WO2020204221A1

WO2020204221A1 - 공기 조화기

Info

Publication number: WO2020204221A1
Application number: PCT/KR2019/003836
Authority: WO
Inventors: 채종훈
Original assignee: 엘지전자 주식회사
Priority date: 2019-04-02
Filing date: 2019-04-02
Publication date: 2020-10-08
Also published as: KR102639900B1; US11448412B2; KR20190098098A; US20210190361A1

Abstract

공기 조화기가 개시된다. 본 발명의 실시 예에 따른 공기 조화기는, 압축기, 흡입구 및 토출구를 포함하는 케이싱, 상기 케이싱의 내부에 설치되어, 공기를 송풍하는 팬모터, 상기 토출구에 움직임 가능하게 제공되는 토출 베인, 상기 토출 베인을 동작시키는 베인 모터, 구성원을 식별하기 위한 데이터를 획득하는 센서, 복수의 구성원에 각각 대응하는 복수의 학습 결과를 저장하는 메모리 및, 상기 구성원을 식별하기 위한 데이터를 이용하여 복수의 구성원 중 상기 실내 공간에 존재하는 적어도 하나의 구성원을 식별하고, 식별된 구성원에 대응하는 학습 결과에 기초하여 상기 압축기, 상기 팬모터 및 상기 베인 모터 중 적어도 하나의 동작을 제어하여 설정 온도, 풍량 및 풍향 중 적어도 하나를 포함하는 설정 값을 조절하고, 상기 조절된 설정 값에 대한 피드백을 이용하여 상기 학습 결과를 업데이트 하는 프로세서를 포함한다.

Description

공기 조화기

본 발명은, 냉방 공간 내 사용자를 인지하여 개인 맞춤형 냉방을 제공하고, 사용자 피드백을 이용하여 진화 하는 공기 조화기에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

한편, 하나의 가정은 복수의 구성원으로 구성될 수 있으며, 최적화된 냉방 방법은 구성원 마다 상이할 수 있다.

다만 현재는 냉방 공간 안에 존재하는 구성원이 누구인지 구분 없이 냉방을 수행하였기 때문에, 냉방 공간 안에 존재하는 구성원에게 최적화된 냉방을 수행할 수 없는 문제가 있었다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 냉방 공간 내 사용자를 인지하여 개인 맞춤형 냉방을 제공하고, 사용자 피드백을 이용하여 진화 하는 공기 조화기를 제공하기 위함이다.

또한 본 발명의 목적은, 냉방 공간 내 복수의 구성원이 식별되는 경우, 구성원의 우선 순위에 따라 맞춤형 냉방을 제공할 수 있는 공기 조화기를 제공하기 위함이다.

또한 본 발명의 목적은, 공기 조화기가 설치된 공간의 용도를 판단하고, 용도에 따라 맞춤형 냉방을 제공할 수 있는 공기 조화기를 제공하기 위함이다.

본 발명의 실시 예에 따른 공기 조화기는, 실내 공간 내 구성원을 식별하고, 식별된 구성원에 대응하는 학습 결과에 기초하여 설정 값을 조절하고, 조절된 설정 값에 대한 피드백을 이용하여 학습 결과를 업데이트 한다.

본 발명의 실시 예에 따른 공기 조화기는, 실내 공간 내 복수의 구성원이 식별되는 경우, 우선 순위가 가장 높은 구성원에 대응하는 강화 학습 모델에 따라 설정 값을 조절한다.

본 발명의 실시 예에 따른 공기 조화기는, 공용 공간에서는 구성원의 우선 순위에 따라 맞춤형 냉방을 제공하고, 개인 공간에서는 주 구성원에 대응하는 강화 학습 모델을 이용하여 설정 값을 조절한다.

본 발명에 따르면, 실내 공간에 존재하는 구성원의 냉방 취향을 고려한 냉방을 수행할 수 있는 장점이 있다.

또한 본 발명에 따르면, 구성원의 반응을 피드백으로 사용하여 다양한 레벨의 보상 또는 벌점을 부여함으로써, 사용자의 성향을 정확히 반영하여 강화 학습을 수행하고 냉방 방식을 추천할 수 있는 장점이 있다.

또한 본 발명에 따르면, 냉방을 할 때마다 지속적으로 강화 학습을 수행함으로써, 강화 학습 모델의 성능을 계속적으로 강화할 수 있는 장점이 있다.

본 발명은 복수의 구성원의 우선 순위를 설정하고 우선 순위에 따라 냉방 취향을 고려함으로써, 복수의 구성원을 최대한 만족시킬 수 있는 장점이 있다.

본 발명에 따르면, 공기 조화기가 설치된 공간의 용도와, 공간의 용도에 따른 사용자의 의도에 가장 부합하는 냉방을 제공할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.

도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.

도 3은 본 발명의 실시 예에 따른 에어컨의 분해 사시도이다.

도 4는 본 발명의 일 실시 예에 따른 에어컨에 포함된 구성 요소들에 대한 개략적인 블록도이다.

도 5는 공기 조화기가 복수의 구성원이 사용하는 실내 공간에 설치되는 경우 발생할 수 있는 문제점을 설명하기 위한 도면이다.

도 6은 본 발명의 실시 예에 따른 공기 조화기의 동작 방법을 설명하기 위한 도면이다.

도 7은 본 발명에서 사용되는 강화 학습 모델을 설명하기 위한 도면이다.

도 8은 구성원에 대응하는 강화 학습 모델 및 피드백을 이용한 재 학습 방법을 설명하기 위한 도면이다

도 9는 다른 강화 학습 모델의 행동에 대하여, 자신에 대응하는 구성원의 피드백을 이용하여 강화 학습 모델을 업데이트 하는 방법을 설명하기 위한 도면이다.

도 10은 본 발명의 실시 예에 따른, 강화 학습 모델에 피드백을 제공하는 방법을 설명하기 위한 도면이다.

도 11은 본 발명의 실시 예에 따른 강화 학습 모델을 미리 트레이닝 하는 방법을 설명하기 위한 도면이다.

도 12는, 실내 공간에 복수의 구성원이 존재하는 경우 설정 값의 조절 방법을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 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.

본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

단말기(100)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 공기 조화기, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.

즉, 단말기(100)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.

도 1을 참조하면, 단말기(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.

학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.

한편, 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.

무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.

입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다.

입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

러닝 프로세서(130)는 훈련 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습한다.

구체적으로, 러닝 프로세서(130)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.

이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

러닝 프로세서(130)는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.

선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.

다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 학습 장치(200)의 메모리(230), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.

프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.

일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다.

프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.

프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.

프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.

프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.

단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.

프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅틱 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.

메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

메모리(170)는 러닝 프로세서(130) 또는 학습 장치(200)에서 학습된 모델을 저장할 수 있다.

이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

이때, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.

이때, 메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.

학습 장치(200)는 단말기(100)의 외부에 별도로 구성된 장치 또는 서버로, 단말기(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.

즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

학습 장치(200)는 적어도 하나의 단말기(100)와 통신할 수 있고, 단말기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.

특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.

즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

학습 장치(200)는 주기적으로 혹은 요청에 의하여 단말기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.

도 2를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.

통신부(210)는 도 1의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.

입력부(220)는 도 1의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.

입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.

입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

메모리(230)는 도 1의 메모리(170)에 대응되는 구성이다.

메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.

모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.

이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

도 2에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다

인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.

데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

러닝 프로세서(240)는 도 1의 러닝 프로세서(130)에 대응되는 구성이다.

러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.

러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.

구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다

이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.

또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.

전원 공급부(250)는 도 1의 전원 공급부(190)에 대응되는 구성이다.

서로 대응되는 구성에 대한 중복되는 설명은 생략한다.

다음은 도 1에서 설명한 단말기(100)의 일례로 공기 조화기(700)에 대하여 설명한다.

즉 공기 조화기(700)는 도 1에서 설명한 단말기(100)의 하나 이상의 구성 및 하나 이상의 기능을 포함할 수 있다. 또한 본 발명의 실시 예에 따른 공기 조화기(700)는 도 2에서 설명한 학습 장치(200)의 하나 이상의 구성 및 하나 이상의 기능을 포함할 수 있다.

따라서 용어 단말기(100)는 용어 공기 조화기(100)와 혼용되어 사용될 수 있다.

공기조화기는 쾌적한 실내 환경을 조성하기 위해 실내로 냉온의 공기를 토출하여, 실내 온도를 조절하고, 실내 공기를 정화하도록 함으로서 인간에게 보다 쾌적한 실내 환경을 제공하기 위해 설치된다.

도 3 및 도 4에서는 에어컨의 예를 들어 공기 조화기를 설명하나 이에 한정되지 않는다.

도 3에서는 천장형 에어컨을 예로 들어 본 발명의 다양한 실시 예들에 대해 설명하나, 본 발명의 실시 예가 천장형 에어컨에만 한정되는 것은 아니고, 스탠드형, 벽걸이형 등 다양한 형태의 에어컨에 적용될 수 있다.

도 3에 도시된 에어컨의 외관 형태는 설명의 편의를 위한 일 예에 지나지 아니하는 바, 본 발명의 실시 예에 따른 에어컨의 외관 형태가 이에 한정되는 것만은 아니다.

도 3을 참조하면, 본 발명의 실시 예에 따른 에어컨(700)은 케이싱을 포함할 수 있다. 여기서 케이싱은 본체 케이싱(20) 및 전면 패널(781)을 포함할 수 있다.

케이싱은 천장 또는 벽에 고정되며, 외부 공기를 흡입하고 열교환된 공기를 토출할 수 있다.

상기 본체 케이싱(20)에는, 상기 본체 케이싱(20)이 고정되기 위한 고정부재(201)가 포함될 수 있다. 상기 본체 케이싱(20)이 천장 또는 벽에 밀착되기 위하여, 상기 고정부재(201)는 일례로, 볼트(미도시)와 같은 체결부재에 의해 고정될 수 있다.

상기 본체 케이싱(20)의 내부공간에는 다수의 부품이 배치될 수 있다. 상기 다수의 부품에는, 외부로부터 흡입된 공기를 열교환 시키는 열교환기(미도시) 및 상기 열교환기에서 열 교환된 공기를 외부로 토출시키기 위한 송풍팬(미도시) 등이 포함될 수 있다.

상기 에어컨(700)에는, 상기 본체 케이싱(20)의 하측에 결합될 수 있는 전면패널(781)이 더 포함될 수 있다. 상기 본체 케이싱(20)이 일례로 석고보드 등의 천장매립부재에 의해 천장에 매립되는 경우, 상기 전면패널(781)은 대략 천장의 높이에 위치되어 외부에 노출될 수 있다. 상기 에어컨(700)는 상기 본체 케이싱(20)과, 상기 전면패널(781)에 의해서 전체적인 외관이 형성될 수 있다.

케이싱에는 실내공기를 흡입하는 흡입구 및 상기 에어컨(700)에서 열 교환된 공기가, 실내로 토출되는 토출구가 포함될 수 있다.

또한, 상기 전면패널(781)에는, 상기 흡입구를 통해 흡입되는 공기에 포함된 이물질의 유입을 방지하는 흡입그릴(104)이 더 포함될 수 있다. 상기 흡입그릴(104)은 상기 흡입구로부터 분리 가능하게 결합될 수 있다.

상기 흡입구는 상기 전면패널(781)의 전방부에 가로방향으로 길게 형성되며, 상기 토출구는 상기 전면 패널(781)의 후방부에 가로방향으로 길게 형성될 수 있다.

상기 케이싱에는, 상기 토출구에 움직임 가능하게 제공되는 토출베인(102)이 더 포함될 수 있다. 상기 토출베인(102)은 상기 토출구를 통하여 토출되는 풍량 또는 풍향을 조절할 수 있다.

구체적으로 에어컨(700)은 토출 베인을 동작시키는 베인 모터를 포함할 수 있다. 또한 토출베인(102)은, 토출베인(102) 힌지축(미도시)을 중심으로 상항 방향 및 좌우 방향으로 회전 가능하게 구비될 수 있다.

그리고 토출 베인(102)은 베인 모터로부터 구동력을 전달 받아 상하 방향 및 좌우 방향으로 회전함으로써, 풍향을 조절할 수 있다.

상기 에어컨(700)에서, 상기 송풍팬이 구동되면, 실내공간의 공기는 흡입구를 통하여 상기 케이싱의 내부로 흡입될 수 있다. 그리고 케이싱 내부로 흡입된 공기는 열교환기에서 열 교환 될 수 있다. 그리고 열교환기를 통과한 공기는 송풍팬에 의해, 케이싱의 토출구를 통하여 실내 공간으로 배출될 수 있다.

한편, 상기 본체 케이싱(20)에는, 상기 전면패널(781)의 전면에 형성된 흡입구에 연통되도록 형성된 흡입공(203)이 포함될 수 있다. 그리고, 상기 에어컨(700)에는, 상기 흡입공(203)에 배치되는 필터 어셈블리(30)가 포함될 수 있다. 필터 어셈블리(30)는 상기 에어컨(700) 내부로 유입되는 공기 중에 포함된 먼지 등의 이물들을 여과하여, 토출구를 통해 토출되는 공기에 이물이 포함되는 것을 최소화할 수 있다.

한편 에어컨은, 냉매를 공급받아 압축하는 압축기, 응축기, 팽창장치, 및 증발기가 포함되며, 냉매의 압축, 응축, 팽창, 및 증발과정을 수행하는 냉동 사이클이 구동되어, 실내 공간을 냉방 또는 난방할 수 있다.

이하, 본 발명의 실시 예에 따른 에어컨에 포함된 구성 요소들에 대해 설명하기로 한다.

도 4를 참조하면, 에어컨(700)는 통신부(710), 입력부(720), 센서부(730), 압축기(740), 팬모터(750), 출력부(760), 메모리(770), 프로세서(780), 및 전원 공급부(790)를 포함할 수 있다. 도 4에 도시된 구성 요소들은 에어컨을 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 에어컨은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성 요소들을 가질 수도 있다.

보다 구체적으로, 상기 구성요소들 중 통신부(710)는, 에어컨(700)와 외부 기기(예컨대, 무빙 에이전트, 스마트폰, 태블릿 PC등의 이동 에어컨이기 또는 데스크톱 컴퓨터 등의 고정 에어컨이기) 사이, 또는 에어컨(700)와 외부 서버 사이의 유선 또는 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다.

또한, 통신부(710)는, 에어컨(700)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

이러한 통신부(710)가 무선 통신을 지원하는 경우, 통신부(710)는 무선 인터넷 모듈과 근거리 통신 모듈 중 적어도 하나를 포함할 수 있다.

무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 에어컨(700)에 내장되거나 외장될 수 있다.

무선 인터넷 모듈은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다. 무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance) 등이 있다.

근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등의 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다. 이러한, 근거리 통신 모듈은, 근거리 무선 통신망(Wireless Area Networks)을 통해 에어컨(700)와 외부 기기 사이의 무선 통신을 지원할 수 있다. 상기 근거리 무선 통신 망은 근거리 무선 개인 통신망(Wireless Personal Area Networks)일 수 있다.

한편 통신부(710)는 프로세서(780)의 제어 하에, 앞서 설명한 다양한 통신 방식으로 무빙 에이전트와 통신할 수 있다.

입력부(720)는 사용자로부터 정보 또는 명령을 입력받기 위한 터치키(touch key), 푸시키(mechanical key), 다이얼 키(dial key) 등을 포함할 수 있다. 실시 예에 따라, 입력부(720)는 별도의 원격제어장치로부터 정보 또는 명령을 입력받는 인터페이스부를 포괄하는 개념으로 이해될 수 있다.

구체적으로, 입력부(720)는 사용자로부터 정보를 입력 받기 위한 것으로서, 입력부(720)를 통해 정보가 입력되면, 프로세서(780)는 입력된 정보에 대응되도록 에어컨(700)의 동작을 제어할 수 있다.

이러한, 입력부(720)는 기계식(mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 에어컨(700)의 전·후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다.

일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch

key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.

센서부(730)는 에어컨(700)를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센서부(730)는 에어컨(700)가 설치된 공간의 온도를 감지하기 위한 온도 센서(732), 상기 공간의 습도를 감지하기 위한 습도 센서(734)를 포함할 수 있다.

출력부(760)는 시각, 청각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(762)와 음향 출력부(764; 예컨대 스피커) 중 적어도 하나를 포함할 수 있다.

디스플레이부(762)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 에어컨(700)와 사용자 사이의 입력 인터페이스를 제공하는 입력부(720)로써 기능함과 동시에, 에어컨(700)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

디스플레이부(762)는 에어컨(700)의 동작과 관련된 각종 정보를 표시할 수 있다. 예컨대, 디스플레이부(762)는 에어컨(700)의 설정 온도, 풍량, 풍향, 현재 실내 온도, 습도 등과 같은 정보와, 절전 모드, 일반 모드, 수면 모드 등과 같은 동작 모드에 대한 정보를 표시할 수 있다.

음향 출력부(764)는 에어컨(700)의 이벤트 발생을 알리기 위해 음성 형태의 신호를 출력할 수 있다. 에어컨(700)에서 발생 되는 이벤트의 예로는 알람, 전원 온/오프, 에러 발생, 동작 모드 변경 등이 있을 수 있다.

메모리(770)는 에어컨(700)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(770)는 에어컨(700)의 동작을 위한 각종 데이터, 명령어들을 저장할 수 있다.

메모리(770)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk [0061] type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM (electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

프로세서(780)는 통상적으로 에어컨(700)의 전반적인 동작을 제어한다. 프로세서(780)는 위에서 살펴본 구성요소 들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

프로세서(780)는 강화 학습 모델이 출력한 행동(action)에 기초하여 압축기(740), 팬모터(750), 및 베인 모터 중 적어도 하나를 조절할 수 있다. 여기서 강화 학습 모델이 출력한 행동(action)은, 설정 온도, 풍량 및 풍향 중 적어도 하나를 포함할 수 있다.

팬모터(750)는 케이싱의 내부에 설치되고, 케이싱 내부에 구비되는 송풍팬(미도시)을 회전시켜 공기를 송풍할 수 있다.

즉, 팬모터(750)가 구동되면 송풍팬이 회전하고, 송풍팬이 회전함에 따라 흡입구를 통해 공기가 흡입되고, 토출구를 통해 공기가 토출될 수 있다.

예컨대, 프로세서(780)는 강화 학습 모델이 출력한 행동(action) 중 설정 온도에 기초하여 압축기(740)의 동작을 제어할 수 있다. 그리고 압축기(740)의 동작이 제어 됨에 따라 에어컨(780)의 설정 온도가 조절될 수 있다.

또한 프로세서(780)는 강화 학습 모델이 출력한 행동(action) 중 풍량에 기초하여 팬모터(750)의 동작을 제어할 수 있다. 그리고 팬모터(750)의 동작이 제어 됨에 따라 에어컨(780)의 풍량이 조절될 수 있다.

또한 프로세서(780)는 강화 학습 모델이 출력한 행동(action) 중 풍향에 기초하여 베인 모터의 동작을 제어할 수 있다. 그리고 베인 모터의 동작이 제어 됨에 따라 에어컨(780)의 풍향이 조절될 수 있다.

전원 공급부(790)는 프로세서(780)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 에어컨(700)에 포함된 각 구성요소들에 전원을 공급한다.

상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 에어컨의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 에어컨의 동작, 제어, 또는 제어방법은 상기 메모리(770)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 에어컨 상에서 구현될 수 있다.

공기 조화기는 복수의 구성원이 사용하는 실내 공간(510)에 배치되는 경우가 많다. 하나의 회사의 다수 구성원이 사용하는 사무실이나, 복수의 가족 구성원이 사용하는 가정을 그 예로 들 수 있다.

즉 복수의 구성원은 하나의 실내 공간을 이용하는 사용자 들로써, 예를 들어 하나의 가족을 구성하는 아빠, 엄마, 아들, 딸일 수 있다.

한편 냉방 취향은 구성원 별로 상이할 수 있다. 예를 들어 영유아는 에어컨 바람이 직접 닿지 않고 실내 온도를 서서히 내리는 것을 선호할 수 있다면, 열이 많고 뚱뚱한 아버지는 차가운 바람을 직접 맞는 것을 선호할 수 있다.

따라서 실내 공간에 누가 존재하는지에 따라 냉방의 방식을 상이하게 할 필요가 있다.

또한 실내 공간에 냉방 취향이 다른 복수의 구성원이 존재하는 경우, 냉방 방식을 조율할 필요성이 있다.

또한 공기 조화기가 설치된 공간이 공용 공간인지 또는 개인 공간인지에 따라, 어느 구성원의 냉방 취향에 기초하여 냉방을 수행할 지 결정할 필요가 있다.

본 발명의 실시 예에 따른 공기 조화기의 동작 방법은, 구성원을 식별하기 위한 데이터를 이용하여 복수의 구성원 중 적어도 하나의 구성원을 식별하는 단계(S610), 식별된 구성원에 대응하는 학습 결과에 기초하여 압축기, 팬모터 및 베인 모터 중 적어도 하나의 동작을 제어하여 설정 온도, 풍량 및 풍향 중 적어도 하나를 포함하는 설정 값을 조절하는 단계(S630) 및 조절된 설정 값에 대한 피드백을 이용하여 학습 결과를 업데이트 하는 단계(S650)를 포함할 수 있다.

먼저 구성원을 식별하기 위한 데이터를 이용하여 복수의 구성원 중 적어도 하나의 구성원을 식별하는 단계(S610)에 대하여 설명한다.

공기 조화기(100)의 센싱부(140)는 구성원을 식별하기 위한 데이터를 획득할 수 있다. 구체적으로 카메라는 실내 공간의 영상을 촬영한 영상을 획득할 수 있다. 또한 마이크로폰은 실내 공간에서 수집한 음향을 획득할 수 있다.

한편 영상 및 음향 만을 설명하였으나 이에 한정되지 않으며, 구성원을 식별하는데 사용될 수 있는 모든 데이터가 수집될 수 있다.

한편 공기 조화기(100)의 프로세서(180)는 구성원을 식별하기 위한 데이터를 이용하여, 복수의 구성원 중 적어도 하나의 구성원을 식별할 수 있다.

구체적으로 프로세서(180)는 촬영된 영상 내 사람의 크기, 외모, 행동 패턴, 수신된 음향 내 음성 등에 기초하여, 복수의 구성원을 구별할 수 있다. 구성원을 식별하는 방식은 종래 기술로써 자세한 설명은 생략한다.

또한 공기 조화기(100)의 프로세서(180)는 구성원을 식별하기 위한 데이터를 이용하여, 식별된 구성원의 위치를 획득할 수 있다. 예를 들어 공기 조화기(100)의 프로세서(180)는 촬영된 영상 내 식별된 사람의 위치, 음성이 수신되는 방향, 음성의 크기 등에 기초하여 식별된 구성원이 실내 공간 내에서 어느 위치에 있는지 결정할 수 있다. 구성원의 위치를 판단하는 방식은 종래 기술로써 자세한 설명은 생략한다.

그리고 프로세서(180)는 복수의 구성원 중 현재 실내 공간에 존재하는 하나 이상의 구성원이 누구인지를 결정할 수 있다.

예를 들어 프로세서(180)는 복수의 구성원인 아빠, 엄마, 초등학생 딸, 영/유아 아들 중 현재 실내 공간에 엄마와 아들이 존재하는 것으로 결정할 수 있다.

한편 실내 공간에 존재하는 구성원의 식별은, 인식 모델에 의해서 수행될 수 있다.

구체적으로 인식 모델은, 성별, 세대(영/유아, 어린이, 청소년, 청년, 장년, 노인 등) 등을 분류할 수 있도록 미리 트레이닝 된 뉴럴 네트워크일 수 있다. 이 경우 훈련 데이터는 앞서 설명한 구성원을 식별하기 위한 데이터, 예를 들어 영상이나 음성 등일 수 있다.

그리고 구성원을 식별하기 위한 데이터가 수신되면, 프로세서(180)는 인식 모델에 구성원을 식별하기 위한 데이터를 입력할 수 있다. 이 경우 인식 모델이 구성원을 성별, 세대 등에 따라 분류한 결과 값을 출력함으로써, 프로세서(180)는 실내 공간에 존재하는 구성원을 식별할 수 있다.

한편 인식 모델은 구성원을 식별하기 위한 데이터를 이용하여 업데이트 될 수 있다. 구체적으로 공기 조화기(100)의 프로세서(180)는 구성원을 식별하기 위한 데이터를 훈련 데이터로써 인식 모델을 다시 트레이닝 함으로써, 인식 모델의 모델 파라미터를 변경할 수 있다.

한편 공기 조화기(100)의 프로세서(180)는 식별된 구성원에 대응하는 학습 결과에 기초하여 압축기, 팬모터 및 베인 모터 중 적어도 하나의 동작을 제어하여 설정 온도, 풍량 및 풍향 중 적어도 하나를 포함하는 설정 값을 조절할 수 있다.

이와 관련해서는 도 7 내지 도 9를 참조하여 설명한다.

프로세서(180)는 상태(state)를 공기 조화기에 탑재된 강화 학습 모델에 제공할 수 있다.

구체적으로 강화 학습(Reinforcement learning)은, 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경(environment) 이 주어지며, 두번째로 그 환경에서 에이전트가 상태(state) 를 기반으로 어떻게 행동(action)할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

마르코프 결정 과정을 본 발명에 적용하면, 에이전트는 공기 조화기, 더욱 구체적으로는 강화 학습 모델을 의미할 수 있다.

또한 첫번째로, 본 발명에서는 에이전트(강화 학습 모델)가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경, 즉 공기 조화기가 배치된 실내 공간이 주어질 수 있다.

또한 두번째로, 본 발명에서는 에이전트(강화 학습 모델)가, 주어진 상태(state)(예를 들어 현재 온도, 목표 온도, 현재 설정 온도, 현재 풍향 및 현재 풍속 등)를 기반으로, 어떻게 행동(action)할지 정의할지, 즉 공기 조화기의 설정 값(설정 온도나 풍향, 풍속 등)을 어떻게 설정할 지 결정할 수 있다.

또한 세번째로, 에이전트(강화 학습 모델)가 사용자의 냉방 취향대로 공기 조화기의 설정 값을 설정한 경우 보상(reward)를 주고, 사용자의 냉방 취향대로 설정 값을 설정하지 못한 경우 벌점(penalty)을 주는 것으로 정의될 수 있다. 이 경우 에이전트(강화 학습 모델)은 보상(reward) 및 벌점(penalty)에 기초하여 뉴럴 네트워크의 파라미터를 업데이트 할 수 있다.

또한 네번째로, 에이전트(강화 학습 모델)은 미래의 보상이 최고점에 이를 때까지 반복 경험하여, 최적의 정책(policy), 즉 사용자가 가장 공기 조화기의 설정 값을 추천할 수 있다.

한편 강화 학습 모델은 공기 조화기(100)에 탑재될 수 있다.

한편 강화 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 강화 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 강화 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.

또한 강화 학습 모델은 뉴럴 네트워크로 구성될 수 있으며, 강화 학습 모델의 파라미터, 즉 뉴럴 네트워크의 파라미터는 구성원의 피드백을 이용하여 업데이트 될 수 있다.

그리고 뉴럴 네트워크(1030)가 트레이닝 됨에 따라, 강화 학습 모델의 행동(action) 및 행동(action)에 따른 피드백을 이용하여 획득한 학습 결과가 메모리에 저장될 수 있다.

즉 학습 결과는 구성원의 피드백을 이용하여 업데이트 되는 강화 학습 모델의 파라미터를 의미할 수 있다. 그리고 학습 결과는 강화 학습 모델을 구성하는 뉴럴 네트워크의 일부를 구성할 수 있다.

여기서 상태(state)는 현재 온도, 목표 온도, 현재 설정 온도 및 식별된 구성원의 위치 중 적어도 하나를 포함할 수 있다.

여기서 현재 온도는 공기 조화기에 배치된 실내 공간의 온도, 목표 온도는 실내 공간의 온도가 도달하여야 하는 목표치를 의미할 수 있다.

그리고 강화 학습 모델은, 상태(state)에 기반하여 행동(action)(설정 온도, 풍향 및 풍속 중 적어도 하나를 포함하는 설정 값)을 결과 값으로 출력할 수 있다.

예를 들어 어머니는 현재 온도와 목표 온도의 차이가 클수록 급속 냉방을 선호하고, 현재 온도와 목표 온도의 작으면 일방 냉방을 선호하며, 공기 조화기의 바람이 몸에 직접 닿는 것을 싫어한다고 가정한다.

그리고 어머니의 냉방 취향에 맞추어 트레이닝 되어 있는 강화 학습 모델이 존재한다.

그리고, 상태(state)(현재 온도, 목표 온도 및 어머니의 위치 중 적어도 하나)가 어머니의 냉방 취향에 맞추어 트레이닝 되어 있는 강화 학습 모델에 입력되면, 강화 학습 모델은 현재 온도, 목표 온도 및 어머니의 위치에 기초하여, 어머니의 냉방 취향에 부합하는 설정 값(공기 조화기의 설정 온도, 풍향 및 풍속)을 출력할 수 있다.

다른 예를 들어, 아버지는 현재 온도와 목표 온도의 차이에 관계 없이 급속 냉방을 선호하고, 매우 차가운 바람이 몸에 직접 닿는 것을 선호한다고 가정한다.

그리고 아버지의 냉방 취향에 맞추어 트레이닝 되어 있는 강화 학습 모델이 존재한다.

그리고, 상태(state)(현재 온도, 목표 온도 및 아버지의 위치 중 적어도 하나)가 아버지의 냉방 취향에 맞추어 트레이닝 되어 있는 강화 학습 모델에 입력되면, 강화 학습 모델은 현재 온도, 목표 온도 및 아버지의 위치에 기초하여, 아버지의 냉방 취향에 부합하는 설정 값(공기 조화기의 설정 온도, 풍향 및 풍속)을 출력할 수 있다. 그리고 출력된 설정 값에 따라, 프로세서(180)는 낮은 설정 온도와 강력한 풍속으로 아버지를 향해 냉기를 토출시킬 수 있다.

또 다른 예를 들어 어머니는, 더운 경우 에어컨의 바로 앞까지 접근하여 약하지만 차가운 바람을 직접 맞는 것을 좋아한다고 가정한다.

그리고, 상태(state)(어머니의 위치)가 어머니의 냉방 취향에 맞추어 트레이닝 되어 있는 강화 학습 모델에 입력되면, 강화 학습 모델은 어머니의 현재 위치에 기초하여, 어머니의 냉방 취향에 부합하는 설정 값(공기 조화기의 설정 온도, 풍향 및 풍속)을 출력할 수 있다. 즉, 어머니가 에어컨의 바로 앞에 접근해 있는 경우, 공기 조화기는 강화 학습 모델이 출력한 설정 값에 따라 낮은 설정 온도의 공기를 약하게 토출시킬 수 있다.

한편 상태(state)는 현재 온도, 목표 온도, 현재 설정 온도 및 식별된 구성원의 위치 외에도, 현재 시간 및 식별된 구성원의 행동 중 적어도 하나를 더 포함할 수 있다.

구체적으로 프로세서(180)는 내부의 타이머 또는 외부 기기로부터 수신되는 데이터를 이용하여 현재 시간을 결정할 수 있다.

또한 프로세서(180)는 구성원을 식별하기 위한 데이터에 기초하여, 구성원의 행동을 결정할 수 있다. 예를 들어 프로세서(180)는 구성원을 촬영한 영상 및 수신되는 음향에 기초하여, 현재 식별된 구성원이 팔 굽혀펴기를 하고 있는 것으로 결정할 수 있다.

그리고 프로세서는 현재 시간 및 식별된 구성원의 행동을 상태(state)로써 강화 학습 모델에 입력할 수 있다. 이 경우 강화 학습 모델은 현재 온도, 목표 온도, 현재 설정 온도 및 식별된 구성원의 위치 외에도, 현재 시간 및 식별된 구성원의 행동까지 고려하여 행동을 출력할 수 있다.

예를 들어 어머니는, 평소에는 공기 조화기에서 토출된 바람이 몸에 직접 와닿는 것을 싫어하나, 운동 중인 경우에는 매우 차가운 많은 양의 공기가 몸에 직접 닿는 것을 선호한다고 가정한다. 이 경우 강화 학습 모델은 어머니의 행동에 기반한 설정값을 출력할 수 있으며, 공기 조화기는 출력된 설정 값에 기초하여 운동 중인 어머니를 향해 낮은 설정 온도, 많은 풍량의 공기를 토출시킬 수 있다.

다른 예를 들어 어머니는, 오후 두시에 운동을 마치고 집으로 들어오기 때문에, 매우 차가운 많은 양의 공기가 몸에 직접 닿는 것을 선호한다고 가정한다. 이 경우 강호 학습 모델은 현재 시간(두시)이나 집에서 들어오는 어머니의 행동에 기반한 설정 값을 출력할 수 있으며, 공기 조화기는 출력된 설정 값에 기초하여 운동 중인 어머니를 향해 낮은 설정 온도, 많은 풍량의 공기를 토출시킬 수 있다.

한편 프로세서(180)는 강화 학습 모델에서 출력한 행동(action)에 따라 공기 조화기의 설정 값을 조절할 수 있다.

구체적으로 프로세서(180)는 공기 조화기의 설정 온도, 풍량 및 풍향 중 적어도 하나를 조절하기 위하여, 압축기, 팬 모터 및 베인 모터 중 적어도 하나의 동작을 제어할 수 있다.

예컨대, 프로세서(180)는 강화 학습 모델에서 출력한 행동(action) 중 설정 온도에 기초하여 압축기(740)의 동작을 제어할 수 있다. 그리고 압축기의 동작이 제어 됨에 따라 공기 조화기의 설정 온도가 조절될 수 있다.

또한 프로세서(180)는 강화 학습 모델에서 출력한 행동(action) 중 풍량에 기초하여 팬모터(740)의 동작을 제어할 수 있다. 그리고 팬모터(740)의 동작이 제어 됨에 따라 공기 조화기의 풍량이 조절될 수 있다.

또한 프로세서(180)는 냉방 정보 중 풍향에 기초하여 베인 모터의 동작을 제어할 수 있다. 그리고 베인 모터의 동작이 제어 됨에 따라 공기 조화기의 풍향이 조절될 수 있다.

도 8은 구성원에 대응하는 강화 학습 모델 및 피드백을 이용한 재 학습 방법을 설명하기 위한 도면이다.

강화 학습 모델(810)은 복수의 강화 학습 모델, 예를 들어 제1 강화 학습 모델(811), 제2 강화 학습 모델(812), 제3 강화 학습 모델(813) 및 제4 강화 학습 모델(814)을 포함할 수 있다.

그리고 복수의 강화 학습 모델(811, 812, 813, 814)은 복수의 구성원에 각각 대응할 수 있다.

예를 들어 제1 강화 학습 모델(811)은 아버지에 대응할 수 있고, 제2 강화 학습 모델(812)은 어머니에 대응할 수 있고, 제3 강화 학습 모델(813)은 초등학생 딸에 대응할 수 있고, 제4 강화 학습 모델(814)은 영유아 아들에 대응할 수 있다.

한편 프로세서(180)는 상태(state)를 식별된 구성원에 대응하는 강화 학습 모델에 제공할 수 있다.

예를 들어 실내 공간에 아버지가 식별되는 경우, 프로세서(180)는 현재 온도, 목표 온도, 실내 공간 내 아버지의 위치, 현재 시간, 아버지의 행동 중 적어도 하나를 제1 강화 학습 모델(811)에 입력할 수 있다.

그리고 제1 강화 학습 모델(811)이 상태에 기반하여 행동을 출력하면, 프로세서는 행동에 기초하여 공기 조화기의 설정 값을 조절할 수 있다.

그리고 조절된 설정 값에 대한 식별된 구성원의 피드백을 이용하여 제1 강화 학습 모델을 업데이트 할 수 있다.

예를 들어 공기 조화기의 설정 값이 조절되어 설정 온도가 낮아졌고, 낮아진 설정 온도에 대응하여 아버지가 “아이 추워!”라고 말하였다. 이 경우 프로세서(180)는 마이크로폰(122)를 통하여 아버지의 피드백을 수신할 수 있다.

그리고 프로세서(180)는 식별된 사용자의 피드백을 이용하여, 식별된 사용자에 대응하는 강화 학습 모델을 트레이닝 할 수 있다.

예를 들어 아버지에 대응하는 제1 강화 학습 모델의 행동에 따라 공기 조화기의 설정값을 조절한 프로세서는, 아버지로부터 수신된 피드백에 대응하는 보상 또는 벌점을 제1 강화 학습 모델에 제공할 수 있다.

이 경우 제1 강화 학습 모델(811)은 제1 강화 학습 모델(811)이 출력한 행동과, 보상 또는 벌점에 기초하여 새로운 정책(policy)를 수립하고, 새로운 정책에 대응하도록 제1 강화 학습 모델(811)의 파라미터를 업데이트 할 수 있다.

한편 메모리(170)에는 복수의 구성원에 각각 대응하는 복수의 학습 결과가 저장될 수 있다. 여기서 학습 결과는 강화 학습 모델의 행동 및 행동에 따른 피드백을 이용하여 업데이트 되는 뉴럴 네트워크의 파라미터라고 앞서 설명한 바 있다.

즉 아버지의 피드백을 이용하여 아버지에 대응하는 제1 강화 학습 모델(811)이 트레이닝 되는 경우, 아버지에 대응하는 학습 결과, 즉 제1 강화 학습 모델(811)의 파라미터가 업데이트 될 수 있다.

한편 다른 강화 학습 모델(812, 813, 814)도 동일한 방식으로 액션을 출력하고 피드백을 이용하여 트레이닝 될 수 있으며, 이에 따라 다른 구성원에 대응하는 학습 결과 역시 업데이트 될 수 있다.

예를 들어 실내 공간에 어머니가 식별되는 경우, 프로세서(180)는 현재 온도, 목표 온도, 실내 공간 내 어머니의 위치, 현재 시간, 아버지의 행동 중 적어도 하나를 제2 강화 학습 모델(812)에 입력할 수 있다.

그리고 제2 강화 학습 모델(812)이 상태에 기반하여 행동을 출력하면, 프로세서는 행동에 기초하여 공기 조화기의 설정 값을 조절할 수 있다.

그리고 조절된 설정 값에 대한 식별된 어머니의 피드백을 이용하여 제2 강화 학습 모델(812)이 업데이트 될 수 있다.

이 경우 제2 강화 학습 모델(812)은 제2 강화 학습 모델(812)이 출력한 행동과, 보상 또는 벌점에 기초하여 새로운 정책(policy)를 수립하고, 새로운 정책에 대응하도록 제2 강화 학습 모델(812)의 파라미터를 업데이트 할 수 있다.

이 경우 어머니에 대응하는 학습 결과, 즉 제2 강화 학습 모델(812)의 파라미터가 업데이트 될 수 있다.

한편 특정 구성원의 피드백은, 특정 구성원의 행동이나 음성뿐만 아니라, 다른 구성원의 행동 또는 음성을 포함할 수 있다;

예를 들어 어머니가 “아이 추워”, 또는 “우리 아이 추워”라고 하는 경우, 프로세서는 어머니의 음성을 어머니의 피드백이 아닌 영유아 아들의 피드백으로 인식할 수 있다.

한편 특정 강화 학습 모델은 다른 강화 학습 모델의 행동에 대하여, 자신에 대응하는 구성원의 피드백을 이용하여 업데이트 될 수 있다.

이와 관련해서는 도 9를 참고하여 설명한다.

실내 공간에 아버지, 어머니, 초등학생 딸, 영유아 아들이 있다고 가정하고, 아버지에 대응하는 제1 강화 학습 모델(811)의 행동에 기초하여 공기 조화기의 설정 값이 조절되었다고 가정한다.

그리고 제1 강화 학습 모델(811)의 행동에 기초하여 설정값을 조절한 이후 아버지와 다른 구성원의 피드백이 수신되면, 프로세서는 다른 구성원의 피드백을 이용하여 다른 구성원에 대응하는 제2 강화 학습 모델을 업데이트 할 수 있다.

예를 들어 제1 강화 학습 모델(811)의 행동에 따라 아버지의 냉방 취향을 고려하여 설정 값을 조절한 경우, 어머니의 피드백인 “여보. 추워!”라는 피드백이 수신될 수 있다.

한편 제1 강화 학습 모델(811)은 아버지에게 적합한 냉방 방식을 예측하는 모델이기 때문에, 어머니의 피드백은 제1 강화 학습 모델(811)에 사용되어서는 안된다.

다만 제2 강화 학습 모델(812)은 어머니에게 적합한 냉방 방식을 예측하는 모델이기 때문에, 어머니의 피드백은 제2 강화 학습 모델(812)을 진화 시키기 위한 데이터가 될 수 있다.

따라서 제1 강화 학습 모델에 입력된 상태(state), 제1 강화 학습 모델의 행동(action)(즉 제1 강화 학습 모델이 출력한 설정 값) 및 제1 강화 학습 모델의 행동(action)에 대응하는 어머니의 피드백에 기초하여, 프로세서(180)는 어머니에 대응하는 제2 강화 학습 모델(812)를 업데이트 할 수 있다.

다음은 강화 학습 모델에 피드백을 제공하는 방법에 대하여 구체적으로 설명한다.

피드백은 사용자의 음성, 사용자의 행동 및 사용자의 입력에 의한 설정 값의 재 조절 중 적어도 하나에 기초하여 획득될 수 있다.

그리고 피드백은, 강화 학습 모델이 추천한 설정 값에 긍정적인 반응을 나타내는 긍정 피드백 및 부정적인 반응을 나타내는 부정 피드백을 포함할 수 있다.

여기서 긍정 피드백은, 공기 조화기의 설정 값에 대한 긍정적인 표현일 수 있다. 예를 들어 긍정 피드백은, “아이 좋아”, “아이 시원해” 등의 음성, 만족스러운 얼굴 표정, 긍정 피드백으로 기 설정되어 있는 음성 또는 행동, 공기 조화기의 설정 값 조절에 대응하여 설정 값을 재 조절하기 위한 입력의 미 수신 등을 포함할 수 있다.

그리고 부정 피드백은, 공기 조화기의 설정 값에 대한 부정적인 표현 일 수 있다. 예를 들어 부정 피드백은, “아우 추워!” 등의 음성, 추워서 손으로 몸을 감싸는 행동, 부정 피드백으로 기 설정되어 있는 음성 또는 행동, 공기 조화기의 설정 값 조절에 대응하여 설정 값을 재 조절하기 위한 입력의 수신 등을 포함할 수 있다.

한편 프로세서는, 사용자의 피드백이 긍정 피드백인 경우 강화 학습 모델에 보상(reward)을 부여하고, 사용자의 피드백이 부정 피드백인 경우 강화 학습 모델에 벌점(reward)을 부여할 수 있다.

한편 보상의 레벨은 긍정 피드백의 강도에 대응할 수 있다. 구체적으로 프로세서는, 긍정 피드백의 강도에 따라, 상이한 레벨의 보상을 부여할 수 있다.

예를 들어 프로세서는, “아! 좋아!”라는 음성이 수신된 경우 제1 레벨(예를 들어 +1)의 보상을 부여하고, “아! 너무 좋아!”라는 음성이 수신된 경우 제2 레벨(예를 들어 +2)의 보상을 부여할 수 있다.

그리고 강화 학습 모델은 보상의 레벨에 기초하여 강화 학습을 수행할 수 있다.

한편 보상의 레벨은 부정 피드백의 강도에 대응할 수 있다. 구체적으로 프로세서는, 부정 피드백의 강도에 따라, 상이한 레벨의 벌점을 부여할 수 있다.

예를 들어 프로세서는, “좀 춥네”라는 음성이 수신된 경우 제1 레벨(예를 들어 +1)의 벌점을 부여하고, “왜 이렇게 추운거야?”라는 음성이 수신된 경우 제2 레벨(예를 들어 +2)의 벌점을 부여할 수 있다.

그리고 강화 학습 모델은 벌점의 레벨에 기초하여 강화 학습을 수행할 수 있다.

한편 긍정 피드백의 강도 또는 부정 피드백의 강도는, 공기 조화기가 설정 값을 조절한 후 긍정 피드백 또는 부정 피드백이 수신되는 시간에 기초하여 결정될 수 있다.

예를 들어 설정 값이 조절되어, 토출 공기가 낮은 설정 온도로 구성원에게 직접 전달되는 경우를 가정한다.

설정 값이 조절된 후 이 십분 후에 구성원이 “춥네”라고 표현하는 것 보다, 설정 값이 조절되자 마자 구성원이 “추워”라고 표현하는 것이 더 높은 강도의 부정 표현일 수 있다.

따라서 프로세서는, 설정 값을 조절한 후 긍정 피드백 또는 부정 피드백이 수신되는 시간에 기초하여, 보상 또는 벌점의 레벨을 조절할 수 있다.

한편 피드백은 사용자의 입력에 의한 설정 값의 재 조절을 포함한다고 설명한 바 있다.

이 경우 프로세서는 구성원이 설정 값을 재 조절 하는 정도에 기초하여 벌점의 레벨을 조절할 수 있다.

설정 값이 조절되어, 토출 공기가 낮은 설정 온도로 구성원에게 직접 전달되는 경우를 가정한다.

자신이 원하는 온도와 공기 조화기의 토출 온도의 차이가 큰 경우, 구성원은 리모콘을 조작하여 현재 설정된 온도를 상대적으로 많이 재 조절 할 수 있다. 반면에 자신이 원하는 온도와 공기 조화기의 토출 온도의 차이가 작은 경우, 구성원은 리모콘을 조작하여 현재 설정된 온도를 상대적으로 조금 재 조절 할 수 있다.

다른 예를 들어, 자신이 원하는 풍향과 공기 조화기에 설정된 풍향의 차이가 큰 경우, 구성원은 리모콘을 조작하여 풍향을 상대적으로 많이 재 조절 할 수 있다. 반면에 자신이 원하는 풍향과 공기 조화기에 설정된 풍향의 차이가 작은 경우, 구성원은 리모콘을 조작하여 풍향을 상대적으로 조금 재 조절 할 수 있다.

따라서 프로세서는, 구성원이 공기 조화기의 설정 값을 제1 정도만큼 재 조절 하는 경우 제1 레벨(예를 들어 +1)의 벌점을 부여하고, 구성원이 공기 조화기의 설정 값을 제1 정도보다 큰 제2 정도만큼 재 조절 하는 경우 제2 레벨(예를 들어 +2)의 벌점을 부여할 수 있다.

이와 같이 본 발명에 따르면, 실내 공간에 존재하는 구성원의 냉방 취향을 고려한 냉방을 수행할 수 있는 장점이 있다.

공기 조화기에 탑재된 강화 학습 모델은 미리 트레이닝 되어 있을 수 있다. 여기서 미리 트레이닝 되어 있다는 것은, 강화 학습 모델이 제조사나 기타 기관에 의하여 선행 학습을 수행한 상태라는 것을 의미할 수 있다.

한편 강화 학습 모델은 클라우드 서비스를 기반으로 획득된, 복수의 사용자의 피드백을 이용하여 미리 트레이닝 될 수 있다.

구체적으로 클라우드 서버(1310)는 냉방을 할 때의 상태(state), 강화 학습 모델의 행동(action) 및 강화 학습 모델의 행동(action)에 대응하는 사용자의 피드백을 수신할 수 있다.

이 경우 클라우드 서버(1310)는, 냉방을 할 때의 상태(state), 강화 학습 모델의 행동(action) 및 강화 학습 모델의 행동(action)에 대응하는 사용자의 피드백 중 적어도 하나를 강화 학습에 제공하여 강화 학습 모델을 미리 트레이닝 할 수 있다.

이러한 방식으로 강화 학습 모델이 미리 트레이닝 되면, 미리 트레이닝 된 강화 학습 모델은 공기 조화기에 새롭게 탑재되거나 공기 조화기 내 기존의 강화 학습 모델을 대체할 수 있다.

한편 강화 학습 모델은, 강화 학습 모델에 대응하는 구성원의 성별 및 나이에 부합하는 복수의 사용자의 피드백을 이용하여 미리 트레이닝 될 수 있다.

구체적으로 아버지에 대응하는 제1 강화 학습 모델은, 클라우드 서비스를 기반으로 획득된 복수의 사용자의 피드백 중, 아버지와 성별 및 나이가 유사한 사용자 들의 피드백을 이용하여 미리 트레이닝 될 수 있다.

또한 어머니에 대응하는 제2 강화 학습 모델은, 클라우드 서비스를 기반으로 획득된 복수의 사용자의 피드백 중, 어머니와 성별 및 나이가 유사한 사용자 들의 피드백을 이용하여 미리 트레이닝 될 수 있다.

한편 미리 트레이닝 된 강화 학습 모델이 공기 조화기에 탑재되면, 프로세서는 미리 트레이닝 된 강화 학습 모델을 식별된 구성원의 피드백을 이용하여 트레이닝 할 수 있다.

예를 들어, 아버지와 성별 및 나이가 유사한 사용자들의 피드백으로 미리 트레이닝 된 제1 강화 학습 모델이 탑재된 후, 프로세서는 아버지의 피드백을 이용하여 제1 강화 학습 모델을 트레이닝 할 수 있다.

다른 예를 들어, 초등학생 딸과 성별 및 나이가 유사한 사용자들의 피드백으로 미리 트레이닝 된 제3 강화 학습 모델이 탑재된 후, 프로세서는 초등학생 딸의 피드백을 이용하여 제3 강화 학습 모델을 트레이닝 할 수 있다.

이와 같이 강화 학습 모델을 미리 트레이닝 하는 방식에 따르면 학습 데이터가 기하 급수적으로 늘어나며, 강화 학습 모델은 비슷한 연령 및 나이의 사용자들의 냉방 취향을 고려하여 미리 트레이닝 되기 때문에, 강화 학습 모델이 공기 조화기에 탑재된 후 최고의 정책을 세우는 시간을 단축시킬 수 있는 장점이 있다.

실내 공간에 둘 이상의 구성원이 식별되는 경우, 프로세서는 복수의 구성원 중 우선 순위가 높은 구성원에 대응하는 강화 학습 모델의 행동에 기초하여 설정 값을 조절할 수 있다.

구체적으로 구성원 들의 냉방 취향 들은 서로 충돌할 수 있다.

예를 들어 낮은 설정 온도와 많은 풍량을 아버지는 좋아하나 어머니는 싫어할 수 있다.

다른 예를 들어 어머니가 아기를 안고 있는 경우, 어머니는 공기 조화기의 바람을 직접 맞는 것을 좋아하나, 아기는 공기 조화기의 바람을 직접 맞는 것을 싫어할 수 있다.

따라서 둘 이상의 구성원이 식별되는 경우, 프로세서는 복수의 구성원 중 우선 순위가 높은 구성원에 대응하는 강화 학습 모델의 행동에 기초하여 공기 조화기의 설정 값을 조절할 수 있다.

예를 들어 우선 순위가 영유아 아들, 초등학생 딸, 어머니, 아버지 순으로 미리 설정되어 있다고 가정한다.

그리고 실내 공간에 어머니와 영유아 아들이 존재하면, 프로세서(180)는 상태(state)를 영유아 아들에 대응하는 제4 강화 학습 모델에 제공할 수 있다. 그리고 제4 강화 학습 모델이 행동(action)을 출력하면, 프로세서(180)는 제4 강화 학습 모델이 출력한 행동(action)에 기초하여 공기 조화기의 설정 값을 조절할 수 있다.

또한 실내 공간에 어머니와 아버지가 존재하면, 프로세서(180)는 상태(state)를 어머니에 대응하는 제2 강화 학습 모델에 제공할 수 있다. 그리고 제2 강화 학습 모델이 행동(action)을 출력하면, 프로세서(180)는 제2 강화 학습 모델이 출력한 행동(action)에 기초하여 공기 조화기의 설정 값을 조절할 수 있다.

냉방 방식에 민감한 구성원이 있을 수 있고, 냉방 방식에 대하여 민감하지 않은 구성원이 있을 수 있다.

예를 들어서 영유아의 경우에는, 춥거나 바람을 직접 맞는 경우 감기에 걸리기 쉽다. 다른 예를 들어 더위를 많이 타는 초등학생 딸은, 자신의 취향대로 냉방이 수행되는 경우 짜증을 많이 댈 수 있다.

또 다른 예를 들어 더위를 타지 않는 어머니는, 어떠한 냉방 방식에도 잘 적응할 수 있다.

따라서 본 발명은 복수의 구성원의 우선 순위를 설정하고 우선 순위에 따라 냉방 취향을 고려함으로써, 복수의 구성원을 최대한 만족시킬 수 있는 장점이 있다.

한편 앞서 설명한 우선 순위에 따른 냉방은, 공기 조화기가 설치된 공간의 용도에 따라 적용되거나 적용되지 않을 수 있다.

구체적으로 공기 조화기가 거실 등, 가정 내 모든 구성원이 이용하는 공용 공간에 설치되어 있다고 가정한다. 이 경우 프로세서는 공용 공간에서 둘 이상의 구성원이 식별되는 경우, 복수의 구성원 중 우선 순위가 높은 구성원에 대응하는 강화 학습 모델의 행동에 기초하여 설정 값을 조절할 수 있다.

다만 공기 조화기가 아버지 서재 등의 개인 공간에 설치되어 있다고 가정한다. 그리고 아버지 서재는 주로 아버지가 사용하며, 초등학생 딸이 가끔 드나드는 것으로 가정한다.

아버지의 서재는 아버지의 개인 공간으로, 아버지의 냉방 취향에 따른 냉방이 수행되어야 한다. 다만 초등학생 딸이 서재에 잠깐 들어온 경우에도, 앞서 설명한 우선 순위에 따라 초등학생 딸의 냉방 취향에 따라 냉방을 하는 것은 부적절하다.

따라서 프로세서는 공기 조화기가 설치된 공간이 공용 공간인지 개인 공간인지 결정할 수 있다.

구체적으로 구성원들이 식별되는 빈도 및 구성원들이 식별되는 기간 중 적어도 하나에 기초하여, 프로세서는 공기 조화기가 설치된 실내 공간이 공용 공간인지 또는 개인 공간인지 결정할 수 있다. 다른 예로 공용 공간 또는 개인 공간을 설정하기 위한 사용자의 입력에 기초하여, 프로세서는 공기 조화기가 설치된 실내 공간이 공용 공간인지 또는 개인 공간인지 결정할 수 있다.

그리고 공기 조화기가 설치된 공간이 공용 공간으로 결정되고, 공용 공간에서 둘 이상의 구성원이 식별되는 경우, 프로세서는 복수의 구성원 중 우선 순위가 높은 구성원에 대응하는 강화 학습 모델의 행동에 기초하여 설정 값을 조절할 수 있다.

한편 공기 조화기가 설치된 공간이 개인 공간으로 결정되는 경우, 프로세서는 구성원들이 식별되는 빈도 및 구성원들이 식별되는 기간 중 적어도 하나에 기초하여, 주 구성원을 결정할 수 있다. 다른 예를 들어 프로세서는, 주 구성원을 설정하기 위한 사용자의 입력이 수신되면, 사용자의 입력에 기초하여 주 구성원을 결정할 수 있다.

여기서 주 구성원은 공기 조화기가 설치된 공간을 주로 이용하는 구성원을 의미할 수 있다.

그리고 실내 공간의 주 구성원이 결정되고 실내 공간에서 둘 이상의 구성원이 식별되는 경우, 프로세서는 주 구성원에 대응하는 강화 학습 모델의 행동에 따라 설정 값을 조절할 수 있다.

구체적으로 제1 구성원의 개인 공간에서 제1 구성원 및 제2 구성원이 식별되고, 제2 구성원의 우선 순위가 제1 구성원의 우선 순위보다 높다고 하더라도, 프로세서는 제1 구성원에 대응하는 강화 학습 모델에 상태를 제공하고, 제1 구성원에 대응하는 강화 학습 모델의 행동에 따라 공기 조화기의 설정 값을 조절할 수 있다.

이와 같이 본 발명에 따르면, 공기 조화기가 설치된 공간의 용도와, 공간의 용도에 따른 사용자의 의도에 가장 부합하는 냉방을 제공할 수 있다.

한편, 실내 공간에 배치되는 공기 조화기의 동작 방법에 대하여 설명한다. 본 발명의 실시 예에 따른 공기 조화기의 동작 방법은, 구성원을 식별하기 위한 데이터를 획득하는 단계, 상기 구성원을 식별하기 위한 데이터를 이용하여 복수의 구성원 중 상기 실내 공간에 존재하는 적어도 하나의 구성원을 식별하는 단계, 식별된 구성원에 대응하는 학습 결과에 기초하여, 압축기, 공기를 송풍하는 팬 모터 및 토출구에 움직임 가능하게 제공되는 토출 베인을 동작시키는 베인 모터 중 적어도 하나의 동작을 제어하여, 설정 온도, 풍량 및 풍향 중 적어도 하나를 포함하는 설정 값을 조절하는 단계, 및, 상기 조절된 설정 값에 대한 피드백을 이용하여 상기 학습 결과를 업데이트 하는 단계를 포함한다.

이 경우 상기 학습 결과는, 상기 피드백을 이용하여 업데이트 되는 강화 학습 모델의 파라미터일 수 있다.

이 경우 상기 설정 값을 조절하는 단계는, 상태(state)를 상기 강화 학습 모델에 제공하는 단계, 및, 상기 강화 학습 모델이 상기 상태(state)에 기반하여 행동(action)을 출력하면 상기 행동(action)에따라 상기 설정 값을 조절하는 단계를 포함하고, 상기 학습 결과를 업데이트 하는 단계는, 상기 조절된 설정 값에 대한 피드백을 이용하여 상기 강화 학습 모델을 트레이닝 하는 단계를 포함하고, 상기 상태(state)는, 현재 온도, 목표 온도, 및 상기 식별된 구성원의 위치 중 적어도 하나를 포함할 수 있다.

이 경우 상기 상태(state)는, 현재 시간 및 상기 식별된 구성원의 행동(action) 중 적어도 하나를 더 포함할 수 있다.

한편 상기 강화 학습 모델을 트레이닝 하는 단계는, 상기 피드백이 긍정 피드백인 경우 상기 강화 학습 모델에 보상(reward)을 부여하는 단계, 및, 상기 피드백이 부정 피드백인 경우 상기 강화 학습 모델에 벌점(penalty)을 부여하는 단계를 포함하고, 상기 보상(reward)의 레벨은 긍정 피드백의 강도에 대응하고, 상기 벌점(penalty)의 레벨은 부정 피드백의 강도에 대응할 수 있다.

이 경우 상기 강화 학습 모델에 보상(reward)을 부여하는 단계는, 상기 설정 값을 조절 한 후 상기 긍정 피드백이 수신되는 시간에 기초하여, 상기 보상(reward) 의 레벨을 조절하는 단계를 포함하고, 상기 강화 학습 모델에 벌점(penalty)을 부여하는 단계는, 상기 설정 값을 조절 한 후 상기 부정 피드백이 수신되는 시간에 기초하여, 상기 벌점(penalty)의 레벨을 조절하는 단계를 포함할 수 있다.

한편 상기 부정 피드백은, 상기 설정 값의 재 조절을 포함하고, 상기 강화 학습 모델에 벌점(penalty)을 부여하는 단계는, 구성원이 상기 설정 값을 재 조절하는 정도에 기초하여 상기 벌점(penalty)의 레벨을 조절할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 서버의 프로세서(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims

실내 공간에 배치되는 공기 조화기에 있어서,

압축기;

흡입구 및 토출구를 포함하는 케이싱;

상기 케이싱의 내부에 설치되어, 공기를 송풍하는 팬모터;

상기 토출구에 움직임 가능하게 제공되는 토출 베인;

상기 토출 베인을 동작시키는 베인 모터;

구성원을 식별하기 위한 데이터를 획득하는 센서;

복수의 구성원에 각각 대응하는 복수의 학습 결과를 저장하는 메모리; 및

상기 구성원을 식별하기 위한 데이터를 이용하여 복수의 구성원 중 상기 실내 공간에 존재하는 적어도 하나의 구성원을 식별하고, 식별된 구성원에 대응하는 학습 결과에 기초하여 상기 압축기, 상기 팬모터 및 상기 베인 모터 중 적어도 하나의 동작을 제어하여 설정 온도, 풍량 및 풍향 중 적어도 하나를 포함하는 설정 값을 조절하고, 상기 조절된 설정 값에 대한 피드백을 이용하여 상기 학습 결과를 업데이트 하는 프로세서를 포함하는

공기 조화기.
제 1항에 있어서,

상기 학습 결과는,

상기 피드백을 이용하여 업데이트 되는 강화 학습 모델의 파라미터인

공기 조화기.
제 2항에 있어서,

상기 프로세서는,

상태(state)를 상기 강화 학습 모델에 제공하고,

상기 강화 학습 모델이 상기 상태(state)에 기반하여 행동(action)을 출력하면 상기 행동(action)에따라 상기 설정 값을 조절하고, 상기 조절된 설정 값에 대한 피드백을 이용하여 상기 강화 학습 모델을 트레이닝 하고,

상기 상태(state)는,

현재 온도, 목표 온도, 및 상기 식별된 구성원의 위치 중 적어도 하나를 포함하는

공기 조화기.
제 3항에 있어서,

상기 상태(state)는,

현재 시간 및 상기 식별된 구성원의 행동 중 적어도 하나를 더 포함하는

공기 조화기.
제 3항에 있어서,

상기 프로세서는,

상태(state)를 상기 식별된 구성원에 대응하는 제1 강화 학습 모델에 제공하고,

상기 제1 강화 학습 모델이 상기 상태(state)에 기반하여 상기 행동(action)을 출력하면 상기 행동(action)에 기초하여 상기 설정 값을 조절하고, 상기 조절된 설정 값에 대한 상기 식별된 구성원의 피드백을 이용하여 상기 제1 강화 학습 모델을 업데이트 하는

공기 조화기.
제 5항에 있어서,

상기 프로세서는,

상기 제1 강화 학습 모델의 행동(action)에 기초하여 상기 설정 값을 조절한 이후 상기 식별된 구성원과 다른 구성원의 피드백이 수신되면, 상기 다른 구성원의 피드백을 이용하여 상기 다른 구성원에 대응하는 제2 강화 학습 모델을 업데이트 하는

공기 조화기.
제 3항에 있어서,

상기 프로세서는,

상기 피드백이 긍정 피드백인 경우 상기 강화 학습 모델에 보상(reward)을 부여하고,

상기 피드백이 부정 피드백인 경우 상기 강화 학습 모델에 벌점(penalty)을 부여하고,

상기 보상(reward)의 레벨은 긍정 피드백의 강도에 대응하고,

상기 벌점(penalty)의 레벨은 부정 피드백의 강도에 대응하는

공기 조화기.
제 7항에 있어서,

상기 프로세서는,

상기 설정 값을 조절 한 후 상기 긍정 피드백 또는 상기 부정 피드백이 수신되는 시간에 기초하여, 상기 보상(reward) 또는 벌점(penalty)의 레벨을 조절하는

공기 조화기.
제 7항에 있어서,

상기 부정 피드백은,

상기 설정 값의 재 조절을 포함하고,

상기 프로세서는,

구성원이 상기 설정 값을 재 조절하는 정도에 기초하여 상기 벌점(penalty)의 레벨을 조절하는

공기 조화기.
제 3항에 있어서,

상기 강화 학습 모델은,

클라우드 서비스를 기반으로 획득된, 복수의 사용자의 피드백을 이용하여 미리 트레이닝 되고,

상기 프로세서는,

상기 미리 트레이닝 된 강화 학습 모델을 상기 구성원의 피드백을 이용하여 트레이닝 하는

공기 조화기.
제 3항에 있어서,

상기 프로세서는,

둘 이상의 구성원이 식별되는 경우, 상기 복수의 구성원 중 우선 순위가 높은 구성원에 대응하는 강화 학습 모델의 행동(action)에 기초하여 상기 설정 값을 조절하는

공기 조화기.
제 11항에 있어서,

상기 프로세서는,

상기 실내 공간이 공용 공간인 것으로 결정하고,

상기 공용 공간에서 둘 이상의 구성원이 식별되는 경우, 상기 복수의 구성원 중 우선 순위가 높은 구성원에 대응하는 강화 학습 모델의 행동(action)에 기초하여 상기 설정 값을 조절하는

공기 조화기.
제 3항에 있어서,

상기 프로세서는,

상기 실내 공간의 주 구성원을 결정하고,

상기 실내 공간에서 둘 이상의 구성원이 식별되는 경우 상기 주 구성원에 대응하는 강화 학습 모델의 행동(action)에 따라 상기 설정 값을 조절하는

공기 조화기.
실내 공간에 배치되는 공기 조화기의 동작 방법에 있어서,

구성원을 식별하기 위한 데이터를 획득하는 단계;

상기 구성원을 식별하기 위한 데이터를 이용하여 복수의 구성원 중 상기 실내 공간에 존재하는 적어도 하나의 구성원을 식별하는 단계;

식별된 구성원에 대응하는 학습 결과에 기초하여, 압축기, 공기를 송풍하는 팬 모터 및 토출구에 움직임 가능하게 제공되는 토출 베인을 동작시키는 베인 모터 중 적어도 하나의 동작을 제어하여, 설정 온도, 풍량 및 풍향 중 적어도 하나를 포함하는 설정 값을 조절하는 단계; 및

상기 조절된 설정 값에 대한 피드백을 이용하여 상기 학습 결과를 업데이트 하는 단계를 포함하는

실내 공간에 배치되는 공기 조화기의 동작 방법.
제 14항에 있어서,

상기 학습 결과는,

상기 피드백을 이용하여 업데이트 되는 강화 학습 모델의 파라미터인

실내 공간에 배치되는 공기 조화기의 동작 방법.
제 15항에 있어서,

상기 설정 값을 조절하는 단계는,

상태(state)를 상기 강화 학습 모델에 제공하는 단계; 및

상기 강화 학습 모델이 상기 상태(state)에 기반하여 행동(action)을 출력하면 상기 행동(action)에따라 상기 설정 값을 조절하는 단계를 포함하고,

상기 학습 결과를 업데이트 하는 단계는,

상기 조절된 설정 값에 대한 피드백을 이용하여 상기 강화 학습 모델을 트레이닝 하는 단계를 포함하고,

상기 상태(state)는,

현재 온도, 목표 온도, 및 상기 식별된 구성원의 위치 중 적어도 하나를 포함하는

실내 공간에 배치되는 공기 조화기의 동작 방법.
제 16항에 있어서,

상기 상태(state)는,

현재 시간 및 상기 식별된 구성원의 행동(action) 중 적어도 하나를 더 포함하는

실내 공간에 배치되는 공기 조화기의 동작 방법.
제 16항에 있어서,

상기 강화 학습 모델을 트레이닝 하는 단계는,

상기 피드백이 긍정 피드백인 경우 상기 강화 학습 모델에 보상(reward)을 부여하는 단계; 및

상기 피드백이 부정 피드백인 경우 상기 강화 학습 모델에 벌점(penalty)을 부여하는 단계를 포함하고,

상기 보상(reward)의 레벨은 긍정 피드백의 강도에 대응하고,

상기 벌점(penalty)의 레벨은 부정 피드백의 강도에 대응하는

실내 공간에 배치되는 공기 조화기의 동작 방법.
제 18항에 있어서,

상기 강화 학습 모델에 보상(reward)을 부여하는 단계는,

상기 설정 값을 조절 한 후 상기 긍정 피드백이 수신되는 시간에 기초하여, 상기 보상(reward) 의 레벨을 조절하는 단계를 포함하고,

상기 강화 학습 모델에 벌점(penalty)을 부여하는 단계는,

상기 설정 값을 조절 한 후 상기 부정 피드백이 수신되는 시간에 기초하여, 상기 벌점(penalty)의 레벨을 조절하는 단계를 포함하는

실내 공간에 배치되는 공기 조화기의 동작 방법.
제 18항에 있어서,

상기 부정 피드백은,

상기 설정 값의 재 조절을 포함하고,

상기 강화 학습 모델에 벌점(penalty)을 부여하는 단계는,

구성원이 상기 설정 값을 재 조절하는 정도에 기초하여 상기 벌점(penalty)의 레벨을 조절하는

실내 공간에 배치되는 공기 조화기의 동작 방법.