WO2022145611A1 - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
WO2022145611A1
WO2022145611A1 PCT/KR2021/009676 KR2021009676W WO2022145611A1 WO 2022145611 A1 WO2022145611 A1 WO 2022145611A1 KR 2021009676 W KR2021009676 W KR 2021009676W WO 2022145611 A1 WO2022145611 A1 WO 2022145611A1
Authority
WO
WIPO (PCT)
Prior art keywords
token
input
output
tokens
neural network
Prior art date
Application number
PCT/KR2021/009676
Other languages
English (en)
French (fr)
Inventor
한효정
인두르티사티쉬
이범석
자이디모드아바스
쿠마르니킬
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US17/432,446 priority Critical patent/US11886817B2/en
Publication of WO2022145611A1 publication Critical patent/WO2022145611A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the present disclosure relates to an electronic device and a method for controlling the same, and more particularly, to an electronic device for obtaining an output sentence by performing machine translation on an input sentence, and a control method thereof.
  • An artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike the existing rule-based smart system, the machine learns, judges, and becomes smarter by itself. The more the AI system is used, the better the recognition rate and the more accurate understanding of user preferences, and the existing rule-based smart systems are gradually being replaced by deep learning-based AI systems.
  • NMT Neural Machine Translation
  • streaming NMT there are a read operation that loads an input token into memory and a write operation that generates an output token by translating the loaded input token.
  • the translation speed may be determined.
  • One technical problem to be solved by the present invention is to provide a machine translation model capable of maximizing translation accuracy and minimizing translation speed.
  • a method of controlling an electronic device comprising: obtaining an input sentence of a first language including a plurality of input tokens; obtaining at least one first input token identified by a first time point among the plurality of input tokens and at least one first output token generated by translating the at least one first input token; The at least one first input token and the at least one first output token are input to a trained first neural network model, and at least one second input other than the at least one first input token among the plurality of input tokens is input.
  • the control method may further include: when the second operation and the second number are identified, updating the parameters of the trained second neural network model to generate an output token by translating an input token based on the second number. and obtaining the output sentences may include inputting the at least one first input token into the second neural network model to obtain the second number of output tokens.
  • the control method may further include: when the first operation and the first number are identified, identifying and storing the first number of second input tokens among the at least one second input tokens.
  • the first neural network model comprises: a behavior decision model trained to identify one of the first action and the second action based on the at least one first input token and the at least one first output token; and a token number determination model trained to obtain the number of tokens based on one first input token and the at least one first output token.
  • the token number determination model may include a first model trained to output the number of tokens corresponding to the first operation and a second model trained to output the number of tokens corresponding to the second operation.
  • the control method may include: acquiring label data based on the at least one first input token and the at least one first output token; and updating the first neural network model so that a difference between the output value of the first neural network model and the label data is smaller than a preset value.
  • the obtaining of the label data may include obtaining the label data based on an output value obtained by inputting the at least one first input token and the at least one first output token into a pre-stored neural network model.
  • an electronic device includes: an input unit including an input circuit and configured to obtain an input sentence of a first language including a plurality of input tokens; a memory storing at least one instruction; and a processor, wherein the processor includes at least one first input token identified up to a first time point among the plurality of input tokens and at least one first output generated by translating the at least one first input token control the electronic device to obtain a token, and input the at least one first input token and the at least one first output token to a trained first neural network model, so that the at least one second After the first time of the first operation of identifying at least one second input token excluding the first input token and the second operation of generating at least one second output token based on the at least one first input token Identifies an operation to be performed at the second time point, obtains the number of tokens corresponding to the identified operation, and performs translation on the input sentence based on the identified operation and the obtained number of tokens to perform the second An electronic device for
  • the processor updates a parameter of a trained second neural network model to generate an output token by translating an input token based on the second number, and the at least one The electronic device may be controlled to obtain the second number of output tokens by inputting a first input token to the second neural network model.
  • the processor may identify and store the first number of second input tokens among the at least one second input token in the memory.
  • the processor controls the electronic device to obtain label data based on the at least one first input token and the at least one first output token, and the difference between the output value of the first neural network model and the label data is
  • the first neural network model may be updated to be smaller than a preset value.
  • the processor may control the electronic device to acquire the label data based on an output value obtained by inputting the at least one first input token and the at least one first output token into a previously stored neural network model.
  • the electronic device may generate and output translated sentences while maximizing translation performance and translation speed. Accordingly, the user's satisfaction and convenience may be improved.
  • 1 is a diagram for explaining a conventional translation model.
  • FIG. 2 is a diagram for explaining another conventional translation model.
  • FIG 3 is a diagram for explaining a translation model according to an embodiment of the present disclosure.
  • 4A is a diagram for explaining a decision making method of a translation model according to an embodiment of the present disclosure.
  • 4B is a diagram for explaining a decision making method of a translation model according to another embodiment of the present disclosure.
  • 5A is a diagram for explaining a read operation according to an embodiment of the present disclosure.
  • 5B is a diagram for describing a write operation according to an embodiment of the present disclosure.
  • 6A is a diagram for explaining a method of learning a first neural network model according to an embodiment of the present disclosure.
  • 6B is a diagram for explaining a method of acquiring learning data according to an embodiment of the present disclosure.
  • FIG. 7 is a block diagram illustrating a configuration of an electronic device according to an embodiment of the present disclosure.
  • FIG. 8 is a flowchart illustrating a control method of an electronic device according to an embodiment of the present disclosure.
  • Embodiments of the present disclosure may be subjected to various transformations and may have various embodiments, and specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the scope of the specific embodiments, and it should be understood to include all transformations, equivalents and substitutions included in the spirit and scope of the disclosure. In describing the embodiments, if it is determined that a detailed description of a related known technology may obscure the subject matter, the detailed description thereof will be omitted.
  • a conventional simultaneous machine translation model called the so-called wait-k model 10 performs decision making based on a predetermined value k.
  • decision-making refers to an operation of determining which operation to perform among a read operation and a write operation.
  • the wait-k model 10 performed a read operation by a predetermined value and sequentially performed a write operation by a predetermined value. For example, when k is 1, as shown in FIG. 1 , the wait-k model 10 reads the first input token (x1) and generates a first output token (y1), and the second input token (x2) was read and a second output token (y2) was generated.
  • the Wait-k model 10 since the Wait-k model 10 performs decision making based on a predetermined value, it has an advantage that the processing time (or overhead) for decision making is relatively small. However, since the wait-k model 10 generates an output token based on a set rule without considering the input token and the previously output token, the translation performance is somewhat low. For example, in FIG. 1 , if the second output token y2 is generated based on only the first input token x1 and the second input token x2, it may be translated into a somewhat inaccurate token.
  • MILK model a machine translation model
  • MILK model 20 determines whether to perform a read operation or a write operation by making a decision whenever a new input token is obtained.
  • the MILK model 20 makes decisions based on the information on the input tokens identified so far and the generated output tokens, so unlike the wait-k model 10, it is possible to adaptively make decisions. have. For example, as shown in FIG. 2 , the MILK model 20 reads the first input token (x1) and does not immediately write the first output token (y1) after reading the first input token (x1).
  • the second input token x2 may be additionally read and the first output token y1 may be written.
  • the MILK model (20) writes the first output token (y1) after reading up to the second input token (x2), so the translation performance is better than that of the wait-k (10) model.
  • the MILK model 20 makes decisions every time a new input token is obtained, and makes decisions based on various information (eg, information about input tokens identified so far and generated output tokens). Compared to the wait-k model (10), it has a disadvantage in that the translation time is large.
  • the MILK model 20 is an autoregressive Translation Model, and when a read operation or a write operation is performed, only one token can be read or written at one time step, and only one token can be read or written. It has a disadvantage in that the overall translation time is large because decision-making is performed again when the operation is completed. For example, referring to FIG.
  • the MILK model 20 is a second output token (y2), a third output token (y3), a fourth output token (y4), and a fifth output token (y5) in one time step. cannot be created at the same time, and when one token is created, the next output token can be generated only after making another decision.
  • the translation model according to the present disclosure compensates for the above-described disadvantages of the conventional translation model, and has superior translation accuracy compared to the wait-k model 10 , and may have a faster translation speed than the MILK model 20 .
  • a translation model according to the present disclosure will be described.
  • the translation model 30 may acquire the number of tokens corresponding to the determined operation as well as determine which operation to perform among a read operation and a write operation when making a decision.
  • the number of tokens corresponding to the determined operation means the number of input tokens to be identified (or to be read) at the current time.
  • the number of tokens corresponding to the determined operation means the number of output tokens to be generated at the current time.
  • the translation model 30 may generate the first output token y1 and perform decision making to identify a read operation and obtain the number of tokens (eg, 3) corresponding to the read operation.
  • the translation model 30 may identify a third input token (x3), a fourth input token (x4), and a fifth input token (x5).
  • the translation model 30 does not need to make additional decisions. That is, unlike the MILK model 20 , after reading the third input token x3 , the fourth input token x4 can be read directly without making a decision.
  • the translation model 30 may read the fifth input token (x5) and then make a decision to identify a write operation and obtain the number of tokens (eg, 4) corresponding to the write operation. At this time, the translation model 30 is based on the first input token to the fifth input token (x1 to x5), the second output token (y2), the third output token (y3), the fourth output token (y4) and A fifth output token y5 may be generated. In this process, the translation model 30 may generate four output tokens in one time step without additional decision making. Unlike the MILK model 20, the translation model 30 may generate several output tokens in one time step.
  • the translation model 30 may acquire not only the operation to be performed at the current time point, but also the number of tokens corresponding to the operation to be performed through decision-making. Accordingly, the translation model 30 has an advantage in that the translation speed is high because the frequency of decision making is low compared to the conventional translation model. Hereinafter, how the translation model 30 performs decision making will be described.
  • the translation model 30 may make a decision using the first neural network model 40 .
  • the translation model 30 is at the current time ( ) by inputting the identified (or read) input token and the generated output token into the first neural network model 40 until the current time ( ) to obtain the operation to be performed and the number of tokens corresponding to the operation to be performed.
  • the first neural network model 40 may include a behavior determination model 41 (eg, including various processing circuits and/or executable program elements) and a token number determination model 42 .
  • the action decision model 41 is the current time ( ) can be learned to output an action to be performed.
  • the action decision model 41 is the current time ( ) may be learned to output a value corresponding to at least one of a read operation and a write operation based on the identified input token and the generated output token.
  • the token number determination model 42 is ), it can be learned to output the number of tokens based on the identified input token and the generated output token.
  • the translation model 30 is based on the output value of the action decision model 41 at the current time point ( ) to identify the operation to be performed, and the number of tokens may be obtained based on the output value of the token number determination model 42 .
  • the token number determination model 42 may include a first model trained to output the number of tokens corresponding to a read operation and a second model trained to output the number of tokens corresponding to a write operation.
  • the translation model 30 identifies a model corresponding to the identified motion based on the output value of the motion determination model 41, and obtains the output value of the identified model as the number of tokens corresponding to the identified motion. have.
  • the operation determination model 41 and the token number determination model 42 each exist, but this is only an example, and the operation determination model 41 and the token number determination model 42 are one can be integrated into the model of
  • the first neural network model 40 may output the number of tokens for each operation. Specifically, when the first neural network model 40 outputs (3, 0), the translation model 30 displays the current time point ( ) can read 3 input tokens.
  • the translation model 30 may perform an operation based on the decision-making result.
  • 5A is a diagram for explaining a read operation according to an embodiment of the present disclosure.
  • the translation model 30 is at the current time ( ), the first input token (x1) and the second input token (x2) may be identified and loaded into the memory.
  • the translation model 30 may identify a read operation using the first neural network model 40 and obtain the number of tokens (ie, 3).
  • the translation model 30 uses three unidentified input tokens among the tokens included in the input sentence, that is, a third input token (x3), a fourth input token (x4), and a fifth input token (x5). It can be identified and loaded into memory.
  • Translation model 30 may generate output tokens using second neural network model 50 (eg, including various processing circuitry and/or executable program elements). For example, the translation model 30 displays the second neural network model 50 at the current time point ( ) can be obtained by inputting the identified input tokens (x1, x2, x3, x4, x5) to obtain the output tokens (y2, y3, y4, y5).
  • the second neural network model 50 may include a parameter for the number of output tokens.
  • the translation model 30 may set or update a parameter for the number of tokens based on the number of tokens (eg, 4) obtained based on the first neural network model 40 .
  • the output value of the first neural network model 40 may be reflected in the second neural network model 50 in various ways, and the second neural network model 50 is the number of tokens that are output values of the first neural network model 40 . As many output tokens can be output. As an example, the number of tokens output by the first neural network model 40 may be input to the second neural network model 50 . That is, the translation model 30 is the current time ( ) by inputting the number of tokens output by the first neural network model 40 together with the identified input tokens (x1, x2, x3, x4, x5) to the second neural network model 50, the number of input tokens You can acquire as many output tokens as possible.
  • the first neural network model 40 can output only information about the operation to be performed at the current point in time.
  • the number of tokens may be calculated inside the second neural network model 50, and the second neural network model 50 is based on the calculated number of tokens, input tokens identified up to the current point in time, and generated output tokens. It is possible to output as many output tokens as the number of calculated tokens.
  • the second neural network model 50 may be integrated with the first neural network model 40 to be implemented as one model.
  • the second neural network model 50 may include the first neural network model 40 .
  • the second neural network model 50 receives the input tokens identified up to the current time point and the generated output tokens as inputs, calculates the operation to be performed at the current time point and the number of tokens, and outputs tokens equal to the calculated number of tokens can be printed out.
  • the second neural network model 50 may include an encoder and a decoder.
  • Each of the encoder and decoder may include an attention layer and a Feed-Forward Network (FNN). Since the second neural network model 50 may be implemented by applying a conventional neural network machine translation technique, a detailed configuration thereof will be omitted.
  • FNN Feed-Forward Network
  • the translation model 30 according to the present disclosure may be implemented as a so-called Non-Autoregressive Translation Model.
  • the translation model 30 may generate several output tokens in one time step.
  • the autoregressive translation model can generate only one output token in one time step. Accordingly, the translation processing time of the translation model 30 according to the present disclosure may be smaller than that of an existing autoregressive translation model (eg, the MILK model 20 ).
  • the first neural network model 40 may be trained to output an operation to be performed at a second time point after the first time point based on the input token identified up to the first time point and the generated output token, and the number of tokens corresponding to the operation have.
  • the weights included in the first neural network model 40 may be updated so that the difference between the output value 61 of the first neural network model 40 and the label 62 is smaller than a preset value.
  • the label 62 may be obtained in various ways.
  • a label corresponding to a read operation ( ) is obtained based on [Equation 1] below, and the label ( ) can be obtained based on [Equation 2] below.
  • j denotes a time step for an input token
  • i denotes a time step for an output token.
  • an expected value of the probability of generating an output token at a specific point in time denotes an expected value of the probability of generating an output token at a specific point in time, and can be calculated based on the input token and the output token.
  • the input token and the output token may be expressed in a matrix form, and the input token and the output token correspond to the positions of the respective input tokens and output tokens. can be calculated.
  • a label corresponding to each of the read operation and the write operation may be obtained based on a pre-trained translation model. For example, referring back to FIG. 2 , a label may be obtained based on paths for a read operation and a write operation performed by the MILK model 20 . Specifically, based on the information in which the third input token (x3), the fourth input token (x4), and the fifth input token (x5) are successively identified, the label (that is, ) can be obtained.
  • Electronic device 700 includes input 710 (eg, including input circuitry), communication interface 720 , output 730 , memory 740 , and processor 750 (eg, including processing circuitry).
  • input 710 eg, including input circuitry
  • communication interface 720 e.g., communication interface 720
  • output 730 e.g., communication interface 720
  • memory 740 e.g., volatile and non-volatile memory
  • processor 750 eg, including processing circuitry
  • the electronic device 700 may be a smart phone, but is not limited thereto, and may be implemented as various devices including a tablet PC and a wearable device.
  • the input unit 710 may include various input circuits, and may include a configuration in which a user inputs data for controlling the electronic device 700 .
  • the input unit 710 may obtain an input of a user inputting a sentence to be translated.
  • the input unit 710 includes various input circuits, a key pad, a dome switch, and a touch pad (contact capacitive method, pressure resistance film method, infrared sensing method, surface ultrasonic conduction method). , integral tension measurement method, piezo effect method, etc.), a jog wheel, a jog switch, etc., but is not limited thereto.
  • the processor 750 may obtain a text corresponding to at least one sentence input by the user through the input unit 710 .
  • the input unit 710 may include various input circuits, for example, a microphone.
  • the processor 750 may acquire the user's voice signal acquired through the input unit 710 and acquire a text corresponding to the voice signal.
  • the communication interface 720 includes at least one circuit and may communicate with various types of external devices according to various types of communication methods.
  • the communication interface 720 may perform data communication wirelessly or by wire.
  • the communication interface 720 is a Wi-Fi communication module, a cellular communication module, a 3G (3rd generation) mobile communication module, a 4G (4th generation) mobile communication module, a 4th generation LTE (Long) It may include at least one of a Term Evolution) communication module and a 5G (5th generation) mobile communication module.
  • the communication interface 720 may be implemented as a wireless communication module, but this is only an embodiment and may be implemented as a wired communication module (eg, LAN, etc.) .
  • the output unit 730 may include various output circuits, and may include a configuration for outputting the translated sentence obtained through the electronic device 700 and providing it to the user.
  • the output unit 730 may include a display and a speaker.
  • the output unit 730 may display a translated sentence (or an output sentence).
  • the output unit 730 may output a voice signal corresponding to the translated sentence.
  • the memory 740 may store an operating system (OS) for controlling overall operations of the components of the electronic device 700 and commands or data related to the components of the electronic device 700 .
  • OS operating system
  • the memory 740 may be implemented as a non-volatile memory (eg, a hard disk, a solid state drive (SSD), a flash memory), a volatile memory, or the like.
  • the memory 740 may store a translation model for translating the input sentence.
  • the processor 750 may include various processing circuits and may control the overall operation of the electronic device 700 .
  • the processor 750 may obtain an input sentence of the first language including a plurality of input tokens.
  • the processor 750 may obtain at least one first output token generated by translating at least one first input token identified up to a first time point among a plurality of input tokens and at least one first input token.
  • the processor 750 inputs the at least one first input token and the at least one first output token to the trained first neural network model, and performs the first operation and the second operation at a second time point after the first time point.
  • An operation to be performed may be identified and the number of tokens corresponding to the identified operation may be acquired.
  • the first operation (or read operation) refers to an operation of identifying at least one second input token excluding at least one first input token among a plurality of input tokens.
  • the second operation (or write operation) refers to an operation of generating at least one second output token based on at least one first input token.
  • the processor 750 may obtain an output sentence in a second language different from the first language by performing translation on the input sentence based on the identified operation and the number of acquired tokens.
  • the processor 750 may identify the first number of second input tokens among the at least one second input token and store it in the memory 750 .
  • the processor 750 may update the parameter of the trained second neural network model to generate an output token by translating the input token based on the second number.
  • the processor 750 may obtain a second number of output tokens by inputting at least one first input token to the second neural network model.
  • the first neural network model may include a motion determination model trained to identify one of a first action and the second action based on at least one first input token and at least one first output token.
  • the first neural network model may include a token number determination model trained to obtain the number of tokens based on at least one first input token and at least one first output token.
  • the token number determination model may include a first model trained to output the number of tokens corresponding to the first operation and a second model trained to output the number of tokens corresponding to the second operation.
  • the processor 750 may acquire label data based on at least one first input token and at least one first output token.
  • the processor 750 may update the first neural network model so that a difference between the output value of the first neural network model and the label data is smaller than a preset value.
  • the processor 750 may obtain label data based on an output value obtained by inputting at least one first input token and at least one first output token into a pre-stored neural network model.
  • the processor 750 may include one or a plurality of processors.
  • one or more processors may be a general-purpose processor such as a CPU, an AP, a digital signal processor (DSP), or the like, a graphics-only processor such as a GPU, a VPU (Vision Processing Unit), or an artificial intelligence-only processor such as an NPU.
  • One or more processors control to process input data according to a predefined operation rule or artificial intelligence model stored in the memory 740 .
  • the AI-only processor may be designed with a hardware structure specialized for processing a specific AI model.
  • a predefined action rule or artificial intelligence model is characterized in that it is created through learning.
  • being made through learning means that a basic artificial intelligence model is learned using a plurality of learning data by a learning algorithm, so that a predefined action rule or artificial intelligence model set to perform a desired characteristic (or purpose) is created means burden.
  • Such learning may be performed in the device itself on which artificial intelligence according to the present disclosure is performed, or may be performed through a separate server and/or system.
  • Examples of the learning algorithm include, but are not limited to, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning.
  • the artificial intelligence model may be composed of a plurality of neural network layers.
  • Each of the plurality of neural network layers has a plurality of weight values, and a neural network operation is performed through an operation between the operation result of a previous layer and the plurality of weights.
  • the plurality of weights of the plurality of neural network layers may be optimized by the learning result of the artificial intelligence model. For example, a plurality of weights may be updated so that a loss value or a cost value obtained from the artificial intelligence model during the learning process is reduced or minimized.
  • the electronic device 700 may obtain an output sentence by performing machine translation on the input sentence.
  • the electronic device 700 may receive a voice signal, which is an analog signal, through a microphone, and convert the voice part into computer-readable text using an Automatic Speech Recognition (ASR) model.
  • ASR Automatic Speech Recognition
  • NLU natural language understanding
  • the ASR model or the NLU model may be an artificial intelligence model.
  • the AI model can be processed by an AI-only processor designed with a hardware structure specialized for processing the AI model. AI models can be created through learning.
  • Linguistic understanding is a technology that recognizes and applies/processes human language/character. Natural Language Processing, Machine Translation, Dialog System, Question Answering, and Speech Recognition /Speech Recognition/Synthesis, etc.
  • the artificial neural network may include a deep neural network (DNN), for example, a Convolutional Neural Network (CNN), a Deep Neural Network (DNN), a Recurrent Neural Network (RNN), a Generative Adversarial Network (GAN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), or Deep Q-Networks, but is not limited to the above example.
  • DNN deep neural network
  • CNN Convolutional Neural Network
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • GAN Generative Adversarial Network
  • RBM Restricted Boltzmann Machine
  • DBN Deep Belief Network
  • BDN Bidirectional Recurrent Deep Neural Network
  • Deep Q-Networks Deep Q-Networks
  • the electronic device 700 may obtain an input sentence of the first language including a plurality of input tokens (S810).
  • the electronic device 700 may obtain at least one first input token identified up to a first time point among a plurality of input tokens and at least one first output token generated by translating the at least one first input token ( 820).
  • at least one first input token and at least one first output token may be stored in the memory 740 .
  • the electronic device 700 inputs at least one first input token and at least one first output token to the learned first neural network model, and receives at least one second input token excluding at least one first input token among a plurality of input tokens. 2 Identifies an operation to be performed at a second time point after the first time point among the first operation of identifying the input token and the second operation of generating at least one second output token based on the at least one first input token,
  • the number of tokens corresponding to the identified operation may be acquired (S830). For example, when the first operation and the first number are identified, the electronic device 700 may identify the first number of second input tokens from among the at least one second input token and store it in the memory 750 . As another example, when the second operation and the second number are identified, the electronic device 700 may update the parameter of the trained second neural network model to generate an output token by translating the input token based on the second number. have.
  • the electronic device 700 may obtain an output sentence in a second language different from the first language by performing translation on the input sentence based on the identified operation and the number of acquired tokens (S840).
  • the electronic device 700 may obtain an output token by inputting at least one first input token to the second neural network model.
  • the electronic device 700 may obtain an output token by inputting the first input token and the second input token to the second neural network model. In this case, when the second number is identified, the electronic device 700 may acquire the second number of second output tokens.
  • the first neural network model may include a motion determination model trained to identify one of a first action and the second action based on at least one first input token and at least one first output token.
  • the first neural network model may include a token number determination model trained to obtain the number of tokens based on at least one first input token and at least one first output token.
  • the token number determination model may include a first model trained to output the number of tokens corresponding to the first operation and a second model trained to output the number of tokens corresponding to the second operation.
  • the electronic device 700 may acquire label data based on at least one first input token and at least one first output token. Also, the electronic device 700 may update the first neural network model so that the difference between the output value of the first neural network model and the label data is smaller than a preset value. Also, the electronic device 700 may obtain label data based on an output value obtained by inputting at least one first input token and at least one first output token into a pre-stored neural network model.
  • the various embodiments described above may be implemented in a recording medium readable by a computer or a similar device using software, hardware, or a combination thereof.
  • the embodiments described herein may be implemented by the processor itself.
  • embodiments such as procedures and functions described in this specification may be implemented as separate software modules. Each of the software modules may perform one or more functions and operations described herein.
  • computer instructions for performing the processing operation according to various embodiments of the present disclosure described above may be stored in a non-transitory computer-readable medium.
  • the processing operation according to the above-described various embodiments may be performed by a specific device.
  • the non-transitory computer-readable medium refers to a medium that stores data semi-permanently, not a medium that stores data for a short moment, such as a register, cache, memory, etc., and can be read by a device.
  • Specific examples of the non-transitory computer-readable medium may include a CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, and the like.
  • Non-transitory storage medium' only means that it is a tangible device and does not contain signals (eg, electromagnetic waves), and this term refers to cases in which data is semi-permanently stored on a storage medium and temporary storage. It does not distinguish between cases where
  • the 'non-transitory storage medium' may include a buffer in which data is temporarily stored.
  • the method according to various embodiments disclosed in this document may be included and provided in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly or online between smartphones (eg: smartphones).
  • a portion of the computer program product eg, a downloadable app
  • a machine-readable storage medium such as a memory of a manufacturer's server, a server of an application store, or a relay server. It may be temporarily stored or temporarily created.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

전자 장치가 개시된다. 전자 장치는, 입력부; 메모리; 및 프로세서;를 포함하고, 프로세서는, 복수의 입력 토큰 중 제1 시점까지 식별된 제1 입력 토큰과 제1 입력 토큰을 번역하여 생성된 제1 출력 토큰을 획득하고, 제1 입력 토큰 및 제1 출력 토큰을 학습된 제1 신경망 모델에 입력하여, 제2 입력 토큰을 식별하는 제1 동작 및 제2 출력 토큰을 생성하는 제2 동작 중 제1 시점의 이후인 제2 시점에서 수행할 동작을 식별하고 식별된 동작에 대응되는 토큰의 개수를 획득하고, 식별된 동작 및 획득된 토큰의 개수를 바탕으로 입력 문장에 대한 번역을 수행하여 제1 언어와 상이한 제2 언어의 출력 문장을 획득한다.

Description

전자 장치 및 그 제어 방법
본 개시는 전자 장치 및 그 제어 방법으로, 보다 상세하게는, 입력 문장에 대한 기계 번역을 수행하여 출력 문장을 획득하는 전자 장치 및 그 제어 방법에 관한 것이다.
본 출원은 2020년 12월 28일에 출원된 대한민국 특허출원 제10-2020-0184579호에 기초하여 우선권을 주장하며, 해당 출원의 모든 내용은 그 전체가 본 출원에 레퍼런스로 포함된다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
최근에는, 인공지능을 이용한 신경망 기계 번역(NMT: Neural Machine Translation)에 대한 연구가 활발히 진행되고 있다. 특히, 완성된 입력 문장에 대한 번역을 하는 것이 아닌 실시간으로 입력되는 단어(또는 토큰)를 번역하는 스트리밍 NMT 에 대한 연구가 활발히 진행되고 있다. 한편, 스트리밍 NMT에서는, 입력 토큰을 메모리로 로딩하는 읽기 동작과 로딩된 입력 토큰을 번역하여 출력 토큰을 생성하는 쓰기 동작이 있으며, 시점 별로 읽기 동작 및 쓰기 동작 중 어떤 동작을 수행하느냐에 따라 번역 성능이나 번역 속도가 결정될 수 있다.
따라서, 번역 성능 및 번역 속도를 향상시키기 위해서는, 읽기 동작 및 쓰기 동작 중 어떤 동작을 수행할 지를 결정하는 동작 즉, 의사 결정(decision making) 방법에 대한 기술의 필요성이 대두된다.
본 발명이 해결하고자 하는 일 기술적 과제는, 번역 정확도를 최대화하며 번역 속도를 최소화할 수 있는 기계 번역 모델을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 전자 장치의 제어 방법에 있어서, 복수의 입력 토큰을 포함하는 제1 언어의 입력 문장을 획득하는 단계; 상기 복수의 입력 토큰 중 제1 시점까지 식별된 적어도 하나의 제1 입력 토큰과 상기 적어도 하나의 제1 입력 토큰을 번역하여 생성된 적어도 하나의 제1 출력 토큰을 획득하는 단계; 상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 학습된 제1 신경망 모델에 입력하여, 상기 복수의 입력 토큰 중 상기 적어도 하나의 제1 입력 토큰을 제외한 적어도 하나의 제2 입력 토큰을 식별하는 제1 동작 및 상기 적어도 하나의 제1 입력 토큰을 바탕으로 적어도 하나의 제2 출력 토큰을 생성하는 제2 동작 중 상기 제1 시점의 이후인 제2 시점에서 수행할 동작을 식별하고 상기 식별된 동작에 대응되는 토큰의 개수를 획득하는 단계; 및 상기 식별된 동작 및 상기 획득된 토큰의 개수를 바탕으로 상기 입력 문장에 대한 번역을 수행하여 상기 제1 언어와 상이한 제2 언어의 출력 문장을 획득하는 단계;를 포함하는 제어 방법이 제공될 수 있다.
상기 제어 방법은, 상기 제2 동작 및 제2 개수가 식별된 경우, 상기 제2 개수를 바탕으로 입력 토큰을 번역하여 출력 토큰을 생성하도록 학습된 제2 신경망 모델의 파라미터를 업데이트하는 단계;를 더 포함하고, 상기 출력 문장을 획득하는 단계는, 상기 적어도 하나의 제1 입력 토큰을 상기 제2 신경망 모델에 입력하여 상기 제2 개수의 출력 토큰을 획득하는 단계를 포함할 수 있다.
상기 제어 방법은, 상기 제1 동작 및 제1 개수가 식별된 경우, 상기 적어도 하나의 제2 입력 토큰 중 상기 제1 개수의 제2 입력 토큰을 식별하여 저장하는 단계;를 더 포함할 수 있다.
상기 제1 신경망 모델은, 상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 상기 제1 동작 및 상기 제2 동작 중 하나를 식별하도록 학습된 동작 결정 모델, 및 상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 토큰의 개수를 획득하도록 학습된 토큰 개수 결정 모델을 포함할 수 있다.
상기 토큰 개수 결정 모델은, 상기 제1 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제1 모델 및 상기 제2 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제2 모델을 포함할 수 있다.
상기 제어 방법은, 상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 레이블 데이터를 획득하는 단계; 및 상기 제1 신경망 모델의 출력값과 상기 레이블 데이터의 차이가 기 설정된 값보다 작아지도록 상기 제1 신경망 모델을 업데이트하는 단계;를 더 포함할 수 있다.
상기 레이블 데이터를 획득하는 단계는, 상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 미리 저장된 신경망 모델에 입력하여 획득된 출력값을 바탕으로 상기 레이블 데이터를 획득할 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 다른 일 실시 예에 따르면, 전자 장치에 있어서, 입력 회로를 포함하고 복수의 입력 토큰을 포함하는 제1 언어의 입력 문장을 획득하기 위한 입력부; 적어도 하나의 인스트럭션을 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 복수의 입력 토큰 중 제1 시점까지 식별된 적어도 하나의 제1 입력 토큰과 상기 적어도 하나의 제1 입력 토큰을 번역하여 생성된 적어도 하나의 제1 출력 토큰을 획득하도록 상기 전자 장치를 제어하고, 상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 학습된 제1 신경망 모델에 입력하여, 상기 복수의 입력 토큰 중 상기 적어도 하나의 제1 입력 토큰을 제외한 적어도 하나의 제2 입력 토큰을 식별하는 제1 동작 및 상기 적어도 하나의 제1 입력 토큰을 바탕으로 적어도 하나의 제2 출력 토큰을 생성하는 제2 동작 중 상기 제1 시점의 이후인 제2 시점에서 수행할 동작을 식별하고 상기 식별된 동작에 대응되는 토큰의 개수를 획득하고, 상기 식별된 동작 및 상기 획득된 토큰의 개수를 바탕으로 상기 입력 문장에 대한 번역을 수행하여 상기 제1 언어와 상이한 제2 언어의 출력 문장을 획득하는 전자 장치가 제공될 수 있다.
상기 프로세서는, 상기 제2 동작 및 제2 개수가 식별된 경우, 상기 제2 개수를 바탕으로 입력 토큰을 번역하여 출력 토큰을 생성하도록 학습된 제2 신경망 모델의 파라미터를 업데이트하고, 상기 적어도 하나의 제1 입력 토큰을 상기 제2 신경망 모델에 입력하여 상기 제2 개수의 출력 토큰을 획득하도록 상기 전자 장치를 제어할 수 있다.
상기 프로세서는, 상기 제1 동작 및 제1 개수가 식별된 경우, 상기 적어도 하나의 제2 입력 토큰 중 상기 제1 개수의 제2 입력 토큰을 식별하여 상기 메모리에 저장할 수 있다.
상기 프로세서는, 상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 레이블 데이터를 획득하도록 상기 전자 장치를 제어하고, 상기 제1 신경망 모델의 출력값과 상기 레이블 데이터의 차이가 기 설정된 값보다 작아지도록 상기 제1 신경망 모델을 업데이트할 수 있다.
상기 프로세서는, 상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 미리 저장된 신경망 모델에 입력하여 획득된 출력값을 바탕으로 상기 레이블 데이터를 획득하도록 상기 전자 장치를 제어할 수 있다.
본 개시의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 번역 성능 및 번역 속도를 최대화하면서 번역된 문장을 생성 및 출력할 수 있다. 이에 따라, 사용자의 만족감 및 편의성이 향상될 수 있다.
그 외에 본 개시의 실시 예로 인하여 얻을 수 있거나 예측되는 효과에 대해서는 본 개시의 실시 예에 대한 상세한 설명에서 직접적 또는 암시적으로 개시하도록 한다. 예컨대, 본 개시의 실시 예에 따라 예측되는 다양한 효과에 대해서는 후술될 상세한 설명 내에서 개시될 것이다.
본 개시의 특정 실시 예에 따른 양상, 특징 및 이점은 첨부된 도면들을 참조하여 후술되는 설명을 통해 보다 명확해 질 것이다.
도 1은 종래의 번역 모델을 설명하기 위한 도면이다.
도 2는 다른 종래의 번역 모델을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시 예에 따른 번역 모델을 설명하기 위한 도면이다.
도 4a는 본 개시의 일 실시 예에 따른 번역 모델의 의사 결정 방법을 설명하기 위한 도면이다.
도 4b 본 개시의 다른 일 실시 예에 따른 번역 모델의 의사 결정 방법을 설명하기 위한 도면이다.
도 5a는 본 개시의 일 실시 예에 따른 읽기 동작을 설명하기 위한 도면이다.
도 5b는 본 개시의 일 실시 예에 따른 쓰기 동작을 설명하기 위한 도면이다.
도 6a는 본 개시의 일 실시 예에 따른 제1 신경망 모델의 학습 방법을 설명하기 위한 도면이다.
도 6b는 본 개시의 일 실시 예에 따른 학습 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도1 은 간단한 규칙을 기반으로 의사 결정을 수행하는 기존의 기계 번역 모델을 설명하기 위한 도면이다. 소위 wait-k 모델(10)이라 불리는 종래의 동시 기계 번역 모델(Simultaneous Machine Translation Model)은 미리 정해진 값(k)을 바탕으로 의사 결정을 수행하였다. 본 개시에서, 의사 결정은, 읽기(read) 동작 및 쓰기(write) 동작 중 어떤 동작을 수행할 지를 결정하는 동작을 의미한다. Wait-k 모델(10)은 미리 정해진 값만큼 읽기 동작을 수행하고 미리 정해진 값만큼 쓰기 동작을 순차적으로 수행하였다. 예를 들어, k가 1인 경우, 도 1에 도시된 바와 같이, wait-k 모델(10)은 제1 입력 토큰(x1)을 읽고 제1 출력 토큰(y1)을 생성하고, 제2 입력 토큰(x2)을 읽고 제2 출력 토큰(y2)을 생성하였다.
이와 같이 Wait-k 모델(10)은 미리 정해진 값을 바탕으로 의사 결정을 수행하므로, 의사 결정을 위한 처리 시간(또는, 오버헤드)이 상대적으로 작다는 장점을 갖는다. 그러나, wait-k 모델(10)은 입력된 토큰과 기출력된 토큰을 고려하지 않고 정해진 규칙에 기초하여 출력 토큰을 생성하므로, 번역 성능이 다소 낮다는 단점을 갖는다. 예로, 도 1에서, 제1 입력 토큰(x1) 및 제2 입력 토큰(x2)만을 바탕으로 제2 출력 토큰(y2)을 생성하게 되면 다소 부정확한 토큰으로 번역될 수 있다.
이러한 단점을 보완하기 위해, 소위 MILK(Monotonic Infinite Lookback)라 지칭되는 기계 번역 모델(이하, MILK 모델이라 함)이 개발되었다. 도 2는 MILK 모델을 설명하기 위한 도면이다. MILK 모델(20)은 새로운 입력 토큰이 획득될 때마다 의사 결정을 수행하여 읽기 동작 및 쓰기 동작 중 어떤 동작을 수행할 지를 결정한다. 이 때, MILK 모델(20)은 지금까지 식별된 입력 토큰 및 생성된 출력 토큰에 대한 정보를 바탕으로 의사 결정을 수행하므로 wait-k 모델(10)과는 다르게 적응적으로 의사 결정을 수행할 수 있다. 예를 들어, 도 2에 도시된 바와 같이, MILK 모델(20)은 제1 입력 토큰(x1)을 읽고 곧바로 제1 출력 토큰(y1)을 쓰는 것이 아니라, 제1 입력 토큰(x1)을 읽은 후 제2 입력 토큰(x2)을 추가로 읽고 제1 출력 토큰(y1)을 쓸 수 있다. MILK 모델(20)은 Wait-k 모델(10)과 달리 제2 입력 토큰(x2)까지 읽고 난 후 제1 출력 토큰(y1)을 쓰기 때문에, wait-k(10) 모델에 비해 번역 성능이 뛰어날 수 있다.
그러나, MILK 모델(20)은 새로운 입력 토큰이 획득될 때마다 의사 결정을 수행하고, 다양한 정보(예로, 지금까지 식별된 입력 토큰 및 생성된 출력 토큰에 대한 정보)를 바탕으로 의사 결정을 수행하므로 wait-k 모델(10)에 비해 번역 시간이 크다는 단점을 갖는다. 또한, MILK 모델(20)은 회귀적 번역 모델(Autoregressive Translation Model)로서, 읽기 동작 또는 쓰기 동작을 수행할 때, 하나의 타임 스텝(time step)에 하나의 토큰씩만 읽거나 쓸 수 있으며, 하나의 동작이 완료되면 다시 의사 결정을 수행하기 때문에 전체 번역 시간이 크다는 단점을 갖는다. 예로, 도 2를 참조하면, MILK 모델(20)은 하나의 타임 스텝에 제2 출력 토큰(y2), 제3 출력 토큰(y3), 제4 출력 토큰(y4) 및 제5 출력 토큰(y5)을 동시에 생성할 수 없으며, 하나의 토큰이 생성되면 또다시 의사 결정을 수행한 후에야 다음 출력 토큰을 생성할 수 있다.
본 개시에 따른 번역 모델은 상술한 종래의 번역 모델의 단점을 보완한 것으로 wait-k 모델(10)에 비해 번역 정확도가 우수하며, MILK 모델(20)에 비해 번역 속도가 빠를 수 있다. 이하 본 개시에 따른 번역 모델에 대해 설명하도록 한다.
도 3은 본 개시의 일 실시 예에 따른 번역 모델을 설명하기 위한 도면이다. 번역 모델(30)은 의사 결정 시, 읽기 동작 및 쓰기 동작 중 어떤 동작을 수행할 지를 결정하는 것뿐만 아니라, 결정된 동작에 대응되는 토큰의 개수를 획득할 수 있다. 여기서, 읽기 동작이 식별된 경우 결정된 동작에 대응되는 토큰의 개수는, 현재 시점에서 식별해야 할(또는 읽어야 할) 입력 토큰의 개수를 의미한다. 또한, 쓰기 동작이 식별된 경우 결정된 동작에 대응되는 토큰의 개수는, 현재 시점에서 생성해야 할 출력 토큰의 개수를 의미한다.
예를 들어, 번역 모델(30)은 제1 출력 토큰(y1)을 생성한 후 의사 결정을 수행하여 읽기 동작을 식별하고 읽기 동작에 대응되는 토큰의 개수(예로, 3)를 획득할 수 있다. 이 때, 번역 모델(30)은 제3 입력 토큰(x3), 제4 입력 토큰(x4) 및 제5 입력 토큰(x5)을 식별할 수 있다. 이 과정에서, 번역 모델(30)은 추가적인 의사 결정을 수행할 필요가 없다. 즉, MILK 모델(20)과 달리 제3 입력 토큰(x3)을 읽은 후 의사 결정 없이 곧바로 제4 입력 토큰(x4)을 읽을 수 있다.
또한, 번역 모델(30)은 제5 입력 토큰(x5)을 읽은 후 의사 결정을 수행하여 쓰기 동작을 식별하고 쓰기 동작에 대응되는 토큰의 개수(예로, 4)를 획득할 수 있다. 이 때, 번역 모델(30)은 제1 입력 토큰 내지 제5 입력 토큰(x1 내지 x5)을 바탕으로 제2 출력 토큰(y2), 제3 출력 토큰(y3), 제4 출력 토큰(y4) 및 제5 출력 토큰(y5)을 생성할 수 있다. 이 과정에서, 번역 모델(30)은 추가적인 의사 결정 없이 하나의 타임 스텝에서 4개의 출력 토큰을 생성할 수 있다. 번역 모델(30)은 MILK 모델(20) 모델과 달리 하나의 타임 스텝에 여러 개의 출력 토큰을 생성할 수 있다.
이와 같이, 번역 모델(30)은 의사 결정을 통해 현재 시점에서 수행할 동작뿐만 아니라 수행할 동작에 대응되는 토큰의 개수까지 획득할 수 있다. 따라서, 번역 모델(30)은 종래의 번역 모델에 비해 의사 결정의 빈도가 낮아 번역 속도가 빠르다는 이점을 갖는다. 이하에서는, 번역 모델(30)이 의사 결정을 수행하는 방법에 대해 설명하도록 한다.
도 4a 및 도 4b는 본 개시의 일 실시 예에 따른 번역 모델의 의사 결정 방법을 설명하기 위한 도면이다. 번역 모델(30)은 제1 신경망 모델(40)을 이용하여 의사 결정을 수행할 수 있다. 예를 들어, 번역 모델(30)은 현재 시점(
Figure PCTKR2021009676-appb-img-000001
) 전까지 식별된(또는 읽혀진) 입력 토큰과 생성된 출력 토큰을 제1 신경망 모델(40)에 입력하여 현재 시점(
Figure PCTKR2021009676-appb-img-000002
)에서 수행할 동작과 수행할 동작에 대응되는 토큰의 개수를 획득할 수 있다. 제1 신경망 모델(40)은 동작 결정 모델(41)(예로, 다양한 처리 회로 및/또는 실행 가능한 프로그램 요소를 포함함) 및 토큰 개수 결정 모델(42)을 포함할 수 있다. 동작 결정 모델(41)은 현재 시점(
Figure PCTKR2021009676-appb-img-000003
)에서 수행할 동작을 출력하도록 학습될 수 있다. 예를 들어, 동작 결정 모델(41)은 현재 시점(
Figure PCTKR2021009676-appb-img-000004
) 전까지 식별된 입력 토큰과 생성된 출력 토큰을 바탕으로 읽기 동작 및 쓰기 동작 중 적어도 하나에 대응되는 값을 출력하도록 학습될 수 있다.
또한, 토큰 개수 결정 모델(42)은 현재 시점(
Figure PCTKR2021009676-appb-img-000005
) 전까지 식별된 입력 토큰과 생성된 출력 토큰을 바탕으로 토큰의 개수를 출력하도록 학습될 수 있다. 번역 모델(30)은 동작 결정 모델(41)의 출력값을 바탕으로 현재 시점(
Figure PCTKR2021009676-appb-img-000006
)에서 수행할 동작을 식별하며, 토큰 개수 결정 모델(42)의 출력값을 바탕으로 토큰의 개수를 획득할 수 있다. 한편, 토큰 개수 결정 모델(42)은 읽기 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제1 모델과 쓰기 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제2 모델을 포함할 수 있다. 이 때, 번역 모델(30)은 동작 결정 모델(41)의 출력값을 바탕으로 식별된 동작에 대응되는 모델을 식별하고, 식별된 모델의 출력값을 식별된 동작에 대응되는 토큰의 개수로 획득할 수 있다.
한편, 도 4a에서는 동작 결정 모델(41) 및 토큰 개수 결정 모델(42)이 각각 존재하는 것으로 도시하였으나 이는 일 실시 예에 불과할 뿐, 동작 결정 모델(41) 및 토큰 개수 결정 모델(42)은 하나의 모델로 통합될 수 있다. 예로, 도 4b를 참조하면, 제1 신경망 모델(40)은 각 동작에 대한 토큰의 개수를 출력할 수 있다. 구체적으로, 제1 신경망 모델(40)이 (3, 0)을 출력한 경우, 번역 모델(30)은 현재 시점(
Figure PCTKR2021009676-appb-img-000007
)에서 3개의 입력 토큰을 읽을 수 있다.
이와 같이, 의사 결정이 완료되면, 번역 모델(30)은 의사 결정 결과를 바탕으로 동작을 수행할 수 있다. 도 5a는 본 개시의 일 실시 예에 따른 읽기 동작을 설명하기 위한 도면이다. 번역 모델(30)은 현재 시점(
Figure PCTKR2021009676-appb-img-000008
) 전까지 제1 입력 토큰(x1) 및 제2 입력 토큰(x2)을 식별하여 메모리에 로딩할 수 있다. 그리고, 번역 모델(30)은 제1 신경망 모델(40)을 이용하여 읽기 동작을 식별하고, 토큰의 개수(즉, 3)를 획득할 수 있다. 이 때, 번역 모델(30)은 입력 문장에 포함된 토큰 중 아직 식별되지 않은 3개의 입력 토큰 즉, 제3 입력 토큰(x3), 제4 입력 토큰(x4) 및 제5 입력 토큰(x5)을 식별하여 메모리에 로딩할 수 있다.
도 5b는 본 개시의 일 실시 예에 따른 쓰기 동작을 설명하기 위한 도면이다. 번역 모델(30)은 제2 신경망 모델(50)(예로, 다양한 처리 회로 및/또는 실행 가능한 프로그램 요소를 포함함)을 이용하여 출력 토큰을 생성할 수 있다. 예를 들어, 번역 모델(30)은 제2 신경망 모델(50)에 현재 시점(
Figure PCTKR2021009676-appb-img-000009
)까지 식별된 입력 토큰(x1, x2, x3, x4, x5)을 입력하여 출력 토큰(y2, y3, y4, y5)을 획득할 수 있다. 이 때, 제2 신경망 모델(50)은 출력 토큰의 개수에 대한 파라미터를 포함할 수 있다. 번역 모델(30)은 제1 신경망 모델(40)을 바탕으로 획득된 토큰의 개수(예로, 4)를 바탕으로 토큰의 개수에 대한 파라미터를 설정 또는 업데이트할 수 있다.
한편, 제1 신경망 모델(40)의 출력 값은 다양한 방법으로 제2 신경망 모델(50)에 반영될 수 있으며, 제2 신경망 모델(50)은 제1 신경망 모델(40)의 출력 값인 토큰의 개수만큼의 출력 토큰을 출력할 수 있다. 일 예로, 제1 신경망 모델(40)에 의해 출력된 토큰의 개수는 제2 신경망 모델(50)에 입력될 수 있다. 즉, 번역 모델(30)은 현재 시점(
Figure PCTKR2021009676-appb-img-000010
)까지 식별된 입력 토큰(x1, x2, x3, x4, x5)과 함께 제1 신경망 모델(40)에 의해 출력된 토큰의 개수를 제2 신경망 모델(50)에 입력하여, 입력된 토큰의 개수만큼의 출력 토큰을 획득할 수 있다.
한편, 도 4a에서는, 제1 신경망 모델(40)에 의해 현재 시점에서 수행되어야 할 동작에 대한 정보와 토큰의 개수가 출력되는 것으로 설명하였으나, 이는 일 실시 예에 불과하며, 제1 신경망 모델(40)은 현재 시점에서 수행되어야 할 동작에 대한 정보만을 출력할 수 있다. 이 때, 토큰의 개수는 제2 신경망 모델(50) 내부에서 산출될 수 있으며, 제2 신경망 모델(50)은 산출된 토큰의 개수, 현재 시점 전까지 식별된 입력 토큰 및 생성된 출력 토큰을 바탕으로 산출된 토큰의 개수만큼의 출력 토큰을 출력할 수 있다.
또한, 제2 신경망 모델(50)은 제1 신경망 모델(40)과 통합되어 하나의 모델로 구현될 수 있다. 예를 들어, 제2 신경망 모델(50)은 제1 신경망 모델(40)을 포함할 수 있다. 이 때, 제2 신경망 모델(50)은 현재 시점 전까지 식별된 입력 토큰 및 생성된 출력 토큰을 입력 받아 현재 시점에서 수행되어야 할 동작과 토큰의 개수를 산출하고, 산출된 토큰의 개수만큼의 출력 토큰을 출력할 수 있다.
한편, 제2 신경망 모델(50)은 인코더 및 디코더를 포함할 수 있다. 인코더 및 디코더 각각은 어텐션 레이어(attention layer) 및 순방향 네트워크(Feed-Forward Network, FNN)를 포함할 수 있다. 제2 신경망 모델(50)은 종래의 신경망 기계 번역 기술을 적용하여 구현될 수 있는 바, 그 상세한 구성에 대한 설명은 생략하도록 한다.
한편, 본 개시에 따른 번역 모델(30)은 소위 비-회귀적 번역 모델(Non-Autoregressive Translation Model)로 구현될 수 있다. 이 때, 번역 모델(30)은 하나의 타임 스텝에서 여러 개의 출력 토큰을 생성할 수 있다. 반면에, 도 2에 도시된 바와 같이 회귀적 번역 모델(Autoregressive Translation Model)은 하나의 타임 스텝에 하나의 출력 토큰만 생성할 수 있다. 따라서, 본 개시에 따른 번역 모델(30)의 번역 처리 시간은 기존의 회귀적 번역 모델(Autoregressive Translation Model)(예로, MILK 모델(20))에 비해 작을 수 있다.
도 6a는 본 개시의 일 실시 예에 따른 제1 신경망 모델의 학습 방법을 설명하기 위한 도면이다. 제1 신경망 모델(40)은 제1 시점까지 식별된 입력 토큰과 생성된 출력 토큰을 바탕으로 제1 시점 이후인 제2 시점에서 수행할 동작과 동작에 대응되는 토큰의 개수를 출력하도록 학습될 수 있다. 이 때, 제1 신경망 모델(40)에 포함된 가중치들은 제1 신경망 모델(40)의 출력값(61)과 레이블(62)의 차이가 기 설정된 값보다 작아지도록 업데이트될 수 있다.
한편, 레이블(62)은 다양한 방법으로 획득될 수 있다. 일 예로, 읽기 동작에 대응되는 레이블(
Figure PCTKR2021009676-appb-img-000011
)은 아래의 [수학식 1]을 바탕으로 획득되며, 쓰기 동작에 대응되는 레이블(
Figure PCTKR2021009676-appb-img-000012
)은 아래의 [수학식 2]를 바탕으로 획득될 수 있다.
Figure PCTKR2021009676-appb-img-000013
Figure PCTKR2021009676-appb-img-000014
[수학식 1] 및 [수학식 2]에서, j는 입력 토큰에 대한 타임 스텝, i는 출력 토큰에 대한 타임 스텝을 의미한다. 또한,
Figure PCTKR2021009676-appb-img-000015
는 특정 시점에서 출력 토큰을 생성할 확률에 대한 기대 값을 의미하며, 입력 토큰 및 출력 토큰을 바탕으로 산출될 수 있다. 도 6b를 참조하면, 입력 토큰 및 출력 토큰은 매트릭스 형태로 표현될 수 있으며, 각각의 입력 토큰 및 출력 토큰의 위치에 대응되는
Figure PCTKR2021009676-appb-img-000016
가 산출될 수 있다. 예로,
Figure PCTKR2021009676-appb-img-000017
은 제1 입력 토큰(x1)을 읽은 상태에서 제1 출력 토큰(y1)을 생성할 확률의 기대 값을 의미한다. 다른 예로,
Figure PCTKR2021009676-appb-img-000018
는 제1 입력 토큰(x1) 및 제2 입력 토큰(x2)을 읽은 상태에서 제1 출력 토큰(y1)을 생성할 확률의 기대 값을 의미한다.
다른 일 예로, 읽기 동작 및 쓰기 동작 각각에 대응되는 레이블은 기 학습된 번역 모델을 바탕으로 획득될 수도 있다. 예를 들어, 도 2를 다시 참조하면, MILK 모델(20)이 수행한 읽기 동작 및 쓰기 동작에 대한 경로를 바탕으로 레이블이 획득될 수 있다. 구체적으로, 제3 입력 토큰(x3), 제4 입력 토큰(x4) 및 제5 입력 토큰(x5)이 연속적으로 식별된 정보를 바탕으로, 레이블(즉,
Figure PCTKR2021009676-appb-img-000019
)이 획득될 수 있다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 도시한 블록도이다. 전자 장치(700)는 입력부(710)(예로, 입력 회로를 포함함), 통신 인터페이스(720), 출력부(730), 메모리(740) 및 프로세서(750)(예로, 처리 회로를 포함함)를 포함할 수 있다. 예로, 전자 장치(700)는 스마트 폰일 수 있으나, 이에 한정되는 것은 아니며, 태블릿 PC 및 웨어러블 장치를 비롯한 다양한 장치로 구현될 수 있다.
입력부(710)는 다양한 입력 회로를 포함할 수 있으며, 사용자가 전자 장치(700)를 제어하기 위한 데이터를 입력하는 구성을 포함할 수 있다. 입력부(710)는 번역의 대상이 되는 문장을 입력하는 사용자의 입력을 획득할 수 있다. 예를 들어, 입력부(710)는 다양한 입력 회로, 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등을 포함할 수 있으나 이에 한정되는 것은 아니다. 프로세서(750)는 입력부(710)를 통해 사용자가 입력하는 적어도 하나의 문장에 대응되는 텍스트를 획득할 수 있다.
입력부(710)는 다양한 입력 회로를 포함할 수 있으며, 예로, 마이크를 포함할 수 있다. 이 때, 프로세서(750)는 입력부(710)를 통해 획득되는 사용자의 음성 신호를 획득하고, 음성 신호에 대응되는 텍스트를 획득할 수 있다.
통신 인터페이스(720)는 적어도 하나의 회로를 포함하며 다양한 유형의 통신 방식에 다라 다양한 유형의 외부 기기와 통신을 수행할 수 있다. 통신 인터페이스(720)는 무선 혹은 유선으로 데이터 통신을 수행할 수 있다. 무선 통신 방식으로 외부 기기와 통신을 수행할 경우, 통신 인터페이스(720)는 와이파이 통신 모듈, 셀룰러 통신모듈, 3G(3세대) 이동통신 모듈, 4G(4세대) 이동통신 모듈, 4세대 LTE(Long Term Evolution) 통신 모듈, 5G(5세대) 이동통신 모듈 중 적어도 하나를 포함할 수 있다. 한편, 본 개시의 일 실시 예에 따른, 통신 인터페이스(720)는 무선 통신 모듈로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 유선 통신 모듈(예를 들어, LAN 등)로 구현될 수 있다.
출력부(730)는 다양한 출력 회로를 포함할 수 있으며, 전자 장치(700)를 통해 획득된 번역된 문장을 출력하여 사용자에게 제공하기 위한 구성을 포함할 수 있다. 예로, 출력부(730)는 디스플레이 및 스피커를 포함할 수 있다. 출력부(730)가 디스플레이인 경우, 출력부(730)는 번역된 문장(또는 출력 문장)을 디스플레이할 수 있다. 출력부(730)가 스피커인 경우, 출력부(730)는 번역된 문장에 대응되는 음성 신호를 출력할 수 있다.
메모리(740)는 전자 장치(700)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 전자 장치(700)의 구성요소와 관련된 명령 또는 데이터를 저장할 수 있다. 이를 위해 메모리(740)는 비휘발성 메모리(ex: 하드 디스크, SSD(Solid state drive), 플래시 메모리), 휘발성 메모리 등으로 구현될 수 있다. 메모리(740)는 입력 문장을 번역하기 위한 번역 모델을 저장할 수 있다.
프로세서(750)는 다양한 처리 회로를 포함할 수 있으며, 전자 장치(700)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(750)는 복수의 입력 토큰을 포함하는 제1 언어의 입력 문장을 획득할 수 있다.
프로세서(750)는 복수의 입력 토큰 중 제1 시점까지 식별된 적어도 하나의 제1 입력 토큰과 적어도 하나의 제1 입력 토큰을 번역하여 생성된 적어도 하나의 제1 출력 토큰을 획득할 수 있다.
프로세서(750)는 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 학습된 제1 신경망 모델에 입력하여, 제1 동작 및 제2 동작 중 제1 시점의 이후인 제2 시점에서 수행할 동작을 식별하고 식별된 동작에 대응되는 토큰의 개수를 획득할 수 있다. 여기서, 제1 동작(또는 읽기 동작)은 복수의 입력 토큰 중 적어도 하나의 제1 입력 토큰을 제외한 적어도 하나의 제2 입력 토큰을 식별하는 동작을 의미한다. 또한, 제2 동작(또는 쓰기 동작)은 적어도 하나의 제1 입력 토큰을 바탕으로 적어도 하나의 제2 출력 토큰을 생성하는 동작을 의미한다.
한편, 프로세서(750)는 식별된 동작 및 획득된 토큰의 개수를 바탕으로 입력 문장에 대한 번역을 수행하여 제1 언어와 상이한 제2 언어의 출력 문장을 획득할 수 있다. 일 예로, 제1 동작 및 제1 개수가 식별된 경우, 프로세서(750)는 적어도 하나의 제2 입력 토큰 중 제1 개수의 제2 입력 토큰을 식별하여 메모리(750)에 저장할 수 있다. 다른 일 예로, 제2 동작 및 제2 개수가 식별된 경우, 프로세서(750)는 제2 개수를 바탕으로 입력 토큰을 번역하여 출력 토큰을 생성하도록 학습된 제2 신경망 모델의 파라미터를 업데이트할 수 있다. 그리고, 프로세서(750)는 적어도 하나의 제1 입력 토큰을 제2 신경망 모델에 입력하여 제2 개수의 출력 토큰을 획득할 수 있다.
한편, 제1 신경망 모델은 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 바탕으로 제1 동작 및 상기 제2 동작 중 하나를 식별하도록 학습된 동작 결정 모델을 포함할 수 있다. 또한, 제1 신경망 모델은 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 바탕으로 토큰의 개수를 획득하도록 학습된 토큰 개수 결정 모델을 포함할 수 있다. 토큰 개수 결정 모델은, 제1 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제1 모델 및 제2 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제2 모델을 포함할 수 있다.
한편, 프로세서(750)는 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 바탕으로 레이블 데이터를 획득할 수 있다. 그리고, 프로세서(750)는 제1 신경망 모델의 출력 값과 레이블 데이터의 차이가 기 설정된 값보다 작아지도록 제1 신경망 모델을 업데이트할 수 있다. 또한, 프로세서(750)는 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 미리 저장된 신경망 모델에 입력하여 획득된 출력값을 바탕으로 레이블 데이터를 획득할 수 있다.
한편, 본 개시에 따른 인공지능과 관련된 기능은 프로세서(750)와 메모리(740)를 통해 동작될 수 있다. 프로세서(750)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리(740)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
본 개시에 따른 전자 장치(700)는 입력 문장에 대한 기계 번역을 수행하여 출력 문장을 획득할 수 있다. 예로, 전자 장치(700)는 마이크를 통해 아날로그 신호인 음성 신호를 수신하고, ASR(Automatic Speech Recognition)모델을 이용하여 음성 부분을 컴퓨터로 판독 가능한 텍스트로 변환할 수 있다. 자연어 이해(Natural Language Understanding, NLU) 모델을 이용하여 변환된 텍스트를 해석하여, 사용자의 발화 의도를 획득할 수 있다. 여기서 ASR 모델 또는 NLU 모델은 인공지능 모델일 수 있다. 인공지능 모델은 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계된 인공지능 전용 프로세서에 의해 처리될 수 있다. 인공지능 모델은 학습을 통해 만들어 질 수 있다.
언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리(Natural Language Processing), 기계 번역(Machine Translation), 대화 시스템(Dialog System), 질의 응답(Question Answering), 음성 인식/합성(Speech Recognition/Synthesis) 등을 포함한다.
인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), GAN (Generative Adversarial Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다. 전자 장치(700)는 복수의 입력 토큰을 포함하는 제1 언어의 입력 문장을 획득할 수 있다(S810). 전자 장치(700)는 복수의 입력 토큰 중 제1 시점까지 식별된 적어도 하나의 제1 입력 토큰과 적어도 하나의 제1 입력 토큰을 번역하여 생성된 적어도 하나의 제1 출력 토큰을 획득할 수 있다(820). 여기서, 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰은 메모리(740)에 저장되어 있을 수 있다.
전자 장치(700)는 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 학습된 제1 신경망 모델에 입력하여, 복수의 입력 토큰 중 적어도 하나의 제1 입력 토큰을 제외한 적어도 하나의 제2 입력 토큰을 식별하는 제1 동작 및 적어도 하나의 제1 입력 토큰을 바탕으로 적어도 하나의 제2 출력 토큰을 생성하는 제2 동작 중 제1 시점의 이후인 제2 시점에서 수행할 동작을 식별하고 식별된 동작에 대응되는 토큰의 개수를 획득할 수 있다(S830). 일 예로, 제1 동작 및 제1 개수가 식별된 경우, 전자 장치(700)는 적어도 하나의 제2 입력 토큰 중 제1 개수의 제2 입력 토큰을 식별하여 메모리(750)에 저장할 수 있다. 다른 일 예로, 제2 동작 및 제2 개수가 식별된 경우, 전자 장치(700)는 제2 개수를 바탕으로 입력 토큰을 번역하여 출력 토큰을 생성하도록 학습된 제2 신경망 모델의 파라미터를 업데이트할 수 있다.
전자 장치(700)는 식별된 동작 및 획득된 토큰의 개수를 바탕으로 입력 문장에 대한 번역을 수행하여 제1 언어와 상이한 제2 언어의 출력 문장을 획득할 수 있다(S840). 전자 장치(700)는 적어도 하나의 제1 입력 토큰을 제2 신경망 모델에 입력하여 출력 토큰을 획득할 수 있다. 또한, 제2 입력 토큰을 식별된 후 제2 동작이 식별된 경우, 전자 장치(700)는 제1 입력 토큰 및 제2 입력 토큰을 제2 신경망 모델에 입력하여 출력 토큰을 획득할 수 있다. 이 때, 제2 개수가 식별된 경우, 전자 장치(700)는 제2 개수의 제2 출력 토큰을 획득할 수 있다.
한편, 제1 신경망 모델은 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 바탕으로 제1 동작 및 상기 제2 동작 중 하나를 식별하도록 학습된 동작 결정 모델을 포함할 수 있다. 또한, 제1 신경망 모델은 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 바탕으로 토큰의 개수를 획득하도록 학습된 토큰 개수 결정 모델을 포함할 수 있다. 토큰 개수 결정 모델은, 제1 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제1 모델 및 제2 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제2 모델을 포함할 수 있다.
한편, 전자 장치(700)는 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 바탕으로 레이블 데이터를 획득할 수 있다. 그리고, 전자 장치(700)는 제1 신경망 모델의 출력 값과 레이블 데이터의 차이가 기 설정된 값보다 작아지도록 제1 신경망 모델을 업데이트할 수 있다. 또한, 전자 장치(700)는 적어도 하나의 제1 입력 토큰 및 적어도 하나의 제1 출력 토큰을 미리 저장된 신경망 모델에 입력하여 획득된 출력값을 바탕으로 레이블 데이터를 획득할 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 처리 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium) 에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 처리 동작을 특정 기기가 수행하도록 할 수 있다.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
'비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims (15)

  1. 전자 장치의 제어 방법에 있어서,
    복수의 입력 토큰을 포함하는 제1 언어의 입력 문장을 획득하는 단계;
    상기 복수의 입력 토큰 중 제1 시점까지 식별된 적어도 하나의 제1 입력 토큰을 획득하고 상기 적어도 하나의 제1 입력 토큰을 번역하여 생성된 적어도 하나의 제1 출력 토큰을 획득하는 단계;
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 학습된 제1 신경망 모델에 입력하여, 상기 복수의 입력 토큰 중 상기 적어도 하나의 제1 입력 토큰을 제외한 적어도 하나의 제2 입력 토큰을 식별하는 제1 동작 및 상기 적어도 하나의 제1 입력 토큰을 바탕으로 적어도 하나의 제2 출력 토큰을 생성하는 제2 동작 중 상기 제1 시점의 이후인 제2 시점에서 수행할 동작을 식별하고 상기 식별된 동작에 대응되는 토큰의 개수를 획득하는 단계; 및
    상기 식별된 동작 및 상기 획득된 토큰의 개수를 바탕으로 상기 입력 문장에 대한 번역을 수행하여 상기 제1 언어와 상이한 제2 언어의 출력 문장을 획득하는 단계;를 포함하는
    제어 방법.
  2. 제1 항에 있어서,
    상기 제2 동작 및 제2 개수가 식별된 경우, 상기 제2 개수를 바탕으로 입력 토큰을 번역하여 출력 토큰을 생성하도록 학습된 제2 신경망 모델의 파라미터를 업데이트하는 단계;를 더 포함하고,
    상기 출력 문장을 획득하는 단계는,
    상기 적어도 하나의 제1 입력 토큰을 상기 제2 신경망 모델에 입력하여 상기 제2 개수의 출력 토큰을 획득하는 단계를 포함하는
    제어 방법.
  3. 제1 항에 있어서,
    상기 제1 동작 및 제1 개수가 식별된 경우, 상기 적어도 하나의 제2 입력 토큰 중 상기 제1 개수의 제2 입력 토큰을 식별하여 저장하는 단계;를 더 포함하는
    제어 방법.
  4. 제1 항에 있어서,
    상기 제1 신경망 모델은,
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 상기 제1 동작 및 상기 제2 동작 중 하나를 식별하도록 학습된 동작 결정 모델, 및
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 토큰의 개수를 획득하도록 학습된 토큰 개수 결정 모델을 포함하는
    제어 방법.
  5. 제4 항에 있어서,
    상기 토큰 개수 결정 모델은,
    상기 제1 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제1 모델 및 상기 제2 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제2 모델을 포함하는
    제어 방법.
  6. 제1 항에 있어서,
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 레이블 데이터를 획득하는 단계; 및
    상기 제1 신경망 모델의 출력값과 상기 레이블 데이터의 차이가 기 설정된 값보다 작아지도록 상기 제1 신경망 모델을 업데이트하는 단계;를 더 포함하는
    제어 방법.
  7. 제6 항에 있어서,
    상기 레이블 데이터를 획득하는 단계는,
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 미리 저장된 신경망 모델에 입력하여 획득된 출력값을 바탕으로 상기 레이블 데이터를 획득하는
    제어 방법.
  8. 전자 장치에 있어서,
    입력 회로를 포함하고, 복수의 입력 토큰을 포함하는 제1 언어의 입력 문장을 획득하기 위한 입력부;
    적어도 하나의 인스트럭션을 저장하는 메모리; 및
    프로세서;를 포함하고,
    상기 프로세서는,
    상기 복수의 입력 토큰 중 제1 시점까지 식별된 적어도 하나의 제1 입력 토큰을 획득하고 상기 적어도 하나의 제1 입력 토큰을 번역하여 생성된 적어도 하나의 제1 출력 토큰을 획득하도록 상기 전자 장치를 제어하고,
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 학습된 제1 신경망 모델에 입력하여, 상기 복수의 입력 토큰 중 상기 적어도 하나의 제1 입력 토큰을 제외한 적어도 하나의 제2 입력 토큰을 식별하는 제1 동작 및 상기 적어도 하나의 제1 입력 토큰을 바탕으로 적어도 하나의 제2 출력 토큰을 생성하는 제2 동작 중 상기 제1 시점의 이후인 제2 시점에서 수행할 동작을 식별하고 상기 식별된 동작에 대응되는 토큰의 개수를 획득하고,
    상기 식별된 동작 및 상기 획득된 토큰의 개수를 바탕으로 상기 입력 문장에 대한 번역을 수행하여 상기 제1 언어와 상이한 제2 언어의 출력 문장을 획득하는
    전자 장치.
  9. 제8 항에 있어서,
    상기 프로세서는,
    상기 제2 동작 및 제2 개수가 식별된 경우, 상기 제2 개수를 바탕으로 입력 토큰을 번역하여 출력 토큰을 생성하도록 학습된 제2 신경망 모델의 파라미터를 업데이트하고,
    상기 적어도 하나의 제1 입력 토큰을 상기 제2 신경망 모델에 입력하여 상기 제2 개수의 출력 토큰을 획득하도록 상기 전자 장치를 제어하는
    전자 장치.
  10. 제8 항에 있어서,
    상기 프로세서는,
    상기 제1 동작 및 제1 개수가 식별된 경우, 상기 적어도 하나의 제2 입력 토큰 중 상기 제1 개수의 제2 입력 토큰을 식별하여 상기 메모리에 저장하는
    전자 장치.
  11. 제8 항에 있어서,
    상기 제1 신경망 모델은,
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 상기 제1 동작 및 상기 제2 동작 중 하나를 식별하도록 학습된 동작 결정 모델, 및
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 토큰의 개수를 획득하도록 학습된 토큰 개수 결정 모델을 포함하는
    전자 장치.
  12. 제11 항에 있어서,
    상기 토큰 개수 결정 모델은,
    상기 제1 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제1 모델 및 상기 제2 동작에 대응되는 토큰의 개수를 출력하도록 학습된 제2 모델을 포함하는
    전자 장치.
  13. 제8 항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 바탕으로 레이블 데이터를 획득하도록 상기 전자 장치를 제어하고,
    상기 제1 신경망 모델의 출력값과 상기 레이블 데이터의 차이가 기 설정된 값보다 작아지도록 상기 제1 신경망 모델을 업데이트하는
    전자 장치.
  14. 제13 항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 제1 입력 토큰 및 상기 적어도 하나의 제1 출력 토큰을 미리 저장된 신경망 모델에 입력하여 획득된 출력값을 바탕으로 상기 레이블 데이터를 획득하도록 상기 전자 장치를 제어하는
    전자 장치.
  15. 제1 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 비일시적인(non-transitory) 기록매체.
PCT/KR2021/009676 2020-12-28 2021-07-27 전자 장치 및 그 제어 방법 WO2022145611A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/432,446 US11886817B2 (en) 2020-12-28 2021-07-27 Electronic apparatus and method for controlling thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200184579A KR20220093653A (ko) 2020-12-28 2020-12-28 전자 장치 및 그 제어 방법
KR10-2020-0184579 2020-12-28

Publications (1)

Publication Number Publication Date
WO2022145611A1 true WO2022145611A1 (ko) 2022-07-07

Family

ID=82260478

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/009676 WO2022145611A1 (ko) 2020-12-28 2021-07-27 전자 장치 및 그 제어 방법

Country Status (3)

Country Link
US (1) US11886817B2 (ko)
KR (1) KR20220093653A (ko)
WO (1) WO2022145611A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019217355A1 (en) * 2018-05-08 2019-11-14 Mmodal Ip Llc Hybrid batch and live natural language processing
JP2022165715A (ja) * 2021-04-20 2022-11-01 富士通株式会社 情報検索プログラム、情報検索方法、および情報検索装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117316A1 (en) * 2014-10-24 2016-04-28 Google Inc. Neural machine translation systems with rare word processing
JP2019185392A (ja) * 2018-04-10 2019-10-24 日本放送協会 訳出完了判定装置、翻訳装置、訳出完了判定モデル学習装置、およびプログラム
KR20200056001A (ko) * 2018-11-14 2020-05-22 삼성전자주식회사 인공신경망에서의 디코딩 방법 및 그 장치
KR20200092446A (ko) * 2019-01-04 2020-08-04 네이버 주식회사 어체 변환이 가능한 기계 번역 방법 및 시스템

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090008865A (ko) 2007-07-19 2009-01-22 서오텔레콤(주) 휴대폰 컨텐츠 실시간 번역 시스템 및 그 방법
KR100958340B1 (ko) 2007-09-05 2010-05-17 한국전자통신연구원 실시간 대화식 기계 번역 장치 및 방법
KR101682207B1 (ko) 2010-08-23 2016-12-12 에스케이플래닛 주식회사 토큰 분리 및 번역 과정을 통합한 통합 디코딩 장치 및 그 방법
JP6511221B2 (ja) 2010-08-26 2019-05-15 グーグル エルエルシー 入力テキスト文字列の変換
US9183198B2 (en) 2013-03-19 2015-11-10 International Business Machines Corporation Customizable and low-latency interactive computer-aided translation
US10229111B1 (en) * 2016-02-03 2019-03-12 Google Llc Sentence compression using recurrent neural networks
JP6474873B1 (ja) * 2017-09-22 2019-02-27 株式会社みらい翻訳 クラストークン対応決定装置及び方法、そのためのコンピュータプログラム並びに当該コンピュータプログラムを記録した記憶媒体
CN108304390B (zh) 2017-12-15 2020-10-16 腾讯科技（深圳）有限公司 基于翻译模型的训练方法、训练装置、翻译方法及存储介质
US10747962B1 (en) * 2018-03-12 2020-08-18 Amazon Technologies, Inc. Artificial intelligence system using phrase tables to evaluate and improve neural network based machine translation
US11126800B2 (en) 2018-09-28 2021-09-21 Baidu Usa Llc. Systems and methods for simultaneous translation with integrated anticipation and controllable latency (STACL)
US10963652B2 (en) 2018-12-11 2021-03-30 Salesforce.Com, Inc. Structured text translation
US10956466B2 (en) 2018-12-26 2021-03-23 Paypal, Inc. Machine learning approach to cross-language translation and search
US11361169B2 (en) 2019-02-28 2022-06-14 Yandex Europe Ag Method and server for training a machine learning algorithm for translation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117316A1 (en) * 2014-10-24 2016-04-28 Google Inc. Neural machine translation systems with rare word processing
JP2019185392A (ja) * 2018-04-10 2019-10-24 日本放送協会 訳出完了判定装置、翻訳装置、訳出完了判定モデル学習装置、およびプログラム
KR20200056001A (ko) * 2018-11-14 2020-05-22 삼성전자주식회사 인공신경망에서의 디코딩 방법 및 그 장치
KR20200092446A (ko) * 2019-01-04 2020-08-04 네이버 주식회사 어체 변환이 가능한 기계 번역 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHIN JAEHUN , WONKEE LEE , YOUNGKIL KIM , H JEUNG HAN , JONG-HYEOK LEE: "Research for the Decoder Structure of Multi-encoder Transformer-based Automatic Post-Editing Model", TRANSACTIONS ON COMPUTING PRACTICES (KTCP), KOREAN INSTITUTE OF INFORMATION SCIENTISTS AND ENGINEERS (KIISE), vol. 26, no. 8, 1 August 2020 (2020-08-01), pages 367 - 372, XP055947713, ISSN: 2383-6318, DOI: 10.5626/KTPC.2020.26.8.367 *

Also Published As

Publication number Publication date
US11886817B2 (en) 2024-01-30
KR20220093653A (ko) 2022-07-05
US20230153529A1 (en) 2023-05-18

Similar Documents

Publication Publication Date Title
WO2022145611A1 (ko) 전자 장치 및 그 제어 방법
WO2019182346A1 (ko) 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법
WO2020166896A1 (en) Electronic apparatus and controlling method thereof
WO2021071110A1 (en) Electronic apparatus and method for controlling electronic apparatus
WO2020071854A1 (en) Electronic apparatus and control method thereof
KR102544249B1 (ko) 발화의 문맥을 공유하여 번역을 수행하는 전자 장치 및 그 동작 방법
US11817097B2 (en) Electronic apparatus and assistant service providing method thereof
WO2020045794A1 (ko) 전자 장치 및 그 제어 방법
WO2018169276A1 (ko) 언어 정보를 처리하기 위한 방법 및 그 전자 장치
WO2022039366A1 (ko) 전자 장치 및 그 제어 방법
WO2022092445A1 (ko) 전자 장치 및 그 제어 방법
WO2020231151A1 (en) Electronic device and method of controlling thereof
WO2024029771A1 (en) Method, apparatus and computer readable medium for generating clean speech signal using speech denoising networks based on speech and noise modeling
WO2023229305A1 (en) System and method for context insertion for contrastive siamese network training
WO2023075508A1 (ko) 전자 장치 및 그 제어 방법
WO2021045434A1 (ko) 전자 장치 및 이의 제어 방법
WO2019198900A1 (en) Electronic apparatus and control method thereof
WO2022177091A1 (ko) 전자 장치 및 이의 제어 방법
KR20220155889A (ko) 전자 장치 및 그 제어 방법
WO2024049025A1 (ko) 음성 인식 모델을 학습시키기 위한 전자 장치 및 이의 제어 방법
WO2022177089A1 (ko) 전자 장치 및 그 제어 방법
WO2024053825A1 (ko) 음성 인식 모델을 학습시키기 위한 전자 장치 및 이의 제어 방법
WO2023063746A1 (ko) 전자 장치 및 그 제어 방법
WO2023085699A1 (ko) 전자 장치 및 그 제어 방법
WO2022158718A1 (ko) 전자 장치 및 그 제어 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: 21915409

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: 21915409

Country of ref document: EP

Kind code of ref document: A1