KR20210066328A - 자연어 이해 모델을 학습시키기 위한 인공 지능 장치 - Google Patents

Abstract

본 개시는 제1 언어에 능통한 사용자가 제2 언어의 자연어 이해 모델을 경제적으로 학습시키기 위하여 제1 언어 데이터를 기계 번역 모델에 입력하고, 제1 언어 데이터에 대응하는 제2 언어 데이터를 획득하여, 자연어 이해 모델을 학습시키는 인공 지능 장치를 제공한다.

Description

자연어 이해 모델을 학습시키기 위한 인공 지능 장치{AN ARTIFICIAL INTELLIGENCE APPARATUS FOR LEARNING NATURAL LANGUAGE UNDERSTANDING MODELS}

본 개시는 기계 번역 모델을 이용하여 제1 언어와 제2 언어의 병렬 코퍼스를 획득하고, 제2 언어 데이터에 대응하는 명령을 수행하는 자연어 이해 모델을 학습시키기 위한 것이다.

자연어 이해(Natural Language Understanding)는 기계의 언어가 아닌, 사람이 평소 쓰는 표현을 그대로 제공하더라도 기계가 이해할 수 있도록 하는 데 그 취지가 있다.

최근 딥러닝 (Deep Learning)기술의 발전 덕분에 전통적인 통계 및 룰 기반의 자연어 이해 (NLU)기법이나 머신 러닝(Machine Learning)방식의 자연어 이해 (NLU) 기법의 한계를 해결할 수 있게 되었다. 구체적으로 딥러닝 기술이 발전하면서 자연어 이해(Natural Language Understanding)데이터로부터 특징을 자동으로 학습할 수 있게 됨으로써 기존보다 폭넓은 정보 처리가 가능해졌기 때문이다. 예를 들어, 워드 임베딩 기술을 통해 단어나 형태소를 벡터화하고, 이후 NLU를 이용하여 문장을 해당 카테고리로 분류할 수 있다.

한편, 세계화 경향에 맞추어 다른 언어를 사용하는 나라에도 우수한 품질의 자연어 이해 기능을 지원할 수 있어야 한다.

자연어 이해 모델을 구축하기 위해서는 수동적인 학습이 필요한데, 서로 다른 언어를 사용하는 경우, 각 언어 마다 코퍼스를 수집하여 해당 코퍼스에 대응하는 동작을 수동으로 결과값을 라벨링함으로써 자연어 이해 모델을 학습시켜야 한다는 문제점이 있다.

본 개시의 목적은 제1 언어와 다른 제2 언어의 자연어 이해 모델을 학습 시킬 때, 기계 번역 모델을 이용하여 경제적으로 제2 언어의 자연어 이해 모델을 학습시키기 위한 인공 지능 장치 및 방법에 관한 것이다.

본 개시에 따른 인공 지능 장치는, 제1 언어 데이터의 제1 코퍼스를 기계 번역 모델에 입력하여 제2 언어 데이터의 제2 코퍼스를 획득하고, 획득한 제2 코퍼스와, 제1 언어 데이터의 제1 코퍼스에 대응하는 명령을 이용하여 제2 언어의 자연어 이해 모델을 학습시키는 프로세서를 제공하고자 한다.

본 개시는 제 1 언어에 능통한 사용자가 기계 번역 모델을 이용함으로써 능통하지 않은 제2 언어의 자연어 이해 모델을 학습시킬 수 있다.

도 1은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버를(200)의 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 개시의 순서도이다.
도 6은 본 개시의 순서도이다.
도 7은 본 개시의 순서도이다.
도 8은 본 개시의 시나리오 예시이다.
도 9는 본 개시의 동작 예시이다.
도 10은 본 개시의 시나리오 예시이다.

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 개시의 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 개시의 일 실시 예에 따른 인공 지능 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 개시의 일 실시 예에 따른 인공 지능 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 3은 본 개시의 일 실시 예에 따른 인공 지능 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 1에 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.

도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

도 1과 중복되는 설명은 생략한다.

본 개시에서, 인공 지능 장치(100)는 엣지 디바이스(edge device)를 포함한다.

도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

센싱부(140)는 센서부라고 칭할 수 있다.

출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

이하 본 개시에서는 '언어의 코퍼스'는 언어 데이터 또는 제2 언어 데이터가 전처리된 데이터와 혼용되어 사용될 수 있다.

도 5는 본 개시의 순서도이다.

도 5의 S510 및 S520은 기계 번역 모델을 구축하기 위한 과정이다.

도 5를 참조하면, 본 개시에 따른 인공 지능 장치(100)는 기계 번역 모델을 구축하기 위한 데이터를 수집할 수 있다(S510).

구체적으로 프로세서(180)는 제1 언어 데이터와 제1 언어에 대응하는 제2 언어 데이터를 수집할 수 있다. 제1 언어 데이터에 대응하는 제2 언어 데이터는 코퍼스 쌍으로 구축된 병렬 코퍼스를 의미할 수 있다. 상기 병렬 코퍼스는 번역가에 의하여 구축 될 수 있으며 개방된 데이터베이스를 이용할 수도 있다.

이때, 상기 제1 언어와 제2 언어는 다른 언어이고, 제1 언어 데이터에 대응하는 제2 언어 데이터는 동일한 의미를 가질 수 있다.

프로세서(180)는 제1 언어 데이터와 제2 언어 데이터의 병렬 코퍼스를 수집하고 나면, 수집한 코퍼스를 이용하여 기계 번역 모델을 구축할 수 있다(S520). 이하, '언어 데이터의 코퍼스'는 '언어 코퍼스'와 혼용되어 사용될 수 있다.

이때, 코퍼스(corpus)는 '말뭉치'를 의미할 수 있다. 말뭉치는 실제 사람들이 발화한 말이나 발간된 글을 모아놓은 방대한 데이터베이스를 포함할 수 있다. 특히 2개 국어 이상의 번역된 문서를 모은 말뭉치를 병렬 말뭉치(parallel corpus, 병렬 코퍼스)를 의미할 수 있다.

이때, 기계 번역 모델은 시퀀스 투 시퀀스(Sequence-to-Sequence)를 사용한 모델을 포함할 수 있다. 상기 시퀀스 투 시퀀스는 인코더와 디코더로 이루어질 수 있다. 인코더는 입력 문장의 모든 단어들을 순차적으로 입력받은 뒤에 마지막에 이 모든 단어 정보들을 압축해서 하나의 벡터로 만들 수 있다. 상기 압축된 벡터는 컨텍스트 벡터(context vector)로 명명될 수 있다.

입력 문장의 정보가 하나의 컨텍스트 벡터로 모두 압축되면 인코더는 컨텍스트 벡터를 디코더로 전송할 수 있다. 디코더는 컨텍스트 벡터를 받아서 번역된 단어를 한 개씩 순차적으로 출력하는 모델을 포함할 수 있다.

또한, 기계 번역 모델은 규칙 기반 기계 번역(rule-based machine translation, RBMT)모델, 통계적 기계 번역(statistical machine translation, SMT)모델 및 신경망 기계 번역(neural machine translation, NMT) 모델을 포함할 수 있다.

이때, 인공신경망에 기반한 기계 번역 모델은 입력 문장을 문장 벡터 형태로 변환하고, 이를 기반으로 출력 언어의 문장을 생성하는 방식으로 번역을 수행할 수 있다.

본 개시에 따르면, 프로세서(180)는 구축된 기계 번역 모델을 활용하여, 제1 언어의 코퍼스를 기계 번역 모델에 입력할 수 있다(S530). 이때, 기계 번역 모델에 입력되는 제1 언어의 코퍼스는 제1 언어 데이터 또는 제1 언어 데이터가 전처리된 데이터 일 수 있다.

프로세서(180)는 제1 언어의 코퍼스가 기계 번역 모델에 입력되면, 기계 번역 모델의 출력값으로 제2 언어의 코퍼스를 획득할 수 있다(S540). 이때 제2 언어의 코퍼스는 제2 언어 데이터 또는 제2 언어 데이터가 전처리된 데이터 일 수 있다.

프로세서(180)는 기계 번역 모델을 이용하여 제1 언어의 코퍼스에 대응하는 제2 언어의 코퍼스를 획득하고, 획득한 코퍼스를 이용하여 자연어 이해 모델을 학습시킬 수 있다(S550). 구체적으로, 프로세서(180)는 상기 제2 언어의 코퍼스가 입력되면 상기 제1 언어의 코퍼스에 대응하는 명령을 출력하도록 자연어 이해 모델을 학습시킬 수 있다.

상기 자연어 이해 모델에 관련하여 도 6에서 자세히 설명한다.

도 6은 자연어 이해 모델의 학습 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 프로세서(180)는 기계 번역 모델을 이용하여 제1 언어의 코퍼스에 대응하는 제2 언어의 코퍼스를 획득할 수 있다. 프로세서(180)는 상기 획득한 제2 언어의 코퍼스를 이용하여 자연어 이해 모델을 학습시킬 수 있다. 상기 언어의 코퍼스는 언어 데이터의 코퍼스와 혼용되어 사용될 수 있다.

한편, 구축된 기계 번역 모델의 성능이 낮은 경우 프로세서(180)는 저품질의 제2 언어의 코퍼스를 획득하게 된다. 저품질의 제2 언어의 코퍼스를 이용하여 자연어 이해 모델을 학습시키게 되면, 자연어 이해 모델이 출력하는 결과 또한 사용자가 의도한 명령과 다를 수 있다.

저품질의 언어의 코퍼스를 이용하여 학습된 자연어 이해 모델이 사용될 경우를 살펴보면, 인공 지능 장치(100)의 입력부(120)를 통해 제2 언어 데이터가 수신되고, 프로세서(180)가 제2 언어 데이터 또는 제2 언어의 코퍼스를 자연어 이해 모델에 입력하더라도 자연어 이해 모델은 제2 언어의 코퍼스에 대응하는 명령을 정확하게 출력하지 못할 수 있다.

상기와 같은 경우를 방지하기 위하여 인공 지능 장치(100)의 프로세서(180)는 기계 번역 모델을 평가하고, 검증된 기계 번역 모델을 이용하여 자연어 이해 모델을 학습시킴으로써 수신된 언어 데이터에 대응하는 명령을 정확하게 도출하도록 할 수 있다.

이하 자연어 이해 모델을 평가하는 과정에 대하여 설명한다.

본 개시에 따른 프로세서(180)는 제1 언어의 코퍼스에 대응하는 제2 언어의 코퍼스를 획득하면, 획득한 코퍼스를 이용하여 기계 번역 모델을 평가할 수 있다.

상기 기계 번역 모델의 평가는 평가 모델을 통해 수행될 수 있다.

상기 평가 모델은 BLEU(Bilingual Evaluation Understudy) 점수를 이용하여 기계 번역 모델을 평가 할 수 있다.

이때, BLEU는 기계 번역 결과와 사람이 직접 번역한 결과가 얼마나 유사한지 비교하여 번역에 대한 성능을 측정하는 평가 방법을 포함할 수 있다. 구체적으로 BLEU는 번역된 제2 언어의 코퍼스와 정답군 사이의 유사도를 N-gram 정확도(precision)의 형태로 측정하는 방법으로 이루어 질 수 있다.

구체적으로 BLEU는 N-gram 정확도를 이용하여 정답군 내에서 기계번역 결과의 N-gram이 얼마나 많이 일치하는 가를 측정하고 기하평균을 취하는 방법으로 이루어진 알고리즘을 포함할 수 있다.

이때, 정답군은 제1 언어 데이터가 잘 번역된 제2 언어 데이터로서 제1 언어 데이터와 동일한 의미를 갖는 제2 언어 데이터를 의미할 수 있다. 또한 상기 언어 데이터는 코퍼스를 포함할 수 있다.

프로세서(180)는 기계 번역 모델로부터 획득한 제2 언어의 코퍼스를 정답군과 비교하여 BLUE 스코어를 산출하고, 상기 BLEU 스코어가 임계값보다 큰 경우 자연어 이해 모델을 학습시킬 수 있다(S620).

본 개시에 따른 프로세서(180)는 자연어 이해 모델을 학습시키기 위하여, 제2 언어의 코퍼스를 입력값으로 설정하고, 제1 언어의 코퍼스에 대응하는 명령을 결과값을 설정할 수 있다(S630). 이때, 번역 모델의 성능에 따라, 제1 언어의 코퍼스에 대응하는 명령은 제2 언어의 코퍼스에 대응하는 명령과 동일한 의미를 가지는 명령일 수 있다.

구체적으로 프로세서(180)는 상기 BLEU 스코어가 임계값보다 큰 경우 자연어 이해 모델을 학습시키기 때문에 임계값이 높을수록 기계 번역 모델의 성능 또한 보장될 수 있다. 검증된 기계 번역 모델을 사용하게 되면, 제1 언어의 코퍼스에 대응하는 명령은 제2 언어의 코퍼스에 대응하는 명령과 동일한 의미를 가질 수 있다.

위와 같은 과정을 통하여, 만약 제1 언어에 능통한 사용자가 존재하고, 제1 언어 데이터가 입력되면 제2 언어 데이터로 번역해주는 기계 번역 모델이 구축되어 있다고 가정하면, 제1 언어에 능통한 사용자는 제2 언어에 대하여 능통하지 않더라도, 기계 번역 모델을 통해 제2 언어 코퍼스를 획득하고 획득한 상기 제2 언어 코퍼스를 입력값으로 설정하고, 제1 언어의 코퍼스에 대응하는 명령을 결과값으로 라벨링 함으로써 제 2 언어의 자연어 이해 모델을 학습시킬 수 있다.

또한, 제2 언어의 자연어 이해 모델의 입력값은 기계 번역 모델이 출력한 제2 언어 데이터가 될 수 있다. 그리고 제2 언어의 자연어 이해 모델의 결과값은 제1 언어 데이터에 대응하는 명령으로 설정될 수 있다. 따라서 제1 언어에 능통한 사용자는 제2 언어의 자연어 이해 모델을 학습시킬 수 있다. 이때 구축된 자연어 이해 모델을 제2 언어에 능통한 사용자가 사용하게 되면, 제2 언어의 자연어 이해 모델은 제2 언어에 능통한 사용자가 입력한 제2 언어 데이터에 따른 명령을 출력하고, 인공 지능 장치(100)는 상기 명령에 따른 동작을 수행할 수 있다.

본 개시의 또다른 실시예에 따르면, 인공 지능 장치(100)는 상기 제1 언어의 복수의 코퍼스에 각각 대응하는 복수의 명령을 저장하는 메모리(170)를 포함할 수 있다.

예를 들어, 인공 지능 장치(100)의 메모리(170)는 영어로 이루어진 복수의 코퍼스인 1)'turn on the TV', 2)'turn on the light' 각각에 대응하는 복수의 명령인 1) 'tv를 켜도록 제어하는 명령', 2) '불을 켜도록 제어하는 명령'을 저장하는 매핑 테이블을 저장할 수 있다.

인공 지능 장치(100)의 프로세서(180)는 상기 복수의 코퍼스 중 상기 제1 언어의 제1 코퍼스가 상기 기계 번역 모델에 입력됨에 따라 상기 제2 언어의 제2 코퍼스가 획득되면, 상기 복수의 명령 중 상기 제1 코퍼스에 대응하는 명령을 상기 메모리로부터 획득하고, 상기 제2 코퍼스를 입력값으로 설정하고, 상기 제1 코퍼스에 대응하는 명령을 결과값으로 라벨링하여 상기 자연어 이해 모델을 학습시킬 수 있다.

예를 들어, 인공 지능 장치(100)의 프로세서(180)는 상기 영어로 이루어진 복수의 코퍼스 중 1)'turn on the TV'가 기계 번역 모델에 입력됨에 따라 한국어로 이루어진 코퍼스 1) 'tv 켜줘'가 획득되면, 상기 복수의 명령 중 1)'turn on the TV'에 대응하는 명령인 1) 'tv를 켜도록 제어하는 명령'을 상기 메모리(170)로부터 획득할 수 있다.

그리고, 프로세서(180)는 자연어 이해 모델의 입력값으로 한국어 코퍼스인 1) 'tv 켜줘'를 설정하고, 결과값으로 1) 'tv를 켜도록 제어하는 명령'을 라벨링하여 자연어 이해 모델을 학습시킬 수 있다. 위와 같은 방법을 통하여 영어에 능통한 사용자는 한국어에 능통하지 않더라도 한국어가 입력되면 입력된 데이터에 대응하는 명령을 출력하는 자연어 이해 모델을 학습시킬 수 있다.

도 7은 본 개시의 일 실시 예에 따른 자연어 어해 모델을 학습시키기 위한 방법을 나타낸 도면이다.

도 7은 본 개시에 따른 또 다른 예시를 나타낸다. 도 7을 참고하면 인공 지능 장치(100)는 제1 언어 데이터를 수신하고, 수신한 제1 언어 데이터를 전처리 과정을 통해 제1 언어의 코퍼스 획득할 수 있다. 이후, 제1 언어의 코퍼스를 자연어 이해 모델(710)에 입력하여 상기 제1 언어의 코퍼스에 대응하는 명령을 획득할 수 있다.

그리고, 인공 지능 장치(100)는 상기 제1 언어의 코퍼스를 기계 번역 모델(720)에 입력하여 제2 언어의 코퍼스를 획득하고, 기계 번역 모델(720)으로부터 획득한 제2 언어의 코퍼스를 입력값으로 설정하고, 상기 제1 언어의 코퍼스에 대응하는 명령을 결과값으로 자동으로 라벨링(labeling)하여 상기 자연어 이해 모델(710)을 학습시킬 수 있다.

구체적으로, 인공 지능 장치(100)는 입력부(120)를 통하여 제1 언어 데이터를 수신할 수 있다. 이때 입력부(120)는 음성 데이터를 수신하는 마이크로폰을 포함할 수 있다. 또한, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다.

또한 인공 지능 장치(100)의 프로세서(180)는 수신한 제1 언어 데이터를 전처리 과정을 통하여 특징 데이터를 추출하고, 제1 언어의 코퍼스를 자연어 이해 모델(710)에 입력하여 제1 언어의 코퍼스에 대응하는 명령을 획득할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 제 1 언어의 코퍼스를 기계 번역 모델(720)에 입력하여 제1 언어의 코퍼스에 대응하는 제2 언어의 코퍼스를 획득할 수 있다.

예를 들어, 인공 지능 장치(100)는 입력부(120)를 통하여 영어로 이루어진 데이터인 1)'turn on the TV' 수신할 수 있다.

또한 인공 지능 장치(100)의 프로세서(180)는 수신한 1)'turn on the TV'를 전처리 과정을 통하여 특징 데이터를 추출하고, 영어로 이루어진 코퍼스를 자연어 이해 모델(710)에 입력하여 영어로 이루어진 코퍼스에 대응하는 명령인 1)'tv를 켜도록 제어하는 명령'을 획득할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 1)'turn on the TV'를 기계 번역 모델(720)에 입력하여 영어로 이루어진 코퍼스에 대응하는 한국어 코퍼스인 1)"tv 켜줘"를 획득할 수 있다.

이하 도 7의 기계 번역 모델을 이용하여 자연어 이해 모델을 학습시키는 과정을 설명한다.

본 개시에 따른 인공 지능 장치(100)의 입력부(120)를 통하여 제1 언어 데이터를 수신할 수 있다. 인공 지능 장치(100)의 프로세서(180)는 수신한 제1 언어 데이터를 자연어 이해모델(710)과 기계 번역 모델(720)에 입력 할 수 있다.

상기 언어 데이터는 사용자로부터 수신한 데이터의 전처리 과정을 거친 언어의 코퍼스를 포함할 수 있다.

자연어 이해 모델(710)은 제1 언어의 코퍼스를 수신하면, 제1 언어의 코퍼스 대응하는 명령을 출력할 수 있다. 이때, 제1 언어 데이터에 대응하는 명령은 인공 지능 장치가 탑재된 단말기 또는 장치를 제어하는 제어 신호를 포함할 수 있다. 다만, 이에 한정된 것은 아니다.

기계 번역 모델(720)은 제1 언어의 코퍼스를 수신하면, 제1 언어의 코퍼스에 따른 제2 언어의 코퍼스를 획득할 수 있다. 인공 지능 장치(100)의 프로세서(180)는 기계 번역 모델(720)의 성능을 검증하기 위하여 획득한 제2 언어의 코퍼스의 BLEU 스코어를 측정할 수 있다.

그리고 프로세서(180)는, 획득한 제2 언어의 코퍼스를 정답군과 비교하여 BLEU 스코어가 기 설정된 임계값을 초과하는 경우, 자연어 이해 모델(710)을 학습 시키기 위한 제2 언어의 코퍼스를 자연어 이해 모델(710)로 전송할 수 있다(S610).

프로세서(180)는 전송한 제2 언어의 코퍼스를 자연어 이해 모델(710)의 입력값으로 사용하고, 이전에 자연어 이해 모델(710)에서 획득한 제1 언어의 코퍼스에 대응하는 명령을 결과값으로 라벨링하여 자연어 이해 모델(710)을 학습시킬 수 있다.

또는, 프로세서(180)는 입력부(120)로 제1 언어 데이터가 수신될 때마다 자연어 이해 모델(710)을 이용하여 제1 언어 데이터에 대응하는 명령을 수집할 수 있다. 그리고, 기계 번역 모델(720)을 이용하여 제1 언어 데이터에 따른 제2 언어 데이터를 수집하여, 상기 수집한 명령 및 언어 데이터를 이용하여 자연어 이해 모델(710)을 학습시키기 위한 데이터 베이스를 구축할 수 있다. 상기 구축된 데이터 베이스는 인공 지능 장치(100)의 메모리(170)에 저장될 수 있다.

프로세서(180)는 상기 구축된 데이터 베이스를 이용하여 자연어 이해 모델(710)을 학습시킬 수 있다

본 개시에 따른 인공 지능 장치(100)는 사용자가 기존의 입력값에 대응하는 결과값을 수동으로 라벨링 해주는 방식과는 달리, 상기의 자연어 이해 모델의 라벨링 할 결과값을 미리 구축된 자연어 이해 모델을 통하여 획득하고, 기계 번역 모델을 통해 입력값을 획득함으로써, 인공 지능 장치(100)의 입력부(120)가 제1 언어 데이터를 발화 또는 기타 입력을 통해 수신하기만 하면 제2 언어에 따른 자연어 이해 모델을 구축할 수 있으므로, 기존의 방식보다 편리하고 경제적인 방법으로 자연어 이해 모델을 학습시킬 수 있다.

본 개시에 따른 인공 지능 장치(100)의 프로세서(180)는 자연어 이해 모델이 학습되고 나면, 제2 언어 데이터를 수신하고 수신된 제2 언어 데이터를 자연어 이해 모델에 입력하여 수신된 제2 언어 데이터에 대응하는 명령을 획득할 수 있다.

이때 제2 언어 데이터에 대응하는 명령은 학습 과정에서 제2 언어의 코퍼스에 대응하는 결과로서 라벨링된 제1 언어의 코퍼스일 수 있다. 또한, 제1 언어의 코퍼스는 기계 번역 모델을 통해 도출된 제2 언어의 코퍼스와 동일한 의미를 가질 수 있다.

프로세서(180)는 획득한 명령을 통해 인공 지능 장치(100)를 제어할 수 있다. 그리고, 본 개시에 따른 인공 지능 장치(100)의 프로세서(180)는 기계 번역 모델에서 획득한 제1 언어의 코퍼스 대응하는 제2 언어의 코퍼스의 BLEU 스코어가 임계값을 초과하지 못하는 경우, 기계 번역 모델의 성능을 향상시키기 위한 추가 학습을 수행할 수 있다.

상기 추가 학습은 추가적인 제1 언어 데이터와 제2 언어 데이터의 병렬 코퍼스를 수집하여, 기계 번역 모델을 학습시키는 과정을 포함할 수 있다.

본 개시에 따른 자연어 이해 모델(Natural language understanding model)은 기존의 룰 기반(rule-based) 알고리즘을 포함할 수 있다. 또한 인공 신경망을 포함하며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.

자연어 이해 모델(710)의 학습에 이용되는 학습 데이터 중 입력값은 제1 언어의 코퍼스가 기계 번역 모델에 입력된 결과인 제2 언어의 코퍼스에 대한 정보일 수 있다. 예를 들어 제2 언어의 코퍼스에 대한 정보란, 제2 언어 데이터의 코퍼스 또는 제2 언어 데이터가 전처리 과정을 거친(예를 들어, 토큰화 또는 워드 임베딩 등) 데이터를 포함할 수 있다. 한편, 상기의 예시에 본 개시가 한정되는 것은 아니다.

그리고, 자연어 이해 모델(710)의 학습에 이용되는 학습 데이터 중 결과값은 제1 언어의 코퍼스에 대응하는 명령을 라벨 정보로써 사용할 수 있다. 이때, 제1 언어의 코퍼스에 대응하는 명령이란 인공 지능 장치(100)에 제1 언어 데이터가 수신되었을 때 자연어 이해 모델(710)을 통하여 도출된 제1 언어 데이터에 대응하는 명령을 의미할 수 있다.

자연어 이해 모델(710)은 제2 언어의 코퍼스가 주어졌을 때, 그에 대응하는 학습 데이터에 포함된 제1 언어의 코퍼스에 대응하는 명령을 출력하도록 학습될 수 있다.

자연어 이해모델(710)은 인공 지능 장치(100)의 프로세서(180) 또는 러닝 프로세서(130)에서 학습되어 인공 지능 장치(100)의 메모리(170)에 저장될 수도 있지만, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)에서 학습되어 인공 지능 장치(100)의 메모리(170)에 저장될 수도 있다. 또는, 자연어 이해 모델(710)은 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)에서 학습되어 인공 지능 서버(200)의 메모리(230)에 저장될 수 있다.

인공 지능 장치(100)의 메모리(170)에 자연어 이해 모델(710)이 저장된 경우에는, 인공 지능 장치(100)의 프로세서(180)는 메모리(170)에 저장된 자연어 이해 모델(710)을 이용하여 제1 언어의 코퍼스에 대응하는 명령을 결정할 수 있다.

또는, 인공 지능 장치(100)의 메모리(170)에 자연어 이해 모델(710)이 저장되지 않은 경우에는, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 자연어 이해 모델(710)을 수신하여 메모리(170)에 저장하고, 메모리(170)에 저장된 자연어 이해 모델(710)을 이용하여 제1 언어의 코퍼스에 대응하는 명령을 결정할 수 있다.

또는, 인공 지능 장치(100)의 메모리(170)에 자연어 이해 모델(710)이 저장되지 않은 경우에, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 제2 언어의 코퍼스를 인공 지능 서버(200)에 전송하고, 인공 지능 서버(200)의 프로세서(260)는 메모리(240)에 저장된 자연어 이해 모델(710)을 이용하여 제1 언어의 코퍼스 대응하는 명령을 결정하고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 결정된 제1 언어의 코퍼스에 대응하는 명령을 수신할 수 있다.

상기 학습된 자연어 이해 모델을 이용하여, 본 개시에 따른 인공 지능 장치(100)의 프로세서(180)는 제2 언어 데이터가 수신되면 상기 제2 언어 데이터로부터 상기 제2 언어의 코퍼스를 추출하고, 상기 추출된 제2 언어의 코퍼스를 상기 자연어 이해 모델에 입력하여, 상기 자연어 이해 모델이 출력한 명령에 따른 동작을 수행할 수 있다. 또는 상기 명령에 따른 동작을 수행하도록 인공 지능 장치(100)가 탑재된 장치를 제어할 수 있다.

이하 도 8을 참조하여 자연어 처리 모델에 구성에 관하여 간략히 설명한다.

본 개시의 실시예에 따르면, 자연어 이해 모델(820)는 음성 인식을 수행하기 위한 구성 요소로써, 특징 추출부(821), 후보 음향모델(822) 및 언어 모델(823)을 포함할 수 있다.

특징 추출부(821)는 입력된 음성 신호에 대한 특징 정보를 추출한다. 특징 추출부(821)는 음성 신호를 수신하면, 실제 화자가 발성한 음성 부분만을 검출하여, 음성 신호의 특징을 나타낼 수 있는 정보를 추출할 수 있다. 음성 신호의 특징을 나타내는 정보는, 예를 들면, 음성 신호가 속하는 파형(waveform)에 따라 입 모양 또는 혀의 위치를 나타낼 수 있는 정보를 포함할 수 있다.

음향 모델(acoustic model, 822)은 추출된 음성 신호의 특징 정보를 이용하여 음성 신호와 매칭될 수 있는 적어도 하나의 후보 발음열(pronunciation variants)을 검출할 수 있다. 또한, 음향 모델(822)은 많은 양의 음성 데이터로부터 통계적인 방법을 통하여 생성될 수 있으며, 불특정 다수의 발화 데이터로부터 생성될 수도 있고, 특정 화자로부터 수집된 발화 데이터로부터 생성될 수도 있다. 따라서, 음향 모델은 화자에 따라 음성 인식 시 개별적으로 적용될 수 있다.

언어 모델(823)은 검출된 각 후보 발음열의 출현 확률 정보를 구할 수 있다. 그리고 자연어 이해 모델은 각 후보 발음열의 출현 확률 정보에 기초하여, 음성 인식된 최종 언어를 선택하여 음성 인식된 단어를 최종 결정할 수 있다.

예를 들어 특정 명령 수행을 위한 사용자의 발화가 있는 경우, 자연어 이해 모델을 통해 "특정 명령"이 출력되고, 인공 지능 장치는 상기 특정 명령을 수행하거나, 특정 명령을 수행하기 위해 다른 장치를 제어할 수 있다.

이하 도 8의 시나리오에 대하여 설명한다.

도 8은 본 개시에 있어서 자연어 이해 모델의 사용 시나리오를 나타낸 것이다.

도 8을 참조하면, 제2 언어에 능통한 사용자(810)는 제2 언어로 이루어진 음성 신호를 발화할 수 있다. 인공 지능 장치(100)의 입력부(120)는 상기 음성 신호를 수신하고, 프로세서(180)는 수신한 음성 신호를 자연어 이해 모델에 입력할 수 있다. 프로세서는 자연어 이해 모델이 출력한 제2 언어로 이루어진 음성 신호에 대응하는 음성 명령을 획득하고 상기 음성 명령에 대응하는 동작을 수행할 수 있다.

도 9는 본 개시의 동작 예시이다.

도 9는 제1 언어에 능통한 사용자가 기계 번역 모델을 이용하여 제2 언어, 제3 언어 및 제4 언어에 따른 자연어 이해 모델을 학습시키기 위한 과정을 나타낸다. 도 9에서는 각 언어 마다 자연어 이해 모델이 따로 구축되도록 도시되었으나, 상기 자연어 이해 모델은 통합된 하나의 모델로 구축될 수 있으며 도 9에 한정된 것은 아니다.

제1 언어에 능통한 사용자가 학습시킬 언어 데이터를 입력하면 인공 지능 장치(100)의 프로세서(180)는 수신한 제1 언어의 코퍼스를 기계 번역 모델에 입력 할 수 있다. 상기 기계 번역 모델은 제1 언어의 코퍼스에 대응하는 제2 언어의 코퍼스, 제3 언어의 코퍼스 및 제4 언어의 코퍼스를 생성할 수 있다.

이때, 제1 언어, 제2 언어, 제3 언어 및 제4 언어는 서로 다른 언어일 수 있으며 기계 번역 모델을 통해 번역된 제2 언어의 코퍼스, 제3 언어의 코퍼스 및 제4 언어의 코퍼스는 제1 언어의 코퍼스와 동일한 의미를 갖는 코퍼스를 포함할 수 있다.

프로세서(180)는 제1 언어의 코퍼스가 번역된 제2 언어의 코퍼스, 제3 언어의 코퍼스 및 제4 언어의 코퍼스를 획득하고 나면, 상기 제2 언어의 코퍼스를 입력값으로 설정하고, 결과값으로 상기 제1 언어의 코퍼스에 따른 명령을 라벨링하여 제2 언어의 자연어 이해 모델을 학습시킬 수 있다. 그리고, 상기 제3 언어의 코퍼스를 입력값으로 설정하고, 결과값으로 상기 제1 언어의 코퍼스에 따른 명령을 라벨링하여 제3 언어의 자연어 이해 모델을 학습시킬 수 있다. 그리고, 상기 제4 언어의 코퍼스를 입력값으로 설정하고, 결과값으로 상기 제1 언어의 코퍼스에 따른 명령을 라벨링하여 제4 언어의 자연어 이해 모델을 학습시킬 수 있다.

도 10은, 도 9에서 학습된 자연어 이해 모델을 사용하는 시나리오를 나타낸 것이다.

도 10의 시나리오를 참조하면, 각각 다른 언어를 사용하는 사용자들(1010,1011,1012)은 자신이 능통한 언어를 발화할 수 있다. 인공 지능 장치(100)의 입력부(120)는 상기 사용자들의 제2 언어 발화에 따른 제2 언어 데이터와, 제3 언어 발화에 따른 제3 언어 데이터 및 제4 언어 발화에 따른 제4 언어 데이터를 수신할 수 있다. 인공 지능 장치(100)의 프로세서(180)는 입력부(120)에서 수신한 언어 데이터 각각의 코퍼스를 자연어 이해 모델(1020)에 입력할 수 있다.

이때, 도 10의 자연어 이해 모델은 도 9에서 제2 언어, 제3 언어 및 제4 언어에 대응하는 명령을 수행할 수 있도록 학습된 자연어 이해 모델을 포함할 수 있다. 자연어 이해 모델은 입력 받은 제2 언어의 코퍼스에 대응하는 명령, 제3 언어의 코퍼스에 대응하는 명령 및 제4 언어의 코퍼스에 대응하는 명령을 각각 출력할 수 있다.

이때, 상기 각 언어의 코퍼스에 대응하는 명령은 학습 과정에서 각 언어의 코퍼스가 자연어 이해 모델에 입력 되었을 때, 결과값으로 라벨링된 제1 언어의 코퍼스에 대응하는 명령과 동일한 명령을 포함할 수 있다.

인공 지능 장치(100)는 자연어 이해 모델이 출력한 각각의 결과에 해당하는 명령을 수행할 수 있으며, 상기 명령을 수행하도록 다른 장치를 제어할 수 있다.

한편, 본 개시에 따른 인공 지능 장치의 동작 방법은 제1 언어의 코퍼스를 기계 번역 모델에 입력하여 제2 언어의 코퍼스를 획득하는 단계 및 상기 제2 언어의 코퍼스가 입력되면 상기 제1 언어의 코퍼스에 대응하는 명령을 출력하도록 자연어 이해 모델을 학습시키는 단계를 포함할 수 있다.

또한, 상기 기계 번역 모델은 상기 제1 언어의 코퍼스가 입력값으로 입력되면, 동일한 의미의 상기 제2 언어 의 코퍼스를 결과값으로 출력하도록 학습되고, 상기 제1 언어와 상기 제2 언어는 다른 언어인 경우를 포함할 수 있다.

또한, 상기 인공 지능 장치의 동작 방법은 상기 제2 언어의 코퍼스를 정답군과 비교하여 Bleu 스코어를 산출하는 단계를 더 포함하고, 상기 자연어 이해 모델을 학습시키는 단계는, 상기 Bleu스코어가 임계값 보다 큰 경우, 상기 제2 언어의 코퍼스를 이용하여 상기 자연어 이해 모델을 학습시키는 단계를 포함할 수 있다.

또한, 상기 제1 언어의 코퍼스에 대응하는 명령은 상기 제2 언어의 코퍼스에 대응하는 명령과 동일한 의미를 갖는 명령을 의미하고, 상기 자연어 이해 모델은 상기 제2 언어의 코퍼스에 상기 제1 언어의 코퍼스에 대응하는 명령을 라벨링하여 학습될 수 있다.

또한, 상기 인공 지능 장치의 동작 방법은 상기 제1 언어의 복수의 코퍼스에 각각 대응하는 복수의 명령을 저장하는 단계를 포함하고, 상기 복수의 코퍼스 중 상기 제1 언어의 제1 코퍼스가 상기 기계 번역 모델에 입력됨에 따라 상기 제2 언어의 제2 코퍼스가 획득되면, 상기 복수의 명령 중 상기 제1 코퍼스에 대응하는 명령 획득하는 단계 및 상기 제2 코퍼스를 입력값으로 설정하고, 상기 제1 코퍼스에 대응하는 명령을 결과값으로 라벨링하여 상기 자연어 이해 모델을 학습시키는 단계를 더 포함할 수 있다.

또한, 상기 인공 지능 장치의 동작 방법은 제2 언어 데이터를 수신하는 단계 및 상기 제2 언어 데이터로부터 상기 제2 언어의 코퍼스를 추출하고, 상기 추출된 제2 언어의 코퍼스를 상기 자연어 이해 모델에 입력하여, 상기 자연어 이해 모델이 출력한 명령에 따른 동작을 수행하는 단계를 더 포함할 수 있다.

또한, 상기 인공 지능 장치의 동작 방법은, 상기 제1 언어의 코퍼스를 상기 기계 번역 모델에 입력하여 제3 언어의 코퍼스를 획득하는 단계 및 상기 제3 언어의 코퍼스가 입력되면 상기 제1 언어의 코퍼스에 대응하는 명령을 출력하도록 상기 자연어 이해 모델을 학습시키는 단계를 더 포함하고, 상기 제3 언어는 상기 제2 언어와는 다른 언어인 경우를 포함할 수 있다.

또한, 상기 제1 언어의 코퍼스에 대응하는 명령은 상기 제3 언어의 코퍼스에 대응하는 명령과 동일한 의미를 갖는 명령을 의미하고, 상기 자연어 이해 모델은, 상기 제3 언어의 코퍼스에 상기 제1 언어의 코퍼스에 대응하는 명령을 라벨링하여 학습될 수 있다.

또한, 상기 인공 지능 장치의 동작 방법은, 제3 언어 데이터를 수신하는 단계 및 상기 제3 언어 데이터로부터 상기 제3언어의 코퍼스를 추출하고, 상기 추출된 제3 언어의 코퍼스를 상기 자연어 이해 모델에 입력하여, 상기 자연어 이해 모델이 출력한 명령에 따른 동작을 수행하는 단계를 더 포함할 수 있다.

전술한 본 개시에 따른 순서도는 인공 지능 장치에 의해 순서에 관계 없이 수행될 수 있으며, 시간적 순서에 구속되지 않는다. 또한, 본 개시는 상기 실시예들에 한정되지 않고 다른 실시예들이 포함될 수 있다. 또한, 본 개시는 소프트웨어, firmware 또는 소프트웨어 나 firmware의 조합으로 구성될 수 있다.

또한, 전술한 본 개시는, 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 프로세서(180)를 포함할 수도 있다.

Claims (18)

1. 제1 언어의 코퍼스를 기계 번역 모델에 입력하여 제2 언어의 코퍼스를 획득하고
   상기 제2 언어의 코퍼스가 입력되면 상기 제1 언어의 코퍼스에 대응하는 명령을 출력하도록 자연어 이해 모델을 학습시키는 프로세서를 포함하는,
   인공 지능 장치.
2. 제1항에 있어서
   상기 기계 번역 모델은
   상기 제1 언어의 코퍼스가 입력값으로 입력되면, 동일한 의미의 상기 제2 언어 의 코퍼스를 결과값으로 출력하도록 학습되고,
   상기 제1 언어와 상기 제2 언어는 다른 언어인,
   인공 지능 장치.
3. 제2항에 있어서,
   상기 프로세서는
   상기 제2 언어의 코퍼스를 정답군과 비교하여 Bleu 스코어를 산출하고,
   상기 Bleu스코어가 임계값 보다 큰 경우, 상기 제2 언어의 코퍼스를 이용하여 상기 자연어 이해 모델을 학습시키는,
   인공 지능 장치.
4. 제1항에 있어서,
   상기 제1 언어의 코퍼스에 대응하는 명령은 상기 제2 언어의 코퍼스에 대응하는 명령과 동일한 의미를 갖는 명령을 의미하고,
   상기 자연어 이해 모델은,
   상기 제2 언어의 코퍼스에 상기 제1 언어의 코퍼스에 대응하는 명령을 라벨링하여 학습되는,
   인공 지능 장치.
5. 제4 항에 있어서,
   상기 제1 언어의 복수의 코퍼스에 각각 대응하는 복수의 명령을 저장하는 메모리를 더 포함하고,
   상기 프로세서는,
   상기 복수의 코퍼스 중 상기 제1 언어의 제1 코퍼스가 상기 기계 번역 모델에 입력됨에 따라 상기 제2 언어의 제2 코퍼스가 획득되면, 상기 복수의 명령 중 상기 제1 코퍼스에 대응하는 명령을 상기 메모리로부터 획득하고,
   상기 제2 코퍼스를 입력값으로 설정하고, 상기 제1 코퍼스에 대응하는 명령을 결과값으로 라벨링하여 상기 자연어 이해 모델을 학습시키는,
   인공 지능 장치.
6. 제1항에 있어서,
   제2 언어 데이터를 수신하는 입력부를 더 포함하고,
   상기 프로세서는,
   상기 제2 언어 데이터로부터 상기 제2 언어의 코퍼스를 추출하고, 상기 추출된 제2 언어의 코퍼스를 상기 자연어 이해 모델에 입력하여, 상기 자연어 이해 모델이 출력한 명령에 따른 동작을 수행하는,
   인공 지능 장치.
7. 제1 항에 있어서
   상기 제1 언어의 코퍼스를 상기 기계 번역 모델에 입력하여 제3 언어의 코퍼스를 획득하고,
   상기 제3 언어의 코퍼스가 입력되면 상기 제1 언어의 코퍼스에 대응하는 명령을 출력하도록 상기 자연어 이해 모델을 학습시키는 프로세서를 포함하고, 상기 제3 언어는 상기 제2 언어와는 다른 언어인,
   인공 지능 장치.
8. 제7항에 있어서,
   상기 제1 언어의 코퍼스에 대응하는 명령은 상기 제3 언어의 코퍼스에 대응하는 명령과 동일한 의미를 갖는 명령을 의미하고,
   상기 자연어 이해 모델은,
   상기 제3 언어의 코퍼스에 상기 제1 언어의 코퍼스에 대응하는 명령을 라벨링하여 학습되는,
   인공 지능 장치.
9. 제7 항에 있어서,
   상기 입력부는 제3 언어 데이터를 수신하고
   상기 프로세서는,
   상기 제3 언어 데이터로부터 상기 제3언어의 코퍼스를 추출하고,
   상기 추출된 제3 언어의 코퍼스를 상기 자연어 이해 모델에 입력하여, 상기 자연어 이해 모델이 출력한 명령에 따른 동작을 수행하는 인공 지능 장치.
10. 제1 언어의 코퍼스를 기계 번역 모델에 입력하여 제2 언어의 코퍼스를 획득하는 단계; 및
    상기 제2 언어의 코퍼스가 입력되면 상기 제1 언어의 코퍼스에 대응하는 명령을 출력하도록 자연어 이해 모델을 학습시키는 단계를 포함하는,
    인공 지능 장치의 동작 방법.
11. 제10항에 있어서,
    상기 기계 번역 모델은
    상기 제1 언어의 코퍼스가 입력값으로 입력되면, 동일한 의미의 상기 제2 언어 의 코퍼스를 결과값으로 출력하도록 학습되고,
    상기 제1 언어와 상기 제2 언어는 다른 언어인,
    인공 지능 장치의 동작 방법.
12. 제 11항에 있어서,
    상기 인공 지능 장치의 동작 방법은,
    상기 제2 언어의 코퍼스를 정답군과 비교하여 Bleu 스코어를 산출하는 단계를 더 포함하고,
    상기 자연어 이해 모델을 학습시키는 단계는,
    상기 Bleu스코어가 임계값 보다 큰 경우, 상기 제2 언어의 코퍼스를 이용하여 상기 자연어 이해 모델을 학습시키는 단계를 포함하는,
    인공 지능 장치의 동작 방법.
13. 제10항에 있어서,
    상기 제1 언어의 코퍼스에 대응하는 명령은 상기 제2 언어의 코퍼스에 대응하는 명령과 동일한 의미를 갖는 명령을 의미하고,
    상기 자연어 이해 모델은
    상기 제2 언어의 코퍼스에 상기 제1 언어의 코퍼스에 대응하는 명령을 라벨링하여 학습되는,
    인공 지능 장치의 동작 방법.
14. 제13항에 있어서,
    상기 인공 지능 장치의 동작 방법은,
    상기 제1 언어의 복수의 코퍼스에 각각 대응하는 복수의 명령을 저장하는 단계;
    상기 복수의 코퍼스 중 상기 제1 언어의 제1 코퍼스가 상기 기계 번역 모델에 입력됨에 따라 상기 제2 언어의 제2 코퍼스가 획득되면, 상기 복수의 명령 중 상기 제1 코퍼스에 대응하는 명령 획득하는 단계 및
    상기 제2 코퍼스를 입력값으로 설정하고, 상기 제1 코퍼스에 대응하는 명령을 결과값으로 라벨링하여 상기 자연어 이해 모델을 학습시키는 단계를 더 포함하는,
    인공 지능 장치의 동작 방법.
15. 제10항에 있어서,
    상기 인공 지능 장치의 동작 방법은,
    제2 언어 데이터를 수신하는 단계 및
    상기 제2 언어 데이터로부터 상기 제2 언어의 코퍼스를 추출하고, 상기 추출된 제2 언어의 코퍼스를 상기 자연어 이해 모델에 입력하여, 상기 자연어 이해 모델이 출력한 명령에 따른 동작을 수행하는 단계를 더 포함하는,
    인공 지능 장치.
16. 제10항에 있어서,
    상기 인공 지능 장치의 동작 방법은,
    상기 제1 언어의 코퍼스를 상기 기계 번역 모델에 입력하여 제3 언어의 코퍼스를 획득하는 단계 및
    상기 제3 언어의 코퍼스가 입력되면 상기 제1 언어의 코퍼스에 대응하는 명령을 출력하도록 상기 자연어 이해 모델을 학습시키는 단계를 더 포함하고, 상기 제3 언어는 상기 제2 언어와는 다른 언어인,
    인공 지능 장치.
17. 제16항에 있어서,
    상기 제1 언어의 코퍼스에 대응하는 명령은 상기 제3 언어의 코퍼스에 대응하는 명령과 동일한 의미를 갖는 명령을 의미하고,
    상기 자연어 이해 모델은,
    상기 제3 언어의 코퍼스에 상기 제1 언어의 코퍼스에 대응하는 명령을 라벨링하여 학습되는,
    인공 지능 장치의 동작 방법.
18. 제16 항에 있어서,
    상기 인공 지능 장치의 동작 방법은,
    제3 언어 데이터를 수신하는 단계 및
    상기 제3 언어 데이터로부터 상기 제3언어의 코퍼스를 추출하고, 상기 추출된 제3 언어의 코퍼스를 상기 자연어 이해 모델에 입력하여, 상기 자연어 이해 모델이 출력한 명령에 따른 동작을 수행하는 단계를 더 포함하는,
    인공 지능 장치의 동작 방법.

Images