WO2021025217A1 - 인공지능 서버 - Google Patents

인공지능 서버 Download PDF

Info

Publication number
WO2021025217A1
WO2021025217A1 PCT/KR2019/010013 KR2019010013W WO2021025217A1 WO 2021025217 A1 WO2021025217 A1 WO 2021025217A1 KR 2019010013 W KR2019010013 W KR 2019010013W WO 2021025217 A1 WO2021025217 A1 WO 2021025217A1
Authority
WO
WIPO (PCT)
Prior art keywords
artificial intelligence
domain
intelligence model
input data
model
Prior art date
Application number
PCT/KR2019/010013
Other languages
English (en)
French (fr)
Inventor
한종우
김재홍
김효은
이태호
전혜정
정한길
최희연
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to US16/496,365 priority Critical patent/US20210287128A1/en
Priority to PCT/KR2019/010013 priority patent/WO2021025217A1/ko
Priority to KR1020190112402A priority patent/KR20190110500A/ko
Priority to EP20171744.4A priority patent/EP3772710A1/en
Priority to CN202010558065.3A priority patent/CN112347691B/zh
Publication of WO2021025217A1 publication Critical patent/WO2021025217A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems

Definitions

  • the present invention relates to an artificial intelligence server capable of improving the performance of an artificial intelligence model by training an artificial intelligence model to be domain adaptation sequentially with respect to various domains causing an incorrect answer.
  • artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science.
  • attempts are being made very actively to introduce artificial intelligence elements in various fields of information technology and to use them in solving problems in that field.
  • an electronic device that provides such various operations and functions may be referred to as an artificial intelligence device.
  • the actual use of the artificial intelligence model may result in lower performance compared to the laboratory environment.
  • the designer of an artificial intelligence model trained a speech recognition model using speech data collected in a quiet environment (ie, an environment with low noise).
  • a quiet environment ie, an environment with low noise
  • the performance of the speech recognition model may be degraded because voice data with high noise is input to the speech recognition model.
  • the present invention is to solve the above problems, and an object of the present invention is to improve the performance of the artificial intelligence model by training the artificial intelligence model to be domain adaptation sequentially with respect to various domains that cause incorrect answers. It is about an artificial intelligence server.
  • the artificial intelligence server includes an input unit to which input data is input, and a first output value outputted by the artificial intelligence model for first input data is a correct answer, and the artificial intelligence model is the second input data. If the second output value output to is an incorrect answer, a first domain that caused an incorrect answer is obtained using the first input data and the second input data, and domain adaptation is performed with respect to the first domain. It includes a processor for training the artificial intelligence model as possible.
  • the present invention has the advantage of continuously improving the performance of an artificial intelligence model by repeatedly performing domain adaptation.
  • the present invention has an advantage in that the performance of the artificial intelligence model can be improved more quickly because domain adaptation is performed preferentially for the domain that causes the most incorrect answer after determining the domain that causes the most incorrect answer.
  • each time domain adaptation is repeatedly performed, domain adaptation is performed by selecting a domain that causes the most incorrect answer. Therefore, there is an advantage that the performance of the artificial intelligence model can be improved more quickly.
  • the present invention it is possible to improve the performance of the artificial intelligence model by performing domain adaptation in various combinations and selecting the artificial intelligence model with the highest performance.
  • FIG 1 shows an AI device 100 according to an embodiment of the present invention.
  • FIG 2 shows an AI server 200 according to an embodiment of the present invention.
  • FIG 3 shows an AI system 1 according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a method of operating an artificial intelligence server according to an embodiment of the present invention.
  • 5 to 7 are diagrams for explaining a method of obtaining a domain causing an incorrect answer according to an embodiment of the present invention.
  • FIG. 8 is a diagram for explaining a domain adaptation method.
  • DANN domainadversarial training of neural networks
  • FIG. 10 is a diagram for explaining a method of selecting an artificial intelligence model having optimal performance while repeatedly performing domain adaptation and managing a history.
  • FIG. 11 is a diagram for describing a method of extracting an important word from a spoken sentence and obtaining a domain that caused an incorrect answer by using a feature extracted from the important word according to an embodiment of the present invention.
  • FIG. 12 is a diagram for explaining a method of acquiring a low-confidence word and distinguishing a low-confidence word by using the importance of the low-confidence word according to an embodiment of the present invention.
  • Machine learning refers to the field of researching methodologies to define and solve various problems dealt with in the field of artificial intelligence. do.
  • Machine learning is also defined as an algorithm that improves the performance of a task through continuous experience.
  • An artificial neural network is a model used in machine learning, and may refer to an overall model with problem-solving capabilities, composed of artificial neurons (nodes) that form a network by combining synapses.
  • the artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process for updating model parameters, and an activation function for generating an output value.
  • the artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer includes one or more neurons, and the artificial neural network may include neurons and synapses connecting neurons. In an artificial neural network, each neuron can output a function of an activation function for input signals, weights, and biases input through synapses.
  • Model parameters refer to parameters determined through learning, and include weights of synaptic connections and biases of neurons.
  • hyperparameters refer to parameters that must be set before learning in a machine learning algorithm, and include a learning rate, iteration count, mini-batch size, and initialization function.
  • the purpose of learning artificial neural networks can be seen as determining model parameters that minimize the loss function.
  • the loss function can be used as an index to determine an optimal model parameter in the learning process of the artificial neural network.
  • Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to the learning method.
  • Supervised learning refers to a method of training an artificial neural network when a label for training data is given, and a label indicates the correct answer (or result value) that the artificial neural network should infer when training data is input to the artificial neural network. It can mean.
  • Unsupervised learning may refer to a method of training an artificial neural network in a state where a label for training data is not given.
  • Reinforcement learning may mean a learning method in which an agent defined in a certain environment learns to select an action or action sequence that maximizes the cumulative reward in each state.
  • machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is sometimes referred to as deep learning (deep learning), and deep learning is a part of machine learning.
  • DNN deep neural network
  • machine learning is used in the sense including deep learning.
  • a robot may refer to a machine that automatically processes or operates a task given by its own capabilities.
  • a robot having a function of recognizing the environment and performing an operation by self-determining may be referred to as an intelligent robot.
  • Robots can be classified into industrial, medical, household, military, etc. depending on the purpose or field of use.
  • the robot may be provided with a driving unit including an actuator or a motor to perform various physical operations such as moving a robot joint.
  • a driving unit including an actuator or a motor to perform various physical operations such as moving a robot joint.
  • the movable robot includes a wheel, a brake, a propeller, etc. in a driving unit, and can travel on the ground or fly in the air through the driving unit.
  • Autonomous driving refers to self-driving technology
  • autonomous driving vehicle refers to a vehicle that is driven without a user's manipulation or with a user's minimal manipulation.
  • a technology that maintains a driving lane a technology that automatically adjusts the speed such as adaptive cruise control, a technology that automatically drives along a specified route, and a technology that automatically sets a route when a destination is set, etc. All of these can be included.
  • the vehicle includes all of a vehicle having only an internal combustion engine, a hybrid vehicle including an internal combustion engine and an electric motor, and an electric vehicle including only an electric motor, and may include not only automobiles, but also trains and motorcycles.
  • the autonomous vehicle can be viewed as a robot having an autonomous driving function.
  • the extended reality collectively refers to Virtual Reality (VR), Augmented Reality (AR), and Mixed Reality (MR).
  • VR technology provides only CG images of real world objects or backgrounds
  • AR technology provides virtually created CG images on top of real object images
  • MR technology is a computer that mixes and combines virtual objects in the real world. It is a graphic technology.
  • MR technology is similar to AR technology in that it shows real and virtual objects together.
  • virtual objects are used in a form that complements real objects
  • MR technology virtual objects and real objects are used with equal characteristics.
  • XR technology can be applied to HMD (Head-Mount Display), HUD (Head-Up Display), mobile phones, tablet PCs, laptops, desktops, TVs, digital signage, etc., and devices applied with XR technology are XR devices. It can be called as.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • mobile phones tablet PCs, laptops, desktops, TVs, digital signage, etc.
  • devices applied with XR technology are XR devices. It can be called as.
  • FIG 1 shows an AI device 100 according to an embodiment of the present invention.
  • the AI device 100 includes a TV, a projector, a mobile phone, a smartphone, a desktop computer, a notebook computer, a digital broadcasting terminal, a personal digital assistant (PDA), a portable multimedia player (PMP), a navigation system, a tablet PC, a wearable device, a set-top box (STB). ), a DMB receiver, a radio, a washing machine, a refrigerator, a desktop computer, a digital signage, a robot, a vehicle, and the like.
  • PDA personal digital assistant
  • PMP portable multimedia player
  • STB set-top box
  • the terminal 100 includes a communication unit 110, an input unit 120, a running processor 130, a sensing unit 140, an output unit 150, a memory 170, and a processor 180.
  • the communication unit 110 may transmit and receive data with external devices such as other AI devices 100a to 100e or the AI server 200 using wired/wireless communication technology.
  • the communication unit 110 may transmit and receive sensor information, a user input, a learning model, and a control signal with external devices.
  • the communication technologies used by the communication unit 110 include Global System for Mobile communication (GSM), Code Division Multi Access (CDMA), Long Term Evolution (LTE), 5G, Wireless LAN (WLAN), and Wireless-Fidelity (Wi-Fi). ), BluetoothTM, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), ZigBee, and Near Field Communication (NFC).
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • LTE Long Term Evolution
  • 5G Fifth Generation
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • BluetoothTM BluetoothTM
  • RFID Radio Frequency Identification
  • IrDA Infrared Data Association
  • ZigBee ZigBee
  • NFC Near Field Communication
  • the input unit 120 may acquire various types of data.
  • the input unit 120 may include a camera for inputting an image signal, a microphone for receiving an audio signal, a user input unit for receiving information from a user, and the like.
  • a camera or microphone for treating a camera or microphone as a sensor, a signal obtained from the camera or microphone may be referred to as sensing data or sensor information.
  • the input unit 120 may acquire training data for model training and input data to be used when acquiring an output by using the training model.
  • the input unit 120 may obtain unprocessed input data, and in this case, the processor 180 or the running processor 130 may extract an input feature as a preprocess for the input data.
  • the learning processor 130 may train a model composed of an artificial neural network using the training data.
  • the learned artificial neural network may be referred to as a learning model.
  • the learning model can be used to infer a result value for new input data other than the training data, and the inferred value can be used as a basis for a decision to perform a certain operation.
  • the learning processor 130 may perform AI processing together with the learning processor 240 of the AI server 200.
  • the learning processor 130 may include a memory integrated or implemented in the AI device 100.
  • the learning processor 130 may be implemented using the memory 170, an external memory directly coupled to the AI device 100, or a memory maintained in an external device.
  • the sensing unit 140 may acquire at least one of internal information of the AI device 100, information about the surrounding environment of the AI device 100, and user information by using various sensors.
  • the sensors included in the sensing unit 140 include a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and a lidar. , Radar, etc.
  • the output unit 150 may generate output related to visual, auditory or tactile sense.
  • the output unit 150 may include a display unit that outputs visual information, a speaker that outputs auditory information, and a haptic module that outputs tactile information.
  • the memory 170 may store data supporting various functions of the AI device 100.
  • the memory 170 may store input data, training data, a learning model, and a learning history acquired from the input unit 120.
  • the processor 180 may determine at least one executable operation of the AI device 100 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. Further, the processor 180 may perform the determined operation by controlling the components of the AI device 100.
  • the processor 180 may request, search, receive, or utilize data from the learning processor 130 or the memory 170, and perform a predicted or desirable operation among the at least one executable operation.
  • the components of the AI device 100 can be controlled to execute.
  • the processor 180 may generate a control signal for controlling the corresponding external device and transmit the generated control signal to the corresponding external device.
  • the processor 180 may obtain intention information for a user input, and determine a user's requirement based on the obtained intention information.
  • the processor 180 uses at least one of a Speech To Text (STT) engine for converting a speech input into a character string or a Natural Language Processing (NLP) engine for obtaining intention information of a natural language. Intention information corresponding to the input can be obtained.
  • STT Speech To Text
  • NLP Natural Language Processing
  • At this time, at least one or more of the STT engine and the NLP engine may be composed of an artificial neural network, at least partially trained according to a machine learning algorithm.
  • at least one of the STT engine or the NLP engine is learned by the learning processor 130, learned by the learning processor 240 of the AI server 200, or learned by distributed processing thereof. Can be.
  • the processor 180 collects history information including user feedback on the operation content or operation of the AI device 100 and stores it in the memory 170 or the learning processor 130, or the AI server 200 Can be transferred to an external device.
  • the collected history information can be used to update the learning model.
  • the processor 180 may control at least some of the components of the AI device 100 to drive an application program stored in the memory 170. Furthermore, the processor 180 may operate by combining two or more of the components included in the AI device 100 to drive the application program.
  • FIG 2 shows an AI server 200 according to an embodiment of the present invention.
  • the AI server 200 may refer to a device that trains an artificial neural network using a machine learning algorithm or uses the learned artificial neural network.
  • the AI server 200 may be composed of a plurality of servers to perform distributed processing, or may be defined as a 5G network.
  • the AI server 200 may be included as a part of the AI device 100 to perform at least part of AI processing together.
  • the AI server 200 may include a communication unit 210, a memory 230, a learning processor 240, and a processor 260.
  • the communication unit 210 may transmit and receive data with an external device such as the AI device 100.
  • the memory 230 may include a model storage unit 231.
  • the model storage unit 231 may store a model (or artificial neural network, 231a) being trained or trained through the learning processor 240.
  • the learning processor 240 may train the artificial neural network 231a using the training data.
  • the learning model may be used while being mounted on the AI server 200 of the artificial neural network, or may be mounted on an external device such as the AI device 100 and used.
  • the learning model can be implemented in hardware, software, or a combination of hardware and software. When part or all of the learning model is implemented in software, one or more instructions constituting the learning model may be stored in the memory 230.
  • the processor 260 may infer a result value for new input data using the learning model, and generate a response or a control command based on the inferred result value.
  • FIG 3 shows an AI system 1 according to an embodiment of the present invention.
  • the AI system 1 includes at least one of an AI server 200, a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e. It is connected to the cloud network 10.
  • the robot 100a to which the AI technology is applied, the autonomous vehicle 100b, the XR device 100c, the smartphone 100d, or the home appliance 100e may be referred to as the AI devices 100a to 100e.
  • the cloud network 10 may constitute a part of the cloud computing infrastructure or may mean a network that exists in the cloud computing infrastructure.
  • the cloud network 10 may be configured using a 3G network, a 4G or Long Term Evolution (LTE) network, or a 5G network.
  • LTE Long Term Evolution
  • the devices 100a to 100e and 200 constituting the AI system 1 may be connected to each other through the cloud network 10.
  • the devices 100a to 100e and 200 may communicate with each other through a base station, but may communicate with each other directly without through a base station.
  • the AI server 200 may include a server that performs AI processing and a server that performs an operation on big data.
  • the AI server 200 includes at least one of a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e, which are AI devices constituting the AI system 1 It is connected through the cloud network 10 and may help at least part of the AI processing of the connected AI devices 100a to 100e.
  • the AI server 200 may train an artificial neural network according to a machine learning algorithm in place of the AI devices 100a to 100e, and may directly store the learning model or transmit it to the AI devices 100a to 100e.
  • the AI server 200 receives input data from the AI devices 100a to 100e, infers a result value for the received input data using a learning model, and generates a response or control command based on the inferred result value. It can be generated and transmitted to the AI devices 100a to 100e.
  • the AI devices 100a to 100e may infer a result value of input data using a direct learning model, and generate a response or a control command based on the inferred result value.
  • the AI devices 100a to 100e to which the above-described technology is applied will be described.
  • the AI devices 100a to 100e illustrated in FIG. 3 may be viewed as a specific example of the AI device 100 illustrated in FIG. 1.
  • the robot 100a is applied with AI technology and may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, and the like.
  • the robot 100a may include a robot control module for controlling an operation, and the robot control module may refer to a software module or a chip implementing the same as hardware.
  • the robot 100a acquires status information of the robot 100a by using sensor information acquired from various types of sensors, detects (recognizes) the surrounding environment and objects, generates map data, or moves paths and travels. It can decide a plan, decide a response to user interaction, or decide an action.
  • the robot 100a may use sensor information obtained from at least one sensor from among a lidar, a radar, and a camera in order to determine a moving route and a driving plan.
  • the robot 100a may perform the above operations using a learning model composed of at least one artificial neural network.
  • the robot 100a may recognize a surrounding environment and an object using a learning model, and may determine an operation using the recognized surrounding environment information or object information.
  • the learning model may be directly learned by the robot 100a or learned by an external device such as the AI server 200.
  • the robot 100a may perform an operation by generating a result using a direct learning model, but it transmits sensor information to an external device such as the AI server 200 and performs the operation by receiving the result generated accordingly. You may.
  • the robot 100a determines a movement path and a driving plan using at least one of map data, object information detected from sensor information, or object information acquired from an external device, and controls the driving unit to determine the determined movement path and travel plan. Accordingly, the robot 100a can be driven.
  • the map data may include object identification information on various objects arranged in a space in which the robot 100a moves.
  • the map data may include object identification information on fixed objects such as walls and doors and movable objects such as flower pots and desks.
  • the object identification information may include a name, type, distance, and location.
  • the robot 100a may perform an operation or run by controlling a driving unit based on a user's control/interaction.
  • the robot 100a may acquire interaction intention information according to a user's motion or voice speech, and determine a response based on the obtained intention information to perform an operation.
  • the autonomous vehicle 100b may be implemented as a mobile robot, vehicle, or unmanned aerial vehicle by applying AI technology.
  • the autonomous driving vehicle 100b may include an autonomous driving control module for controlling an autonomous driving function, and the autonomous driving control module may refer to a software module or a chip implementing the same as hardware.
  • the autonomous driving control module may be included inside as a configuration of the autonomous driving vehicle 100b, but may be configured as separate hardware and connected to the exterior of the autonomous driving vehicle 100b.
  • the autonomous driving vehicle 100b acquires state information of the autonomous driving vehicle 100b using sensor information obtained from various types of sensors, detects (recognizes) surrounding environments and objects, or generates map data, It is possible to determine the travel route and travel plan, or to determine the motion.
  • the autonomous vehicle 100b may use sensor information obtained from at least one sensor from among a lidar, a radar, and a camera, similar to the robot 100a, in order to determine a moving route and a driving plan.
  • the autonomous vehicle 100b may recognize an environment or object in an area where the view is obscured or an area greater than a certain distance by receiving sensor information from external devices, or directly recognized information from external devices. .
  • the autonomous vehicle 100b may perform the above operations using a learning model composed of at least one artificial neural network.
  • the autonomous vehicle 100b may recognize a surrounding environment and an object using a learning model, and may determine a driving movement using the recognized surrounding environment information or object information.
  • the learning model may be directly learned by the autonomous vehicle 100b or learned by an external device such as the AI server 200.
  • the autonomous vehicle 100b may perform an operation by generating a result using a direct learning model, but it operates by transmitting sensor information to an external device such as the AI server 200 and receiving the result generated accordingly. You can also do
  • the autonomous vehicle 100b determines a movement path and a driving plan using at least one of map data, object information detected from sensor information, or object information acquired from an external device, and controls the driving unit to determine the determined movement path and driving.
  • the autonomous vehicle 100b can be driven according to a plan.
  • the map data may include object identification information on various objects arranged in a space (eg, a road) in which the autonomous vehicle 100b travels.
  • the map data may include object identification information on fixed objects such as street lights, rocks, and buildings, and movable objects such as vehicles and pedestrians.
  • the object identification information may include a name, type, distance, and location.
  • the autonomous vehicle 100b may perform an operation or drive by controlling a driving unit based on a user's control/interaction.
  • the autonomous vehicle 100b may acquire interaction intention information according to a user's motion or voice speech, and determine a response based on the obtained intention information to perform the operation.
  • the XR device 100c is applied with AI technology, such as HMD (Head-Mount Display), HUD (Head-Up Display) provided in the vehicle, TV, mobile phone, smart phone, computer, wearable device, home appliance, digital signage. , A vehicle, a fixed robot, or a mobile robot.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • the XR device 100c analyzes 3D point cloud data or image data acquired through various sensors or from an external device to generate location data and attribute data for 3D points, thereby providing information on surrounding spaces or real objects.
  • the XR object to be acquired and output can be rendered and output.
  • the XR apparatus 100c may output an XR object including additional information on the recognized object in correspondence with the recognized object.
  • the XR apparatus 100c may perform the above operations using a learning model composed of at least one artificial neural network.
  • the XR device 100c may recognize a real object from 3D point cloud data or image data using a learning model, and may provide information corresponding to the recognized real object.
  • the learning model may be directly learned by the XR device 100c or learned by an external device such as the AI server 200.
  • the XR device 100c may directly generate a result using a learning model to perform an operation, but transmits sensor information to an external device such as the AI server 200 and receives the result generated accordingly to perform the operation. You can also do it.
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, etc. by applying AI technology and autonomous driving technology.
  • the robot 100a to which AI technology and autonomous driving technology are applied may refer to a robot having an autonomous driving function or a robot 100a interacting with the autonomous driving vehicle 100b.
  • the robot 100a having an autonomous driving function may collectively refer to devices that move by themselves according to a given movement line without the user's control or by determining the movement line by themselves.
  • the robot 100a having an autonomous driving function and the autonomous driving vehicle 100b may use a common sensing method to determine one or more of a moving route or a driving plan.
  • the robot 100a having an autonomous driving function and the autonomous driving vehicle 100b may determine one or more of a movement route or a driving plan using information sensed through a lidar, a radar, and a camera.
  • the robot 100a interacting with the autonomous driving vehicle 100b exists separately from the autonomous driving vehicle 100b, and is linked to an autonomous driving function inside the autonomous driving vehicle 100b, or to the autonomous driving vehicle 100b. It is possible to perform an operation associated with the user on board.
  • the robot 100a interacting with the autonomous driving vehicle 100b acquires sensor information on behalf of the autonomous driving vehicle 100b and provides it to the autonomous driving vehicle 100b, or acquires sensor information and information about the surrounding environment or By generating object information and providing it to the autonomous vehicle 100b, it is possible to control or assist the autonomous driving function of the autonomous driving vehicle 100b.
  • the robot 100a interacting with the autonomous vehicle 100b may monitor a user in the autonomous vehicle 100b or control the function of the autonomous vehicle 100b through interaction with the user. .
  • the robot 100a may activate an autonomous driving function of the autonomous driving vehicle 100b or assist the control of a driving unit of the autonomous driving vehicle 100b.
  • the functions of the autonomous vehicle 100b controlled by the robot 100a may include not only an autonomous driving function, but also functions provided by a navigation system or an audio system provided inside the autonomous driving vehicle 100b.
  • the robot 100a interacting with the autonomous driving vehicle 100b may provide information or assist a function to the autonomous driving vehicle 100b from outside of the autonomous driving vehicle 100b.
  • the robot 100a may provide traffic information including signal information to the autonomous vehicle 100b, such as a smart traffic light, or interact with the autonomous driving vehicle 100b, such as an automatic electric charger for an electric vehicle. You can also automatically connect an electric charger to the charging port.
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, a drone, etc., by applying AI technology and XR technology.
  • the robot 100a to which the XR technology is applied may refer to a robot that is an object of control/interaction in an XR image.
  • the robot 100a is distinguished from the XR device 100c and may be interlocked with each other.
  • the robot 100a which is the object of control/interaction in the XR image, acquires sensor information from sensors including a camera
  • the robot 100a or the XR device 100c generates an XR image based on the sensor information.
  • the XR device 100c may output the generated XR image.
  • the robot 100a may operate based on a control signal input through the XR device 100c or a user's interaction.
  • the user can check the XR image corresponding to the viewpoint of the robot 100a linked remotely through an external device such as the XR device 100c, and adjust the autonomous driving path of the robot 100a through the interaction.
  • You can control motion or driving, or check information on surrounding objects.
  • the autonomous vehicle 100b may be implemented as a mobile robot, a vehicle, or an unmanned aerial vehicle by applying AI technology and XR technology.
  • the autonomous driving vehicle 100b to which the XR technology is applied may refer to an autonomous driving vehicle including a means for providing an XR image, or an autonomous driving vehicle that is an object of control/interaction within the XR image.
  • the autonomous vehicle 100b, which is an object of control/interaction in the XR image is distinguished from the XR device 100c and may be interlocked with each other.
  • the autonomous vehicle 100b provided with a means for providing an XR image may acquire sensor information from sensors including a camera, and may output an XR image generated based on the acquired sensor information.
  • the autonomous vehicle 100b may provide an XR object corresponding to a real object or an object in a screen to the occupant by outputting an XR image with a HUD.
  • the XR object when the XR object is output to the HUD, at least a part of the XR object may be output to overlap the actual object facing the occupant's gaze.
  • the XR object when the XR object is output on a display provided inside the autonomous vehicle 100b, at least a part of the XR object may be output to overlap an object in the screen.
  • the autonomous vehicle 100b may output XR objects corresponding to objects such as lanes, other vehicles, traffic lights, traffic signs, motorcycles, pedestrians, and buildings.
  • the autonomous driving vehicle 100b which is the object of control/interaction in the XR image, acquires sensor information from sensors including a camera
  • the autonomous driving vehicle 100b or the XR device 100c is based on the sensor information.
  • An XR image is generated, and the XR device 100c may output the generated XR image.
  • the autonomous vehicle 100b may operate based on a control signal input through an external device such as the XR device 100c or a user's interaction.
  • AI Artificial intelligence
  • artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science.
  • attempts are being made very actively to introduce artificial intelligence elements in various fields of information technology and to use them in solving problems in that field.
  • Machine learning is a branch of artificial intelligence, a field of research that gives computers the ability to learn without explicit programming.
  • machine learning can be said to be a technology that studies and builds a system that learns based on empirical data, performs prediction, and improves its own performance, and algorithms for it.
  • Machine learning algorithms do not execute strictly defined static program instructions, but rather build specific models to derive predictions or decisions based on input data.
  • machine learning' can be used interchangeably with the term'machine learning'.
  • the decision tree is an analysis method that charts decision rules into a tree structure and performs classification and prediction.
  • Bayesian network is a model that expresses the probabilistic relationship (conditional independence) between multiple variables in a graph structure. Bayesian networks are suitable for data mining through unsupervised learning.
  • the support vector machine is a model of supervised learning for pattern recognition and data analysis, and is mainly used for classification and regression analysis.
  • An artificial neural network is an information processing system in which a number of neurons, called nodes or processing elements, are connected in a layer structure by modeling the operation principle of biological neurons and the connection relationship between neurons.
  • Artificial neural networks are models used in machine learning, and are statistical learning algorithms inspired by biological neural networks (especially the brain among animals' central nervous systems) in machine learning and cognitive science.
  • the artificial neural network may refer to an overall model having problem-solving ability by changing the strength of synaptic bonding through learning by artificial neurons (nodes) that form a network by combining synapses.
  • artificial neural network may be used interchangeably with the term neural network.
  • the artificial neural network may include a plurality of layers, and each of the layers may include a plurality of neurons.
  • artificial neural networks may include synapses that connect neurons and neurons.
  • Artificial neural networks generally have three factors: (1) the connection pattern between neurons in different layers (2) the learning process to update the weight of the connection (3) the output value from the weighted sum of the input received from the previous layer. It can be defined by the activation function it creates.
  • the artificial neural network may include network models such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), BRDNN (Bidirectional Recurrent Deep Neural Network), MLP (Multilayer Perceptron), and CNN (Convolutional Neural Network). , Is not limited thereto.
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • BRDNN Bidirectional Recurrent Deep Neural Network
  • MLP Multilayer Perceptron
  • CNN Convolutional Neural Network
  • the term'layer' may be used interchangeably with the term'layer'.
  • a general single-layer neural network is composed of an input layer and an output layer.
  • a general multilayer neural network is composed of an input layer, one or more hidden layers, and an output layer.
  • the input layer is a layer that receives external data
  • the number of neurons in the input layer is the same as the number of input variables
  • the hidden layer is located between the input layer and the output layer, receives signals from the input layer, extracts characteristics, and transfers them to the output layer. do.
  • the output layer receives a signal from the hidden layer and outputs an output value based on the received signal.
  • the input signal between neurons is multiplied by each connection strength (weight) and then summed. If the sum is greater than the neuron's threshold, the neuron is activated and the output value obtained through the activation function is output.
  • a deep neural network including a plurality of hidden layers between an input layer and an output layer may be a representative artificial neural network implementing deep learning, a type of machine learning technology.
  • the term'deep learning' can be used interchangeably with the term'deep learning'.
  • the artificial neural network can be trained using training data.
  • learning means a process of determining parameters of an artificial neural network using training data in order to achieve the purpose of classifying, regressing, or clustering input data.
  • parameters of an artificial neural network include weights applied to synapses or biases applied to neurons.
  • the artificial neural network learned by the training data may classify or cluster input data according to patterns of the input data.
  • an artificial neural network trained using training data may be referred to as a trained model in this specification.
  • the following describes the learning method of artificial neural networks.
  • Learning methods of artificial neural networks can be classified into supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • Supervised learning is a method of machine learning to infer a function from training data.
  • outputting a continuous value is called regression, and predicting and outputting the class of an input vector can be called classification.
  • an artificial neural network is trained with a label for training data.
  • the label may mean a correct answer (or result value) that the artificial neural network must infer when training data is input to the artificial neural network.
  • the correct answer (or result value) to be inferred by the artificial neural network is referred to as a label or labeling data.
  • labeling setting a label on training data for learning an artificial neural network is referred to as labeling the training data with labeling data.
  • the training data and the label corresponding to the training data constitute one training set, and may be input to the artificial neural network in the form of a training set.
  • the training data represents a plurality of features
  • labeling of the training data may mean that a label is attached to the feature represented by the training data.
  • the training data may represent the characteristics of the input object in the form of a vector.
  • the artificial neural network can infer a function for the correlation between the training data and the labeling data using the training data and the labeling data.
  • parameters of the artificial neural network may be determined (optimized) through evaluation of a function inferred from the artificial neural network.
  • Unsupervised learning is a type of machine learning, where no labels are given for training data.
  • the unsupervised learning may be a learning method of training an artificial neural network to find and classify patterns in the training data itself, rather than an association relationship between training data and a label corresponding to the training data.
  • unsupervised learning examples include clustering or independent component analysis.
  • Examples of artificial neural networks using unsupervised learning include Generative Adversarial Network (GAN) and Autoencoder (AE).
  • GAN Generative Adversarial Network
  • AE Autoencoder
  • a generative adversarial neural network is a machine learning method in which two different artificial intelligences compete and improve performance, a generator and a discriminator.
  • the generator is a model that creates new data and can create new data based on the original data.
  • the discriminator is a model that recognizes a pattern of data, and may play a role of discriminating whether the input data is original data or new data generated by the generator.
  • the generator learns by receiving data that cannot be deceived by the discriminator, and the discriminator can learn by receiving deceived data from the generator. Accordingly, the generator can evolve to deceive the discriminator as well as possible, and the discriminator can evolve to distinguish between the original data and the data generated by the generator.
  • Auto encoders are neural networks that aim to reproduce the input itself as an output.
  • the auto encoder includes an input layer, at least one hidden layer and an output layer.
  • data output from the hidden layer goes to the output layer.
  • the dimension of the data increases, and accordingly, decompression or decoding is performed.
  • the auto-encoder controls the connection strength of neurons through learning so that the input data is expressed as hidden layer data.
  • the hidden layer information is expressed with fewer neurons than in the input layer, but being able to reproduce the input data as an output may mean that the hidden layer found and expressed a hidden pattern from the input data.
  • Semi-supervised learning is a kind of machine learning, and may mean a learning method using both labeled training data and unlabeled training data.
  • Reinforcement learning is the theory that, given an environment in which an agent can judge what action to do at every moment, it can find the best way to experience without data.
  • Reinforcement learning can be mainly performed by the Markov Decision Process (MDP).
  • MDP Markov Decision Process
  • the structure of the artificial neural network is specified by the configuration of the model, activation function, loss function or cost function, learning algorithm, optimization algorithm, etc., and hyperparameters are pre-trained. It is set, and then, a model parameter is set through learning, so that the content can be specified.
  • factors determining the structure of an artificial neural network may include the number of hidden layers, the number of hidden nodes included in each hidden layer, an input feature vector, a target feature vector, and the like.
  • Hyperparameters include several parameters that must be initially set for learning, such as initial values of model parameters. And, the model parameter includes several parameters to be determined through learning.
  • the hyperparameter may include an initial weight value between nodes, an initial bias value between nodes, a mini-batch size, a number of learning iterations, and a learning rate.
  • the model parameters may include weights between nodes, biases between nodes, and the like.
  • the loss function can be used as an index (reference) for determining an optimal model parameter in the learning process of the artificial neural network.
  • learning refers to the process of manipulating model parameters to reduce the loss function, and the purpose of learning can be seen as determining model parameters that minimize the loss function.
  • the loss function may mainly use a mean squared error (MSE) or a cross entropy error (CEE), but the present invention is not limited thereto.
  • MSE mean squared error
  • CEE cross entropy error
  • the cross entropy error may be used when the correct answer label is one-hot encoded.
  • One-hot encoding is an encoding method in which the correct answer label value is set to 1 only for neurons corresponding to the correct answer, and the correct answer label value is set to 0 for non-correct answer neurons.
  • learning optimization algorithms can be used to minimize loss functions, and learning optimization algorithms include Gradient Descent (GD), Stochastic Gradient Descent (SGD), and Momentum. ), NAG (Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam, etc.
  • Gradient descent is a technique that adjusts model parameters in the direction of reducing the loss function value by considering the slope of the loss function in the current state.
  • the direction to adjust the model parameter is called the step direction, and the size to be adjusted is called the step size.
  • the step size may mean a learning rate.
  • a gradient is obtained by partially differentiating a loss function into each model parameter, and the model parameters may be updated by changing the acquired gradient direction by a learning rate.
  • the stochastic gradient descent method is a technique that increases the frequency of gradient descent by dividing training data into mini-batch and performing gradient descent for each mini-batch.
  • Adagrad, AdaDelta, and RMSProp are techniques that increase optimization accuracy by adjusting the step size in SGD.
  • momentum and NAG are techniques to increase optimization accuracy by adjusting the step direction.
  • Adam is a technique that improves optimization accuracy by adjusting the step size and step direction by combining momentum and RMSProp.
  • Nadam is a technique that increases optimization accuracy by adjusting step size and step direction by combining NAG and RMSProp.
  • the learning speed and accuracy of an artificial neural network are highly dependent on hyperparameters as well as the structure of the artificial neural network and the type of learning optimization algorithm. Therefore, in order to obtain a good learning model, it is important not only to determine an appropriate artificial neural network structure and learning algorithm, but also to set appropriate hyperparameters.
  • hyperparameters are experimentally set to various values to train an artificial neural network, and as a result of learning, the hyperparameter is set to an optimal value that provides stable learning speed and accuracy.
  • AI device 100 may be used interchangeably with the term “artificial intelligence server 100”.
  • the input unit may include a communication unit, and input data may be input to the artificial intelligence server through the input unit.
  • FIG. 4 is a diagram illustrating a method of operating an artificial intelligence server according to an embodiment of the present invention.
  • the first output value outputted by the artificial intelligence model for the first input data is a correct answer and the second output value outputted by the artificial intelligence model for the second input data is an incorrect answer.
  • the third output value outputted by the trained AI model for the third input data is the correct answer and the fourth output value outputted by the trained AI model for the fourth input data is an incorrect answer
  • the third input data And obtaining a second domain that caused an incorrect answer using the fourth input data (S450), and retraining the trained artificial intelligence model to be domain adaptation to the second domain (S470). can do.
  • 5 to 7 are diagrams for explaining a method of obtaining a domain causing an incorrect answer according to an embodiment of the present invention.
  • FIG. 5 is a diagram illustrating a domain in an image recognition model according to an embodiment of the present invention.
  • the artificial intelligence model may be an image recognition model.
  • the image recognition model may be a neural network trained to classify images.
  • the learning apparatus 200 may generate an image recognition model by training a neural network using training image data and labeling data corresponding to the training image data.
  • the labeling data may be the name of an image.
  • the image recognition model may be mounted on a terminal.
  • the image recognition model may output a result value corresponding to the input image data.
  • the image recognition model may extract one or more features from the image data.
  • the image recognition model may output a result value of classifying the received image data into any one of a plurality of classes by using one or more features.
  • the features extracted by the image recognition model may represent brightness, saturation, contrast ratio, texture, color, and sharpness of the input data.
  • the domain may mean a component of image data that has an effect on classifying the image data by the image recognition model.
  • the domain may include brightness, saturation, contrast, texture, hue, sharpness, and the like.
  • the first component eg, brightness
  • the second component eg, color
  • the image recognition model may extract features representing a plurality of domains, classify the image data using the extracted features, and output a result value.
  • the result value may be a correct answer or an incorrect answer.
  • the image recognition model may output a first output value (cat) that is a correct answer, and output a second output value (dog) that is an incorrect answer. can do.
  • the cause of the incorrect answer output may be that the features of the training input data used to generate the image recognition model in the laboratory environment and the input data provided to the image recognition model in the actual use environment are different. have.
  • input data for training used to generate an image recognition model may be image data collected in an environment with high brightness.
  • input data provided to the image recognition model in an actual use environment may be image data collected in an environment with low brightness.
  • the image recognition model may output an incorrect answer, thereby causing a problem that the performance of the image recognition model is degraded.
  • FIG. 6 is a diagram illustrating a domain in a speech recognition model according to an embodiment of the present invention.
  • the artificial intelligence model may be a speech recognition model.
  • the speech recognition model may be a neural network trained to classify speech.
  • the learning apparatus 200 may generate a speech recognition model by training a neural network using speech data for training and labeling data corresponding to the speech data for training.
  • the labeling data may be a string corresponding to voice data or a linguistic meaning of voice data.
  • the voice recognition model can be installed in the terminal.
  • the voice recognition model may output a result value corresponding to the input voice data.
  • the voice recognition model may extract one or more features from the voice data.
  • the speech recognition model may output a result value of classifying the received speech data into any one of a plurality of classes by using one or more features.
  • the features extracted by the speech recognition model are signal level of input data, noise level, signal-to-noise ratio (SNR), peak value, and speech speed. speed) or speaker information (at least one of gender, age, or region).
  • SNR signal-to-noise ratio
  • speaker information at least one of gender, age, or region.
  • the domain may mean a component of speech data that influences the speech recognition model to classify speech data.
  • the domain is the signal level, noise level, signal-to-noise ratio (SNR), peak value, speech speed, gender, age, or region.
  • SNR signal-to-noise ratio
  • the first component eg, gender
  • the second component eg, the size of noise
  • the speech recognition model may extract features representing a plurality of domains, classify the speech data using the extracted features, and output a result value.
  • the result value may be a correct answer or an incorrect answer.
  • the speech recognition model may output a first output value (hello) that is a correct answer, and a second output value that is an incorrect answer (hello ) Can be printed.
  • the cause of the incorrect answer output may be that the features of the training input data used to generate the speech recognition model in the laboratory environment and the input data provided to the speech recognition model in the actual use environment are different. have.
  • input data for training used to generate a speech recognition model may be speech data collected in an environment with low noise.
  • input data provided to the speech recognition model in an actual use environment may be speech data collected in an environment with high noise.
  • the voice recognition model may output an incorrect answer, resulting in a problem that the performance of the voice recognition model is degraded.
  • FIG. 7 is a diagram for describing a method of determining a domain subject to domain adaptation according to an embodiment of the present invention.
  • the processor of the artificial intelligence server can collect the input data entered into the artificial intelligence model.
  • the input data does not mean one input data, but may mean collectively various input data provided to one or a plurality of artificial intelligence models.
  • the processor of the artificial intelligence server may receive input data from a plurality of terminals equipped with the artificial intelligence model through the communication unit.
  • the processor of the artificial intelligence server may collect input data obtained by outputting the correct answer from the artificial intelligence model and input data obtained by outputting the incorrect answer from the artificial intelligence model.
  • the processor of the artificial intelligence server performs the first input data. And collect second input data.
  • the first input data may also mean not one input data, but collectively refer to various input data provided to one or more artificial intelligence models to output correct answers.
  • the second input data may not mean one input data, but collectively refer to various input data provided to one or a plurality of artificial intelligence models to output an incorrect answer.
  • the processor of the artificial intelligence server may acquire the first domain that caused the incorrect answer by using the first input data and the second input data.
  • the processor of the artificial intelligence server uses the distribution of correct answer cases and incorrect answer cases for each of the plurality of domains when the artificial intelligence model outputs output values using features corresponding to a plurality of domains.
  • the first domain that caused the incorrect answer can be obtained.
  • the processor of the artificial intelligence server may perform a distribution similarity measure between the first input data and the second input data for each domain.
  • the processor of the artificial intelligence server with respect to the first domain (e.g., noise size), the distribution of the first input data (data that caused the correct answer) and the second input data (the data that caused the incorrect answer) similarity) can be measured.
  • the first domain e.g., noise size
  • the distribution of the first input data (data that caused the correct answer) and the second input data (the data that caused the incorrect answer) similarity) can be measured.
  • the processor of the artificial intelligence server may determine the distribution similarity of the first input data (data that caused the correct answer) and the second input data (the data that caused the incorrect answer) for a second domain (eg, gender). ) Can be measured.
  • the processor of the artificial intelligence server can calculate the distance between the distribution 710 of the first input data (data causing the correct answer) and the distribution 720 of the second input data (data causing the incorrect answer) for each domain. have.
  • the distribution similarity measure may be performed by KL-Divergence, Jensen-Shannon (JS) divergence, earth mover distance (EMD), Bhattacharyya Distance, or the like.
  • distribution similarity measures include Domain Adversarial Training methods such as Domainadversarial training of neural networks (DANN), A kernel method for the two sample problem (MMD), and Correlation Alignment for Deep Domain Adaptation (Deep CORAL). It may be performed by a distribution measurement method, a DB taxonomy analysis method, or the like.
  • DANN Domainadversarial training of neural networks
  • MMD kernel method for the two sample problem
  • Deep CORAL Correlation Alignment for Deep Domain Adaptation
  • the DB taxonomy analysis method may be a method of measuring performance in other domains with an artificial intelligence model trained in each domain when there are three domains, A, B, and C.
  • the artificial intelligence model may exhibit high performance for domains with similar distributions, and the artificial intelligence model may exhibit low performance for domains with different distributions.
  • the processor of the artificial intelligence server may acquire a first domain that caused an incorrect answer among a plurality of domains.
  • the processor of the artificial intelligence server has a distance between the distribution 710 of the first input data (data causing the correct answer) and the distribution 720 of the second input data (data causing the incorrect answer) among the plurality of domains.
  • a first domain larger than the set value may be obtained.
  • the distribution may mean the distribution of features in each domain.
  • the processor of the artificial intelligence server may obtain the first domain that caused the most incorrect answer among the plurality of domains.
  • the processor of the artificial intelligence server uses the distribution of the first input data (data that caused the correct answer) and the distribution of the second input data (data that caused the incorrect answer) for each of the plurality of domains to answer an incorrect answer among the plurality of domains.
  • the first domain that caused the most can be obtained.
  • the distribution may mean the distribution of features in each domain.
  • the processor of the artificial intelligence server selects a first domain in which the distance between the distribution of the first input data (data causing the correct answer) and the distribution of the second input data (data causing the incorrect answer) is the largest among the plurality of domains. Can be obtained.
  • the distance between the distribution of the first input data (data that caused the correct answer) and the distribution of the second input data (data that caused the incorrect answer) in the first domain is the largest, and the plurality of domains
  • the distance between the distribution of the first input data (data that caused the correct answer) and the distribution of the second input data (data that caused the incorrect answer) in the second domain is intermediate, and the plurality of domains
  • the distance between the distribution of the first input data (data causing the correct answer) and the distribution of the second input data (data causing the incorrect answer) in the third domain is the smallest.
  • the distance between the distribution of the first input data (data that caused the correct answer) and the distribution of the second input data (the data that caused the wrong answer) in the first domain is the largest is that the artificial intelligence model In output, it may mean that the first domain has the greatest influence.
  • the processor of the artificial intelligence server is the first domain (gender) with the largest distance between the distribution of the first input data (data that causes the correct answer) and the distribution of the second input data (data that causes the incorrect answer) among the plurality of domains. Can be obtained.
  • the processor of the artificial intelligence server has the lowest distribution similarity between the distribution of the first input data (data that causes the correct answer) and the distribution of the second input data (data that causes the incorrect answer) among the plurality of domains (gender). ) Can be obtained.
  • the feature that distinguishes the correct answer from the incorrect answer is the most. It may be a domain that appears.
  • the first input data are images shot in bright light
  • the second input data are images shot in dark light
  • the crazy component is brightness
  • the domain “brightness” may be a domain in which features that distinguish correct and incorrect answers appear most frequently.
  • the first domain having the largest distance between the distribution of the first input data (data that causes the correct answer) and the distribution of the second input data (the data that causes the incorrect answer) may be the domain that causes the most incorrect answer among the plurality of domains. . That is, the first domain may be a domain that has the greatest influence on the performance degradation of the artificial intelligence model among the plurality of domains.
  • a domain that separates correct and incorrect answers may be determined through a feature selection technique using various clusters.
  • a feature selection technique Recursive feature elimination (RFE), Accumulated Local Effect (ALE), or the like may be used.
  • the processor may divide the first domain into two detailed domains, where the detailed domain may include a 1-1 domain and a 1-2 domain.
  • the first-first domain may be a domain in which many features classified as correct answers appear among the first domains.
  • the 1-2 domain may be a domain in which many features classified as incorrect answers appear among the second domains.
  • the 1-1th domain may be a domain that causes a large correct answer among the first domains.
  • the 1-2 domain may be a domain that largely caused an incorrect answer among the second domains.
  • the component that has the greatest influence on distinguishing between correct and incorrect answers is brightness
  • the first input data (data that causes the correct answer) are images taken in bright brightness
  • the second input data (data that causes the incorrect answer) is dark brightness.
  • the first-first domain may have a bright brightness
  • the first-second domain may have a dark brightness.
  • the processor of the smart door may classify the training data into a 1-1 domain and a 1-2 domain based on the reference value A.
  • the processor of the smart door takes input data whose noise level is smaller than the reference value (A) to the 1-1 domain and input data whose noise level is greater than the reference value (A) to the 1-2 domain. Can be classified.
  • the processor may train the artificial intelligence model to be domain adaptation for the first domain.
  • FIG. 8 is a diagram for explaining a domain adaptation method.
  • DA Domain adaptation
  • domain adaptation aims to effectively operate an artificial intelligence model that has trained on a source domain, and performs mapping between a source and a target.
  • the distribution of the source domain and the distribution of the target domain may become similar.
  • the source domain may be the 1-1st domain corresponding to the correct answer.
  • the target domain may be a 1-2 domain corresponding to an incorrect answer.
  • the processor trains the artificial intelligence model by using the input data corresponding to the 1-1 domain and the input data corresponding to the 1-2 domain so that the artificial intelligence model is domain adaptation to the first domain. can do.
  • the processor includes a feature extracted by the artificial intelligence model for input data corresponding to the 1-1 domain and a feature extracted by the artificial intelligence model for the input data corresponding to the 1-2 domain.
  • AI models can be trained to map to the same area.
  • the first domain may be noise
  • the 1-1 domain may be small noise
  • the first domain may be large noise
  • the mapping area of the feature vector of the input data corresponding to the 1-1 domain and the feature vector of the input data corresponding to the 1-2 domain are mapped.
  • the distance of the area may be the largest.
  • the processor maps the feature vector extracted by the artificial intelligence model to the input data corresponding to the domain 1-1 and the feature vector extracted by the artificial intelligence model to the input data corresponding to the domain 1-2 into the same region. You can train AI models whenever possible.
  • DANN Domainadversarial training of neural networks
  • DANN domainadversarial training of neural networks
  • the artificial intelligence model 900 includes a feature extractor 910 that extracts a feature using input data, a class classifier 920 that classifies a class using the extracted features, and It may include a domain classifier 930 for classifying domains using the extracted features.
  • the artificial intelligence model 900 mounted on the terminal may include a feature extractor 910 and a class classifier 920.
  • the domain classifier 930 may be added to the artificial intelligence model 900.
  • the artificial intelligence server may train an artificial intelligence model by labeling information about a class and information about a domain on input data corresponding to the 1-1 domain and the input data corresponding to the 1-2 domain.
  • the artificial intelligence server uses input data corresponding to the 1-1 domain and input data corresponding to the 1-2 domain as input values input to the feature extractor 910, and the class classifier 920
  • the feature extractor 910 may be trained by using the domain information as a second output value output from the domain classifier 930 as a first output value output from ).
  • the information on the class may mean a correct answer (or a result value to be classified) that the class classifier 920 should infer using a feature extracted from the feature extractor 910.
  • the class may mean the correct answer that the artificial intelligence model installed in the terminal should infer.
  • the two classes may be dogs and cats.
  • the information on the domain may mean a correct answer that the domain classifier 930 should infer using a feature extracted from the feature extractor 910.
  • the domain may be a detailed domain.
  • the correct answer to be inferred by the domain classifier 930 is the 1-1 domain (whether the input data is low-noise data) or the 1-2 domain (the input data is high-noise). Data recognition).
  • the first-first domain may be a domain corresponding to the correct answer
  • the first-second domain may be a domain corresponding to the incorrect answer. Therefore, the correct answer to be inferred by the domain classifier 930 may be whether the artificial intelligence model prior to domain adaptation is input data to be determined as the correct answer or whether the artificial intelligence model before domain adaptation is input data to be determined as an incorrect answer.
  • the processor may train the artificial intelligence model so that the class classifier 920 classifies the class and the domain classifier does not classify the 1-1 domain and the 1-2 domain.
  • the processor may adjust the parameter of the feature extractor 910 in the direction of minimizing the loss function value in the class classifier 920.
  • the processor partially differentiates the loss function in the class classifier 920 into each model parameter to obtain a gradient, and may update the model parameters by changing the acquired gradient direction by a learning rate. .
  • the processor deteriorates the domain classifier 930 so as not to distinguish whether the input data corresponds to the 1-1 domain or the 1-2 domain. You can train in a gradient reverse backprop.
  • the domain classifier 930 classifies the domain using the features extracted from the feature extractor 910.
  • the model parameters of the feature extractor 910 may be adjusted so that the domain classifier 930 cannot distinguish a domain using the features extracted from the feature extractor 910.
  • the processor when the domain classifier 930 well classifies the domains (that is, whether the domain classifier 930 is data corresponding to the 1-1 domain or the data corresponding to the 1-2 domain) If classified), the parameter of the feature extractor 910 may be adjusted in a manner in which the gradient is reversed. That is, the processor may impose a penalty on the feature extractor 910 when the domain classifier 930 divides the domains well.
  • the artificial intelligence model should be trained to decrease the performance of the domain classifier while improving the performance of the class classifier. Therefore, the process of adjusting the model parameters of the feature extractor 910 to improve the performance of the class classifier 920 and the process of adjusting the model parameters of the feature extractor 910 to weaken the performance of the domain classifier 930 are the same. It can be performed simultaneously on input data.
  • features having a high dependency on the first domain may gradually decrease.
  • features extracted by the feature extractor 910 before training had the highest dependence on the first domain (eg, brightness), and the class classifier that classified classes based on these features had low performance.
  • the class classifier classifies a class using features having high dependence on a new domain capable of classifying the class, the classification performance of the class classifier may be improved.
  • the artificial intelligence model used the most features corresponding to the first domain. For an extreme example, if the first domain is brightness, the artificial intelligence model has input data corresponding to the 1-1 domain (high brightness) and the input data corresponding to the 1-2 domain (low brightness). Since the data were classified as cats, many incorrect answers occurred.
  • the feature vector is output so that it cannot be distinguished whether the input data corresponds to the 1-1 domain (high brightness) or the 1-2 domain (low brightness). Therefore, since the dependence on the first domain that caused the most incorrect answer is lowered, the performance of the artificial intelligence model is improved.
  • the trained artificial intelligence model (the artificial intelligence model trained to be domain-adapted to the first domain) may be operated in an artificial intelligence server or distributed to a terminal to operate.
  • the processor of the artificial intelligence server may collect input data input to the trained artificial intelligence model.
  • the processor of the artificial intelligence server may collect input data obtained by outputting a correct answer from the trained artificial intelligence model and input data obtained by outputting an incorrect answer from the artificial intelligence model.
  • the processor of the artificial intelligence server May collect third input data and fourth input data.
  • the processor of the artificial intelligence server may acquire a second domain that caused an incorrect answer by using the third input data and the fourth input data.
  • the processor of the artificial intelligence server when the trained artificial intelligence model outputs output values using features corresponding to a plurality of domains, distribution of correct answer cases and distribution of incorrect answer cases for each of the plurality of domains. It is possible to obtain a second domain that caused an incorrect answer by using.
  • the processor of the artificial intelligence server may perform a distribution similarity measure between the third input data and the fourth input data for each domain.
  • the processor of the artificial intelligence server may calculate a distance between the distribution of the third input data (data causing the correct answer) and the distribution of the fourth input data (data causing the incorrect answer) for each domain.
  • the processor of the artificial intelligence server may acquire a second domain that caused an incorrect answer from among the plurality of domains.
  • the processor of the artificial intelligence server is the second, the distance between the distribution of the third input data (data causing the correct answer) and the distribution of the fourth input data (data causing the incorrect answer) among the plurality of domains is greater than a preset value. You can acquire a domain.
  • the processor of the artificial intelligence server can acquire the second domain that caused the most incorrect answer among the plurality of domains. have.
  • the processor of the artificial intelligence server uses the distribution of the third input data (data that caused the correct answer) and the distribution of the fourth input data (data that caused the incorrect answer) for each of the plurality of domains to answer an incorrect answer among the plurality of domains. It is possible to obtain the second domain that caused the most.
  • the processor of the artificial intelligence server selects a second domain in which the distance between the distribution of the third input data (data causing the correct answer) and the distribution of the fourth input data (data causing the incorrect answer) is the largest among the plurality of domains. Can be obtained.
  • the feature that distinguishes the correct answer from the incorrect answer is the most. It may be a domain that appears.
  • the second domain having the largest distance between the distribution of the third input data (data that causes the correct answer) and the distribution of the fourth input data (the data that causes the incorrect answer) may be the domain that causes the most incorrect answer among the plurality of domains. . That is, the second domain may be the domain that has the greatest influence on the performance degradation of the trained artificial intelligence model among the plurality of domains.
  • the second domain may be different from the first domain.
  • the first domain is noise.
  • the processor has trained the artificial intelligence model to be domain adaptation to the first domain.
  • the artificial intelligence model is trained to be domain adaptation for the first domain, the feature vector extracted from the input data corresponding to the 1-1 domain (a domain with small noise) and It can be seen that the feature vectors extracted from the input data corresponding to the 1-2th domain (the domain with large noise) are mapped to similar regions.
  • the domain that caused the wrong answer the most may be changed to a second domain (age) different from the first domain (noise).
  • the processor may divide the second domain into two detailed domains, where the detailed domain may include a 2-1 domain and a 2-2 domain.
  • the 2-1 domain may be a domain in which many features classified as correct answers appear among the second domains.
  • the 2-2 domain may be a domain in which many features classified as incorrect answers appear among the second domains.
  • the 2-1 domain may be a domain that causes a large correct answer among the second domains.
  • the 2-2 domain may be a domain that largely caused an incorrect answer among the second domains.
  • age is the component that has the greatest influence on distinguishing between correct and incorrect answers
  • the first input data data that causes the correct answer
  • the second input data is the child's voice data
  • the 2-1 domain may be an adult and the 2-2 may be a child.
  • the processor may retrain the artificial intelligence model trained to become domain adaptation for the second domain.
  • the processor is trained using input data corresponding to the 2-1 domain and input data corresponding to the 2-2 domain.
  • Artificial intelligence models can be retrained.
  • the processor includes features extracted by the artificial intelligence model for input data corresponding to domain 2-1, and features extracted by the artificial intelligence model for input data corresponding to domain 2-2.
  • the AI model trained to be mapped to this same area can be retrained.
  • the processor may retrain the trained artificial intelligence model by labeling the class information and the domain information on the input data corresponding to the 2-1 domain and the input data corresponding to the 2-2 domain.
  • the artificial intelligence server uses the input data corresponding to the 2-1 domain and the input data corresponding to the 2-2 domain as input values input to the feature extractor 910, and the class classifier 920
  • the feature extractor 910 may be trained by using information on the domain as a second output value output from the domain classifier 930 as a first output value output from ).
  • the processor may retrain the trained artificial intelligence model so that the class classifier 920 classifies the class and the domain classifier does not classify the 2-1 domain and the 2-2 domain.
  • FIG. 8B shows a state in which an artificial intelligence model is trained to be domain adaptation to a first domain (the size of noise).
  • the processor can continuously repeat this process.
  • the processor may retrain the artificial intelligence model trained to be domain adapted to the first domain and retrained to be domain adapted to the second domain.
  • the processor may retrain an artificial intelligence model trained to be domain-adapted to the first domain and domain-adapted to the second domain to be domain-adapted to the third domain.
  • Table 1 shows the results of testing the performance of an artificial intelligence model trained through the method proposed in the present invention.
  • the performance of the trained artificial intelligence model was found to be 70.17, and the artificial intelligence to be domain-adapted to the second domain that caused the second largest incorrect answer.
  • the performance of the trained artificial intelligence model was 69.5. This may mean that the performance of the artificial intelligence model is further improved when the domain is adapted to a domain in which the difference between the distribution of the input data causing the correct answer and the distribution of the input data causing the incorrect answer is large.
  • the performance of the trained artificial intelligence model is found to be 70.17, and when the artificial intelligence model is retrained to be domain-adapted to the first domain (the size of noise).
  • the performance of the retrained artificial intelligence model was 71.69.
  • the performance of the trained artificial intelligence model was 69.5, and the artificial intelligence model was retrained to adapt the domain to the second domain (gender). In this case, the performance of the retrained artificial intelligence model was 70.08. This means that even when domain adaptation is repeatedly performed for the same domain, the performance can continue to increase.
  • the performance of the retrained artificial intelligence model when the artificial intelligence model is trained to be domain-adapted to the first domain (the size of the noise) and the artificial intelligence model is retrained to be domain-adapted to the first domain (the size of the noise), the performance of the retrained artificial intelligence model was found to be 71.69.
  • the artificial intelligence model is trained to be domain-adapted to the first domain (the size of noise) and the artificial intelligence model is retrained to be domain-adapted to the second domain (gender), the performance of the retrained artificial intelligence model is It turned out to be 72.27. This means that when domain adaptation is performed while changing domains, performance is further improved.
  • the present invention has the advantage of continuously improving the performance of the artificial intelligence model by repeatedly performing domain adaptation.
  • the present invention has an advantage in that the performance of the artificial intelligence model can be improved more quickly because domain adaptation is performed preferentially for the domain that causes the most incorrect answer after determining the domain that causes the most incorrect answer.
  • each time domain adaptation is repeatedly performed, domain adaptation is performed by selecting a domain that causes the most incorrect answer. Therefore, there is an advantage that the performance of the artificial intelligence model can be improved more quickly.
  • domain adaptation may be performed sequentially in the order of causing incorrect answers, instead of selecting the domain that causes the most incorrect answer and performing domain adaptation.
  • the processor when the first output value outputted by the artificial intelligence model for the first input data is a correct answer and the second output value outputted by the artificial intelligence model for the second input data is an incorrect answer, the processor includes the first input data and Using the second input data, a first domain that causes an incorrect answer the most and a second domain that causes an incorrect answer second among a plurality of domains may be obtained.
  • the processor may train the artificial intelligence model to become domain adaptation for the first domain. Then, the processor may retrain the artificial intelligence model trained to become domain adaptation for the second domain.
  • FIG. 10 illustrates a method of repeatedly performing domain adaptation, selecting an artificial intelligence model having optimal performance, and managing a history.
  • the processor selects an artificial intelligence model with the highest performance among a plurality of artificial intelligence models in which at least one of the number of domain adaptations, a target domain of domain adaptation, or an order of domain adaptation is different. I can.
  • the processor may perform domain adaptation in various combinations.
  • the processor trains an initial artificial intelligence model by performing domain adaptation for the first domain (gender) (1005).
  • the artificial intelligence model trained in this way may be referred to as the first artificial intelligence model.
  • the processor may train the artificial intelligence model so that the artificial intelligence model one step earlier is domain adaptation to the new domain.
  • the processor performs domain adaptation to the second domain (the size of noise) to perform domain adaptation to the first artificial intelligence model (the first domain (gender)). Performed) was trained (1010).
  • the artificial intelligence model trained in this way can be referred to as a second artificial intelligence model.
  • the second artificial intelligence model is an artificial intelligence model that is trained to be domain adaptation for the first domain (gender) and domain adaptation for the second domain (size of noise).
  • the processor may train the artificial intelligence model so that the artificial intelligence model one step earlier is domain adaptation to the new domain.
  • the processor may train a second artificial intelligence model by performing domain adaptation for a third domain (signal size) (1015).
  • the artificial intelligence model trained in this way can be referred to as a third artificial intelligence model.
  • the third artificial intelligence model is trained to be domain adaptation for the first domain (gender), and trained to be domain adaptation for the second domain (size of noise), and the third domain It may be an artificial intelligence model trained to be domain adaptation for (signal size).
  • the processor may train a third artificial intelligence model by performing domain adaptation to the fourth domain (SNR) (1025).
  • the artificial intelligence model trained in this way can be referred to as the fifth artificial intelligence model.
  • the fifth artificial intelligence model is trained to be domain adaptation for the first domain (gender), and trained to be domain adaptation for the second domain (size of noise), and the third domain It may be an artificial intelligence model that is trained to be domain adaptation for (signal size) and domain adaptation for the fourth domain (SNR).
  • the processor may train the artificial intelligence model so that the artificial intelligence model before a plurality of steps is domain adaptation to a new domain.
  • the processor may train a first artificial intelligence model by performing domain adaptation for a third domain (signal size) (1020).
  • the artificial intelligence model trained in this way can be referred to as the fourth artificial intelligence model.
  • the third artificial intelligence model is an artificial intelligence model that is trained to be domain adaptation for the first domain (gender) and domain adaptation for the third domain (signal size).
  • the processor uses the artificial intelligence model (first artificial intelligence model) two steps earlier so that the artificial intelligence model two steps earlier (the first artificial intelligence model) becomes domain adaptation to a new domain (signal size). You can train.
  • the processor may train the second artificial intelligence model to become domain adaptation to the fourth domain (SNR) (1030).
  • the artificial intelligence model trained in this way can be referred to as the sixth artificial intelligence model.
  • the sixth artificial intelligence model is trained to be domain adaptation for the first domain (gender) and domain adaptation for the second domain (the size of noise), and the fourth domain It may be an artificial intelligence model trained to be domain adaptation for (SNR).
  • the processor trains the artificial intelligence model (the second artificial intelligence model) two steps earlier so that the artificial intelligence model two steps earlier (the second artificial intelligence model) becomes domain adaptation to the new domain (SNR). I can.
  • the processor generates a plurality of artificial intelligence models in which at least one of the number of domain adaptations, the target domain of domain adaptation, or the order of domain adaptation is different, and the highest performance among the generated plurality of artificial intelligence models. You can choose an artificial intelligence model of
  • the criterion for determining performance may mean the accuracy of classification (prediction) of the artificial intelligence model.
  • the processor may transmit the selected artificial intelligence model to one or more terminals.
  • the terminal may download the artificial intelligence model and obtain a result value using the downloaded artificial intelligence model.
  • the order of domain adaptation is different may mean that the order in which domain adaptation is performed for a plurality of domains is different.
  • the second artificial intelligence model may be an artificial intelligence model that is trained to be domain adapted for a first domain and then domain adapted for a second domain.
  • the third artificial intelligence model may be an artificial intelligence model that is trained to be domain adapted for the second domain, and then trained to be domain adapted for the first domain.
  • the present invention it is possible to improve the performance of the artificial intelligence model by performing domain adaptation in various combinations and selecting the artificial intelligence model with the highest performance.
  • the first artificial intelligence model was created by training the initial artificial intelligence model to adapt the domain to the first domain that caused the most incorrect answer in the initial artificial intelligence model, and the first artificial intelligence model that caused the most incorrect answer in the first artificial intelligence model.
  • a second artificial intelligence model is generated by training the first artificial intelligence model to be domain adaptation to the 2 domain, and the second artificial intelligence model is domain adapted to the third domain that caused the most incorrect answer in the second artificial intelligence model.
  • the method of generating a 3rd artificial intelligence model by training is focused on the fact that the performance is most likely to be improved by repeatedly adapting the domain to the domain that causes the most incorrect answer, so the performance of other combinations is likely to be better. Also exists.
  • the present invention has the advantage of improving the performance of the artificial intelligence model by performing domain adaptation in various combinations and selecting the artificial intelligence model with the highest performance.
  • the processor generates a second artificial intelligence model by training a first artificial intelligence model to be domain adaptation to the first domain (1010), and generates a second artificial intelligence model (1010) for the second domain.
  • a third artificial intelligence model may be generated by training the second artificial intelligence model to be domain adaptation (1015).
  • the processor may generate a fourth artificial intelligence model by training the first artificial intelligence model to become a domain adaptation to the second domain (1020).
  • the processor may select a fourth artificial intelligence model, which is a higher-performance artificial intelligence model, among the third artificial intelligence model and the fourth artificial intelligence model.
  • the processor generates a second artificial intelligence model by training the artificial intelligence model to be domain adaptation to the first domain (1010), and performs domain adaptation to the second domain.
  • the second artificial intelligence model may be trained to generate a third artificial intelligence model (1015).
  • the processor may select an artificial intelligence model with higher performance among the second artificial intelligence model and the third artificial intelligence model.
  • the processor may delete some artificial intelligence models from the memory among a plurality of artificial intelligence models that are previously generated and stored in the memory, or may stop additional training on the artificial intelligence model.
  • the processor generates a second artificial intelligence model by training the artificial intelligence model to be domain adaptation to the first domain, and the second artificial intelligence model to be domain adaptation to the second domain. Training can be performed to generate a third artificial intelligence model.
  • the processor may store the second artificial intelligence model and the third artificial intelligence model in the memory.
  • the processor may select the second artificial intelligence model and delete the third artificial intelligence model from the memory.
  • the third artificial intelligence model is a model whose performance is lower than that of the previous artificial intelligence model
  • the third artificial intelligence model can be deleted from the memory.
  • additional training (domain adaptation) for the third artificial intelligence model may not be performed.
  • the processor generates a second artificial intelligence model by training an artificial intelligence model to be domain adaptation to the first domain, and a second artificial intelligence model to be domain adaptation to the second domain. Training can be performed to generate a third artificial intelligence model.
  • the processor may not additionally train the third artificial intelligence model. That is, when the performance improvement of the third artificial intelligence model is low, a branch having the third artificial intelligence model as a starting point may also exhibit low performance. Therefore, the processor may not generate a branch having the third artificial intelligence model as a starting point by not additionally training the third artificial intelligence model.
  • the processor may select another branch and continue training for domain adaptation.
  • the processor generates a second artificial intelligence model by training an artificial intelligence model to be domain adaptation to a first domain, and generates a second artificial intelligence model to be domain adaptation to a third domain. Training can be performed to generate a fourth artificial intelligence model.
  • the processor may select the fourth artificial intelligence model.
  • the processor may additionally train the fourth artificial intelligence model for domain adaptation.
  • the processor may not additionally train an artificial intelligence model that is not selected as an artificial intelligence model having the highest performance for a predetermined period or more among the plurality of artificial intelligence models.
  • the processor generates a second artificial intelligence model by training an artificial intelligence model to be domain adaptation to a first domain, and a second artificial intelligence model to be domain adaptation to a second domain.
  • a third artificial intelligence model was created.
  • the performance of the third artificial intelligence model is improved by more than a preset value than the performance of the second artificial intelligence model, so that the processor stores and holds the third artificial intelligence model in memory.
  • the processor can select the AI model with the highest performance among the multiple AI models it has.
  • the artificial intelligence server has a third artificial intelligence model, but the third artificial intelligence model was not selected as the highest performing artificial intelligence model for a preset period.
  • the processor may prevent the creation of a branch using the third artificial intelligence model as a starting point by not training the third artificial intelligence model any more.
  • the processor may delete the third artificial intelligence model from the memory.
  • FIG. 11 is a diagram for describing a method of extracting an important word from a spoken sentence and obtaining a domain that caused an incorrect answer by using a feature extracted from the important word according to an embodiment of the present invention.
  • the user's speech that is, the input data
  • the input data is composed of three words (cool, song, play).
  • Cool luck could be a flat cough.
  • the processor may extract a plurality of words included in the input data and calculate the importance of each of the extracted plurality of words.
  • the processor may perform natural language processing while deleting some words (eg, one word) from among a plurality of words included in the input data.
  • the processor when the input data includes a first word, a second word, and a third word, stores input data including the second word and the third word excluding the first word. Can process natural language.
  • the processor may perform natural language processing by providing the input data “play a song” to the natural language processing model.
  • the natural language processing model may output a semantic analysis result and a confidence score for the input data.
  • the natural language processing model may output a semantic analysis result of playing a song and a confidence score of 99%.
  • the processor may process the input data including the first word and the second word excluding the third word in natural language.
  • the processor may perform natural language processing by providing input data “a cool song” to the natural language processing model.
  • the speech recognition model may output a semantic analysis result and a confidence score for the input data.
  • the natural language processing model may output a semantic analysis result of playing a song and a confidence score of 80%.
  • the processor may process the input data including the first word and the third word excluding the second word in natural language.
  • the processor may perform natural language processing by providing the input data “Play a cool song” to the natural language processing model.
  • the natural language processing model may output a semantic analysis result and a confidence score for input data.
  • the natural language processing model can output a semantic analysis result of web search execution and a confidence score of 45%.
  • the processor may acquire important words and unnecessary words by using a semantic analysis result and a trust score acquired while deleting a plurality of words included in the input data one by one.
  • the processor may determine the specific word as an unnecessary word.
  • the processor may determine “cool luck” as an unnecessary word.
  • the processor may determine the specific word as an important word.
  • the processor may determine “song” as an important word. For another example, if the result of natural language processing of “play cool” excluding “song” and a result of semantic analysis of playing a song and a confidence score of 30% are output, the processor may determine “song” as an important word.
  • the processor may acquire the domain that caused the incorrect answer by using the feature extracted from the important word.
  • the processor includes it in the first input data.
  • a first feature may be extracted from an important word to be used, and a second feature may be extracted from an important word included in the second input data.
  • the processor may perform a distribution similarity measure between the first feature and the second feature data.
  • the processor may acquire the first domain that caused the most incorrect answer among the plurality of domains.
  • the processor may obtain a first domain in which the distance between the distribution of the first feature and the distribution of the second feature is the largest among the plurality of domains.
  • FIG. 12 is a diagram for explaining a method of acquiring a low-confidence word and distinguishing a low-confidence word by using the importance of the low-confidence word according to an embodiment of the present invention.
  • the confidence word may mean a word having a confidence score of the speech recognition model having a preset value (eg, lower than 50%).
  • the user's speech that is, the input data
  • the input data is composed of three words (Kooluck, Song, Play).
  • the processor may extract a plurality of words included in the input data and calculate a confidence score for each of the extracted words.
  • the processor may input input data into the speech recognition model.
  • the speech recognition model may output a recognition result for each of the plurality of words and a confidence score for each of the plurality of words.
  • the speech recognition model can output 40% confidence scores for “Kooluck”, 90% for “Songs”, and 60% for “Play me”.
  • the processor may determine a word whose confidence score of the speech recognition model is smaller than a preset value as the low confidence word. For example, if the preset value is 50%, the processor may determine “cool luck” as a low confidence word.
  • the speech recognition model can output a confidence score of 35% for “song (small sound)” and a confidence score of 90% for “play”. have. And the processor can determine a “song (small sound)” with a confidence score of less than 50% as a low confidence word.
  • the processor may classify the low trust word into important words and unnecessary words by using the importance of the low trust word.
  • the processor may perform natural language processing by deleting a low-confidence word from among a plurality of words included in the input data.
  • the processor may perform natural language processing for “play a song” by excluding “cool luck” from the input data of “play a cool song”.
  • the processor may perform natural language processing for “play” by excluding “song (small sound)” from the input data “play a song (small sound)”.
  • the natural language processing model may output a semantic analysis result and a confidence score for input data.
  • the processor may acquire important words and unnecessary words by using the semantic analysis result and the confidence score output from the natural language processing model.
  • the processor may determine the low-confidence word as an unnecessary word.
  • the processor may determine the low-confidence word as an unnecessary word.
  • the processor can determine “cool luck” as the key word.
  • the processor may store unnecessary words and important words in the memory.
  • the processor can train an artificial intelligence model by using unnecessary words and important words as training data.
  • the processor may obtain a domain that caused an incorrect answer by using a feature extracted from an important word.
  • the processor may train an artificial intelligence model by using important words having various domains and various detailed domains as training data.
  • the processor can be used as a “song”, a voice collected in a noisy environment, a “song”, a voice collected in a medium noise environment, a “song”, a voice collected in a low noise environment, and a voice uttered by a man.
  • the artificial intelligence model can be trained with “song”, the voice spoken by a woman as an input value, and the word “song” as an output value.
  • the first output value outputted by the artificial intelligence model for the first input data is a correct answer
  • the second output value outputted by the artificial intelligence model for the second input data is an incorrect answer.
  • obtaining a first domain that caused an incorrect answer by using the first input data and the second input data, and training the artificial intelligence model to become a domain adaptation to the first domain may include the step of.
  • the 3 Acquiring a second domain that caused an incorrect answer using input data and the fourth input data, and retraining the trained artificial intelligence model to become a domain adaptation to the second domain. It further includes, and the second domain may be different from the first domain.
  • the present invention described above can be implemented as a computer-readable code on a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices that store data that can be read by a computer system. Examples of computer-readable media include HDD (Hard Disk Drive), SSD (Solid State Disk), SDD (Silicon Disk Drive), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this. Also, the computer may include the controller 180 of the terminal. Therefore, the detailed description above should not be construed as restrictive in all respects and should be considered as illustrative. The scope of the present invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the present invention are included in the scope of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • User Interface Of Digital Computer (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

인공지능 서버가 개시된다. 본 발명의 실시 예에 따른 인공지능 서버는, 입력 데이터가 입력되는 입력부, 및, 인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력 값이 정답이고 상기 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력 값이 오답인 경우, 상기 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 오답을 야기한 제1 도메인을 획득하고, 상기 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 인공지능 모델을 트레이닝 하는 프로세서를 포함한다.

Description

인공지능 서버
본 발명은, 오답을 야기한 다양한 도메인들에 대하여 순차적으로 도메인 적응(domain adaptation)이 되도록 인공지능 모델을 트레이닝 함으로써 인공지능 모델의 성능을 향상시킬 수 있는 인공지능 서버에 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.
그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.
한편, 인공지능 모델은 실험실 환경에서 트레이닝 되어 제품으로 출시된다.
다만 실험실 환경과 인공지능 모델의 실제 사용 환경은 상이할 수 있기 때문에, 인공지능 모델을 실제 사용하는 경우 실험실 환경에 비해 낮은 성능이 나타날 수 있다.
예를 들어 인공지능 모델의 설계자는, 조용한 환경(즉 노이즈가 작은 환경)에서 수집된 음성 데이터를 이용하여 음성 인식 모델을 트레이닝 하였다. 다만 음성 인식 모델이 탑재된 제품이 시끄러운 환경(노이즈가 큰 환경)에서 사용되는 경우, 노이즈가 큰 음성 데이터가 음성 인식 모델에 입력되기 때문에 음성 인식 모델의 성능이 낮아지는 문제가 발생할 수 있다.
따라서 인공지능 모델이 트레이닝 되는 환경과 실제 사용 환경과의 차이를 검출하고, 이 차이에 따라 딥 러닝 모델을 트레이닝 함으로써 성능을 향상시킬 필요성이 대두되었다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 오답을 야기한 다양한 도메인들에 대하여 순차적으로 도메인 적응(domain adaptation)이 되도록 인공지능 모델을 트레이닝 함으로써 인공지능 모델의 성능을 향상시킬 수 있는 인공지능 서버에 관한 것이다.
본 발명의 일 실시 예에 따른 인공지능 서버는, 입력 데이터가 입력되는 입력부, 및, 인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력 값이 정답이고 상기 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력 값이 오답인 경우, 상기 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 오답을 야기한 제1 도메인을 획득하고, 상기 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 인공지능 모델을 트레이닝 하는 프로세서를 포함한다.
본 발명은, 도메인 적응을 반복적으로 수행함으로써 인공지능 모델의 성능을 끊임없이 향상시킬 수 있는 장점이 있다.
또한 본 발명은, 오답을 가장 크게 야기하는 도메인을 결정한 후, 오답을 가장 크게 야기하는 도메인에 대하여 우선적으로 도메인 적응을 수행하기 때문에, 인공지능 모델의 성능을 더욱 빨리 향상시킬 수 있는 장점이 있다.
또한 본 발명에 따르면, 도메인 적응의 대상이 되는 도메인을 변경해가면서 도메인 적응을 반복적으로 수행하기 때문에, 다양한 도메인들이 도메인 적응 된다. 따라서 인공지능 모델의 성능을 더욱 빨리 향상시킬 수 있는 장점이 있다.
또한 본 발명에 따르면, 도메인 적응을 반복적으로 수행할 때마다 오답을 가장 크게 야기하는 도메인을 선택하여 도메인 적응을 수행한다. 따라서 인공지능 모델의 성능을 더욱 빨리 향상시킬 수 있는 장점이 있다.
본 발명에 따르면 다양한 조합으로 도메인 적응을 수행하고 가장 높은 성능의 인공지능 모델을 선택함으로써, 인공지능 모델의 성능을 향상시킬 수 있다.
본 발명에 따르면, 복수의 인공지능 모델 중 일부 인공지능 모델에 대하여 추가 트레이닝을 수행하지 않거나, 일부 인공지능 모델을 메모리로부터 삭제함으로써, 계산 량 및 저장 공간을 줄일 수 있는 장점이 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 실시 예에 따른 인공지능 서버의 동작 방법을 설명하기 위한 도면이다.
도 5 내지 도 7은 본 발명의 실시 예에 따른, 오답을 야기한 도메인을 획득하는 방법을 설명하기 위한 도면이다.
도 8은 도메인 적응 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 실시 예에 따른, Domainadversarial training of neural networks(DANN)을 이용한 도메인 적응(domain adaptation)을 설명하기 위한 도면이다.
도 10은, 도메인 적응을 반복적으로 수행하면서 최적의 성능을 가지는 인공지능 모델을 선택하고, 히스토리를 관리하는 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 실시 예에 따른, 발화문으로부터 중요 단어를 추출하고, 중요 단어에서 추출된 특징을 이용하여 오답을 야기한 도메인을 획득하는 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 실시 예에 따른, 저 신뢰 단어를 획득하고, 저 신뢰 단어의 중요도를 이용하여 저 신뢰 단어를 구분하는 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.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
*<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 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 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
다음은 인공지능에 대하여 간단히 설명한다.
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.
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.
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.
한편 용어 “AI 장치(100)”는 용어 “인공지능 서버(100)”와 혼용되어 사용될 수 있다.
한편 입력부는 통신부를 포함할 수 있으며, 입력 데이터는 입력부를 통하여 인공지능 서버에 입력될 수 있다.
도 4는 본 발명의 실시 예에 따른 인공지능 서버의 동작 방법을 설명하기 위한 도면이다.
본 발명의 실시 예에 따른 인공지능 서버는, 인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력 값이 정답이고 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력 값이 오답인 경우, 제1 입력 데이터 및 제2 입력 데이터를 이용하여 오답을 야기한 제1 도메인을 획득하는 단계(S410), 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 인공지능 모델을 트레이닝 하는 단계(S430), 트레이닝 된 인공지능 모델이 제3 입력 데이터에 대하여 출력한 제3 출력 값이 정답이고 트레이닝 된 인공지능 모델이 제4 입력 데이터에 대하여 출력한 제4 출력 값이 오답인 경우, 제3 입력 데이터 및 제4 입력 데이터를 이용하여 오답을 야기한 제2 도메인을 획득하는 단계(S450) 및 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 된 인공지능 모델을 재 트레이닝 하는 단계(S470)를 포함할 수 있다.
도 5 내지 도 7은 본 발명의 실시 예에 따른, 오답을 야기한 도메인을 획득하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른, 영상 인식 모델에서의 도메인을 설명하기 위한 도면이다.
본 발명의 실시 예에 따른 인공지능 모델은 영상 인식 모델일 수 있다. 또한 영상 인식 모델은, 영상을 분류(classification)하도록 트레이닝 된 뉴럴 네트워크일 수 있다.
구체적으로 학습 장치(200)는 훈련용 영상 데이터 및 훈련용 영상 데이터에 대응하는 레이블링 데이터를 이용하여 뉴럴 네트워크를 트레이닝 함으로써 영상 인식 모델을 생성할 수 있다. 여기서 레이블링 데이터는, 영상의 명칭일 수 있다.
한편 영상 인식 모델은 단말기에 탑재될 수 있다.
또한 영상 데이터가 입력되면, 영상 인식 모델은 입력된 영상 데이터에 대응하는 결과 값을 출력할 수 있다.
구체적으로 영상 데이터가 입력되면, 영상 인식 모델은 영상 데이터로부터 하나 이상의 특징을 추출할 수 있다. 또한 영상 인식 모델은, 하나 이상의 특징을 이용하여, 수신된 영상 데이터를 복수의 클래스 중 어느 하나의 클래스로 분류한 결과 값을 출력할 수 있다.
여기서 영상 인식 모델이 추출하는 특징(feature)은, 입력 데이터의 명도, 채도, 대조비, 질감(texture), 색상, 선명도(sharpness) 등을 나타낼 수 있다.
한편 도메인은, 영상 인식 모델이 영상 데이터를 분류하는데 영향을 미치는 영상 데이터의 성분을 의미할 수 있다.
예를 들어 도메인은, 명도, 채도, 대조비, 질감(texture), 색상, 선명도(sharpness) 등을 포함할 수 있다.
그리고 영상 인식 모델이 영상 데이터를 분류하는데 영향을 미치는 제1 성분(예를 들어 명도)은 제1 도메인, 영상 인식 모델이 영상 데이터를 분류하는데 영향을 미치는 제2 성분(예를 들어 색상)은 제2 도메인일 수 있다.
한편 영상 데이터가 수신되면, 영상 인식 모델은 복수의 도메인을 나타내는 특징(feature) 들을 추출하고, 추출된 특징(feature)을 이용하여 영상 데이터를 분류하여 결과 값을 출력할 수 있다. 이 경우 결과 값은 정답일수도 또는 오답일 수도 있다.
예를 들어 도 5에서 도시하는 바와 같이, 고양이의 영상 데이터가 입력되는 경우, 영상 인식 모델은 정답인 제1 출력 값(고양이)를 출력할 수도 있으며, 오답인 제2 출력 값(개)를 출력할 수 있다.
그리고 오답이 출력되는 원인은, 실험실 환경에서 영상 인식 모델을 생성하는데 사용된 훈련용 입력 데이터의 특징(feature)과, 실제 사용 환경에서 영상 인식 모델에 제공된 입력 데이터의 특징(feature)이 상이한 것일 수 있다.
예를 들어 영상 인식 모델을 생성하는데 사용된 훈련용 입력 데이터는 명도가 높은 환경에서 수집된 영상 데이터일 수 있다. 이에 반해 실제 사용 환경에서 영상 인식 모델에 제공된 입력 데이터는 명도가 낮은 환경에서 수집된 영상 데이터일 수 있다.
그리고 명도가 낮은 환경에서 수집되는 영상 데이터에 대한 트레이닝이 미비하였기 때문에, 영상 인식 모델은 오답을 출력할 수 있으며 이에 따라 영상 인식 모델의 성능이 낮아지는 문제가 발생한다.
도 6은 본 발명의 실시 예에 따른, 음성 인식 모델에서의 도메인을 설명하기 위한 도면이다.
본 발명의 실시 예에 따른 인공지능 모델은 음성 인식 모델일 수 있다. 또한 음성 인식 모델은, 음성을 분류(classification)하도록 트레이닝 된 뉴럴 네트워크일 수 있다.
구체적으로 학습 장치(200)는 훈련용 음성 데이터 및 훈련용 음성 데이터에 대응하는 레이블링 데이터를 이용하여 뉴럴 네트워크를 트레이닝 함으로써 음성 인식 모델을 생성할 수 있다. 여기서 레이블링 데이터는, 음성 데이터에 대응하는 문자열이나 음성 데이터의 언어적 의미일 수 있다.
한편 음성 인식 모델은 단말기에 탑재될 수 있다.
또한 음성 데이터가 입력되면, 음성 인식 모델은 입력된 음성 데이터에 대응하는 결과 값을 출력할 수 있다.
구체적으로 음성 데이터가 입력되면, 음성 인식 모델은 음성 데이터로부터 하나 이상의 특징을 추출할 수 있다. 또한 음성 인식 모델은, 하나 이상의 특징을 이용하여, 수신된 음성 데이터를 복수의 클래스 중 어느 하나의 클래스로 분류한 결과 값을 출력할 수 있다.
여기서 음성 인식 모델이 추출하는 특징(feature)은, 입력 데이터의 신호의 크기(signal level), 노이즈의 크기(noise level), 신호 대 잡음비(SNR), 피크 값(peak value), 발화 속도(speech speed) 또는 화자 정보(성별, 나이 또는 지역 중 적어도 하나를) 등을 나타낼 수 있다.
한편 도메인은, 음성 인식 모델이 음성 데이터를 분류하는데 영향을 미치는 음성 데이터의 성분을 의미할 수 있다.
예를 들어 도메인은, 신호의 크기(signal level), 노이즈의 크기(noise level), 신호 대 잡음비(SNR), 피크 값(peak value), 발화 속도(speech speed), 성별, 나이 또는 지역 등을 포함할 수 있다.
그리고 음성 인식 모델이 음성 데이터를 분류하는데 영향을 미치는 제1 성분(예를 들어 성별)은 제1 도메인, 음성 인식 모델이 음성 데이터를 분류하는데 영향을 미치는 제2 성분(예를 들어 노이즈의 크기)은 제2 도메인일 수 있다.
한편 음성 데이터가 수신되면, 음성 인식 모델은 복수의 도메인을 나타내는 특징(feature) 들을 추출하고, 추출된 특징(feature)을 이용하여 음성 데이터를 분류하여 결과 값을 출력할 수 있다. 이 경우 결과 값은 정답일수도 또는 오답일 수도 있다.
예를 들어 도 6에서 도시하는 바와 같이, “안녕하세요”라는 음성 데이터가 입력되는 경우, 음성 인식 모델은 정답인 제1 출력 값(안녕하세요)를 출력할 수도 있으며, 오답인 제2 출력 값(안뇽하세요)를 출력할 수 있다.
그리고 오답이 출력되는 원인은, 실험실 환경에서 음성 인식 모델을 생성하는데 사용된 훈련용 입력 데이터의 특징(feature)과, 실제 사용 환경에서 음성 인식 모델에 제공된 입력 데이터의 특징(feature)이 상이한 것일 수 있다.
예를 들어 음성 인식 모델을 생성하는데 사용된 훈련용 입력 데이터는 노이즈가 작은 환경에서 수집된 음성 데이터일 수 있다. 이에 반해 실제 사용 환경에서 음성 인식 모델에 제공된 입력 데이터는 노이즈가 큰 환경에서 수집된 음성 데이터일 수 있다.
그리고 노이즈가 큰 환경에서 수집되는 음성 데이터에 대한 트레이닝이 미비하였기 때문에, 음성 인식 모델은 오답을 출력할 수 있으며 이에 따라 음성 인식 모델의 성능이 낮아지는 문제가 발생한다.
한편 정답 케이스와 오답 케이스를 수집하고, 정답 케이스와 오답 케이스에서의 특징의 차이에 기초하여 인공지능 모델을 트레이닝 할 수 있다.
이와 관련해서는 도 7을 참고하여 설명한다.
도 7은 본 발명의 실시 예에 따른, 도메인 적응(domain adaptation)의 대상이 되는 도메인을 결정하는 방법을 설명하기 위한 도면이다.
인공지능 서버의 프로세서는 인공 지능 모델에 입력된 입력 데이터를 수집할 수 있다. 여기서 입력 데이터는 하나의 입력 데이터를 의미하는 것이 아니라 하나 또는 복수의 인공지능 모델에 제공된 다양한 입력 데이터를 통칭하는 의미일 수 있다.
이 경우 인공지능 서버의 프로세서는, 인공지능 모델이 탑재된 복수의 단말기로부터, 통신부를 통하여, 입력 데이터를 수신할 수 있다.
또한 인공지능 서버의 프로세서는, 인공지능 모델이 정답을 출력한 입력 데이터 및 인공지능 모델이 오답을 출력한 입력 데이터를 수집할 수 있다.
구체적으로 인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력값이 정답이고 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력값이 오답인 경우, 인공지능 서버의 프로세서는 제1 입력 데이터 및 제2 입력 데이터를 수집할 수 있다.
여기서 제1 입력 데이터 역시, 하나의 입력 데이터를 의미하는 것이 아니라 하나 또는 복수의 인공지능 모델에 제공되어 정답을 출력하게 한 다양한 입력 데이터를 통칭하는 의미일 수 있다.
또한 제2 입력 데이터 역시, 하나의 입력 데이터를 의미하는 것이 아니라 하나 또는 복수의 인공지능 모델에 제공되어 오답을 출력하게 한 다양한 입력 데이터를 통칭하는 의미일 수 있다.
그리고 인공지능 서버의 프로세서는, 제1 입력 데이터 및 제2 입력 데이터를 이용하여 오답을 야기한 제1 도메인을 획득할 수 있다.
구체적으로 인공지능 서버의 프로세서는, 인공지능 모델이 복수의 도메인에 대응하는 특징(feature) 들을 이용하여 출력 값을 출력하는 경우, 복수의 도메인 각각에 대한 정답 케이스의 분포 및 오답 케이스의 분포를 이용하여 오답을 야기한 제1 도메인을 획득할 수 있다.
더욱 구체적으로 인공지능 서버의 프로세서는, 각각의 도메인에 대하여 제1 입력 데이터와 제2 입력 데이터의 분포 유사성 측정(distribution similarity measure)을 수행할 수 있다.
*예를 들어 인공지능 서버의 프로세서는, 제1 도메인(예를 들어 노이즈 크기)에 대하여, 제1 입력 데이터(정답을 야기한 데이터)와 제2 입력 데이터(오답을 야기한 데이터)의 분포 유사성(distribution similarity)을 측정할 수 있다.
다른 예를 들어 인공지능 서버의 프로세서는, 제2 도메인(예를 들어 성별)에 대하여, 제1 입력 데이터(정답을 야기한 데이터)와 제2 입력 데이터(오답을 야기한 데이터)의 분포 유사성(distribution similarity)을 측정할 수 있다.
즉 인공지능 서버의 프로세서는 각각의 도메인에 대하여 제1 입력 데이터(정답을 야기한 데이터)의 분포(710)와 제2 입력 데이터(오답을 야기한 데이터)의 분포(720) 사이의 거리를 산출할 수 있다.
여기서 분포 유사성 측정(distribution similarity measure)은, KL-Divergence, Jensen-Shannon (JS) divergence, earth mover distance (EMD), Bhattacharyya Distance 등에 의해 수행될 수 있다.
또한 분포 유사성 측정(distribution similarity measure)은, Domainadversarial training of neural networks(DANN) 등의 Domain Adversarial Training 방법, A kernel method for the two sample problem(MMD), Correlation Alignment for Deep Domain Adaptation(Deep CORAL) 등의 분포 측정 방법, DB taxonomy 분석 방법 등에 의해 수행될 수도 있다.
여기서 DB taxonomy 분석 방법은, A, B, C의 3개의 도메인이 있는 경우, 각 도메인으로 트레이닝 한 인공지능 모델로 다른 도메인 에서의 성능을 측정하는 방식일 수 있다. 이 경우 분포가 유사한 도메인에 대해서는 인공지능 모델이 높은 성능을 나타낼 수 있으며, 분포가 상이한 도메인에 대해서는 인공지능 모델이 낮은 성능을 나타낼 수 있다.
한편 인공지능 서버의 프로세서는, 복수의 도메인 중 오답을 야기한 제1 도메인을 획득할 수 있다.
구체적으로, 인공지능 서버의 프로세서는, 복수의 도메인 중 제1 입력 데이터(정답을 야기한 데이터)의 분포(710)와 제2 입력 데이터(오답을 야기한 데이터)의 분포(720) 사이의 거리가 기 설정된 값보다 큰 제1 도메인을 획득할 수 있다. 여기서 분포는, 각각의 도메인에서의 특징(feature)의 분포를 의미할 수 있다.
또한 인공지능 모델이 복수의 도메인에 대응하는 특징(feature) 들을 이용하여 출력 값을 출력하는 경우, 인공지능 서버의 프로세서는, 복수의 도메인 중 오답을 가장 크게 야기한 제1 도메인을 획득할 수 있다.
구체적으로, 인공지능 서버의 프로세서는, 복수의 도메인 각각에 대한 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포를 이용하여 복수의 도메인 중 오답을 가장 크게 야기한 제1 도메인을 획득할 수 있다. 여기서 분포는, 각각의 도메인에서의 특징(feature)의 분포를 의미할 수 있다.
더욱 구체적으로, 인공지능 서버의 프로세서는, 복수의 도메인 중 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 큰 제1 도메인을 획득할 수 있다.
예를 들어 복수의 도메인 중 제1 도메인(예를 들어 성별)에서 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 크고, 복수의 도메인 중 제2 도메인(예를 들어 노이즈의 크기)에서 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 중간 이고, 복수의 도메인 중 제3 도메인(예를 들어 SNR)에서 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 작다고 가정한다.
그리고 제1 도메인(예를 들어 성별)에서 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 크다는 것은, 인공지능 모델이 오답을 출력하는데 제1 도메인이 가장 큰 영향을 미쳤다는 것을 의미할 수 있다.
따라서, 인공지능 서버의 프로세서는, 복수의 도메인 중 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 큰 제1 도메인(성별)을 획득할 수 있다.
다시 말해서, 인공지능 서버의 프로세서는, 복수의 도메인 중 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포의 분포 유사성이 가장 작은 제1 도메인(성별)을 획득할 수 있다.
여기서 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 큰 제1 도메인은, 정답과 오답을 구분하는 특징(feaure)이 가장 많이 나타나는 도메인일 수 있다.
예를 들어 제1 입력 데이터(정답을 야기한 데이터)가 밝은 명도에서 촬영된 영상들이고 제2 입력 데이터(오답을 야기한 데이터)가 어두운 명도에서 촬영된 영상 들이며, 정답과 오답을 구분하는데 가장 큰 영향을 미친 성분이 명도인 경우, 도메인 “명도”는 정답과 오답을 구분하는 특징(feaure)이 가장 많이 나타나는 도메인일 수 있다.
따라서 제1 입력 데이터(정답을 야기한 데이터)의 분포와 제2 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 큰 제1 도메인은, 복수의 도메인 중 오답을 가장 크게 야기한 도메인일 수 있다. 즉 제1 도메인은, 복수의 도메인 중 인공지능 모델의 성능 하락에 가장 큰 영향을 미친 도메인일 수 있다.
한편 정답과 오답을 구분하는 도메인, 즉 오답을 야기하는 도메인은 다양한 클러스터를 이용한 특징 선택(feature selection) 기법을 통해 결정될 수 있다. 여기서 특징 선택(feature selection) 기법으로는, Recursive feature elimination (RFE), Accumulated Local Effect(ALE) 등이 사용될 수 있다.
한편 프로세서는 제1 도메인을 두 개의 세부 도메인으로 구분할 수 있다, 여기서 세부 도메인은 제1-1 도메인 및 제 1-2 도메인을 포함할 수 있다.
여기서 제1-1 도메인은, 제1 도메인 중 정답으로 분류되는 특징(feaure)이 많이 나타나는 도메인일 수 있다. 또한 제1-2 도메인은, 제2 도메인 중 오답으로 분류되는 특징(feaure)이 많이 나타나는 도메인일 수 있다.
다시 말해서, 제1-1 도메인은, 제1 도메인 중 정답을 크게 야기한 도메인일 수 있다. 또한 제1-2 도메인은, 제2 도메인 중 오답을 크게 야기한 도메인일 수 있다.
예를 들어 정답과 오답을 구분하는데 가장 큰 영향을 미친 성분이 명도이고, 제1 입력 데이터(정답을 야기한 데이터)가 밝은 명도에서 촬영된 영상들이고 제2 입력 데이터(오답을 야기한 데이터)가 어두운 명도에서 촬영된 영상 들인 경우, 제1-1 도메인은 밝은 명도이고 제1-2는 어두운 명도일 수 있다.
그리고 스마트 도어의 프로세서는, 트레이닝 데이터를 기준 값(A)을 기준으로 제1-1 도메인 및 제1-2 도메인으로 분류할 수 있다.
예를 들어 스마트 도어의 프로세서는, 노이즈의 크기가 기준 값(A)보다 작은 입력 데이터를 제1-1 도메인으로, 노이즈의 크기가 기준 값(A)보다 큰 입력 데이터를 제1-2 도메인으로 분류할 수 있다.
그리고 나서, 프로세서는 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 인공지능 모델을 트레이닝 할 수 있다.
이와 관련해서는 도 8을 참고하여 설명한다.
도 8은 도메인 적응 방법을 설명하기 위한 도면이다.
도메인 적응(domain adaptation, DA)은, 이미 습득한 지식을 사용해서, 새로운 입력 데이터에 대하여 정답을 맞출 확률을 향상시키는 기법이다.
즉 도메인 적응(domain adaptation, DA)은 소스 도메인(source domain)에 대한 트레이닝을 수행한 인공지능 모델이, 타겟 도메인(source domain)에서도 효과적으로 동작하는 것을 목표로, 소스와 타겟 사이의 맵핑을 수행하는 것이다.
그리고 소스와 타겟 사이의 맵핑이 수행됨에 따라, 소스 도메인(source domain)의 분포와 타겟 도메인(source domain)의 분포가 유사해질 수 있다.
한편 본 발명에서 소스 도메인(source domain)은 정답에 대응하는 제1-1 도메인일 수 있다. 또한 본 발명에서 타겟 도메인(source domain)인은 오답에 대응하는 제1-2 도메인일 수 있다.
한편 인공지능 모델이 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록, 프로세서는 제1-1 도메인에 해당하는 입력 데이터 및 제1-2 도메인에 해당하는 입력 데이터를 이용하여 인공지능 모델을 트레이닝 할 수 있다.
구체적으로 프로세서는, 인공지능 모델이 제1-1 도메인에 해당하는 입력 데이터에 대하여 추출한 특징(feature)과, 인공지능 모델이 제1-2 도메인에 해당하는 입력 데이터에 대하여 추출한 특징(feature)이 동일한 영역에 맵핑되도록 인공지능 모델을 트레이닝 할 수 있다.
예를 들어 제1 도메인은 노이즈일 수 있고, 제1-1 도메인은 작은 노이즈, 제1-2는 큰 노이즈일 수 있다.
그리고 제1 도메인(노이즈)이 오답을 가장 크게 야기하는 도메인인 경우, 제1-1 도메인에 해당하는 입력 데이터의 특징 벡터의 맵핑 영역과 제1-2 도메인에 해당하는 입력 데이터의 특징 벡터의 맵핑 영역의 거리가 가장 클 수 있다.
이 경우 프로세서는, 인공지능 모델이 제1-1 도메인에 해당하는 입력 데이터에 대하여 추출한 특징 벡터와, 인공지능 모델이 제1-2 도메인에 해당하는 입력 데이터에 대하여 추출한 특징 벡터가 동일한 영역에 맵핑되도록 인공지능 모델을 트레이닝 할 수 있다.
다음은 Domainadversarial training of neural networks(DANN)을 이용한 도메인 적응(domain adaptation)을 설명한다.
도 9는 본 발명의 실시 예에 따른, Domainadversarial training of neural networks(DANN)을 이용한 도메인 적응(domain adaptation)을 설명하기 위한 도면이다.
도 9를 참고하면, 인공지능 모델(900)은 입력 데이터를 이용하여 특징(feature)을 추출하는 특징 추출기(910), 추출된 특징(feature)을 이용하여 클래스를 분류하는 클래스 분류기(920) 및 추출된 특징(feature)을 이용하여 도메인을 분류하는 도메인 분류기(930)를 포함할 수 있다.
여기서 단말기에 탑재되는 인공지능 모델(900)은 특징 추출기(910) 및 클래스 분류기(920)를 포함할 수 있다. 또한 인공지능 서버에서 도메인 적응(domain adaptation)을 수행하는 과정에서는 도메인 분류기(930)가 인공지능 모델(900)에 추가될 수 있다.
한편 인공지능 서버는 제1-1 도메인에 해당하는 입력데이터 및 제1-2 도메인에 해당하는 입력 데이터에, 클래스에 대한 정보 및 도메인에 대한 정보를 레이블링 하여 인공지능 모델을 트레이닝 할 수 있다.
구체적으로 인공지능 서버는, 제1-1 도메인에 해당하는 입력데이터 및 제1-2 도메인에 해당하는 입력 데이터를 특징 추출기(910)에 입력되는 입력 값으로, 클래스에 대한 정보를 클래스 분류기(920)에서 출력되는 제1 출력 값으로, 도메인에 대한 정보를 도메인 분류기(930)에서 출력되는 제2 출력 값으로 이용하여 특징 추출기(910)를 트레이닝 할 수 있다.
여기서 클래스에 대한 정보는, 클래스 분류기(920)가 특징 추출기(910)에서 추출된 특징(feature)을 이용하여 추론해야 하는 정답(또는 분류해야 하는 결과 값)을 의미할 수 있다. 또한 클래스는, 단말기에 탑재된 인공지능 모델이 추론해야 하는 정답을 의미할 수 있다. 예를 들어 인공지능 모델이 영상 인식 모델인 경우 두 개의 클래스는 개 및 고양이 일 수 있다.
한편 도메인에 대한 정보는, 도메인 분류기(930)가 특징 추출기(910)에서 추출된 특징(feature)을 이용하여 추론해야 하는 정답을 의미할 수 있다.
또한 도메인은 세부 도메인일 수 있다. 예를 들어 제1 도메인이 노이즈인 경우, 도메인 분류기(930)가 추론해야 하는 정답은 제1-1 도메인(입력데이터가 노이즈가 작은 데이터인지) 또는 제1-2 도메인(입력데이터가 노이즈가 큰 데이터인지)일 수 있다.
또한 제1-1 도메인은 정답에 대응하는 도메인이며, 제1-2 도메인은 오답에 대응하는 도메인일 수 있다. 따라서 도메인 분류기(930)가 추론해야 하는 정답은 도메인 적응 이전의 인공지능 모델이 정답으로 판별할 입력 데이터인지 또는 도메인 적응 이전의 인공지능 모델이 오답으로 판별할 입력 데이터인지일 수 있다.
한편 프로세서는, 클래스 분류기(920)가 클래스를 분류하고, 도메인 분류기가 제1-1 도메인 및 제1-2 도메인을 분류하지 못하도록, 인공지능 모델을 트레이닝 할 수 있다.
먼저 클래스 분류기(920)와 관련해서 설명하면, 프로세서는 클래스 분류기(920)에서의 손실 함수 값을 최소화 방향으로 특징 추출기(910)의 파라미터를 조정할 수 있다.
예를 들어 경사 하강법을 이용하는 경우, 프로세서는 클래스 분류기(920)에서의 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
한편 도메인 분류기(930)와 관련해서 설명하면, 프로세서는 입력데이터가 제1-1 도메인에 해당하는 데이터인지 또는 제1-2 도메인에 해당하는 데이터인지 구별하지 못하도록, 도메인 분류기(930)를 악화하는 방향(gradient reverse backprop)으로 트레이닝 할 수 있다.
구체적으로 도메인 분류기(930)는 특징 추출기(910)에서 추출된 특징을 이용하여 도메인을 분류한다. 그리고 도메인 분류기(930)가 특징 추출기(910)에서 추출된 특징을 이용하여 도메인을 구분할 수 없도록, 특징 추출기(910)의 모델 파라미터를 조정할 수 있다.
이를 위하여 프로세서는, 도메인 분류기(930)가 도메인을 잘 구분한 경우(즉 도메인 분류기(930)가, 입력데이터가 제1-1 도메인에 해당하는 데이터인지 또는 제1-2 도메인에 해당하는 데이터인지 구분한 경우), 기울기(gradient)를 반전(reverse) 시키는 방식으로 특징 추출기(910)의 파라미터를 조절할 수 있다. 즉 프로세서는 도메인 분류기(930)가 도메인을 잘 구분한 경우, 특징 추출기(910)에 패널티를 부여할 수 있다.
또한 인공지능 모델은 클래스 분류기의 성능은 향상되면서 도메인 분류기의 성능은 약화되도록 트레이닝 되어야 한다. 따라서 클래스 분류기(920)의 성능이 향상되도록 특징 추출기(910)의 모델 파라미터를 조정하는 과정과, 도메인 분류기(930)의 성능이 약화되도록 특징 추출기(910)의 모델 파라미터를 조정하는 과정은, 동일한 입력 데이터에 대하여 동시에 수행될 수 있다.
이러한 방식으로 트레이닝이 반복되는 경우, 특징 추출기(910)에서 추출되는 특징 중 제1 도메인에 의존성(dependency)이 높은 특징들은 점점 줄어들 수 있다.
구체적으로, 트레이닝 전의 특징 추출기(910)가 추출한 특징들은 제1 도메인(예를 들어 명도)에 대한 의존성이 가장 높았으며, 이러한 특징에 기반하여 클래스를 분류한 클래스 분류기의 성능은 낮았다.
다만 트레이닝을 반복함으로써, 제1 도메인(명도)에 의존성(dependency)이 높은 특징들은 점점 줄어들며, 클래스를 분류할 수 있는 새로운 도메인(예를 들어 명도에 둔감한 콘트라스트(contrast), 선명도(sharpness), 형태(shape) 등)에 의존성이 높은 특징들이 증가할 수 있다.
그리고 클래스 분류기는 클래스를 분류할 수 있는 새로운 도메인에 의존성이 높은 특징들을 이용하여 클래스를 분류하기 때문에, 클래스 분류기의 분류 성능이 향상될 수 있다.
즉 기존에는 인공지능 모델이 제1 도메인에 해당하는 특징을 가장 많이 이용하였다. 극단적인 예를 들면, 제1 도메인이 명도인 경우, 인공지능 모델은 제1-1 도메인(명도가 높음)에 해당하는 입력 데이터는 개로, 제1-2 도메인(명도가 낮음)에 해당하는 입력 데이터는 고양이로 분류하였기 때문에 오답이 많이 발생하였다.
다만 도메인 적응 후에는, 입력 데이터가 제1-1 도메인(명도가 높음)에 해당하지 또는 제1-2 도메인(명도가 낮음)에 해당하는지 구분할 수 없도록 특징 벡터가 출력된다. 따라서 오답을 가장 크게 야기한 제1 도메인에 대한 의존성이 낮아지기 때문에, 인공지능 모델의 성능이 향상되게 된다.
한편 앞서 설명한 과정은 도메인을 변경한 상태에서 반복될 수 있다. 이와 관련해서는 도 8을 다시 참고하여 설명한다.
트레이닝 된 인공지능 모델(제1 도메인에 대하여 도메인 적응이 되도록 트레이닝 된 인공지능 모델)은 인공지능 서버에서 동작하거나 단말기에 배포되어 동작할 수 있다.
그리고 인공지능 서버의 프로세서는, 트레이닝 된 인공지능 모델에 입력된 입력 데이터를 수집할 수 있다.
구체적으로 인공지능 서버의 프로세서는, 트레이닝 된 인공지능 모델이 정답을 출력한 입력 데이터 및 인공지능 모델이 오답을 출력한 입력 데이터를 수집할 수 있다.
더욱 구체적으로 트레이닝 된 인공지능 모델이 제3 입력 데이터에 대하여 출력한 제3 출력값이 정답이고 트레이닝 된 인공지능 모델이 제4 입력 데이터에 대하여 출력한 제4 출력값이 오답인 경우, 인공지능 서버의 프로세서는 제3 입력 데이터 및 제4 입력 데이터를 수집할 수 있다.
그리고 인공지능 서버의 프로세서는, 제3 입력 데이터 및 제4 입력 데이터를 이용하여 오답을 야기한 제2 도메인을 획득할 수 있다.
구체적으로 인공지능 서버의 프로세서는, 트레이닝 된 인공지능 모델이 복수의 도메인에 대응하는 특징(feature) 들을 이용하여 출력 값을 출력하는 경우, 복수의 도메인 각각에 대한 정답 케이스의 분포 및 오답 케이스의 분포를 이용하여 오답을 야기한 제2 도메인을 획득할 수 있다.
더욱 구체적으로 인공지능 서버의 프로세서는, 각각의 도메인에 대하여 제3 입력 데이터와 제4 입력 데이터의 분포 유사성 측정(distribution similarity measure)을 수행할 수 있다.
즉 인공지능 서버의 프로세서는 각각의 도메인에 대하여 제3 입력 데이터(정답을 야기한 데이터)의 분포와 제4 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리를 산출할 수 있다.
한편 인공지능 서버의 프로세서는, 복수의 도메인 중 오답을 야기한 제2 도메인을 획득할 수 있다.
구체적으로, 인공지능 서버의 프로세서는, 복수의 도메인 중 제3 입력 데이터(정답을 야기한 데이터)의 분포와 제4 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 기 설정된 값보다 큰 제2 도메인을 획득할 수 있다.
또한 트레이닝 된 인공지능 모델이 복수의 도메인에 대응하는 특징(feature) 들을 이용하여 출력 값을 출력하는 경우, 인공지능 서버의 프로세서는, 복수의 도메인 중 오답을 가장 크게 야기한 제2 도메인을 획득할 수 있다.
구체적으로, 인공지능 서버의 프로세서는, 복수의 도메인 각각에 대한 제3 입력 데이터(정답을 야기한 데이터)의 분포와 제4 입력 데이터(오답을 야기한 데이터)의 분포를 이용하여 복수의 도메인 중 오답을 가장 크게 야기한 제2 도메인을 획득할 수 있다.
더욱 구체적으로, 인공지능 서버의 프로세서는, 복수의 도메인 중 제3 입력 데이터(정답을 야기한 데이터)의 분포와 제4 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 큰 제2 도메인을 획득할 수 있다.
여기서 제3 입력 데이터(정답을 야기한 데이터)의 분포와 제4 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 큰 제2 도메인은, 정답과 오답을 구분하는 특징(feaure)이 가장 많이 나타나는 도메인일 수 있다.
따라서 제3 입력 데이터(정답을 야기한 데이터)의 분포와 제4 입력 데이터(오답을 야기한 데이터)의 분포 사이의 거리가 가장 큰 제2 도메인은, 복수의 도메인 중 오답을 가장 크게 야기한 도메인일 수 있다. 즉 제2 도메인은, 복수의 도메인 중 트레이닝 된 인공지능 모델의 성능 하락에 가장 큰 영향을 미친 도메인일 수 있다.
한편 제2 도메인은 제1 도메인과 상이할 수 있다.
구체적으로 제1 도메인이 노이즈인 것으로 가정하여 설명한다.
도 8a를 참고하면, 인공지능 모델이 오답을 출력하는 경우, 오답을 가장 크게 야기한 도메인은 제1 도메인(노이즈)이다. 따라서 프로세서는 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 인공지능 모델을 트레이닝한 상태이다.
그리고 도 8b를 참고하면, 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 인공지능 모델이 트레이닝 됨에 따라, 제1-1 도메인(노이즈가 작은 도메인)에 해당하는 입력 데이터에서 추출된 특징 벡터와 제1-2 도메인(노이즈가 큰 도메인)에 해당하는 입력 데이터에서 추출된 특징 벡터는 유사한 영역에 맵핑되는 것을 알 수 있다.
따라서 트레이닝 된 인공지능 모델이 오답을 출력하는 경우, 오답을 가장 크게 야기한 도메인은 제1 도메인(노이즈)과 다른 제2 도메인(나이)으로 변경될 수 있다.
한편 프로세서는 제2 도메인을 두 개의 세부 도메인으로 구분할 수 있다, 여기서 세부 도메인은 제2-1 도메인 및 제 2-2 도메인을 포함할 수 있다.
여기서 제2-1 도메인은, 제2 도메인 중 정답으로 분류되는 특징(feaure)이 많이 나타나는 도메인일 수 있다. 또한 제2-2 도메인은, 제2 도메인 중 오답으로 분류되는 특징(feaure)이 많이 나타나는 도메인일 수 있다.
다시 말해서, 제2-1 도메인은, 제2 도메인 중 정답을 크게 야기한 도메인일 수 있다. 또한 제2-2 도메인은, 제2 도메인 중 오답을 크게 야기한 도메인일 수 있다.
예를 들어 정답과 오답을 구분하는데 가장 큰 영향을 미친 성분이 나이이고, 제1 입력 데이터(정답을 야기한 데이터)가 어른의 음성 데이터이고 제2 입력 데이터(오답을 야기한 데이터)가 아이의 음성 데이터인 경우, 제2-1 도메인은 어른이고 제2-2는 아이일 수 있다.
그리고 나서, 프로세서는 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 된 인공지능 모델을 재 트레이닝 할 수 있다.
구체적으로 트레이닝 된 인공지능 모델이 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록, 프로세서는 제2-1 도메인에 해당하는 입력 데이터 및 제2-2 도메인에 해당하는 입력 데이터를 이용하여 트레이닝 된 인공지능 모델을 재 트레이닝 할 수 있다.
*구체적으로 프로세서는, 인공지능 모델이 제2-1 도메인에 해당하는 입력 데이터에 대하여 추출한 특징(feature)과, 인공지능 모델이 제2-2 도메인에 해당하는 입력 데이터에 대하여 추출한 특징(feature)이 동일한 영역에 맵핑되도록 트레이닝 된 인공지능 모델을 재 트레이닝 할 수 있다.
또한 프로세서는 제2-1 도메인에 해당하는 입력데이터 및 제2-2 도메인에 해당하는 입력 데이터에, 클래스에 대한 정보 및 도메인에 대한 정보를 레이블링 하여 트레이닝 된 인공지능 모델을 재 트레이닝 할 수 있다.
구체적으로 인공지능 서버는, 제2-1 도메인에 해당하는 입력데이터 및 제2-2 도메인에 해당하는 입력 데이터를 특징 추출기(910)에 입력되는 입력 값으로, 클래스에 대한 정보를 클래스 분류기(920)에서 출력되는 제1 출력 값으로, 도메인에 대한 정보를 도메인 분류기(930)에서 출력되는 제2 출력 값으로 이용하여 특징 추출기(910)를 트레이닝 할 수 있다.
그리고 프로세서는, 클래스 분류기(920)가 클래스를 분류하고, 도메인 분류기가 제2-1 도메인 및 제2-2 도메인을 분류하지 못하도록, 트레이닝 된 인공지능 모델을 재 트레이닝 할 수 있다.
도 8b는 제1 도메인(노이즈의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 인공지능 모델을 트레이닝한 상태이다.
그리고 도 8c를 참고하면, 제2 도메인(나이)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 된 인공지능 모델이 재 트레이닝 됨에 따라, 제2-1 도메인(어른)에 해당하는 입력 데이터에서 추출된 특징 벡터와 제2-2 도메인(아이)에 해당하는 입력 데이터에서 추출된 특징 벡터는 유사한 영역에 맵핑되는 것을 알 수 있다.
한편 프로세서는 이와 같은 과정을 계속적으로 반복할 수 있다.
즉 프로세서는 제1 도메인에 대하여 도메인 적응되도록 트레이닝 된 인공지능 모델을, 제2 도메인에 대하여 도메인 적응되도록 다시 트레이닝 할 수 있다. 또한 프로세서는 제1 도메인에 대하여 도메인 적응되도록 트레이닝되고 제2 도메인에 대하여 도메인 적응되도록 트레이닝 된 인공지능 모델을, 제3 도메인에 대하여 도메인 적응 되도록 다시 트레이닝 할 수 있다.
표 1은 본 발명에서 제안하는 방법을 통하여 트레이닝 된 인공지능 모델의 성능을 실험한 결과이다.
1차 트레이닝 성능 2차 트레이닝 성능
제1 도메인 70.17 제1 도메인 71.69
제1 도메인 제2 도메인 72.27
제2 도메인 69.5 제2 도메인 70.8
먼저 오답을 가장 크게 야기한 제1 도메인에 대하여 도메인 적응 되도록 인공지능 모델을 트레이닝 시킨 경우 트레이닝 된 인공지능 모델의 성능은 70.17로 나타났으며, 오답을 두번째로 크게 야기한 제2 도메인에 대하여 도메인 적응 되도록 인공지능 모델을 트레이닝 시킨 경우 트레이닝 된 인공지능 모델의 성능은 69.5로 나타났다. 이것은, 정답을 야기한 입력 데이터의 분포와 오답을 야기한 입력 데이터의 분포의 차이가 큰 도메인에 대하여 도메인 적응을 하면, 인공지능 모델의 성능이 더욱 향상된다는 것을 의미할 수 있다.또한 제1 도메인(노이즈의 크기)에 대하여 도메인 적응 되도록 인공지능 모델을 트레이닝 시킨 경우 트레이닝 된 인공지능 모델의 성능은 70.17로 나타났으며, 제1 도메인(노이즈의 크기)에 대하여 도메인 적응 되도록 인공지능 모델을 재 트레이닝 시킨 경우 재 트레이닝 된 인공지능 모델의 성능은 71.69로 나타났다. 또한 제2 도메인(성별)에 대하여 도메인 적응 되도록 인공지능 모델을 트레이닝 시킨 경우 트레이닝 된 인공지능 모델의 성능은 69.5로 나타났으며, 제2 도메인(성별)에 대하여 도메인 적응 되도록 인공지능 모델을 재 트레이닝 시킨 경우 재 트레이닝 된 인공지능 모델의 성능은 70.08로 나타났다. 이것은, 동일한 도메인에 대하여 도메인 적응을 반복적으로 수행하는 경우에도, 성능이 계속 증가할 수 있음을 의미한다.
또한 제1 도메인(노이즈의 크기)에 대하여 도메인 적응 되도록 인공지능 모델을 트레이닝 시키고 제1 도메인(노이즈의 크기)에 대하여 도메인 적응 되도록 인공지능 모델을 재 트레이닝 시킨 경우, 재 트레이닝 된 인공지능 모델의 성능은 71.69로 나타났다. 이에 반해 제1 도메인(노이즈의 크기)에 대하여 도메인 적응 되도록 인공지능 모델을 트레이닝 시키고 제2 도메인(성별)에 대하여 도메인 적응 되도록 인공지능 모델을 재 트레이닝 시킨 경우, 재 트레이닝 된 인공지능 모델의 성능은 72.27로 나타났다. 이것은, 도메인을 변경해가면서 도메인 적응을 수행하는 경우, 성능이 더욱 향상됨을 의미한다.
이와 같이 본 발명은, 도메인 적응을 반복적으로 수행함으로써 인공지능 모델의 성능을 끊임없이 향상시킬 수 있는 장점이 있다.
또한 본 발명은, 오답을 가장 크게 야기하는 도메인을 결정한 후, 오답을 가장 크게 야기하는 도메인에 대하여 우선적으로 도메인 적응을 수행하기 때문에, 인공지능 모델의 성능을 더욱 빨리 향상시킬 수 있는 장점이 있다.
또한 본 발명에 따르면, 도메인 적응의 대상이 되는 도메인을 변경해가면서 도메인 적응을 반복적으로 수행하기 때문에, 다양한 도메인들이 도메인 적응 된다. 따라서 인공지능 모델의 성능을 더욱 빨리 향상시킬 수 있는 장점이 있다.
또한 본 발명에 따르면, 도메인 적응을 반복적으로 수행할 때마다 오답을 가장 크게 야기하는 도메인을 선택하여 도메인 적응을 수행한다. 따라서 인공지능 모델의 성능을 더욱 빨리 향상시킬 수 있는 장점이 있다.
한편 도메인 적응을 반복적으로 수행할 때마다 오답을 가장 크게 야기하는 도메인을 선택하여 도메인 적응을 하는 대신, 오답을 야기하는 순서대로 순차적으로 도메인 적응을 수행할 수도 있다.
구체적으로, 인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력 값이 정답이고 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력 값이 오답인 경우, 프로세서는 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 복수의 도메인 중 오답을 가장 크게 야기한 제1 도메인 및 오답을 두번째로 크게 야기한 제2 도메인을 획득할 수 있다. 그리고 프로세서는 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 인공지능 모델을 트레이닝 할 수 있다. 그리고 나서 프로세서는 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 된 인공지능 모델을 재 트레이닝 할 수 있다.
도 10은, 도메인 적응을 반복적으로 수행하면서 최적의 성능을 가지는 인공지능 모델을 선택하고, 히스토리를 관리하는 방법을 설명한다.
프로세서는, 도메인 적응(domain adaptation)의 횟수, 도메인 적응(domain adaptation)의 대상 도메인 또는 도메인 적응(domain adaptation)의 순서 중 적어도 하나가 상이한 복수의 인공지능 모델 중 가장 높은 성능의 인공지능 모델을 선택할 수 있다.
구체적으로 도 10을 참고하면, 프로세서는 다양한 조합으로 도메인 적응(domain adaptation)을 수행할 수 있다.
구체적으로 stage 1을 참고하면, 프로세서는 제1 도메인(성별)에 대한 도메인 적응(domain adaptation)을 수행하여 초기 인공지능 모델을 트레이닝 하였다(1005). 이렇게 트레이닝 된 인공지능 모델을 제1 인공지능 모델이라고 지칭할 수 있다.
한편 프로세서는 한단계 이전의 인공지능 모델이 새로운 도메인에 대하여 도메인 적응(domain adaptation) 되도록 인공지능 모델을 트레이닝 할 수 있다.
구체적으로 stage 1을 참고하면, 프로세서는 제2 도메인(노이즈의 크기)에 대한 도메인 적응(domain adaptation)을 수행하여 제1 인공지능 모델(제1 도메인(성별)에 대한 도메인 적응(domain adaptation)을 수행한)을 트레이닝 하였다(1010). 이렇게 트레이닝 된 인공지능 모델은 제2 인공지능 모델이라 지칭할 수 있다. 그리고 제2 인공지능 모델은, 제1 도메인(성별)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고, 제2 도메인(노이즈의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 된 인공지능 모델일 수 있다.
여기서도 프로세서는 한 단계 이전의 인공지능 모델이 새로운 도메인에 대하여 도메인 적응(domain adaptation) 되도록 인공지능 모델을 트레이닝 할 수 있다.
구체적으로 stage 2를 참고하면, 프로세서는 제3 도메인(신호의 크기)에 대한 도메인 적응(domain adaptation)을 수행하여 제2 인공지능 모델을 트레이닝 할 수 있다(1015). 이렇게 트레이닝 된 인공지능 모델은 제3 인공지능 모델이라 지칭할 수 있다. 그리고 제3 인공지능 모델은, 제1 도메인(성별)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고, 제2 도메인(노이즈의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고 제3 도메인(신호의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 된 인공지능 모델일 수 있다.
또한 stage 3을 참고하면, 프로세서는 제4 도메인(SNR)에 대한 도메인 적응(domain adaptation)을 수행하여 제3 인공지능 모델을 트레이닝 할 수 있다(1025). 이렇게 트레이닝 된 인공지능 모델은 제5 인공지능 모델이라 지칭할 수 있다. 그리고 제5 인공지능 모델은, 제1 도메인(성별)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고, 제2 도메인(노이즈의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고 제3 도메인(신호의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고 제4 도메인(SNR)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 된 인공지능 모델일 수 있다.
또한 프로세서는 복수의 단계 이전의 인공지능 모델이 새로운 도메인에 대하여 도메인 적응(domain adaptation) 되도록 인공지능 모델을 트레이닝 할 수 있다.
예를 들어 stage 2를 참고하면, 프로세서는 제3 도메인(신호의 크기)에 대한 도메인 적응(domain adaptation)을 수행하여 제1 인공지능 모델을 트레이닝 할 수 있다(1020). 이렇게 트레이닝 된 인공지능 모델은 제4 인공지능 모델이라 지칭할 수 있다. 그리고 제3 인공지능 모델은, 제1 도메인(성별)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고, 제3 도메인(신호의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 된 인공지능 모델일 수 있다. 즉 프로세서는 두 단계 이전의 인공지능 모델(제1 인공지능 모델)이 새로운 도메인(신호의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 두 단계 이전의 인공지능 모델(제1 인공지능 모델)을 트레이닝 할 수 있다.
또 다른 예를 들어 stage 3을 참고하면, 프로세서는 제4 도메인(SNR)에 대한 도메인 적응(domain adaptation)이 되도록 제2 인공지능 모델을 트레이닝 할 수 있다(1030). 이렇게 트레이닝 된 인공지능 모델을 제6 인공지능 모델이라 지칭할 수 있다. 그리고 제6 인공지능 모델은, 제1 도메인(성별)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고, 제2 도메인(노이즈의 크기)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝 되고 제4 도메인(SNR)에 대하여 도메인 적응(domain adaptation)이 되도록 트레이닝된 인공지능 모델일 수 있다. 즉 프로세서는 두 단계 이전의 인공지능 모델(제2 인공지능 모델)이 새로운 도메인(SNR)에 대하여 도메인 적응(domain adaptation)이 되도록 두 단계 이전의 인공지능 모델(제2 인공지능 모델)을 트레이닝 할 수 있다.
이와 같은 방식으로 프로세서는 도메인 적응의 횟수, 도메인 적응의 대상 도메인 또는 도메인 적응(domain adaptation)의 순서 중 적어도 하나가 상이한 복수의 인공지능 모델을 생성하고, 생성된 복수의 인공지능 모델 중 가장 높은 성능의 인공지능 모델을 선택할 수 있다.
여기서 성능의 판단 기준은, 인공지능 모델의 분류(예측)의 정확도를 의미할 수 있다.
그리고 프로세서는 선택된 인공지능 모델을 하나 이상의 단말기로 전송할 수 있다. 이 경우 단말기는 인공지능 모델을 다운로드 하고, 다운로드 된 인공지능 모델을 이용하여 결과 값을 획득할 수 있다.
한편 도메인 적응(domain adaptation)의 순서가 상이하다는 것은 복수의 도메인에 대하여 도메인 적응이 수행되는 순서가 상이하다는 것을 의미할 수 있다. 예를 들어 제2 인공지능 모델은 제1 도메인에 대하여 도메인 적응이 되도록 트레이닝 되고, 그리고 나서 제2 도메인에 대하여 도메인 적응이 되도록 트레이닝 된 인공지능 모델일 수 있다. 다른 예를 들어 제3 인공지능 모델은 제2 도메인에 대하여 도메인 적응이 되도록 트레이닝 되고, 그리고 나서 제1 도메인에 대하여 도메인 적응이 되도록 트레이닝 된 인공지능 모델일 수 있다.
이와 같이 본 발명에 따르면 다양한 조합으로 도메인 적응을 수행하고 가장 높은 성능의 인공지능 모델을 선택함으로써, 인공지능 모델의 성능을 향상시킬 수 있다.
예를 들어 초기 인공지능 모델에서 오답을 가장 크게 야기한 제1 도메인에 대하여 도메인 적응이 되도록 초기 인공지능 모델을 트레이닝 함으로써 제1 인공지능 모델을 생성하고, 제1 인공지능 모델에서 오답을 가장 크게 야기한 제2 도메인에 대하여 도메인 적응이 되도록 제1 인공지능 모델을 트레이닝 함으로써 제2 인공지능 모델을 생성하고, 제2 인공지능 모델에서 오답을 가장 크게 야기한 제3 도메인에 대하여 도메인 적응이 되도록 제2 인공지능 모델을 트레이닝 함으로써 제3 인공지능 모델을 생성하는 방식은, 오답을 가장 크게 야기하는 도메인에 대하여 반복적으로 도메인 적응을 하면 성능이 가장 좋아질 가능성이 높다는 것에 착안한 것이기 때문에, 다른 조합의 성능이 더 좋을 가능성도 존재한다.
따라서 본 발명은 다양한 조합으로 도메인 적응을 수행하고 가장 높은 성능의 인공지능 모델을 선택함으로써, 인공지능 모델의 성능을 향상시킬 수 있는 장점이 있다.
예를 들어 stage 2를 다시 참고하면, 프로세서는 상기 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 제1 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고(1010), 제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성할 수 있다(1015). 또한 프로세서는 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 제1 인공지능 모델을 트레이닝 하여 제4 인공지능 모델을 생성할 수 있다(1020). 이 경우 제3 인공지능 모델의 도메인 적응의 횟수가 더 큼에도 불구하고, 제4 인공지능 모델의 성능이 제3 인공지능 모델의 성능보다 높을 수 있다. 이 경우 프로세서는 제3 인공지능 모델 및 제4 인공지능 모델 중 더 높은 성능의 인공지능 모델인 제4 인공지능 모델을 선택할 수 있다.
다른 예를 들어 프로세서는, 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고(1010), 제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성할 수 있다(1015). 그리고 프로세서는 제2 인공지능 모델 및 제3 인공지능 모델 중 더 높은 성능의 인공지능 모델을 선택할 수 있다.
한편 조합의 개수가 늘어날수록 최적의 성능의 인공지능 모델이 선택될 가능성이 높아지는데 반해, 계산 량 및 저장 공간의 제한이라는 한계 때문에 전체 조합들을 다 보유하고 있을 수는 없다.
따라서 프로세서는 기 생성되어 메모리에 저장된 복수의 인공지능 모델 중 일부 인공지능 모델을 메모리로부터 삭제하거나, 인공지능 모델에 대한 추가적인 트레이닝을 중단할 수 있다.
구체적으로 프로세서는, 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고, 제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성할 수 있다. 또한 프로세서는 제2 인공지능 모델 및 제3 인공지능 모델을 메모리에 저장할 수 있다.
그리고 제2 인공지능 모델 및 제3 인공지능 모델 중 제2 인공지능 모델의 성능이 더 높은 경우, 프로세서는 제2 인공지능 모델을 선택하고 제3 인공지능 모델을 메모리로부터 삭제할 수 있다.
즉 제3 인공지능 모델은 이전의 인공지능 모델에 비하여 성능이 저하된 모델이기 때문에, 제3 인공지능 모델은 메모리에서 삭제될 수 있다. 그리고 제3 인공지능 모델이 메모리에서 삭제됨에 따라 제3 인공지능 모델에 대한 추가적인 트레이닝(도메인 적응)은 수행되지 않을 수 있다.
다른 실시 예로, 프로세서는 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고, 제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성할 수 있다.
그리고 제3 인공지능 모델의 성능이 제2 인공지능 모델의 성능에 비하여 기 설정된 값 이하만큼 증가하는 경우, 프로세서는 제3 인공지능 모델을 추가적으로 트레이닝 하지 않을 수 있다. 즉 제3 인공지능 모델의 성능 향상이 낮은 경우, 제3 인공지능 모델을 시작점으로 가지는 브랜치는(branch) 역시 낮은 성능을 나타낼 수 있다. 따라서 프로세서는 제3 인공지능 모델을 추가적으로 트레이닝 하지 않음으로써 제3 인공지능 모델을 시작점으로 가지는 브랜치는(branch)를 생성하지 않을 수 있다.
이 경우 프로세서는 다른 브랜치(branch)를 선택하여 도메인 적응을 위한 트레이닝을 계속할 수 있다.
예를 들어 프로세서는 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고, 제3 도메인에 대하여 도메인 적응(domain adaptation) 되도록 제2 인공지능 모델을 트레이닝 하여 제4 인공지능 모델을 생성할 수 있다.
그리고 제4 인공지능 모델의 성능이 제2 인공지능 모델의 성능에 비하여 기 설정된 값 이상 증가하는 경우, 프로세서는 제4 인공지능 모델을 선택할 수 있다. 또한 프로세서는 도메인 적응을 위하여 제4 인공지능 모델을 추가적으로 트레이닝 할 수 있다.
다른 실시 예로, 프로세서는, 복수의 인공지능 모델 중 기 설정된 기간 이상 가장 높은 성능의 인공지능 모델로 선택되지 않은 인공지능 모델은 추가적으로 트레이닝 하지 않을 수 있다.
예를 들어 프로세서는 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고, 제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성하였다. 그리고 제3 인공지능 모델의 성능이 제2 인공지능 모델의 성능보다 기 설정된 값 이상 향상되어, 프로세서는 제3 인공지능 모델을 메모리에 저장하고 보유하고 있는 상태이다.
한편 프로세서는 보유하고 있는 복수의 인공지능 모델 중 가장 높은 성능의 인공지능 모델을 선택할 수 있다.
한편 인공지능 서버는 제3 인공지능 모델을 보유하고 있으나, 제3 인공지능 모델은 기 설정된 기간 동안 가장 높은 성능의 인공지능 모델로 선택되지 않았다. 이 경우 프로세서는 제3 인공지능 모델을 더 이상 트레이닝 하지 않음으로써 제3 인공지능 모델을 시작점으로 하는 브랜치가 생성되는 것을 방지할 수 있다. 또한 프로세서는 제3 인공지능 모델을 메모리로부터 삭제할 수 있다.
이와 같이 본 발명에 따르면, 복수의 인공지능 모델 중 일부 인공지능 모델에 대하여 추가 트레이닝을 수행하지 않거나, 일부 인공지능 모델을 메모리로부터 삭제함으로써, 계산 량 및 저장 공간을 줄일 수 있는 장점이 있다.
도 11은 본 발명의 실시 예에 따른, 발화문으로부터 중요 단어를 추출하고, 중요 단어에서 추출된 특징을 이용하여 오답을 야기한 도메인을 획득하는 방법을 설명하기 위한 도면이다.
사용자의 발화문, 즉 입력 데이터가 세개의 단어(쿨럭, 노래, 틀어줘)로 구성된 것으로 가정하여 설명한다.
여기서 “쿨럭”은 헛기침 소리일 수 있다.
프로세서는 입력 데이터에 포함되는 복수의 단어를 추출하고, 추출된 복수의 단어 각각의 중요도를 산출할 수 있다.
구체적으로 프로세서는 입력데이터에 포함되는 복수의 단어 중 일부 단어(예를 들어 하나의 단어)를 삭제하면서 자연어 처리(Natural Language Processing)를 수행할 수 있다.
더욱 구체적으로, 도 11a를 참고하면, 입력 데이터에 제1 단어, 제2 단어 및 제3 단어가 포함되는 경우, 프로세서는 제1 단어를 제외하고 제2 단어 및 제3 단어를 포함하는 입력 데이터를 자연어 처리할 수 있다.
예를 들어 “쿨럭 노래 틀어줘”라는 입력 데이터가 수신되는 경우, 프로세서는 “노래 틀어줘”라는 입력 데이터를 자연어 처리 모델에 제공하여 자연어 처리를 수행할 수 있다. 이 경우 자연어 처리 모델은 입력 데이터에 대한 의미 분석 결과 및 신뢰 스코어(Confidence Score)를 출력할 수 있다. 예를 들어 자연어 처리 모델은, 노래 재생이라는 의미 분석 결과와 99%의 신뢰 스코어를 출력할 수 있다.
또한 입력 데이터에 제1 단어, 제2 단어 및 제3 단어가 포함되는 경우, 프로세서는 제3 단어를 제외하고 제1 단어 및 제2 단어를 포함하는 입력 데이터를 자연어 처리할 수 있다.
예를 들어 “쿨럭 노래 틀어줘”라는 입력 데이터가 수신되는 경우, 프로세서는 “쿨럭 노래”라는 입력 데이터를 자연어 처리 모델에 제공하여 자연어 처리를 수행할 수 있다. 이 경우 음성 인식 모델은 입력 데이터에 대한 의미 분석 결과 및 신뢰 스코어(Confidence Score)를 출력할 수 있다. 예를 들어 자연어 처리 모델은, 노래 재생이라는 의미 분석 결과와 80%의 신뢰 스코어를 출력할 수 있다.
또한 입력 데이터에 제1 단어, 제2 단어 및 제3 단어가 포함되는 경우, 프로세서는 제2 단어를 제외하고 제1 단어 및 제3 단어를 포함하는 입력 데이터를 자연어 처리할 수 있다.
예를 들어 “쿨럭 노래 틀어줘”라는 입력 데이터가 수신되는 경우, 프로세서는 “쿨럭 틀어줘”라는 입력 데이터를 자연어 처리 모델에 제공하여 자연어 처리를 수행할 수 있다. 이 경우 자연어 처리 모델은 입력 데이터에 대한 의미 분석 결과 및 신뢰 스코어(Confidence Score)를 출력할 수 있다. 예를 들어 자연어 처리 모델은, 웹 검색 실행이라는 의미 분석 결과와 45%의 신뢰 스코어를 출력할 수 있다.
한편 프로세서는 입력데이터에 포함되는 복수의 단어를 하나씩 삭제해가면서 획득한 의미 분석 결과 및 신뢰 스코어를 이용하여 중요 단어 및 불필요한 단어를 획득할 수 있다.
구체적으로, 특정 단어를 제외한 특정 입력 데이터를 자연어 처리한 결과 발화문의 의미와 의미 분석 결과가 대응하고 신뢰 스코어가 가장 높은 출력값이 획득된 경우, 프로세서는 특정 단어를 불필요한 단어로 결정할 수 있다.
예를 들어 “쿨럭”을 제외한 “노래 틀어줘”를 자연어 처리한 결과, 노래 재생이라는 의미 분석 결과와 99%의 신뢰 스코어가 출력된 경우, 프로세서는 “쿨럭”을 불필요한 단어로 결정할 수 있다.
또한, 특정 단어를 제외한 특정 입력 데이터를 자연어 처리한 결과 발화문의 의미와 의미 분석 결과가 대응하지 않거나 신뢰 스코어가 가장 낮은 출력값이 획득된 경우, 프로세서는 특정 단어를 중요 단어로 결정할 수 있다.
예를 들어 “노래”를 제외한 “쿨럭 틀어줘”를 자연어 처리한 결과, 웹 검색 실행이라는 의미 분석 결과가 출력된 경우, 프로세서는 “노래”를 중요 단어로 결정할 수 있다. 다른 예를 들어 “노래”를 제외한 “쿨럭 틀어줘”를 자연어 처리한 결과, 노래 재생이라는 의미 분석 결과와 30%의 신뢰 스코어가 출력된 경우, 프로세서는 “노래”를 중요 단어로 결정할 수 있다.
그리고 프로세서는 중요 단어로부터 추출된 특징(feature)을 이용하여, 오답을 야기한 도메인을 획득할 수 있다.
구체적으로 인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력 값이 정답이고 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력 값이 오답인 경우, 프로세서는 제1 입력 데이터에 포함되는 중요 단어로부터 제1 특징(feature)을 추출하고 제2 입력 데이터에 포함되는 중요 단어로부터 제2 특징(feature)을 추출할 수 있다.
또한 프로세서는 제1 특징과 제2 특징 데이터의 분포 유사성 측정(distribution similarity measure)을 수행할 수 있다.
그리고 프로세서는, 복수의 도메인 중 오답을 가장 크게 야기한 제1 도메인을 획득할 수 있다. 구체적으로 프로세서는, 복수의 도메인 중 제1 특징의 분포와 제2 특징의 분포 사이의 거리가 가장 큰 제1 도메인을 획득할 수 있다.
즉 본 발명에 따르면, 중요 단어에서 추출된 특징을 이용하여 오답을 가장 크게 야기한 도메인을 획득하기 때문에, 중요 단어에 대한 인식 성능을 더욱 향상시킬 수 있는 장점이 있다.
도 12는 본 발명의 실시 예에 따른, 저 신뢰 단어를 획득하고, 저 신뢰 단어의 중요도를 이용하여 저 신뢰 단어를 구분하는 방법을 설명하기 위한 도면이다.
여기서 신뢰 단어는, 음성 인식 모델의 신뢰 스코어가 기 설정된 값(예를 들어 50% 보다 낮은) 단어를 의미할 수 있다.
구체적으로 사용자의 발화문, 즉 입력 데이터가 세개의 단어(쿨럭, 노래, 틀어줘)로 구성된 것으로 가정하여 설명한다.
프로세서는 입력 데이터에 포함되는 복수의 단어를 추출하고, 추출된 복수의 단어 각각의 신뢰 스코어를 산출할 수 있다.
구체적으로 프로세서는 입력 데이터를 음성 인식 모델에 입력할 수 있다. 이 경우 음성 인식 모델은 복수의 단어 각각에 대한 인식 결과 및 복수의 단어 각각의 신뢰 스코어를 출력할 수 있다.
예를 들어 음성 인식 모델은 “쿨럭”에 대해서는 40%, “노래”에 대해서는 90%, “틀어줘”에 대해서는 60%의 신뢰 스코어를 출력할 수 있다. 그리고 프로세서는 음성 인식 모델의 신뢰 스코어가 기 설정된 값보다 작은 단어를 저 신뢰 단어로 결정할 수 있다. 예를 들어 기 설정된 값이 50%인 경우, 프로세서는 “쿨럭”을 저 신뢰 단어로 결정할 수 있다.
다른 예를 들어 “노래(작은 소리) 틀어줘”라는 입력 데이터에 대하여, 음성 인식 모델은 “노래(작은 소리)”에 대해서는 35%, “틀어줘”에 대해서는 90%의 신뢰 스코어를 출력할 수 있다. 그리고 프로세서는 신뢰 스코어가 50%보다 낮은 “노래(작은 소리)”를 저 신뢰 단어로 결정할 수 있다.
한편 프로세서는 저 신뢰 단어의 중요도를 이용하여 저 신뢰 단어를 중요 단어 및 불필요한 단어로 구분할 수 있다.
구체적으로 프로세서는 입력데이터에 포함되는 복수의 단어 중 저 신뢰 단어를 삭제하여 자연어 처리(Natural Language Processing)를 수행할 수 있다.
예를 들어 프로세서는 “쿨럭 노래 틀어줘”라는 입력 데이터에서 “쿨럭”을 제외하고,“노래 틀어줘”에 대한 자연어 처리를 수행할 수 있다.
다른 예를 들어 프로세서는 “노래(작은 소리) 틀어줘”라는 입력 데이터에서 “노래(작은 소리)”를 제외하고, “틀어줘”에 대한 자연어 처리를 수행할 수 있다.
이 경우 자연어 처리 모델은 입력 데이터에 대한 의미 분석 결과 및 신뢰 스코어(Confidence Score)를 출력할 수 있다.
한편 프로세서는 자연어 처리 모델이 출력한 의미 분석 결과 및 신뢰 스코어를 이용하여 중요 단어 및 불필요한 단어를 획득할 수 있다.
구체적으로 저 신뢰 단어를 제외한 입력 데이터를 자연어 처리한 결과 발화문의 의미와 의미 분석 결과가 대응하고 신뢰 스코어가 일정 값 이상인 출력값이 획득된 경우, 프로세서는 저 신뢰 단어를 불필요한 단어로 결정할 수 있다.
예를 들어 쿨럭 노래 틀어줘”라는 입력 데이터에서 “쿨럭”을 제외하고,“노래 틀어줘”에 대한 자연어 처리를 수행하였고, 자연어 처리 모델은 “노래 틀어줘”라는 의미 분석 결과와 90%의 신뢰 스코어를 출력한 경우, 프로세서는 “쿨럭”을 불필요한 단어로 결정할 수 있다.
또한, 저 신뢰 단어를 제외한 입력 데이터를 자연어 처리한 결과 발화문의 의미와 의미 분석 결과가 대응하지 않거나 신뢰 스코어가 가장 낮은 출력값이 획득된 경우, 프로세서는 저 신뢰 단어를 불필요한 단어로 결정할 수 있다.
예를 들어 “노래(작은 소리) 틀어줘”라는 입력 데이터에서 “노래(작은 소리)”을 제외하고,“틀어줘”에 대한 자연어 처리를 수행하였고, 자연어 처리 모델은 “노래 틀어줘”라는 의미 분석 결과와 30%의 신뢰 스코어를 출력한 경우, 프로세서는 “쿨럭”을 중요 단어로 결정할 수 있다.
한편 프로세서는 불필요한 단어 및 중요 단어를 메모리에 저장할 수 있다.
또한 프로세서는 불필요한 단어 및 중요 단어를 훈련 데이터로 이용하여 인공지능 모델을 트레이닝 할 수 있다.
일 실시 예로, 앞서 설명한 바와 같이, 프로세서는 중요 단어로부터 추출된 특징(feature)을 이용하여, 오답을 야기한 도메인을 획득할 수 있다.
다른 실시 예로, 프로세서는, 다양한 도메인 및 다양한 세부 도메인을 가지는 중요 단어 들을 훈련 데이터로 이용하여 인공지능 모델을 트레이닝 할 수 있다.
예를 들어 프로세서는 노이즈가 큰 환경에서 수집된 음성인 “노래”, 노이즈가 중간인 환경에서 수집된 음성인 “노래”, 노이즈가 작은 환경에서 수집된 음성인 “노래”, 남자가 발화한 음성인 “노래”, 여자가 발화한 음성인 “노래”를 입력 값으로, 그리고 단어 “노래”를 출력 값으로, 인공지능 모델을 트레이닝 할 수 있다.
다음은 도메인 적응 방법을 설명한다. 본 발명의 실시 예에 따른 도메인 적응 방법은, 인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력 값이 정답이고 상기 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력 값이 오답인 경우, 상기 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 오답을 야기한 제1 도메인을 획득하는 단계, 및, 상기 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 인공지능 모델을 트레이닝 하는 단계를 포함할 수 있다.
이 경우 상기 트레이닝 된 인공지능 모델이 제3 입력 데이터에 대하여 출력한 제3 출력 값이 정답이고 상기 트레이닝 된 인공지능 모델이 제4 입력 데이터에 대하여 출력한 제4 출력 값이 오답인 경우, 상기 제3 입력 데이터 및 상기 제4 입력 데이터를 이용하여 오답을 야기한 제2 도메인을 획득하는 단계, 및, 상기 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 트레이닝 된 인공지능 모델을 재 트레이닝 하는 단계를 더 포함하고, 상기 제2 도메인은 상기 제1 도메인과 상이할 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 단말기의 제어부(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 (19)

  1. 입력 데이터가 입력되는 입력부; 및
    인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력 값이 정답이고 상기 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력 값이 오답인 경우, 상기 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 오답을 야기한 제1 도메인을 획득하고,
    상기 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 인공지능 모델을 트레이닝 하는 프로세서를 포함하는
    인공지능 서버.
  2. 제 1항에 있어서,
    상기 프로세서는,
    상기 트레이닝 된 인공지능 모델이 제3 입력 데이터에 대하여 출력한 제3 출력 값이 정답이고 상기 트레이닝 된 인공지능 모델이 제4 입력 데이터에 대하여 출력한 제4 출력 값이 오답인 경우, 상기 제3 입력 데이터 및 상기 제4 입력 데이터를 이용하여 오답을 야기한 제2 도메인을 획득하고,
    상기 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 트레이닝 된 인공지능 모델을 재 트레이닝 하고,
    상기 제2 도메인은 상기 제1 도메인과 상이한
    인공지능 서버.
  3. 제 2항에 있어서,
    상기 프로세서는,
    상기 인공지능 모델이 복수의 도메인에 대응하는 특징(feature)들을 이용하여 출력 값을 출력하는 경우, 상기 복수의 도메인 중 오답을 가장 크게 야기한 상기 제1 도메인을 획득하는
    인공지능 서버.
  4. 제 3항에 있어서,
    상기 프로세서는,
    상기 인공지능 모델이 상기 복수의 도메인에 대응하는 특징(feature)들을 이용하여 출력 값을 출력하는 경우, 상기 복수의 도메인 각각에 대한 상기 제1 입력 데이터의 분포 및 상기 제2 입력 데이터의 분포를 이용하여, 상기 복수의 도메인 중 오답을 가장 크게 야기한 상기 제1 도메인을 획득하는
    인공지능 서버.
  5. 제 3항에 있어서,
    상기 프로세서는,
    상기 트레이닝 된 인공지능 모델이 상기 복수의 도메인에 대응하는 특징(feature) 들을 이용하여 출력 값을 출력하는 경우, 상기 복수의 도메인 중 오답을 가장 크게 야기한 상기 제2 도메인을 획득하는
    인공지능 서버.
  6. 제 5항에 있어서,
    상기 프로세서는,
    상기 트레이닝 된 인공지능 모델이 상기 복수의 도메인에 대응하는 특징(feature) 들을 이용하여 출력 값을 출력하는 경우, 상기 복수의 도메인 각각에 대한 상기 제1 입력데이터의 분포 및 상기 제2 입력 데이터의 분포를 이용하여, 상기 복수의 도메인 중 오답을 가장 크게 야기한 상기 제2 도메인을 획득하는
    인공지능 서버.
  7. 제 2항에 있어서,
    상기 제1 도메인은, 제1-1 도메인 및 제1-2 도메인을 포함하고,
    상기 프로세서는,
    상기 인공지능 모델이 상기 제1-1 도메인에 해당하는 입력 데이터에 대하여 추출한 특징(feature)과, 상기 인공지능 모델이 상기 제1-2 도메인에 해당하는 입력 데이터에 대하여 추출한 특징(feature)이 동일한 영역에 맵핑되도록 상기 인공지능 모델을 트레이닝 하는
    인공지능 서버.
  8. 제 7항에 있어서,
    상기 제2 도메인은, 제2-1 도메인 및 제2-2 도메인을 포함하고,
    상기 프로세서는,
    상기 트레이닝 된 인공지능 모델이 상기 제2-1 도메인에 해당하는 입력 데이터에 대하여 추출한 특징(feature)과, 상기 인공지능 모델이 상기 제2-2 도메인에 해당하는 입력 데이터에 대하여 추출한 특징(feature)이 동일한 영역에 맵핑되도록 상기 트레이닝 된 인공지능 모델을 재 트레이닝 하는
    인공지능 서버.
  9. 제 7항에 있어서,
    상기 인공지능 모델은,
    입력 데이터를 이용하여 상기 특징(feature)을 추출하는 특징 추출기;
    상기 추출된 특징(feature)을 이용하여 클래스를 분류하는 클래스 분류기; 및
    상기 추출된 특징(feature)을 이용하여 도메인을 분류하는 도메인 분류기를 포함하는
    인공지능 서버.
  10. 제 9항에 있어서,
    상기 프로세서는,
    상기 클래스 분류기가 상기 클래스를 분류하고, 상기 도메인 분류기가 상기 제1-1 도메인 및 제1-2 도메인을 분류하지 못하도록, 상기 인공지능 모델을 트레이닝 하는
    인공지능 서버.
  11. 제 1항에 있어서,
    상기 프로세서는,
    상기 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 복수의 도메인 중 오답을 두번째로 크게 야기한 제2 도메인을 획득하고,
    상기 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 트레이닝 된 인공지능 모델을 재 트레이닝 하는
    인공지능 서버.
  12. 제 1항에 있어서,
    상기 프로세서는,
    도메인 적응(domain adaptation)의 횟수, 도메인 적응(domain adaptation)의 대상 도메인 또는 도메인 적응(domain adaptation)의 순서 중 적어도 하나가 상이한 복수의 인공지능 모델 중 가장 높은 성능의 인공지능 모델을 선택하는
    인공지능 서버.
  13. 제 12항에 있어서,
    상기 프로세서는,
    상기 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고,
    제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성하고,
    상기 제2 인공지능 모델 및 상기 제3 인공지능 모델 중 더 높은 성능의 인공지능 모델을 선택하는
    인공지능 서버.
  14. 제 12항에 있어서,
    상기 프로세서는,
    상기 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고, 제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성하고,
    상기 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 인공지능 모델을 트레이닝 하여 제4 인공지능 모델을 생성하고,
    상기 제3 인공지능 모델 및 상기 제4 인공지능 모델 중 더 높은 성능의 인공지능 모델을 선택하는
    인공지능 서버.
  15. 제 12항에 있어서,
    상기 프로세서는,
    상기 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고,
    제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성하고,
    상기 제2 인공지능 모델 및 상기 제3 인공지능 모델 중 상기 제2 인공지능 모델의 성능이 더 높은 경우, 상기 제3 인공지능 모델을 메모리로부터 삭제하는
    인공지능 서버.
  16. 제 12항에 있어서,
    상기 제1 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 인공지능 모델을 트레이닝 하여 제2 인공지능 모델을 생성하고,
    제2 도메인에 대하여 도메인 적응(domain adaptation) 되도록 상기 제2 인공지능 모델을 트레이닝 하여 제3 인공지능 모델을 생성하고,
    상기 제3 인공지능 모델의 성능이 상기 제2 인공지능 모델의 성능에 비하여 기 설정된 값 이하만큼 증가하는 경우, 상기 제3 인공지능 모델을 추가적으로 트레이닝 하지 않는
    인공지능 서버.
  17. 제 12항에 있어서,
    상기 프로세서는,
    상기 복수의 인공지능 모델 중 기 설정된 기간 이상 가장 높은 성능의 인공지능 모델로 선택되지 않은 인공지능 모델은 추가적으로 트레이닝 하지 않는
    인공지능 서버.
  18. 인공지능 모델이 제1 입력 데이터에 대하여 출력한 제1 출력 값이 정답이고 상기 인공지능 모델이 제2 입력 데이터에 대하여 출력한 제2 출력 값이 오답인 경우, 상기 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 오답을 야기한 제1 도메인을 획득하는 단계; 및
    상기 제1 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 인공지능 모델을 트레이닝 하는 단계를 포함하는
    도메인 적응 방법.
  19. 제 18항에 있어서,
    상기 트레이닝 된 인공지능 모델이 제3 입력 데이터에 대하여 출력한 제3 출력 값이 정답이고 상기 트레이닝 된 인공지능 모델이 제4 입력 데이터에 대하여 출력한 제4 출력 값이 오답인 경우, 상기 제3 입력 데이터 및 상기 제4 입력 데이터를 이용하여 오답을 야기한 제2 도메인을 획득하는 단계; 및
    상기 제2 도메인에 대하여 도메인 적응(domain adaptation)이 되도록 상기 트레이닝 된 인공지능 모델을 재 트레이닝 하는 단계를 더 포함하고,
    상기 제2 도메인은 상기 제1 도메인과 상이한
    도메인 적응 방법.
PCT/KR2019/010013 2019-08-08 2019-08-08 인공지능 서버 WO2021025217A1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US16/496,365 US20210287128A1 (en) 2019-08-08 2019-08-08 Artificial intelligence server
PCT/KR2019/010013 WO2021025217A1 (ko) 2019-08-08 2019-08-08 인공지능 서버
KR1020190112402A KR20190110500A (ko) 2019-08-08 2019-09-10 인공지능 서버
EP20171744.4A EP3772710A1 (en) 2019-08-08 2020-04-28 Artificial intelligence server
CN202010558065.3A CN112347691B (zh) 2019-08-08 2020-06-18 人工智能服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/010013 WO2021025217A1 (ko) 2019-08-08 2019-08-08 인공지능 서버

Publications (1)

Publication Number Publication Date
WO2021025217A1 true WO2021025217A1 (ko) 2021-02-11

Family

ID=68098748

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/010013 WO2021025217A1 (ko) 2019-08-08 2019-08-08 인공지능 서버

Country Status (5)

Country Link
US (1) US20210287128A1 (ko)
EP (1) EP3772710A1 (ko)
KR (1) KR20190110500A (ko)
CN (1) CN112347691B (ko)
WO (1) WO2021025217A1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210150281A1 (en) * 2019-11-14 2021-05-20 Nec Laboratories America, Inc. Domain adaptation for semantic segmentation via exploiting weak labels
KR102118588B1 (ko) 2019-12-19 2020-06-03 주식회사 유니온플레이스 전용 인공 지능 시스템
CN111401138B (zh) * 2020-02-24 2023-11-07 上海理工大学 生成对抗神经网络训练过程的对抗优化方法
US11556647B2 (en) * 2020-03-30 2023-01-17 Bae Systems Information And Electronic Systems Integration Inc. System for detecting trojans in an artificial network and method therof
KR20210125719A (ko) 2020-04-09 2021-10-19 한국전자통신연구원 인공지능 서비스를 위한 서버 클라이언트 통신 장치 및 방법
KR102264571B1 (ko) * 2020-10-30 2021-06-15 주식회사 애자일소다 계층 구조를 갖는 의사결정 에이전트
KR20220148648A (ko) 2021-04-29 2022-11-07 한국전력공사 전력 수요 예측 정확도 향상을 위한 전력 사용량 데이터 예측 장치 및 방법
US20230133867A1 (en) * 2021-10-29 2023-05-04 Gm Cruise Holdings Llc Domain adaptation of autonomous vehicle sensor data

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160005325A1 (en) * 2008-05-14 2016-01-07 International Business Machines Corporation System and method for domain adaptation in question answering
WO2019011350A1 (zh) * 2017-07-11 2019-01-17 中国医学科学院药物研究所 芬乐胺晶g型、制备方法和其组合物与用途
JP2019101789A (ja) * 2017-12-04 2019-06-24 日本電信電話株式会社 モデル学習装置、モデル学習方法、および、予測システム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102146398B1 (ko) * 2015-07-14 2020-08-20 삼성전자주식회사 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법
CN105260734A (zh) * 2015-10-10 2016-01-20 燕山大学 一种具有自建模功能的商品油表面激光标码识别方法
US10671938B2 (en) * 2016-01-27 2020-06-02 Bonsai AI, Inc. Artificial intelligence engine configured to work with a pedagogical programming language to train one or more trained artificial intelligence models
CN107229972A (zh) * 2017-03-10 2017-10-03 东莞理工学院 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法
US20190325861A1 (en) * 2018-04-18 2019-10-24 Maneesh Kumar Singh Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques
CN109074502A (zh) * 2018-07-26 2018-12-21 深圳前海达闼云端智能科技有限公司 训练人工智能模型的方法、装置、存储介质及机器人
CN109660297B (zh) * 2018-12-19 2020-04-28 中国矿业大学 一种基于机器学习的物理层可见光通信方法
US11586930B2 (en) * 2019-04-16 2023-02-21 Microsoft Technology Licensing, Llc Conditional teacher-student learning for model training

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160005325A1 (en) * 2008-05-14 2016-01-07 International Business Machines Corporation System and method for domain adaptation in question answering
WO2019011350A1 (zh) * 2017-07-11 2019-01-17 中国医学科学院药物研究所 芬乐胺晶g型、制备方法和其组合物与用途
JP2019101789A (ja) * 2017-12-04 2019-06-24 日本電信電話株式会社 モデル学習装置、モデル学習方法、および、予測システム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PEI, ZHONGYI ET AL.: "Multi-Adversarial Domain Adaptation", THE THIRTY-SECOND AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE (AAAI-18, 2018, pages 3934 - 3941, XP081079967, Retrieved from the Internet <URL:https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPaper/17067> [retrieved on 20200421] *
SAITO, KUNIAKI ET AL.: "Maximum Classifier Discrepancy for Unsupervised Domain Adaptation", 2018 IEEE /CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, 18 June 2018 (2018-06-18), pages 3723 - 3732, XP033476343, DOI: 10.1109/CVPR.2018.00392 *

Also Published As

Publication number Publication date
EP3772710A1 (en) 2021-02-10
KR20190110500A (ko) 2019-09-30
US20210287128A1 (en) 2021-09-16
CN112347691B (zh) 2024-05-28
CN112347691A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
WO2021025217A1 (ko) 인공지능 서버
WO2020213750A1 (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
WO2021010509A1 (ko) 인공지능 조리 기기
WO2020235696A1 (ko) 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법
WO2020241922A1 (ko) 차량 제어 장치
WO2020218632A1 (ko) 인공지능 장치
WO2020235712A1 (ko) 콘텐츠 기반의 스타일을 갖는 텍스트 또는 음성을 생성하는 인공 지능 장치 및 그 방법
WO2019182265A1 (ko) 인공 지능 기기 및 그의 동작 방법
WO2020204221A1 (ko) 공기 조화기
WO2020184748A1 (ko) 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2020138624A1 (en) Apparatus for noise canceling and method for the same
WO2020196962A1 (ko) 인공 지능 청소기 및 그의 동작 방법
WO2020213758A1 (ko) 음성으로 상호작용하는 인공 지능 장치 및 그 방법
WO2021006366A1 (ko) 디스플레이 패널의 색상을 조정하는 인공 지능 장치 및 그 방법
WO2021006404A1 (ko) 인공지능 서버
WO2020230933A1 (ko) 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
WO2020184747A1 (ko) 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2021029457A1 (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
WO2021006405A1 (ko) 인공지능 서버
WO2020184753A1 (ko) 음성 추출 필터를 이용하여 음성 제어를 수행하는 인공 지능 장치 및 그 방법
WO2019225961A1 (en) Electronic device for outputting response to speech input by using application and operation method thereof
WO2019135621A1 (ko) 영상 재생 장치 및 그의 제어 방법
WO2020138564A1 (ko) 전자 장치
WO2021020621A1 (ko) 인공지능 무빙 에이전트
WO2020184746A1 (ko) 주행 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법

Legal Events

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

Ref document number: 19940190

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: 19940190

Country of ref document: EP

Kind code of ref document: A1