WO2023008732A1 - 제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치 - Google Patents
제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치 Download PDFInfo
- Publication number
- WO2023008732A1 WO2023008732A1 PCT/KR2022/008209 KR2022008209W WO2023008732A1 WO 2023008732 A1 WO2023008732 A1 WO 2023008732A1 KR 2022008209 W KR2022008209 W KR 2022008209W WO 2023008732 A1 WO2023008732 A1 WO 2023008732A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- result data
- normal
- prediction model
- failure
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 65
- 238000013473 artificial intelligence Methods 0.000 claims description 260
- 238000012360 testing method Methods 0.000 claims description 85
- 238000005070 sampling Methods 0.000 claims description 35
- 230000002950 deficient Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 10
- 238000011017 operating method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 22
- 238000010801 machine learning Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000007257 malfunction Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Definitions
- Various embodiments of the present invention disclose a method and apparatus for updating a predictive model for predicting product failure.
- an electronic device may include a plurality of parts (or electronic parts) (eg, a processor, a camera, and an antenna) to provide various functions. After the electronic device is created, it may be tested to see if there are any abnormalities in the electronic device. Since not all electronic devices produced can be tested, some electronic devices can be tested out of all electronic devices produced. Or, conventionally, electronic devices are tested using predictive models.
- a performance test of a finished product may be performed using data (eg, a processor, a camera) of parts (or electronic parts).
- data eg, a processor, a camera
- performance tests for example, pass/fail
- part test results are predicted only by part test results without performing performance tests on finished products, so that the same predicted results can always be provided.
- the test results of the finished product may be different due to external factors.
- a predictive model once created is not updated, the accuracy of predicting good or bad products by the predictive model may decrease over time.
- an artificial intelligence (AI) prediction model is generated based on component input data, fail result data is obtained according to the AI prediction model, and pass result data is obtained according to the fail result data.
- AI artificial intelligence
- a method and apparatus for acquiring and updating an AI prediction model based on at least one of component input data, failure result data, and normal result data may be disclosed.
- An electronic device includes a communication module, a memory, and a processor operatively connected to the communication module or the memory, wherein the processor generates an AI prediction model based on component input data. and obtains failure result data according to the AI prediction model, obtains normal result data according to the failure result data, and obtains the normal result data based on at least one of the part input data, the failure result data, and the normal result data. It can be set to update the AI prediction model.
- the AI prediction system obtains failure result data according to an AI prediction model, obtains normal result data according to the failure result data, and obtains the part input data, the failure result data, or the failure result data.
- An operating method of an electronic device includes generating an AI prediction model based on component input data, obtaining failure result data according to the AI prediction model, and performing a normal operation according to the failure result data. It may include obtaining result data, and updating the AI prediction model based on at least one of the component input data, the failure result data, and the normal result data.
- an AI prediction model of a finished product eg, an electronic device
- a finished product eg, an electronic device
- it is normal by the AI prediction model. And it can maintain the accuracy of predicting failure.
- the AI prediction model is trained using the normal predicted failure result data, thereby improving the predictive performance of the finished product produced thereafter.
- the sampling rate (or the number of samplings) of the finished product to be tested is adjusted to determine the failure and normality, thereby increasing the time or cost of testing the finished product.
- FIG. 1 is a block diagram of an electronic device in a network environment according to various embodiments.
- FIGS. 2A and 2B are diagrams illustrating an example of an AI prediction system including an electronic device and a server according to various embodiments.
- FIG. 3 is a flowchart illustrating an operating method of an electronic device according to various embodiments.
- 4A is a diagram illustrating normal and failure prediction ratios of electronic devices according to various embodiments.
- 4B is a graph illustrating a predicted normal rate according to a comparative example.
- 4C is a graph illustrating a predicted normal rate according to various embodiments.
- FIG. 5 is a diagram illustrating data acquired by an electronic device according to various embodiments.
- FIG. 6 is a flowchart illustrating a method of controlling an extraction ratio of normal result data in an electronic device according to various embodiments.
- FIG. 7 is a diagram illustrating an example of controlling an extraction ratio of normal result data in an electronic device according to various embodiments.
- FIG. 8 is a flowchart illustrating a method of updating an AI prediction model using failure result data in an electronic device according to various embodiments.
- 9A is a diagram illustrating an example in which a failure prediction rate increases due to an external factor according to various embodiments.
- 9B is a diagram illustrating an example of updating an AI prediction model using failure result data in an electronic device according to various embodiments.
- FIG. 10 is a flowchart illustrating a method of controlling a sampling rate in an electronic device according to various embodiments.
- 11A and 11B are diagrams illustrating an example of controlling a sampling rate in an electronic device according to various embodiments.
- FIG. 1 is a block diagram of an electronic device 101 in a network environment 100 according to various embodiments.
- an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or through a second network 199. It may communicate with at least one of the electronic device 104 or the server 108 through (eg, a long-distance wireless communication network). According to one 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, an audio output module 155, a display module 160, an audio module 170, 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 the antenna module 197 may be included.
- at least one of these components eg, the connection terminal 178) may be omitted or one or more other components may be added.
- some of these components eg, sensor module 176, camera module 180, or antenna module 197) are integrated into a single component (eg, display module 160). It can be.
- the processor 120 for example, executes software (eg, the program 140) to cause at least one other component (eg, hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or calculations. According to one embodiment, as at least part of data processing or operation, the processor 120 transfers instructions or data received from other components (e.g., sensor module 176 or communication module 190) to volatile memory 132. , processing commands or data stored in the volatile memory 132 , and storing resultant data in the non-volatile memory 134 .
- software eg, the program 140
- the processor 120 transfers instructions or data received from other components (e.g., sensor module 176 or communication module 190) to volatile memory 132. , processing commands or data stored in the volatile memory 132 , and storing resultant data in the non-volatile memory 134 .
- the processor 120 may include a 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 ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor).
- a main processor 121 eg, 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 (NPU), image signal processor, sensor hub processor, or communication processor.
- NPU neural network processing unit
- the secondary processor 123 may be implemented separately from or as part of the main processor 121 .
- the secondary processor 123 may, for example, take the place of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or the main processor 121 is active (eg, running an application). ) state, 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 auxiliary processor 123 eg, image signal processor or communication processor
- the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
- AI models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself where 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 foregoing, but is not limited to the foregoing examples.
- the artificial intelligence model may include, in addition or alternatively, software structures in addition to hardware structures.
- the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176) of the electronic device 101 .
- the data may include, for example, input data or output data for software (eg, program 140) and commands related thereto.
- the memory 130 may include volatile memory 132 or 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 by a component (eg, the processor 120) of the electronic device 101 from the outside of the electronic device 101 (eg, a user).
- 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 sound signals 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.
- a receiver may be used to receive an incoming call. According to one embodiment, the receiver may be implemented separately from the speaker or as part of it.
- the display module 160 can visually provide information to the outside of the electronic device 101 (eg, a user).
- the display module 160 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the device.
- the display module 160 may include a touch sensor set to detect a touch or a pressure sensor set to measure the intensity of force generated by the touch.
- the audio module 170 may convert sound into an electrical signal or vice versa. According to one embodiment, the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
- the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
- the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the detected state. can do.
- the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a bio sensor, It may include a temperature sensor, humidity sensor, or light sensor.
- the interface 177 may support one or more designated protocols that may be used to directly or wirelessly connect the electronic device 101 to 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.
- HDMI high definition multimedia interface
- USB universal serial bus
- SD card interface Secure Digital Card interface
- audio interface audio interface
- connection terminal 178 may include a connector through which the electronic device 101 may 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 electrical signals into mechanical stimuli (eg, vibration or motion) or electrical stimuli that a user may perceive through tactile or kinesthetic senses.
- 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 one 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 at least part of a power management integrated circuit (PMIC), for example.
- PMIC power management integrated circuit
- the battery 189 may supply power to at least one component of the electronic device 101 .
- the 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). Establishment and communication through the established communication channel may be supported.
- 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, : a local area network (LAN) communication module or a power line communication module).
- a corresponding communication module 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, a legacy communication module).
- the wireless communication module 192 uses 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.
- IMSI International Mobile Subscriber Identifier
- the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, NR access technology (new radio access technology).
- NR access technologies include high-speed transmission of high-capacity data (enhanced mobile broadband (eMBB)), minimization of terminal power and access of multiple terminals (massive machine type communications (mMTC)), or high reliability and low latency (ultra-reliable and low latency (URLLC)).
- eMBB enhanced mobile broadband
- mMTC massive machine type communications
- URLLC ultra-reliable and low latency
- -latency communications can be supported.
- the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
- the wireless communication module 192 uses various technologies for securing performance in a high frequency band, such as beamforming, massive multiple-input and multiple-output (MIMO), and full-dimensional multiplexing. Technologies such as input/output (FD-MIMO: full dimensional MIMO), array antenna, analog beam-forming, or large scale antenna may be supported.
- the wireless communication module 192 may support various requirements defined for 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 a peak data rate for eMBB realization (eg, 20 Gbps or more), a loss coverage for mMTC realization (eg, 164 dB or less), or a U-plane latency for URLLC realization (eg, Example: downlink (DL) and uplink (UL) each of 0.5 ms or less, or round trip 1 ms or less) may be supported.
- eMBB peak data rate for eMBB realization
- a loss coverage for mMTC realization eg, 164 dB or less
- U-plane latency for URLLC realization eg, Example: downlink (DL) and uplink (UL) each of 0.5 ms or less, or round trip 1 ms or less
- the antenna module 197 may transmit or receive signals or power to the outside (eg, an external electronic device).
- the antenna module 197 may include an antenna including a radiator formed of a conductor or a conductive pattern formed on a substrate (eg, PCB).
- 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 selected from the plurality of antennas by the communication module 190, for example. can be chosen 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) may be additionally formed as a part of the antenna module 197 in addition to the radiator.
- RFIC radio frequency integrated circuit
- the antenna module 197 may form a mmWave antenna module.
- the mmWave antenna module includes a printed circuit board, an RFIC disposed on or adjacent to a first surface (eg, a lower surface) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, array antennas) disposed on or adjacent to a second surface (eg, a top surface or a side surface) of the printed circuit board and capable of transmitting or receiving signals of the designated 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)
- signal e.g. commands or data
- commands 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 part of operations executed in the electronic device 101 may be executed in one or more external electronic devices among the external electronic devices 102 , 104 , or 108 .
- the electronic device 101 when the electronic device 101 needs to perform a certain function or service automatically or in response to a request from a user or another device, the electronic device 101 instead of executing the function or service by itself.
- one or more external electronic devices may be requested to perform the function or at least part of the service.
- One or more external electronic devices receiving 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 deliver the execution result to the electronic device 101 .
- the electronic device 101 may provide the result as at least part of a response to the request as it is or additionally processed.
- 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.
- Server 108 may be an intelligent server using machine learning and/or neural networks. According to one embodiment, the external electronic device 104 or server 108 may be included in the second network 199 .
- the electronic device 101 may be applied to intelligent services (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
- Electronic devices may be devices of various types.
- 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, a wearable device, or a home appliance.
- 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
- a camera e.g., a portable medical device
- a camera e.g., a camera
- a wearable device e.g., a smart bracelet
- first, second, or first or secondary may simply be used to distinguish that component from other corresponding components, and may refer to that component in other respects (eg, importance or order) is not limited.
- a (eg, first) component is said to be “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively.”
- the certain component may 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, logical blocks, parts, or circuits.
- a module may be an integrally constructed component or a minimal unit of components or a portion thereof 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
- a storage medium eg, internal memory 136 or external memory 138
- a machine eg, electronic device 101
- a processor eg, the processor 120
- a 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.
- the storage medium is a tangible device and does not contain a signal (e.g. electromagnetic wave), and this term refers to the case where data is stored semi-permanently in the storage medium. It does not discriminate when it is temporarily stored.
- a signal e.g. electromagnetic wave
- the method according to various embodiments disclosed in this document may be included and provided in a computer program product.
- Computer program products may be traded between sellers and buyers as commodities.
- a computer program product is distributed in the form of a device-readable storage medium (e.g. compact disc read only memory (CD-ROM)), or through an application store (e.g. Play StoreTM) or on two user devices (e.g. It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
- a device-readable storage medium e.g. compact disc read only memory (CD-ROM)
- an application store e.g. Play StoreTM
- two user devices e.g. It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
- at least part of the computer program product may be temporarily stored or temporarily created in a device-readable storage medium such as a manufacturer's server, an application store server, or a relay server's memory.
- each component (eg, module or program) of the above-described components may include a single object or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. there is.
- one or more components or operations among the aforementioned corresponding components may be omitted, or one or more other components or operations may be added.
- a plurality of components eg modules or programs
- the integrated component may perform one or more functions of each of the plurality of components identically or similarly to those performed by a corresponding component of the plurality of components prior to the integration. .
- the actions performed by a module, program, or other component are executed sequentially, in parallel, iteratively, or heuristically, or one or more of the actions are executed in a different order, or omitted. or one or more other actions may be added.
- FIGS. 2A and 2B are diagrams illustrating an example of an AI prediction system including an electronic device and a server according to various embodiments.
- FIG. 2A illustrates an example of generating an AI prediction model in the AI prediction system 200 according to various embodiments.
- an artificial intelligence (AI) prediction system 200 includes an electronic device (eg, the electronic device 101 of FIG. 1 ) and a server (eg, the server 108 of FIG. 1 ).
- the electronic device 101 may include at least one of a component data acquisition module 210 , an AI prediction model control module 230 , and a data processing module 250 .
- the part data acquisition module 210, the AI prediction model control module 230, and the data processing module 250 may be included in a processor (eg, the processor 120 of FIG. 1) of the electronic device 101.
- the part data acquisition module 210, the AI prediction model control module 230, and the data processing module 250 are modules operatively connected to the processor of the electronic device 101 (eg, the processor 120 of FIG. 1).
- the component data acquisition module 210 may obtain component input data in real time.
- the part input data may include test information (eg, specifications, performance, and test values) for a plurality of parts (or electronic parts) (eg, a processor, a camera) included in a finished product (eg, an electronic device).
- the component data acquisition module 210 may provide the acquired component input data to the data processing module 250 .
- the AI prediction model control module 230 may generate an AI prediction model based on part input data.
- the AI prediction model control module 230 may upload (or receive) the AI prediction model from the server 108 in real time.
- the generated (or uploaded) AI prediction model may be a first AI prediction model created in the absence of fail result data or pass result data.
- a first AI predictive model can be created based on part input data.
- the AI prediction model control module 230 converts product result data (eg, normal result data 201 and failure result data 203) into part input data 273 (eg, cause). ) can be predicted.
- the first AI prediction model may be generated by using the entire finished product made of parts corresponding to the part input data 273 as the failure result data 271 .
- the first AI prediction model may be generated based on part input data 273 and failure result data 271 .
- the data processing module 250 may transmit at least one of the normal result data 201 , the failure result data 203 , and the part input data 205 to the server 108 in real time.
- the data processing module 250 may obtain the part input data 205 from the part data acquisition module 210 .
- the data processing module 250 may obtain (or receive) normal result data 201 or failure result data 203 from the AI prediction model control module 230 .
- the normal result data 201 may be determined as normal by the AI prediction model and determined to be normal as a result of an actual test.
- a finished product judged to be normal as a result of the test means that there is no abnormality (or error or malfunction) in product performance (or use), and it may mean that the user can use the finished product normally.
- the normal result data 201 may be determined to be normal as a result of an actual test even though it was determined to be failure by the AI prediction model.
- the failure result data 203 may be predicted as defective by the AI prediction model and determined to be defective as a result of an actual test. A finished product judged to have failed as a result of the test may mean that there is an abnormality (or error or malfunction) in product performance (or use).
- the failure result data 203 may be predicted as normal by the AI prediction model, but determined to be defective as a result of an actual test.
- the learning data module 270 of the server 108 may learn the part input data 273 .
- the learning data module 270 may convert the part input data 273 into learning data capable of machine learning.
- the learning data module 270 may convert the part input data 273 into learning data before the normal result data 201 and the failure result data 203 are generated.
- the learning data module 270 may convert all finished products made of the parts input data 273 to the failure result data 271 and the parts input data 273 into learning data.
- the training data module 270 may transmit the converted training data to the machine learning module 290 .
- the machine learning module 290 may generate an AI prediction model by learning the training data. For example, the machine learning module 290 may learn the part input data 273 to create an AI predictive model. Alternatively, the machine learning module 290 may generate an AI prediction model by learning the part input data 273 and the failure result data 271 . The machine learning module 290 may deliver the generated AI prediction model to the electronic device 101 .
- the generated AI prediction model may be a first AI prediction model.
- FIG 2B illustrates an example of updating an AI prediction model in the AI prediction system 200 according to various embodiments.
- the component data acquisition module 210 may obtain component input data in real time.
- the AI prediction model control module 230 may update the AI prediction model (eg, the first AI prediction model) generated by FIG. 2A .
- the AI prediction model control module 230 may update the AI prediction model based on at least one of normal result data 201 , failure result data 203 , and part input data 205 .
- the AI prediction model control module 230 may update the AI prediction model using normal result data 207 of a set ratio among normal result data 201 .
- the normal result data 201 and the failure result data 203 are obtained by the first AI prediction model, they may be transmitted to the server 108 in real time through the data processing module 250.
- the AI prediction model control module 230 may acquire (or receive) an updated AI prediction model from the machine learning module 290 included in the server 108 .
- the AI prediction model obtained from the machine learning module 290 may be the second AI prediction model.
- the AI prediction model control module 230 converts part input data 273, normal result data 275, and failure result data 271 (eg, cause) into product result data (eg, cause).
- Example: normal result data 201 and failure result data 203) can be predicted.
- the second AI prediction model may be generated based on the failure result data 271 , part input data 273 and normal result data 275 .
- the normal result data 201 and the failure result data 203 may be transmitted to the server 108 in real time through the data processing module 250.
- the AI prediction model control module 230 may obtain an updated AI prediction model from the machine learning module 290 included in the server 108 .
- the AI prediction model control module 230 may update the AI prediction model whenever normal result data 201 , failure result data 203 , or part input data 205 are acquired.
- the data processing module 250 may transmit at least one of the set ratio of normal result data 207 , failure result data 203 , or part input data 205 to the server 108 in real time.
- the data processing module 250 may obtain the part input data 205 from the part data acquisition module 210 .
- the data processing module 250 may obtain (or receive) normal result data 201 or failure result data 203 from the AI prediction model control module 230 .
- the normal result data 207 of the set ratio may mean some normal result data extracted based on the failure result data 203 among the normal result data 201 . For example, if 10 failed result data 203 are detected (or extracted), 10 normal result data 207 with the same or similar ratio (eg, 1:1) may be used to update the AI prediction model. there is.
- the learning data module 270 may convert the failure result data 271 , part input data 273 , and normal result data 275 into machine learning capable learning data.
- the failure result data 271 corresponds to the failure result data 203
- the part input data 273 corresponds to the part input data 205
- the normal result data 275 corresponds to the set ratio of normal result data 207 may correspond to
- the training data module 270 may transmit the converted training data to the machine learning module 290 .
- the machine learning module 290 may update an AI prediction model based on the learning data. For example, the machine learning module 290 may update the AI prediction model based on at least one of the failure result data 271 , the part input data 273 , and the normal result data 275 . The machine learning module 290 may transmit the updated AI prediction model to the electronic device 101 .
- the generated AI prediction model may be a second AI prediction model.
- the learning data module 270 may acquire data from the data processing module 250 in real time and convert the acquired data into learning data.
- the machine learning module 290 may update the AI prediction model based on the learning data converted by the learning data module 270 in real time and transmit the updated AI prediction model to the electronic device 101 .
- the electronic device 101 and the server 108 may update the AI prediction model by interworking with each other.
- the electronic device 101 and the server 108 may update the AI prediction model in real time whenever part input data, normal result data, and failure result data are obtained.
- normal result data and failure result data may be generated by the updated AI prediction model.
- An electronic device (eg, the electronic device 101 of FIG. 1 ) according to various embodiments of the present disclosure includes a communication module (eg, the communication module 190 of FIG. 1 ), a memory (eg, the memory 130 of FIG. 1 ) ), and a processor (eg, the processor 120 of FIG. 1) operatively connected to the communication module or the memory, wherein the processor generates an artificial intelligence (AI) prediction model based on component input data. and obtains failure result data according to the AI prediction model, obtains normal result data according to the failure result data, and obtains the normal result data based on at least one of the part input data, the failure result data, and the normal result data. It can be set to update the AI prediction model.
- AI artificial intelligence
- the processor transmits at least one of the part input data, the failure result data, and the normal result data to a server (eg, the server 108 of FIG. 1) through the communication module, and predicts the AI from the server. Can be set to receive models.
- the processor updates the AI prediction model whenever acquiring the part input data, the failure result data, or the normal result data, and returns the failure result data and the normal result data predicted by the updated AI prediction model. can be set to obtain
- the failure result data is predicted as normal or defective by the AI prediction model and determined to be defective as a result of the actual test, and the normal result data is determined as normal or defective by the AI prediction model and is normal as a result of the actual test. may have been judged as
- the processor may be set to obtain the normal result data based on the number of the failure result data.
- the processor obtains the normal result data according to a set ratio when the number of failure result data is less than or equal to a reference value, and changes the extraction ratio of the normal result data when the number of failure result data exceeds the reference value. It may be set to obtain the normal result data according to an extraction ratio.
- the processor may be configured to update the AI prediction model based on failure result data that is predicted normally by the AI prediction model and determined to be failure as a result of an actual test.
- the processor may be set to obtain normal result data according to a set sampling rate when failure result data predicted as failure by the AI prediction model and determined to be failure as a result of the actual test exists.
- the processor may be configured to control a sampling rate for checking the failure result data and the normal result data based on normal result data predicted as failure by the AI prediction model and determined to be normal as a result of an actual test.
- the processor changes the sampling rate, predicts failure by the AI prediction model, and detects normal result data determined to be normal as a result of the actual test, which is predicted as failure by the AI prediction model, and is determined to be normal as a result of the actual test.
- the sampling rate may be set to be maintained.
- An AI prediction system (eg, the AI prediction system 200 of FIGS. 2A and 2B) according to various embodiments of the present invention obtains failure result data according to an AI prediction model, and normal result data according to the failure result data.
- An electronic device e.g., the electronic device 101 of FIG. 1 that obtains and transmits at least one of the part input data, the failure result data, or the normal result data to the server, and the part input data, the failure A server (eg, the server 108 of FIG. 1 ) that generates or updates the AI prediction model based on result data or at least one of the normal result data and transmits the AI prediction model to an electronic device at all times.
- the server updates the AI prediction model whenever acquiring the part input data, the failure result data, or the normal result data from the electronic device and transmits the updated AI prediction model to the electronic device, and the electronic device, from the server It may be set to obtain failure result data and normal result data predicted by the received AI prediction model.
- the electronic device acquires the normal result data according to a set ratio when the number of failure result data is less than or equal to a reference value, and changes the extraction ratio of the normal result data when the number of failure result data exceeds the reference value; It may be set to obtain the normal result data according to the changed extraction ratio.
- FIG. 3 is a flowchart 300 illustrating a method of operating an electronic device according to various embodiments.
- a processor eg, the processor 120 of FIG. 1 of an electronic device (eg, the electronic device 101 of FIG. 1 ) according to various embodiments, based on component input data AI predictive models can be created.
- the generated AI prediction model may be a first AI prediction model created in the absence of fail result data or pass result data.
- the processor 120 may acquire part input data in real time.
- the part input data may include test information (eg, specifications, performance, and test values) for a plurality of parts (or electronic parts) (eg, a processor, a camera) included in a finished product (eg, an electronic device).
- the first AI prediction model may be generated by using the entire finished product made of part input data as failure result data.
- the first AI prediction model may be generated based on the part input data and the failure result data.
- the processor 120 may receive (or upload) the AI prediction model from a server (eg, the server 108 of FIG. 1) through a communication module (eg, the communication module 190 of FIG. 1).
- the processor 120 may obtain failure result data based on the generated AI prediction model.
- Normal result data and failure result data may be generated by the generated AI prediction model.
- the failure result data may be predicted as defective by the generated AI prediction model and determined to be defective as a result of an actual test.
- a finished product judged to have failed as a result of the test may mean that there is an abnormality (or error or malfunction) in product performance (or use).
- the failure result data may be predicted as normal by the AI prediction model, but determined to be defective as a result of an actual test.
- the processor 120 may obtain normal result data based on the failure result data.
- the normal result data may be determined to be normal by the AI prediction model and determined to be normal as a result of an actual test.
- a finished product judged to be normal as a result of the test means that there is no abnormality (or error or malfunction) in product performance (or use), and it may mean that the user can use the finished product normally.
- the normal result data may be determined to be normal as a result of an actual test even though it was determined to be failure by the AI prediction model.
- the processor 120 may obtain normal result data based on the number of failure result data. For example, when the number of failure result data is 10, the processor 120 may obtain 10 normal result data having the same or similar ratio (eg, 1:1).
- the processor 120 may obtain normal result data based on whether the number of the failure result data is less than or equal to a reference value. When the number of failure result data is less than the reference value, the processor 120 may obtain normal result data according to a set ratio (eg, 1:1). If the number of failure result data is less than or equal to the reference value, failure result data may occur identically or similarly to a failure predicted by the AI prediction model. When the number of failure result data exceeds a reference value, the processor 120 may change (or adjust) an extraction ratio of normal result data. If the number of failure result data exceeds the reference value, more failure result data may be generated than failure prediction by the AI prediction model. When the number of failure result data exceeds a reference value, the processor 120 may increase the extraction ratio of normal result data. The processor 120 may obtain normal result data according to the changed extraction ratio (eg, 1:1.5).
- a set ratio eg, 1:1.5
- the processor 120 may update an AI prediction model based on the acquired data.
- the obtained data may include at least one of part input data, failure result data, and normal result data.
- the processor 120 may update the AI prediction model based on at least one of the part input data, the failure result data, and the normal result data.
- the processor 120 may receive an updated AI prediction model from the server 108 through the communication module 190 .
- the processor 120 obtains part input data in real time, obtains failure result data or normal result data based on the updated AI prediction model, and obtains the part input data and the failure result data. , or the AI prediction model may be updated based on at least one of the normal result data.
- the processor 120 may update the AI prediction model in real time by repeatedly performing operations 303 to 307 .
- 4A is a diagram illustrating normal and failure prediction ratios of electronic devices according to various embodiments.
- the present invention 420 updates the AI prediction model in real time.
- the defective rate 415 can be reduced in
- the defect rate 401 according to the first AI prediction model 410 may be greater than the defect rate 421 according to the present invention 420 .
- the present invention 420 updates the AI prediction model in real time, so that the defect rate 415 can decrease AI predictive models can be said to have good predictive performance when the defect rate is reduced.
- 4B is a graph illustrating a prediction success rate according to a comparative example.
- a graph 450 according to the comparative example shows that the prediction success rate decreases with time.
- the prediction success rate 451 by the predictive model at time t0 may decrease over time.
- the same prediction result can always be obtained for the same part test result.
- the test results of the finished product may differ due to changes in external factors (e.g., software technology development, specification enhancement).
- external factors e.g., software technology development, specification enhancement.
- a new prediction model must be created each time, and people directly track changes in external factors to determine when to create a prediction model.
- the prediction model may be regenerated at time t1. If the prediction model is regenerated, the prediction success rate 453 may increase. Recreating a predictive model may require relearning by running tests on the entire finished product over a period of time.
- 4C is a graph illustrating prediction success rates according to various embodiments.
- a graph 470 may show a constant success rate P0 although the predicted success rate fluctuates over time.
- the prediction success rate 471 by the first AI prediction model at time t0 may be close to P0.
- the first AI prediction model may be updated (473) based on the part input data, the failure result data and the normal result data obtained by the first AI prediction model.
- the update 473 of the first AI prediction model may be the second AI prediction model.
- the second prediction model may be updated (475) based on the part input data and the failure result data and the normal result data obtained by the second prediction model.
- the update 475 of the second AI prediction model may be the third AI prediction model.
- the third prediction model may be updated (477) based on the part input data and the failure result data and the normal result data obtained by the third prediction model.
- the update 477 of the third AI prediction model may be the fourth AI prediction model.
- the present invention updates the AI prediction model in real time, so that the prediction success rate can be maintained to have a constant success rate (P0) even over time.
- FIG. 5 is a diagram illustrating data acquired by an electronic device according to various embodiments.
- an electronic device may acquire a first table 510 , a second table 530 , and a third table 550 .
- the first table 510 may be part input data acquired in real time.
- the part input data may include test information (eg, specifications, performance, and test values) for a plurality of parts (or electronic parts) (eg, a processor, a camera) included in a finished product (eg, an electronic device).
- a module ID 511 may be an identifier assigned to each part.
- the electronic device 101 may obtain component input data having a module ID 511 of CVNE31C8A140402 (513).
- the second table 530 may include result data of finished products including various parts.
- the second table 530 may include result data of the finished product corresponding to the camera chip information 531 (Chip_ID_Camera) of the finished product.
- the result data may include failure result data and normal result data.
- the electronic device 101 matches the module ID 511 of the first table 510 and the camera chip information 531 of the second table 530, and the component input data and failure result based on the module ID 511. Data and normal outcome data can be combined.
- the third table 550 may include failure result data and normal result data corresponding to part result data.
- the electronic device 101 may transmit the third table 550 to a server (eg, the server 108 of FIG. 1 ).
- the server 108 may convert the third table 550 into training data to create and update an AI prediction model based on the training data.
- the machine learning module 290 of the server 108 converts the third table 550 into cause learning data (eg, part input data 551, failure result data, normal result data) and result learning data (eg, failure result data) , normal result data).
- FIG. 6 is a flowchart 600 illustrating a method of controlling an extraction ratio of normal result data in an electronic device according to various embodiments.
- a processor eg, processor 120 of FIG. 1 of an electronic device (eg, electronic device 101 of FIG. 1 ) receives component input data and a failure result. data can be obtained.
- the part input data may include test information (eg, specifications, performance, and test values) for a plurality of parts (or electronic parts) (eg, a processor, a camera) included in a finished product (eg, an electronic device).
- the failure result data may be predicted as defective by an AI prediction model and determined to be defective as a result of an actual test.
- a finished product judged to have failed as a result of the test may mean that there is an abnormality (or error or malfunction) in product performance (or use).
- the failure result data may be predicted as normal by the AI prediction model, but determined to be defective as a result of an actual test.
- the processor 120 may determine whether the number of failures is less than or equal to a reference value.
- the number of failures may mean the number of failure result data.
- the processor 120 may obtain normal result data based on whether the number of failure result data is less than or equal to a reference value.
- the processor 120 may perform operation 605 when the number of failures is equal to or less than the reference value, and perform operation 604 when the number of failures exceeds the reference value.
- the processor 120 may obtain normal result data according to a set ratio (eg, 1:1). If the number of failure result data is less than or equal to the reference value, failure result data may occur identically or similarly to a failure predicted by the AI prediction model.
- the set ratio may be determined (or set) in consideration of the number required to update the AI prediction model.
- the processor 120 may change the normal result data extraction ratio. If the number of failure result data exceeds the reference value, failure result data may occur more than failure predicted by the AI prediction model. The occurrence of more failure result data than failure prediction by the AI prediction model may mean that prediction performance is poor.
- the processor 120 may increase the number (amount) of data for training the AI prediction model in order to improve the performance of the AI prediction model. When the number of failure result data exceeds a reference value, the processor 120 may increase the extraction ratio of normal result data.
- the processor 120 may obtain normal result data according to the changed extraction ratio.
- the processor 120 may acquire more normal result data than a set ratio.
- the processor 120 may update the AI prediction model by learning normal result data acquired more than a set ratio together with part input data and failure result data.
- the processor 120 may perform operation 607.
- the processor 120 may update the AI prediction model based on the acquired data.
- the obtained data may include at least one of part input data, failure result data, and normal result data.
- the processor 120 may update the AI prediction model based on at least one of the part input data, the failure result data, and the normal result data.
- the processor 120 may receive an updated AI prediction model from the server 108 through the communication module 190 .
- the processor 120 obtains part input data in real time, obtains failure result data or normal result data based on the updated AI prediction model, and obtains the part input data and the failure result data. , or the AI prediction model may be updated based on at least one of the normal result data.
- the processor 120 may update the AI prediction model in real time by repeatedly performing operations 601 to 607 .
- FIG. 7 is a diagram illustrating an example of controlling an extraction ratio of normal result data in an electronic device according to various embodiments.
- an electronic device (eg, the electronic device 101 of FIG. 1 ) according to various embodiments generates normal result data 711 and failure result data 713 using an AI prediction model 710. Predictable.
- the AI prediction model 710 may be generated based on part input data. Alternatively, the AI prediction model 710 may be generated based on part input data and failure result data of the entire finished product made of parts corresponding to the part input data.
- the electronic device 101 may obtain result data 730 as a result of actually testing the finished product predicted by the AI prediction model 710.
- the result data 730 includes normal result data and failure result data 731 can include Although failure was predicted by the AI prediction model 710, the number of failure result data 715 may be reduced because it is included in actual test results and normal result data.
- the electronic device 101 may update the AI prediction model by learning result data 730 that is an actual test result and normal result data even though failure was predicted by the AI prediction model 710 .
- the updated AI prediction model 750 may be generated based on part input data and result data 730 .
- the electronic device 101 may predict normal result data 751 and failure result data 753 using the updated AI prediction model 750 . As a prediction result, the number of failure result data 753 may be reduced. If normality or failure of the finished product is predicted using the updated AI prediction model 750, failure prediction may be reduced and prediction performance may be improved.
- FIG. 8 is a flowchart 800 illustrating a method of updating an AI prediction model using failure result data in an electronic device according to various embodiments.
- a processor eg, processor 120 of FIG. 1 of an electronic device (eg, electronic device 101 of FIG. 1 ) according to various embodiments obtains failure result data.
- the failure result data may be predicted as defective by an AI prediction model and determined to be defective as a result of an actual test.
- the failure result data may be predicted as normal by the AI prediction model, but determined to be defective as a result of an actual test.
- the processor 120 may determine whether the failure result data is normally predicted.
- the failure result data may be predicted as poor or normally predicted by the AI prediction model.
- the processor 120 may perform operation 805 when the failure result data is predicted normally, and perform operation 807 when the failure result data is not normally predicted.
- the processor 120 may update the AI prediction model with the normally predicted failure result data.
- the processor 120 may determine that a change in external conditions has occurred.
- the processor 120 may update the AI prediction model in real time.
- the processor 120 may utilize failure result data predicted as defective by the AI prediction model and normal result data predicted as normal as training data.
- the AI prediction model learned in this way can be updated (or created) into an AI prediction model that reflects changes in external conditions in the next prediction by reflecting the test results. If you repeatedly perform prediction -> test -> learning -> AI prediction model update -> prediction -> test -> learning -> AI prediction model update during product production, the AI prediction model can be updated to predict more accurately. .
- the processor 120 may obtain normal result data according to the set sampling rate.
- the sampling rate may refer to a sampling rate (or number) actually tested among failure result data or normal result data.
- the sampling rate may be different from an extraction rate representing a ratio of the number of normal result data to the number of failed result data.
- the processor 120 may set a ratio suitable for each production facility environment while adjusting a sampling ratio actually tested among products predicted to be normal. For example, the processor 120 randomly samples some of the normal result data predicted to be normal, tests it, and then matches and learns it with parts input data to reflect changes in external conditions to the AI prediction model.
- updating the AI prediction model increases the failure prediction and improves the accuracy of the AI prediction model. If this process is repeated, it may be possible to more accurately predict normality or failure.
- the processor 120 may update the AI prediction model based on the acquired data.
- the obtained data may include at least one of part input data, failure result data, and normal result data.
- the processor 120 may update the AI prediction model based on at least one of the part input data, the failure result data, and the normal result data.
- the processor 120 may receive an updated AI prediction model from the server 108 through the communication module 190 .
- 9A is a diagram illustrating an example in which a failure prediction rate increases due to an external factor according to various embodiments.
- normal result data predicted as normal according to the AI prediction model and failure result data 911 predicted as bad may be obtained.
- normal result data predicted as normal according to the AI prediction model may decrease, and failure result data predicted as bad may increase (915).
- the failure result data 921 obtained as a result of the actual test increases, and thus prediction accuracy may decrease.
- some of the normal result data predicted to be normal is randomly sampled, tested, and then matched with parts input data to learn and reflect changes in external conditions to the AI prediction model.
- 9B is a diagram illustrating an example of updating an AI prediction model using failure result data in an electronic device according to various embodiments.
- an electronic device may predict normal result data and failure result data 951 using an AI prediction model 950.
- the AI prediction model 950 may be generated based on at least one of component input data, normal result data, and failure result data.
- the electronic device 101 may acquire result data 970 as a result of actually testing the finished product predicted by the AI prediction model 950 .
- the result data 970 may include normal result data and failure result data 975 .
- the result data 970 is normal result data 971 predicted as normal by the AI prediction model 950 and normal as a result of the actual test, and a failure result that is predicted as normal by the AI prediction model 950 but fails as a result of the actual test.
- Data 973 may be included.
- the electronic device 101 may update the AI prediction model by randomly sampling normal result data, matching the normal result data 971 and the failure result data 973 with part input data, and learning.
- the updated AI prediction model 990 may be generated based on part input data, normal result data 971 , and failure result data 973 .
- the electronic device 101 may predict normal result data and failure result data using the updated AI prediction model 990 . As a prediction result, the number of failure result data 991 may increase. If normality or failure of the finished product is predicted using the updated AI prediction model 990, failure prediction may be reduced, and prediction performance may be improved.
- FIG. 10 is a flowchart 1000 illustrating a method of controlling a sampling rate in an electronic device according to various embodiments.
- a processor eg, processor 120 of FIG. 1 of an electronic device (eg, electronic device 101 of FIG. 1 ) according to various embodiments obtains normal result data.
- the normal result data may be determined to be normal by an AI prediction model and determined to be normal as a result of an actual test.
- a finished product judged to be normal as a result of the test means that there is no abnormality (or error or malfunction) in product performance (or use), and it may mean that the user can use the finished product normally.
- the normal result data may be determined to be normal as a result of an actual test even though it was determined to be failure by the AI prediction model.
- the processor 120 may determine whether any of the obtained normal result data is predicted as failure by the AI prediction model.
- the processor 120 may perform operation 1005 when there is normal result data determined to be normal as a result of the actual test, even though it is determined to be failure by the AI prediction model.
- the processor 120 may perform operation 1007 when it is determined to be failure by the AI prediction model but there is no normal result data determined to be normal as a result of the actual test.
- processor 120 may change the sampling rate.
- the processor 120 may change the sampling rate when there is normal result data that is determined to be normal as a result of the actual test even though it is determined to be failure by the AI prediction model.
- the present invention can save time or cost according to the finished product test by adjusting the sampling rate (or the number of samplings) of the finished product to be tested to determine the failure or normality of the finished product.
- the processor 120 may increase or decrease a sampling rate for checking (or testing) the failure result data and the normal result data.
- the processor 120 may maintain the sampling rate.
- the processor 120 may maintain the sampling rate when there is no normal result data determined to be normal as a result of the actual test, even though it is determined to be failure by the AI prediction model.
- the processor 120 may maintain a sampling rate for inspecting (or testing) the failure result data and the normal result data.
- 11A and 11B are diagrams illustrating an example of controlling a sampling rate in an electronic device according to various embodiments.
- an electronic device (eg, the electronic device 101 of FIG. 1 ) according to various embodiments generates normal result data 1111 and failure result data 1113 using an AI prediction model 1110.
- the AI prediction model 1110 may be generated based on at least one of component input data, normal result data, and failure result data.
- the electronic device 101 may obtain result data 1120 as a result of actually testing the finished product predicted by the AI prediction model 1110 .
- the result data 1120 may include normal result data and failure result data.
- the result data 1120 is predicted as normal by the AI prediction model 1110, and normal result data 1123 and 1125, which are normal as a result of the actual test, and predicted as normal by the AI prediction model 950, but fail as a result of the actual test. Failure result data 1121 and 1127 may be included.
- the electronic device 101 randomly samples the normal result data, matches the normal result data 1123 and 1125 and the failure result data 1121 and 1127 with the parts input data, and learns to update the AI prediction model.
- the electronic device 101 may predict normal result data 1131 and failure result data 1133 using the updated AI prediction model 1130 . As a prediction result, the number of failure result data 1133 may increase. If normality or failure of the finished product is predicted using the updated AI prediction model 1130, failure prediction may be reduced and prediction performance may be improved.
- the electronic device 101 may predict normal result data 1151 and failure result data 1153 using an AI prediction model 1150 .
- the electronic device 101 may obtain result data 1160 as a result of actually testing the finished product predicted by the AI prediction model 1150 .
- the result data 1160 may include normal result data and failure result data.
- the result data 1160 is predicted as normal by the AI prediction model 1150, normal result data 1161 and 1162, which are normal as a result of the actual test, and predicted as normal by the AI prediction model 1150, but fail as a result of the actual test. Failure result data 1163 and 1164 may be included.
- the electronic device 101 may increase the sampling rate when there is failure result data determined to be normal by the AI prediction model 1150 among the result data 1160 but determined to be failure as a result of the actual test. Alternatively, the electronic device 101 may increase the sampling rate when an external change factor occurs.
- the electronic device 101 randomly samples the normal result data and matches the normal result data 1161 and 1162 and the failure result data 1163 and 1164 with part input data to learn and update the AI prediction model.
- the electronic device 101 may predict normal result data 1171 and failure result data 1173 using the updated AI prediction model 1170 . As a prediction result, the number of failure result data 1173 may increase.
- An operating method of an electronic device includes an operation of generating an AI prediction model based on component input data, and failure result data according to the AI prediction model. Obtaining, obtaining normal result data according to the failure result data, and updating the AI prediction model based on at least one of the part input data, the failure result data, or the normal result data.
- an electronic device eg, the electronic device 101 of FIG. 1
- An operating method of an electronic device includes an operation of generating an AI prediction model based on component input data, and failure result data according to the AI prediction model.
- Obtaining, obtaining normal result data according to the failure result data, and updating the AI prediction model based on at least one of the part input data, the failure result data, or the normal result data. can include
- the method may further include transmitting at least one of the component input data, the failure result data, and the normal result data to a server through the communication module, and receiving the AI prediction model from the server.
- the operation of acquiring the normal result data includes, when the number of failure result data is less than or equal to a reference value, obtaining the normal result data according to a set ratio, and when the number of failure result data exceeds the reference value, the normal result data It may include an operation of changing an extraction ratio of and acquiring the normal result data according to the changed extraction ratio.
- the updating operation may include updating the AI prediction model based on failure result data that is predicted normally by the AI prediction model and determined to be failure as a result of an actual test.
- the operation of obtaining the normal result data includes obtaining normal result data according to a set sampling rate when failure result data predicted as failure by the AI prediction model and determined to be failure as a result of the actual test exists. can do.
- the method may further include controlling a sampling rate for checking the failure result data and the normal result data based on normal result data predicted as failure by the AI prediction model and determined to be normal as a result of the actual test. there is.
- the controlling operation is predicted as failure by the AI prediction model, and when normal result data determined to be normal as a result of the actual test is detected, operation of changing the sampling rate, and prediction of failure by the AI prediction model, , If normal result data determined to be normal as a result of the actual test is not detected, an operation of maintaining the sampling rate may be included.
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Telephone Function (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer And Data Communications (AREA)
Abstract
본 발명의 다양한 실시 예들은 통신 모듈, 메모리, 및 상기 통신 모듈, 또는 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 부품 입력 데이터에 기반하여 AI 예측 모델을 생성하고, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정된 방법 및 장치에 관하여 개시한다. 다양한 실시 예들이 가능하다.
Description
본 발명의 다양한 실시예들은 제품의 불량을 예측하는 예측 모델을 업데이트하는 방법 및 장치에 관하여 개시한다.
디지털 기술의 발달과 함께 이동통신 단말기, PDA(personal digital assistant), 전자수첩, 스마트 폰, 태블릿 PC(personal computer), 또는 웨어러블 디바이스(wearable device)와 같은 다양한 유형의 전자 장치가 널리 사용되고 있다. 이러한, 전자 장치는 기능 지지 및 증대를 위해, 전자 장치의 하드웨어적인 부분 및/또는 소프트웨어적인 부분이 지속적으로 개량되고 있다.
한편, 전자 장치는 다양한 기능을 제공하기 위해, 복수의 부품(또는 전자 부품)들(예: 프로세서, 카메라, 안테나)을 포함할 수 있다. 전자 장치가 만들어지면, 전자 장치에 이상이 없는지 테스트를 할 수 있다. 생산된 모든 전자 장치를 테스트할 수 없으므로, 생산된 전체 전자 장치 중에서 일부 전자 장치를 테스트할 수 있다. 또는, 종래에는 예측 모델을 이용하여 전자 장치를 테스트하고 있다.
종래에는 부품(또는 전자 부품)의 데이터(예: 프로세서, 카메라)를 이용하여 완제품(예: 전자 장치)의 성능 테스트를 수행할 수 있다. 종래에는 완제품으로 성능 테스트를 수행하지 않고, 부품 테스트 결과만으로 완제품의 성능(예: pass/fail)을 예측하기 때문에 늘 같은 예측 결과를 제공할 수 있다. 또한, 외부 변화 요인에 의해 동일한 부품을 사용하더라도 완제품의 테스트 결과가 달라질 수 있다. 종래에는 한번 만들어진 예측 모델을 업데이트하지 않기 때문에, 시간이 지날수록 예측 모델에 의해 양품 또는 불량으로 예측하는 정확성이 낮아질 수 있다.
다양한 실시예들에서는, 부품 입력 데이터에 기반하여 AI(artificial intelligence) 예측 모델을 생성하고, AI 예측 모델에 따라 실패(fail) 결과 데이터를 획득하고, 실패 결과 데이터에 따라 정상(pass) 결과 데이터를 획득하고, 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트하는 방법 및 장치에 관하여 개시할 수 있다.
본 발명의 다양한 실시예들에 따른 전자 장치는 통신 모듈, 메모리, 및 상기 통신 모듈, 또는 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 부품 입력 데이터에 기반하여 AI 예측 모델을 생성하고, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정될 수 있다.
본 발명의 다양한 실시예들에 따른 AI 예측 시스템은 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전달하는 전자 장치, 및 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 생성 또는 업데이트하고, 상기 AI 예측 모델을 상시 전자 장치로 전송하는 서버를 포함할 수 있다.
본 발명의 다양한 실시예들에 따른 전자 장치의 동작 방법은 부품 입력 데이터에 기반하여 AI 예측 모델을 생성하는 동작, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하는 동작, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하는 동작, 및 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나에 기반하여 완제품(예: 전자 장치)의 AI 예측 모델을 업데이트함으로써, 시간이 지나더라도 AI 예측 모델에 의해 정상 및 실패로 예측하는 정확성을 유지할 수 있다.
다양한 실시예들에 따르면, 정상으로 예측되었지만 완제품의 테스트 결과 실패로 판단되는 경우, 정상 예측된 실패 결과 데이터를 이용하여 AI 예측 모델을 학습시킴으로써, 이후 생산되는 완제품의 예측 성능을 향상시킬 수 있다.
다양한 실시예들에 따르면, 실패로 예측되었지만 완제품의 테스트 결과 정상으로 판단되는 경우, 실패 및 정상을 판단하기 위해 테스트하는 완제품의 샘플링 비율(또는 샘플링 수)을 조정함으로써, 완제품 테스트에 따른 시간 또는 비용을 절약할 수 있다.
도 1은 다양한 실시예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2a 및 도 2b는 다양한 실시예들에 따른 전자 장치와 서버를 포함하는 AI 예측 시스템의 일례를 도시한 도면들이다.
도 3은 다양한 실시예들에 따른 전자 장치의 동작 방법을 도시한 흐름도이다.
도 4a는 다양한 실시예들에 따른 전자 장치의 정상 및 실패 예측 비율을 도시한 도면이다.
도 4b는 비교 예에 따른 예측 정상률을 도시한 그래프이다.
도 4c는 다양한 실시예들에 따른 예측 정상률을 도시한 그래프이다.
도 5는 다양한 실시예들에 따른 전자 장치에서 획득하는 데이터를 도시한 도면이다.
도 6은 다양한 실시예들에 따른 전자 장치에서 정상 결과 데이터의 추출 비율을 제어하는 방법을 도시한 흐름도이다.
도 7은 다양한 실시예들에 따른 전자 장치에서 정상 결과 데이터의 추출 비율을 제어하는 일례를 도시한 도면이다.
도 8은 다양한 실시예들에 따른 전자 장치에서 실패 결과 데이터를 이용하여 AI 예측 모델을 업데이트하는 방법을 도시한 흐름도이다.
도 9a는 다양한 실시예들에 따른 외부 요인에 의해 실패 예측 비율이 증가하는 일례를 도시한 도면이다.
도 9b는 다양한 실시예들에 따른 전자 장치에서 실패 결과 데이터를 이용하여 AI 예측 모델을 업데이트하는 일례를 도시한 도면이다.
도 10은 다양한 실시예들에 따른 전자 장치에서 샘플링 비율을 제어하는 방법을 도시한 흐름도이다.
도 11a 및 도 11b는 다양한 실시예들에 따른 전자 장치에서 샘플링 비율을 제어하는 일례를 도시한 도면들이다.
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 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 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, 지정된 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 지정된 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 제1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 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 제1 네트워크(198) 또는 제2 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: 제2 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, 제1 네트워크(198) 또는 제2 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 제1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 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 제2 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 제2 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, 웨어러블 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. "제1", "제2", 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: 제1) 구성요소가 다른(예: 제2) 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.
도 2a 및 도 2b는 다양한 실시예들에 따른 전자 장치와 서버를 포함하는 AI 예측 시스템의 일례를 도시한 도면들이다.
도 2a는 다양한 실시예들에 따른 AI 예측 시스템(200)에서 AI 예측 모델을 생성하는 일례를 도시한 것이다.
도 2a를 참조하면, 다양한 실시예들에 따른 AI(artificial intelligence) 예측 시스템(200)은 전자 장치(예: 도 1의 전자 장치(101)) 및 서버(예: 도 1의 서버(108))를 포함할 수 있다. 전자 장치(101)는 부품 데이터 획득 모듈(210), AI 예측 모델 제어 모듈(230) 및 데이터 처리 모듈(250) 중 적어도 하나를 포함할 수 있다. 부품 데이터 획득 모듈(210), AI 예측 모델 제어 모듈(230) 및 데이터 처리 모듈(250)은 전자 장치(101)의 프로세서(예: 도 1의 프로세서(120))에 포함될 수 있다. 또는, 부품 데이터 획득 모듈(210), AI 예측 모델 제어 모듈(230) 및 데이터 처리 모듈(250)은 전자 장치(101)의 프로세서(예: 도 1의 프로세서(120))와 작동적으로 연결된 모듈로 구성될 수 있다. 서버(108)는 학습 데이터 모듈(270) 및 머신 러닝 모듈(290)을 포함할 수 있다.
부품 데이터 획득 모듈(210)은 실시간으로 부품 입력 데이터를 획득할 수 있다. 상기 부품 입력 데이터는 완제품(예: 전자 장치)에 포함되는 복수의 부품(또는 전자 부품)(예: 프로세서, 카메라)에 대한 테스트 정보(예: 사양, 성능, 테스트 값)를 포함할 수 있다. 부품 데이터 획득 모듈(210)은 상기 획득한 부품 입력 데이터를 데이터 처리 모듈(250)에 제공할 수 있다.
AI 예측 모델 제어 모듈(230)은 부품 입력 데이터에 기반하여 AI 예측 모델을 생성할 수 있다. 예를 들어, AI 예측 모델 제어 모듈(230)은 서버(108)로부터 실시간으로 상기 AI 예측 모델을 업로드(또는 수신)할 수 있다. 상기 생성된(또는 업로드된) AI 예측 모델은 실패(fail) 결과 데이터 또는 정상(pass) 결과 데이터가 없는 상태에서 만들어진 첫 번째 AI 예측 모델일 수 있다. 첫 번째 AI 예측 모델은 부품 입력 데이터에 기반하여 생성될 수 있다. 상기 첫 번째 AI 예측 모델을 이용하여, AI 예측 모델 제어 모듈(230)은 부품 입력 데이터(273)(예: 원인)로 제품 결과 데이터(예: 정상 결과 데이터(201) 및 실패 결과 데이터(203))를 예측할 수 있다. 다양한 실시예들에 따르면, 상기 첫 번째 AI 예측 모델은 부품 입력 데이터(273)에 대응하는 부품으로 만들어진 전체 완제품을 실패 결과 데이터(271)로 활용하여 생성될 수 있다. 상기 첫 번째 AI 예측 모델은 부품 입력 데이터(273) 및 실패 결과 데이터(271)에 기반하여 생성된 것일 수 있다.
데이터 처리 모듈(250)은 정상 결과 데이터(201), 실패 결과 데이터(203) 또는 부품 입력 데이터(205) 중 적어도 하나를 실시간으로 서버(108)로 전달할 수 있다. 데이터 처리 모듈(250)은 부품 데이터 획득 모듈(210)로부터 부품 입력 데이터(205)를 획득할 수 있다. 데이터 처리 모듈(250)은 AI 예측 모델 제어 모듈(230)로부터 정상 결과 데이터(201) 또는 실패 결과 데이터(203)를 획득(또는 수신)할 수 있다. 정상 결과 데이터(201)는 상기 AI 예측 모델에 의해 정상으로 판단되고, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 테스트 결과 정상으로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 없는 것으로, 사용자가 정상적으로 완제품을 사용 가능한 것을 의미할 수 있다. 또는, 정상 결과 데이터(201)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 실패 결과 데이터(203)는 상기 AI 예측 모델에 의해 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것일 수 있다. 테스트 결과 실패로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 있는 것을 의미할 수 있다. 또는, 실패 결과 데이터(203)는 상기 AI 예측 모델에 의해 정상으로 예측되었지만, 실제 테스트 결과 불량으로 판단된 것일 수 있다.
서버(108)의 학습 데이터 모듈(270)은 부품 입력 데이터(273)를 학습할 수 있다. 학습 데이터 모듈(270)은 부품 입력 데이터(273)를 머신 러닝이 가능한 학습 데이터로 변환할 수 있다. 학습 데이터 모듈(270)은 정상 결과 데이터(201) 및 실패 결과 데이터(203)가 발생하기 전에, 부품 입력 데이터(273)를 학습 데이터로 변환할 수 있다. 또는, 학습 데이터 모듈(270)은 부품 입력 데이터(273)로 만들어진 모든 완제품을 실패 결과 데이터(271) 및 부품 입력 데이터(273)를 학습 데이터로 변환할 수 있다. 학습 데이터 모듈(270)은 상기 변환된 학습 데이터를 머신 러닝 모듈(290)에 전달할 수 있다.
머신 러닝 모듈(290)은 상기 학습 데이터를 학습하여 AI 예측 모델을 생성할 수 있다. 예를 들어, 머신 러닝 모듈(290)은 부품 입력 데이터(273)를 학습하여 AI 예측 모델을 생성할 수 있다. 또는, 머신 러닝 모듈(290)은 부품 입력 데이터(273) 및 실패 결과 데이터(271)를 학습하여 AI 예측 모델을 생성할 수 있다. 머신 러닝 모듈(290)은 생성된 AI 예측 모델을 전자 장치(101)로 전달할 수 있다. 상기 생성된 AI 예측 모델은 첫 번째 AI 예측 모델일 수 있다.
도 2b는 다양한 실시예들에 따른 AI 예측 시스템(200)에서 AI 예측 모델을 업데이트하는 일례를 도시한 것이다.
도 2b를 참조하면, 부품 데이터 획득 모듈(210)은 실시간으로 부품 입력 데이터를 획득할 수 있다. AI 예측 모델 제어 모듈(230)은 도 2a에 의해 생성된 AI 예측 모델(예: 첫 번째 AI 예측 모델)을 업데이트할 수 있다. AI 예측 모델 제어 모듈(230)은 정상 결과 데이터(201), 실패 결과 데이터(203) 또는 부품 입력 데이터(205) 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트할 수 있다. 다양한 실시예들에 따르면, AI 예측 모델 제어 모듈(230)은 정상 결과 데이터(201) 중에서 설정된 비율의 정상 결과 데이터(207)를 이용하여 상기 AI 예측 모델을 업데이트할 수 있다.
첫 번째 AI 예측 모델에 의해 정상 결과 데이터(201), 실패 결과 데이터(203)가 획득되면, 데이터 처리 모듈(250)을 통해 실시간으로 서버(108)로 전달될 수 있다. AI 예측 모델 제어 모듈(230)은 서버(108)에 포함된 머신 러닝 모듈(290)로부터 업데이트된 AI 예측 모델을 획득(또는 수신)할 수 있다. 첫 번째 AI 예측 모델 이후에, 머신 러닝 모듈(290)로부터 획득한 AI 예측 모델은 두 번째 AI 예측 모델일 수 있다. 상기 두 번째 AI 예측 모델을 이용하여, AI 예측 모델 제어 모듈(230)은 부품 입력 데이터(273), 정상 결과 데이터(275), 및 실패 결과 데이터(271)(예: 원인)로 제품 결과 데이터(예: 정상 결과 데이터(201) 및 실패 결과 데이터(203))를 예측할 수 있다. 두 번째 AI 예측 모델은 실패 결과 데이터(271), 부품 입력 데이터(273) 및 정상 결과 데이터(275)에 기반하여 생성된 것일 수 있다. 두 번째 AI 예측 모델에 의해 정상 결과 데이터(201), 실패 결과 데이터(203)가 획득되면, 데이터 처리 모듈(250)을 통해 실시간으로 서버(108)로 전달될 수 있다. AI 예측 모델 제어 모듈(230)은 서버(108)에 포함된 머신 러닝 모듈(290)로부터 업데이트된 AI 예측 모델을 획득할 수 있다. AI 예측 모델 제어 모듈(230)은 정상 결과 데이터(201), 실패 결과 데이터(203) 또는 부품 입력 데이터(205)가 획득될 때마다 상기 AI 예측 모델을 업데이트할 수 있다.
데이터 처리 모듈(250)은 설정된 비율의 정상 결과 데이터(207), 실패 결과 데이터(203) 또는 부품 입력 데이터(205) 중 적어도 하나를 실시간으로 서버(108)로 전달할 수 있다. 데이터 처리 모듈(250)은 부품 데이터 획득 모듈(210)로부터 부품 입력 데이터(205)를 획득할 수 있다. 데이터 처리 모듈(250)은 AI 예측 모델 제어 모듈(230)로부터 정상 결과 데이터(201) 또는 실패 결과 데이터(203)를 획득(또는 수신)할 수 있다. 설정된 비율의 정상 결과 데이터(207)는 정상 결과 데이터(201) 중에서 실패 결과 데이터(203)에 기반하여 추출되는 일부 정상 결과 데이터를 의미할 수 있다. 예를 들어, 실패 결과 데이터(203)가 10개 검출(또는 추출)된 경우, 동일 또는 유사한 비율(예: 1:1)인 10개의 정상 결과 데이터(207)가 AI 예측 모델을 업데이트하는데 사용될 수 있다.
학습 데이터 모듈(270)은 실패 결과 데이터(271), 부품 입력 데이터(273) 및 정상 결과 데이터(275)를 머신 러닝이 가능한 학습 데이터로 변환할 수 있다. 실패 결과 데이터(271)는 실패 결과 데이터(203)에 대응되고, 부품 입력 데이터(273)는 부품 입력 데이터(205)에 대응되며, 정상 결과 데이터(275)는 설정된 비율의 정상 결과 데이터(207)에 대응되는 것일 수 있다. 학습 데이터 모듈(270)은 상기 변환된 학습 데이터를 머신 러닝 모듈(290)에 전달할 수 있다.
머신 러닝 모듈(290)은 상기 학습 데이터에 기반하여 AI 예측 모델을 업데이트할 수 있다. 예를 들어, 머신 러닝 모듈(290)은 실패 결과 데이터(271), 부품 입력 데이터(273) 및 정상 결과 데이터(275) 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 머신 러닝 모듈(290)은 업데이트된 AI 예측 모델을 전자 장치(101)로 전달할 수 있다. 상기 생성된 AI 예측 모델은 두 번째 AI 예측 모델일 수 있다. 학습 데이터 모듈(270)은 실시간으로 데이터 처리 모듈(250)로부터 데이터를 획득하고, 획득한 데이터를 학습 데이터로 변환할 수 있다. 머신 러닝 모듈(290)은 실시간으로 학습 데이터 모듈(270)에 의해 변환된 학습 데이터에 기반하여 AI 예측 모델을 업데이트하여 전자 장치(101)로 전달할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)와 서버(108)는 서로 연동하여 AI 예측 모델을 업데이트할 수 있다. 전자 장치(101)와 서버(108)는 부품 입력 데이터, 정상 결과 데이터, 실패 결과 데이터가 획득될 때마다 실시간으로 AI 예측 모델을 업데이트할 수 있다. AI 예측 모델이 업데이트되면, 업데이트된 AI 예측 모델에 의해 정상 결과 데이터 및 실패 결과 데이터가 발생할 수 있다.
본 발명의 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 통신 모듈(예: 도 1의 통신 모듈(190)), 메모리(예: 도 1의 메모리(130)), 및 상기 통신 모듈, 또는 상기 메모리와 작동적으로 연결된 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 프로세서는, 부품 입력 데이터에 기반하여 AI(artificial intelligence) 예측 모델을 생성하고, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정될 수 있다.
상기 프로세서는, 상기 통신 모듈을 통해 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버(예: 도 1의 서버(108))로 전송하고, 상기 서버로부터 상기 AI 예측 모델을 수신하도록 설정될 수 있다.
상기 프로세서는, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터를 획득할 때마다 상기 AI 예측 모델을 업데이트하고, 상기 업데이트된 AI 예측 모델에 의해 예측된 실패 결과 데이터 및 정상 결과 데이터를 획득하도록 설정될 수 있다.
상기 실패 결과 데이터는, 상기 AI 예측 모델에 의해 정상 또는 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것이고, 상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 정상 또는 불량으로 판단되고, 실제 테스트 결과 정상으로 판단된 것일 수 있다.
상기 프로세서는, 상기 실패 결과 데이터의 수에 기반하여 상기 정상 결과 데이터를 획득하도록 설정될 수 있다.
상기 프로세서는, 상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하고, 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하도록 설정될 수 있다.
상기 프로세서는, 상기 AI 예측 모델에 의해 정상으로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정될 수 있다.
상기 프로세서는, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 존재하는 경우, 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득하도록 설정될 수 있다.
상기 프로세서는, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터에 기반하여 상기 실패 결과 데이터 및 상기 정상 결과 데이터를 검사하는 샘플링 비율을 제어하도록 설정될 수 있다.
상기 프로세서는, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되면, 상기 샘플링 비율을 변경하고, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되지 않으면, 상기 샘플링 비율을 유지하도록 설정될 수 있다.
본 발명의 다양한 실시예들에 따른 AI 예측 시스템(예: 도 2a 및 도 2b의 AI 예측 시스템(200))은 AI 예측 모델에 따라 실패 결과 데이터를 획득하고, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전달하는 전자 장치(예: 도 1의 전자 장치(101)), 및 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 생성 또는 업데이트하고, 상기 AI 예측 모델을 상시 전자 장치로 전송하는 서버(예: 도 1의 서버(108))를 포함할 수 있다.
상기 서버는, 상기 전자 장치로부터 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터를 획득할 때마다 상기 AI 예측 모델을 업데이트하여 상기 전자 장치로 전송하고, 상기 전자 장치는, 상기 서버로부터 수신된 AI 예측 모델에 의해 예측된 실패 결과 데이터 및 정상 결과 데이터를 획득하도록 설정될 수 있다.
상기 전자 장치는, 상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하고, 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하도록 설정될 수 있다.
도 3은 다양한 실시예들에 따른 전자 장치의 동작 방법을 도시한 흐름도(300)이다.
도 3을 참조하면, 동작 301에서, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))는 부품 입력 데이터에 기반하여 AI 예측 모델을 생성할 수 있다. 상기 생성된 AI 예측 모델은 실패(fail) 결과 데이터 또는 정상(pass) 결과 데이터가 없는 상태에서 만들어진 첫 번째 AI 예측 모델일 수 있다. 프로세서(120)는 실시간으로 부품 입력 데이터를 획득할 수 있다. 상기 부품 입력 데이터는 완제품(예: 전자 장치)에 포함되는 복수의 부품(또는 전자 부품)(예: 프로세서, 카메라)에 대한 테스트 정보(예: 사양, 성능, 테스트 값)를 포함할 수 있다. 다양한 실시예들에 따르면, 상기 첫 번째 AI 예측 모델은 부품 입력 데이터로 만들어진 전체 완제품을 실패 결과 데이터로 활용하여 생성될 수 있다. 예를 들어, 상기 첫 번째 AI 예측 모델은 상기 부품 입력 데이터 및 상기 실패 결과 데이터에 기반하여 생성될 수 있다. 프로세서(120)는 통신 모듈(예: 도 1의 통신 모듈(190))을 통해 서버(예: 도 1의 서버(108))로부터 상기 AI 예측 모델을 수신(또는 업로드)할 수 있다.
동작 303에서, 프로세서(120)는 상기 생성된 AI 예측 모델에 기반하여 실패 결과 데이터를 획득할 수 있다. 상기 생성된 AI 예측 모델에 의해 정상 결과 데이터 및 실패 결과 데이터가 발생할 수 있다. 상기 실패 결과 데이터는 상기 생성된 AI 예측 모델에 의해 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것일 수 있다. 테스트 결과 실패로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 있는 것을 의미할 수 있다. 또는, 상기 실패 결과 데이터는 상기 AI 예측 모델에 의해 정상으로 예측되었지만, 실제 테스트 결과 불량으로 판단된 것일 수 있다.
동작 305에서, 프로세서(120)는 상기 실패 결과 데이터에 기반하여 정상 결과 데이터를 획득할 수 있다. 상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 정상으로 판단되고, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 테스트 결과 정상으로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 없는 것으로, 사용자가 정상적으로 완제품을 사용 가능한 것을 의미할 수 있다. 또는, 상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수에 기반하여 정상 결과 데이터를 획득할 수 있다. 예를 들어, 프로세서(120)는 상기 실패 결과 데이터의 수가 10개인 경우, 동일 또는 유사한 비율(예: 1:1)인 10개의 정상 결과 데이터를 획득할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치 이하인지 여부에 기반하여 정상 결과 데이터를 획득할 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율(예: 1:1)에 따라 정상 결과 데이터를 획득할 수 있다. 상기 실패 결과 데이터의 수가 기준치 이하인 것은, 상기 AI 예측 모델에 의해 실패 예측한 것과 동일 또는 유사하게 실패 결과 데이터가 발생한 것일 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 정상 결과 데이터의 추출 비율을 변경(또는 조정)할 수 있다. 상기 실패 결과 데이터의 수가 기준치를 초과한 것은, 상기 AI 예측 모델에 의해 실패 예측한 것 보다 실패 결과 데이터가 많이 발생한 것일 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 정상 결과 데이터의 추출 비율을 증가시킬 수 있다. 프로세서(120)는 변경된 추출 비율(예: 1:1.5)에 따라 정상 결과 데이터를 획득할 수 있다.
동작 307에서, 프로세서(120)는 상기 획득한 데이터에 기반하여 AI 예측 모델을 업데이트할 수 있다. 상기 획득한 데이터는 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 통신 모듈(190)을 통해 서버(108)로부터 업데이트된 AI 예측 모델을 수신할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 실시간으로 부품 입력 데이터를 획득하고, 업데이트된 AI 예측 모델에 기반하여 실패 결과 데이터, 또는 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 동작 303 내지 동작 307을 반복 수행하여 실시간으로 AI 예측 모델을 업데이트할 수 있다.
도 4a는 다양한 실시예들에 따른 전자 장치의 정상 및 실패 예측 비율을 도시한 도면이다.
도 4a를 참조하면, 다양한 실시예들에 따르면, 첫 번째 AI 예측 모델(410)을 이용하여 실패 결과 데이터 및 정상 결과 데이터를 예측하는 것보다, AI 예측 모델을 실시간으로 업데이트하는 본 발명(420)에서 불량률(415)이 줄어들 수 있다. 예를 들어, 첫 번째 AI 예측 모델(410)에 의한 불량률(401)은 본 발명(420)에 의한 불량률(421)보다 클 수 있다. 동일한 부품 입력 데이터에 의해 완제품이 만들어진 경우, 첫 번째 AI 예측 모델(410)에 의해서는 불량률(401)이 줄어들지 않지만, 본 발명(420)은 실시간으로 AI 예측 모델을 업데이트함으로써, 불량률(415)이 줄어들 수 있다. AI 예측 모델은 불량률이 줄어들어야 예측 성능이 좋다고 할 수 있다.
도 4b는 비교 예에 따른 예측 성공률을 도시한 그래프이다.
도 4b를 참조하면, 비교예에 따른 그래프(450)는 시간에 따라 예측 성공률이 낮아지는 것을 나타낸 것이다. 예를 들어, t0 시간에 예측 모델에 의한 예측 성공률(451)은 시간이 지남에 따라 낮아질 수 있다. 종래에는 예측 모델이 만들어 지고 나면, 동일한 부품 테스트 결과에 대해 늘 같은 예측 결과가 얻어질 수 있다. 부품 테스트 결과가 같더라도, 외부 요인의 변화(예: s/w 기술 발달, Spec 강화)로 인해 완제품의 테스트 결과는 달라질 수 있다. 외부 요인의 변화를 예측 결과에 반영하기 위해서는 매번 예측 모델을 새로 만들어야 하고 사람이 직접 외부 요인 변화를 추적하여 예측 모델을 만드는 시점을 결정하고 있다. 예를 들어, 종래에는 예측 성공률이 성공 임계치(P1)에 해당하는 경우, t1 시간에 예측 모델을 재생성할 수 있다. 예측 모델을 재생성 하면, 예측 성공률(453)은 높아질 수 있다. 예측 모델을 재생성하기 위해서는 일정 기간 동안 전체 완제품에 대해 테스트를 진행하여 다시 학습해야 할 수 있다.
도 4c는 다양한 실시예들에 따른 예측 성공률을 도시한 그래프이다.
도 4c를 참조하면, 본 발명에 따른 그래프(470)는 시간에 따라 예측 성공률이 변동이 있지만 일정한 성공률(P0)이 나타나는 것일 수 있다. 예를 들어, t0 시간에 첫 번째 AI 예측 모델에 의한 예측 성공률(471)은 P0에 근접할 수 있다. 본 발명에서는 부품 입력 데이터와, 첫 번째 AI 예측 모델에 의해 획득한 실패 결과 데이터 및 정상 결과 데이터에 기반하여 첫 번째 AI 예측 모델을 업데이트(473)할 수 있다. 첫 번째 AI 예측 모델을 업데이트(473)한 것이 두 번째 AI 예측 모델일 수 있다. 본 발명은 부품 입력 데이터와 두 번째 예측 모델에 의해 획득한 실패 결과 데이터 및 정상 결과 데이터에 기반하여 두 번째 예측 모델을 업데이트(475)할 수 있다. 두 번째 AI 예측 모델을 업데이트(475)한 것이 세 번째 AI 예측 모델일 수 있다. 본 발명은 부품 입력 데이터와 세 번째 예측 모델에 의해 획득한 실패 결과 데이터 및 정상 결과 데이터에 기반하여 세 번째 예측 모델을 업데이트(477)할 수 있다. 세 번째 AI 예측 모델을 업데이트(477)한 것이 네 번째 AI 예측 모델일 수 있다. 본 발명은 실시간으로 AI 예측 모델을 업데이트함으로써, 시간이 지나더라도 예측 성공률이 일정한 성공률(P0)을 갖도록 유지할 수 있다.
도 5는 다양한 실시예들에 따른 전자 장치에서 획득하는 데이터를 도시한 도면이다.
도 5를 참조하면, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 제1 테이블(510), 제2 테이블(530) 및 제3 테이블(550)을 획득할 수 있다. 제1 테이블(510)은 실시간으로 획득한 부품 입력 데이터일 수 있다. 상기 부품 입력 데이터는 완제품(예: 전자 장치)에 포함되는 복수의 부품(또는 전자 부품)(예: 프로세서, 카메라)에 대한 테스트 정보(예: 사양, 성능, 테스트 값)를 포함할 수 있다. 제1 테이블(510)에서, 모듈 ID(511)(module ID)는 각 부품에 부여된 식별자일 수 있다. 예를 들어, 전자 장치(101)는 모듈 ID(511)가 CVNE31C8A140402(513)인 부품 입력 데이터를 획득할 수 있다.
제2 테이블(530)은 다양한 부품이 포함된 완제품의 결과 데이터를 포함할 수 있다. 제2 테이블(530)은 완제품의 카메라 칩 정보(531)(Chip_ID_Camera)에 대응하는 완제품의 결과 데이터를 포함할 수 있다. 상기 결과 데이터는 실패 결과 데이터 및 정상 결과 데이터를 포함한 것일 수 있다. 전자 장치(101)는 제1 테이블(510)의 모듈 ID(511)와 제2 테이블(530)의 카메라 칩 정보(531)를 매칭시켜, 모듈 ID(511)를 기준으로 부품 입력 데이터와 실패 결과 데이터 및 정상 결과 데이터를 합칠 수 있다.
제3 테이블(550)은 부품 결과 데이터에 대응하는 실패 결과 데이터 및 정상 결과 데이터를 포함한 것일 수 있다. 전자 장치(101)는 제3 테이블(550)을 서버(예: 도 1의 서버(108))로 전달할 수 있다. 서버(108)는 제3 테이블(550)을 학습 데이터로 변환시켜, 학습 데이터에 기반하여 AI 예측 모델을 생성 및 업데이트할 수 있다. 서버(108)의 머신 러닝 모듈(290)은 제3 테이블(550)을 원인 학습 데이터(예: 부품 입력 데이터(551), 실패 결과 데이터, 정상 결과 데이터)와 결과 학습 데이터(예: 실패 결과 데이터, 정상 결과 데이터)로 분리하여 학습시킬 수 있다.
도 6은 다양한 실시예들에 따른 전자 장치에서 정상 결과 데이터의 추출 비율을 제어하는 방법을 도시한 흐름도(600)이다.
도 6을 참조하면, 동작 601에서, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))는 부품 입력 데이터 및 실패 결과 데이터를 획득할 수 있다. 상기 부품 입력 데이터는 완제품(예: 전자 장치)에 포함되는 복수의 부품(또는 전자 부품)(예: 프로세서, 카메라)에 대한 테스트 정보(예: 사양, 성능, 테스트 값)를 포함할 수 있다. 상기 실패 결과 데이터는 AI 예측 모델에 의해 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것일 수 있다. 테스트 결과 실패로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 있는 것을 의미할 수 있다. 또는, 상기 실패 결과 데이터는 상기 AI 예측 모델에 의해 정상으로 예측되었지만, 실제 테스트 결과 불량으로 판단된 것일 수 있다.
동작 603에서, 프로세서(120)는 상기 실패의 수가 기준치 이하인지 여부를 판단할 수 있다. 상기 실패의 수는 상기 실패 결과 데이터의 수를 의미할 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치 이하인지 여부에 기반하여 정상 결과 데이터를 획득할 수 있다. 프로세서(120)는 상기 실패의 수가 기준치 이하인 경우, 동작 605를 수행하고, 상기 실패의 수가 기준치를 초과하는 경우, 동작 604를 수행할 수 있다.
상기 실패의 수가 기준치 이하인 경우, 동작 605에서, 프로세서(120)는 설정된 비율(예: 1:1)에 따라 정상 결과 데이터를 획득할 수 있다. 상기 실패 결과 데이터의 수가 기준치 이하인 것은, 상기 AI 예측 모델에 의해 실패 예측한 것과 동일 또는 유사하게 실패 결과 데이터가 발생한 것일 수 있다. 설정된 비율은 AI 예측 모델을 업데이트하는데 필요한 개수를 고려하여 결정(또는 설정)된 것일 수 있다.
상기 실패의 수가 기준치를 초과하는 경우, 동작 604에서, 프로세서(120)는 정상 결과 데이터의 추출 비율을 변경할 수 있다. 상기 실패 결과 데이터의 수가 기준치를 초과한 것은, 상기 AI 예측 모델에 의해 실패를 예측한 것 보다 실패 결과 데이터가 많이 발생한 것일 수 있다. 실패 결과 데이터가 상기 AI 예측 모델에 의해 실패 예측한 것보다 많이 발생하는 것은 예측 성능이 떨어지는 것을 의미할 수 있다. 프로세서(120)는 AI 예측 모델의 성능을 향상시키기 위하여, AI 예측 모델을 학습시키는 데이터의 개수(양)를 증가시킬 수 있다. 프로세서(120)는 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 정상 결과 데이터의 추출 비율을 증가시킬 수 있다.
동작 606에서, 프로세서(120)는 변경된 추출 비율에 따라 정상 결과 데이터를 획득할 수 있다. 프로세서(120)는 정상 결과 데이터를 설정된 비율보다 많이 획득할 수 있다. 프로세서(120)는 설정된 비율보다 많이 획득한 정상 결과 데이터를 부품 입력 데이터, 실패 결과 데이터와 함께 학습시켜 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 동작 606 수행이 완료되면 동작 607을 수행할 수 있다.
동작 607에서, 프로세서(120)는 획득한 데이터에 기반하여 AI 예측 모델을 업데이트할 수 있다. 상기 획득한 데이터는 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 통신 모듈(190)을 통해 서버(108)로부터 업데이트된 AI 예측 모델을 수신할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 실시간으로 부품 입력 데이터를 획득하고, 업데이트된 AI 예측 모델에 기반하여 실패 결과 데이터, 또는 정상 결과 데이터를 획득하고, 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 동작 601 내지 동작 607을 반복 수행하여 실시간으로 AI 예측 모델을 업데이트할 수 있다.
도 7은 다양한 실시예들에 따른 전자 장치에서 정상 결과 데이터의 추출 비율을 제어하는 일례를 도시한 도면이다.
도 7을 참조하면, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 AI 예측 모델(710)을 이용하여 정상 결과 데이터(711) 및 실패 결과 데이터(713)를 예측할 수 있다. AI 예측 모델(710)은 부품 입력 데이터에 기반하여 생성된 것일 수 있다. 또는, AI 예측 모델(710)은 부품 입력 데이터 및 상기 부품 입력 데이터에 대응하는 부품으로 만들어진 전체 완제품의 실패 결과 데이터에 기반하여 생성된 것일 수 있다.
전자 장치(101)는 AI 예측 모델(710)에 의해 예측된 완제품을 실제 테스트한 결과, 결과 데이터(730)를 획득할 수 있다, 결과 데이터(730)는 정상 결과 데이터 및 실패 결과 데이터(731)를 포함할 수 있다. AI 예측 모델(710)에 의해 실패가 예측되었지만, 실제 테스트 결과, 정상 결과 데이터에 포함되어, 실패 결과 데이터(715)의 수가 감소할 수 있다. 전자 장치(101)는 AI 예측 모델(710)에 의해 실패가 예측되었지만, 실제 테스트 결과, 정상 결과 데이터인 결과 데이터(730)를 학습하여 AI 예측 모델을 업데이트할 수 있다.
업데이트한 AI 예측 모델(750)은 부품 입력 데이터, 결과 데이터(730)에 기반하여 생성된 것일 수 있다. 전자 장치(101)는 업데이트된 AI 예측 모델(750)을 이용하여 정상 결과 데이터(751) 및 실패 결과 데이터(753)를 예측할 수 있다. 예측 결과, 실패 결과 데이터(753)의 수가 감소할 수 있다. 업데이트된 AI 예측 모델(750)을 이용하여 완제품의 정상 또는 실패를 예측하면, 실패 예측이 줄어들게 되어, 예측 성능이 향상될 수 있다.
도 8은 다양한 실시예들에 따른 전자 장치에서 실패 결과 데이터를 이용하여 AI 예측 모델을 업데이트하는 방법을 도시한 흐름도(800)이다.
도 8을 참조하면, 동작 801에서, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))는 실패 결과 데이터를 획득할 수 있다. 상기 실패 결과 데이터는 AI 예측 모델에 의해 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것일 수 있다. 또는, 상기 실패 결과 데이터는 상기 AI 예측 모델에 의해 정상으로 예측되었지만, 실제 테스트 결과 불량으로 판단된 것일 수 있다.
동작 803에서, 프로세서(120)는 상기 실패 결과 데이터가 정상 예측된 것인지 판단할 수 있다. 상기 실패 결과 데이터는 AI 예측 모델에 의해 불량으로 예측되거나, 정상으로 예측된 것일 수 있다. 프로세서(120)는 상기 실패 결과 데이터가 정상 예측된 것인 경우, 동작 805를 수행하고, 상기 실패 결과 데이터가 정상 예측된 것이 아닌 경우, 동작 807을 수행할 수 있다.
상기 실패 결과 데이터가 정상 예측된 것인 경우, 동작 805에서, 프로세서(120)는 정상 예측된 실패 결과 데이터로 AI 예측 모델을 업데이트할 수 있다. 실패 결과 데이터 중에서 AI 예측 모델에 의해 성공으로 예측되었지만, 실제 테스트 결과 실패인 경우, 프로세서(120)는 외부 조건 변화가 발생한 것으로 판단할 수 있다. 외부 조건(예: 정상으로 판단하는 스팩 변경) 변경으로 불량 발생이 늘어나는 경우, 프로세서(120)는 AI 예측 모델을 실시간 업데이트할 수 있다. 프로세서(120)는 AI 예측 모델에 의해 불량으로 예측된 실패 결과 데이터와 정상으로 예측된 정상 결과 데이터를 학습 데이터로 활용될 수 있다. 이렇게 학습한 AI 예측 모델은 테스트 결과를 반영하여 다음 예측 시 외부 조건의 변화를 반영하는 AI 예측 모델로 업데이트(또는 생성)될 수 있다. 제품 생산 시 계속 반복적으로 예측 -> 테스트 -> 학습 -> AI 예측 모델 업데이트 -> 예측 -> 테스트 -> 학습 -> AI 예측 모델 업데이트를 수행하면, AI 예측 모델은 보다 정확히 예측하도록 업데이트될 수 있다.
상기 실패 결과 데이터가 정상 예측된 것이 아닌 경우(예: 상기 실패 결과 데이터가 불량 예측된 것), 동작 807에서, 프로세서(120)는 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득할 수 있다. 상기 샘플링 비율은 실패 결과 데이터 또는 정상 결과 데이터 중에서 실제 테스트하는 샘플링 비율(또는 수)를 의미할 수 있다. 상기 샘플링 비율은 실패 결과 데이터의 수에 따라 정상 결과 데이터의 수의 비율을 나타내는 추출 비율과는 상이한 것일 수 있다. 프로세서(120)는 정상으로 예측된 제품 중에서 실제 테스트하는 샘플링 비율을 조절하면서 각 생산 설비 환경에 맞는 비율을 세팅할 수 있다. 예를 들어, 프로세서(120)는 정상으로 예측되는 정상 결과 데이터 중 일부를 랜덤하게 샘플링 하고, 테스트한 후 부품 입력 데이터와 매칭시켜 학습시켜 AI 예측 모델에 외부 조건 변화를 반영할 수 있다. 스팩 상향 조정으로 실패 결과 데이터가 늘어나게 되는 경우, AI 예측 모델을 업데이트하면, 실패 예측이 증가하게 되고, AI 예측 모델의 정확도가 향상될 수 있다. 이러한 과정을 반복하게 되면 보다 정확하게 정상 또는 실패 예측이 가능할 수 있다.
동작 809에서, 프로세서(120)는 획득한 데이터에 기반하여 AI 예측 모델을 업데이트할 수 있다. 상기 획득한 데이터는 부품 입력 데이터, 실패 결과 데이터, 또는 정상 결과 데이터 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 AI 예측 모델을 업데이트할 수 있다. 프로세서(120)는 통신 모듈(190)을 통해 서버(108)로부터 업데이트된 AI 예측 모델을 수신할 수 있다.
도 9a는 다양한 실시예들에 따른 외부 요인에 의해 실패 예측 비율이 증가하는 일례를 도시한 도면이다.
도 9a를 참조하면, 외부 요인 변경 전(910)에는, AI 예측 모델에 따라 정상으로 예측된 정상 결과 데이터 및 불량으로 예측된 실패 결과 데이터(911)가 획득될 수 있다. 외부 요인 변경 후(920)에는, AI 예측 모델에 따라 정상으로 예측한 정상 결과 데이터가 감소하고, 불량으로 예측된 실패 결과 데이터가 증가(915)하게 될 수 있다. 외부 요인 변경 후(920)에는, 실제 테스트 결과 획득한 실패 결과 데이터(921)가 증가하게 되어 예측 정확도가 떨어질 수 있다. 이러한 문제점을 해결하기 위하여, 본 발명에서는 정상으로 예측되는 정상 결과 데이터 중 일부를 랜덤하게 샘플링 하고, 테스트한 후 부품 입력 데이터와 매칭시켜 학습하여 AI 예측 모델에 외부 조건 변화를 반영할 수 있다. 스팩 상향 조정으로 실패 결과 데이터가 늘어나게 되는 경우, AI 예측 모델을 업데이트하면, 실패 예측이 증가하게 되고, AI 예측 모델의 정확도가 향상될 수 있다.
도 9b는 다양한 실시예들에 따른 전자 장치에서 실패 결과 데이터를 이용하여 AI 예측 모델을 업데이트하는 일례를 도시한 도면이다.
도 9b를 참조하면, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 AI 예측 모델(950)을 이용하여 정상 결과 데이터 및 실패 결과 데이터(951)를 예측할 수 있다. AI 예측 모델(950)은 부품 입력 데이터, 정상 결과 데이터 및 실패 결과 데이터 중 적어도 하나에 기반하여 생성된 것일 수 있다. 전자 장치(101)는 AI 예측 모델(950)에 의해 예측된 완제품을 실제 테스트한 결과, 결과 데이터(970)를 획득할 수 있다. 결과 데이터(970)는 정상 결과 데이터 및 실패 결과 데이터(975)를 포함할 수 있다. 결과 데이터(970)는 AI 예측 모델(950)에 의해 정상으로 예측되고, 실제 테스트 결과 정상인 정상 결과 데이터(971)와 AI 예측 모델(950)에 의해 정상으로 예측되었지만, 실제 테스트 결과 실패인 실패 결과 데이터(973)가 포함될 수 있다.
전자 장치(101)는 정상 결과 데이터 중에서 랜덤하게 샘플링하여 정상 결과 데이터(971) 및 실패 결과 데이터(973)를 부품 입력 데이터와 매칭시켜 학습하여 AI 예측 모델을 업데이트할 수 있다. 업데이트된 AI 예측 모델(990)은 부품 입력 데이터, 정상 결과 데이터(971) 및 실패 결과 데이터(973)에 기반하여 생성된 것일 수 있다. 전자 장치(101)는 업데이트된 AI 예측 모델(990)을 이용하여 정상 결과 데이터 및 실패 결과 데이터를 예측할 수 있다. 예측 결과, 실패 결과 데이터(991)의 수가 증가할 수 있다. 업데이트된 AI 예측 모델(990)을 이용하여 완제품의 정상 또는 실패를 예측하면, 실패 예측이 줄어들게 되어, 예측 성능이 향상될 수 있다.
도 10은 다양한 실시예들에 따른 전자 장치에서 샘플링 비율을 제어하는 방법을 도시한 흐름도(1000)이다.
도 10을 참조하면, 동작 1001에서, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서(예: 도 1의 프로세서(120))는 정상 결과 데이터를 획득할 수 있다. 상기 정상 결과 데이터는 AI 예측 모델에 의해 정상으로 판단되고, 실제 테스트 결과 정상으로 판단된 것일 수 있다. 테스트 결과 정상으로 판단된 완제품은 제품 성능(또는 사용)에 이상(또는 오류, 오동작)이 없는 것으로, 사용자가 정상적으로 완제품을 사용 가능한 것을 의미할 수 있다. 또는, 상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 것일 수 있다.
동작 1003에서, 프로세서(120)는 상기 획득한 정상 결과 데이터 중에서 AI 예측 모델에 의해 실패로 예측된 것이 있는지 판단할 수 있다. 프로세서(120)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 있는 경우, 동작 1005를 수행할 수 있다. 프로세서(120)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 없는 경우, 동작 1007을 수행할 수 있다.
동작 1005에서, 프로세서(120)는 샘플링 비율을 변경할 수 있다. 프로세서(120)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 있는 경우, 샘플링 비율을 변경할 수 있다. 본 발명은 완제품의 실패 및 정상을 판단하기 위해 테스트하는 완제품의 샘플링 비율(또는 샘플링 수)를 조정함으로써, 완제품 테스트에 따른 시간 또는 비용을 절약할 수 있다. 예를 들어, 프로세서(120)는 실패 결과 데이터 및 정상 결과 데이터를 검사(또는 테스트)하는 샘플링 비율을 증가시키거나, 또는 감소시킬 수 있다.
동작 1007에서, 프로세서(120)는 샘플링 비율을 유지할 수 있다. 프로세서(120)는 상기 AI 예측 모델에 의해 실패로 판단되었지만, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 없는 경우, 샘플링 비율을 유지할 수 있다. 외부 요인의 변화가 없는 제품의 경우 예측한 결과가 실제 테스트한 결과와 동일 또는 유사하므로, 프로세서(120)는 실패 결과 데이터 및 정상 결과 데이터를 검사(또는 테스트)하는 샘플링 비율을 유지시킬 수 있다.
도 11a 및 도 11b는 다양한 실시예들에 따른 전자 장치에서 샘플링 비율을 제어하는 일례를 도시한 도면들이다.
도 11a를 참조하면, 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))는 AI 예측 모델(1110)을 이용하여 정상 결과 데이터(1111) 및 실패 결과 데이터(1113)를 예측할 수 있다. AI 예측 모델(1110)은 부품 입력 데이터, 정상 결과 데이터 및 실패 결과 데이터 중 적어도 하나에 기반하여 생성된 것일 수 있다. 전자 장치(101)는 AI 예측 모델(1110)에 의해 예측된 완제품을 실제 테스트한 결과, 결과 데이터(1120)를 획득할 수 있다. 결과 데이터(1120)는 정상 결과 데이터 및 실패 결과 데이터를 포함할 수 있다. 결과 데이터(1120)는 AI 예측 모델(1110)에 의해 정상으로 예측되고, 실제 테스트 결과 정상인 정상 결과 데이터(1123, 1125)와 AI 예측 모델(950)에 의해 정상으로 예측되었지만, 실제 테스트 결과 실패인 실패 결과 데이터(1121, 1127)가 포함될 수 있다.
전자 장치(101)는 정상 결과 데이터 중에서 랜덤하게 샘플링하여 정상 결과 데이터(1123, 1125) 및 실패 결과 데이터(1121, 1127)를 부품 입력 데이터와 매칭시켜 학습하여 AI 예측 모델을 업데이트할 수 있다. 전자 장치(101)는 업데이트된 AI 예측 모델(1130)을 이용하여 정상 결과 데이터(1131) 및 실패 결과 데이터(1133)를 예측할 수 있다. 예측 결과, 실패 결과 데이터(1133)의 수가 증가할 수 있다. 업데이트된 AI 예측 모델(1130)을 이용하여 완제품의 정상 또는 실패를 예측하면, 실패 예측이 줄어들게 되어, 예측 성능이 향상될 수 있다.
도 11b를 참조하면, 전자 장치(101)는 AI 예측 모델(1150)을 이용하여 정상 결과 데이터(1151) 및 실패 결과 데이터(1153)를 예측할 수 있다. 전자 장치(101)는 AI 예측 모델(1150)에 의해 예측된 완제품을 실제 테스트한 결과, 결과 데이터(1160)를 획득할 수 있다. 결과 데이터(1160)는 정상 결과 데이터 및 실패 결과 데이터를 포함할 수 있다. 결과 데이터(1160)는 AI 예측 모델(1150)에 의해 정상으로 예측되고, 실제 테스트 결과 정상인 정상 결과 데이터(1161, 1162)와 AI 예측 모델(1150)에 의해 정상으로 예측되었지만, 실제 테스트 결과 실패인 실패 결과 데이터(1163, 1164)가 포함될 수 있다.
전자 장치(101)는 결과 데이터(1160) 중에 AI 예측 모델(1150)에 의해 정상으로 판단되었지만, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 있는 경우, 샘플링 비율을 증가시킬 수 있다. 또는, 전자 장치(101)는 외부 변화 요인이 발생하는 경우, 샘플링 비율을 증가시킬 수 있다. 전자 장치(101)는 정상 결과 데이터 중에서 랜덤하게 샘플링하여 정상 결과 데이터(1161, 1162) 및 실패 결과 데이터(1163, 1164)를 부품 입력 데이터와 매칭시켜 학습하여 AI 예측 모델을 업데이트할 수 있다. 전자 장치(101)는 업데이트된 AI 예측 모델(1170)을 이용하여 정상 결과 데이터(1171) 및 실패 결과 데이터(1173)를 예측할 수 있다. 예측 결과, 실패 결과 데이터(1173)의 수가 증가할 수 있다.
본 발명의 다양한 실시예들에 따른 전자 장치(예: 도 1의 전자 장치(101))의 동작 방법은 부품 입력 데이터에 기반하여 AI 예측 모델을 생성하는 동작, 상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하는 동작, 상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하는 동작, 및 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함할 수 있다.
상기 방법은, 상기 통신 모듈을 통해 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전송하는 동작, 및 상기 서버로부터 상기 AI 예측 모델을 수신하는 동작을 더 포함할 수 있다.
상기 정상 결과 데이터를 획득하는 동작은, 상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하는 동작, 및 상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하는 동작을 포함할 수 있다.
상기 업데이트하는 동작은, 상기 AI 예측 모델에 의해 정상으로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함할 수 있다.
상기 정상 결과 데이터를 획득하는 동작은, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 존재하는 경우, 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득하는 동작을 포함할 수 있다.
상기 방법은 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터에 기반하여 상기 실패 결과 데이터 및 상기 정상 결과 데이터를 검사하는 샘플링 비율을 제어하는 동작을 더 포함할 수 있다.
상기 제어하는 동작은, 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되면, 상기 샘플링 비율을 변경하는 동작, 및 상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되지 않으면, 상기 샘플링 비율을 유지하는 동작을 포함할 수 있다.
본 명세서와 도면에 개시된 본 발명의 다양한 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 범위는 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (15)
- 전자 장치에 있어서,통신 모듈;메모리; 및상기 통신 모듈, 또는 상기 메모리와 작동적으로 연결된 프로세서를 포함하고, 상기 프로세서는,부품 입력 데이터에 기반하여 AI(artificial intelligence) 예측 모델을 생성하고,상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하고,상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하고,상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정된 전자 장치.
- 제1항에 있어서, 상기 프로세서는,상기 통신 모듈을 통해 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전송하고,상기 서버로부터 상기 AI 예측 모델을 수신하도록 설정된 전자 장치.
- 제1항에 있어서, 상기 프로세서는,상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터를 획득할 때마다 상기 AI 예측 모델을 업데이트하고,상기 업데이트된 AI 예측 모델에 의해 예측된 실패 결과 데이터 및 정상 결과 데이터를 획득하도록 설정된 전자 장치.
- 제1항에 있어서,상기 실패 결과 데이터는, 상기 AI 예측 모델에 의해 정상 또는 불량으로 예측되고, 실제 테스트 결과 불량으로 판단된 것이고,상기 정상 결과 데이터는 상기 AI 예측 모델에 의해 정상 또는 불량으로 판단되고, 실제 테스트 결과 정상으로 판단된 것인, 전자 장치.
- 제1항에 있어서, 상기 프로세서는,상기 실패 결과 데이터의 수에 기반하여 상기 정상 결과 데이터를 획득하도록 설정된 전자 장치.
- 제5항에 있어서, 상기 프로세서는,상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하고,상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하도록 설정된 전자 장치.
- 제1항에 있어서, 상기 프로세서는,상기 AI 예측 모델에 의해 정상으로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터에 기반하여 상기 AI 예측 모델을 업데이트하도록 설정된 전자 장치.
- 제1항에 있어서, 상기 프로세서는,상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 존재하는 경우, 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득하도록 설정된 전자 장치.
- 제1항에 있어서, 상기 프로세서는,상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터에 기반하여 상기 실패 결과 데이터 및 상기 정상 결과 데이터를 검사하는 샘플링 비율을 제어하도록 설정된 전자 장치.
- 제9항에 있어서, 상기 프로세서는,상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되면, 상기 샘플링 비율을 변경하고,상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 정상으로 판단된 정상 결과 데이터가 검출되지 않으면, 상기 샘플링 비율을 유지하도록 설정된 전자 장치.
- 전자 장치의 동작 방법에 있어서,부품 입력 데이터에 기반하여 AI 예측 모델을 생성하는 동작;상기 AI 예측 모델에 따라 실패 결과 데이터를 획득하는 동작;상기 실패 결과 데이터에 따라 정상 결과 데이터를 획득하는 동작; 및상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함하는 방법.
- 제11항에 있어서,상기 통신 모듈을 통해 상기 부품 입력 데이터, 상기 실패 결과 데이터, 또는 상기 정상 결과 데이터 중 적어도 하나를 서버로 전송하는 동작; 및상기 서버로부터 상기 AI 예측 모델을 수신하는 동작을 더 포함하는 방법.
- 제11항에 있어서, 상기 정상 결과 데이터를 획득하는 동작은,상기 실패 결과 데이터의 수가 기준치 이하인 경우, 설정된 비율에 따라 상기 정상 결과 데이터를 획득하는 동작; 및상기 실패 결과 데이터의 수가 기준치를 초과하는 경우, 상기 정상 결과 데이터의 추출 비율을 변경하고, 변경된 추출 비율에 따라 상기 정상 결과 데이터를 획득하는 동작을 포함하는 방법.
- 제11항에 있어서, 상기 업데이트하는 동작은,상기 AI 예측 모델에 의해 정상으로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터에 기반하여 상기 AI 예측 모델을 업데이트하는 동작을 포함하는 방법.
- 제11항에 있어서, 상기 정상 결과 데이터를 획득하는 동작은,상기 AI 예측 모델에 의해 실패로 예측되고, 실제 테스트 결과 실패로 판단된 실패 결과 데이터가 존재하는 경우, 설정된 샘플링 비율에 따라 정상 결과 데이터를 획득하는 동작을 포함하는 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US18/421,475 US20240241513A1 (en) | 2021-07-30 | 2024-01-24 | Method and apparatus for updating predictive model predicting product failure |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210100878A KR20230018869A (ko) | 2021-07-30 | 2021-07-30 | 제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치 |
KR10-2021-0100878 | 2021-07-30 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
US18/421,475 Continuation US20240241513A1 (en) | 2021-07-30 | 2024-01-24 | Method and apparatus for updating predictive model predicting product failure |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023008732A1 true WO2023008732A1 (ko) | 2023-02-02 |
Family
ID=85087425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2022/008209 WO2023008732A1 (ko) | 2021-07-30 | 2022-06-10 | 제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240241513A1 (ko) |
KR (1) | KR20230018869A (ko) |
WO (1) | WO2023008732A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150014273A (ko) * | 2013-07-29 | 2015-02-06 | 현대오토에버 주식회사 | 부품품질 모니터링시스템의 운용방법 |
KR101930420B1 (ko) * | 2015-05-27 | 2018-12-19 | 내셔날 쳉쿵 유니버시티 | 샘플링 비율 결정 기법에 의한 계측 샘플링 방법 및 그 컴퓨터 프로그램 제품 |
US20180373233A1 (en) * | 2017-06-27 | 2018-12-27 | Fanuc Corporation | Failure predicting apparatus and machine learning device |
KR102171807B1 (ko) * | 2018-12-06 | 2020-10-29 | 주식회사 넥투비 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
KR20210022278A (ko) * | 2019-08-20 | 2021-03-03 | 삼성전자주식회사 | 적외선 카메라를 이용한 불량 부품 검출 장치 및 방법 |
-
2021
- 2021-07-30 KR KR1020210100878A patent/KR20230018869A/ko active Search and Examination
-
2022
- 2022-06-10 WO PCT/KR2022/008209 patent/WO2023008732A1/ko active Application Filing
-
2024
- 2024-01-24 US US18/421,475 patent/US20240241513A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150014273A (ko) * | 2013-07-29 | 2015-02-06 | 현대오토에버 주식회사 | 부품품질 모니터링시스템의 운용방법 |
KR101930420B1 (ko) * | 2015-05-27 | 2018-12-19 | 내셔날 쳉쿵 유니버시티 | 샘플링 비율 결정 기법에 의한 계측 샘플링 방법 및 그 컴퓨터 프로그램 제품 |
US20180373233A1 (en) * | 2017-06-27 | 2018-12-27 | Fanuc Corporation | Failure predicting apparatus and machine learning device |
KR102171807B1 (ko) * | 2018-12-06 | 2020-10-29 | 주식회사 넥투비 | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 |
KR20210022278A (ko) * | 2019-08-20 | 2021-03-03 | 삼성전자주식회사 | 적외선 카메라를 이용한 불량 부품 검출 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20230018869A (ko) | 2023-02-07 |
US20240241513A1 (en) | 2024-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022055068A1 (ko) | 음성에 포함된 커맨드를 확인하는 전자 장치와 이의 동작 방법 | |
WO2021020711A1 (ko) | 불량을 예측하는 전자 장치 및 그 전자 장치의 제어 방법 | |
WO2022239976A1 (ko) | 온도 센서를 포함하는 전자 장치 및 방법 | |
WO2023008732A1 (ko) | 제품의 불량을 예측하는 예측 모델 업데이트 방법 및 장치 | |
WO2023008724A1 (ko) | 전자 장치 및 전자 장치의 동작 방법 | |
WO2023058860A1 (ko) | 멀티 서명된 apk 파일을 처리하는 전자 장치 및 그 동작 방법 | |
WO2022114648A1 (ko) | 배경 화면을 설정하기 위한 전자 장치 및 그의 동작 방법 | |
WO2022154271A1 (ko) | 전자 장치의 불량을 검출하기 위한 테스트를 수행하는 전자 장치 및 전자 장치에서 전자 장치의 불량을 검출하기 위한 테스트를 수행하는 방법 | |
WO2023096135A1 (ko) | 위치에 기반한 사용자 액션 추천 방법 및 전자 장치 | |
WO2022075621A1 (ko) | 전자 장치 및 전자 장치의 동작 방법 | |
WO2023080625A1 (ko) | 휘발성 메모리의 구동 전압을 조정하는 전자 장치와 이의 동작 방법 | |
WO2023068694A1 (ko) | 전자 장치 및 전자 장치의 케이블 연결 회로 검사 방법 | |
WO2023080624A1 (ko) | 휘발성 메모리의 동작을 제어하는 전자 장치와 이의 동작 방법 | |
WO2024215005A2 (ko) | 이동 방향을 식별하는 전자 장치 및 그 동작 방법 | |
WO2024005313A1 (ko) | 전자 장치의 학습 모델을 갱신하는 서버 및 그의 동작 방법 | |
WO2023163341A1 (ko) | 터치 입력의 인식 감도를 조정하는 방법 및 이를 수행하는 전자 장치 | |
WO2024162724A1 (ko) | 외기 온도를 예측하는 방법 및 전자 장치 | |
WO2022255621A1 (ko) | 반도체 부품의 결함 검출을 위한 전자 장치 및 이의 제어 방법 | |
WO2024058615A1 (ko) | 신경 처리부를 포함하는 전자 장치 및 그 동작 방법 | |
WO2023113211A1 (ko) | 기지국이 전송하는 신호의 빔 포밍 패턴을 결정하는 장치 및 방법 | |
WO2022203374A1 (ko) | 음성 어시스턴트 서비스 제공 방법 및 이를 지원하는 전자 장치 | |
WO2023075153A1 (ko) | 통신 모듈을 식별하기 위한 구성 핀을 이용하여 안테나 장치를 제어하는 전자 장치 및 방법 | |
WO2023054913A1 (ko) | 포스 터치를 확인하는 전자 장치와 이의 동작 방법 | |
WO2023085822A1 (ko) | 디바이스 위치 결정 방법 및 상기 방법을 수행하는 전자 장치 | |
WO2022098004A1 (ko) | 통신 연결을 통하여 데이터를 전송하는 전자 장치와 이의 동작 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22849711 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: 22849711 Country of ref document: EP Kind code of ref document: A1 |