WO2021040105A1 - 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법 - Google Patents

개체명 테이블을 생성하는 인공 지능 장치 및 그 방법 Download PDF

Info

Publication number
WO2021040105A1
WO2021040105A1 PCT/KR2019/011208 KR2019011208W WO2021040105A1 WO 2021040105 A1 WO2021040105 A1 WO 2021040105A1 KR 2019011208 W KR2019011208 W KR 2019011208W WO 2021040105 A1 WO2021040105 A1 WO 2021040105A1
Authority
WO
WIPO (PCT)
Prior art keywords
entity name
name table
text
metadata
entity
Prior art date
Application number
PCT/KR2019/011208
Other languages
English (en)
French (fr)
Inventor
채종훈
서지우
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 PCT/KR2019/011208 priority Critical patent/WO2021040105A1/ko
Priority to US16/604,428 priority patent/US20210334461A1/en
Priority to KR1020190108195A priority patent/KR20190107616A/ko
Publication of WO2021040105A1 publication Critical patent/WO2021040105A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/044—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Definitions

  • the present invention relates to an artificial intelligence apparatus and method for generating a named entity table. Specifically, the present invention relates to an artificial intelligence apparatus and method for generating an entity name table in a new domain by using existing entity name tables.
  • Named entity refers to a word or phrase having a specific meaning within a given text, and has a great influence on understanding the meaning of the text. Therefore, in natural language processing, it is important to accurately recognize (or extract) the object name from the text. Since different proper nouns or homophones exist according to the characteristics of each domain, Named Entity Recognition (NER) is performed using an entity name table that is classified for each domain.
  • NER Named Entity Recognition
  • An object of the present invention is to provide an artificial intelligence apparatus and method for generating an entity name table in a new domain using an entity name table created for another domain.
  • an entity name table generation model is trained using a first text corresponding to each of a plurality of first domains, a first metadata, and a first entity name table, and the learned entity name table is generated.
  • An artificial intelligence apparatus and method for generating a second entity name table corresponding to a second text and second metadata of a second domain different from a plurality of first domains using a model are provided.
  • an entity name table for a new domain can be easily created with a small number of human resources by using an entity name table created for another domain. That is, unlike the conventional entity name table creation method, the user does not need to manually tag entity names for each morpheme or word, so it is easy to create an entity name table for a new domain.
  • FIG 1 shows an AI device according to an embodiment of the present invention.
  • FIG 2 shows an AI server according to an embodiment of the present invention.
  • FIG 3 shows an AI system according to an embodiment of the present invention.
  • FIG 4 shows an AI device according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a method of generating an entity name table according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a method of learning an entity name table generation model according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating a method of generating an entity name table according to an embodiment of the present invention.
  • FIG. 8 is a diagram illustrating an example of an entity name table generation model according to an embodiment of the present invention.
  • Machine learning refers to the field of studying 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, which is 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.
  • the hyperparameter refers to a parameter that must be set before learning in a machine learning algorithm, and includes a learning rate, number of iterations, mini-batch size, and initialization function.
  • the purpose of learning the artificial neural network can be seen as determining the 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 must infer when training data is input to the artificial neural network. It can mean.
  • Unsupervised learning may mean a method of training an artificial neural network in a state in which 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 sequence of actions 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, and the like 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 travels 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 including 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.
  • Augmented 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's a graphic technology.
  • MR technology is similar to AR technology in that it shows real and virtual objects together.
  • a virtual object is used in a form that complements a real object, whereas in MR technology, there is a difference in that a virtual object and a real object are used with equal characteristics.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • mobile phones tablet PCs, laptops, desktops, TVs, digital signage, etc. It can be called as.
  • FIG 1 shows an AI device 100 according to an embodiment of the present invention.
  • the artificial intelligence device 100 may be referred to as a terminal.
  • 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, and 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 artificial intelligence device 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. And the like.
  • 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.
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • LTE Long Term Evolution
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Bluetooth 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, and a user input unit for receiving information from a user.
  • a camera or a microphone for receiving an audio signal
  • a user input unit for receiving information from a user.
  • a signal obtained from the camera or a 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 by 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 on 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 sensations.
  • the output unit 150 may include a display unit outputting visual information, a speaker outputting auditory information, a haptic module outputting tactile information, and the like.
  • the memory 170 may store data supporting various functions of the AI device 100.
  • the memory 170 may store input data, learning 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. In addition, 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 run.
  • 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. And, at least one of the STT engine or the NLP engine is learned by the learning processor 130, learning 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 in order to drive the application program stored in the memory 170. Further, in order to drive the application program, the processor 180 may operate by combining two or more of the components included in the AI device 100 with each other.
  • 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 configured with 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 a part of AI processing together.
  • the AI server 200 may include a communication unit 210, a memory 230, a learning processor 240, a processor 260, and the like.
  • 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 an 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 with this 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 directly communicate with each other 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 for input data using a direct learning model, and may 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. You can decide on a plan, decide on a response to user interaction, or decide on an action.
  • the robot 100a may use sensor information obtained from at least one sensor 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-described 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 route and a driving plan using at least one of map data, object information detected from sensor information, or object information obtained 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 the 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 status 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 a travel route and a driving plan, or to determine an action.
  • 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 may receive information directly recognized from external devices. .
  • the autonomous vehicle 100b may perform the above-described 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 obtained 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 information on intention of interaction according to a user's motion or voice speech, and determine a response based on the acquired 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.
  • 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.
  • Vehicle can be implemented as a fixed robot or a mobile robot.
  • 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 device 100c may perform the above-described operations using a learning model composed of at least one artificial neural network.
  • the XR apparatus 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 generated result 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 in 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 provides information on the surrounding environment or By generating object information and providing it to the autonomous driving 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 functions 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 in controlling 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 a function 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 of 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 having a means for providing an XR image may obtain 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 a real object or an XR object corresponding to 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 so that it overlaps with 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 the 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.
  • FIG 4 shows an AI device 100 according to an embodiment of the present invention.
  • the input unit 120 includes a camera 121 for inputting an image signal, a microphone 122 for receiving an audio signal, and a user input unit for receiving information from a user. 123).
  • the voice data or image data collected by the input unit 120 may be analyzed and processed as a user's control command.
  • the input unit 120 is for inputting image information (or signal), audio information (or signal), data, or information input from a user.
  • image information or signal
  • audio information or signal
  • data or information input from a user.
  • the AI device 100 Cameras 121 may be provided.
  • the camera 121 processes an image frame such as a still image or a moving image obtained by an image sensor in a video call mode or a photographing mode.
  • the processed image frame may be displayed on the display unit 151 or stored in the memory 170.
  • the microphone 122 processes an external sound signal into electrical voice data.
  • the processed voice data may be variously utilized according to a function (or an application program being executed) being executed by the AI device 100. Meanwhile, various noise removal algorithms for removing noise generated in a process of receiving an external sound signal may be applied to the microphone 122.
  • the user input unit 123 is for receiving information from a user, and when information is input through the user input unit 123, the processor 180 may control the operation of the AI device 100 to correspond to the input information. .
  • the user input unit 123 is a mechanical input means (or a mechanical key, for example, a button located on the front/rear or side of the AI device 100, a dome switch, a jog wheel, a jog switch, etc.) And a touch input means.
  • the touch input means is composed of a virtual key, a soft key, or a visual key displayed on a touch screen through software processing, or a portion other than the touch screen It may be made of a touch key (touch key) arranged in the.
  • the sensing unit 140 may be referred to as a sensor unit.
  • the output unit 150 includes at least one of a display unit 151, a sound output unit 152, a haptic module 153, and an optical output unit 154. can do.
  • the display unit 151 displays (outputs) information processed by the AI device 100.
  • the display unit 151 may display execution screen information of an application program driven by the AI device 100, or UI (User Interface) and GUI (Graphic User Interface) information according to the execution screen information.
  • UI User Interface
  • GUI Graphic User Interface
  • the display unit 151 may implement a touch screen by forming a layer structure or integrally with the touch sensor.
  • a touch screen may function as a user input unit 123 that provides an input interface between the AI device 100 and a user, and may provide an output interface between the terminal 100 and the user.
  • the sound output unit 152 may output audio data received from the communication unit 110 or stored in the memory 170 in a call signal reception, a call mode or a recording mode, a voice recognition mode, a broadcast reception mode, and the like.
  • the sound output unit 152 may include at least one of a receiver, a speaker, and a buzzer.
  • the haptic module 153 generates various tactile effects that a user can feel.
  • a typical example of the tactile effect generated by the haptic module 153 may be vibration.
  • the light output unit 154 outputs a signal for notifying the occurrence of an event using light from a light source of the AI device 100.
  • Examples of events occurring in the AI device 100 may include message reception, call signal reception, missed call, alarm, schedule notification, email reception, and information reception through an application.
  • FIG. 5 is a flowchart illustrating a method of generating an entity name table according to an embodiment of the present invention.
  • the entity name is a noun form such as a proper noun or a noun phrase.
  • Named Entity Recognition means recognizing (or determining) the entity name tag of the entity name included in the text. That is, the recognition of the entity name includes identifying the entity name included in the text and determining the tag of the identified entity name.
  • the entity name recognition may be performed using a named entity table corresponding to a given domain.
  • the entity name table can include each entity name and a tag corresponding to the entity name.
  • the domain may mean a field in which entity name recognition is performed, and may be classified into various units such as a product unit, a technology unit, and a service unit.
  • the domain may include a food domain, a sports domain, a weather domain, a music domain, a movie domain, an information technology (IT) domain, a medical domain, and the like.
  • the entity name table may also be referred to as an entity name recognition model in that the entity name table includes each entity name and a tag corresponding thereto, and recognizes entity names using the entity name table.
  • the processor 180 or the learning processor 130 of the artificial intelligence device 100 includes a first text, a first metadata, and a first entity name corresponding to each of a plurality of first domains.
  • a named entity extraction model is trained using the table (S501).
  • the plurality of first domains may mean domains corresponding to each of the created entity name tables.
  • the first domain may also be referred to as a base domain.
  • the first text may be referred to as base text
  • the first metadata may be referred to as base metadata
  • the first entity name table may be referred to as a base named entity table. It can be called this.
  • the first text, the first metadata, and the first entity name table may mean a text, metadata, and entity name table corresponding to each of the plurality of first domains. That is, when the plurality of first domains are n domains, there are n first text, first metadata, and first entity name table, respectively, and each corresponds to one of the n first domains.
  • the first domains are sports domains and music domains
  • the first text includes sports domain text and music domain text
  • the first metadata includes sports domain metadata and music domain metadata
  • the name table may include a sports domain entity name table and a music domain entity name table.
  • the first text may include numerous sentences and words.
  • the first text may be expressed as text itself, an ASCII code corresponding to the first text or Unicode, and the first text according to a word embedding technique. It may also be expressed as a word vector converted from.
  • the processor 180 may convert the first text into a word vector according to a word embedding technique.
  • the first metadata is metadata corresponding to the first text and may include information that can be used to recognize an entity name from the first text.
  • the first metadata includes domain information corresponding to the first text, action/function information that an agent can perform in the domain corresponding to the first text, and each morpheme included in the first text. It may include at least one or more of the parts of speech information or size information of the entity name table.
  • the first metadata may essentially include domain information.
  • the operation/function information may include search, play, and guide.
  • the size information of the entity name table may mean the number of entity name tags included in the entity name table.
  • the first metadata may be set by a user or an administrator.
  • the part-of-speech information may be automatically set based on a POS tagging (Part-Of-Speech tagging) technique.
  • Each of the domain information, motion/function information, and size information may be set singly within one domain, and the part-of-speech information may be set for each morpheme of the text even within one domain.
  • the first entity name table is generated using the first text and the first metadata, and may include an entity name that can be used to recognize an entity name from the first text and an entity name tag corresponding thereto.
  • the first entity name table may include a positive named entity table and a negative named entity table.
  • the positive entity name table is an entity name table including morphemes or words to be recognized as entity names and corresponding entity name tags
  • the negative entity name table refers to entity name tables including morphemes or words that will not be recognized as entity names. can do. That is, the positive entity name table may mean that a specific morpheme or word belongs to the domain, and the negative entity name table may mean that the specific morpheme or word does not belong to the domain.
  • the negative entity name table can be used as a filter for recognizing entity names in text.
  • the entity name table includes an entity name tag corresponding to each morpheme or word included in the input text, and in this respect, the entity name table can be considered to include a positive entity name table.
  • the object name table may include not only the object name tag but also a tag (eg, negative tag) that means a negative object name table, and a negative tag is mapped to some of the morphemes or words included in the input text and stored. Can be.
  • the entity name table also includes a negative entity name table. That is, even in a single entity name table, if an entity name tag or a negative tag is selectively mapped to a morpheme or word, the entity name table can be considered to include both a positive entity name table and a negative entity name table.
  • a set of first text, first metadata, and first entity name table corresponding to the same domain may constitute one learning data.
  • the processor 180 or the learning processor 130 may train an entity name table generation model using a plurality of training data.
  • the memory 170 may store training data for learning the entity name table generation model. That is, the memory 170 may store a first text, first metadata, and a first entity name table corresponding to each of the plurality of first domains.
  • the entity name table generation model includes an artificial neural network, and may be trained using a machine learning algorithm or a deep learning algorithm.
  • the entity name table generation model uses a recurrent neural network (RNN), a bidirectional recurrent neural network (BRNN), a long short-term memory (LSTM), or a bidirectional long-term memory (BiLSTM: Bidirectional LSTM).
  • RNN recurrent neural network
  • BRNN bidirectional recurrent neural network
  • LSTM long short-term memory
  • BiLSTM bidirectional long-term memory
  • the entity name table generation model is a model that outputs an entity name table corresponding to the first domain when a first text of a first domain included in the training data and first metadata corresponding to the first text are input.
  • the first entity name table included in the training data may be used as label data used for learning the entity name table generation model.
  • the processor 180 or the learning processor 130 extracts an input feature vector from the first text and first metadata included in the training data, and uses the extracted input feature vector as an entity name table generation model.
  • the object name table output from the extraction layer of the object name table generation model is obtained as a response to the input layer of the object.
  • the processor 180 or the learning processor 130 calculates an error between the entity name table obtained from the entity name table generation model and the first entity name table included in the training data, and reduces the calculated error.
  • the entity name table generation model can be trained by updating the generation model. That is, the entity name table generation model may be trained so that the entity name table generated from the first text included in the training data and the first metadata follows the first entity name table included in the training data.
  • the well-learned entity name table generation model can generate and output an entity name table identical to or very similar to the first entity name table included in the training data from the first text and first metadata included in the training data. have.
  • the memory 170 may store the learned entity name table generation model.
  • the processor 180 of the artificial intelligence device 100 uses the learned entity name table generation model to generate a second entity name table corresponding to the second domain from the second text corresponding to the second domain and the second metadata. Generates (S503).
  • the second domain means a new domain different from the first domain, and in particular, may mean a domain in which an entity name table has not been created.
  • the second domain may also be referred to as a target domain.
  • the second text may be referred to as target text
  • the second metadata may be referred to as target metadata
  • the second entity name table may be referred to as a target named entity table. It can be called this.
  • the second text may include numerous sentences and words.
  • the second text may be expressed as text itself, ASCII code or Unicode corresponding to the second text, or may be expressed as a word vector converted from the second text according to a word embedding technique.
  • the processor 180 may convert the second text into a word vector according to a word embedding technique.
  • the second text is expressed in the same format as the first text. If the second text has a different format from the first text, the processor 180 may change the format of the second text to be the same as the format of the first text.
  • the memory 170 may store the second text.
  • the second metadata is metadata corresponding to the second text and may include information that can be used to recognize an entity name from the second text.
  • the second metadata includes domain information corresponding to the second text, action/function information that the agent can perform in the domain corresponding to the second text, part of speech information of each morpheme included in the second text, or the size of the entity name table It may include at least one or more of the information.
  • the second metadata may essentially include domain information.
  • operation/function information may include search, playback, and guidance.
  • the size information of the entity name table may mean the number of entity name tags included in the entity name table.
  • the second metadata may be set by a user or an administrator.
  • the part-of-speech information may be automatically set based on a part-of-speech tagging technique.
  • the memory 170 may store second metadata.
  • the entity name table creation model has already been learned using a plurality of training data corresponding to a plurality of first domains, and this is an entity name corresponding to the domain when text and metadata corresponding to the text are given in the already learned domain. Print the table.
  • the entity name table creation model learns the relationship between text, metadata, and entity name tables.
  • the processor 180 inputs the second text and the second metadata in the second domain different from the first domains into the entity name table generation model, thereby providing a second domain corresponding to the second domain output from the entity name table generation model. 2 You can obtain the entity name table.
  • the memory 170 may store the generated second entity name table.
  • the second entity name table is created using second text and second metadata, and includes entity names and corresponding entity name tags that can be used to recognize entity names from the second text. can do.
  • the second entity name table may include a positive entity name table and a negative entity name table.
  • the entity name table generation model may determine an appropriate number of entity name tags based on a result of learning about the first domain.
  • the entity name table generation model creates the second entity name table in a state in which the user does not set the entity name tag for each entity name included in the second text. Accordingly, the second entity name table may be different from the entity name table set or created by the user.
  • the entity name table generation model is based on the entity name table (first entity name table) for other domains (first domains), based on the entity name table (second domain) in a new domain (second domain). Since the entity name table) was created, the generated second entity name table can be expected to have significant reliability, even if it is not perfect.
  • the second entity name table created using the entity name table creation model may be used as an initial setting or an initial value when a user creates an entity name table in the second domain. .
  • the processor 180 of the artificial intelligence device 100 receives the text of the second domain through the communication unit 110 or the input unit 120 (S505).
  • the processor 180 may receive text of the second domain from an external device such as a user terminal through the communication unit 110, or receive text of the second domain from a keyboard, mouse, microphone, etc. through the input unit 120. May be.
  • the processor 180 may convert the format of the received data into text. For example, when the user utters a voice for the second domain using a microphone, the processor 180 may convert the received voice data into text.
  • Information that the received text is the second domain may be determined based on a user's input. For example, when the second domain is a sports domain and the user inputs text for recognizing an entity name while the domain is set as the sports domain, the processor 180 may determine that the input text is the text of the sports domain. In this case, the processor 180 may receive the text of the second domain and information indicating that the text is the second domain.
  • the processor 180 of the artificial intelligence device 100 recognizes the entity name from the received text using the generated second entity name table (S507).
  • the processor 180 can recognize the entity name from the received text using the generated second entity name table. .
  • recognizing the entity name may mean recognizing or identifying the entity name included in the text and the entity name tag of the entity name.
  • the artificial intelligence apparatus 100 may create an entity name table in a new domain and further recognize the entity name from the text of the new domain.
  • FIG. 5 illustrates a process of generating an entity name table in a new domain in which the artificial intelligence device 100 becomes a subject, but the present invention is not limited thereto. That is, in an embodiment of the present invention, the artificial intelligence server 200 generates an entity name table in a new domain, and the artificial intelligence device 100 receives the entity name table generated from the artificial intelligence server 200 Also, the object name can be recognized from the text of the new domain using the received object name table.
  • the artificial intelligence server 200 creates an entity name table in a new domain, receives the text of the new domain from the artificial intelligence device 100, and stores the created entity name table.
  • the object name can be recognized in the text of the new domain, and the recognized object name can be transmitted to the artificial intelligence device 100.
  • the processor 260 or the learning processor 240 of the artificial intelligence server 200 trains the entity name table generation model, and the processor The entity name table corresponding to the new domain may be created by using the learned entity name table generation model (260).
  • the description of the method for the artificial intelligence server 200 to generate the entity name table corresponding to the new domain is the same as the method for the artificial intelligence device 100 shown in FIG. 5 to create the entity name table corresponding to the new domain. Therefore, redundant descriptions are omitted.
  • FIG. 6 is a diagram illustrating a method of learning an entity name table generation model according to an embodiment of the present invention.
  • the training data 610 may include a first text 611 corresponding to a first domain, a first metadata 612, and a first entity name table 613.
  • the first text 611 and the first metadata 612 are input to the entity name table generation model 620.
  • An input feature vector may be extracted from the first text 611 and the first metadata 612, and the extracted input feature vector may be input to an input layer of the entity name table generation model 620.
  • the entity name table generation model 620 is an entity name table corresponding to the first text 611 and the first metadata 612 based on the input first text 611 and the first metadata 612. Prints 630.
  • the output (or generated) entity name table 630 is compared (641) with the first entity name table 613 included in the training data 610, and based on the comparison result, the entity name table generation model (620) is updated (642).
  • the update 642 of the entity name table generation model 620 is performed so that the difference between the first entity name table 613 and the created entity name table 630 is reduced. That is, the entity name table generation model 620 is trained so that the output entity name table 630 follows the first entity name table 613 included in the training data 610.
  • the method shown in FIG. 6 shows a cycle of a method of learning the entity name table generation model 620, and this process may be repeatedly performed.
  • FIG. 7 is a diagram illustrating a method of generating an entity name table according to an embodiment of the present invention.
  • the second text 711 and the second metadata 712 corresponding to the second domain not used for training the entity name table generation model 620 are in the entity name table generation model 620. Is entered.
  • the entity name table generation model 620 may be trained according to the method illustrated in FIG. 6.
  • the object name table generation model 620 is a second object corresponding to the second text 711 and the second metadata 712 based on the input second text 711 and the second metadata 712.
  • the name table 730 is output.
  • the output (or generated) second entity name table may be used as an entity name table corresponding to the second domain.
  • FIG. 8 is a diagram illustrating an example of an entity name table generation model according to an embodiment of the present invention.
  • the entity name table generation model 820 may include a bidirectional long-term memory (BiLSTM).
  • the entity name table generation model 820 may include an input layer 821 (input layer), a forward layer 822 (forward layer), a reverse layer 823 (backward layer), and an output layer 824 (output layer).
  • the entity name table generation model outputs an entity name table 830 corresponding to the input text 811 and meta data 812.
  • the entity name table 830 may include a positive entity name table and a negative entity name table.
  • the meaning that the entity name table 830 includes a positive entity name table and a negative entity name table means that the entity name table generation model 820 creates a positive entity name table and a negative entity name table by separating them from each other.
  • it may include creating a single entity name table that includes the functions of the positive entity name table and the negative entity name table.
  • 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 hard disk drives (HDDs), solid state disks (SSDs), silicon disk drives (SDDs), ROMs, RAM, CD-ROMs, magnetic tapes, floppy disks, optical data storage devices, etc. There is this.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

본 발명의 실시 예는 개체명 테이블(named entity table)을 생성하는 인공 지능 장치에 있어서, 복수의 제1 도메인들(domains) 각각에 상응하는 제1 텍스트, 제1 메타데이터(metadata) 및 제1 개체명 테이블을 저장하는 메모리; 및 상기 저장된 제1 텍스트, 상기 저장된 제1 메타데이터 및 상기 저장된 제1 개체명 테이블을 이용하여 개체명 테이블 생성 모델(named entity table generation model)을 학습시키고, 상기 학습된 개체명 테이블 생성 모델을 이용하여 상기 복수의 제1 도메인들과 다른 제2 도메인의 제2 텍스트 및 제2 메타데이터에 상응하는 제2 개체명 테이블을 생성하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
본 발명은 개체명 테이블(named entity table)을 생성하는 인공 지능 장치 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 기존에 생성된 개체명 테이블들을 이용하여 새로운 도메인에서의 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법에 관한 것이다.
개체명(named entity)이란 주어진 텍스트 내에서 특정한 의미를 갖는 단어 또는 어구를 의미하며, 텍스트의 의미를 파악하는데 큰 영향을 끼친다. 따라서, 자연어 처리에 있어서, 텍스트에서 개체명을 정확하게 인식 (또는 추출)하는 것이 중요하다. 각 도메인(domain)의 특성에 따라 서로 다른 고유명사나 동음이의어 등이 존재하기 때문에, 개체명 인식(NER: Named Entity Recognition)은 각 도메인별로 구분되는 개체명 테이블을 이용하여 수행된다.
그러나, 개체명 테이블을 구성하기 위하여는 사용자가 입력되는 텍스트의 도메인뿐만 아니라 입력되는 텍스트에 포함된 각 단어에 대한 개체명 태그를 설정하게 된다. 따라서, 새로운 도메인에 대한 개체명 테이블을 구성하는 경우에도 기존의 다른 도메인에서의 개체명 테이블을 이용하지 않고, 사용자가 새로이 입력되는 텍스트의 도메인과 각 단어에 대한 개체명 태그를 설정하여야 하며, 그에 따라 많은 인적 자원(human resource)이 요구되는 문제점이 있다.
본 발명은 다른 도메인에 대하여 생성된 개체명 테이블을 이용하여 새로운 도메인에서의 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는, 복수의 제1 도메인들 각각에 상응하는 제1 텍스트, 제1 메타데이터 및 제1 개체명 테이블을 이용하여 개체명 테이블 생성 모델을 학습시키고, 학습된 개체명 테이블 생성 모델을 이용하여 복수의 제1 도메인들과 다른 제2 도메인의 제2 텍스트 및 제2 메타데이터에 상응하는 제2 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법을 제공한다.
본 발명의 다양한 실시 예에 따르면, 다른 도메인에 대하여 생성된 개체명 테이블을 이용하여 적은 인적 자원으로 간편하게 새로운 도메인에 대한 개체명 테이블을 생성할 수 있다. 즉, 종래의 개체명 테이블 생성 방법과는 달리 사용자가 수작업으로 각 형태소 또는 단어에 대하여 개체명 태깅을 하지 않아도 되므로, 새로운 도메인에 대한 개체명 테이블의 생성이 용이하다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 개체명 테이블을 생성하는 방법을 나타낸 동작 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 개체명 테이블 생성 모델의 학습 방법을 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 개체명 테이블을 생성하는 방법을 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 개체명 테이블 생성 모델의 일 예를 나타낸 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.
이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.
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, 인공 지능 장치(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(Bluetooth쪠), 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. 예컨대, 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.
도 4는 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
센싱부(140)는 센서부라고 칭할 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 개체명 테이블을 생성하는 방법을 나타낸 동작 흐름도이다.
상술한 바와 같이, 주어진 텍스트의 의미(meaning) 또는 의도(intention)를 정확하게 인식하기 위하여는 텍스트에 포함된 개체명(named entity)을 정확하게 인식하는 것이 중요하다. 개체명은 고유명사나 명사구와 같은 명사형이다.
개체명 인식(NER: Named Entity Recognition)은 텍스트에 포함된 개체명의 개체명 태그를 인식 (또는 결정)하는 것을 의미한다. 즉, 개체명 인식은 텍스트에 포함된 개체명을 식별하고, 그 식별한 개체명의 태그를 결정하는 것을 포함한다. 그리고, 개체명 인식은 주어진 도메인(domain)에 상응하는 개체명 테이블(named entity table)을 이용하여 수행될 수 있다. 개체명 테이블에는 각 개체명과 그 개체명에 상응하는 태그가 포함될 수 있다.
도메인은 개체명 인식이 수행되는 분야를 의미할 수 있으며, 제품 단위, 기술 단위, 서비스 단위 등의 다양한 단위로 구분될 수 있다. 예컨대, 도메인에는 음식 도메인, 스포츠 도메인, 날씨 도메인, 음악 도메인, 영화 도메인, IT(Information Technology) 도메인, 의학 도메인 등이 포함될 수 있다.
개체명 테이블이 각 개체명과 그에 상응하는 태그를 포함하고, 개체명 테이블을 이용하여 개체명을 인식한다는 점에서, 개체명 테이블을 개체명 인식 모델이라 칭할 수도 있다.
종래에는 새로운 도메인에 대한 개체명 테이블을 생성하기 위하여 사람이 직접 주어진 텍스트에 포함된 개체명 각각에 대하여 상응하는 태그를 지정하여야 했다. 즉, 종래에는 새로운 도메인에 대한 개체명 테이블을 생성할 때마다 사람의 노력이 많이 개입되어야 하는 문제가 있었다.
도 5를 참조하면, 인공 지능 장치(100)의 프로세서(180) 또는 러닝 프로세서(130)는 복수의 제1 도메인들 각각에 상응하는 제1 텍스트, 제1 메타데이터(metadata) 및 제1 개체명 테이블을 이용하여 개체명 테이블 생성 모델(named entity extraction model)을 학습시킨다(S501).
복수의 제1 도메인들은 생성되어 있는 개체명 테이블들 각각에 상응하는 도메인들을 의미할 수 있다. 제1 도메인은 기본 도메인(base domain)이라 칭할 수도 있다. 마찬가지로, 제1 텍스트는 기본 텍스트(base text)라 칭할 수 있으며, 제1 메타데이터는 기본 메타데이터(base metadata)라 칭할 수 있으며, 제1 개체명 테이블은 기본 개체명 테이블(base named entity table)이라 칭할 수 있다.
제1 텍스트, 제1 메타데이터 및 제1 개체명 테이블은 복수의 제1 도메인들 각각에 상응하는 텍스트, 메타데이터 및 개체명 테이블을 의미할 수 있다. 즉, 복수의 제1 도메인들이 n개의 도메인들인 경우, 제1 텍스트, 제1 메타데이터 및 제1 개체명 테이블은 각각 n개씩 존재하며, 이들은 각각 n개의 제1 도메인들 중 하나와 대응된다. 예컨대, 제1 도메인들이 스포츠 도메인 및 음악 도메인인 경우, 제1 텍스트에는 스포츠 도메인 텍스트 및 음악 도메인 텍스트가 포함되며, 제1 메타데이터에는 스포츠 도메인 메타데이터 및 음악 도메인 메타데이터가 포함되며, 제1 개체명 테이블에는 스포츠 도메인 개체명 테이블 및 음악 도메인 개체명 테이블이 포함될 수 있다.
제1 텍스트는 수 많은 문장들과 단어들을 포함할 수 있다. 또한, 제1 텍스트는 텍스트 자체로써 표현될 수도 있고, 제1 텍스트에 상응하는 아스키코드(ASCII code) 또는 유니코드(Unicode)로써 표현될 수도 있으며, 워드 임베딩(word embedding) 기법에 따라 제1 텍스트로부터 변환된 워드 벡터로써 표현될 수도 있다. 예컨대, 프로세서(180)가 워드 임베딩 기법에 따라 제1 텍스트를 워드 벡터로 변환할 수 있다.
제1 메타데이터는 제1 텍스트와 대응되는 메타데이터로, 제1 텍스트로부터 개체명을 인식하는데 이용할 수 있는 정보를 포함할 수 있다. 제1 메타데이터는 제1 텍스트에 상응하는 도메인 정보, 제1 텍스트에 상응하는 도메인에서 에이전트(agent)가 수행할 수 있는 동작(action)/기능(function) 정보, 제1 텍스트에 포함된 각 형태소의 품사 정보 또는 개체명 테이블의 크기 정보 중에서 적어도 하나 이상을 포함할 수 있다. 특히, 제1 메타데이터는 도메인 정보를 필수적으로 포함할 수 있다. 예컨대, 동작/기능 정보에는 검색(search), 재생(play), 안내(guide) 등이 포함될 수 있다. 개체명 테이블의 크기 정보는 개체명 테이블에 포함되는 개체명 태그의 개수를 의미할 수 있다. 그리고, 제1 메타데이터는 사용자 또는 관리자에 의하여 설정될 수 있다. 일 실시 예에서, 품사 정보는 품사 태깅(POS tagging: Part-Of-Speech tagging) 기법에 기초하여 자동으로 설정될 수도 있다.
도메인 정보, 동작/기능 정보, 크기 정보 각각은 하나의 도메인 내에서는 단일하게 설정될 수 있고, 품사 정보는 하나의 도메인 내라고 하더라도 텍스트의 형태소별로 설정될 수 있다.
제1 개체명 테이블은 제1 텍스트와 제1 메타데이터를 이용하여 생성되며, 제1 텍스트로부터 개체명을 인식하는데 이용할 수 있는 개체명과 그에 상응하는 개체명 태그를 포함할 수 있다. 제1 개체명 테이블은 포지티브 개체명 테이블(positive named entity table) 및 네거티브 개체명 테이블(negative named entity table)을 포함할 수 있다. 포지티브 개체명 테이블은 개체명으로 인식될 형태소 또는 단어와 그에 대응되는 개체명 태그를 포함하는 개체명 테이블이며, 네거티브 개체명 테이블은 개체명으로 인식되지 않을 형태소 또는 단어를 포함하는 개체명 테이블을 의미할 수 있다. 즉, 포지티브 개체명 테이블은 특정 형태소 또는 단어가 도메인에 속한다는 것을 의미할 수 있으며, 네거티브 개체명 테이블은 특정 형태소 또는 단어가 도메인에 속하지 않는다는 것을 의미할 수 있다. 네거티브 개체명 테이블은 텍스트에서 개체명을 인식할 때의 필터로써 이용될 수 있다.
개체명 테이블은 입력된 텍스트에 포함된 형태소 또는 단어 각각에 대하여 대응되는 개체명 태그를 포함하며, 이러한 측면에서 개체명 테이블은 포지티브 개체명 테이블을 포함한다고 볼 수 있다. 또한, 개체명 테이블이 개체명 태그뿐만 아니라 네거티브 개체명 테이블을 의미하는 태그 (예컨대, 네거티브 태그)를 함께 포함할 수도 있고, 입력된 텍스트에 포함된 형태소 또는 단어 중에서 일부에 네거티브 태그가 대응되어 저장될 수 있다. 이러한 측면에서는 개체명 테이블은 네거티브 개체명 테이블도 함께 포함한다고 볼 수 있다. 즉, 하나의 개체명 테이블이라고 하더라도, 형태소 또는 단어에 개체명 태그 또는 네거티브 태그가 선택적으로 매핑되어 있다면, 그 개체명 테이블은 포지티브 개체명 테이블과 네거티브 개체명 테이블을 모두 포함한다고 볼 수 있다.
동일한 도메인에 대응되는 한 세트의 제1 텍스트, 제1 메타데이터 및 제1 개체명 테이블은 하나의 학습 데이터를 구성할 수 있다. 프로세서(180) 또는 러닝 프로세서(130)는 복수의 학습 데이터를 이용하여 개체명 테이블 생성 모델을 학습시킬 수 있다. 메모리(170)는 개체명 테이블 생성 모델의 학습을 위한 학습 데이터를 저장할 수 있다. 즉, 메모리(170)는 복수의 제1 도메인들 각각에 상응하는 제1 텍스트, 제1 메타데이터 및 제1 개체명 테이블을 저장할 수 있다.
개체명 테이블 생성 모델은 인공 신경망을 포함하고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다. 예컨대, 개체명 테이블 생성 모델은 순환 신경망(RNN: Recurrent Neural Network), 양방향 순환 신경망(BRNN: Bidirectional RNN), 장단기 메모리(LSTM: Long Short-Term Memory) 또는 양방향 장단기 메모리(BiLSTM: Bidirectional LSTM)를 포함할 수 있다.
개체명 테이블 생성 모델은 학습 데이터에 포함된 제1 도메인의 제1 텍스트와 제1 텍스트에 상응하는 제1 메타데이터가 입력되면, 제1 도메인에 상응하는 개체명 테이블을 출력하는 모델이다. 그리고, 학습 데이터에 포함된 제1 개체명 테이블은 개체명 테이블 생성 모델의 학습에 이용되는 라벨 데이터(label data)로써 이용될 수 있다.
구체적으로, 프로세서(180) 또는 러닝 프로세서(130)는 학습 데이터에 포함된 제1 텍스트 및 제1 메타데이터로부터 입력 특징 벡터(input feature vector)를 추출하고, 추출한 입력 특징 벡터를 개체명 테이블 생성 모델의 입력 레이어에 입력하고, 그 응답으로써 개체명 테이블 생성 모델의 추출 레이어에서 출력되는 개체명 테이블을 획득한다. 그리고, 프로세서(180) 또는 러닝 프로세서(130)는 개체명 테이블 생성 모델로부터 획득한 개체명 테이블과 학습 데이터에 포함된 제1 개체명 테이블의 오차를 계산하고, 계산된 오차를 줄이도록 개체명 테이블 생성 모델을 갱신함으로써 개체명 테이블 생성 모델을 학습시킬 수 있다. 즉, 개체명 테이블 생성 모델은 학습 데이터에 포함된 제1 텍스트와 제1 메타데이터로부터 생성하는 개체명 테이블이 학습 데이터에 포함된 제1 개체명 테이블을 추종하도록 학습될 수 있다. 이에 따라, 잘 학습된 개체명 테이블 생성 모델은 학습 데이터에 포함된 제1 텍스트와 제1 메타데이터로부터 학습 데이터에 포함된 제1 개체명 테이블과 동일하거나 매우 유사한 개체명 테이블을 생성하여 출력할 수 있다. 메모리(170)는 학습된 개체명 테이블 생성 모델을 저장할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 학습된 개체명 테이블 생성 모델을 이용하여 제2 도메인에 상응하는 제2 텍스트와 제2 메타데이터로부터 제2 도메인에 상응하는 제2 개체명 테이블을 생성한다(S503).
제2 도메인은 제1 도메인과는 다른 새로운 도메인을 의미하며, 특히 개체명 테이블이 생성되지 않은 도메인을 의미할 수 있다. 제2 도메인은 대상 도메인(target domain)이라 칭할 수도 있다. 마찬가지로, 제2 텍스트는 대상 텍스트(target text)라 칭할 수 있으며, 제2 메타데이터는 대상 메타데이터(target metadata)라 칭할 수 있으며, 제2 개체명 테이블은 대상 개체명 테이블(target named entity table)이라 칭할 수 있다.
제1 텍스트와 마찬가지로, 제2 텍스트는 수 많은 문장들과 단어들을 포함할 수 있다. 또한, 제2 텍스트는 텍스트 자체로써 표현될 수도 있고, 제2 텍스트에 상응하는 아스키코드 또는 유니코드로써 표현될 수도 있으며, 워드 임베딩 기법에 따라 제2 텍스트로부터 변환된 워드 벡터로써 표현될 수도 있다. 예컨대, 프로세서(180)가 워드 임베딩 기법에 따라 제2 텍스트를 워드 벡터로 변환할 수 있다.
제2 텍스트는 제1 텍스트와 동일한 형식으로 표현되는 것이 바람직하다. 만약, 제2 텍스트가 제1 텍스트와 형식이 다른 경우, 프로세서(180)는 제2 텍스트의 형식을 제1 텍스트의 형식과 동일하게 변경할 수 있다. 메모리(170)는 제2 텍스트를 저장할 수 있다.
제1 메타데이터와 마찬가지로, 제2 메타데이터는 제2 텍스트와 대응되는 메타데이터로, 제2 텍스트로부터 개체명을 인식하는데 이용할 수 있는 정보를 포함할 수 있다. 제2 메타데이터는 제2 텍스트에 상응하는 도메인 정보, 제2 텍스트에 상응하는 도메인에서 에이전트가 수행할 수 있는 동작/기능 정보, 제2 텍스트에 포함된 각 형태소의 품사 정보 또는 개체명 테이블의 크기 정보 중에서 적어도 하나 이상을 포함할 수 있다. 특히, 제2 메타데이터는 도메인 정보를 필수적으로 포함할 수 있다. 예컨대, 동작/기능 정보에는 검색, 재생, 안내 등이 포함될 수 있다. 개체명 테이블의 크기 정보는 개체명 테이블에 포함되는 개체명 태그의 개수를 의미할 수 있다. 그리고, 제2 메타데이터는 사용자 또는 관리자에 의하여 설정될 수 있다. 일 실시 예에서, 품사 정보는 품사 태깅 기법에 기초하여 자동으로 설정될 수도 있다. 메모리(170)는 제2 메타데이터를 저장할 수 있다.
개체명 테이블 생성 모델은 이미 복수의 제1 도메인들에 상응하는 복수의 학습 데이터를 이용하여 학습되었으며, 이는 이미 학습된 도메인에서는 텍스트와 텍스트에 상응하는 메타데이터가 주어지면 그 도메인에 상응하는 개체명 테이블을 출력한다. 즉, 개체명 테이블 생성 모델은 텍스트, 메타데이터 그리고 개체명 테이블 사이의 관계를 학습한 것이다. 따라서, 프로세서(180)는 제1 도메인들과는 다른 제2 도메인에서의 제2 텍스트와 제2 메타데이터를 개체명 테이블 생성 모델에 입력함으로써, 개체명 테이블 생성 모델에서 출력하는 제2 도메인에 상응하는 제2 개체명 테이블을 획득할 수 있다. 메모리(170)는 생성된 제2 개체명 테이블을 저장할 수 있다.
제1 개체명 테이블과 마찬가지로, 제2 개체명 테이블은 제2 텍스트와 제2 메타데이터를 이용하여 생성되며, 제2 텍스트로부터 개체명을 인식하는데 이용할 수 있는 개체명과 그에 상응하는 개체명 태그를 포함할 수 있다. 제2 개체명 테이블은 포지티브 개체명 테이블 및 네거티브 개체명 테이블을 포함할 수 있다.
개체명 테이블 생성 모델에 의하여 생성되는 제2 개체명 테이블에는 제2 메타데이터에 포함된 개체명 테이블의 크기 정보에 따른 숫자만큼의 개체명 태그들만이 포함될 수 있다. 만약, 제2 메타데이터에 개체명 테이블의 크기 정보가 포함되지 않은 경오라고 하더라도, 개체명 테이블 생성 모델은 제1 도메인에 대하여 학습한 결과에 기초하여 적정 숫자만큼의 개체명 태그들을 결정할 수 있다.
개체명 테이블 생성 모델은, 제1 도메인과는 달리, 사용자가 제2 텍스트에 포함된 각 개체명에 대하여 개체명 태그를 설정하지 않은 상태에서 제2 개체명 테이블을 생성한다. 따라서, 제2 개체명 테이블은 사용자에 의하여 설정된 또는 생성된 개체명 테이블과는 상이할 수 있다. 그러나, 개체명 테이블 생성 모델은 다른 도메인들 (제1 도메인들)에 대한 개체명 테이블 (제1 개체명 테이블)의 생성 규칙에 기초하여 새로운 도메인 (제2 도메인)에서의 개체명 테이블 (제2 개체명 테이블)을 생성한 것이므로, 생성된 제2 개체명 테이블은 완벽하지는 않더라도 유의미한 신뢰도를 갖는 것으로 기대할 수 있다. 나아가, 개체명 테이블 생성 모델을 이용하여 생성한 제2 개체명 테이블은 사용자가 제2 도메인에서의 개체명 테이블을 생성할 때의 초기 세팅(initial setting) 또는 초기 값(initial value)으로써 사용될 수도 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110) 또는 입력부(120)를 통해 제2 도메인의 텍스트를 수신한다(S505).
프로세서(180)는 통신부(110)를 통해 사용자 단말기 등의 외부 장치로부터 제2 도메인의 텍스트를 수신할 수도 있고, 입력부(120)를 통해 키보드, 마우스, 마이크로폰 등으로부터 제2 도메인의 텍스트를 수신할 수도 있다.
만약 수신한 데이터의 형식(format)이 텍스트가 아닌 경우, 프로세서(180)는 수신한 데이터의 형식을 텍스트로 변환할 수 있다. 예컨대, 사용자가 마이크로폰을 이용하여 제2 도메인에 대한 음성을 발화한 경우, 프로세서(180)는 수신한 음성 데이터를 텍스트로 변환할 수 있다.
수신한 텍스트가 제2 도메인이라는 정보는 사용자의 입력에 기초하여 결정될 수 있다. 예컨대, 제2 도메인이 스포츠 도메인이고, 사용자가 도메인을 스포츠 도메인으로 설정한 상태에서 개체명 인식을 위한 텍스트를 입력한 경우, 프로세서(180)는 입력된 텍스트가 스포츠 도메인의 텍스트임을 파악할 수 있다. 이 경우, 프로세서(180)는 제2 도메인의 텍스트와 함께 그 텍스트가 제2 도메인이라는 정보를 함께 수신할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 생성한 제2 개체명 테이블을 이용하여 수신한 텍스트에서 개체명을 인식한다(S507).
제2 개체명 테이블은 제2 도메인에 상응하는 개체명과 개체명 태그의 쌍들을 저장하고 있으므로, 프로세서(180)는 생성한 제2 개체명 테이블을 이용하여 수신한 텍스트에서 개체명을 인식할 수 있다. 상술한 바와 같이, 개체명을 인식한다는 것은 텍스트에 포함된 개체명과 그 개체명의 개체명 태그를 인식 또는 식별하는 것을 의미할 수 있다.
상기한 단계들(S501 내지 S507)에 따르면, 인공 지능 장치(100)는 새로운 도메인에서의 개체명 테이블을 생성하고, 나아가 그 새로운 도메인의 텍스트로부터 개체명을 인식할 수 있다.
본 발명의 일 실시 예는, 개체명 테이블 생성 모델을 생성하는 단계(S501)와 제2 개체명 테이블을 생성하는 단계(S503)만 수행하며, 그에 따라 인공 지능 장치(100)는 새로운 도메인에서의 개체명 테이블만을 생성할 수도 있다.
도 5에서는 인공 지능 장치(100)가 주체가 되어 새로운 도메인에서의 개체명 테이블을 생성하는 과정을 도시하고 있지만, 본 발명은 이에 한정되지 않는다. 즉, 본 발명의 일 실시 예는, 인공 지능 서버(200)가 새로운 도메인에서의 개체명 테이블을 생성하고, 인공 지능 장치(100)가 인공 지능 서버(200)로부터 생성된 개체명 테이블을 수신하고, 수신한 개체명 테이블을 이용하여 새로운 도메인의 텍스트로부터 개체명을 인식할 수도 있다.
또한, 본 발명의 일 실시 예는, 인공 지능 서버(200)가 새로운 도메인에서의 개체명 테이블을 생성하고, 인공 지능 장치(100)로부터 그 새로운 도메인의 텍스트를 수신하고, 생성한 개체명 테이블을 이용하여 그 새로운 도메인의 텍스트에서 개체명을 인식하고, 인식한 개체명을 인공 지능 장치(100)로 전송할 수 있다.
만약, 인공 지능 서버(200)가 새로운 도메인에 상응하는 개체명 테이블을 생성하는 경우, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)가 개체명 테이블 생성 모델을 학습시키고, 프로세서(260)가 학습된 개체명 테이블 생성 모델을 이용하여 그 새로운 도메인에 상응하는 개체명 테이블을 생성할 수 있다.
인공 지능 서버(200)가 새로운 도메인에 상응하는 개체명 테이블을 생성하는 방법에 대한 설명은 도 5에 도시된 인공 지능 장치(100)가 새로운 도메인에 상응하는 개체명 테이블을 생성하는 방법과 동일하며, 따라서 중복되는 설명을 생략한다.
도 6은 본 발명의 일 실시 예에 따른 개체명 테이블 생성 모델의 학습 방법을 나타낸 도면이다.
도 6을 참조하면, 학습 데이터(610)는 제1 도메인에 상응하는 제1 텍스트(611), 제1 메타데이터(612) 및 제1 개체명 테이블(613)을 포함할 수 있다.
그리고, 학습 데이터(610) 중에서 제1 텍스트(611)와 제1 메타데이터(612)는 개체명 테이블 생성 모델(620)로 입력된다. 제1 텍스트(611)와 제1 메타데이터(612)로부터 입력 특징 벡터가 추출되고, 추출된 입력 특징 벡터가 개체명 테이블 생성 모델(620)의 입력 레이어에 입력될 수 있다.
그리고, 개체명 테이블 생성 모델(620)은 입력된 제1 텍스트(611)와 제1 메타데이터(612)에 기초하여 제1 텍스트(611) 및 제1 메타데이터(612)에 상응하는 개체명 테이블(630)을 출력한다.
그리고, 출력된 (또는 생성된) 개체명 테이블(630)은 학습 데이터(610)에 포함된 제1 개체명 테이블(613)과 비교(641)되며, 그 비교 결과에 기초하여 개체명 테이블 생성 모델(620)이 갱신(642)된다. 개체명 테이블 생성 모델(620)의 갱신(642)은 제1 개체명 테이블(613)과 생성된 개체명 테이블(630)의 차이가 작아지도록 이루어진다. 즉, 개체명 테이블 생성 모델(620)은 출력하는 개체명 테이블(630)이 학습 데이터(610)에 포함된 제1 개체명 테이블(613)을 추종하도록 학습된다.
도 6에 도시된 방법은 개체명 테이블 생성 모델(620)을 학습하는 방법의 한 사이클(cycle)을 나타낸 것으로, 이러한 과정이 반복적으로 수행될 수 있다.
도 7은 본 발명의 일 실시 예에 따른 개체명 테이블을 생성하는 방법을 나타낸 도면이다.
도 7을 참조하면, 개체명 테이블 생성 모델(620)의 학습에 이용되지 않은 제2 도메인에 상응하는 제2 텍스트(711)와 제2 메타데이터(712)는 개체명 테이블 생성 모델(620)에 입력된다. 개체명 테이블 생성 모델(620)는 도 6에 도시된 방법에 따라 학습될 수 있다.
그리고, 개체명 테이블 생성 모델(620)은 입력된 제2 텍스트(711)와 제2 메타데이터(712)에 기초하여 제2 텍스트(711) 및 제2 메타데이터(712)에 상응하는 제2 개체명 테이블(730)을 출력한다. 출력된 (또는 생성된) 제2 개체명 테이블은 제2 도메인에 상응하는 개체명 테이블로써 이용될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 개체명 테이블 생성 모델의 일 예를 나타낸 도면이다.
도 8을 참조하면, 개체명 테이블을 생성하기 위한 도메인에서의 텍스트(811)와 메타데이터(812)가 개체명 테이블 생성 모델(820)으로 입력된다. 개체명 테이블 생성 모델(820)은 양방향 장단기 메모리(BiLSTM)를 포함할 수 있다. 개체명 테이블 생성 모델(820)은 입력 레이어(821, input layer), 정방향 레이어(822, forward layer), 역방향 레이어(823, backward layer) 및 출력 레이어(824, output layer)를 포함할 수 있다.
그리고, 개체명 테이블 생성 모델은 입력된 텍스트(811)와 메타 데이터(812)에 상응하는 개체명 테이블(830)을 출력한다.
상술한 바와 같이, 개체명 테이블(830)에는 포지티브 개체명 테이블과 네거티브 개체명 테이블이 포함될 수 있다. 여기서, 개체명 테이블(830)이 포지티브 개체명 테이블과 네거티브 개체명 테이블을 포함한다는 것의 의미는, 개체명 테이블 생성 모델(820)이 포지티브 개체명 테이블과 네거티브 개체명 테이블을 서로 구분하여 생성하는 것뿐만 아니라, 포지티브 개체명 테이블과 네거티브 개체명 테이블의 기능을 포함하는 단일한 개체명 테이블을 생성하는 것도 포함할 수도 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.

Claims (14)

  1. 개체명 테이블(named entity table)을 생성하는 인공 지능 장치에 있어서,
    복수의 제1 도메인들(domains) 각각에 상응하는 제1 텍스트, 제1 메타데이터(metadata) 및 제1 개체명 테이블을 저장하는 메모리; 및
    상기 저장된 제1 텍스트, 상기 저장된 제1 메타데이터 및 상기 저장된 제1 개체명 테이블을 이용하여 개체명 테이블 생성 모델(named entity table generation model)을 학습시키고, 상기 학습된 개체명 테이블 생성 모델을 이용하여 상기 복수의 제1 도메인들과 다른 제2 도메인의 제2 텍스트 및 제2 메타데이터에 상응하는 제2 개체명 테이블을 생성하는 프로세서
    를 포함하는, 인공 지능 장치.
  2. 청구항 1에 있어서,
    상기 제1 개체명 테이블과 상기 제2 개체명 테이블 각각은
    포지티브 개체명 테이블(positive named entity table)과 네거티브 개체명 테이블(negative named entity table)을 포함하고,
    상기 포지티브 개체명 테이블은
    상응하는 도메인에서 인식될 개체명과 상기 인식될 개체명에 대응되는 개체명 태그를 포함하고,
    상기 네거티브 개체명 테이블은
    상응하는 도메인에서 인식되지 않을 개체명을 포함하는, 인공 지능 장치.
  3. 청구항 1에 있어서,
    상기 개체명 테이블 생성 모델은
    인공 신경망(ANN: Artificial Neural Network)을 포함하고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는, 인공 지능 장치.
  4. 청구항 3에 있어서,
    상기 개체명 테이블 생성 모델은
    순환 신경망(RNN: Recurrent Neural Network), 양방향 순환 신경망(BRNN: Bidirectional RNN), 장단기 메모리(LSTM: Long Short-Term Memory) 또는 양방향 장단기 메모리(BiLSTM: Bidirectional LSTM) 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
  5. 청구항 3에 있어서,
    상기 프로세서는
    상기 저장된 제1 텍스트와 상기 저장된 제1 메타데이터로부터 상기 개체명 테이블 생성 모델에 상응하는 입력 특징 벡터(input feature vector)를 추출하고, 상기 추출한 입력 특징 벡터를 상기 개체명 테이블 생성 모델에 입력하고, 상기 개체명 테이블 생성 모델로부터 출력되는 개체명 테이블을 획득하고, 상기 획득한 개체명 테이블과 상기 저장된 제1 개체명 테이블의 차이를 계산하고, 상기 계산된 오차를 줄이도록 상기 개체명 테이블 생성 모델을 갱신하는, 인공 지능 장치.
  6. 청구항 1에 있어서,
    상기 메모리는
    상기 제2 텍스트 및 상기 제2 메타데이터를 저장하는, 인공 지능 장치.
  7. 청구항 1에 있어서,
    상기 프로세서는
    워드 임베딩 기법을 이용하여 상기 제1 텍스트와 상기 제2 텍스트 각각을 워드 벡터로 변환하는, 인공 지능 장치.
  8. 청구항 1에 있어서,
    상기 제1 메타데이터는
    상기 제1 텍스트에 상응하는 도메인 정보를 포함하고,
    상기 제2 메타데이터는
    상기 제2 텍스트에 상응하는 도메인 정보를 포함하는, 인공 지능 장치.
  9. 청구항 8에 있어서,
    상기 제1 메타데이터는
    상기 제1 텍스트에 상응하는 도메인에서 에이전트(agent)가 수행할 수 있는 동작(action)/기능(function) 정보, 상기 제1 텍스트에 포함된 각 형태소의 품사 정보 또는 개체명 테이블의 크기 정보 중에서 적어도 하나 이상을 더 포함하고,
    상기 제2 메타데이터는
    상기 제2 텍스트에 상응하는 도메인에서 상기 에이전트가 수행할 수 있는 동작/기능 정보, 상기 제2 텍스트에 포함된 각 형태소의 품사 정보 또는 개체명 테이블의 크기 정보 중에서 적어도 하나 이상을 더 포함하는, 인공 지능 장치.
  10. 청구항 9에 있어서,
    상기 제1 메타데이터와 상기 제2 메타데이터 각각은
    품사 태깅(POS tagging) 기법에 기초하여 자동으로 설정되는, 인공 지능 장치.
  11. 청구항 1에 있어서,
    상기 프로세서는
    상기 제2 도메인의 텍스트를 수신하고, 상기 제2 개체명 테이블을 이용하여 상기 수신한 텍스트에 포함된 개체명을 인식하는, 인공 지능 장치.
  12. 청구항 11에 있어서,
    상기 프로세서는
    상기 수신한 텍스트의 형식이 상기 제2 텍스트의 형식과 다른 경우, 상기 수신한 텍스트를 상기 제2 텍스트의 형식과 동일한 형식으로 변환하는, 인공 지능 장치.
  13. 개체명 테이블(named entity table)을 생성하는 방법에 있어서,
    복수의 제1 도메인들(domains) 각각에 상응하는 제1 텍스트, 제1 메타데이터(metadata) 및 제1 개체명 테이블을 이용하여 개체명 테이블 생성 모델(named entity table generation model)을 학습시키는 단계; 및
    상기 학습된 개체명 테이블 생성 모델을 이용하여 상기 복수의 제1 도메인들과 다른 제2 도메인의 제2 텍스트 및 제2 메타데이터에 상응하는 제2 개체명 테이블을 생성하는 단계
    를 포함하는, 방법.
  14. 개체명 테이블을 생성하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,
    상기 개체명 테이블을 생성하는 방법은
    복수의 제1 도메인들(domains) 각각에 상응하는 제1 텍스트, 제1 메타데이터(metadata) 및 제1 개체명 테이블을 이용하여 개체명 테이블 생성 모델(named entity table generation model)을 학습시키는 단계; 및
    상기 학습된 개체명 테이블 생성 모델을 이용하여 상기 복수의 제1 도메인들과 다른 제2 도메인의 제2 텍스트 및 제2 메타데이터에 상응하는 제2 개체명 테이블을 생성하는 단계
    를 포함하는, 기록 매체.
PCT/KR2019/011208 2019-08-30 2019-08-30 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법 WO2021040105A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2019/011208 WO2021040105A1 (ko) 2019-08-30 2019-08-30 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
US16/604,428 US20210334461A1 (en) 2019-08-30 2019-08-30 Artificial intelligence apparatus and method for generating named entity table
KR1020190108195A KR20190107616A (ko) 2019-08-30 2019-09-02 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/011208 WO2021040105A1 (ko) 2019-08-30 2019-08-30 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법

Publications (1)

Publication Number Publication Date
WO2021040105A1 true WO2021040105A1 (ko) 2021-03-04

Family

ID=68067363

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/011208 WO2021040105A1 (ko) 2019-08-30 2019-08-30 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법

Country Status (3)

Country Link
US (1) US20210334461A1 (ko)
KR (1) KR20190107616A (ko)
WO (1) WO2021040105A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417886B (zh) * 2020-11-20 2024-08-27 西藏纳柯电子科技有限公司 意图实体信息抽取方法、装置、计算机设备及存储介质
KR102419956B1 (ko) * 2021-11-12 2022-07-14 주식회사 스타캣 정형 데이터에 대한 메타데이터 자동 생성 방법 및 이를 위한 머신러닝/딥러닝 모델을 이용한 메타데이터 생성 장치
KR102641806B1 (ko) * 2023-05-16 2024-02-28 상명대학교산학협력단 웨어러블 디바이스의 사용자를 인증하는 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8594996B2 (en) * 2007-10-17 2013-11-26 Evri Inc. NLP-based entity recognition and disambiguation
KR20140138648A (ko) * 2012-03-15 2014-12-04 셉트 시스템즈 게엠베하 텍스트의 의미 처리를 위한 방법, 장치 및 제품
US9471559B2 (en) * 2012-12-10 2016-10-18 International Business Machines Corporation Deep analysis of natural language questions for question answering system
US20170213130A1 (en) * 2016-01-21 2017-07-27 Ebay Inc. Snippet extractor: recurrent neural networks for text summarization at industry scale
KR101986721B1 (ko) * 2019-03-27 2019-06-10 월드버텍 주식회사 신경망 기반 기계번역 및 셈뭉치를 이용한 수학문제 개념유형 예측 서비스 제공 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8594996B2 (en) * 2007-10-17 2013-11-26 Evri Inc. NLP-based entity recognition and disambiguation
KR20140138648A (ko) * 2012-03-15 2014-12-04 셉트 시스템즈 게엠베하 텍스트의 의미 처리를 위한 방법, 장치 및 제품
US9471559B2 (en) * 2012-12-10 2016-10-18 International Business Machines Corporation Deep analysis of natural language questions for question answering system
US20170213130A1 (en) * 2016-01-21 2017-07-27 Ebay Inc. Snippet extractor: recurrent neural networks for text summarization at industry scale
KR101986721B1 (ko) * 2019-03-27 2019-06-10 월드버텍 주식회사 신경망 기반 기계번역 및 셈뭉치를 이용한 수학문제 개념유형 예측 서비스 제공 방법

Also Published As

Publication number Publication date
KR20190107616A (ko) 2019-09-20
US20210334461A1 (en) 2021-10-28

Similar Documents

Publication Publication Date Title
WO2018212538A1 (en) Electronic device and method of detecting driving event of vehicle
EP3602497A1 (en) Electronic device and method of detecting driving event of vehicle
WO2021006368A1 (ko) 인공지능 기반의 에너지 사용량 예측 장치 및 예측 방법
WO2020080830A1 (en) Electronic device for reconstructing an artificial intelligence model and a control method thereof
WO2020241920A1 (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
WO2021206221A1 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
WO2020251074A1 (ko) 음성 인식 기능을 제공하는 인공 지능 로봇 및 그의 동작 방법
WO2020262746A1 (ko) 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법
WO2021040105A1 (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
WO2021006404A1 (ko) 인공지능 서버
WO2020262721A1 (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템
WO2021215547A1 (ko) 스마트 홈 장치 및 방법
WO2020050478A1 (en) Computing apparatus using convolutional neural network and method of operating the same
WO2019031825A1 (ko) 전자 장치 및 그 동작 방법
WO2020145625A1 (ko) 인공 지능 장치 및 그의 동작 방법
WO2020246647A1 (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
WO2021172642A1 (ko) 장치 간 연동에 기초한 장치 제어 기능을 제공하는 인공 지능 장치 및 그 방법
WO2020246640A1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
WO2020241919A1 (ko) 인공지능 기반의 세탁물 데이터 분석 장치
WO2021006363A1 (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
WO2020230928A1 (ko) 로봇 및 그의 제어 방법
WO2022080517A1 (ko) 학습 데이터를 생성하는 인공 지능 장치 및 방법
WO2020241923A1 (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
WO2020251096A1 (ko) 인공 지능 로봇 및 그의 동작 방법
WO2021002493A1 (ko) 지능형 게이트웨이 장치 및 그를 포함하는 제어 시스템

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: 19943257

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: 19943257

Country of ref document: EP

Kind code of ref document: A1