WO2020184892A1 - 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법 - Google Patents

모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법 Download PDF

Info

Publication number
WO2020184892A1
WO2020184892A1 PCT/KR2020/003075 KR2020003075W WO2020184892A1 WO 2020184892 A1 WO2020184892 A1 WO 2020184892A1 KR 2020003075 W KR2020003075 W KR 2020003075W WO 2020184892 A1 WO2020184892 A1 WO 2020184892A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
deep learning
new
model
module
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2020/003075
Other languages
English (en)
French (fr)
Inventor
송석민
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dreamfora Co Ltd
Original Assignee
Dreamfora Co Ltd
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 Dreamfora Co Ltd filed Critical Dreamfora Co Ltd
Priority to US17/593,082 priority Critical patent/US20220164659A1/en
Publication of WO2020184892A1 publication Critical patent/WO2020184892A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2219—Large Object storage; Management thereof
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning

Definitions

  • the present invention relates to a deep learning error minimization system for real-time generation of a big data analysis model of a mobile app user and a control method thereof.
  • a deep learning error minimization system for real-time generation of a big data analysis model of a mobile app user in addition to newly created training set data, various behavior patterns of users previously collected through a mobile app And content consumption pattern data, without executing full deep learning reinforcement learning, but grouping only those with correlation into a certain range and setting it as alternative learning set data and then executing deep learning learning.
  • a deep learning error minimization system for real-time generation of a big data analysis model of a mobile app user that can calculate a model and a control method thereof.
  • artificial intelligence is a technology that realizes human learning ability, reasoning ability, perceptual ability, understanding ability of natural language, etc. through computer programs.
  • Recently, research and development of technologies and products using it in the industry are actively progressing.
  • interest in applied technologies using machine learning, deep learning, etc. which are more specific technologies of artificial intelligence, is increasing recently, and major global companies have already commercialized the technology and released related products.
  • Sua Lab is the most representative in Korea
  • Sua Lab's deep learning machine vision'Suakit' has received great interest from abroad and is actively exporting to Asia and Europe.
  • Deep learning is a machine learning method proposed to overcome the limitations of artificial neural networks.
  • the core of deep learning is prediction through classification.
  • the discrimination method of deep learning is divided into supervised learning and unsupervised learning.
  • the supervised learning is a method of first teaching information to a computer. For example, a normal product of a certain product is shown, and a normal product can be classified based on this.
  • Deep learning has a number of open source libraries (Google's Tensorflow) for deep learning reinforcement learning models (RNN, Deepmind's DQN, etc.), for example, Google DeepMind's AlphaGo and AlphaZero. Methods of using deep learning models such as DQN are widely known.
  • control method of an artificial intelligence system using the conventional deep learning method as described above is a method based on a structure that fully analyzes accumulated big data, it inevitably requires very large parallel computing power when adding new data.
  • deep learning methods such as AlphaGo and AlphaZero of Google DeepMind are used. In the case of open source, a lot of computing power and long processing speed are required to improve the precision of the analysis process, so it is difficult to update a new model in real time accordingly.
  • the present invention was invented to solve the problems of the prior art as described above, and because it is a structure that uses the replacement learning set data generated based on the representative value grouped based on correlation, the existing learning with full deep learning Compared to pattern data, the calculation process of deep learning learning can be considerably reduced, and the calculation speed can be significantly improved. Therefore, a big data analysis model for mobile app users that can quickly calculate a pattern result model for the input pattern data. Its purpose is to provide a deep learning error minimization system and a control method for real-time generation.
  • Another object of the present invention is to apply an algorithm that minimizes errors for building a big data deep learning model and implement it with little computing power, thereby creating and providing a model that updates app data including mobile apps in real time. Deep learning errors for real-time generation of big data analysis models for mobile app users that can immediately obtain new result models without the need for time delays or large amounts of parallel computing power until the analysis cycle arrives for model calculation It is to provide a minimization system and its control method.
  • the present invention as described above includes a smartphone for transmitting basic setting information (including pattern data) input to an activated mobile app through a set path and displaying the corresponding app response signal on the mobile app;
  • a new incremental learning set and an alternative learning set that is previously stored in the DB are grouped together to perform deep learning learning to calculate and store a new pattern result model in real time Deep learning error for real-time generation of a big data analysis model of a mobile app user including a deep learning management server that calculates the app response signal optimally corresponding to the basic setting information of the smartphone from the pattern result model and transmits it to the smartphone.
  • Another feature of the present invention is a first process of activating a mobile app of a smartphone and transmitting basic setting information of a user to a deep learning management server;
  • the basic setting information (including pattern data) transmitted from the mobile app of the smartphone activated after the first process is transmitted from the mobile app of the activated smartphone by driving the main control module of the deep learning management server and the new learning set generation module.
  • the main control module of the deep learning management server drives the new incremental learning set module to quantify basic setting information (including pattern data) of the user newly received from the mobile app of the smartphone, and then create a new incremental learning set.
  • the training set existing total training set in which the new pattern result model is accumulated
  • the replacement training set generation module is generated, and the items having a high set correlation coefficient or data having a correlation or similarity are A third process of grouping to generate and output a replacement learning set;
  • the main control module of the deep learning management server drives the final learning set calculation module to calculate the final learning set by adding the new incremental learning set of the new incremental learning set module and the replacement learning set of the replacement learning set generation module.
  • a big data analysis model for mobile app users including the fourth process of calculating a final new model by running deep learning reinforcement learning on the final learning set calculated by the final learning set calculation module by running the deep learning learning module is generated in real time.
  • the present invention transfers various behavior patterns and content consumption pattern data of users previously collected through a mobile app to a certain range only between those having correlation without executing deep learning reinforcement learning. Since it is a structure that uses the replacement learning set data generated by the representative value grouped based on the correlation, deep learning learning is performed after setting it as the replacement learning set data by grouping and executing deep learning learning to calculate a new pattern result model in real time. Compared to the existing pattern data that is learned by the method, the calculation process of deep learning learning can be considerably reduced, and the calculation speed can be significantly improved. Accordingly, there is an effect that a quick pattern result model can be calculated for the input pattern data. .
  • the present invention as described above is implemented with little computing power by applying an algorithm that minimizes errors for building a big data deep learning model, thereby creating and providing a model that updates app data including mobile apps in real time.
  • a new result model can be obtained immediately without the need to have a large amount of parallel computing power or a time delay until the analysis cycle arrives for model calculation.
  • FIG. 1 is an explanatory diagram illustrating an example of an artificial intelligence system using a conventional deep learning method.
  • FIG. 2 is an explanatory diagram illustrating an example of a deep learning error minimization system for real-time generation of a big data analysis model of a mobile app user of the present invention.
  • FIG. 3 is an explanatory diagram schematically illustrating a method of calculating a new model in the system of FIG. 2.
  • FIG. 4 is an explanatory diagram for explaining a processing process performed inside a deep learning management server in the system of FIG. 2;
  • FIG. 5 is an explanatory diagram schematically illustrating a processing process of a final evaluation module in the system of FIG. 2.
  • first and second may be used to describe various components, but the components should not be limited by the terms. These terms are used only for the purpose of distinguishing one component from another component.
  • FIG. 2 is an explanatory diagram illustrating an example of a deep learning error minimization system for real-time generation of a big data analysis model of a mobile app user of the present invention.
  • 3 is an explanatory diagram schematically illustrating a method of calculating a new model in the system of FIG. 2
  • FIG. 4 is an explanatory diagram illustrating a processing process performed inside the deep learning management server of the system of FIG. 2
  • FIG. 5 is an explanatory diagram schematically illustrating a processing process of the final evaluation module in the system of FIG. 2
  • FIG. 6 is a flowchart of the present invention.
  • an activated mobile app (1) transmits basic setting information (including pattern data) input to a target achievement plan app and transmits a set path, and transmits the corresponding app response signal to the mobile app (1 ) To display on the smartphone (2,2a ... 2n) and;
  • Deep learning a new incremental learning set and an alternative learning set grouped by a learning set previously stored in the DB (3) based on the basic setting information received from the mobile app (1) of the smartphone (2,2a ... 2n) Calculate and store a new pattern result model in real time by executing learning, and calculate an app response signal that optimally responds to the basic setting information of the smartphone (2, 2a ... 2n) from the DB(3) where the new pattern result model is stored. It is configured to include a deep learning management server 4 that transmits to the corresponding smartphone (2,2a ... 2n).
  • the deep learning management server 4 continuously accumulates the newly generated new pattern result model and executes deep learning reinforcement learning on all accumulated pattern result models. It further includes a total calculation management server 5 for generating and storing a new pattern result model.
  • the deep learning management server 4 as shown in Figs. 3 to 5, the basic setting information of the user newly received from the mobile app 1 of the smartphone (2, 2a ... 2n) (including pattern data)
  • a new incremental learning set module 6 for generating and outputting a new incremental learning set after digitizing );
  • An alternative learning set is created by grouping items with a high correlation coefficient or data having a correlation or similarity previously stored in the total calculation management server 5 (the existing total learning set in which the new pattern result model is accumulated).
  • a replacement learning set generation module 7 for outputting the same;
  • a final learning set calculation module 8 for calculating a final learning set by adding the new incremental learning set of the new incremental learning set module 6 and the replacement learning set of the replacement learning set generation module 7;
  • a deep learning learning module 9 for calculating a final new model by executing deep learning reinforcement learning on the final learning set calculated by the final learning set calculation module 8;
  • It is configured to include a main control module 10 that controls the functions of the deep learning management server 4 including the deep learning learning module 9 according to a set operation program.
  • the final new model generated by the deep learning learning module 9 and the total calculation management server 5 under the function control of the main control module 10
  • the final evaluation module 11 that compares and verifies the new model generated by reinforcement learning with real data sampled at random, sets the new model with the least error as the best new model, and transmits it to the deep learning management server 4 ) More.
  • the deep learning management server 4 uses the best new model calculated by the final evaluation module 11 under the function control of the main control module 10 as an app response signal to request a response from the corresponding smartphone (2,2a. .. 2n) to the mobile app (1) to display.
  • the deep learning learning module 9 uses a gradient descent algorithm using a representative value in the process of calculating a final new model by executing deep learning reinforcement learning on the calculated final learning set, the gradient descent method.
  • the equation for illustrating the algorithm uses the formula shown in "K" in FIG. 4, and the gradient descent method as described above is an optimization algorithm for finding a first-order approximation, and the basic idea is the slope of the function (gradient descent). ), and repeating it until it reaches the extreme value by continuing to move toward the lower slope.
  • This gradient descent method (GD) is a method of calculating the average of the slopes of all sample data, and is a method of repeatedly adjusting parameters to minimize the cost function.
  • the gradient descent algorithm according to the present invention may be composed of a neural network circuit of deep learning.
  • the replacement learning set grouped by the replacement learning set generation module 7 in the previous step is very small compared to the entire dataset by the total calculation management server 5. Since it is a method of using representative data, real-time calculation is possible.
  • the final evaluation module 11 uses the actual data randomly sampled among the actual new models stored in the DB 3 to compare and verify with each other, and set the corresponding new model with the least error as the best new model.
  • a square method algorithm is used, and the equation shown in "P" of FIG. 5 is used as an equation illustrating the least square method algorithm as described above.
  • the least squares algorithm as described above calculates the minimum value by squaring the error.For example, when trying to represent certain data in a linear graph, since several values are unevenly distributed, draw a line randomly and deviate from the line. Values are expressed as errors, and the error is squared and added together to find the minimum value.
  • the experimental data have the form of paired ordered pairs (xj,yj).
  • the regression line suitable for this set of experimental data can be easily obtained using the least squares method.
  • 1 Set the regression line to fit the given points so that the sum of squares of the distances (y-axis direction, vertical direction) of (xj,yj) points away from the straight line is minimized.
  • 2 Set the vertical distance (y-axis direction) from the straight line to the experimental data (xj,yj).
  • the sum of the squares of the distance is set to q (here, set a (coefficient) and b (constant) so that q is the minimum.
  • the regression line is When d, the sum of squared distances
  • the model with coefficients that minimizes and constants a and b is judged as the best model.
  • the method of the present invention includes a first process (S1) of activating the mobile app of the smartphone and transmitting basic setting information of the user to the deep learning management server as shown in FIG. 6;
  • the main control module of the deep learning management server drives a new incremental learning set module to digitize the basic setting information (including pattern data) of the user newly received from the mobile app of the smartphone, and then increment it.
  • the main control module of the deep learning management server drives the final learning set calculation module to add the new incremental learning set of the new incremental learning set module and the replacement learning set of the replacement learning set generation module to final learning set.
  • the main control module of the deep learning management server drives the total calculation management server to continuously accumulate the newly generated new pattern result model whenever a new pattern result model is generated. It further includes a full calculation new model generation step of generating and storing a new pattern result model by executing deep learning reinforcement learning on all accumulated pattern result models.
  • the main control module of the deep learning management server drives the final evaluation module, and the final new model created by the deep learning learning module and the total deep learning reinforcement learning are performed by the total calculation management server.
  • the method further includes a best new model generation step of comparing and verifying each other using real data sampled at random among the generated new models, setting the new model with the least error as the best new model, and transmitting it to the deep learning management server.
  • the final learning set calculated by the deep learning module is calculated using a gradient descent algorithm using representative data in the process of calculating the final new model by executing deep learning reinforcement learning. It further includes a step of improving calculation speed.
  • the final evaluation module compares and verifies each other using real data sampled at random from among the actual new models, and sets the new model with the least error as the best new model. It further includes the step of determining the minimum error calculated using.
  • the user activates a mobile app (1), for example, a goal achievement plan app, on his smartphone (2,2a ... 2n), and on the default screen, gender, age, nationality, occupation, school, dream or habit or
  • a mobile app transmits the basic setting information to the deep learning management server 4 through the wireless Internet network 12.
  • the main control module 10 of the deep learning management server drives the new incremental learning set module 6, and the basic user transmitted from the mobile app 1 of the smartphone 2, 2a ... 2n as above.
  • the setting information (including pattern data) is numerically generated to generate a new incremental learning set, and the calculated new incremental learning set is output to the final learning set calculation module 8.
  • the main control module 10 of the deep learning management server 4 drives the replacement learning set generation module 7 at the same time as the above process, so that the learning set (new pattern result model is stored in the total calculation management server 5)
  • the accumulated existing training sets) are grouped with items having a high set correlation coefficient or data having associations or similarities to generate an alternative learning set, and output to the final learning set calculation module 8.
  • the main control module 10 of the deep learning management server 4 drives the final learning set calculation module 8 to generate a new incremental learning set and a replacement learning set of the new incremental learning set module 6.
  • the deep learning learning module 9 is driven to execute deep learning reinforcement learning on the final learning set calculated by the final learning set calculation module 8 To calculate the final new model.
  • the main control module 10 of the deep learning management server 4 drives the total calculation management server 5 separately from the process to generate a new pattern result model whenever a new pattern result model is generated.
  • the newly created pattern result model is continuously accumulated and deep learning reinforcement learning is executed on the accumulated pattern result models to generate and store a new pattern result model, and the new pattern result model is stored in the deep learning management server (4). ).
  • the main control module 10 of the deep learning management server 4 drives the final evaluation module 11 to create the final new model and the total calculation management server ( 5) Among the new models generated by full deep learning reinforcement learning, the new model with the least error is set as the best new model by comparing and verifying each other using real data sampled at random, deep learning management server (4) Transfer to.
  • the deep learning management server 4 uses the best new model calculated by the final evaluation module 11 under the function control of the main control module 10 as an app response signal and requests a response from the corresponding smartphone (2, 2a). ... 2n) to the mobile app (1) to display.
  • the deep learning learning module 9 reduces the same error as shown in "7" of FIG. However, real-time calculation is possible because the gradient descent calculation is performed as shown in “K” of FIG. 4 by using representative data having a smaller calculation amount than actual data.
  • the final evaluation module 11 is shown in FIG. As shown in “P”, it is possible to find a model with the least error from the actual data because the least squares algorithm is used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)

Abstract

본 발명은 활성화된 모바일 앱으로 입력된 기본셋팅정보(패턴데이터 포함)를 설정된 경로로 전송하고 그 대응되는 앱응답신호를 모바일 앱에 표시시키는 스마트폰과; 상기 스마트폰의 모바일 앱으로부터 수신된 기본셋팅정보를 근거로 신규증분 학습셋과 DB에 기저장된 학습셋을 그룹핑한 대체학습셋을 딥러닝학습을 실행하여 실시간 신규 패턴결과모델을 산출저장하고 신규 패턴결과모델에서상기 스마트폰의 기본셋팅정보에 최적으로 대응하는 앱응답신호를 산출하여 해당 스마트폰으로 전송시키는 딥러닝 관리서버를 포함하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법을 제공한다. 상기와 같은 본 발명은 상관관계를 기준으로 그룹핑하여 대표값으로 생성된 대체학습셋 데이터를 이용하는 구조이기때문에 전수 딥러닝으로 학습되는 기존의 패턴데이터들에 비해 딥러닝학습의 계산과정을 상당히 줄일 수 있어 그 만큼 계산속도도 상당히 향상시키게 되므로 그에 따라 입력된 패턴데이터에 대해 신속한 패턴결과모델을 산출할 수 있는 효과가 있다.

Description

모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법
본 발명은 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법에 관한 것으로, 특히 신규로 생성된 학습셋데이터에 더해 모바일 앱을 통해 기수집된 유저의 다양한 행동 패턴 및 컨텐츠 소모 패턴데이터를 전수 딥러닝 강화학습을 실행하지 않고 상관성을 갖는 것끼리 만 일정범위로 그룹핑하여 대체학습셋 데이터로 설정한 후 딥러닝학습을 실행하므로써, 처리계산속도가 빨라 실시간 신규 패턴결과모델을 산출할 수 있는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법에 관한 것이다.
일반적으로 인공지능은 인간의 학습능력과 추론 능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술로 최근 산업계에서 이를 활용한 기술 및 제품에 대한 연구개발이 활발히 진행되고 있다. 더 나아가 상기 인공지능을 좀 더 구체화한 기술인 머신러닝, 딥러닝 등을 활용한 응용기술에 대한 관심도가 최근 높아지고 있으며 이미 글로벌 주요 기업들은 이에 대한 기술을 상용화하고 관련 제품들을 출시하고 있다. 이중 딥러닝의 경우 국내에서는 수아랩이 대표적이며 수아랩의 딥러닝 머신비전 ‘수아킷’은 해외에서도 큰 관심을 받아 아시아와 유럽 등 해외 수출도 활발히 하고 있다. 그리고 상기 인공지능은 이를 개발하기 위해서 인공지능이 수행해야 하는 규칙들을 프로그래머가 일일이 코드를 작성해야 했지만 머신러닝 기술이 도입되면서 이제는 인공지능이 스스로 학습하고 규칙을 만들어 낼 수 있도록 만들어 준다. 특히 최근 글로벌 기업들은 이 머신러닝 기술 활용을 위해 그 영역을 확대해나가고 있다. 이 분야에서의 선두주자는 알파고를 탄생시킨 구글을 시작으로 아마존, IBM 등이 오픈소스로 알고리즘을 공개하고 나섰다. 그에 더하여 딥러닝은 인공신경망의 한계를 극복하기 위해 제안된 기계학습 방법으로 딥러닝의 핵심은 분류를 통한 예측이라고 할 수 있다. 딥러닝의 분별 방식은 지도 학습과 비지도 학습 두 가지로 나뉜다. 상기 지도 학습은 컴퓨터에 먼저 정보를 가르치는 방법으로 예를 들어 어떤 제품의 정상적인 제품을 보여주고 이를 바탕으로 정상적인 제품을 구분할 수 있도록 하는 것이다. 비지도 학습은 이러한 배움의 과정 없이 정상적인 제품을 컴퓨터가 스스로 학습하게 된다. 이는 지도 학습보다 더 진보한 기술로 컴퓨터의 높은 연산 능력이 요구된다. 여기서, 딥러닝에는 딥러닝 강화 학습 모델(RNN, Deepmind 사의 DQN 등)을 위한 다수의 오픈 소스 라이브러리 ( Google 의 Tensorflow) 가 존재하는데, 예를 들어, 구글 딥마인드사의 알파고 및 알파제로에 사용된 DQN 등의 딥러닝 모델을 사용하는 방법이 널리 알려져 있다.
한편, 상기와 같은 종래 DQN 등 딥러닝방식을 사용하는 인공지능 시스템의 제어방법을 도 1을 참고로 살펴보면, 먼저, 수백대 이상의 컴퓨터를 서로 네트워크로 연결하고 이를 통해 장시간 예컨대, 수개월에 걸쳐서 수백만건의 바둑 대국 기보를 분석하는 제1 단계(S100)와; 상기 제1 단계(S100)후에 그 분석된 결과를 근거로 전수 딥러닝 강화학습을 사용하여 새로운 신규모델을 생성하는 제2 단계(S101)와; 상기 제2 단계(S101)후에 신규로 생성된 모델을 이용하여 전수 립러닝 강화학습을 실행하여 추가적인 데이터를 확립하여 저장시키며 상기 단계를 계속 반복하는 제3단계(S102)를 포함하여 구성된다.
그러나, 상기와 같은 종래 딥러닝방식을 사용하는 인공지능 시스템의 제어방법은 누적된 빅데이터를 전수 분석하는 구조를 기반으로 하는 방식이기 때문에 신규 데이터를 추가할 경우 필연적으로 매우 큰 병렬 컴퓨팅 파워가 필요하게 되는데, 이러한 분석을 실시간을 하는 것이 불가능하여 데이터 분석 시기와 서비스 제공 시기의 간극이 상당히 존재한다는 문제점이 있었고, 예를 들어, 구글 딥마인드 사의 알파고와 알파제로와 같은 딥러닝방식을 사용하는 오픈소스의 경우 분석과정의 정밀도 향상을 위해서 수많은 컴퓨팅 파워와 장시간의 처리속도가 필요하므로 그에 따라 실시간으로 신규모델을 업데이트 하기가 어렵다는 문제점이 있었다.
이에 본 발명은 상기와 같은 종래기술의 문제점을 해결하기 위해 발명된 것으로, 상관성을 기준으로 그룹핑한 그 대표값을 기준으로 생성된 대체학습셋 데이터를 이용하는 구조이기때문에 전수 딥러닝으로 학습되는 기존의 패턴데이터들에 비해 딥러닝학습의 계산과정을 상당히 줄일 수 있어 그 만큼 계산속도도 상당히 향상시키게 되므로 그에 따라 입력된 패턴데이터에 대해 신속한 패턴결과모델을 산출할 수 있는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법을 제공함에 그 목적이 있다.
본 발명의 또 다른 목적은 빅데이터 딥러닝 모델 구축을 위한 오차를 최소화한 알고리즘을 적용하여 적은 컴퓨팅 파워로 구현하므로써, 모바일 앱을 포함한 앱데이터들을 실시간으로 업데이트 한 모델을 생성하여 제공하므로써, 신규 결과모델의 산출을 위해 분석 주기가 도래할 때 까지의 시간지연이나 대용량의 병렬 컴퓨팅 파워를 구비할 필요가 없이 즉시 신규결과모델을 얻을 수 있는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법을 제공하는데 있다.
상기와 같은 본 발명은 활성화된 모바일 앱으로 입력된 기본셋팅정보(패턴데이터 포함)를 설정된 경로로 전송하고 그 대응되는 앱응답신호를 모바일 앱에 표시시키는 스마트폰과;
상기 스마트폰의 모바일 앱으로부터 수신된 기본셋팅정보를 근거로 신규증분 학습셋과 DB에 기저장된 학습셋을 그룹핑한 대체학습셋을 딥러닝학습을 실행하여 실시간 신규 패턴결과모델을 산출저장하고 저장된 신규 패턴결과모델에서 상기 스마트폰의 기본셋팅정보에 최적으로 대응하는 앱응답신호를 산출하여 해당 스마트폰으로 전송시키는 딥러닝 관리서버를 포함하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템을 제공한다.
본 발명의 또 다른 특징은 스마트폰의 모바일앱이 활성화되어 유저의 기본셋팅정보를 딥러닝 관리서버로 전송하는 제1 과정과;
상기 제1 과정후에 활성화된 스마트폰의 모바일 앱으로부터 전송된 기본셋팅정보(패턴데이터 포함)를 딥러닝 관리서버의 메인제어모듈과 신규학습셋 생성모듈을 구동시켜 활성화된 스마트폰의 모바일 앱으로부터 전송된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화하여 신규 증분 학습셋으로 생성하는 제2 과정과;
상기 제2 과정중에 딥러닝 관리서버의 메인제어모듈이 신규증분 학습셋모듈을 구동시켜 스마트폰의 모바일 앱으로부터 신규수신된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화한후 신규증분 학습셋을 생성하게 하고 대체학습셋 생성모듈을 구동시켜 전수데이터 관리서버에 기저장된 학습셋(신규 패턴결과모델이 누적된 기존의 총 학습셋)을 설정된 상관계수가 높은 항목 혹은 연관이나 유사성을 갖는 데이터끼리 서로 그룹핑하여 대체학습셋을 생성하여 출력시키는 제3 과정과;
상기 제3 과정후에 딥러닝 관리서버의 메인제어모듈이 최종학습셋 산출모듈을 구동시켜 신규증분 학습셋모듈의 신규증분 학습셋과 대체학습셋 생성모듈의 대체학습셋을 더하여 최종 학습셋을 산출한후 딥러닝 학습모듈을 구동시켜 최종학습셋 산출모듈에 의해 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 제4 과정을 포함하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템의 제어방법을 제공한다.
상기와 같은 본 발명은 신규로 생성된 학습셋데이터에 더해 모바일 앱을 통해 기수집된 유저의 다양한 행동 패턴 및 컨텐츠 소모 패턴데이터를 전수 딥러닝 강화학습을 실행하지 않고 상관성을 갖는 것끼리만 일정범위로 그룹핑하여 대체학습셋 데이터로 설정한후 딥러닝학습을 실행하여 실시간 신규 패턴결과모델을 산출하게 하므로써, 상관성을 기준으로 그룹핑한 그 대표값으로 생성된 대체학습셋 데이터를 이용하는 구조이기때문에 전수 딥러닝으로 학습되는 기존의 패턴데이터들에 비해 딥러닝학습의 계산과정을 상당히 줄일 수 있어 그 만큼 계산속도도 상당히 향상시키게 되므로 그에 따라 입력된 패턴데이터에 대해 신속한 패턴결과모델을 산출할 수 있는 효과가 있다.
또한 상기와 같은 본 발명은 빅데이터 딥러닝 모델 구축을 위한 오차를 최소화하는 알고리즘을 적용하여 적은 컴퓨팅 파워로 구현하므로써, 모바일 앱을 포함한 앱데이터들을 실시간으로 업데이트 한 모델을 생성하여 제공하므로써, 신규 결과모델의 산출을 위해 분석 주기가 도래할 때 까지의 시간지연이나 대용량의 병렬 컴퓨팅 파워를 구비할 필요가 없이 즉시 신규결과모델을 얻을 수 있는 효과도 있다.
도 1은 종래 딥러닝방식을 사용하는 인공지능 시스템의 일례를 설명하는 설명도.
도 2는 본 발명의 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템의 일례를 설명하는 설명도.
도 3은 도 2의 시스템에서 신규모델을 산출하는 방법을 개략적으로 설명하는 설명도.
도 4는 도 2의 시스템중 딥러닝 관리서버의 내부에서 진행되는 처리과정을 설명하는 설명도.
도 5는 도 2의 시스템중 최종 평가모듈의 처리과정을 개략적으로 설명하는 설명도.
도 6은 본 발명의 플로우차트.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하, 본 발명의 실시예에 대해 관련 도면들을 참조하여 상세히 설명하기로 한다.도 2는 본 발명의 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템의 일례를 설명하는 설명도이고, 도 3은 도 2의 시스템에서 신규모델을 산출하는 방법을 개략적으로 설명하는 설명도이며, 도 4는 도 2의 시스템중 딥러닝 관리서버의 내부에서 진행되는 처리과정을 설명하는 설명도이고, 도 5는 도 2의 시스템중 최종 평가모듈의 처리과정을 개략적으로 설명하는 설명도이며, 도 6은 본 발명의 플로우차트이다.
본 발명은 도 2에 도시된 바와같이 활성화된 모바일 앱(1) 예컨대, 목표달성 계획앱으로 입력된 기본셋팅정보(패턴데이터 포함)를 설정된 경로 전송하고 그 대응되는 앱응답신호를 모바일 앱(1)에 표시시키는 스마트폰(2,2a ... 2n)과;
상기 스마트폰(2,2a ... 2n)의 모바일 앱(1)으로부터 수신된 기본셋팅정보를 근거로 신규증분 학습셋과 DB(3)에 기저장된 학습셋을 그룹핑한 대체학습셋을 딥러닝학습을 실행하여 실시간 신규 패턴결과모델을 산출저장하고 신규 패턴결과모델이 저장된 DB(3)중에서 상기 스마트폰(2,2a ... 2n)의 기본셋팅정보에 최적으로 대응하는 앱응답신호를 산출하여 해당 스마트폰(2,2a ... 2n)으로 전송시키는 딥러닝 관리서버(4)를 포함하여 구성된다.
여기서, 상기 딥러닝 관리서버(4)에는 신규 패턴결과모델이 생성될 때마다 그 신규로 생성된 신규 패턴결과모델을 지속적으로 누적시키고 그 누적된 전체 패턴결과모델들에 대해 딥러닝 강화학습을 실행하여 신규 패턴결과모델을 생성하여 저장하는 전수계산 관리서버(5)을 더 포함한다.
그리고 상기 딥러닝 관리서버(4)에는 도 3 내지 도 5에 도시된 바와같이 스마트폰(2,2a ... 2n)의 모바일 앱(1)으로부터 신규수신된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화한후 신규증분 학습셋을 생성하여 출력시키는 신규증분 학습셋모듈(6)과; 상기 전수계산 관리서버(5)에 기저장된 학습셋(신규 패턴결과모델이 누적된 기존의 총 학습셋)을 설정된 상관계수가 높은 항목 혹은 연관이나 유사성을 갖는 데이터끼리 서로 그룹핑하여 대체학습셋을 생성하여 출력시키는 대체학습셋 생성모듈(7)과;
상기 신규증분 학습셋모듈(6)의 신규증분 학습셋과 대체학습셋 생성모듈(7)의 대체학습셋을 더하여 최종 학습셋을 산출하는 최종학습셋 산출모듈(8)과;
상기 최종학습셋 산출모듈(8)에 의해 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 딥러닝 학습모듈(9)과;
상기 딥러닝 학습모듈(9)을 포함하여 딥러닝 관리서버(4)의 기능을 설정된 운용프로그램에 따라 제어하는 메인제어모듈(10)을 포함하여 구성된다.
여기서, 상기 딥러닝 관리서버(4)에는 상기 메인제어모듈(10)의 기능제어하에 상기 딥러닝 학습모듈(9)에 의해 생성된 최종 신규모델과 전수계산 관리서버(5)에 의해 전수딥러닝 강화학습하여 생성된 신규모델을랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하여 딥러닝 관리서버(4)로 전송하는 최종 평가모듈(11)을 더 포함한다.
그리고 상기 딥러닝 관리서버(4)는 메인제어모듈(10)의 기능제어하에 최종 평가모듈(11)에 의해 산출된 베스트 신규모델을 앱응답신호로 하여 응답을 요청한 해당 스마트폰(2,2a ... 2n)의 모바일 앱(1)으로 전송하여 표시시킨다.
여기서, 상기 딥러닝 학습모듈(9)은 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 과정에서 대표값을 사용하는 경사하강법 알고리즘을 사용하게 되는데, 상기 경사하강법 알고리즘을 예시하는 수학식은 도 4의 “K”에 도시된 공식을 활용하게 되는바, 상기와 같은 경사 하강법(Gradient descent)은 1차 근삿값 발견용 최적화 알고리즘으로서, 기본 아이디어는 함수의 기울기(경사)를 구하여 기울기가 낮은 쪽으로 계속 이동시켜서 극값에 이를 때까지 반복시키는 것이다. 이러한 경사하강법(GD)은 전체 샘플 데이터 기울기의 평균을 내는 방식으로서 비용함수를 최소화하기 위해 반복해서 파라미터를 조정해 나가는 방식이다. 본 발명에 따른 상기 경사하강법 알고리즘은 딥러닝의 신경망회로로 구성될수 있다. 따라서, 상기와 같은 본 발명의 경사하강법 알고리즘을 사용할 경우 전단계에서 대체학습셋 생성모듈(7)에 의해 그룹핑된 대체 학습셋이 전수계산 관리서버(5)에 의한 전체 데이터셋 대비 매우 적은 그룹핑된 대표데이터를 사용하는 방법이므로 실시간 계산이 가능하다.
또한 상기 최종 평가모듈(11)은 DB(3)에 저장된 실제 신규모델들 중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하는 과정에서 최소 제곱법 알고리즘을 사용하게되는데, 상기와 같은 최소 제곱법 알고리즘을 예시하는 수학식은 도 5의 “P”에 도시된 공식을 활용한다. 상기와 같은 최소 제곱법 알고리즘은 오차를 제곱하여 최소값을 구하는 것으로, 예컨대, 어떤 데이터를 linear한 그래프로 나타내려 할때 여러 값들이 일정하지 않게 분포되어있기 때문에 임의로 선을 하나 그려주고 그 선을 벗어난 값들은 오차로 표현이 되는데 그 오차를 제곱해 전부 더해 최소값을 구하는 것이다. 즉, 하나의 독립변수 x와 종속변수 Y에 대해서는, 그 실험 데이터는 짝을 이룬 순서쌍 (xj,yj)의 형태를 갖는다. 이 실험 데이터의 집합에 적합한 회귀직선은 최소제곱법으로 쉽게 구할 수 있다. 먼저 ① 직선으로부터 떨어져 있는 (xj,yj) 점들의 거리(y축 방향, 수직방향)의 제곱의 합이 최소가 되도록, 회귀직선은 주어진 점들에 적합하도록 설정한다. ② 직선로부터 실험데이터 (xj,yj)까지의 수직거리(y축방향)를 설정한다. ③ 거리의 제곱의 합은 q로 설정한다(여기서 q가 최소가 되도록 a(계수), b(상수)를 설정한다.
따라서, 상기와 같은 점들을 반영하여 최소제곱법의 일예의 경우 회귀직선을
Figure PCTKR2020003075-appb-I000001
라 할때, 거리 제곱의 합
Figure PCTKR2020003075-appb-I000002
을 최소로 하는 계수와 상수 a,b를 가진 모델을 베스트 모델로 판단한다.
그러므로, 상기와 같은 최소 제곱법 알고리즘을 확장하여 사용하면 본발명에서도 도 5의 "P"에 도시된 바와같이 평균제곱근 오차 수학식 즉,
Figure PCTKR2020003075-appb-I000003
을 사용하여 최소화하는 오차가 가장 적은 모델을 찾아낼 수 있게 된다.
다음에는 상기와 같은 구성으로 된 본 발명의 제어방법을 설명한다.
본 발명의 방법은 도 6에 도시된 바와같이 스마트폰의 모바일앱이 활성화되어 유저의 기본셋팅정보를 딥러닝 관리서버로 전송하는 제1 과정(S1)과;
상기 제1 과정(S1)후에 활성화된 스마트폰의 모바일 앱으로부터 전송된 기본셋팅정보(패턴데이터 포함)를 딥러닝 관리서버의 메인제어모듈과 신규학습셋 생성모듈을 구동시켜 활성화된 스마트폰의 모바일 앱으로부터 전송된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화하여 신규 증분 학습셋으로 생성하는 제2 과정(S2)과;
상기 제2 과정(S2)중에 딥러닝 관리서버의 메인제어모듈이 신규증분 학습셋모듈을 구동시켜 스마트폰의 모바일 앱으로부터 신규수신된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화한후 신규증분 학습셋을 생성하게 하고 대체학습셋 생성모듈을 구동시켜 전수계산 관리서버에 기저장된 학습셋(신규 패턴결과모델이 누적된 기존의 총 학습셋)을 설정된 상관계수가 높은 항목 혹은 연관이나 유사성을 갖는 데이터끼리 서로 그룹핑하여 대체학습셋을 생성하여 출력시키는 제3 과정(S3)과;
상기 제3 과정(S3)후에 딥러닝 관리서버의 메인제어모듈이 최종학습셋 산출모듈을 구동시켜 신규증분 학습셋모듈의 신규증분 학습셋과 대체학습셋 생성모듈의 대체학습셋을 더하여 최종 학습셋을 산출한후 딥러닝 학습모듈을 구동시켜 최종학습셋 산출모듈에 의해 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 제4 과정(S4)을 더 포함한다.
여기서, 상기 제3 과정(S3)에는 딥러닝 관리서버의 메인제어모듈이 전수계산 관리서버를 구동시켜 신규 패턴결과모델이 생성될 때마다 그 신규로 생성된 신규 패턴결과모델을 지속적으로 누적시키고 그 누적된 전체 패턴결과모델들에 대해 딥러닝 강화학습을 실행하여 신규 패턴결과모델을 생성하여 저장시키는 전수계산 신규모델생성단계를 더 포함한다.
더 나아가, 상기 제4 과정(S4)에는 딥러닝 관리서버의 메인제어모듈이 최종 평가모듈을 구동시켜 딥러닝 학습모듈에 의해 생성된 최종 신규모델과 전수계산 관리서버에 의해 전수딥러닝 강화학습하여 생성된 신규모델들 중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하여 딥러닝 관리서버로 전송하는 베스트 신규모델 생성단계를 더 포함한다.
한편, 상기 제4 과정(S4)에는 딥러닝 학습모듈이 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 과정에 대표데이터를 사용하는 경사하강법 알고리즘을 사용하여 산출하는 계산속도 향상단계를 더 포함한다.
또한 상기 베스트 신규모델 생성단계에는 최종 평가모듈이 실제 신규모델들중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하는 과정에 최소 제곱법 알고리즘을 사용하여 산출하는 최소 오차판단단계를 더 포함한다.
환언하면, 유저가 자신의 스마트폰(2,2a ... 2n)에서 모바일 앱(1) 예컨대, 목표달성 계획앱을 활성화시키고 디폴트화면상에서 성별, 나이, 국적, 직업, 학교 및 꿈이나 습관 혹은 도달하고 싶은 목표 등의 기본셋팅정보(패턴데이터 포함)를 입력시키면 상기 모바일앱은 해당 기본셋팅정보를 무선 인터넷망(12)을 통해 딥러닝 관리서버(4)로 전송한다. 그러면 딥러닝 관리서버의 메인제어모듈(10)은 신규증분 학습셋모듈(6)을 구동시켜 상기와 같이 스마트폰(2,2a ... 2n)의 모바일 앱(1)으로부터 전송된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화하여 신규증분 학습셋을 생성한 다음 그 산출된 신규증분 학습셋을 최종학습셋 산출모듈(8)로 출력시킨다. 또한 상기 딥러닝 관리서버(4)의 메인제어모듈(10)은 상기 과정과 동시에 대체학습셋 생성모듈(7)을 구동시켜 전수계산 관리서버(5)에 기저장된 학습셋(신규 패턴결과모델이 누적된 기존의 총 학습셋)을 설정된 상관계수가 높은 항목 혹은 연관이나 유사성을 갖는 데이터끼리 서로 그룹핑하여 대체학습셋을 생성하여 최종학습셋 산출모듈(8)로 출력시킨다.
한편, 상기 산출과정후에 상기 딥러닝 관리서버(4)의 메인제어모듈(10)은 최종학습셋 산출모듈(8)를 구동시켜 신규증분 학습셋모듈(6)의 신규증분 학습셋과 대체학습셋 생성모듈(7)의 대체학습셋을 더하여 최종 학습셋을 산출한후 딥러닝 학습모듈(9)을 구동시켜 최종학습셋 산출모듈(8)에 의해 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출한다.
여기서, 상기 산출과정중에 상기 과정과는 별도로 상기 딥러닝 관리서버(4)의 메인제어모듈(10)는 전수계산 관리서버(5)를 구동시켜 신규 패턴결과모델이 생성될 때마다 그 신규로 생성된 신규 패턴결과모델을 지속적으로 누적시키고 그 누적된 전체 패턴결과모델들에 대해 딥러닝 강화학습을 실행하여 신규 패턴결과모델을 생성하여 저장시킨 다음 그 신규패턴결과모델을 상기 딥러닝 관리서버(4)로 전송한다. 더 나아가, 상기 과정중에 딥러닝 관리서버(4)의 메인제어모듈(10)은 최종 평가모듈(11)을 구동시켜 딥러닝 학습모듈(9)에 의해 생성된 최종 신규모델과 전수계산 관리서버(5)에 의해 전수딥러닝 강화학습하여 생성된 신규모델들 중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하여 딥러닝 관리서버(4)로 전송한다.
그러면, 상기 딥러닝 관리서버(4)는 메인제어모듈(10)의 기능제어하에 최종 평가모듈(11)에 의해 산출된 베스트 신규모델을 앱응답신호로 하여 응답을 요청한 해당 스마트폰(2,2a ... 2n)의 모바일 앱(1)으로 전송하여 표시시킨다.
한편, 상기와 같이 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 과정에 상기 딥러닝 학습모듈(9)은 도 4의 "7"번에 도시된 바와같이 동일 오차를 가지지만 실제 데이터보다 연산량이 적은 대표데이터를 사용하여 도 4의 “K”에 도시된 바와같이 경사하강법 계산을 수행하기때문에 실시간 계산이 가능하다.
더 나아가, 상기와 같이 실제 신규모델들중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하는 과정에 최종 평가모듈(11)은 도 5의 “P”에 도시된 바와같이 최소 제곱법 알고리즘을 활용하기 때문에 실제 데이터와 오차가 가장 적은 모델을 찾아낼 수 있게된다.
[부호의 설명]
1 : 모바일 앱 2a-n: 스마트폰
3 : DB 4 : 딥러닝 관리서버
5 : 전수계산 관리서버 6 : 신규증분 학습셋모듈
7 : 대체학습셋 생성모듈 8 : 최종학습셋 산출모듈
9 : 딥러닝 학습모듈 10: 메인제어모듈
11: 최종 평가모듈 12: 무선인터넷망

Claims (11)

  1. 활성화된 모바일 앱으로 입력된 기본셋팅정보(패턴데이터 포함)를 설정된 경로로 전송하고 그 대응되는 앱응답신호를 모바일 앱에 표시시키는 스마트폰과;
    상기 스마트폰의 모바일 앱으로부터 수신된 기본셋팅정보를 근거로 신규증분 학습셋과 DB에 기저장된 학습셋을 그룹핑한 대체학습셋을 딥러닝학습을 실행하여 실시간 신규 패턴결과모델을 산출저장하고 신규 패턴결과모델에서상기 스마트폰의 기본셋팅정보에 최적으로 대응하는 앱응답신호를 산출하여 해당 스마트폰으로 전송시키는 딥러닝 관리서버를 포함하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템.
  2. 제1항에 있어서,
    상기 딥러닝 관리서버에는 신규 패턴결과모델이 생성될 때마다 그 신규로 생성된 신규 패턴결과모델을 지속적으로 누적시키고 그 누적된 전체 패턴결과모델들에 대해 딥러닝 강화학습을 실행하여 신규 패턴결과모델을 생성하여 저장하는 전수계산 관리서버을 더 포함하는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템.
  3. 제1항 또는 제2항중 어느 한항에 있어서,
    상기 딥러닝 관리서버에는 스마트폰의 모바일 앱으로부터 신규 수신된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화한후 신규증분 학습셋을 생성하여 출력시키는 신규증분 학습셋 생성모듈과;
    상기 전수계산 관리서버에 기저장된 학습셋(신규 패턴결과모델이 누적된 기존의 총 학습셋)을 설정된 상관계수가 높은 항목 혹은 연관이나 유사성을 갖는 데이터끼리 서로 그룹핑하여 대체학습셋을 생성하여 출력시키는 대체학습셋 생성모듈과;
    상기 신규증분 학습셋모듈의 신규증분 학습셋과 대체학습셋 생성모듈의 대체학습셋을 더하여 최종 학습셋을 산출하는 최종학습셋 산출모듈과;
    상기 최종학습셋 산출모듈에 의해 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 딥러닝 학습모듈과;
    상기 딥러닝 학습모듈을 포함하여 딥러닝 관리서버의 기능을 설정된 운용프로그램에 따라 제어하는 메인제어모듈을 포함하여 구성되는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템.
  4. 제1항 또는 제2항중 어느 한항에 있어서,
    상기 딥러닝 관리서버에는 상기 메인제어모듈의 기능제어하에 상기 딥러닝 학습모듈에 의해 생성된 최종 신규모델과 전수계산 관리서버에 의해 전수딥러닝 강화학습하여 생성된 실제 신규모델들중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하여 딥러닝 관리서버로 전송하는 최종 평가모듈을 더 포함하는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템.
  5. 제3항에 있어서,
    상기 딥러닝 학습모듈은 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 과정에서 대표데이터를 사용하는 경사하강법 알고리즘을 사용하는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템.
  6. 제4항에 있어서,
    상기 최종 평가모듈은 서버에 저장된 실제 신규모델들중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하는 과정에서 최소 제곱법 알고리즘을 사용하는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템.
  7. 스마트폰의 모바일앱이 활성화되어 유저의 기본셋팅정보를 딥러닝 관리서버로 전송하는 제1 과정과;
    상기 제1 과정후에 활성화된 스마트폰의 모바일 앱으로부터 전송된 기본셋팅정보(패턴데이터 포함)를 딥러닝 관리서버의 메인제어모듈과 신규학습셋 생성모듈을 구동시켜 활성화된 스마트폰의 모바일 앱으로부터 전송된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화하여 신규 증분 학습셋으로 생성하는 제2 과정과;
    상기 제2 과정중에 딥러닝 관리서버의 메인제어모듈이 신규증분 학습셋모듈을 구동시켜 스마트폰의 모바일 앱으로부터 신규수신된 유저의 기본셋팅정보(패턴데이터 포함)를 수치화한후 신규증분 학습셋을 생성하게 하고 대체학습셋 생성모듈을 구동시켜 전수계산 관리서버에 기저장된 학습셋(신규 패턴결과모델이 누적된 기존의 총 학습셋)을 설정된 상관계수가 높은 항목 혹은 연관이나 유사성을 갖는 데이터끼리 서로 그룹핑하여 대체학습셋을 생성하여 출력시키는 제3 과정과;
    상기 제3 과정후에 딥러닝 관리서버의 메인제어모듈이 최종학습셋 산출모듈을 구동시켜 신규증분 학습셋모듈의 신규증분 학습셋과 대체학습셋 생성모듈의 대체학습셋을 더하여 최종 학습셋을 산출한후 딥러닝 학습모듈을 구동시켜 최종학습셋 산출모듈에 의해 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 제4 과정을 포함하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템의 제어방법.
  8. 제7항에 있어서,
    상기 제3 과정에는 딥러닝 관리서버의 메인제어모듈이 전수계산 관리서버를 구동시켜 신규 패턴결과모델이 생성될 때마다 그 신규로 생성된 신규 패턴결과모델을 지속적으로 누적시키고 그 누적된 전체 패턴결과모델들에 대해 딥러닝 강화학습을 실행하여 신규 패턴결과모델을 생성하여 저장시키는 전수계산 신규모델생성단계를 더 포함하는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템의 제어방법.
  9. 제7항에 있어서,
    상기 제4 과정에는 딥러닝 관리서버의 메인제어모듈이 최종 평가모듈을 구동시켜 딥러닝 학습모듈에 의해 생성된 최종 신규모델과 전수계산 관리서버에 의해 전수딥러닝 강화학습하여 생성된 실제 신규모델들 중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하여 딥러닝 관리서버로 전송하는 베스트 신규모델 생성단계를 더 포함하는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템의 제어방법.
  10. 제7항에 있어서,
    상기 제4 과정에는 딥러닝 학습모듈이 산출된 최종학습셋을 딥러닝 강화학습을 실행하여 최종 신규모델을 산출하는 과정에 대표데이터를 사용하는 경사하강법 알고리즘을 사용하여 산출하는 계산속도 향상단계를 더 포함하는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템의 제어방법.
  11. 제7항에 있어서,
    상기 베스트 신규모델 생성단계에는 최종 평가모듈이 실제 신규모델들중 랜덤하게 샘플링된 실제 데이터를 사용하여 서로 비교 검증하여 오차가 가장 적은 해당 신규모델을 베스트 신규모델로 설정하는 과정에 최소 제곱법 알고리즘을 사용하여 산출하는 최소 오차판단단계를 더 포함하는 것을 특징으로 하는 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템의 제어방법.
PCT/KR2020/003075 2019-03-08 2020-03-04 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법 Ceased WO2020184892A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/593,082 US20220164659A1 (en) 2019-03-08 2020-03-04 Deep Learning Error Minimizing System for Real-Time Generation of Big Data Analysis Models for Mobile App Users and Controlling Method for the Same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0027039 2019-03-08
KR1020190027039A KR102324634B1 (ko) 2019-03-08 2019-03-08 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법

Publications (1)

Publication Number Publication Date
WO2020184892A1 true WO2020184892A1 (ko) 2020-09-17

Family

ID=72427478

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/003075 Ceased WO2020184892A1 (ko) 2019-03-08 2020-03-04 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법

Country Status (3)

Country Link
US (1) US20220164659A1 (ko)
KR (1) KR102324634B1 (ko)
WO (1) WO2020184892A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12450534B2 (en) * 2020-07-20 2025-10-21 Georgia Tech Research Corporation Heterogeneous graph attention networks for scalable multi-robot scheduling
KR102750584B1 (ko) * 2021-04-21 2025-01-09 한국전자통신연구원 행동에 대한 모방학습을 수행하는 전자 장치 및 그의 동작 방법
US20250148486A1 (en) * 2022-02-24 2025-05-08 Nippon Telegraph And Telephone Corporation Time discount rate estimation apparatus, machine learning method, time discount rate analysis method, and program

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170079159A (ko) * 2015-12-30 2017-07-10 주식회사 솔리드웨어 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법
KR20180059335A (ko) * 2016-11-24 2018-06-04 한국전자통신연구원 지식 증강을 위한 선순환 자가 학습 방법 및 그 장치
KR101864822B1 (ko) * 2016-09-12 2018-06-05 고려대학교 산학협력단 사용자를 위한 항목을 추천하는 장치 및 방법
US20180189679A1 (en) * 2017-01-03 2018-07-05 Electronics And Telecommunications Research Institute Self-learning system and method for automatically performing machine learning
KR101884161B1 (ko) * 2017-11-07 2018-08-30 한국과학기술정보연구원 맞춤형 콘텐츠 제공 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6134560A (en) * 1997-12-16 2000-10-17 Kliebhan; Daniel F. Method and apparatus for merging telephone switching office databases
US8533222B2 (en) * 2011-01-26 2013-09-10 Google Inc. Updateable predictive analytical modeling
US9818239B2 (en) * 2015-08-20 2017-11-14 Zendrive, Inc. Method for smartphone-based accident detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170079159A (ko) * 2015-12-30 2017-07-10 주식회사 솔리드웨어 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법
KR101864822B1 (ko) * 2016-09-12 2018-06-05 고려대학교 산학협력단 사용자를 위한 항목을 추천하는 장치 및 방법
KR20180059335A (ko) * 2016-11-24 2018-06-04 한국전자통신연구원 지식 증강을 위한 선순환 자가 학습 방법 및 그 장치
US20180189679A1 (en) * 2017-01-03 2018-07-05 Electronics And Telecommunications Research Institute Self-learning system and method for automatically performing machine learning
KR101884161B1 (ko) * 2017-11-07 2018-08-30 한국과학기술정보연구원 맞춤형 콘텐츠 제공 방법 및 장치

Also Published As

Publication number Publication date
KR20200115703A (ko) 2020-10-08
US20220164659A1 (en) 2022-05-26
KR102324634B1 (ko) 2021-11-11

Similar Documents

Publication Publication Date Title
US20200265301A1 (en) Incremental training of machine learning tools
WO2022057776A1 (zh) 一种模型压缩方法及装置
US11934790B2 (en) Neural network training method and apparatus, semantic classification method and apparatus and medium
Barry-Straume et al. An evaluation of training size impact on validation accuracy for optimized convolutional neural networks
WO2020184892A1 (ko) 모바일 앱 사용자의 빅데이터 분석 모델 실시간 생성을 위한 딥러닝 오차 최소화 시스템 및 그 제어방법
CN113569041B (zh) 文本检测方法、装置、计算机设备以及可读存储介质
CN106611052A (zh) 文本标签的确定方法及装置
CN111695594A (zh) 图像类别识别方法、装置、计算机设备及介质
WO2022145981A1 (ko) 자동학습 기반 시계열 데이터 예측 및 제어 방법 및 장치
WO2022163985A1 (ko) 인공지능 추론모델을 경량화하는 방법 및 시스템
WO2023159756A1 (zh) 价格数据的处理方法和装置、电子设备、存储介质
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
WO2022146080A1 (ko) 딥러닝 네트워크의 동적 양자화 정밀도 가변 알고리즘 및 방법
CN118504560B (zh) 融合关系过滤和多任务学习的全局指针网络实体关系抽取方法
Chang et al. Pipebert: High-throughput bert inference for arm big. little multi-core processors
CN115795025A (zh) 一种摘要生成方法及其相关设备
CN118940906A (zh) 业务风险预测方法、装置、设备、存储介质及程序产品
CN120163405A (zh) 一种基于人工智能训练评价考核系统
CN119397418B (zh) 基于分布式多智能体强化学习的对象分类方法及装置
CN118378703B (zh) 样本处理方法、装置、电子设备及存储介质
CN119025677A (zh) 基于动态融合的自适应架构语料真实性研判系统及方法
WO2024172329A1 (ko) 뼈 나이 예측 모델의 학습 방법, 이를 이용한 뼈 나이 예측 방법 및 장치
WO2022092447A1 (ko) 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
Ferris et al. A practical approach to sample-path simulation optimization
Wang et al. DNNEmu: A lightweight performance emulator for distributed DNN training

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: 20770094

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: 20770094

Country of ref document: EP

Kind code of ref document: A1