KR20210053036A - 인공지능 서버 - Google Patents

Abstract

인공지능 서버가 개시된다. 인공지능 서버는, 전자기기와 통신하는 통신부, 및, 특징 벡터를 추출하는 특징 추출층 및 상기 특징 벡터를 이용하여 입력 데이터를 분류하는 분류 계층을 포함하는 인공지능 모델에 분류용 훈련 데이터 및 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 분류 계층을 업데이트 하고, 상기 업데이트 된 분류 계층을 상기 전자기기에 전송하는 프로세서를 포함한다.

Description

인공지능 서버{ARTIFICIAL INTELLIGENCE SERVER}

본 발명은, 인공지능 모델을 구성하는 특징 추출 층과 분류 계층 중 분류 계층을 업데이트하여 제공할 수 있는 인공지능 서버에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.

머신러닝을 통하여 학습된 모델은, 추론시 학습 범위를 벗어날 수 없다.

얼굴 인식의 예를 들면, 백인 위주의 학습 데이터로 트레이닝을 수행한 경우라면, 동양인에 대한 추론 정확도는 학습데이터와의 괴리로 인해 저하될 수 밖에 없음이 자명하다.

그리고 동양인에 대한 추론 정확도까지 보장하기 위해서 동양인 위주의 학습 데이터로 인공지능 모델 전체를 다시 트레이닝 하게 되면, 먼저 트레이닝했을 때와 같은 수준의 비용이 재 발생 하게 되는 문제가 있다.

또한, 백인과 동양인에 대한 트레이닝이 진행된 범용 모델은, 사용자 별 요구사항에 합당한 성능을 발휘할 수 없는 경우가 있다. 예를 들어 사용자가 인공지능 모델을 백인을 분류하기 위해서만 사용하는 경우에는, 범용 모델보다 백인에게 최적화된 모델이 더 좋은 성능을 발휘할 수 있다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 인공지능 모델을 구성하는 특징 추출 층과 분류 계층 중 분류 계층을 업데이트하여 제공할 수 있는 인공지능 서버에 관한 것이다.

본 발명의 일 실시 예에 따른 인공지능 서버는, 전자기기와 통신하는 통신부, 및, 특징 벡터를 추출하는 특징 추출층 및 상기 특징 벡터를 이용하여 입력 데이터를 분류하는 분류 계층을 포함하는 인공지능 모델에 분류용 훈련 데이터 및 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 분류 계층을 업데이트 하고, 상기 업데이트 된 분류 계층을 상기 전자기기에 전송하는 프로세서를 포함한다.

인공지능 모델의 업데이트의 필요성이 존재한다. 새로운 카테고리에 대한 분류가 필요한 경우(사과, 오렌지, 토마토를 분류하던 기존의 인공지능 모델이 추가로 수박을 분류하도록 업데이트 하는 경우), 사용자가 자주 사용하는 카테고리에 대한 성능을 높이는 경우(흑인, 백인, 동양인을 모두 분류하던 기존의 인공지능 모델이 동양인을 더 잘 분류하도록 업데이트 하는 경우)를 그 예로 들 수 있다.

그리고 본 발명에 따르면 분류 계층만을 업데이터 하여 배포하기 때문에, 특징 추출층 및 분류 계층을 모두 업데이트 하여 배포하는 방식에 비하여 훈련 데이터의 양, 훈련의 시간, 배포되는 데이터의 양을 감소시킬 수 있는 장점이 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 인공지능 서버의 동작 방법을 설명하기 위한 도면이다.
도 5는 뉴럴 네트워크 중 CNN을 설명하기 위한 도면이다.
도 6은 CNN을 트레이닝 하여 인공지능 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 7은 생성된 인공지능 모델의 배포를 설명하기 위한 도면이다.
도 8은, 분류 계층을 업데이트 하는 방법을 설명하기 위한 도면이다.
도 9는 분류 계층의 배포를 설명하기 위한 도면이다.
도 10은 복수의 분류 계층을 생성하여 전자기기에 제공하는 방법을 설명하기 위한 도면이다.
도 11은 분류 계층의 교체 방법을 설명하기 위한 도면이다.
도 12는 사용자가 원하는 카테고리의 분류 계층을 제공하는 방법을 설명하기 위한 도면이다.
도 13는 사용자가 원하는 카테고리의 분류 계층을 제공하는 또 다른 방법을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3는 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1a에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

한편 용어 AI 디바이스(100)는 용어 인공지능 서버(100)와 혼용되어 사용될 수 있다.

도 4는 인공지능 서버의 동작 방법을 설명하기 위한 도면이다.

도 4를 참고하면, 인공지능 서버의 동작 방법은, 인공지능 트레이닝용 훈련 데이터 및 인공지능 트레이닝용 레이블링 데이터를 이용하여 뉴럴 네트워크를 트레이닝 함으로써 인공지능 모델을 생성하는 단계(S410), 인공지능 모델을 트레이닝 함으로써 분류 계층을 업데이트 하는 단계(S430) 및 업데이트된 분류 계층을 전자기기에 전송하는 단계(S450)를 포함할 수 있다.

이하에서는 CNN(Convolutional Neural Network)의 예를 들어 뉴럴 네트워크를 설명한다. 다만 이에 한정되지 않으며, 뉴럴 네트워크는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron) 등의 다양한 네트워크를 포함할 수 있다.

도 5는 뉴럴 네트워크 중 CNN을 설명하기 위한 도면이다.

도 5에서는 일반적인 형태의 CNN을 도시하였다.

CNN은 심층 신경망(DNN: Deep Neural Network)의 한 종류로, 입력층, 하나 이상의 콘볼루션 계층(convolutional layer), 하나 이상의 통합 계층(pooling layer), 하나 이상의 전 연결 계층(fully connected layer), 출력층으로 구성될 수 있다. 여기서 통합 계층(pooling layer)은 서브 샘플링으로도 지칭될 수 있다.

CNN은 2차원 데이터의 학습에 적합한 구조를 가지고 있어 영상 내 객체 분류, 객체 탐지 등 다양한 응용 분야에 폭넓게 활용될 수 있다.

CNN은 특징 벡터를 추출하는 특징 추출층 및 추출된 특징 벡터를 이용하여 입력 데이터를 분류하는 분류 계층을 포함할 수 있다.

여기서 특징 추출층은, 하나 이상의 콘볼루션 계층(convolutional layer), 하나 이상의 통합 계층(pooling layer)을 포함할 수 있다.

한편 특징 추출층은 복수의 콘볼루션 계층(convolutional layer) 및 복수의 통합 계층(pooling layer)을 포함할 수 있으며, 이 경우 콘볼루션 계층과 통합 계층은 번갈아 배치될 수 있다.

그리고 특징 추출층은 입력 데이터를 수신하고, 수신된 입력 데이터로부터 특징 벡터를 추출하여 출력할 수 있다.

구체적으로 특징 추출층은, 번갈아 배치된 콘볼루션 계층과 통합 계층, ReLU(Rectified Linear Unit) 등의 활성화 함수, 기 설정된 파라미터(가중치 및 편향 중 적어도 하나)를 이용하여 입력 데이터로부터 특징 벡터를 추출할 수 있다.

한편 분류 계층은 하나 이상의 전 연결 계층(fully connected layer)을 포함할 수 있으며, 경우에 따라서 분류 계층은 출력층을 더 포함할 수 있다.

분류 계층은 특징 벡터를 수신하고, 수신된 특징 벡터를 이용하여 입력 데이터를 분류(classification)할 수 있다.

구체적으로 분류 계층은, 하나 이상의 전 연결 계층(fully connected layer) 및 기 설정된 파라미터(가중치 및 편향 중 적어도 하나)를 이용하여 입력 데이터를 복수의 클래스 중 어느 하나의 클래스로 분류(classification)할 수 있다.

한편 이하에서는 CNN의 예를 들어 설명하나 이에 한정되지 않으며, 본 발명은 특징 벡터를 추출하는 특징 추출층 및 특징 벡터를 이용하여 입력 데이터를 분류하는 분류 계층을 포함하는 인공지능 모델(또는 뉴럴 네트워크)에 적용될 수 있다.

도 6은 CNN을 트레이닝 하여 인공지능 모델을 생성하는 방법을 설명하기 위한 도면이다.

프로세서는, 범용 훈련 데이터 및 범용 레이블링 데이터를 이용하여 CNN을 트레이닝할 수 있다.

여기서 범용 훈련 데이터란, 다양한 카테고리의 입력 데이터에 범용적으로 적용되는 인공지능 모델을 생성하기 위한 훈련 데이터일 수 있다. 또한 범용 레이블링 데이터는, 지도 학습에서 범용 훈련 데이터의 정답 값으로 CNN에 제공되는 데이터일 수 있다.

예를 들어 얼굴 인식 모델의 생성을 위하여 CNN이 트레이닝 되는 경우, 범용 훈련 데이터는 백인, 흑인 및 동양인의 얼굴 영상을 포함할 수 있다. 또한 범용 레이블링 데이터는, 범용 훈련데이터가 백인의 영상인 경우에 백인, 범용 훈련데이터가 흑인의 영상인 경우에 흑인, 범용 훈련데이터가 동양인의 영상인 경우에 동양인일 수 있다.

한편 CNN(620)은 범용 훈련 데이터를 수신하고, 특징 추출층(625)에 설정된 파라미터에 따라 범용 훈련 데이터의 특징 벡터를 추출할 수 있다. 또한 CNN은, 분류 계층(630)에 설정된 파라미터에 따라, 추정값을 출력할 수 있다. 여기서 추정값은 분류 계층이 특징 벡터를 복수의 클래스 중 어느 하나의 클래스로 분류(classification)한 결과를 의미할 수 있다.

뉴럴 네트워크를 트레이닝 하는 과정에서, 프로세서는 뉴럴 네트워크의 추정 값 및 범용 레이블링 데이터의 오차가 작아지도록 특징 추출층(625)의 파라미터(가중치 및 편향 중 적어도 하나) 및 분류 계층(630)의 파라미터(가중치 및 편향 중 적어도 하나)를 조절할 수 있다.

구체적으로 프로세서는, 비용 함수(cost function)에 기반하여, 비용(뉴럴 네트워크의 추정 값 및 범용 레이블링 데이터의 오차)을 최소화 하는 방향으로 인공지능 모델(620)의 파라미터를 변경할 수 있다. 여기서 비용 함수(cost function)로는 softmax 방식의 비용 함수가 사용될 수 있으나 이에 한정되지는 않는다.

또한 프로세서는, 역 전파 알고리즘에 의거하여, 분류 계층(630)의 파라미터 뿐만 아니라 특징 추출층(625)의 파라미터까지 갱신할 수 있다.

즉 프로세서는 비용(또는 오차)를 CNN의 처리 방향의 역 방향으로 전파하여, 비용(또는 오차)에 의거하여 분류 계층(630)의 파라미터를 먼저 갱신하고, 그 다음 특징 추출층(625)의 파라미터를 갱신할 수 있다. 이 경우 비용(또는 오차)를 최소화 하는 파라미터를 찾기 위하여 경사 하강 알고리즘이 사용될 수 있다.

한편 범용 훈련 데이터 및 범용 레이블링 데이터를 이용한 반복 훈련을 통하여 CNN(620)이 일정 수준 이상의 정확도를 나타내면, 프로세서는 트레이닝을 완료할 수 있다.

도 7은 생성된 인공지능 모델의 배포를 설명하기 위한 도면이다.

범용 훈련 데이터 및 범용 레이블링 데이터를 이용한 반복 훈련을 통하여 일정 수준 이상의 정확도를 나타내는 CNN을 인공지능 모델(720)이라 지칭할 수 있다.

한편 트레이닝이 완료된 상태에서 특징 추출층(725)이 가지는 파라미터를 제1 파라미터라고 지칭할 수 있다. 또한 트레이닝이 완료된 상태에서 분류 계층(730)이 가지는 파라미터를 제2-1 파라미터라고 지칭할 수 있다.

즉 생성된 인공지능 모델(720)은, ‘제1 파라미터를 가지고 특징 벡터를 추출하는 특징 추출층(725)’ 및 ‘제2-1 파라미터를 가지고 특징 벡터를 이용하여 입력 데이터를 분류하는 분류 계층(730)’을 포함할 수 있다.

앞서 범용 훈련 데이터는, 다양한 카테고리의 입력 데이터에 범용적으로 적용되는 인공지능 모델을 생성하기 위한 훈련 데이터라고 설명한 바 있다.

그리고 범용 훈련 데이터를 이용하여 트레이닝된 인공지능 모델(720)은, 복수의 전자기기(710)에 배포되어 사용될 수 있다.

구체적으로 프로세서는 인공지능 모델(720)을 전자기기(710)에 전송할 수 있다. 그리고 전자기기(710)는 인공지능 모델(720)을 다운로드 받아, 인식에 사용할 수 있다.

한편 전자기기의 사용자의 사용 환경은 매우 다양할 수 있다.

일 례로, 사용자는 특정 카테고리의 입력 데이터를 주로 사용하나, 특정 카테고리의 데이터는 범용 훈련 데이터에 포함되지 않거나 작은 양만 포함될 수 있다. 예를 들어 인공지능 모델은 둥근 과일들의 종류를 분류하기 위한 것으로, 사과의 영상, 오렌지의 영상, 토마토의 영상을 포함하는 범용 훈련 데이터를 이용하여 트레이닝 되었으나, 사용자는 수박을 분류하기 위하여 인공지능 모델을 사용할 수 있다. 이 경우 인공지능 모델의 성능은 감소하게 된다.

다른 예를 들어, 사용자는 특정 카테고리의 입력 데이터를 주로 사용하나, 특정 카테고리의 데이터는 다른 카테고리의 데이터들과 동등한 수준으로 훈련 데이터로써 사용되었다. 예를 들어 인공지능 모델은 흑인, 백인, 동양인을 분류하기 위한 것으로, 흑인의 영상, 백인의 영상, 동양인의 영상을 포함하는 범용 훈련 데이터를 이용하여 트레이닝 되었으나, 사용자는 흑인과 백인을 제외하고 동양인을 분류하기 위하여 인공지능 모델을 사용할 수 있다. 이 경우 흑인, 백인, 동양인을 범용적으로 분류하는 인공지능 모델은, 동양인의 분류에 특화된 인공지능 모델에 비하여 성능이 더 좋지 않을 수 있다.

다만 특징 추출층 및 분류 계층 전체를 다시 트레이닝 하게 되면, 먼저 트레이닝했을 때와 같은 수준의 비용이 재 발생 하게 되는 문제가 있다.

다만 본 발명에서는 분류 계층만을 업데이트 하여 배포하는 방식으로, 개인에게 최적화된 인공지능 모델을 제공할 수 있다.

도 8은, 분류 계층을 업데이트 하는 방법을 설명하기 위한 도면이다.

프로세서는 생성된 인공지능 모델(또는 전자기기에 배포된 인공지능 모델)(720)을 트레이닝 할 수 있다.

구체적으로 프로세서는, 분류용 훈련 데이터 및 분류용 레이블링 데이터를 인공지능 모델(720)에 제공하여 인공지능 모델(720)을 트레이닝 할 수 있다.

여기서 분류용 훈련 데이터란, 특정 카테고리의 입력 데이터에 대한 인공지능 모델의 성능을 향상시키기 위한 훈련 데이터일 수 있다. 또한 분류용 훈련 데이터란, 특정 카테고리에 속하는 훈련 데이터일 수 있다.

예를 들어 분류용 훈련 데이터는, 특정 카테고리(동양인)의 입력 데이터에 대한 얼굴 인식 모델의 성능을 향상시키기 위한 훈련 데이터일 수 있다. 따라서 분류용 훈련 데이터는 동양인의 얼굴 영상을 다수 포함할 수 있다. 다만 이에 한정되지 않으며, 동양인의 얼굴 영상과 함께 백인, 흑인의 얼굴 영상도 분류용 훈련 데이터로 사용될 수 있다.

다른 예를 들어 분류용 훈련 데이터는, 특정 카테고리(수박)의 입력 데이터에 대한 과일 분류 모델의 성능을 향상 시키기 위한 훈련 데이터일 수 있다. 따라서 분류용 훈련 데이터는 수박의 영상을 다수 포함할 수 있다. 다만 이에 한정되지 않으며, 수박의 영상과 함께 다른 과일들의 영상도 분류용 훈련 데이터로 사용될 수 있다.

한편 분류용 레이블링 데이터는, 지도 학습에서 분류용 훈련 데이터의 정답 값으로 인공지능 모델에 제공되는 데이터일 수 있다.

예를 들어 특정 카테고리에 대응하는 분류용 훈련데이터(복수의 수박 영상)가 인공지능 모델에 제공된 경우, 분류용 레이블링 데이터는 수박일 수 있다,

한편 프로세서는, 특징 추출층 및 분류 계층을 포함하는 인공지능 모델에 분류용 훈련 데이터 및 분류용 레이블링 데이터를 제공하여 인공지능 모델을 트레이닝 함으로써 분류 계층을 업데이트 할 수 있다.

구체적으로 인공지능 모델(720)은 분류용 훈련 데이터를 수신하고, 특징 추출층(725)에 설정된 파라미터에 따라 분류용 훈련 데이터의 특징 벡터를 추출할 수 있다. 여기서 특징 추출층(725)에 설정된 파라미터는, 앞서 설명한 제1 파라미터일 수 있다.

또한 인공지능 모델(720)은, 분류 계층에 설정된 파라미터에 따라, 추정 값을 출력할 수 있다. 여기서 추정값은 분류 계층이 특징 벡터를 복수의 클래스 중 어느 하나의 클래스로 분류(classification)한 결과를 의미할 수 있다. 여기서 분류 계층에 설정된 파라미터는 앞서 설명한 제2-1 파라미터일 수 있다. 즉 앞서 범용 훈련 데이터를 사용하여 CNN을 트레이닝함으로써 생성된 분류 계층이 다시 사용될 수 있다.

프로세서는, 인공지능 모델(720)에 분류용 훈련 데이터 및 분류용 레이블링 데이터를 제공하여 인공지능 모델을 트레이닝 함으로써 제2-1 파라미터와 다른 제2-2 파라미터를 가지는 분류 계층(830)을 획득할 수 있다.

구체적으로 인공지능 모델(720)을 트레이닝 하는 과정에서, 프로세서는 인공지능 모델(720)의 추정 값 및 분류용 레이블링 데이터의 오차가 작아지도록 분류 계층의 파라미터(가중치 및 편향 중 적어도 하나)를 조절할 수 있다.

더욱 구체적으로 프로세서는, 비용 함수(cost function)에 기반하여, 비용(뉴럴 네트워크의 추정 값 및 범용 레이블링 데이터의 오차)을 최소화 하는 방향으로 분류 계층의 파라미터를 변경할 수 있다. 여기서 비용 함수(cost function)로는 Triplet Loss 방식의 비용 함수가 사용될 수 있으나 이에 한정되지는 않는다.

여기서 주의할 점은, 앞서 CNN의 트레이닝 과정과는 달리, 특징 추출층(725)의 파라미터는 변경되지 않는 것이다.

구체적으로, 앞서 CNN의 트레이닝 과정에서는, 역전파 알고리즘에 의거하여 분류 계층의 파라미터 뿐만 아니라 특징 추출층의 파라미터까지 갱신되었다.

다만 인공지능 모델의 트레이닝 과정에서, 프로세서는 인공지능 모델(720)의 추정 값 및 분류용 레이블링 데이터의 오차가 작아지도록 분류 계층의 파라미터를 조절하고, 특징 추출층(725)의 파라미터는 기존과 동일하게 유지할 수 있다.

한편 분류용 훈련 데이터 및 분류용 레이블링 데이터를 이용한 반복 훈련을 통하여 인공지능 모델(720)이 일정 수준 이상의 정확도를 나타내면, 프로세서는 인공지능 모델(720)의 트레이닝을 완료할 수 있다.

한편 비용(또는 오차)가 특징 추출층으로 역전파 되지 않았기 때문에, 트레이닝이 완료된 상태에서 특징 추출층이 가지는 파라미터는, 인공지능 모델(720)이 트레이닝된 이후에도 인공지능 모델의 트레이닝 이전과 동일하게 유지될 수 있다.

다만 인공지능 모델의 트레이닝으로 인하여, 분류 계층이 가지는 파라미터는 제2-1 파라미터로부터, 제2-1 파라미터와는 다른 제2-2 파라미터로 변경되었다.

즉 트레이닝된 인공지능 모델은, 트레이닝 전과 동일한 파라미터(제1 파라미터)를 가지는 특징 추출층(725) 및 트레이닝 전과 다른 파라미터(제2-2)를 가지는 분류 계층(830)을 포함할 수 있다.

한편 앞서 설명한 바와 같이, 인공지능 모델의 트레이닝을 시작할 때 분류 계층에 설정된 파라미터는 제2-1 파라미터일 수 있다. 다만 이에 한정되지 않으며, 인공지능 모델의 트레이닝을 시작할 때 분류 계층에 설정된 파라미터는 초기 파라미터일 수 있다.

구체적으로 프로세서는, 제2-1 파라미터를 가지는 분류 계층을 초기 파라미터를 가지는 분류 계층으로 교체하고, 인공지능 모델에 분류용 훈련 데이터 및 분류용 레이블링 데이터를 제공하여 인공지능 모델을 트레이닝 할 수 있다.

이 경우 프로세서는 인공지능 모델(720)의 추정 값 및 분류용 레이블링 데이터의 오차가 작아지도록 분류 계층의 파라미터(가중치 및 편향 중 적어도 하나)를 조절할 수 있다.

그리고 분류용 훈련 데이터 및 분류용 레이블링 데이터를 이용한 반복 훈련을 통하여 인공지능 모델(720)이 일정 수준 이상의 정확도를 나타내면, 프로세서는 인공지능 모델(720)의 트레이닝을 완료할 수 있다.

인공지능 모델의 트레이닝으로 인하여, 분류 계층이 가지는 파라미터는 초기 파라미터로부터 제2-2 파라미터로 변경되었다.

또한 CNN을 트레이닝 하는 과정에서는 범용 훈련 데이터가 사용되었고 인공지능 모델을 트레이닝 하는 과정에서는 분류용 훈련 데이터가 사용되었다. 즉 훈련에 서로 사용된 데이터가 상이하기 때문에, 인공지능 모델을 트레이닝 함으로써 분류 계층에 설정된 제2-2 파라미터는 CNN을 트레이닝 하면서 분류 계층에 설정된 제2-1 파라미터와 상이할 수 있다.

도 9는 분류 계층의 배포를 설명하기 위한 도면이다.

프로세서는 업데이트 된 분류 계층(830)을 전자기기(710)에 전송할 수 있다.

구체적으로 프로세서는 제2-2 파라미터를 가지는 분류 계층(830)을 특징 추출층으로부터 분리하여 전자기기(710)에 전송할 수 있다.

이 경우 전자 기기(710)는 제2-2 파라미터를 가지는 분류 계층(830)을 수신할 수 있다.

한편 전자기기(710)에는, 기존에 인공지능 서버(100)로부터 다운로드 받았던 인공지능 모델(920)이 탑재되어 있다.

그리고 전자기기(710)에 탑재된 인공지능 모델(920)은, 제1 파라미터를 가지는 특징추출층(925) 및 제2-1 파라미터를 가지는 분류 계층(930)을 포함할 수 있다. 한편 분류 계층이 제2-1 파라미터를 가진다는 것은 일례일 뿐, 분류 계층(930)은 임의의 다른 파라미터를 가질수도 있다.

한편 전자 기기(710)는 분류 계층(830)을 수신하고, 기존에 인공지능 모델(920)에 포함되었던 분류 계층(930)을 수신된 분류 계층(830)으로 교체할 수 있다.

그리고 전자기기(710)는 기존에 인공지능 모델(920)에 포함되었던 특징 추출층(925)와 수신된 분류 계층(830)을 연결하여 사용할 수 있다.

인공지능 모델의 업데이트의 필요성이 존재한다. 새로운 카테고리에 대한 분류가 필요한 경우(사과, 오렌지, 토마토를 분류하던 기존의 인공지능 모델이 추가로 수박을 분류하도록 업데이트 하는 경우), 사용자가 자주 사용하는 카테고리에 대한 성능을 높이는 경우(흑인, 백인, 동양인을 모두 분류하던 기존의 인공지능 모델이 동양인을 더 잘 분류하도록 업데이트 하는 경우)를 그 예로 들 수 있다.

그리고 본 발명에 따르면 분류 계층만을 업데이터 하여 배포하기 때문에, 특징 추출층 및 분류 계층을 모두 업데이트 하여 배포하는 방식에 비하여 훈련 데이터의 양, 훈련의 시간, 배포되는 데이터의 양을 감소시킬 수 있는 장점이 있다.

도 10은 복수의 분류 계층을 생성하여 전자기기에 제공하는 방법을 설명하기 위한 도면이다.

프로세서는, 파라미터가 서로 다른 복수의 분류 계층을 생성하여 메모리(1020)에 저장할 수 있다.

구체적으로 프로세서는 제1 카테고리에 대응하는 분류용 훈련 데이터 및 분류용 레이블링 데이터를 인공지능 모델에 제공하여 분류 계층을 업데이트 함으로써 제1 카테고리에 대응하는 분류 계층을 획득하고, 제1 카테고리에 대응하는 분류 계층을 메모리에 저장할 수 있다. 이 경우 분류 계층은 제2-3 파라미터를 가질 수 있다.

여기서 제1 카테고리에 대응하는 분류용 훈련 데이터란, 제1 카테고리의 입력 데이터에 대한 인공지능 모델의 성능을 향상시키기 위한 훈련 데이터일 수 있다.

예를 들어 프로세서는 한국인의 영상에 대한 인공지능 모델의 성능을 향상 시키기 위하여, 한국인에 대응하는 분류용 훈련 데이터를 인공지능 모델에 제공하여 분류 계층을 업데이트 할 수 있다. 이에 따라 프로세서는 한국인에 대응하는 분류 계층을 획득하고, 한국인에 대응하는 분류 계층을 메모리에 저장할 수 있다. 이 경우 분류 계층은 제2-3 파라미터를 가질 수 있다.

또한 프로세서는, 제2 카테고리에 대응하는 분류용 훈련 데이터 및 분류용 레이블링 데이터를 인공지능 모델에 제공하여 분류 계층을 업데이트 함으로써 제2 카테고리에 대응하는 분류 계층을 획득하고, 제2 카테고리에 대응하는 분류 계층을 상기 메모리에 저장할 수 있다. 이 경우 분류 계층은 제2-3 파라미터와는 다른 제2-4 파라미터를 가질 수 있다.

예를 들어 프로세서는 일본인의 영상에 대한 인공지능 모델의 성능을 향상 시키기 위하여, 일본인에 대응하는 분류용 훈련 데이터를 인공지능 모델에 제공하여 분류 계층을 업데이트 할 수 있다. 이에 따라 프로세서는 일본인에 대응하는 분류 계층을 획득하고, 일본인에 대응하는 분류 계층을 메모리에 저장할 수 있다. 이 경우 분류 계층은 제2-4 파라미터를 가질 수 있다.

분류 계층을 배포하는 다양한 방법에 대해서는 도 11 및 도 12를 참고하여 설명한다.

도 11은 분류 계층의 교체 방법을 설명하기 위한 도면이다.

인공지능 서버(100)가 인공지능 모델을 생성하여 전송함에 따라(S1105, S1110), 전자 기기에는 인공지능 모델이 탑재되어 있는 상태이다.

한편 전자 기기는 분류 계층의 변경을 위한 입력을 수신할 수 있다(S1115). 예를 들어 인공지능 모델의 성능에 만족하지 못하는 사용자는 분류 계층을 변경하기 위하여 자신의 전자기기를 조작할 수 있다. 이 경우 전자 기기는 사용자로부터 분류 계층의 변경을 위한 입력을 수신할 수 있다.

또한 전자 기기는 분류 계층 변경 요청을 인공지능 서버(100)에 전송할 수 있다(S1120).

전자기기로부터 분류 계층 변경 요청이 수신되면, 인공지능 서버(100)는 새로운 파라미터를 가지는 분류 계층을 전자 기기에 전송할 수 있다(S1125).

구체적으로 인공지능 서버(100)는 메모리에 저장되고 서로 다른 파라미터를 가지는 복수의 분류 계층 중 하나 이상의 분류 계층을 전자 기기에 전송할 수 있다. 여기서 전송되는 하나 이상의 분류 계층은, 기존에 전자기기로 전송되지 않았던 것일 수 있다.

한편 전자기기는 분류 계층을 수신하고, 기존의 인공지능 모델에 포함되었던 분류 계층을 수신된 분류 계층으로 교체할 수 있다. 구체적으로 전자 기기는 분류 계층을 수신하고, 기존의 인공지능 모델에 포함되었던 특징 추출층에 수신된 분류 계층을 연결하여 사용할 수 있다(S1130).

한편 복수의 분류 계층이 수신된 경우, 전자기기는 기존의 인공지능 모델에 포함되었던 분류 계층을 수신된 복수의 분류 계층 중 제1 분류 계층으로 교체할 수 있다.

또한 사용자 입력에 기초하여, 전자기기는 인공지능 모델에 포함된 제1 분류 계층을 상기 수신된 복수의 분류 계층 중 제2 분류 계층으로 교체할 수도 있다.

한편 전자 기기는 분류 계층의 재 변경을 위한 입력을 수신할 수 있다(S1135). 예를 들어 사용자는 인공지능 서버로부터 수신한 분류 계층의 성능에 만족하지 못하는 경우, 분류 계층을 또 다시 변경하기 위하여 자신의 전자 기기를 조작할 수 있다. 이 경우 전자 기기는 사용자로부터 분류 계층의 재 변경을 위한 입력을 수신할 수 있다.

그리고 나서 전자 기기는 분류 계층의 재 변경 요청을 인공지능 서버(100)에 전송할 수 있다(S1140).

전자기기로부터 분류 계층의 재 변경 요청이 수신되면, 인공지능 서버(100)는 새로운 파라미터를 가지는 분류 계층을 전자 기기에 전송할 수 있다(S1145).

구체적으로 인공지능 서버(100)는 메모리에 저장되고 서로 다른 파라미터를 가지는 복수의 분류 계층 중 하나 이상의 분류 계층을 전자 기기에 전송할 수 있다. 또한 인공지능 서버(100)는 기존에 전자기기에 전송되지 않았던 분류 계층을 전자기기에 전송할 수 있다.

한편 전자기기는 분류 계층을 수신하고, 기존의 인공지능 모델에 포함되었던 분류 계층을 수신된 분류 계층으로 교체할 수 있다. 구체적으로 전자 기기는 분류 계층을 수신하고, 기존의 인공지능 모델에 포함되었던 특징 추출층에 수신된 분류 계층을 연결하여 사용할 수 있다(S1150). 그리고 전자기기는 기존의 인공지능 모델에 포함되었던 분류 계층을 메모리로부터 삭제할 수 있다.

이와 같이 본 발명은 사용자 단말로부터의 분류 계층 변경 요청에 따라 다양한 파라미터를 가지는 분류 계층을 사용자 단말에 제공함으로써, 사용자가 현재의 성능에 만족하지 않는 경우 사용자에게 더 향상된 인공지능 모델을 제공할 수 있는 장점이 있다.

도 12는 사용자가 원하는 카테고리의 분류 계층을 제공하는 방법을 설명하기 위한 도면이다.

인공지능 서버(100)가 인공지능 모델을 생성하여 전송함에 따라(S1205, S1210), 전자 기기에는 인공지능 모델이 탑재되어 있는 상태이다.

한편 전자 기기는 카테고리의 선택을 위한 입력을 수신할 수 있다 (S1215). 예를 들어 인공지능 모델이 특정 카테고리에 대하여 높은 성능을 갖기를 바라는 사용자는, 카테고리를 지정하기 위하여 자신의 전자기기를 조작할 수 있다.

한편 카테고리의 선택을 위한 입력에 기초하여, 전자 기기는 카테고리의 선택 정보를 인공지능 서버(100)에 전송할 수 있다(S1220). 여기서 카테고리의 선택 정보는, 사용자에 의해 선택된 카테고리가 무엇인지에 대한 정보를 포함할 수 있다.

전자기기로부터 카테고리의 선택 정보가 수신되면, 인공지능 서버(100)는 수신된 카테고리의 선택 정보에 대응하는 분류 계층을 전자기기에 전송할 수 있다(S1225).

구체적으로 수신된 카테고리의 선택 정보가 제1 카테고리에 대응하는 경우, 인공지능 서버(100)는 제1 카테고리에 대응하는 분류 계층을 전자기기에 전송할 수 있다.

예를 들어 수신된 카테고리의 선택 정보가 한국인을 나타내는 경우, 인공지능 서버(100)는 한국인에 대응하는 분류 계층을 전자기기에 전송할 수 있다. 다른 예를 들어 수신된 카테고리의 선택 정보가 일본인을 나타내는 경우, 인공지능 서버(100)는 일본인에 대응하는 분류 계층을 전자기기에 전송할 수 있다.

한편 전자기기는 제1 카테고리에 대응하는 분류 계층을 수신하고, 기존의 인공지능 모델에 포함되었던 분류 계층을 제1 카테고리에 대응하는 분류 계층으로 교체할 수 있다(S1230).

한편 전자기기는 기존의 인공지능 모델에 포함되었던 분류 계층을 메모리로부터 삭제할 수 있다.

구체적으로 전자기기는 특징 추출층 및 제1 카테고리에 대응하는 분류 계층을 포함하는 인공지능 모델을 이용하여 입력 데이터에 대한 인식 결과를 획득할 수 있다. 이 경우 특징 추출층 및 분류 계층을 구성하는 하나 이상의 명령어(instruction)는 메모리에 저장될 수 있다.

한편 전자기기는 제2 카테고리에 대응하는 분류 계층을 수신하고, 제1 카테고리에 대응하는 분류 계층을 제2 카테고리에 대응하는 분류 계층으로 교체할 수 있다. 이 경우 전자기기는 제1 카테고리에 대응하는 분류 계층을 메모리에서 삭제하고, 제2 카테고리에 대응하는 분류 계층을 메모리에 저장할 수 있다.

도 13는 사용자가 원하는 카테고리의 분류 계층을 제공하는 또 다른 방법을 설명하기 위한 도면이다.

인공지능 서버(100)가 인공지능 모델을 생성한 상태이다(S1305). 다만 생성된 인공지능 모델은 아직 전자기기에 배포되지 않았다.

한편 전자 기기는 카테고리의 선택을 위한 입력을 수신할 수 있다(S1310). 예를 들어 인공지능 모델이 특정 카테고리에 대하여 높은 성능을 갖기를 바라는 사용자는, 카테고리를 지정하기 위하여 자신의 전자기기를 조작할 수 있다.

한편 카테고리의 선택을 위한 입력에 기초하여, 전자 기기는 카테고리의 선택 정보를 인공지능 서버(100)에 전송할 수 있다(S1315). 여기서 카테고리의 선택 정보는, 사용자에 의해 선택된 카테고리에 대한 정보를 포함할 수 있다.

전자기기로부터 카테고리의 선택 정보가 수신되면, 인공지능 서버(100)는 수신된 카테고리의 선택 정보에 대응하는 분류 계층을 포함하는 인공지능 모델을 전자기기에 전송할 수 있다(S1320).

구체적으로 인공지능 서버(100)는 S1305에서 생성된 인공지능 모델에 포함되는 특징 추출층에 카테고리의 선택 정보에 대응하는 분류 계층을 결합하고, 특징 추출층 및 분류 계층을 포함하는 인공지능 모델을 전자기기에 전송할 수 있다.

한편 전자기기는 인공지능 모델을 수신하고(S1325), 수신된 인공지능 모델을 이용하여 인식을 수행할 수 있다.

이와 같이 본 발명은 사용자가 선택한 카테고리에 높은 성능을 나타내는 분류 계층을 사용자 단말에 제공함으로써, 사용자의 니즈에 부합하는 분류 계층을 제공할 수 있는 장점이 있다.

한편 앞서 분류용 훈련 데이터를 이용하여 분류 계층을 업데이트 하는 과정은 인공지능 서버에서 수행되는 것으로 설명하였으나 이에 한정되지 않는다. 구체적으로 전자기기가 분류용 훈련 데이터 및 분류용 레이블링 데이터를 보유하는 경우, 전자기기는 분류용 훈련 데이터 및 분류용 레이블링 데이터를 인공지능 모델에 제공하여 인공지능 모델을 트레이닝 함으로써 분류 계층을 업데이트 할 수 있다.

다음은 인공지능 서버의 동작 방법에 대하여 설명한다.

인공지능 서버의 동작 방법은, 특징 벡터를 추출하는 특징 추출층 및 상기 특징 벡터를 이용하여 입력 데이터를 분류하는 분류 계층을 포함하는 인공지능 모델에 분류용 훈련 데이터 및 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 분류 계층을 업데이트 하는 단계, 및, 상기 업데이트 된 분류 계층을 상기 전자기기에 전송하는 단계를 포함할 수 있다.

이 경우 범용 훈련 데이터 및 범용 레이블링 데이터를 이용하여 상기 뉴럴 네트워크를 트레이닝 함으로써 제1 파라미터를 가지는 상기 특징 추출층 및 제2-1 파라미터를 가지는 상기 분류 계층을 포함하는 상기 인공지능 모델을 생성하는 단계를 더 포함할 수 있다.

이 경우 상기 분류 계층을 업데이트 하는 단계는, 상기 인공지능 모델에 상기 분류용 훈련 데이터 및 상기 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 제2-1 파라미터와 다른 제2-2 파라미터를 가지는 상기 분류 계층을 획득하는 단계를 포함할 수 있다.

이 경우 상기 제2-2 파라미터를 가지는 상기 분류 계층을 획득하는 단계는, 상기 제2-1 파라미터를 가지는 상기 분류 계층을 초기 파라미터를 가지는 분류 계층으로 교체하고, 상기 인공지능 모델에 상기 분류용 훈련 데이터 및 상기 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 제2-2 파라미터를 가지는 분류 계층을 획득하는 단계를 포함할 수 있다.

한편 상기 인공지능 모델을 생성하는 단계는, 상기 뉴럴 네트워크를 트레이닝 하는 과정에서, 상기 뉴럴 네트워크의 추정 값 및 상기 범용 레이블링 데이터 사이의 오차가 작아지도록 상기 특징 추출층의 파라미터 및 상기 분류 계층의 파라미터를 조절하는 단계를 포함하고, 상기 제2-2 파라미터를 가지는 상기 분류 계층을 획득하는 단계는, 상기 인공지능 모델을 트레이닝 하는 과정에서, 상기 인공지능 모델의 추정 값 및 상기 분류용 레이블링 데이터 사이의 오차가 작아지도록 상기 분류 계층의 파라미터를 조절하는 단계를 포함할 수 있다.

한편 상기 특징 추출층이 가지는 상기 제1 파라미터는, 상기 인공지능 모델이 트레이닝된 이후에도 상기 인공지능 모델의 트레이닝 이전과 동일하게 유지될 수 있다.

한편 상기 트레이닝 된 인공지능 모델은, 상기 제1 파라미터를 가지는 상기 특징 추출층 및 상기 제2-2 파라미터를 가지는 상기 분류 계층을 포함하고, 상기 업데이트 된 분류 계층을 상기 전자기기에 전송하는 단계는, 상기 제2-2 파라미터를 가지는 상기 분류 계층을 상기 특징 추출층으로부터 분리하여 상기 전자기기에 전송하는 단계를 포함할 수 있다.

한편 상기 업데이트 된 분류 계층을 상기 전자기기에 전송하는 단계는, 상기 전자기기로부터 분류 계층 변경 요청이 수신되면, 서로 다른 파라미터를 가지는 복수의 분류 계층 중 하나 이상의 분류 계층을 상기 전자기기에 전송하는 단계를 포함할 수 있다.

한편 상기 분류 계층을 업데이트 하는 단계는, 제1 카테고리에 대응하는 분류용 훈련 데이터 및 분류용 레이블링 데이터를 상기 인공지능 모델에 제공하여 상기 분류 계층을 업데이트 함으로써 상기 제1 카테고리에 대응하는 분류 계층을 획득하고, 상기 제1 카테고리에 대응하는 분류 계층을 메모리에 저장하는 단계, 및, 제2 카테고리에 대응하는 분류용 훈련 데이터 및 분류용 레이블링 데이터를 상기 인공지능 모델에 제공하여 상기 분류 계층을 업데이트 함으로써 상기 제2 카테고리에 대응하는 분류 계층을 획득하고, 상기 제2 카테고리에 대응하는 분류 계층을 상기 메모리에 저장하는 단계를 포함할 수 있다.

이 경우 상기 업데이트 된 분류 계층을 상기 전자기기에 전송하는 단계는, 상기 전자기기로부터 카테고리의 선택 정보를 수신하고, 상기 수신된 카테고리의 선택 정보가 상기 제1 카테고리에 대응하면 상기 제1 카테고리에 대응하는 분류 계층을 상기 전자기기에 전송하는 단계를 포함할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100: 인공지능 서버

Claims (11)

1. 전자기기와 통신하는 통신부; 및
   특징 벡터를 추출하는 특징 추출층 및 상기 특징 벡터를 이용하여 입력 데이터를 분류하는 분류 계층을 포함하는 인공지능 모델에 분류용 훈련 데이터 및 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 분류 계층을 업데이트 하고, 상기 업데이트 된 분류 계층을 상기 전자기기에 전송하는 프로세서를 포함하는
   인공지능 서버.
2. 제 1항에 있어서,
   상기 프로세서는,
   범용 훈련 데이터 및 범용 레이블링 데이터를 이용하여 상기 뉴럴 네트워크를 트레이닝 함으로써 제1 파라미터를 가지는 상기 특징 추출층 및 제2-1 파라미터를 가지는 상기 분류 계층을 포함하는 상기 인공지능 모델을 생성하는
   인공지능 서버.
3. 제 2항에 있어서,
   상기 프로세서는,
   상기 인공지능 모델에 상기 분류용 훈련 데이터 및 상기 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 제2-1 파라미터와 다른 제2-2 파라미터를 가지는 상기 분류 계층을 획득하는
   인공지능 서버.
4. 제 3항에 있어서,
   상기 프로세서는,
   상기 제2-1 파라미터를 가지는 상기 분류 계층을 초기 파라미터를 가지는 분류 계층으로 교체하고, 상기 인공지능 모델에 상기 분류용 훈련 데이터 및 상기 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 제2-2 파라미터를 가지는 분류 계층을 획득하는
   인공지능 서버.
5. 제 3항에 있어서,
   상기 프로세서는,
   상기 뉴럴 네트워크를 트레이닝 하는 과정에서, 상기 뉴럴 네트워크의 추정 값 및 상기 범용 레이블링 데이터 사이의 오차가 작아지도록 상기 특징 추출층의 파라미터 및 상기 분류 계층의 파라미터를 조절하고,
   상기 인공지능 모델을 트레이닝 하는 과정에서, 상기 인공지능 모델의 추정 값 및 상기 분류용 레이블링 데이터 사이의 오차가 작아지도록 상기 분류 계층의 파라미터를 조절하는
   인공지능 서버.
6. 제 3항에 있어서,
   상기 특징 추출층이 가지는 상기 제1 파라미터는,
   상기 인공지능 모델이 트레이닝된 이후에도 상기 인공지능 모델의 트레이닝 이전과 동일하게 유지되는
   인공지능 서버.
7. 제 3항에 있어서,
   상기 트레이닝 된 인공지능 모델은,
   상기 제1 파라미터를 가지는 상기 특징 추출층 및 상기 제2-2 파라미터를 가지는 상기 분류 계층을 포함하고,
   상기 프로세서는,
   상기 제2-2 파라미터를 가지는 상기 분류 계층을 상기 특징 추출층으로부터 분리하여 상기 전자기기에 전송하는
   인공지능 서버.
8. 제 1항에 있어서,
   서로 다른 파라미터를 가지는 복수의 분류 계층을 저장하는 메모리를 더 포함하고,
   상기 프로세서는,
   상기 전자기기로부터 분류 계층 변경 요청이 수신되면, 상기 복수의 분류 계층 중 하나 이상의 분류 계층을 상기 전자기기에 전송하는
   인공지능 서버.
9. 제 1항에 있어서,
   데이터를 저장하는 메모리를 더 포함하고,
   상기 프로세서는,
   제1 카테고리에 대응하는 분류용 훈련 데이터 및 분류용 레이블링 데이터를 상기 인공지능 모델에 제공하여 상기 분류 계층을 업데이트 함으로써 상기 제1 카테고리에 대응하는 분류 계층을 획득하고, 상기 제1 카테고리에 대응하는 분류 계층을 상기 메모리에 저장하고,
   제2 카테고리에 대응하는 분류용 훈련 데이터 및 분류용 레이블링 데이터를 상기 인공지능 모델에 제공하여 상기 분류 계층을 업데이트 함으로써 상기 제2 카테고리에 대응하는 분류 계층을 획득하고, 상기 제2 카테고리에 대응하는 분류 계층을 상기 메모리에 저장하는
   인공지능 서버.
10. 제 9항에 있어서,
    상기 프로세서는,
    상기 전자기기로부터 카테고리의 선택 정보를 수신하고, 상기 수신된 카테고리의 선택 정보가 상기 제1 카테고리에 대응하면 상기 제1 카테고리에 대응하는 분류 계층을 상기 전자기기에 전송하는
    인공지능 서버.
11. 특징 벡터를 추출하는 특징 추출층 및 상기 특징 벡터를 이용하여 입력 데이터를 분류하는 분류 계층을 포함하는 인공지능 모델에 분류용 훈련 데이터 및 분류용 레이블링 데이터를 제공하여 상기 인공지능 모델을 트레이닝 함으로써 상기 분류 계층을 업데이트 하는 단계; 및
    상기 업데이트 된 분류 계층을 상기 전자기기에 전송하는 단계를 포함하는
    인공지능 서버의 동작 방법.
    

Images