WO2022045697A1 - 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 - Google Patents

빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 Download PDF

Info

Publication number
WO2022045697A1
WO2022045697A1 PCT/KR2021/011190 KR2021011190W WO2022045697A1 WO 2022045697 A1 WO2022045697 A1 WO 2022045697A1 KR 2021011190 W KR2021011190 W KR 2021011190W WO 2022045697 A1 WO2022045697 A1 WO 2022045697A1
Authority
WO
WIPO (PCT)
Prior art keywords
analysis model
modular
engine server
data
sensor data
Prior art date
Application number
PCT/KR2021/011190
Other languages
English (en)
French (fr)
Inventor
장동훈
Original Assignee
(주)데이터센트릭
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 (주)데이터센트릭 filed Critical (주)데이터센트릭
Priority to US18/041,857 priority Critical patent/US20230297885A1/en
Publication of WO2022045697A1 publication Critical patent/WO2022045697A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Definitions

  • the present invention relates to a modular AI engine server, and to a big data-based modular AI engine server that performs learning and data classification optimized for an Internet of Things (IoT) environment in a module form, and a method of driving the same.
  • IoT Internet of Things
  • IoT Internet of Thing
  • devices with built-in sensors or communication functions connect to the Internet to collect information about the surroundings, exchange this information with other equipment, and make appropriate decisions to handle tasks on their own. It means an environment in which
  • An object of the present invention is to provide a big data-based modular AI engine server that determines a suitable AI model in an Internet of Things environment, and analyzes sensor data using the determined AI model, and a driving method thereof.
  • Another technical task to be achieved by the present invention is to provide a big data-based modular AI engine server and a driving method thereof that modularize an AI model and load and use only necessary AI models among the modularized AI models.
  • Another technical task to be achieved by the present invention is to provide a big data-based modular AI engine server that minimizes connection to cloud services through an AI model that learns and analyzes itself and a method of driving the same.
  • the big data-based modular AI engine server analyzes at least one IoT device and a communication unit that communicates with the big data server and at least one sensor data received from the IoT device. and a controller for determining an AI analysis model suitable for , and analyzing sensor data using the determined AI analysis model.
  • control unit includes a model manager unit that determines an AI analysis model suitable for analyzing the sensor data in a module form based on at least one of a type of the IoT device, a type of the sensor data, and a format, and the determined AI analysis model and a hybrid analysis unit that analyzes sensor data based on a statistical analysis model and generates a driving control signal for an IoT device that has transmitted the sensor data.
  • model manager unit determines an AI analysis model suitable for analyzing the sensor data in a module form based on at least one of a type of the IoT device, a type of the sensor data, and a format
  • the determined AI analysis model and a hybrid analysis unit that analyzes sensor data based on a statistical analysis model and generates a driving control signal for an IoT device that has transmitted the sensor data.
  • the AI analysis model and the statistical analysis model are stored in the form of a module, and a storage unit for storing the learning data learned based on the analyzed result; characterized in that it further comprises.
  • the model manager unit when a reference factor for determining the AI analysis model is internally provided, the model manager unit generates a reference factor using the statistical analysis model and the learning data, and uses the generated reference factor to generate the AI It is characterized in that the analysis model is determined.
  • the model manager unit transmits the received sensor data to the big data server and a reference factor generated by the big data platform of the big data server is provided, and the AI analysis model is determined using the provided reference factor.
  • the model manager unit requests the provision of the determined AI analysis model to the big data server and controls so that the determined AI analysis model is received. .
  • the model manager unit receives the driving control signal generated from the hybrid analysis unit, and controls the received driving control signal to be transmitted to a corresponding IoT device.
  • the hybrid analysis unit characterized in that the AI analysis model and the statistical analysis model to analyze the sensor data in a hybrid manner.
  • a method of driving a modular AI engine server includes the steps of, by the modular AI engine server, determining an AI analysis model suitable for analyzing at least one sensor data received from at least one IoT device, and the modular AI engine and a server analyzing the sensor data using the determined AI analysis model.
  • the step of the modular AI engine server storing the determined AI analysis model in the form of a module, and the modular AI engine server further comprising the steps of storing the learning data learned based on the analyzed result do.
  • the big data-based modular AI engine server of the present invention and its driving method determine a suitable AI model in the Internet of Things environment, and analyze sensor data using the determined AI model, but modularize the AI model, and the modularized AI model By loading and using only the necessary AI models, it is possible to implement low-spec, low-power hardware, thereby reducing equipment costs.
  • FIG. 1 is a block diagram illustrating a data processing system according to an embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating a modular AI engine server according to an embodiment of the present invention.
  • FIG. 3 is a block diagram illustrating the control unit of FIG. 2 .
  • FIG. 4 is a block diagram illustrating the hybrid analysis unit of FIG. 3 .
  • FIG. 5 is a diagram for explaining the configuration of an artificial neural network according to an embodiment of the present invention.
  • FIG. 6 is a diagram for explaining a node that performs an operation to which a weight is applied according to an embodiment of the present invention.
  • FIG. 7 is a flowchart illustrating a method of driving a modular AI engine server according to an embodiment of the present invention.
  • FIG. 1 is a block diagram illustrating a data processing system according to an embodiment of the present invention.
  • the data processing system 400 determines a suitable AI model in the IoT environment, and supports analysis of sensor data using the determined AI model. At this time, the data processing system 400 modularizes the AI model, and loads only the necessary AI models among the modularized AI models from the in-memory database to the model manager that manages the AI models so that they can be used.
  • the data processing system 400 includes a modular AI engine server 100 , an IoT device 200 , and a big data server 300 .
  • the modular AI engine server 100 is located between the IoT device 200 and the big data server 300 , and the data transmitted to the big data server 300 by self-analyzing the sensor data transmitted from the IoT device 200 . to minimize In this case, the modular AI engine server 100 may analyze sensor data using a module-type AI model. The modular AI engine server 100 may transmit a driving control signal, which is an analysis result, to the IoT device that has transmitted the sensor data to control the driving of the corresponding IoT device.
  • the modular AI engine server 100 may be implemented in the form of a platform.
  • the modular AI engine server 100 is an embedded system with the minimum hardware specifications capable of learning AI models.
  • the IoT device 200 refers to all electronic devices included in the communication module.
  • the IoT device 200 collects sensor data and transmits the collected sensor data to the modular AI engine server 100 .
  • the sensor data includes biometric data, image data, location data, environment data, weather data, pressure data, and the like.
  • the IoT device 200 may be a portable terminal, home appliance, industrial equipment, infrastructure equipment, unmanned aerial vehicle, autonomous vehicle, lidar, high-spec camera, medical equipment, and the like.
  • the big data server 300 is a server that stores big data and may be implemented as a big data platform. That is, the big data server 300 processes and analyzes data collected from various data sources to extract the corresponding knowledge, and provides an intelligent service based on the extracted knowledge.
  • the intelligent service refers to a service using an AI model.
  • the big data platform has scalable large-capacity processing capacity, heterogeneous data collection and integration processing capacity, fast data access and processing ability, ability to store and manage large amounts of data, and analyze large amounts of heterogeneous data to the desired level.
  • the big data platform service may include a multi-message queuing system interface that works with Mosquitto, RabbitMQ, ZeroMQ, and Kafka, and a Hadoop-based big data analysis interface that works with SQL on Hadoop.
  • the big data server 300 providing such a service may be a server computer, a cluster computer, a supercomputer, or the like.
  • the data processing device 400 builds an edge network 410 between the modular AI engine server 100 and the IoT device 200 , and between the modular AI engine server 100 and the big data server 300 .
  • the core network 420 it is possible to communicate with each other.
  • Edge network 410 and core network 420 is FTTH (Fiber To The Home), ADSL (Asymmetric Digital Subscriber Line), cable network, Zigbee (zigbee), Bluetooth (bluetooth), Wireless LAN (IEEE 802.11b, IEEE 802.11) a, IEEE 802.11g, IEEE 802.11n), Wireless Hart (ISO/IEC62591-1), ISA100.11a (ISO/IEC 62734), COAP (Constrained Application Protocol), MQTT (Multi-Client Publish/Subscribe Messaging), WIBro (Wireless Broadband), Wimax, 3G, High Speed Downlink Packet Access (HSDPA), 4G and 5G.
  • FTTH Fiber To The Home
  • ADSL Asymmetric Digital Subscriber Line
  • cable network Zigbee (zigbee), Bluetooth (bluetooth)
  • Wireless LAN IEEE 802.11b, IEEE 802.11) a, IEEE 802.11g, IEEE 802.11n), Wireless Hart (ISO/IEC62591-1), ISA100.11
  • FIG. 2 is a block diagram illustrating a modular AI engine server according to an embodiment of the present invention.
  • the modular AI engine server 100 includes a communication unit 10 and a control unit 30 , and may further include a storage unit 50 .
  • the communication unit 10 communicates with at least one IoT device 200 and the big data server 300 .
  • the communication unit 10 receives at least one sensor data from the IoT device 200 and transmits a driving control signal to the IoT device 200 .
  • the communication unit 10 may transmit sensor data to the big data server 300 and receive the AI analysis module from the big data server 300 .
  • the controller 30 determines a suitable AI analysis model for analyzing at least one sensor data received from the IoT device 200, and analyzes the sensor data using the determined AI analysis model.
  • the AI analysis model is modular, so it is possible to reduce the load on the system by loading only the necessary AI analysis model and analyzing the sensor data.
  • the controller 30 generates a driving control signal for the IoT device that has transmitted the sensor data by using the analyzed sensor data, and transmits the generated driving control signal to the IoT device that has transmitted the sensor data.
  • the driving control signal is a command for controlling the driving of the corresponding IoT device, and may include commands such as switching/maintaining an idle state, switching a wake up state, and an operation instruction.
  • the storage unit 50 stores the AI analysis model and the statistical analysis model in the form of modules. When a new analysis model is stored, the storage unit 50 stores it in the form of a module like the previously stored analysis model. Instead of loading the model, only the module corresponding to the requested analysis model can be loaded. In addition, the storage unit 50 stores learning data learned based on the analyzed result.
  • the storage unit 50 is a flash memory type (flash memory type), a media card micro type (multimedia card micro type), a card type memory (eg, SD or XD memory, etc.), RAM (Random Access Memory, RAM), It may include at least one storage medium among static random access memory (SRAM).
  • FIG. 3 is a block diagram illustrating the control unit of FIG. 2
  • FIG. 4 is a block diagram illustrating the hybrid analysis unit of FIG. 3
  • FIG. 5 is a diagram illustrating the configuration of an artificial neural network according to an embodiment of the present invention
  • FIG. 6 is a diagram for explaining a node that performs an operation to which a weight is applied according to an embodiment of the present invention.
  • control unit 30 includes a pre-processing unit 31 , a model manager unit 33 , and a hybrid analysis unit 35 .
  • the preprocessor 31 preprocesses the sensor data received through the communication unit 10 . That is, the preprocessor 31 collects sensor data, and matches or groups similar sensor data among the collected sensor data. The preprocessor 31 samples the matched or grouped sensor data and filters the sampled sensor data. In this case, the pre-processing unit 31 may maximize the operation processing speed by performing the pre-processing in a parallel structure.
  • the model manager unit 33 manages the AI analysis model based on the preprocessed sensor data.
  • the model manager unit 33 determines, in the form of a module, an AI analysis model suitable for analyzing sensor data based on at least one of the type of the IoT device that has transmitted the sensor data, the type of the sensor data, and the format.
  • the suitable AI analysis model is the most optimized analysis model for analyzing sensor data, and it refers to a model that performs calculations in a simple process to speed up the calculation while accurately calculating the results. That is, the model manager unit 33 may determine a customized AI analysis model suitable for the characteristics of the IoT device and sensor data.
  • the model manager unit 33 may receive a reference factor for determining the AI analysis model from the inside or the outside. For example, when the reference factor for determining the AI analysis model is internally determined, the model manager unit 33 estimates the reference factor using the statistical analysis model and the pre-learning model stored in the storage unit 50, and AI Determine the analytical model.
  • the hybrid analysis unit 35 estimates a pattern by applying the sensor data to the statistical model, finds an optimal AI analysis model that matches it, and determines a reference factor.
  • the model manager unit 33 transmits the sensor data to the big data server 300 and is generated by the big data platform of the big data server 300 . A reference factor is provided, and an AI analysis model is determined using the provided reference factor.
  • the big data server 300 uses a big data platform to estimate reference factors and generate an AI model so that the most suitable AI analysis model capable of classification, clustering, and other analysis is generated for a pattern of sensor data.
  • the model manager unit 33 loads the determined AI analysis model from the storage unit 50 and transmits the AI analysis model to the hybrid analysis unit 35 .
  • the model manager unit 33 requests the big data server 300 to provide the determined AI analysis model, and the determined AI analysis model in response to the request
  • the provided AI analysis model is delivered to the hybrid analysis unit 35 and stored in the storage unit 50 .
  • the model manager unit 33 receives the driving control signal generated through the AI analysis model transmitted to the hybrid analysis unit 35 from the hybrid analysis unit 35, and transmits the received driving control signal to the IoT device that has transmitted the sensor data. control as much as possible.
  • the driving control signal is a command for controlling the driving of the corresponding IoT device, and may include commands such as switching/maintaining an idle state, switching a wake-up state, and an operation instruction.
  • the hybrid analysis unit 35 receives the AI analysis model determined from the model manager unit 33 and analyzes sensor data using the received AI analysis model.
  • the hybrid analysis unit 35 may analyze the sensor data by further using the received AI analysis model 41 as well as the statistical analysis model 43 . That is, the hybrid analysis unit 35 analyzes sensor data based on the AI analysis model 41 , but generates a driving control signal that is an optimal result value in a hybrid method supplemented by the statistical analysis model 43 .
  • the AI analysis model 41 may be a variety of artificial intelligence models such as artificial neural network (ANN), machine learning, deep learning, and the like.
  • FIG. 5 shows an artificial neural network as an example of the AI analysis model 41, and as shown, the artificial neural network includes a plurality of layers.
  • the plurality of layers includes an input layer (IL), hidden layers (HL1 to HLk), and an output layer (OL).
  • IL input layer
  • HL1 to HLk hidden layers
  • OL output layer
  • each of the plurality of layers includes one or more nodes.
  • the input layer IL may include n input nodes i1 to in
  • the output layer OL may include one output node v.
  • the first hidden layer HL1 includes a nodes (h11 to h1a)
  • the second hidden layer HL2 includes b nodes (h21 to h2b)
  • the kth hidden layer (HLk) may include c nodes (hk1 to hkc).
  • Each node of the plurality of layers performs an operation.
  • a plurality of nodes of different layers are connected by a channel (indicated by a dotted line) having a weight (w: weight).
  • an artificial neural network parameter including a weight (w) or a threshold value (b) is applied to the operation result of one node and is input to the node of the next layer. This connection relationship will be described based on nodes.
  • FIG. 6 shows an example of a node h according to an embodiment of the present invention.
  • the node of FIG. 6 is described as being one of the hidden nodes h, it may be commonly applied to all nodes included in the AI analysis model 41 .
  • the operation of such a node (h) is performed according to the following [Equation 1].
  • the function F means an activation function.
  • x is a node value according to the operation result of each of the plurality of nodes of the previous layer, and means an input to the node h of the next layer.
  • the parameter b is a threshold, and the threshold b is in [Equation 1] It serves to prevent the corresponding node from being activated when the value of is less than the threshold.
  • node h receives values obtained by multiplying the weights w1, w2, and w3 corresponding to the three inputs x1, x2, and x3, sums them all up, and substitutes the summed value into the transfer function to calculate an output.
  • the activation function F is 'sgn()' and the threshold value is 0.01
  • the output is calculated as follows through the operation according to [Equation 1].
  • each of the plurality of nodes for the plurality of layers generated from the artificial neural network receives the values in which the weights w1, w2, w3, and the threshold b, which are parameters of the artificial neural network, are applied to the node values x1, x2, and x3 of the previous layer,
  • the output value OUT is calculated by performing the operation by the activation function F.
  • the calculated output value OUT becomes an input to the node of the next layer. That is, any one node of any one layer of the AI analysis model receives a value applied with a weight or a threshold to the output of the node of the previous layer, performs an operation by the activation function F, and transmits the operation result to the next layer. .
  • the overall operation of the AI analysis model 41 is performed as follows. First, sensor data is used as input data for the AI analysis model.
  • the input data may be input after being converted into an input feature vector.
  • the input feature vector IV has a plurality of element values iv1 to ivn corresponding to a plurality of input nodes i1 to in of the input layer IL of the AI analysis model 41 .
  • the plurality of first hidden nodes h11 to h1a of the first hidden layer HL1 Each applies a weight and a threshold to a plurality of element values iv1 to ivn of a plurality of input nodes (i1 to in), and performs an operation according to an activation function on each of a plurality of element values of the input feature vector to which the weight and threshold are applied to calculate a plurality of first hidden node values.
  • each of the plurality of second hidden nodes h21 to h2b of the second hidden layer HL2 applies a weight and threshold to each of the plurality of first hidden node values of the plurality of first hidden nodes h11 to h1a, and the weight and calculating a plurality of second hidden node values by performing an operation according to an activation function on each of the plurality of first hidden node values to which the threshold is applied.
  • a weight is applied to a previous node value in the hidden layer HL and transmitted, and a current node value is calculated through calculation.
  • a plurality of k-th hidden node values of the plurality of k-th hidden nodes hk1 to hkc of the k-th hidden layer HLk may be calculated.
  • the output value calculated by the output node v may be an estimate of the driving control value.
  • the hybrid analysis unit 35 estimates the result value for the driving control signal through the artificial neural network, but is not limited thereto, and estimates the result value for the driving control signal using various AI analysis models and statistical analysis models. can do.
  • FIG. 7 is a flowchart illustrating a method of driving a modular AI engine server according to an embodiment of the present invention.
  • the driving method (hereinafter referred to as the 'driving method') of the modular AI engine server 100 determines a suitable AI model in the Internet of Things environment, and uses the determined AI model to generate sensor data.
  • the operation method can reduce data usage costs by minimizing the connection to cloud services through an AI model that learns and analyzes itself.
  • the modular AI engine server 100 receives sensor data.
  • the modular AI engine server 100 receives at least one sensor data from the IoT device 200 .
  • the sensor data includes biometric data, image data, location data, environment data, weather data, pressure data, and the like.
  • the IoT device 200 may be a portable terminal, home appliance, industrial equipment, infrastructure equipment, unmanned aerial vehicle, autonomous vehicle, lidar, high-spec camera, medical equipment, and the like.
  • the modular AI engine server 100 pre-processes the received sensor data.
  • the modular AI engine server 100 collects sensor data, and matches or groups similar sensor data among the collected sensor data.
  • the modular AI engine server 100 samples matched or grouped sensor data, and filters the sampled sensor data.
  • the modular AI engine server 100 may perform pre-processing in a parallel structure.
  • the modular AI engine server 100 converts an AI analysis model suitable for analyzing sensor data based on at least one of the type of the IoT device that has transmitted the sensor data, the type of the sensor data, and the format into a module form.
  • the suitable AI analysis model is the most optimized analysis model for analyzing sensor data, and it refers to a model that performs calculations in a simple process to speed up the calculation while accurately calculating the results. That is, the modular AI engine server 100 may determine a customized AI analysis model suitable for the characteristics of the IoT device and sensor data.
  • the modular AI engine server 100 may receive a reference factor for determining the AI analysis model from the inside or outside, and determine the AI analysis model using the provided reference factor. For example, when a reference factor for determining an AI analysis model is internally provided, the modular AI engine server 100 uses a pre-stored statistical analysis model and training data based on the factors included in the sensor data to determine the reference factor. and determine the AI analysis model using the generated reference factors. In addition, when a reference factor for determining the AI analysis model is provided from the outside, the modular AI engine server 100 transmits the sensor data to the big data server 300 by the big data platform of the big data server 300 . The generated reference factor is provided, and the AI analysis model is determined using the provided reference factor.
  • step S140 the modular AI engine server 100 determines whether the determined AI analysis model is pre-stored.
  • the modular AI engine server 100 performs step S160 if the corresponding AI analysis model is pre-stored, and performs step S150 if it is not pre-stored.
  • step S150 the modular AI engine server 100 receives the AI analysis model determined from the big data server 300 .
  • the modular AI engine server 100 may request the provision of the AI analysis model determined by the big data server 300 .
  • the modular AI engine server 100 stores the received AI analysis model in the form of a module so that the corresponding AI analysis model can be loaded later in the form of a module.
  • the modular AI engine server 100 analyzes the sensor data using the determined AI analysis module and the statistical analysis module.
  • the modular AI engine server 100 analyzes sensor data based on the AI analysis model, but generates a driving control signal that is the optimal result value in a hybrid method supplemented by the statistical analysis model.
  • the driving control signal is a command for controlling the driving of the corresponding IoT device, and may include commands such as switching/maintaining an idle state, switching a wake-up state, and an operation instruction.
  • step S170 the modular AI engine server 100 transmits the generated driving control signal to the corresponding IoT device.
  • the modular AI engine server 100 may control the operation of the corresponding IoT device.
  • the present invention can also be implemented as computer-readable codes on a computer-readable recording medium.
  • the computer-readable recording medium includes all types of recording devices in which data readable by a computer device is stored. Examples of computer-readable recording media include hard disks, ROMs, RAMs, CD-ROMs, hard disks, magnetic tapes, floppy disks, optical data storage devices, etc., and carrier wave (eg, transmission over the Internet) It includes those implemented in the form of
  • edge network 420 core network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

본 발명은 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법이 개시된다. 본 발명의 모듈형 AI 엔진 서버는 적어도 하나의 IoT 장치 및 빅데이터 서버와 통신을 수행하는 통신부 및 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하고, 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 제어부를 포함한다.

Description

빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법
본 발명은 모듈형 AI 엔진 서버에 관한 것으로, 사물인터넷(IoT) 환경에 최적화된 학습 및 데이터 분류를 모듈 형태로 수행하는 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법에 관한 것이다.
일반적으로 사물인터넷(internet of thing, IoT) 환경은 센서나 통신 기능이 내장된 기기들이 인터넷으로 연결해 주변의 정보를 수집하고, 이 정보를 다른 장비와 주고받으며 스스로 일을 처리할 수 있는 적절한 결정도 내릴 수 있는 환경을 의미한다.
사물인터넷 환경을 구축하기 위한 IoT 장치들이 다양해지고, 전송되는 데이터양이 증가하면서 수집된 데이터를 인터넷을 통해 시간과 장소에 구애받지 않고, 공유 및 전송할 수 있는 방식이 발전하기 시작하고, 기존 IT 자원을 기업의 서버나 개인 PC에서 소유하던 방식에서 필요한 만큼의 자원을 클라우드 공간에서 임대하여 사용하는 클라우드 컴퓨팅 시스템이 등장하였다.
하지만 클라우드 컴퓨팅 시스템은 대부분 고사양 하드웨어 및 대용량 스토리지로 이루어짐에 따라 비용적인 측면으로 인해 중소기업들이 해당 영역에 대한 접근성이 쉽지 않다는 문제점을 가지고 있다.
본 발명이 이루고자 하는 기술적 과제는 사물인터넷 환경에서 적합한 AI 모델을 결정하고, 결정된 AI 모델을 이용하여 센서 데이터를 분석하는 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법를 제공하는데 목적이 있다.
본 발명이 이루고자 하는 다른 기술적 과제는 AI 모델을 모듈화하고, 모듈화된 AI 모델 중 필요한 AI 모델만을 로딩하여 사용하는 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법을 제공하는데 목적이 있다.
본 발명이 이루고자 하는 또 다른 기술적 과제는 자체적으로 학습하고, 분석하는 AI 모델을 통해 클라우드 서비스와 연결을 최소화하는 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법을 제공하는데 목적이 있다.
상기 목적을 달성하기 위해 본 발명에 따른 빅데이터 기반의 모듈형 AI 엔진 서버는 적어도 하나의 IoT 장치 및 빅데이터 서버와 통신을 수행하는 통신부 및 상기 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하고, 상기 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 제어부를 포함한다.
또한 상기 제어부는, 상기 IoT 장치의 종류, 상기 센서 데이터의 종류, 포맷 중 적어도 하나를 기준으로 상기 센서 데이터를 분석하기에 적합한 AI 분석모델을 모듈 형태로 결정하는 모델 매니저부 및 상기 결정된 AI 분석모델과 통계 분석모델을 기초로 센서 데이터를 분석하여 상기 센서 데이터를 전송한 IoT 장치에 대한 구동 제어 신호를 생성하는 하이브리드 분석부를 포함하는 것을 특징으로 한다.
또한 AI 분석모델 및 통계 분석모델이 모듈 형태로 저장되고, 상기 분석된 결과를 기반으로 학습된 학습 데이터가 저장되는 저장부;를 더 포함하는 것을 특징으로 한다.
또한 상기 AI 분석모델을 결정하기 위한 참조 인자를 내부에서 제공받는 경우, 상기 모델 매니저부는, 상기 통계 분석모델 및 상기 학습 데이터를 이용하여 참조 인자를 생성하고, 상기 생성된 참조 인자를 이용하여 상기 AI 분석모델을 결정하는 것을 특징으로 한다.
또한 상기 AI 분석모델을 결정하기 위한 참조 인자를 외부에서 제공받는 경우, 상기 모델 매니저부는, 상기 수신된 센서 데이터를 상기 빅데이터 서버로 전송시켜 상기 빅데이터 서버의 빅데이터 플랫폼에 의해 생성된 참조 인자를 제공받고, 상기 제공된 참조 인자를 이용하여 상기 AI 분석모델을 결정하는 것을 특징으로 한다.
또한 상기 결정된 AI 분석모델이 상기 저장부에 저장되지 않은 경우, 상기 모델 매니저부는, 상기 빅데이터 서버로 상기 결정된 AI 분석모델의 제공을 요청하여 상기 결정된 AI 분석모델이 수신되도록 제어하는 것을 특징으로 한다.
또한 상기 모델 매니저부는, 상기 하이브리드 분석부로부터 생성된 구동 제어 신호를 수신하고, 상기 수신된 구동 제어 신호가 해당 IoT 장치로 전송되도록 제어하는 것을 특징으로 한다.
또한 상기 하이브리드 분석부는, 상기 AI 분석모델 및 상기 통계 분석모델을 하이브리드 방식으로 상기 센서 데이터를 분석하는 것을 특징으로 한다.
본 발명에 따른 모듈형 AI 엔진 서버의 구동 방법은 모듈형 AI 엔진 서버가 적어도 하나의 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하는 단계 및 상기 모듈형 AI 엔진 서버가 상기 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 단계를 포함한다.
또한 상기 모듈형 AI 엔진 서버가 상기 결정된 AI 분석모델을 모듈 형태로 저장하는 단계 및 상기 모듈형 AI 엔진 서버가 상기 분석된 결과를 기반으로 학습된 학습 데이터를 저장하는 단계를 더 포함하는 것을 특징으로 한다.
본 발명의 빅데이터 기반의 모듈형 AI 엔진 서버 및 그 구동 방법은 사물인터넷 환경에서 적합한 AI 모델을 결정하고, 결정된 AI 모델을 이용하여 센서 데이터를 분석하되, AI 모델을 모듈화하고, 모듈화된 AI 모델 중 필요한 AI 모델만을 로딩하여 사용함으로써, 저사양 저전력의 하드웨어 구현이 가능해 설비 비용을 절감할 수 있다.
또한 자체적으로 학습하고, 분석하는 AI 모델을 통해 클라우드 서비스와 연결을 최소화함으로써, 데이터 사용 비용을 절감할 수 있다.
도 1은 본 발명의 실시예에 따른 데이터 처리 시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 모듈형 AI 엔진서버를 설명하기 위한 블록도이다.
도 3은 도 2의 제어부를 설명하기 위한 블록도이다.
도 4는 도 3의 하이브리드 분석부를 설명하기 위한 블록도이다.
도 5는 본 발명의 실시예에 따른 인공신경망의 구성을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 가중치가 적용되는 연산을 수행하는 노드를 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 모듈형 AI 엔진 서버의 구동 방법을 설명하기 위한 순서도이다.
이하 본 발명의 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 당업자에게 자명하거나 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 실시예에 따른 데이터 처리 시스템을 설명하기 위한 구성도이다.
도 1을 참조하면, 데이터 처리 시스템(400)은 사물인터넷 환경에서 적합한 AI 모델을 결정하고, 결정된 AI 모델을 이용하여 센서 데이터를 분석을 지원한다. 이때 데이터 처리 시스템(400)은 AI 모델을 모듈화하고, 모듈화된 AI 모델 중 필요한 AI 모델만을 인 메모리(In Memory) 데이터베이스에서 AI 모델을 관리하는 모델 매니저로 로딩하여 사용할 수 있도록 한다. 데이터 처리 시스템(400)은 모듈형 AI 엔진서버(100), IoT 장치(200) 및 빅데이터 서버(300)를 포함한다.
모듈형 AI 엔진서버(100)는 IoT 장치(200) 및 빅데이터 서버(300) 사이에 위치하고, IoT 장치(200)로부터 전달된 센서 데이터를 자체적으로 분석하여 빅데이터 서버(300)로 전송되는 데이터를 최소화한다. 이때 모듈형 AI 엔진서버(100)는 모듈 형태의 AI 모델을 이용하여 센서 데이터를 분석할 수 있다. 모듈형 AI 엔진서버(100)는 분석된 결과인 구동 제어 신호를 센서 데이터를 전달한 IoT 장치로 전송하여 해당 IoT 장치의 구동을 제어할 수 있다. 모듈형 AI 엔진서버(100)는 플랫폼 형태로 구현될 수 있다. 모듈형 AI 엔진서버(100)는 AI 모델 학습이 가능한 최소의 하드웨어 사양을 갖춘 임베디스 시스템이다.
IoT 장치(200)는 통신 모듈이 구비하는 모든 전자장치를 의미한다. IoT 장치(200)는 센서 데이터를 수집하고, 수집된 센서 데이터를 모듈형 AI 엔진서버(100)로 전달한다. 여기서 센서 데이터는 생체 데이터, 영상 데이터, 위치 데이터, 환경 데이터, 날씨 데이터, 압력 데이터 등을 포함한다. IoT 장치(200)는 휴대단말, 가전제품, 산업 장비, 사회기반시설 장비, 무인비행기, 자율주행차량, 라이다, 고사양 카메라, 의료장비 등일 수 있다.
빅데이터 서버(300)는 빅데이터를 저장하고 있는 서버로써, 빅데이터 플랫폼으로 구현될 수 있다. 즉 빅데이터 서버(300)는 다양한 데이터 소스에서 수집한 데이터를 처리 및 분석하여 해당 지식을 추출하고, 추출된 지식을 기반으로 지능화된 서비스를 제공한다. 여기서 지능화된 서비스는 AI 모델을 이용한 서비스를 의미한다. 상세하게는 빅데이터 플랫폼은 확장성있는 대용량 처리 능력, 이기종 데이터 수집 및 통합 처리 능력, 빠른 데이터 접근 및 처리 능력, 대량의 데이터를 저장 관리할 수 있는 능력, 대량의 이기종 데이터를 원하는 수준으로 분석할 수 있는 능력 등을 포함한다. 예를 들어 빅데이터 플랫폼 서비스는 Mosquitto, RabbitMQ, ZeroMQ 등과 Kafka 연동하는 다종 메시지 큐잉 시스템 인터페이스, SQL on Hadoop과 연동하는 하둡 기반 빅데이터 분석 인터페이스 등을 포함할 수 있다. 이러한 서비스를 제공하는 빅데이터 서버(300)는 서버 컴퓨터, 클러스터 컴퓨터, 슈퍼컴퓨터 등일 수 있다.
한편 데이터 처리 장치(400)는 모듈형 AI 엔진서버(100)와 IoT 장치(200) 사이에 에지망(410)을 구축하고, 모듈형 AI 엔진서버(100)와 빅데이터 서버(300) 사이에 코어망(420)을 구축하여 서로 간의 통신을 수행할 수 있다. 에지망(410) 및 코어망(420)은 FTTH(Fiber To The Home), ADSL(Asymmetric Digital Subscriber Line), 케이블망, 지그비(zigbee), 블루투스(bluetooth), Wireless LAN(IEEE 802.11b, IEEE 802.11a, IEEE 802.11g, IEEE 802.11n), Wireless Hart(ISO/IEC62591-1), ISA100.11a(ISO/IEC 62734), COAP(Constrained Application Protocol), MQTT(Multi-Client Publish/Subscribe Messaging), WIBro(Wireless Broadband), Wimax, 3G, HSDPA(High Speed Downlink Packet Access), 4G 및 5G일 수 있다.
도 2는 본 발명의 실시예에 따른 모듈형 AI 엔진서버를 설명하기 위한 블록도이다.
도 1 및 도 2를 참조하면, 모듈형 AI 엔진서버(100)는 통신부(10) 및 제어부(30)를 포함하고, 저장부(50)를 더 포함할 수 있다.
통신부(10)는 적어도 하나의 IoT 장치(200) 및 빅데이터 서버(300)와 통신을 수행한다. 통신부(10)는 IoT 장치(200)로부터 적어도 하나의 센서 데이터를 수신하고, IoT 장치(200)로 구동 제어 신호를 전송한다. 통신부(10)는 빅데이터 서버(300)로 센서 데이터를 전송하고, 빅데이터 서버(300)로부터 AI 분석모듈을 수신할 수 있다.
제어부(30)는 IoT 장치(200)로부터 수신된 적어도 하나의 센서 데이터를 분석하기 위한 적합한 AI 분석모델을 결정하고, 결정된 AI 분석모델을 이용하여 센서 데이터를 분석한다. 이때 AI 분석모델은 모듈형으로 이루어져 필요한 AI 분석모델만 로딩하여 센서 데이터를 분석함으로써, 시스템에 부하를 줄일 수 있다. 제어부(30)는 분석된 센서 데이터를 이용하여 센서 데이터를 전송한 IoT 장치에 대한 구동 제어 신호를 생성하고, 생성된 구동 제어 신호를 센서 데이터를 전송한 IoT 장치로 전송한다. 여기서 구동 제어 신호는 해당 IoT 장치의 구동을 제어하는 명령어로써, 아이들(idle) 상태 전환/유지, 웨이크 업(wake up) 상태 전환, 동작 지시 등의 명령을 포함할 수 있다.
저장부(50)는 AI 분석모델 및 통계 분석모델이 모듈 형태로 저장된다. 저장부(50)는 새로운 분석모델이 저장되면 기존에 저장된 분석모델과 같이 모듈 형태로 저장하고, 제어부(30)에 요청에 의해 임의의 분석모델이 로딩되는 경우, 기존과 같이 전체 또는 그룹핑된 분석모델이 로딩되는 것이 아니라 요청된 분석모델에 해당하는 모듈만 로딩될 수 있도록 한다. 또한 저장부(50)는 분석된 결과를 기반으로 학습된 학습 데이터가 저장된다. 저장부(50)는 플래시 메모리 타입(flash memory type), 미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory) 중 적어도 하나의 저장매체를 포함할 수 있다.
도 3은 도 2의 제어부를 설명하기 위한 블록도이고, 도 4는 도 3의 하이브리드 분석부를 설명하기 위한 블록도이며, 도 5는 본 발명의 실시예에 따른 인공신경망의 구성을 설명하기 위한 도면이고, 도 6은 본 발명의 실시예에 따른 가중치가 적용되는 연산을 수행하는 노드를 설명하기 위한 도면이다.
도 1 내지 도 6을 참조하면, 제어부(30)는 전처리부(31), 모델 매니저부(33) 및 하이브리드 분석부(35)를 포함한다.
전처리부(31)는 통신부(10)를 통해 수신된 센서 데이터를 전처리한다. 즉 전처리부(31)는 센서 데이터를 수집하고, 수집된 센서 데이터 중 유사성이 있는 센서 데이터끼리 정합 또는 그룹핑한다. 전처리부(31)는 정합 또는 그룹핑된 센서 데이터를 샘플링(sampling)하고, 샘플링된 센서 데이터를 필터링(filtering)한다. 이때 전처리부(31)는 병렬 구조로 전처리를 수행하여 연산 처리 속도를 극대화할 수 있다.
모델 매니저부(33)는 전처리된 센서 데이터를 기반으로 AI 분석모델을 관리한다. 모델 매니저부(33)는 센서 데이터를 전송한 IoT 장치의 종류, 상기 센서 데이터의 종류, 포맷 중 적어도 하나를 기준으로 센서 데이터를 분석하기에 적합한 AI 분석모델을 모듈 형태로 결정한다. 여기서 적합한 AI 분석모델은 센서 데이터를 분석하기에 가장 최적화된 분석모델로써, 연산을 간단한 과정으로 수행하여 속도를 빠르게 하면서도 결과값이 정확하게 산출하는 모델을 의미한다. 즉 모델 매니저부(33)는 IoT 장치 및 센서 데이터의 특성에 맞는 맞춤형 AI 분석모델을 결정할 수 있다.
이때 모델 매니저부(33)는 AI 분석모델을 결정하기 위한 참조 인자를 내부 또는 외부로부터 제공받을 수 있다. 예를 들어 AI 분석모델을 결정하기 위한 참조 인자를 내부에서 결정하는 경우, 모델 매니저부(33)는 저장부(50)에 저장된 통계 분석모델과 사전 학습 모델을 이용하여 참조 인자를 추정하고, AI 분석 모델을 결정한다. 여기서 하이브리드 분석부(35)는 센서 데이터를 통계모델에 적용하여 패턴을 추정하고, 이와 부합되는 최적의 AI 분석 모델을 찾아 참조 인자를 결정한다. 또한 AI 분석모델을 결정하기 위한 참조 인자를 외부에서 제공받는 경우, 모델 매니저부(33)는 센서 데이터를 빅데이터 서버(300)로 전송시켜 빅데이터 서버(300)의 빅데이터 플랫폼에 의해 생성된 참조 인자를 제공받고, 제공된 참조 인자를 이용하여 AI 분석모델을 결정한다. 여기서 빅데이터 서버(300)는 빅데이터 플랫폼을 이용하여 센서 데이터의 패턴에 대해 분류, 군집 및 기타 분석이 가능한 가장 적합한 AI 분석 모델이 생성되도록 참조 인자를 추정하고 AI 모델을 생성한다.
모델 매니저부(33)는 결정된 AI 분석모델을 저장부(50)로부터 로딩하여 하이브리드 분석부(35)로 해당 AI 분석모델을 전달한다. 이때 저장부(50)가 결정된 AI 분석모델을 저장하고 있지 않으면 모델 매니저부(33)는 빅데이터 서버(300)로 결정된 AI 분석모델의 제공을 요청하고, 요청에 대한 응답으로 결정된 AI 분석모델을 제공받아 제공된 AI 분석모델을 하이브리드 분석부(35)로 전달하고 저장부(50)에 저장시킨다.
모델 매니저부(33)는 하이브리드 분석부(35)로 전달한 AI 분석모델를 통해 생성된 구동 제어 신호를 하이브리드 분석부(35)로부터 수신하고, 수신된 구동 제어 신호가 센서 데이터를 전송한 IoT 장치로 전송되도록 제어한다. 여기서 구동 제어 신호는 해당 IoT 장치의 구동을 제어하는 명령어로써, 아이들(idle) 상태 전환/유지, 웨이크업(wake-up) 상태 전환, 동작 지시 등의 명령을 포함할 수 있다.
하이브리드 분석부(35)는 모델 매니저부(33)로부터 결정된 AI 분석모델을 수신하고, 수신된 AI 분석 모델을 이용하여 센서 데이터를 분석한다. 이때 하이브리드 분석부(35)는 수신된 AI 분석모델(41)뿐만 아니라, 통계 분석모델(43)을 더 이용하여 센서 데이터를 분석할 수 있다. 즉 하이브리드 분석부(35)는 AI 분석모델(41)을 기반으로 센서 데이터를 분석하되, 통계 분석모델(43)가 보완하는 형태의 하이브리드 방식으로 최적의 결과값인 구동 제어 신호를 생성한다. 여기서 AI 분석모델(41)은 인공신경망(ANN), 기계학습(machine learning), 딥러닝(deep learning) 등과 같은 다양한 인공지능 모델일 수 있다.
예를 들어 도 5는 AI 분석모델(41)의 일례인 인공신경망을 도시하였으며, 도시된 바와 같이 인공신경망은 복수의 계층을 포함한다. 이러한 복수의 계층은 입력층(IL: Input Layer), 은닉층(HL: Hidden Layer, HL1 내지 HLk) 및 출력층(OL: Output Layer)을 포함한다.
또한 복수의 계층(IL, HL, OL) 각각은 하나 이상의 노드를 포함한다. 예컨대 도시된 바와 같이, 입력층(IL)은 n개의 입력노드(i1 ~ in)를 포함하며, 출력층(OL)은 1개의 출력노드(v)를 포함할 수 있다. 또한 은닉층(HL) 중 제1 은닉계층(HL1)은 a개의 노드(h11 ~ h1a)를 포함하고, 제2 은닉계층(HL2)은 b개의 노드(h21 ~ h2b)를 포함하고, 제k 은닉계층(HLk)은 c개의 노드(hk1 ~ hkc)를 포함할 수 있다.
복수의 계층의 노드 각각은 연산을 수행한다. 특히 서로 다른 계층의 복수의 노드는 가중치(w: weight)를 가지는 채널(점선으로 표시)로 연결된다. 다른 말로, 어느 하나의 노드의 연산 결과는 가중치(w) 혹은 임계치(b)를 포함하는 인공신경망의 파라미터가 적용되어 다음 계층의 노드에 입력된다. 이러한 연결 관계에 대해 노드를 기준으로 설명하기로 한다.
도 6에 본 발명의 실시예에 따른 노드(h)의 일례가 도시되었다. 도 6의 노드는 히든 노드(h) 중 하나인 것으로 설명되지만, AI 분석모델(41)에 포함된 모든 노드에 공통으로 적용될 수 있다. 이러한 노드(h)의 연산은 다음의 [수학식 1]에 따라 이루어진다.
Figure PCTKR2021011190-appb-M000001
여기서, 함수 F는 활성화 함수(activation function)를 의미한다. 또한, x는 이전 계층의 복수의 노드 각각의 연산 결과에 따른 노드값이고, 다음 계층의 노드(h)에 대한 입력을 의미한다. 이러한 입력은 x=[x1, x2, … , xn]와 같이 표현될 수 있다. w는 입력 x에 대응하는 가중치이며, w=[w1, w2, … , wn]와 같이 표현될 수 있다. 수학식 1에 따르면, 노드(h)는 이전 계층의 복수의 노드 각각의 노드값인 입력 x=[x1, x2, … , xn]에 가중치 w=[w1, w2, … , wn]를 적용한 후, 그 결과에 함수 F를 취한다. 여기서, 파라미터 b는 임계치이며, 임계치 b는 [수학식 1]에서
Figure PCTKR2021011190-appb-I000001
의 값이 임계치 보다 작을 때 해당 노드가 활성화되지 않도록 하는 역할을 한다.
예를 들면, 노드(h)의 이전 계층의 노드가 3개라고 가정한다(n=3). 이에 따라, 노드(h)에 대해 3개의 입력 x1, x2, x3과 3개의 가중치 w1, w2, w3이 존재한다. 노드(h)는 3개의 입력 x1, x2, x3에 대응하는 가중치 w1, w2, w3을 곱한 값을 입력받고, 모두 합산한 후, 합산된 값을 전달 함수에 대입하여 출력을 산출한다. 구체적으로, 입력 [x1, x2, x3] = 0.5, -0.3, 0이라고 가정하고, 가중치 w=[w1, w2, w3] = 4, 5, 2라고 가정한다. 또한, 활성화함수 F는 ‘sgn()’이고, 임계치는 0.01이라고 가정하면, [수학식 1]에 따른 연산을 통해 다음과 같이 출력이 산출된다.
x1 × w1 = 0.5 × 0.19 = 0.095
x2 × w2 = - 0.3 × 0.25 = -0.075
x3 × w3 = 0 × 0.66 = 0
0.095 + (-0.075) + 0 = 0.02
b=0.01일 때, sgn(0.02-0.01) = 1
이와 같이, 인공신경망으로부터 생성된 복수의 계층에 대한 복수의 노드 각각은 이전 계층의 노드값 x1, x2, x3에 인공신경망의 파라미터인 가중치 w1, w2, w3 및 임계치 b가 적용된 값을 입력받고, 활성화함수 F에 의한 연산을 수행하여 출력값 OUT을 산출한다. 다음 계층이 존재하는 경우, 산출된 출력값 OUT은 다음 계층의 노드에 대한 입력이 된다. 즉, AI 분석모델의 어느 한 계층의 어느 하나의 노드는 이전 계층의 노드의 출력에 가중치 혹은 임계치를 적용한 값을 입력받고, 활성화함수 F에 의한 연산을 수행하여 그 연산 결과를 다음 계층으로 전달한다.
AI 분석모델(41)의 전체적인 연산은 다음과 같이 이루어진다. 먼저, AI 분석모델에 대한 입력 데이터로 센서 데이터가 사용된다. 입력 데이터는 입력특징벡터로 변환되어 입력될 수 있다. 입력특징벡터 IV는 AI 분석모델(41)의 입력층(IL)의 복수의 입력노드(i1 ~ in)에 대응하는 복수의 요소값 iv1 ~ ivn을 가진다. 이에 따라 입력층(IL)의 복수의 입력노드(i1 ~ in)에 입력특징벡터 IV=[iv1 ~ ivn]가 입력되면, 제1 은닉층(HL1)의 복수의 제1 은닉노드(h11 ~ h1a) 각각은 복수의 입력노드(i1 ~ in)의 복수의 요소값 iv1 ~ ivn에 가중치 및 임계치를 적용하고, 가중치 및 임계치가 적용된 입력특징벡터의 복수의 요소값 각각에 대해 활성화함수에 따른 연산을 수행하여 복수의 제1 은닉노드값을 산출한다.
이어서 제2 은닉층(HL2)의 복수의 제2 은닉노드(h21 ~ h2b) 각각은 복수의 제1 은닉노드(h11 ~ h1a)의 복수의 제1 은닉노드값 각각에 가중치 및 임계치를 적용하고, 가중치 및 임계치가 적용된 복수의 제1 은닉노드값 각각에 대해 활성화함수에 따른 연산을 수행하여 복수의 제2 은닉노드값을 산출한다. 이와 같은 방식으로 은닉층(HL) 내에서 이전의 노드값이 가중치가 적용되어 전달되고, 연산을 통해 현재의 노드값이 산출된다. 이러한 과정을 반복하여, 제k 은닉계층(HLk)의 복수의 제k 은닉노드(hk1 ~ hkc)의 복수의 제k 은닉노드값을 산출할 수 있다.
이에 따라 출력층(OL)의 출력노드(v)는 제k 은닉계층(HLk)의 복수의 제k 은닉노드(hk1 ~ hkc)의 복수의 제k 은닉노드값에 가중치 w=[w1, w2, … , wc]가 적용된 값을 입력받고(점선으로 표시), 입력된 값을 모두 합산한 후, 임계치를 차감하고, 해당 값에 대해 활성화함수에 따른 연산을 수행하여 출력값을 산출한다. 이러한 출력노드(v)가 산출한 출력값은 구동 제어값의 추정치가 될 수 있다.
상술된 바와 같이 하이브리드 분석부(35)는 인공신경망을 통해 구동 제어 신호에 대한 결과값을 추정하나, 이에 한정하지 않고 다양한 AI 분석모델 및 통계 분석모델을 이용하여 구동 제어 신호에 대한 결과값을 추정할 수 있다.
도 7은 본 발명의 실시예에 따른 모듈형 AI 엔진 서버의 구동 방법을 설명하기 위한 순서도이다.
도 1 및 도 7을 참조하면, 모듈형 AI 엔진 서버(100)의 구동 방법(이하 ‘구동 방법’이라 함)은 사물인터넷 환경에서 적합한 AI 모델을 결정하고, 결정된 AI 모델을 이용하여 센서 데이터를 분석하되, AI 모델을 모듈화하고, 모듈화된 AI 모델 중 필요한 AI 모델만을 로딩하여 사용함으로써, 저사양 저전력의 하드웨어 구현이 가능해 설비 비용을 절감할 수 있다. 또한 구동 방법은 자체적으로 학습하고, 분석하는 AI 모델을 통해 클라우드 서비스와 연결을 최소화함으로써, 데이터 사용 비용을 절감할 수 있다.
S110 단계에서, 모듈형 AI 엔진 서버(100)는 센서 데이터를 수신한다. 모듈형 AI 엔진 서버(100)는 IoT 장치(200)로부터 적어도 하나의 센서 데이터를 수신한다. 여기서 센서 데이터는 생체 데이터, 영상 데이터, 위치 데이터, 환경 데이터, 날씨 데이터, 압력 데이터 등을 포함한다. IoT 장치(200)는 휴대단말, 가전제품, 산업 장비, 사회기반시설 장비, 무인비행기, 자율주행차량, 라이다, 고사양 카메라, 의료장비 등일 수 있다.
S120 단계에서, 모듈형 AI 엔진 서버(100)는 수신된 센서 데이터를 전처리한다. 모듈형 AI 엔진 서버(100)는 센서 데이터를 수집하고, 수집된 센서 데이터 중 유사성이 있는 센서 데이터끼리 정합 또는 그룹핑한다. 모듈형 AI 엔진 서버(100)는 정합 또는 그룹핑된 센서 데이터를 샘플링하고, 샘플링된 센서 데이터를 필터링한다. 이때 모듈형 AI 엔진 서버(100)는 병렬 구조로 전처리를 수행할 수 있다.
S130 단계에서, 모듈형 AI 엔진 서버(100)는 센서 데이터를 전송한 IoT 장치의 종류, 상기 센서 데이터의 종류, 포맷 중 적어도 하나를 기준으로 센서 데이터를 분석하기에 적합한 AI 분석모델을 모듈 형태로 결정한다. 여기서 적합한 AI 분석모델은 센서 데이터를 분석하기에 가장 최적화된 분석모델로써, 연산을 간단한 과정으로 수행하여 속도를 빠르게 하면서도 결과값이 정확하게 산출하는 모델을 의미한다. 즉 모듈형 AI 엔진 서버(100)는 IoT 장치 및 센서 데이터의 특성에 맞는 맞춤형 AI 분석모델을 결정할 수 있다.
상세하게는 모듈형 AI 엔진 서버(100)는 AI 분석모델을 결정하기 위한 참조 인자를 내부 또는 외부로부터 제공받고, 제공된 참조 인자를 이용하여 AI 분석모델을 결정할 수 있다. 예를 들어 AI 분석모델을 결정하기 위한 참조 인자를 내부에서 제공받는 경우, 모듈형 AI 엔진 서버(100)는 센서 데이터에 포함된 인자들을 기초로 기 저장된 통계 분석모델과 학습 데이터를 이용하여 참조 인자를 생성하고, 생성된 참조 인자를 이용하여 AI 분석모델을 결정한다. 또한 AI 분석모델을 결정하기 위한 참조 인자를 외부에서 제공받는 경우, 모듈형 AI 엔진 서버(100)는 센서 데이터를 빅데이터 서버(300)로 전송시켜 빅데이터 서버(300)의 빅데이터 플랫폼에 의해 생성된 참조 인자를 제공받고, 제공된 참조 인자를 이용하여 AI 분석모델을 결정한다.
S140 단계에서, 모듈형 AI 엔진 서버(100)는 결정된 AI 분석모델이 기 저장되어 있는지 판단한다. 모듈형 AI 엔진 서버(100)는 해당 AI 분석모델이 기 저장되어 있으면 S160 단계를 수행하고, 기 저장되어 있지 않으면 S150 단계를 수행한다.
S150 단계에서, 모듈형 AI 엔진 서버(100)는 빅데이터 서버(300)로부터 결정된 AI 분석모델을 수신한다. 이를 위해 모듈형 AI 엔진 서버(100)는 빅데이터 서버(300)로 결정된 AI 분석모델의 제공을 요청할 수 있다. 또한 모듈형 AI 엔진 서버(100)는 수신된 AI 분석모델을 모듈 형태로 저장하여 추후 해당 AI 분석모델을 모듈 형태로 로딩할 수 있도록 한다.
S160 단계에서, 모듈형 AI 엔진 서버(100)는 결정된 AI 분석모듈 및 통계 분석모듈을 이용하여 센서 데이터를 분석한다. 여기서 모듈형 AI 엔진 서버(100)는 AI 분석모델을 기반으로 센서 데이터를 분석하되, 통계 분석모델가 보완하는 형태의 하이브리드 방식으로 최적의 결과값인 구동 제어 신호를 생성한다. 여기서 구동 제어 신호는 해당 IoT 장치의 구동을 제어하는 명령어로써, 아이들 상태 전환/유지, 웨이크업 상태 전환, 동작 지시 등의 명령을 포함할 수 있다.
S170 단계에서, 모듈형 AI 엔진 서버(100)는 생성된 구동 제어 신호를 해당 IoT 장치로 전송한다. 이를 통해 모듈형 AI 엔진 서버(100)는 해당 IoT 장치의 구동을 제어할 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 장치에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 하드디스크, ROM, RAM, CD-ROM, 하드 디스크, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
[부호의 설명]
10: 통신부 30: 제어부
31: 전처리부 33: 모델 매니저부
35: 하이브리드 분석부 41: AI 분석모델
43: 통계 분석모델 50: 저장부
100: 모듈형 AI 엔진서버 200: IoT 장치
300: 빅데이터 서버 400: 데이터 처리 시스템
410: 에지망 420: 코어망

Claims (10)

  1. 적어도 하나의 IoT 장치 및 빅데이터 서버와 통신을 수행하는 통신부; 및
    상기 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하고, 상기 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 제어부;
    를 포함하는 빅데이터 기반의 모듈형 AI 엔진 서버.
  2. 제 1항에 있어서,
    상기 제어부는,
    상기 IoT 장치의 종류, 상기 센서 데이터의 종류, 포맷 중 적어도 하나를 기준으로 상기 센서 데이터를 분석하기에 적합한 AI 분석모델을 모듈 형태로 결정하는 모델 매니저부; 및
    상기 결정된 AI 분석모델과 통계 분석모델을 기초로 센서 데이터를 분석하여 상기 센서 데이터를 전송한 IoT 장치에 대한 구동 제어 신호를 생성하는 하이브리드 분석부;
    를 포함하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
  3. 제 2항에 있어서,
    AI 분석모델 및 통계 분석모델이 모듈 형태로 저장되고, 상기 분석된 결과를 기반으로 학습된 학습 데이터가 저장되는 저장부;를 더 포함하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
  4. 제 3항에 있어서,
    상기 AI 분석모델을 결정하기 위한 참조 인자를 내부에서 제공받는 경우, 상기 모델 매니저부는,
    상기 통계 분석모델 및 상기 학습 데이터를 이용하여 참조 인자를 생성하고, 상기 생성된 참조 인자를 이용하여 상기 AI 분석모델을 결정하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
  5. 제 2항에 있어서,
    상기 AI 분석모델을 결정하기 위한 참조 인자를 외부에서 제공받는 경우, 상기 모델 매니저부는,
    상기 수신된 센서 데이터를 상기 빅데이터 서버로 전송시켜 상기 빅데이터 서버의 빅데이터 플랫폼에 의해 생성된 참조 인자를 제공받고, 상기 제공된 참조 인자를 이용하여 상기 AI 분석모델을 결정하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
  6. 제 3항에 있어서,
    상기 결정된 AI 분석모델이 상기 저장부에 저장되지 않은 경우, 상기 모델 매니저부는,
    상기 빅데이터 서버로 상기 결정된 AI 분석모델의 제공을 요청하여 상기 결정된 AI 분석모델이 수신되도록 제어하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
  7. 제 2항에 있어서,
    상기 모델 매니저부는,
    상기 하이브리드 분석부로부터 생성된 구동 제어 신호를 수신하고, 상기 수신된 구동 제어 신호가 해당 IoT 장치로 전송되도록 제어하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
  8. 제 2항에 있어서,
    상기 하이브리드 분석부는,
    상기 AI 분석모델 및 상기 통계 분석모델을 하이브리드 방식으로 상기 센서 데이터를 분석하는 것을 특징으로 하는 빅데이터 기반의 모듈형 AI 엔진 서버.
  9. 모듈형 AI 엔진 서버가 적어도 하나의 IoT 장치로부터 수신된 적어도 하나의 센서 데이터를 분석하기에 적합한 AI 분석모델을 결정하는 단계; 및
    상기 모듈형 AI 엔진 서버가 상기 결정된 AI 분석모델을 이용하여 센서 데이터를 분석하는 단계;
    를 포함하는 모듈형 AI 엔진 서버의 구동 방법.
  10. 제 9항에 있어서,
    상기 모듈형 AI 엔진 서버가 상기 결정된 AI 분석모델을 모듈 형태로 저장하는 단계; 및
    상기 모듈형 AI 엔진 서버가 상기 분석된 결과를 기반으로 학습된 학습 데이터를 저장하는 단계;
    를 더 포함하는 것을 특징으로 하는 모듈형 AI 엔진 서버의 구동 방법.
PCT/KR2021/011190 2020-08-25 2021-08-23 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 WO2022045697A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/041,857 US20230297885A1 (en) 2020-08-25 2021-08-23 Big data-based modular ai engine server and driving method of the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200107066A KR102472585B1 (ko) 2020-08-25 2020-08-25 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법
KR10-2020-0107066 2020-08-25

Publications (1)

Publication Number Publication Date
WO2022045697A1 true WO2022045697A1 (ko) 2022-03-03

Family

ID=80353531

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/011190 WO2022045697A1 (ko) 2020-08-25 2021-08-23 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법

Country Status (3)

Country Link
US (1) US20230297885A1 (ko)
KR (1) KR102472585B1 (ko)
WO (1) WO2022045697A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102644982B1 (ko) * 2023-03-20 2024-03-07 주식회사 와이티아이엔에스 클라우드 환경에서 구현되는 빅데이터 및 인공지능 기반의 서비스 제공 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190122121A1 (en) * 2017-10-23 2019-04-25 AISA Innotech Inc. Method and system for generating individual microdata
KR20190081373A (ko) * 2017-12-29 2019-07-09 (주)제이엘케이인스펙션 인공 신경망에 기반한 단말 장치 및 데이터 처리 방법
KR20200002615A (ko) * 2018-06-29 2020-01-08 한국전자통신연구원 고신뢰 IoT 서비스를 위한 지능형 IoE 에지 컴퓨팅 시스템
KR20200057821A (ko) * 2018-11-13 2020-05-27 주식회사 에코시안 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
KR20200080792A (ko) * 2018-12-27 2020-07-07 (주)엔텔스 기계학습 기반한 의약품 사용량 예측 방법 및 예측 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102236298B1 (ko) 2018-05-18 2021-04-05 박병훈 빅데이터 기반의 인공지능 통합 플랫폼 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190122121A1 (en) * 2017-10-23 2019-04-25 AISA Innotech Inc. Method and system for generating individual microdata
KR20190081373A (ko) * 2017-12-29 2019-07-09 (주)제이엘케이인스펙션 인공 신경망에 기반한 단말 장치 및 데이터 처리 방법
KR20200002615A (ko) * 2018-06-29 2020-01-08 한국전자통신연구원 고신뢰 IoT 서비스를 위한 지능형 IoE 에지 컴퓨팅 시스템
KR20200057821A (ko) * 2018-11-13 2020-05-27 주식회사 에코시안 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
KR20200080792A (ko) * 2018-12-27 2020-07-07 (주)엔텔스 기계학습 기반한 의약품 사용량 예측 방법 및 예측 장치

Also Published As

Publication number Publication date
US20230297885A1 (en) 2023-09-21
KR102472585B1 (ko) 2022-11-30
KR20220026258A (ko) 2022-03-04

Similar Documents

Publication Publication Date Title
CN104760851B (zh) 用于管理电梯的方法及装置
WO2020027540A1 (en) Apparatus and method for personalized natural language understanding
WO2021221242A1 (ko) 연합 학습 시스템 및 방법
WO2022045697A1 (ko) 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법
CN113642700B (zh) 基于联邦学习和边缘计算的跨平台多模态舆情分析方法
CN110460971A (zh) 一种基于边缘计算的移动物联接入方法
WO2022114331A1 (ko) 전기 버스의 배터리 상태 분석 서비스 시스템
CN112637276A (zh) 一种基于数字孪生技术的多用户计算迁移方法
CN116680070A (zh) 基于混合流水线并行的边缘端协同深度神经网络训练方法
CN113111115A (zh) 一种数据信息管理系统及其方法
CN114710499B (zh) 基于算力路由的边缘计算网关负载均衡方法、装置及介质
CN116489152A (zh) 物联设备联动控制方法、装置、电子设备和介质
CN113676357A (zh) 面向电力物联网中边缘数据处理的决策方法及其应用
CN117539619A (zh) 基于云边融合的算力调度方法、系统、设备和存储介质
WO2020101121A1 (ko) 딥러닝 기반의 영상분석 방법, 시스템 및 휴대 단말
WO2020138608A1 (ko) 복수의 챗봇을 이용한 질의 응답 방법 및 장치
WO2022164001A1 (ko) 딥러닝 기반의 초해상화 이미지 처리 시스템과 방법 및 이를 위한 컴퓨터 프로그램
CN111092952A (zh) 一种数据交互方法及相关产品
WO2016032075A1 (ko) 3d 프린터 제어장치
CN116109058A (zh) 一种基于深度强化学习的变电站巡视管理方法和装置
WO2021101055A1 (ko) 복수개의 액세스 포인트를 포함하는 엣지 네트워크에서 서비스 제공 방법 및 이를 위한 시스템
WO2023128735A1 (ko) 충전 부하 분산을 위한 전기자동차 충전소 최적 위치 선정 방법
WO2018216828A1 (ko) 에너지 빅데이터 관리 시스템 및 그 방법
WO2020262932A1 (ko) 분산된 분류 모델을 이용하는 분류 방법
WO2023074939A1 (ko) 원엠투엠 플랫폼 기반 컴퓨팅 오프로딩 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: 21861994

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: 21861994

Country of ref document: EP

Kind code of ref document: A1