분포)간 차이가 하위 개념의 객체들보다 명확할 수 있다. 예를 들어, 남자(531)에 해당하는 사용자(A, B, C)들로부터 수집된 데이터 및 여자(532)에 해당하는 사용자(D, E, F)들로부터 수집된 데이터는 명확하게 구분할 수 있으나, 남자(531)에 해당하는 사용자(A, B, C)들 각각으로부터 수집된 데이터는 구분이 용이하지 않을 수 있다. 상위 개념을 이용하여 사용자들을 구분하는 경우, 보다 용이하게 사용자 예측 모델을 생성할 수 있다.
도 6은 일 실시 예에 따른 사용자 예측 모델을 검증하는 흐름도(600)이다. 사용자 예측 모델을 실제 서비스에 적용하기 위해서는 일정 수준 이상의 신뢰도 검증이 필요할 수 있다. 아래에서 설명하는 동작들을 수행하는 경우, 사용자 예측 모델을 적용한 전자 장치(101)가 실제로 수집된 데이터(210)만으로 사용자를 예측할 수 있는지 여부를 확인할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 동작 610에서, 제1 영역(A1)에서 발생한 데이터(210)를 수집할 수 있다. 전자 장치(101)는 제1 영역(A1)에서 발생한 음성 데이터 또는 영상 데이터를 실시간으로 수집할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 동작 620에서, 사용자 예측 모델을 이용하여 제1 영역(A1)에 위치한 사용자를 예측할 수 있다. 전자 장치(101)는 사용자 예측 모델에서 기계 학습을 통해 부여한 입력 값들의 패턴(또는 특성) 및 목표 값 사이의 관계를 이용하여, 수집된 데이터(210)가 입력 값으로 부여되는 경우 수집된 데이터(210)를 생성하는 사용자를 식별할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 동작 630에서, 제2 영역(A2)으로 이동한 사용자의 식별 또는 인증 기능을 수행할 수 있다. 전자 장치(101)는 인증 기능을 수행할 수 있는 제2 영역(A2)으로 사용자가 들어오는 경우, 인증 기능을 통해 사용자를 식별할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 동작 640에서, 예측한 사용자와 식별된 사용자가 일치하는지 여부를 판단할 수 있다. 예측한 사용자는 제1 영역(A1)에서 사용자 예측 모델을 이용하여 예측한 사용자일 수 있다. 식별된 사용자는 제2 영역(A2)에서 인증 기능을 통해 식별된 사용자일 수 있다. 사용자 예측 모델의 검증 과정에서 사용되는 목표 값은 사용자 식별 동작 또는 인증 기능의 결과 값을 통해 획득할 수 있다.
일 실시 예에서, 전자 장치(101)에 적용한 사용자 예측 모델의 신뢰도를 검증하기 위해 일정 개수의 수집된 데이터(210)를 입력 값으로 하여, 사용자 예측 모델에 입력 값을 통과시켜 획득한 결과 값 및 인증 기능을 통해 획득한 목표 값을 비교할 수 있다. 예측한 사용자와 식별된 사용자를 비교한 결과가 일치하는 비율에 기반하여 전자 장치(101)의 사용자 예측 모델의 정확도를 판단할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 예측한 사용자와 식별된 사용자가 일치하는 경우, 동작 650에서 사용자 예측 모델의 신뢰도를 증가시킬 수 있다. 전자 장치(101)는 사용자 예측 모델을 이용하여 획득한 결과 값이 인증 기능을 통해 획득한 목표 값과 동일하므로, 사용자 예측 모델이 지정된 수준을 만족하는 것으로 판단할 수 있다. 예를 들어, 검증용 입력 데이터를 사용자 예측 모델의 입력 값으로 적용했을 때 제1 사용자(201)라는 출력 값이 도출되고, 이후 연관된 사용자 식별 동작에서도 제1 사용자(201)라는 결과가 도출된 경우, 전자 장치(101)는 사용자 예측 모델의 신뢰성을 가산할 수 있다.
일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 예측한 사용자와 식별된 사용자가 일치하지 않는 경우, 동작 660에서 수집된 데이터(210)를 식별된 사용자에 대응하는 학습 데이터로 확용할 수 있다. 예를 들어, 사용자 예측 모델에서 제1 사용자(201)라는 결과가 도출되었지만, 사용자 식별 동작 또는 인증 기능에서 제2 사용자(202)라는 결과가 도출된 경우, 해당하는 사용자 예측 모델에 입력된 데이터는 제2 사용자(202)를 구별하기 위한 학습 데이터로 활용될 수 있다.
일 실시 예에 따른 사용자 예측 모델을 적용한 전자 장치(101)는 예측한 사용자와 식별된 사용자가 일치하지 않는 경우, 동작 670에서 사용자 예측 모델의 신뢰도를 감소시킬 수 있다. 전자 장치(101)는 사용자 예측 모델을 이용하여 획득한 결과 값이 인증 기능을 통해 획득한 목표 값과 다르므로, 사용자 예측 모델이 지정된 수준을 만족하지 않는 것으로 판단할 수 있다. 이에 따라, 전자 장치(101)는 사용자 예측 모델의 신뢰도를 감산시킬 수 있다.
도 7은 일 실시 예에 따른 전자 장치(101)가 사용자 예측 모델을 이용하여 사용자(710)를 식별하는 것을 나타낸 도면(700)이다.
일 실시 예에서, 검증된 사용자 예측 모델을 적용하는 경우, 전자 장치(101)는 다양한 서비스 동작을 구현할 수 있다. 사용자 식별 동작 또는 인증 기능을 적용한 전자 장치(101)의 사용자 맞춤형 서비스는 사용자 식별이 가능한 근거리인 제2 영역(A2)에서만 가능했지만, 사용자 예측 모델을 적용한 전자 장치(101)는 보다 원거리인 제1 영역(A1)에서 사용자를 식별하는 것이 가능하다.
일 실시 예에서, 전자 장치(101)는 제1 영역(A1)에서 발생하는 데이터(710)를 수집할 수 있다. 전자 장치(101)는 모니터링 기능 수행과 같은 센싱 동작을 이용하여 상시 주변 환경을 센싱할 수 있다. 데이터(710)는 발소리, 주변기기 조작음 등의 음성 데이터 또는 헤어스타일, 체형, 걸음걸이, 의복 등의 영상 데이터가 될 수 있다.
일 실시 예에서, 전자 장치(101)는 주변 환경을 센싱하는 중, 특정한 데이터 입력이 감지되는 경우 사용자를 미리 식별할 수 있다. 전자 장치(101)는 제2 영역(A2)과 이격된 제1 영역(A1)에서 발생한 데이터(710)를 사용자 예측 모듈에 입력 값으로 입력하여 사용자를 결과 값으로 획득하여 사용자를 식별할 수 있다.
일 실시 예에서, 전자 장치(101)는 원거리인 제1 영역(A1)에서 사용자를 식별하고, 식별된 사용자에 대응하는 맞춤형 서비스(720)를 제공할 수 있다. 예를 들어, 전자 장치(101)는 수집된 데이터(710)가 사용자1이 생성한 발소리인 것을 인식하고 "사용자1님 오셨어요?"라고 자동적으로 응답하는 맞춤형 서비스(720)를 제공할 수 있다. 다른 예로, 전자 장치(101)는 수집된 데이터(710)가 사용자1이 생성한 발소리인 것을 인식하고 사용자1이 노래를 주로 듣는다는 점을 이용하여 "좋아하는 노래 들려드릴까요?"라고 자동적으로 응답하는 맞춤형 서비스(720)를 제공할 수 있다. 맞춤형 서비스(720)는 전자 장치(101)가 발소리와 같은 데이터(710)를 획득하는 시점 또는 사용자가 전자 장치를 호출하는 시점에서 실행될 수 있다.
일 실시 예에서, 사용자 예측 모델을 적용한 전자 장치(101)는 제1 영역(A1)에서 사용자를 식별하고, 맞춤형 서비스(720)를 제공할 수 있다. 이에 따라, 전자 장치(101)는 보다 빠르게 사용자를 식별하고, 선제적으로 맞춤형 서비스(720)를 제공할 수 있다.
도 8은 일 실시 예에 따른 전자 장치(101)가 이용하는 사용자 예측 모델을 생성 및 학습하는 것을 나타낸 도면(800)이다.
일 실시 예에서, 전자 장치(101)는 사용자 예측 모델을 생성하기 위해 데이터 수집(810) 동작을 수행할 수 있다. 수집하는 데이터는 걸음걸이, 체형, 헤어스타일, 또는 발소리와 같은 영상 데이터 또는 음성 데이터일 수 있다.
일 실시 예에서, 전자 장치(101)는 사용자 예측 모델을 생성하기 위해 새로운 목표 값 부여(820) 동작을 수행할 수 있다. 전자 장치(101)는 데이터 수집(810) 동작으로 수집된 데이터로부터 사용자 식별 동작 또는 인증 기능에서 목표 값을 도출하는 것이 용이하지 않은 경우, 수집된 데이터로 도출할 수 있는 특징을 그룹핑하여 상위 개념을 새로운 목표 값으로 정의할 수 있다. 새로운 목표 값으로 수정하는 경우, 사용자 예측 모델의 정확성을 높일 수 있다. 또한, 사용자 예측 모델을 적용하여 상황에 맞는 다양한 서비스를 제공할 수 있다.
일 실시 예에서, 전자 장치(101)는 학습 데이터(830, 840)를 구성할 수 있다. 전자 장치(101)는 특정 조건에 부합하는 데이터와 인증 기능의 결과 값을 통해 학습 데이터(830, 840)를 구성할 수 있다. 전자 장치(101)는 데이터의 변경 또는 인증 기능 결과 값의 가공에 따라 다양한 사용자 예측 모델을 생성할 수 있다. 예를 들어, 어른(830) 사용자 그룹과 어린이(840) 사용자 그룹을 구분할 수 있는 사용자 예측 모델은 학습 데이터(830, 840)는 어른(830) 그룹에 속하는 할아버지(831), 할머니(832), 아버지(833), 또는 어머니(834)로부터 생성된 데이터를 어른(830) 그룹을 식별할 수 있는 학습 데이터로 지정하고, 어린이(840) 그룹에 속하는 아들(841) 또는 딸(842)로부터 생성된 데이터를 어린이(840) 그룹을 식별할 수 있는 학습 데이터로 지정할 수 있다.
일 실시 예에서, 전자 장치(101)는 사용자 프로필을 참고하여 목표 값을 수정하여 인증 기능 결과 값을 가공할 수 있다. 예를 들어, 수집된 데이터(810)에서 아들(841) 및 딸(842)이 식별되고, 아들(841) 및 딸(842)의 사용자 프로필이 공통적으로 어린이라는 속성을 가지는 경우, 수집된 데이터(810)는 어린이(840)를 구분하는 사용자 예측 모델을 생성하는데 사용될 수 있다.
일 실시 예에서, 전자 장치(101)는 사용자 예측 모델 생성(850) 동작을 수행할 수 있다. 전자 장치(101)는 학습 데이터(830, 840)를 반복적으로 학습시켜 사용자 예측 모델을 생성할 수 있다. 전자 장치(101)는 생성된 사용자 예측 모델을 반복적으로 학습시켜 사용자 예측 모델을 갱신하고, 사용자 예측 모델의 적합성 또는 신뢰성을 증가시킬 수 있다.
도 9는 일 실시 예에 따른 전자 장치(101)가 사용자 예측 모델(920)을 이용하여 서비스를 제공하는 것을 나타낸 도면(900)이다.
일 실시 예에서, 전자 장치(101)는 데이터 감지(910) 동작을 수행할 수 있다. 데이터 감지(910)는 센서 모듈(176)을 이용하여 수행될 수 있다. 감지하는 데이터는 걸음걸이, 체형, 헤어스타일, 또는 발소리와 같은 영상 데이터 또는 음성 데이터일 수 있다. 전자 장치(101)는 원거리인 제1 영역(A1)에서 데이터를 수집할 수 있다.
일 실시 예에서, 전자 장치(101)는 사용자 예측 모델(920)에 수집된 데이터를 입력할 수 있다. 사용자 예측 모델(920)은 학습한 내용에 따라 동작하여 사용자 또는 사용자가 속한 그룹을 식별할 수 있다.
일 실시 예에서, 전자 장치(101)는 사용자 예측 모델(920)의 결과를 통한 서비스를 제공(930)하는 동작을 수행할 수 있다. 전자 장치(101)는 사용자 예측 모델(920)에서 예측한 사용자가 속하는 그룹에 대응하는 서비스 모드(931~933)로 미리 변경될 수 있다. 예를 들어, 사용자 예측 모델(920)은 사용자가 지정된 나이 이상의 나이를 갖는 어른이라고 판단한 경우, 볼륨 및 폰트를 높인 시니어 모드(931)로 미리 변경될 수 있다. 다른 예로, 사용자 예측 모델(920)은 사용자가 어린이라고 판단한 경우, 아이를 위하여 캐릭터 배경이나 컨텐츠가 제한된 키즈(kids) 모드(932)로 미리 변경될 수 있다. 또 다른 예로, 사용자 예측 모델(920)은 사용자가 남성이라고 판단한 경우, 전자 장치(101)가 출력하는 음성을 여성 보이스(voice) 모드(933)로 미리 변경할 수 있다.
도 10은 다른 실시 예에 따른 전자 장치가 사용자 예측 모델을 생성 및 학습하는 것을 나타낸 도면(1000)이다. 전자 장치(101)는 목표 값을 가공하는 시나리오를 이용하여 사용자 예측 모델을 생성 및 학습할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집 데이터(1010) 및 인증 결과(1020)를 이용하여 학습 데이터를 생성할 수 있다. 전자 장치(101)는 학습 데이터를 사용자 예측 모델(1040)에 반복적으로 부여하여 사용자 예측 모델(1040)을 생성 및 갱신할 수 있다. 사용자 예측 모델을 적용한 전자 장치(101)는 생성된 사용자 예측 모델(1040)을 이용하여 데이터(1010)만으로 사용자를 예측할 수 있다. 이에 따라, 사용자 예측 모델을 적용한 전자 장치(101)는 데이터(1010)를 입력 받고 일정 범위 밖에서 먼저 사용자를 식별할 수 있다.
일 실시 예에서, 전자 장치(101)는 수집 데이터(1010)로부터 인증 결과(1020)가 도출되지 않는 경우, 수집 데이터(1010)에 연관된 인증 결과(1020)의 속성을 이용하여 새로운 목표 값을 설정할 수 있다. 전자 장치(101)는 목표 값 목록을 계층(hierarchy) 형태의 자료 구조에 저장할 수 있다. 전자 장치(101)는 목표 값 목록에서 인증 결과(1020)의 속성과 연관된 목표 값을 새로운 목표 값으로 설정할 수 있다. 전자 장치(101)는 수집 데이터(1010) 및 새로운 목표 값을 이용하여 사용자 예측 모델(1040)을 생성 및 갱신할 수 있다. 전자 장치는 수집된 데이터를 입력으로, 새로운 목표 값을 정답으로 부여하여 사용자 예측 모델(1040)을 학습시킬 수 있다. 전자 장치(101)는 데이터(1010)를 이용하여 사용자가 속하는 그룹을 식별할 수 있는 사용자 예측 모델을 생성할 수 있다.
일 실시 예에서, 전자 장치(101)는 새로운 목표 값을 설정하기 위해 인증 결과(1020)의 속성을 복수의 개념들을 포함하는 사용자 프로필(1030)에 적용하여, 인증 결과(1020)의 속성에 대응하는 개념을 새로운 목표 값으로 적용할 수 있다. 예를 들어, 인증 결과(1020)의 속성 중 어린이라는 속성이 포함되어 있는 경우, 전자 장치(101)는 갖는 사용자 프로필(1030)에서 어린이라는 속성을 갖는 아들 또는 딸을 포함하는 그룹을 새로운 목표 값으로 지정할 수 있다.
도 11은 일 실시 예에 따른 통합 지능화(integrated intelligence) 시스템(1100)을 나타낸 블록도이다.
도 11을 참조하면, 일 실시예의 통합 지능화 시스템(1100)은 전자 장치(101), 지능형 서버(1200), 및 서비스 서버(1300)를 포함할 수 있다.
일 실시 예에 따른 전자 장치(101)는 로봇 장치일 수 있다. 그러나 이에 한정되지 않으며, 전자 장치(101)는 무선 통신을 수행할 수 있고 사용자의 입력 또는 외부의 환경을 센싱하여 응답할 수 있는 전자 장치일 수 있다. 예를 들어, 전자 장치(101)는 휴대폰, 스마트폰, PDA(personal digital assistant), 노트북 컴퓨터, TV, 백색 가전, 웨어러블 장치, HMD, 또는 스마트 스피커일 수 있다.
일 실시 예에서, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160) 및 인터페이스(177)를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.
일 실시 예에서, 프로세서(120)는 전자 장치(101)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(120)는 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160) 및 인터페이스(177)와 전기적으로 연결되어 지정된 동작을 수행할 수 있다.
일 실시 예에서, 프로세서(120)는 메모리(130)에 저장된 프로그램을 실행시켜 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(120)는 메모리(130)에 포함된 클라이언트 모듈(131) 또는 SDK(software development kit)(133) 중 적어도 하나를 실행할 수 있다. 프로세서(120)는 음성 입력을 처리하기 위한 동작을 수행할 수 있다. 프로세서(120)는 SDK(153)를 통해 복수의 앱(app, 어플리케이션 프로그램(application program))들(135)의 동작을 제어할 수 있다.
일 실시 예에서, 메모리(130)는 클라이언트 모듈(131), SDK(133), 및 복수의 앱들(135)을 저장할 수 있다.
일 실시 예에서, 클라이언트 모듈(131) 또는 SDK(133)는 범용적인 기능을 수행하기 위한 프레임워크(framework) 또는 솔루션 프로그램을 구성할 수 있다. 클라이언트 모듈(131) 또는 SDK(133)는 음성 입력을 처리하기 위한 프레임워크를 구성할 수 있다.
일 실시 예에서, 클라이언트 모듈(131)은 음성 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(131)은 입력 장치(150)를 통해 감지된 사용자 발화에 대응되는 음성 신호를 수신할 수 있다. 클라이언트 모듈(131)은 수신된 음성 입력을 지능형 서버(1200)로 송신할 수 있다. 클라이언트 모듈(131)은 수신된 음성 입력과 함께, 전자 장치(101)의 상태 정보를 지능형 서버(1200)로 송신할 수 있다. 상태 정보는, 예를 들어, 복수의 앱들(135)의 실행 상태 정보일 수 있다.
일 실시 예에서, 클라이언트 모듈(131)은 수신된 음성 입력에 대응되는 결과를 수신할 수 있다. 예를 들어, 클라이언트 모듈(131)은 지능형 서버(1200)에서 수신된 음성 입력에 대응되는 결과를 산출할 수 있는 경우, 수신된 음성 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(131)은 상기 수신된 결과를 표시 장치(160)에 표시할 수 있다.
일 실시 예에서, 클라이언트 모듈(131)은 수신된 음성 입력에 대응되는 플랜(plan)을 수신할 수 있다. 클라이언트 모듈(131)은 플랜에 따라 앱의 복수의 동작을 실행한 결과를 표시 장치(160)에 표시할 수 있다.
일 실시 예에서, 클라이언트 모듈(131)은 지능형 서버(100)로부터 음성 입력에 대응되는 결과를 산출하기 위해 필요한 정보를 획득하기 위한 요청을 수신할 수 있다. 클라이언트 모듈(131)은 요청에 대응하여 필요한 정보를 지능형 서버(1200)로 송신할 수 있다.
일 실시 예에서, 클라이언트 모듈(131)은 플랜에 따라 복수의 동작을 실행한 결과 정보를 지능형 서버(1200)로 송신할 수 있다. 지능형 서버(1200)는 결과 정보를 이용하여 수신된 음성 입력이 올바르게 처리된 것을 확인할 수 있다.
일 실시 예에서, 클라이언트 모듈(131)은 음성 인식 모듈을 포함할 수 있다. 클라이언트 모듈(131)은 음성 인식 모듈을 통해 제한된 기능을 수행하는 음성 입력을 인식할 수 있다.
일 실시 예에서, 복수의 앱들(135)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 복수의 앱들(135)은 제1 앱(135_1) 및 제2 앱(135_3) 을 포함할 수 있다. 복수의 앱들(135) 각각은 지정된 기능을 수행하기 위한 복수의 동작들을 포함할 수 있다. 복수의 앱들(135)은 알람 앱, 메시지 앱, 및/또는 스케줄 앱을 포함할 수 있다. 복수의 앱들(135)은 프로세서(120)에 의해 실행되어 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.
일 실시 예에서, 입력 장치(150)는 사용자의 발화와 같은 음성을 수신할 수 있다. 입력 장치(150)는 수신한 음성을 전기적 신호 또는 음성 데이터로 변환할 수 있다. 예를 들어, 입력 장치(150)는 마이크일 수 있다.
일 실시 예에서, 음향 출력 장치(155)는 전기적 신호 또는 음성 데이터를 음성으로 출력할 수 있다. 예를 들어, 음향 출력 장치(155)는 스피커일 수 있다.
일 실시 예에서, 표시 장치(160)는 이미지 또는 비디오를 표시하도록 구성될 수 있다. 표시 장치(160)는 실행되는 복수의 앱들(135)의 그래픽 사용자 인터페이스(graphic user interface)(GUI)를 표시할 수 있다.
일 실시 예에서, 인터페이스(177)는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다.
일 실시 예에서, 지능형 서버(1200)는 통신 망을 통해 전자 장치(101)로부터 사용자 음성 입력과 관련된 정보를 수신할 수 있다. 지능형 서버(1200)는 수신된 음성 입력과 관련된 데이터를 텍스트 데이터(text data)로 변경할 수 있다. 일 실시 예에 따르면, 지능형 서버(1200)는 상기 텍스트 데이터에 기초하여 사용자 음성 입력과 대응되는 태스크(task)를 수행하기 위한 플랜을 생성할 수 있다
일 실시 예에서, 플랜은 인공 지능(artificial intelligent, AI) 시스템에 의해 생성될 수 있다. 인공지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neual network-based system)(예: 피드포워드 신경망(feedforward neural network(FNN)), 순환 신경망(recurrent neural network(RNN)))일 수도 있다. 또는, 전술한 것의 조합 또는 이와 다른 인공지능 시스템일 수도 있다. 플랜은 미리 정의된 플랜의 집합에서 선택될 수 있거나, 사용자 요청에 응답하여 실시간으로 생성될 수 있다. 예를 들어, 인공지능 시스템은 미리 정의된 복수의 플랜들 중 적어도 하나의 플랜을 선택할 수 있다.
일 실시 예에서, 지능형 서버(1200)는 생성된 플랜에 따른 결과를 전자 장치(101)로 송신하거나, 생성된 플랜을 전자 장치(101)로 송신할 수 있다. 전자 장치(101)는 플랜에 따른 결과를 표시 장치(160)에 표시할 수 있다. 예를 들어, 전자 장치(101)은 플랜에 따른 동작을 실행한 결과를 표시 장치(160)에 표시할 수 있다.
일 실시 예에서, 지능형 서버(1200)는 프론트 엔드(front end)(1210), 자연어 플랫폼(natual language platform)(1220), 캡슐 데이터베이스(capsule DB)(1230), 실행 엔진(execution engine)(1240), 엔드 유저 인터페이스(end user interface)(1250), 매니지먼트 플랫폼(management platform)(1260), 빅 데이터 플랫폼(big data platform)(1270), 또는 분석 플랫폼(analytic platform)(1280)을 포함할 수 있다.
일 실시 예에서, 프론트 엔드(1210)는 전자 장치(101)로부터 수신된 음성 입력을 수신할 수 있다. 프론트 엔드(1210)는 음성 입력에 대응되는 응답을 송신할 수 있다.
일 실시 예에서, 자연어 플랫폼(1220)은 자동 음성 인식 모듈(automatic speech recognition module)(ASR module)(1221), 자연어 이해 모듈(natural language understanding module)(NLU module)(1223), 플래너 모듈(planner module)(1225), 자연어 생성 모듈(natural language generator module)(NLG module)(1227), 또는 텍스트 음성 변환 모듈(text to speech module)(TTS module)(1229)을 포함할 수 있다.
일 실시 예에서, 자동 음성 인식 모듈(1221)은 전자 장치(101)로부터 수신된 음성 입력을 텍스트 데이터로 변환할 수 있다. 자연어 이해 모듈(1223)은 음성 입력의 텍스트 데이터를 이용하여 사용자의 의도를 파악할 수 있다. 예를 들어, 자연어 이해 모듈(1223)은 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자의 의도를 파악할 수 있다. 자연어 이해 모듈(1223)은 형태소 또는 구의 언어적 특징(예: 문법적 요소)을 이용하여 음성 입력으로부터 추출된 단어의 의미를 파악하고, 파악된 단어의 의미를 의도에 매칭시켜 사용자의 의도를 결정할 수 있다.
일 실시 예에서, 플래너 모듈(1225)은 자연어 이해 모듈(1223)에서 결정된 의도 및 파라미터를 이용하여 플랜을 생성할 수 있다. 플래너 모듈(225)은 결정된 의도에 기초하여 태스크를 수행하기 위해 필요한 복수의 도메인을 결정할 수 있다. 플래너 모듈(1225)은 의도에 기초하여 결정된 복수의 도메인 각각에 포함된 복수의 동작을 결정할 수 있다. 플래너 모듈(1225)은 상기 결정된 복수의 동작을 실행하는데 필요한 파라미터 또는 복수의 동작의 실행에 의해 출력되는 결과 값을 결정할 수 있다. 파라미터 및 결과 값은 지정된 형식 또는 클래스의 컨셉으로 정의될 수 있다. 플랜은 사용자의 의도에 의해 결정된 복수의 동작 및 복수의 컨셉을 포함할 수 있다. 플래너 모듈(1225)은 복수의 동작 및 복수의 컨셉 사이의 관계를 단계적 또는 계층적으로 결정할 수 있다. 예를 들어, 플래너 모듈(1225)은 복수의 컨셉에 기초하여 사용자의 의도에 기초하여 결정된 복수의 동작의 실행 순서를 결정할 수 있다. 다시 말해, 플래너 모듈(1225)은 복수의 동작의 실행에 필요한 파라미터 및 복수의 동작의 실행에 의해 출력되는 결과에 기초하여, 복수의 동작의 실행 순서를 결정할 수 있다. 이에 따라, 플래너 모듈(1225)은 복수의 동작 및 복수의 컨셉 사이의 연관 정보(예: 온톨로지(ontology))가 포함된 플랜을 생성할 수 있다. 플래너 모듈(1225)은 컨셉과 동작의 관계들의 집합이 저장된 캡슐 데이터베이스(1230)에 저장된 정보를 이용하여 플랜을 생성할 수 있다.
일 실시 예에서, 자연어 생성 모듈(1227)은 지정된 정보를 텍스트 형태로 변경할 수 있다. 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다. 텍스트 음성 변환 모듈(1229)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다.
일 실시 예에서, 캡슐 데이터베이스(1230)는 복수의 도메인에 대응되는 복수의 컨셉과 동작들의 관계에 대한 정보를 저장할 수 있다. 캡슐은 플랜에 포함된 복수의 동작 오브젝트(action object) 또는 동작 정보) 및 컨셉 오브젝트(concept object) 또는 컨셉 정보를 포함할 수 있다. 캡슐 데이터베이스(1230)는 CAN(concept action network)의 형태로 복수의 캡슐을 저장할 수 있다. 복수의 캡슐은 캡슐 데이터베이스(1230)에 포함된 기능 저장소(function registry)에 저장될 수 있다.
일 실시 예에서, 캡슐 데이터베이스(1230)는 음성 입력에 대응되는 플랜을 결정할 때 필요한 전략 정보가 저장된 전략 레지스트리(strategy registry)를 포함할 수 있다. 전략 정보는 음성 입력에 대응되는 복수의 플랜이 있는 경우, 하나의 플랜을 결정하기 위한 기준 정보를 포함할 수 있다. 캡슐 데이터베이스(1230)는 지정된 상황에서 사용자에게 후속 동작을 제안하기 위한 후속 동작의 정보가 저장된 후속 동작 레지스트리(follow up registry)를 포함할 수 있다. 후속 동작은 후속 발화를 포함할 수 있다. 캡슐 데이터베이스(1230)는 전자 장치(101)를 통해 출력되는 정보의 레이아웃(layout) 정보를 저장하는 레이아웃 레지스트리(layout registry)를 포함할 수 있다. 캡슐 데이터베이스(1230)는 캡슐 정보에 포함된 어휘(vocabulary) 정보가 저장된 어휘 레지스트리(vocabulary registry)를 포함할 수 있다. 캡슐 데이터베이스(1230)는 사용자와의 대화(dialog) 또는 인터렉션(interaction) 정보가 저장된 대화 레지스트리(dialog registry)를 포함할 수 있다. 캡슐 데이터베이스(1230)는 개발자 툴(developer tool)을 통해 저장된 오브젝트를 업데이트(update)할 수 있다. 개발자 툴은 동작 오브젝트 또는 컨셉 오브젝트를 업데이트하기 위한 기능 에디터(function editor)를 포함할 수 있다. 개발자 툴은 어휘를 업데이트하기 위한 어휘 에디터(vocabulary editor)를 포함할 수 있다. 개발자 툴은 플랜을 결정하는 전략을 생성 및 등록 하는 전략 에디터(strategy editor)를 포함할 수 있다. 개발자 툴은 사용자와의 대화를 생성하는 대화 에디터(dialog editor)를 포함할 수 있다. 개발자 툴은 후속 목표를 활성화하고, 힌트를 제공하는 후속 발화를 편집할 수 있는 후속 동작 에디터(follow up editor)를 포함할 수 있다. 후속 목표는 현재 설정된 목표, 사용자의 선호도 또는 환경 조건에 기초하여 결정될 수 있다. 일 실시 예에서, 캡슐 데이터베이스(1230)는 전자 장치(101) 내에서 구현이 가능할 수 있다.
일 실시 예에서, 실행 엔진(1240)은 생성된 플랜을 이용하여 결과를 산출할 수 있다. 엔드 유저 인터페이스(1250)는 산출된 결과를 전자 장치((100)로 송신할 수 있다. 이에 따라, 전자 장치(101)는 결과를 수신하고, 상기 수신된 결과를 사용자에게 제공할 수 있다. 매니지먼트 플랫폼(1260)은 지능형 서버(1200)에서 이용되는 정보를 관리할 수 있다. 빅 데이터 플랫폼(1270)은 사용자의 데이터를 수집할 수 있다. 분석 플랫폼(1280)을 지능형 서버(1200)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(1280)은 지능형 서버(1200)의 구성 요소 및 처리 속도 또는 효율성을 관리할 수 있다.
일 실시 예에서, 서비스 서버(1300)는 전자 장치(101)에 지정된 서비스(예: 음식 주문 또는 호텔 예약)를 제공할 수 있다. 일 실시 예에 따르면, 서비스 서버(1300)는 제3 자에 의해 운영되는 서버일 수 있다. 서비스 서버(1300)는 수신된 음성 입력에 대응되는 플랜을 생성하기 위한 정보를 지능형 서버(1200)에 제공할 수 있다. 제공된 정보는 캡슐 데이터베이스(1230)에 저장될 수 있다. 또한, 서비스 서버(1300)는 플랜에 따른 결과 정보를 지능형 서버(1200)에 제공할 수 있다.
통합 지능 시스템(1100)에서 전자 장치(101)는 사용자 입력에 응답하여 사용자에게 다양한 인텔리전트 서비스를 제공할 수 있다. 사용자 입력은, 예를 들어, 물리적 버튼을 통한 입력, 터치 입력 또는 음성 입력을 포함할 수 있다.
일 실시 예에서, 전자 장치(101)는 내부에 저장된 지능형 앱 또는 음성 인식 앱을 통해 음성 인식 서비스를 제공할 수 있다. 이 경우, 전자 장치(101)는 수신된 사용자 발화(utterance) 또는 음성 입력(voice input)을 인식하고, 인식된 음성 입력에 대응되는 서비스를 사용자에게 제공할 수 있다.
일 실시 예에서, 전자 장치(101)는 수신된 음성 입력에 기초하여, 단독으로 또는 지능형 서버 및/또는 서비스 서버와 함께 지정된 동작을 수행할 수 있다. 예를 들어, 전자 장치(101)는 수신된 음성 입력에 대응되는 앱을 실행시키고, 실행된 앱을 통해 지정된 동작을 수행할 수 있다.
일 실시 예에서, 전자 장치(101)가 지능형 서버(1200) 및/또는 서비스 서버(1300)와 함께 서비스를 제공하는 경우에는, 전자 장치(101)는 사용자 발화를 감지하고, 감지된 사용자 발화에 대응되는 신호 또는 음성 데이터)를 생성할 수 있다. 전자 장치(101)는 음성 데이터를 인터페이스(177)를 이용하여 지능형 서버(1200)로 송신할 수 있다.
일 실시 예에서, 지능형 서버(1200)는 전자 장치(101)로부터 수신된 음성 입력에 대한 응답으로써, 음성 입력에 대응되는 태스크를 수행하기 위한 플랜 또는 플랜에 따라 동작을 수행한 결과를 생성할 수 있다. 플랜은 사용자의 음성 입력에 대응되는 태스크를 수행하기 위한 복수의 동작 및 복수의 동작과 관련된 복수의 컨셉을 포함할 수 있다. 컨셉은 복수의 동작의 실행에 입력되는 파라미터 또는 복수의 동작의 실행에 의해 출력되는 결과 값을 정의한 것일 수 있다. 플랜은 복수의 동작 및 복수의 컨셉 사이의 연관 정보를 포함할 수 있다.
일 실시 예에서, 전자 장치(101)는 인터페이스(177)를 이용하여 응답을 수신할 수 있다. 전자 장치(101)는 음향 출력 장치(155)를 이용하여 전자 장치(101) 내부에서 생성된 음성 신호를 외부로 출력하거나, 표시 장치(160)를 이용하여 전자 장치(101) 내부에서 생성된 이미지를 외부로 출력할 수 있다.
도 12는 일 실시 예에 따른 컨셉과 액션의 관계 정보가 데이터베이스에 저장된 컨셉 액션 네트워크를 나타낸 도면이다.
일 실시 예에서, 지능형 서버(1200)의 캡슐 데이터베이스(1230)는 CAN(concept action network) 형태로 캡슐을 저장할 수 있다. 캡슐 데이터베이스(1230)는 사용자의 음성 입력에 대응되는 태스크를 처리하기 위한 동작 및 동작을 위해 필요한 파라미터를 CAN 형태로 저장할 수 있다.
일 실시 예에서, 캡슐 데이터베이스(1230)는 복수의 도메인들(예: 위치(geo) 또는 어플리케이션) 각각에 대응되는 캡슐 A(1401) 및 캡슐 B(1404)를 저장할 수 있다. 일 실시 예에 따르면, 하나의 캡슐(예: 캡슐 A(1401))은 하나의 도메인에 대응될 수 있다. 또한, 하나의 캡슐에는 캡슐과 관련된 도메인에 대한 기능을 수행하기 위한 적어도 하나의 서비스 제공자(예: CP 1(1402) 또는 CP 2 (1403))가 대응될 수 있다. 일 실시 예에 따르면, 하나의 캡슐은 지정된 기능을 수행하기 위한 적어도 하나 이상의 동작(1410) 및 적어도 하나 이상의 컨셉(1420)을 포함할 수 있다.
일 실시 예에서, 자연어 플랫폼(1220)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 수신된 음성 입력에 대응하는 태스크를 수행하기 위한 플랜을 생성할 수 있다. 자연어 플랫폼(1220)의 플래너 모듈(1225)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 플랜을 생성할 수 있다. 예를 들어, 플래너 모듈(1225)은 캡슐 A(1401) 의 동작들(4011, 4013) 및 컨셉들(4012, 4014) 및 캡슐 B(1404)의 동작(4041) 및 컨셉(4042)을 이용하여 플랜(1407)을 생성할 수 있다.
도 13은 일 실시 예에 따른 전자 장치(101)의 하드웨어 구조를 나타낸 도면(1300)이다. 전자 장치(101)는 이동 가능한 로봇 장치일 수 있다. 예를 들어, 전자 장치(101)는 구형 또는 구형의 본체에 고리 형태의 모듈이 결합된 로봇 장치일 수 있다. 그러나 이에 한정되지 않으며, 전자 장치(101)는 무선 통신을 지원하고, 사용자의 입력 또는 수집된 데이터에 응답할 수 있는 장치일 수 있다. 전자 장치(101)는 프로세서(120), 메모리(130), 음향 출력 장치(155), 표시 장치(160), 센서 모듈(176), 통신 모듈(190), 구동부(1320), 및 전원부(1330) 중 적어도 하나를 포함할 수 있다.
일 실시 예에서, 프로세서(120)는 GPU(graphic processing unit)(122), ISP(image signal processor) (124), 및 코덱(codec DSP) 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 전자 장치(101)의 구동 및 서비스 제공을 위한 명령 처리를 수행할 수 있다.
일 실시 예에서, 메모리(130)는 맵(map) 정보 및 사물 데이터(object database)를 저장할 수 있다. 맵 정보는 실내 공간 또는 주변 환경 정보를 포함할 수 있다. 사물 데이터는 감지된 사물 정보와 비교할 수 있는 정보를 포함할 수 있다.
일 실시 예에서, 음향 출력 장치(155)는 음성을 출력하는 스피커일 수 있다. 표시 장치(160)는 영상을 표시하는 디스플레이일 수 있다.
일 실시 예에서, 센서 모듈(176)은 근접(proximity) 센서(1331), 깊이 카메라(depth camera)(1332), RGB 카메라(1333), 입력 장치(150), 및 9축(9-axis) 센서(1334)를 포함할 수 있다. 근접 센서(1331)는 외부 사물을 감지할 수 있다. 깊이 카메라(depth camera)(1332) 및 RGB 카메라(1333)는 비전(vision) 정보를 지속적으로 획득하여 영상 데이터를 생성할 수 있다. 입력 장치(150)는 음성 정보 획득을 위한 마이크 어레이(array-MIC)일 수 있다. 9축 센서(1334)는 이동(movement) 및 모션(motion)에 대한 방향 감지를 수행할 수 있다. 9축 센서(1334)는 가속도(acceleration) 센서, 지자계(earth magnetic field) 센서, 또는 자이로(gyro) 센서와 같은 센서들을 포함할 수 있다.
일 실시 예에서, 통신 모듈(190)은 무선 통신 모듈(192) 및 유선 통신 모듈(194)을 포함할 수 있다. 무선 통신 모듈(192)은 BT, Wi-Fi, 또는 셀룰러(cellular) 통신을 이용하여 무선(wireless) 통신 환경을 지원할 수 있다. 유선 통신 모듈(194)은 USB, HDMI, 또는 MHL을 이용하여 유선(wired) 통신 환경을 지원할 수 있다.
일 실시 예에서, 구동부(1320)는 전자 장치(101)를 이동시킬 수 있다. 구동부(1320)는 전자 장치(101)를 구성하는 다른 구성 요소를 기구적으로 변경하기 위하여 사용될 수 있다. 구동부(1320)는 적어도 하나 이상의 축(axis)을 중심으로 하여 상부, 하부, 좌측, 및 우측으로 이동시킬 수 있는 바퀴(wheel) 형태의 구조를 가질 수 있다. 또는, 구동부(1320)는 회전의 움직임이 가능한 바퀴 형태의 구조를 가질 수 있다. 구동부(1320)는 이동 가능한 구조를 구동시키기 위한 구동 모터(motor)를 포함할 수 있다. 구동부(1320)는 바퀴 형태 구조 및 구동 모터를 조합하여 다양하게 구현될 수 있다.
일 실시 에에서, 전원부(1330)는 전자 장치(101)에 전력을 공급할 수 있다. 전원부(1330)는 전력 관리 모듈(188) 및 배터리(189)를 포함할 수 있다. 전력 관리 모듈(188)은 PMIC(power management integrated circuit) 및 연료 게이지(fuel guage)를 포함할 수 있다.
도 14는 일 실시 예에 따른 전자 장치(101)의 소프트웨어 구조를 나타낸 도면(1400)이다.
일 실시 예에 따른 전자 장치(101)의 소프트웨어 구조는 운영 체제(operating system, OS), 미들웨어(middleware)(144), 및 지능형 프레임워크(intelligent framework)(1430)를 포함할 수 있다.
일 실시 예에서, 운영 체제(142)는 전자 장치(101)의 리소스(resource) 분배 및 작업 스케쥴링(schedule) 프로세스와 같은 연산 처리를 수행할 수 있다. 운영 체제(142)는 입력 장치(150) 및/또는 센서 모듈(176)과 연결될 수 있다. 운영 체제(142)는 입력 장치(150) 및/또는 센서 모듈(176)로부터 데이터를 획득하고, 입력 장치(150) 및/또는 센서 모듈(176)을 제어할 수 있다. 예를 들어, 운영 체제(142)는 깊이 카메라(1332) 또는 RGB 카메라(1333)로부터 이미지를 획득한 ISP(124), 9축 센서(1334), 터치 패널(151), 및/또는 마이크(152)로부터 입력 데이터를 획득한 코덱(126)을 제어할 수 있다. 운영 체제(142)는 시스템의 모든 것을 완전히 통제하고, 운영 체제의 다른 부분 및 응용 프로그램 수행에 필요한 여러 가지 서비스를 제공하는 핵심 프로그램인 커널(kernel)로 구현될 수 있다. 운영 체제(142)는 입력 장치(150) 및/또는 센서 모듈(176)로부터 입력된 신호들을 처리하는 장치 드라이버(device driver)(143)를 포함할 수 있다.
일 실시 예에서, 미들웨어(144)는 전자 장치(101)가 운영 체제(142)로부터 제공받는 서비스 이외에 추가적으로 이용할 수 있는 서비스를 제공하는 컴퓨터 소프트웨어일 수 있다. 미들웨어(144)는 운영 체제(142) 및 지능형 프레임워크(1430)를 서로 연결하여 데이터를 주고 받을 수 있도록 중간에서 매개 역할을 하는 소프트웨어일 수 있다. 미들웨어(144)는 전자 장치(101)가 임의의 서비스를 사용할 수 있도록 전자 장치(101)를 제2 네트워크(199)에 연결시킬 수 있다. 미들웨어(144)는 사물 인식, 얼굴 검출/추적/인식, 센서 정보 처리, 대화 엔진, 음성 합성, 음원 추적, 또는 음성 인식과 같은 기능을 제공할 수 있다.
일 실시 예에서, 미들웨어(144)는 신호 처리된 데이터를 이용하여 사물을 인식할 수 있다. 미들웨어(144)는 사용자의 얼굴 위치를 검출하고 추적할 수 있다. 미들웨어(144)는 얼굴 인식을 통한 인증 기능을 수행할 수 있다. 미들웨어(144)는 사용자가 하는 입체적인 제스처를 인식할 수 있다. 미들웨어(144)는 오디오 신호에 대한 입력 위치를 추적(direct of arrival, DOA)할 수 있다. 미들웨어(144)는 다양한 센싱된 데이터 및 신호를 처리할 수 있다. 미들웨어(144) 음성 인식 기능을 수행할 수 있다.
일 실시 예에서, 지능형 프레임워크(1430)는 메모리(130)로부터 맵 정보, 음성 모델, 및/또는 객체 모델을 획득할 수 있다. 지능형 프레임워크(1430)는 전자 장치(101)의 동작을 제어할 수 있다. 지능형 프레임워크(1430)는 멀티 모달 융합(1431), 사용자 패턴 학습, 객체 학습, 행동 제어(1434)를 포함할 수 있다.
일 실시 예에서, 멀티 모달 융합(1431)은 전자 장치(101)가 미들웨어(144)에서 처리된 각종 정보를 취합하고 관리하도록 제어할 수 있다. 사용자 패턴 학습은 전자 장치(101)가 멀티 모달 융합(1431)된 정보를 이용하여 사용자의 생활 패턴 또는 선호도와 같은 의미가 있는 정보를 추출하고 학습하도록 제어할 수 있다. 객체 학습은 전자 장치(101)가 등록된 다양한 객체들을 지속적으로 관찰하면서 객체의 특징 및 사용 패턴을 추출하고 저장하도록 제어할 수 있다. 행동 제어(1434)는 전자 장치(101)가 사용자에게 피드백(feedback) 할 정보를 출력 또는 표현하도록 제어할 수 있다.
일 실시 예에서, 행동 제어(1434)는 움직임(movement), 그래픽(graphics), 및/또는 음성(sound)을 제어할 수 있다. 행동 제어(1434)는 전자 장치(101)의 움직임을 바퀴(1321) 및 모터(1322)를 포함하는 구동부(1320)를 이용하여 출력하거나 표현할 수 있다. 행동 제어(1434)는 전자 장치(101)의 그래픽을 표시 장치(160)를 이용하여 출력할 수 있다. 예를 들어, 행동 제어(1434)는 전자 장치(101)의 UI/UX(user interface/user experience)을 표시 장치(160)를 이용하여 출력하거나 표현할 수 있다. 행동 제어(1434)는 전자 장치(101)의 음성을 음향 출력 장치(155)를 이용하여 출력하거나 표현할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나",“A 또는 B 중 적어도 하나,”"A, B 또는 C," "A, B 및 C 중 적어도 하나,”및 “A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, “기능적으로” 또는 “통신적으로”라는 용어와 함께 또는 이런 용어 없이, “커플드” 또는 “커넥티드”라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체 는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 사용자 예측 모델 생성 방법에 있어서,
    센서 모듈로부터 음성 데이터 또는 영상 데이터를 수집하고 수집된 데이터를 저장하는 동작;
    사용자 식별(identification) 또는 인증(authentication) 기능을 수행하는 동작;
    상기 수집된 데이터를 입력으로, 상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하는 동작; 및
    상기 입력 및 상기 목표 값에 기반하여 상기 사용자 예측 모델을 생성하는 동작을 포함하는 방법.
  2. 청구항 1에 있어서,
    상기 수집된 데이터 중 일정 기간 내에 수집된 데이터를 상기 목표 값에 대응하는 상기 입력으로 이용하는 동작을 더 포함하는 방법.
  3. 청구항 1에 있어서,
    상기 입력 및 상기 목표 값을 반복적으로 학습시켜 상기 사용자 예측 모델을 갱신하는 동작을 더 포함하는 방법.
  4. 청구항 1에 있어서,
    상기 수집된 데이터가 특정 조건을 만족하는지 판단하는 동작을 더 포함하는 방법.
  5. 청구항 4에 있어서,
    상기 특정 조건은 상기 음성 데이터 중 지정된 주파수의 음성 데이터인지 여부 또는 상기 영상 데이터 중 지정된 범위의 영상 데이터인지 여부를 포함하는 방법.
  6. 청구항 1에 있어서,
    상기 사용자 식별 또는 상기 인증 기능의 결과로부터 추출한 속성에 연관된 개념을 새로운 목표 값으로 부여하는 동작을 더 포함하는 방법.
  7. 청구항 6에 있어서,
    상기 연관된 개념은 상기 입력으로 도출할 수 있는 특징(feature)을 포함하는 방법.
  8. 청구항 6에 있어서,
    상기 연관된 개념은 상기 수집된 데이터의 유형, 상기 사용자 예측 모델을 이용하여 제공하는 서비스, 또는 상기 사용자 예측 모델의 신뢰도에 따라 결정되는 방법.
  9. 전자 장치에 있어서,
    센싱 모듈;
    통신 모듈;
    메모리; 및
    상기 센싱 모듈, 상기 통신 모듈, 및 상기 메모리와 작동적으로 연결된 프로세서를 포함하고,
    상기 프로세서는,
    상기 센싱 모듈을 이용하여 상기 전자 장치로부터 제1 거리만큼 이격된 사용자가 생성한 데이터를 수집하고,
    상기 전자 장치로부터 상기 제1 거리보다 짧은 제2 거리만큼 이격된 상기 사용자에 대하여 사용자 식별(identification) 또는 인증(authentication) 기능을 수행하고,
    상기 사용자 식별 또는 상기 인증 기능의 결과를 목표 값으로 부여하고, 상기 데이터 중 상기 인증 기능과 시간적 또는 공간적으로 연관된 상황에서 발생한 데이터를 입력으로 부여하여 사용자 예측 모델을 생성하고,
    상기 사용자 예측 모델을 이용하여 상기 제1 거리에서 상기 사용자를 식별하도록 설정된 전자 장치.
  10. 청구항 9에 있어서, 상기 프로세서는,
    상기 입력 및 상기 목표 값에 기반하여 반복적으로 기계 학습을 수행하여 상기 사용자와 연관된 패턴을 발견(mining)할 수 있는 상기 사용자 예측 모델을 생성하도록 설정된 전자 장치.
  11. 청구항 9에 있어서, 상기 프로세서는,
    상기 수집된 데이터 중 특정 조건을 만족하지 않는 데이터를 상기 사용자 예측 모델을 생성 또는 갱신하는 과정에 불필요한 노이즈(noise) 데이터로 판단하여 삭제하도록 설정된 전자 장치.
  12. 청구항 9에 있어서, 상기 프로세서는,
    상기 사용자 식별 또는 상기 인증 기능의 결과보다 상위의 개념인 그룹(group)을 상기 입력으로 도출할 수 있는 새로운 목표 값으로 부여하도록 설정된 전자 장치.
  13. 청구항 12에 있어서, 상기 프로세서는,
    상기 사용자 식별 또는 상기 인증 기능으로 식별한 상기 사용자의 프로필(profile) 정보로부터 상기 새로운 목표 값을 추출하도록 설정된 전자 장치.
  14. 청구항 9에 있어서, 상기 프로세서는,
    상기 수집된 데이터로 예측한 사용자와 상기 인증 기능으로 식별된 사용자가 일치하는 경우, 상기 사용자 예측 모델의 신뢰도를 증가시키도록 설정된 전자 장치.
  15. 청구항 9에 있어서, 상기 프로세서는,
    상기 수집된 데이터로 예측한 사용자와 상기 인증 기능으로 식별된 사용자가 서로 다른 경우, 상기 수집된 데이터를 상기 식별된 사용자를 구별하기 위한 학습 데이터로 활용하고, 상기 사용자 예측 모델의 신뢰도를 감소시키도록 설정된 전자 장치.
PCT/KR2019/013146 2018-12-04 2019-10-08 데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법 WO2020116766A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0154253 2018-12-04
KR1020180154253A KR20200067421A (ko) 2018-12-04 2018-12-04 데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법

Publications (1)

Publication Number Publication Date
WO2020116766A1 true WO2020116766A1 (ko) 2020-06-11

Family

ID=70974297

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/013146 WO2020116766A1 (ko) 2018-12-04 2019-10-08 데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법

Country Status (2)

Country Link
KR (1) KR20200067421A (ko)
WO (1) WO2020116766A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220021221A (ko) * 2020-08-13 2022-02-22 (주)인포마크 Ai 음성 인식 학습기를 이용한 외국어 학습 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100458168B1 (ko) * 2002-08-07 2004-11-26 최진용 신경망회로를 이용한 전자메일 필터링 방법
KR100866585B1 (ko) * 2007-05-03 2008-11-03 예홍진 사용자 맞춤형 방송 서비스를 제공하는 방법, 이를수행하는 정보 제어 서버 및 이를 포함하는 사용자 맞춤형방송 서비스 제공 시스템
KR20150050732A (ko) * 2013-10-31 2015-05-11 삼성전자주식회사 생체 정보를 이용한 인증 방법 및 이를 지원하는 휴대형 전자장치
KR20150108673A (ko) * 2014-03-18 2015-09-30 삼성전자주식회사 사용자 인식 방법 및 장치
US20180322263A1 (en) * 2015-08-18 2018-11-08 Richard James Hallock System, Method, and Apparatus for Personal Identification

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100458168B1 (ko) * 2002-08-07 2004-11-26 최진용 신경망회로를 이용한 전자메일 필터링 방법
KR100866585B1 (ko) * 2007-05-03 2008-11-03 예홍진 사용자 맞춤형 방송 서비스를 제공하는 방법, 이를수행하는 정보 제어 서버 및 이를 포함하는 사용자 맞춤형방송 서비스 제공 시스템
KR20150050732A (ko) * 2013-10-31 2015-05-11 삼성전자주식회사 생체 정보를 이용한 인증 방법 및 이를 지원하는 휴대형 전자장치
KR20150108673A (ko) * 2014-03-18 2015-09-30 삼성전자주식회사 사용자 인식 방법 및 장치
US20180322263A1 (en) * 2015-08-18 2018-11-08 Richard James Hallock System, Method, and Apparatus for Personal Identification

Also Published As

Publication number Publication date
KR20200067421A (ko) 2020-06-12

Similar Documents

Publication Publication Date Title
WO2020013428A1 (ko) 개인화 asr 모델을 생성하는 전자 장치 및 이를 동작하는 방법
WO2020122677A1 (en) Method of performing function of electronic device and electronic device using same
WO2020040595A1 (ko) 사용자 발화를 처리하는 전자 장치, 및 그 전자 장치의 제어 방법
WO2020096172A1 (en) Electronic device for processing user utterance and controlling method thereof
WO2020080635A1 (ko) 동작 상태에 기반하여 선택한 마이크를 이용하여 음성 인식을 수행하는 전자 장치 및 그의 동작 방법
WO2021060728A1 (ko) 사용자 발화를 처리하는 전자 장치 및 그 작동 방법
WO2021187901A1 (en) Method for controlling external device based on voice and electronic device thereof
WO2021101276A1 (en) Electronic device for providing intelligent assistance service and operating method thereof
WO2020209661A1 (en) Electronic device for generating natural language response and method thereof
WO2020180000A1 (ko) 음성 인식 모델에서 사용되는 언어를 확장시키는 방법 및 음성 인식 모델을 포함하는 전자 장치
WO2020180008A1 (en) Method for processing plans having multiple end points and electronic device applying the same method
WO2020116766A1 (ko) 데이터를 학습하여 사용자를 식별하는 사용자 예측 모델을 생성하는 방법, 상기 모델을 적용한 전자 장치, 및 상기 모델을 적용하는 방법
WO2020101389A1 (ko) 음성 인식 기반 이미지를 표시하는 전자 장치
WO2020080771A1 (ko) 변형 발화 텍스트를 제공하는 전자 장치 및 그것의 동작 방법
WO2022191395A1 (ko) 사용자 명령을 처리하는 장치 및 그 동작 방법
WO2021075820A1 (en) Method of generating wakeup model and electronic device therefor
WO2022092901A1 (ko) 사용자 발화를 처리하는 전자 장치, 및 그 전자 장치의 제어 방법
WO2022065879A1 (ko) 음성 인식 서비스를 위한 등록 사용자에 대한 화자 인증 학습 장치 및 그 동작 방법
WO2020171545A1 (en) Electronic device and system for processing user input and method thereof
WO2022010158A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2021020727A1 (ko) 대상의 언어 수준을 식별하는 전자 장치 및 방법
WO2024058524A1 (ko) 오거부 판단 방법 및 이를 수행하는 전자 장치
WO2021025280A1 (ko) 사용자 인터페이스를 제공하는 전자 장치 및 방법
WO2024072036A1 (ko) 음성인식 장치 및 음성인식 장치의 동작방법
WO2024029850A1 (ko) 언어 모델에 기초하여 사용자 발화를 처리하는 방법 및 전자 장치

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: 19893083

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19893083

Country of ref document: EP

Kind code of ref document: A1