WO2021145551A1 - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
WO2021145551A1
WO2021145551A1 PCT/KR2020/016517 KR2020016517W WO2021145551A1 WO 2021145551 A1 WO2021145551 A1 WO 2021145551A1 KR 2020016517 W KR2020016517 W KR 2020016517W WO 2021145551 A1 WO2021145551 A1 WO 2021145551A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
laundry
artificial intelligence
recommended
usage
Prior art date
Application number
PCT/KR2020/016517
Other languages
English (en)
French (fr)
Inventor
김경재
김주유
송형선
김석배
김주대
나덕균
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US17/420,521 priority Critical patent/US20220341078A1/en
Publication of WO2021145551A1 publication Critical patent/WO2021145551A1/ko

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/18—Condition of the laundry, e.g. nature or weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/16—Washing liquid temperature
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/38—Time, e.g. duration
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/58—Indications or alarms to the control system or to the user
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F31/00—Washing installations comprising an assembly of several washing machines or washing units, e.g. continuous flow assemblies

Definitions

  • the present disclosure relates to an electronic device and a control method thereof, and more particularly, to an electronic device for managing usage information of a home appliance and a control method thereof.
  • a function of providing recommended administrative information based on usage pattern information on a device providing a washing-related function such as a washing machine, a dryer, and an air dresser.
  • a device providing a washing-related function such as a washing machine, a dryer, and an air dresser.
  • usage pattern information cannot be generated when a lot of usage information of laundry-related devices is not accumulated.
  • the present disclosure has been made in accordance with the above-mentioned necessity, and an object of the present disclosure is to provide an electronic device that provides recommended administrative information based on usage pattern information even for laundry-related devices in which usage information is not accumulated, and a method for controlling the same.
  • an electronic device obtains recommended administrative information using a memory storing information on a learned artificial intelligence model, a communication interface, and the artificial intelligence model, and a processor that controls the communication interface to transmit the obtained recommended administrative information to the laundry-related devices, wherein the processor sets the plurality of laundry-related devices to a plurality of groups based on usage information of each of the plurality of laundry-related devices group to obtain tendency information of a group to which the laundry-related device belongs among the plurality of groups, and the artificial intelligence model may be learned based on the obtained tendency information and usage information received from the laundry-related device.
  • the artificial intelligence model includes a plurality of artificial intelligence models classified based on tendency information corresponding to each of the plurality of groups, and each of the plurality of artificial intelligence models is used received from the laundry-related device. Learning may be performed based on information and usage information corresponding to a group to which the laundry related device belongs.
  • the artificial intelligence model is implemented as one artificial intelligence model capable of learning different tendency information, and is applied to the use information received from the laundry-related device, the use information of each of the plurality of laundry-related devices, and each of the plurality of groups. It may be learned based on the corresponding tendency information.
  • the processor may input weather information, time information, device information, and usage information into the artificial intelligence model to obtain the recommended administrative information, or use weather information, time information, device information, usage information, and tendency information to the artificial intelligence model. It is possible to obtain the recommended administrative information by input to the intelligent model.
  • the artificial intelligence model may be learned based on usage information received from the laundry-related device, usage information corresponding to a group to which the laundry-related device belongs, weather information, time information, and device information, or from the laundry-related device. Learning may be performed based on the received usage information, usage information corresponding to a group to which the laundry related device belongs, weather information, time information, device information, and tendency information.
  • the processor when feedback information related to a user selection of the recommended administrative information is received from the laundry-related device, the processor re-identifies the group to which the laundry-related device belongs from among the plurality of groups based on the received feedback information Alternatively, the artificial intelligence model may be retrained based on the received feedback information.
  • the recommended administrative information may include at least one of laundry course information and laundry option information.
  • the processor when a plurality of recommended administrative information is obtained from the artificial intelligence model, the communication interface to transmit the plurality of recommended administrative information and priority information corresponding to the plurality of recommended administrative information to the laundry-related device can control
  • the processor is further configured to obtain a usage pattern of the plurality of laundry related devices based on usage information of each of the plurality of laundry related devices in a recent critical time period, and based on the similarity of the usage patterns, the plurality of laundry related devices.
  • Devices may be grouped into at least one group.
  • the processor obtains a usage pattern of the plurality of laundry-related devices based on usage information of each of the plurality of laundry-related devices in a recent critical time period, and selects the plurality of laundry-related devices by using a K-means algorithm. At least one group may be grouped.
  • the usage information of laundry-related equipment includes the selected course, total number of washings, the number of washings for each time section, the number of rinses up or down, the number of times of raising or lowering the water temperature, the number of times of raising or lowering the water spin, the number of times of baby washing or boiled washing. It may include data about at least one of them.
  • a system including a server device and a laundry-related device obtains recommended administrative information using a learned artificial intelligence model and transmits the obtained recommended administrative information to a laundry-related device from the server device and the server device
  • a laundry related device providing the received recommended administrative information
  • the server device groups the plurality of laundry-related devices into a plurality of groups based on usage information of each of the plurality of laundry-related devices to obtain tendency information of a group to which the laundry-related device belongs among the plurality of groups. can do.
  • the artificial intelligence model may be learned based on the usage information received from the laundry related device and the acquired tendency information.
  • the laundry-related device may provide the plurality of recommended administrative information based on the priority information when a plurality of recommended administrative information and priority information corresponding to the plurality of recommended administrative information are received from the server device.
  • the plurality of laundry-related devices are grouped into a plurality of groups based on usage information of each of the plurality of laundry-related devices, and the laundry-related devices among the plurality of groups are grouped.
  • the model may be learned based on the usage information received from the laundry related device and the acquired tendency information.
  • the artificial intelligence model includes a plurality of artificial intelligence models classified based on tendency information corresponding to each of the plurality of groups, and each of the plurality of artificial intelligence models is used received from the laundry-related device. Learning may be performed based on information and usage information corresponding to a group to which the laundry related device belongs.
  • the artificial intelligence model is implemented as one artificial intelligence model capable of learning different tendency information, and is applied to the use information received from the laundry-related device, the use information of each of the plurality of laundry-related devices, and each of the plurality of groups. It may be learned based on the corresponding tendency information.
  • the step of obtaining the recommended administrative information may include inputting weather information, time information, device information and usage information into the artificial intelligence model to obtain the recommended administrative information, or weather information, time information, device information, and usage information. and input the propensity information into the artificial intelligence model to obtain the recommended administrative information.
  • the artificial intelligence model may be learned based on usage information received from the laundry-related device, usage information corresponding to a group to which the laundry-related device belongs, weather information, time information, and device information, or from the laundry-related device. Learning may be performed based on the received usage information, usage information corresponding to a group to which the laundry related device belongs, weather information, time information, device information, and tendency information.
  • control method when a plurality of recommended administrative information is obtained from the artificial intelligence model, transmitting the plurality of recommended administrative information and priority information corresponding to the plurality of recommended administrative information to the laundry related device may include more.
  • the obtaining of the tendency information of the group to which the laundry-related device belongs from among the plurality of groups may include: a usage pattern of the plurality of laundry-related devices based on usage information of the latest critical time period of each of the plurality of laundry-related devices. may be obtained, and the plurality of laundry related devices may be grouped into at least one group based on the similarity of the usage patterns.
  • FIGS. 1A and 1B are diagrams illustrating the configuration of a system according to an embodiment of the present disclosure.
  • FIG. 2 is a block diagram illustrating a configuration of an electronic device 100 according to an embodiment of the present disclosure.
  • 3A and 3B are diagrams for explaining a method of grouping laundry related devices according to an embodiment of the present disclosure.
  • mapping information is a diagram illustrating an example of mapping information according to an embodiment of the present disclosure.
  • 5A and 5B are diagrams for explaining a method of learning an artificial intelligence model according to various embodiments of the present disclosure
  • FIG. 6 is a diagram illustrating an implementation example of another electronic device according to another embodiment of the present disclosure.
  • FIG 7, 8A, and 8B are diagrams illustrating a UI screen provided according to an exemplary embodiment.
  • FIG. 9 is a sequence diagram illustrating an operation of an electronic system according to an exemplary embodiment.
  • FIG. 10 is a flowchart illustrating a method of controlling an electronic device according to an exemplary embodiment.
  • expressions such as “have,” “may have,” “include,” or “may include” indicate the presence of a corresponding characteristic (eg, a numerical value, function, operation, or component such as a part). and does not exclude the presence of additional features.
  • a component eg, a first component is "coupled with/to (operatively or communicatively)" to another component (eg, a second component)
  • another component eg, a second component
  • a component may be directly connected to another component or may be connected through another component (eg, a third component).
  • a “module” or “unit” performs at least one function or operation, and may be implemented as hardware or software, or a combination of hardware and software.
  • a plurality of “modules” or a plurality of “units” are integrated into at least one module and implemented with at least one processor (not shown) except for “modules” or “units” that need to be implemented with specific hardware.
  • FIGS. 1A and 1B are diagrams illustrating the configuration of a system according to an embodiment of the present disclosure.
  • a system may include an electronic device 100 and a plurality of control target devices 10 , 20 , and 30 .
  • the electronic device 100 may control and manage various registered devices (eg, home appliances and Internet of Things (IoT) devices).
  • the electronic device 100 may register and manage devices for each user account.
  • the electronic device 100 may be implemented as a server, in particular, a cloud server, but is not limited thereto.
  • the control target devices 10 , 20 , and 30 may be Internet of Things (IoT) devices that can be controlled by a signal received from the electronic device 100 .
  • IoT Internet of Things
  • washing-related laundry such as a washing machine that washes laundry using water and detergent and dehydrates wet laundry, a dryer that performs a drying function on clothes, and a clothes purifier that performs a cleaning function on clothes, etc. It may be implemented as a device that performs various functions. However, hereinafter, for convenience of explanation, a device that performs various functions related to laundry will be referred to as a “washing related device”.
  • the plurality of laundry-related devices 10 , 20 , and 30 are laundry-related devices registered in different user accounts.
  • the electronic device 100 may communicate the access point with the laundry-related devices 10, 20, and 30 or communicate with the laundry-related devices 10, 20, and 30 through a mobile communication network such as LTE or 5G. .
  • the electronic device 100 may provide recommended administrative information for a specific laundry related device 10 using an artificial intelligence model based on usage information received from the plurality of laundry related devices 10 , 20 , and 30 .
  • the specific laundry-related device 10 may be a laundry-related device in which an event for requesting recommended administrative information occurs.
  • a system may include an electronic device 100 , a data server 40 , a user terminal 50 , and a plurality of control target devices 10 , 20 , and 30 .
  • the electronic device 100 does not directly receive usage information of the plurality of laundry-related devices 10 , 20 , and 30 from the plurality of laundry-related devices 10 , 20 , and 30 , but , it is also possible to receive data through the server 40 .
  • the data server 40 may be implemented as a database server that stores and manages usage information of the plurality of laundry-related devices 10 and 20 .
  • the data server 40 is implemented as a server that provides a repair service for a plurality of laundry-related devices 10, 20, and 30 based on usage information of the plurality of laundry-related devices 10, 20, and 30. can be
  • the electronic device 100 may communicate with the user terminal 50 .
  • the user terminal 50 may download and install the application from a server (not shown) that provides the application.
  • the user terminal 50 may be implemented as a user terminal such as a smart phone or a tablet.
  • the electronic device 200 includes a notebook computer, a smart TV, a mobile phone, a personal digital assistant (PDA), a laptop computer, a media player, an e-book terminal, a digital broadcasting terminal, a navigation system, an MP3 player, a digital camera, and a home appliance. It may be implemented as a device and other mobile or non-mobile computing devices, or wearable terminals such as watches, glasses, hair bands and rings.
  • the laundry-related device 10 may be an Internet of Things (IoT) device that can be controlled through an application installed in the user terminal 50 .
  • IoT Internet of Things
  • it can be implemented as a washing machine, a dryer, a clothes purifier, and the like.
  • the user executes an application in the user terminal 50 and inputs a user account, and can log in to the electronic device 100, for example, a server through the input user account, and the user terminal 50 is a logged-in user account Based on the , communication with the electronic device 100 may be performed.
  • the electronic device 100 may register the laundry related device 10 to a corresponding user account.
  • the user terminal 50 performs communication with the laundry-related device 10 operating in an access point (AP) mode, and for an access point (ie, a Wi-Fi access point)
  • AP access point
  • Wi-Fi access point ie, a Wi-Fi access point
  • the user terminal 50 displays a list of connectable access points on the display of the user terminal 50 , and transmits information on the access points selected on the list to the laundry related device 10 according to a user command.
  • the laundry-related device 10 may perform a communication connection with the access point using information about the access point received from the user terminal 50 , and may access the electronic device 100 through the access point.
  • the electronic device 100 may register the laundry-related device 10 in the logged-in user account.
  • the electronic device 100 may provide recommended administrative information for a specific laundry related device 10 to the user terminal 50 .
  • FIG. 2 is a block diagram illustrating a configuration of an electronic device 100 according to an embodiment of the present disclosure.
  • the electronic device 100 includes a memory 110 , a communication interface 120 , and a processor 130 .
  • the electronic device 100 may be implemented as a server, for example, as a server in which a cloud computing environment is built.
  • the present invention is not limited thereto, and any device that processes data using an artificial intelligence model is not limited and can be applied.
  • the memory 110 may store data necessary for various embodiments of the present disclosure.
  • the memory 110 may be implemented in the form of a memory embedded in the electronic device 100 or may be implemented in the form of a memory capable of communicating with the electronic device 100 (or detachable) depending on the purpose of data storage.
  • data for driving the electronic device 100 is stored in a memory embedded in the electronic device 100
  • data for an extended function of the electronic device 100 can communicate with the electronic device 100 . can be stored in memory.
  • a volatile memory eg, dynamic RAM (DRAM), static RAM (SRAM), or synchronous dynamic RAM (SDRAM), etc.
  • non-volatile memory non-volatile memory
  • OTPROM one time programmable ROM
  • PROM programmable ROM
  • EPROM erasable and programmable ROM
  • EEPROM electrically erasable and programmable ROM
  • mask ROM flash ROM, flash memory (such as NAND flash or NOR flash, etc.)
  • flash memory such as NAND flash or NOR flash, etc.
  • SSD solid state drive
  • a memory that can communicate with the electronic device 100 a memory card (eg, a compact flash (CF)) , SD (secure digital), Micro-SD (micro secure digital), Mini-SD (mini secure digital), xD (extreme digital), MMC (multi-media card), etc.), external memory that can be connected to the USB port (e.g. For example, it may
  • the memory 110 may store at least one instruction for controlling the electronic device 100 or a computer program including the instructions.
  • the memory 110 may store information about an artificial intelligence model including a plurality of layers.
  • storing information about the artificial intelligence model means various information related to the operation of the artificial intelligence model, for example, information on a plurality of layers included in the artificial intelligence model, parameters used in each of the plurality of layers (for example, , filter coefficients, bias, etc.) may be stored.
  • the memory 120 may store information about the artificial intelligence model learned to obtain recommended administrative information according to an embodiment.
  • the processor 130 is implemented as hardware dedicated to the artificial intelligence model, information about the artificial intelligence model may be stored in the processor 130 internal memory.
  • the memory 110 may be implemented as a single memory that stores data generated in various operations according to the present disclosure. However, according to another embodiment, the memory 110 may be implemented to include a plurality of memories each storing different types of data or each storing data generated in different steps.
  • the communication interface 120 may communicate with a plurality of laundry-related devices 10 , 20 , and 30 .
  • the communication interface 120 may include a wireless communication module that communicates with the laundry-related devices 10 , 20 , and 30 . According to another embodiment, the communication interface 120 may additionally perform communication with at least one of the data server 40 and the user terminal 50 .
  • the communication interface 120 may include a wireless communication module, for example, a Wi-Fi module.
  • the present invention is not limited thereto, and the communication interface 120 includes Zigbee, 3rd Generation (3G), 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), LTE-A (LTE) in addition to the above-described communication methods. Advanced), 4G (4th Generation), 5G (5th Generation), etc., communication can also be performed according to various wireless communication standards, infrared communication (IrDA, Infrared Data Association) technology, etc.
  • the processor 130 is electrically connected to the memory 110 to control the overall operation of the electronic device 100 .
  • the processor 130 may include one or a plurality of processors. Specifically, the processor 130 may perform the operation of the electronic device 100 according to various embodiments of the present disclosure by executing at least one instruction stored in the memory 110 .
  • the processor 130 may include a digital signal processor (DSP), a microprocessor, a graphics processing unit (GPU), an artificial intelligence (AI) processor, a neural network (NPU) for processing a digital image signal.
  • DSP digital signal processor
  • GPU graphics processing unit
  • AI artificial intelligence
  • NPU neural network
  • Processing Unit TCON (Time controller), but is not limited thereto, Central processing unit (CPU), MCU (Micro Controller Unit), MPU (micro processing unit), controller (controller), application processor (application processor (AP)), communication processor (communication processor (CP)), may include one or more of an ARM processor, or may be defined by the term.
  • SoC system on chip
  • LSI large scale integration
  • ASIC application specific integrated circuit
  • FPGA field programmable gate array
  • the processor 130 for executing the artificial intelligence model is a general-purpose processor such as a CPU, an AP, a digital signal processor (DSP), etc., a graphics-only processor such as a GPU, a VPU (Vision Processing Unit), or an NPU and It can be implemented through a combination of the same artificial intelligence-only processor and software.
  • the processor 130 may control to process input data according to a predefined operation rule or an artificial intelligence model stored in the memory 110 .
  • the processor 130 when the processor 130 is a dedicated processor (or artificial intelligence-only processor), it may be designed as a hardware structure specialized for processing a specific artificial intelligence model.
  • hardware specialized for processing a specific artificial intelligence model may be designed as a hardware chip such as an ASIC or FPGA.
  • the processor 130 is implemented as a dedicated processor, it may be implemented to include a memory for implementing an embodiment of the present disclosure, or may be implemented to include a memory processing function for using an external memory.
  • the processor 130 obtains the recommended administrative information using the artificial intelligence model and transmits the obtained recommended administrative information to the laundry-related device 10 or the user terminal 50 through the communication interface 120 . can be controlled
  • the artificial intelligence model may be a Convolutional Neural Network (CNN), a Recurrent Neural Network (RNN), a Restricted Boltzmann Machine (RBM), a Deep Belief Network (DBN), a Bidirectional Recurrent Deep Neural Network (BRDNN), or a deep Q-network ( Deep Q-Networks), but is not limited thereto.
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • RBM Restricted Boltzmann Machine
  • DNN Deep Belief Network
  • BBDNN Bidirectional Recurrent Deep Neural Network
  • Deep Q-Networks Deep Q-Networks
  • the recommended administrative information may include course information and option information (eg, option information for each course).
  • the laundry course may include a standard course, a wool laundry course, a baby laundry course, a soft bubble, and the like
  • the optional information may include a washing time, water temperature, drying time, and the like.
  • the course information may include a duvet/dust removal, a sterilization course, a strong course, and the like
  • the optional information may include a drying level, a drying time, and the like.
  • the course information may include a standard course, a fine dust course, a rapid course, a sterilization course, and the like, and the optional information may include a management level, a management time, and the like.
  • various additional information as well as course information and option information may be added to the recommended administrative information.
  • the processor 130 groups a plurality of laundry-related devices into a plurality of groups based on usage information of each of the plurality of laundry-related devices to obtain tendency information of a group to which the laundry-related device 10 belongs among the plurality of groups. can do.
  • the plurality of laundry related devices grouped may be the same type of device, for example, a washing machine.
  • the artificial intelligence model may be learned based on the usage information received from the laundry related device 10 and the acquired tendency information (or course tendency information). That is, according to an embodiment, even if the amount of usage information of the laundry-related device 10 is insufficient to train the artificial intelligence model, the artificial intelligence model using the usage information of the same tendency as the usage information of the laundry-related device 10 is used. be able to learn Accordingly, even if the usage information of the laundry-related device 10 is not sufficiently accumulated, it is possible to receive the recommended administrative information suitable for the user's tendency to use the laundry-related device 10 through the artificial intelligence model.
  • the usage information includes a selection course, a total number of washings, and the number of washings for each time section (eg, [0-6 o'clock washing count], [6-12 o'clock washing count] ], [Number of washes between 12 and 18 hours], [Number of washes between 18 and 24 hours])
  • Various usage data such as number of rinses up or down, number of times of raising or lowering water temperature, number of times of raising or lowering water temperature, number of times of spinning up or down, number of baby washes or boiled washes, etc. may include.
  • the usage information may include course information (such as quilt/dust removal, a sterilization course, a strong course, etc.), a drying level, and a drying time.
  • the usage information may include course information (standard course, fine dust course, rapid course, sterilization course, etc.), management level, management time, and the like.
  • the processor 130 may group a plurality of laundry-related devices based on usage information (hereinafter, referred to as recent usage information) of each of the plurality of laundry-related devices in a recent critical time period. Specifically, the processor 130 acquires a usage pattern based on usage information of each of the plurality of laundry related devices in a recent critical time period, and groups the plurality of laundry related devices into at least one group based on the similarity of the usage patterns. can do.
  • the most recent critical time interval may be usage information acquired before a preset time interval based on the present, for example, usage information acquired during the last two weeks.
  • the processor 130 may acquire usage patterns by generating different types of usage information in the form of vector data.
  • the usage pattern may mean a temporary pattern based on recent usage information.
  • the processor 130 may generate vector data in the form of ⁇ first type usage information, second type usage information, third type usage information... nth type usage information ⁇ .
  • different types of usage information for example, the total number of washings, the number of washings for each time section (eg, [0-6 o'clock wash count], [6-12 o'clock washing count], [12-18 o'clock] number of washes], [18-24 hour wash water]) the number of times of rinsing up or down, the number of raising or lowering the water temperature, the number of times of raising or lowering the water temperature, the number of times of raising or lowering the spin-drying system, the number of times of baby washing or boiling washing, etc.
  • the vector data is in the form of ⁇ total number of washes, number of rinses raised or lowered, water temperature raised or lowered, number of spins raised or lowered ⁇ , the form ⁇ 10, 3, 2, -1 ⁇ Vector data may be generated.
  • the processor 130 applies artificial intelligence technology (or artificial intelligence modeling) to the obtained usage pattern to at least use the plurality of laundry-related devices. You can group them into one group.
  • artificial intelligence technology or artificial intelligence modeling
  • the processor 130 may group a plurality of laundry related devices into at least one group using a K-means algorithm based on the obtained usage pattern.
  • the K-means algorithm refers to an unsupervised learning algorithm that collects and clusters similar data.
  • unsuperised learning is an algorithm that is applied when there is only an input and no output, and can find regularities between inputs. According to an example, 1. classify data close to the central value, 2. change the central value to the central value of the classified data, 3. the central value Steps 1 and 2 can be repeated until this no longer changes.
  • the processor 130 may group a plurality of laundry-related devices into a plurality of groups (Cluster 1, Cluster 2, and Cluster 3), for example, as shown in FIG. 3A using the K-means algorithm described above.
  • the x, y, and z axes represent different types of usage information, for example, the selected course, the total number of washings, the number of washings for each time section, the number of rinses up or down, the number of times of raising or lowering the water temperature, and the number of times of raising or lowering the spin-dry. , may include the number of baby washing or boiled washing number. Although only three axes are shown in FIG.
  • the number of axes may vary depending on the type of information used.
  • the plurality of groups (Cluster 1, Cluster 2, Cluster 3) may correspond to different courses as shown in FIG. 3B , but is not necessarily limited thereto.
  • some of the plurality of groups (Cluster 1, Cluster 2, and Cluster 3) may correspond to different options of the same course.
  • the processor 130 obtains usage information of the most recent critical time period of each of the plurality of laundry-related devices in a critical time unit, and acquires the recent usage patterns of the plurality of laundry-related devices based on the obtained usage information.
  • the processor 130 may acquire usage information of each of the plurality of laundry-related devices for the last two weeks on a daily basis, and acquire recent usage patterns of the plurality of laundry-related devices based on the obtained usage information.
  • the daily unit and the two-week period are given as examples, and are not limited thereto, of course.
  • the processor 130 may acquire tendency information of each group. Also, the processor 130 may map the usage information for each group to group identification information, device identification information, and the like, store it in the form of a lookup table, and use it for learning the artificial intelligence model. 4 shows an example of mapping information stored according to an example.
  • the tendency information may be various pieces of information that can reflect the representative tendency of each group.
  • the tendency information may be a representative usage pattern of each of a plurality of groups.
  • usage pattern information corresponding to each of a plurality of laundry-related devices belonging to a specific group is generated, use pattern information having a high priority among the laundry-related devices is set as representative usage pattern information, or
  • the representative usage pattern information may be set by averaging the usage pattern information.
  • the priority is at least one of size information of usage data used to generate usage pattern information, date information of usage data used to generate usage pattern information, location information of laundry related devices, and manufacturer or model information of laundry related devices. It can be set by considering one. For example, the greater the size information of the usage data, the higher the priority may be given to the usage pattern information, or the higher the priority may be given to the usage pattern information as the date information of the usage data is more recent.
  • the above-described example is only an example of setting the priority, and the priority may be set in various other ways.
  • the artificial intelligence model may be learned based on usage information received from the laundry related device 10 , usage information corresponding to a group to which the laundry related device 10 belongs, weather information, time information, and device information. there is.
  • the artificial intelligence model may be learned based on usage information received from the laundry related device 10 , usage information of other laundry related devices, weather information, time information, device information, and tendency information.
  • weather information, time information, and device information are not necessarily required for learning, and at least some of them may be omitted and other information may be added as necessary.
  • the device information may include various information related to the laundry-related device 10 , for example, various information such as a function, model, type, manufacturer, location, and the like, and the time information is related to time, such as time, day of the week, holiday, etc. It may include various information, and the weather information may include various information related to weather, such as temperature, dust, ozone index, precipitation, wind, and humidity.
  • the artificial intelligence model may include a plurality of artificial intelligence models classified based on propensity information corresponding to each of the plurality of groups.
  • each of the plurality of artificial intelligence models may be learned based on usage information received from the laundry related device 10 and usage information corresponding to a group to which the laundry related device 10 belongs.
  • the usage information corresponding to the group to which the laundry related device 10 belongs may be usage information of other laundry related devices included in the group to which the laundry related device 10 belongs.
  • the artificial intelligence model may be learned based on usage information received from the laundry related device 10 , usage information of each of a plurality of laundry related devices, and tendency information corresponding to each of a plurality of groups.
  • 5A and 5B are diagrams for explaining a method of learning an artificial intelligence model according to various embodiments of the present disclosure
  • the artificial intelligence model may be learned based on a pair of input training data and output training data, or may be learned based on input training data.
  • the learning of the artificial intelligence model means that the basic artificial intelligence model (for example, an artificial intelligence model including an arbitrary random parameter) is learned using a plurality of training data by a learning algorithm, and thus a desired characteristic (or, It means that a predefined action rule or artificial intelligence model set to perform the purpose) is created.
  • Such learning may be performed through the electronic device 100, but is not limited thereto, and may be performed through a separate server and/or system.
  • Examples of the learning algorithm include, but are not limited to, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning. However, this is an example of supervised learning, and it is possible to train an artificial intelligence model based on unsupervised learning, which trains an artificial intelligence model by inputting only input data without using recommended administrative information as output data. am.
  • an artificial intelligence model for each group may be separately provided.
  • the group orientation may be a course orientation according to an example, but is not limited thereto.
  • the group propensity may be different option propensities for the same course.
  • the first artificial intelligence model 511 corresponding to the first group may be learned by using the use information and the recommended administrative information of the first group as input/output training data pairs, respectively.
  • learning may be performed using input data of the first group of usage information, weather information, device information, time information, and output data of recommended administrative information as an input/output training data pair.
  • it may be usage information of laundry-related devices belonging to the first group.
  • the second artificial intelligence model 512 corresponding to the second group may be learned by using the use information and the recommended administrative information of the second group as input/output training data pairs, respectively.
  • this is an example of supervised learning, and it is possible to train an artificial intelligence model based on unsupervised learning, which trains an artificial intelligence model by inputting only input data without using recommended administrative information as output data. am.
  • only one artificial intelligence model capable of learning different tendency information may be provided.
  • the artificial intelligence model 520 may be learned by using input data of usage information, weather information, device information, time information, propensity information, and output data of recommended administrative information as input/output training data pairs.
  • the usage information may be any usage information that is not related to a group.
  • the artificial intelligence model 520 may be trained to output recommended administrative information corresponding to each group by using the propensity information as training data.
  • the processor 130 may transmit the recommended administrative information obtained from the learned artificial intelligence model to the laundry related device 10 or the user terminal 50 .
  • the input data of the artificial intelligence model may include at least one of weather information, time information, device information, and usage information.
  • the tendency information may be additionally input to the artificial intelligence model.
  • the learned artificial intelligence model may output at least one piece of recommended administrative information and a probability value corresponding to the information. For example, when a plurality of recommended administrative information is output from the artificial intelligence model, the processor 130 may determine the priority of each recommended administrative information based on a corresponding probability value. In this case, the processor 130 may transmit a plurality of recommended administrative information and corresponding priority information to the laundry related device 10 or the user terminal 50 . However, the priority is not necessarily determined by the probability value, and may be determined according to a predetermined rule.
  • the output part of the artificial intelligence model may be implemented to enable softmax processing.
  • softmax is a function that normalizes all input values to values between 0 and 1 and makes the sum of output values always 1. It can function to output the probability value of each class, that is, each recommended administration information.
  • the output part of the artificial intelligence model may be implemented to enable Argmax processing.
  • Argmax is a function that selects the most probable one among multiple labels.
  • the probability value for each class can serve as a function to select the ratio having the largest value among the probability values. That is, when each output part of the artificial intelligence model is Argmax-processed, only one piece of recommended administrative information having the highest probability value can be output.
  • the processor 130 transmits the recommended administrative information to the laundry-related device 10 or the user terminal 50, and then receives the user for the recommended administrative information from the laundry-related device 10 or the user terminal 50. Feedback information related to the selection may be received.
  • the processor 130 may re-identify the group to which the laundry-related device 10 belongs from among a plurality of groups based on the received feedback information. For example, when the user selects recommended administrative information having a low priority among a plurality of recommended administrative information or changes some option information of the recommended administrative information to perform administration, the processor 130 reflects the corresponding feedback information A group to which the laundry related device 10 belongs may be re-identified. Also, the processor 130 may retrain the artificial intelligence model by reflecting the corresponding feedback information.
  • FIG. 6 is a diagram illustrating an implementation example of another electronic device according to another embodiment of the present disclosure.
  • the electronic device 200 includes a memory 210 , a communication interface 220 , a display 230 , a user interface 240 , and a processor 250 .
  • the electronic device 200 may be implemented as the laundry related device 10 or the user terminal 50 illustrated in FIGS. 1A and 1B .
  • the memory 210 stores various modules for driving the electronic device 200 .
  • the memory 210 may store software including a base module, a sensing module, a communication module, a presentation module, a web browser module, and a service module.
  • various usage information obtained from the laundry-related device 10 may be stored.
  • the memory 210 may store an application for controlling an external device (eg, the application described in FIG. 1B ).
  • the application may be an application for remotely controlling home appliances and the like in the home.
  • the communication interface 220 may communicate with an external device (eg, the electronic device 100 of FIGS. 1A and 1B ).
  • the communication interface 220 may include, for example, a Wi-Fi module.
  • the Wi-Fi module may perform communication according to at least one standard version of 802.11ac among 802.11a, 802.11b, 802.11g, and 802.11n, but is not limited thereto and may include a new version developed later.
  • the present invention is not limited thereto, and the communication interface 220 includes Zigbee, 3rd Generation (3G), 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), LTE-A (LTE) in addition to the above-described communication methods. Advanced), 4G (4th Generation), 5G (5th Generation), etc., communication can also be performed according to various wireless communication standards, infrared communication (IrDA, Infrared Data Association) technology, etc.
  • IrDA Infrared Data Association
  • the display 230 may be implemented as a display including a self-luminous device or a display including a non-light-emitting device and a backlight.
  • a display including a self-luminous device or a display including a non-light-emitting device and a backlight.
  • LCD Liquid Crystal Display
  • OLED Organic Light Emitting Diodes
  • LEDs Light Emitting Diodes
  • micro LEDs micro LEDs
  • Mini LEDs Plasma Display Panel (PDP)
  • QD Quantum dot
  • Quantum dot light-emitting diodes QLEDs
  • QLEDs Quantum dot light-emitting diodes
  • the display 230 may also include a driving circuit, a backlight unit, and the like, which may be implemented in the form of an a-si TFT, a low temperature poly silicon (LTPS) TFT, or an organic TFT (OTFT).
  • a driving circuit e.g., a driving circuit for driving a display.
  • a backlight unit e.g., a driving circuit for driving a display.
  • LTPS low temperature poly silicon
  • OFT organic TFT
  • the display 230 is implemented as a touch screen combined with a touch sensor, a flexible display, a rollable display, a three-dimensional display (3D display), a display in which a plurality of display modules are physically connected, etc. can be
  • the user interface 240 may be implemented as a device such as a button, a touch pad, a mouse, and a keyboard, or may be implemented as a touch screen capable of performing the above-described display function and manipulation input function together.
  • the button may be various types of buttons such as a mechanical button, a touch pad, a wheel, etc. formed in an arbitrary area such as the front, side, or rear of the exterior of the main body of the electronic device 200 .
  • the processor 250 controls the overall operation of the electronic device 200 .
  • the processor 250 may control the display 230 to display a UI screen.
  • the UI screen may include a screen for playing various contents such as images, videos, text, music, etc., an application execution screen including various contents, a web browser screen, a graphic user interface (GUI) screen, and the like.
  • GUI graphic user interface
  • the processor 250 may control the display 230 to provide a UI for controlling the electronic device 200 or a UI screen related to an external device.
  • the UI screen may be provided through an application that is software directly used by the user on the OS.
  • the application may be provided in the form of an icon interface on the screen of the display 230 .
  • the processor 250 may control the display 230 to provide a UI screen related to an external device.
  • the external device may be the laundry related device 10 .
  • the UI screen provided through the application may provide various information related to the administration of the laundry-related device 10 , and may function as a control panel capable of input and output for controlling the laundry-related device. That is, the UI screen is a configuration for a user and an interface, and may include an input interface for receiving a user's input and an output interface for displaying information (eg, control information) according to the user's input.
  • information eg, control information
  • the processor 250 transmits a request for recommended administrative information of the laundry related device 10 to a server (eg, the electronic device 100 of FIGS. 1A and 1B ) according to a preset event, and , it is possible to provide the recommended administrative information received from the server.
  • the preset event may be an event in which the power of the washing machine 10 is turned on when the electronic device 200 is implemented as the laundry related device 10 , and the electronic device 200 is implemented as the user terminal 50 . In this case, it may be an event in which a specific application is driven and a laundry related device related function is selected.
  • the processor 250 may provide the recommended administrative information through the running application screen.
  • the recommended administrative information may be provided through a user interface (UI) screen provided in the laundry-related device.
  • UI user interface
  • the processor 250 may control the display 230 to provide a plurality of recommended administrative information based on priority information corresponding to the plurality of recommended administrative information.
  • the electronic device 200 may further include various input/output interfaces (not shown), a speaker (not shown), and a microphone (not shown).
  • a microphone is a component for receiving a user's voice or other sound and converting it into audio data.
  • information included in the UI screen according to various embodiments of the present disclosure may be provided as a voice through a speaker (not shown), and a user command may be input as a voice through a microphone (not shown).
  • FIG 7, 8A, and 8B are diagrams illustrating a UI screen provided according to an exemplary embodiment.
  • FIG. 7 illustrates a UI screen when the electronic device 200 is implemented as the laundry related device 10 .
  • a UI screen 710 providing recommended administrative information 711 according to a preset event may be provided on the display 11 .
  • a navigation GUI 712 for viewing recommended administrative information recommended next may be provided together.
  • the recommended administrative information provided may be sequentially provided according to priority.
  • the preset event may be, for example, an event in which the laundry-related device 10 is turned on and the display 11 is turned on, but may also be a case in which there is a user's recommendation information request command.
  • 8A and 8B illustrate a UI screen when the electronic device 200 is implemented as the user terminal 50 .
  • FIG. 8A illustrates a UI screen provided when a specific application is executed, and an icon image representing a controllable home appliance may be provided on the UI screen 810 .
  • a UI screen 820 providing recommended administrative information 821 may be provided as shown in FIG. 8B .
  • a navigation GUI 822 for viewing recommended administrative information recommended next may be provided together.
  • FIG. 9 is a sequence diagram illustrating an operation of an electronic system according to an exemplary embodiment.
  • the laundry related device 10 when the power of the laundry related device 10 is turned on ( S910 ), the laundry related device 10 requests the recommended administrative information from the electronic device 100 ( S920 ).
  • the WiFi module provided in the laundry related device 10 may transmit an API [Application Program Interface] request signal for requesting recommended administrative information to the electronic device 100 .
  • the electronic device 100 acquires the recommended administrative information using the learned artificial intelligence model ( S930 ).
  • the electronic device 100 may obtain the recommended administrative information from the artificial intelligence model learned based on the usage information and the propensity information received from the electronic device 100 .
  • the electronic device 100 may acquire recommended administrative information from the artificial intelligence model learned by additionally using at least one of weather information, time information, and device information.
  • the electronic device 100 may transmit the obtained recommended administrative information to the laundry related device 10 (S940). According to an example, the electronic device 100 may transmit an API response signal including the recommended administrative information to the electronic device 100 .
  • the laundry related device 10 may provide the received recommended administrative information through the UI.
  • the laundry-related device 10 may sequentially provide a plurality of recommended administrative information according to a user command based on the priority of the plurality of recommended administrative information. .
  • the washing machine 10 when the washing machine 10 is not connected to the network with the electronic device 100 , the recommended administrative information may not be received.
  • the washing machine 10 may be automatically set according to an on device course setting function. For example, the washing machine 10 may be set in the order of the most used courses and options among recent use histories.
  • the washing machine 10 is turned on even when the received recommended administrative information does not match the device specifications, for example, when the recommended administrative information includes optional information not supported by the washing machine 10 , etc. ) can be set automatically according to the course setting function.
  • FIG. 10 is a flowchart illustrating a method of controlling an electronic device according to an exemplary embodiment.
  • a plurality of laundry-related devices are grouped into a plurality of groups based on usage information of each of the plurality of laundry-related devices, and tendency information of a group to which the laundry-related device belongs among the plurality of groups Acquire (S1010).
  • an artificial intelligence model is learned based on the acquired propensity information (S1020).
  • the artificial intelligence model may include a plurality of artificial intelligence models classified based on tendency information corresponding to each of the plurality of groups.
  • each of the plurality of artificial intelligence models may be learned based on usage information received from the laundry related device and usage information corresponding to a group to which the laundry related device belongs.
  • the artificial intelligence model may be learned based on usage information received from a specific laundry related device, usage information corresponding to a group to which the specific laundry related device belongs, weather information, time information, and device information.
  • the artificial intelligence model may be implemented as one artificial intelligence model.
  • the artificial intelligence model may be learned based on usage information received from a specific laundry related device, usage information of each of a plurality of laundry related devices, and tendency information corresponding to each of a plurality of groups.
  • the learning may be performed based on usage information received from a specific laundry related device, usage information corresponding to a group to which the specific laundry related device belongs, weather information, time information, device information, and tendency information.
  • step S1030 of obtaining the recommended administrative information weather information, time information, device information and usage information are input to the artificial intelligence model to obtain recommended administrative information, or weather information, time information, device information, usage information and tendency Information can be input into the artificial intelligence model to obtain recommended administrative information.
  • control method may further include, when a plurality of recommended administrative information is obtained from the artificial intelligence model, transmitting the plurality of recommended administrative information and priority information corresponding to the plurality of recommended administrative information to the laundry related device. .
  • step S1010 of acquiring the tendency information of the group to which the laundry-related device belongs among the plurality of groups a usage pattern of the plurality of laundry-related devices is acquired based on the usage information of the most recent critical time period of each of the plurality of laundry-related devices. and group the plurality of laundry related devices into at least one group based on the similarity of the usage patterns.
  • step S1010 of acquiring the tendency information of the group to which the laundry-related device belongs among the plurality of groups the usage pattern of the plurality of laundry-related devices is based on the use information of the most recent critical time period of each of the plurality of laundry-related devices. may be obtained, and a plurality of laundry-related devices may be grouped into at least one group using a K-means algorithm.
  • various embodiments of the present disclosure described above may be performed through an embedded server provided in the electronic device or at least one external server of the electronic device.
  • the various embodiments described above may be implemented as software including instructions stored in a machine-readable storage media readable by a machine (eg, a computer).
  • a device is a device capable of calling a stored command from a storage medium and operating according to the called command, and may include an electronic device (eg, the electronic device A) according to the disclosed embodiments.
  • the processor When executed by the processor, the processor may perform a function corresponding to the instruction by using other components directly or under the control of the processor
  • the instruction may include code generated or executed by a compiler or an interpreter.
  • a device-readable storage medium may be provided in the form of a non-transitory storage medium, where the 'non-transitory storage medium' is a tangible device and a signal (eg, electromagnetic waves), and this term does not distinguish between a case in which data is stored semi-permanently in a storage medium and a case in which data is temporarily stored. It may contain buffers.
  • a signal eg, electromagnetic waves
  • the method according to various embodiments disclosed in this document may be provided as included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or through an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly, online between smartphones (eg: smartphones).
  • a portion of the computer program product eg, a downloadable app
  • a machine-readable storage medium such as a memory of a manufacturer's server, a server of an application store, or a relay server. It may be temporarily stored or temporarily created.
  • each of the components may be composed of a single or a plurality of entities, and some sub-components of the above-described corresponding sub-components may be omitted, or other sub Components may be further included in various embodiments.
  • some components eg, a module or a program
  • operations performed by a module, program, or other component may be sequentially, parallel, repetitively or heuristically executed, or at least some operations may be executed in a different order, omitted, or other operations may be added.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Textile Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Control Of Washing Machine And Dryer (AREA)

Abstract

전자 장치가 개시된다. 전자 장치는 학습된 인공 지능 모델에 대한 정보가 저장된 메모리, 통신 인터페이스 및, 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 획득된 추천 행정 정보를 세탁 관련 기기로 전송하도록 통신 인터페이스를 제어하는 프로세서를 포함하며, 프로세서는, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 복수의 그룹 중 세탁 관련 기기가 속한 그룹의 성향 정보를 획득할 수 있다. 여기서, 인공 지능 모델은, 세탁 관련 기기로부터 수신된 사용 정보 및 획득된 성향 정보에 기초하여 학습될 수 있다.

Description

전자 장치 및 그 제어 방법
본 개시는 전자 장치 및 그 제어 방법에 관한 것으로, 더욱 상세하게는 가전 기기의 사용 정보를 관리하는 전자 장치 및 그 제어 방법에 관한 것이다.
전자 기술의 발달에 힘입어 다양한 유형의 전자 기기가 개발 및 보급되고 있다. 특히, 가정에서 이용되는 가전 기기는 사용자의 니즈를 만족시키기 위하여 최근 수년 간 지속적으로 발전하고 있다.
최근에는 스마트 폰에 설치된 어플리케이션을 통해 홈 내의 가전 기기를 제어하기 위한 다양한 방식이 보급되고 있다.
일 예에 따라 세탁기, 건조기, 에어드레서 등과 같은 세탁 관련 기능을 제공하는 기기에 대한 사용 패턴 정보에 기초하여 추천 행정 정보를 제공하는 기능도 제공되고 있다. 하지만, 세탁 관련 기기의 사용 정보가 많이 축적되지 않은 경우에는 사용 패턴 정보를 생성할 수 없다는 문제점이 있었다.
본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은 사용 정보가 축적되지 않은 세탁 관련 기기에 대해서도 사용 패턴 정보에 기초한 추천 행정 정보를 제공하는 전자 장치 및 그 제어 방법을 제공함에 있다.
이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 전자 장치는, 학습된 인공 지능 모델에 대한 정보가 저장된 메모리, 통신 인터페이스 및, 상기 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하도록 상기 통신 인터페이스를 제어하는 프로세서;를 포함하며, 상기 프로세서는, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하며, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습될 수 있다.
이 경우, 상기 인공 지능 모델은, 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함하며, 상기 복수의 인공 지능 모델 각각은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습될 수 있다.
또는, 상기 인공 지능 모델은 상이한 성향 정보를 학습할 수 있는 하나의 인공 지능 모델로 구현되며, 상기 세탁 관련 기기로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습될 수 있다.
또한, 상기 프로세서는, 날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하거나, 날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득할 수 있다.
또한, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습되거나, 상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습될 수 있다.
또한, 상기 프로세서는, 상기 세탁 관련 기기로부터 상기 추천 행정 정보에 대한 사용자 선택과 관련된 피드백 정보가 수신되면, 상기 수신된 피드백 정보에 기초하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹을 재식별하거나, 상기 수신된 피드백 정보에 기초하여 상기 인공 지능 모델을 재학습시킬 수 있다.
또한, 상기 추천 행정 정보는, 세탁 코스 정보 또는 세탁 옵션 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 프로세서는, 상기 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 상기 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 상기 세탁 관련 기기로 전송하도록 상기 통신 인터페이스를 제어할 수 있다.
또한, 상기 프로세서는, 상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 상기 사용 패턴의 유사도에 기초하여 상기 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.
또한, 상기 프로세서는, 상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.
또한, 세탁 관련 기기의 사용 정보는, 선택 코스, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수, 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 중 적어도 하나에 대한 데이터를 포함할 수 있다.
일 실시 예에 따른 서버 장치 및 세탁 관련 기기를 포함하는 시스템은 학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하는 서버 장치 및 상기 서버 장치로부터 상기 추천 행정 정보가 수신되면, 상기 수신된 추천 행정 정보를 제공하는 세탁 관련 기기를 포함할 수 있다. 이 경우, 상기 서버 장치는, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득할 수 있다. 또한, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습될 수 있다.
또한, 상기 세탁 관련 기기는, 상기 서버 장치로부터 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보가 수신되면, 상기 우선 순위 정보에 기초하여 상기 복수의 추천 행정 정보를 제공할 수 있다.
한편, 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법은, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하고 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 단계, 학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득하는 단계 및 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하는 단계;를 포함하며, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습될 수 있다.
이 경우, 상기 인공 지능 모델은, 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함하며, 상기 복수의 인공 지능 모델 각각은, 상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습될 수 있다.
또는, 상기 인공 지능 모델은 상이한 성향 정보를 학습할 수 있는 하나의 인공 지능 모델로 구현되며, 상기 세탁 관련 기기로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습될 수 있다.
또한, 상기 추천 행정 정보를 획득하는 단계는, 날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하거나, 날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득할 수 있다.
또한, 상기 인공 지능 모델은, 상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습되거나, 상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습될 수 있다.
또한, 상기 제어 방법은, 상기 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 상기 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 상기 세탁 관련 기기로 전송하는 단계를 더 포함할 수 있다.
또한, 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 단계는, 상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 상기 사용 패턴의 유사도에 기초하여 상기 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.
상술한 다양한 실시 예에 따르면, 세탁 관련 기기의 사용 정보가 많지 않은 경우에도 사용자의 사용 패턴과 관련된 추천 행정 정보를 제공할 수 있게 되므로, 사용자의 편의성이 향상된다.
도 1a 및 도 1b는 본 개시의 일 실시 예에 따른 시스템의 구성을 나타내는 도면들이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 나타내는 블럭도이다.
도 3a 및 도 3b는 본 개시의 일 실시 예에 따른 세탁 관련 기기의 그룹핑 방법을 설명하기 위한 도면들이다.
도 4는 본 개시의 일 실시 예에 따른 맵핑 정보의 예시를 나타내는 도면이다.
도 5a 및 도 5b는 다양한 실시 예에 따른 인공 지능 모델의 학습 방법을 설명하기 위한 도면들이다.
도 6은 본 개시의 다른 실시 예에 따른 타 전자 장치의 일 구현 예를 나타내는 도면이다.
도 7, 도 8a 및 도 8b는 일 실시 예에 따라 제공되는 UI 화면을 나타내는 도면들이다.
도 9는 일 실시 예에 따른 전자 시스템의 동작을 설명하기 위한 시퀀스도이다.
도 10은 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
-
이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.
본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.
이하 첨부된 도면들을 참조하여 본 개시의 일 실시 예를 보다 상세하게 설명한다.
도 1a 및 도 1b는 본 개시의 일 실시 예에 따른 시스템의 구성을 나타내는 도면들이다.
도 1a에 따르면, 시스템은 전자 장치(100) 및 복수의 제어 대상 기기(10, 20, 30)을 포함할 수 있다.
전자 장치(100)는 등록된 다양한 기기(가령, 가전 기기 및 IoT(Internet of Things) 기기 등)를 제어하고 관리할 수 있다. 예를 들어, 전자 장치(100)는 사용자 계정 별로 기기를 등록하고 관리할 수 있다. 일 예에 따라 전자 장치(100)는 서버, 특히, 클라우드 서버로 구현될 수 있으나, 이에 한정되는 것은 아니다.
제어 대상 기기(10, 20, 30)는 전자 장치(100)로부터 수신된 신호에 의해 제어 가능한 IoT (Internet of Things) 기기일 수 있다. 일 실시 예에 따라 물과 세제를 이용하여 세탁물을 세탁하고 젖은 세탁물에 대한 탈수를 수행하는 세탁기 또는 의류 등에 대한 건조 기능을 수행하는 건조기, 의류 등에 대한 청정 기능을 수행하는 의류 청정기 등과 같이 세탁과 관련된 다양한 기능을 수행하는 기기로 구현될 수 있다. 다만, 이하에서는 설명의 편의를 위하여 세탁물과 관련된 다양한 기능을 수행하는 기기를 "세탁 관련 기기"라 명명하도록 한다. 또한, 설명의 편의를 위하여 복수의 세탁 관련 기기(10, 20, 30)는 서로 다른 사용자 계정에 등록된 세탁 관련 기기인 것으로 상정하여 설명하도록 한다.
전자 장치(100)은 액세스 포인트를 세탁 관련 기기(10, 20, 30)와 통신하거나, LTE, 5G 등과 같은 이동 통신 네트워크를 통해 세탁 관련 기기(10, 20, 30)와 통신을 수행할 수 있다. 특히, 전자 장치(100)는 복수의 세탁 관련 기기(10, 20, 30)로부터 수신된 사용 정보에 기초하여, 인공 지능 모델을 이용하여 특정 세탁 관련 기기(10)에 대한 추천 행정 정보를 제공할 수 있다. 여기서, 특정 세탁 관련 기기(10)는 추천 행정 정보를 요청하는 이벤트가 발생된 세탁 관련 기기일 수 있다.
도 1b에 따르면, 시스템은 전자 장치(100), 데이터 서버(40), 사용자 단말(50) 및 복수의 제어 대상 기기(10, 20, 30)을 포함할 수 있다.
도 1b에 도시된 일 실시 예에 따르면, 전자 장치(100)는 복수의 세탁 관련 기기(10, 20, 30)의 사용 정보를 복수의 세탁 관련 기기(10, 20, 30)로부터 직접 수신하지 않고, 데이터 서버(40) 통해 수신하는 것도 가능하다. 이 경우, 데이터 서버(40)는 복수의 세탁 관련 기기(10, 20)의 사용 정보를 저장하고 관리하는 데이터베이스 서버로 구현될 수 있다. 예를 들어, 데이터 서버(40)는 복수의 세탁 관련 기기(10, 20, 30)의 사용 정보에 기초하여 복수의 세탁 관련 기기(10, 20, 30)의 고장 수리 서비스를 제공하는 서버로 구현될 수 있다.
도 1b에 도시된 다른 실시 예에 따르면, 전자 장치(100)는 사용자 단말(50)과 통신을 수행할 수 있다.
사용자 단말(50)은 어플리케이션을 제공하는 서버(미도시)로부터 어플리케이션을 다운로드받아 설치할 수 있다. 일 예에 따라 사용자 단말(50)는 스마트 폰, 태블릿과 같은 사용자 단말로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 전자 장치(200)는 노트북, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 전자책 단말기, 디지털 방송용 단말기, 네비게이션, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치로 구현되거나, 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기일 수 있다. 여기서, 세탁 관련 기기(10)는 사용자 단말(50)에 설치된 어플리케이션을 통해 제어 가능한 IoT (Internet of Things) 기기일 수 있다. 일 실시 예에 따라 세탁기, 건조기, 의류 청정기 등으로 구현 가능하다.
사용자는 사용자 단말(50)에서 어플리케이션을 실행하고 사용자 계정을 입력하여, 입력된 사용자 계정을 통해 전자 장치(100), 예를 들어 서버에 로그인할 수 있으며, 사용자 단말(50)은 로그인된 사용자 계정을 기반으로 전자 장치(100)와 통신을 수행할 수 있다. 전자 장치(100)는 세탁 관련 기기(10)를 대응되는 사용자 계정에 등록할 수 있다. 예를 들어, 사용자 단말(50)은 액세스 포인트(Access Point, AP) 모드로 동작하는 세탁 관련 기기(10)와 통신을 수행하여, 액세스 포인트(즉, 와이파이(Wi-Fi) 액세스 포인트)에 대한 정보를 세탁 관련 기기(10)로 전송할 수 있다. 예를 들어, 사용자 단말(50)은 연결 가능한 액세스 포인트에 대한 리스트를 사용자 단말(50)의 디스플레이에 표시하고, 리스트 상에서 사용자 명령에 따라 선택된 액세스 포인트에 대한 정보를 세탁 관련 기기(10)로 전송할 수 있다. 이 경우, 세탁 관련 기기(10)는 사용자 단말(50)로부터 수신된 액세스 포인트에 대한 정보를 이용하여 액세스 포인트와 통신 연결을 수행하고, 액세스 포인트를 통해 전자 장치(100)에 접속할 수 있다. 이에 따라, 전자 장치(100)는 액세스 포인트를 통해 세탁 관련 기기(10)가 접속되면, 로그인된 사용자 계정에 세탁 관련 기기(10)를 등록할 수 있다. 경우에 따라 전자 장치(100)는 사용자 단말(50)로 특정 세탁 관련 기기(10)에 대한 추천 행정 정보를 제공할 수 있다.
이하에서는, 본 개시의 다양한 실시 예에 따라 전자 장치(100)에서 세탁 관련 기기(10)의 사용 정보에 기초하여 추천 행정 정보를 제공하는 다양한 실시 예에 대해 설명하도록 한다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 나타내는 블럭도이다.
도 2에 따른 전자 장치(100)는 메모리(110), 통신 인터페이스(120) 및 프로세서(130)를 포함한다.
전자 장치(100)는 서버로 구현 가능하며, 예를 들어, 클라우딩 컴퓨팅 환경이 구축된 서버로 구현될 수 있다. 이에 한정되는 것은 아니며, 인공 지능 모델을 이용하여 데이터를 처리하는 장치라면 한정되지 않고 적용 가능하다.
메모리(110)는 본 개시의 다양한 실시 예를 위해 필요한 데이터를 저장할 수 있다. 메모리(110)는 데이터 저장 용도에 따라 전자 장치(100)에 임베디드된 메모리 형태로 구현되거나, 전자 장치(100)와 통신 가능한(또는 탈부착 가능한) 메모리 형태로 구현될 수도 있다. 예를 들어, 전자 장치(100)의 구동을 위한 데이터의 경우 전자 장치(100)에 임베디드된 메모리에 저장되고, 전자 장치(100)의 확장 기능을 위한 데이터의 경우 전자 장치(100)와 통신 가능한 메모리에 저장될 수 있다. 한편, 전자 장치(100)에 임베디드된 메모리의 경우 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나로 구현될 수 있다. 또한, 전자 장치(100)와 통신 가능한 메모리의 경우 메모리 카드(예를 들어, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 등), USB 포트에 연결가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.
일 예에 따라 메모리(110)는 전자 장치(100)를 제어하기 위한 적어도 하나의 인스트럭션(instruction) 또는 인스트럭션들을 포함하는 컴퓨터 프로그램을 저장할 수 있다.
다른 예에 따라, 메모리(110)는 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장할 수 있다. 여기서, 인공 지능 모델에 관한 정보를 저장한다는 것은 인공 지능 모델의 동작과 관련된 다양한 정보, 예를 들어 인공 지능 모델에 포함된 복수의 레이어에 대한 정보, 복수의 레이어 각각에서 이용되는 파라미터(예를 들어, 필터 계수, 바이어스 등)에 대한 정보 등을 저장한다는 것을 의미할 수 있다. 예를 들어, 메모리(120)는 일 실시 예에 따라 추천 행정 정보를 획득하도록 학습된 인공 지능 모델에 대한 정보를 저장할 수 있다. 다만, 프로세서(130)가 인공 지능 모델 전용 하드웨어로 구현되는 경우, 인공 지능 모델에 관한 정보는 프로세서(130) 내부 메모리에 저장될 수도 있다.
일 실시 예에 따르면, 메모리(110)는 본 개시에 따른 다양한 동작들에서 생성되는 데이터를 저장하는 단일 메모리로 구현될 수 있다. 다만, 다른 실시 예에 따르면, 메모리(110)는 상이한 타입의 데이터를 각각 저장하거나, 상이한 단계에서 생성되는 데이터를 각각 저장하는 복수의 메모리를 포함하도록 구현될 수도 있다.
통신 인터페이스(120)는 복수의 세탁 관련 기기(10, 20, 30)와 통신을 수행할 수 있다.
일 실시 예에 따라 통신 인터페이스(120)는 세탁 관련 기기(10, 20, 30)와 통신을 수행하는 무선 통신 모듈을 포함할 수 있다. 다른 실시 예에 따라 통신 인터페이스(120)는 데이터 서버(40) 또는 사용자 단말(50) 중 적어도 하나와 추가적으로 통신을 수행할 수 있다.
예를 들어, 통신 인터페이스(120)는 무선 통신 모듈, 예를 들어, Wi-Fi 모듈을 포함할 수 있다. 다만, 이에 한정되는 것은 아니며, 통신 인터페이스(120)는 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격, 적외선 통신(IrDA, infrared Data Association) 기술 등에 따라 통신을 수행할 수도 있다.
프로세서(130)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작을 제어한다. 프로세서(130)는 하나 또는 복수의 프로세서로 구성될 수 있다. 구체적으로, 프로세서(130)는 메모리(110)에 저장된 적어도 하나의 인스트럭션(instruction)을 실행함으로써, 본 개시의 다양한 실시 예에 따른 전자 장치(100)의 동작을 수행할 수 있다.
일 실시 예에 따라 프로세서(130)는 디지털 영상 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), GPU(Graphics Processing Unit), AI(Artificial Intelligence) 프로세서, NPU (Neural Processing Unit), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(140)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, ASIC(application specific integrated circuit), FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
또한, 일 실시 예에 따른 인공 지능 모델을 실행하기 위한 프로세서(130)는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서과 소프트웨어의 조합을 통해 구현될 수 있다. 프로세서(130)는, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어할 수 있다. 또는, 프로세서(130)가 전용 프로세서(또는 인공 지능 전용 프로세서)인 경우, 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 예를 들어, 특정 인공 지능 모델의 처리에 특화된 하드웨어는 ASIC, FPGA 등의 하드웨어 칩으로 설계될 수 있다. 프로세서(130)가 전용 프로세서로 구현되는 경우, 본 개시의 실시 예를 구현하기 위한 메모리를 포함하도록 구현되거나, 외부 메모리를 이용하기 위한 메모리 처리 기능을 포함하도록 구현될 수 있다.
일 실시 예에 따르면, 프로세서(130)는 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 획득된 추천 행정 정보를 세탁 관련 기기(10) 또는 사용자 단말(50)로 전송하도록 통신 인터페이스(120)를 제어할 수 있다.
일 예에 따라 인공 지능 모델은 CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등으로 구현될 수 있으나, 이에 한정되지 않는다.
추천 행정 정보는 코스 정보 및 옵션 정보(예를 들어 코스 별 옵션 정보)를 포함할 수 있다. 예를 들어, 세탁 코스는 표준 코스, 울세탁 코스, 아기 세탁 코스, 소프트 버블 등을 포함할 수 있고, 옵션 정보는 세탁 시간, 물 온도, 건조 시간 등을 포함할 수 있다. 다만, 건조기의 경우, 코스 정보는 이불/먼지 털기, 살균 코스, 강력 코스 등을 포함하고, 옵션 정보는, 건조 레벨, 건조 시간 등을 포함할 수 있다. 의류 청정기의 경우, 코스 정보는 표준 코스, 미세 먼지 코스, 급속 코스, 살균 코스 등을 포함하고, 옵션 정보는 관리 레벨, 관리 시간 등을 포함할 수 있다. 다만, 이는 코스 정보 및 옵션 정보의 일 예를 든 것이며, 다양한 정보가 추가될 수 있음은 물론이다. 또한, 추천 행정 정보에 코스 정보 및 옵션 정보 뿐 아니라 다양한 부가 정보가 추가될 수 있음은 물론이다.
이 경우, 프로세서(130)는 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 복수의 그룹 중 세탁 관련 기기(10)가 속한 그룹의 성향 정보를 획득할 수 있다. 일 실시 예에 따라 그룹핑되는 복수의 세탁 관련 기기는 동일한 타입의 기기 예를 들어, 세탁기일 수 있다.
이 경우, 인공 지능 모델은, 세탁 관련 기기(10)로부터 수신된 사용 정보 및 획득된 성향 정보(또는 코스 성향 정보)에 기초하여 학습될 수 있다. 즉, 일 실시 예에 따르면, 세탁 관련 기기(10)의 사용 정보 양이 인공 지능 모델을 학습시키기에 부족하더하도 세탁 관련 기기(10)의 사용 정보와 동일한 성향의 사용 정보를 이용하여 인공 지능 모델을 학습시킬 수 있게 된다. 이에 따라, 세탁 관련 기기(10)의 사용 정보가 충분히 축적되지 않은 경우에도 인공 지능 모델을 통해 사용자의 세탁 관련 기기(10) 사용 성향에 적합한 추천 행정 정보를 제공받을 수 있게 된다.
여기서, 세탁 관련 기기가 세탁기로 구현되는 경우, 사용 정보는, 선택 코스, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수(예를 들어, [0-6시 세탁 수], [6-12시 세탁 수], [12-18시 세탁 수], [18-24시 세탁수]) 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 등 다양한 사용 데이터를 포함할 수 있다. 다만 세탁 관련 기기가 건조기, 또는 의류 청정기로 구현되는 경우 해당 기기의 기능과 관련된 다양한 사용 데이터를 포함할 수 있다. 예를 들어, 건조기의 경우, 사용 정보는 코스 정보(이불/먼지 털기, 살균 코스, 강력 코스 등), 건조 레벨, 건조 시간 등을 포함할 수 있다. 의류 청정기의 경우, 사용 정보는 코스 정보(표준 코스, 미세 먼지 코스, 급속 코스, 살균 코스 등), 관리 레벨, 관리 시간 등을 포함할 수 있다.
일 예에 따라 프로세서(130)는 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보(이하, 최근 사용 정보라 함)에 기초하여 복수의 세탁 관련 기기를 그룹핑할 수 있다. 구체적으로, 프로세서(130)는 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 사용 패턴을 획득하고, 사용 패턴의 유사도에 기초하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다. 여기서, 최근 임계 시간 구간은 현재를 기준으로 기설정된 시간 구간 이전에 획득된 사용 정보, 예를 들어, 최근 2주 동안 획득된 사용 정보가 될 수 있다.
예를 들어, 프로세서(130)는 서로 다른 타입의 사용 정보를 벡터 데이터 형태로 생성하여 사용 패턴을 획득할 수 있다. 여기서, 사용 패턴은 최근 사용 정보에 기초한 일시적인 패턴을 의미할 수 있다.
일 예로 프로세서(130)는 {제1 타입 사용 정보, 제2 타입 사용 정보, 제3 타입 사용 정보... 제n 타입 사용 정보}의 형태로, 벡터 데이터를 생성할 수 있다. 여기서, 서로 다른 타입의 사용 정보 예를 들어, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수(예를 들어, [0-6시 세탁 수], [6-12시 세탁 수], [12-18시 세탁 수], [18-24시 세탁수]) 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 등을 포함할 수 있다. 예를 들어, 벡터 데이터가 { 총 세탁 횟수, 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수 }의 형태인 경우, {10, 3, 2, -1}와 같은 형태의 백터 데이터가 생성될 수 있다.
프로세서(130)는 복수의 세탁 관련 기기 각각의 사용 패턴(예를 들어, 벡터 데이터)가 획득되면, 획득된 사용 패턴에 인공 지능 기술(또는 인공 지능 모델링)을 적용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.
일 예에 따라 프로세서(130)는 획득된 사용 패턴에 기초하여 K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다. 여기서, K-means 알고리즘이란 비슷한 데이터들끼리 모아서 분류(Clustering)해주는 비지도 학습(Unsupervised Learning) 알고리즘을 의미한다. 여기서 비지도 학습(Unsuperised Learning)이란 입력만 있고 출력은 없는 경우에 적용되며, 입력 사이의 규칙성 등을 찾아낼 수 있는 알고리즘이다. 일 예에 따라, 1. 중심(Centroid) 값에 가까운 데이터끼리 분류(Clusering)하고, 2. 중심(Centroid) 값을 분류(Clusering)된 데이터의 중심 값으로 변경하며, 3. 중심(Centroid) 값이 더 이상 변하지 않을 때까지 1 및 2 과정을 반복할 수 있다.
프로세서(130)는 상술한 K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 예를 들어 도 3a에 도시된 바와 같이 복수의 그룹(Cluster 1, Cluster 2, Cluster 3)으로 그룹핑할 수 있다. 여기서, x, y, z축은 서로 다른 타입의 사용 정보 예를 들어, 선택 코스, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수, 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 등을 포함할 수 있다. 도 3a에서는 x, y, z축 세 가지 축 만을 도시하였지만 사용 정보의 타입에 따라 축의 개수, 즉 차원 수는 다양할 수 있음은 물론이다. 일 예에 따라 복수의 그룹(Cluster 1, Cluster 2, Cluster 3)은 도 3b에 도시된 바와 같이 각각 다른 코스에 대응될 수 있으나, 반드시 이에 한정되는 것은 아니다. 예를 들어, 복수의 그룹(Cluster 1, Cluster 2, Cluster 3) 중 일부는 동일한 코스의 서로 다른 옵션에 대응될 수 있다.
이 경우, 프로세서(130)는 임계 시간 단위로, 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보를 획득하고, 획득된 사용 정보에 기초하여 복수의 세탁 관련 기기의 최근 사용 패턴을 획득할 수 있다. 예를 들어, 프로세서(130)는 하루 단위로, 복수의 세탁 관련 기기 각각의 최근 2주 구간의 사용 정보를 획득하고, 획득된 사용 정보에 기초하여 복수의 세탁 관련 기기의 최근 사용 패턴을 획득할 수 있다. 즉, 오늘을 기준으로 최근 2주 구간의 사용 정보에 기초하여 최근 사용 패턴을 획득하고, 내일이 되면 내일을 기준으로 최근 2주 구간의 사용 정보에 기초하여 최근 사용 패턴을 획득하여 하루 단위로 최근 사용 패턴을 업데이트할 수 있다. 다만, 하루 단위, 2주 구간은 설명의 편의를 위하여 수치를 예로 든 것이며, 이에 한정되지 않음은 물론이다.
일 실시 예에 따라, 프로세서(130)는 복수의 세탁 관련 기기가 복수의 그룹으로 그룹핑되면, 각 그룹의 성향 정보를 획득할 수 있다. 또한, 프로세서(130)는, 각 그룹 별 사용 정보를 그룹 식별 정보, 기기 식별 정보 등과 맵핑하여 룩업 테이블 형태로 저장하고 인공 지능 모델의 학습에 이용할 수 있다. 도 4는 일 예에 따라 저장된 맵핑 정보의 예시를 나타낸다.
일 예에 따라 성향 정보는 각 그룹의 대표 성향을 반영할 수 있는 다양한 정보가 될 수 있다. 예를 들어, 성향 정보는, 복수의 그룹 각각의 대표 사용 패턴이 될 수 있다. 일 예에 따라 특정 그룹에 속한 복수의 세탁 관련 기기 각각에 대응되는 사용 패턴 정보가 생성되어 있는 경우, 해당 세탁 관련 기기들 중 우선 순위가 높은 사용 패턴 정보를 대표 사용 패턴 정보로 설정하거나, 복수의 사용 패턴 정보를 평균하여 대표 사용 패턴 정보를 설정할 수 있다.
여기서, 우선 순위는, 사용 패턴 정보 생성에 이용된 사용 데이터의 크기 정보, 사용 패턴 정보 생성에 이용된 사용 데이터의 날짜 정보, 세탁 관련 기기들의 위치 정보 또는, 세탁 관련 기기들의 제조사 또는 모델 정보 중 적어도 하나를 고려하여 설정될 수 있다. 예를 들어, 사용 데이터의 크기 정보가 클수록 사용 패턴 정보에 우선 순위를 높게 부여하거나, 사용 데이터의 날짜 정보가 최근 날짜 일수록 사용 패턴 정보에 우선 순위를 높게 부여할 수 있다. 다만, 상술한 예는 우선 순위를 설정하는 일 예에 불과하며, 우선 순위는 그외 다양한 방법으로 설정 가능하다.
일 실시 예에 따르면 인공 지능 모델은 세탁 관련 기기(10)로부터 수신된 사용 정보, 세탁 관련 기기(10)가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습될 수 있다. 또는 인공 지능 모델은 세탁 관련 기기(10)로부터 수신된 사용 정보, 타 세탁 관련 기기의 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습될 수 있다. 다만, 날씨 정보, 시간 정보 및 기기 정보가 학습에 반드시 요구되는 것은 아니며, 필요에 따라 적어도 일부가 생략될 수 있고, 다른 정보가 추가될 수도 있다.
여기서, 기기 정보는 세탁 관련 기기(10)와 관련된 다양한 정보, 예를 들어, 기능, 모델, 타입, 제조사, 위치 등 다양한 정보를 포함할 수 있고, 시간 정보는 시간, 요일, 휴일 등 시간과 관련된 다양한 정보를 포함할 수 있고, 날씨 정보는 온도, 먼지, 오존지수, 강수, 바람, 습도 등 날씨와 관련된 다양한 정보를 포함할 수 있다.
일 실시 예에 따르면, 인공 지능 모델은 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함할 수 있다. 이 경우, 복수의 인공 지능 모델 각각은, 세탁 관련 기기(10)로부터 수신된 사용 정보 및 세탁 관련 기기(10)가 속한 그룹에 대응되는 사용 정보에 기초하여 학습될 수 있다. 여기서, 세탁 관련 기기(10)가 속한 그룹에 대응되는 사용 정보란, 세탁 관련 기기(10)가 속한 그룹에 포함된 다른 세탁 관련 기기의 사용 정보가 될 수 있다.
다른 실시 예에 따르면, 인공 지능 모델은, 세탁 관련 기기(10)로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습될 수 있다.
도 5a 및 도 5b는 다양한 실시 예에 따른 인공 지능 모델의 학습 방법을 설명하기 위한 도면들이다.
*83일 실시 예에 따르면, 인공 지능 모델은 입력 훈련 데이터 및 출력 훈련 데이터 쌍에 기초하여 학습되거나, 입력 훈련 데이터에 기초하여 학습될 수 있다. 여기서, 인공 지능 모델이 학습된다는 것은, 기본 인공 지능 모델(예를 들어 임의의 랜덤한 파라미터를 포함하는 인공 지능 모델)이 학습 알고리즘에 의하여 다수의 훈련 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 전자 장치(100)를 통해 이루어질 수 있으나, 이에 한정되는 것은 아니며 별도의 서버 및/또는 시스템을 통해 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다. 다만, 이는 지도 학습의 경우를 예를 든 것이며, 출력 데이터로서 추천 행정 정보를 이용하지 않고 입력 데이터 만을 입력하여 인공 지능 모델을 학습시키는 비지도 학습에 기초하여 인공 지능 모델을 학습시킬 수 있음은 물론이다.
도 5a에 도시된 일 실시 예에 따르면, 각 그룹 별, 즉 그룹 성향 별 인공 지능 모델이 별도로 구비될 수 있다. 여기서, 그룹 성향은 일 예에 따라 코스 성향이 될 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 그룹 성향은 동일한 코스의 서로 다른 옵션 성향이 될 수도 있다.
예를 들어 도 5a에 도시된 바와 같이 제1 그룹에 대응되는 제1 인공 지능 모델(511)은 제1 그룹의 사용 정보 및 추천 행정 정보를 각각 입출력 훈련 데이터 쌍으로 이용하여 학습될 수 있다. 예를 들어, 도 5a에 도시된 바와 같이 제1 그룹의 사용 정보, 날씨 정보, 기기 정보, 시간 정보의 입력 데이터, 및 추천 행정 정보의 출력 데이터를 입출력 훈련 데이터 쌍으로 이용하여 학습될 수 있다. 이 경우, 제1 그룹에 속한 세탁 관련 기기들의 사용 정보가 될 수 있다. 또한, 유사한 방식으로 제2 그룹에 대응되는 제2 인공 지능 모델(512)은 제2 그룹의 사용 정보 및 추천 행정 정보를 각각 입출력 훈련 데이터 쌍으로 이용하여 학습될 수 있다. 다만, 이는 지도 학습의 경우를 예를 든 것이며, 출력 데이터로서 추천 행정 정보를 이용하지 않고 입력 데이터 만을 입력하여 인공 지능 모델을 학습시키는 비지도 학습에 기초하여 인공 지능 모델을 학습시킬 수 있음은 물론이다.
도 5b에 도시된 다른 실시 예에 따르면, 상이한 성향 정보를 학습할 수 있는 하나의 인공 지능 모델 만이 구비될 수 있다.
도 5a에 도시된 바와 다르게 인공 지능 모델(520)은 사용 정보, 날씨 정보, 기기 정보, 시간 정보, 성향 정보의 입력 데이터 및 추천 행정 정보의 출력 데이터를 입출력 훈련 데이터 쌍으로 이용하여 학습될 수 있다. 여기서, 사용 정보는 그룹과 관계없는 임의의 사용 정보가 될 수 있다. 다만, 인공 지능 모델(520)은 성향 정보를 훈련 데이터로 하여 각 그룹에 대응되는 추천 행정 정보를 출력하도록 학습될 수 있다.
도 2로 돌아와서, 프로세서(130)는 학습된 인공 지능 모델로부터 획득된 추천 행정 정보를 세탁 관련 기기(10) 또는 사용자 단말(50)로 전송할 수 있다. 이 경우, 인공 지능 모델의 입력 데이터는, 날씨 정보, 시간 정보, 기기 정보 및 사용 정보 중 적어도 하나를 포함할 수 있다. 다만 인공 지능 모델의 구현 예에 따라 성향 정보가 추가적으로 인공 지능 모델로 입력될 수 있다.
학습된 인공 지능 모델은 적어도 하나의 추천 행정 정보 및 해당 정보에 대응되는 확률 값을 출력할 수 있다. 예를 들어 프로세서(130)는 인공 지능 모델로부터 복수의 추천 행정 정보가 출력되면, 대응되는 확률 값에 기초하여 각 추천 행정 정보의 우선 순위를 결정할 수 있다. 이 경우, 프로세서(130)는 복수의 추천 행정 정보 및 대응되는 우선 순위 정보를 세탁 관련 기기(10) 또는 사용자 단말(50)로 전송할 수 있다. 다만, 우선 순위는 반드시 확률 값에 의해 결정되는 것은 아니며, 기 정해진 규칙에 따라 결정되는 것도 가능하다.
이 경우, 인공 지능 모델의 출력 부분은 softmax 처리가 가능하도록 구현될 수 있다. 여기서, softmax 는 입력받은 값을 0 ~ 1 사이 값으로 모두 정규화하며 출력 값들의 총합을 항상 1로 만드는 함수로, 각 class 별 즉, 각 추천 행정 정보의 확률 값을 출력하는 기능을 할 수 있다. 경우에 따라 인공 지능 모델의 출력 부분은 Argmax 처리가 가능하도록 구현될 수 있다. Argmax 는 다수의 label 중에서 가장 가능성 높은 것을 선택해 주는 함수로, 여기에서는 각 class 별 확률 값을 확률 값 중 가장 큰 값을 가지는 비율을 선택해 주는 기능을 할 수 있다. 즉, 인공 지능 모델은 각각의 출력 부분이 Argmax 처리되어 있는 경우, 가장 높은 확률 값을 가지는 하나의 추천 행정 정보 만이 출력될 수 있게 된다.
일 실시 예에 따라 프로세서(130)는 추천 행정 정보를 세탁 관련 기기(10) 또는 사용자 단말(50)로 전송한 후, 세탁 관련 기기(10) 또는 사용자 단말(50)로부터 추천 행정 정보에 대한 사용자 선택과 관련된 피드백 정보를 수신할 수 있다. 이 경우, 프로세서(130)는 수신된 피드백 정보에 기초하여 복수의 그룹 중 상기 세탁 관련 기기(10)가 속한 그룹을 재식별할 수 있다. 예를 들어, 프로세서(130)는 사용자가 복수의 추천 행정 정보 중 우선 순위가 낮은 추천 행정 정보를 선택하거나, 추천 행정 정보의 일부 옵션 정보를 변경하여 행정을 진행한 경우, 해당 피드백 정보를 반영하여 세탁 관련 기기(10)가 속한 그룹을 재식별할 수 있다. 또한, 프로세서(130)는 해당 피드백 정보를 반영하여 인공 지능 모델을 재학습시킬 수도 있다.
도 6은 본 개시의 다른 실시 예에 따른 타 전자 장치의 일 구현 예를 나타내는 도면이다.
도 6에 따르면, 전자 장치(200)는 메모리(210), 통신 인터페이스(220), 디스플레이(230), 사용자 인터페이스(240) 및 프로세서(250)를 포함한다. 여기서, 전자 장치(200)는 도 1a 및 도 1b에 도시된 세탁 관련 기기(10) 또는 사용자 단말(50)로 구현 가능하다.
메모리(210)는 전자 장치(200)를 구동하기 위한 다양한 모듈을 저장한다. 예를 들어, 메모리(210)에는 베이스 모듈, 센싱 모듈, 통신 모듈, 프리젠테이션 모듈, 웹 브라우저 모듈, 서비스 모듈을 포함하는 소프트웨어가 저장될 수 있다.
일 실시 예에 따라, 전자 장치(200)가 세탁 관련 기기(10)로 구현되는 경우, 세탁 관련 기기(10)에서 획득되는 다양한 사용 정보를 저장할 수 있다.
다른 실시 예에 따라 전자 장치(200)가 사용자 단말(50)로 구현되는 경우, 메모리(210)는 외부 기기를 제어하기 위한 어플리케이션(예를 들어, 도 1b에서 설명된 어플리케이션)을 저장할 수 있다. 여기서 어플리케이션은 홈 내의 가전 기기 등을 원격 제어하기 위한 어플리케이션일 수 있다.
통신 인터페이스(220)는 외부 장치(예를 들어 도 1a 및 도 1b의 전자 장치(100))와 통신을 수행할 수 있다.
일 실시 예에 따라 통신 인터페이스(220)는 예를 들어, Wi-Fi 모듈을 포함할 수 있다. 와이 파이 모듈은 802.11a, 802.11b, 802.11g, 802.11n 중 802.11ac 적어도 하나의 규격 버전에 따라 통신을 수행할 수 있으나, 이에 한정되는 것은 아니며 추후 개발되는 새로운 버전이 포함될 수 있음은 물론이다. 다만, 이에 한정되는 것은 아니며, 통신 인터페이스(220)는 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격, 적외선 통신(IrDA, infrared Data Association) 기술 등에 따라 통신을 수행할 수도 있다.
디스플레이(230)는 자발광 소자를 포함하는 디스플레이 또는, 비자발광 소자 및 백라이트를 포함하는 디스플레이로 구현될 수 있다. 예를 들어, LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, LED(Light Emitting Diodes), 마이크로 LED(micro LED), Mini LED, PDP(Plasma Display Panel), QD(Quantum dot) 디스플레이, QLED(Quantum dot light-emitting diodes) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(230) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이(230)는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 롤러블 디스플레이(rollable display), 3차원 디스플레이(3D display), 복수의 디스플레이 모듈이 물리적으로 연결된 디스플레이 등으로 구현될 수 있다.
사용자 인터페이스(240)는 버튼, 터치 패드, 마우스 및 키보드와 같은 장치로 구현되거나, 상술한 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(200)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.
프로세서(250)는 전자 장치(200)의 전반적인 동작을 제어한다.
특히, 프로세서(250)는 UI 화면을 디스플레이하도록 디스플레이(230)를 제어할 수 있다. 여기서, UI 화면은 이미지, 동영상, 텍스트, 음악 등과 같은 다양한 컨텐츠 재생 화면, 다양한 컨텐츠를 포함하는 어플리케이션 실행 화면, 웹 브라우저 화면, GUI(Graphic User Interface) 화면 등을 포함할 수 있다.
일 실시 예에 따라 프로세서(250)는 전자 장치(200)를 제어하기 위한 UI 또는 외부 기기와 관련된 UI 화면을 제공하도록 디스플레이(230)를 제어할 수 있다. 이 경우, 해당 UI 화면은 OS 상에서 사용자가 직접 사용하게 되는 소프트웨어인 어플리케이션(Application)을 통해 제공될 수 있다. 이 경우, 어플리케이션은 디스플레이(230) 화면 상에서 아이콘 인터페이스 형태로 제공될 수 있다. 일 예에 따라 전자 장치(200)가 사용자 단말(50)로 구현되는 경우 프로세서(250)는 외부 기기와 관련된 UI 화면을 제공하도록 디스플레이(230)를 제어할 수 있다. 이 경우 외부 기기는 세탁 관련 기기(10)가 될 수 있다.
일 예에 따라 어플리케이션을 통해 제공되는 UI 화면은 세탁 관련 기기(10)의 행정과 관련된 다양한 정보를 제공할 수 있으며, 세탁 관련 기기의 컨트롤을 위해 입력 및 출력이 가능한 컨트롤 패널의 기능을 할 수 있다. 즉, UI 화면은 사용자와 인터페이스를 위한 구성으로, 사용자의 입력을 수신하기 위한 입력 인터페이스 및 사용자 입력에 따른 정보(예를 들어 제어 정보)를 표시하는 출력 인터페이스를 포함할 수 있다.
일 예에 따라, 프로세서(250)는 기설정된 이벤트에 따라 세탁 관련 기기(10)의 추천 행정 정보에 대한 요청을 서버(예를 들어, 도 1a, 도 1b의 전자 장치(100))로 전송하고, 서버로부터 수신된 추천 행정 정보를 제공할 수 있다. 기설정된 이벤트는 전자 장치(200)가 세탁 관련 기기(10)로 구현되는 경우, 세탁 긱기(10)의 전원이 온 되는 이벤트가 될 수 있고, 전자 장치(200)가 사용자 단말(50)로 구현되는 경우 특정 어플리케이션이 구동되고, 세탁 관련 기기 관련 기능이 선택되는 이벤트일 수 있다. 이 경우, 프로세서(250)는 실행 중인 어플리케이션 화면을 통해 추천 행정 정보를 제공할 수 있다.
전자 장치(200)는 세탁 관련 기기(10)로 구현되는 경우, 추천 행정 정보는, 세탁 관련 기기에 마련된 UI(User Interface) 화면을 통해 제공될 수 있다. 이 경우, 프로세서(250)는 복수의 추천 행정 정보가 수신되면, 복수의 추천 행정 정보에 대응되는 우선 순위 정보에 기초하여 복수의 추천 행정 정보를 제공하도록 디스플레이(230)를 제어할 수 있다.
그 밖에 전자 장치(200)는 다양한 입출력 인터페이스(미도시), 스피커(미도시), 마이크(미도시)를 더 포함할 수 있다. 마이크는 사용자 음성이나 기타 소리를 입력받아 오디오 데이터로 변환하기 위한 구성이다. 예를 들어, 본 개시의 다양한 실시 예에 따른 UI 화면에 포함된 정보가 스피커(미도시)를 통해 음성으로 제공되고, 마이크(미도시)를 통해 사용자 명령이 음성으로 입력될 수도 있다.
도 7, 도 8a 및 도 8b는 일 실시 예에 따라 제공되는 UI 화면을 나타내는 도면들이다.
도 7은 전자 장치(200)가 세탁 관련 기기(10)로 구현되는 경우의 UI 화면을 나타낸다
도 7에 따르면, 기설정된 이벤트에 따라 추천 행정 정보(711)를 제공하는 UI 화면(710)이 디스플레이(11) 상에 제공될 수 있다. 또한, 다음으로 추천되는 추천 행정 정보를 보기 위한 네비게이션 GUI(712)가 함께 제공될 수 있다. 일 예에 따라 제공되는 추천 행정 정보는 우선 순위에 따라 순차적으로 제공될 수 있다. 이 경우, 기설정된 이벤트는 예를 들어 세탁 관련 기기(10)가 전원 온 되어 디스플레이(11)가 턴 온 되는 이벤트가 될 수 있으나, 사용자의 추천 정보 요청 명령이 있는 경우 등이 될 수도 있다.
도 8a 및 도 8b는 전자 장치(200)가 사용자 단말(50)로 구현되는 경우의 UI 화면을 나타낸다.
도 8a는 특정 어플리케이션이 실행된 경우 제공되는 UI 화면을 도시한 것으로 해당 UI 화면(810)에는 제어 가능한 가전 기기를 나타내는 아이콘 이미지가 제공될 수 있다. 여기서, 사용자의 터치 입력에 의해 세탁 관련 기기(811)가 선택되면, 도 8b에 도시된 바와 같이 추천 행정 정보(821)를 제공하는 UI 화면(820)이 제공될 수 있다. 또한, 다음으로 추천되는 추천 행정 정보를 보기 위한 네비게이션 GUI(822)가 함께 제공될 수 있다.
도 9는 일 실시 예에 따른 전자 시스템의 동작을 설명하기 위한 시퀀스도이다.
도 9에 도시된 시퀀스도에 따르면, 세탁 관련 기기(10)의 전원이 ON 되면(S910), 세탁 관련 기기(10)는 전자 장치(100)로 추천 행정 정보를 요청한다(S920). 일 예에 따라, 세탁 관련 기기(10)에 구비된 WiFi 모듈은 추천 행정 정보를 요청하는 API[Application Program Interface] request 신호를 전자 장치(100)로 전송할 수 있다.
전자 장치(100)는 세탁 관련 기기(10)로부터 추천 행정 정보를 요청하는 신호가 수신되면 학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득한다(S930). 일 예에 따라, 전자 장치(100)는 전자 장치(100)로부터 수신된 사용 정보 및 성향 정보에 기초하여 학습된 인공 지능 모델로부터 추천 행정 정보를 획득할 수 있다. 또한, 전자 장치(100)는 날씨 정보, 시간 정보 또는 기기 정보 중 적어도 하나를 추가적으로 이용하여 학습된 인공 지능 모델로부터 추천 행정 정보를 획득할 수 있다.
전자 장치(100)는 추천 행정 정보가 획득되면(S930), 획득된 추천 행정 정보를 세탁 관련 기기(10)로 전송할 수 있다(S940). 일 예에 따라, 전자 장치(100)는추천 행정 정보를 포함하는 API response 신호를 전자 장치(100)로 전송할 수 있다.
이 경우, 세탁 관련 기기(10)는 수신된 추천 행정 정보를 UI를 통해 제공할 있다. 이 경우, 복수의 추천 행정 정보 및 우선 순위 정보가 수신되면, 세탁 관련 기기(10)는 복수의 추천 행정 정보의 우선 순위에 기초하여 사용자 명령에 따라 복수의 추천 행정 정보를 순차적으로 제공할 수 있다.
다만, 경우에 따라 세탁 기기(10)가 전자 장치(100)와 네트워크 연결이 되지 않은 경우, 추천 행정 정보를 수신하지 못할 수도 있다. 이 경우, 세탁 기기(10)는 온 디바이스(On device) 코스 설정 기능에 따라 자동으로 세팅될 수 있다. 예를 들어, 세탁 기기(10)는 최근 사용 이력 중 가장 많이 사용된 코스 및 옵션 순서로 세팅될 수 있다.
또한, 세탁 기기(10)는 수신된 추천 행정 정보가 기기 스펙과 맞지 않는 경우, 예를 들어 추천 행정 정보에 세탁 기기(10)에서 지원하지 않는 옵션 정보가 포함된 경우 등에도 온 디바이스(On device) 코스 설정 기능에 따라 자동으로 세팅될 수 있다.
도 10은 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 10에 도시된 전자 장치의 제어 방법에 따르면, 복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하고 복수의 그룹 중 세탁 관련 기기가 속한 그룹의 성향 정보 획득한다(S1010).
이어서, 획득된 성향 정보에 기초하여 인공 지능 모델을 학습한다(S1020).
이어서, 학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득한다(S1030).
이 후, 획득된 추천 행정 정보를 세탁 관련 기기로 전송한다(S1040).
여기서, 인공 지능 모델은 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함할 수 있다. 이 경우, 복수의 인공 지능 모델 각각은, 세탁 관련 기기로부터 수신된 사용 정보 및 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습될 수 있다.
구체적으로, 인공 지능 모델은 특정 세탁 관련 기기로부터 수신된 사용 정보, 특정 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습될 수 있다.
또는, 인공 지능 모델은 하나의 인공 지능 모델로 구현될 수 있다. 이 경우, 인공 지능 모델은, 특정 세탁 관련 기기로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습될 수 있다.
구체적으로, 특정 세탁 관련 기기로부터 수신된 사용 정보, 특정 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습될 수 있다.
또한, 추천 행정 정보를 획득하는 S1030 단계에서는, 날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 인공 지능 모델에 입력하여 추천 행정 정보를 획득하거나, 날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 인공 지능 모델에 입력하여 추천 행정 정보를 획득할 수 있다.
한편, 제어 방법은, 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 복수의 추천 행정 정보 및 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 세탁 관련 기기로 전송하는 단계를 더 포함할 수 있다.
또한, 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 S1010 단계는, 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 사용 패턴의 유사도에 기초하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.
*132또한, 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 S1010 단계는, 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 복수의 세탁 관련 기기의 사용 패턴을 획득하고, K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑할 수 있다.
상술한 다양한 실시 예에 따르면, 세탁 관련 기기의 사용 정보가 많지 않은 경우에도 사용자의 사용 패턴과 관련된 추천 행정 정보를 제공할 수 있게 되므로, 사용자의 편의성이 향상된다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 형태로 구현될 수 있다.
또한, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.
또한, 상술한 본 개시의 다양한 실시 예들은 전자 장치에 구비된 임베디드 서버, 또는 전자 장치 중 적어도 하나의 외부 서버를 통해 수행되는 것도 가능하다.
한편, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서,'비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어 TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims (15)

  1. 학습된 인공 지능 모델에 대한 정보가 저장된 메모리;
    통신 인터페이스; 및
    상기 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하도록 상기 통신 인터페이스를 제어하는 프로세서;를 포함하며,
    상기 프로세서는,
    복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하며,
    상기 인공 지능 모델은,
    상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습되는, 전자 장치.
  2. 제1항에 있어서,
    상기 인공 지능 모델은,
    상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함하며,
    상기 복수의 인공 지능 모델 각각은,
    상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습되는, 전자 장치.
  3. 제1항에 있어서,
    상기 인공 지능 모델은 상이한 성향 정보를 학습할 수 있는 하나의 인공 지능 모델로 구현되며,
    상기 세탁 관련 기기로부터 수신된 사용 정보, 복수의 세탁 관련 기기 각각의 사용 정보 및 상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 학습되는, 전자 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    날씨 정보, 시간 정보, 기기 정보 및 사용 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하거나,
    날씨 정보, 시간 정보, 기기 정보, 사용 정보 및 성향 정보를 상기 인공 지능 모델에 입력하여 상기 추천 행정 정보를 획득하는, 전자 장치.
  5. 제1항에 있어서,
    상기 인공 지능 모델은,
    상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보 및 기기 정보에 기초하여 학습되거나,
    상기 세탁 관련 기기로부터 수신된 사용 정보, 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보, 날씨 정보, 시간 정보, 기기 정보 및 성향 정보에 기초하여 학습되는, 전자 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 세탁 관련 기기로부터 상기 추천 행정 정보에 대한 사용자 선택과 관련된 피드백 정보가 수신되면, 상기 수신된 피드백 정보에 기초하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹을 재식별하거나, 상기 수신된 피드백 정보에 기초하여 상기 인공 지능 모델을 재학습시키는, 전자 장치.
  7. 제1항에 있어서,
    상기 추천 행정 정보는,
    세탁 코스 정보 또는 세탁 옵션 정보 중 적어도 하나를 포함하는, 전자 장치.
  8. 제1항에 있어서,
    상기 프로세서는,
    상기 인공 지능 모델로부터 복수의 추천 행정 정보가 획득되면, 상기 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보를 상기 세탁 관련 기기로 전송하도록 상기 통신 인터페이스를 제어하는, 전자 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, 상기 사용 패턴의 유사도에 기초하여 상기 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑하는, 전자 장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    상기 복수의 세탁 관련 기기 각각의 최근 임계 시간 구간의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기의 사용 패턴을 획득하고, K-means 알고리즘을 이용하여 복수의 세탁 관련 기기를 적어도 하나의 그룹으로 그룹핑하는, 전자 장치.
  11. 제1항에 있어서,
    세탁 관련 기기의 사용 정보는,
    선택 코스, 총 세탁 횟수, 각 시간 구간 별 세탁 횟수, 헹굼 올림 또는 내림 횟수, 물온도 올림 또는 내림 횟수, 탈수 올림 또는 내림 횟수, 아기 세탁 횟수 또는 삶음 세탁 횟수 중 적어도 하나에 대한 데이터를 포함하는, 전자 장치.
  12. 서버 장치 및 세탁 관련 기기를 포함하는 시스템에 있어서,
    학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득하고 상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하는 서버 장치; 및
    상기 서버 장치로부터 상기 추천 행정 정보가 수신되면, 상기 수신된 추천 행정 정보를 제공하는 세탁 관련 기기;를 포함하며,
    상기 서버 장치는,
    복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하여 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하며,
    상기 인공 지능 모델은,
    상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습되는, 시스템.
  13. 제12항에 있어서,
    상기 세탁 관련 기기는,
    상기 서버 장치로부터 복수의 추천 행정 정보 및 상기 복수의 추천 행정 정보에 대응되는 우선 순위 정보가 수신되면, 상기 우선 순위 정보에 기초하여 상기 복수의 추천 행정 정보를 제공하는, 시스템.
  14. 전자 장치의 제어 방법에 있어서,
    복수의 세탁 관련 기기 각각의 사용 정보에 기초하여 상기 복수의 세탁 관련 기기를 복수의 그룹으로 그룹핑하고 상기 복수의 그룹 중 상기 세탁 관련 기기가 속한 그룹의 성향 정보를 획득하는 단계;
    학습된 인공 지능 모델을 이용하여 추천 행정 정보를 획득하는 단계; 및
    상기 획득된 추천 행정 정보를 세탁 관련 기기로 전송하는 단계;를 포함하며,
    상기 인공 지능 모델은,
    상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 획득된 성향 정보에 기초하여 학습되는, 제어 방법.
  15. 제14항에 있어서,
    상기 인공 지능 모델은,
    상기 복수의 그룹 각각에 대응되는 성향 정보에 기초하여 구분된 복수의 인공 지능 모델을 포함하며,
    상기 복수의 인공 지능 모델 각각은,
    상기 세탁 관련 기기로부터 수신된 사용 정보 및 상기 세탁 관련 기기가 속한 그룹에 대응되는 사용 정보에 기초하여 학습되는, 제어 방법.
PCT/KR2020/016517 2020-01-15 2020-11-20 전자 장치 및 그 제어 방법 WO2021145551A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/420,521 US20220341078A1 (en) 2020-01-15 2020-11-20 Electronic device and controlling method thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200005592A KR20210092071A (ko) 2020-01-15 2020-01-15 전자 장치 및 그 제어 방법
KR10-2020-0005592 2020-01-15

Publications (1)

Publication Number Publication Date
WO2021145551A1 true WO2021145551A1 (ko) 2021-07-22

Family

ID=76863895

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/016517 WO2021145551A1 (ko) 2020-01-15 2020-11-20 전자 장치 및 그 제어 방법

Country Status (3)

Country Link
US (1) US20220341078A1 (ko)
KR (1) KR20210092071A (ko)
WO (1) WO2021145551A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230045456A (ko) * 2021-09-28 2023-04-04 삼성전자주식회사 서버, 가전기기, 및 서버가 가전기기에 인공지능 추천 서비스를 제공하는 방법
WO2024071816A1 (ko) * 2022-09-29 2024-04-04 삼성전자 주식회사 라벨 이미지를 처리하는 방법, 전자 장치 및 기록매체

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016017917A (ja) * 2014-07-10 2016-02-01 株式会社東芝 機器消費電力推定装置及びコンピュータプログラム
KR20180119486A (ko) * 2017-04-25 2018-11-02 엘지전자 주식회사 사용자가 수행한 코스 및 옵션의 패턴을 인공지능을 통해 학습하여 맞춤형 코스와 옵션을 추천하는 의류처리장치와 그 제어방법 및 상기 의류처리장치를 포함하는 온라인 시스템
US20190079476A1 (en) * 2014-11-11 2019-03-14 Webee Corporation Systems and methods for smart spaces
KR20190087348A (ko) * 2019-07-04 2019-07-24 엘지전자 주식회사 의류처리장치 및 의류처리장치의 동작 방법
KR20190094297A (ko) * 2019-04-16 2019-08-13 엘지전자 주식회사 인공 지능 세탁물 처리 기기 및 그의 동작 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016017917A (ja) * 2014-07-10 2016-02-01 株式会社東芝 機器消費電力推定装置及びコンピュータプログラム
US20190079476A1 (en) * 2014-11-11 2019-03-14 Webee Corporation Systems and methods for smart spaces
KR20180119486A (ko) * 2017-04-25 2018-11-02 엘지전자 주식회사 사용자가 수행한 코스 및 옵션의 패턴을 인공지능을 통해 학습하여 맞춤형 코스와 옵션을 추천하는 의류처리장치와 그 제어방법 및 상기 의류처리장치를 포함하는 온라인 시스템
KR20190094297A (ko) * 2019-04-16 2019-08-13 엘지전자 주식회사 인공 지능 세탁물 처리 기기 및 그의 동작 방법
KR20190087348A (ko) * 2019-07-04 2019-07-24 엘지전자 주식회사 의류처리장치 및 의류처리장치의 동작 방법

Also Published As

Publication number Publication date
KR20210092071A (ko) 2021-07-23
US20220341078A1 (en) 2022-10-27

Similar Documents

Publication Publication Date Title
WO2019098797A1 (en) Apparatus and method for providing haptic feedback through wearable device
AU2015340172B2 (en) Electronic device and method of controlling power of electronic device
WO2021137661A1 (ko) 전자 장치 및 그 제어 방법
WO2021157950A1 (ko) 디스플레이 구동 방법 및 이를 지원하는 전자 장치
WO2016108537A1 (ko) 회전체를 포함하는 전자 장치 및 그 제어 방법
WO2015167160A1 (en) Command displaying method and command displaying device
CN108364978A (zh) 具有生物识别传感器的电子设备
WO2021145551A1 (ko) 전자 장치 및 그 제어 방법
WO2018128389A1 (en) Electronic device and method for displaying history of executed application thereof
WO2022158700A1 (ko) 전자 장치 및 그 제어 방법
WO2020085796A1 (en) Electronic device and method for controlling electronic device thereof
WO2015126208A1 (en) Method and system for remote control of electronic device
WO2015108300A1 (ko) 프레임률 제어 방법 및 그 전자 장치
EP3642838A1 (en) Method for operating speech recognition service and electronic device and server for supporting the same
EP3100162A1 (en) Task scheduling method and apparatus
WO2021107667A1 (ko) 사용자 단말 및 그 제어 방법
WO2019035591A1 (en) ELECTRONIC DEVICE AND DISPLAY DEVICE FOR REDUCING LEAKAGE CURRENT
WO2019177373A1 (en) Electronic device for controlling predefined function based on response time of external electronic device on user input, and method thereof
WO2016039532A1 (en) Method of controlling display of electronic device and electronic device thereof
WO2019164145A1 (ko) 전자 장치 및 그의 자세 교정 방법
WO2019151689A1 (ko) 전자 장치 및 이의 제어 방법
WO2022030758A1 (ko) 디스플레이 다중 구동 방법 및 이를 지원하는 전자 장치
WO2022030889A1 (ko) 터치 기능을 제어하는 전자 장치 및 방법
WO2021132898A1 (ko) 전자 장치 및 그 제어 방법
WO2022030998A1 (ko) 디스플레이를 포함하는 전자 장치 및 그의 동작 방법

Legal Events

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

Ref document number: 20913875

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: 20913875

Country of ref document: EP

Kind code of ref document: A1