WO2022092447A1 - 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 - Google Patents

딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 Download PDF

Info

Publication number
WO2022092447A1
WO2022092447A1 PCT/KR2021/001355 KR2021001355W WO2022092447A1 WO 2022092447 A1 WO2022092447 A1 WO 2022092447A1 KR 2021001355 W KR2021001355 W KR 2021001355W WO 2022092447 A1 WO2022092447 A1 WO 2022092447A1
Authority
WO
WIPO (PCT)
Prior art keywords
deep learning
learning model
information
seller
purchaser
Prior art date
Application number
PCT/KR2021/001355
Other languages
English (en)
French (fr)
Inventor
여승기
Original Assignee
주식회사 디에스랩글로벌
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 주식회사 디에스랩글로벌 filed Critical 주식회사 디에스랩글로벌
Publication of WO2022092447A1 publication Critical patent/WO2022092447A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Third-party assisted
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the present invention relates to a method of brokering a deep learning model transaction performed by a deep learning model transaction brokering server.
  • collecting the purchase information of the buyer about the deep learning model requested by the buyer from the buyer terminal and searching for sales information of at least one seller terminal that sells the deep learning model corresponding to the purchase information of the buyer and transmitting the sales information of the deep learning model corresponding to the buyer's request information to the buyer terminal, and receiving the buyer's model selection signal from the buyer's terminal, and a model selection signal to the seller's terminal corresponding to the buyer's model selection signal
  • It relates to a deep learning model transaction brokerage method comprising the step of transmitting
  • AI artificial intelligence
  • Deep learning technology is drawing attention in the field of artificial intelligence technology, and it is showing excellent results in various fields such as data analysis, image recognition, and natural language processing.
  • Deep learning is a field of machine learning, and it is a technique to express data in a form that a computer can process, such as a vector or graph, and build a model that learns it. That is, for a specific learning goal, such as recognizing a face or expression, deep learning focuses on building better representation methods and efficient models for learning, and many of the representation methods in deep learning are inspired by neuroscience. It is based on information processing and communication patterns of the nervous system.
  • the present invention is to solve the above problems, and to provide a deep learning model transaction brokerage method in which even unskilled people related to deep learning can obtain the results they want to predict or analyze through the deep learning model transaction. There is this.
  • a method of brokering a deep learning model transaction performed by a deep learning model transaction brokerage server may be provided.
  • the deep learning model transaction brokerage method includes the steps of collecting the purchase information of the purchaser regarding the deep learning model required by the purchaser from the purchaser terminal, and selling the deep learning model corresponding to the purchase information of the purchaser retrieving the sales information of at least one seller terminal, transmitting the sales information of the deep learning model corresponding to the buyer's request information to the buyer terminal, and receiving the model selection signal of the buyer from the buyer terminal, and the model of the buyer It may include transmitting a model selection signal to the seller terminal corresponding to the selection signal.
  • the deep learning model transaction brokerage server of the present invention According to the method of brokering a deep learning model transaction performed by the deep learning model transaction brokerage server of the present invention, even an unskilled person related to deep learning can obtain the desired result to predict or analyze through the transaction of the deep learning model. there is.
  • FIG. 1 is a flowchart of a method for brokering a deep learning model transaction performed by a deep learning model transaction brokerage server according to an embodiment of the present invention.
  • FIG. 1 is a flowchart of a method for brokering a deep learning model transaction performed by a deep learning model transaction brokerage server according to an embodiment of the present invention.
  • the present invention will be described in detail with reference to the above-described drawings.
  • a method of brokering a deep learning model transaction performed by a deep learning model transaction brokerage server may be provided. That is, each step (S100-S300) of the method of brokering a deep learning model transaction of the present invention may be performed by a deep learning model transaction brokerage server.
  • the deep learning model transaction brokerage method includes the steps of collecting the purchase information of the purchaser regarding the deep learning model required by the purchaser from the purchaser terminal (S100), deep learning corresponding to the purchase information of the purchaser Searching for sales information of at least one seller terminal that sells a model, and transmitting sales information of a deep learning model corresponding to the buyer's request information to the buyer terminal (S200) and a model selection signal of the buyer from the buyer terminal and transmitting the model selection signal to the seller terminal corresponding to the purchaser's model selection signal (S300).
  • the step (S100) of collecting the purchase information of the purchaser regarding the deep learning model required by the purchaser from the purchaser terminal may be performed.
  • the step S100 according to the start may further include a step (S110) of collecting sales information from the seller terminal for the deep learning model in the deep learning model transaction brokerage server.
  • the deep learning model may be a model obtained by a seller (seller terminal) using a deep learning solution platform. That is, the deep learning model transaction brokerage method according to an embodiment of the present invention may be performed in conjunction with a deep learning solution platform.
  • the process (S10-S50) in which the deep learning model is obtained through the deep learning solution platform is as follows.
  • the deep learning solution platform it is possible to collect input information including tabular data to be analyzed or predicted from the seller terminal, the learning method of the deep learning model, and the learning form of the deep learning model (S10).
  • Input information may include table data that is a target of analysis or prediction using a deep learning model.
  • the table data may be data based on a tabular form including at least one or more cells generated by rows and columns.
  • the table data may be in the form of spreadsheet data, CSV (comma-separated value), Excel, HTML (HyperTextMarkup Language), XML (Extensible markup language), PDF (Portable Document Format), etc. there is.
  • Table data according to one disclosure is data of a column to be analyzed or predicted (hereinafter, an analysis target column) and data of at least one column (hereinafter, a related column) expected to be related to the data of the analysis target column may include
  • the column of the table data may include the analysis target column and at least one or more related columns.
  • the analysis target column may be determined by the analysis target column determination signal collected from the seller terminal in the deep learning solution platform, and the analysis target column is determined from the table data by the analysis target column determination signal, and a table excluding the analysis target column The remaining columns of data may be determined as related columns.
  • Input information may include information about a learning method of a deep learning model.
  • the learning method may include information for learning to proceed according to a learning method preferred by the seller based on information on learning speed, information on accuracy of learning, information on error rate of learning, and the like.
  • Input information may include information about a learning form of the deep learning model.
  • the learning form may include learning form information such as binary classification, multi-class classification, regression, prediction, segmentation, and detection. That is, the learning form information may be input and collected by the user so that the learning result appears according to the seller's preferred learning form.
  • the input information may further include other types of data as well as structured data such as the aforementioned table data.
  • the input information may include time series data, image data, natural language data, voice data, and the like, and may generate a deep learning model by receiving various data as described above from a deep learning solution platform.
  • step (S20) of collecting pre-processing information including whether the table data is pre-processed by column from the seller terminal, whether it is used for learning the deep learning model, and the pre-processing method from the seller terminal in the deep learning solution platform (S20) may be performed.
  • the pre-processing information according to the disclosure may include information on whether pre-processing is input to the deep learning solution platform through the seller terminal with respect to whether to perform pre-processing for each column. Since table data of input information is configured in a table form, a column indicating an attribute of data for one column may be included. That is, the information on whether the pre-processing is performed may indicate information on whether to perform the pre-processing for each column of table data. In other words, in S20, pre-processing may be performed by separately selecting only a column that the seller wants to pre-process from among the columns of the input table data. Through the above process, it is possible to select the presence or absence of pretreatment according to the column differently, so that the learning result desired by the seller can be derived.
  • the preprocessing information according to the disclosure may include information on whether or not it is used for learning the deep learning model for each column. That is, a column used for training of a deep learning model may be selected by a seller in the deep learning solution platform. In other words, a learning result desired by the seller can be derived by excluding the column necessary for learning from the seller's table data.
  • the pre-processing information according to the disclosure may include information about a pre-processing method.
  • the pre-processing method may include data cleansing, normalization, de-identification, and data replacement.
  • the data cleansing may refer to at least one data operation such as data deduplication, error removal, and invalidation removal.
  • the data cleansing may refer to a data operation of deleting rows having a predetermined value in which the number of data is less than a predetermined number, or deleting rows outside a predetermined ratio of the overall standard distribution.
  • the de-identification may be a data operation of deleting a column in which a predetermined data value occupies a predetermined ratio or more of the total number of data.
  • the data replacement may refer to a data operation of deleting rows having empty values or filling empty values with a predetermined value.
  • the seller may choose to perform the pre-processing in a manner selected by the seller from among the pre-processing methods including data cleansing, normalization, de-identification, and data replacement in the deep learning solution platform.
  • the deep learning solution platform it is possible to determine whether the seller performs pre-processing for each column of table data, and whether to use it for learning for each column.
  • the pretreatment method may be selected by the vendor. That is, in the deep learning solution platform, the learning result desired by the seller can be derived by learning the deep learning model by specifying only the columns used for learning among the table data input by the seller. In addition, by performing only preprocessing on a specific column, the deep learning model can be trained in the same direction as the seller wants.
  • a plurality of deep learning models prepared in advance in the deep learning solution platform are trained based on the collected input information and preprocessing information, and the learning state, accuracy, and error rate for each of the plurality of deep learning models according to the learned result and providing the learning result information including the degree of similarity to the seller terminal (S30) may be performed.
  • S30 is a step (S31) in which learning is performed based on the collected input information and pre-processing information for a plurality of pre-prepared deep learning models, and a plurality of deep learning models according to the result learned in S31 It may include a step (S32) of providing learning result information including the learning state, accuracy, error rate, and similarity for each of the subjects.
  • the plurality of pre-prepared deep learning models may include models in which learning has been performed in advance based on a pre-prepared database.
  • the plurality of deep learning models may include deep learning models having different structures in which at least one or more neural networks are combined.
  • the deep learning model may include a multi-layer perceptron, a recurrent neural network, a convolutional neural network, a generative adversarial network, etc., as well as a combination of the neural networks or It may have been changed and created. That is, in S31, learning may be performed according to the input information and pre-processing information with respect to the plurality of deep learning models prepared in advance.
  • the learning result information may include a learning state, accuracy, error rate, and similarity for each of a plurality of deep learning models.
  • the learning state may indicate a learning result for indicating whether learning has been completed or whether learning has failed according to a plurality of deep learning models.
  • the accuracy may indicate the accuracy of a deep learning model that has been trained.
  • the error rate may indicate a rate of errors generated during training of the deep learning model.
  • the similarity (Dice) may represent a sample coefficient for measuring the similarity between the training data and the result data of the deep learning model.
  • the seller may select a deep learning model to be used by the seller for data analysis or prediction of the analysis target column by using the learning result information including the learning state, accuracy, error rate, and similarity.
  • step S40 of collecting seller selection information for the deep learning model that the seller will use for analysis or prediction of the data of the analysis target column from the seller terminal in the deep learning solution platform may be performed.
  • the deep learning model in which the seller selection information is collected may be referred to as a selection model hereinafter.
  • the learning result information according to the start may further include detailed learning information.
  • the detailed learning information may include importance information, detailed analysis information, loss function information, and other information.
  • the detailed analysis information may include statistical information on data for each column.
  • the loss function information may include information about a loss function used for training a deep learning model.
  • the other information may include statistical information used to measure the reliability of the deep learning model.
  • the importance information may be information for indicating a degree of association between an analysis target column and at least one or more related columns according to a result learned for each deep learning model. That is, the seller can confirm the most important related column for analyzing or predicting the data of the analysis target column through the importance information.
  • the degree of relevance may be digitized and displayed for each related column.
  • the importance information may be displayed by visualizing the degree of relevance (eg bar graph) for each relevance column. That is, in the deep learning solution platform, the importance information may be displayed in various ways for the seller to determine the correlation between the analysis target column and the related column. In other words, in the deep learning solution platform, the seller can check the most important (most relevant) related column for analysis or prediction of the analysis target column for each deep learning model that has been trained according to the above-described process through the importance information.
  • an analysis request signal may be collected from the seller terminal in the deep learning solution platform, and the collected analysis request signal
  • the prescriptive analysis result information may be provided from the deep learning solution platform to the seller terminal (S50). That is, the analysis request signal may be a signal from a seller terminal requesting a prescriptive analysis result using the selection model.
  • prescriptive analytics is one of the business analysis methods that use information to identify phenomena based on given data, predict future events, and decide appropriate actions. It can be an analysis method that presents the best alternative by efficiently allocating limited resources with ideal results.
  • prescriptive analysis result information may be generated (S51) by deriving an optimal decision using the learning result of the deep learning model.
  • the selection model in which the prescription analysis result information is generated may be referred to as a prescription analysis model.
  • the seller may sell the prescription analysis model in the deep learning model transaction brokerage server after the prescription analysis result information is generated according to the processes of S51-1 to S51-3 below. That is, only sales information of the prescription analysis model in which the prescription analysis result information is generated according to the following processes S51-1 to S51-3 may be collected from the deep learning model transaction brokerage server. That is, the sales information according to the disclosure may include information on whether or not the prescriptive analysis result information is generated.
  • n may be a natural number.
  • a final related column among at least one or more related columns may be generated ( S51 - 1 ).
  • the final association column may be determined according to a difference in the degree of association. More specifically, if the value of the nth correlation difference satisfies Equation 1 below in a relationship from the first correlation difference to the maximum value among the n ⁇ 1th correlation difference values (n ⁇ 3), among at least one or more association columns From the first association column to the nth association column may be determined as the final association column.
  • d n is the nth correlation difference
  • d x is the maximum value (n ⁇ 3) among the values of the n ⁇ 1th correlation difference from the value of the first correlation difference
  • r f may be a reference ratio
  • the reference ratio may be a predetermined value.
  • the nth association column is the nth association column when the degree of association with the analysis target column is listed in descending order (in descending order) from the greatest value (the value of the degree of association of the first association column) according to the importance information. (from the highest correlation column to the nth highest correlation column) may be referred to. That is, the first association column may be an association column in which the degree of association with the learning result analysis target column of the deep learning model is greater than that of the remaining associated columns except for the first association column.
  • the nth correlation difference may be a value obtained by dividing the absolute value of a difference between the degree of association of the nth association column and the degree of association of the n+1th association column by the degree of association of the n+1th association column as shown in Equation 2 below.
  • v n may be an nth degree of association.
  • the final related column was composed of at least three columns to define the relationship with the column to be analyzed (n ⁇ 3).
  • Equation 3 Equation 3 below
  • J may be the data of the column to be analyzed
  • p may be the number of final related columns
  • d f k may be the degree of correlation of the last related column
  • a k may be the final correlation coefficient.
  • the final association coefficient can be derived by substituting it into the approximate expression based on the relationship between the data of the final association column and the data of the analysis target column. That is, the input information includes table data, and since the table data includes the data of the last related column and the data of the analysis target column, the final related column data and the analysis target column data are substituted into the approximate expression to obtain the final result.
  • the approximation can be completed by deriving the association coefficient.
  • prescriptive analysis result information may be provided (S51-3) based on the data value of the analysis target column derived through the approximation equation for arbitrary data for the final related column.
  • the prescriptive analysis result information prepared based on the approximation formula as in the process of S51-1 to S51-3 described above is provided, so that the information most relevant to the data to be analyzed or predicted A solution consisting only of can be presented to the seller. That is, the seller may determine the data related to the data that the seller directly analyzes or predicts by using the importance information, but uses the prescriptive analysis result information according to the process of S51-1 to S51-3 described above. This can be used as a more efficient problem solution by providing a relationship between the data to be analyzed or predicted and the data that is actually related. In other words, if the prescriptive analysis result information according to the above-described processes S51-1 to S51-3 is used, errors that may occur when the seller determines the importance information according to the deep learning learning result can be reduced.
  • the sales information according to the start may further include a sales amount.
  • the sales amount according to the start of work may include a model usage amount and a brokerage fee.
  • the model usage amount according to the start may be determined from the seller setting information collected from the seller terminal.
  • the seller setting information may include desired selling price information of the prescription analysis model determined by the seller.
  • the brokerage fee according to the initiation may be determined as in Equation 4 below based on the seller learning index.
  • Wcom is the brokerage fee
  • f is the reference cost
  • Q sell is the seller learning index
  • q p is the platform learning factor
  • N acc is the seller’s cumulative learning times
  • N tot is the seller’s learnable number of times there is.
  • the reference cost may be predetermined by the deep learning model transaction brokerage server.
  • the platform learning factor indexes the degree to which the learning of the deep learning model is not completed when the seller terminal learns the deep learning model using the deep learning solution platform during the reference period, and may be predetermined by the deep learning solution platform.
  • the cumulative number of learning may represent the number of times the seller terminal trained the deep learning model using the deep learning solution platform during the reference period.
  • the learnable number represents the number of times that the seller terminal can learn the deep learning model using the deep learning solution platform during the reference period, and the learnable number may be determined by the seller grade.
  • the reference period may be predetermined in the deep learning model transaction brokerage server.
  • the seller rating is the number of times the seller terminal sold the prescription analysis model using the deep learning model transaction brokerage server by the deep learning solution platform, and the total sales amount of the prescription analysis model by the seller terminal using the deep learning model transaction brokerage server And it may be determined based on the total number of times the seller terminal trained the deep learning model using the deep learning solution platform during the entire period.
  • the deep learning model transaction brokerage method may further include a step of concluding a sale contract according to the transmission of the model selection signal of S300, and calculating a transaction cost according to the conclusion of the sale contract.
  • a step of concluding a sale contract according to the transmission of the model selection signal of S300 may further include a step of concluding a sale contract according to the transmission of the model selection signal of S300, and calculating a transaction cost according to the conclusion of the sale contract.
  • the user terminal may include a seller terminal and a buyer terminal. Also, hereinafter, a user may refer to a seller or a buyer.
  • the user terminal may execute various types of applications, and may display the currently running application by visual or auditory display and provide it to the user.
  • the user terminal may include a display module for visually displaying an application, and may include an input module for receiving a user's input, a communication module, a storage module storing at least one program, and a control module.
  • the user terminal may be a mobile terminal such as a smart phone or a tablet PC, and according to an embodiment, a fixed device such as a desktop may also be included.
  • the user terminal includes a mobile phone, a smart phone, a laptop computer, a tablet PC, a wearable device, for example, a watch-type terminal (smart watch), a glasses-type terminal (smart glass) )) may be included.
  • the user terminal may download and install various applications by accessing an app store or a play store.
  • the application may be a web browser application that outputs content such as games, news, photos, and videos provided online, or a dedicated application for providing each content.
  • the user terminal may be connected to a deep learning model transaction brokerage server through a communication network.
  • the communication network may include a wired network and a wireless network. More specifically, the communication network may include various networks such as a local area network (LAN), a metropolitan area network (MAN), and a wide area network (WAN). The communication network may also include the well-known World Wide Web (WWW).
  • WWW World Wide Web
  • the communication network according to the present invention is not limited to the networks listed above, and may include a well-known wireless data network, a well-known telephone network, a well-known wired or wireless television network, and the like. That is, the communication network may be any network method for connecting the user terminal and the deep learning platform providing apparatus.
  • the deep learning model transaction brokerage server may be connected to the user terminal through an application, and may provide various information related to the transaction of the deep learning model in response to a request of the user terminal.
  • the processor of the deep learning model transaction brokerage server can collect the purchase information of the buyer about the deep learning model required by the buyer from the buyer terminal, and sell the deep learning model corresponding to the purchase information of the buyer It is possible to search for sales information of at least one seller terminal, transmit sales information of a deep learning model corresponding to the buyer's request information to the buyer terminal, receive a model selection signal of the buyer from the buyer terminal, and select the model of the buyer A model selection signal may be transmitted to the seller terminal corresponding to the signal.
  • the apparatus for providing a deep learning platform may include a memory for storing one or more instructions and a processor for executing one or more instructions stored in the memory.
  • the processor may control at least one other component (eg, hardware or software component) of the device for providing a deep learning platform connected to the processor by, for example, driving software (eg, a program), Various data processing and operations can be performed.
  • the processor may load and process commands or data received from other components into the volatile memory, and store the resultant data in the non-volatile memory.
  • the processor operates independently of the main processor (eg, central processing unit or application processor), and additionally or alternatively, uses less power than the main processor, or a coprocessor specialized for a specified function (eg, : graphic processing unit, image signal processor, sensor hub processor, or communication processor).
  • the auxiliary processor may be operated separately from or embedded in the main processor.
  • the memory may store a program for processing and controlling the processor, and may store data input to or output from the apparatus of the present invention.
  • Programs stored in the memory may be classified into a plurality of modules according to their functions, where the plurality of modules are software, not hardware, and are functionally operated modules.
  • the programs stored in the memory may be classified into a plurality of modules according to their functions, where the plurality of modules are software, not hardware, and may mean modules that operate functionally.
  • a computer-readable recording medium in which a program for implementing the above-described method is recorded may be provided.
  • the above-described method can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable medium.
  • the structure of the data used in the above-described method may be recorded in a computer-readable medium through various means.
  • a recording medium recording an executable computer program or code for performing various methods of the present invention should not be construed as including temporary objects such as carrier waves or signals.
  • the computer-readable medium may include a storage medium such as a magnetic storage medium (eg, a ROM, a floppy disk, a hard disk, etc.) and an optically readable medium (eg, a CD-ROM, a DVD, etc.).

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시 예에 따른 딥러닝 모델 거래 중개 방법은 구매자 단말로부터 구매자에 의해 요구되는 딥러닝 모델에 관한 상기 구매자의 구매정보를 수집하는 단계, 구매자의 구매정보에 대응되는 딥러닝 모델을 판매하는 적어도 하나의 판매자 단말의 판매정보를 검색하고, 구매자의 요구정보에 대응하는 딥러닝 모델의 판매정보를 상기 구매자 단말로 전송하는 단계 및 구매자 단말로부터 구매자의 모델선택신호를 수신하고, 구매자의 모델선택신호에 대응되는 판매자 단말로 모델선택신호를 전송하는 단계를 포함할 수 있다.

Description

딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
본 발명은 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법에 관한 것이다. 보다 상세하게는 구매자 단말로부터 구매자에 의해 요구되는 딥러닝 모델에 관한 상기 구매자의 구매정보를 수집하는 단계, 구매자의 구매정보에 대응되는 딥러닝 모델을 판매하는 적어도 하나의 판매자 단말의 판매정보를 검색하고, 구매자의 요구정보에 대응하는 딥러닝 모델의 판매정보를 상기 구매자 단말로 전송하는 단계 및 구매자 단말로부터 구매자의 모델선택신호를 수신하고, 구매자의 모델선택신호에 대응되는 판매자 단말로 모델선택신호를 전송하는 단계를 포함하는 딥러닝 모델 거래 중개 방법에 관한 것이다.
최근 프로세서 및 메모리 등이 신속히 발전됨에 따라, 인공지능(Artificial Intelligence, AI) 기술이 발전되고 각광받고 있으며, 인공지능 기술을 이용한 서비스가 광범위하게 여러 분야에서 개발되고 있다.
특히, 딥러닝 기술이 인공지능 기술 분야에서 주목받고 있으며, 데이터 분석, 영상 인식, 자연어 처리 등과 같은 다양한 분야에서 뛰어난 결과를 보이고 있다. 딥러닝(deep learning)은 머신러닝(machine learning)의 한 분야로 데이터를 컴퓨터가 처리 가능한 형태인 벡터나 그래프 등으로 표현하고 이를 학습하는 모델을 구축하는 기법이다. 즉, 얼굴이나 표정을 인식하는 등의 특정 학습 목표에 대하여, 딥러닝은 학습을 위한 더 나은 표현 방법과 효율적인 모델 구축에 초점을 맞추고 있으며, 딥러닝의 표현방법들 중 다수는 신경과학에서 영감을 얻었으며, 신경 시스템의 정보 처리나 통신 패턴에 기반을 두고 있다.
초기에, 인공지능 알고리즘의 개발은 알(R) 언어, 파이썬(Python) 언어 기반으로 개인의 역량에 의해 다소 폐쇄적으로 진행되고, 성능의 평가는 개인의 기준에 의해 평가 검증되어 왔다. 따라서, 인공지능이 기대한 성능을 유지하며 안정적으로 운영되기 위해 사람에 의해 지속적으로 관리되고 제어되어야 하는 한계가 있었다. 그리고, 기존의 인공지능 알고리즘은 단위 요구사항을 충족시키기 위해 분석가가 개인 개발 환경에서 설계 개발 검증 후 적용하는 다소 개인화된 방식으로 기술 개발이 진행되어 왔으며, 환경에 따라 변화되는 성능의 이해 및 개선 등의 과정 등도 진행에 어려움이 있었다.
최근에는, 오픈소스 기반 딥러닝 기법의 알고리즘의 개발이 추세적으로 증가하여 많은 수의 딥러닝 알고리즘이 개발되고 있으나, 오픈소스 기반의 딥러닝 기법을 이용하여 실제 딥러닝 개발 관련 비숙련자가 기술 적용을 위해서는 딥러닝 학습 결과의 적합성을 확인하는 것은 매우 어려운 상황이다.
이에 따라, 미리 학습된 다양한 딥러닝 모델을 거래함으로써 직접 학습하지 않아도 데이터의 분석 또는 예측이 가능하도록 하기 위한 딥러닝 거래 중개 방법에 대한 기술 개발이 요구되고 있는 실정이다.
본 발명은 전술한 바와 같은 문제점을 해결하기 위한 것으로써, 딥러닝 관련 비숙련자도 딥러닝 모델의 거래를 통해 예측하거나 분석하고자 하는 결과를 얻을 수 있는 딥러닝 모델 거래 중개 방법을 제공하고자 함에 그 목적이 있다.
본 발명의 일 실시 예로써, 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝 모델 거래 중개 방법은 구매자 단말로부터 구매자에 의해 요구되는 딥러닝 모델에 관한 상기 구매자의 구매정보를 수집하는 단계, 구매자의 구매정보에 대응되는 딥러닝 모델을 판매하는 적어도 하나의 판매자 단말의 판매정보를 검색하고, 구매자의 요구정보에 대응하는 딥러닝 모델의 판매정보를 상기 구매자 단말로 전송하는 단계 및 구매자 단말로부터 구매자의 모델선택신호를 수신하고, 구매자의 모델선택신호에 대응되는 판매자 단말로 모델선택신호를 전송하는 단계를 포함할 수 있다.
본 발명의 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법에 의하면, 딥러닝 관련 비숙련자도 딥러닝 모델의 거래를 통해 예측하거나 분석하고자 하는 결과를 얻을 수 있도록 하는 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 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 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
도 1은 본 발명의 일 실시 예에 따른 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법의 순서도이다. 이하에서는, 이하에서는 상술한 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법이 제공될 수 있다. 즉, 본 발명의 딥러닝 모델 거래를 중개하는 방법의 각 단계(S100-S300)는 딥러닝 모델 거래중개서버에 의해서 수행될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝 모델 거래 중개 방법은 구매자 단말로부터 구매자에 의해 요구되는 딥러닝 모델에 관한 상기 구매자의 구매정보를 수집하는 단계(S100), 구매자의 구매정보에 대응되는 딥러닝 모델을 판매하는 적어도 하나의 판매자 단말의 판매정보를 검색하고, 구매자의 요구정보에 대응하는 딥러닝 모델의 판매정보를 상기 구매자 단말로 전송하는 단계(S200) 및 구매자 단말로부터 구매자의 모델선택신호를 수신하고, 구매자의 모델선택신호에 대응되는 판매자 단말로 모델선택신호를 전송하는 단계(S300)를 포함할 수 있다.
이하에서는, 본 발명의 일 실시 예에 따른 딥러닝 모델 거래 중개 방법의 각 과정(S100 - S300)을 설명한다.
먼저, 구매자 단말로부터 구매자에 의해 요구되는 딥러닝 모델에 관한 구매자의 구매정보를 수집하는 단계(S100)가 수행될 수 있다.
*일 개시에 따른 S100 단계에는 딥러닝 모델 거래중개서버에서 딥러닝 모델에 대한 판매자 단말로부터의 판매정보를 수집하는 단계(S110)를 더 포함할 수 있다.
본 명세서에서 딥러닝 모델은 판매자(판매자 단말)가 딥러닝 솔루션 플랫폼을 이용하여 획득된 모델일 수 있다. 즉, 본 발명의 일 실시 예에 따른 딥러닝 모델 거래 중개 방법은 딥러닝 솔루션 플랫폼과 연동되어 수행될 수 있다.
상기 딥러닝 모델이 상기 딥러닝 솔루션 플랫폼을 통해 획득되는 과정(S10-S50)은 아래와 같다.
먼저, 딥러닝 솔루션 플랫폼에서 판매자 단말로부터 분석 또는 예측 대상이 되는 표 데이터(tabular data), 딥러닝 모델의 학습 방식 및 딥러닝 모델의 학습 형태를 포함하는 입력 정보를 수집(S10)할 수 있다.
일 개시에 따른 입력 정보는 딥러닝 모델을 이용하여 분석 또는 예측의 대상이 되는 표 데이터를 포함할 수 있다. 상기 표 데이터는 행과 열에 의해서 생성되는 적어도 하나 이상의 셀을 포함하는 도표 형태의 양식을 기반으로 하는 데이터일 수 있다. 상기 표 데이터는 스프레드시트(spread sheet) 데이터, CSV(comma-separated value), 엑셀(excel), HTML(HyperTextMarkup Language), XML(Extensible markup language), PDF(Portable Document Format) 등의 데이터 형태일 수 있다.
일 개시에 따른 표 데이터는 분석 또는 예측의 대상이 되는 칼럼(이하, 분석대상 칼럼)의 데이터 및 상기 분석대상 칼럼의 데이터와 연관성이 있을 것으로 예상되는 적어도 하나 이상의 칼럼(이하, 연관 칼럼)의 데이터를 포함할 수 있다. 이하에서, 상기 표 데이터의 칼럼은 상기 분석대상 칼럼 및 적어도 하나 이상의 연관 칼럼을 포함할 수 있다. 상기 분석대상 칼럼은 딥러닝 솔루션 플랫폼에서 판매자 단말로부터 수집된 분석대상 칼럼 결정신호에 의해서 결정될 수 있으며, 상기 분석대상 칼럼 결정신호에 의하여 표 데이터 중에서 분석대상 칼럼이 결정되고, 분석대상 칼럼을 제외한 표 데이터의 나머지 칼럼들은 연관 칼럼으로 결정될 수 있다.
일 개시에 따른 입력 정보는 딥러닝 모델의 학습 방식에 관한 정보를 포함할 수 있다. 상기 학습 방식은 학습 속도에 관한 정보, 학습의 정확도에 관한 정보, 학습의 오차율에 관한 정보 등에 기초하여 판매자가 선호하는 학습 방식에 따라 학습이 진행되기 위한 정보를 포함할 수 있다.
일 개시에 따른 입력 정보는 딥러닝 모델의 학습 형태에 관한 정보를 포함할 수 있다. 상기 학습 형태는 이진 분류(binary classification), 다중 분류(multi-class classification), 회귀(regression), 예측(prediction), 분할(segmentation), 감지(detection) 등과 같은 학습 형태 정보를 포함할 수 있다. 즉, 판매자가 선호하는 학습 형태에 따라 학습 결과가 나타나도록 하기 위하여 상기 학습 형태 정보가 사용자에 의해서 입력되어 수집될 수 있다.
일 개시에 따르면 입력 정보는 전술한 표 데이터와 같은 정형 데이터뿐만 아니라 다른 형태의 데이터를 더 포함할 수 있다. 예를 들면, 상기 입력 정보는 시계열 데이터, 이미지 데이터, 자연어 데이터, 음성 데이터 등을 포함할 수 있고, 상기와 같은 다양한 데이터를 딥러닝 솔루션 플랫폼에서 입력 받아 딥러닝 모델을 생성할 수 있다.
다음으로, 딥러닝 솔루션 플랫폼에서 판매자 단말로부터 표 데이터의 칼럼 별 전처리 여부, 딥러닝 모델의 학습을 위해 사용되는지 여부 및 전처리 방식을 포함하는 전처리 정보를 수집하는 단계(S20)가 수행될 수 있다.
일 개시에 따른 전처리 정보는 칼럼 별 전처리 수행 여부에 관하여 판매자 단말을 통해 딥러닝 솔루션 플랫폼으로 입력된 전처리 여부에 관한 정보를 포함할 수 있다. 입력 정보의 표 데이터는 표(table) 형태로 구성되므로 하나의 열에 대한 데이터의 속성(attribute)를 나타내는 칼럼(column)을 포함할 수 있다. 즉, 상기 전처리 여부에 관한 정보는 표 데이터의 칼럼마다 전처리 과정을 수행하는지 여부에 대한 정보를 나타낼 수 있다. 다시 말하면, S20에서는 상기 입력된 표 데이터의 칼럼 중에서 판매자가 전처리하고자 하는 칼럼만을 별도로 선택하여 전처리가 수행되도록 할 수 있다. 상기 과정을 통해서 칼럼에 따른 전처리 유무를 달리 선택 가능하도록 하여 판매자가 원하는 학습 결과를 도출할 수 있다.
일 개시에 따른 전처리 정보는 칼럼 별 딥러닝 모델의 학습을 위해 사용되는지 여부에 관한 정보를 포함할 수 있다. 즉, 딥러닝 솔루션 플랫폼에서 판매자에 의해서 딥러닝 모델의 학습을 위해 사용되는 칼럼이 선택될 수 있다. 다시 말하면, 판매자가 표 데이터 중에서 학습을 위해 필요한 칼럼을 배제함으로써 판매자가 원하는 학습 결과가 도출될 수 있다.
일 개시에 따른 전처리 정보는 전처리 방식에 관한 정보를 포함할 수 있다. 상기 전처리 방식은 데이터 클렌징, 정규화, 비식별화 및 데이터 치환을 포함할 수 있다. 상기 데이터 클렌징은 데이터에 대한 중복 제거, 오류 제거 및 무효화 제거 등 적어도 하나의 데이터 동작을 가리킬 수 있다. 예를 들면, 상기 데이터 클렌징은 데이터 개수가 소정의 개수 미만인 미리 정해진 값을 가지고 있는 행들을 삭제하거나, 전체 표준분포의 미리 정해진 비율 이상을 벗어나는 행들을 삭제하는 데이터 동작을 가리킬 수 있다. 상기 비식별화는 미리 정해진 데이터 값이 전체 데이터 개수의 소정의 비율 이상을 차지하는 열을 삭제하는 데이터 동작일 수 있다. 상기 데이터 치환은 비어 있는 값이 있는 행들을 삭제하거나 비어있는 값을 미리 정해진 값으로 채우는 데이터 동작을 가리킬 수 있다. 판매자는 딥러닝 솔루션 플랫폼에서 상기 데이터 클렌징, 정규화, 비식별화 및 데이터 치환을 포함하는 전처리 방식들 중에서 판매자에 의해서 선택된 방식으로 전처리가 진행되도록 선택할 수 있다.
본 발명의 일 실시 예에 따른 S20에서, 딥러닝 솔루션 플랫폼에서는 표 데이터의 칼럼마다 판매자가 전처리를 진행할 것인지를 결정할 수 있고 칼럼마다 학습에 사용할 것인지 여부를 결정할 수 있다. 뿐만 아니라, 전처리 방식도 판매자에 의해서 선택될 수 있다. 즉, 딥러닝 솔루션 플랫폼에서는 판매자에 의해서 입력된 표 데이터 중 학습에 활용되는 칼럼만을 특정함으로써 딥러닝 모델을 학습시킴으로써 판매자가 원하는 학습 결과가 도출되도록 할 수 있다. 이외에도 특정 칼럼에 대한 전처리만 수행함으로써 마찬가지로 판매자가 원하는 방향으로 딥러닝 모델을 학습시킬 수 있다.
다음으로, 딥러닝 솔루션 플랫폼에서 미리 마련된 복수개의 딥러닝 모델들에 대하여 상기 수집된 입력 정보 및 전처리 정보에 기초하여 학습시키고, 학습된 결과에 따라 복수개의 딥러닝 모델들 별 학습 상태, 정확도, 에러율 및 유사도를 포함하는 학습 결과 정보를 판매자 단말로 제공하는 단계(S30)가 수행될 수 있다.
일 실시 예에 따른 S30은 미리 마련된 복수개의 딥러닝 모델들에 대하여 상기 수집된 입력 정보 및 전처리 정보에 기초하여 학습이 진행되는 단계(S31) 및 상기 S31에서 학습된 결과에 따라 복수개의 딥러닝 모델들 별 학습 상태, 정확도, 에러율 및 유사도를 포함하는 학습 결과 정보를 제공하는 단계(S32)를 포함할 수 있다.
일 실시 예에 따른 S31에서, 상기 미리 마련된 복수개의 딥러닝 모델들은 기 마련된 데이터베이스를 기초로 학습이 미리 진행된 모델들을 포함할 수 있다. 상기 복수개의 딥러닝 모델들은 적어도 하나 이상의 신경망(Neural Network)이 결합된 서로 다른 구조의 딥러닝 모델들을 포함할 수 있다. 예를 들어, 상기 딥러닝 모델은 다층 퍼셉트론(Multi-Layer Perceptron), 재귀 신경망(Recurrent Neural Network), 콘볼루션 신경망(Convolution Neural Network), 적대적 신경망(Generative Adversarial Network) 등은 물론 상기 신경망들이 결합되거나 변경되어 생성된 것일 수 있다. 즉, S31에서는 상기 미리 학습되어 마련된 복수개의 딥러닝 모델들에 대하여, 상기 입력 정보 및 전처리 정보에 따라 학습이 진행될 수 있다.
일 실시 예에 따른 S32에서 상기 학습 결과 정보는 복수개의 딥러닝 모델들 별 학습 상태, 정확도, 에러율 및 유사도를 포함할 수 있다. 상기 학습 상태는 복수개의 딥러닝 모델들에 따라 학습이 완료되었는지 아니면 학습이 실패되었는지에 대한 결과를 나타내기 위한 학습 결과를 나타낼 수 있다. 상기 정확도(Accuracy)는 학습이 완료된 딥러닝 모델의 정확도를 나타낼 수 있다. 상기 에러율(Error Rate)은 딥러닝 모델의 학습 진행 시 발생된 오류의 비율을 나타낼 수 있다. 상기 유사도(Dice)는 학습용 데이터와 딥러닝 모델의 결과 데이터 간의 유사성을 측정하기 위한 샘플 계수를 나타낼 수 있다. 판매자는 상기 학습 상태, 정확도, 에러율 및 유사도를 포함하는 학습 결과 정보를 이용하여 판매자가 분석대상 칼럼의 데이터 분석 또는 예측을 위해 사용할 딥러닝 모델을 선택할 수 있다.
즉, S32 단계 이후에, 딥러닝 솔루션 플랫폼에서 판매자 단말로부터 판매자가 분석대상 칼럼의 데이터의 분석 또는 예측을 위해 사용할 딥러닝 모델에 대한 판매자 선택 정보가 수집되는 단계(S40)가 수행될 수 있다. 상기 판매자 선택 정보가 수집되는 딥러닝 모델은 이하에서 선택 모델이라 지칭될 수 있다.
일 개시에 따른 학습 결과 정보는 상세 학습 정보를 더 포함할 수 있다. 상기 상세 학습 정보는 중요도 정보, 정밀분석 정보, 손실함수 정보 및 기타 정보를 포함할 수 있다. 상기 정밀분석 정보는 칼럼 별 데이터에 대한 통계적 정보들이 포함될 수 있다. 상기 손실함수 정보는 딥러닝 모델의 학습에 사용되는 손실함수에 관한 정보를 포함할 수 있다. 상기 기타 정보는 딥러닝 모델의 신뢰도를 측정하는데 사용되는 통계량 정보를 포함할 수 있다.
일 개시에 따른 중요도 정보는 딥러닝 모델들 별로 학습된 결과에 따라, 분석대상 칼럼과 적어도 하나 이상의 연관 칼럼과의 연관성 정도를 나타내기 위한 정보일 수 있다. 즉, 판매자는 분석대상 칼럼의 데이터를 분석하거나 예측하는데 가장 중요한 연관 칼럼을 상기 중요도 정보를 통해 확인할 수 있다. 상기 중요도 정보는 각 연관 칼럼 별로 상기 연관성 정도가 수치화되어 표시될 수 있다. 이와는 달리, 상기 중요도 정보는 각 연관 칼럼 별로 상기 연관성 정도를 시각화(Ex. 막대 그래프화)되어 표시될 수 있다. 즉, 딥러닝 솔루션 플랫폼에서는 판매자에 의해서 분석대상 칼럼과 연관 칼럼 간 연관성을 파악하기 위한 다양한 방식으로 상기 중요도 정보가 표시될 수 있다. 다시 말하면, 딥러닝 솔루션 플랫폼에서 판매자는 전술한 과정에 따라 학습이 완료된 딥러닝 모델들마다 분석대상 칼럼의 분석 또는 예측에 가장 중요한(가장 연관성 있는) 연관 칼럼을 상기 중요도 정보를 통해 확인할 수 있다.
일 개시에 따르면, 딥러닝 솔루션 플랫폼에서 전술한 S40에서 판매자 단말로부터 판매자 선택 정보가 수집된 이후에, 딥러닝 솔루션 플랫폼에서 판매자 단말로부터 분석 요청 신호가 수집될 수 있고, 상기 수집된 분석 요청 신호에 대응하여 처방적 분석 결과정보가 딥러닝 솔루션 플랫폼으로부터 판매자 단말로 제공(S50)될 수 있다. 즉, 상기 분석 요청 신호는 상기 선택 모델을 이용하여 처방적 분석 결과를 요청하는 판매자 단말로부터의 신호일 수 있다. 여기서, 처방적 분석(Prescriptive Analytics)이란 주어진 데이터를 기반으로 현상을 파악하고, 앞으로의 일을 예측하여 이에 적합한 조치를 결정하기 위해 정보를 활용하는 비즈니스 분석 방법 중 하나로, 당면한 문제를 해결하는데 도움이 되는 이상적 결과와 함께 제한된 자원을 효율적으로 할당하여 최상의 대안을 제시하는 분석 방법일 수 있다. 딥러닝 솔루션 플랫폼에서는 딥러닝 모델의 학습 결과를 이용하여 최적의 의사결정을 도출함으로써 처방적 분석 결과정보가 생성(S51)될 수 있다. 상기 처방적 분석 결과정보가 생성된 선택 모델은 처방 분석 모델이라 지칭될 수 있다.
일 개시에 따르면, 판매자는 이하의 S51-1 ~ S51-3의 과정에 따라 처방적 분석 결과정보가 생성된 이후에 딥러닝 모델 거래중개서버에서 처방 분석 모델을 판매할 수 있다. 즉, 이하의 S51-1 ~ S51-3 과정에 따라 처방적 분석 결과정보가 생성된 처방 분석 모델의 판매정보만이 딥러닝 모델 거래중개서버에서 수집될 수 있다. 즉, 일 개시에 따른 판매정보에는 처방적 분석 결과정보가 생성되었는지 여부에 관한 정보를 포함할 수 있다.
이하에서는, 상기 처방적 분석 결과정보가 생성되는 과정(S51-1 ~ S51-3)을 상세히 설명한다. 또한, 이하의 설명에서 n은 자연수일 수 있다.
먼저, 적어도 하나 이상의 연관 칼럼 중에서 최종 연관 칼럼이 생성(S51-1)될 수 있다. 상기 최종 연관 칼럼은 상기 연관성 정도의 차이에 따라 결정될 수 있다. 보다 상세하게는, 제 n 연관성 차이의 값이 제 1 연관성 차이부터 제 n-1 연관성 차이 값들(n≥3) 중 최대값과의 관계에서 아래 수학식 1을 만족한다면, 적어도 하나 이상의 연관 칼럼 중에서 제 1 연관 칼럼부터 제 n 연관 칼럼까지 최종 연관 칼럼으로 결정될 수 있다.
[수학식 1]
Figure PCTKR2021001355-appb-img-000001
여기서, d n은 제 n 연관성 차이이고, d x는 제 1 연관성 차이의 값부터 제 n-1 연관성 차이의 값들 중 최대값(n≥3)이며, r f는 기준비율일 수 있다.
여기서, 상기 기준비율은 미리 정해진 값일 수 있다. 또한, 제 n 연관 칼럼은 상기 중요도 정보에 따라 분석대상 칼럼과의 연관성 정도를 가장 큰 값(제 1 연관 칼럼의 연관성 정도의 값)으로부터 작은 순서대로 (내림차순으로) 나열했을 때 n 번째인 연관 칼럼(연관성 정도가 가장 큰 연관 칼럼부터 n 번째로 연관성 정도가 큰 연관 칼럼)을 지칭할 수 있다. 즉, 제 1 연관 칼럼은 딥러닝 모델의 학습 결과 분석대상 칼럼과의 연관성 정도가 상기 제 1 연관 칼럼을 제외한 나머지 연관 칼럼들보다 큰 연관 칼럼일 수 있다. 상기 제 n 연관성 차이는 아래 수학식 2와 같이 제 n 연관 칼럼의 연관성 정도와 제 n+1 연관 칼럼의 연관성 정도와의 차의 절대값을 제 n+1 연관 칼럼의 연관성 정도로 나눈 값일 수 있다.
[수학식 2]
Figure PCTKR2021001355-appb-img-000002
여기서, v n는 제 n 연관성 정도일 수 있다.
참고로, 최종 연관 칼럼은 적어도 3개 이상으로 구성되도록 하여 분석대상 칼럼과의 관계를 정의하도록 하였다(n≥3).
상기 S51-1 단계와 같이 최종 연관 칼럼이 결정된 이후에는, 분석대상 칼럼의 데이터에 대한 분석 또는 예측을 위한 근사식이 아래의 수학식 3과 같이 생성(S51-2)될 수 있다.
[수학식 3]
Figure PCTKR2021001355-appb-img-000003
여기서, J는 분석대상 칼럼의 데이터이고, p는 최종 연관 칼럼의 수이며, d f k는 최종 연관 칼럼의 연관성 정도이며, a k는 최종 연관 계수일 수 있다. (k=1, 2, ..., p)
상기 S51-2와 같이 근사식이 생성된 이후에는 최종 연관 칼럼의 데이터와 분석대상 칼럼의 데이터 간의 관계에 기초하여 상기 근사식에 대입함으로써 최종 연관 계수를 도출할 수 있다. 즉, 상기 입력 정보에는 표 데이터가 포함되고, 상기 표 데이터에는 최종 연관 칼럼의 데이터와 분석대상 칼럼의 데이터가 포함되므로 상기 최종 연관 칼럼의 데이터 및 분석대상 칼럼의 데이터를 상기 근사식에 대입하여 최종 연관 계수를 도출함으로써 상기 근사식이 완성될 수 있다.
다음으로, 최종 연관 칼럼에 대한 임의의 데이터에 대하여 상기 근사식을 통해 도출된 분석대상 칼럼의 데이터 값에 기초하여 처방적 분석 결과정보가 제공(S51-3)될 수 있다.
일 개시에 따른 딥러닝 솔루션 플랫폼에서는 전술한 S51-1 ~ S51-3의 과정과 같이 근사식을 기초로 작성된 처방적 분석 결과정보가 제공됨으로써, 분석 또는 예측의 대상이 되는 데이터와 가장 연관성 있는 정보만으로 구성된 해결책이 판매자에게 제시될 수 있다. 즉, 판매자는 중요도 정보를 이용하여 판매자가 직접 분석 또는 예측의 대상이 되는 데이터와 연관성 있는 데이터들을 판별할 수도 있지만, 전술한 S51-1 ~ S51-3의 과정에 따른 처방적 분석 결과정보를 이용하면 분석 또는 예측의 대상이 되는 데이터와 실질적으로 연관 있는 데이터 간의 관계가 제공됨으로써 보다 효율적인 문제 해결책으로 활용될 수 있다. 다시 말하면, 전술한 S51-1 ~ S51-3의 과정에 따른 처방적 분석 결과정보를 이용하면 딥러닝 학습 결과에 따른 중요도 정보를 판매자가 판단할 시 발생할 수 있는 오류를 줄일 수 있다.
다음으로, 구매자의 구매정보에 대응되는 딥러닝 모델을 판매하는 적어도 하나의 판매자 단말의 판매정보를 검색하고, 구매자의 요구정보에 대응하는 딥러닝 모델의 판매정보를 구매자 단말로 전송하는 단계(S200)가 수행될 수 있다.
일 개시에 따른 판매정보에는 판매금액이 더 포함될 수 있다.
일 개시에 따른 판매금액은 모델이용금액 및 중개수수료가 포함될 수 있다.
일 개시에 따른 모델이용금액은 판매자 단말로부터 수집된 판매자설정정보로부터 결정될 수 있다. 상기 판매자설정정보에는 판매자에 의해서 결정된 처방 분석 모델의 매도희망가격정보를 포함할 수 있다.
일 개시에 따른 중개수수료는 판매자 학습 지수에 기초하여 아래 수학식 4와 같이 결정될 수 있다.
[수학식 4]
Figure PCTKR2021001355-appb-img-000004
여기서, Wcom는 중개수수료이고, f는 기준비용이며, Q sell는 판매자 학습 지수이며, q p는 플랫폼 학습 팩터이며, N acc은 판매자의 누적학습횟수이며, N tot는 판매자의 학습가능횟수일 수 있다.
상기 기준비용은 상기 딥러닝 모델 거래중개서버에 의하여 미리 결정될 수 있다. 상기 플랫폼 학습 팩터는 판매자 단말이 기준기간 동안 딥러닝 솔루션 플랫폼을 이용하여 딥러닝 모델을 학습시킬 때 딥러닝 모델의 학습이 완료되지 않은 정도를 지수화한 것으로 딥러닝 솔루션 플랫폼에 의해서 미리 결정될 수 있다.
상기 누적학습횟수는 기준기간 동안 판매자 단말이 딥러닝 솔루션 플랫폼을 이용하여 딥러닝 모델을 학습시킨 횟수를 나타낼 수 있다. 상기 학습가능횟수는 상기 기준기간 동안 판매자 단말이 딥러닝 솔루션 플랫폼을 이용하여 딥러닝 모델을 학습시킬 수 있는 횟수를 나타내는 것으로, 상기 학습가능횟수는 판매자 등급에 의하여 결정될 수 있다. 상기 기준기간은 상기 딥러닝 모델 거래중개서버에서 미리 결정될 수 있다. 상기 판매자 등급은 상기 딥러닝 솔루션 플랫폼에 의해서 판매자 단말이 딥러닝 모델 거래중개서버를 이용하여 처방 분석 모델을 판매한 횟수, 판매자 단말이 딥러닝 모델 거래중개서버를 이용하여 처방 분석 모델의 총 판매금액 및 전체기간 동안 판매자 단말이 딥러닝 솔루션 플랫폼을 이용하여 딥러닝 모델을 학습시킨 총 횟수에 기초하여 결정될 수 있다.
마지막으로, 구매자 단말로부터 구매자의 모델선택신호를 수신하고, 구매자의 모델선택신호에 대응되는 판매자 단말로 모델선택신호를 전송하는 단계(S300)가 수행될 수 있다.
일 개시에 따른 딥러닝 모델 거래 중개 방법은 상기 S300의 모델선택신호를 전송함에 따라 매매 계약이 체결되고 상기 매매 계약의 체결에 따른 거래 비용이 정산되는 단계를 더 포함할 수 있다. 다만, 이는 본 발명에서 핵심적으로 보호받고자 하는 사항이 아니므로 이하에서는 생략한다.
일 개시에 따른 사용자 단말은 판매자 단말 및 구매자 단말을 포함할 수 있다. 또한, 이하에서 사용자는 판매자 또는 구매자를 지칭할 수 있다.
일 개시에 따르면, 사용자 단말은 다양한 종류의 어플리케이션들을 실행할 수 있으며, 실행 중인 어플리케이션을 시각이나 청각 등으로 표시하여 사용자에게 제공할 수 있다. 사용자 단말은 어플리케이션을 시각적으로 표시하기 위한 디스플레이모듈을 포함할 수 있으며, 사용자의 입력을 받는 입력모듈, 통신모듈, 적어도 하나의 프로그램이 저장된 저장모듈 및 제어모듈을 포함할 수 있다.
일 개시에 따른 사용자 단말은 스마트폰, 태블릿 PC 등의 이동 단말기일 수 있으며, 실시 예에 따라서는 데스크탑 등의 고정형 장치도 포함될 수 있다. 여기서, 사용자 단말에는 휴대폰, 스마트폰(smart phone), 노트북(laptop computer), 태블릿 PC(tablet PC), 웨어러블 디바이스(wearable device, 예를 들어, 시계형 단말기(smart watch), 안경형 단말기(smart glass)) 등이 포함될 수 있다.
일 개시에 따른 사용자 단말은 앱 스토어(app store) 또는 플레이 스토어(play store) 등에 접속하여 다양한 어플리케이션들을 다운로드받아 설치할 수 있다. 여기서, 어플리케이션은 온라인에서 제공되는 게임이나 뉴스, 사진, 동영상 등의 컨텐츠를 출력하는 웹 브라우저(web browser) 어플리케이션이나, 각각의 컨텐츠 제공을 위한 전용 어플리케이션일 수 있다.
일 개시에 따른 사용자 단말은 통신 네트워크를 통하여 딥러닝 모델 거래중개서버와 연결될 수 있다. 여기서, 통신 네트워크는 유선 네트워크 및 무선 네트워크를 포함할 수 있다. 보다 상세하게는, 상기 통신 네트워크는 근거리 네트워크(Local Area Network, LAN), 도시권 네트워크(Metropolitan Area Network, MAN), 광역 네트워크(Wide Area Network, WAN) 등 다양한 네트워크를 포함할 수 있다. 또한, 통신 네트워크는 공지의 월드와이드웹(World Wide Web, WWW)을 포함할 수도 있다. 다만, 본 발명에 따른 통신 네트워크는 상기 열거된 네트워크에 국한되지 않으며, 공지의 무선 데이터 네트워크, 공지의 전화 네트워크, 공지의 유선 또는 무선 텔레비전 네트워크 등을 포함할 수 있다. 즉, 상기 통신 네트워크는 사용자 단말과 딥러닝 플랫폼 제공장치와의 연결을 위한 어떠한 네트워크 방식도 적용될 수 있다.
일 개시에 따른 딥러닝 모델 거래중개서버는 어플리케이션을 통하여 사용자 단말과 연결될 수 있으며, 사용자 단말의 요청에 대응하여 딥러닝 모델의 거래와 관련된 다양한 정보들을 제공할 수 있다.
일 개시에 따른 딥러닝 모델 거래중개서버의 프로세서는 구매자 단말로부터 구매자에 의해 요구되는 딥러닝 모델에 관한 상기 구매자의 구매정보를 수집할 수 있고, 구매자의 구매정보에 대응되는 딥러닝 모델을 판매하는 적어도 하나의 판매자 단말의 판매정보를 검색하고, 구매자의 요구정보에 대응하는 딥러닝 모델의 판매정보를 상기 구매자 단말로 전송할 수 있으며, 구매자 단말로부터 구매자의 모델선택신호를 수신하고, 구매자의 모델선택신호에 대응되는 판매자 단말로 모델선택신호를 전송할 수 있다.
일 개시에 따른 딥러닝 플랫폼 제공장치는 하나 이상의 인스트럭션을 저장하는 메모리 및 메모리에 저장된 하나 이상의 인스트럭션을 실행하는 프로세서를 포함할 수 있다.
일 개시에 의하여 프로세서는, 예를 들면, 소프트웨어(예: 프로그램)를 구동하여 프로세서에 연결된 딥러닝 플랫폼 제공장치의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 프로세서는 다른 구성요소로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 일 실시 예에 따르면, 프로세서는 메인 프로세서(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 운영되고, 추가적으로 또는 대체적으로, 메인 프로세서보다 저전력을 사용하거나, 또는 지정된 기능에 특화된 보조 프로세서(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 여기서, 보조 프로세서는 메인 프로세서와 별개로 또는 임베디드되어 운영될 수 있다.
일 개시에 의하여, 메모리는 프로세서의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 본 발명의 장치로 입력되거나 또는 장치에서 출력되는 데이터를 저장할 수도 있다. 메모리에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 여기서, 복수 개의 모듈들은 하드웨어가 아닌 소프트웨어로서, 기능적으로 동작하는 모듈이다. 일 개시에 의한, 메모리에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 여기서, 복수 개의 모듈들은 하드웨어가 아닌 소프트웨어로서, 기능적으로 동작하는 모듈을 의미할 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공될 수 있다.
즉, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다. 즉, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (1)

  1. 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법에 있어서,
    구매자 단말로부터 구매자에 의해 요구되는 딥러닝 모델에 관한 상기 구매자의 구매정보를 수집하는 단계;
    상기 구매자의 구매정보에 대응되는 딥러닝 모델을 판매하는 적어도 하나의 판매자 단말의 판매정보를 검색하고, 상기 구매자의 요구정보에 대응하는 딥러닝 모델의 판매정보를 상기 구매자 단말로 전송하는 단계;및
    상기 구매자 단말로부터 상기 구매자의 모델선택신호를 수신하고, 상기 구매자의 모델선택신호에 대응되는 판매자 단말로 상기 모델선택신호를 전송하는 단계;를 포함하는,
    딥러닝 모델 거래 중개 방법.
PCT/KR2021/001355 2020-10-29 2021-02-02 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 WO2022092447A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200141670A KR102284440B1 (ko) 2020-10-29 2020-10-29 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
KR10-2020-0141670 2020-10-29

Publications (1)

Publication Number Publication Date
WO2022092447A1 true WO2022092447A1 (ko) 2022-05-05

Family

ID=77315631

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/001355 WO2022092447A1 (ko) 2020-10-29 2021-02-02 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법

Country Status (2)

Country Link
KR (1) KR102284440B1 (ko)
WO (1) WO2022092447A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102398757B1 (ko) * 2021-08-18 2022-05-16 홍태균 공공 빅데이터 정보를 수집 및 분류하여 사용자 맞춤 정책 정보를 제공하는 플랫폼 서비스 제공 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160131335A (ko) * 2015-05-06 2016-11-16 연세대학교 원주산학협력단 구매상황과 판매상황을 고려한 구매자 중심 전자상거래 방법 및 시스템
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
KR20190063594A (ko) * 2017-11-30 2019-06-10 신권근 머신러닝 딥러닝 방식의 판매자 구매자 요구사항 분석, 협상 결과보고 시스템
KR20200014510A (ko) * 2018-08-01 2020-02-11 삼성에스디에스 주식회사 기계 학습 기반의 예측 서비스 제공 방법 및 그 장치
KR102131799B1 (ko) * 2013-05-09 2020-07-08 에스케이플래닛 주식회사 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180066688A (ko) 2016-12-09 2018-06-19 인하대학교 산학협력단 딥러닝 및 능동준지도학습을 이용한 디지털 사회 보호막 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102131799B1 (ko) * 2013-05-09 2020-07-08 에스케이플래닛 주식회사 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치
KR20160131335A (ko) * 2015-05-06 2016-11-16 연세대학교 원주산학협력단 구매상황과 판매상황을 고려한 구매자 중심 전자상거래 방법 및 시스템
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천
KR20190063594A (ko) * 2017-11-30 2019-06-10 신권근 머신러닝 딥러닝 방식의 판매자 구매자 요구사항 분석, 협상 결과보고 시스템
KR20200014510A (ko) * 2018-08-01 2020-02-11 삼성에스디에스 주식회사 기계 학습 기반의 예측 서비스 제공 방법 및 그 장치

Also Published As

Publication number Publication date
KR102284440B1 (ko) 2021-08-02

Similar Documents

Publication Publication Date Title
Ciaburro et al. Neural Networks with R: Smart models using CNN, RNN, deep learning, and artificial intelligence principles
CN112256886B (zh) 图谱中的概率计算方法、装置、计算机设备及存储介质
CN107220217A (zh) 基于逻辑回归的特征系数训练方法和装置
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
CN106663037A (zh) 特征处理权衡管理
CN111563158B (zh) 文本排序方法、排序装置、服务器和计算机可读存储介质
CN108804564A (zh) 金融产品的组合推荐方法及终端设备
CN115547466B (zh) 基于大数据的医疗机构登记评审系统及其方法
CN113948157B (zh) 化学反应分类方法、装置、电子设备及存储介质
Zhu et al. Learning from interpretable analysis: Attention-based knowledge tracing
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN115510188A (zh) 文本关键词关联方法、装置、设备及存储介质
WO2022092447A1 (ko) 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
CN114912030A (zh) 权益模型训练方法、推荐方法及电子终端和计算机介质
US20240184598A1 (en) Real-time event status via an enhanced graphical user interface
KR102311107B1 (ko) 딥러닝 모델을 자동으로 생성하는 딥러닝 솔루션 플랫폼과 연동 가능한 고객 이탈 방지 시스템에 의해서 수행되는, 고객의 이탈을 방지하기 위한 솔루션을 제공하는 고객 이탈 방지 방법
CN117216393A (zh) 信息推荐方法、信息推荐模型的训练方法及装置、设备
US11532174B2 (en) Product baseline information extraction
CN117312979A (zh) 对象分类方法、分类模型训练方法及电子设备
CN116701935A (zh) 敏感度预测模型训练方法、敏感信息处理方法及装置
CN116861913A (zh) 基于gpt大模型的立场检测方法及相关设备
WO2022092448A1 (ko) 딥러닝 솔루션 플랫폼을 제공하는 딥러닝 플랫폼 제공장치에 의해서 수행되는 딥러닝 솔루션 제공 방법
CN113010687B (zh) 一种习题标签预测方法、装置、存储介质以及计算机设备
CN113496236B (zh) 用户标签信息确定方法、装置、设备和存储介质
JP2022082525A (ja) 機械学習基盤情報の提供方法および装置

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: 21886448

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: 21886448

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 18/09/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21886448

Country of ref document: EP

Kind code of ref document: A1