KR20210072362A

KR20210072362A - 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법

Info

Publication number: KR20210072362A
Application number: KR1020190162598A
Authority: KR
Inventors: 한종우
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-09
Filing date: 2019-12-09
Publication date: 2021-06-17
Also published as: US20210174142A1; US11295166B2; US11823020B2; US20220129703A1

Abstract

본 개시의 일 실시 예는 학습 데이터를 생성하는 인공 지능 장치에 있어서, 인공 지능 모델을 저장하는 메모리; 마이크로폰 또는 카메라를 포함하는 입력부; 및 상기 입력부를 통해 입력 데이터를 수신하고, 상기 인공 지능 모델을 이용하여 상기 입력 데이터에 대응하는 추론 결과를 생성하고, 상기 입력부를 통해 상기 추론 결과에 대응하는 피드백을 수신하고, 상기 인공 지능 모델의 갱신에 대한 상기 입력 데이터 및 상기 피드백의 적합성을 판단하고, 상기 입력 데이터 및 상기 피드백이 상기 인공 지능 모델의 갱신에 적합한 데이터로 판단된 경우에 상기 입력 데이터 및 상기 피드백에 기초하여 학습 데이터를 생성하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법 {ARTIFICIAL INTELLIGENCE APPARATUS AND METHOD FOR GENERATING TRAINING DATA FOR ARTIFICIAL INTELLIGENCE MODEL}

본 개시(disclosure)는 수집된 데이터 중에서 인공 지능 모델의 학습에 적합한 데이터를 선별하여, 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법에 관한 것이다.

최근 사용자의 사용 로그를 반영하여 인공 지능 모델을 지속적으로 갱신하는 인공 지능 진화 기술이 많이 채택되고 있다. 실제 사용자의 사용 로그에 기초하여 인공 지능 모델을 갱신하게 될 경우, 실제 사용자의 사용 태양에 적합한 학습 데이터를 획득할 수 있으므로, 보다 현실적이고 활용도 높은 인공 지능 모델을 구성할 수 있는 장점이 있다.

사용자의 사용 로그에 기반한 인공 지능 진화 기술은 기본적으로 사용자가 정상적인 사용을 통한 정상적인 피드백을 제공한다는 가정이 필요하다. 만약, 사용자가 실수로 또는 의도적으로 잘못된 피드백을 제공하는 경우, 잘못된 사용 로그에 기반하여 인공 지능 모델을 갱신하게 되어 인공 지능 모델이 부정확하게 학습되는 문제가 발생할 수 있다.

따라서, 수집되는 사용 로그가 인공 지능 모델의 갱신에 적합한지 판단하여 선별적으로 학습 데이터를 생성할 수 있는 방법이 필요하다.

본 개시는 입력 데이터와 그에 대응하는 피드백이 인공 지능 모델의 갱신에 적합한 데이터인지 판단하고, 인공 지능 모델에 적합한 데이터에 기초하여 학습 데이터를 생성하는 인공 지능 장치 및 그 방법을 제공한다.

본 개시의 일 실시 예는, 인공 지능 모델을 이용하여 입력 데이터에 대한 추론 결과를 생성하고, 추론 결과에 대응하는 피드백을 수신하고, 입력 데이터와 피드백이 인공 지능 모델의 갱신에 적합한지 판단하고, 인공 지능 모델의 갱신에 적합하다고 판단된 입력 데이터 및 피드백을 학습 데이터로 생성하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 복수의 적합성 판단 방법을 이용하여 입력 데이터 및 피드백에 대한 적합성을 판단하고, 복수의 적합성 판단 결과에 대한 적합 비율에 기초하여 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한지 결정하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 제1 적합성 판단 방법으로써 입력 데이터가 아웃라이어인지 판단함으로써 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한지 결정하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 제2 적합성 판단 방법으로써 입력 데이터에 대한 인공 지능 모델의 민감도를 산출하고, 산출한 민감도를 고려하여 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한지 결정하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 제3 적합성 판단 방법으로써 인공 지능 모델을 이용하여 입력 데이터에 대한 복수의 임시 추론 결과를 생성하고, 복수의 임시 추론 결과로부터 생성한 앙상블 추론 결과와 피드백을 비교함으로써 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한지 결정하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 제4 적합성 판단 방법으로써 커널 분석을 통해 피드백에 대응하는 클래스에서의 커널 점수를 산출하고, 산출한 커널 점수를 고려하여 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한지 결정하는 인공 지능 장치 및 그 방법을 제공한다.

본 개시의 다양한 실시 예에 따르면, 우연히 또는 악의적으로 잘못된 데이터가 생성 및 수집된다 하더라도, 수집되는 데이터가 인공 지능 모델의 갱신에 적합한 데이터인지 미리 판단하고, 인공 지능 모델의 갱신에 부적절한 데이터를 배제함으로써, 인공 지능 모델이 부적절하게 갱신되는 상황을 방지할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 시스템을 나타낸 도면이다.
도 6은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 시스템을 나타낸 도면이다.
도 7은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 방법을 나타낸 동작 흐름도이다.
도 8은 도 7에 도시된 인공 지능 모델의 갱신에 대한 입력 데이터 및 피드백의 적합성을 판단하는 단계(S707)의 일 예를 나타낸 동작 흐름도이다.
도 9는 본 개시의 일 실시 예에 따른 인공 지능 모델의 갱신에 부적합한 데이터의 예시들을 나타낸 도면이다.
도 10은 본 개시의 일 실시 예에 따른 인공 지능 모델의 갱신에 부적합한 데이터의 예시를 나타낸 도면이다.
도 11은 본 개시의 일 실시 예에 따른 제1 적합성 판단 방법을 나타낸 동작 흐름도이다.
도 12는 본 개시의 일 실시 예에 따른 제1 적합성 판단 방법을 나타낸 도면이다.
도 13은 본 개시의 일 실시 예에 따른 제2 적합성 판단 방법을 나타낸 동작 흐름도이다.
도 14는 본 개시의 일 실시 예에 따른 자코비안 노름 점수를 설명하는 도면이다.
도 15는 본 개시의 일 실시 예에 따른 클래스별 자코비안 노름 점수에 대한 제2 기준 값을 결정하는 방법을 나타낸 동작 흐름도이다.
도 16은 본 개시의 일 실시 예에 따른 제3 적합성 판단 방법을 나타낸 동작 흐름도이다.
도 17은 본 개시의 일 실시 예에 따른 제4 적합성 판단 방법을 나타낸 동작 흐름도이다.
도 18 및 19는 본 개시의 일 실시 예에 따른 커널 분석을 설명하는 도면이다.
도 20은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 시스템을 나타낸 도면이다.
도 21은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 시스템을 나타낸 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 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 AI 장치(100)를 나타낸 블록도이다.

이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.

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, 인공 지능 장치(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 AI 서버(200)를 나타낸 블록도이다.

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 AI 시스템(1)을 나타낸 도면이다.

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. 예컨대, 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 나타낸 블록도이다.

도 1과 중복되는 설명은 생략한다.

통신부(110)는 통신 모뎀(communication modem) 또는 통신 회로(communication circuit)라고도 칭할 수 있다.

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.

도 5는 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 시스템(1)을 나타낸 도면이다.

도 5를 참조하면, 인공 지능 모델에 대한 학습 데이터를 생성하는 시스템(1)은 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치(100)를 포함할 수 있다. 비록 도 5에는 도시되지는 않았으나, 인공 지능 모델에 대한 학습 데이터를 생성하는 시스템(1)은 인공 지능 장치(100)뿐만 아니라, 입력 데이터(511) 또는 피드백(541)을 수신하는 외부 장치 (또는 단말기)나, 인공 지능 모델(520)을 갱신(551)하는 인공 지능 서버(200) 등을 더 포함할 수도 있다.

인공 지능 장치(100)는 입력 데이터(511)를 수신하면, 인공 지능 모델(520)을 이용하여 수신한 입력 데이터(511)에 대응하는 인식 결과(531) 또는 추론 결과를 생성할 수 있다. 그리고, 인공 지능 장치(100)는 생성한 인식 결과(531)에 대응하는 피드백(541)을 수신할 수 있고, 입력 데이터(511)와 수신한 피드백(541)에 기초하여 학습 데이터를 생성하고, 생성한 학습 데이터를 이용하여 인공 지능 모델(520)을 갱신(551)할 수 있다.

만약, 입력 데이터(511)에 대응하는 피드백(541)이 실수로 또는 의도적으로 잘못된 인식 결과를 가리키는 경우, 인공 지능 모델(520)은 부적절하게 또는 부정확하게 갱신될 수 있다. 다만, 도 5에 도시된 시스템(1)에서는 인공 지능 장치(100)가 인공 지능 모델(520)을 저장하므로, 설령 인공 지능 모델(520)이 잘못 갱신된다 하더라도 다른 인공 지능 장치에 저장된 인공 지능 모델에 악영향을 끼치지 않을 수 있다.

도 6은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 시스템(1)을 나타낸 도면이다.

도 6를 참조하면, 인공 지능 모델에 대한 학습 데이터를 생성하는 시스템(1)은 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치(100) 및 인공 지능 서버(200)를 포함할 수 있다. 비록 도 6에는 도시되지는 않았으나, 인공 지능 모델에 대한 학습 데이터를 생성하는 시스템(1)은 인공 지능 장치(100) 및 인공 지능 서버(200)뿐만 아니라, 입력 데이터(611) 또는 피드백(641)을 수신하는 외부 장치 (또는 단말기)나, 인공 지능 모델(620)을 갱신(651)하는 인공 지능 서버(200) 등을 더 포함할 수도 있다.

인공 지능 장치(100)는 입력 데이터(611)를 수신하면, 수신한 입력 데이터(611)를 인공 지능 서버(200)로 전송할 수 있다. 인공 지능 서버(200)는 인공 지능 모델(620)을 이용하여 수신한 입력 데이터(611)에 대응하는 인식 결과(631) 또는 추론 결과를 생성하고, 생성한 인식 결과(631)를 인공 지능 장치(100)에 전송할 수 있다. 인공 지능 장치(100)는 수신한 인식 결과(631)를 출력하고, 인식 결과(631)에 대응하는 피드백(641)을 수신하면, 수신한 피드백(641)을 인공 지능 서버(200)로 전송할 수 있다. 인공 지능 서버(200)는 입력 데이터(611)와 수신한 피드백(641)에 기초하여 학습 데이터를 생성하고, 생성한 학습 데이터를 이용하여 인공 지능 모델(620)을 갱신(651)할 수 있다.

만약, 입력 데이터(611)에 대응하는 피드백(641)이 실수로 또는 의도적으로 잘못된 인식 결과를 가리키는 경우, 인공 지능 모델(620)은 부적절하게 또는 부정확하게 갱신될 수 있다. 특히, 도 6에 도시된 시스템(1)에서는 인공 지능 서버(200)가 인공 지능 모델(620)을 저장하므로, 인공 지능 모델(620)이 잘못 갱신된다면 동일한 인공 지능 모델(620)를 이용하는 복수의 인공 지능 장치의 성능에 큰 악영향을 끼칠 수 있다.

도 7은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 방법을 나타낸 동작 흐름도이다.

도 7을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터를 수신한다(S701).

프로세서(180)는 카메라(121) 또는 마이크로폰(122)를 통해 입력 데이터를 수신할 수도 있고, 통신부(110)를 통해서 외부 장치(미도시)로부터 입력 데이터 데이터를 수신할 수도 있다. 입력 데이터는 이미지 데이터 또는 음성 데이터를 포함할 수 있다.

외부 기기(미도시)는 카메라나 이미지 센서를 포함하여 이미지 데이터를 생성하거나 마이크로폰을 포함하여 음성 데이터를 생성할 수 있으며, 통신부를 구비하여 생성한 이미지 데이터 또는 생성한 음성 데이터를 다른 장치에 전송할 수 있는 기기를 의미할 수 있다. 예컨대, 외부 기기(미도시)는 사물 인터넷 카메라, 감시 카메라, 드론, 로봇 등을 포함할 수 있다.

이미지 데이터는 RGB 이미지 데이터, IR 이미지 데이터 또는 Depth 이미지 데이터 중에서 적어도 하나 이상을 포함할 수 있다. 예컨대, 일 실시 예에 따른 이미지 데이터는 각 픽셀에 대한 RGB 정보와 IR 정보를 포함하는 RGB-IR 이미지 데이터일 수 있다. 이미지 데이터에는 인식의 대상이 되는 객체가 포함될 수 있다.

음성 데이터는 사용자의 음성 신호를 포함할 수 있다. 예컨대, 음성 데이터는 PCM(pulse code modulation), wav, mp3 등의 다양한 형식의 오디오 파일일 수 있다. 음성 데이터에는 인공 지능 장치(100)를 제어하기 위한 명령, 정보 검색을 위한 질의 등이 포함될 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 인공 지능 모델을 이용하여 수신한 입력 데이터에 대응하는 추론 결과를 생성한다(S703).

인공 지능 모델은 이미지 데이터에 포함된 객체를 인식하여 객체 인식 정보를 생성하는 이미지 인식 모델을 의미할 수도 있고, 음성 데이터에 포함된 사용자 음성을 인식하여 의도 정보를 생성하는 음성 인식 모델을 의미할 수도 있다.

인공 지능 모델이 객체 인식 모델인 경우, 프로세서(180)는 인공 지능 모델을 이용하여 추론 결과로써 객체 인식 정보를 생성할 수 있다. 마찬가지로, 인공 지능 모델이 음성 인식 모델인 경우, 프로세서(180)는 인공 지능 모델을 이용하여 추론 결과로써 의도 정보를 생성할 수 있다.

인공 지능 장치(100)의 프로세서(180)는 메모리(170)에 저장된 인공 지능 모델을 이용하여 수신한 입력 데이터에 대응하는 추론 결과를 생성할 수 있다. 또는, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 수신한 입력 데이터를 인공 지능 서버(200)에 전송하고, 인공 지능 서버(200)의 프로세서(260)는 메모리(240)에 저장된 인공 지능 모델을 이용하여 수신한 입력 데이터에 대응하는 추론 결과를 생성하고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 생성된 추론 결과를 수신할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 추론 결과에 대응하는 피드백을 수신한다(S705).

추론 결과에 대응하는 피드백은 추론 결과가 적합한지 또는 부적합한지를 나타내는 적합성 피드백이나 부적합한 추론 결과를 바로잡는 보정 피드백을 포함할 수 있다.

추론 결과에 대응하는 피드백에는 사용자의 입력에 의한 명시적인 피드백, 사용자의 입력에 의한 묵시적인 피드백, 동작 정보로부터 생성된 피드백이 포함될 수 있다. 사용자의 입력에 의한 피드백은 사용자의 발화 음성, 사용자의 탄성이나 허밍, 사용자의 표정 또는 사용자의 제스쳐로부터 획득할 수도 있고, 동작 정보로부터 생성된 피드백은 센서부(140)에서 수집되는 센서 정보로부터 획득할 수도 있다. 예컨대, 인공 지능 장치(100)가 카메라(121)를 통해 이미지 데이터를 수신하고, 인공 지능 모델을 이용하여 전방에 장애물 객체가 존재하지 않는다는 추론 결과를 획득하고, 그에 따라 인공 지능 장치(100)가 전방으로 이동하는 제어 신호를 생성하여 구동부(미도시)를 제어하였지만, 이미지 데이터에 포함되지 않은 외부 요인에 의하여 인공 지능 장치(100)가 이동하지 못하는 경우, 센서부(140)에서 획득하는 센서 정보를 통해 인공 지능 장치(100)가 장애물에 의하여 이동하지 못한다는 피드백을 획득할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 인공 지능 모델의 갱신에 대한 입력 데이터 및 피드백의 적합성을 판단한다(S707).

인공 지능 모델의 갱신에 대한 입력 데이터 및 피드백의 적합성은 입력 데이터와 그에 대응하는 피드백이 인공 지능 모델의 갱신에 적합한 데이터인지를 의미할 수 있다.

인공 지능 모델은 다양한 학습 데이터를 이용하여 학습되며, 특히 사용자의 실제 사용 로그로부터 생성된 학습 데이터를 이용하여 학습됨에 따라 실제 사용 환경에 적합한 추론 결과를 도출할 수 있다. 그러나, 실제 사용 로그에 잘못된 데이터가 포함될 수 있고, 잘못된 데이터가 포함된 사용 로그를 인공 지능 모델의 학습에 이용할 경우 인공 지능 모델의 성능에 악영향을 끼칠 수 있다. 실제 사용 로그는 입력 데이터 및 피드백을 포함할 수 있고, 잘못된 사용 로그는 사용자가 의도적으로 잘못된 피드백을 제공하거나, 실수로 잘못된 피드백을 제공하는 상황에서 발생할 수 있다. 따라서, 실제 사용 로그에 포함된 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한지 판단할 필요가 있다.

프로세서(180)는 복수의 적합성 판단 방법 중에서 적어도 하나 이상을 이용하여 입력 데이터 및 피드백의 적합성을 판단할 수 있다. 그리고, 프로세서(180)는 복수의 적합성 판단 방법을 이용하여 적합성을 판단할 경우, 복수의 적합성 판단 결과에 대한 적합 판단 비율에 기초하여 입력 데이터 및 피드백의 적합성을 판단할 수 있다. 복수의 적합성 판단 방법에 대한 구체적인 설명은 후술한다.

단계(S707)의 판단 결과, 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 부적합한 데이터로 판단된 경우, 인공 지능 장치(100)의 프로세서(180)는 절차를 종료한다.

일 실시 예에서, 프로세서(180)는 현재 수신한 입력 데이터와 그에 대응하는 피드백으로부터 학습 데이터를 생성하는 절차를 종료하고, 다시 새로운 입력 데이터를 수신하여 학습 데이터를 생성하는 절차를 반복하여 수행할 수 있다.

단계(S707)의 판단 결과, 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한 데이터로 판단된 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백에 기초하여 학습 데이터를 생성한다(S709).

프로세서(180)는 인공 지능 모델의 갱신에 적합한 것으로 판단된 입력 데이터와 그에 대응하는 라벨 정보로써 피드백을 포함하는 학습 데이터를 생성할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 학습 데이터를 이용하여 인공 지능 모델을 갱신한다(S711).

학습 데이터를 이용하여 인공 지능 모델을 갱신한다는 것은 학습 데이터를 이용하여 인공 지능 모델을 추가로 학습하여 인공 지능 모델의 모델 파라미터를 갱신하는 것을 의미할 수 있다.

일 실시 예에서, 인공 지능 장치(100)의 프로세서(180)는 직접 또는 러닝 프로세서(140)를 통해 메모리(170)에 저장된 인공 지능 모델을 갱신할 수 있다.

일 실시 예에서, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)에 인공 지능 모델과 생성한 학습 데이터를 전송하고, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)는 수신한 학습 데이터를 이용하여 수신한 인공 지능 모델을 갱신하고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 갱신된 인공 지능 모델을 수신할 수 있다.

일 실시 예에서, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)에 생성한 학습 데이터를 전송하고, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)는 수신한 학습 데이터를 이용하여 메모리(230)에 저장된 인공 지능 모델을 갱신할 수 있다.

비록, 도 7에서는 인공 지능 장치(100)가 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한지 판단하는 예시만을 도시하였으나, 본 개시가 이에 한정되지 않는다. 즉, 다른 실시 예에서, 인공 지능 장치(100)는 입력 데이터와 그에 대응하는 피드백을 인공 지능 서버(200)에 전송하고, 인공 지능 서버(200)가 수신한 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합한지 판단할 수도 있다. 따라서, 후술하는 도면들에 대한 설명에서 인공 지능 장치(100)의 동작만을 설명하더라도, 인공 지능 서버(200)도 인공 지능 장치(100)와 동일한 동작을 수행할 수 있는 것으로 이해하여야 한다.

도 7에 도시된 단계들(steps)은 반복적으로 수행될 수 있고, 그에 따라 인공 지능 장치(100)는 반복적으로 입력 데이터 및 피드백으로부터 인공 지능 모델의 갱신에 이용할 학습 데이터를 생성할 수 있다.

도 7에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 7에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 7에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 8은 도 7에 도시된 인공 지능 모델의 갱신에 대한 입력 데이터 및 피드백의 적합성을 판단하는 단계(S707)의 일 예를 나타낸 동작 흐름도이다.

도 8을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 복수의 적합성 판단 방법 중에서 적어도 하나 이상을 이용하여 입력 데이터 및 피드백에 대한 적어도 하나 이상의 적합성 판단 결과를 생성한다(S801).

프로세서(180)는 복수의 미리 정해진 적합성 판단 방법 중에서 적어도 하나 이상을 이용하여 인공 지능 모델의 갱신에 대한 입력 데이터 및 피드백의 적합성을 판단할 수 있으며, 이용된 적합성 판단 방법의 개수만큼 적합성 판단 결과를 생성할 수 있다. 예컨대, 프로세서(180)가 총 4개의 적합성 판단 방법을 이용하여 입력 데이터 및 피드백의 적합성을 판단하는 경우, 총 4개의 적합성 판단 결과를 생성할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 적합성 판단 결과에 대한 적합 판단 비율을 산출한다(S803).

프로세서(180)는 생성된 적어도 하나 이상의 적합성 판단 결과들에 중에서 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 적합하다고 판단된 비율을 산출할 수 있다. 예컨대, 총 4개의 적합성 판단 방법을 이용하여 입력 데이터 및 피드백의 적합성을 판단하여 4개의 적합성 판단 결과가 생성되었고, 4개의 적합성 판단 결과 중에서 2개의 결과만이 인공 지능 모델의 갱신에 적합하다는 판단이 포함된 경우, 프로세서(180)는 적합 판단 비율을 0.5 또는 50%로 산출할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 적합 판단 비율이 기준 비율 이상인지 판단한다(S805).

기준 비율은 복수의 적합성 판단 결과 중에서 얼마나 적합 결과를 나타내면 충분한지를 의미할 수 있다. 예컨대, 기준 비율이 100%라면, 모든 복수의 적합성 판단 결과가 적합일 것이 요구된다. 마찬가지로, 기준 비율이 50%라면, 복수의 적합성 판단 결과 중에서 절반 이상이 적합일 것인지 요구된다.

기준 비율은 미리 정해진 값일 수도 있고, 사용자의 입력에 의하여 결정되는 값일 수도 있다. 기준 비율은 이용되는 적합성 판단 방법의 수에 독립적으로 결정될 수도 있지만, 이용되는 적합성 판단 방법의 수에 종속적으로 결정될 수도 있다.

단계(S805)의 판단 결과, 적합 판단 비율이 기준 비율 이상인 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터로 결정하고(S807), 학습 데이터를 생성하는 단계(S709)로 진행한다.

프로세서(180)는 복수의 적합성 판단 결과에 대한 적합 판단 비율이 기준 비율 이상인 경우에 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터라 판단할 수 있다. 예컨대, 기준 비율이 100%인 경우, 프로세서(180)는 적합성 판단에 이용한 복수의 적합성 판단 방법에 따른 적합성 판단 결과가 전부 적합인 경우에 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터라 판단할 수 있다. 예컨대, 기준 비율이 50%인 경우, 프로세서(180)는 적합성 판단에 이용한 복수의 적합성 판단 방법에 따른 적합성 판단 결과 중에서 절반 이상이 적합인 경우에 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터라 판단할 수 있다.

단계(S805)의 판단 결과, 적합 판단 비율이 기준 비율 미만인 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 장치의 갱신에 부적합한 데이터로 결정하고(S809), 절차를 종료한다.

도 8에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 8에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 8에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 9는 본 개시의 일 실시 예에 따른 인공 지능 모델의 갱신에 부적합한 데이터의 예시들을 나타낸 도면이다.

도 9는 카메라(121)를 포함하는 로봇 청소기로써의 인공 지능 장치(100)에서 촬영된 4개의 이미지들을 나타낸다. 인공 지능 장치(100)는 카메라(121)를 통해 이미지 데이터를 획득하여 주변의 장애물을 인지하여 주행 경로를 설정하고, 설정된 주행 경로에 기초하여 주행할 수 있다.

도 9를 참조하면, 인공 지능 장치(100)가 획득한 이미지들에는 주행을 방해할 장애물이 존재하지 않는다. 그러나, 인공 지능 장치(100)가 보이지 않는 물체(예를 들면, 낚싯줄)에 걸려 주행하지 못하는 상황이라면, 인공 지능 장치(100)는 센서부(140)에서 수집하는 센서 정보를 통해 주행에 실패하였다는 피드백을 획득할 수 있다. 이러한 경우, 인공 지능 장치(100)는 입력 데이터로써의 이미지 데이터에 장애물이 포함되어 있지 않음에도 불구하고, 주행에 실패하였다는 피드백을 획득하였기 때문에, 입력 데이터에 대하여 주행을 방해하는 장애물이 포함되었다는 라벨을 매핑할 수가 있다. 만약, 인공 지능 장치(100)가 이러한 입력 데이터와 잘못된 피드백을 기초로 학습 데이터를 생성하여 인공 지능 모델을 갱신하게 될 경우, 인공 지능 모델은 부정확하게 학습되어 장애물 인식 정확도가 낮아질 수 있다.

도 10은 본 개시의 일 실시 예에 따른 인공 지능 모델의 갱신에 부적합한 데이터의 예시를 나타낸 도면이다.

도 10은 마이크로폰(122)을 포함하는 스마트 스피커 또는 스마트폰으로써의 인공 지능 장치(100)와 사용자(1010) 사이의 상호작용하는 과정을 나타낸다. 인공 지능 장치(100)는 마이크로폰(122)을 통해 사용자(1010)의 음성 데이터를 획득하여 사용자의 발화 의도를 파악하고, 디스플레이부(151) 또는 음향 출력부(152) 등을 통해 파악한 발화 의도에 대응하는 응답을 출력할 수 있다.

도 10을 참조하면, 사용자(1010)는 "오늘 며칠이야?"(1021)와 같이 발화하여 인공 지능 장치(100)에 "오늘 날짜"를 질의할 수 있고, 인공 지능 장치(100)는 수신한 음성 데이터에 기초하여 사용자(1010)의 의도가 "오늘의 날짜 질의"라는 것을 파악하여 "오늘은 1월 1일 입니다."(1022)와 같은 응답을 출력할 수 있다. 그러나, 사용자(1010)은 인공 지능 장치(100)가 정확하게 응답하였음에도 불구하고, 의도적으로 또는 실수로 "틀렸어"(1023)와 같이 잘못된 피드백을 제공할 수 있다. 이러한 경우, 인공 지능 장치(100)는 입력 데이터로써의 음성 데이터(1021)의 의도가 "오늘의 날짜 질의"라는 것을 정확하게 파악하였음에도 불구하고, 잘못된 응답이라는 피드백을 획득하였기 때문에, 입력 데이터에 대하여 의도가 "오늘의 날짜 질의"가 아니라는 라벨을 매핑할 수 있다. 만약, 인공 지능 장치(100)가 이러한 입력 데이터와 잘못된 피드백을 기초로 학습 데이터를 생성하여 인공 지능 모델을 갱신하게 될 경우, 인공 지능 모델은 부정확하게 학습되어 음성 인식 정확도가 낮아질 수 있다.

도 11은 본 개시의 일 실시 예에 따른 제1 적합성 판단 방법을 나타낸 동작 흐름도이다.

도 11을 참조하면, 본 개시의 일 실시 예에 따른 제1 적합성 판단 방법은 입력 데이터가 아웃라이어(outlier)인지 판단하고, 입력 데이터가 아웃라이어로 판단된 경우에 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단하는 방법일 수 있다.

구체적으로, 인공 지능 장치(100)의 프로세서(180)는 인공 지능 모델의 학습에 이용된 학습 데이터 중에서 피드백에 대응하는 클래스에 대응하는 제1 학습 데이터를 선택한다(S1101).

인공 지능 모델은 입력되는 입력 데이터에 대응하는 클래스를 출력하는 분류 모델일 수 있고, 따라서 인공 지능 모델의 학습에 이용된 학습 데이터는 대응되는 클래스별로 구분될 수 있다. 인공 지능 장치(100)가 입력 데이터와 그에 대응하는 피드백을 기초로 학습 데이터를 생성하게 될 경우, 생성된 학습 데이터는 피드백에 대응하는 클래스를 인식하기 위한 학습 데이터가 된다. 따라서, 프로세서(180)는 입력 데이터가 피드백에 대응하는 클래스에 대하여 아웃라이어인지 판단하기 위하여 기존의 학습 데이터 중에서 피드백에 대응하는 클래스에 대응하는 제1 학습 데이터들을 선택할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 선택된 제1 학습 데이터와 입력 데이터 사이의 유사도를 산출한다(S1103).

프로세서(180)는 인공 지능 모델을 이용하여 입력 데이터와 선택된 제1 학습 데이터를 특징 공간(feature space)에 매핑하고, 특징 공간 상에서 입력 데이터와 제1 학습 데이터 사이의 거리를 산출하고, 산출한 거리에 기초하여 유사도를 산출할 수 있다. 프로세서(180)는 산출한 거리가 짧을수록 유사도를 높게 산출할 수 있다. 여기서, 특징 공간은 특별히 명시하지 않으면 출력 특징 공간(output feature space) 또는 출력 공간(output space)을 의미할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 산출한 유사도가 제1 기준 값 미만인지 판단한다(S1105).

제1 기준 값은 미리 정해진 값일 수도 있고, 사용자의 입력에 의하여 설정되는 값일 수도 있으며, 학습에 의하여 유동적으로 변경되는 값일 수도 있다.

단계(S1105)의 판단 결과, 산출한 유사도가 제1 기준 값 미만인 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단한다(S1107).

산출한 유사도가 제1 기준 값 미만인 경우, 입력 데이터 및 피드백은 기존의 학습 데이터들과 비교하여 유사도가 현저하게 낮은 데이터라고 볼 수 있으며, 프로세서(180)는 입력 데이터를 아웃라이어라 판단할 수 있다. 따라서, 프로세서(180)는 아웃라이어로 판단된 입력 데이터 및 그에 대응하는 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단할 수 있다.

단계(S1105)의 판단 결과, 산출한 유사도가 제1 기준 값 이상인 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터로 판단한다(S1107).

산출한 유사도가 제1 기준 값 이상인 경우, 입력 데이터 및 피드백은 기존의 학습 데이터들과 비교하여 유사도가 충분히 높은 데이터라고 볼 수 있으며, 프로세서(180)는 입력 데이터를 아웃라이어가 아니라고 판단할 수 있다. 따라서, 프로세서(180)는 아웃라이어가 아니라고 판단된 입력 데이터 및 그에 대응하는 피드백을 인공 지능 모델의 갱신에 적합한 데이터로 판단할 수 있다.

비록 도 11에서는 기존의 학습 데이터 중에서 제1 학습 데이터를 선택하고, 제1 학습 데이터와 입력 데이터 사이의 유사도를 산출하는 예시가 도시되어 있으나, 본 개시가 이에 한정되지 않는다. 다른 실시 예에서, 인공 지능 장치(100)는 기존의 학습 데이터를 이용하여 클래스별 분포 모델을 학습하고, 학습된 클래스별 분포 모델을 이용하여 입력 데이터가 피드백에 대응하는 클래스에 대하여 아웃라이어인지 판단할 수도 있다. 이 경우에도 마찬가지로 인공 지능 장치(100)는 클래스별 분포 모델을 이용하여 입력 데이터와 피드백에 대응하는 클래스 사이의 유사도를 산출하고, 산출된 유사도가 기준 값(예컨대, 제1 기준 값) 미만인지 판단함으로써, 입력 데이터가 아웃라이어인지 판단할 수 있다.

또한, 비록 도 11에서는 기존의 학습 데이터 중에서 피드백에 대응하는 클래스에 대응하는 제1 학습 데이터와 입력 데이터의 유사도를 비교하여 입력 데이터가 아웃라이어인지 판단하는 예시가 도시되어 있으나, 본 개시가 이에 한정되지는 않는다. 다른 실시 예에서, 인공 지능 장치(100)는 인공 지능 모델을 이용하여 입력 데이터에 대응하는 추론 결과를 생성하고, 기존의 학습 데이터 중에서 추론 결과에 대응하는 클래스에 대응하는 학습 데이터를 선택하고, 선택된 학습 데이터와 입력 데이터 사이의 유사도를 비교하여 입력 데이터가 아웃라이어인지 판단할 수도 있다.

도 11에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 11에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 11에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 12는 본 개시의 일 실시 예에 따른 제1 적합성 판단 방법을 나타낸 도면이다.

도 12를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터(1211)를 수신하면, 인공 지능 모델(1220)을 이용하여 입력 데이터(1211)를 특징 공간(1230)에 매핑할 수 있다. 특징 공간(1230)에는 인공 지능 모델(1220)의 학습에 의하여 구분된 제1 클래스(1231_1), 제2 클래스(1231_2) 및 제3 클래스(1231_3)가 포함될 수 있다.

입력 데이터(1211)에 대응하는 피드백이 제2 클래스(1231_2)를 가리키는 경우, 프로세서(180)는 인공 지능 모델(1220)의 학습에 이용된 기존의 학습 데이터 중에서 제2 클래스(1231_2)에 대응하는 학습 데이터와 입력 데이터(1211) 사이의 유사도를 산출할 수 있다. 프로세서(180)는 특징 공간(1230)에서의 제2 클래스(1231_2)에 대응하는 학습 데이터와 특징 공간(1230)에서의 입력 데이터(1211) 사이의 거리(1232)를 산출하고, 산출된 거리가 짧을수록 유사도를 높게 산출할 수 있다.

도 12의 예시에서는, 특징 공간(1230)에 매핑된 입력 데이터(1211)가 제2 클래스(1231_2)까지의 거리가 현저하게 멀게 도시되어 있으며, 이 경우 산출된 유사도가 기설정된 기준 값보다 낮다. 따라서, 프로세서(180)는 입력 데이터(1211)와 그에 대응하는 피드백을 인공 지능 모델(1220)의 갱신에 부적합한 데이터로 결정할 수 있다.

도 13은 본 개시의 일 실시 예에 따른 제2 적합성 판단 방법을 나타낸 동작 흐름도이다.

도 13을 참조하면, 본 개시의 일 실시 예에 따른 제2 적합성 판단 방법은 입력 데이터에 대한 인공 지능 모델의 민감도를 산출하고, 산출된 민감도가 일정 수준을 상회하는 경우에 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단하는 방법일 수 있다.

구체적으로, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터에 대한 인공 지능 모델의 자코비안 노름 점수(Jacobian Norm Score)를 산출한다(S1301).

자코비안 노름 점수는 입력 데이터에 대한 인공 지능 모델의 자코비안 행렬(Jacobian Matrix)의 프로베니우스 노름(Frobenius Norm)의 기댓값을 의미할 수 있다. 자코비안 노름 점수는 인공 지능 모델이 입력 데이터에 대하여 얼마나 민감한지를 나타내는 지표이며, 자코비안 노름 점수가 높다는 것의 의미는 인공 지능 모델이 입력 데이터의 근방에서는 적은 변동에도 결과 값에 큰 변동이 발생할 것으로 기대된다는 의미이다. 즉, 자코비안 노름 점수가 높게 산출되는 입력 데이터에 대하여 인공 지능 모델이 생성하는 추론 결과가 부정확할 가능성이 높다는 의미이다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 산출한 자코비안 노름 점수가 제2 기준 값보다 큰지 판단한다(S1303).

자코비안 노름 점수가 작을수록 입력 데이터에 대한 인공 지능 모델의 민감도가 낮다는 의미이므로, 입력 데이터가 인공 지능 모델로부터 안정적으로 결과를 얻을 수 있는 데이터라고 간주할 수 있다. 따라서, 프로세서(180)는 산출한 자코비안 노름 점수가 제2 기준 값 미만인지 판단함으로써, 입력 데이터가 인공 지능 모델의 갱신에 적합한 안정적인 데이터인지 판단할 수 있다.

제2 기준 값은 미리 정해진 값일 수도 있고, 사용자의 입력에 의하여 설정되는 값일 수도 있으며, 학습에 의하여 유동적으로 변경되는 값일 수도 있다.

또한, 제2 기준 값은 모든 클래스에 대하여 동일하게 설정될 수도 있지만, 각 클래스별로 구분되어 설정될 수도 있다. 일 실시 예에서, 프로세서(180)는 산출한 자코비안 노름 점수가 피드백에 대응하는 클래스에 대응하는 제2 기준 값 미만인지 판단할 수도 있다.

단계(S1303)의 판단 결과, 산출한 자코비안 노름 점수가 제2 기준 값보다 큰 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단한다(S1305).

산출한 자코비안 노름 점수가 제2 기준 값보다 큰 경우, 인공 지능 모델이 입력 데이터에 대하여 현저히 높은 민감도를 갖고 있다고 볼 수 있다. 따라서, 프로세서(180)는 자코비안 노름 점수가 제2 기준 값보다 크다고 판단된 입력 데이터 및 그에 대응하는 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단할 수 있다.

단계(S1303)의 판단 결과, 산출한 자코비안 노름 점수가 제2 기준 값 이하인 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터로 판단한다(S1307).

산출한 자코비안 노름 점수가 제2 기준 값 이하인 경우, 인공 지능 모델이 입력 데이터에 대하여 충분히 낮은 민감도를 갖고 있다고 볼 수 있다. 따라서, 프로세서(180)는 자코비안 노름 점수가 제2 기준 값 이하라고 판단된 입력 데이터 및 그에 대응하는 피드백을 인공 지능 모델의 갱신에 적합한 데이터로 판단할 수 있다.

도 13에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 13에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 13에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 14는 본 개시의 일 실시 예에 따른 자코비안 노름 점수를 설명하는 도면이다.

도 14를 참조하면, 인공 지능 모델(1420)은 입력 특징 공간(input feature space, 1410)에서 출력 특징 공간(1430)으로의 함수 f로 간주할 수 있다. 입력 특징 공간(1410)에서의 제1 입력 데이터 x(1411)는 인공 지능 모델(1420)을 통해 출력 특징 공간(1430)에서 제1 출력 데이터(1431)로 매핑되고, 입력 특징 공간(1410)에서의 제2 입력 데이터(1412)는 인공 지능 모델(1420)을 통해 출력 특징 공간(1430)에서 제2 출력 데이터(1432)로 매핑될 수 있다. 제2 입력 데이터(1413)은 제1 입력 데이터(1411)에 작은 변동이 부가된 데이터이다.

제2 입력 데이터(1413)는 입력 특징 공간(1410) 상에서 제1 입력 데이터 x(1411)와 비교하여 Δx(1412)만큼의 차이가 있으며, 제2 출력 데이터(1433)는 출력 특징 공간(11430) 상에서 제1 출력 데이터 x'(1431)와 비교하여 Δx'(1432)만큼의 차이가 있다. 인공 지능 모델(1420)을 f라 표기한다면, 제1 출력 데이터 x'(1431)은 f(x)라 표현할 수 있고, Δx'(1432)는 f(x+Δx)-f(x)라 표현할 수 있다.

입력 특징 공간(1410) 상에서의 차이 Δx(1412)에 비하여, 출력 특징 공간(1430) 상에서의 차이 Δx'(1432)가 더 크게 나타날수록, 인공 지능 모델(1420)의 제1 입력 데이터(1411)에 대한 민감도는 더욱 높게 산출될 수 있다.

하기 수학식 1은 자코비안 노름 점수(JN score)를 산출하는 방법의 일 예를 나타낸다. J는 인공 지능 모델(1420)의 자코비안 행렬, x_test는 입력 데이터, Δx는 입력 변동(input perturbation), f는 인공 지능 모델(1420)에 대한 출력을 의미할 수 있다.

도 15는 본 개시의 일 실시 예에 따른 클래스별 자코비안 노름 점수에 대한 제2 기준 값을 결정하는 방법을 나타낸 동작 흐름도이다.

도 15를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 인공 지능 모델의 학습에 이용된 학습 데이터를 클래스별로 구분한다(S1501).

그리고, 인공 지능 장치(100)의 프로세서(180)는 각 학습 데이터에 대한 인공 지능 모델의 자코비안 노름 점수를 산출한다(S1503).

프로세서(180)는 학습 데이터를 이용하여 학습이 된 인공 지능 모델을 이용하여 각 학습 데이터에 대한 자코비안 노름 점수를 산출할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 클래스별로 구분된 학습 데이터로부터 산출된 자코비안 노름 점수들을 고려하여 클래스별 자코비안 노름 점수에 대한 제2 기준 값을 결정한다(S1505).

프로세서(180)는 클래스별로 구분된 학습 데이터로부터 산출된 자코비안 노름 점수들의 평균, 최댓값, 최소값, 중간값 등을 고려하여, 클래스별 자코비안 노름 점수에 대한 제2 기준 값을 결정할 수 있다.

예컨대, 제1 학습 데이터, 제2 학습 데이터 및 제3 학습 데이터가 제1 클래스에 대응하는 학습 데이터이고, 제1 학습 데이터에 대한 인공 지능 모델의 자코비안 노름 점수가 1, 제2 학습 데이터에 대한 인공 지능 모델의 자코비안 노름 점수가 1.5, 제3 학습 데이터에 대한 인공 지능 모델의 자코비안 노름 점수가 0.5라 가정한다. 이 경우, 프로세서(180)는 제1 클래스에 대응하는 3개의 학습 데이터에서 산출된 자코비안 노름 점수의 최댓값이 1.5이므로, 제1 클래스에 대응하는 자코비안 노름 점수에 대한 제2 기준 값을 1.5 또는 1.5보다 미리 정해진 정도만큼 큰 값으로 설정할 수 있다.

이와 같이, 인공 지능 장치(100)는 각 클래스별로 서로 다른 자코비안 노름 점수에 대한 제2 기준 값을 결정할 수 있고, 그에 따라 클래스별로 다른 기준에 기초하여 입력 데이터가 인공 지능 모델의 갱신에 적합한 데이터인지 판단할 수 있다.

도 15에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 15에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 15에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 16은 본 개시의 일 실시 예에 따른 제3 적합성 판단 방법을 나타낸 동작 흐름도이다.

도 16을 참조하면, 본 개시의 일 실시 예에 따른 제3 적합성 판단 방법은 인공 지능 모델을 이용하여 입력 데이터에 대한 복수의 임시 추론 결과를 생성하고, 생성된 복수의 임시 추론 결과로부터 앙상블 추론 결과를 생성하고, 입력 데이터에 대응하는 피드백과 앙상블 추론 결과가 서로 일치하지 않는 경우에 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단하는 방법일 수 있다.

구체적으로, 인공 지능 장치(100)의 프로세서(180)는 인공 지능 모델을 이용하여 입력 데이터에 대한 복수의 임시 추론 결과를 생성한다(S1601).

일 실시 예에서, 프로세서(180)는 인공 지능 모델에 대하여 드롭아웃(dropout)을 적용하여, 임의의 노드를 비활성화한 상태에서 입력 데이터에 대응하는 임시 추론 결과를 생성할 수 있다.

다른 실시 예에서, 프로세서(180)는 인공 지능 모델과 대비하여 하이퍼파라미터를 일부 변경된 임시 인공 지능 모델을 이용하여 입력 데이터에 대응하는 임시 추론 결과를 생성할 수 있다. 이를 위해, 프로세서(180)는 인공 지능 모델과 대비하여 하이퍼파라미터가 일부 변경된 임시 인공 지능 모델을 학습할 수도 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 복수의 임시 추론 결과로부터 앙상블 추론 결과를 생성한다(S1603).

프로세서(180)는 복수의 임시 추론 결과 중에서 가장 높은 빈도를 갖는 임시 추론 결과를 앙상블 추론 결과로써 생성할 수 있다. 예컨대, 100개의 임시 추론 결과들 중에서, 제1 클래스에 대응하는 임시 추론 결과가 50개, 제2 클래스에 대응하는 임시 추론 결과가 30개, 제3 클래스에 대응하는 임시 추론 결과가 20개라면, 프로세서(180)는 앙상블 추론 결과를 제1 클래스에 대응하는 추론 결과로 생성할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 앙상블 추론 결과가 피드백과 일치하는지 판단한다(S1605).

앙상블 추론 결과와 피드백이 일치하는지 판단한다는 것은, 앙상블 추론 결과에 대응하는 클래스와 피드백에 대응하는 클래스가 일치하는지 판단하는 것을 의미할 수 있다.

단계(S1605)의 판단 결과, 앙상블 추론 결과가 피드백과 일치하지 않는 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단한다(S1607).

복수의 임시 추론 결과로부터 도출한 앙상블 추론 결과와 피드백이 일치하지 않는 경우, 피드백이 잘못되었다고 볼 수 있으므로, 프로세서(180)는 입력된 데이터 및 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단할 수 있다.

단계(S1605)의 판단 결과, 앙상블 추론 결과가 피드백과 일치하는 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터로 판단한다(S1607).

복수의 임시 추론 결과로부터 도출한 앙상블 추론 결과와 피드백이 일치하는 경우, 피드백이 잘못되지 않았다고 볼 수 있으므로, 프로세서(180)는 입력된 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터로 판단할 수 있다.

도 16에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 16에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 16에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 17은 본 개시의 일 실시 예에 따른 제4 적합성 판단 방법을 나타낸 동작 흐름도이다.

도 17을 참조하면, 본 개시의 일 실시 예에 따른 제4 적합성 판단 방법은 커널 분석을 통하여 피드백에 대응하는 클래스의 커널 점수를 산출하고, 산출한 커널 점수에 기초하여 입력 데이터 및 피드백이 인공 지능 모델의 갱신에 부적합한 데이터인지 판단하는 방법일 수 있다.

구체적으로, 인공 지능 장치(100)의 프로세서(180)는 인공 지능 모델의 학습에 이용된 학습 데이터 중에서 피드백에 대응하는 클래스에 대응하는 제1 학습 데이터를 선택한다(S1701).

선택된 제1 학습 데이터에는 입력 데이터가 포함되지 않는다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 선택된 제1 학습 데이터에 대하여 고유 분해(eigen decomposition)를 통해 제1 커널 점수를 산출한다(S1703).

제1 학습 데이터는 입력 데이터를 포함하지 않으며, 입력 데이터에 대한 피드백에 대응하는 클래스에 대응하는 학습 데이터이다. 프로세서(180)는 제1 학습 데이터에 대하여 고유 분해를 통해 고윳값들(eigenvalues)을 획득할 수 있고, 획득한 고윳값들에 기초하여 커널 점수를 산출할 수 있다.

하기 수학식 2는 커널 점수를 산출하는 수식이며, 이는 획득한 고윳값들의 합을 최대 고윳값으로 나는 것이다. 데이터가 잘 퍼져있을 경우(well-scatttered) 고윳값들이 대체로 크게 나타나며, 따라서 커널 점수가 획득한 고윳값들의 개수 n을 상한으로 높게 산출된다. 반면, 데이터가 잘 퍼져있지 않을 경우(not scattered) 일부 고윳값들만 크게 나타나며, 따라서 커널 점수가 1에 근접하여 낮게 산출된다. 즉, 커널 점수가 높다는 것은 데이터가 잘 퍼져있다는 것을 의미하며, 반대로 커널 점수가 낮다는 것은 데이터가 퍼져있지 않다는 것을 의미한다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 선택된 제1 학습 데이터 및 입력 데이터에 대하여 고유 분해를 통해 제2 커널 점수를 산출한다(S1705).

프로세서(180)는, 상기 단계(S1703)과 달리, 제1 학습 데이터뿐만 아니라 입력 데이터를 포함한 상태에서 고유 분해를 통해 제2 커널 점수를 산출함으로써, 입력 데이터가 추가됨에 따라 피드백에 대응하는 클래스에서의 데이터의 분포가 더 퍼지는지를 판단할 수 있다. 즉, 제2 커널 점수가 제1 커널 점수보다 더 크게 산출된다면, 피드백에 대응하는 클래스에 입력 데이터가 추가됨에 따라 데이터가 더욱 퍼져서 분포하게 된다는 것을 의미한다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 커널 점수 증가량이 제3 기준 값을 초과하는지 판단한다(S1707).

커널 점수 증가량은 제1 커널 점수에서 제2 커널 점수로의 증가량을 의미하며, 제2 커널 점수에서 제1 커널 점수를 뺌으로써 산출할 수 있다. 만약, 제1 커널 점수에서 제2 커널 점수로의 증가량이 제3 기준 값을 초과하여 과도하게 증가하게 될 경우, 입력 데이터는 피드백에 대응하는 클래스의 분포를 잘 따르지 않는 데이터로 볼 수 있고, 이는 인공 지능 모델의 갱신에 부적합한 데이터라는 것을 의미할 수 있다.

제3 기준 값은 미리 정해진 값일 수도 있고, 사용자의 입력에 의하여 설정되는 값일 수도 있으며, 학습에 의하여 유동적으로 변경되는 값일 수도 있다.

단계(S1707)의 판단 결과, 커널 점수 증가량이 제3 기준 값보다 큰 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 부적합한 데이터로 판단한다(S1709).

단계(S1707)의 판단 결과, 커널 점수 증가량이 제3 기준 값 이하 경우, 인공 지능 장치(100)의 프로세서(180)는 입력 데이터 및 피드백을 인공 지능 모델의 갱신에 적합한 데이터로 판단한다(S1711).

도 17에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 17에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 17에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 18 및 19는 본 개시의 일 실시 예에 따른 커널 분석을 설명하는 도면이다.

도 18을 참조하면, 입력 특징 공간(1810)에서의 입력 데이터는 인공 지능 모델(1820)을 통해 출력 특징 공간(1830)으로 매핑될 수 있다. 출력 특징 공간(1830)에서 매핑된 데이터는 출력 특징들(output features)로 표현될 수 있다.

그리고, 출력 특징 공간(1830)에 매핑된 데이터는 고유 분해(1840)를 통해 고유 공간(eigen space, 1850)에 매핑될 수 있다. 고유 분해(1840)는 데이터에서 고윳값과 고유 벡터(eigen vector)를 추출하는 것을 의미한다.

도 19를 참조하면, 도 19(a)는 고유 공간에 매핑된 데이터가 일부 축 (또는 일부 고유 벡터)에 강한 상관관계를 갖고 있어, 데이터가 잘 퍼져있지 않은(not scattered) 상황을 나타낸다. 반면, 도 19(b)는 고유 공간에 매핑된 데이터가 특정 축 (또는 특정 고유 벡터)과 무관하게 잘 퍼져있는(well scattered) 상황을 나타낸다.

도 19(a)와 같은 상황에서는, 고유 공간에서의 데이터가 일부 축에만 강한 상관관계를 갖기 때문에, 추출되는 고윳값도 일부만 큰 값을 갖고 일부는 작은 값을 갖게 된다. 따라서, 커널 점수도 1에 근접하여 낮게 산출된다. 반면, 도 19(b)와 같은 상황에서는, 고유 공간에서의 데이터가 잘 분포되어 있으므로, 추출되는 고윳값도 전체적으로 큰 값을 갖게 된다. 따라서, 커널 점수가 고윳값의 개수 n을 상한으로 크게 산출된다.

도 20은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 시스템(1)을 나타낸 도면이다.

도 20을 참조하면, 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)에는 복수의 인공 지능 장치(2010, 2020 및 2030)와 인공 지능 서버(2040)가 포함될 수 있다. 각 인공 지능 장치(2010, 2020 및 2030)는 입력 데이터 및 피드백을 수신하고, 수신한 입력 데이터 및 피드백에 대하여 적합성 판단을 거쳐 학습 데이터를 생성하고, 생성한 학습 데이터를 인공 지능 서버(2040)에 전송할 수 있다. 인공 지능 서버(2040)는 수신한 학습 데이터(2041)를 이용하여 인공 지능 모델(2042)을 갱신할 수 있다.

제1 인공 지능 장치(2010)는 100개의 입력 데이터 및 피드백(2011)를 수신하고, 수신한 100개의 입력 데이터 및 피드백(2011)에 대하여 적합성 판단을 거쳐 60개의 학습 데이터(2012)를 생성하고, 생성한 60개의 학습 데이터(2012)를 인공 지능 서버(2040)에 전송할 수 있다. 제2 인공 지능 장치(2020)는 1000개의 입력 데이터 및 피드백(2021)를 수신하고, 수신한 1000개의 입력 데이터 및 피드백(2021)에 대하여 적합성 판단을 거쳐 20개의 학습 데이터(2022)를 생성하고, 생성한 20개의 학습 데이터(2022)를 인공 지능 서버(2040)에 전송할 수 있다. 제3 인공 지능 장치(2030)는 50개의 입력 데이터 및 피드백(2031)를 수신하고, 수신한 50개의 입력 데이터 및 피드백(2031)에 대하여 적합성 판단을 거쳐 50개의 학습 데이터(2032)를 생성하고, 생성한 50개의 학습 데이터(2032)를 인공 지능 서버(2040)에 전송할 수 있다.

인공 지능 서버(2040)는 각 인공 지능 장치들(2010, 2020 및 2030)로부터 수신한 130개의 학습 데이터(2041)를 이용하여 인공 지능 모델(2042)을 갱신할 수 있다.

도 21은 본 개시의 일 실시 예에 따른 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 시스템(1)을 나타낸 도면이다.

도 21을 참조하면, 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)에는 복수의 인공 지능 장치(2110, 2120 및 2130)와 인공 지능 서버(2140)가 포함될 수 있다. 각 인공 지능 장치(2110, 2120 및 2130)는 입력 데이터 및 피드백을 수신하고, 수신한 입력 데이터 및 피드백을 인공 지능 서버(2140)에 전송할 수 있다. 인공 지능 서버(2140)는 수신한 입력 데이터 및 피드백(2141_1, 2141_2 및 2141_3)에 대하여 적합성 판단을 통해 학습 데이터(2142_1, 2142_2 및 2142_3)를 생성하고, 생성한 학습 데이터(2142_1, 2142_2 및 2142_3)를 이용하여 인공 지능 모델(2143)을 갱신할 수 있다.

제1 인공 지능 장치(2110)는 100개의 입력 데이터 및 피드백(2111)를 수신하고, 수신한 100개의 입력 데이터 및 피드백(2111)을 인공 지능 서버(2140)에 전송할 수 있다. 제2 인공 지능 장치(2120)는 1000개의 입력 데이터 및 피드백(2121)를 수신하고, 수신한 1000개의 입력 데이터 및 피드백(2121)을 인공 지능 서버(2140)에 전송할 수 있다. 제3 인공 지능 장치(2130)는 50개의 입력 데이터 및 피드백(2131)를 수신하고, 수신한 50개의 입력 데이터 및 피드백(2131)을 인공 지능 서버(2140)에 전송할 수 있다.

인공 지능 서버(2140)는 제1 인공 지능 장치(2110)로부터 수신한 100개의 입력 데이터 및 피드백(2141_1)에 대하여 적합성 판단을 통해 60개의 학습 데이터(2142_1)를 생성하고, 제2 인공 지능 장치(2120)로부터 수신한 1000개의 입력 데이터 및 피드백(2141_2)에 대하여 적합성 판단을 통해 20개의 학습 데이터(2142_2)를 생성하고, 제3 인공 지능 장치(2130)로부터 수신한 50개의 입력 데이터 및 피드백(2141_3)에 대하여 적합성 판단을 통해 50개의 학습 데이터(2142_3)를 생성할 수 있다. 그리고, 인공 지능 서버(2140)는 생성한 130개의 학습 데이터(2142_1, 2142_2 및 2142_3)를 이용하여 인공 지능 모델(2143)을 갱신할 수 있다.

상기 도 20 및 21의 예시에서, 제2 인공 지능 장치(2020 또는 2120)에서 수집된 데이터는 무려 1000개이지만, 인공 지능 모델의 갱신에 적합한 데이터는 단 20개에 불과하다. 만약, 이러한 부적절한 데이터를 미리 필터링하지 못한다면, 인공 지능 모델이 부정확하게 학습되어 성능이 저하되는 문제가 발생할 수 있다.

본 개시의 일 실시 예에 따르면, 전술한 방법은 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.

Claims

학습 데이터를 생성하는 인공 지능 장치에 있어서,
인공 지능 모델을 저장하는 메모리;
마이크로폰 또는 카메라를 포함하는 입력부; 및
상기 입력부를 통해 입력 데이터를 수신하고, 상기 인공 지능 모델을 이용하여 상기 입력 데이터에 대응하는 추론 결과를 생성하고, 상기 추론 결과에 대응하는 피드백을 수신하고, 상기 인공 지능 모델의 갱신에 대한 상기 입력 데이터 및 상기 피드백의 적합성을 판단하고, 상기 입력 데이터 및 상기 피드백이 상기 인공 지능 모델의 갱신에 적합한 데이터로 판단된 경우에 상기 입력 데이터 및 상기 피드백에 기초하여 학습 데이터를 생성하는 프로세서
를 포함하는, 인공 지능 장치.
청구항 1에 있어서,
상기 프로세서는
복수의 적합성 판단 방법 중에서 적어도 하나 이상을 이용하여 상기 입력 데이터 및 상기 피드백의 적합성을 판단하는, 인공 지능 장치.
청구항 2에 있어서,
상기 프로세서는
상기 복수의 적합성 판단 방법에 따른 복수의 적합성 판단 결과에 대한 적합 판단 비율이 기준 비율 이상인 경우에 상기 입력 데이터 및 상기 피드백을 상기 인공 지능 모델의 갱신에 적합한 데이터라 판단하는, 인공 지능 장치.
청구항 2에 있어서,
상기 복수의 적합성 판단 방법은
상기 입력 데이터가 아웃라이어(outlier)인 경우에 상기 입력 데이터 및 상기 피드백을 상기 인공 지능 모델의 갱신에 부적합한 데이터로 판단하는 제1 적합성 판단 방법을 포함하고,
상기 프로세서는
상기 제1 적합성 판단 방법을 이용하는 경우, 상기 인공 지능 모델의 학습에 이용된 학습 데이터 중에서 상기 피드백에 대응하는 클래스에 대응하는 제1 학습 데이터와 상기 입력 데이터 사이의 유사도를 산출하고, 상기 유사도가 제1 기준 값 미만인 경우에 상기 입력 데이터를 아웃라이어로 판단하는, 인공 지능 장치.
청구항 4에 있어서,
상기 프로세서는
상기 제1 적합성 판단 방법을 이용하는 경우, 상기 인공 지능 모델을 이용하여 상기 입력 데이터와 상기 제1 학습 데이터를 특징 공간(feature space)에 매핑하고, 상기 특징 공간 상에서 상기 입력 데이터와 상기 제1 학습 데이터 사이의 거리를 산출하고, 상기 산출한 거리가 짧을수록 상기 유사도를 높게 산출하는, 인공 지능 장치.
청구항 2에 있어서,
상기 복수의 적합성 판단 방법은
상기 입력 데이터에 대한 상기 인공 지능 모델의 민감도가 상기 피드백에 대응하는 클래스에 대응하는 제2 기준 값보다 큰 경우에 상기 입력 데이터 및 상기 피드백을 상기 인공 지능 모델의 갱신에 부적합한 데이터로 판단하는 제2 적합성 판단 방법을 포함하는, 인공 지능 장치.
청구항 6에 있어서,
상기 프로세서는
상기 제2 적합성 판단 방법을 이용하는 경우, 상기 민감도로써 상기 입력 데이터에 대한 상기 인공 지능 모델의 자코비안 노름 점수(Jacobian Norm Score)를 산출하고,
상기 자코비안 노름 점수는
상기 입력 데이터에 대한 상기 인공 지능 모델의 자코비안 행렬(Jacobian Matrix)의 프로베니우스 노름(Frobenius Norm)의 기댓값인, 인공 지능 장치.
청구항 2에 있어서,
상기 복수의 적합성 판단 방법은
상기 인공 지능 모델을 이용하여 상기 입력 데이터에 대한 복수의 임시 추론 결과를 생성하고, 상기 복수의 임시 추론 결과로부터 앙상블 추론 결과를 생성하고, 상기 앙상블 추론 결과가 상기 피드백과 불일치할 경우에 상기 입력 데이터 및 상기 피드백을 상기 인공 지능 모델의 갱신에 부적합한 데이터로 판단하는 제3 적합성 판단 방법을 포함하는, 인공 지능 장치.
청구항 8에 있어서,
상기 프로세서는
상기 제3 적합성 판단 방법을 이용하는 경우, 상기 인공 지능 모델에 대하여 드롭아웃(dropout)을 적용하여 상기 복수의 임시 추론 결과를 생성하고, 상기 복수의 임시 추론 결과 중에서 가장 높은 빈도를 갖는 임시 추론 결과를 상기 앙상블 추론 결과로 생성하는, 인공 지능 장치.
청구항 2에 있어서,
상기 복수의 적합성 판단 방법은
커널 분석을 통한 상기 피드백에 대응하는 클래스에서의 커널 점수(kernel score)에 기초하여 상기 입력 데이터 및 상기 피드백을 상기 인공 지능 모델의 갱신에 부적합한지 여부를 판단하는 제4 적합성 판단 방법을 포함하고,
상기 커널 점수는
고유 분해(eigen decomposition)를 통해 획득한 고윳값들(eigenvalues)의 합을 최대 고윳값으로 나눈 값인, 인공 지능 장치.
청구항 10에 있어서,
상기 프로세서는
상기 제4 적합성 판단 방법을 이용하는 경우, 상기 피드백에 대응하는 클래스에서 상기 입력 데이터를 제외하여 제1 커널 점수를 산출하고, 상기 피드백에 대응하는 클래스에서 상기 입력 데이터를 포함하여 제2 커널 점수를 산출하고, 상기 제1 커널 점수에서 상기 제2 커널 점수로의 증가량이 제3 기준 값을 초과하는 경우에 상기 입력 데이터 및 상기 피드백을 상기 인공 지능 모델의 갱신에 부적합한 데이터로 판단하는, 인공 지능 장치.
청구항 1에 있어서,
상기 피드백은
사용자 입력으로부터 생성된 피드백 또는 상기 인공 지능 장치의 동작 정보로부터 생성된 피드백을 포함하는, 인공 지능 장치.
청구항 1에 있어서,
상기 프로세서는
상기 생성된 학습 데이터를 이용하여 상기 인공 지능 모델을 갱신하는, 인공 지능 장치.
학습 데이터를 생성하는 방법에 있어서,
마이크로폰 또는 카메라를 포함하는 입력부를 통해 입력 데이터를 수신하는 단계;
인공 지능 모델을 이용하여 상기 입력 데이터에 대응하는 추론 결과를 생성하는 단계;
상기 추론 결과에 대응하는 피드백을 수신하는 단계;
상기 인공 지능 모델의 갱신에 대한 상기 입력 데이터 및 상기 피드백의 적합성을 판단하는 단계; 및
상기 입력 데이터 및 상기 피드백이 상기 인공 지능 모델의 갱신에 적합한 것으로 판단된 경우에 상기 입력 데이터 및 상기 피드백에 기초하여 학습 데이터를 생성하는 단계
를 포함하는, 방법.
학습 데이터를 생성하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서, 상기 방법은,
마이크로폰 또는 카메라를 포함하는 입력부를 통해 입력 데이터를 수신하는 단계;
인공 지능 모델을 이용하여 상기 입력 데이터에 대응하는 추론 결과를 생성하는 단계;
상기 추론 결과에 대응하는 피드백을 수신하는 단계;
상기 인공 지능 모델의 갱신에 대한 상기 입력 데이터 및 상기 피드백의 적합성을 판단하는 단계; 및
상기 입력 데이터 및 상기 피드백이 상기 인공 지능 모델의 갱신에 적합한 것으로 판단된 경우에 상기 입력 데이터 및 상기 피드백에 기초하여 학습 데이터를 생성하는 단계
를 포함하는, 기록 매체.