WO2022181869A1 - 복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법 - Google Patents

복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법 Download PDF

Info

Publication number
WO2022181869A1
WO2022181869A1 PCT/KR2021/003336 KR2021003336W WO2022181869A1 WO 2022181869 A1 WO2022181869 A1 WO 2022181869A1 KR 2021003336 W KR2021003336 W KR 2021003336W WO 2022181869 A1 WO2022181869 A1 WO 2022181869A1
Authority
WO
WIPO (PCT)
Prior art keywords
application
machine learning
learning model
electronic device
inference result
Prior art date
Application number
PCT/KR2021/003336
Other languages
English (en)
French (fr)
Inventor
이현수
김무영
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 CN202180094282.4A priority Critical patent/CN116897358A/zh
Priority to EP21928166.4A priority patent/EP4231210A4/en
Priority to US17/864,697 priority patent/US20220351041A1/en
Publication of WO2022181869A1 publication Critical patent/WO2022181869A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5055—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering software capabilities, i.e. software resources associated or available to the machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/545—Interprogram communication where tasks reside in different layers, e.g. user- and kernel-space
    • 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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5015—Service provider selection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/54—Indexing scheme relating to G06F9/54
    • G06F2209/542—Intercept

Definitions

  • the disclosure below relates to techniques for using a machine learning model shared across a plurality of applications.
  • An electronic device includes a processor; a memory electrically connected to the processor to store a plurality of machine learning models; and one or more sensors for sensing sensed data, wherein the processor is configured to: map the target application to a machine learning model matching a request of a target application from among the plurality of machine learning models, wherein the one In response to detecting sensing data corresponding to the machine learning model by the above sensor, an inference result is generated by applying the mapped machine learning model to the sensing data, and the generated inference result is It may be configured to be delivered to at least one of the target application and other applications mapped to the machine learning model.
  • the processor may be further configured to: provide the generated reasoning result to the target application running in one of a foreground process and a background process and the other application running in one of the foreground process and the background process.
  • the processor is further configured to: when the application mapped to the machine learning model is deactivated, generate the inference result using the machine learning model before the corresponding application is activated, and activate the corresponding application based on the inference result can be
  • the processor may be further configured to activate the deactivated application based on at least one of an output value and an estimated label included in the inference result.
  • the processor activates the deactivated application in response to a case in which the output value included in the inference result deviates from a threshold range, transmits the inference result to the target application, and determines that the output value included in the inference result is the It may be further configured to maintain deactivation of the deactivated application in response to a case within a threshold range.
  • the processor may be further configured to activate the deactivated application in response to a case in which the estimated label included in the inference result matches a reference label registered in the deactivated application.
  • the processor may be further configured to provide the other reasoning result to the corresponding application whenever another reasoning result is generated after the corresponding application is activated.
  • the processor is configured to: a type of input data required in an inference operation of the target application, a shape of the input data, an input source, and a type of output data, from among the plurality of machine learning models. , a label list of the output data, and a form of the output data, based on at least one or a combination of two or more, may be further configured to determine the machine learning model matching the target application.
  • the processor is configured to use an accelerator including at least one or a combination of two or more of: a central processing unit (CPU), a graphic processing unit (GPU), a digital signal processor (DSP), and a neural processing unit (NPU). It may be further configured to generate the inference result by implementing the machine learning model on sensed data.
  • an accelerator including at least one or a combination of two or more of: a central processing unit (CPU), a graphic processing unit (GPU), a digital signal processor (DSP), and a neural processing unit (NPU). It may be further configured to generate the inference result by implementing the machine learning model on sensed data.
  • the plurality of machine learning models may be stored in a memory space different from a memory space in which the target application is stored.
  • a method implemented by a processor includes: mapping the target application to a machine learning model matching a request of a target application from among a plurality of machine learning models; generating an inference result by applying the mapped machine learning model to the sensing data in response to detecting sensing data corresponding to the machine learning model by one or more sensors; and transmitting the generated inference result to at least one of the target application and other applications mapped to the machine learning model.
  • FIG. 1 is a block diagram of an electronic device in a network environment, according to various embodiments of the present disclosure
  • FIG. 2 is a block diagram illustrating a program according to various embodiments.
  • FIG. 3 is a flowchart illustrating a method of using a shared machine learning model according to various embodiments.
  • FIG. 4 is a block diagram illustrating a machine learning model sharer according to various embodiments.
  • FIG. 5 is a flowchart illustrating a mapping registration operation of a machine learning model and an application according to various embodiments.
  • FIG. 6 shows an exemplary mapping result according to FIG. 5 .
  • FIGS. 7A and 7B are flowcharts illustrating an inference operation using a shared machine learning model according to various embodiments.
  • FIG. 8 illustrates an example of delivering an inference result of a shared machine learning model to a first application and a second application according to various embodiments.
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100, according to various embodiments.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or a second network 199 . It may communicate with at least one of the electronic device 104 and the server 108 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • a first network 198 eg, a short-range wireless communication network
  • a second network 199 e.g., a second network 199
  • the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • the electronic device 101 includes a processor 120 , a memory 130 , an input module 150 , a sound output module 155 , a display module 160 , an audio module 170 , and a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or an antenna module 197 .
  • at least one of these components eg, the connection terminal 178
  • some of these components are integrated into one component (eg, display module 160 ). can be
  • the processor 120 for example, executes software (eg, a program 140) to execute at least one other component (eg, a hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or operations. According to one embodiment, as at least part of data processing or operation, the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 . may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • software eg, a program 140
  • the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 .
  • the volatile memory 132 may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • the processor 120 is the main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • the main processor 121 eg, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor.
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a
  • the secondary processor 123 may, for example, act on behalf of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or when the main processor 121 is active (eg, executing an application). ), together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the coprocessor 123 eg, an image signal processor or a communication processor
  • may be implemented as part of another functionally related component eg, the camera module 180 or the communication module 190 ). have.
  • the auxiliary processor 123 may include a hardware structure specialized for processing a machine learning model.
  • a machine learning model can be created through machine learning, and can also be referred to as an artificial intelligence model. Such learning may be performed, for example, in the electronic device 101 itself on which the artificial intelligence model is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the above example.
  • the artificial intelligence model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
  • the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176 ) of the electronic device 101 .
  • the data may include, for example, input data or output data for software (eg, the program 140 ) and instructions related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 , and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used by a component (eg, the processor 120 ) of the electronic device 101 from the outside (eg, a user) of the electronic device 101 .
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output a sound signal to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to one embodiment, the receiver may be implemented separately from or as part of the speaker.
  • the display module 160 may visually provide information to the outside (eg, a user) of the electronic device 101 .
  • the display module 160 may include, for example, a control circuit for controlling a display, a hologram device, or a projector and a corresponding device.
  • the display module 160 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module 170 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires a sound through the input module 150 , or an external electronic device (eg, a sound output module 155 ) connected directly or wirelessly with the electronic device 101 .
  • the electronic device 102) eg, a speaker or headphones
  • the electronic device 102 may output a sound.
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more specified protocols that may be used by the electronic device 101 to directly or wirelessly connect with an external electronic device (eg, the electronic device 102 ).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving pictures. According to an embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the power management module 188 may include a power gauge, and the power gauge may measure usage state information about the battery 189 (eg, the capacity of the battery 189, the number of times of charging and discharging, voltage, or temperature). have.
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishment and communication performance through the established communication channel.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : It may include a local area network (LAN) communication module, or a power line communication module).
  • a wireless communication module 192 eg, a cellular communication module, a short-range communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : It may include a local area network (LAN) communication module, or a power line communication module.
  • a corresponding communication module among these communication modules is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network 199 eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a telecommunication network
  • the wireless communication module 192 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199 .
  • subscriber information eg, International Mobile Subscriber Identifier (IMSI)
  • IMSI International Mobile Subscriber Identifier
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
  • NR access technology includes high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low-latency) -latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low-latency
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • a high frequency band eg, mmWave band
  • the wireless communication module 192 uses various techniques for securing performance in a high-frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), all-dimensional multiplexing. It may support technologies such as full dimensional MIMO (FD-MIMO), an array antenna, analog beam-forming, or a large scale antenna.
  • the wireless communication module 192 may support various requirements defined in the electronic device 101 , an external electronic device (eg, the electronic device 104 ), or a network system (eg, the second network 199 ).
  • the wireless communication module 192 may include a peak data rate (eg, 20 Gbps or more) for realizing eMBB, loss coverage (eg, 164 dB or less) for realizing mMTC, or U-plane latency for realizing URLLC ( Example: Downlink (DL) and uplink (UL) each 0.5 ms or less, or round trip 1 ms or less) can be supported.
  • a peak data rate eg, 20 Gbps or more
  • loss coverage eg, 164 dB or less
  • U-plane latency for realizing URLLC
  • the antenna module 197 may transmit or receive a signal or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 198 or the second network 199 is connected from the plurality of antennas by, for example, the communication module 190 . can be selected. A signal or power may be transmitted or received between the communication module 190 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module comprises a printed circuit board, an RFIC disposed on or adjacent to a first side (eg, bottom side) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, an array antenna) disposed on or adjacent to a second side (eg, top or side) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or a part of operations executed in the electronic device 101 may be executed in one or more external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 may perform the function or service itself instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 101 .
  • the electronic device 101 may process the result as it is or additionally and provide it as at least a part of a response to the request.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an Internet of things (IoT) device.
  • the server 108 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 104 or the server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • FIG. 2 is a block diagram 200 illustrating a program 140 in accordance with various embodiments.
  • the program 140 executes an operating system 142 for controlling one or more resources of the electronic device 101 , middleware 144 , or an application 146 executable in the operating system 142 .
  • Operating system 142 may include, for example, Android TM , iOS TM , Windows TM , Symbian TM , Tizen TM , or Bada TM .
  • At least some of the programs 140 are, for example, preloaded into the electronic device 101 at the time of manufacture, or an external electronic device (eg, the electronic device 102 or 104 ), or a server (eg, the electronic device 102 or 104 ) when used by a user. 108)), or may be updated.
  • the operating system 142 may control management (eg, allocation or retrieval) of one or more system resources (eg, a process, memory, or power) of the electronic device 101 .
  • the operating system 142 may additionally or alternatively include other hardware devices of the electronic device 101 , for example, the input module 150 , the sound output module 155 , the display module 160 , and the audio module 170 . , sensor module 176 , interface 177 , haptic module 179 , camera module 180 , power management module 188 , battery 189 , communication module 190 , subscriber identification module 196 , or It may include one or more driver programs for driving the antenna module 197 .
  • the middleware 144 may provide various functions to the application 146 so that functions or information provided from one or more resources of the electronic device 101 may be used by the application 146 .
  • the middleware 144 includes, for example, an application manager 201 , a window manager 203 , a multimedia manager 205 , a resource manager 207 , a power manager 209 , a database manager 211 , and a package manager 213 . ), a connectivity manager 215 , a notification manager 217 , a location manager 219 , a graphics manager 221 , a security manager 223 , a call manager 225 , or a voice recognition manager 227 .
  • an application manager 201 includes, for example, an application manager 201 , a window manager 203 , a multimedia manager 205 , a resource manager 207 , a power manager 209 , a database manager 211 , and a package manager 213 .
  • a connectivity manager 215 a notification manager 217 , a
  • the application manager 201 may manage the life cycle of the application 146 , for example.
  • the window manager 203 may manage one or more GUI resources used in the screen, for example.
  • the multimedia manager 205 for example, identifies one or more formats required for playback of media files, and encodes or decodes a corresponding media file among the media files using a codec suitable for the selected format. can be done
  • the resource manager 207 may manage the space of the source code of the application 146 or the memory of the memory 130 , for example.
  • the power manager 209 may, for example, manage the capacity, temperature, or power of the battery 189 , and determine or provide related information required for the operation of the electronic device 101 by using the corresponding information. . According to an embodiment, the power manager 209 may interwork with a basic input/output system (BIOS) (not shown) of the electronic device 101 .
  • BIOS basic input/output system
  • the database manager 211 may create, retrieve, or change a database to be used by the application 146 , for example.
  • the package manager 213 may manage installation or update of an application distributed in the form of a package file, for example.
  • the connectivity manager 215 may manage, for example, a wireless connection or a direct connection between the electronic device 101 and an external electronic device.
  • the notification manager 217 may provide, for example, a function for notifying the user of the occurrence of a specified event (eg, an incoming call, a message, or an alarm).
  • the location manager 219 may manage location information of the electronic device 101 , for example.
  • the graphic manager 221 may manage, for example, one or more graphic effects to be provided to a user or a user interface related thereto.
  • Security manager 223 may provide, for example, system security or user authentication.
  • the telephony manager 225 may manage, for example, a voice call function or an image call function provided by the electronic device 101 .
  • the voice recognition manager 227 for example, transmits the user's voice data to the server 108, and based at least in part on the voice data, a command corresponding to a function to be performed in the electronic device 101; Alternatively, the converted text data may be received from the server 108 based at least in part on the voice data.
  • the middleware 244 may dynamically delete some existing components or add new components.
  • at least a portion of the middleware 144 may be included as a part of the operating system 142 or implemented as software separate from the operating system 142 .
  • Application 146 includes, for example, home 251 , dialer 253 , SMS/MMS 255 , instant message (IM) 257 , browser 259 , camera 261 , alarm 263 . , contacts 265, voice recognition 267, email 269, calendar 271, media player 273, album 275, watch 277, health 279 (such as exercise or blood sugar) measuring biometric information), or environmental information 281 (eg, measuring atmospheric pressure, humidity, or temperature information).
  • the application 146 may further include an information exchange application (not shown) capable of supporting information exchange between the electronic device 101 and an external electronic device.
  • the information exchange application may include, for example, a notification relay application configured to transmit specified information (eg, call, message, or alarm) to an external electronic device, or a device management application configured to manage the external electronic device.
  • the notification relay application for example, transmits notification information corresponding to a specified event (eg, mail reception) generated in another application (eg, the email application 269 ) of the electronic device 101 to the external electronic device.
  • the notification relay application may receive notification information from the external electronic device and provide it to the user of the electronic device 101 .
  • the device management application is, for example, a power source (eg, turn-on or turn-off) of an external electronic device that communicates with the electronic device 101 or some components thereof (eg, a display module or a camera module of the external electronic device). ) or a function (eg brightness, resolution, or focus).
  • the device management application may additionally or alternatively support installation, deletion, or update of an application operating in an external electronic device.
  • the electronic device may have various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a wearable device e.g., a smart bracelet
  • a home appliance device e.g., a home appliance
  • first, second, or first or second may simply be used to distinguish an element from other elements in question, and may refer elements to other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. When referenced, it means that one component can be connected to the other component directly (eg by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as, for example, logic, logic block, component, or circuit.
  • a module may be an integrally formed part or a minimum unit or a part of the part that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document include one or more instructions stored in a storage medium (eg, internal memory 136 or external memory 138) readable by a machine (eg, electronic device 101).
  • a storage medium eg, internal memory 136 or external memory 138
  • the processor eg, the processor 120
  • the device eg, the electronic device 101
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not contain a signal (eg, electromagnetic wave), and this term is used in cases where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
  • a signal eg, electromagnetic wave
  • the method according to various embodiments disclosed in this document may be provided as included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly, online between smartphones (eg: smartphones).
  • a portion of the computer program product may be temporarily stored or temporarily generated in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a memory of a relay server.
  • each component eg, a module or a program of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. have.
  • one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, or omitted. , or one or more other operations may be added.
  • FIG. 3 is a flowchart illustrating a method of using a shared machine learning model according to various embodiments.
  • the processor of the electronic device may map the target application and the machine learning model.
  • the electronic device may map a target application to a machine learning model matching a request of a target application from among a plurality of machine learning models.
  • a machine learning model is a pre-trained artificial intelligence model, and may represent a model designed to output output data from input data.
  • the plurality of machine learning models may have various input data formats and output data formats. The data format of the plurality of machine learning models will be described with reference to FIG. 4 below.
  • the target application may indicate an application that requires an inference operation using a machine learning model among a plurality of applications installed in the electronic device.
  • a target application may perform an inference operation by itself using an internal machine learning model included in the application, or may delegate an inference operation to a machine learning model external to the application.
  • the electronic device may map the target application to a machine learning model to which the inference operation of the target application is to be delegated. After the machine learning model is mapped to the target application, an inference operation of the target application may be performed using the mapped machine learning model.
  • a machine learning model and a plurality of machine learning models may mainly refer to a machine learning model outside a target application.
  • the request of the target application may indicate a request for delegation of the inference operation of the target application.
  • the request of the target application may include an identifier (eg, model name) of the target application among a plurality of machine learning models.
  • the target application selects a machine learning model that matches the input/output data format (eg, the format and/or shape of input/output data) required for the inference operation of the target application, and maps the target application to the selected machine learning model. you can request
  • the electronic device may generate an inference result by applying the mapped machine learning model to the sensing data. For example, in response to sensing sensing data corresponding to the machine learning model by one or more sensors, the electronic device may generate an inference result by applying a mapped machine learning model to the sensing data. .
  • the electronic device may generate output data according to an inference operation as an inference result by inputting sensing data to the machine learning model.
  • the electronic device applies an operation (eg, a convolution operation, a pooling operation, and an operation for propagating input data to a plurality of artificial neural network layers) according to a machine learning model to the sensing data to obtain an inference result can create
  • the inference result may represent a result inferred, estimated, predicted, identified, verified, and/or recognized from sensing data for a task.
  • tasks may include object recognition, speech recognition, and device risk estimation.
  • the inference result for one task may include an estimated label and/or output value for that task.
  • a label included in an inference result for one task may indicate at least one of a plurality of classes according to the classification of the corresponding task.
  • the output value included in the inference result for one task may be a probability value for each class and/or a regression value for a target of the corresponding task.
  • the inference result may be an object detection result, an object classification result, and/or a facial expression recognition result.
  • the object detection result may be a result of detecting, extracting, and/or dividing a region corresponding to an object portion in image data.
  • the object classification result is a result of classifying an object detected from image data into an object label, and the object label may indicate an attribute of the object.
  • the object classification result may be, for example, a result of classifying the detected object into one of a cat, a dog, a human, and a vehicle.
  • the object classification result may be, for example, a result of classifying the detected object into one of a person's hand, arm, face, leg, and other body parts.
  • the expression recognition result may be a result of recognizing the detected human face expression as a label corresponding to one of a plurality of emotions (eg, anger, happiness, sadness, and neutral).
  • the inference result may be a dangerous sound detection result, a sound identification result, and/or a voice recognition result.
  • the dangerous sound detection result may indicate a result of detecting a sound related to a danger approaching the user (eg, a vehicle approaching sound).
  • the sound identification result is a result of classifying sounds included in the sensed sound data into labels, and the sound label may indicate the properties of the sound.
  • the sound identification result may be, for example, a result of classifying a detected sound source into one of a vehicle, a person, and an animal.
  • the voice recognition result may be a result of recognizing a human utterance and/or a conversation from sound data, and may be a text extraction result and/or a voice command corresponding to the human utterance.
  • the inference result may include a system risk detection result.
  • the system data may include, for example, temperature data and current data.
  • the system risk detection result may indicate, for example, a result indicating whether the electronic device is in danger (eg, overcurrent).
  • the system risk detection result may indicate a danger level (eg, a battery explosion possibility) of the electronic device.
  • the description of the above-described inference result is an example for helping understanding, and is not limited thereto.
  • the inference result may be generated in a different format according to a design for a multi-class classification task, a multi-label classification task, and/or a regression task.
  • the electronic device may deliver the reasoning result to the application.
  • the electronic device may transmit the generated inference result to at least one of the target application and other applications mapped to the machine learning model.
  • the electronic device may transmit an inference result to the plurality of applications whenever an inference result using the corresponding machine learning model is generated.
  • the present invention is not limited thereto, and when generating an inference result using the corresponding machine learning model, the electronic device may select at least one application from among a plurality of applications and transmit the inference result to the selected at least one application.
  • the machine learning model to which a plurality of applications are mapped may be a single model, but is not limited thereto, and may be a model in which a plurality of artificial intelligence models are combined. The same combination of machine learning models may be equally mapped to a plurality of applications.
  • the electronic device may reduce resources by commonizing data collection and reasoning operations when executing various applications requiring a machine learning model. For example, the electronic device may detect sensing data in a state in which an application is deactivated, and may calculate an inference result by applying a machine learning model to the sensed sensing data. The electronic device may prevent unnecessary operations and use of random access memory (RAM) by performing the reasoning operation while the application is inactive.
  • RAM random access memory
  • an application in a deactivated state and an application in a deactivated state are applications in a state in which the process of the corresponding application is stopped or does not start.
  • the deactivated application is an application that has not started or is in a stopped state even though the process has not started after booting of the electronic device, and the process may be in a stop status or a killed status.
  • An application in an activated state and an activated application are applications in which a process of the corresponding application is running in memory (eg, RAM), for example, a foreground process and/or a background process. application can be represented.
  • the electronic device may minimize the space occupied by the machine learning model in the storage by mapping and using the same machine learning model for a plurality of applications.
  • the electronic device prevents redundant processing by using the same machine learning model for two or more applications having the same input data and output data required for inference, and minimizes RAM usage, thereby solving a sluggish problem. can be prevented.
  • redundant processing an increase in consumption current and an increase in the temperature of the electronic device can be suppressed.
  • Competitive use of the accelerator by the plurality of applications is prevented, so that computing resources can be equally distributed among the plurality of applications.
  • the electronic device shares the machine learning model with a plurality of applications requiring the same inference requirement, thereby enabling Device processing can be saved and operation speed can be improved. Also, even if the application cannot be executed in the foreground and/or in the background due to insufficient remaining size of the RAM, the electronic device may perform an inference operation required by the corresponding application separately from the overall execution of the application.
  • FIG. 4 is a block diagram illustrating a machine learning model sharer according to various embodiments.
  • the machine learning model sharer 410 is configured for a plurality of applications requiring an inference operation (eg, the first application 401, the second application 402, to the n-th application 409, where n is an integer of 2 or more). It can manage the sharing of a plurality of machine learning models that can be mapped.
  • the machine learning model sharer 410 may be implemented as a software module, a hardware module, or a combination of a software module and a hardware module.
  • the machine learning model sharer 410 may include a model registrar 411 , a data collector 412 , a model selector 413 , an inference delegate 414 , an application controller 415 , and a model repository 420 . .
  • Each module included in the machine learning model sharer 410 may be implemented as a software module, a hardware module, or a combination of a software module and a hardware module. At least some or all of the operations of the machine learning model sharer 410 and each module included in the machine learning model sharer 410 to be described later may be performed by a processor (eg, the processor 120 of FIG. 1 ).
  • the model register 411 is a target for which an inference operation is required among the first application 401 , the second application 402 , and the nth application 409 installed in the electronic device (eg, the electronic device 101 of FIG. 1 ).
  • the application is machine learning from one of a plurality of machine learning models (eg, the first machine learning model 421 , the second machine learning model 422 , to the mth machine learning model 429 , where m is an integer greater than or equal to 1 ). It can be mapped and registered in the model. Model registration delegated to the application will be described with reference to FIG. 5 below.
  • the data collector 412 may collect data used for inference operations. For example, the data collector 412 may collect data sensed by the sensor 440 , data generated by an electronic device, and/or data generated by an external device. According to an embodiment, the data collector 412 may acquire image data captured by the camera 441 (eg, the camera 441 module 180 of FIG. 1 ). The data collector 412 may acquire sound data captured by the sound sensor 442 (eg, the microphone of the input module 150 of FIG. 1 ). The data collector 412 may acquire temperature data sensed by the temperature sensor 443 (eg, the sensor module 176 of FIG. 1 ). The data collector 412 may acquire current data sensed by a current sensor (eg, the sensor module 176 of FIG. 1 ).
  • a current sensor eg, the sensor module 176 of FIG. 1
  • the data collector 412 may collect sensing data through a Hardware Abstraction Layer (HAL) 430 .
  • the data collector 412 may collect image data pre-stored in the electronic device, a file (eg, a document) written by a user, and/or content received from an external device.
  • HAL Hardware Abstraction Layer
  • the data collector 412 may collect data required by a machine learning model to which an application is mapped among a plurality of machine learning models. For example, the data collector 412 may selectively extract and collect sensing data required by a machine learning model to which an application is mapped from sensing data monitored by the sensor 440 . Also, the data collector 412 may collect data according to a data type and a collection period specified for the machine learning model included in the model storage 420 . When k applications are mapped to the same machine learning model, processing resources required for data collection for an inference operation using the machine learning model may be reduced by 100/k %. Here, k may be an integer of 2 or more.
  • Model selector 413 may handle data transfer between sensor 440 , model repository 420 , and applications.
  • the model selector 413 may select a machine learning model corresponding to the corresponding sensed data from among a plurality of machine learning models based on the sensed data sensed by the sensor 440 .
  • the model selector 413 may also select an application to which an inference result based on the corresponding machine learning model is delivered.
  • the model selector 413 may select a machine learning model to be activated from among the deactivated machine learning models based on the sensed data.
  • the inference delegate 414 may delegate the inference operation to the machine learning model registered in the target application. For example, the inference delegate 414 may generate an inference result for the data collected by the data collector 412 using a machine learning model selected from among a plurality of machine learning models. The inference delegate 414 may perform an operation according to the selected machine learning model using a predefined accelerator 450 during compilation.
  • the application controller 415 may deliver the inference result to the application. For example, whenever an inference result based on the selected machine learning model is generated, the application controller 415 may transmit the generated inference result to a target application mapped to the selected machine learning model. As another example, the application controller 415 transmits the inference result to the target application mapped to the selected machine learning model in response when the output value included in the inference result based on the selected machine learning model exceeds the threshold range. may be As another example, when the target application mapped to the machine learning model is in a deactivated state, the application controller 415 may activate the deactivated application.
  • the model repository 420 may include a plurality of applications, for example, a first machine learning model 421 , a second machine learning model 422 , and an mth machine learning model 429 .
  • the plurality of machine learning models may be stored in a memory space different from a memory space in which a plurality of applications (eg, a target application) are stored.
  • the model storage 420 may include a model descriptor 425 including information about an input/output data format defined for an inference operation of each machine learning model.
  • the other memory space may be an in-memory space of an electronic device or an in-memory space of an external device (eg, a server).
  • the model descriptor 425 may include, for example, a model name, input type, input source, input type, output type, wakeup status, output type, and output label list of each machine learning model.
  • the model descriptor 425 of each machine learning model is exemplarily as shown in Table 1 below: an input type, an input source, an input shape, an output type, a label list ( label list), and an output shape.
  • the input type is a type of data used as an input, and may include, for example, an image, a sound, a temperature, and a current.
  • the input source may indicate a sensor module that senses data as a source of data or may indicate an application that provides data.
  • self is data pre-processed, processed, and/or provided in an application, and for example, an input source of an image pre-stored in an album may be self.
  • An input source of image data captured by the camera 441 may be a camera.
  • An input source of sound data captured by the microphone may be a mic.
  • An input source of temperature data sensed by the temperature sensor 443 may be temp. temp may be a surface temperature predicted based on temperatures sensed by various parts of the electronic device.
  • An input source of current data sensed by the current sensor may be current.
  • the current may be measured by a power gauge.
  • An input source of the illuminance data sensed by the illuminance sensor may be illuminance.
  • An input source of touch data sensed by the touch screen may be a screen touch.
  • An input source of grab data sensed by the grab sensor may be a grab sensor.
  • the input form may represent a vector dimension of the input data. For example, (1, 224, 224, 3) may represent a 1 ⁇ 224 ⁇ 224 ⁇ 3-dimensional input shape.
  • One image taken by the camera 441 is a vector dimension of input data indicating pixel values for each of 224 pixels in width, 224 pixels in the noppy, and 3 color channels (eg, red, green, and blue).
  • the output type is a type of output data, and may indicate whether the inference result is object detection, classification, and other recognition.
  • the label list may be a list of labels classified for each task.
  • the label list may include cat, dog, vehicle, and other object labels.
  • the label list may include happiness, sadness, anger, and other emotion labels.
  • the output shape may represent a vector dimension of the output data, similar to the input shape.
  • Table 1 is an example for helping understanding, and the format of input/output data is not limited to the above-mentioned bar.
  • the model name is "img_classifier”, the input type is “image”, the input source is “self”, the input type is (1,224,224,3), the output type is (1,1000) ), wake-up status may be 'no', output type may be "classification”, and output label list may be "dog,cat,bear”.
  • the model name is "temp_checker”, the input type is “etc”, the input source is “temp”, the input type is (1,5), the output type is (1, 3), Wakeup status may be 'yes', output type may be “warning", and label list may be "hot,cold”.
  • the model name is "word_checker”
  • the input type is "sound”
  • the input source is "mic”
  • the input type is (10,300)
  • the output type is (1) ,3)
  • Wake-up status may be 'yes'
  • output type may be "warning”
  • label list may be "hi,hello”.
  • the plurality of applications may perform a subsequent operation based on the transmitted inference result. Subsequent operations may include data processing using the inference result.
  • the target application may request fast sampling for fast data processing. For example, the data collection period may be reduced for fast sampling according to the request of the application.
  • the accelerator 450 may be configured for an inference operation of the machine learning model, and may include a central processing unit (CPU 451), a graphic processing unit (GPU 452), a digital signal processor (DSP 453), and an NPU. (454) (neural processing unit) may include at least one or a combination of two or more.
  • the electronic device may generate an inference result by implementing a machine learning model on the sensed data using the accelerator 450 .
  • first application 401 and the second application 402 are mapped to the first machine learning model 421
  • mapping between the application and the machine learning model may vary according to application settings and/or user settings.
  • FIG. 5 is a flowchart illustrating a mapping registration operation of a machine learning model and an application according to various embodiments.
  • the electronic device receives a user input when the target application 501 (eg, the first application 401 of FIG. 4 ) is installed and/or while the target application 501 is running In response, operations for mapping registration of the machine learning model may be performed.
  • the target application 501 eg, the first application 401 of FIG. 4
  • operations for mapping registration of the machine learning model may be performed.
  • the target application 501 may request a model list.
  • the model selector 502 (eg, the model selector 413 of FIG. 4 ) may transmit the model list request of the target application 501 to the model store 503 (eg, the model store 420 of FIG. 4 ).
  • the target application 501 may receive a model list from the model store 503 via the model selector 502 .
  • the model list may include a model descriptor (eg, the model descriptor 425 of FIG. 4 ).
  • the model descriptor may include a definition of an input/output data format of each machine learning model.
  • the target application 501 may request model mapping.
  • the target application 501 may include, from among a plurality of machine learning models, a type of input data required in an inference operation of the target application, a shape of the input data, an input source, A machine learning model matching the target application may be determined based on at least one or a combination of two or more of the type of output data, the label list of the output data, and the type of output data.
  • the target application 501 may search for and determine a machine learning model matching the input/output data format of the corresponding application.
  • the target application 501 may extract a machine learning model matching the input type required by the target application 501 from the model list.
  • the target application 501 may extract a machine learning model matching an input type from among the extracted machine learning models.
  • the target application 501 may determine a machine learning model that meets the requirements of the target application 501 sequentially based on the input type, input type, input source, output type, label list, and output type.
  • the target application 501 exemplarily responds to a user input and performs machine learning to be mapped to the target application 501 among the plurality of machine learning models. You can choose a model.
  • the target application 501 may request to map the target application 501 to the determined machine learning model.
  • the present invention is not limited thereto, and when information (eg, model name) of a machine learning model predefined to be mapped to the target application 501 is given, the target application 501 skips the model search and confirmation procedure and , can immediately request matching with a predefined machine learning model.
  • information eg, model name
  • the target application 501 skips the model search and confirmation procedure and , can immediately request matching with a predefined machine learning model.
  • the model selector 502 may request confirmation of the determined machine learning model.
  • the target application 501 may receive confirmation that the target application 501 is mapped to the determined machine learning model from the model storage 503 .
  • the target application 501 may request a wakeup setting.
  • the wakeup may represent an operation of activating a deactivated application.
  • the target application 501 may set a wakeup condition of the target application 501 .
  • the target application 501 may request the setting of a threshold range and/or reference label that is a wake-up criterion.
  • different threshold ranges and/or different reference labels may be set, respectively, and whether the threshold range is satisfied and/or criteria according to circumstances, as will be described later in FIG. 7A .
  • it may be simultaneously driven, or only some of the plurality of applications may be driven.
  • the target application 501 may receive confirmation that the wake-up setting has been completed.
  • the electronic device may wake up the application in response to a defined situation and perform a specified task instead of making the target application 501 reside in the memory or continuously using the CPU.
  • the electronic device may reduce RAM and CPU usage.
  • a frequency of sampling data and an inference period may also be additionally set.
  • Table 2 below describes additional settings, including whether to wake up and how often to sample.
  • model store 503 data exchange between the model store 503 and the target application 501 is performed via the model selector 502 in FIG. 5
  • present invention is not limited thereto.
  • the processor of the electronic device may perform the above-described operation.
  • FIG. 6 shows an exemplary mapping result according to FIG. 5 .
  • the model register 611 (eg, the model register 411 of FIG. 4 ) includes a first application 601 (eg, the first application 401 of FIG. 4 ), a second application 602 ( For example, the model storage 620 (eg, the model storage 420 of FIG. 4 ) in the second application 402 of FIG. 4 ), through the n-th application 609 (eg, the n-th application 409 of FIG. 4 ). ) of the machine learning model can be registered as mapping.
  • the model register 611 may map the machine learning model selected based on the model descriptor 625 by the model selector (eg, the model selector 413 of FIG. 4 ) to the target application as described above with reference to FIG. 5 .
  • the model registrar 611 connects the first application 601 and the second application 602 to the first machine learning model 621 (eg, the first machine learning model 421 in FIG. 4 ). ) can be mapped together.
  • the model register 611 may map the n-th application 609 to the m-th machine learning model 629 (eg, the m-th machine learning model 429 of FIG. 4 ).
  • the second machine learning model 622 (eg, the second machine learning model 422 of FIG. 4 ) may also be mapped to other applications.
  • the present invention is not limited thereto, and some machine learning models may not be mapped to applications.
  • FIGS. 7A and 7B are flowcharts illustrating an inference operation using a shared machine learning model according to various embodiments.
  • 7A illustrates an operation when a wakeup is set to at least one of a plurality of applications.
  • the electronic device may determine whether wakeup is set in at least one of a plurality of applications.
  • the electronic device may end a wakeup-related operation when there is no wakeup-configured application among a plurality of applications mapped to the machine learning model.
  • the electronic device may continue a wakeup-related operation.
  • FIG. 7A an example in which wakeup is set in the first application (eg, the first application 401 of FIG. 4 ) and the second application (eg, the second application 402 of FIG. 4 ) will be described.
  • the electronic device may collect sensing data from the sensor 704 (eg, the sensor 440 of FIG. 4 ).
  • the electronic device may generate an inference result by applying the mapped machine learning model to the sensing data. For example, the electronic device selects a machine learning model corresponding to sensing data from among a plurality of machine learning models included in the model storage 702 (eg, the model storage 420 of FIG. 4 ), and selects the selected machine learning model. can be performed using the accelerator 705 (eg, the accelerator 450 of FIG. 4 ). Also, when an application mapped to the machine learning model is deactivated, the electronic device may generate an inference result by using the machine learning model before the corresponding application is activated.
  • the electronic device may determine whether the wake-up application is activated. For example, the electronic device may determine whether an application mapped to the machine learning model is in an activated state. When the application is activated, the electronic device may transmit the inference result to the application in operations 752 and 762 without waking up. When the application is deactivated, the electronic device may determine whether to wake up according to an inference result in operation 740 to be described later.
  • the electronic device determines that the wakeup of the first application is not necessary, and transmits the reasoning result to the first application in operation 752 .
  • the electronic device may determine that the wakeup of the second application is not necessary, and may transmit an inference result to the second application in operation 762 .
  • the electronic device may provide the generated reasoning result to a target application operating in one of the foreground process and the background process and another application operating in one of the foreground process and the background process.
  • the present invention is not limited thereto, and as described above in Table 3, when the reasoning in the background process is disabled, the electronic device may limit the delivery of the reasoning result to the application operating in the background.
  • the electronic device may determine an inference result to determine whether to activate the deactivated application.
  • the electronic device may activate the corresponding application based on the inference result.
  • the electronic device may activate the deactivated application based on at least one of an output value included in the inference result and an estimated label.
  • the wakeup condition of the first application may be set as a threshold range for the output value
  • the wakeup condition of the second application may be set as a reference label for the estimated label of the inference result.
  • the electronic device may return to operation 710 to continue data collection.
  • the electronic device may wake up the first application based on the inference result. For example, the electronic device may activate the deactivated application in response to a case in which an output value included in the inference result is out of a threshold range. The electronic device may maintain deactivation of the deactivated application in response to a case in which an output value included in the inference result is within a threshold range. In operation 752, the electronic device may transmit the reasoning result to the first application.
  • the sensed data may include temperature and current data
  • the inference result may include whether or not there is a risk and a degree of risk. When the degree of risk is out of the critical range, the electronic device may execute a first application for power management to manage temperature and current to reduce the degree of risk.
  • the electronic device may wake up the second application based on the inference result. For example, in response to a case in which an estimated label included in the inference result matches a reference label registered in the deactivated application, the electronic device may activate the deactivated application. In operation 762, the electronic device may deliver the reasoning result to the activated second application.
  • the inference result may include whether or not the risk is estimated based on the temperature and the current and the degree of risk. If the estimated label included in the inference result indicates a dangerous state (eg, battery explosion imminent), the electronic device may execute a second application for an emergency warning to provide a warning related to temperature and current to the user. have.
  • the electronic device may provide a different reasoning result to the corresponding application whenever another reasoning result is generated after the deactivated application is activated.
  • Another reasoning result may represent a subsequent reasoning result generated after the reasoning result used for wakeup.
  • the electronic device may wake up one or both of the first application and the second application, or may transmit an inference result to one or both. Since the electronic device performs common data collection and reasoning operations for the first application and the second application that request the same input data while performing different functions, resource use efficiency may be improved.
  • 7B illustrates an operation when wakeup is not set in the application.
  • the electronic device may determine whether at least one of the plurality of applications is activated. When all of the plurality of applications mapped to the machine learning model are inactivated, the electronic device may end the inference-related operation. When at least one application is activated, the electronic device may continue an inference-related operation. 7B illustrates an example in which the first application and the second application are activated.
  • Operations 710 , 720 , 752 , and 762 are the same as described above in FIG. 7A , and thus detailed descriptions are omitted. However, unlike FIG. 7A , in FIG. 7B , the electronic device performs additional operations (eg, operations 730 and 7A in FIG. 7A ). 740 , 751 , and 761 ), and the inference result generated in operation 720 may be transferred to the first application and/or the second application in operations 752 and 762 .
  • FIGS. 7A and 7B are not limited to those described above, and are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the above operations are executed in a different order, omitted, or Or one or more other actions may be added.
  • FIG. 8 illustrates an example of delivering an inference result of a shared machine learning model to a first application and a second application according to various embodiments.
  • the electronic device may collect sensing data from the sensor 840 (eg, the sensor 440 of FIG. 4 ).
  • the collected sensing data is transmitted to the model selector 811 (eg, the model selector 413 in FIG. 4 ) and/or the inference delegator 814 (eg, the HAL 430 in FIG. 4 ) through the HAL 830 (eg, the HAL 430 in FIG. 4 ). : to the inference delegate 414 of FIG. 4 ).
  • the model selector 811 includes a first machine learning model 821 (eg, the first machine learning model of FIG. 4 ) included in the model storage 820 (eg, the model storage 420 of FIG.
  • the second machine learning model 822 eg, the second machine learning model 422 of FIG. 4
  • the mth machine learning model 829 eg, the mth machine learning model 429 of FIG. 4 )
  • the inference delegator 814 executes the selected first machine learning model 821 using the accelerator 850 (eg, the accelerator 450 of FIG. 4 ) to generate an inference result for the sensed data.
  • the accelerator 850 may include at least one or a combination of two or more of the CPU 851 , the GPU 852 , the DSP 853 , and the NPU 854 .
  • the application controller 815 (eg, the application controller 415 of FIG. 4 ) includes the first application 801 (eg, the first application 401 of FIG. 4 ) and the second application 802 (eg, the application controller 415 of FIG. 4 ).
  • the inference result may be transmitted to the second application 802 .
  • exemplary operations for each of the sound recognition task, the heat recognition task, and the image recognition task will be described.
  • the electronic device senses sound data obtained by capturing a sound generated outside the electronic device by the sound sensor 842 (eg, the sound sensor 442 of FIG. 4 ) of the sensor 840 as sensing data. can do.
  • the electronic device may activate the target application in response to a case in which a sound recognition result inferred based on the machine learning model from the sound data matches a predetermined sound.
  • a hot word (eg, “high, AAA”) may be set as a reference label for the first application 801 , and the first machine learning model 821 may be mapped to the first application 801 .
  • the model selector 811 selects a first machine learning model 821 in response to collecting sound data, and the inference delegator 814 uses the selected first machine learning model 821 for sound data can generate inference results for
  • the application controller 815 may activate the first application 801 in response to a case in which the inference result for the sound data matches the hot word set in the first application 801 .
  • another hot word eg, "high, BBB”
  • the application controller 815 activates the second application 802 . can do.
  • a first property of a sound (eg, a property indicating a music sound) is set as a reference label for the first application 801
  • a second property (eg: an attribute indicating a sound of an approaching vehicle or a sound of a conversation) may be set.
  • the first application 801 may be a music playback application
  • the second application 802 may be an application for alerting an object or a person approaching.
  • the application controller 815 may activate the first application 801 in response to a case in which a music sound is identified as a result of inference on the sound data.
  • the application controller 815 may activate the second application 802 in response to a case in which a dangerous sound or a dialogue sound is identified as a result of inference on the sound data. Also, when the inference result generated while the first application 801 is being executed is the second attribute, the application controller 815 may activate the second application 802 .
  • the first application 801 is an application that translates a voice of a first language into a second language
  • the second application 802 records utterances and/or conversations as text. It may be an application that does
  • the first application 801 and the second application 802 may operate as a foreground process and/or a background process in an activated state.
  • the application controller 815 may simultaneously transmit content of the user's utterance inferred based on the first machine learning model 821 from the sound data to the first application 801 and the second application 802 .
  • the electronic device senses the temperature data and/or current data of the electronic device by the temperature sensor 843 (eg, the temperature sensor 443 of FIG. 4 ) and/or the current sensor of the sensor 840 . It can be sensed as data.
  • the electronic device may activate a target application in response to a case in which a risk recognition result inferred based on a machine learning model from temperature data and/or current data indicates a risk.
  • a normal range may be set as a threshold range for the first application 801 and the second application 802 .
  • the first machine learning model 821 may output a risk level estimated from temperature data and/or current data.
  • the application controller 815 may include a first application 801 that controls the current of the electronic device and another that determines heat generation of the electronic device.
  • the second application 802 may be executed. Thereafter, the application controller 815 may transmit the inferred risk level to the first application 801 and/or the second application 802 .
  • the first machine learning model 821 may be set to output whether or not there is danger from temperature data and/or current data, in which case the application controller responds to the case where the inference result matches the 'danger' label 815 may activate the first application 801 and/or the second application 802 and/or transmit the inference result to the first application 801 and/or the second application 802 .
  • the electronic device may sense image data obtained by photographing a scene outside the electronic device by the camera 841 of the sensor 840 (eg, the camera 441 of FIG. 4 ) as sensing data. .
  • the electronic device may activate the target application based on the image recognition result inferred based on the machine learning model from the image data.
  • the electronic device may transmit the image recognition result to the target application in response to a case in which the image recognition result inferred based on the machine learning model from the image data matches a predetermined object and/or a predetermined action.
  • the action may represent, for example, movement and motion of an object or person appearing in the image data.
  • the first application 801 may be a food identification application
  • the second application 802 may be a shopping support application.
  • the camera application may be executed separately from the first application 801 and the second application 802 , and the electronic device may generate an inference result using the first machine learning model of the model storage 820 from image data of the camera application.
  • the camera application may operate as a background process, but is not limited thereto.
  • the application controller 815 executes the first application 801 in response when a food label (eg, a hamburger) and a tableware label (eg, a fork) are identified based on the first machine learning model 821 from the image data. It can be activated to deliver the food label, and the second application 802 can be activated to deliver the tableware label.
  • the first application 801 may record the amount of calories consumed by the user based on the food label
  • the second application 802 may recommend product purchase to the user based on the tableware label.
  • the first application 801 may use the camera 841 as an application for guiding the driving route of the vehicle, and the second application 802 may be an application for providing a collision warning.
  • the application controller 815 responds to the second application ( 802 may be activated and the same reasoning result may be provided to the first application 801 and the second application 802 .
  • the electronic device may reduce the system resource usage rate by integrally monitoring the same data for a plurality of applications without duplication.
  • the electronic device precedes the speculation operation while the application is inactive, thereby preventing CPU processing unnecessarily resident in the RAM.
  • the electronic device may minimize the storage space by sharing the machine learning model to a plurality of applications. When a common machine learning model is used when developing a new application, the development period can be shortened because there is no need to newly train and mount the machine learning model.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Telephone Function (AREA)
  • Stored Programmes (AREA)

Abstract

일 실시예에 따른 전자 장치는, 복수의 기계 학습 모델들 중으로부터 대상 어플리케이션의 요청에 매칭하는 기계 학습 모델에 대상 어플리케이션을 매핑하고, 해당 기계 학습 모델에 대응하는 센싱 데이터를 감지하는 경우에 응답하여 센싱 데이터에 대한 추론 결과를 생성하며, 생성된 추론 결과를 대상 어플리케이션 및 다른 어플리케이션에 전달할 수 있다.

Description

복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법
아래의 개시는 복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용하는 기술에 관한 것이다.
인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구 중 하나로, 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 인공 뉴럴 네트워크(artificial neural network)에 대한 연구가 있다. 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 인공 뉴럴 네트워크는 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 이 알고리즘을 통하여 인공 뉴럴 네트워크는 입력 패턴과 출력 패턴들 간의 사상(mapping)을 생성해낼 수 있고 학습에 이용되지 않았던 입력 패턴에 대하여도 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다.
일 실시예에 따른 전자 장치는, 프로세서; 상기 프로세서와 전기적으로 연결되어 복수의 기계 학습 모델들을 저장한 메모리; 및 센싱 데이터를 감지하는 하나 이상의 센서를 포함하고, 상기 프로세서는: 상기 복수의 기계 학습 모델들 중으로부터 대상 어플리케이션(target application)의 요청에 매칭하는 기계 학습 모델에 상기 대상 어플리케이션을 매핑하고, 상기 하나 이상의 센서에 의해 상기 기계 학습 모델에 대응하는 센싱 데이터를 감지하는 경우에 응답하여, 상기 센싱 데이터에 대해 상기 매핑된 기계 학습 모델을 적용(apply)함으로써 추론 결과를 생성하며, 상기 생성된 추론 결과를 상기 대상 어플리케이션 및 상기 기계 학습 모델에 매핑된 다른 어플리케이션 중 적어도 한 어플리케이션에게 전달하도록 설정될 수 있다.
상기 프로세서는: 포그라운드 프로세스 및 백그라운드 프로세스 중 하나에서 동작하는 상기 대상 어플리케이션 및 포그라운드 프로세스 및 백그라운드 프로세스 중 하나에서 동작하는 상기 다른 어플리케이션에게 상기 생성된 추론 결과를 제공하도록 더 설정될 수 있다.
상기 프로세서는: 상기 기계 학습 모델에 매핑된 어플리케이션이 비활성화된 경우, 해당 어플리케이션이 활성화되기 전에 상기 기계 학습 모델을 이용하여 상기 추론 결과를 생성하고, 상기 추론 결과에 기초하여 해당 어플리케이션을 활성화하도록 더 설정될 수 있다.
상기 프로세서는: 상기 추론 결과에 포함된 출력 값 및 추정된 레이블 중 적어도 하나에 기초하여 상기 비활성화된 어플리케이션을 활성화하도록 더 설정될 수 있다.
상기 프로세서는: 상기 추론 결과에 포함된 출력 값이 임계 범위를 벗어나는 경우에 응답하여 상기 비활성화된 어플리케이션을 활성화하고, 상기 대상 어플리케이션에 상기 추론 결과를 전달하고, 상기 추론 결과에 포함된 출력 값이 상기 임계 범위 내인 경우에 응답하여 상기 비활성화된 어플리케이션의 비활성화를 유지하도록 더 설정될 수 있다.
상기 프로세서는: 상기 추론 결과에 포함된 추정된 레이블이 상기 비활성화된 어플리케이션에 등록된 기준 레이블에 매칭하는 경우에 응답하여, 상기 비활성화된 어플리케이션을 활성화하도록 더 설정될 수 있다.
상기 프로세서는: 해당 어플리케이션이 활성화된 후, 다른 추론 결과가 생성될 때마다 상기 다른 추론 결과를 해당 어플리케이션으로 제공하도록 더 설정될 수 있다.
상기 프로세서는: 상기 복수의 기계 학습 모델들 중으로부터, 상기 대상 어플리케이션의 추론 동작에서 요구되는 입력 데이터의 유형(type), 입력 데이터의 형태(shape), 입력 소스(input source), 출력 데이터의 유형, 출력 데이터의 레이블 목록, 및 출력 데이터의 형태 중 적어도 하나 또는 둘 이상의 조합에 기초하여, 상기 대상 어플리케이션과 매칭되는 상기 기계 학습 모델을 결정하도록 더 설정될 수 있다.
상기 프로세서는: CPU(central processing unit), GPU(graphic processing unit), DSP(digital signal processor), 및 NPU(neural processing unit) 중 적어도 하나 또는 둘 이상의 조합을 포함하는 가속기(accelerator)를 이용하여 상기 센싱 데이터에 대해 상기 기계 학습 모델을 시행(implement)함으로써 상기 추론 결과를 생성하도록 더 설정될 수 있다.
상기 복수의 기계 학습 모델들은 상기 대상 어플리케이션이 저장된 메모리 공간과 다른 메모리 공간에 저장될 수 있다.
일 실시예에 따른 프로세서로 구현되는 방법은, 복수의 기계 학습 모델들 중으로부터 대상 어플리케이션(target application)의 요청과 매칭되는 기계 학습 모델에 상기 대상 어플리케이션을 매핑하는 단계; 하나 이상의 센서에 의해 상기 기계 학습 모델에 대응하는 센싱 데이터를 감지하는 경우에 응답하여, 상기 센싱 데이터에 대해 상기 매핑된 기계 학습 모델을 적용(apply)함으로써 추론 결과를 생성하는 단계; 및 상기 생성된 추론 결과를 상기 대상 어플리케이션 및 상기 기계 학습 모델에 매핑된 다른 어플리케이션 중 적어도 한 어플리케이션에게 전달하는 단계를 포함할 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예들에 따른 프로그램을 예시하는 블록도이다.
도 3은 다양한 실시예들에 따른 공유된 기계 학습 모델의 이용 방법을 도시한 흐름도이다.
도 4는 다양한 실시예들에 따른 기계 학습 모델 공유기를 도시한 블록도이다.
도 5는 다양한 실시예들에 따른 기계 학습 모델 및 어플리케이션의 매핑 등록 동작을 도시한 흐름도이다.
도 6은 도 5에 따라 예시적으로 매핑된 결과를 도시한다.
도 7a 및 도 7b는 다양한 실시예들에 따른 공유된 기계 학습 모델을 이용한 추론 동작을 설명하는 흐름도이다.
도 8은 다양한 실시예들에 따른 공유된 기계 학습 모델의 추론 결과를 제1 어플리케이션 및 제2 어플리케이션에게 전달하는 예시를 도시한다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 기계 학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계 학습 모델은 기계 학습을 통해 생성될 수 있고, 인공지능 모델이라고도 나타낼 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 이미지 및 동영상 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다. 전력 관리 모듈(188)은 전력 게이지를 포함할 수 있고, 전력 게이지는 배터리(189)에 대한 사용 상태 정보(예: 배터리(189)의 용량, 충방전 횟수, 전압, 또는 온도)를 측정할 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, Android TM, iOS TM, Windows TM, Symbian TM, Tizen TM, 또는 Bada TM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 이미지 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어 TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 3은 다양한 실시예들에 따른 공유된 기계 학습 모델의 이용 방법을 도시한 흐름도이다.
동작(310)에서 일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))의 프로세서는 대상 어플리케이션 및 기계 학습 모델을 매핑할 수 있다. 예를 들어, 전자 장치는 복수의 기계 학습 모델들 중으로부터 대상 어플리케이션(target application)의 요청과 매칭되는 기계 학습 모델에 대상 어플리케이션을 매핑할 수 있다. 기계 학습 모델은 미리 트레이닝된 인공지능 모델로서, 입력 데이터로부터 출력 데이터를 출력하도록 설계된 모델을 나타낼 수 있다. 복수의 기계 학습 모델들은 다양한 입력 데이터 포맷 및 출력 데이터 포맷을 가질 수 있다. 복수의 기계 학습 모델들의 데이터 포맷은 하기 도 4에서 설명한다.
대상 어플리케이션은 전자 장치에 설치된 복수의 어플리케이션들 중 기계 학습 모델을 이용한 추론 동작을 요구하는 어플리케이션을 나타낼 수 있다. 대상 어플리케이션은 해당 어플리케이션 내에 포함된 내부 기계 학습 모델을 이용하여 자체적으로 추론 동작을 수행하거나, 어플리케이션 외부의 기계 학습 모델에 추론 동작을 위임(delegate)할 수 있다. 예를 들어, 전자 장치는 대상 어플리케이션의 추론 동작이 위임될 기계 학습 모델에 대상 어플리케이션을 매핑할 수 있다. 대상 어플리케이션에 기계 학습 모델이 매핑된 후, 대상 어플리케이션의 추론 동작이 매핑된 기계 학습 모델을 이용하여 수행될 수 있다. 이하, 본 명세서에서 기계 학습 모델 및 복수의 기계 학습 모델들은 대상 어플리케이션 외부의 기계 학습 모델을 주로 지칭할 수 있다.
대상 어플리케이션의 요청은 대상 어플리케이션의 추론 동작의 위임을 위한 요청을 나타낼 수 있다. 예를 들어, 대상 어플리케이션의 요청은 복수의 기계 학습 모델들 중 대상 어플리케이션의 식별자(identifier)(예를 들어, 모델 명칭)를 포함할 수 있다. 대상 어플리케이션은 대상 어플리케이션의 추론 동작을 위해 요구되는 입출력 데이터 포맷(예를 들어, 입출력 데이터의 형식 및/또는 형태)와 매칭되는 기계 학습 모델을 선택하고, 선택된 기계 학습 모델에 대상 어플리케이션을 매핑할 것을 요청할 수 있다.
동작(320)에서 일 실시예에 따른 전자 장치는 매핑된 기계 학습 모델을 센싱 데이터에 적용하여 추론 결과를 생성할 수 있다. 예를 들어, 전자 장치는 하나 이상의 센서에 의해 기계 학습 모델에 대응하는 센싱 데이터를 감지하는 경우에 응답하여, 센싱 데이터에 대해 매핑된 기계 학습 모델을 적용(apply)함으로써 추론 결과를 생성할 수 있다. 전자 장치는 기계 학습 모델에 센싱 데이터를 입력함으로써, 추론 동작에 따른 출력 데이터를 추론 결과로서 생성할 수 있다. 예를 들어, 전자 장치는 센싱 데이터에 대해 기계 학습 모델에 따른 연산(예: 컨볼루션 연산, 풀링 연산, 및 입력 데이터를 복수의 인공 신경망 레이어들로 전파(propagate)시키는 연산)을 적용함으로써 추론 결과를 생성할 수 있다.
추론 결과는 한 작업(task)에 대해 센싱 데이터로부터 추론, 추정, 예측, 식별, 검증, 및/또는 인식된 결과를 나타낼 수 있다. 예를 들어, 작업은 객체 인식, 음성 인식, 및 장치 위험도 추정을 포함할 수 있다. 한 작업에 대한 추론 결과는 해당 작업에 있어서 추정된 레이블 및/또는 출력 값을 포함할 수 있다. 예를 들어, 한 작업에 대한 추론 결과에 포함된 레이블은 해당 작업의 분류에 따른 복수의 클래스들 중 적어도 하나를 지시할 수 있다. 다른 예를 들어, 한 작업에 대한 추론 결과에 포함된 출력 값은 클래스들 별 확률 값 및/또는 해당 작업의 타겟에 대한 회귀 값일 수 있다.
예를 들어, 센싱 데이터가 이미지 데이터인 경우, 추론 결과는 객체 검출 결과, 객체 분류 결과, 및/또는 표정 인식 결과일 수 있다. 객체 검출 결과는 이미지 데이터에서 객체인 부분에 대응하는 영역이 검출, 추출, 및/또는 분할된 결과일 수 있다. 객체 분류 결과는 이미지 데이터에서 검출된 객체를 객체 레이블로 분류한 결과로서, 객체 레이블은 객체의 속성(attribute)을 나타낼 수 있다. 객체 분류 결과는, 예를 들어, 검출된 객체를 고양이, 개, 사람, 및 차량 중 하나로 분류한 결과일 수 있다. 객체 분류 결과는, 다른 예를 들어, 검출된 객체를 사람의 손, 팔, 얼굴, 다리, 및 다른 신체 부위들 중 하나로 분류한 결과일 수 있다. 표정 인식 결과는 검출된 사람 얼굴의 표정을 복수의 감정들(예: 분노, 행복, 슬픔, 및 중립) 중 한 감정에 대응하는 레이블로 인식한 결과일 수 있다.
예를 들어, 센싱 데이터가 소리 데이터인 경우, 추론 결과는 위험 소리 검출 결과, 소리 식별 결과 및/또는 음성 인식 결과일 수 있다. 위험 소리 검출 결과는 사용자에게 접근하는 위험과 관련된 소리(예: 차량이 접근하는 소리)를 검출한 결과를 나타낼 수 있다. 소리 식별 결과는 센싱된 소리 데이터에 포함된 소리를 레이블로 분류한 결과로서, 소리 레이블은 소리의 속성을 나타낼 수 있다. 소리 식별 결과는, 예를 들어, 검출된 소리의 소스(source)를 차량, 사람, 및 동물 중 하나로 분류한 결과일 수 있다. 음성 인식 결과는 소리 데이터로부터 사람의 발화(utterance) 및/또는 대화(conversation)를 인식한 결과로서, 사람의 발화에 대응하는 텍스트 추출 결과 및/또는 음성 커맨드일 수 있다.
예를 들어, 센싱 데이터가 시스템 데이터인 경우, 추론 결과는 시스템 위험 검출 결과를 포함할 수 있다. 시스템 데이터는 예시적으로 온도 데이터 및 전류 데이터를 포함할 수 있다. 시스템 위험 검출 결과는, 예를 들어, 전자 장치의 위험 여부(예: 과전류)를 지시하는 결과를 나타낼 수 있다. 다른 예를 들어, 시스템 위험 검출 결과는 전자 장치의 위험도(danger level)(예: 배터리 폭발 가능성)를 나타낼 수도 있다.
다만, 상술한 추론 결과에 대한 설명은 이해를 돕기 위한 예시로서, 이로 한정하는 것은 아니다. 추론 결과는 다범주 분류 작업(multi-class classification task), 다중 레이블 분류 작업(multi-label classification task), 및/또는 회귀 작업(regression task) 별로 설계에 따라 다른 포맷으로 생성될 수 있다.
동작(330)에서 일 실시예에 따른 전자 장치는 추론 결과를 어플리케이션에게 전달할 수 있다. 예를 들어, 전자 장치는 생성된 추론 결과를 대상 어플리케이션 및 기계 학습 모델에 매핑된 다른 어플리케이션 중 적어도 한 어플리케이션에게 전달할 수 있다. 기계 학습 모델에 복수의 어플리케이션들이 매핑된 경우, 전자 장치는 해당 기계 학습 모델을 이용한 추론 결과가 생성될 때마다 복수의 어플리케이션들에 추론 결과를 전달할 수 있다. 다만, 이로 한정하는 것은 아니고, 전자 장치는 해당 기계 학습 모델을 이용한 추론 결과를 생성할 시 복수의 어플리케이션들 중 적어도 하나의 어플리케이션을 선택하고, 선택된 적어도 하나의 어플리케이션에 추론 결과를 전달할 수 있다. 복수의 어플리케이션들이 매핑된 기계 학습 모델은 단일 모델일 수 있으나, 이로 한정하는 것은 아니고, 복수의 인공 지능 모델이 조합된 모델일 수도 있다. 같은 조합의 기계 학습 모델이 복수의 어플리케이션들에 동일하게 매핑될 수도 있다.
일 실시예에 따른 전자 장치는 기계 학습 모델을 요구하는 다양한 어플리케이션을 실행할 시 데이터 수집 및 추론 동작을 공용화함으로써, 리소스를 절감할 수 있다. 예를 들어, 전자 장치는 어플리케이션이 비활성화된 상태(deactivated state)에서 센싱 데이터를 감지하고, 감지된 센싱 데이터에 대해 기계 학습 모델을 적용함으로써 추론 결과를 산출할 수 있다. 전자 장치는 어플리케이션이 비활성화된 상태에서 추론 동작을 수행함으로써, 불필요한 연산 및 RAM(random access memory) 사용을 방지할 수 있다.
본 명세서에서 비활성화된 상태의 어플리케이션 및 비활성화된 어플리케이션은 해당 어플리케이션의 프로세스가 중단된 상태 또는 시작하지 않는 상태의 어플리케이션으로서, 예시적으로 해당 어플리케이션의 프로세스를 위한 CPU 스케줄링이 없거나 프로세스가 메모리(예: RAM)로부터 제거된 어플리케이션일 수 있다. 예를 들어, 비활성화된 어플리케이션은 전자 장치의 부팅 후 프로세스가 시작하지 않았거나 시작했더라도 중단된 상태의 어플리케이션으로서, 프로세스가 스탑 상태(stop status) 또는 킬 상태(killed status)일 수 있다. 활성화된 상태의 어플리케이션 및 활성화된 어플리케이션은 해당 어플리케이션의 프로세스가 메모리(예: RAM) 상에서 실행 중인 어플리케이션으로서, 예를 들어, 포그라운드 프로세스(foreground process) 및/또는 백그라운드 프로세스(background process)로 동작하는 어플리케이션을 나타낼 수 있다.
또한, 전자 장치는 동일한 기계 학습 모델을 복수의 어플리케이션들에 대해 매핑하여 사용함으로써, 저장소 내에서 기계 학습 모델이 차지하는 공간을 최소화할 수 있다. 예를 들어, 전자 장치는 추론에 요구되는 입력 데이터 및 출력 데이터가 동일한 둘 이상의 어플리케이션들에 대해 동일한 기계 학습 모델을 이용함으로써 중복 프로세싱을 방지하고, RAM 사용을 최소화함으로써, 슬러기쉬 문제(sluggish problem)가 방지될 수 있다. 중복 프로세싱을 방지함으로써, 소모 전류의 증가 및 전자 장치의 온도의 상승이 억제될 수 있다. 복수의 어플리케이션들에 의한 경쟁적인 가속기 사용이 방지되므로, 복수의 어플리케이션들에 대해 컴퓨팅 리소스가 동등하게 분배될 수 있다.
일 실시예에 따른 전자 장치는 기계 학습 모델을 같은 추론 요건을 요구하는 복수의 어플리케이션들에 공유함으로써, CPU(central processing unit), GPU(grphic processing unit), 및/또는 DSP(digital signal processor)의 디바이스 프로세싱을 절감하고, 연산 속도를 개선할 수 있다. 또한, RAM의 잔여 크기 부족으로 어플리케이션이 포그라운드 및/또는 백그라운드에서 실행될 수 없더라도, 전자 장치는 어플리케이션의 전체 실행과 별도로 해당 어플리케이션에서 요구되는 추론 동작을 수행할 수 있다.
도 4는 다양한 실시예들에 따른 기계 학습 모델 공유기를 도시한 블록도이다.
기계 학습 모델 공유기(410)는 추론 동작을 요구하는 복수의 어플리케이션들(예: 제1 어플리케이션(401), 제2 어플리케이션(402), 내지 제n 어플리케이션(409), 여기서 n은 2이상의 정수임)에 매핑될 수 있는 복수의 기계 학습 모델들의 공유를 관리할 수 있다. 기계 학습 모델 공유기(410)는 소프트웨어 모듈, 하드웨어 모듈, 또는 소프트웨어 모듈 및 하드웨어 모듈의 조합으로 구현될 수 있다. 기계 학습 모델 공유기(410)는 모델 등록기(411), 데이터 수집기(412), 모델 선택기(413), 추론 위임기(414), 어플리케이션 제어기(415), 및 모델 저장소(420)를 포함할 수 있다. 기계 학습 모델 공유기(410)에 포함된 각 모듈은 소프트웨어 모듈, 하드웨어 모듈, 또는 소프트웨어 모듈 및 하드웨어 모듈의 조합으로 구현될 수 있다. 후술하는 기계 학습 모델 공유기(410) 및 기계 학습 모델 공유기(410)에 포함된 각 모듈의 동작들 중 적어도 일부 또는 전부는 프로세서(예: 도 1의 프로세서(120))에 의해 수행될 수 있다.
모델 등록기(411)는 전자 장치(예: 도 1의 전자 장치(101))에 설치된 제1 어플리케이션(401), 제2 어플리케이션(402), 내지 제n 어플리케이션(409) 중 추론 동작이 요구되는 대상 어플리케이션을 복수의 기계 학습 모델들(예: 제1 기계 학습 모델(421), 제2 기계 학습 모델(422), 내지 제m 기계 학습 모델(429), 여기서 m은 1이상의 정수임) 중 한 기계 학습 모델에 매핑 및 등록할 수 있다. 어플리케이션에 위임되는 모델 등록은 하기 도 5에서 설명한다.
데이터 수집기(412)는 추론 동작에 사용되는 데이터를 수집할 수 있다. 예를 들어, 데이터 수집기(412)는 센서(440)에 의해 감지된 데이터, 전자 장치에 의해 생성된 데이터, 및/또는 외부 장치에 의해 생성된 데이터를 수집할 수 있다. 일 실시예에 따르면 데이터 수집기(412)는 카메라(441)(예: 도 1의 카메라(441) 모듈(180))에 의해 촬영된 이미지 데이터를 획득할 수 있다. 데이터 수집기(412)는 소리 센서(442)(예: 도 1의 입력 모듈(150)의 마이크)에 의해 촬영된 소리 데이터를 획득할 수 있다. 데이터 수집기(412)는 온도 센서(443)(예: 도 1의 센서 모듈(176))에 의해 감지된 온도 데이터를 획득할 수 있다. 데이터 수집기(412)는 전류 센서(예: 도 1의 센서 모듈(176))에 의해 감지된 전류 데이터를 획득할 수도 있다. 데이터 수집기(412)는 HAL(Hardware Abstraction Layer)(430)를 통해 센싱 데이터를 수집할 수 있다. 다른 실시예에 따르면, 데이터 수집기(412)는 전자 장치에 기 저장된 이미지 데이터, 사용자에 의해 작성된 파일(예: 문서), 및/또는 외부 장치로부터 수신된 컨텐츠를 수집할 수도 있다.
데이터 수집기(412)는 복수의 기계 학습 모델들 중 어플리케이션이 매핑된 기계 학습 모델에서 요구되는 데이터를 수집할 수 있다. 예를 들어, 데이터 수집기(412)는 센서(440)에서 모니터링되는 센싱 데이터에서 어플리케이션이 매핑된 기계 학습 모델에 의해 요구되는 센싱 데이터를 선택적으로 추출 및 수집할 수 있다. 또한, 데이터 수집기(412)는 모델 저장소(420)에 포함된 기계 학습 모델에 대해 지정된 데이터 타입(data type) 및 수집 주기에 따라 데이터를 수집할 수 있다. k개의 어플리케이션들이 동일한 기계 학습 모델에 매핑될 경우, 해당 기계 학습 모델을 이용한 추론 동작을 위한 데이터 수집에 요구되는 프로세싱 리소스가 100/k % 만큼 감소될 수 있다. 여기서, k는 2이상의 정수일 수 있다.
모델 선택기(413)는 센서(440), 모델 저장소(420), 및 어플리케이션들 간의 데이터 전달을 처리할 수 있다. 일 실시예에 따른 모델 선택기(413)는, 센서(440)에서 감지된 센싱 데이터에 기초하여, 복수의 기계 학습 모델들 중 해당 센싱 데이터에 대응하는 기계 학습 모델을 선택할 수 있다. 또한, 모델 선택기(413)는 해당 기계 학습 모델에 기초한 추론 결과를 전달할 어플리케이션도 선택할 수 있다. 다른 예를 들어, 모델 선택기(413)는 센싱 데이터에 기초하여 비활성화된 기계 학습 모델들 중 활성화할 기계 학습 모델을 선택할 수 있다.
추론 위임기(414)는 대상 어플리케이션에 등록된 기계 학습 모델로 추론 동작을 위임할 수 있다. 예를 들어, 추론 위임기(414)는 복수의 기계 학습 모델들 중 선택된 기계 학습 모델을 이용하여 데이터 수집기(412)에 의해 수집된 데이터에 대한 추론 결과를 생성할 수 있다. 추론 위임기(414)는 컴파일(compile) 시 미리 정의된 가속기(450)를 이용하여 선택된 기계 학습 모델에 따른 연산을 수행할 수 있다.
어플리케이션 제어기(415)는 추론 결과를 어플리케이션에 전달할 수 있다. 예를 들어, 어플리케이션 제어기(415)는, 선택된 기계 학습 모델에 기초한 추론 결과가 생성될 때마다, 선택된 기계 학습 모델에 매핑된 대상 어플리케이션으로 생성된 추론 결과를 전달할 수 있다. 다른 예를 들어, 어플리케이션 제어기(415)는 선택된 기계 학습 모델에 기초한 추론 결과에 포함된 출력 값이 임계 범위를 초과하는 경우에 응답하여, 해당 추론 결과를 선택된 기계 학습 모델에 매핑된 대상 어플리케이션으로 전달할 수도 있다. 또 다른 예를 들어, 어플리케이션 제어기(415)는 기계 학습 모델에 매핑된 대상 어플리케이션이 비활성화된 상태인 경우 비활성화된 어플리케이션을 활성화할 수도 있다.
모델 저장소(420)는 복수의 어플리케이션들, 예를 들어, 제1 기계 학습 모델(421), 제2 기계 학습 모델(422), 내지 제m 기계 학습 모델(429)을 포함할 수 있다. 복수의 기계 학습 모델들은 복수의 어플리케이션들(예: 대상 어플리케이션)이 저장된 메모리 공간과 다른 메모리 공간에 저장될 수 있다. 모델 저장소(420)는 각 기계 학습 모델의 추론 동작을 위해 정의된 입출력 데이터 포맷에 관한 정보를 포함하는 모델 디스크립터(425)를 포함할 수 있다. 다른 메모리 공간은 전자 장치의 메모리 내 공간 또는 외부 장치(예: 서버)의 메모리 내 공간일 수도 있다.
모델 디스크립터(425)는 예시적으로 각 기계 학습 모델의 모델 명, 입력 타입, 입력 소스, 입력 형태, 출력 형태, 웨이크업 여부, 출력 타입, 및 출력 레이블 목록을 포함할 수 있다. 각 기계 학습 모델의 모델 디스크립터(425)는 예시적으로 하기 표 1과 같이 입력 타입(input type), 입력 소스(input source), 입력 형태(input shape), 출력 형태(output type), 레이블 목록(label list), 및 출력 형태(output shape)를 포함할 수 있다.
Figure PCTKR2021003336-appb-img-000001
Figure PCTKR2021003336-appb-img-000002
상술한 표 1에서 입력 타입은 입력으로 사용되는 데이터의 타입으로서, 예시적으로 이미지, 소리, 온도, 및 전류를 포함할 수 있다. 입력 소스는 데이터의 소스로서 데이터를 센싱한 센서 모듈을 지시하거나 데이터를 제공한 어플리케이션을 나타낼 수 있다. 예시적으로, self는 어플리케이션에서 전처리, 가공, 및/또는 제공되는 데이터로서 예를 들어 앨범에 기 저장된 이미지의 입력 소스는 self일 수 있다. 카메라(441)에 의해 촬영된 이미지 데이터의 입력 소스는 camera일 수 있다. 마이크에 의해 캡쳐된 소리 데이터의 입력 소스는 mic일 수 있다. 온도 센서(443)에 의해 감지된 온도 데이터의 입력 소스는 temp일 수 있다. temp는 전자 장치의 여러 부분에서 센싱된 온도에 기초하여 예측된 표면 온도일 수 있다. 전류 센서에 의해 감지된 전류 데이터의 입력 소스는 current일 수 있다. 예를 들어, 전류는 전력 게이지에 의해 측정될 수 있다. 조도 센서에 의해 감지된 조도 데이터의 입력 소스는 illuminance일 수 있다. 터치 스크린에 의해 감지된 터치 데이터의 입력 소스는 screen touch일 수 있다. 그랩 센서에 의해 감지된 그랩 데이터의 입력 소스는 grab sensor일 수 있다. 입력 형태는 입력 데이터의 벡터 차원을 나타낼 수 있다. 예시적으로, (1, 224, 224, 3)은 1Х224Х224Х3 차원의 입력 형태를 나타낼 수 있다. 카메라(441)에 의해 촬영된 1장의 이미지는 폭에서 224개의 픽셀, 노피에서 224개의 픽셀, 3개의 색상 채널들(예: 적색, 녹색, 청색) 별 픽셀 값을 지시하는 입력 데이터의 벡터 차원일 수 있다. 출력 타입은 출력 데이터의 타입으로서, 추론 결과가 객체 검출, 분류, 및 다른 인식인 지 여부를 지시할 수 있다. 레이블 목록은 각 작업 별 분류되는 레이블의 목록일 수 있다. 예시적으로 사물 분류의 경우 레이블 목록은 고양이, 개, 차량 및 다른 사물 레이블을 포함할 수 있다. 표정 인식의 경우 레이블 목록은, 행복, 슬픔, 분노, 및 다른 감정 레이블을 포함할 수 있다. 출력 형태는 입력 형태와 유사하게 출력 데이터의 벡터 차원을 나타낼 수 있다. 다만, 상술한 표 1은 이해를 돕기 위한 예시로서, 입출력 데이터의 포맷을 상술한 바로 한정하는 것은 아니다.
예를 들어, 이미지 분류를 위한 기계 학습 모델의 디스크립터에서 모델 명은 "img_classifier", 입력 타입은 "image", 입력 소스는 "self", 입력 형태는 (1,224,224,3), 출력 형태는 (1,1000), 웨이크업 여부는 'no', 출력 타입은 "classification", 출력 레이블 목록은 "dog,cat,bear"일 수 있다. 다른 예를 들어, 온도 체크를 위한 기계 학습 모델의 디스크립터에서 모델 명은 "temp_checker", 입력 타입은 "etc", 입력 소스는 "temp", 입력 형태는 (1,5), 출력 형태는 (1,3), 웨이크업 여부는 'yes', 출력 형태는 "warning", 레이블 목록은 "hot,cold"일 수 있다. 또 다른 예를 들어, 음성 단어 체커를 위한 기계 학습 모델의 디스크립터에서, 모델 명은 "word_checer", 입력 타입은 "sound", 입력 소스는 "mic", 입려 형태는 (10,300), 출력 형태는 (1,3), 웨이크업 여부는 'yes', 출력 타입은 "warning", 레이블 목록은 "hi,hello"일 수 있다.
복수의 어플리케이션들은 전달된 추론 결과에 기초하여 후속 동작을 수행할 수 있다. 후속 동작은 추론 결과를 이용한 데이터 처리를 포함할 수 있다. 대상 어플리케이션은 빠른 데이터 처리를 위해 빠른 샘플링(sampling)을 요청할 수 있다. 예를 들어, 어플리케이션의 요청에 따라 빠른 샘플링을 위해 데이터 수집 주기가 감소될 수 있다.
가속기(450)는 기계 학습 모델의 추론 동작을 위해 설정될 수 있고, CPU(451)(central processing unit), GPU(452)(graphic processing unit), DSP(453)(digital signal processor), 및 NPU(454)(neural processing unit) 중 적어도 하나 또는 둘 이상의 조합을 포함할 수 있다. 전자 장치는 가속기(450)를 이용하여 센싱 데이터에 대해 기계 학습 모델을 시행(implement)함으로써 추론 결과를 생성할 수 있다.
본 명세서에서는 설명의 편의를 위해 주로 제1 어플리케이션(401) 및 제2 어플리케이션(402)이 제1 기계 학습 모델(421)에 매핑된 예시를 설명하나, 이로 한정하는 것은 아니다. 어플리케이션 및 기계 학습 모델 간의 매핑은 어플리케이션 설정 및/또는 사용자 설정에 따라 달라질 수 있다.
도 5는 다양한 실시예들에 따른 기계 학습 모델 및 어플리케이션의 매핑 등록 동작을 도시한 흐름도이다.
전자 장치(예: 도 1의 전자 장치(101))는 대상 어플리케이션(501)(예: 도 4의 제1 어플리케이션(401))의 설치 시 및/또는 대상 어플리케이션(501)을 실행하는 동안 사용자 입력에 응답하여 기계 학습 모델의 매핑 등록을 위한 동작들을 수행할 수 있다.
동작(511)에서 대상 어플리케이션(501)은 모델 목록을 요청할 수 있다. 모델 선택기(502)(예: 도 4의 모델 선택기(413))는 대상 어플리케이션(501)의 모델 목록 요청을 모델 저장소(503)(예: 도 4의 모델 저장소(420))로 전달할 수 있다.
동작(512)에서 대상 어플리케이션(501)은 모델 저장소(503)로부터 모델 선택기(502)를 경유하여 모델 목록을 전달받을 수 있다. 모델 목록은 모델 디스크립터(예: 도 4의 모델 디스크립터(425))를 포함할 수 있다. 모델 디스크립터는 각 기계 학습 모델의 입출력 데이터 포맷에 대한 정의를 포함할 수 있다.
동작(513)에서 대상 어플리케이션(501)은 모델 매핑을 요청할 수 있다. 예를 들어, 대상 어플리케이션(501)은 복수의 기계 학습 모델들 중으로부터, 대상 어플리케이션의 추론 동작에서 요구되는 입력 데이터의 유형(type), 입력 데이터의 형태(shape), 입력 소스(input source), 출력 데이터의 유형, 출력 데이터의 레이블 목록, 및 출력 데이터의 형태 중 적어도 하나 또는 둘 이상의 조합에 기초하여, 대상 어플리케이션과 매칭되는 기계 학습 모델을 결정할 수 있다. 예시적으로 대상 어플리케이션(501)은 해당 어플리케이션의 입출력 데이터 포맷에 부합하는 기계 학습 모델을 검색하여 결정할 수 있다. 대상 어플리케이션(501)은 모델 목록에서 대상 어플리케이션(501)에 의해 요구되는 입력 타입에 매칭하는 기계 학습 모델을 추출할 수 있다. 대상 어플리케이션(501)은 추출된 기계 학습 모델 중 입력 형태에 매칭하는 기계 학습 모델을 추출할 수 있다. 대상 어플리케이션(501)은 입력 타입, 입력 형태, 입력 소스, 출력 타입, 레이블 목록, 및 출력 형태에 순차적으로 기초하여 대상 어플리케이션(501)의 요구 조건에 부합하는 기계 학습 모델을 결정할 수 있다. 대상 어플리케이션(501)의 요구 조건에 복수의 기계 학습 모델들이 매칭하는 경우, 대상 어플리케이션(501)은 예시적으로 사용자 입력에 응답하여 복수의 기계 학습 모델들 중 대상 어플리케이션(501)에 매핑할 기계 학습 모델을 선택할 수 있다. 대상 어플리케이션(501)은 결정된 기계 학습 모델에 대상 어플리케이션(501)을 매핑할 것을 요청할 수 있다.
다만, 이로 한정하는 것은 아니고, 대상 어플리케이션(501)에 대해 매핑되기로 미리 정의된 기계 학습 모델의 정보(예: 모델 명칭)이 주어지는 경우, 대상 어플리케이션(501)은 모델 검색 및 확인 절차를 스킵하고, 미리 정의된 기계 학습 모델과의 매칭을 즉시(immediately) 요청할 수 있다.
동작(514)에서 모델 선택기(502)는 결정된 기계 학습 모델에 대한 확인을 요청할 수 있다.
동작(515)에서 대상 어플리케이션(501)은 모델 저장소(503)로부터 결정된 기계 학습 모델에 대상 어플리케이션(501)이 매핑된 것을 확인 받을 수 있다.
추가적으로 동작(516)에서 대상 어플리케이션(501)은 웨이크업 설정을 요청할 수 있다. 웨이크업은 비활성화된 어플리케이션을 활성화하는 동작을 나타낼 수 있다. 대상 어플리케이션(501)은 대상 어플리케이션(501)의 웨이크업 조건을 설정할 수 있다. 예를 들어, 대상 어플리케이션(501)은 웨이크업의 기준이 되는 임계 범위 및/또는 기준 레이블의 설정을 요청할 수 있다. 참고로, 동일한 기계 학습 모델에 매핑된 복수의 어플리케이션들은 각각 서로 다른 임계 범위 및/또는 서로 다른 기준 레이블이 설정될 수 있고, 도 7a에서 후술하는 바와 같이 상황에 따라 임계 범위 충족 여부 및/또는 기준 레이블 충족 여부에 따라 동시에 구동되거나, 복수의 어플리케이션들 중 일부 어플리케이션만 구동될 수도 있다.
동작(517)에서 대상 어플리케이션(501)은 웨이크업 설정이 완료된 것을 확인 받을 수 있다.
웨이크업 설정을 통해 전자 장치는 대상 어플리케이션(501)을 메모리에 상주시키거나 CPU를 지속적으로 사용하는 대신, 정의된 상황에 응답하여 어플리케이션을 웨이크업시키고, 지정된 작업을 수행할 수 있다. 전자 장치는 RAM 및 CPU 사용량을 절감할 수 있다.
이때 데이터를 샘플링하는 빈도, 및 추론 주기도 추가적으로 설정될 수 있다. 하기 표 2는 웨이크업 여부 및 샘플링 빈도를 포함한 추가 설정을 설명한다.
Figure PCTKR2021003336-appb-img-000003
참고로, 도 5에서는 모델 선택기(502)를 경유하여 모델 저장소(503)와 대상 어플리케이션(501) 간의 데이터 교환이 수행되는 것으로 설명되었으나, 이로 한정하는 것은 아니다. 전자 장치의 프로세서가 상술한 동작을 수행할 수도 있다.
도 6은 도 5에 따라 예시적으로 매핑된 결과를 도시한다.
일 실시예에 따르면 모델 등록기(611)(예: 도 4의 모델 등록기(411))는 제1 어플리케이션(601)(예: 도 4의 제1 어플리케이션(401)), 제2 어플리케이션(602)(예: 도 4의 제2 어플리케이션(402)), 내지 제n 어플리케이션(609)(예: 도 4의 제n 어플리케이션(409))에 모델 저장소(620)(예: 도 4의 모델 저장소(420))의 기계 학습 모델을 매핑 등록할 수 있다. 모델 등록기(611)는 도 5에서 앞서 설명한 바에 따라 모델 선택기(예: 도 4의 모델 선택기(413))에 의해 모델 디스크립터(625)에 기초하여 선택된 기계 학습 모델을 대상 어플리케이션에 매핑할 수 있다.
도 6에 도시된 예시에서, 모델 등록기(611)는 제1 어플리케이션(601) 및 제2 어플리케이션(602)을 제1 기계 학습 모델(621)(예: 도 4의 제1 기계 학습 모델(421))에 같이 매핑할 수 있다. 모델 등록기(611)는 제n 어플리케이션(609)을 제m 기계 학습 모델(629)(예: 도 4의 제m 기계 학습 모델(429))에 매핑할 수 있다. 제2 기계 학습 모델(622)(예: 도 4의 제2 기계 학습 모델(422))도 다른 어플리케이션에 매핑될 수 있다. 다만, 이로 한정하는 것은 아니고, 일부 기계 학습 모델은 어플리케이션에 매핑되지 않을 수도 있다.
아래에서는 제1 기계 학습 모델(621)에 매핑된 제1 어플리케이션(601) 및 제2 어플리케이션(602)의 예시적인 동작을 주로 설명한다.
도 7a 및 도 7b는 다양한 실시예들에 따른 공유된 기계 학습 모델을 이용한 추론 동작을 설명하는 흐름도이다.
도 7a는 복수의 어플리케이션들 중 적어도 한 어플리케이션에 웨이크업이 설정된 경우의 동작을 설명한다.
동작(701a)에서 전자 장치(예: 도 1의 전자 장치(101))는 복수의 어플리케이션들 중 적어도 한 어플리케이션에 웨이크업이 설정되었는지 여부를 판별할 수 있다. 전자 장치는 기계 학습 모델에 매핑된 복수의 어플리케이션들 중 웨이크업이 설정된 어플리케이션이 없는 경우 웨이크업 관련 동작을 종료할 수 있다. 전자 장치는 웨이크업이 설정된 어플리케이션이 있는 경우, 웨이크업 관련 동작을 계속할 수 있다. 도 7a에서는 제1 어플리케이션(예: 도 4의 제1 어플리케이션(401)) 및 제2 어플리케이션(예: 도 4의 제2 어플리케이션(402)에 웨이크업이 설정된 예시를 설명한다.
동작(710)에서 전자 장치는 센서(704)(예: 도 4의 센서(440))로부터 센싱 데이터를 수집할 수 있다.
동작(720)에서 전자 장치는 기계 학습 모델에 대응하는 센싱 데이터를 감지하는 경우에 응답하여, 센싱 데이터에 대해 매핑된 기계 학습 모델을 적용(apply)함으로써 추론 결과를 생성할 수 있다. 예를 들어, 전자 장치는 모델 저장소(702)(예: 도 4의 모델 저장소(420))에 포함된 복수의 기계 학습 모델들 중 센싱 데이터에 대응하는 기계 학습 모델을 선택하고, 선택된 기계 학습 모델을 가속기(705)(예: 도 4의 가속기(450))를 이용하여 시행할 수 있다. 또한, 전자 장치는 기계 학습 모델에 매핑된 어플리케이션이 비활성화된 경우, 해당 어플리케이션이 활성화되기 전에 기계 학습 모델을 이용하여 추론 결과를 생성할 수 있다.
동작(730)에서 전자 장치는 웨이크업이 설정된 어플리케이션의 활성화 여부를 판별할 수 있다. 예를 들어, 전자 장치는 기계 학습 모델에 매핑된 어플리케이션이 활성화된 상태인 지 여부를 판별할 수 있다. 전자 장치는, 어플리케이션이 활성화된 경우, 웨이크업 없이 동작들(752, 762)에서 어플리케이션으로 추론 결과를 전달할 수 있다. 전자 장치는, 어플리케이션이 비활성화된 경우, 후술하는 동작(740)에서 추론 결과에 따라 웨이크업할 지 여부를 결정할 수 있다.
예시적으로 도 7a에서 기계 학습 모델에 제1 어플리케이션 및 제2 어플리케이션이 매핑된 예시를 설명한다. 제1 어플리케이션이 활성화된 경우, 전자 장치는 제1 어플리케이션의 웨이크업이 필요 없다고 결정하고, 동작(752)에서 제1 어플리케이션으로 추론 결과를 전달할 수 있다. 유사하게, 제2 어플리케이션이 활성화된 경우, 전자 장치는 제2 어플리케이션의 웨이크업이 필요없다고 결정하고, 동작(762)에서 제2 어플리케이션으로 추론 결과를 전달할 수 있다. 전자 장치는 포그라운드 프로세스 및 백그라운드 프로세스 중 하나에서 동작하는 대상 어플리케이션 및 포그라운드 프로세스 및 백그라운드 프로세스 중 하나에서 동작하는 다른 어플리케이션에게 생성된 추론 결과를 제공할 수 있다. 다만, 이로 한정하는 것은 아니고, 표 3에서 상술한 바와 같이 백그라운드 프로세스에서의 추론이 비인가(disenable)되는 경우, 전자 장치는 백그라운드로 동작하는 어플리케이션으로의 추론 결과 전달을 제한할 수 있다.
동작(740)에서 전자 장치는 비활성화된 어플리케이션을 활성화할 지 여부를 결정하기 위하여, 추론 결과를 판별할 수 있다. 전자 장치는 추론 결과에 기초하여 해당 어플리케이션을 활성화할 수 있다. 일 실시예에 따르면, 전자 장치는 추론 결과에 포함된 출력 값 및 추정된 레이블 중 적어도 하나에 기초하여 비활성화된 어플리케이션을 활성화할 수 있다. 도 7a에 도시된 예시에서 제1 어플리케이션의 웨이크업 조건은 출력 값에 대한 임계 범위로 설정될 수 있고, 제2 어플리케이션의 웨이크업 조건은 추론 결과의 추정된 레이블에 대한 기준 레이블로 설정될 수 있다. 전자 장치는 추론 결과가 웨이크업 조건을 충족하지 않는 경우, 동작(710)으로 돌아가 데이터 수집을 계속할 수 있다.
동작(751)에서 전자 장치는 추론 결과에 기초하여 제1 어플리케이션을 웨이크업할 수 있다. 예를 들어, 전자 장치는 추론 결과에 포함된 출력 값이 임계 범위를 벗어나는 경우에 응답하여 비활성화된 어플리케이션을 활성화할 수 있다. 전자 장치는 추론 결과에 포함된 출력 값이 임계 범위 내인 경우에 응답하여 비활성화된 어플리케이션의 비활성화를 유지할 수 있다. 동작(752)에서 전자 장치는 제1 어플리케이션에 추론 결과를 전달할 수 있다. 예시적으로, 센싱 데이터가 온도 및 전류 데이터를 포함하고, 추론 결과가 위험 여부 및 위험 정도를 포함할 수 있다. 전자 장치는 위험 정도가 임계 범위를 벗어나는 경우, 전력 관리를 위한 제1 어플리케이션을 실행하여 위험도를 낮추기 위해 온도 및 전류를 관리하는 동작을 수행할 수 있다.
동작(761)에서 전자 장치는 추론 결과에 기초하여 제2 어플리케이션을 웨이크업할 수 있다. 예를 들어, 전자 장치는 추론 결과에 포함된 추정된 레이블이 비활성화된 어플리케이션에 등록된 기준 레이블에 매칭하는 경우에 응답하여, 비활성화된 어플리케이션을 활성화할 수 있다. 동작(762)에서 전자 장치는 활성화된 제2 어플리케이션에 추론 결과를 전달할 수 있다. 예시적으로, 추론 결과가 온도 및 전류에 기초하여 추정된 위험 여부 및 위험 정도를 포함할 수 있다. 전자 장치는 추론 결과에 포함된 추정된 레이블이 위험 상태(예: 배터리 폭발 임박 상태)를 지시하는 경우, 긴급 경고를 위한 제2 어플리케이션을 실행하여, 사용자에게 온도 및 전류와 관련된 경고를 제공할 수 있다.
일 실시예에 따른 전자 장치는 비활성화됐던 어플리케이션이 활성화된 후, 다른 추론 결과가 생성될 때마다 다른 추론 결과를 해당 어플리케이션으로 제공할 수 있다. 다른 추론 결과는, 웨이크업에 사용된 추론 결과 이후에 생성되는 후속 추론 결과를 나타낼 수 있다.
전자 장치는 제1 어플리케이션 및 제2 어플리케이션 중 하나 또는 둘 모두를 웨이크업하거나, 하나 또는 둘 모두에게 추론 결과를 전달할 수도 있다. 전자 장치는 서로 다른 기능을 수행하면서 같은 입력 데이터를 요구하는 제1 어플리케이션 및 제2 어플리케이션에 대해 공통된 데이터 수집 및 추론 동작을 수행하므로, 리소스 사용 효율을 개선할 수 있다.
도 7b는 어플리케이션에 웨이크업이 설정되지 않은 경우의 동작을 설명한다.
동작(701b)에서 전자 장치는 복수의 어플리케이션들 중 적어도 한 어플리케이션이 활성화되었는지 여부를 판별할 수 있다. 전자 장치는 기계 학습 모델에 매핑된 복수의 어플리케이션들이 모두 비활성화된 경우 추론 관련 동작을 종료할 수 있다. 전자 장치는 적어도 한 어플리케이션이 활성화된 경우, 추론 관련 동작을 계속할 수 있다. 도 7b에서는 제1 어플리케이션 및 제2 어플리케이션이 활성화된 예시를 설명한다.
동작들(710, 720, 752, 762)은 도 7a에서 상술한 바와 동일하므로 상세한 설명을 생략하나, 도 7a와 달리 도 7b에서 전자 장치는, 추가 동작(예: 도 7a의 동작들(730, 740, 751, 761))을 스킵하고, 동작(720)에서 생성된 추론 결과를 동작들(752, 762)에서 제1 어플리케이션 및/또는 제2 어플리케이션으로 전달할 수 있다.
도 7a 및 도 7b에서 상술한 동작들은 상술한 바로 한정하는 것은 아니고, 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 8은 다양한 실시예들에 따른 공유된 기계 학습 모델의 추론 결과를 제1 어플리케이션 및 제2 어플리케이션에게 전달하는 예시를 도시한다.
전자 장치(예: 도 1의 전자 장치(101))는 센서(840)(예: 도 4의 센서(440))로부터 센싱 데이터를 수집할 수 있다. 수집된 센싱 데이터는 HAL(830)(예: 도 4의 HAL(430))을 통해 모델 선택기(811)(예: 도 4의 모델 선택기(413)) 및/또는 추론 위임기(814)(예: 도 4의 추론 위임기(414))로 전달될 수 있다. 모델 선택기(811)는 센싱 데이터에 기초하여 모델 저장소(820)(예: 도 4의 모델 저장소(420))에 포함된 제1 기계 학습 모델(821)(예: 도 4의 제1 기계 학습 모델(421)), 제2 기계 학습 모델(822)(예: 도 4의 제2 기계 학습 모델(422)) 내지 제m 기계 학습 모델(829)(예: 도 4의 제m 기계 학습 모델(429)) 중 제1 기계 학습 모델(821)을 선택할 수 있다. 추론 위임기(814)는 선택된 제1 기계 학습 모델(821)을 가속기(850)(예: 도 4의 가속기(450))를 이용하여 시행함으로써 센싱 데이터에 대한 추론 결과를 생성할 수 있다. 가속기(850)는 CPU(851), GPU(852), DSP(853), 및 NPU(854) 중 적어도 하나 또는 둘 이상의 조합을 포함할 수 있다. 어플리케이션 제어기(815)(예: 도 4의 어플리케이션 제어기(415))는 제1 어플리케이션(801)(예: 도 4의 제1 어플리케이션(401)) 및 제2 어플리케이션(802)(예: 도 4의 제2 어플리케이션(802))로 추론 결과를 전달할 수 있다. 아래에서는 소리 인식 작업, 발열 인식 작업, 및 이미지 인식 작업 별로 예시적인 동작은 설명한다.
일 실시예에 따르면, 전자 장치는 센서(840)의 소리 센서(842)(예: 도 4의 소리 센서(442))에 의해 전자 장치 외부에서 발생하는 소리를 캡쳐한 소리 데이터를 센싱 데이터로서 센싱할 수 있다. 전자 장치는 소리 데이터로부터 기계 학습 모델에 기초하여 추론된 소리 인식 결과가 미리 결정된 소리에 매칭하는 경우에 응답하여, 대상 어플리케이션을 활성화할 수 있다.
예를 들어, 제1 어플리케이션(801)에 대해 기준 레이블로서 핫워드(예: "하이, AAA")가 설정되고, 제1 어플리케이션(801)에 제1 기계 학습 모델(821)이 매핑될 수 있다. 모델 선택기(811)는, 소리 데이터를 수집한 경우에 응답하여, 제1 기계 학습 모델(821)을 선택하고, 추론 위임기(814)는 선택된 제1 기계 학습 모델(821)을 이용하여 소리 데이터에 대한 추론 결과를 생성할 수 있다. 어플리케이션 제어기(815)는, 소리 데이터에 대한 추론 결과가 제1 어플리케이션(801)에 설정된 핫워드에 일치하는 경우에 응답하여, 제1 어플리케이션(801)을 활성화할 수 있다. 또한, 제2 어플리케이션(802)에 대해 다른 핫워드(예: "하이, BBB")가 설정되고, 추론 결과가 해당 핫워드에 일치하면, 어플리케이션 제어기(815)가 제2 어플리케이션(802)을 활성화할 수 있다.
다른 예를 들어, 제1 어플리케이션(801)에 대해 기준 레이블로서 소리의 제1 속성(예: 음악 소리를 지시하는 속성)이 설정되고, 제2 어플리케이션(802)에 대해 기준 레이블로서 제2 속성(예: 접근하는 차량 소리 또는 대화 소리를 지시하는 속성)이 설정될 수 있다. 예시적으로, 제1 어플리케이션(801)은 음악 재생 어플리케이션이고, 제2 어플리케이션(802)은 물체 또는 사람의 접근 경고 알림을 위한 어플리케이션일 수 있다. 어플리케이션 제어기(815)는 소리 데이터에 대한 추론 결과로서 음악 소리가 식별되는 경우에 응답하여, 제1 어플리케이션(801)을 활성화할 수 있다. 어플리케이션 제어기(815)는 소리 데이터에 대한 추론 결과로서 위험 소리 또는 대화 소리가 식별되는 경우에 응답하여 제2 어플리케이션(802)을 활성화할 수 있다. 또한, 어플리케이션 제어기(815)는, 제1 어플리케이션(801)이 실행되는 동안 생성된 추론 결과가 제2 속성인 경우, 제2 어플리케이션(802)을 활성화할 수도 있다.
또 다른 예를 들어, 제1 어플리케이션(801)은 제1 언어의 음성을 제2 언어로 번역하는 어플리케이션이고, 제2 어플리케이션(802)은 발화(utterance) 및/또는 대화(conversation)를 문자로 기록하는 어플리케이션일 수 있다. 제1 어플리케이션(801) 및 제2 어플리케이션(802)은 활성화된 상태로서 포그라운드 프로세스 및/또는 백그라운드 프로세스로 동작할 수 있다. 어플리케이션 제어기(815)는 소리 데이터로부터 제1 기계 학습 모델(821)에 기초하여 추론된 사용자의 발화 내용을 제1 어플리케이션(801) 및 제2 어플리케이션(802)으로 동시에 전달할 수도 있다.
다른 실시예에 따르면, 전자 장치는 센서(840)의 온도 센서(843)(예: 도 4의 온도 센서(443)) 및/또는 전류 센서에 의해 전자 장치의 온도 데이터 및/또는 전류 데이터를 센싱 데이터로서 센싱할 수 있다. 전자 장치는 온도 데이터 및/또는 전류 데이터로부터 기계 학습 모델에 기초하여 추론된 위험 인식 결과가 위험을 지시하는 경우에 응답하여, 대상 어플리케이션을 활성화할 수 있다.
예를 들어, 제1 어플리케이션(801) 및 제2 어플리케이션(802)에 대해 임계 범위로서 정상 범위가 설정될 수 있다. 제1 기계 학습 모델(821)은 온도 데이터 및/또는 전류 데이터로부터 추정된 위험 레벨을 출력할 수 있다. 예시적으로, 어플리케이션 제어기(815)는 추론 결과의 출력 값인 위험 레벨이 정상 범위를 초과하는 경우에 응답하여, 전자 장치의 전류를 제어하는 제1 어플리케이션(801) 및 전자 장치의 발열을 결고하는 다른 제2 어플리케이션(802)을 실행할 수 있다. 이후, 어플리케이션 제어기(815)는 제1 어플리케이션(801) 및/또는 제2 어플리케이션(802)으로 추론된 위험 레벨을 전달할 수 있다.
다른 예를 들어, 제1 기계 학습 모델(821)이 온도 데이터 및/또는 전류 데이터로부터 위험 여부를 출력하도록 설정될 수도 있고, 이 경우 추론 결과가 '위험' 레이블에 매칭하는 경우에 응답하여 어플리케이션 제어기(815)가 제1 어플리케이션(801) 및/또는 제2 어플리케이션(802)을 활성화 및/또는 제1 어플리케이션(801) 및/또는 제2 어플리케이션(802)으로 추론 결과를 전달할 수 있다.
또 다른 실시예에 따르면, 전자 장치는 센서(840)의 카메라(841)(예: 도 4의 카메라(441))에 의해 전자 장치 외부의 장면을 촬영한 이미지 데이터를 센싱 데이터로서 센싱할 수 있다. 전자 장치는 이미지 데이터로부터 기계 학습 모델에 기초하여 추론된 이미지 인식 결과에 기초하여, 대상 어플리케이션을 활성화할 수 있다. 전자 장치는 이미지 데이터로부터 기계 학습 모델에 기초하여 추론된 이미지 인식 결과가 미리 결정된 사물 및/또는 미리 결정된 행동(action)에 매칭하는 경우에 응답하여, 대상 어플리케이션에 이미지 인식 결과를 전달할 수 있다. 행동은 예시적으로 이미지 데이터에 나타나는 사물 또는 사람의 이동 및 동작을 나타낼 수 있다.
예를 들어, 제1 어플리케이션(801)은 음식 식별 어플리케이션이고, 제2 어플리케이션(802)은 쇼핑 지원 어플리케이션일 수 있다. 제1 어플리케이션(801) 및 제2 어플리케이션(802)과 별도로 카메라 어플리케이션이 실행될 수 있으며, 전자 장치는 카메라 어플리케이션의 이미지 데이터로부터 모델 저장소(820)의 제1 기계 학습 모델을 이용하여 추론 결과를 생성할 수 있다. 카메라 어플리케이션은 백그라운드 프로세스로 동작할 수 있으나, 이로 한정하는 것은 아니다. 어플리케이션 제어기(815)는 이미지 데이터로부터 제1 기계 학습 모델(821)에 기초하여 음식 레이블(예: 햄버거) 및 식기 레이블(예: 포크)이 식별되는 경우에 응답하여, 제1 어플리케이션(801)을 활성화하여 음식 레이블을 전달하고 제2 어플리케이션(802)을 활성화하여 식기 레이블을 전달할 수 있다. 제1 어플리케이션(801)은 음식 레이블에 기초하여 사용자가 섭취한 열량을 기록할 수 있고, 제2 어플리케이션(802)은 식기 레이블에 기초하여 사용자에게 상품 구매를 추천할 수 있다.
다른 예를 들어, 제1 어플리케이션(801)은 차량의 주행 경로를 안내하는 어플리케이션으로서 카메라(841)를 이용할 수 있고, 제2 어플리케이션(802)은 충돌 경고를 제공하는 어플리케이션일 수 있다. 어플리케이션 제어기(815)는, 제1 어플리케이션(801)이 동작하는 동안 수집된 이미지 데이터로부터 제1 기계 학습 모델(821)에 기초하여 충돌 위험이 있는 객체를 추론한 경우에 응답하여, 제2 어플리케이션(802)을 활성화하고 제1 어플리케이션(801) 및 제2 어플리케이션(802)에 같은 추론 결과를 제공할 수 있다.
상술한 바와 같이, 전자 장치는 복수의 어플리케이션들에 대해 같은 데이터를 중복 없이 통합적으로 모니터링함으로써, 시스템 리소스 사용률을 감소시킬 수 있다. 전자 장치는 어플리케이션이 비활성화된 동안 추론 동작을 선행함으로써, 불필요하게 RAM에 상주하는 CPU 프로세싱을 방지할 수 있다. 전자 장치는 기계 학습 모델을 복수의 어플리케이션들에게 공유함으로써 저장소 공간을 최소화할 수 있다. 새로운 어플리케이션 개발시 공용 기계 학습 모델을 이용하는 경우, 기계 학습 모델을 새로 트레이닝 및 탑재할 필요가 없으므로 개발 기간이 단축될 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    프로세서;
    상기 프로세서와 전기적으로 연결되어 복수의 기계 학습 모델들을 저장한 메모리; 및
    센싱 데이터를 감지하는 하나 이상의 센서;
    를 포함하고,
    상기 프로세서는:
    상기 복수의 기계 학습 모델들 중으로부터 대상 어플리케이션(target application)의 요청에 매칭하는 기계 학습 모델에 상기 대상 어플리케이션을 매핑하고,
    상기 하나 이상의 센서에 의해 상기 기계 학습 모델에 대응하는 센싱 데이터를 감지하는 경우에 응답하여, 상기 센싱 데이터에 대해 상기 매핑된 기계 학습 모델을 적용(apply)함으로써 추론 결과를 생성하며,
    상기 생성된 추론 결과를 상기 대상 어플리케이션 및 상기 기계 학습 모델에 매핑된 다른 어플리케이션 중 적어도 한 어플리케이션에게 전달하도록 설정된,
    전자 장치.
  2. 제1항에 있어서,
    상기 프로세서는:
    포그라운드 프로세스 및 백그라운드 프로세스 중 하나에서 동작하는 상기 대상 어플리케이션 및 포그라운드 프로세스 및 백그라운드 프로세스 중 하나에서 동작하는 상기 다른 어플리케이션에게 상기 생성된 추론 결과를 제공하도록 더 설정된,
    전자 장치.
  3. 제1항에 있어서,
    상기 프로세서는:
    상기 기계 학습 모델에 매핑된 어플리케이션이 비활성화된 경우, 해당 어플리케이션이 활성화되기 전에 상기 기계 학습 모델을 이용하여 상기 추론 결과를 생성하고,
    상기 추론 결과에 기초하여 해당 어플리케이션을 활성화하도록 더 설정된,
    전자 장치.
  4. 제3항에 있어서,
    상기 프로세서는:
    상기 추론 결과에 포함된 출력 값 및 추정된 레이블 중 적어도 하나에 기초하여 상기 비활성화된 어플리케이션을 활성화하도록 더 설정된,
    전자 장치.
  5. 제3항에 있어서,
    상기 프로세서는:
    상기 추론 결과에 포함된 출력 값이 임계 범위를 벗어나는 경우에 응답하여 상기 비활성화된 어플리케이션을 활성화하고, 상기 대상 어플리케이션에 상기 추론 결과를 전달하고,
    상기 추론 결과에 포함된 출력 값이 상기 임계 범위 내인 경우에 응답하여 상기 비활성화된 어플리케이션의 비활성화를 유지하도록 더 설정된,
    전자 장치.
  6. 제3항에 있어서,
    상기 프로세서는:
    상기 추론 결과에 포함된 추정된 레이블이 상기 비활성화된 어플리케이션에 등록된 기준 레이블에 매칭하는 경우에 응답하여, 상기 비활성화된 어플리케이션을 활성화하도록 더 설정된,
    전자 장치.
  7. 제3항에 있어서,
    상기 프로세서는:
    해당 어플리케이션이 활성화된 후, 다른 추론 결과가 생성될 때마다 상기 다른 추론 결과를 해당 어플리케이션으로 제공하도록 더 설정된,
    전자 장치.
  8. 제1항에 있어서,
    상기 프로세서는:
    상기 복수의 기계 학습 모델들 중으로부터, 상기 대상 어플리케이션의 추론 동작에서 요구되는 입력 데이터의 유형(type), 입력 데이터의 형태(shape), 입력 소스(input source), 출력 데이터의 유형, 출력 데이터의 레이블 목록, 및 출력 데이터의 형태 중 적어도 하나 또는 둘 이상의 조합에 기초하여, 상기 대상 어플리케이션과 매칭되는 상기 기계 학습 모델을 결정하도록 더 설정된,
    전자 장치.
  9. 제1항에 있어서,
    상기 프로세서는:
    CPU(central processing unit), GPU(graphic processing unit), DSP(digital signal processor), 및 NPU(neural processing unit) 중 적어도 하나 또는 둘 이상의 조합을 포함하는 가속기(accelerator)를 이용하여 상기 센싱 데이터에 대해 상기 기계 학습 모델을 시행(implement)함으로써 상기 추론 결과를 생성하도록 더 설정되고,
    상기 복수의 기계 학습 모델들은
    상기 대상 어플리케이션이 저장된 메모리 공간과 다른 메모리 공간에 저장된,
    전자 장치.
  10. 프로세서로 구현되는 방법에 있어서,
    복수의 기계 학습 모델들 중으로부터 대상 어플리케이션(target application)의 요청과 매칭되는 기계 학습 모델에 상기 대상 어플리케이션을 매핑하는 단계;
    하나 이상의 센서에 의해 상기 기계 학습 모델에 대응하는 센싱 데이터를 감지하는 경우에 응답하여, 상기 센싱 데이터에 대해 상기 매핑된 기계 학습 모델을 적용(apply)함으로써 추론 결과를 생성하는 단계; 및
    상기 생성된 추론 결과를 상기 대상 어플리케이션 및 상기 기계 학습 모델에 매핑된 다른 어플리케이션 중 적어도 한 어플리케이션에게 전달하는 단계
    를 포함하는 방법.
  11. 제10항에 있어서,
    상기 전달하는 단계는,
    포그라운드 프로세스 및 백그라운드 프로세스 중 하나에서 동작하는 상기 대상 어플리케이션 및 포그라운드 프로세스 및 백그라운드 프로세스 중 하나에서 동작하는 상기 다른 어플리케이션에게 상기 생성된 추론 결과를 제공하는 단계
    를 포함하는 방법.
  12. 제10항에 있어서,
    상기 추론 결과를 생성하는 단계는,
    상기 기계 학습 모델에 매핑된 어플리케이션이 비활성화된 경우, 해당 어플리케이션이 활성화되기 전에 상기 기계 학습 모델을 이용하여 상기 추론 결과를 생성하는 단계
    를 포함하고,
    상기 전달하는 단계는,
    상기 추론 결과에 기초하여 해당 어플리케이션을 활성화하는 단계
    를 포함하는 방법.
  13. 제12항에 있어서,
    상기 전달하는 단계는,
    상기 추론 결과에 포함된 출력 값이 임계 범위를 벗어나는 경우에 응답하여 상기 비활성화된 어플리케이션을 활성화하고, 상기 대상 어플리케이션에 상기 추론 결과를 전달하는 단계;
    상기 추론 결과에 포함된 출력 값이 상기 임계 범위 내인 경우에 응답하여 상기 비활성화된 어플리케이션의 비활성화를 유지하는 단계;
    상기 추론 결과에 포함된 추정된 레이블이 상기 비활성화된 어플리케이션에 등록된 기준 레이블에 매칭하는 경우에 응답하여, 상기 비활성화된 어플리케이션을 활성화하는 단계; 및
    해당 어플리케이션이 활성화된 후, 다른 추론 결과가 생성될 때마다 상기 다른 추론 결과를 해당 어플리케이션으로 제공하는 단계
    를 포함하는 방법.
  14. 제10항에 있어서,
    상기 매핑하는 단계는,
    상기 복수의 기계 학습 모델들 중으로부터, 상기 대상 어플리케이션의 추론 동작에서 요구되는 입력 데이터의 유형(type), 입력 데이터의 형태(shape), 입력 소스(input source), 출력 데이터의 유형, 출력 데이터의 레이블 목록, 및 출력 데이터의 형태 중 적어도 하나 또는 둘 이상의 조합에 기초하여, 상기 대상 어플리케이션과 매칭되는 상기 기계 학습 모델을 결정하는 단계
    를 포함하고,
    상기 추론 결과를 생성하는 단계는,
    CPU(central processing unit), GPU(graphic processing unit), DSP(digital signal processor), 및 NPU(neural processing unit) 중 적어도 하나 또는 둘 이상의 조합을 포함하는 가속기(accelerator)를 이용하여 상기 센싱 데이터에 대해 상기 기계 학습 모델을 시행(implement)함으로써 상기 추론 결과를 생성하는 단계
    를 포함하는 방법.
  15. 제10항의 방법을 수행하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 판독 가능 기록 매체.
PCT/KR2021/003336 2021-02-23 2021-03-18 복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법 WO2022181869A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202180094282.4A CN116897358A (zh) 2021-02-23 2021-03-18 使用在多个应用之间共享的机器学习模型的设备和方法
EP21928166.4A EP4231210A4 (en) 2021-02-23 2021-03-18 APPARATUS AND METHOD HAVING A MACHINE LEARNING MODEL SHARED BETWEEN MULTIPLE APPLICATIONS
US17/864,697 US20220351041A1 (en) 2021-02-23 2022-07-14 Device and method using machine learning model shared by plurality of applications

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210023894A KR20220120154A (ko) 2021-02-23 2021-02-23 복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법
KR10-2021-0023894 2021-02-23

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/864,697 Continuation US20220351041A1 (en) 2021-02-23 2022-07-14 Device and method using machine learning model shared by plurality of applications

Publications (1)

Publication Number Publication Date
WO2022181869A1 true WO2022181869A1 (ko) 2022-09-01

Family

ID=83047585

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/003336 WO2022181869A1 (ko) 2021-02-23 2021-03-18 복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법

Country Status (5)

Country Link
US (1) US20220351041A1 (ko)
EP (1) EP4231210A4 (ko)
KR (1) KR20220120154A (ko)
CN (1) CN116897358A (ko)
WO (1) WO2022181869A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116668968A (zh) * 2023-07-25 2023-08-29 西安优光谱信息科技有限公司 跨平台通讯的信息处理方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101512814B1 (ko) * 2007-11-09 2015-04-16 구글 인코포레이티드 가속도계 데이터를 근거로 하는 애플리케이션 활성화
KR20200002034A (ko) * 2017-08-11 2020-01-07 구글 엘엘씨 온-디바이스 기계 학습 플랫폼
KR20200054352A (ko) * 2018-11-02 2020-05-20 한국로봇융합연구원 시계열 데이터를 주파수 성분별로 분할하여 복수의 학습 모델을 병렬 처리하는 딥러닝 학습 방법 및 시스템
KR20200087259A (ko) * 2017-11-24 2020-07-20 아마존 테크놀로지스, 인크. 생산 추론을 위한 호스트 기계 학습 모델 오토-스케일링
KR20200142374A (ko) * 2019-06-12 2020-12-22 삼성전자주식회사 입력 데이터에 근거한 ai 모델 선택 방법 및 그에 따른 방법을 수행하는 디스플레이 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3552076B1 (en) * 2017-11-21 2023-08-30 Google LLC Low-power ambient computing system with machine learning
KR20190107621A (ko) * 2019-09-02 2019-09-20 엘지전자 주식회사 상황 인식에 기반한 어플리케이션 추천을 위한 장치 및 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101512814B1 (ko) * 2007-11-09 2015-04-16 구글 인코포레이티드 가속도계 데이터를 근거로 하는 애플리케이션 활성화
KR20200002034A (ko) * 2017-08-11 2020-01-07 구글 엘엘씨 온-디바이스 기계 학습 플랫폼
KR20200087259A (ko) * 2017-11-24 2020-07-20 아마존 테크놀로지스, 인크. 생산 추론을 위한 호스트 기계 학습 모델 오토-스케일링
KR20200054352A (ko) * 2018-11-02 2020-05-20 한국로봇융합연구원 시계열 데이터를 주파수 성분별로 분할하여 복수의 학습 모델을 병렬 처리하는 딥러닝 학습 방법 및 시스템
KR20200142374A (ko) * 2019-06-12 2020-12-22 삼성전자주식회사 입력 데이터에 근거한 ai 모델 선택 방법 및 그에 따른 방법을 수행하는 디스플레이 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116668968A (zh) * 2023-07-25 2023-08-29 西安优光谱信息科技有限公司 跨平台通讯的信息处理方法及***
CN116668968B (zh) * 2023-07-25 2023-10-13 西安优光谱信息科技有限公司 跨平台通讯的信息处理方法及***

Also Published As

Publication number Publication date
KR20220120154A (ko) 2022-08-30
EP4231210A1 (en) 2023-08-23
US20220351041A1 (en) 2022-11-03
EP4231210A4 (en) 2023-09-20
CN116897358A (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
WO2020159217A1 (en) Electronic device and method for determining task including plural actions
WO2019177373A1 (en) Electronic device for controlling predefined function based on response time of external electronic device on user input, and method thereof
WO2022211271A1 (ko) 학습 기반의 필기 입력을 처리하는 전자 장치, 그 동작 방법 및 저장매체
WO2022055261A1 (ko) 메모리를 관리하기 위한 전자 장치, 전자 장치의 동작 방법, 및 비 일시적 저장 매체
WO2022181869A1 (ko) 복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법
WO2019225875A1 (ko) 재고 추적 방법 및 장치
WO2022102960A1 (en) Electronic device for managing task relating to processing of audio signal, and operation method therefor
WO2022203180A1 (ko) 뉴럴 네트워크에 대한 해시 인증을 수행하는 전자 장치 및 그 동작 방법
WO2022071708A1 (ko) 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법
WO2022231179A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2023054913A1 (ko) 포스 터치를 확인하는 전자 장치와 이의 동작 방법
WO2022225229A1 (ko) 긴급 메시지를 전송하는 전자 장치 및 이의 동작 방법
WO2023113167A1 (ko) 전자 장치 및 이의 동작 방법
WO2021235798A1 (ko) 전자 장치 및 전자 장치에서 키보드의 입력을 이용하여 사용자 인증을 수행하는 방법
WO2022177061A1 (ko) 비정상적인 앱을 백그라운드에서 미리 로딩하는 전자 장치 및 그의 동작 방법
WO2022220416A1 (ko) 터치 입력 데이터를 처리하는 전자 장치 및 터치 입력 데이터를 처리하는 전자 장치를 제어하는 방법
WO2022231209A1 (ko) 사용 패턴을 이용한 예측 기반의 제어 방법 및 그 장치
WO2022196906A1 (ko) 전자 장치와 전자 장치의 동작 방법, 및 기록매체
WO2022010092A1 (ko) 컨텐츠 공유를 지원하는 전자 장치
WO2022196939A1 (ko) 대체 컨텐츠를 제공하는 전자 장치 및 그의 동작 방법
WO2022154487A1 (ko) 클립보드 기능을 제공하기 위한 방법 및 이를 지원하는 전자 장치
WO2022182020A1 (ko) 검색 서비스를 제공하기 위한 전자 장치 및 그 작동 방법
WO2023101159A1 (ko) 장애인을 위한 시청각 콘텐츠 제공 장치 및 방법
WO2022196889A1 (ko) 멀티 프로세서를 포함하는 전자 장치 및 그 운용 방법
WO2022163907A1 (ko) 전자 장치 및 이의 제어 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21928166

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021928166

Country of ref document: EP

Effective date: 20230517

WWE Wipo information: entry into national phase

Ref document number: 202180094282.4

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE