KR20220046947A - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20220046947A
KR20220046947A KR1020200130266A KR20200130266A KR20220046947A KR 20220046947 A KR20220046947 A KR 20220046947A KR 1020200130266 A KR1020200130266 A KR 1020200130266A KR 20200130266 A KR20200130266 A KR 20200130266A KR 20220046947 A KR20220046947 A KR 20220046947A
Authority
KR
South Korea
Prior art keywords
learning network
home appliance
network model
data
learning
Prior art date
Application number
KR1020200130266A
Other languages
English (en)
Inventor
오원근
허예지
김진오
임재문
정현식
강서영
고승한
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200130266A priority Critical patent/KR20220046947A/ko
Priority to PCT/KR2021/013704 priority patent/WO2022075744A1/en
Priority to US17/496,474 priority patent/US20220113686A1/en
Publication of KR20220046947A publication Critical patent/KR20220046947A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/23—Pc programming
    • G05B2219/23238—TV microprocessor executes also home control, monitoring of appliances
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2615—Audio, video, tv, consumer electronics device

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

전자 장치가 개시된다. 전자 장치는 통신부, 적어도 하나의 명령어를 저장하는 메모리 및 메모리와 전기적으로 연결된 프로세서를 포함하고, 프로세서는, 명령어를 실행함으로써, 가전 기기의 계측 정보를 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력하고, 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보에 상이한 가중치를 적용하고, 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 가전 기기의 잠재적 불량 여부를 식별하며, 제1 학습 네트워크 모델은, 지도형 학습 네트워크 모델(supervised learning network model)이고, 제2 학습 네트워크 모델은, 비지도형 학습 네트워크 모델(unsupervised learning network model)이다.

Description

전자 장치 및 그 제어 방법 { Electronic device and control method thereof }
본 발명은 전자 장치 및 그 제어 방법에 관한 것으로, 더욱 상세하게는, 가전 기기의 계측 정보를 이용하는 전자 장치 및 그 제어 방법에 관한 것이다.
전자 기술의 발달에 힘입어 다양한 유형의 전자 기기가 개발 및 보급되고 있다. 최근에는 더 새롭고 다양한 기능을 원하는 사용자의 니즈(needs)에 부합하기 위하여 다양한 유형의 전자 기기가 개발 및 보급되고 있는 실정이다.
전자 기기의 생산 공정 단계에서 불량을 분류하여 소비자에게 완성도 높은 정상 제품을 제공하기 위해 제조사들은 많은 노력을 기울이고 있다.
다만, 종래에는 생산, 공정 단계에서 제품 별로 획득한 검사, 계측 값에만 의존하여 해당 제품이 불량 또는 정상에 해당하는지 판단하는데 그치는 실정이다.
따라서, 생산, 공정 단계에서는 정상 제품으로 판단되어 출하되었음에도 불구하고 사용자의 이용 단계에서 예기치 못하게 불량이 발생할 수 있는 문제가 있다.
A/S 단계에서 파악된 불량 관련 데이터를 생산, 공정 단계에서의 불량 제품 식별 시에 고려하도록 제공하는 방법에 대한 요구가 있었다.
본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은, 복수의 학습 네트워크 모델을 이용하여 불량을 예측하는 전자 기기 및 그 제어 방법을 제공함에 있다.
이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 전자 장치는, 통신부, 적어도 하나의 명령어를 저장하는 메모리 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 상기 명령어를 실행함으로써, 가전 기기의 계측 정보를 상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력하고, 상기 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보에 상이한 가중치를 적용하고, 상기 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하며, 상기 제1 학습 네트워크 모델은, 지도형 학습 네트워크 모델(supervised learning network model)이고, 상기 제2 학습 네트워크 모델은, 비지도형 학습 네트워크 모델(unsupervised learning network model)이다.
여기서, 상기 제1 및 제2 학습 네트워크 모델은, 통합 학습 데이터에 기초하여 가전 기기의 잠재적 불량 여부를 예측하도록 학습되며, 상기 통합 학습 데이터는, 가전 기기의 공정 단계에서 획득된 공정 불량 데이터 및 상기 가전 기기의 서비스 단계에서 획득된 서비스 불량 데이터를 통합하여 획득된 데이터일 수 있다.
여기서, 상기 프로세서는, 상기 통합 학습 데이터의 누적량에 기초하여 상기 제1 및 제2 학습 네트워크 모델에 적용되는 가중치를 변경할 수 있다.
또한, 상기 프로세서는, 상기 통합 학습 데이터의 누적량이 임계량 미만이면, 상기 제2 학습 네트워크에 상기 제1 학습 네트워크보다 상대적으로 큰 가중치를 적용하고, 상기 통합 학습 데이터의 누적량이 상기 임계량 이상이면, 상기 제1 학습 네트워크에 상기 제2 학습 네트워크보다 상대적으로 큰 가중치를 적용할 수 있다.
또한, 상기 서비스 불량 데이터는, 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보, 상기 가전 기기의 서비스 기간, 상기 가전 기기의 생산년월 또는, 상기 가전 기기의 생산지 중 적어도 하나를 포함하고, 상기 공정 불량 데이터는, 상기 가전 기기의 계측 정보 또는, 상기 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 제1 및 제2 학습 네트워크 모델에 입력되는 상기 가전 기기의 계측 정보는, 상이한 카테고리에 속하는 복수의 계측 정보를 포함할 수 있다.
여기서, 상기 프로세서는, 상기 제1 및 제2 학습 네트워크 모델을 학습하는데 이용되는 복수의 학습 데이터를 군집화하여 상기 상이한 카테고리 별 학습 데이터 그룹으로 구분하고, 상기 그룹 별 학습 데이터에 기초하여 상기 제1 및 제2 학습 네트워크 모델을 학습시킬 수 있다.
또한, 상기 프로세서는, 상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제3 학습 네트워크 모델에 각각 입력하여 제3 예측 정보를 획득하고, 상기 제1 내지 제3 예측 정보에 상이한 가중치를 적용하고, 상기 상이한 가중치가 적용된 제1 내지 제3 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하며, 상기 제3 학습 네트워크 모델은, 강화 학습 네트워크 모델(reinforcement learning network model) 또는 전이 학습 네트워크 모델 중 어느 하나일 수 있다.
또한, 상기 프로세서는, Bayesian Optimization 알고리즘에 기초하여 상기 상이한 가중치를 획득할 수 있다.
한편, 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법은, 가전 기기의 계측 정보를 상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력하는 단계, 상기 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보에 상이한 가중치를 적용하는 단계 및 상기 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하는 단계를 포함하며, 상기 제1 학습 네트워크 모델은, 지도형 학습 네트워크 모델(supervised learning network model)이고, 상기 제2 학습 네트워크 모델은, 비지도형 학습 네트워크 모델(unsupervised learning network model)이다.
여기서, 상기 제1 및 제2 학습 네트워크 모델은, 통합 학습 데이터에 기초하여 가전 기기의 불량 여부를 예측하도록 학습되며, 상기 통합 학습 데이터는, 가전 기기의 공정 단계에서 획득된 공정 불량 데이터 및 상기 가전 기기의 서비스 단계에서 획득된 서비스 불량 데이터를 통합하여 획득된 데이터일 수 있다.
여기서, 상기 통합 데이터의 누적량에 기초하여 상기 제1 및 제2 학습 네트워크 모델에 적용되는 가중치를 변경하는 단계를 더 포함할 수 있다.
여기서, 상기 가중치를 적용하는 단계는, 상기 통합 학습 데이터의 누적량이 임계량 미만이면, 상기 제2 학습 네트워크에 상기 제1 학습 네트워크보다 상대적으로 큰 가중치를 적용하는 단계 및 상기 통합 학습 데이터의 누적량이 상기 임계량 이상이면, 상기 제1 학습 네트워크에 상기 제2 학습 네트워크보다 상대적으로 큰 가중치를 적용하는 단계를 포함할 수 있다.
또한, 상기 서비스 불량 데이터는, 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보, 상기 가전 기기의 서비스 기간, 상기 가전 기기의 생산년월 또는, 상기 가전 기기의 생산지 중 적어도 하나를 포함하고, 상기 공정 불량 데이터는, 상기 가전 기기의 계측 정보 또는, 상기 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 제1 및 제2 학습 네트워크 모델에 입력되는 상기 가전 기기의 계측 정보는, 상이한 카테고리에 속하는 복수의 계측 정보를 포함할 수 있다.
여기서, 상기 제1 및 제2 학습 네트워크 모델을 학습하는데 이용되는 복수의 학습 데이터를 군집화하여 상기 상이한 카테고리 별 학습 데이터 그룹으로 구분하는 단계 및 상기 그룹 별 학습 데이터에 기초하여 상기 제1 및 제2 학습 네트워크 모델을 학습시키는 단계를 더 포함할 수 있다.
또한, 상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제3 학습 네트워크 모델에 각각 입력하여 제3 예측 정보를 획득하는 단계를 더 포함하고, 상기 가중치를 적용하는 단계는, 상기 제1 내지 제3 예측 정보에 상이한 가중치를 적용하는 단계를 포함하고, 상기 식별하는 단계는, 상기 상이한 가중치가 적용된 제1 내지 제3 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하는 단계를 포함하며, 상기 제3 학습 네트워크 모델은, 강화 학습 네트워크 모델(reinforcement learning network model) 또는 전이 학습 네트워크 모델 중 어느 하나일 수 있다.
또한, Bayesian Optimization 알고리즘에 기초하여 상기 상이한 가중치를 획득하는 단계를 더 포함할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치의 프로세서에 의해 실행되는 경우 상기 전자 장치가 동작을 수행하도록 하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 있어서, 상기 동작은, 가전 기기의 계측 정보를 상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력하는 단계, 상기 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보에 상이한 가중치를 적용하는 단계 및 상기 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하는 단계를 포함하며, 상기 제1 학습 네트워크 모델은, 지도형 학습 네트워크 모델(supervised learning network model)이고, 상기 제2 학습 네트워크 모델은, 비지도형 학습 네트워크 모델(unsupervised learning network model)이다.
상술한 바와 같이 본 개시의 다양한 실시 예에 따르면, 공정 불량 데이터와 사용자 이용에 따른 불량 데이터를 모두 고려하여 잠재적 불량을 예측할 수 있다.
또한, 예측 모델이 고정된 것이 아니라, 양산 단계 별로 불량 데이터의 특성을 고려하여 예측 모델을 변형시킬 수 있다.
또한, 서로 다른 종류의 학습 네트워크 모델을 이용하여 예측의 정확도와 신뢰도를 향상시킬 수 있다.
또한, 공정 단계에서의 불량이 아닌, 출하 후 사용자의 이용 단계에서 불량이 발생할 여지가 있는 제품(가전 기기)를 선별적으로 식별하므로 공정의 불량률을 감소시키고, 제품의 완성도를 향상시킬 수 있다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 통합 학습 데이터를 설명하기 위한 그래프이다.
도 3은 본 개시의 일 실시 예에 따른 가중치를 설명하기 위한 그래프이다.
도 4는 본 개시의 일 실시 예에 따른 불량 데이터를 설명하기 위한 표이다.
도 5는 본 개시의 일 실시 예에 따른 군집화를 설명하기 위한 표이다.
도 6은 본 개시의 일 실시 예에 따른 가중치를 획득하는 방법을 설명하기 위한 그래프이다.
도 7은 본 개시의 일 실시 예에 따른 가중치를 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 도면이다.
이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.
본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.
본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
이하 첨부된 도면들을 참조하여 본 개시의 일 실시 예를 보다 상세하게 설명한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 본 개시의 일 실시 예에 따른 전자 장치(100)는 통신부(110), 메모리(120) 및 프로세서(130)를 포함한다.
본 개시의 일 실시 예에 따른 전자 장치(100)는 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 가상 현실(virtual reality(VR)) 구현 장치 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시 예에 따른 통신부(110)는 다양한 데이터를 입력받는다. 예를 들어, 통신부(110)는 AP 기반의 Wi-Fi(와이파이, Wireless LAN 네트워크), 블루투스(Bluetooth), 지그비(Zigbee), 유/무선 LAN(Local Area Network), WAN(Wide Area Network), 이더넷(Ethernet), IEEE 1394, HDMI(High-Definition Multimedia Interface), USB(Universal Serial Bus), MHL(Mobile High-Definition Link), AES/EBU(Audio Engineering Society/ European Broadcasting Union), 옵티컬(Optical), 코액셜(Coaxial) 등과 같은 통신 방식을 통해 외부 장치(예를 들어, 소스 장치), 외부 저장 매체(예를 들어, USB 메모리), 외부 서버(예를 들어 웹 하드) 등으로부터 다양한 데이터를 입력받을 수 있다.
여기서, 데이터는 가전 기기의 계측 정보, 가전 기기의 공정 단계에서 획득된 공정 불량 데이터, 가전 기기의 서비스 단계에서 획득된 서비스 불량 데이터 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 가전 기기의 계측 정보, 공정 불량 데이터 및 서비스 불량 데이터 각각에 대한 설명은 후술하도록 한다.
메모리(120)는 본 개시의 다양한 실시 예를 위해 필요한 데이터를 저장할 수 있다. 메모리(120)는 데이터 저장 용도에 따라 전자 장치(100)에 임베디드된 메모리 형태로 구현되거나, 전자 장치(100)에 탈부착이 가능한 메모리 형태로 구현될 수도 있다.
예를 들어, 전자 장치(100)의 구동을 위한 데이터는 전자 장치(100)에 임베디드된 메모리에 저장되고, 전자 장치(100)의 확장 기능을 위한 데이터는 전자 장치(100)에 탈부착이 가능한 메모리에 저장될 수 있다. 한편, 전자 장치(100)에 임베디드된 메모리의 경우 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나로 구현될 수 있다. 또한, 전자 장치(100)에 탈부착이 가능한 메모리의 경우 메모리 카드(예를 들어, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 등), USB 포트에 연결가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.
일 예에 따라 메모리(120)는 전자 장치(100)를 제어하기 위한 적어도 하나의 인스트럭션(instruction) 또는 인스트럭션들을 포함하는 컴퓨터 프로그램을 저장할 수 있다.
다른 예에 따라, 메모리(120)는 복수의 레이어를 포함하는 인공 지능 모델에 관한 정보를 저장할 수 있다. 여기서, 인공 지능 모델에 관한 정보를 저장한다는 것은 인공 지능 모델의 동작과 관련된 다양한 정보, 예를 들어 인공 지능 모델에 포함된 복수의 레이어에 대한 정보, 복수의 레이어 각각에서 이용되는 파라미터(예를 들어, 필터 계수, 바이어스 등)에 대한 정보 등을 저장한다는 것을 의미할 수 있다.
예를 들어, 메모리(120)는 본 개시의 일 실시 예에 따라 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 인공 지능 모델에 대한 정보를 저장할 수 있다.
여기서, 잠재적 불량은 가전 기기의 공정 단계(또는, 제조 단계)에서 수행하는 불량 검사 시에는 해당 가전 기기가 정상 범주로 확인되었으나(예를 들어, 공정 불량은 발생하지 않았으나), 추후에 해당 가전 기기의 서비스 단계에서 불량이 발생할 확률이 임계값을 초과하는 경우를 의미한다. 여기서, 서비스 단계는 해당 가전 기기가 출하되어 사용자에게 제공된 이후의 단계를 의미할 수 있다.
본 개시의 일 실시 예에 따른 제1 및 제2 학습 네트워크 모델 각각은, 공정 단계에서 획득한 가전 기기의 계측 정보를 이용하여 해당 가전 기기가 공정 불량은 없으나, 추후에 서비스 단계(또는, 사용자가 해당 가전 기기를 이용하는 동안)에서 불량이 발생할지 여부를 예측하도록 학습된 모델일 수 있다.
여기서, 가전 기기의 계측 정보는, 가전 기기의 공정 과정에서 해당 가전 기기를 검사 및 계측하여 획득한 정보를 의미할 수 있다. 구체적으로, 가전 기기를 디스플레이 패널로 상정하면, 계측 정보는 디스플레이 패널의 공정 과정에서 해당 디스플레이 패널의 획득한 박막 두께 계측값, 색도 계측값(예를 들어, 명도 계측 값, 스펙트럼 계측 값, 휘도 계측값, 패널 상의 얼룩 여부, 불량 화소 여부), 전류 계측값 등을 포함할 수 있다. 다만, 이는 일 예시에 불과하며 이에 한정되지 않음은 물론이다. 디스플레이 패널의 공정 과정에서 검사 및 계측을 수행하여 획득한 다양한 계측 정보를 포함할 수 있음은 물론이다. 또한, 설명의 편의를 위해 가전 기기를 디스플레이 패널로 상정하였으나, 본 개시의 실시 예는 다양한 형태의 가전 기기에 적용할 수 있음은 물론이다.
한편, 인공 지능 모델이 학습된다는 것은, 기본 인공 지능 모델(예를 들어 임의의 랜덤한 파라미터를 포함하는 인공 지능 모델)이 학습 알고리즘에 의하여 다수의 훈련 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 별도의 서버 및/또는 시스템을 통해 이루어질 수 있으나, 이에 한정되는 것은 아니며 전자 장치(100)에서 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning), 전이 학습(transfer learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
여기서, 제1 및 제2 인공 지능 모델 각각은, 예를 들어, CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등으로 구현될 수 있으나, 이에 한정되지 않는다.
이하에서는 설명의 편의를 위해 제1 인공 지능 모델을 지도형 학습(supervised learning) 네트워크 모델로 상정하고, 제2 인공 지능 모델을 비지도형 학습(unsupervised learning) 네트워크 모델로 상정하여 설명하도록 한다.
일 실시 예에 따라 프로세서(130)는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), GPU(Graphics Processing Unit), AI(Artificial Intelligence) 프로세서, NPU (Neural Processing Unit), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(140)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, ASIC(application specific integrated circuit), FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.
또한, 본 개시의 일 실시 예에 따른 인공 지능 모델을 실행하기 위한 프로세서(130)는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서와 소프트웨어의 조합을 통해 구현될 수 있다. 프로세서(130)는, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어할 수 있다. 또는, 프로세서(130)가 전용 프로세서(또는 인공 지능 전용 프로세서)인 경우, 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 예를 들어, 특정 인공 지능 모델의 처리에 특화된 하드웨어는 ASIC, FPGA 등의 하드웨어 칩으로 설계될 수 있다. 프로세서(130)가 전용 프로세서로 구현되는 경우, 본 개시의 실시 예를 구현하기 위한 메모리를 포함하도록 구현되거나, 외부 메모리를 이용하기 위한 메모리 처리 기능을 포함하도록 구현될 수 있다.
본 개시의 일 실시 예에 따른 프로세서(130)는 가전 기기의 계측 정보를 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력할 수 있다.
이어서, 프로세서(130)는 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 예측 정보 및 제2 예측 정보에 상이한 가중치를 적용할 수 있다. 이어서, 프로세서(130)는 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 가전 기기의 잠재적 불량 여부를 식별할 수 있다.
여기서, 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보 각각은 확률의 형태일 수 있다. 예를 들어, 프로세서(130)는 가전 기기의 계측 정보를 제1 학습 네트워크 모델(예를 들어, 지도형 학습 네트워크 모델)에 입력하고, 제1 학습 네트워크 모델은 계측 정보를 이용하여 해당 가전 기기에서 공정 단계가 아닌 출하 뒤에 불량이 발생할 확률(즉, 잠재적 불량)을 예측하여 확률 형태의 제1 예측 정보를 출력할 수 있다.
또한, 프로세서(130)는 가전 기기의 계측 정보를 제2 학습 네트워크 모델(예를 들어, 비지도형 학습 네트워크 모델)에 입력하고, 제2 학습 네트워크 모델은 계측 정보를 이용하여 해당 가전 기기에서 공정 단계가 아닌 출하 뒤에 불량이 발생할 확률을 예측하여 확률 형태로 제2 예측 정보를 출력할 수 있다.
예를 들어, 제1 및 제2 예측 정보 각각은 0 내지 1의 값을 가질 수 있다.
이어서, 본 개시의 일 실시 예에 따른 프로세서(130)는 제1 및 제2 예측 정보 각각에 상이한 가중치를 적용하여 획득된 값에 기초하여 가전 기기의 잠재적 불량 여부를 식별할 수 있다. 예를 들어, 프로세서(130)는 제1 및 제2 예측 정보 각각에 0 내지 1의 값을 가지는 가중치를 적용한 뒤, 합산하여 임계 값을 초과하면 해당 가전 기기가 잠재적 불량이 있는 것으로 판단할 수 있다.
한편, 지도 학습 네트워크 모델은 라벨(Label) 데이터에 기초하여 학습된 모델이고, 비지도 학습 네트워크 모델은 라벨 데이터 없이 복수의 가전 기기 각각의 계측 정보에 기초하여 학습된 모델일 수 있다.
일 예로, 지도 학습 네트워크 모델은 복수의 계측 정보 각각이 불량에 해당하는 가전 기기의 계측 정보인지 또는 정상에 해당하는 가전 기기의 계측 정보인지를 명시적으로 알고 있는 상태에서, 복수의 계측 정보(또는, 학습 데이터)에 기초하여 새롭게 획득된 계측 정보에 대응되는 가전 기기가 추후 불량이 발생할 여지가 있는지 예측하도록 학습된 모델일 수 있다.
이에 반해, 비지도 학습 네트워크 모델은 복수의 계측 정보 각각이 불량에 해당하는 가전 기기의 계측 정보인지 또는 정상에 해당하는 가전 기기의 계측 정보인지를 명시적으로 알고 있지 않은 상태에서, 복수의 계측 정보에 기초하여 새롭게 획득된 계측 정보에 대응되는 가전 기기가 추후 불량이 발생할 여지가 있는지 예측하도록 학습된 모델일 수 있다.
지도 학습 네트워크 모델만을 이용하여 가전 기기의 잠재적 불량 여부를 예측하거나, 비지도 학습 네트워크 모델만을 이용하여 가전 기기의 잠재적 불량 여부를 예측하는 것이 아니라 본 개시의 다양한 실시 예에 따른 프로세서(130)는 가전 기기의 계측 정보를 지도 학습 네트워크 모델과 비지도 학습 네트워크 모델에 모두 입력한 뒤, 각각의 학습 네트워크 모델로부터 출력된 예측 정보에 기초하여 해당 가전 기기의 잠재적 불량 여부를 예측하므로 예측의 정확도와 신뢰도가 증가할 수 있다.
한편, 본 개시의 일 실시 예에 따른 전자 장치(100)는 가전 기기의 계측 정보에 기초하여 해당 가전 기기가 잠재적 불량으로 예측되면, 시각적 또는 청각적 노티를 제공할 수 있다. 예를 들어, 전자 장치(100)는 가전 기기를 구성하는 다양한 구성 요소 중 어느 구성 요소가 잠재적 불량으로 예측되는지를 시각적 또는 청각적 노티로 제공할 수 있다. 다만, 이는 일 예시에 불과하며, 전자 장치(100)는 단순히 해당 가전 기기가 잠재적 불량인지 여부만을 시각적 또는 청각적 노티로 제공할 수도 있음은 물론이다.
도 2는 본 개시의 일 실시 예에 따른 통합 학습 데이터를 설명하기 위한 그래프이다.
본 개시의 일 실시 예에 따른 제1 학습 네트워크 모델과 제2 학습 네트워크 모델 각각은 통합 학습 데이터에 기초하여 가전 기기의 잠재적 불량 여부를 예측하도록 학습될 수 있다.
여기서, 통합 학습 데이터는 가전 기기의 공정 단계에서 획득된 공정 불량 데이터 및 가전 기기의 서비스 단계에서 획득된 서비스 불량 데이터를 통합하여 획득된 데이터일 수 있다.
일 실시 예에 따라 학습 네트워크 모델은 가전 기기가 출하 뒤 사용자의 이용 단계에서 불량이 발생할지 여부를 예측하도록 학습되어 있으며, 학습을 위해 이용하는 학습 데이터는 공정 단계에서 불량 또는 정상으로 판단된 가전 기기의 계측 정보(예를 들어, 공정 단계에서 획득된 공정 불량 데이터) 외에도, 서비스 불량 데이터를 포함할 수 있다.
여기서, 서비스 불량 데이터는 서비스 단계에서 불량으로 판단된 가전 기기의 계측 정보, 해당 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보, 해당 가전 기기의 서비스 기간(예를 들어, 이용 기간), 해당 가전 기기의 생산년월 또는 해당 가전 기기의 생산지(예를 들어, 생산 공장, 생산 라인)에 대한 정보 중 적어도 하나를 포함할 수 있다.
한편, 시기에 따라 공정 불량 데이터와 서비스 불량 데이터의 양이 비대칭적일 수 있다. 예를 들어, 도 2를 참조하면 새롭게 양산을 시작한 가전 기기의 경우, 가전 기기의 출하 전이므로 서비스 단계에서 획득된 서비스 불량 데이터의 양은 제로(0)에 가까우며 공정 단계에서 획득된 공정 불량 데이터만 존재할 수 있다.
도 2를 참조하면, 가전 기기가 양산을 시작한 뒤 시간이 경과함에 따라 공정 불량 데이터의 누적량 및 서비스 불량 데이터의 누적량이 모두 증가할 수 있다.
본 개시의 일 실시 예에 따른 프로세서(130)는 통합 학습 데이터의 누적량에 기초하여 제1 및 제2 학습 네트워크 모델에 적용되는 가중치를 변경할 수 있다. 이에 대한 구체적인 설명은 도 3을 참조하여 하도록 한다.
도 3은 본 개시의 일 실시 예에 따른 가중치를 설명하기 위한 그래프이다.
도 3의 그래프를 참조하면, x축은 공정 단계의 시간 경과를 의미하고, y축은 잠재적 불량으로 예측된 가전 기기가 서비스 단계에서 불량으로 식별된 경우 즉, 학습 네트워크 모델의 예측 정확도를 의미한다.
도 3은 공정 단계의 초기에서는 지도 학습 네트워크 모델의 예측 정확도 대비 비지도 학습 네트워크 모델의 예측 정확도가 높으며, 공정 단계의 말기에서는 비지도 학습 네트워크 모델의 예측 정확도 대비 지도 학습 네트워크 모델의 예측 정확도가 높은 경우를 상정하여 도시하였다.
비지도 학습 네트워크 모델은 불량에 해당하는지 또는 정상에 해당하는지 명시적으로는 모르나, 복수의 공정 데이터와 복수의 서비스 데이터에 기초하여 학습을 수행하므로, 통합 학습 데이터의 누적량이 상대적으로 적은 공정 초기 단계에서 예측의 정확도가 높다.
이에 반해, 지도 학습 네트워크 모델은 불량에 해당하는지 또는 정상에 해당하는지 명시적으로 알고 있는 공정 데이터, 서비스 데이터 즉, Label 데이터에 기초하여 학습을 수행하므로, 통합 학습 데이터의 누적량이 상대적으로 많은 공정 후기 단계에서 예측의 정확도가 높다.
도 3은 설명의 편의를 위해 x축을 공정 초기 단계, 중기 단계 및 후기 단계로 한정하여 도시하였으나, 이는 일 예시에 불과하며 이에 한정되지 않는다.
예를 들어, x축은 통합 학습 데이터의 누적량을 의미할 수도 있으며, 가전 기기의 양산을 시작한 뒤 경과한 개월 수 등을 의미할 수도 있음은 물론이다.
본 개시의 일 실시 예에 따른 프로세서(130)는 통합 학습 데이터의 누적량이 임계량 미만이면, 비지도형 학습 네트워크 모델에 지도형 학습 네트워크 모델 보다 상대적으로 큰 가중치를 적용할 수 있다. 또한, 프로세서(130)는 통합 학습 데이터의 누적량이 임계량 이상이면, 지도형 학습 네트워크 모델에 비지도형 학습 네트워크 모델 보다 상대적으로 큰 가중치를 적용할 수 있다. 따라서, 잠재적 불량을 예측하는 예측 모델은 통합 학습 데이터의 누적량, 공정 단계의 시기(예를 들어, 초기, 중기, 후기 등), 양산을 시작한 뒤에 경과한 개월 수 등에 따라 유동적으로 변화할 수 있다.
여기서, 예측 모델의 유동적인 변화는 비지도형 학습 네트워크 모델 및 지도형 학습 네트워크 모델 자체의 업데이트를 의미할 수도 있으며, 비지도형 학습 네트워크 모델이 출력한 예측 정보와 지도형 학습 네트워크 모델이 출력한 예측 정보 각각에 적용되는 상이한 가중치의 변화를 의미할 수도 있음은 물론이다. 가중치에 대한 구체적인 설명은 후술하도록 한다.
한편, 예측 모델이 하나의 학습 네트워크 모델로만 구성되어 있지 않으며, 적어도 두 개의 학습 네트워크 모델 각각에 서로 다른 가중치를 적용하여 예측 최종 값을 출력하도록 구성되어 있다는 점에서 앙상블(ensemble)로 불릴 수도 있으나, 설명의 편의를 위해 예측 모델로 통칭하도록 한다.
본 개시의 일 실시 예에 따른 프로세서(130)는 통신부(110)를 통해 공정 불량 데이터와 시장 불량 데이터가 실시간으로 수신되면, 공정 불량 데이터와 시장 불량 데이터를 통합하여 통합 학습 데이터로 메모리(120)에 저장할 수 있다.
여기서, 공정 불량 데이터는 가전 기기의 계측 정보 또는, 해당 가전 기기를 구성하는 복수의 구성 요소 중 공정 단계에서 불량으로 식별된 구성 요소에 대한 정보 중 적어도 하나를 포함할 수 있다. 또한, 서비스 불량 데이터는, 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보, 해당 가전 기기의 서비스 기간(예를 들어, 출하 뒤 경과 시간, 사용자 이용 시간 등), 해당 가전 기기의 생산년월 또는, 해당 가전 기기의 생산지 중 적어도 하나를 포함할 수 있다. 일 실시 예에 따른 서비스 불량 데이터의 형태는 도 4를 참조하여 하도록 한다.
도 4는 본 개시의 일 실시 예에 따른 불량 데이터를 설명하기 위한 표이다.
도 4를 참조하면, 본 개시의 일 실시 예에 따른 서비스 불량 데이터는 서비스 불량이 발생한 가전 기기에 대한 상이한 카테고리 각각에 대한 정보를 포함할 수 있다. 일 예로, 서비스 불량 데이터는 소비자 불량 증상, 수리 부품, 사용 월, 생산공장, 생산년월 등의 카테고리를 가질 수 있다. 여기서, 소비자 불량 증상 및 수리 부품은 불량으로 식별된 구성 요소에 대한 정보를 의미하고, 사용 월은 서비스 기간을 의미할 수 있다.
한편, 도 4는 설명의 편의를 위해 카테고리의 일 예시만을 도시하였으나, 이에 한정되지 않음은 물론이다. 예를 들어, 서비스 불량 데이터는 가전 기기의 A/S 단계에서 유지/관리하는 해당 가전 기기에 관련된 식별 정보, 불량으로 식별된 구성 요소에 대한 제조사, 생산지, 생산년월, 사양(Speicification), 불량의 발현 당시 시나리오(사용 예) 등을 카테고리로 가질 수도 있음은 물론이다.
도 3으로 돌아와서, 본 개시의 일 실시 예에 따른 프로세서(130)는 통합 학습 데이터의 누적량, 공정 단계의 시기(예를 들어, 초기, 중기, 후기 등) 또는 가전 기기의 양산을 시작한 뒤에 경과한 개월 수 중 적어도 하나에 기초하여 제1 및 제2 학습 네트워크 모델을 업데이트시킬 수 있다. 예를 들어, 프로세서(130)는 새로운 공정 불량 데이터와 서비스 불량 데이터가 임계량 이상 수신되면, 새롭게 수신된 공정 불량 데이터와 서비스 불량 데이터에 기초하여 제1 및 제2 학습 네트워크 모델을 학습시킬 수 있다. 따라서, 프로세서(130)는 실시간으로 수신되는 불량 데이터의 양, 공정 단계의 시기 등에 기초하여 제1 및 제2 학습 네트워크 모델의 업데이트를 트리거(trigger)하는 역할을 수행할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 군집화를 설명하기 위한 표이다.
도 5를 참조하면, 본 개시의 일 실시 예에 따른 프로세서(130)는 공정 불량 데이터와 서비스 불량 데이터를 통합하여 통합 학습 데이터를 획득하는 과정에서 전처리를 수행할 수 있다. 여기서, 전처리를 복수의 학습 데이터를 카테고리별로 그룹화하는 과정을 의미할 수 있다.
일 예로 프로세서(130)는 공정 불량 데이터와 서비스 불량 데이터 등 복수의 학습 데이터를 군집화하여 상이한 카테고리 별 학습 데이터 그룹으로 구분할 수 있다. 예를 들어, 프로세서(130)는 서비스 불량 데이터를 군집화 하고, 군집화된 데이터 그룹별로 구분하여, 예측 모델을 학습시킬 수 있다. 이에 따라, 예측 모델은 유사한 불량들끼리 군집하여 생성된 데이터 그룹에 기초하여 학습을 수행하므로, 예측 신뢰도가 향상될 수 있다.
여기서, 유사한 불량들끼리 군집하여 생성된 데이터 그룹을 구체적으로 설명하면, 하나의 그룹에 포함된 복수의 서비스 불량 데이터들의 불량 원인이 동일 또는 유사하며, 군집별 불량의 공정 단계 검계측 데이터 값의 분포가 유사하다.
여기서, 불량 원인(또는, 그룹을 대표하는 키워드)은 불량과의 관련성이 높은 주요 인자를 의미하며, 주요 인자는 카테고리, 키워드로 표현될 수도 있음은 물론이다.
도 5를 참조하면, 프로세서(130)는 복수의 학습 데이터에 군집화 알고리즘(예를 들어, K-means 알고리즘)를 적용하여 복수의 학습 데이터를 수리 부품 별, 생산 공장 별, 또는 생산년월 별로 그룹화할 수 있다.
이어서, 프로세서(130)는 그룹 별 학습 데이터에 기초하여 제1 및 제2 학습 네트워크 모델을 학습시킬 수 있다. 군집화 알고리즘을 적용하여 카테고리 별로 그룹화된 학습 데이터를 이용하여 학습 네트워크 모델을 학습시키므로, 예측의 정확도가 향상되는 효과가 있다.
도 6은 본 개시의 일 실시 예에 따른 가중치를 획득하는 방법을 설명하기 위한 그래프이다.
도 6을 참조하면, 본 개시의 일 실시 예에 따른 프로세서(130)는 제1 예측 정보에 적용되는 제1 가중치와 제2 예측 정보에 적용되는 제2 가중치를 유동적으로 변경하여 최적의 예측 모델을 획득할 수 있다.
우선, 설명의 편의를 위해 프로세서(130)가 잠재적 불량 여부를 예측하도록 학습된 제1 내지 제3 학습 네트워크 모델을 이용하여 가전 기기의 잠재적 불량 여부를 예측하는 경우를 상정하도록 한다.
여기서, 제3 학습 네트워크 모델은 지도 학습 네트워크 모델, 비지도 학습 네트워크 모델과는 다른 예를 들어, 강화 학습 네트워크 모델(reinforcement learning network model) 또는 전이 학습 네트워크 모델(transfer learning network model) 중 어느 하나일 수 있다. 여기서, 전이 학습 네트워크 모델은 가전 기기와 유사한 다른 가전 기기의 공중 불량 데이터, 서비스 불량 데이터에 기초하여 학습된 네트워크 모델일 수 있다. 여기서, 가전 기기와 유사한 다른 가전 기기는 공정 단계에서 일부 차이가 존재하는 가전 기기, 식별 정보(예를 들어, 모델명)에 차이가 존재하는 가전 기기 등을 의미할 수 있다.
본 개시의 일 실시 예에 따른 프로세서(130)는 가전 기기의 계측 정보를 제1 내지 제3 학습 네트워크 모델 각각에 입력하여 제1 내지 제3 예측 정보를 획득할 수 있다. 이어서, 프로세서(130)는 제1 내지 제3 예측 정보 각각에 제1 내지 제3 가중치를 적용하여 최종 예측 값을 획득할 수 있다.
최종 예측 값을 획득하는 수학식은 하기의 수학식 1로 표현될 수 있다.
[수학식 1]
Figure pat00001
여기서, Yhat은 최종 예측 값, f(x)는 제1 학습 네트워크 모델, g(x)는 제2 학습 네트워크 모델, h(x)는 제3 학습 네트워크 모델을 의미하고, W1, W2, W3 각각은 제1 내지 제3 가중치를 의미한다.
본 개시의 일 실시 예에 따른 프로세서(130)는 최종 예측 값이 임계 값 이상이면 가전 기기를 잠재적 불량으로 식별하고, 임계 값 미만이면 가전 기기를 정상으로 식별할 수 있다. 예를 들어, 프로세서(130)는 최종 예측 값이 0.5 이상이면, 해당 가전 기기가 출하 뒤 서비스 단계에서 불량이 발생할 것으로 예측할 수 있다. 여기서, 구체적인 숫자는 일 예시에 불과하며 이에 한정되지 않는다.
한편, 제1 학습 네트워크 모델이 지도 학습 네트워크 모델이면, f(x)의 일 예시는 수학식 2로 표현될 수 있다.
[수학식 2]
Figure pat00002
Figure pat00003
또한, 제2 학습 네트워크 모델이 비지도 학습 네트워크 모델이면, g(x)의 일 예시는 수학식 3으로 표현될 수 있다.
[수학식 3]
Figure pat00004
본 개시의 일 실시 예에 따른 프로세서(130)는 제1 내지 제3 가중치를 획득하기 위해 수학식 4와 같이 Objective function을 정의하고, objective function의 값을 Maximize하는 방향으로 최적의 제1 내지 제3 가중치를 획득할 수 있다.
[수학식 4]
Figure pat00005
여기서, TP는 True positive, FN은 false negative, AUC는 Area under the ROC curve를 의미한다.
한편, TP, FN 및 AUC는 하기의 표에 기초하여 정의될 수 있다.
실제 정답
Positive Negative
예측 결과 Positive True Positive False Positive
Negative False Negative True Negative
여기서, True Positive는 예측 모델에 의해 불량으로 예측(예측 결과 Positive)되고 실제 불량으로 식별(실제 정답 Positive)된 가전 기기의 비율, False Negative 는 예측 모델에 의해 정상으로 예측(예측 결과 Negative)되고 실제 불량으로 식별(실제 정답 Positive)된 가전 기기의 비율을 의미할 수 있다.
한편, 본 개시의 일 실시 예에 따른 프로세서(130)는 최적의 제1 내지 제3 가중치를 획득하기 위해, 즉, objective function의 값을 Maximize하는 방향으로 제1 내지 제3 가중치를 획득하기 위해 Bayesian Optimization 알고리즘을 이용할 수 있다.
도 6은 Bayesian Optimization 알고리즘에 따른 확률 분포 함수를 도시한 그래프이다.
프로세서(130)는 Bayesian Optimization을 이용하여 현재 입력된 값을 기반으로 Objective function에 대한 확률적 추정 모델을 획득하고, 확률적 추정 모델에 대해 수학식 5에 따른, EI(Expected Improvement)가 최대가 되는 다음의 x(t+1) 구하는 단계를 반복적으로 수행하여 현재 입력된 값보다 더 최적화된 다음의 x(t+1) 을 써치하여 나아갈 수 있다.
[수학식 6]
Figure pat00006
Figure pat00007
한편, 본 개시의 일 실시 예에 따른 프로세서(130)는 초기 지점(예를 들어, 현재 입력된 값)에 대한 의존(dependency) 문제를 방지하기 위해 Bayesian Optimization 알고리즘에 명시적인 Exploration 단계를 추가적으로 수행하여 최적의 가중치를 써치하여 나아갈 수 있다.
일 실시 예에 따른 Exploration 단계는 다음과 같이 설명할 수 있다.
1. Sampling K initial point
2. Train the Model with initial point & Calculate objective function
3. Create the Surrogate model with Calculated result ((x1, f(x1)), (x2, f(x2)), ..., (x_k, f(x_k)))
4. Select new Point randomly
5. Train the Model with new point & Calculate objective function
6. Add the result (x, f(x)) to Trial space
7. Calculate the EI & Decide Next point (x_k+1)
8. Model train with Next point & Calculate objective function
9. Add the result (x_k+1, f(x_k+1)) to Trial space
10. Update the Surrogate Mode
11. Select value x which have maximized f(x)
종래의 Bayesian Optimization 알고리즘과 달리, 본 개시의 일 실시 예에 따른 프로세서(130)는 Exploration 단계에 해당하는 4 내지 6 단계를 반복적으로 수행하고, 7 내지 10 단계 역시 반복적으로 수행하여 Objective function을 최대화시키는 최적의 제1 내지 제3 가중치를 획득할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 가중치를 설명하기 위한 도면이다.
도 7을 참조하면, 공정 단계의 경과 시간에 따라 프로세서(130)는 제1 내지 제3 학습 네트워크 모델 각각의 예측 정보에 적용되는 제1 내지 제3 가중치를 변경할 수 있다.
일 예로, 상술한 바와 같이 공정 초기 단계는 서비스 불량 데이터가 거의 없으며, 공정 불량 데이터만이 존재하는 특징이 있다. 이 경우, 프로세서(130)는 최적의 제1 내지 제3 가중치를 획득하고, 제1 내지 제3 학습 네트워크 모델 각각이 출력한 제1 내지 제3 예측 정보에 제1 내지 제3 가중치를 적용할 수 있다. 예를 들어, 공정 초기 단계는, 전이 학습 네트워크 모델에 적용되는 제3 가중치가 0.4, 비지도 학습 네트워크 모델에 적용되는 제1 가중치가 0.6일 수 있다.
다른 예로, 공정 후기 단계는 서비스 불량 데이터와 공정 불량 데이터의 누적량이 임계량 이상인 특징이 있다. 이 경우, 프로세서(130)는 가전 기기와 유사한 다른 가전 기기의 불량 예측에 이용된 전이 학습 네트워크 모델이 출력하는 제3 예측 정보에 적용되는 제3 가중치를 상대적으로 줄이고, 가전 기기의 공정 단계에서 획득한 공정 불량 데이터와 가전 기기의 서비스 단계에서 획득한 서비스 불량 데이터를 이용하여 학습한 지도 학습 네트워크 모델 및 비지도 학습 네트워크 모델 각각이 출력하는 제1 및 제2 예측 정보에 적용되는 제1 및 제2 가중치를 상대적으로 증가시킬 수 있다.
또 다른 예로, 프로세서(130)는 공정 후기 단계는 통합 학습 데이터의 누적량이 임계량 이상이므로, 불량임을 명시적으로 알려주는 Label 데이터에 기초하여 학습된 지도 학습 네트워크가 출력하는 제1 예측 정보에 적용되는 제1 가중치를 상대적으로 증가시킬 수 있다. 도 7을 참조하면 공정 후기 단계에서는 지도 학습 네트워크 모델이 출력한 제1 예측 정보에 적용되는 제1 가중치가 0.5이고, 비지도 학습 네트워크 모델이 출력한 제2 예측 정보에 적용되는 제2 가중치가 0.2이고, 전이 학습 네트워크 모델이 출력한 제3 예측 정보에 적용되는 제3 가중치가 0.3일 수 있다. 한편, 이는 일 실시 예에 불과하며 구체적인 숫자에 한정되지 않음은 물론이다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
본 개시의 일 실시 예에 따른 전자 장치의 제어 방법에 따르면, 우선, 전 기기의 계측 정보를 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력한다(S810).
이어서, 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보에 상이한 가중치를 적용한다(S820).
이어서, 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 가전 기기의 잠재적 불량 여부를 식별한다(S830).
여기서, 제1 학습 네트워크 모델은, 지도형 학습 네트워크 모델(supervised learning network model)이고, 제2 학습 네트워크 모델은, 비지도형 학습 네트워크 모델(unsupervised learning network model)이다.
본 개시의 일 실시 예에 따른 제1 및 제2 학습 네트워크 모델은, 통합 학습 데이터에 기초하여 가전 기기의 불량 여부를 예측하도록 학습되며, 통합 학습 데이터는, 가전 기기의 공정 단계에서 획득된 공정 불량 데이터 및 가전 기기의 서비스 단계에서 획득된 서비스 불량 데이터를 통합하여 획득된 데이터일 수 있다.
본 개시의 일 실시 예에 따른 제어 방법은 통합 데이터의 누적량에 기초하여 제1 및 제2 학습 네트워크 모델에 적용되는 가중치를 변경하는 단계를 더 포함할 수 있다.
여기서, 가중치를 적용하는 S820 단계는, 통합 학습 데이터의 누적량이 임계량 미만이면, 제2 학습 네트워크에 제1 학습 네트워크보다 상대적으로 큰 가중치를 적용하는 단계 및 통합 학습 데이터의 누적량이 임계량 이상이면, 제1 학습 네트워크에 제2 학습 네트워크보다 상대적으로 큰 가중치를 적용하는 단계를 포함할 수 있다.
본 개시의 일 실시 예에 따른 서비스 불량 데이터는, 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보, 가전 기기의 서비스 기간, 가전 기기의 생산년월 또는, 가전 기기의 생산지 중 적어도 하나를 포함하고, 공정 불량 데이터는, 가전 기기의 계측 정보 또는, 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보 중 적어도 하나를 포함할 수 있다.
또한, 제1 및 제2 학습 네트워크 모델에 입력되는 가전 기기의 계측 정보는, 상이한 카테고리에 속하는 복수의 계측 정보를 포함할 수 있다.
본 개시의 일 실시 예에 따른 제어 방법은 제1 및 제2 학습 네트워크 모델을 학습하는데 이용되는 복수의 학습 데이터를 군집화하여 상이한 카테고리 별 학습 데이터 그룹으로 구분하는 단계 및 그룹 별 학습 데이터에 기초하여 제1 및 제2 학습 네트워크 모델을 학습시키는 단계를 더 포함할 수 있다.
본 개시의 일 실시 예에 따른 제어 방법은 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제3 학습 네트워크 모델에 각각 입력하여 제3 예측 정보를 획득하는 단계를 더 포함하고, 가중치를 적용하는 S820 단계는, 제1 내지 제3 예측 정보에 상이한 가중치를 적용하는 단계를 포함하고, 식별하는 S830 단계는, 상이한 가중치가 적용된 제1 내지 제3 예측 정보에 기초하여 가전 기기의 잠재적 불량 여부를 식별하는 단계를 포함하며, 제3 학습 네트워크 모델은, 강화 학습 네트워크 모델(reinforcement learning network model) 또는 전이 학습 네트워크 모델 중 어느 하나일 수 있다.
본 개시의 일 실시 예에 따른 제어 방법은 Bayesian Optimization 알고리즘에 기초하여 상이한 가중치를 획득하는 단계를 더 포함할 수 있다.
다만, 본 개시의 다양한 실시 예들은 전자 장치 뿐 아니라, 디스플레이 장치 등 영상 처리가 가능한 모든 전자 장치에 적용될 수 있음은 물론이다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서(120) 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 음향 출력 장치(100)의 프로세싱 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium) 에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 음향 출력 장치(100)에서의 처리 동작을 특정 기기가 수행하도록 한다.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100: 전자 장치 110: 통신부
120: 프로세서 130: 메모리

Claims (19)

  1. 전자 장치에 있어서,
    통신부;
    적어도 하나의 명령어를 저장하는 메모리; 및
    상기 메모리와 전기적으로 연결된 프로세서;를 포함하고,
    상기 프로세서는,
    상기 명령어를 실행함으로써,
    가전 기기의 계측 정보를 상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력하고,
    상기 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보에 상이한 가중치를 적용하고,
    상기 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하며,
    상기 제1 학습 네트워크 모델은, 지도형 학습 네트워크 모델(supervised learning network model)이고,
    상기 제2 학습 네트워크 모델은, 비지도형 학습 네트워크 모델(unsupervised learning network model)인, 전자 장치.
  2. 제1항에 있어서,
    상기 제1 및 제2 학습 네트워크 모델은,
    통합 학습 데이터에 기초하여 가전 기기의 잠재적 불량 여부를 예측하도록 학습되며,
    상기 통합 학습 데이터는,
    가전 기기의 공정 단계에서 획득된 공정 불량 데이터 및 상기 가전 기기의 서비스 단계에서 획득된 서비스 불량 데이터를 통합하여 획득된 데이터인, 전자 장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    상기 통합 학습 데이터의 누적량에 기초하여 상기 제1 및 제2 학습 네트워크 모델에 적용되는 가중치를 변경하는, 전자 장치.
  4. 제3항에 있어서,
    상기 프로세서는,
    상기 통합 학습 데이터의 누적량이 임계량 미만이면, 상기 제2 학습 네트워크에 상기 제1 학습 네트워크보다 상대적으로 큰 가중치를 적용하고,
    상기 통합 학습 데이터의 누적량이 상기 임계량 이상이면, 상기 제1 학습 네트워크에 상기 제2 학습 네트워크보다 상대적으로 큰 가중치를 적용하는, 전자 장치.
  5. 제2항에 있어서,
    상기 서비스 불량 데이터는,
    가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보, 상기 가전 기기의 서비스 기간, 상기 가전 기기의 생산년월 또는, 상기 가전 기기의 생산지 중 적어도 하나를 포함하고,
    상기 공정 불량 데이터는,
    상기 가전 기기의 계측 정보 또는, 상기 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보 중 적어도 하나를 포함하는, 전자 장치.
  6. 제1항에 있어서,
    상기 제1 및 제2 학습 네트워크 모델에 입력되는 상기 가전 기기의 계측 정보는, 상이한 카테고리에 속하는 복수의 계측 정보를 포함하는, 전자 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    상기 제1 및 제2 학습 네트워크 모델을 학습하는데 이용되는 복수의 학습 데이터를 군집화하여 상기 상이한 카테고리 별 학습 데이터 그룹으로 구분하고,
    상기 그룹 별 학습 데이터에 기초하여 상기 제1 및 제2 학습 네트워크 모델을 학습시키는, 전자 장치.
  8. 제1항에 있어서,
    상기 프로세서는,
    상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제3 학습 네트워크 모델에 각각 입력하여 제3 예측 정보를 획득하고,
    상기 제1 내지 제3 예측 정보에 상이한 가중치를 적용하고,
    상기 상이한 가중치가 적용된 제1 내지 제3 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하며,
    상기 제3 학습 네트워크 모델은,
    강화 학습 네트워크 모델(reinforcement learning network model) 또는 전이 학습 네트워크 모델 중 어느 하나인, 전자 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    Bayesian Optimization 알고리즘에 기초하여 상기 상이한 가중치를 획득하는, 전자 장치.
  10. 전자 장치의 제어 방법에 있어서,
    가전 기기의 계측 정보를 상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력하는 단계;
    상기 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보에 상이한 가중치를 적용하는 단계; 및
    상기 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하는 단계;를 포함하며,
    상기 제1 학습 네트워크 모델은, 지도형 학습 네트워크 모델(supervised learning network model)이고,
    상기 제2 학습 네트워크 모델은, 비지도형 학습 네트워크 모델(unsupervised learning network model)인, 제어 방법.
  11. 제10항에 있어서,
    상기 제1 및 제2 학습 네트워크 모델은,
    통합 학습 데이터에 기초하여 가전 기기의 불량 여부를 예측하도록 학습되며,
    상기 통합 학습 데이터는,
    가전 기기의 공정 단계에서 획득된 공정 불량 데이터 및 상기 가전 기기의 서비스 단계에서 획득된 서비스 불량 데이터를 통합하여 획득된 데이터인, 제어 방법.
  12. 제11항에 있어서,
    상기 통합 데이터의 누적량에 기초하여 상기 제1 및 제2 학습 네트워크 모델에 적용되는 가중치를 변경하는 단계;를 더 포함하는, 제어 방법.
  13. 제12항에 있어서,
    상기 가중치를 적용하는 단계는,
    상기 통합 학습 데이터의 누적량이 임계량 미만이면, 상기 제2 학습 네트워크에 상기 제1 학습 네트워크보다 상대적으로 큰 가중치를 적용하는 단계; 및
    상기 통합 학습 데이터의 누적량이 상기 임계량 이상이면, 상기 제1 학습 네트워크에 상기 제2 학습 네트워크보다 상대적으로 큰 가중치를 적용하는 단계;를 포함하는, 제어 방법.
  14. 제11항에 있어서,
    상기 서비스 불량 데이터는,
    가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보, 상기 가전 기기의 서비스 기간, 상기 가전 기기의 생산년월 또는, 상기 가전 기기의 생산지 중 적어도 하나를 포함하고,
    상기 공정 불량 데이터는,
    상기 가전 기기의 계측 정보 또는, 상기 가전 기기를 구성하는 복수의 구성 요소 중 불량으로 식별된 구성 요소에 대한 정보 중 적어도 하나를 포함하는, 제어 방법.
  15. 제10항에 있어서,
    상기 제1 및 제2 학습 네트워크 모델에 입력되는 상기 가전 기기의 계측 정보는, 상이한 카테고리에 속하는 복수의 계측 정보를 포함하는, 제어 방법.
  16. 제15항에 있어서,
    상기 제1 및 제2 학습 네트워크 모델을 학습하는데 이용되는 복수의 학습 데이터를 군집화하여 상기 상이한 카테고리 별 학습 데이터 그룹으로 구분하는 단계; 및
    상기 그룹 별 학습 데이터에 기초하여 상기 제1 및 제2 학습 네트워크 모델을 학습시키는 단계;를 더 포함하는, 제어 방법.
  17. 제10항에 있어서,
    상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제3 학습 네트워크 모델에 각각 입력하여 제3 예측 정보를 획득하는 단계;를 더 포함하고,
    상기 가중치를 적용하는 단계는,
    상기 제1 내지 제3 예측 정보에 상이한 가중치를 적용하는 단계;를 포함하고,
    상기 식별하는 단계는,
    상기 상이한 가중치가 적용된 제1 내지 제3 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하는 단계;를 포함하며,
    상기 제3 학습 네트워크 모델은,
    강화 학습 네트워크 모델(reinforcement learning network model) 또는 전이 학습 네트워크 모델 중 어느 하나인, 제어 방법.
  18. 제10항에 있어서,
    Bayesian Optimization 알고리즘에 기초하여 상기 상이한 가중치를 획득하는 단계;를 더 포함하는, 제어 방법.
  19. 전자 장치의 프로세서에 의해 실행되는 경우 상기 전자 장치가 동작을 수행하도록 하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 있어서, 상기 동작은,
    가전 기기의 계측 정보를 상기 가전 기기의 잠재적 불량 여부를 예측하도록 학습된 제1 및 제2 학습 네트워크 모델에 각각 입력하는 단계;
    상기 제1 및 제2 학습 네트워크 모델로부터 출력된 제1 및 제2 예측 정보에 상이한 가중치를 적용하는 단계; 및
    상기 가중치가 적용된 제1 및 제2 예측 정보에 기초하여 상기 가전 기기의 잠재적 불량 여부를 식별하는 단계;를 포함하며,
    상기 제1 학습 네트워크 모델은, 지도형 학습 네트워크 모델(supervised learning network model)이고,
    상기 제2 학습 네트워크 모델은, 비지도형 학습 네트워크 모델(unsupervised learning network model)인, 기록 매체.

KR1020200130266A 2020-10-08 2020-10-08 전자 장치 및 그 제어 방법 KR20220046947A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200130266A KR20220046947A (ko) 2020-10-08 2020-10-08 전자 장치 및 그 제어 방법
PCT/KR2021/013704 WO2022075744A1 (en) 2020-10-08 2021-10-06 Electronic device and control method thereof
US17/496,474 US20220113686A1 (en) 2020-10-08 2021-10-07 Electronic device and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200130266A KR20220046947A (ko) 2020-10-08 2020-10-08 전자 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
KR20220046947A true KR20220046947A (ko) 2022-04-15

Family

ID=81077671

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200130266A KR20220046947A (ko) 2020-10-08 2020-10-08 전자 장치 및 그 제어 방법

Country Status (3)

Country Link
US (1) US20220113686A1 (ko)
KR (1) KR20220046947A (ko)
WO (1) WO2022075744A1 (ko)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7039239B2 (en) * 2002-02-07 2006-05-02 Eastman Kodak Company Method for image region classification using unsupervised and supervised learning
US9864953B2 (en) * 2013-05-30 2018-01-09 President And Fellows Of Harvard College Systems and methods for Bayesian optimization using integrated acquisition functions
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
US10417788B2 (en) * 2016-09-21 2019-09-17 Realize, Inc. Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks

Also Published As

Publication number Publication date
WO2022075744A1 (en) 2022-04-14
US20220113686A1 (en) 2022-04-14

Similar Documents

Publication Publication Date Title
US11671386B2 (en) Electronic device and method for changing chatbot
US10992839B2 (en) Electronic device and method for controlling the electronic device
US11908465B2 (en) Electronic device and controlling method thereof
US11622098B2 (en) Electronic device, and method for displaying three-dimensional image thereof
US11880754B2 (en) Electronic apparatus and control method thereof
KR102586014B1 (ko) 전자 장치 및 전자 장치의 제어 방법
US11966317B2 (en) Electronic device and method for controlling same
US20210049890A1 (en) Electronic device and control method therefor
US20200242415A1 (en) Training method of neural network and classification method based on neural network and device thereof
US12003881B2 (en) Electronic device and control method of electronic device
KR20220088191A (ko) 전자 장치 및 그 제어 방법
US11436760B2 (en) Electronic apparatus and control method thereof for reducing image blur
KR20220046947A (ko) 전자 장치 및 그 제어 방법
US20200057758A1 (en) Server and control method thereof
US11688175B2 (en) Methods and systems for the automated quality assurance of annotated images
US20210112037A1 (en) Electronic apparatus and control method thereof
KR20200088682A (ko) 전자 장치 및 이의 제어 방법
US20220198523A1 (en) Electronic device and control method thereof
US20200311290A1 (en) Apparatus, method, and program product for operating a display in privacy mode
US20230315771A1 (en) Electronic apparatus for performing search and control method thereof
US20230054108A1 (en) Electronic apparatus and control method thereof
KR20230028028A (ko) 전자 장치 및 그 제어 방법
CN118331871A (zh) 测试方法、装置、计算机设备、存储介质和计算机程序产品
KR20230138335A (ko) 제품 이미지를 기반으로 불량 제품을 감지하는 인공 지능 장치 및 그 방법
KR20230159113A (ko) 디스플레이 장치 및 그 제어 방법