KR102243275B1 - 오프라인 오브젝트에 관한 콘텐츠 자동 생성 방법, 장치 및 컴퓨터 판독가능 저장 매체 - Google Patents

Abstract

일 실시예에 따르는 콘텐츠 자동 생성 장치로서, 오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하도록 구성되는 콘텐츠 수집 모듈; 복수의 인공지능 유닛(Artificial Intelligence Unit; AI 유닛)을 포함하고, 상기 오프라인 오브젝트의 복수의 요소에 대한 복수의 콘텐츠 요소를 생성하도록 구성되는 콘텐츠 요소 생산 모듈로서, 상기 복수의 AI 유닛은 제1 AI 유닛 및 제2 AI 유닛을 포함하고, 상기 제1 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제1 요소를 학습하고 상기 제1 요소에 대한 제1 콘텐츠 요소를 생성하도록 구성되고, 제2 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제2 요소를 학습하고 상기 제2 요소에 대한 제2 콘텐츠 요소를 생성하도록 구성되고, 상기 오프라인 오브젝트의 상기 제1 요소와 상기 제2 요소는 상이한 것인, 콘텐츠 요소 생산 모듈; 및 상기 콘텐츠 요소 생산 모듈로부터 상기 제1 콘텐츠 요소 및 상기 제2 콘텐츠 요소를 포함하는 복수의 콘텐츠 요소를 수신하고, 상기 복수의 콘텐츠 요소 중 적어도 일부를 조합하고, 상기 조합을 이용하여, 상기 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성하도록 구성되는 재생산 콘텐츠 생성 모듈을 포함할 수 있다. 그 밖의 다양한 실시예가 가능하다.

Description

오프라인 오브젝트에 관한 콘텐츠 자동 생성 방법, 장치 및 컴퓨터 판독가능 저장 매체{METHOD, DEVICE AND COMPUTER READABLE STORAGE MEDIUM FOR AUTOMATICALLY GENERATING CONTENT REGARDING OFFLINE OBJECT}

본 개시는 오프라인 오브젝트에 관한 콘텐츠 자동 생성 방법, 장치 및 컴퓨터 판독가능 저장 매체에 관한 것이다. 보다 구체적으로, 본 개시는 장소, 상품 및 사람에 관한 기존 콘텐츠를 활용하여 인공 신경망 기반으로 콘텐츠를 자동으로 생성하는 방법, 장치 및 컴퓨터 판독가능 저장 매체에 관련된다.

여기에서 달리 언급하지 않으면 본 섹션에서 기술되는 내용은 본 출원에서의 청구범위의 선행 기술이 아니며, 본 섹션에 기재하였다는 이유로 선행 기술로 인정되어서는 안 된다.

스마트폰의 광범위한 보급, 소셜 미디어 네트워크의 성장, 콘텐츠 제작 도구의 개인화 등으로 다양한 온라인 콘텐츠가 범람하고 있으며, 현대인은 하루에도 끊임없이 수많은 온라인 콘텐츠를 검색하고 접하고 있다. 이러한 시장의 변화에 따라 기존에 발행된 온라인 콘텐츠의 일부 또는 전체를 재활용하는 응용서비스 개발이 시도되고 있다.

하지만, 온라인 콘텐츠를 단순히 재배포하는 수준을 벗어나기 힘들고, 이미지를 재활용하는 경우 타인의 저작권을 침해할 여지가 있다. 또한 동일한 오프라인 콘텐츠에 대한 온라인 콘텐츠의 범람으로 콘텐츠 소비자는 신뢰성 있는 정보를 제공받지 못한다는 문제점도 내포하고 있다.

이처럼, 기존에 발행된 온라인 콘텐츠를 수집하고 이를 기초로 새로운 온라인 콘텐츠를 생성하되 저작권 침해의 위험이 없는 이미지를 포함한 향상된 품질의 콘텐츠를 재생산하여 제공하는 서비스 개발이 요구된다.

일 실시예에 따르는 콘텐츠 자동 생성 장치로서, 오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하도록 구성되는 콘텐츠 수집 모듈; 복수의 인공지능 유닛(Artificial Intelligence Unit; AI 유닛)을 포함하고, 상기 오프라인 오브젝트의 복수의 요소에 대한 복수의 콘텐츠 요소를 생성하도록 구성되는 콘텐츠 요소 생산 모듈로서, 상기 복수의 AI 유닛은 제1 AI 유닛 및 제2 AI 유닛을 포함하고, 상기 제1 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제1 요소를 학습하고 상기 제1 요소에 대한 제1 콘텐츠 요소를 생성하도록 구성되고, 제2 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제2 요소를 학습하고 상기 제2 요소에 대한 제2 콘텐츠 요소를 생성하도록 구성되고, 상기 오프라인 오브젝트의 상기 제1 요소와 상기 제2 요소는 상이한 것인, 콘텐츠 요소 생산 모듈; 및 상기 콘텐츠 요소 생산 모듈로부터 상기 제1 콘텐츠 요소 및 상기 제2 콘텐츠 요소를 포함하는 복수의 콘텐츠 요소를 수신하고, 상기 복수의 콘텐츠 요소 중 적어도 일부를 조합하고, 상기 조합을 이용하여, 상기 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성하도록 구성되는 재생산 콘텐츠 생성 모듈을 포함할 수 있다.

일 실시예에 따르면, 상기 콘텐츠 자동 생성 장치는, 상기 오프라인 오브젝트에 관한 입력을 수신하는 입력 모듈을 더 포함하고, 상기 콘텐츠 수집 모듈은 상기 입력에 기초하여, 복수의 온라인 콘텐츠를 수집하도록 구성될 수 있다.

일 실시예에 있어서, 상기 콘텐츠 요소 생산 모듈은 상기 입력에 기초하여, 상기 오프라인 오브젝트에 대응하는 요소 플랜을 결정하고, 결정된 요소플랜에 따라 상기 복수의 콘텐츠 요소를 생성하도록 구성될 수 있다.

일 실시예에 있어서, 상기 제1 AI 유닛은 복수의 제1 서브 AI 유닛을 포함하고, 상기 복수의 제1 서브 AI 유닛은 상기 제1 요소의 복수의 제1 서브 요소를 학습하여 복수의 제1 서브 콘텐츠 요소를 생성하고, 상기 제1 요소 AI 유닛은 상기 복수의 제1 서브 콘텐츠 요소를 조합함으로써, 상기 제1 요소에 대한 제1 콘텐츠 요소를 생성하도록 구성될 수 있다.

일 실시예에 있어서, 상기 제1 요소는 상기 오프라인 오브젝트에 대한 이미지이고, 상기 복수의 제1 서브 요소 각각은 상기 오프라인 오브젝트의 일부에 관련되고, 상기 제1 AI 유닛은 상기 복수의 온라인 콘텐츠로부터 상기 오프라인 오브젝트에 대한 복수의 이미지를 추출하도록 구성되고, 복수의 제1 서브 AI 유닛 각각은 상기 추출된 복수의 이미지로부터 상기 복수의 제1 서브 요소 중 해당하는 것을 학습하여, 제1 서브 콘텐츠 요소를 생성하고, 상기 제1 AI 유닛은 생성된 복수의 제1 서브 콘텐츠 요소를 조합하고 가공하여, 상기 오프라인 오브젝트에 대한 이미지인 상기 제1 콘텐츠 요소를 생성하도록 구성될 수 있다.

일 실시예에 있어서, 상기 복수의 온라인 콘텐츠는 상기 오프라인 오브젝트에 대한 이미지이고, 상기 재생산 콘텐츠 생성 모듈은 상기 오프라인 오브젝트에 대한 이미지인 상기 재생산 콘텐츠를 생성하도록 구성될 수 있다.

일 실시예에 있어서, 상기 재생산 콘텐츠 생성 모듈은 상기 재생산 콘텐츠의 완성도를 연산하고, 연산 결과에 대한 피드백을 상기 재생산 콘텐츠 생성 모듈의 입력으로 반환하는 검증 모듈을 포함할 수 있다.

일 실시예에 있어서, 상기 재생산 콘텐츠 생성 모듈에 의해 생성된 상기 재생산 콘텐츠를 상기 복수의 온라인 콘텐츠 각각 사이의 유사도를 연산하는 검증 모듈을 더 포함할 수 있다.

일 실시예에 따르는 컴퓨팅 장치의 제어 하에 수행되는 콘텐츠 자동 생성 방법으로서, 상기 컴퓨팅 장치는 복수의 인공지능 유닛(Artificial Intelligence Unit; AI 유닛)을 포함하고, 상기 콘텐츠 자동 생성 방법은, 오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하는 단계; 상기 복수의 온라인 콘텐츠에 기초하여, 복수의 AI 유닛에 의해, 복수의 콘텐츠 요소를 생성하는 단계 - 상기 복수의 AI 유닛 각각은 상기 오프라인 오브젝트에 관련된 미리 정해진 요소에 대하여, 상기 복수의 온라인 콘텐츠를 학습하고, 상기 학습의 결과에 기초하여, 상기 미리 정해진 요소에 대한 콘텐츠 요소를 생성하고, 여기서, 상기 복수의 AI 유닛이 학습하는 미리 정해진 요소는 서로 다름 -; 상기 복수의 콘텐츠 요소 중 적어도 일부를 조합하는 단계; 및 상기 조합의 결과에 기초하여, 상기 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성하는 단계를 포함할 수 있다.

일 실시예에 따르는 오프라인 오브젝트에 관한 콘텐츠를 자동으로 생성하기 위하여, 컴퓨터 판독가능 기록 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 실행되면, 복수의 인공지능 유닛(Artificial Intelligence Unit; AI 유닛)을 포함하는 컴퓨팅 장치로 하여금, 오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하는 동작; 상기 복수의 온라인 콘텐츠에 기초하여, 복수의 AI 유닛에 의해, 복수의 콘텐츠 요소를 생성하는 동작 - 상기 생성하는 동작에서, 상기 컴퓨팅 장치는 상기 복수의 AI 유닛 각각으로 하여금 상기 오프라인 오브젝트에 관련된 미리 정해진 요소에 대하여, 상기 복수의 온라인 콘텐츠를 학습하고, 상기 학습의 결과에 기초하여, 상기 미리 정해진 요소에 대한 콘텐츠 요소를 생성하도록 하며, 여기서, 상기 복수의 AI 유닛이 학습하는 미리 정해진 요소는 서로 다름 -; 상기 복수의 콘텐츠 요소 중 적어도 일부를 조합하는 동작; 및 상기 조합의 결과에 기초하여, 상기 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성하는 동작을 실행가능하도록 하는 하나 이상의 컴퓨터 실행가능 명령어를 포함할 수 있다.

이상의 간단한 요약 및 효과에 관한 설명은 단순히 예시적인 것으로서 본 개시에서 의도한 기술적 사항을 제한하기 위한 것이 아니다. 이하의 상세한 설명과 첨부된 도면을 참조함으로써, 전술한 예시적인 실시예들과 기술적 특징들에 더하여, 추가적인 실시예와 기술적 특징들이 이해될 수 있을 것이다.

앞서 설명한 본 개시의 특징들과 기타 추가적인 특징들에 대해서는 첨부된 도면을 참조하여 이하에서 자세하게 설명한다. 이러한 도면들은 본 개시에 따르는 단지 몇 가지의 실시예만을 도시한 것이며, 본 개시의 기술적 사상의 범위를 제한하는 것으로 간주되어서는 안 된다. 본 개시의 기술적 사상은 첨부된 도면을 사용하여 더 구체적이고 상세하게 기술될 것이다.
도 1은 일 실시예에 오프라인 오브젝트에 관한 콘텐츠를 생성하기 위한 시스템을 나타낸 블록도이다.
도 2는 다양한 실시예에 따른, 오프라인 오브젝트에 관한 콘텐츠를 생성하기 위해 이용되는 요소 플랜과 요소에 관한 정보가 요소 데이터베이스에 저장된 예시적인 형태를 나타낸 도면이다.
도 3은 다양한 실시예에 따른, 오프라인 오브젝트에 관한 콘텐츠를 생성하는 콘텐츠 자동생성 플랫폼을 나타낸 블록도이다.
도 4는 콘텐츠 요소 생산 모듈(112)의 요소 AI 유닛이 이미지를 생성하는 기법을 설명하기 위한 블록도이다.
도 5는 콘텐츠 요소 생산 모듈의 요소 유닛이 이미지를 생성하는 과정을 개념적으로 도시한다.
도 6은 오프라인 오브젝트에 대한 재생산 콘텐츠가 사용자에게 제공되는 일 예를 도시한다.
도 7은 본 개시의 적어도 일부 실시예에 따라, 오프라인 오브젝트에 관한 온라인 콘텐츠를 생성하기 위한 일 예시적인 프로세스를 나타내는 흐름도이다.
도 8은 본 개시의 적어도 일부 실시예에 따라, 오프라인 오브젝트에 관한 콘텐츠를 생성하기 위해 이용될 수 있는 예시적인 컴퓨터 프로그램 제품을 도시한다.

이하, 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 구현예 및 실시예를 상세히 설명한다. 그러나, 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 구현예 및 실시예에 한정되지 않는다.

도 1은 일 실시예에 따른 오프라인 오브젝트에 관한 콘텐츠를 자동 생성하기 위한 인공 지능 (artificial intelligence) 시스템을 나타낸 블록도이다.

도 1을 참조하면, 일 실시예의 인공 지능 시스템(10)은 지능형 서버(100), 사용자 장치(200)를 포함할 수 있다.

일 실시예의 지능형 서버(100)는 콘텐츠 자동생성 플랫폼(110), 요소 데이터베이스(element DB)(120), 프론트 엔드(front end)(130), 빅 데이터 플랫폼(big data platform)(140), 또는 분석 플랫폼(analytic platform)(150)을 포함할 수 있다.

일 실시예의 지능형 서버(100)는 통신망을 통해 사용자 장치(200)로부터 오프라인 오브젝트에 관한 콘텐츠의 생성을 요청하는 신호와 사용자 장치(200)와 관련된(예: 상태 정보)를 수신할 수 있다. 오프라인 오브젝트에 관한 콘텐츠의 생성을 요청하는 신호는 오프라인의 명칭과 오프라인 오브젝트의 성격(예: 관광지, 장소, 상품, 음식점, 사람 등)을 포함할 수 있다.

일 실시예의 콘텐츠 자동생성 플랫폼(110)은 상기 사용자 입력에 따른 오프라인 오브젝트에 관한 콘텐츠를 생성하고, 생성된 자동생성 콘텐츠를 출력할 수 있다. 콘텐츠 자동생성 플랫폼(110)은 요청된 대상인 오프라인 오브젝트에 관한 콘텐츠를 생성할 때, 오프라인 오브젝트의 성격에 대응하는 요소 플랜을 이용할 수 있다. 요소 플랜이란 콘텐츠를 구성하는 요소들, 및 요소들 사이의 관계를 단계적(또는, 계층적)으로 나타낸 데이터 구조를 나타낼 수 있다. 따라서, 콘텐츠 자동생성 플랫폼(110)은 위해 요소 플랜을 생성하여 이용하거나 생성된 요소 플랜을 이용할 수 있다. 요소 플랜 및 요소 플랜에 포함된 각각의 요소들은 요소 데이터베이스(120)에 저장될 수 있다.

출력된 자동생성 콘텐츠는 프론트 엔드(130)를 통해 사용자 장치(200)로 송신될 수 있다. 이에 따라, 사용자 장치(200)는 상기 자동생성 콘텐츠를 수신하고, 상기 수신된 자동생성 콘텐츠를 사용자에게 제공할 수 있다.

일 실시예의 콘텐츠 자동생성 플랫폼(110)은 지능형 서버(100)에서 이용되는 정보를 관리할 수 있다. 일 실시예의 콘텐츠 자동생성 플랫폼(110)은 오프라인 오브젝트에 관한 데이터를 수집할 수 있다. 빅데이터 플랫폼(140)은 수집된 오프라인 오브젝트에 관한 콘텐츠, 및 오프라인 오브젝트와 이에 대한 콘텐츠 자동생성을 요청한 사용자 정보가 연관된 정보를 저장할 수 있다. 그 밖에 콘텐츠 자동생성 서비스를 제공하기 위한 다양한 정보들을 수집하고 저장할 수 있다. 일 실시예의 분석 플랫폼(140)을 지능형 서버(100)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(150)은 지능형 서버(100)의 구성 요소 및 처리 속도(또는, 효율성)를 관리할 수 있다.

일 실시예의 지능형 서버(100)는 콘텐츠 자동생성 플랫폼(110)에 의해 생성된 재생산 콘텐츠를 사용자 장치(200)로 송신하거나, 재생산 콘텐츠를 사용자 장치(200)로 송신할 수 있다. 일 실시예에 따르면, 사용자 장치(200)는 재생산 콘텐츠를 디스플레이와 같은 출력 장치(230)에 표시할 수 있다. 일 실시예에 따르면, 사용자 장치(200)는 재생산 콘텐츠를 앱(251)을 통해 출력 장치(230)에 출력하여 제공할 수 있다. 앱(251)은 제공을 위해 재생산 콘텐츠를 다시 가공할 수 있다.

일 실시예의 프론트 엔드(130)는 사용자 장치(200)로부터 수신된 사용자 입력을 수신할 수 있다. 프론트 엔드(130)는 상기 사용자 입력(예: ‘광화문’에 대한 콘텐츠 재생 요청’)에 대응되는 응답(예: ‘광화문’에 대한 자동생성 콘텐츠)을 송신할 수 있다.

일 실시예의 사용자 장치(200)는, 인터넷에 연결 가능한 단말 장치(또는, 전자 장치)일 수 있으며, 예를 들어, 휴대폰, 스마트폰, PDA(personal digital assistant), 노트북 컴퓨터, TV, 백색 가전, 웨어러블 장치, HMD, 또는 스마트 스피커일 수 있다.

도시된 실시예에 따르면, 사용자 장치(200)는 통신 인터페이스(210), 프로세서(220), 디스플레이 및 스피커를 포함한 출력 장치(230), 마이크 및 디스플레이에 대한 사용자 입력을 감지하는 터치 센서를 포함한 입력 장치(240), 또는 메모리(250)를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.

일 실시예의 통신 인터페이스(210)는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다. 일 실시예의 입력 장치(240)에 포함된 마이크는 소리(예: 사용자 발화)를 수신하여, 전기적 신호로 변환할 수 있다. 일 실시예의 출력 장치(230)에 포함된 스피커는 전기적 신호를 소리(예: 음성)으로 출력할 수 있다. 일 실시예의 출력 장치(230)에 포함된 디스플레이는 이미지 또는 비디오를 표시하도록 구성될 수 있다. 일 실시예의 디스플레이는 또한 실행되는 앱(app)(또는, 어플리케이션 프로그램(application program))의 그래픽 사용자 인터페이스(graphic user interface)(GUI)를 표시할 수 있다.

일 실시예의 메모리(250)는 적어도 하나 이상의 앱(251), SDK(software development kit)(252) 및 클라이언트 모듈(254)을 저장할 수 있다. 상기 클라이언트 모듈(253), 및 SDK(252)는 범용적인 기능을 수행하기 위한 프레임워크(framework)(또는, 솔루션 프로그램)를 구성할 수 있다. 또한, 클라이언트 모듈(253) 또는 SDK(252)는 다양한 사용자의 입력을 처리하기 위한 프레임워크를 구성할 수 있다.

일 실시예의 메모리(250)의 상기 복수의 앱(251)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 일 실시예에 따르면, 복수의 앱(251)은 제1 앱(251-1), 제2 앱(251-2)을 포함할 수 있다. 일 실시예에 따르면, 복수의 앱(251) 각각은 지정된 기능을 수행하기 위한 복수의 동작들을 포함할 수 있다. 예를 들어, 상기 복수의 앱은, 여행 가이드 앱, 음식점 가이드 앱, 알람 앱, 메시지 앱, 및/또는 스케줄 앱을 포함할 수 있다. 일 실시예에 따르면, 복수의 앱(251)은 프로세서(220)에 의해 실행되어 상기 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.

일 실시예의 프로세서(220)는 사용자 장치(200)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(220)는 통신 인터페이스(210), 출력 장치(230), 및 입력 장치(240)와 전기적으로 연결되어 지정된 동작을 수행할 수 있다.

일 실시예의 프로세서(220)는 또한 상기 메모리(250)에 저장된 프로그램을 실행시켜 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(220)는 클라이언트 모듈(253) 또는 SDK(252) 중 적어도 하나를 실행하여, 사용자 입력을 처리하기 위한 이하의 동작을 수행할 수 있다. 프로세서(220)는, 예를 들어, SDK(252)를 통해 복수의 앱(251)의 동작을 제어할 수 있다. 클라이언트 모듈(253) 또는 SDK(252)의 동작으로 설명된 이하의 동작은 프로세서(220)의 실행에 의한 동작일 수 있다.

일 실시예의 클라이언트 모듈(253)은 사용자 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(253)은 입력 장치(240)를 통해 감지된 사용자 입력(예: ‘광화문’에 대한 콘텐츠 재생산을 요청하는 사용자 발화 또는 터치 센서에 대한 입력)에 대응되는 신호를 수신할 수 있다. 상기 클라이언트 모듈(253)은 수신된 사용자 입력에 대응하는 신호를 지능형 서버(100)로 송신할 수 있다. 클라이언트 모듈(253)은 수신된 음성 입력과 함께, 사용자 장치(200)의 상태 정보를 지능형 서버(100)로 송신할 수 있다. 상기 상태 정보는, 예를 들어, 사용자 장치(200)의 위치, 사용 언어, 앱의 실행 상태 정보일 수 있다.

일 실시예의 클라이언트 모듈(253)은 지능형 서버(100)에 송신한 사용자 입력을 나타내는 신호에 대응되는 결과를 수신할 수 있다. 예를 들어, 클라이언트 모듈(253)은 지능형 서버(100)에서 산출된 상기 사용자 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(253)은 상기 수신된 결과를 출력 장치(예: 디스플레이)에 표시할 수 있다.

일 실시예에 따르면, 클라이언트 모듈(253)은, 지능형 서버(100)에서 사용자 입력 대응되는 결과를 산출하기 위해 필요한 정보를 요청하는 신호를 수신할 수 있다. 일 실시예에 따르면, 클라이언트 모듈(253)은 상기 요청하는 신호에 대응하여 필요한 정보를 수집하고 이를 지능형 서버(100)로 송신할 수 있다.

위에 기술된 콘텐츠 자동생성 시스템(10)에서, 상기 사용자 장치(200)는, 사용자 입력에 응답하여 사용자에게 오프라인 오브젝트에 관한 콘텐츠 서비스를 제공할 수 있다. 상기 사용자 입력은, 예를 들어, 물리적 버튼을 통한 입력, 터치 입력 또는 음성 입력을 포함할 수 있다.

일 실시예에 따르면, 지능형 서버(100)(또는, 콘텐츠 자동생성 플랫폼(110))는 수신된 사용자 입력과 대응되는 콘텐츠 자동생성을 수행하기 위한 일련의 요소 플랜을 생성, 갱신, 및/또는 선택할 수 있다.

일 실시예에 따르면, 요소 플랜은 인공 지능(artificial intelligent)(AI) 시스템에 의해 생성될 수 있다. 인공지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neual network-based system)(예: 피드포워드 신경망(feedforward neural network(FNN)), 순환 신경망(recurrent neural network(RNN)), 생성적 적대 신경망(Generative Adversarial Networks(GAN)) 일 수도 있다. 또는, 전술한 것의 조합 또는 이와 다른 인공지능 시스템일 수도 있다. 일 실시예에 따르면, 요소 플랜은 미리 정의된 요소 플랜의 집합에서 선택될 수 있거나, 사용자 요청에 응답하여 실시간으로 생성될 수 있다. 예를 들어, 인공지능 시스템은 미리 정의된 복수의 요소 플랜 중 적어도 하나를 선택할 수 있다. 이하에서 요소 플랜에 대해 구체적으로 살펴보도록 한다.

도 2는 다양한 실시예에 따른, 오프라인 오브젝트에 관한 콘텐츠를 생성하기 위해 이용되는 요소 플랜과 요소에 관한 정보가 요소 데이터베이스에 저장된 예시적인 형태를 나타낸 도면이다. 일 실시예에 따른 요소 데이터베이스(120)는 오프라인 오브젝트의 성격에 대응하는 요소 플랜 및 요소 플랜에 포함되는 복수의 요소를 저장할 수 있다.

요소 플랜이란 콘텐츠를 구성하는 복수의 요소, 및 복수의 요소 사이의 관계를 단계적(또는, 계층적)으로 나타낸 데이터 구조를 나타낼 수 있다. 복수의 요소는 제1 요소, 제2 요소를 포함할 수 있다. 제1 요소는 제1-1 요소 및 제1-2 요소를 하위 개념으로 포함할 수 있고, 제1-1 요소는 제1-1-1 요소 및 제1-1-2 요소를 하위 개념으로 포함할 수 있다. 일 실시예에 따르면 요소 플랜은 각각의 요소들 사이의 연관 정보(예: 온톨로지(ontology))를 더 포함할 수 있다.

요소 플랜에 대하여 오프라인 콘텐츠를 일 예를 상정하여 설명하기로 한다. 예를 들어, 오프라인 오브젝트는 ‘관광지’, ‘음식점’, ‘쇼핑’, ‘문화’와 같이 성격에 따라 분류될 수 있고, 각각에 성격에 맞는 요소 플랜에 미리 저장되어 있을 수 있다.

도 2를 참조하면, 사용자가 임의의 음식점(오프라인 오브젝트)에 관한 콘텐츠의 생성을 요청하는 경우, 요청된 오프라인 오브젝트에 대해서 ‘음식점’에 대응되는 요소 플랜이 이용될 수 있다. ‘음식점’에 대한 콘텐츠는 사진(제1 요소), 서비스(제2 요소)로 분류될 수 있고, 사진(제1 요소)은 외부 사진(제1-1 요소)과 내부 사진(제1-2 요소)로 구체적으로 분류될 수 있다. 또한, 제2 요소(서비스)는 제2-1 요소(영업 시간), 제2-2 요소(대표 메뉴) 및 제2-3 요소(사용자 평점)으로 구체적으로 분류될 수 있으며, 제2-2 요소(대표 메뉴)는 제2-2-1 요소(대표 메뉴에 대한 사진)과 제2-2-2 요소(대표 메뉴의 가격)으로 더 구체적으로 분류될 수 있다.

다른 예를 들면, 오프라인 오브젝트의 성격이 '장소'인 경우에, 요소 및 서브 요소는 해당 장소의 이미지, 해당 장소의 영상, 이용요금, 이용시간, 주소, 전화번호, 해당 장소에서 이용할 수 있는 서비스명 등을 포함할 수 있다. 또 다른 예를 들면, 오프라인 오브젝트의 성격이 '상품'인 경우, 요소 및 서브 요소는 상품의 이미지, 상품의 영상, 상품의 가격, 상품의 최저가격, 상품의 종류, 상품의 유효기간, 상품의 품질보증기한, 상품의 원산지, 상품의 제조사 등을 포함할 수 있다. 또 다른 예를 들어 오프라인 오브젝트의 성격이 '사람'인 경우, 요소 및 서브 요소는 해당 사람의 이미지, 해당 사람의 영상, 나이, 종교, 직업, 거주지 등을 포함할 수 있다.

다른 실시예에서 지능형 서버(100)는 미리 데이터베이스(120)에 저장되어 있는 복수의 요소 플랜 중 하나를 선택할 수 있다. 또 다른 실시예에서 지능형 서버(100)는 미리 저장되어 있던 요소 플랜을 업데이트(update)할 수 있다. 요소 플랜의 업데이트는 개발자 툴(developer tool)에 의해 수행될 수도 있다. 지능형 서버(100)는 상기 요소 플랜을 업데이트하기 위한 요소 상기 개발자 툴을 포함할 수 있다. 개발자는 상기 개발자 툴을 이용하여 의해 수동으로 요소 플랜을 업데이트 하거나, 콘텐츠 자동생성 플랫폼(110)이 요소 플랜을 생성 또는 업데이트하는 기준을 결정할 수 있다.

또다른 실시예에서 사용자에 의해 수동으로 생성될 수 있다. 콘텐츠 생성이 요청된 오프라인 콘텐츠에 관한 요소 플랜이 데이터베이스(120)에 저장되지 않은 경우에 지능형 서버(100)는 사용자에게 요소 플랜의 작성을 요청할 수도 있다.

도 3은 다양한 실시예에 따른, 오프라인 오브젝트에 관한 콘텐츠를 생성하는 콘텐츠 자동생성 플랫폼을 나타낸 블록도이다.

콘텐츠 자동생성 플랫폼(110)은 오프라인 오브젝트에 대한 온라인 콘텐츠의 자동생성의 요청을 받는 경우, 오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하고, 수집된 복수의 온라인 콘텐츠에 기초하여 오프라인 오브젝트에 관한 복수의 콘텐츠 요소를 생성하며, 생성된 복수의 콘텐츠 요소를 조합하여 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성할 수 있다. 따라서, 도 3을 참조하면 일 실시예의 콘텐츠 자동생성 플랫폼(110)은 콘텐츠 수집 모듈(111), 콘텐츠 요소 생산 모듈(112) 및 재생산 콘텐츠 생성 모듈(113)을 포함할 수 있다. 콘텐츠 자동생성 플랫폼(110)은 검증 모듈(114)을 더 포함할 수 있다.

일 실시예에서, 콘텐츠 수집 모듈(111)은 오프라인 오브젝트에 관한 콘텐츠를 수집할 수 있다. 콘텐츠 수집 모듈(111)은 오프라인 오브젝트에 관한 콘텐츠를 지능형 서버(100)에 포함된 빅데이터 플랫폼(140)에서 수집하거나 네트워크를 통해 직접 수집할 수 있다. 일 실시예에서 오프라인 오브젝트에 대한 콘텐츠 재생산 요청이 입력되면, 해당 오프라인 오브젝트를 키워드로 하여 빅데이터 플랫폼(140)에 저장된 콘텐츠를 수집하거나, 네트워크를 통해 온라인 콘텐츠를 검색하고 수집할 수 있다.

일 실시예에서, 콘텐츠 수집 모듈(111)은 ‘오프라인 오브젝트’의 검색결과에 해당하는 인터넷 웹 페이지를 구성하는 HTML 코드를 파싱하여 HTML 코드 상에서 텍스트 입력과 연관된 태그를 통해 삽입되어 있는 텍스트들을 추출함으로써, 해당 웹 페이지 상에 존재하는 복수의 이미지 및 텍스트들을 추출할 수 있다. 또한, 콘텐츠 수집 모듈(111)은 상기 HTML 코드 상에 하이퍼링크 태그가 존재하는 경우, 상기 하이퍼링크 태그를 통해 링크되어 있는 서브 페이지에 접속하여 상기 서브 페이지의 HTML 코드로부터 텍스트 입력과 연관된 태그를 통해 삽입되어 있는 복수의 이미지 및 텍스트들도 함께 추출함으로써, 상기 웹 페이지 상에 존재하는 상기 복수의 이미지 및 텍스트들에 대한 추출을 수행할 수 있다.

예를 들어, 콘텐츠 수집 모듈(111)은 오프라인 오브젝트의 성격이 '장소'에 관한 것인 경우, 해당 장소에 대한 다양한 온라인 리뷰 및 블로그 콘텐츠를 수집할 수 있다. 다른 예를 들어, 콘텐츠 수집 모듈(111)은 오프라인 오브젝트의 성격이 '상품'에 관한 것인 경우, 해당 상품에 대한 다양한 온라인 리뷰 및 블로그 콘텐츠, 오픈 마켓에서 해당 상품에 관한 콘텐츠 등을 수집할 수 있다. 또다른 예를 들어, 콘텐츠 수집 모듈(111)은 오프라인 오브젝트의 성격이 '사람'에 관한 것인 경우, 해당 사람에 대한 SNS, USS, 홈페이지, 인물검색, 인물 백과 등을 더 수집할 수 있다.

일 실시예에서, 콘텐츠 요소 생산 모듈(112)은 콘텐츠 수집 모듈(111)이 수집한 복수의 이미지 및 텍스트들을 요소별로 구분하고 재생산할 수 있다. 복수의 이미지 및 텍스트들은 요소 플랜에 기초하여 구분될 수 있다.

일 실시예에서, 콘텐츠 요소 생산 모듈(112)은 요청된 오프라인 오브젝트의 성격에 따라 요소 플랜을 결정할 수 있다. 예를 들어, 콘텐츠 요소 생산 모듈(112)은 오프라인 오브젝트가 ‘광화문’인 경우 콘텐츠 요소 생산 모듈(112)은 ‘관광지’로서 설계된 요소 플랜을 이용할 수 있다. 다른 예를 들면, 콘텐츠 요소 생산 모듈(112)은 오프라인 오브젝트가 ‘광화문라면’ 인 경우 ‘음식점’으로서 설계된 요소 플랜을 이용할 수 있다. 도 2에서 요소 플랜이 ‘음식점’인 경우를 설명한 바 있다.

다른 실시예에서, 사용자가 오프라인 오브젝트를 입력할 때, 오프라인 오브젝트의 성격을 함께 입력할 수 있고, 콘텐츠 요소 생산 모듈(112)은 입력된 오프라인 오브젝트의 성격에 따라 요소 플랜을 결정할 수 있다.

또 다른 실시예에서, 콘텐츠 요소 생산 모듈(112)은 콘텐츠 수집 모듈(111)이 수집한 복수의 이미지와 텍스트에 기초하여 요소 플랜을 생성할 수 있다. 예를 들어, 콘텐츠 요소 생산 모듈(112)은 수집된 복수의 이미지와 텍스트에서 동일한 객체의 출연 횟수 등을 이용하여 핵심 키워드를 선별하고 이를 이용하여 요소 플랜을 생성할 수 있다.

콘텐츠 요소 생산 모듈(112)은 오프라인 오브젝트와 오프라인 오브젝트의 성격에 따라 결정된 요소 플랜을 이용하여, 콘텐츠 요소를 생성할 수 있다. 콘텐츠 요소 생산 모듈(112) 콘텐츠 요소는 요소 플랜의 각각의 요소들 및 서브 요소들에 대응되어 생성될 수 있다. 콘텐츠 요소 생산 모듈(112)은 요소 플랜의 각각의 요소들을 복수의 요소 AI 유닛 각각에 할당할 수 있다.

도 2 및 도 3 참조하면, 요청된 오프라인 오브젝트의 성격이 ‘음식점’인 경우, 제1 요소(사진)에 해당하는 콘텐츠 요소는 제1 요소 AI 유닛(112-1)에 의해 생성될 수 있고, 제2 요소(서비스)에 해당하는 콘텐츠 요소는 제2 요소 AI 유닛(112-2-)에 의해 생성될 수 있다. 도시되진 않았지만, 각각의 제1 요소 AI 유닛들은 서브 요소 AI 유닛들을 더 포함할 수 있고, 각각의 서브 요소 AI 유닛들은 서브 요소(예: 제1-1 요소, 제2-2-1 요소 등)에 해당하는 서브 콘텐츠 요소를 생성할 수 있다.

이를 위하여 콘텐츠 요소 생산 모듈(112)은 요소 플랜에 따라 수집된 복수의 이미지 및 텍스트를 분류할 수 있다. 각각의 요소 AI 유닛들(112-1, 112-2)은 분류된 복수의 이미지 및 텍스트를 이용하여 서브 콘텐츠 요소를 생성할 수 있다.

인공 지능(artificial intelligent)(AI) 시스템에 의해 생성될 수 있다. 인공지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neual network-based system)(예: 피드포워드 신경망(feedforward neural network(FNN)), 순환 신경망(recurrent neural network(RNN)), 생성적 적대 신경망(Generative Adversarial Networks(GAN)) 일 수도 있다. 또는, 전술한 것의 조합 또는 이와 다른 인공지능 시스템일 수도 있다.

이하, 요소 AI 유닛에 할당된 요소(콘텐츠)가 이미지인 경우 새로운 이미지를 생성하는 동작에 대해 설명하기로 한다. 요소 AI 유닛은 오프라인 오브젝트에 대한 수집된 이미지를 이용하여 학습하고 오프라인 오브젝트에 대한 이미지를 생성할 수 있는 생성 모델로서 기능할 수 있다. 요소 AI 유닛이 생성한 이미지의 사용은 수집된 이미지의 저작권을 침해하지 않을 수 있다.

도 4는 콘텐츠 요소 생산 모듈(112)의 요소 AI 유닛이 이미지를 생성하는 기법을 설명하기 위한 블록도이며, 도 5는 콘텐츠 요소 생산 모듈의 요소 유닛이 이미지를 생성하는 과정을 개념적을 나타낸다.

요소 AI 유닛이 이미지를 생성하는 것의 예로, 요소 AI 유닛은 이미지 변형(image translation)를 수행할 수 있다. 이미지 변형이란 흑백사진을 컬러사진으로, 간단한 일러스트를 구체적인 사진으로 만들어내는 등 사용자가 원하는 의도대로 이미지를 바꾸어 재생성하는 것이다.

도 4를 참조하여, 이미지를 재생성할 수 있는 요소 AI 유닛의 일 예로서 생성적 적대 신경망(Generative Adversarial Networks(GAN))의 이미지 재생성 기법을 살펴보도록 한다.

GAN은 생성기(Generator, 410)와 판별기(Discriminator, 420)로 두 네트워크를 적대적(Adversarial)으로 학습시키는 비지도 학습 기반 생성모델이다. 생성기(410)에는 입력 데이터가 입력되어 실제 이미지(411)와 유사한 가짜 이미지(412)를 만들어내도록 학습될 수 있다. 입력 데이터는 노이즈 값이 입력될 수 있다. 노이즈 값은 어떤 확률 분포를 따를 수 있다. 예컨대, 제로 평균 가우시안(Zero-Mean Gaussian)으로 생성된 데이터일 수 있다. 판별기(420)는 실제 이미지와 생성기(410)가 생성한 가짜 이미지를 판별하도록 학습할 수 있다. 보다 구체적으로, 실제 이미지(411)를 입력하면 높은 확률이 나오도록, 가짜 이미지(412)를 입력하면 확률이 낮아지도록 학습할 수 있다. 즉, 판별기(420)는 실제 이미지(411)와 가짜 이미지(412)를 잘 판별하도록 점진적으로 학습할 수 있다. 생성기(410)와 판별기(420)가 충분히 학습하면, 생성기(410)는 생성한 가짜 이미지(412)의 데이터 분포가 실제 이미지(411)의 데이터 분포를 따르게 할 수 있다. 이럴 경우, 판별기(420)는 생성기(410)가 생성한 어떤 이미지를 판별하든 1/2의 확률로 맞거나 틀릴 수 있다. 이런 상태는 판별기(420)가 가짜 이미지(412)에 대해 진짜인지 가짜인지 판별할 수 없는 상태이다. 이 상태에서 생성된 가짜 이미지(412)는 기계 학습에 계속 사용될 수 있고, 오프라인 오브젝트에 대한 재생성 이미지로서 사용될 수 있다.

일 실시예에서 요소 AI 유닛은 오프라인 오브젝트에 대한 이미지를 제1 요소로 정의하고, 오프라인 오브젝트에 대한 이미지의 서로 다른 일부를 복수의 제1 서브 요소로 관련시킨 후, 제1 요소 및 복수의 제1 서브 요소에 대하여 학습하고 오프라인 오브젝트에 대한 이미지를 재생성할 수 있다. 이 때, 재생성되는 이미지는 복수의 제1 서브 콘텐츠 요소와, 복수의 제1 서브 콘텐츠 요소를 조합하고 가공한 제1 콘텐츠 요소로 정의될 수 있다.

도 5를 참조하면, 오프라인 오브젝트로서 ‘광화문’에 대해 수집된 이미지들(510)이 GAN을 이용하여 학습되어 최종적으로 재생성 이미지(520)가 생성되는 것을 확인할 수 있다. 이 경우, ‘광화문’에 전체 이미지가 제1 요소가 될 수 있으며, 이미지 중 ‘광화문’의 건물(또는, 제1-1 요소)과 배경(또는, 제1-2 요소)이 각각 제1 서브 요소로 정의될 수 있다. 더하여 건물로서 정의된 제1 서브 요소는 건물의 중심부(또는 제1-1-1 요소), 지붕(또는 제1-1-2 요소), 문(또는 제1-1-3 요소) 등으로 세부적인 요소로 더 정의될 수 있다. 즉 요소 AI 유닛은 광화문에 대해 수집된 이미지들을 제1 요소와 서브 요소들로 구분하고 학습하여, 생성된 서브 콘텐츠 요소들을 조합하고 다시 가공하여 ‘광화문’ 전체에 대한 이미지를 재생성할 수 있다.

일 실시예에서, 재생산 콘텐츠 생성 모듈(113)은 콘텐츠 요소 생산 모듈(112)에서 생성된 콘텐츠 요소(또는, 콘텐츠 서브 요소)들을 조합하고 가공하여 오프라인 오브젝트에 대한 콘텐츠를 재생산할 수 있다. 재생산된 콘텐츠는 사용자 장치로 전송되어 사용자에게 제공될 수 있다.

이하, 요소 AI 유닛에 할당된 요소(콘텐츠)가 텍스트인 경우 새로운 이미지를 생성하는 동작에 대해 설명하기로 한다. 예를 들어 요소 AI 유닛에 할당된 요소가 오프라인 오브젝트에 대한 사용자 ‘평점’인 경우, 요소 AI 유닛은 수집된 오프라인 오브젝트에 관한 데이터(텍스트) 중에서 ‘평점’과 관련된 데이터를 이용하여 종합적인 ‘평점’에 대한 데이터를 생성할 수 있다. 수집된 데이터는 5점 만점 기준의 데이터, 10점 만점 기준의 데이터, 상중하와 같은 문자를 기준으로 한 데이터 등을 포함할 수 있으며, 요소 AI 유닛은 이를 종합하여 하나의 기준으로 종합적인 평점을 재생산할 수 있다.

도 6은 오프라인 오브젝트에 대한 재생산 콘텐츠가 사용자에게 제공되는 일 예를 도시한다. 도 6을 참조하면, 오프라인 오브젝트에 대한 재생산 콘텐츠가 사용자 장치에서 서울 추천 여행지를 소개하는 서비스를 제공하기 위한 앱을 통해 제공되는 것을 확인할 수 있다. 예를 들어, ‘광화문’에 대한 콘텐츠(610)는, 이미지(제1 요소)(611) 및 평점(제2 요소)(612)을 포함한 요소 플랜을 이용하여 콘텐츠 자동생성 플랫폼(111)에 의해 재생산될 수 있다. 여기에서 요소 플랜은 두 개의 요소(이미지 및 평점)만을 예시하고 있지만, 요소 플랜은 더 많은 요소 및/또는 서브 요소들(예: 이용시간, 이용요금 등)을 포함할 수 있으며, 도시되진 않았지만 다른 요소들이 포함된 재생산 콘텐츠가 제공될 수 있다.

이상 사용자에게 직접 제공되는 예를 살펴보았지만, 재생산 콘텐츠는 서비스 제공자에게 제공될 수 있고, 서비스 제공자는 이를 제공하는 서비스에 맞추어 다시 재가공하여 사용할 수도 있다.

일 실시예에 따르면, 검증 모듈(114)은 재생산 콘텐츠를 검증할 수 있다. 예를 들어, 검증 모듈(114)은 재생산 콘텐츠의 완성도를 연산하고 연산 결과에 대한 피드백을 콘텐츠 수집 모듈(111), 콘텐츠 요소 생산 모듈(112) 및/또는 재생산 콘텐츠 생성 모듈(113)에 전달할 수 있다. 콘텐츠 수집 모듈(111), 콘텐츠 요소 생산 모듈(112) 및/또는 재생산 콘텐츠 생성 모듈(113)은 검증 모듈(114)의 피드백을 반영하여 콘텐츠를 더 수집하거나, 콘텐츠 요소를 다시 생산하거나, 생성된 요소들은 다시 조합 및/또는 가공할 수 있다.

다른 예를 들어, 검증 모듈(114)은 재생산 콘텐츠와 기존의 콘텐츠와의 유사도를 연산하고 연산 결과에 대한 피드백을 콘텐츠 수집 모듈(111), 콘텐츠 요소 생산 모듈(112) 및/또는 재생산 콘텐츠 생성 모듈(113)에 전달할 수 있다. 콘텐츠 수집 모듈(111), 콘텐츠 요소 생산 모듈(112) 및/또는 재생산 콘텐츠 생성 모듈(113)은 검증 모듈(114)의 유사도를 반영하여 콘텐츠 요소를 다시 생산하거나, 생성된 요소들은 다시 조합 및/또는 가공할 수 있다.

도 7은 본 개시의 적어도 일부 실시예에 따라, 오프라인 오브젝트에 관한 온라인 콘텐츠를 생성하기 위한 일 예시적인 프로세스(700)를 나타내는 흐름도이다.

예를 들어, 프로세스(700)는 도 1 내지 도 3에 개시된 지능형 서버(100) 또는 콘텐츠 자동생성 플랫폼(110)과 같은 컴퓨팅 장치의 제어 하에서 수행될 수 있다. 또는, 프로세스(700)의 일부 프로세스는 도 1에 개시된 사용자 장치(200)와 같은 외부 컴퓨팅 장치에서 수행될 수도 있다.

프로세스(700)는 블록(701)에서 오프라인 오브젝트에 관한 콘텐츠 생성 요청을 수신할 수 있다.

프로세스(700)는 블록(703)에서 오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집할 수 있다. 일 실시예에서 복수의 온라인 콘텐츠를 수집하는 동작은 오프라인 오브젝트에 관한 콘텐츠 생성 요청이 수신에 응답하여 수행될 수도 있고, 미리 수집되어 데이터 베이스(예: 도 1의 120) 또는 빅데이터 플랫폼(예: 도 1의 140)에 저장될 수 있다.

예를 들어, 복수의 온라인 콘텐츠는 ‘오프라인 오브젝트’의 검색결과에 해당하는 인터넷 웹 페이지를 구성하는 HTML 코드를 파싱하여 HTML 코드 상에서 텍스트 입력과 연관된 태그를 통해 삽입되어 있는 이미지와 텍스트들을 검색함으로써 추출된 복수의 이미지 및 텍스트들을 포함할 수 있다.

프로세스(700)는 블록(705)에서 오프라인 오브젝트의 성격에 기반하여 요소 플랜을 결정하는 단계로 이어질 수 있다. 요소 플랜은 오프라인 오브젝트의 성격에 따라 결정될 수 있다. 오프라인 오브젝트의 성격은 ‘관광지’, ‘음식점’ 등을 포함할 수 있다. 오프라인 오브젝트의 성격은 콘텐츠 수집 결과에 따라 자동으로 결정될 수 있고, 사용자가 오프라인 오브젝트에 대한 콘텐츠의 재생산을 요청할 때 함께 입력될 수도 있다. 요소 플랜은 요소 데이터베이스(예: 도 1의 120)에 미리 저장되어 있을 수 있다. 다른 예에서, 요소 플랜은 콘텐츠 수집 결과에 따라 새로 생성되거나, 이미 저장되어 있는 요소 플랜을 업데이트하여 재생성될 수도 있다.

프로세스(700)는 블록(707)에서 결정된 요소 플랜에 기초하여 오프라인 오브젝트에 관한 복수의 콘텐츠 요소를 생성하는 단계로 이어질 수 있다. 요소 플랜이 포함하고 있는 요소 및/또는 서브 요소의 각각에 요소 AI 유닛이 할당되고, 요소 및/또는 서브 요소의 성격에 따라서 요소 AI 유닛은 수집된 콘텐츠를 이용하여 콘텐츠 요소를 생성할 수 있다.

프로세스(700)는 블록(709)에서 생성된 복수의 콘텐츠 요소를 조합하여 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성할 수 있다. 일 실시예에서, 재생산된 콘텐츠는 사용자 장치로 전송되어 사용자에게 제공될 수 있다. 다른 예에서, 재생산된 콘텐츠는 서비스 제공자에게 제공될 수 있고, 서비스 제공자는 이를 제공하는 서비스에 맞추어 다시 재가공하여 사용할 수도 있다.

비록 도시되진 않았지만, 프로세스(700)는 재생산된 콘텐츠를 검증하여 완성도를 연산하거나, 재생산된 콘텐츠와 기존의 콘텐츠와 비교하여 유사도를 연산하는 단계를 더 포함하여, 재생산 콘텐츠의 질을 향상하는 피드백 시스템이 더 구현될 수 있다.

본 발명은 본 흐름도에서 설명된 실시예로 제한되거나 의도되지 않는다. 예컨대, 당업자는 여기에서 개시된 본 프로세스에 대하여, 프로세스 및 방법에서 수행되는 기능이 상이한 순서로 구현될 수 있다는 것을 인정할 것이다. 한편, 도 7에 예시된 개략적인 동작들은 예시로서만 제공되고, 개시된 실시예의 본질에서 벗어나지 않으면서, 동작들 중 일부가 선택적일 수 있거나, 더 적은 동작으로 조합될 수 있거나, 앞서 설명된 동작들이 추가되어 확장될 수 있다.

도 8은 본 개시의 적어도 일부 실시예에 따라, 오프라인 오브젝트에 관한 콘텐츠를 생성하기 위해 이용될 수 있는 예시적인 컴퓨터 프로그램 제품(800)을 도시한다. 예시적인 컴퓨터 프로그램 제품(800)은 예컨대, 신호 포함 매체(802)를 이용하여 제공된다. 일부 실시예에서, 하나 이상의 컴퓨터 프로그램 제품(800)의 신호 포함 매체(802)는 컴퓨터 판독 가능 매체(806), 기록 가능 매체(808) 및/또는 통신 매체(810)를 포함할 수 있다.

신호 포함 매체(802)에 포함된 명령어(804)는, 예컨대, 도 1 내지 도 3에 예시된 지능형 서버(100), 콘텐츠 자동생성 플랫폼(110)과 같은 컴퓨팅 장치에 의해 실행될 수 있다. 명령어(804)는 실행되면, 컴퓨팅 장치로 오프라인 오브젝트에 관한 콘텐츠를 재생산하기 위한 프로세스를 수행하도록 할 수 있다.

예를 들어, 명령어(804)는 복수의 인공지능 유닛(Artificial Intelligence Unit; AI 유닛)을 포함하는 컴퓨팅 장치로 하여금, 오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하는 동작; 상기 복수의 온라인 콘텐츠에 기초하여, 복수의 AI 유닛에 의해, 복수의 콘텐츠 요소를 생성하는 동작 - 상기 생성하는 동작에서, 상기 컴퓨팅 장치는 상기 복수의 AI 유닛 각각으로 하여금 상기 오프라인 오브젝트에 관련된 미리 정해진 요소에 대하여, 상기 복수의 온라인 콘텐츠를 학습하고, 상기 학습의 결과에 기초하여, 상기 미리 정해진 요소에 대한 콘텐츠 요소를 생성하도록 하며, 여기서, 상기 복수의 AI 유닛이 학습하는 미리 정해진 요소는 서로 다름 -; 상기 복수의 콘텐츠 요소 중 적어도 일부를 조합하는 동작; 및 상기 조합의 결과에 기초하여, 상기 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성하는 동작을 실행하는 적어도 하나의 명령어를 포함할 수 있다.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수도 있다.

이상, 본 개시에서 청구하고자 하는 대상에 대해 구체적으로 살펴보았다. 본 개시에서 청구된 대상은 앞서 기술한 특정 구현예로 그 범위가 제한되지 않는다. 예컨대, 어떤 구현예에서는 장치 또는 장치의 조합 상에서 동작 가능하게 사용되는 하드웨어의 형태일 수 있으며, 다른 구현예에서는 소프트웨어 및/또는 펌웨어의 형태로 구현될 수 있고, 또 다른 구현예에서는 신호 베어링 매체, 저장 매체와 같은 하나 이상의 물품을 포함할 수 있다. 여기서, CD-ROM, 컴퓨터 디스크, 플래시 메모리 등과 같은 저장 매체는, 예컨대 컴퓨팅 시스템, 컴퓨팅 플랫폼 또는 기타 시스템과 같은 컴퓨팅 장치에 의하여 실행될 때 앞서 설명한 구현예에 따라 해당 프로세서의 실행을 야기시킬 수 있는 명령을 저장할 수 있다. 이러한 컴퓨팅 장치는 하나 이상의 처리 유닛 또는 프로세서, 디스플레이, 키보드 및/또는 마우스와 같은 하나 이상의 입/출력 장치, 및 정적 랜덤 액세스 메모리, 동적 랜덤 액세스 메모리, 플래시 메모리 및/또는 하드 드라이브와 같은 하나 이상의 메모리를 포함할 수 있다.

한편, 시스템을 하드웨어로 구현할 것인지 아니면 소프트웨어로 구현할 것인지는, 일반적으로 비용 대비 효율의 트레이드오프를 나타내는 설계상 선택 문제이다. 본 개시에서는 프로세스, 시스템, 기타 다른 기술들의 영향을 받을 수 있는 다양한 수단(예를 들어, 하드웨어, 소프트웨어 및/또는 펌웨어)이 있으며, 선호되는 수단은 프로세스 및/또는 시스템 및/또는 다른 기술이 사용되는 맥락(context)에 따라 변경될 것이다. 예를 들어, 구현자가 속도 및 정확성이 가장 중요하다고 결정한다면, 구현자는 주로 하드웨어 및/또는 펌웨어 수단을 선택할 수 있으며, 유연성이 가장 중요하다면, 구현자는 주로 소프트웨어 구현을 선택할 수 있으며; 또는, 다른 대안으로서, 구현자는 하드웨어, 소프트웨어 및/또는 펌웨어의 어떤 결합을 선택할 수 있다.

전술한 상세한 설명에서는 블록도, 흐름도 및/또는 기타 예시를 통해 장치 및/또는 프로세스의 다양한 실시예를 설명하였다. 그러한 블록도, 흐름도, 및/또는 기타 예시는 하나 이상의 기능 및/또는 동작을 포함하게 되며, 당업자라면 블록도, 흐름도 및/또는 기타 예시 내의 각각의 기능 및/또는 동작이 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합에 의해 개별적으로 혹은 집합적으로 구현될 수 있다는 점을 이해할 수 있을 것이다. 일 실시예에서, 본 개시에 기재된 대상의 몇몇 부분은 ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array), DSP(Digital Signal Processor) 또는 다른 집적의 형태를 통해 구현될 수 있다. 이와 달리, 본 개시의 실시예의 일부 양상은 하나 이상의 컴퓨터 상에 실행되는 하나 이상의 컴퓨터 프로그램(예를 들어, 하나 이상의 컴퓨터 시스템 상에 실행되는 하나 이상의 프로그램), 하나 이상의 프로세서 상에서 실행되는 하나 이상의 프로그램(예를 들어, 하나 이상의 마이크로프로세서 상에서 실행되는 하나 이상의 프로그램), 펌웨어 또는 이들의 실질적으로 임의의 조합으로써 전체적으로 또는 부분적으로 균등하게 집적 회로에서 구현될 수도 있으며, 소프트웨어 및/또는 펌웨어를 위한 코드의 작성 및/또는 회로의 설계는 본 개시에 비추어 당업자의 기술 범위 내에 속하는 것이다. 또한, 당업자라면, 본 개시의 대상의 매커니즘들이 다양한 형태의 프로그램 제품으로 분배될 수 있음을 이해할 것이며, 본 개시의 대상의 예시는 분배를 실제로 수행하는데 사용되는 신호 베어링 매체의 특정 유형과 무관하게 적용됨을 이해할 것이다.

특정 예시적 기법이 다양한 방법 및 시스템을 이용하여 여기에서 기술되고 도시되었으나, 당업자라면, 청구된 대상에서 벗어남이 없이, 다양한 기타의 수정 또는 등가물로의 치환 가능성을 이해할 수 있다. 추가적으로, 여기에 기술된 중심 개념으로부터 벗어남이 없이 특정 상황을 청구된 대상의 교시로 적응시키도록 많은 수정이 이루어질 수 있다. 따라서, 청구된 대상이 개시된 특정 예시로 제한되지 않으나, 그러한 청구된 대상은 또한 첨부된 청구범위 및 그 균등의 범위 내에 들어가는 모든 구현예를 포함할 수 있음이 의도된다.

본 개시 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 본 개시 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다. 나아가, 본 개시 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 본 개시에서 사용되는 정도의 용어 "약," "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본원의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다.

본 개시의 범위는 전술한 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위, 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

Claims (10)

1. 콘텐츠 자동 생성 장치로서,
   오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하도록 구성되는 콘텐츠 수집 모듈;
   복수의 인공지능 유닛(Artificial Intelligence Unit; AI 유닛)을 포함하고, 상기 오프라인 오브젝트의 복수의 요소에 대한 복수의 콘텐츠 요소를 생성하도록 구성되는 콘텐츠 요소 생산 모듈로서, 상기 복수의 AI 유닛은 제1 AI 유닛 및 제2 AI 유닛을 포함하고, 상기 제1 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제1 요소를 학습하고 상기 제1 요소에 대한 제1 콘텐츠 요소를 생성하도록 구성되고, 제2 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제2 요소를 학습하고 상기 제2 요소에 대한 제2 콘텐츠 요소를 생성하도록 구성되고, 상기 오프라인 오브젝트의 상기 제1 요소와 상기 제2 요소는 상이한 것인, 콘텐츠 요소 생산 모듈; 및
   상기 콘텐츠 요소 생산 모듈로부터 상기 제1 콘텐츠 요소 및 상기 제2 콘텐츠 요소를 포함하는 복수의 콘텐츠 요소를 수신하고, 상기 복수의 콘텐츠 요소 중 적어도 일부를 조합하고, 상기 조합을 이용하여, 상기 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성하도록 구성되는 재생산 콘텐츠 생성 모듈
   을 포함하고,
   상기 제1 AI 유닛은 복수의 제1 서브 AI 유닛을 포함하고,
   상기 복수의 제1 서브 AI 유닛은 상기 제1 요소의 복수의 제1 서브 요소를 학습하여 복수의 제1 서브 콘텐츠 요소를 생성하고, 상기 제1 AI 유닛은 상기 복수의 제1 서브 콘텐츠 요소를 조합함으로써, 상기 제1 요소에 대한 상기 제1 콘텐츠 요소를 생성하도록 구성되는 것인, 콘텐츠 자동 생성 장치.
2. 제1항에 있어서,
   상기 콘텐츠 자동 생성 장치는,
   상기 오프라인 오브젝트에 관한 입력을 수신하는 입력 모듈
   을 더 포함하고,
   상기 콘텐츠 수집 모듈은 상기 입력에 기초하여, 복수의 온라인 콘텐츠를 수집하도록 구성되는 것인, 콘텐츠 자동 생성 장치.
3. 제2항에 있어서,
   상기 콘텐츠 요소 생산 모듈은 상기 입력에 기초하여, 상기 오프라인 오브젝트에 대응하는 요소 플랜을 결정하고, 결정된 요소 플랜에 따라 상기 복수의 콘텐츠 요소를 생성하도록 구성되는, 콘텐츠 자동 생성 장치.
4. 삭제
5. 제1항에 있어서,
   상기 제1 요소는 상기 오프라인 오브젝트에 대한 이미지이고,
   상기 복수의 제1 서브 요소 각각은 상기 오프라인 오브젝트의 일부에 관련되고,
   상기 제1 AI 유닛은 상기 복수의 온라인 콘텐츠로부터 상기 오프라인 오브젝트에 대한 복수의 이미지를 추출하도록 구성되고,
   복수의 제1 서브 AI 유닛 각각은 상기 추출된 복수의 이미지로부터 상기 복수의 제1 서브 요소 중 해당하는 것을 학습하여, 제1 서브 콘텐츠 요소를 생성하고,
   상기 제1 AI 유닛은 생성된 복수의 제1 서브 콘텐츠 요소를 조합하고 가공하여, 상기 오프라인 오브젝트에 대한 이미지인 상기 제1 콘텐츠 요소를 생성하도록 구성되는 것인, 콘텐츠 자동 생성 장치.
6. 제1항에 있어서,
   상기 복수의 온라인 콘텐츠는 상기 오프라인 오브젝트에 대한 이미지이고, 상기 재생산 콘텐츠 생성 모듈은 상기 오프라인 오브젝트에 대한 이미지인 상기 재생산 콘텐츠를 생성하도록 구성되는 것인, 콘텐츠 자동 생성 장치.
7. 제1항에 있어서,
   상기 재생산 콘텐츠 생성 모듈은 상기 재생산 콘텐츠의 완성도를 연산하고, 연산 결과에 대한 피드백을 상기 재생산 콘텐츠 생성 모듈의 입력으로 반환하는 피드백 유닛을 포함하는 것인, 콘텐츠 자동 생성 장치.
8. 제1항에 있어서,
   상기 재생산 콘텐츠 생성 모듈에 의해 생성된 상기 재생산 콘텐츠를 상기 복수의 온라인 콘텐츠 각각 사이의 유사도를 연산하는 검증 모듈
   을 더 포함하는 콘텐츠 자동 생성 장치.
9. 컴퓨팅 장치의 제어 하에 수행되는 콘텐츠 자동 생성 방법으로서, 상기 컴퓨팅 장치는 복수의 인공지능 유닛(Artificial Intelligence Unit; AI 유닛)을 포함하고, 상기 콘텐츠 자동 생성 방법은,
   오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하는 단계;
   상기 복수의 온라인 콘텐츠에 기초하여, 복수의 AI 유닛에 의해, 복수의 콘텐츠 요소를 생성하는 단계 - 상기 복수의 AI 유닛은 제1 AI 유닛 및 제2 AI 유닛을 포함하고, 상기 제1 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제1 요소를 학습하고 상기 제1 요소에 대한 제1 콘텐츠 요소를 생성하도록 구성되고, 제2 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제2 요소를 학습하고 상기 제2 요소에 대한 제2 콘텐츠 요소를 생성하도록 구성되고, 상기 오프라인 오브젝트의 상기 제1 요소와 상기 제2 요소는 상이함 -;
   상기 제1 콘텐츠 요소 및 상기 제2 콘텐츠 요소를 포함하는 복수의 콘텐츠 요소 중 적어도 일부를 조합하는 단계; 및
   상기 조합의 결과에 기초하여, 상기 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성하는 단계
   를 포함하고,
   상기 제1 AI 유닛은 복수의 제1 서브 AI 유닛을 포함하고,
   상기 복수의 제1 서브 AI 유닛은 상기 제1 요소의 복수의 제1 서브 요소를 학습하여 복수의 제1 서브 콘텐츠 요소를 생성하고, 상기 제1 AI 유닛은 상기 복수의 제1 서브 콘텐츠 요소를 조합함으로써, 상기 제1 요소에 대한 상기 제1 콘텐츠 요소를 생성하도록 구성되는 것인, 콘텐츠 자동 생성 방법.
10. 오프라인 오브젝트에 관한 콘텐츠를 자동으로 생성하기 위하여, 컴퓨터 판독가능 기록 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 실행되면, 복수의 인공지능 유닛(Artificial Intelligence Unit; AI 유닛)을 포함하는 컴퓨팅 장치로 하여금,
    오프라인 오브젝트에 관한 복수의 온라인 콘텐츠를 수집하는 동작;
    상기 복수의 온라인 콘텐츠에 기초하여, 복수의 AI 유닛에 의해, 복수의 콘텐츠 요소를 생성하는 동작 - 상기 복수의 AI 유닛은 제1 AI 유닛 및 제2 AI 유닛을 포함하고, 상기 제1 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제1 요소를 학습하고 상기 제1 요소에 대한 제1 콘텐츠 요소를 생성하도록 구성되고, 제2 AI 유닛은 상기 복수의 온라인 콘텐츠에 기초하여 상기 오프라인 오브젝트에 관한 제2 요소를 학습하고 상기 제2 요소에 대한 제2 콘텐츠 요소를 생성하도록 구성되고, 상기 오프라인 오브젝트의 상기 제1 요소와 상기 제2 요소는 상이함 -;
    상기 제1 콘텐츠 요소 및 상기 제2 콘텐츠 요소를 포함하는 복수의 콘텐츠 요소 중 적어도 일부를 조합하는 동작; 및
    상기 조합의 결과에 기초하여, 상기 오프라인 오브젝트에 관한 재생산 콘텐츠를 생성하는 동작
    을 실행가능하도록 하는 하나 이상의 컴퓨터 실행가능 명령어를 포함하고,
    상기 제1 AI 유닛은 복수의 제1 서브 AI 유닛을 포함하고,
    상기 복수의 제1 서브 AI 유닛은 상기 제1 요소의 복수의 제1 서브 요소를 학습하여 복수의 제1 서브 콘텐츠 요소를 생성하고, 상기 제1 AI 유닛은 상기 복수의 제1 서브 콘텐츠 요소를 조합함으로써, 상기 제1 요소에 대한 상기 제1 콘텐츠 요소를 생성하도록 구성되는 것인, 컴퓨터 판독가능 기록 매체에 저장된 컴퓨터 프로그램.

Images