(19) 민 특허청(KR)
(12) 등 특허공보(B1)
(45) 공고 2019 01월14
(11) 등 10-1937778
(24) 등 2019 01월07
(51) 특허 (Int. Cl.)
G06F 17/30 (2006.01) G06F 17/27 (2006.01)
G06K 9/00 (2006.01) G06N 3/08 (2006.01)
G10L 13/08 (2006.01)
(52) CPC특허
G06F 17/30654 (2013.01)
G06F 17/2755 (2013.01)(21) 원 10-2017-0026236
(22) 원 2017 02월28
심사청 2017 02월28
(65) 공개 10-2018-0100001
(43) 공개 2018 09월06
(56) 술 사 헌
KR1020140042994 A
(73) 특허
울 산 단
울특별시 1 (신림동)
(72)
병탁
울특별시 1 공과 컴퓨 공 지능연 실 (신림동, 울 )
열
울특별시 1 공과 컴퓨 공 지능연 실 (신림동, 울 )
(뒷 에 계 )
(74) 리
철
체 청 수 : 13 심사 : 복
(54) 칭 공지능 계 습 어 시스 과 매체
(57)
공지능 계 습(machine-learning) 어 시스 공 다. 상 시
스 수집 가, 수집 다. 상 시스 처리 가, 상 수집 심층 신경
망(deep neural network)에 수 는 상태 태 별 누어 여 처리 다. 상 시스
(뒷 에 계 )
도 - 도1
등록특허 10-1937778
- 1 -
습 가, 상 처리 태 별 신경 상(neural representation) 습 다. 상 시스
가, 상 연 각각 미 지식(semantic knowledge)
도 계 습 다. 상 시스 가, 사 건 , 상 사 태
별 여 다. 상 는 1 순 신경망(RNN; Recurrent Neural Network) 다.
상 시스 가, 상 에 답 생 다. 상 는 상 에 생
태 별 여 상 답 생 는 2 순 신경망 다. 상 1 순 신경망 상
2 순 신경망 LSTM(Long-Short Term Memory) 수 다.
(52) CPC특허
G06K 9/00228 (2013.01)
G06N 3/08 (2013.01)
G10L 13/08 (2013.01)(72)
강우
울특별시 1 공과 컴퓨 공 지능연 실 (신림동, 울 )
동식
울특별시 1 공과 컴퓨 공 지능연 실 (신림동, 울 )
지원 가연 개 사업
과 고 10044009
처 산업통상 원
연 리 산업 술평가 리원
연 사업 산업 원천 술개 사업
연 과 지 상 통 여 사 복 도 고, 에 95% 상 게 수 는 달 HRI 술 개
여 2/9
주 산 단
연 간 2016.03.01 ~ 2017.02.28
지원 가연 개 사업
과 고 R01261610720001002
처 미 창 과
연 리 보통신 술진
연 사업 보통신. 연 개 사업
연 과 (SW 스타 ) 상생 습 지에 트 SW 개
여 7/9
주 울 산 단
연 간 2016.03.01 ~ 2017.02.28
공지 :
등록특허 10-1937778
- 2 -
청
청 1
공지능 계 습(machine-learning) 어 시스 ,
(a) 상 시스 수집 가, 수집 는 단계;
(b) 상 시스 처리 가, 상 수집 심층 신경망(deep neural network)에 수
는 상태 태 별 누어 여 처리 는 단계;
(c) 상 시스 습 가, 상 처리 태 별 신경 상(neural representation) 습 는
단계;
(d) 상 시스 가, 상 연 각각 미 지식
(semantic knowledge) 도 계 습 는 단계;
(e) 상 시스 가, 사 건 , 상 사 태 별 여
는 단계 , 상 는 1 순 신경망(RNN; Recurrent Neural Network) , 단계;
(f) 상 시스 가, 상 에 답 생 는 단계 , 상 는 상 에
생 태 별 여 상 답 생 는 2 순 신경망 , 단계
포 는, 어 시스 .
청 2
1 에 어 ,
상 (e) 단계 처리에 어 , 태 별 여, 미 갖는 만 상 에 고,
미 갖지 는 상 에 지 고 링 는, 어 시스 .
청 3
2 에 어 ,
상 미 갖는 사, 사, 동사 포 ,
상 미 갖지 는 사, 어미 포 는, 어 시스 .
청 4
2 에 어 ,
상 에 지 고 링 고 여, 상 어미 는 말 보
는, 어 시스 .
청 5
1 에 어 ,
상 (d) 단계에 어 , 상 연 규칙 니 계 습에
습 는, 어 시스 .
청 6
1 에 어 ,
상 (e) 단계 는 에,
등록특허 10-1937778
- 3 -
(e') 상 시스 카 가, 상 사 가 얼 식 여 상 사 감 상태
고, 상 에 시에 고 는 단계
포 는, 어 시스 .
청 7
1 에 어 ,
상 1 순 신경망 상 2 순 신경망 LSTM(Long-Short Term Memory) , 어 시스
.
청 8
공지능 계 습(machine-learning) 어 시스 ,
수집 는 수집 ;
상 수집 심층 신경망(deep neural network)에 수 는 상태 태 별 누어
여 처리 는 처리 ;
상 처리 태 별 신경 상(neural representation) 습 는 습 ;
상 연 각각 미 지식(semantic knowledge) 도
계 습 는 ;
사 건 , 상 사 태 별 여 는 ,
1 순 신경망(RNN; Recurrent Neural Network) , ;
상 에 답 생 는 , 상 에 생 태 별 여 상
답 생 는 2 순 신경망 ,
포 는, 어 시스 .
청 9
8 에 어 ,
상 처리에 어 , 태 별 여, 미 갖는 만 상 에 고, 미
갖지 는 상 에 지 고 링 는, 어 시스 .
청 10
9 에 어 ,
상 에 지 고 링 고 여, 상 어미 는 말 보
는, 어 시스 .
청 11
8 에 어 ,
상 처리에 어 , 상 연 규칙 니 계 습에
습 는, 어 시스 .
청 12
8 에 어 ,
상 사 가 얼 식 는 카 포 고,
상 식 얼 상 사 감 상태 고, 상 에 시에 고 는,
어 시스 .
등록특허 10-1937778
- 4 -
청 13
1 내지 7 어느 에 재 , 컴퓨 여 수 도 는 그 컴퓨
독 가능 매체.
술
본 계 습 술 여 습 공지능 에 트 어 실시간 주고 수 는[0001]
시스 과 매체에 것 다.
경 술
사 같 상 는 공지능 만드는 것 공지능 들 꿈 었다. 그 꿈 지[0002]
지도 링 스트 통 어지고 다. 링 스트 계가 생각 수 는지, 지능 는지 단
는 스트 , 재 고 는 상 가 컴퓨 지 사 지 수 없 링 스트 통과 것
여 , 컴퓨 가 간 같 지능 가지고 다고 다.
시 에 사 고 는 많 들 는 에 는 답변만 는 시스 었다[0003]
근 공지능, 러닝 사 같 연 답 가능 들 생겨 고 다.
순 신경망(Recurrent Neural Networks; RNN) 신경망(Deep Neural Networks; 심층 신경망) [0004]
식, 연 언어 처리 등 순차 처리 는 큰 공 가 다. 근 순 신경망 -
(seq2seq) 었는 계 역에 뛰어 능 보 다. 그뿐만 니 ,
seq2seq 간 수 거쳐 QA 도 사 었다.
내
결 는 과
에는, 규칙 고리 여 매우 큰 리 검색 는 가 루어 다.[0005]
, 리 내에 어 지 에는 답 수 없다. , 스트 그 리에
에 어 다 에 강건(robust) 지 못 다는 가 다.
과 결 수단
본 에 , 공지능 계 습(machine-learning) 어 시스 [0006]
, (a) 상 시스 수집 가, 수집 는 단계; (b) 상 시스 처리 가, 상 수집
심층 신경망(deep neural network)에 수 는 상태 태 별 누어 여 처
리 는 단계; (c) 상 시스 습 가, 상 처리 태 별 신경 상(neural
representation) 습 는 단계; (d) 상 시스 가, 상
연 각각 미 지식(semantic knowledge) 도 계 습 는 단계; (e) 상 시스
가, 사 건 , 상 사 태 별 여 는
단계 , 상 는 1 순 신경망(RNN; Recurrent Neural Network) , 단계; (f) 상 시스
가, 상 에 답 생 는 단계 , 상 는 상 에 생 태
별 여 상 답 생 는 2 순 신경망 , 단계 포 는, 어 시스
공 다.
직 게는, 상 (e) 단계 처리에 어 , 태 별 여, 미 갖는 만 상 에 [0007]
고, 미 갖지 는 상 에 지 고 링 다.
직 게는, 상 미 갖는 사, 사, 동사 포 , 상 미 갖지 는 사, 어[0008]
미 포 다.
직 게는, 상 에 지 고 링 고 여, 상 어미 는[0009]
말 보 다.
등록특허 10-1937778
- 5 -
직 게는, 상 (d) 단계에 어 , 상 연 규칙 니 연[0010]
습 다.
직 게는, 상 (e) 단계 는 에, (e') 상 시스 카 가, 상 사 가 얼[0011]
식 여 상 사 감 상태 고, 상 에 시에 고 는 단계 포 다.
직 게는, 상 1 순 신경망 상 2 순 신경망 LSTM(Long-Short Term Memory) 다.[0012]
본 에 , 공지능 계 습(machine-learning) 어 시스 , [0013]
수집 는 수집 ; 상 수집 심층 신경망(deep neural network)에 수 는 상태
태 별 누어 여 처리 는 처리 ; 상 처리 태 별 신경 상(neural
representation) 습 는 습 ; 상 연 각각 미 지식
(semantic knowledge) 도 계 습 는 ; 사 건 , 상 사
태 별 여 는 , 1 순 신경망(RNN; Recurrent Neural
Network) , ; 상 에 답 생 는 , 상 에 생
태 별 여 상 답 생 는 2 순 신경망 , 포 는, 어 시
스 공 다.
직 게는, 상 처리에 어 , 태 별 여, 미 갖는 만 상 에 [0014]
고, 미 갖지 는 상 에 지 고 링 다.
직 게는, 상 에 지 고 링 고 여, 상 어미 는[0015]
말 보 다.
직 게는, 상 처리에 어 , 상 연 규칙 니[0016]
연 습 다.
직 게는, 상 사 가 얼 식 는 카 포 고, 상 얼 식 상[0017]
사 감 상태 고, 상 에 시에 고 다.
본 에 , 술 , 컴퓨 여 수 도 는 그 컴퓨 독 가능 [0018]
매체가 공 다.
과
본 어 주 에 사 과 공지능 에 트가 눌 수 는 시스 [0019]
공 다. 시스 태 릿, 드폰 등에 내 어 사 수 , 실시간
가 루어지는 특징 가지고 다. 규칙 시스 과는 달리 다 질 에 답변 가능
단어 상(Representation) 습 통 미(Semantic) 보 고 여 답 생
에 보다 다 사 수 다.
계 습 고리 습 공지능 에 트 실시간 수 수 , 습 어 지 [0020]
질 에 도 에 트 체 여 답변 수 고, 스트 실수 태 (Distributed
Representation) 에 어 다 에 도 강건 게 수 다.
, 시 리에 는 식 니 에 욱 많 습시 도 시스 차지 는[0021]
크 는 크게 늘어 지 는다.
도 간단
도 1 본 에 도 타낸다.[0022]
도 2는 본 에 수집 에 개 도 다.
도 3a는 가 경 사 실험실 습 다.
도 3b는 본 시스 탑재 과 사 상 ( ) 는 습 다.
도 4는 본 에 시스 개 타낸다.
도 5는 어 는 타낸다.
등록특허 10-1937778
- 6 -
도 6 어 는 타낸다.
도 7 어 는 타낸다.
도 8 어 는 타낸다.
도 9는 본 에 시스 처리 타낸다.
도 10 값과 값 계 타내는 도 다.
실시 체 내
, 도 참 여 본 에 시스 다.[0023]
도 1 본 에 도 타낸다.[0024]
본 고리 랫폼(PC, , 스마트폰 등)과 사 직 여 (demonstrate)[0025]
수 다. 들어, 고리 컴퓨 에 실 고 다 컴퓨 직 키보드 통 수 고,
랫폼에 실 는 경우에는 식 술, 스 치 스트(Speech-To-Text), 스트 스 치
(text-to-Speech), 통신 술과 께 여 시스 수 다.
단계 102에 , , 사 과 사 사 에 루어질 수 는 들 수집 여, 뉴럴 트워크[0026]
(Deep Neural Network)에 태 처리 다. 처리 는 후술 는 워드 , 리트
드(pre-trained) 워드 수 다. 러 수집 본 시스 수집 에 진다.
단계 104에 , 수집 여 각 단어 뉴럴 상(Neural Representation) 습 다. 는 본[0027]
시스 습 에 진다.
단계 106에 , 연 , 각각 미 지식(Semantic Knowledge) 다. 는 본[0028]
시스 에 진다.
단계 108에 , 사 가 에게 어 건 , 단계 110에 , 고리 단계 102 내지 단계 106에[0029]
지식 여 고 다. 는 본 시스 에 진다.
단계 112에 , 그 결과 가 답 생 고, 그 여 새 운 생 [0030]
간다. 는 본 시스 에 진다.
도 2는 본 에 수집 에 개 도 다.[0031]
술 같 , 본 고리 랫폼(PC, , 스마트폰 등)과 사 직 여 [0032]
수 다. 들어, 고리 컴퓨 에 실 고 다 컴퓨 직 키보드 통 수
고, 랫폼에 실 는 경우에는 식 술, 스 치 스트, 스트 스 치, 통신
술과 께 여 시스 수 다.
과 에 , 사 과 사 사 (도 2에 Person A(201) Person B(202) 사 살 시 ), 사[0033]
(201)과 공지능 스(203) 사 가 여러 는 것 , 러 가 어
(204) 게 다. 특 , 후술 겠 , 어는 에 어 어 등과 차 갖는
므 , 러 에도 어 ( , 어 ) 다.
게 수집 어 (204) 여 러닝 (205) 다. 게 [0034]
(205) 고 어 것 니 , 술 사 들(201, 202) 사 사 (201)과 공 지능
스(203) 사 에 에 가 가 , 다시 드 재차 복 습
루어지 보 다.
수집 는 것 에 다. [0035]
- 시 리 - [0036]
상 첫 단계 , 돌보 침 상 시 리 보 다. 돌보 침 상[0037]
상 보다는 보다 고 간단 들 가지만 엄마 역 신 는 과 계 상
다는 에 는 시 리 생각 수 다. 본 들 돌보 침 시 리
크게 (1) 상, (2) 침 운동, (3) 침 식사, (4) , (5) , (6) 등 6가지 누었다. 그리
등록특허 10-1937778
- 7 -
고, 보다 연스러운 실 가 경 사 실험실 꾸미고 식과 스트 스 치
(text-to-speech; TTS) 술 여 과 사 상 수 는 경 만들었다.
도 3a는 가 경 사 실험실 습 다. [0038]
도 3b는 본 시스 탑재 과 사 상 ( ) 는 습 다.[0039]
- 수집 - [0040]
시 리 수집 간단 수 는 만들 가 었다. 30[0041]
상 사 10,000여개 수집 다. 복 는 고, 수
는 다 게 각 사 들 6개 시 리 에 당 어 300 , 체 시 리 에
300 만들도 다. 각 가 질 꺼내고 그에 답
도 어 다. 가지고 만든 후, 어, 등에 시연
그 통 계 새 운 수집 다.
- 실험 - [0042]
에 는 결과가 지 지 단 수 는 근거가 재[0043]
어 다. , 실 실험 결과 시 고 그에 도 다.
- 돌 시 리 - [0044]
가 본 는 시 리 다 과 같 가 여 후, 다 실험 시도 다. [0045]
에 BOT 본 에 공지능 에 트 타내고, CHILD는 사 ( ) 타낸다.[0046]
BOT: 침 어[0047]
CHILD: 주 어[0048]
BOT: 그 니[0049]
CHILD: 워 새벽에 어[0050]
BOT: 런 못 겠 [0051]
CHILD: 니에 어 께[0052]
BOT: 거실 가 침 체 같 볼[0053]
BOT: 고 [0054]
CHILD: 고 갈께[0055]
BOT: 엄마는 식사 고 게[0056]
CHILD: [0057]
BOT: 어 고 침 [0058]
CHILD: 지 찬 다[0059]
BOT: 계 도 니 맛 게 [0060]
CHILD: 맛 겠다[0061]
BOT: 그럼 맛 게 어[0062]
CHILD: 맛 없어[0063]
BOT: 도 어 게 수 는걸[0064]
CHILD: 싫어[0065]
BOT: 다 그러는 거[0066]
CHILD: 었습니다[0067]
등록특허 10-1937778
- 8 -
BOT: 갈 고 갈 [0068]
CHILD: 슨 [0069]
BOT: 우니 지 는게 어[0070]
CHILD: 지에 색 티 츠 고 싶어[0071]
BOT: 그 다 챙겼니[0072]
CHILD: 공 어 어[0073]
BOT: 어 산 공 말 는거지 같 찾 보[0074]
CHILD: 찾 어[0075]
BOT: 다 니 에 가 지[0076]
CHILD: 다 겠습니다[0077]
BOT: 그 건 차 심 고[0078]
CHILD: [0079]
- 시 리 내 가능 -[0080]
째 실험 는 같 침 돌보 시 리 에 생 수 는 스크립트 실험 보 다.[0081]
에 * 시는 , ** 시는 매 지만 지는 , *** 시는 [0082]
미 다.
* CHILD: 어[0083]
* BOT: 지 신[0084]
*** CHILD: 가 지[0085]
*** BOT: 엄마 말 들어 진짜 고마워[0086]
*** CHILD: 운동[0087]
*** BOT: 어 리 고 [0088]
** CHILD: 늘 운동 [0089]
** BOT: 늘 겠습니다[0090]
* CHILD: 고[0091]
* BOT: 심 었니[0092]
* CHILD: 주[0093]
* BOT: 니 엄마가 곤 단다[0094]
** CHILD: 언 어[0095]
** BOT: 엄마는 게[0096]
*** CHILD: 심 뉴 에[0097]
*** BOT: 그 게 맛 어[0098]
* CHILD: 늘 심 [0099]
* BOT: 돈 스[0100]
* CHILD: 다 었어[0101]
등록특허 10-1937778
- 9 -
* BOT: 게 었니[0102]
*** CHILD: [0103]
*** BOT: 그 고 [0104]
** CHILD: 귀찮[0105]
** BOT: 그러니[0106]
* CHILD: 트 [0107]
* BOT: 겨울 에 거[0108]
* CHILD: 경 어 어[0109]
* BOT: 에 없니[0110]
* CHILD: 갔다 게[0111]
* BOT: 다[0112]
* CHILD: 다 게[0113]
* BOT: 다 거 차 심 고[0114]
실험 결과, 본 시스 , 같 맥 다 어느 도 수 다는 것 수 었다.[0115]
결과에 , 수 는 는 침 돌보 시 리 뿐 는 , 그리고, 도 지만
여 역에 습 가능 어 다는 수
었다. 그러 , 계 습(machine-learning) 특수 고 , 상 같 결과가 다고는
볼 수 없다. 그 동 과 질에 에 달 질 수 다.
량 많 질수 상 에 ** 시( 매 지만 지는 ), *** 시(
) * 시 같 어 갈 것 , 본 실시 에 든 10000 는 300 보다는
많 다고 수도 것 다.
, 규칙 에 는 가능 연 가 가능 다는 것 수 었다.[0116]
도 4는 본 에 시스 개 타낸다.[0117]
본 seq2seq (시퀀스- -시퀀스 워크, - )에 다. seq2seq [0118]
개 RNN(순 신경망; Recurrent Neural Network) 어 는 , 첫 째 RNN 단어
단 쪼개어 는 업 다. 째 RNN 단어
여 만든다. 감독 습 , 었 진
도 습 다.
도 4 참 여 과 다시 다.[0119]
, 본 가 도수 상 n개 단어들 룩업(lookup) 에 등 다. [0120]
사 는 RNN 든 드 수 동 다. , Long-Short Term Memory(LSTM) 사 는
, LSTM에 는 에 당 는 각 단어별 쪼개어 는다. ( 든 단
어) 었 는 거친 든 상태 가 게 는
다.
도 4에 는 LSTM에 "엄마, 말 사 " 는 는 가 타 다. 단어별[0121]
뉘어 [엄마], [ 말], [사 ]가 에 다. 는 에 든 상태
다.
는 든 상태 단어 다. 도 4 에 는 [ ], [ 겠는 ] 는 단어가[0122]
는 것 어 다. 각 들 softmax 수 체 연결층(fully-connected
layer) 통 계산 다. 는 워드 업 트 습 다.
도 5는 어 는 타낸다.[0123]
등록특허 10-1937778
- 10 -
도 5에 , 측 러닝 고리 에 "Hello, how is the weather today?" 는 다. [0124]
경우, 어 어쓰 단 어 처리 다.
, 측 러닝 고리 에 "Hello", "how", "is", "the", "weather", "today?" 어 처리[0125]
다.
그리고, 측 러닝 고리 에 는 "Yeah,", "Great!" 는 어쓰 단어가 어 "Yeah, Grea[0126]
t!" 는 게 다.
도 6 어 는 타낸다.[0127]
도 6에 , 측 러닝 고리 에 " , 늘 참 지?" 는 다. 에 는[0128]
사 는 타 어미 등 사 지 계 , 도 5에 든 어 과 마찬가지 어쓰
단 어 처리 든 태 단 처리 든 동 결과 낳는다.
, 측 러닝 고리 에 " ,", " 늘", " ", "참", " 지?" 어 처리 다.[0129]
그리고, 측 러닝 고리 에 는 " ,", " !" 는 어쓰 단어가 어 " , !" 는[0130]
게 다.
도 5, 도 6만 보 , 어 어 차 는 동 보 지만, 는 도 6에 든 어 에 사 [0131]
는 타 어미가 사 지 , 러 어에 것 고 보 는 들
것 다.
도 7 어 는 타낸다.[0132]
도 7에 , 측 러닝 고리 에 " 늘 가 참 것 같죠?" 는 [0133]
다. 에 는 사 는 타 어미 등 사 어 는, 도 5에 든 어 는
도 6에 든 어 과는 다 상 다.
어에 능통 사 보 에는 도 6에 든 " , 늘 참 지?" 도 7에 든 "[0134]
늘 가 참 것 같죠?" 는 큰 차 가 없는 것 느 수 , 공지능 에
는 매우 다 것 들여질 것 다. , 어에는 슷 미 가지고 다 변
재 다. 도 6 시 과 도 7 시 , 사 지만 다 단어들 질
에, 컴퓨 ( 공지능)에게는 도 6 시 도 7 시가 같 질 지 들 수 다.
어쓰 경우에, ' 늘'과 ' 늘 ' 컴퓨 가 에는 다 단어 다.
도 8 어 는 타낸다.[0135]
도 8에 는, 어쓰 러닝 고리 ( 측)에 는 것 니 태 단 리 [0136]
후에 다.
, " 늘 가 참 것 같죠?"가 도 7에 는 " ", " 늘 ", " 가", "참", "[0137]
", "것", "같죠?" 리 어 러닝 고리 에 것과는 달리, 도 8에 는 " ", " ", "시",
"어 ", " 늘", " ", " ", "가", "참", " ", " ", "것", "같", "죠" 고 태 단 리 여 러
닝 고리 ( 측)에 다.
같 , 태 고리 에 " " + " 늘" + " " + "참" + " " 타 는 [0138]
본 들 수 다. 태 습 경우, 어쓰 단어별 습 에
훨 상(Representation) 습 가능 다. 컨 , 도 8에 /NNG는 사 타내고, /EC는
어미 타내고, /JKS /JX는 사 타내는 것 수 다.
만 도 습 었 경우, 도 8에 색칠 어 지 태 들( 컨 , " ", "시", "어[0139]
") 미에 는 별 지 는다는 것 고, 고 결과에 큰 치
지 도 상(Representation) 습 다. 그리고 다 변 에 처 가능 다. , 같
여 상 미가 없는 태 들 직 링 수도 다. 다만, 미가 없다는 것 , 실질
내 우 는 것 니 식 사 (말 등) 결 다는 것 , 경우에 는
에 보가 므 쓸 없 진다는 것 니다.
도 9는 본 에 시스 처리 타낸다.[0140]
등록특허 10-1937778
- 11 -
도 4에 어 에 " 침 어 " 고 가 . 도 8과 여 [0141]
에 , 컨 " 침", " ", " ", " 어 ", " " 태 수 다. 들 각각
사, 어미, 사, 동사, 어미 수 고, 미 갖는 태 ( 사, 사, 동사 등) 미 갖지
는 태 (어미 등) 낼 수 다. 에 미 갖는 " 침", " ", " 어 " 다.
미 갖지 는 " ", " " 에 지 수도 다. 다만, " ", " " 그냥
지는 것 니고, 다 , 에 답(후술 ) 말 는 에 수도 다.
도 4 에 " 침", " ", " 어 "가 다고 가 . " 침" 시스 X1 상태가[0142]
다. 그에 어 " "가 시스 X2 상태가 다. 게는 " 침"에 어 " "가
것( , " 침" " "가 순차 것)에 상태가 X2 다. 그에 어 " 어 "가
( , 게는 " 침", " ", " 어 "가 순차 ) 시스 X3 상태가 다. " 어 " 에
는 타내는 ( 컨 , End of Sequence; EoS)가 재 여 말 마쳤 미 다고 가 .
그러 , 시스 상 처리 여, 다 단어( , 답 첫 째 단어) " "가 다[0143]
고 단 다. 는 러닝 등 습에 도 는 결과 다. 상태는 X4 다. X4는 "
침", " ", " 어 ", 타 " "(답 미 ) 지 고 상태 말 다. X4 상태에 직 답
지 고, 그 후에는 "주 어 "가 어 다고 단 다. 러닝 등 습에 도
는 결과 다. 상태가 X5 , 답 단 다. 그러 , 시스 에 "
주 어 " 다.
편 상, 답 말 (어미 등)에 는 별도 언 지 , " 침 어 "에 [0144]
링 었 " ", " " 감 여 답 말 결 는 에 참 여도 다. 컨 , - 에
는 " 침", " ", " 어 "가 , " ", "주 시"가 고, 에 별도 어미
가 여 " ", "주 시었어 (주 어 )" 여도 다.
도 10 값과 값 계 타내는 도 다.[0145]
식 값과 값 계 시 리에 다. , 매 재[0146]
다. A 는 질 에는 B 는 답변 다는 식 값과 값 매 어 는 것 다. 러
결 지(fuzzy) 식 과 도 , 과
시키는 것 니지만, 과 간에 계가 다.
, 매 , 스에 A1~A100 가 고 스에 B1~B100 가 [0147]
다 A1 B1에 , A2는 B2에 , ... A100 B100에 는 식 미리 는 것 다. 지
식 매 과는 다 다 게, A1 는 에 드시 B1 답 는 것 니다. 다만,
지 식도, A1 는 에 B1 가능 상당 고, 낮 B1 닌 다
도 것 다.
컨 , A1 " ", B1 " " 고, 사 에 매 어 다 , 사 공지능 에 트에게[0148]
" "( , A1) 고 말 걸 , 공지능 " "( , B1) 고 답 도 어 는 것 매
다.
는, 사 공지능 에 트에게 " "( , A1) 고 말 걸 , 공지능 " "( , B1) 고[0149]
답 90% 고, " , 니"( , B2) 고 답 10% 도 어 다 , 는 지
식 고 볼 수도 다.
그러 , 본 A1 는 에 어 것 지 미리 지 다. 러닝 고리[0150]
에 값(A set; A1~A100) 고, 값(B set; B1~B100) 다. , 실
보 어 질 ( )에 는 어떻게 답( ) 는지 습 다. 편 상, '질 ', '답' 고
, 가 드시 질 과 답 태는 니므 는 미 수 것 다.
, A1 는 것 드시 단어 미 는 것 니고, 미 단 ( , 등)가 수도
다.
본 에 는, A1 는 ( )에 B1 는 ( ) 미리 는 것 니 , [0151]
에 A1 는 질 에 B1 는 답 많 A1 에 B1 도 습 다. 에
, A1에 B1 는 시 매 수는 , 는 에 습 계
등록특허 10-1937778
- 12 -
루어지 얼마든지 수 다. , 특 어 가 에 민감 경우에는 특 시 에는 매 값 달
질 수 다. , 근에 에 가 치 어 과 매 습 도 ,
에 민감 가 루어질 수 다. 컨 , 미 그 능 그 에 특 어 가
어 많 쓰 는 경우 , 에는 A1 질 에 B1 는 답 많 것 특 시 에는 A1
질 에 B10 는 답 많 수 것 다. 는, 드시 어 감 것 니 도, 시간
에 는 가 커감에 실생 에 주 사 는 상 어 에 다 변 가 수도
감 수도 것 다.
, 만 고리 , 갯수 매 도 습시키 , 에 A1에 B1 는 답 [0152]
것 900개 고, A1에 B10 는 답 것 100개 , A1→B1 매 가능 것 다. 그
지 고, 고리 , 갯수 뿐만 니 , 근 지 여 ( 시 )도 삼도 매
시키 , 갯수 생각 A1→B1 매 여 지만, A1에 B10 는 답 것 체
상 900개 보다 근 갯수가 다 도 A1→B10 매 에 어, 어도
재 는 A1 는 질 에 B10 는 답 도 매 수 것 다. 러 매 는
것 니 , 습 가 가 에 얼마든지 수 것 다.
다만, 본 에 습에 매 지만, 규칙 매 (가 극단 는, 매 )[0153]
는 것 니다. 러닝에 습만 매 는 경우, 틀리 치 수 는
질 에 답 는 경우에 험 수 므 , 규칙 매 다 가미 여 어느 도
(boundary) 내에 습 도 수 것 다.
편, 본 에 여, 리트 드 워드 (pre-trained word embedding) 수도 다. [0154]
, 워드 에 다.[0155]
는 스트 처리 는 공 신경망 개 층 어 다. 말 치(corpus) [0156]
말 치 단어 는 찾는 , 값 말 치에 단어가 가지는 미 역
주는 값 어 다. 게 단어 미 맥 고 여 단어 것 워드
(word embeddings) 고 , 심층 신경망(deep neural network) 처리 단계 쓰 수 다. 러
처리는 도 1 단계 102과 여 언 처리에 당 수 다.
리 , 각 단어마다 단어에 당 는 고, 다시 심층 신경망(deep neural network)에[0157]
집어 어 가 수도 고 단어 사 등 계 수 다.
스트 여, 컨 , 단어간 사 수 다. 원 워드 ,[0158]
사 단어 수 가 운 거리에 치 도 각 단어에 당 는 값 찾는 것 다. 습 사
여 지 말 치 만 사 다.
워드 단어 미 게 다. 그리고 단어[0159]
뿐만 니 여러 단어 계 낸다. 들어 단어 계 ‘ ’:’ ’ = ‘여
’:x 같 계식 주 x=’ ’ 는 답 수 다. 단어 뿐만 니 큰 단 스트
는 에도 워드 사 다. 들어, 집 에 결과 검
색 엔진에 별 검색(과 , , 경 등) 감 , 천 시스 만들 수 다.
, 가 주어지 , 당 습 통 , "스웨 " 는 단어에 " 웨 ", "[0160]
마크", " 드", "스 스", " 에", " 드", " 슬 드", "에스 니 ", "슬 니 " 등 럽,
스칸 도 가들 사도가 것 미리 수 다.
러닝에 사 는 신경망과 연결 통 , 말 치 에 는 단어 단어 계 [0161]
단어 미 습 다. 주변 단어가 만드는 맥 타겟 단어 측 수도 고, 단어
주변에 수 는 단어 측 수도 다.
, 본 에 여, 티 루 (multi-resolution) 수도 다. [0162]
단어 상(word representation) 습 , 어 경우는 어쓰 , 경우는 태 단 [0163]
에 상 습 는 것 상 수도 지만, (character) 단 , + +( ) 단
습 수도 다. 들어, " 늘 가 참 것 같죠?" 습 , + + + +
등록특허 10-1937778
- 13 -
+ +늘+ +...+같+죠+? 고 여 습 수도 고, ㅇ+ㅏ+ㄴ+ㄴ+ㅕ+ㅇ+ㅎ+ㅏ+ㅅ+ㅔ+ㅇ+ㅛ+ㅇ+ㅗ+ㄴ+
ㅡ+ㄹ+ㅇ+ㅡ+ㄴ+...+ㄱ+ㅏ+ㅌ+ㅈ+ㅛ+? 고 여 습 수도 다. , 단어/ / 습
는 어느 것 가 상(representation) 습 지는, 습 보 에 는
들지만, 에 여러 다 청킹 식( , multi-resolution) 시도 여 그 가 고 수
다.
, 본 에 여, 카 미지 보 시각 시 수도 다. 본 는 [0164]
다수 시 고, 각 태 단 고 그 만들고 그 미
는 것 지만, 그에 가 여 는 사 얼 에 보 가 공 여 수도 다.
, 같 말 지 도 웃 담 는 경우가 고 색 고 진지 게 는 경우가 는 ,
는 만 는 든 경우가 다. , 어 (tone, intonation) 참고 수도 것 다.
그러 , 시각 보가 가 는 경우 그 욱 수 것 다. 러 시각 보는
식 술, 식 술에 얻 수 고, 당 에 감 고 여 어 갈 수
도 수 것 다.
사 얼 식에 사 는 Gabor LBP(Local binary pattern) 드 드에 수[0165]
도 러리(Library) 태 여 수도 다. 카 (Live Filter) 통
리뷰 미지 여 얼 검 고, 얼 , 얼 에 눈, 치 가능 도
다. 스에 지 는 공개 트웨어 러리 OpenCV 등 얼 식 도 개
가능 다. OpenCV에 공 는 C언어 얼 식 드 드 드 포 거 NDK 변
여 사 는 것도 가능 것 다.
본 PC 상에 , 스마트 (스마트 드, 스마트폰) 상에 , 는 별도 독립 ( 등) 상에[0166]
수 것 다.
에 는 특 들어 , 본 상 실시 에 지 , 당 통상 지식[0167]
가진 에 여 많 변 첨 특허청 에 재 본 본질 사상 내에 가능
다. 본 본 사상 어 지 는 , 그 다 변 도 본 주에 는 것 보
것 다.
201: 사[0168]
202: 사
203: 공지능 스
204: 어
205: 러닝
등록특허 10-1937778
- 14 -
도
도 1
도 2
등록특허 10-1937778
- 15 -
도 3a
도 3b
도 4
등록특허 10-1937778
- 16 -
도 5
도 6
도 7
도 8
등록특허 10-1937778
- 17 -
도 9
도 10
등록특허 10-1937778
- 18 -