WO2022231090A1 - 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 - Google Patents

인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 Download PDF

Info

Publication number
WO2022231090A1
WO2022231090A1 PCT/KR2021/019673 KR2021019673W WO2022231090A1 WO 2022231090 A1 WO2022231090 A1 WO 2022231090A1 KR 2021019673 W KR2021019673 W KR 2021019673W WO 2022231090 A1 WO2022231090 A1 WO 2022231090A1
Authority
WO
WIPO (PCT)
Prior art keywords
artificial intelligence
electronic device
values
intelligence model
value
Prior art date
Application number
PCT/KR2021/019673
Other languages
English (en)
French (fr)
Inventor
최종범
김영조
박현희
전형주
한창수
원종훈
이재명
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to US17/708,585 priority Critical patent/US20220343106A1/en
Publication of WO2022231090A1 publication Critical patent/WO2022231090A1/ko

Links

Images

Classifications

    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—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
    • G06N3/08—Learning methods

Definitions

  • the present disclosure relates to an electronic device that processes data based on an artificial intelligence model, and an operating method thereof.
  • the electronic device stores a plurality of pre-trained artificial intelligence (AI) models (eg, deep learning models or machine learning models), and data obtained based on the plurality of artificial intelligence models (eg, image data, audio data) may be processed to obtain result data (eg, instance segmented image data).
  • AI artificial intelligence
  • the pre-trained artificial intelligence models are implemented with at least one parameter (eg, weight, and/or activation function) obtained according to artificial intelligence learning to process the input data, and at least one parameter to process the data accurately. may be set to a high-complexity operation value. Accordingly, when the electronic device uses pre-learned artificial intelligence models, an operation is performed based on at least one parameter set to a high-complexity operation value, thereby increasing the operational burden of the electronic device.
  • result data obtained using each of the artificial intelligence models including different parameters regardless of the calculation value of at least one parameter (eg, weight, activation function) of the artificial intelligence models. There may be no (or little) difference between them.
  • the electronic device uses a pre-learned artificial intelligence model including a parameter set to a computation value with high complexity, the operational burden of the electronic device may be relatively increased.
  • an electronic device and a method of operating the same configure at least one parameter (eg, a weight, an activation function) of pre-trained artificial intelligence models as at least one parameter of a low computational value, so that the electronic device can reduce the operational burden of
  • the electronic device and the method of operation thereof differ from the above-described characteristic of a difference in result data according to the characteristic of input data (eg, a calculated value of at least one parameter (eg, weight, activation function)).
  • At least one parameter e.g., weight, activation function
  • at least one parameter e.g., weight, activation function
  • the method includes executing an application by at least one processor of the electronic device and acquiring at least one content based on the executed application; selecting first values from among a plurality of values associated with computing power to process the content of , at least one parameter of an artificial intelligence model stored in the electronic device at least one first parameter corresponding to the first values Obtaining first result data by processing the at least one content using a first artificial intelligence model having the at least one first parameter obtained by configuring obtained by selecting second values from a plurality of values different from the first values, and configuring the at least one parameter of the artificial intelligence model with at least one second parameter corresponding to the selected second values, An operating method may be provided, including obtaining second result data by processing the at least one content by using a second artificial intelligence model having the at least one second parameter.
  • an electronic device includes at least one processor, the at least one processor executes an application, acquires at least one content based on the executed application, and the acquired at least one In order to process the content of Using a first artificial intelligence model having the at least one first parameter, obtained by configuring, to obtain a first result content by processing the at least one content, and based on the occurrence of a specific event, the plurality of the at least one obtained by selecting second values different from the first values among the values, and configuring the at least one parameter of the artificial intelligence model with at least one second parameter corresponding to the selected second values.
  • An electronic device configured to obtain a second result content by processing the at least one content using a second artificial intelligence model having a second parameter may be provided.
  • the operating method may be provided.
  • an electronic device by dynamically configuring at least one parameter (eg, a weight, an activation function) of pre-trained artificial intelligence models as at least one parameter of a low computational value, an electronic device that reduces the operational burden of an electronic device An apparatus and method of operation thereof may be provided.
  • at least one parameter eg, a weight, an activation function
  • the result data there is no difference between the result data regardless of the characteristic of the difference between the result data according to the characteristics of the input data (eg, the calculated value of at least one parameter (eg, weight, activation function), or small), by dynamically configuring at least one parameter (eg, weight, activation function) of the pre-trained artificial intelligence models as at least one parameter of a low computational value, thereby obtaining high-accuracy result data.
  • the input data eg, the calculated value of at least one parameter (eg, weight, activation function), or small
  • at least one parameter eg, weight, activation function
  • An electronic device and an operating method thereof for alleviating the operational burden of the device may be provided.
  • FIG. 1 is a block diagram of an electronic device in a network environment, according to various embodiments of the present disclosure
  • FIG. 2 is a diagram for explaining an example of a configuration of an electronic device according to various embodiments of the present disclosure
  • FIG. 3 is a diagram for explaining an example of an artificial intelligence model according to various embodiments.
  • 4A is a diagram for explaining an example of a content processing operation based on an artificial intelligence model of a processor according to various embodiments of the present disclosure
  • 4B is a diagram for describing an example of an operation in which a parameter (eg, a weight) of an artificial intelligence model is obtained (or quantized) based on an operation value according to various embodiments of the present disclosure
  • 4C is a diagram for explaining another example of an operation in which a parameter (eg, an activation function) of an artificial intelligence model is obtained (or quantized) based on an operation value according to various embodiments of the present disclosure;
  • a parameter eg, an activation function
  • FIG. 5 is a flowchart illustrating an example of an operation of an electronic device according to various embodiments of the present disclosure
  • FIG. 6 is a diagram for explaining an example of an operation of processing content (eg, image data) using an artificial intelligence model of an electronic device according to various embodiments of the present disclosure
  • 7A is a diagram for describing an example of an operation of using an artificial intelligence model by selecting or changing operation values among a plurality of operation values of an electronic device according to various embodiments of the present disclosure
  • 7B is a diagram for describing an example of an operation of using an artificial intelligence model by selecting or changing a processor among a plurality of processors of an electronic device according to various embodiments of the present disclosure
  • FIG. 8 is a flowchart illustrating an example of an operation of an electronic device according to various embodiments of the present disclosure
  • FIG. 9 is a diagram for describing an example of an operation of calculating a cost for each of a plurality of arithmetic combinations of an electronic device according to various embodiments of the present disclosure
  • FIG. 10 is a diagram for explaining an example of result data obtained by artificial intelligence models having at least one parameter configured based on different operation combinations according to various embodiments of the present disclosure
  • 11A is a diagram for describing an example of an operation of calculating costs of an electronic device during a specific period according to various embodiments of the present disclosure
  • 11B is a diagram for explaining another example of an operation of calculating costs of an electronic device during a specific period according to various embodiments of the present disclosure
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100, according to various embodiments.
  • the electronic device 101 communicates with the electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or a second network 199 . It may communicate with at least one of the electronic device 104 and the server 108 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • the electronic device 101 includes a processor 120 , a memory 130 , an input module 150 , a sound output module 155 , a display module 160 , an audio module 170 , and a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or an antenna module 197 .
  • at least one of these components eg, the connection terminal 178
  • some of these components are integrated into one component (eg, display module 160 ). can be
  • the processor 120 for example, executes software (eg, the program 140) to execute at least one other component (eg, a hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or operations. According to one embodiment, as at least part of data processing or computation, the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 . may be stored in the volatile memory 132 , and may process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • software eg, the program 140
  • the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 .
  • the volatile memory 132 may be stored in the volatile memory 132 , and may process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • the processor 120 is the main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit
  • NPU neural processing unit
  • an image signal processor e.g., a sensor hub processor, or a communication processor.
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit
  • NPU neural processing unit
  • image signal processor e.g., a sensor hub processor, or a communication processor.
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123
  • the secondary processor 123 may, for example, act on behalf of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or when the main processor 121 is active (eg, executing an application). ), together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the coprocessor 123 eg, an image signal processor or a communication processor
  • may be implemented as part of another functionally related component eg, the camera module 180 or the communication module 190 ). have.
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • Artificial intelligence models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself on which the artificial intelligence model is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the above example.
  • the artificial intelligence model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
  • the memory 130 may store various data used by at least one component of the electronic device 101 (eg, the processor 120 or the sensor module 176 ).
  • the data may include, for example, input data or output data for software (eg, the program 140 ) and instructions related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 , and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used in a component (eg, the processor 120 ) of the electronic device 101 from the outside (eg, a user) of the electronic device 101 .
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output a sound signal to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to one embodiment, the receiver may be implemented separately from or as part of the speaker.
  • the display module 160 may visually provide information to the outside (eg, a user) of the electronic device 101 .
  • the display module 160 may include, for example, a control circuit for controlling a display, a hologram device, or a projector and a corresponding device.
  • the display module 160 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module 170 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires a sound through the input module 150 , or an external electronic device (eg, a sound output module 155 ) connected directly or wirelessly with the electronic device 101 .
  • the electronic device 102) eg, a speaker or headphones
  • the electronic device 102 may output a sound.
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more specific protocols that may be used by the electronic device 101 to directly or wirelessly connect with an external electronic device (eg, the electronic device 102 ).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving images. According to an embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishment and communication performance through the established communication channel.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : LAN (local area network) communication module, or a power line communication module) may be included.
  • a wireless communication module 192 eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : LAN (local area network) communication module, or a power line communication module
  • a corresponding communication module among these communication modules is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network 199 eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a telecommunication network
  • the wireless communication module 192 uses the subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199 .
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
  • NR access technology is a high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low -latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low -latency communications
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) in order to achieve a high data rate, for example.
  • the wireless communication module 192 uses various techniques for securing performance in a high frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), all-dimensional multiplexing. Technologies such as full dimensional MIMO (FD-MIMO), array antenna, analog beam-forming, or large scale antenna may be supported.
  • the wireless communication module 192 may support various requirements specified in the electronic device 101 , an external electronic device (eg, the electronic device 104 ), or a network system (eg, the second network 199 ).
  • the wireless communication module 192 is configured to implement a peak data rate (eg, 20 Gbps or more) for realization of eMBB, loss coverage for realization of mMTC (eg, 164 dB or less), or U-plane latency (for URLLC realization) (
  • a peak data rate eg, 20 Gbps or more
  • mMTC eg, 164 dB or less
  • U-plane latency for URLLC realization
  • DL and uplink (UL) may support 0.5 ms or less, or 1 ms or less round trip respectively.
  • the antenna module 197 may transmit or receive a signal or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 198 or the second network 199 is connected from the plurality of antennas by, for example, the communication module 190 . can be selected. A signal or power may be transmitted or received between the communication module 190 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module comprises a printed circuit board, an RFIC disposed on or adjacent to a first side (eg, bottom side) of the printed circuit board and capable of supporting a specific high frequency band (eg, mmWave band); and a plurality of antennas (eg, an array antenna) disposed on or adjacent to a second side (eg, top or side) of the printed circuit board and capable of transmitting or receiving a signal of the specific high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or a part of operations executed in the electronic device 101 may be executed in one or more external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 may perform the function or service itself instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 101 .
  • the electronic device 101 may process the result as it is or additionally and provide it as at least a part of a response to the request.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an Internet of things (IoT) device.
  • the server 108 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 104 or the server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • the electronic device may have various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, an electronic device, or a home appliance device.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • an electronic device e.g., a camera
  • an electronic device e.g., a home appliance
  • first”, “second”, or “first” or “second” may simply be used to distinguish an element from other such elements, and may refer elements to other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. When referenced, it means that one component can be connected to the other component directly (eg by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as, for example, logic, logic block, component, or circuit.
  • a module may be an integrally formed part or a minimum unit or a part of the part that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document include one or more instructions stored in a storage medium (eg, the internal memory 136 or the external memory 138) readable by a machine (eg, the electronic device 101).
  • a storage medium eg, the internal memory 136 or the external memory 138
  • the electronic device 101 may be implemented as software (eg, the program 140) including
  • the processor eg, the processor 120
  • the device eg, the electronic device 101
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not contain a signal (eg, electromagnetic wave), and this term refers to the case where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
  • a signal eg, electromagnetic wave
  • the method according to various embodiments disclosed in this document may be provided as included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or 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 may be temporarily stored or temporarily generated in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a memory of a relay server.
  • each component (eg, module or program) of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. have.
  • one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, or omitted. or one or more other operations may be added.
  • FIG. 2 is a diagram for explaining an example of the configuration of the electronic device 101 according to various embodiments of the present disclosure.
  • the present invention is not limited to the configurations shown in FIG. 2 , and the electronic device 101 may be implemented to include more or fewer configurations than those shown in FIG. 2 .
  • FIG. 2 will be described with reference to FIGS. 3 and 4A to 4C .
  • FIG. 3 is a diagram for explaining an example of an artificial intelligence model according to various embodiments.
  • 4A is a diagram for explaining an example of a content processing operation based on an artificial intelligence model of a processor according to various embodiments of the present disclosure
  • 4B is a diagram for describing an example of an operation in which a parameter (eg, a weight) of an artificial intelligence model is obtained (or quantized) based on an operation value according to various embodiments of the present disclosure
  • 4C is a diagram for explaining another example of an operation in which a parameter (eg, an activation function) of an artificial intelligence model (eg, an activation function) is obtained (or quantized) based on an operation value according to various embodiments of the present disclosure
  • a parameter eg, an activation function
  • the electronic device 101 includes a data acquisition device 210 such as a camera 211 , a microphone 213 , and a communication circuit 215 , and a plurality of processors 220 . ), a processor 230 including a memory 240 for storing a plurality of applications 241 and a plurality of artificial intelligence models 243 and an operation value selection module 231 and an evaluation module 233 .
  • a data acquisition device 210 such as a camera 211 , a microphone 213 , and a communication circuit 215
  • a processor 230 including a memory 240 for storing a plurality of applications 241 and a plurality of artificial intelligence models 243 and an operation value selection module 231 and an evaluation module 233 .
  • the data acquisition device 210 may be interpreted as a logical concept for classifying devices for acquiring content among devices included in the electronic device 101 .
  • the data acquisition devices 210 are various types of devices (eg, various sensors, touch screens) for acquiring various types of contents described below in addition to the camera 211 , the microphone 213 , and the communication circuit 215 . ) may be further included.
  • the data acquisition devices 210 may acquire various types of data (or content) to be processed based on the artificial intelligence model.
  • the various types of data may include media data such as images, video, and audio data, and electronic documents, without being limited thereto, and electronic data of types that can be analyzed electronically by an artificial intelligence model (eg, software). , values of the sensor) may be further included.
  • the data acquisition devices 210 are driven according to the execution and/or driving of processes, programs, and/or applications installed (or stored) in the electronic device 101 to perform various types of operations. data can be obtained.
  • the electronic device 101 drives the camera 211 (eg, performs an operation of controlling readout of the image sensor) to generate images and/or images as data.
  • the electronic device 101 may drive the microphone 213 to obtain audio data such as a user's utterance and/or ambient sounds as data.
  • the electronic device 101 establishes a communication connection with the media server using the communication circuit 215 and transmits media data such as images, video, and audio data.
  • the camera 211 may capture still images (or images) and moving pictures.
  • the at least one camera 211 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the electronic device 101 may include cameras 211 each having different properties or functions (or uses).
  • the at least one camera 211 may include cameras 211 having different angles of view. The angle of view is, for example, a super wide angle of 114° to 94°, a wide angle of 75° to 66°, a normal lens of 84° to 63°, and a 28° to 8° angle.
  • At least one camera 211 is disposed on the front as described above and at least one front camera 211 for taking images and/or images, and at least one camera 211 disposed on the back to take images and/or images. At least one rear camera 211 may be included.
  • the microphone 213 may receive sound from the outside of the electronic device 101 .
  • the electronic device 101 eg, the processor 230
  • the microphone 213 may drive the microphone 213 to receive externally generated sound through the microphone 213 .
  • the externally generated sound may include voices (or utterances) of speakers (eg, the user and/or another speaker (or others)), living noise, and ambient (or background) noise.
  • the microphone 213 may include a plurality of microphones 213 .
  • the electronic device 101 eg, the processor 230
  • the obtained sound in a specific direction may be defined as a sub sound.
  • Each of the plurality of microphones 213 is disposed in the electronic device 101 to be spaced apart from each other by a predetermined distance, and is received through each microphone 213 for a time or phase associated with the spaced distance and a direction in which a sound is to be acquired.
  • the sub sound may be obtained by signal processing the sound to be used. Since the beamforming technique is a well-known technique, a detailed description thereof will be omitted.
  • the communication circuit 215 may form a communication connection with an external electronic device (eg, another electronic device or a server) through various types of communication methods, and transmit and/or receive data.
  • the communication method may be performed by a communication method for establishing a direct communication connection such as Bluetooth and Wi-Fi direct, but is not limited thereto and a communication method using an access point (AP) (eg, Wi-Fi).
  • AP access point
  • -Fi communication or a communication method (eg, 3G, 4G/LTE, 5G) using cellular communication using a base station. Since the first communication circuit 215 may be implemented like the communication module 190 described above in FIG. 1 , a redundant description will be omitted.
  • each of the plurality of artificial intelligence models 243 is a model that has been trained in advance based on a learning algorithm, and is an artificial intelligence that is pre-implemented to process various types of content and output (or acquire) result data.
  • the external electronic device 101 eg, an external server
  • the generated artificial intelligence models 243 are a computational graph or IR (Intermediate Representation) that requires compilation, or a native that can be performed immediately. It may be implemented in the form of code, but is not limited thereto.
  • the external server is a server of a third party that manufactures an application or a management in which third parties register the application It may be a server, and an artificial intelligence model corresponding to a function to be provided through the application together with the application may be registered in the external server.
  • the artificial intelligence model corresponding to the application and the application from the external server may be transmitted to the electronic device 101, but is not limited thereto.
  • the machine learning algorithms are linear regression, and supervised algorithms such as logistic regression, clustering, visualization and dimensionality reduction, and association rule learning (including unsupervised algorithms, such as association rule learning, and reinforcement algorithms, wherein the deep learning algorithm is an Artificial Neural Network (ANN), Deep Neural Network (DNN), Convolution Neural (CNN) Network), and may further include various learning algorithms without being limited to those described. As an example, as shown in FIG.
  • a deep learning model can be generated, and the generated deep learning model is a convolution layer, an activation function (eg, sig) in response to receiving the image data 301 as input.
  • Result data 302 including information about objects (eg, instance segmented image data) by processing image data using sigmoid, Relu), and a pooling layer It can be implemented to output.
  • the deep learning model trained based on the CNN may include more layers in addition to the illustrated convolutional layer and pooling layer, and since it is a well-known technique, a detailed description thereof will be omitted.
  • audio data and speaker information are used as training data (eg, audio data is input data, and speaker information is output data).
  • other artificial intelligence models e.g. machine learning models, or deep learning models
  • other artificial intelligence models identify the speaker as the resulting data in response to receiving audio data (e.g. user utterance)
  • It can also be implemented to output an identifier (eg, unique ID) for identification.
  • Each of the plurality of artificial intelligence models 243 may be driven (or used) by a plurality of processors 220 , which will be described later.
  • each of the plurality of artificial intelligence models 243 may have a value (hereinafter, referred to as “calculation capability”) associated with a specific computation capability (or operation capability, or processing capability, or calculation capability).
  • computation capability or operation value, or processing value, or calculation value
  • Example: activation function precision may be implemented to include at least one parameter (eg, weights 310 and activation functions 320 ) corresponding to 32 bits. For example, referring to FIG.
  • the at least one parameter comprises weights (or included in the model) configuring and/or implementing a plurality of artificial intelligence models 243 generated according to learning (or included in the model) ( 310), may include (or may represent) an activation function 320, and may further include various kinds of parameters constituting artificial intelligence models, such as, but not limited to, a gradient. .
  • the values associated with the computational power are parameters such as weights or activation functions (eg, sigmoid, Relu). As a value for the ability to calculate , it may include an operation value (eg, weight precision) for the weight 310 and an operation value (eg, activation precision) for the activation function 320 .
  • the values associated with the calculation capability may include, but are not limited to, 32 bits, 16 bits, 8 bits, and 4 bits, and can be set to various values, and the format and number range for calculating parameters can be determined according to the set values.
  • the weights included in the convolution layer may be calculated in a floating-point unit (32-bit float) with the exponent part of 8 bits and the mantissa part of 24 bits.
  • the range of the form and number that can be expressed based on other operation values is a well-known technique, and thus a detailed description thereof will be omitted. Accordingly, as shown in FIG.
  • the operation value (eg, weight precision) for the weight 310 is set to 32 bits
  • the operation value (eg, activation precision) for the activation function 320 is set to 32 bits, so that learning is not possible.
  • the generated artificial intelligence model may include weights 310 expressed (or calculated) in 32 bits and an activation function 320 expressed in (or calculated in 32 bits).
  • the operation values associated with each of the plurality of artificial intelligence models 243 may include operation values available in the electronic device 101 (or operation values set in each of the plurality of processors 220 ) and It can be set to be equal to or higher.
  • the electronic device 101 has been described and/or illustrated as using a plurality of artificial intelligence models 243 stored in advance in the electronic device 101 , the electronic device 101 is not limited thereto and according to various embodiments, the electronic device 101 is It may be to receive the corresponding artificial intelligence models 243 from an external server based on the operation of the application. Alternatively, according to various embodiments, the electronic device 101 does not perform an operation of processing the content by using the artificial intelligence model in the electronic device 101, but information about the content and information for processing the content (eg: Information on a mode for distinguishing an object (or subject) and selected operation values) may be transmitted to an external server, and result data processed by an artificial intelligence model stored in advance in the external server may be received from the external server.
  • information about the content and information for processing the content eg: Information on a mode for distinguishing an object (or subject) and selected operation values
  • each of the plurality of processors 220 quantizes a specific artificial intelligence model among a plurality of artificial intelligence models 243) stored in the electronic device 101 as shown in FIG. 4A .
  • the model 410 By processing the input data (or content) 401 using the model 410 , it may be implemented to obtain the result data (or content) 402 output from the plurality of artificial intelligence models 243 .
  • each of the plurality of processors 220 processes data (or content) 401 based on a plurality of artificial intelligence models 243, resulting in data (or content) 402 . It can also be obtained, or a pre-quantized artificial intelligence model can be used.
  • the plurality of processors 220 may include at least one of an application processor (AP), a central processing unit (CPU), a graphic processing unit (GPU), a display processing unit (DPU), and a neural processing unit (NPU). may include, and may include various types of processors without being limited thereto.
  • AP application processor
  • CPU central processing unit
  • GPU graphic processing unit
  • DPU display processing unit
  • NPU neural processing unit
  • a plurality of cores included in one processor may also be understood as processors.
  • the DSP is implemented to include a plurality of cores
  • the plurality of cores may be understood as a plurality of processors 220 .
  • Each of the plurality of processors 220 is based on the execution and/or operation of an application, and at least one artificial intelligence associated with an executed and/or driven program, process, or application among the plurality of artificial intelligence models 243 . It may be implemented to select a model and process contents obtained by the data acquisition device 210 using the selected artificial intelligence model to obtain result data. The operation of processing the contents using the artificial intelligence models of the plurality of processors 220 may be performed in the background.
  • the electronic device 101 selects one of the plurality of processors 220, and when the stored artificial intelligence model is in the form of a graph or an IR, the artificial intelligence model so that the selected processor can perform the artificial intelligence model. by using a compiler (eg, TVM) to obtain a kernel loaded with executable native code and deliver it to the selected processor. The selected processor can run the artificial intelligence model by executing the kernel.
  • a compiler eg, TVM
  • the electronic device 101 may store information on calculation values for each type of parameters available to each of the plurality of processors 220 .
  • a plurality of operation values available to each of the plurality of processors 220 may be set to be equal to or smaller than a plurality of operation values (eg, 32 bits) associated with the plurality of artificial intelligence models 243 .
  • the calculation value for the weight and the calculation value for the activation function may be set with a plurality of combinations (or a plurality of sets) of [Table 1] below, but it is not limited to those described in [Table 1] In various combinations and values, weight precision and activation precision for the weight can be set.
  • each of the plurality of processors 220 is based on an operation value equal to or lower than operation values associated with the plurality of artificial intelligence models 243 to the plurality of artificial intelligence models 243.
  • an artificial intelligence model having the changed parameters eg, a quantized weight 411, a quantized activation function 413) 410 may be used to process content.
  • the weights 310 of the convolution layer corresponding to the 32-bit operation value of the artificial intelligence models 243 are weights 411 corresponding to the lower operation value (eg, 8-bit int). may be reconfigured and/or re-implemented.
  • the activation function 320 of the artificial intelligence model 243 implemented to output a value corresponding to a 32-bit operation value is implemented to output a value corresponding to a lower 4-bit operation value.
  • (413) may be reconfigured and/or re-implemented.
  • the artificial intelligence model 410 in which the parameters are transformed may be distinguished from the artificial intelligence model in which the parameters are not transformed by an ordinal number such as “first and second” (eg, the deep stored in the electronic device 101 ). a learning model, and a "first" deep learning model with changed parameters).
  • each of the plurality of processors 220 receives information on an operation value for each parameter type (eg, weight and activation function) selected by the processor 230 to be described later, and sets the received parameter types. It is possible to quantize and use a pre-stored artificial intelligence model based on the information on the star operation value.
  • parameter type eg, weight and activation function
  • each of the plurality of processors 220 may obtain and use the pre-quantized artificial intelligence model 410 based on an operation value for each type of parameter selected by the processor 230 .
  • each of the plurality of processors 220 may be preset to use a specific operation value for each parameter type, and when one processor is selected from among the plurality of processors 220 , one processor It may be implemented to use a quantized artificial intelligence model based on a specific operation value for each type of parameter (eg, weight and activation function) set to correspond to the processor.
  • the amount of computation when processing content using the quantized artificial intelligence model 410 of the electronic device 101 may be reduced, and thus the burden of operating the artificial intelligence model may be reduced.
  • the processor 230 may include an application processor (AP), a CPU It may include at least one of a central processing unit (GPU), a graphic processing unit (GPU), a display processing unit (DPU), and a neural processing unit (NPU).
  • AP application processor
  • GPU central processing unit
  • GPU graphic processing unit
  • DPU display processing unit
  • NPU neural processing unit
  • At least some of the modules are implemented in software, firmware, hardware, or a combination of at least two or more thereof (for example) can be executed.
  • the modules may be in the form of an application, program, computer code, instructions, routine, or process executable by the processor 650 . can be implemented as Accordingly, when the modules are executed by the processor 650 , the modules may cause the processor 230 to perform an operation (or a function that the module can provide) associated with the module.
  • the modules may be implemented as part of a specific application.
  • each module may be implemented as hardware (eg, a processor, a control circuit) separate from the processor 230 .
  • the operation value selection module 231 may be configured to use one value among a plurality of values associated with computing power for each type of parameter (eg, a weight or an activation function). can be selected.
  • each of the plurality of operation values may be set to 32 bit, 16 bit, 8 bit, and 4 bit, but is not limited thereto and may be set to various values.
  • the operation value selection module 231 when an event for processing content occurs (eg, execution and/or driving of an application), the operation value selection module 231 performs a plurality of operations for each parameter type (eg, a weight and an active function).
  • preset operation values may be selected (or identified).
  • the operation value selection module 231 is configured to configure the plurality of processors 220 based on information on operation values for each parameter type (eg, a weight and an active function) set for each of the plurality of processors 220 . .
  • the operation value selection module 231 may select a processor from among the plurality of processors 220 as described above, and transmit information about the selected operation values to the selected processor.
  • the operation value selection module 231 selects a processor from among the plurality of processors 220 without the operation of selecting the operation values, and the selected processor is quantized based on operation values corresponding to the processor. It can also be controlled to use an intelligent model. In another embodiment, the operation value selection module 231 changes the currently selected operation values into other operation values (or changes from the selected processor to another processor) based on the cost calculated by the evaluation module 233 to be described later. )You may. An operation of the electronic device 101 based on the operation value selection module 231 will be described in detail later.
  • the evaluation module 233 may calculate a cost associated with candidate operation values among a plurality of operation values based on the occurrence of a specific event. An operation of calculating the cost of the electronic device 101 based on the evaluation module 233 will be described in detail later.
  • the electronic device 101 selects operation values from among a plurality of operation values to process data, and parameters (eg, weights, activation functions) of the artificial intelligence model based on the selected operation values. can be set (or quantized) to use the artificial intelligence model.
  • the electronic device 101 changes operation values selected based on occurrence of a specific event into other operation values among a plurality of operation values while processing data using the artificial intelligence model, and based on the changed operation values, the artificial intelligence model
  • the artificial intelligence model can be used by setting (or quantizing) the parameters of .
  • FIG. 5 is a flowchart 500 for explaining an example of an operation of the electronic device 101 according to various embodiments of the present disclosure.
  • the operations illustrated in FIG. 5 are not limited to the illustrated order and may be performed in various orders.
  • more operations than the operations illustrated in FIG. 5 or at least one fewer operations may be performed.
  • FIG. 5 will be described with reference to FIG. 6 and FIGS. 7A to 7B .
  • FIG. 6 is a diagram for describing an example of an operation of processing data (eg, image data) using an artificial intelligence model of the electronic device 101 according to various embodiments of the present disclosure.
  • 7A is a diagram for describing an example of an operation of using an artificial intelligence model by selecting or changing operation values among a plurality of operation values of the electronic device 101 according to various embodiments of the present disclosure.
  • FIG. 7B is a diagram for describing an example of an operation of using an artificial intelligence model by selecting or changing a processor among a plurality of processors 220 of the electronic device 101 according to various embodiments of the present disclosure.
  • the electronic device 101 may execute an application in operation 501 and acquire at least one data based on the executed application.
  • the electronic device 101 executes one of the plurality of applications 241 installed in the electronic device 101 , and drives the device included in the electronic device 101 based on the executed application to obtain data. can be obtained.
  • the electronic device 101 executes the camera application 611 as shown in state 601 of FIG. 6 , and drives the camera 211 based on the executed camera application 611 to display images or images ( 615) can be obtained.
  • the electronic device 101 executes the camera application 611 as shown in state 601 of FIG. 6 , and drives the camera 211 based on the executed camera application 611 to display images or images ( 615) can be obtained.
  • the data obtainable by the electronic device 101 may include audio data and an electronic document, but is not limited thereto, and may be applied to the artificial intelligence model. It may further include types of electronic data that can be analyzed electronically (eg, software, sensor values). Accordingly, the electronic device 101 executes and/or drives various types of applications (eg, a recording application, a document preparation application), processes, or programs for acquiring various types of data, and the device (eg, Data may be acquired using the microphone 213 , the communication circuit 215 , a touch screen (not shown), and a sensor (not shown).
  • applications eg, a recording application, a document preparation application
  • the device eg, Data may be acquired using the microphone 213 , the communication circuit 215 , a touch screen (not shown), and a sensor (not shown).
  • the electronic device 101 may select first values from among a plurality of values associated with computing power to process the at least one data (or content) obtained. For example, when an event for processing at least one acquired data (or content) (eg, an image or an image) occurs, the electronic device 101 sets parameters (eg, weight, and activation function). ), calculation values to be used for data (or content) processing may be selected from among a plurality of calculation values.
  • the processing of the data (or content) may include an operation of acquiring information related to the acquired data (or content) based on the data (or content).
  • the information related to the acquired data (or content) may include information that can be analyzed from the acquired data (or content).
  • the processing of the data (or content) may include an operation of acquiring speaker identification information based on the audio data.
  • the occurrence of an event for processing the data (or content) may be identified by the electronic device 101 based on the executed and/or driven application (or program, or process).
  • a mode for processing types of data (or content) acquired for each application may be implemented in each of the applications in advance. As an example, as shown in state 601 of FIG.
  • the camera application 615 operates an object discrimination mode 613 for obtaining information about objects (or subjects) by processing the acquired image or image. It can be implemented to provide Accordingly, when the object discrimination mode 613 is selected on the execution screen of the camera application 615 by the user, the electronic device 101 can identify that an event requesting data (or content) processing occurs. have.
  • the electronic device 101 may acquire (or select) an artificial intelligence model 710 for processing data (or content) (or corresponding to the selected mode).
  • Each of the plurality of artificial intelligence models 243 is a pre-trained model for processing a specific type of data (eg, image data) (eg, outputting result data in which a subject is divided) as described above in FIG. 4A .
  • the electronic device 101 has a plurality of artificial intelligence models 243 pre-stored in the electronic device 101 based on the occurrence (eg, mode selection) of an event for processing the data (or content). In order to process the type of data (or content) corresponding to the event (or mode) among them, it is possible to identify the artificial intelligence model 710 trained in advance.
  • the electronic device 101 is an artificial device for processing data (or content) of a type corresponding to the event from an external server based on the occurrence (eg, mode selection) of the event. It may also receive an intelligence model.
  • the electronic device 101 corresponds to an operation value combination to be used to process data (or content) among a plurality of operation values stored in advance (eg, a plurality of operation value combinations in [Table 1]). Operational values can be selected. For example, as shown in FIG. 7A , the electronic device 101 (eg, the operation value selection module 231 ) provides a plurality of parameters for each type (eg, weight and activation function) pre-stored in the electronic device 101 . A calculation value (eg, weight precision of 8 bits and activation precision of 8 bits) 701 may be selected from among the calculation values of preset parameters for each type.
  • a calculation value eg, weight precision of 8 bits and activation precision of 8 bits
  • the plurality of computational values are values associated with computational power for calculating (or setting) a parameter (eg, at least one of a weight or an activation function) of the artificial intelligence model as described above with reference to FIGS. 3 to 4 , and the artificial intelligence model It may be set to 32bit, 16bit, 8bit, or 4bit equal to or smaller than the operation value of 710 (eg, 32 bit), but is not limited thereto.
  • a parameter eg, at least one of a weight or an activation function
  • 710 eg, 32 bit
  • Combinations of operation values set for each type of parameter are as described above in [Table 1], and thus a redundant description will be omitted for the sake of brevity.
  • the electronic device 101 determines the types of parameters (eg, preset operation values (eg, weight precision is 8 bits, activation precision is 8 bits) 701 from among a plurality of operation values for each weight and activation function) may be selected. For example, as shown in FIG. 7A , it may be preset that the combination of the lowest calculation value is selected for each type of parameter (eg, weight and activation function), but it is not limited to the description and/or shown.
  • the selected operation values may be variously preset (eg, an intermediate operation value or the highest operation value is preset to be selected).
  • the electronic device 101 (eg, the operation value selection module 231 ) is configured for each parameter type (eg, weight and activation function) based on the type of currently received data (or content). It is also possible to select operation values from among a plurality of operation values. For example, a complexity indicating an operational burden for processing data (or content) is set according to the type of data (or content), and the electronic device 101 (eg, the operation value selection module 231 ) provides the complexity It is possible to select an operation value for each parameter type (eg, weight and activation function) in proportion to . For example, the complexity of image data may be set higher than that of audio data.
  • the electronic device 101 selects first operation values from among a plurality of operation values for each parameter type (eg, weight and activation function) when image data is received and, when audio data is received, second operation values lower than the first operation values may be selected from among a plurality of operation values for each parameter type.
  • a parameter type eg, weight and activation function
  • the electronic device 101 obtains in operation 505 by configuring at least one parameter of the artificial intelligence model stored in the electronic device 101 as at least one first parameter corresponding to the first values.
  • the first result data may be obtained by processing the at least one data (or content) using the first artificial intelligence model having the at least one first parameter.
  • the electronic device 101 generates a quantized artificial intelligence model 710 based on an operation value for each type of parameter (eg, a weight and an activation function) selected by one of the plurality of processors 220 . It is possible to control (or transmit instructions) to process data (or content) by using it, and obtain processing result data.
  • the electronic device 101 identifies the object included in the image data by processing the acquired image data 615 using the quantized artificial intelligence model 710 as shown in the state 602 of FIG. 6 .
  • Result data 621 may be obtained.
  • the quantization is performed by converting parameters (eg, weight and activation function) consisting of higher computational values constituting the artificial intelligence model 243 (or included in the artificial intelligence model 243) into parameters consisting of lower computational values. It may be to change (or set).
  • the electronic device 101 may set parameters (eg, implemented to process data (or content)) of an artificial intelligence model (eg, implemented to receive image data and output result data in which an object is identified).
  • weight, and activation function is set (or changed, or configured) to first parameters (eg, first weight, and first activation function) based on the selected operation values, and the selected first processor 221 is It is possible to control data (or content) to be processed using the artificial intelligence model 710 having the first parameters.
  • the electronic device 101 may process data (or content) using the artificial intelligence model 710 having the changed weight and activation function.
  • the electronic device 101 may select at least one processor to process data (or content) from among the plurality of processors 220 as shown in FIG. 7A .
  • the processor identifies processors that do not perform a data (or content) processing operation among the plurality of processors 220 (or identifies processors in an idle state), and selects a preset processor from among the identified processors. Select, randomly select a processor, or select a processor corresponding to the type of data (or content) received (e.g., select a GPU if the data (or content) is image data), and select a processor (e.g.:
  • the first processor 221 may control (or provide instructions) to process data (or content) using the quantized artificial intelligence model 710 .
  • the electronic device 101 (eg, a processor) is configured to calculate an operation value (eg, 8 bits) for the selected weight from among the plurality of processors 220 and an operation value (eg, 8 bits) for an activation function.
  • an operation value eg, 8 bits
  • Selects a corresponding (or is implemented to operate with computational values) processor eg, first processor 221
  • information on a calculation value for a weight used for each of the plurality of processors 220 and a calculation value for an activation function may be stored in the electronic device 101 in advance.
  • the electronic device 101 (eg, the processor 230 ) refers to the information, and an operation value (eg, 8 bits) for the weight selected from among the plurality of processors 220 and an operation value for an activation function (eg: 8-bit) (or implemented to operate with operation values) may be selected (eg, the first processor 221 ).
  • an operation value eg, 8 bits
  • an activation function eg: 8-bit
  • the selected processor uses the pre-quantized artificial intelligence model 710 or quantizes the artificial intelligence model based on the operation value for each selected parameter type.
  • the quantized artificial intelligence model 710 can be used.
  • the processor 230 calculates an operation value (eg, 8 bits) for a weight selected by the first processor 221 and an operation value (eg, 8 bits) for an activation function. information can be conveyed.
  • the first processor 221 changes the parameters (eg, weight, and activation function) of the artificial intelligence model based on the calculation value for the weight (eg, 8bit) and the operation value for the activation function (eg, 8bit) ( or configure or set), input data (or content) to the artificial intelligence model including the changed parameters, and process the input data (or content) (e.g., convolutional layer operation, active function operation, pooling layer operation) It is possible to obtain result data that is output in response to this.
  • the first processor 221 may execute a kernel generated by compiling the quantized artificial intelligence model 710 , but is not limited thereto.
  • the processor 230 is configured to provide an operation value (eg, 8 bits) for a weight selected from among the artificial intelligence models previously quantized by the selected first processor 221 (eg, 8 bits) and an operation value (eg, 8 bits) for an activation function. It is also possible to control to process data (or content) using a quantized artificial intelligence model based on .
  • the electronic device 101 quantizes the pre-trained artificial intelligence model into operation values for each combination as described above in [Table 1], and implements (or generates) the quantized artificial intelligence models in advance and stores them. have.
  • the electronic device 101 eg, the processor 230 identifies the artificial intelligence model 710 corresponding to the operation value for each parameter selected from among the quantized artificial intelligence models, and the first processor 221 identifies the identified artificial intelligence model. You can control the processing of data (or content) based on an intelligent model.
  • the processor 230 transmits the kernel generated by compiling the quantized artificial intelligence model 710 as described above to the selected first processor 221 so that the first processor 221 is applied to the artificial intelligence model 710 . Based on the processing operation may be performed, but is not limited thereto.
  • the electronic device 101 may determine whether a specific event occurs in operation 507 .
  • the occurrence of the specific event may include lapse of a preset time.
  • the electronic device 101 sets a timer from a point in time when data (or content) using the first processor 221 among the plurality of processors 220 is processed, and a preset time elapses based on the timer When identifying what is happening, it can be identified as a specific event being generated. After the evaluation period to be described later, when it is identified that a preset time has elapsed again, the electronic device 101 may identify that a specific event has occurred.
  • the occurrence of the specific event may include a change in characteristics of acquired data (eg, image data) as shown in states 602 to 603 of FIG. 6 .
  • the characteristic of the data may include a value included in the data or the type of data.
  • the electronic device 101 acquires new image data as it shoots a subject different from the subject being photographed or a landscape different from the landscape being photographed, as shown in states 602 to 603 of FIG. 6 , It may be identified that a value (eg, pixel values) included in the currently acquired image data has a difference between a value (eg, a pixel value) included in the previously acquired image data 615 and a preset value or more.
  • the electronic device 101 may identify that a characteristic of currently received image data is changed and identify that a specific event has occurred, based on identifying that the difference is greater than or equal to the preset value.
  • the occurrence of the specific event may identify the movement of the electronic device 101 . For example, when the electronic device 101 identifies a movement (eg, rotation) of the electronic device 101 based on a value identified from a sensor (eg, a tilt sensor, a gyro sensor), it is determined that a specific event occurs. can be identified.
  • the electronic device 101 may select second values from among a plurality of values in operation 509 .
  • the electronic device 101 is different from a combination of values currently selected from among a plurality of combinations of operation values (eg, the first operation combination 701 ) based on the occurrence of a specific event as illustrated in FIG. 7B .
  • a combination of values eg, the second operation combination 703
  • the electronic device 101 sets the mode of the electronic device 101 to the “result evaluation mode” and selects a mode other than the currently selected operation combination (eg, the first operation combination 701) for a specific period.
  • An operation of calculating costs for the operation combinations may be performed, and another second operation combination 703 may be selected from among a plurality of operation combinations based on the calculated costs.
  • the calculated cost may represent a difference in result data and energy consumption based on a combination of calculations.
  • the electronic device 101 may change the combination of operations in a specific order.
  • the change in the operation combination in the specific order may be the change from the current combination to another combination by one step.
  • the step of the combination may be set in proportion to the calculation value for each type of parameter (eg, weight and active function) corresponding to the combination, and accordingly, the calculation value for the weight and the calculation value for the active function
  • a lower sum may be a lower-level operation combination, and a larger sum may indicate a higher-level operation combination.
  • the step may be replaced by a term such as a level instead of the term step. As shown in FIGS.
  • the electronic device 101 selects a higher operation combination (eg, the second operation combination 703) from the current operation combination (eg, the first operation combination 701), or , or one lower arithmetic combination.
  • a higher operation combination eg, the second operation combination 703
  • the current operation combination eg, the first operation combination 701
  • the step in which the combination of operations is changed may be set to a step larger than one step instead of one step.
  • the step of changing the operation combination may be proportional to a difference between previously received data (or content) and currently received data (or content).
  • the electronic device 101 when the electronic device 101 changes a combination of operations in a specific order, the steps that can be changed in the current step (eg, one step higher and/or one step lower when changing one step at a time) Corresponding combinations of operations (ie, candidate combinations of operations) may be identified and costs may be calculated for the identified combinations of operations. Alternatively, without being limited thereto, when the operation combination is changed without a specific order, the electronic device 101 may calculate costs for at least some of the plurality of operation combinations without identifying the above-described candidate operation combination.
  • the electronic device 101 obtains the at least one parameter in operation 511 by configuring the at least one parameter of the deep learning model as at least one second parameter corresponding to the selected second values.
  • Second result data may be obtained by processing the at least one data (or content) using a second deep learning model having a second parameter of .
  • the electronic device 101 may display a quantized artificial intelligence model 720 based on an operation value for each parameter type (eg, weight, and activation function) newly selected by one of the plurality of processors 220 . ) to control (or transmit instructions) to process data (or content), and obtain processing result data.
  • a quantized artificial intelligence model 720 based on an operation value for each parameter type (eg, weight, and activation function) newly selected by one of the plurality of processors 220 . ) to control (or transmit instructions) to process data (or content), and obtain processing result data.
  • a processor eg, the first processor 221 that performs an operation of processing current data (or content) selects the newly selected parameter types (Data (or content) using the second artificial intelligence model 720 having parameters corresponding to calculation values (eg, weight precision is 8 bits, activation precision is 16 bits) 703 for each weight and activation function) can be controlled to process
  • the first processor 221 receives the calculation values for each type of the newly selected parameter from the processor 230 and calculates the calculation values for each type of the newly selected parameter (eg, a weight and an active function).
  • a quantized artificial intelligence model 720 corresponding to quantization of a pre-trained artificial intelligence model based on ) may be transmitted to the first processor 221 .
  • the electronic device 101 includes a processor (eg, the first processor 221 ) different from the processor (eg, the first processor 221 ) that performs the operation of processing current data (or content).
  • the processor 223) is a second artificial An intelligent model can be used to control the processing of data (or content).
  • the electronic device 101 corresponds to (or uses the calculation values) corresponding to the calculation values 703 for each type (eg, a weight, and an activation function) of a newly selected parameter among the plurality of processors 220 .
  • the set) second processor 223 is identified, and operation values (eg, weight precision: 8bit, activation precision: 16bit) for each type of parameter (eg, weight, and activation function) newly selected by the second processor 223 (eg, weight precision: 8bit) Data (or content) may be controlled to be processed using the second artificial intelligence model 720 having a parameter corresponding to 703 .
  • the electronic device 101 may obtain result data 631 for image data having different characteristics (eg, a subject or a landscape is changed).
  • the operation of obtaining the quantized artificial intelligence model of operation 511 of the electronic device 101 and processing data (or content) using the artificial intelligence model may be performed as in operation 505 of the electronic device 101 described above. Therefore, overlapping descriptions are omitted for the sake of brevity.
  • a corresponding artificial intelligence model may be received from an external server and the received artificial intelligence model may be quantized and used, or a pre-quantized artificial intelligence model may be received and used from an external server.
  • the electronic device 101 does not perform an operation of processing data (or content) using an artificial intelligence model in the electronic device 101 , but information about data (or content) and data Result data processed by the artificial intelligence model stored in advance in the external server by transmitting information for processing (or content) (eg, information on the mode for distinguishing an object (or subject) and selected operation values) to an external server may be received from an external server.
  • information for processing (or content) eg, information on the mode for distinguishing an object (or subject) and selected operation values
  • the electronic device 101 calculates costs for at least a portion of a plurality of operation combinations for a specific period (eg, an evaluation period), and calculates other costs based on the calculated costs.
  • a specific period eg, an evaluation period
  • a combination of operations can be selected.
  • FIG. 8 is a flowchart 800 for explaining an example of an operation of the electronic device 101 according to various embodiments of the present disclosure.
  • the operations illustrated in FIG. 8 are not limited to the illustrated order and may be performed in various orders. In addition, according to various embodiments, more operations than those illustrated in FIG. 8 or at least one fewer operations may be performed.
  • FIG. 8 will be described with reference to FIGS. 9 , 10 , and FIGS. 11A to 11B .
  • 9 is a diagram for describing an example of an operation of calculating a cost for each of a plurality of arithmetic combinations of the electronic device 101 according to various embodiments of the present disclosure.
  • 10 is a diagram for explaining an example of result data obtained by artificial intelligence models having at least one parameter configured based on different operation combinations according to various embodiments of the present disclosure;
  • 11A is a diagram for explaining an example of an operation of calculating costs for a specific period of the electronic device 101 according to various embodiments of the present disclosure.
  • 11B is a diagram for explaining another example of an operation of calculating costs for a specific period of the electronic device 101 according to various embodiments of the present disclosure.
  • the electronic device 101 may execute an application in operation 801 and acquire at least one data (or content) based on the executed application.
  • the electronic device 101 executes an application (eg, a camera application) among a plurality of applications 241 installed in the electronic device 101 and is provided in the electronic device 101 based on the executed application.
  • Data (or content) eg, image data
  • operation 801 of the electronic device 101 may be performed like operation 501 of the above-described electronic device 101 , a redundant description will be omitted for the sake of brevity.
  • the electronic device 101 selects a first value from among a plurality of values related to computing power to process the at least one data (or content) obtained in operation 803 , and in operation 805 , the a first artificial intelligence model having the at least one first parameter obtained by configuring at least one parameter of the artificial intelligence model stored in the electronic device 101 as at least one first parameter corresponding to the first values;
  • the first result data (or content) may be obtained by processing the at least one data (or content) using the .
  • the electronic device 101 eg, the operation value selection module 231
  • the electronic device 101 generates an event for processing at least one acquired data (or content) (eg, an image or an image) (eg, a camera).
  • Pre-set operation values to be used for data (or content) processing may be selected from among one operation value types).
  • the electronic device 101 may acquire (or select) an artificial intelligence model for processing data (or content) (or corresponding to the selected mode).
  • the electronic device 101 selects at least one processor to process data (or content) from among the plurality of processors 220 , and performs an operation in which the selected processor (eg, the first processor 221 ) is selected.
  • Data may be controlled to be processed using a quantized artificial intelligence model including at least one parameter set based on values.
  • Operations 803 to 805 of the electronic device 101 may be performed in the same manner as operations 503 to 505 of the electronic device 101, and thus overlapping descriptions are omitted for brevity.
  • the electronic device 101 may determine whether a specific event occurs in operation 807 .
  • the occurrence of the specific event may include at least one of the passage of a specific time, a change in the characteristics of the acquired data (or content), or the movement of the electronic device 101 as described above.
  • Operation 807 of the electronic device 101 may be performed like operation 507 of the electronic device 101 described above, and thus a redundant description will be omitted for the sake of brevity.
  • the electronic device 101 calculates at least one cost corresponding to at least one of the plurality of values for a specific time period based on the occurrence of a specific event in operation 809 , and calculates the cost in operation 811 .
  • Second values among the plurality of values may be selected based on at least one cost.
  • the electronic device 101 calculates costs associated with some arithmetic combinations among a plurality of arithmetic combinations for a specific period (eg, an evaluation period), and calculates costs associated with the calculation combination having the lowest cost among the calculated costs (eg, : 2nd operation combination) can be selected. For example, as shown in FIGS.
  • the electronic device 101 changes data (or content) to an operation combination having the lowest cost after a specific period based on the costs calculated during the specific period. processing can be performed.
  • the operation combination having the lowest cost may be a currently selected operation combination (eg, a first operation combination) or a different operation combination from the currently selected operation combination (eg, a second operation combination).
  • the electronic device 101 may calculate costs for all of a plurality of combinations of operations including the current combination of operations during the specific period. Also, in an embodiment, when the current operation combination and the combination in the above-described specific order are changed during the specific period, the electronic device 101 sets the changeable candidate operation combinations in the current operation combination (eg, one step lower or one step lower than the current operation combination).
  • the electronic device 101 may calculate costs for the remaining parts of a plurality of arithmetic combinations other than the current arithmetic combination. In this case, when the calculated costs are higher than a preset threshold, the electronic device 101 may maintain the currently selected operation combination (eg, the first operation combination).
  • the threshold value may be set to a value of a cost associated with a currently selected combination of operations (eg, a first combination of operations), but the present disclosure is not limited thereto.
  • the electronic device 101 identifies the lowest cost from at least some of the costs as described above, and sets the current operation combination as the lowest cost. It can be changed to a combination of operations with .
  • the electronic device 101 performs the operation combination of the highest level during a specific period and result data for at least some of the plurality of operation combinations described above and the plurality of operations. Based on the energy consumption associated with some of the combinations, costs may be calculated for some of the plurality of combinations of operations. For example, the electronic device 101 calculates a difference between the result data for some of the plurality of arithmetic combinations and the result data for the highest-level arithmetic combination, and calculates the difference between the calculated difference and the plurality of arithmetic combinations. A cost may be calculated based on energy (eg, power) consumed during a data (or content) processing operation using a quantized artificial intelligence model based on some.
  • energy eg, power
  • the electronic device 101 may calculate the cost as shown in Equation 1 below.
  • the equation for calculating the cost may include more parameters in addition to the parameters described in [Equation 1]. Accordingly, the calculated cost represents the difference between the result data of some of the plurality of operation combinations and the result data with the highest accuracy and the amount of energy consumption when processing data (or content) by some of the plurality of operation combinations.
  • the low cost may indicate that the difference from the most accurate result data is small and the amount of energy consumed is small.
  • Out.candi is a part of the result data of some of the plurality of operation combinations for which the cost is to be calculated (eg, (x,y) means one pixel in the case of image data, and in the case of audio data, a specific time frame), Out.max is the part of the result data of the highest arithmetic combination (that is, the part of the best result data), and Energy.candi is the part of the plurality of arithmetic combinations for which the cost is to be calculated. represents the energy consumed when an operation is performed by the ⁇ , and ⁇ represents a constant.
  • the electronic device 101 performs an operation combination of the highest level and some of the plurality of operation combinations during a specific period (eg, an evaluation period).
  • a specific period eg, an evaluation period
  • Each of the quantized artificial intelligence models eg, 910 and 920 ) having parameters (eg, weight and activation function) based on it may be obtained.
  • the operation of obtaining the quantized artificial intelligence models is performed by reconfiguring and/or re-implementing the parameters of the pre-trained artificial intelligence model as described above, and thus a redundant description will be omitted.
  • the electronic device 101 eg, the evaluation module 233) controls different processors (eg, the first processor 221 and the second processor 223) to process data (or content) acquired during a specific period.
  • result data (eg, the first result data 911 and the second result data 921) may be obtained from the respective processors.
  • Each of the processors processing the data (or content) 901 may be a processor corresponding to operation combinations as described above. Or, without being limited to the description and/or shown, one processor uses the quantized artificial intelligence models (eg, 910, 920) based on the highest-level arithmetic combination and some of the plurality of arithmetic combinations to the data (or content) 901 .
  • the electronic device 101 eg, the evaluation module 233) is configured to include a portion (eg, the first result data 911 and the second result data 921) corresponding to each other obtained.
  • the electronic device 101 In the case of image data, data of at least one corresponding pixel and data of at least one time frame in the case of audio data) may be calculated. Also, for example, the electronic device 101 (eg, the evaluation module 233) provides data (or content), information on the amount of energy consumed (or the amount of resources, or the amount of power, or the amount of data to be calculated) may be obtained according to the processing operation of each processor. For example, the electronic device 101 (eg, a processor) may monitor the amount of energy consumed during a processing operation of each processor. As a result, the electronic device 101 (eg, the evaluation module 233 ) is configured based on the difference between the result data (eg, the first result data 911 and the second result data 921 ) and the amount of energy consumed.
  • the result data eg., the first result data 911 and the second result data 921
  • the other image data may have a smaller amount of data to be processed according to a currently selected mode (eg, the aforementioned object identification mode) compared to specific image data (eg, the number of objects to be identified may be small). Therefore, when image data as shown in the state 1002 of FIG. 10 is obtained, the electronic device 101 selects a lower-level operation combination compared to a case where a higher-level operation combination is selected. The difference in the resulting data may be small and the amount of energy consumed may also be smaller (ie, there may be an advantage in terms of energy consumption). Accordingly, in consideration of the descriptions in the states 1001 to 1002 of FIG.
  • the electronic device 101 determines the difference from the result data with the highest accuracy based on the occurrence of a specific event. and a cost representing the amount of energy consumed when processing data (or content) and may select an operation combination having the lowest cost among the calculated costs.
  • the operation of the electronic device 101 processing data (or content) based on each of a plurality of operation combinations for a specific period may be performed simultaneously or at the same time.
  • the electronic device 101 may perform an operation of simultaneously processing data (or content) based on a plurality of operation combinations for a specific period (eg, an evaluation period).
  • the plurality of processors 220 corresponding to the plurality of operation combinations may process data (or content) using the quantized artificial intelligence model based on each of the plurality of operation combinations for a specific period.
  • a processor may process data (or content) using quantized artificial intelligence models based on a plurality of arithmetic combinations for a specific period to obtain result data. Also, for example, as shown in FIG. 11B , the electronic device 101 sequentially performs an operation of processing data (or content) based on one operation combination among a plurality of operation combinations for a specific period (eg, an evaluation period). can be done
  • the electronic device 101 configures the at least one parameter of the deep learning model as at least one second parameter corresponding to the selected second values.
  • the second result data (or content) may be obtained by processing the at least one data (or content) using the second deep learning model having the second parameter.
  • the electronic device 101 uses the quantized artificial intelligence model based on the calculation value for each type of parameter of the operation combination (eg, the second operation combination) selected after a specific period (eg, evaluation period), It is possible to process data (or content) obtained after the specified period. Since operation 813 of the electronic device 101 may be performed like operation 511 of the above-described electronic device 101, a redundant description will be omitted for the sake of brevity.
  • an application is executed by at least one processor of the electronic device (eg, the electronic device 101 of FIG. 1 ). executing and acquiring at least one content based on the executed application, selecting first values from among a plurality of values associated with computing power to process the acquired at least one content, the electronic device At least one parameter of an artificial intelligence model (eg, the artificial intelligence models 243 of FIG. 2 ) stored in (eg, the electronic device 101 of FIG.
  • an artificial intelligence model eg, the artificial intelligence models 243 of FIG. 2
  • first parameter corresponding to the first values Obtaining first result data by processing the at least one content using a first artificial intelligence model having the at least one first parameter obtained by configuring as obtained by selecting second values from a plurality of values different from the first values, and configuring the at least one parameter of the artificial intelligence model with at least one second parameter corresponding to the selected second values,
  • An operating method may be provided, comprising: obtaining second result data by processing the at least one content by using a second artificial intelligence model having the at least one second parameter.
  • the occurrence of the specific event may include that a specific time elapses, that a change in the acquired characteristic of the at least one content is identified, or the electronic device (eg, the electronic device 101 of FIG. 1 ). )), the movement of which is identified, the method of operation may be provided.
  • the artificial intelligence model is a model trained in advance to output result data in response to receiving the input of the at least one data obtained based on the execution of the application, and
  • the at least one parameter may include at least one weight and at least one activation function obtained according to the learning.
  • the plurality of values associated with the computational power includes combinations of values, each of the combinations of values comprising a value associated with the computational power for the weight and the computational power for the activation function;
  • a method of operation may be provided, including an associated value.
  • the first value for the weight as the first values among the combinations of values; selecting a first combination of values comprising a first value for the activation function, and when the particular event occurs, a second value for the weight as the second values among the combinations of values and the A method may be provided, comprising selecting a second combination of values comprising a second value for the activation function.
  • the at least one weight of the artificial intelligence model is set as at least one first weight based on the first value for the weight, and based on the first value for the activation function obtaining the first artificial intelligence model by setting the at least one activation function of the artificial intelligence model as at least one first activation function, and the artificial intelligence model based on the second value for the weight. set the at least one weight of , as at least one second weight, and set the at least one activation function of the artificial intelligence model as at least one second activation function based on the second value for the activation function. and obtaining the second artificial intelligence model by doing so, an operating method may be provided.
  • the first value for the weight and a first value corresponding to the first value for the activation function Identifying one processor and controlling the first processor to process the at least one content by using the first artificial intelligence model, and a plurality of the electronic devices (eg, the electronic device 101 of FIG. 1 ). identify a second processor corresponding to the second value for the weight and the second value for the activation function among the processors of , and process the at least one content using the second artificial intelligence model
  • a method of operation may be provided, comprising controlling a second processor.
  • a combination of the values based on the value for the weight and the value for the activation function included in each of some of the combinations of values for a specific period of time calculating costs for some of the combinations, wherein the costs are some of the combinations of values and accuracy of result data obtained as the at least one data is processed based on the portions of the combinations represents an energy consumption obtained as the at least one data is processed based on .
  • a method may be provided.
  • identifying a third combination of the values comprising a highest value for the weight and a highest value for the activation function among the combinations of values, the highest value for the weight and obtaining a third artificial intelligence model having at least one third parameter constructed based on the highest value for the activation function, and values for the weight corresponding to the portions of the combinations and the activation function.
  • obtaining artificial intelligence models having at least one fourth parameter configured based on each of the values for and obtaining a plurality of result data by processing the at least one data based on the artificial intelligence models, and a difference between at least a portion of each of the plurality of result data and at least a portion of the third result data
  • a method of operation comprising the step of calculating may be provided.
  • the steps of obtaining information related to the amount of energy consumed by processing the at least one data based on each of the artificial intelligence models, and the calculated difference and the amount of energy consumed Based on, a method of operation may be provided, comprising calculating the costs.
  • an electronic device eg, the electronic device 101 of FIG. 1
  • includes at least one processor eg, the processor 230 of FIG. 2
  • the at least one processor eg: The processor 230 of FIG. 2 executes an application, obtains at least one content based on the executed application, and processes the obtained at least one content. 1 values are selected, and at least one parameter of an artificial intelligence model (eg, artificial intelligence models 243 of FIG. 2 ) stored in the electronic device (eg, electronic device 101 of FIG. 1 ) is set to the first values.
  • an artificial intelligence model eg, artificial intelligence models 243 of FIG. 2
  • An electronic device configured to obtain a second result content by processing the at least one content using a second artificial intelligence model having the at least one second parameter obtained by configuring as A device 101 may be provided.
  • the occurrence of the specific event may be the lapse of a specific time, the identification of a change in the characteristic of the at least one acquired data, or the electronic device (eg, the electronic device 101 of FIG. 1 ). )), an electronic device (eg, the electronic device 101 of FIG. 1 ) including at least one of which movement is identified may be provided.
  • the artificial intelligence model is a model trained in advance to output result data in response to receiving the input of the at least one data obtained based on the execution of the application, and
  • An electronic device eg, the electronic device 101 of FIG. 1 , in which the at least one parameter includes at least one weight and at least one activation function obtained according to the learning.
  • the plurality of values associated with the computational power includes combinations of values, each of the combinations of values comprising a value associated with the computational power for the weight and the computational power for the activation function;
  • An electronic device eg, the electronic device 101 of FIG. 1 ) including the associated value may be provided.
  • the at least one processor when an event for processing the at least one content obtained based on the executed application occurs, the at least one processor (eg, the processor 230 of FIG. 2 ) generates the combination from among the first values, a first combination corresponding to the first value for the weight and the first value for the activation function is selected from among the first values, and when the specific event occurs, as the second values from among the combinations
  • An electronic device eg, the electronic device 101 of FIG. 1 ) configured to select a second combination corresponding to the second value for the weight and the second value for the activation function may be provided.
  • the at least one processor calculates the at least one weight of the artificial intelligence model as at least one second value based on the first value for the weight. obtaining the first artificial intelligence model by setting it to 1 weight, and setting the at least one activation function of the artificial intelligence model to at least one first activation function based on the first value for the activation function, set the at least one weight of the artificial intelligence model to at least one second weight based on the second value for the weight, and set the at least one weight of the artificial intelligence model based on the second value for the activation function.
  • An electronic device eg, the electronic device 101 of FIG. 1 ) configured to acquire the second artificial intelligence model by setting at least one activation function as the at least one second activation function may be provided.
  • the at least one processor may determine the weight value among a plurality of processors of the electronic device (eg, the electronic device 101 of FIG. 1 ). identify a first processor corresponding to a first value and the first value for the activation function; control the first processor to process the at least one content using the first artificial intelligence model; identify a second processor corresponding to the second value for the weight and the second value for the activation function from among a plurality of processors of a device (eg, the electronic device 101 of FIG. 1 ); An electronic device (eg, the electronic device 101 of FIG. 1 ) configured to control the second processor to process the at least one content using an artificial intelligence model may be provided.
  • the at least one processor (eg, the processor 230 of FIG. 2 ) is configured to calculate the weight value corresponding to each of some of the combinations for a specific period based on the occurrence of the specific event. calculate costs for some of the combinations based on a value and a value for the activation function, the costs being the accuracy of result data obtained as the at least one data based on some of the combinations is processed represents an energy consumption obtained as the at least one data is processed based on some of the combinations, a second value for the weight having the lowest cost among the calculated costs, and a second value for the activation function
  • An electronic device (eg, the electronic device 101 of FIG. 1 ) configured to select a second combination corresponding to two values may be provided.
  • the electronic device As a method of operating an electronic device (eg, the electronic device 101 of FIG. 1 ), executing an application and acquiring at least one content based on the executed application, the electronic device To process the at least one content obtained using an artificial intelligence model (eg, the artificial intelligence models 243 of FIG. 2 ) stored in (eg, the electronic device 101 of FIG. 1 ), a first processor and selecting, wherein the first processor is set to correspond to first values among a plurality of values associated with computing power, and stored in the electronic device (eg, the electronic device 101 of FIG. 1 ) stored in an artificial intelligence model ( Example: a first artificial intelligence having the at least one first parameter, obtained by configuring at least one parameter of the artificial intelligence models 243 of FIG.
  • an artificial intelligence model eg, the artificial intelligence models 243 of FIG. 2
  • An operating method may be provided, comprising controlling the second processor to process the at least one content by using a second artificial intelligence model having a second parameter of .

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Telephone Function (AREA)

Abstract

다양한 실시예들에 따르면, 전자 장치의 동작 방법으로서, 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계, 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하는 단계, 상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 데이터를 획득하는 단계, 특정 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하는 단계, 및 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 데이터를 획득하는 단계를 포함하는, 동작 방법이 제공될 수 있다.

Description

인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법
본 개시는 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법에 관한 것이다.
현대를 살아가는 많은 사람들에게 휴대용 디지털 통신기기들은 하나의 필수 요소가 되었다. 소비자들은 휴대용 디지털 통신기기들을 이용하여 언제 어디서나 자신이 원하는 다양한 고품질의 서비스를 제공받고 싶어한다.
근래에 휴대용 디지털 통신기기들에는 인공 지능 학습 알고리즘에 기반하여 학습된 인공 지능 모델들이 저장되며, 휴대용 디지털 통신기기들에 의해 학습된 인공 지능 모델들을 이용하여 획득되는 다양한 종류의 데이터들을 처리하여 다양한 고품질의 서비스를 제공되고 있다.
그러나 인공 지능 모델들을 운용하기 위해 요구되는 리소스가 커, 휴대용 디지털 통신기기들에서 인공 지능 모델들을 운용하기 위해 인공 지능 모델들을 최적화하는 기술에 대한 수요가 증대되고 있다.
전자 장치는 미리 학습된 복수의 인공 지능(artificial intelligence, AI) 모델들(예: 딥 러닝 모델들, 또는 머신 러닝 모델들)을 저장하고, 복수의 인공 지능 모델들을 기반으로 획득되는 데이터(예: 이미지 데이터, 오디오 데이터)를 처리하여 결과 데이터(예: instance segmentation된 이미지 데이터)를 획득할 수 있다. 미리 학습된 인공 지능 모델들은 입력되는 데이터를 처리하기 위해 인공 지능 학습에 따라서 획득되는 적어도 하나의 파라미터(예: 가중치, 및/또는 활성 함수)로 구현되며, 정확하게 데이터를 처리하기 위해 적어도 하나의 파라미터는 복잡도가 높은 연산 값으로 설정될 수 있다. 따라서, 전자 장치가 미리 학습된 인공 지능 모델들을 이용하는 경우, 복잡도가 높은 연산 값으로 설정된 적어도 하나의 파라미터에 기반한 연산을 수행하게 되어 전자 장치의 운용 부담이 가중될 수 있다. 또 입력되는 데이터의 특성에 따라서 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)의 연산 값과는 무관하게, 서로 다른 파라미터를 포함하는 인공 지능 모델들 각각을 이용하여 획득되는 결과 데이터 간의 차이가 없을(또는 적을) 수 있다. 이 경우, 전자 장치가 복잡도가 높은 연산 값으로 설정된 파라미터를 포함하는 미리 학습된 인공 지능 모델을 이용하는 경우 상대적으로 전자 장치의 운용 부담이 더 가중될 수 있다.
다양한 실시예들에 따르면, 전자 장치 및 그 동작 방법은 미리 학습된 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)를 동적으로 낮은 연산 값의 적어도 하나의 파라미터로 구성함으로써, 전자 장치의 운용 부담을 경감할 수 있다. 또 다양한 실시예들에 따르면, 전자 장치 및 그 동작 방법은 상술한 입력되는 데이터의 특성에 따른 결과 데이터의 차이의 특성(예: 적어도 하나의 파라미터(예: 가중치, 활성 함수)의 연산 값과는 무관하게 결과 데이터 간의 차이가 없음 또는 적음)에 기반하여, 미리 학습된 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)를 동적으로 낮은 연산 값의 적어도 하나의 파라미터로 구성함으로써, 정확도가 높은 결과 데이터를 획득하면서 전자 장치의 운용 부담을 경감할 수 있다.
다양한 실시예들에 따르면, 전자 장치의 동작 방법으로서, 상기 전자 장치의 적어도 하나의 프로세서에 의해 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계, 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하는 단계, 상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 데이터를 획득하는 단계, 특정 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하는 단계, 및 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 데이터를 획득하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 전자 장치로서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하고, 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하고, 상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 컨텐트를 획득하고, 특정 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 컨텐트를 획득하도록 설정된, 전자 장치가 제공될 수 있다.
다양한 실시예들에 따르면, 전자 장치의 동작 방법으로서, 상기 전자 장치의 적어도 하나의 프로세서에 의해 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계, 상기 전자 장치에 저장된 인공 지능 모델을 이용하여 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 제 1 프로세서를 선택하는 단계를 포함하고, 상기 제 1 프로세서는 연산 능력과 연관된 복수의 값들 중 제 1 값들에 대응하도록 설정되고, 상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계, 특정 이벤트의 발생에 기반하여, 제 2 프로세서를 선택하는 단계를 포함하고, 상기 제 2 프로세서는 상기 연산 능력과 연관된 상기 복수의 값들 중 제 2 값들에 대응하도록 설정되고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따른, 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 실시예들에 따르면, 미리 학습된 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)를 동적으로 낮은 연산 값의 적어도 하나의 파라미터로 구성함으로써, 전자 장치의 운용 부담을 경감하는 전자 장치 및 그 동작 방법이 제공될 수 있다.
또 다양한 실시예들에 따르면, 입력되는 데이터의 특성에 따른 결과 데이터의 차이의 특성(예: 적어도 하나의 파라미터(예: 가중치, 활성 함수)의 연산 값과는 무관하게 결과 데이터 간의 차이가 없음 또는 적음)에 기반하여, 미리 학습된 인공 지능 모델들의 적어도 하나의 파라미터(예: 가중치, 활성 함수)를 동적으로 낮은 연산 값의 적어도 하나의 파라미터로 구성함으로써, 정확도가 높은 결과 데이터를 획득하면서 전자 장치의 운용 부담을 경감하는 전자 장치 및 그 동작 방법이 제공될 수 있다.
도 1은 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예들에 따른 전자 장치의 구성의 예를 설명하기 위한 도면이다.
도 3은 다양한 실시예들에 따른 인공 지능 모델의 예를 설명하기 위한 도면이다.
도 4a는 다양한 실시예들에 따른 프로세서의 인공 지능 모델에 기반한 컨텐트 처리 동작의 예를 설명하기 위한 도면이다.
도 4b는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 가중치(weight))가 획득되는(또는 양자화되는) 동작의 일 예를 설명하기 위한 도면이다.
도 4c는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 활성 함수(activation function))가 획득되는(또는 양자화되는) 동작의 다른 예를 설명하기 위한 도면이다.
도 5는 다양한 실시예들에 따른 전자 장치의 동작의 일 예를 설명하기 위한 흐름도이다.
도 6은 다양한 실시예들에 따른 전자 장치의 인공 지능 모델을 이용하여 컨텐트(예: 이미지 데이터)를 처리하는 동작의 일 예를 설명하기 위한 도면이다.
도 7a는 다양한 실시예들에 따른 전자 장치의 복수의 연산 값들 중 연산 값들을 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다.
도 7b는 다양한 실시예들에 따른 전자 장치의 복수의 프로세서들 중 프로세서를 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다.
도 8은 다양한 실시예들에 따른 전자 장치의 동작의 일 예를 설명하기 위한 흐름도이다.
도 9는 다양한 실시예들에 따른 전자 장치의 복수의 연산 조합들 별로 코스트를 계산하는 동작의 예를 설명하기 위한 도면이다.
도 10은 다양한 실시예들에 따른 서로 다른 연산 조합들에 기반하여 구성된 적어도 하나의 파라미터를 가지는 인공 지능 모델들에 의해 획득된 결과 데이터의 예를 설명하기 위한 도면이다.
도 11a는 다양한 실시예들에 따른 전자 장치의 특정 기간 동안 코스트들을 계산하는 동작의 일 예를 설명하기 위한 도면이다.
도 11b는 다양한 실시예들에 따른 전자 장치의 특정 기간 동안 코스트들을 계산하는 동작의 다른 예를 설명하기 위한 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 특정 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 특정 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 특정 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 특정 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 전자 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 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 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 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.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
이하에서는 다양한 실시예들에 따른 상술한 전자 장치(101)의 구성의 예들에 대해서 설명한다.
도 2는 다양한 실시예들에 따른 전자 장치(101)의 구성의 예를 설명하기 위한 도면이다. 다만 도 2에 도시되는 구성들에 제한되지 않고, 전자 장치(101)는 도 2에 도시되는 구성들 보다 더 많은 구성들 또는 더 적은 구성들을 포함하도록 구현될 수 있다. 이하에서는 도 3 및 도 4a 내지 도 4c를 참조하여 도 2에 대해서 설명한다.
도 3은 다양한 실시예들에 따른 인공 지능 모델의 예를 설명하기 위한 도면이다. 도 4a는 다양한 실시예들에 따른 프로세서의 인공 지능 모델에 기반한 컨텐트 처리 동작의 예를 설명하기 위한 도면이다. 도 4b는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 가중치(weight))가 획득되는(또는 양자화되는) 동작의 일 예를 설명하기 위한 도면이다. 도 4c는 다양한 실시예들에 따른 연산 값에 기반하여 인공 지능 모델의 파라미터(예: 활성 함수(activation function))가 획득되는(또는 양자화되는) 동작의 다른 예를 설명하기 위한 도면이다.
다양한 실시예들에 따르면, 도 2를 참조하면, 전자 장치(101)는 카메라(211), 마이크(213), 및 통신 회로(215)와 같은 데이터 획득 장치(210), 복수의 프로세서들(220), 복수의 어플리케이션들(241)과 복수의 인공 지능 모델들(243)을 저장하는 메모리(240) 및 연산 값 선택 모듈(231)과 평가 모듈(233)을 포함하는 프로세서(230)를 포함할 수 있다. 이하에서는 전자 장치(101)에 포함된 각각의 구성들에 대해서 설명한다.
먼저 다양한 실시예들에 따른 데이터 획득 장치(210)에 대해서 설명한다. 데이터 획득 장치(210)는 전자 장치(101)에 포함된 장치들 중에서 컨텐트를 획득하기 위한 장치들을 분류하기 위한 논리적인 개념으로 해석될 수 있다. 데이터 획득 장치(210)들은 카메라(211), 마이크(213), 및 통신 회로(215) 이외에도 이하에서 기술하는 다양한 종류의 컨텐트들을 획득하기 위한 다양한 종류의 장치들(예: 각종 센서들, 터치 스크린)을 더 포함할 수 있다.
다양한 실시예들에 따르면 데이터 획득 장치(210)들은 인공 지능 모델에 기반하여 처리될 다양한 종류의 데이터(또는 컨텐트)를 획득할 수 있다. 상기 다양한 종류의 데이터들은 이미지, 영상, 및 오디오 데이터와 같은 미디어 데이터, 전자적인 문서를 포함할 수 있으며, 이에 제한되지 않고 인공 지능 모델에 의해 전자적으로 분석 가능한 종류의 전자적인 데이터들(예: 소프트웨어, 센서의 값들)을 더 포함할 수 있다. 일 실시예에서, 상기 데이터 획득 장치(210)들은, 전자 장치(101)에 설치된(또는, 저장된) 프로세스들, 프로그램들, 및/또는 어플리케이션들의 실행 및/또는 구동에 따라서, 구동되어 다양한 종류의 데이터를 획득할 수 있다. 일 예로, 카메라 어플리케이션이 실행 및/또는 구동되는 경우, 전자 장치(101)는 카메라(211)를 구동(예: 이미지 센서의 리드 아웃을 제어하는 동작을 수행)하여 데이터로서 이미지 및/또는 영상을 획득할 수 있다. 또 일 예로, 녹음 어플리케이션이 실행 및/또는 구동되는 경우, 전자 장치(101)는 마이크(213)를 구동하여 데이터로서 사용자의 발화 및/또는 주변 소리들과 같은 오디오 데이터를 획득할 수 있다. 또 일 예로, 웹 기반의 어플리케이션이 실행 및/또는 구동되는 경우, 전자 장치(101)는 통신 회로(215)를 이용하여 미디어 서버와 통신 연결을 설정하고 이미지, 영상, 오디오 데이터와 같은 미디어 데이터들을 획득할 수 있다. 이하에서는 각각의 컨텐트 장치들의 예에 대해서 설명한다.
다양한 실시예들에 따르면 카메라(211)(예: 적어도 하나의 전면 카메라(211) 및 적어도 하나의 후면 카메라(211))는 정지 영상(또는, 이미지) 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 적어도 하나의 카메라(211)는 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다. 일 실시예에서, 전자 장치(101)는 각각 다른 속성 또는 기능(또는, 용도)을 가진 카메라(211)들을 포함할 수 있다. 예를 들면, 적어도 하나의 카메라(211)는 서로 다른 화각의 카메라(211)들을 포함할 수 있다. 상기 화각은 일 예로서, 114° 내지 94°의 초광각(super wide angle), 75° 내지 66°의 광각(wide angle), 84° 내지 63°의 표준(normal lens), 28° 내지 8°의 망원(telephoto), 및 6° 내지 3°의 초망원(super telephoto)을 포함할 수 있으나, 상기 수치에 제한되지는 않는다. 또 예를 들어, 적어도 하나의 카메라(211)는 상술한 바와 같이 전면에 배치되어 이미지 및/또는 영상을 촬영하는 적어도 하나의 전면 카메라(211) 및 후면에 배치되어 이미지 및/또는 영상을 촬영하는 적어도 하나의 후면 카메라(211)를 포함할 수 있다.
다양한 실시예들에 따르면 마이크(213)는 전자 장치(101)의 외부로부터 사운드를 수신할 수 있다. 예를 들어, 전자 장치(101)(예: 프로세서(230))는 마이크(213)를 구동하여, 마이크(213)를 통해 외부에서 발생되는 사운드를 수신할 수 있다. 외부에서 발생되는 사운드는 화자들(예: 사용자 및/또는 다른 화자(또는 타인))의 음성들(또는 발화들), 생활 노이즈, 주변(또는 배경) 노이즈들을 포함할 수 있다. 일 실시예에서, 상기 마이크(213)는 복수의 마이크(213)들을 포함할 수 있다. 상기 전자 장치(101)(예: 프로세서(230))는 복수의 마이크(213)들을 이용하여 수신되는 사운드로부터, 전자 장치(101)로부터 특정 방향에서 발생되는 사운드를 수신하는 빔포밍을 형성할 수 있다. 상기 수신된 사운드에 기반하여, 획득된 특정 방향의 사운드는 서브 사운드로 정의될 수 있다. 상기 복수의 마이크(213)들 각각은 소정의 거리로 이격되도록 전자 장치(101)에 배치되며, 상기 이격된 거리와 사운드를 획득하고자 하는 방향과 연관된 시간 또는 위상 만큼 각 마이크(213)를 통해 수신되는 사운드를 신호 처리하여 상기 서브 사운드가 획득될 수 있다. 상기 빔포밍 기술은 주지의 기술이므로, 구체적인 설명은 생략한다.
다양한 실시예들에 따르면 통신 회로(215)는 다양한 종류의 통신 방식으로 외부 전자 장치(예: 다른 전자 장치, 또는 서버)와 통신 연결을 형성하고, 데이터를 송신 및/또는 수신할 수 있다. 상기 통신 방식은 상술한 바와 같이, Bluetooth, 및 Wi-Fi direct와 같은 직접 통신 연결을 설정하는 통신 방식에 의해 수행될 수 있으나, 이에 제한되지 않고 AP(access point)를 이용하는 통신 방식(예: Wi-Fi 통신) 또는 기지국(base station)을 이용하는 셀룰러 통신을 이용하는 통신 방식(예: 3G, 4G/LTE, 5G)을 포함할 수 있다. 상기 제 1 통신 회로(215)는 도 1에서 상술한 통신 모듈(190)과 같이 구현될 수 있으므로 중복되는 설명은 생략한다.
이하에서는 다양한 실시예들에 따른 복수의 인공 지능 모델들(243) 및 복수의 프로세서들(220)에 대해서 설명한다.
먼저 복수의 인공 지능 모델들(243)에 대해서 설명한다.
다양한 실시예들에 따르면 복수의 인공 지능 모델들(243) 각각은 학습 알고리즘을 기반으로 미리 학습이 완료된 모델들로서, 다양한 종류의 컨텐트를 처리하여 결과 데이터를 출력(또는 획득)하도록 미리 구현된 인공 지능 모델들일 수 있다. 예를 들어, 전자 장치(101)에서 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 기반으로 특정 종류들의 데이터들을 인풋 데이터로 하여 특정 종류의 결과 데이터를 아웃풋 데이터로 출력하도록 학습이 수행되어 복수의 인공 지능 모델들(243)(예: 머신 러닝 모델, 및 딥 러닝 모델)이 생성되어 전자 장치(101)에 저장되거나, 또는 외부 전자 장치(101)(예: 외부 서버)로부터 학습 완료된 인공 지능 모델들(243)이 전자 장치(101)로 전달되어 저장될 수 있다. 상기 인공 지능 모델들을 학습하는 동작은 주지의 기술이므로 구체적인 설명은 생략하며, 생성된 인공 지능 모델들(243)은 컴파일이 필요한 계산 그래프(graph) 또는 IR(Intermediate Representation), 또는 바로 수행이 가능한 네이티브 코드 형태로 구현될 수 있으나 이에 제한되지 않는다. 일 실시예에서 외부 서버로부터 인공 지능 모델이 전자 장치(101)로 수신(또는, 다운로드)되는 경우, 외부 서버는 어플리케이션을 제작하는 써드 파티(third party)의 서버 또는 써드 파티들이 어플리케이션을 등록하는 관리 서버일 수 있으며 상기 어플리케이션과 함께 어플리케이션을 통해 제공하기 위한 기능에 대응하는 인공 지능 모델이 함께 외부 서버에 등록되어 있을 수 있다. 이에 따라, 외부 서버로부터 어플리케이션과 함께 대응하는 인공 지능 모델이 전자 장치(101)로 전달되는 것일 수 있으나, 이에 제한되지는 않는다. 상기 머신 러닝 알고리즘은 선형 회귀(linear regression), 및 로지스틱 회귀(logistic regression)와 같은 지도 학습 알고리즘(supervised algorithms), 클러스터링(clustering), 시각화와 차원 축소(visualization and dimensionality reduction), 및 연관 규칙 학습(association rule learning)과 같은 비지도 학습 알고리즘(unsupervised algorithms), 및 강화학습 알고리즘(reinforcement algorithms)을 포함하고, 상기 딥 러닝 알고리즘은 ANN(Artificial Neural Network), DNN(Deep Neural Network), CNN(Convolution Neural Network)을 포함할 수 있으며, 기재된 바에 제한되지 않고 다양한 학습 알고리즘을 더 포함할 수 있다. 일 예로, 도 3에 도시된 바와 같이 CNN을 기반으로 이미지 데이터와 이미지 데이터에 포함된 객체들에 대한 정보를 트레이닝 데이터로하여(예: 이미지 데이터를 인풋 데이터, 객체들 또는, 피사체들) 대한 정보를 아웃풋 데이터로 설정) 딥 러닝 모델이 생성 될 수 있으며, 생성된 딥 러닝 모델은 이미지 데이터(301)를 입력 받은 것에 대한 응답으로 컨벌루션 레이어(convolution layer), 활성 함수(activation function)(예: 시그모이드(sigmoid), 렐루(Relu)), 및 풀링 레이어(pooling layer)를 이용하여 이미지 데이터를 처리함으로써 객체들에 대한 정보(예: instance segmentation된 이미지 데이터)를 포함하는 결과 데이터(302)를 출력하도록 구현될 수 있다. 한편 도 3에 도시되지 않았으나, 상기 CNN을 기반으로 학습된 딥 러닝 모델은 도시된 컨벌루션 레이어, 및 풀링 레이어 이외에도 더 많은 레이어들을 포함할 수 있으며 주지의 기술이므로 구체적인 설명은 생략한다. 또 일 예로, 도 3에 도시된 바에 제한되지 않고 다른 학습 알고리즘을 기반으로 오디오 데이터와 화자들에 대한 정보를 트레이닝 데이터로하여(예: 오디오 데이터를 인풋 데이터, 화자들에 대한 정보를 아웃풋 데이터로 설정) 다른 인공 지능 모델(예: 머신 러닝 모델, 또는 딥 러닝 모델)이 생성될 수 있으며, 다른 인공 지능 모델은 오디오 데이터(예: 사용자 발화)를 입력 받은 것에 대한 응답으로 결과 데이터로서 화자를 식별하기 위한 식별자(예: unique ID)를 출력하도록 구현될 수도 있다. 상기 복수의 인공 지능 모델들(243) 각각은 복수의 프로세서들(220)에 의해서 구동(또는, 이용)될 수 있는데 이에 대해서는 후술한다.
다양한 실시예들에 따르면 복수의 인공 지능 모델들(243) 각각은 특정 연산 능력(computation capability)(또는 operation capability, 또는 처리 능력(processing capability), 또는 계산 능력(calculation capability))과 연관된 값(이하, 연산 값(computation value)(또는 operation value, 또는 처리 값(processing value), 또는 계산 값(calculation value)))들(예: 가중치 연산 값(예: weight precision)은 32bit, 활성 함수 연산 값(예: activation function precision)은 32bit)에 대응하는 적어도 하나의 파라미터(예: 가중치들(310), 활성 함수들(320))를 포함하도록 구현될 수 있다. 예를 들어 도 3을 참조하면, 상기 적어도 하나의 파라미터는 학습에 따라서 생성된 복수의 인공 지능 모델들(243)을 구성 및/또는 구현하는(또는, 모델에 포함되는) 가중치들(weights)(310), 활성 함수(activation function)(320)를 포함할 수 있으며(또는 나타낼 수 있으며), 이에 제한되지 않고 그라디언트(gradient)와 같은 인공 지능 모델들을 구성하는 다양한 종류의 파라미터를 더 포함할 수도 있다. 또 예를 들어 도 3의 330을 참조하면, 상기 연산 능력과 연관된 값들은 가중치들(weights), 또는 활성 함수(activation function)(예: 시그모이드(sigmoid), 렐루(Relu))과 같은 파라미터를 연산하기 위한 능력에 대한 값으로서, 가중치(310)에 대한 연산 값(예: weight precision)과 활성 함수(320)에 대한 연산 값(예: activation precision)을 포함할 수 있다. 상기 연산 능력과 연관된 값들은 32bit, 16bit, 8bit, 및 4bit를 포함할 수 있으나 이에 제한되지 않고 다양한 값으로 설정 가능하며, 설정된 값에 따라서 파라미터를 연산하기 위한 형식과 수의 범위가 결정될 수 있다. 일 예로 상기 가중치(310)에 대한 연산 값이 32bit로 설정되는 경우, 컨벌루션 레이어에 포함된 가중치들은 지수부를 8bit 그리고 가수부를 24bit로 하여 부동 소수점 단위(32-bit float)로 연산될 수 있다. 그 외에 다른 연산 값들에 기반하여 표현 가능한 형식과 수의 범위는 주지의 기술이므로 구체적인 설명은 생략한다. 이에 따라 도 3에 도시된 바와 같이, 가중치(310)에 대한 연산 값(예: weight precision)은 32bit, 그리고 활성 함수(320)에 대한 연산 값(예: activation precision)은 32bit로 설정되어 학습이 수행된 경우, 생성된 인공 지능 모델은 32bit로 표현되는(또는 연산되는) 가중치들(310) 및 32bit로 표현되는(또는 연산되는) 활성 함수(320)를 포함할 수 있다. 일 실시예에서, 상기 복수의 인공 지능 모델들(243) 각각과 연관된 연산 값들은 후술하는 전자 장치(101)에서 이용 가능한 연산 값들(또는, 복수의 프로세서들(220) 각각에 설정된 연산 값들)과 같거나 또는 더 높도록 설정될 수 있다.
한편 전자 장치(101)가 전자 장치(101)에 미리 저장된 복수의 인공 지능 모델들(243)을 이용하는 것으로 기술 및/또는 도시하였으나, 이에 제한되지 않고 다양한 실시예들에 따르면 전자 장치(101)는 어플리케이션의 구동에 기반하여 외부 서버로부터 대응하는 인공 지능 모델들(243)을 수신하는 것일 수도 있다. 또는, 다양한 실시예들에 따르면 전자 장치(101)는 전자 장치(101)에서 인공 지능 모델을 이용하여 컨텐트를 처리하는 동작을 수행하는 대신, 컨텐트에 대한 정보 및 컨텐트의 처리를 위한 정보(예: 객체(또는 피사체)를 구별하기 위한 모드에 대한 정보 및 선택된 연산 값들)를 외부 서버로 전송하여 외부 서버에 미리 저장된 인공 지능 모델에 의해 처리된 결과 데이터를 외부 서버로부터 수신할 수도 있다.
이하에서는 복수의 프로세서들(220)에 대해서 설명한다.
다양한 실시예들에 따르면 복수의 프로세서들(220) 각각은 도 4a에 도시된 바와 같이 전자 장치(101)에 저장된 복수의 인공 지능 모델들(243))을 중 특정 인공 지능 모델을 양자화한 인공 지능 모델(410)을 이용하여 입력되는 데이터(또는 컨텐트)(401)를 처리함으로써, 복수의 인공 지능 모델들(243)로부터 출력되는 결과 데이터(또는 컨텐트)(402)를 획득하도록 구현될 수 있다. 다만 기재된 바에 제한되지 않고, 복수의 프로세서들(220) 각각은 복수의 인공 지능 모델들(243)에 기반하여 데이터(또는 컨텐트)(401)를 처리하여, 결과 데이터(또는 컨텐트)(402)를 획득할 수도 있으며, 또 미리 양자화된 인공 지능 모델을 이용할 수도 있다. 예를 들어, 상기 복수의 프로세서들(220)은 AP(application processor), CPU(central processing unit), GPU(graphic processing unit), DPU(display processing unit), 또는 NPU(neural processing unit) 중 적어도 하나를 포함할 수 있으며, 기재된 바에 제한되지 않고 다양한 종류의 프로세서들을 포함할 수 있다. 이때, 본 명세서에서 일 프로세서에 포함된 복수의 코어들도 프로세서들로 이해될 수 있다. 예를 들어, DSP가 복수의 코어들을 포함하도록 구현되는 경우, 복수의 코어들이 복수의 프로세서들(220)로 이해될 수 있다. 상기 복수의 프로세서들(220) 각각은 어플리케이션의 실행 및/또는 구동에 기반하여 상기 복수의 인공 지능 모델들(243) 중 실행 및/또는 구동된 프로그램, 프로세스, 또는 어플리케이션과 연관된 적어도 하나의 인공 지능 모델을 선택하고, 선택된 인공 지능 모델을 이용하여 데이터 획득 장치(210)에 의해 획득되는 컨텐들을 처리하여 결과 데이터를 획득하도록 구현될 수 있다. 상기 복수의 프로세서들(220)의 인공 지능 모델들을 이용하여 컨텐트들을 처리하는 동작은 백 그라운드에서 수행될 수 있다. 일 실시예에서, 전자 장치(101)는 복수의 프로세서들(220) 중 일 프로세서를 선택하는 경우, 저장된 인공 지능 모델이 그래프 또는 IR 형태인 경우 선택된 프로세서에서 인공 지능 모델이 수행 가능하도록 인공 지능 모델을 컴파일러(예: TVM)를 이용하여 컴파일함으로써 획실행 가능한 네이티브 코드가 적재된 커널(kernel)을 획득하고 선택된 프로세서로 전달할 수 있다. 선택된 프로세서는 커널을 수행함으로써 인공 지능 모델을 구동할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)에는 상기 복수의 프로세서들(220) 각각이 이용 가능한 파라미터의 종류들 별 연산 값에 대한 정보가 저장될 수 있다. 상기 복수의 프로세서들(220) 각각이 이용 가능한 복수의 연산 값들은 상기 복수의 인공 지능 모델들(243)에 연관된 복수의 연산 값들(예: 32bit)과 같거나 작도록 설정될 수 있다. 일 예로, 아래의 [표 1]의 복수의 조합들(또는 복수의 셋트들)로 가중치에 대한 연산 값과 활성 함수에 대한 연산 값이 설정될 수 있으나, [표 1]에 기재된 바에 제한되지 않고 다양한 조합 및 값으로 가중치에 대한 연산 값(weight precision)과 활성 함수에 대한 연산 값(activation precision)이 설정 수 있다.
연산 값 조합(또는 셋트) Weight Precision Activation Precision
제 1 연산 값 조합 32bit 32bit
제 2 연산 값 조합 16bit 16bit
제 3 연산 값 조합 16bit 16bit
제 4 연산 값 조합 8bit 16bit
제 5 연산 값 조합 8bit 8bit
제 6 연산 값 조합 4bit 4bit
다양한 실시예들에 따르면 상기 복수의 프로세서들(220) 각각은 상기 복수의 인공 지능 모델들(243)에 연관된 연산 값들 보다 같거나 낮은 연산 값을 기반으로 상기 복수의 인공 지능 모델들(243)에 포함된 파라미터들(예: 가중치, 또는 활성 함수 중 적어도 하나)을 변경(또는 설정)하여, 변경된 파라미터들(예: 양자화된 가중치(411), 양자화된 활성 함수(413))을 가지는 인공 지능 모델(410)을 이용하여 컨텐트를 처리할 수 있다. 일 예로, 도 4b를 참조하면 인공 지능 모델들(243)의 32bit 연산 값에 대응하는 컨벌루션 레이어의 가중치들(310)은 더 낮은 연산 값(예: 8bit int)에 대응하는 가중치들(411)로 재구성 및/또는 재구현될 수 있다. 또 일 예로 도 4c를 참조하면, 32bit 연산 값에 대응하는 값을 출력하도록 구현된 인공 지능 모델(243)의 활성 함수(320)가 더 낮은 4bit 연산 값에 대응하는 값을 출력하도록 구현된 활성 함수(413)로 재구성 및/또는 재구현될 수 있다. 상기 파라미터가 변환된 인공 지능 모델(410)은 파라미터가 변환되지 않은 인공 지능 모델과 "제 1, 및 제 2"와 같은 서수에 의해 구별될 수 있다(예: 전자 장치(101)에 미리 저장된 딥 러닝 모델, 그리고 파라미터가 변경된 "제 1" 딥 러닝 모델). 미리 학습된 인공 지능 모델(243)의 가중치 및 활성 함수와 같은 파라미터가 상기 상대적으로 낮은 연산 값에 대응하는 단위와 범위로 변경되는 것은 양자화(quantization)로 정의될 수 있으며, 양자화는 주지의 기술이므로 더 구체적인 설명은 생략한다. 일 실시예에서 복수의 프로세서들(220) 각각은 후술하는 프로세서(230)에 의해 선택된 파라미터의 종류들(예: 가중치 및 활성 함수) 별 연산 값에 대한 정보를 수신하고, 수신된 파라미터의 종류들 별 연산 값에 대한 정보에 기반하여 미리 저장된 인공 지능 모델을 양자화하여 이용할 수 있다. 또 일 실시예에서 복수의 프로세서들(220) 각각은 프로세서(230)에 의해 선택된 파라미터의 종류들 별 연산 값에 기반하여 미리 양자화된 인공 지능 모델(410)을 획득하여 이용할 수 있다. 또는 상술한 바에 제한되지 않고, 복수의 프로세서들(220) 각각은 파라미터의 종류들 별로 특정 연산 값을 이용하도록 미리 설정될 수 있고, 복수의 프로세서들(220) 중 일 프로세서가 선택되는 경우 일 프로세서가 프로세서에 대응하도록 설정된 파라미터의 종류들(예: 가중치 및 활성 함수) 별로 특정 연산 값에 기반하여 양자화된 인공 지능 모델을 이용하도록 구현될 수도 있다. 전자 장치(101)의 양자화된 인공 지능 모델(410)을 이용한 컨텐트의 처리 시 연산량이 저감되어, 인공 지능 모델을 운용하는 부담이 경감될 수 있다. 이하에서는 프로세서(230)의 일 예에 대해서 설명한다. 이하에서 기술되는 프로세서는 설명의 편의를 위하여 상술한 복수의 프로세서들(220)과 구분되도록 기재 및/또는 도시하였으나 상기 프로세서는 상기 복수의 프로세서들(220)에 포함되는 프로세서일 수도 있으며, 또는 이에 제한되지 않고 인공 지능 모델에 기반한 컨텐트를 처리하는 동작을 수행하지 않도록 상기 복수의 프로세서와는 별도로 구현되는 프로세서일 수도 있다.다양한 실시예들에 따르면 상기 프로세서(230)는 AP(application processor), CPU(central processing unit), GPU(graphic processing unit), DPU(display processing unit), 또는 NPU(neural processing unit) 중 적어도 하나를 포함할 수 있다. 이하에서 설명되는 프로세서(230)에 포함되는 모듈들(예: 연산 값 선택 모듈(231), 평가 모듈(233))의 적어도 일부는 소프트웨어, 펌웨어, 하드웨어, 또는 이들 중 적어도 둘 이상의 조합으로 구현(예를 들어, 실행)될 수 있다. 예를 들어, 상기 모듈들은 프로세서(650)에 의해 실행 가능한 어플리케이션(application), 프로그램(program), 컴퓨터 코드(computer code), 인스트럭션들(instructions), 루틴(routine), 내지는 프로세스(process)의 형태로 구현될 수 있다. 이에 따라, 상기 모듈들이 프로세서(650)에 의해 실행되는 경우, 상기 모듈들은 상기 프로세서(230)가 상기 모듈과 연관된 동작(또는, 모듈이 제공 가능한 기능)을 수행하도록 야기할 수 있다. 또는 상기 모듈들은 특정 어플리케이션의 일부로 구현될 수도 있다. 또는 기재 및/또는 도시된 바에 제한되지 않고, 각 모듈들은 프로세서(230)와는 별도의 하드웨어(예: 프로세서, 제어 회로)로 구현될 수도 있다.
다양한 실시예들에 따르면 연산 값 선택 모듈(231)은 컨텐트의 처리를 위해 인공 지능 모델을 이용하기 위해, 파라미터의 종류들 별로(예: 가중치 또는 활성 함수) 연산 능력과 연관된 복수의 값들 중 일 값을 선택할 수 있다. 예를 들어, 상기 복수의 연산 값들 각각은 32bit, 16bit, 8bit, 및 4bit로 설정될 수 있으나 이에 제한되지 않고 다양한 값으로 설정될 수 있다. 일 실시예에서 연산 값 선택 모듈(231)은 컨텐트를 처리하기 위한 이벤트가 발생되는 경우(예: 어플리케이션의 실행 및/또는 구동), 파라미터 종류들(예: 가중치, 및 활성 함수) 별 복수의 연산 값들 중 기설정된 연산 값들(예: weight precision은 8bit이고, activation precision은 8bit)을 선택(또는 식별)할 수 있다. 일 실시예에서, 연산 값 선택 모듈(231)은 복수의 프로세서들(220) 별로 설정된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값에 대한 정보를 기반으로 복수의 프로세서들(220) 중에서 선택된 연산 값들(예: 가중치에 대한 연산 값(weight precision), 활성 함수에 대한 연산 값(activation precision))에 대응하는 프로세서를 선택할 수도 있다. 또 일 실시예에서, 연산 값 선택 모듈(231)은 전술한 바와 같이 복수의 프로세서들(220) 중에서 일 프로세서를 선택하고, 선택된 프로세서로 선택된 연산 값들에 대한 정보를 전달할 수도 있다. 또 기재된 바에 제한되지 않고, 연산 값 선택 모듈(231)은 연산 값들을 선택하는 동작 없이, 복수의 프로세서들(220) 중 프로세서를 선택하여 선택된 프로세서가 프로세서에 대응하는 연산 값들에 기반하여 양자화된 인공 지능 모델을 이용하도록 제어할 수도 있다. 또 일 실시예에서 상기 연산 값 선택 모듈(231)은 후술하는 평가 모듈(233)에 의해 계산되는 코스트에 기반하여, 현재 선택된 연산 값들을 다른 연산 값들로 변경(또는, 선택된 프로세서에서 다른 프로세서로 변경)할 수도 있다. 상기 연산 값 선택 모듈(231)에 기반한 전자 장치(101)의 동작에 대해서는 구체적으로 후술한다.
다양한 실시예들에 따르면 평가 모듈(233)은 특정 이벤트의 발생에 기반하여 복수의 연산 값들 중 후보 연산 값들과 연관된 코스트를 계산할 수 있다. 상기 평가 모듈(233)에 기반한 전자 장치(101)의 코스트를 계산하는 동작에 대해서는 구체적으로 후술한다.
이하에서는 다양한 실시예들에 따른 전자 장치(101)의 동작의 일 예에 대해서 설명한다.
다양한 실시예들에 따르면 전자 장치(101)는 데이터를 처리하기 위해 복수의 연산 값들 중 연산 값들을 선택하고, 선택된 연산 값들에 기반하여 인공 지능 모델의 파라미터들(예: 가중치들, 활성 함수들)을 설정(또는, 양자화)하여 인공 지능 모델을 이용할 수 있다. 전자 장치(101)는 인공 지능 모델을 이용하여 데이터를 처리하는 중에, 특정 이벤트가 발생되는 것에 기반하여 선택된 연산 값들을 복수의 연산 값들 중 다른 연산 값들로 변경하여 변경된 연산 값들에 기반하여 인공 지능 모델의 파라미터들을 설정(또는, 양자화)하여 인공 지능 모델을 이용할 수 있다.
도 5는 다양한 실시예들에 따른 전자 장치(101)의 동작의 일 예를 설명하기 위한 흐름도(500)이다. 도 5에 도시되는 동작들은 도시되는 순서에 국한되지 않고 다양한 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면 도 5에 도시되는 동작들 보다 더 많은 동작들이 수행되거나, 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는, 도 6, 및 도 7a 내지 도 7b를 참조하여 도 5에 대해서 설명한다.
도 6은 다양한 실시예들에 따른 전자 장치(101)의 인공 지능 모델을 이용하여 데이터(예: 이미지 데이터)를 처리하는 동작의 일 예를 설명하기 위한 도면이다. 도 7a는 다양한 실시예들에 따른 전자 장치(101)의 복수의 연산 값들 중 연산 값들을 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다. 도 7b는 다양한 실시예들에 따른 전자 장치(101)의 복수의 프로세서들(220) 중 프로세서를 선택 또는 변경하여 인공 지능 모델을 이용하는 동작의 일 예를 설명하기 위한 도면이다.
다양한 실시예들에 따르면, 전자 장치(101)는 501 동작에서 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 데이터를 획득할 수 있다. 예를 들어, 전자 장치(101)는 전자 장치(101)에 설치된 복수의 어플리케이션들(241) 중 일 어플리케이션을 실행하고, 실행된 어플리케이션에 기반하여 전자 장치(101)에 구비되는 장치를 구동하여 데이터를 획득할 수 있다. 일 예로, 전자 장치(101)는 도 6의 601 상태에 도시된 바와 같이 카메라 어플리케이션(611)을 실행하고, 실행된 카메라 어플리케이션(611)에 기반하여 카메라(211)를 구동함으로써 이미지 또는 영상들(615)을 획득할 수 있다. 또 기재 및/또는 도시된 바에 제한되지 않고, 도 2에서 전술한 바와 같이 전자 장치(101)가 획득 가능한 데이터는 오디오 데이터, 및 전자적인 문서를 포함할 수 있으며, 이에 제한되지 않고 인공 지능 모델에 의해 전자적으로 분석 가능한 종류의 전자적인 데이터들(예: 소프트웨어, 센서의 값들)을 더 포함할 수 있다. 이에 따라, 전자 장치(101)는 다양한 종류의 데이터들을 획득하기 위한 다양한 종류의 어플리케이션들(예: 녹음 어플리케이션, 문서 작성 어플리케이션), 프로세스들, 또는 프로그램들을 실행 및/또는 구동하고, 장치(예: 마이크(213), 통신 회로(215), 터치 스크린(미도시), 센서(미도시))를 이용하여 데이터를 획득할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 503 동작에서 상기 획득된 적어도 하나의 데이터(또는 컨텐트)를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택할 수 있다. 예를 들어, 전자 장치(101)는 획득된 적어도 하나의 데이터(또는 컨텐트)(예: 이미지, 또는 영상)를 처리하기 위한 이벤트가 발생되는 경우, 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 복수의 연산 값들 중에서 데이터(또는 컨텐트)의 처리를 위해 이용할 연산 값들을 선택할 수 있다. 예를 들어, 상기 데이터(또는 컨텐트)의 처리는 상기 데이터(또는 컨텐트)를 기반으로 상기 획득된 데이터(또는 컨텐트)와 연관된 정보를 획득하는 동작을 포함할 수 있다. 상기 획득된 데이터(또는 컨텐트)와 연관된 정보는 획득된 데이터(또는 컨텐트)로부터 분석 가능한 정보들을 포함할 수 있다. 일 예로, 상기 데이터(또는 컨텐트)가 이미지 데이터 또는 영상 데이터인 경우, 상기 데이터(또는 컨텐트)의 처리는 도 6의 상태들(601 내지 602)에 도시된 바와 같이 상기 이미지 데이터로부터 객체들(또는 피사체들)에 대한 정보를 획득하는 동작을 포함할 수 있다. 또 일 예로, 도시되지 않았으나 데이터(또는 컨텐트)가 오디오 데이터인 경우, 상기 데이터(또는 컨텐트)의 처리는 상기 오디오 데이터에 기반하여 화자의 식별 정보를 획득하는 동작을 포함할 수 있다. 상기 데이터(또는 컨텐트)를 처리하기 위한 이벤트의 발생은 실행 및/또는 구동되는 어플리케이션(또는 프로그램, 또는 프로세스)을 기반으로 전자 장치(101)에 의해 식별될 수 있다. 예를 들어, 어플리케이션들 별로 획득되는 종류의 데이터(또는 컨텐트)를 처리하기 위한 모드가 어플리케이션들 각각에 미리 구현될 수 있다. 일 예로, 도 6의 상태(601)에 도시된 바와 같이 카메라 어플리케이션(615)은 획득되는 이미지 또는 영상을 처리하여 객체들(또는 피사체들)에 대한 정보를 획득하기 위한 객체 구별 모드(613)를 제공하도록 구현될 수 있다. 이에 따라 전자 장치(101)는 사용자에 의해 상기 카메라 어플리케이션(615)의 실행 화면 상에서 상기 객체 구별 모드(613)가 선택되는 경우 데이터(또는 컨텐트)의 처리를 요청하는 이벤트가 발생되는 것으로 식별할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)는 데이터(또는 컨텐트)를 처리하기 위한(또는, 상기 선택된 모드에 대응하는) 인공 지능 모델(710)을 획득(또는 선택)할 수 있다. 상기 복수의 인공 지능 모델들(243) 각각은 도 4a에서 전술한 바와 같이 특정 종류의 데이터(예: 이미지 데이터)를 처리(예: 피사체가 구분된 결과 데이터를 출력)하기 위해 미리 학습된 모델들일 수 있다. 예를 들어, 전자 장치(101)는 상기 데이터(또는 컨텐트)의 처리를 위한 이벤트의 발생(예: 모드 선택)에 기반하여, 전자 장치(101)에 미리 저장된 복수의 인공 지능 모델들(243) 중 상기 이벤트(또는 모드)에 대응하는 종류의 데이터(또는 컨텐트)를 처리하기 위해 미리 학습된 인공 지능 모델(710)을 식별할 수 있다. 또는 기재된 바에 제한되지 않고 전술한 바와 같이 전자 장치(101)는 상기 이벤트의 발생(예: 모드 선택)에 기반하여, 외부 서버로부터 상기 이벤트에 대응하는 종류의 데이터(또는 컨텐트)를 처리하기 위한 인공 지능 모델을 수신할 수도 있다.
다양한 실시예들에 따르면 전자 장치(101)는 미리 저장된 복수의 연산 값들(예: [표 1]의 복수의 연산 값 조합들) 중에서 데이터(또는 컨텐트)를 처리하기 위해 이용할 연산 값 조합에 대응하는 연산 값들을 선택할 수 있다. 예를 들어, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 도 7a에 도시된 바와 같이 전자 장치(101)에 미리 저장된 파라미터의 종류들(예: 가중치 및 활성 함수) 별 복수의 연산 값들 중에서 기설정된 파라미터의 종류들 별 연산 값(예: weight precision은 8bit, activation precision은 8bit)(701)을 선택할 수 있다. 상기 복수의 연산 값들은 도 3 내지 도 4에서 전술한 바와 같이 인공 지능 모델의 파라미터(예: 가중치, 또는 활성 함수 중 적어도 하나)를 연산(또는 설정)하기 위한 연산 능력과 연관된 값들로서 인공 지능 모델(710)의 연산 값(예: 32 bit)과 같거나 작은 32bit, 16bit, 8bit, 또는 4bit로 설정될 수 있으나 그 값에 제한되지 않는다. 상기 파라미터의 종류들(예: 가중치 및 활성 함수) 별로 설정되는 연산 값의 조합들은 [표 1]에서 전술한 바와 같으므로 간결성을 위해 중복되는 설명은 생략한다. 일 실시예에서 전자 장치(101)(예: 연산 값 선택 모듈(231))는 상기 데이터(또는 컨텐트)의 처리를 위한 이벤트의 발생에 기반하여, 도 7a에 도시된 바와 같이 파라미터의 종류들(예: 가중치 및 활성 함수) 별 복수의 연산 값들 중 기설정된 연산 값들(예: weight precision은 8bit, activation precision은 8bit)(701)을 선택할 수 있다. 예를 들어, 도 7a에 도시된 바와 같이 파라미터의 종류들(예: 가중치 및 활성 함수) 별로 가장 낮은 연산 값의 조합이 선택되는 것으로 기설정될 수 있으나, 기재 및/또는 도시된 바에 제한되지 않고 선택되는 연산 값들은 다양하게 기설정(예: 중간 연산 값, 또는 가장 높은 연산 값이 선택되는 것으로 기설정)될 수 있다. 또 일 실시예에서, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 현재 수신되는 데이터(또는 컨텐트)의 종류에 기반하여, 파라미터의 종류들(예: 가중치 및 활성 함수) 별 복수의 연산 값들 중에서 연산 값들을 선택할 수도 있다. 예를 들어, 데이터(또는 컨텐트)의 종류에 따라서 데이터(또는 컨텐트)의 처리를 위한 운용 부담을 나타내는 복잡도가 설정되고, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 상기 복잡도에 비례하게 파라미터의 종류들(예: 가중치 및 활성 함수) 별 연산 값을 선택할 수 있다. 일 예로, 이미지 데이터의 복잡도가 오디오 데이터의 복잡도 보다 더 높게 설정될 수 있다. 이에 따라, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 이미지 데이터가 수신되는 경우 파라미터의 종류들(예: 가중치 및 활성 함수) 별 복수의 연산 값들 중에서 제 1 연산 값들을 선택하고, 오디오 데이터가 수신되는 경우 파라미터의 종류들 별 복수의 연산 값들 중에서 제 1 연산 값들 보다 낮은 제 2 연산 값들을 선택할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 505 동작에서 상기 전자 장치(101)에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 데이터(또는 컨텐트)를 처리함으로써 제 1 결과 데이터를 획득할 수 있다. 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 일 프로세서가 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값을 기반으로 양자화된 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어(또는, 인스트럭션들을 전송)하고, 처리 결과 데이터를 획득할 수 있다. 일 예로 전자 장치(101)는 도 6의 상태(602)에 도시된 바와 같이, 획득된 이미지 데이터(615)를 양자화된 인공 지능 모델(710)을 이용하여 처리함으로써 이미지 데이터에 포함된 객체가 식별되는 결과 데이터(621)를 획득할 수 있다. 상기 양자화는 인공 지능 모델(243)을 구성하는(또는 인공 지능 모델(243)에 포함되는) 더 높은 연산 값들로 구성된 파라미터들(예: 가중치 및 활성 함수)을 더 낮은 연산 값들로 구성된 파라미터들로 변경(또는 설정)하는 것일 수 있다. 예를 들어, 전자 장치(101)는 데이터(또는 컨텐트)의 처리를 위해 미리 구현된(예: 이미지 데이터를 입력 받아 객체가 식별된 결과 데이터를 출력하도록 구현된) 인공 지능 모델의 파라미터들(예: 가중치, 및 활성 함수)을 선택된 연산 값들에 기반하여 제 1 파라미터들(예: 제 1 가중치, 및 제 1 활성 함수)로 설정(또는 변경, 또는 구성)하고, 선택된 제 1 프로세서(221)가 제 1 파라미터들을 갖는 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 예를 들어, 도 4b 내지 도 4c에서 전술한 바와 같이, 전자 장치(101)는 변경된 가중치와 활성 함수를 가지는 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)는 도 7a에 도시된 바와 같이 복수의 프로세서들(220) 중 데이터(또는 컨텐트)를 처리할 적어도 하나의 프로세서를 선택할 수 있다. 일 실시예에서, 프로세서는 복수의 프로세서들(220) 중에서 데이터(또는 컨텐트) 처리 동작을 수행하지 않는 프로세서들을 식별(또는, 유휴 상태의 프로세서들을 식별)하고, 식별된 프로세서들 중에서 기설정된 프로세서를 선택하거나, 무작위로 프로세서를 선택하거나, 또는 수신된 데이터(또는 컨텐트)의 종류에 대응하는 프로세서를 선택(예: 데이터(또는 컨텐트)가 이미지 데이터인 경우 GPU를 선택)하고, 선택된 프로세서(예: 제 1 프로세서(221))가 양자화된 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어(또는 인스트럭션을 제공)할 수 있다. 또 일 실시예에서, 전자 장치(101)(예: 프로세서)는 복수의 프로세서들(220) 중에서 상기 선택된 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)에 대응하는(또는, 연산 값들로 연산하도록 구현된) 프로세서(예: 제 1 프로세서(221))를 선택하고, 선택된 프로세서가 양자화된 인공 지능 모델(710)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어(또는 인스트럭션을 제공)할 수 있다. 전술한 바와 같이 복수의 프로세서들(220) 별로 이용하는 가중치에 대한 연산 값과 활성 함수에 대한 연산 값에 대한 정보가 미리 전자 장치(101)에 저장될 수 있다. 전자 장치(101)(예: 프로세서(230))는 상기 정보를 참조하여, 복수의 프로세서들(220) 중에서 선택된 상기 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)에 대응하는(또는, 연산 값들로 연산하도록 구현된) 프로세서(예: 제 1 프로세서(221))를 선택할 수 있다.
다양한 실시예들에 따르면, 상기 선택된 프로세서(예: 제 1 프로세서(221))는 미리 양자화된 인공 지능 모델(710)을 이용하거나, 또는 선택된 파라미터 종류들 별 연산 값에 기반하여 인공 지능 모델을 양자화하여 양자화된 인공 지능 모델(710)을 이용할 수 있다. 일 실시예에서, 프로세서(230)는 도 7a에 도시된 바와 같이 상기 제 1 프로세서(221)로 선택된 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)에 대한 정보를 전달할 수 있다. 제 1 프로세서(221)는 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)을 기반으로 인공 지능 모델의 파라미터들(예: 가중치, 및 활성 함수)를 변경(또는 구성, 또는 설정)하고, 변경된 파라미터들을 포함하는 인공 지능 모델에 데이터(또는 컨텐트)를 입력하고 입력된 데이터(또는 컨텐트)를 처리(예: 컨벌루션 레이어 연산, 활성 함수 연산, 풀링 레이어 연산)한 것에 대한 응답으로 출력되는 결과 데이터를 획득할 수 있다. 이때, 전술한 바와 같이 제 1 프로세서(221)는 양자화된 인공 지능 모델(710)을 컴파일하여 생성된 커널을 수행할 수 있으나 이에 제한되지 않는다. 또 일 실시예에서 상기 프로세서(230)는 선택된 제 1 프로세서(221)가 미리 양자화된 인공 지능 모델들 중 선택된 가중치에 대한 연산 값(예: 8bit)과 활성 함수에 대한 연산 값(예: 8bit)에 기반하여 양자화된 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수도 있다. 예를 들어, 전자 장치(101)는 미리 학습된 인공 지능 모델을 [표 1]에서 전술한 바와 같은 조합들 별 연산 값들로 양자화하여, 양자화된 인공 지능 모델들을 미리 구현(또는 생성)하여 저장할 수 있다. 전자 장치(101)(예: 프로세서(230))는 양자화된 인공 지능 모델들 중 선택된 파라미터들 별 연산 값에 대응하는 인공 지능 모델(710)을 식별하고, 제 1 프로세서(221)가 식별된 인공 지능 모델에 기반하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 이때, 프로세서(230)는 전술한 바와 같이 양자화된 인공 지능 모델(710)을 컴파일하여 생성된 커널을 선택된 제 1 프로세서(221)로 전달하여 제 1 프로세서(221)가 인공 지능 모델(710)에 기반한 처리 동작을 수행하도록 할 수 있으나 이에 제한되지 않는다.
다양한 실시예들에 따르면, 전자 장치(101)는 507 동작에서 특정 이벤트의 발생 여부를 판단할 수 있다. 일 실시예에서 상기 특정 이벤트의 발생은 미리 설정된 시간이 경과되는 것을 포함할 수 있다. 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 제 1 프로세서(221)를 이용한 데이터(또는 컨텐트)를 처리한 시점부터 타이머를 설정하여, 타이머를 기반으로 미리 설정된 시간이 경과되는 것을 식별하는 경우 특정 이벤트가 발생되는 것으로 식별할 수 있다. 후술하는 평가 기간 이후에, 전자 장치(101)는 다시 미리 설정된 시간이 경과되는 것을 식별하는 경우 특정 이벤트가 발생되는 것으로 식별할 수 있다. 또 일 실시예에서, 상기 특정 이벤트의 발생은 도 6의 상태들(602 내지 603)에 도시된 바와 같이 획득되는 데이터(예: 이미지 데이터)의 특성이 변경되는 것을 포함할 수 있다. 예를 들어, 상기 데이터의 특성은 데이터에 포함된 값, 또는 데이터의 종류를 포함할 수 있다. 일 예로, 전자 장치(101)는 도 6의 상태들(602 내지 603)에 도시된 바와 같이 촬영 중인 피사체와는 다른 피사체 또는 촬영 중인 풍경과는 다른 풍경을 촬영함에 따라서 새로운 이미지 데이터를 획득하고, 현재 획득되는 이미지 데이터에 포함되는 값(예: 픽셀 값들)이 이전에 획득되던 이미지 데이터(615)에 포함되는 값(예: 픽셀 값)과 기설정된 값 이상의 차이를 가지는 것을 식별할 수 있다. 전자 장치(101)는 상기 기설정된 값 이상의 차이를 가지는 것을 식별함에 기반하여, 현재 수신되는 이미지 데이터의 특성이 변경됨을 식별하고 특정 이벤트가 발생되는 것으로 식별할 수 있다. 또 일 실시예에서 상기 특정 이벤트의 발생은 전자 장치(101)의 움직임을 식별하는 것일 수 있다. 예를 들어, 전자 장치(101)는 센서(예: 기울기 센서, 자이로 센서)로부터 식별된 값에 기반하여 전자 장치(101)의 움직임(예: 회전)을 식별하는 경우, 특정 이벤트가 발생되는 것으로 식별할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 상기 특정 이벤트가 발생된 것으로 판단된 경우, 509 동작에서 복수의 값들 중 제 2 값들을 선택할 수 있다. 예를 들어, 전자 장치(101)는 도 7b에 도시된 바와 같이 특정 이벤트의 발생에 기반하여 복수의 연산 값 조합들 중에서 현재 선택된 값들의 조합(예: 제 1 연산 조합(701))과는 다른 값들의 조합(예: 제 2 연산 조합(703))을 선택할 수 있다. 전자 장치(101)는 특정 이벤트가 발생되는 경우, 전자 장치(101)의 모드를 “결과 평가 모드”로 설정하고 특정 기간 동안 현재 선택된 연산 조합(예: 제 1 연산 조합(701)) 이외의 다른 연산 조합들에 대한 코스트들을 계산하는 동작을 수행하고 계산된 코스트들에 기반하여 복수의 연산 조합들 중 다른 제 2 연산 조합(703)을 선택할 수 있다. 상기 계산된 코스트는 연산 조합에 기반한 결과 데이터의 차이와 에너지 소모량을 나타낼 수 있는데, 전자 장치(101)의 상기 코스트를 계산하는 동작 및 계산된 코스트에 기반하여 다른 연산 조합을 선택하는 동작에 대해서는 도 8 내지 도 11에서 후술한다.
다양한 실시예들에 따르면 전자 장치(101)는 연산 조합의 변경 시, 특정 순서대로 연산 조합을 변경할 수 있다. 일 실시예에서, 도 7a 및 도 7b를 참조하면 상기 특정 순서대로 연산 조합이 변경되는 것은 현재 조합에서 한 단계 씩 다른 조합으로 변경되는 것일 수 있다. 예를 들어, 조합의 단계는 조합에 대응하는 파라미터의 종류들(예: 가중치 및 활성 함수) 별 연산 값에 비례하여 설정될 수 있고, 이에 따라 가중치에 대한 연산 값과 활성 함수에 대한 연산 값의 합이 낮을 수록 낮은 단계의 연산 조합이고 클 수록 높은 단계의 연산 조합일 수 있다. 상기 단계는 단계라는 용어 대신 레벨과 같은 용어로 대체될 수도 있다. 전자 장치(101)는 도 7a 및 도 7b에 도시된 바와 같이 현재 연산 조합(예: 제 1 연산 조합(701))에서 한 단계 높은 연산 조합(예: 제 2 연산 조합(703))을 선택하거나, 또는 한 단계 낮은 연산 조합을 선택할 수 있다. 다른 실시예에서, 상기 연산 조합이 변경되는 단계는 한 단계가 아닌 한 단계 보다 더 큰 단계로 설정될 수 있다. 또 다른 실시예에서, 상기 연산 조합이 변경되는 단계는 이전에 수신되는 데이터(또는 컨텐트)와 현재 수신되는 데이터(또는 컨텐트)의 차이에 비례할 수도 있다. 상술한 바와 같이 전자 장치(101)가 특정 순서대로 연산 조합을 변경하는 경우, 현재 단계에서 변경 가능한 단계들(예: 한 단계 씩 변경하는 경우, 한 단계 높은 단계 및/또는 한 단계 낮은 단계)에 대응하는 연산 조합들(즉, 후보 연산 조합들)을 식별하고 식별된 연산 조합들에 대한 코스트들을 계산할 수 있다. 또는 기재된 바에 제한되지 않고, 전자 장치(101)는 특정 순서 없이 연산 조합을 변경하는 경우에는 전술한 후보 연산 조합을 식별하는 동작 없이 복수의 연산 조합들의 적어도 일부에 대한 코스트들을 계산할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 511 동작에서 상기 딥 러닝 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 딥 러닝 모델을 이용하여, 상기 적어도 하나의 데이터(또는 컨텐트)를 처리함으로써 제 2 결과 데이터를 획득할 수 있다. 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 일 프로세서가 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값을 기반으로, 양자화된 인공 지능 모델(720)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어(또는, 인스트럭션들을 전송)하고, 처리 결과 데이터를 획득할 수 있다. 일 실시예에서, 전자 장치(101)는 도 7a에 도시된 바와 같이 현재 데이터(또는 컨텐트)를 처리하는 동작을 수행하는 프로세서(예: 제 1 프로세서(221))가 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들(예: weight precision이 8bit이고, activation precision이 16bit)(703)에 대응하는 파라미터를 가지는 제 2 인공 지능 모델(720)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 예를 들어, 전술한 바와 같이 제 1 프로세서(221)가 프로세서(230)로부터 새로 선택된 파라미터의 종류들 별 연산 값들을 수신하고 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들에 기반하여 미리 학습된 인공 지능 모델을 양자화하거나, 또는 전자 장치(101)에 미리 저장된 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들에 대응하는 양자화된 인공 지능 모델(720)이 제 1 프로세서(221)로 전달될 수 있다. 또 일 실시예에서, 전자 장치(101)는 도 7b에 도시된 바와 같이 현재 데이터(또는 컨텐트)를 처리하는 동작을 수행하는 프로세서(예: 제 1 프로세서(221))와는 다른 프로세서(에: 제 2 프로세서(223))가 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들(예: weight precision:8bit, activation precision:16bit)(703)에 대응하는 파라미터를 가지는 제 2 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들(703)에 대응하는(또는 해당 연산 값들을 이용하도록 설정된) 제 2 프로세서(223)를 식별하고, 제 2 프로세서(223)가 새로 선택된 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 연산 값들(예: weight precision:8bit, activation precision:16bit)(703)에 대응하는 파라미터를 가지는 제 2 인공 지능 모델(720)을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 이에 따라, 전자 장치(101)는 도 6의 상태(603)에 도시된 바와 같이 특성이 다른(예: 피사체 또는 풍경이 변경된) 이미지 데이터에 대한 결과 데이터(631)를 획득할 수 있다. 그 외에 상기 전자 장치(101)의 511 동작의 양자화된 인공 지능 모델을 획득하고 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하는 동작은 전술한 전자 장치(101)의 505 동작과 같이 수행될 수 있으므로 중복되는 설명은 간결성을 위해 생략한다.
한편 전자 장치(101)가 전자 장치(101)에 미리 저장된 복수의 인공 지능 모델들(243)을 이용하는 것으로 상술 및/또는 도시하였으나, 이에 제한되지 않고 다양한 실시예들에 따르면 전자 장치(101)는 어플리케이션의 구동에 기반하여 외부 서버로부터 대응하는 인공 지능 모델을 수신하여 수신된 인공 지능 모델을 양자화하여 이용하거나, 또는 외부 서버에서 미리 양자화된 인공 지능 모델을 수신하여 이용할 수도 있다. 또는, 다양한 실시예들에 따르면 전자 장치(101)는 전자 장치(101)에서 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하는 동작을 수행하는 대신, 데이터(또는 컨텐트)에 대한 정보 및 데이터(또는 컨텐트)의 처리를 위한 정보(예: 객체(또는 피사체)를 구별하기 위한 모드에 대한 정보 및 선택된 연산 값들)를 외부 서버로 전송하여 외부 서버에 미리 저장된 인공 지능 모델에 의해 처리된 결과 데이터를 외부 서버로부터 수신할 수도 있다.
이하에서는 다양한 실시예들에 따른 전자 장치(101)의 동작의 일 예에 대해서 설명한다. 전술한 전자 장치(101)의 동작의 일 예는 이하에서 기술되는 전자 장치(101)의 동작의 일 예에 준용될 수 있으므로 중복되는 설명은 간결성을 위해 생략한다.
다양한 실시예들에 따르면 전자 장치(101)는 특정 이벤트가 발생되는 경우, 특정 기간(예: 평가 기간) 동안 복수의 연산 조합들의 적어도 일부에 대한 코스트들을 계산하고, 계산된 코스트들에 기반하여 다른 연산 조합을 선택할 수 있다.
도 8은 다양한 실시예들에 따른 전자 장치(101)의 동작의 일 예를 설명하기 위한 흐름도(800)이다. 도 8에 도시되는 동작들은 도시되는 순서에 국한되지 않고 다양한 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면 도 8에 도시되는 동작들 보다 더 많은 동작들이 수행되거나, 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는, 도 9, 도 10, 및 도 11a 내지 도 11b를 참조하여 도 8에 대해서 설명한다.
도 9는 다양한 실시예들에 따른 전자 장치(101)의 복수의 연산 조합들 별로 코스트를 계산하는 동작의 예를 설명하기 위한 도면이다. 도 10은 다양한 실시예들에 따른 서로 다른 연산 조합들에 기반하여 구성된 적어도 하나의 파라미터를 가지는 인공 지능 모델들에 의해 획득된 결과 데이터의 예를 설명하기 위한 도면이다. 도 11a는 다양한 실시예들에 따른 전자 장치(101)의 특정 기간 동안 코스트들을 계산하는 동작의 일 예를 설명하기 위한 도면이다. 도 11b는 다양한 실시예들에 따른 전자 장치(101)의 특정 기간 동안 코스트들을 계산하는 동작의 다른 예를 설명하기 위한 도면이다.
다양한 실시예들에 따르면 전자 장치(101)는 801 동작에서 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 데이터(또는 컨텐트)를 획득할 수 있다. 예를 들어, 전자 장치(101)는 전자 장치(101)에 설치된 복수의 어플리케이션들(241) 중 일 어플리케이션(예: 카메라 어플리케이션)을 실행하고, 실행된 어플리케이션에 기반하여 전자 장치(101)에 구비되는 장치(예: 카메라(211))를 구동하여 데이터(또는 컨텐트)(예: 이미지 데이터)를 획득할 수 있다. 상기 전자 장치(101)의 801 동작은 상술한 전자 장치(101)의 501 동작과 같이 수행될 수 있으므로 중복되는 설명은 간결성을 위해 생략한다.
다양한 실시예들에 따르면 전자 장치(101)는 803 동작에서 상기 획득된 적어도 하나의 데이터(또는 컨텐트)를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하고, 805 동작에서 상기 전자 장치(101)에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 데이터(또는 컨텐트)를 처리함으로써 제 1 결과 데이터(또는 컨텐트)를 획득할 수 있다. 예를 들어, 전자 장치(101)(예: 연산 값 선택 모듈(231))는 획득된 적어도 하나의 데이터(또는 컨텐트)(예: 이미지, 또는 영상)를 처리하기 위한 이벤트가 발생(예: 카메라 어플리케이션에서 객체들(또는 피사체들)에 대한 정보를 획득하기 위한 모드가 선택됨)되는 경우, 파라미터의 종류들(예: 가중치, 및 활성 함수) 별 복수의 연산 값들(예: [표 1]에서 전술한 연산 값 종류들) 중에서 데이터(또는 컨텐트)의 처리를 위해 이용할 기설정된 연산 값들을 선택할 수 있다. 또 예를 들어, 전자 장치(101)는 데이터(또는 컨텐트)를 처리하기 위한(또는, 상기 선택된 모드에 대응하는) 인공 지능 모델을 획득(또는 선택)할 수 있다. 또 예를 들어, 전자 장치(101)는 복수의 프로세서들(220) 중 데이터(또는 컨텐트)를 처리할 적어도 하나의 프로세서를 선택하고, 선택된 프로세서(예: 제 1 프로세서(221))가 선택된 연산 값들에 기반하여 설정된 적어도 하나의 파라미터를 포함하는 양자화된 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리하도록 제어할 수 있다. 상기 전자 장치(101)의 803 동작 내지 805 동작은 전술한 전자 장치(101)의 503 동작 내지 505 동작과 같이 수행될 수 있으므로 중복되는 설명은 간결성을 위해 생략한다.
다양한 실시예들에 따르면 전자 장치(101)는 807 동작에서 특정 이벤트의 발생 여부를 판단할 수 있다. 예를 들어, 상기 특정 이벤트의 발생은 전술한 바와 같이 특정 시간의 경과, 획득되는 데이터(또는 컨텐트)의 특성의 변경, 또는 전자 장치(101)의 움직임 중 적어도 하나를 포함할 수 있다. 전자 장치(101)의 807 동작은 전술한 전자 장치(101)의 507 동작과 같이 수행될 수 있으므로 간결성을 위해 중복되는 설명은 생략한다.
다양한 실시예들에 따르면 전자 장치(101)는 809 동작에서 특정 이벤트의 발생에 기반하여, 특정 시구간 동안 상기 복수의 값들 중 적어도 하나에 대응하는 적어도 하나의 코스트를 계산하고, 811 동작에서 상기 계산된 적어도 하나의 코스트에 기반하여, 상기 복수의 값들 중 제 2 값들을 선택할 수 있다. 예를 들어, 전자 장치(101)는 특정 기간(예: 평가 기간) 동안 복수의 연산 조합들 중 일부 연산 조합들과 연관된 코스트들을 계산하고, 계산된 코스트들 중 가장 낮은 코스트를 가지는 연산 조합(예: 제 2 연산 조합)을 선택할 수 있다. 예를 들어, 전자 장치(101)는 도 11a 내지 도 11b에 도시된 바와 같이 상기 특정 기간 동안 계산된 코스트들에 기반하여, 특정 기간 이후 가장 낮은 코스트를 가지는 연산 조합으로 변경하여 데이터(또는 컨텐트)의 처리를 수행할 수 있다. 이때 가장 낮은 코스트를 가지는 연산 조합은 현재 선택된 연산 조합(예: 제 1 연산 조합)이거나, 또는 현재 선택된 연산 조합과 다른 연산 조합(예: 제 2 연산 조합)일 수도 있다. 일 실시예에서 전자 장치(101)는 상기 특정 기간 동안 현재 연산 조합을 포함하는 복수의 연산 조합들 모두에 대한 코스트들을 계산할 수 있다. 또 일 실시예에서 전자 장치(101)는 상기 특정 기간 동안 현재 연산 조합 및 전술한 특정 순서 대로 조합의 변경 시 현재 연산 조합에서 변경 가능한 후보 연산 조합들(예: 현재 연산 조합 보다 한 단계 낮거나 한 단계 높은 연산 조합)에 대한 코스트들을 계산할 수도 있다. 또 기재된 바에 제한되지 않고, 전자 장치(101)는 현재 연산 조합을 제외한 복수의 연산 조합들 중 나머지 일부들에 대한 코스트들을 계산할 수 있다. 이때, 상기 계산된 코스트들이 기설정된 임계값 보다 높은 경우, 전자 장치(101)는 현재 선택된 연산 조합(예: 제 1 연산 조합)을 유지할 수 있다. 일 실시예에서, 상기 임계 값은 현재 선택된 연산 조합(예: 제 1 연산 조합)과 연관된 코스트의 값으로 설정될 수 있으나, 본 개시는 이에 제한되지는 않는다. 또, 상기 계산된 코스트들 중 적어도 일부가 기설정된 임계값 보다 낮은 경우에는, 전자 장치(101)는 전술한 바와 같이 코스트들 중 적어도 일부로부터 가장 낮은 코스트를 식별하고, 현재 연산 조합을 가장 낮은 코스트를 가지는 연산 조합으로 변경할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)(예: 평가 모듈(233))은 특정 기간 동안 가장 높은 단계의 연산 조합과 상술한 복수의 연산 조합들 중 적어도 일부에 대한 결과 데이터와 상기 복수의 연산 조합들 중 일부들에 연관된 에너지 소모량에 기반하여, 복수의 연산 조합들 중 일부들에 대한 코스트들을 계산할 수 있다. 예를 들어, 전자 장치(101)는 복수의 연산 조합들 중 일부들에 대한 결과 데이터와 가장 높은 단계의 연산 조합에 대한 결과 데이터의 차이를 계산하고, 상기 계산된 차이와 복수의 연산 조합들 중 일부들에 기반한 양자화된 인공 지능 모델을 이용한 데이터(또는 컨텐트) 처리 동작 시 소모되는 에너지(예: 전력)를 기반으로 코스트를 계산할 수 있다. 일 예로, 전자 장치(101)는 아래의 [수학식 1]과 같이 코스트를 계산할 수 있다. 한편, 코스트를 계산하기 위한 수학식에는 [수학식 1]에 기재된 파라미터들 이외에도 더 많은 파라미터들이 포함될 수 있다. 이에 따라, 상기 계산된 코스트는 복수의 연산 조합들 중 일부의 결과 데이터와 가장 정확도가 높은 결과 데이터와의 차이와 복수의 연산 조합들 중 일부에 의한 데이터(또는 컨텐트) 처리 시 에너지 소모양을 나타낼 수 있다. 상기 코스트가 작다는 것은 가장 정확도가 높은 결과 데이터와의 차이는 작으면서, 에너지가 소모되는 양도 작음을 나타낼 수 있다.
Figure PCTKR2021019673-appb-M000001
[수학식 1]에서 Out.candi는 코스트를 계산하고자 하는 복수의 연산 조합들 중 일부들의 결과 데이터의 일부(예: (x,y)는 이미지 데이터의 경우 일 픽셀을 의미, 오디오 데이터의 경우 특정 시간 프레임을 의미), Out.max는 가장 단계가 높은 연산 조합의 결과 데이터의 일부(즉, 가장 좋은 결과 데이터의 일부), Energy.candi는 코스트를 계산하고자 하는 복수의 연산 조합들 중 일부들에 의해 연산이 수행 될 때 소모되는 에너지를 나타냄, α는 상수를 나타냄.
예를 들어, 전자 장치(101)(예: 평가 모듈(233))은 도 9에 도시된 바와 같이 특정 기간(예: 평가 기간) 동안 가장 높은 단계의 연산 조합 및 복수의 연산 조합들 일부들에 기반한 파라미터(예: 가중치 및 활성 함수)를 가지는 양자화된 인공 지능 모델들(예: 910, 920) 각각을 획득할 수 있다. 상기 양자화된 인공 지능 모델들을 획득하는 동작에 대해서는 전술한 바와 같이 미리 학습된 인공 지능 모델의 파라미터를 재구성 및/또는 재구현 함으로써 수행되므로 중복되는 설명은 생략한다. 전자 장치(101)(예: 평가 모듈(233))는 특정 기간 동안 획득되는 데이터(또는 컨텐트)를 처리하도록 서로 다른 프로세서(예: 제 1 프로세서(221) 및 제 2 프로세서(223))를 제어하고, 각각의 프로세서들로부터 결과 데이터(예: 제 1 결과 데이터(911), 및 제 2 결과 데이터(921))를 획득할 수 있다. 상기 데이터(또는 컨텐트)(901)를 처리하는 프로세서들 각각은 전술한 바와 같이 연산 조합들에 대응하는 프로세서일 수 있다. 또는 기재 및/또는 도시된 바에 제한되지 않고, 일 프로세서가 가장 높은 단계의 연산 조합 및 복수의 연산 조합들 일부들에 기반한 양자화된 인공 지능 모델들(예: 910, 920)을 이용하여 데이터(또는 컨텐트)(901)를 처리할 수도 있다. 상기 전자 장치(101)(예: 평가 모듈(233))은 획득된 각각의 결과 데이터(예: 제 1 결과 데이터(911), 및 제 2 결과 데이터(921))의 서로 대응하는 일부(예: 이미지 데이터의 경우 대응하는 적어도 하나의 픽셀의 데이터, 오디오 데이터의 경우 적어도 하나의 타임 프레임의 데이터)의 차이를 계산할 수 있다. 또 예를 들어, 전자 장치(101)(예: 평가 모듈(233))은 상기 특정 기간 동안 각각의 프로세서(예: 제 1 프로세서(221) 및 제 2 프로세서(223))가 획득되는 데이터(또는 컨텐트)를 처리하는 동안, 각각의 프로세서의 처리 동작에 따라서 소모되는 에너지의 양(또는 리소스의 양, 또는 전력의 양, 또는 연산되는 데이터의 양)에 대한 정보를 획득할 수 있다. 일 예로, 전자 장치(101)(예: 프로세서)는 각각의 프로세서의 처리 동작 동안 소모되는 에너지의 양을 모니터링할 수 있다. 결과적으로 전자 장치(101)(예: 평가 모듈(233))은 상기 결과 데이터(예: 제 1 결과 데이터(911), 및 제 2 결과 데이터(921))의 차이와 소모되는 에너지의 양에 기반하여, 복수의 연산 조합들의 일부에 대한 코스트들을 계산하고, 계산된 코스트들 중 가장 낮은 코스트에 대응하는 연산 조합을 선택할 수 있다. 도 10의 상태(1001)을 참조하면 특정 이미지 데이터의 경우 파라미터의 종류들(예: 가중치 및 활성 함수) 별 연산 값이 다른 경우(예: 연산 조합이 다른 경우) 결과 데이터의 차이가 크지만, 도 10의 상태(1002)를 참조하면 다른 이미지 데이터의 경우 파라미터의 종류들 별 연산 값이 다른 경우 결과 데이터의 차이가 적을 수 있다. 상기 다른 이미지 데이터는 특정 이미지 데이터에 비하여 현재 선택된 모드(예: 전술한 객체 식별 모드)에 따라서 처리되어야 하는 데이터의 양이 적을 수 있다(예: 식별되어야 하는 객체의 수가 적을 수 있다). 따라서, 도 10의 상태(1002)에 도시된 바와 같은 이미지 데이터가 획득되는 경우, 전자 장치(101)는 더 낮은 단계의 연산 조합을 선택하는 경우 더 높은 단계의 연산 조합을 선택하는 경우와 비교하여 결과 데이터의 차이는 작으면서 에너지 소모 양도 더 작을 수 있다(즉, 에너지 소모 측면에서 이점이 있을 수 있다). 따라서, 도 10의 상태들(1001 내지 1002)에서 기술된 바를 고려하여, 전자 장치(101)(예: 평가 모듈(233))는 특정 이벤트의 발생에 기반하여 가장 정확도가 높은 결과 데이터와의 차이와 데이터(또는 컨텐트) 처리 시 에너지 소모양을 나타내는 코스트를 계산하고, 계산된 코스트 중 가장 낮은 코스트를 가지는 연산 조합을 선택할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)는 특정 기간(예: 결과 평가 기간) 동안 복수의 연산 조합들 각각에 기반한 데이터(또는 컨텐트)를 처리하는 동작은 동시에 또는 이시에 수행될 수 있다. 예를 들어 도 11a에 도시된 바와 같이 전자 장치(101)는 특정 기간(예: 평가 기간) 동안 복수의 연산 조합들을 기반으로 동시에 데이터(또는 컨텐트)를 처리하는 동작을 수행할 수 있다. 복수의 연산 조합들에 대응하는 복수의 프로세서들(220)은 특정 기간 동안 복수의 연산 조합들 각각에 기반하여 양자화된 인공 지능 모델을 이용하여 데이터(또는 컨텐트)를 처리할 수 있다. 또는 일 프로세서가 특정 기간 동안 복수의 연산 조합들에 기반하여 양자화된 인공 지능 모델들을 이용하여 데이터(또는 컨텐트)를 처리하여 결과 데이터들을 획득할 수도 있다. 또 예를 들어 도 11b에 도시된 바와 같이 전자 장치(101)는 특정 기간(예: 평가 기간) 동안 복수의 연산 조합들 중 일 연산 조합을 기반으로 데이터(또는 컨텐트)를 처리하는 동작을 순차적으로 수행할 수 있다.
다양한 실시예들에 따르면 전자 장치(101)는 813 동작에서 상기 딥 러닝 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 딥 러닝 모델을 이용하여, 상기 적어도 하나의 데이터(또는 컨텐트)를 처리함으로써 제 2 결과 데이터(또는 컨텐트)를 획득할 수 있다. 예를 들어, 전자 장치(101)는 특정 기간(예: 평가 기간) 이후 선택된 연산 조합(예: 제 2 연산 조합)의 파라미터의 종류들 별 연산 값을 기반으로 양자화된 인공 지능 모델을 이용하여, 지저된 기간 이후에 획득되는 데이터(또는 컨텐트)를 처리할 수 있다. 상기 전자 장치(101)의 813 동작은 전술한 전자 장치(101)의 511 동작과 같이 수행될 수 있으므로 중복되는 설명은 간결성을 위해 생략한다.
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))의 동작 방법으로서, 상기 전자 장치(예: 도 1의 전자 장치(101))의 적어도 하나의 프로세서에 의해 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계, 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하는 단계, 상기 전자 장치(예: 도 1의 전자 장치(101))에 저장된 인공 지능 모델(예: 도 2의 인공 지능 모델들(243))의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 데이터를 획득하는 단계, 특정 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하는 단계, 및 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 데이터를 획득하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 특정 이벤트의 발생은 특정 시간이 경과되는 것, 획득되는 상기 적어도 하나의 컨텐트의 특성의 변경이 식별되는 것, 또는 상기 전자 장치(예: 도 1의 전자 장치(101))의 움직임이 식별되는 것 중 적어도 하나를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 인공 지능 모델은 상기 어플리케이션의 실행에 기반하여 획득된 상기 적어도 하나의 데이터를 입력 받은 것에 대한 응답으로 결과 데이터를 출력하도록 미리 학습된 모델이고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터는 상기 학습에 따라서 획득된 적어도 하나의 가중치 및 적어도 하나의 활성 함수를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 연산 능력과 연관된 복수의 값들은 값들의 조합들을 포함하고, 상기 값들의 조합들 각각은 상기 가중치에 대한 상기 연산 능력과 연관된 값과 상기 활성 함수에 대한 상기 연산 능력과 연관된 값을 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 실행된 어플리케이션을 기반으로 상기 획득된 적어도 하나의 컨텐트를 처리하기 위한 이벤트가 발생되는 경우, 상기 값들의 조합들 중에서 상기 제 1 값들로서 상기 가중치에 대한 제 1 값과 상기 활성 함수에 대한 제 1 값을 포함하는 제 1 조합의 값들을 선택하는 단계, 및 상기 특정 이벤트가 발생되는 경우, 상기 값들의 조합들 중에서 상기 제 2 값들로서 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값을 포함하는 제 2 조합의 값들을 선택하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 가중치에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 1 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 1 활성 함수로 설정함으로써 상기 제 1 인공 지능 모델을 획득하는 단계, 및 상기 가중치에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 2 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 2 활성 함수로 설정함으로써 상기 제 2 인공 지능 모델을 획득하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 전자 장치(예: 도 1의 전자 장치(101))의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 1 값 및 상기 활성 함수에 대한 상기 제 1 값에 대응하는 제 1 프로세서를 식별하고, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계, 및 상기 전자 장치(예: 도 1의 전자 장치(101))의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 2 값 및 상기 활성 함수에 대한 상기 제 2 값에 대응하는 제 2 프로세서를 식별하고, 상기 제 2 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 특정 이벤트의 발생에 기반하여, 특정 기간 동안 상기 값들의 조합들 중 일부들 각각에 포함된 상기 가중치에 대한 값과 상기 활성 함수에 대한 값을 기반으로 상기 값들의 조합들 중 일부들에 대한 코스트들을 계산하는 단계를 포함하고, 상기 코스트들은 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 결과 데이터들의 정확도와 상기 값들의 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 에너지 소모량을 나타내고, 상기 계산된 코스트들 중 가장 낮은 코스트를 가지는 상기 값들의 제 2 조합을 선택하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 계산된 코스트들 중 상기 가장 낮은 코스트가 임계 값 이상인 경우, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하는 동작을 유지하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 값들의 조합들 중 상기 가중치에 대한 가장 높은 값과 상기 활성 함수에 대한 가장 높은 값을 포함하는 상기 값들의 제 3 조합을 식별하는 단계, 상기 가중치에 대한 가장 높은 값과 상기 활성 함수에 대한 가장 높은 값에 기반하여 구성된 적어도 하나의 제 3 파라미터를 가지는 제 3 인공 지능 모델을 획득하고, 상기 조합들 중 상기 일부들에 대응하는 상기 가중치에 대한 값들과 상기 활성 함수에 대한 값들 각각에 기반하여 구성된 적어도 하나의 제 4 파라미터를 가지는 인공 지능 모델들을 획득하는 단계, 상기 특정 기간 동안 상기 제 3 인공 지능 모델에 기반하여 상기 적어도 하나의 데이터를 처리함으로써 제 3 결과 데이터를 획득하고, 상기 인공 지능 모델들에 기반하여 상기 적어도 하나의 데이터를 처리함으로써 복수의 결과 데이터들을 획득하는 단계, 및 상기 복수의 결과 데이터들 각각의 적어도 일부와 상기 제 3 결과 데이터의 적어도 일부의 차이를 계산하는 단계를 포함하는 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 상기 인공 지능 모델들 각각에 기반하여 상기 적어도 하나의 데이터를 처리함에 따라서 소모되는 에너지의 양과 연관된 정보를 획득하는 단계, 및 상기 계산된 차이와 상기 소모되는 에너지의 양에 기반하여, 상기 코스트들을 계산하는 단계를 포함하는, 동작 방법이 제공될 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))로서, 적어도 하나의 프로세서(예: 도 2의 프로세서(230))를 포함하고, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하고, 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하고, 상기 전자 장치(예: 도 1의 전자 장치(101))에 저장된 인공 지능 모델(예: 도 2의 인공 지능 모델들(243))의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 컨텐트를 획득하고, 특정 이벤트의 발생에 기반하여, 상기 복수의 값들 중 상기 제 1 값들과는 다른 제 2 값들을 선택하고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 컨텐트를 획득하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 특정 이벤트의 발생은 특정 시간이 경과되는 것, 획득되는 상기 적어도 하나의 데이터의 특성의 변경이 식별되는 것, 또는 상기 전자 장치(예: 도 1의 전자 장치(101))의 움직임이 식별되는 것 중 적어도 하나를 포함하는, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 인공 지능 모델은 상기 어플리케이션의 실행에 기반하여 획득된 상기 적어도 하나의 데이터를 입력 받은 것에 대한 응답으로 결과 데이터를 출력하도록 미리 학습된 모델이고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터는 상기 학습에 따라서 획득된 적어도 하나의 가중치 및 적어도 하나의 활성 함수를 포함하는, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 연산 능력과 연관된 복수의 값들은 값들의 조합들을 포함하고, 상기 값들의 조합들 각각은 상기 가중치에 대한 상기 연산 능력과 연관된 값과 상기 활성 함수에 대한 상기 연산 능력과 연관된 값을 포함하는, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 상기 실행된 어플리케이션을 기반으로 상기 획득된 적어도 하나의 컨텐트를 처리하기 위한 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 1 값들로서 상기 가중치에 대한 제 1 값과 상기 활성 함수에 대한 제 1 값에 대응하는 제 1 조합을 선택하고, 상기 특정 이벤트가 발생되는 경우, 상기 조합들 중에서 상기 제 2 값들로서 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 상기 가중치에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 1 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 1 활성 함수로 설정함으로써 상기 제 1 인공 지능 모델을 획득하고, 상기 가중치에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 2 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 2 활성 함수로 설정함으로써 상기 제 2 인공 지능 모델을 획득하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 상기 전자 장치(예: 도 1의 전자 장치(101))의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 1 값 및 상기 활성 함수에 대한 상기 제 1 값에 대응하는 제 1 프로세서를 식별하고, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하고, 상기 전자 장치(예: 도 1의 전자 장치(101))의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 2 값 및 상기 활성 함수에 대한 상기 제 2 값에 대응하는 제 2 프로세서를 식별하고, 상기 제 2 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 프로세서(예: 도 2의 프로세서(230))는 상기 특정 이벤트의 발생에 기반하여, 특정 기간 동안 상기 조합들 중 일부들 각각에 대응하는 상기 가중치에 대한 값과 상기 활성 함수에 대한 값을 기반으로 상기 조합들 중 일부들에 대한 코스트들을 계산하고, 상기 코스트들은 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 결과 데이터들의 정확도와 상기 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 에너지 소모량을 나타내고, 상기 계산된 코스트들 중 가장 낮은 코스트를 가지는 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값에 대응하는 제 2 조합을 선택하도록 설정된, 전자 장치(예: 도 1의 전자 장치(101))가 제공될 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))의 동작 방법으로서, 어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계, 상기 전자 장치(예: 도 1의 전자 장치(101))에 저장된 인공 지능 모델(예: 도 2의 인공 지능 모델들(243))을 이용하여 상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 제 1 프로세서를 선택하는 단계를 포함하고, 상기 제 1 프로세서는 연산 능력과 연관된 복수의 값들 중 제 1 값들에 대응하도록 설정되고, 상기 전자 장치(예: 도 1의 전자 장치(101))에 저장된 인공 지능 모델(예: 도 2의 인공 지능 모델들(243))의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계, 특정 이벤트의 발생에 기반하여, 제 2 프로세서를 선택하는 단계를 포함하고, 상기 제 2 프로세서는 상기 연산 능력과 연관된 상기 복수의 값들 중 제 2 값들에 대응하도록 설정되고, 상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계를 포함하는, 동작 방법이 제공될 수 있다.

Claims (15)

  1. 전자 장치의 동작 방법으로서,
    어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하는 단계;
    상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하는 단계;
    상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 데이터를 획득하는 단계;
    특정 이벤트의 발생에 기반하여, 상기 복수의 값들 중 제 2 값들을 선택하는 단계; 및
    상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 데이터를 획득하는 단계;를 포함하는,
    동작 방법.
  2. 제 1 항에 있어서,
    상기 특정 이벤트의 발생은 특정 시간이 경과되는 것, 획득되는 상기 적어도 하나의 데이터의 특성의 변경이 식별되는 것, 또는 상기 전자 장치의 움직임이 식별되는 것 중 적어도 하나를 포함하는,
    동작 방법.
  3. 제 1 항에 있어서, 상기 인공 지능 모델은 상기 어플리케이션의 실행에 기반하여 획득된 상기 적어도 하나의 데이터를 입력 받은 것에 대한 응답으로 결과 데이터를 출력하도록 미리 학습된 모델이고,
    상기 인공 지능 모델의 상기 적어도 하나의 파라미터는 상기 학습에 따라서 획득된 적어도 하나의 가중치 및 적어도 하나의 활성 함수를 포함하는,
    동작 방법.
  4. 제 3 항에 있어서,
    상기 연산 능력과 연관된 복수의 값들은 값들의 조합들을 포함하고, 상기 값들의 조합들 각각은 상기 가중치에 대한 상기 연산 능력과 연관된 값과 상기 활성 함수에 대한 상기 연산 능력과 연관된 값을 포함하는,
    동작 방법.
  5. 제 4 항에 있어서,
    상기 실행된 어플리케이션을 기반으로 상기 획득된 적어도 하나의 컨텐트를 처리하기 위한 이벤트가 발생되는 경우, 상기 값들의 조합들 중에서 상기 제 1 값들로서 상기 가중치에 대한 제 1 값과 상기 활성 함수에 대한 제 1 값을 포함하는 제 1 조합을 선택하는 단계; 및
    상기 특정 이벤트가 발생되는 경우, 상기 값들의 조합들 중에서 상기 제 2 값들로서 상기 가중치에 대한 제 2 값과 상기 활성 함수에 대한 제 2 값을 포함하는 제 2 조합을 선택하는 단계;를 포함하는,
    동작 방법.
  6. 제 5 항에 있어서,
    상기 가중치에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 1 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 1 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 1 활성 함수로 설정함으로써 상기 제 1 인공 지능 모델을 획득하는 단계; 및
    상기 가중치에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 가중치를 적어도 하나의 제 2 가중치로 설정하고, 상기 활성 함수에 대한 상기 제 2 값을 기반으로 상기 인공 지능 모델의 상기 적어도 하나의 활성 함수를 적어도 하나의 제 2 활성 함수로 설정함으로써 상기 제 2 인공 지능 모델을 획득하는 단계;를 포함하는,
    동작 방법.
  7. 제 6 항에 있어서,
    상기 전자 장치의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 1 값 및 상기 활성 함수에 대한 상기 제 1 값에 대응하는 제 1 프로세서를 식별하고, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 1 프로세서를 제어하는 단계; 및
    상기 전자 장치의 복수의 프로세서들 중 상기 가중치에 대한 상기 제 2 값 및 상기 활성 함수에 대한 상기 제 2 값에 대응하는 제 2 프로세서를 식별하고, 상기 제 2 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하도록 상기 제 2 프로세서를 제어하는 단계;를 포함하는,
    동작 방법.
  8. 제 5 항에 있어서,
    상기 특정 이벤트의 발생에 기반하여, 특정 기간 동안 상기 값들의 조합들 중 일부들 각각에 포함된 상기 가중치에 대한 값과 상기 활성 함수에 대한 값을 기반으로 상기 값들의 조합들 중 일부들에 대한 코스트들을 계산하는 단계;를 포함하고, 상기 코스트들은 상기 값들의 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 결과 데이터들의 정확도와 상기 값들의 조합들 중 일부들에 기반한 상기 적어도 하나의 데이터가 처리됨에 따라서 획득되는 에너지 소모량을 나타내고,
    상기 계산된 코스트들 중 가장 낮은 코스트를 가지는 상기 값들의 제 2 조합을 선택하는 단계;를 포함하는,
    동작 방법.
  9. 제 8 항에 있어서,
    상기 계산된 코스트들 중 상기 가장 낮은 코스트가 임계 값 이상인 경우, 상기 제 1 인공 지능 모델을 이용하여 상기 적어도 하나의 컨텐트를 처리하는 동작을 유지하는 단계;를 포함하는,
    동작 방법.
  10. 제 8 항에 있어서,
    상기 값들의 조합들 중 상기 가중치에 대한 가장 높은 값과 상기 활성 함수에 대한 가장 높은 값을 포함하는 제 3 조합을 식별하는 단계;
    상기 가중치에 대한 가장 높은 값과 상기 활성 함수에 대한 가장 높은 값에 기반하여 구성된 적어도 하나의 제 3 파라미터를 가지는 제 3 인공 지능 모델을 획득하고, 상기 값들의 조합들 중 상기 일부들에 대응하는 상기 가중치에 대한 값들과 상기 활성 함수에 대한 값들 각각에 기반하여 구성된 적어도 하나의 제 4 파라미터를 가지는 인공 지능 모델들을 획득하는 단계;
    상기 특정 기간 동안 상기 제 3 인공 지능 모델에 기반하여 상기 적어도 하나의 데이터를 처리함으로써 제 3 결과 데이터를 획득하고, 상기 인공 지능 모델들에 기반하여 상기 적어도 하나의 데이터를 처리함으로써 복수의 결과 데이터들을 획득하는 단계; 및
    상기 복수의 결과 데이터들 각각의 적어도 일부와 상기 제 3 결과 데이터의 적어도 일부의 차이를 계산하는 단계;를 포함하는
    동작 방법.
  11. 제 10 항에 있어서,
    상기 인공 지능 모델들 각각에 기반하여 상기 적어도 하나의 데이터를 처리함에 따라서 소모되는 에너지의 양과 연관된 정보를 획득하는 단계; 및
    상기 계산된 차이와 상기 소모되는 에너지의 양에 기반하여, 상기 코스트들을 계산하는 단계;를 포함하는,
    동작 방법.
  12. 전자 장치로서,
    적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는:
    어플리케이션을 실행하고, 상기 실행된 어플리케이션을 기반으로 적어도 하나의 컨텐트를 획득하고,
    상기 획득된 적어도 하나의 컨텐트를 처리하기 위해, 연산 능력과 연관된 복수의 값들 중 제 1 값들을 선택하고,
    상기 전자 장치에 저장된 인공 지능 모델의 적어도 하나의 파라미터를 상기 제 1 값들에 대응하는 적어도 하나의 제 1 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 1 파라미터를 가지는 제 1 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 1 결과 컨텐트를 획득하고,
    특정 이벤트의 발생에 기반하여, 상기 복수의 값들 중 제 2 값들을 선택하고,
    상기 인공 지능 모델의 상기 적어도 하나의 파라미터를 상기 선택된 제 2 값들에 대응하는 적어도 하나의 제 2 파라미터로 구성함으로써 획득된, 상기 적어도 하나의 제 2 파라미터를 가지는 제 2 인공 지능 모델을 이용하여, 상기 적어도 하나의 컨텐트를 처리함으로써 제 2 결과 컨텐트를 획득하도록 설정된,
    전자 장치.
  13. 제 12 항에 있어서,
    상기 특정 이벤트의 발생은 특정 시간이 경과되는 것, 획득되는 상기 적어도 하나의 데이터의 특성의 변경이 식별되는 것, 또는 상기 전자 장치의 움직임이 식별되는 것 중 적어도 하나를 포함하는,
    전자 장치.
  14. 제 12 항에 있어서, 상기 인공 지능 모델은 상기 어플리케이션의 실행에 기반하여 획득된 상기 적어도 하나의 데이터를 입력 받은 것에 대한 응답으로 결과 데이터를 출력하도록 미리 학습된 모델이고,
    상기 인공 지능 모델의 상기 적어도 하나의 파라미터는 상기 학습에 따라서 획득된 적어도 하나의 가중치 및 적어도 하나의 활성 함수를 포함하는,
    전자 장치.
  15. 제 14 항에 있어서,
    상기 연산 능력과 연관된 복수의 값들은 값들의 조합들을 포함하고, 상기 값들의 조합들 각각은 상기 가중치에 대한 상기 연산 능력과 연관된 값과 상기 활성 함수에 대한 상기 연산 능력과 연관된 값을 포함하는,
    전자 장치.
PCT/KR2021/019673 2021-04-27 2021-12-23 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법 WO2022231090A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/708,585 US20220343106A1 (en) 2021-04-27 2022-03-30 Electronic device for processing data based on artificial intelligence model and method for operating the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0054493 2021-04-27
KR1020210054493A KR20220147398A (ko) 2021-04-27 2021-04-27 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/708,585 Continuation US20220343106A1 (en) 2021-04-27 2022-03-30 Electronic device for processing data based on artificial intelligence model and method for operating the same

Publications (1)

Publication Number Publication Date
WO2022231090A1 true WO2022231090A1 (ko) 2022-11-03

Family

ID=83848610

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/019673 WO2022231090A1 (ko) 2021-04-27 2021-12-23 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법

Country Status (2)

Country Link
KR (1) KR20220147398A (ko)
WO (1) WO2022231090A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190110068A (ko) * 2018-03-19 2019-09-27 에스알아이 인터내셔널 딥 신경망들의 동적 적응
KR20190127510A (ko) * 2018-05-03 2019-11-13 삼성전자주식회사 분류를 위한 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치
KR20200076461A (ko) * 2018-12-19 2020-06-29 삼성전자주식회사 중첩된 비트 표현 기반의 뉴럴 네트워크 처리 방법 및 장치
KR20200118815A (ko) * 2018-02-16 2020-10-16 더 가버닝 카운슬 오브 더 유니버시티 오브 토론토 신경망 가속기
US20210117799A1 (en) * 2019-10-17 2021-04-22 EMC IP Holding Company LLC Monitoring performance of a storage system using paired neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200118815A (ko) * 2018-02-16 2020-10-16 더 가버닝 카운슬 오브 더 유니버시티 오브 토론토 신경망 가속기
KR20190110068A (ko) * 2018-03-19 2019-09-27 에스알아이 인터내셔널 딥 신경망들의 동적 적응
KR20190127510A (ko) * 2018-05-03 2019-11-13 삼성전자주식회사 분류를 위한 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치
KR20200076461A (ko) * 2018-12-19 2020-06-29 삼성전자주식회사 중첩된 비트 표현 기반의 뉴럴 네트워크 처리 방법 및 장치
US20210117799A1 (en) * 2019-10-17 2021-04-22 EMC IP Holding Company LLC Monitoring performance of a storage system using paired neural networks

Also Published As

Publication number Publication date
KR20220147398A (ko) 2022-11-03

Similar Documents

Publication Publication Date Title
WO2021145727A1 (en) Electronic device and screen refresh method thereof
WO2022010156A1 (ko) 전자 장치의 지자기 센서 보정 방법 및 그 전자 장치
WO2022231090A1 (ko) 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법
WO2022181965A1 (ko) 업사이클링 기능을 제공하기 위한 방법 및 이를 지원하는 전자 장치
WO2022177299A1 (ko) 통화 기능의 제어 방법 및 이를 지원하는 전자 장치
WO2022092580A1 (ko) 전자 장치 표면의 온도를 예측하는 방법 및 그 전자 장치
WO2022071708A1 (ko) 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법
WO2021235856A1 (ko) 멀티미디어 콘텐츠를 제공하는 방법 및 그 전자 장치
WO2022005027A1 (ko) 전자 장치와 연결된 히어러블 장치 및 이의 동작 방법
WO2022019442A1 (ko) 터치 입력을 감지하는 전자 장치 및 그 방법
WO2022203182A1 (ko) 인공 지능 모델을 최적화하기 위한 전자 장치 및 그 동작 방법
WO2022114648A1 (ko) 배경 화면을 설정하기 위한 전자 장치 및 그의 동작 방법
WO2023096135A1 (ko) 위치에 기반한 사용자 액션 추천 방법 및 전자 장치
WO2023054913A1 (ko) 포스 터치를 확인하는 전자 장치와 이의 동작 방법
WO2023038217A1 (ko) 신경망 모델을 처리하는 전자 장치와 이의 동작 방법
WO2021235798A1 (ko) 전자 장치 및 전자 장치에서 키보드의 입력을 이용하여 사용자 인증을 수행하는 방법
WO2023163341A1 (ko) 터치 입력의 인식 감도를 조정하는 방법 및 이를 수행하는 전자 장치
WO2022250246A1 (ko) 움직이는 객체에 대한 효과를 이미지에 적용하는 전자 장치 및 그 작동 방법
WO2022092609A1 (ko) 오디오 데이터 처리 방법 및 그 장치
WO2023287057A1 (ko) 주변 장치로부터 입력을 수신하였을 때 화면을 빠르게 업데이트하는 전자 장치
WO2022154410A1 (ko) 이미지 필터 효과의 생성 방법 및 그 전자 장치
WO2023033319A1 (ko) 디스플레이의 제어 방법 및 이를 지원하는 전자 장치
WO2023282464A1 (ko) 안테나 모듈의 동작에 의한 열화를 방지하는 전자 장치 및 방지 방법
WO2024112035A1 (ko) 전자 장치 및 전자 장치의 데이터 압축 방법
WO2022163877A1 (ko) 영상을 처리하는 방법 및 이를 수행하는 전자 장치

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: 21939468

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: 21939468

Country of ref document: EP

Kind code of ref document: A1