[go: up one dir, main page]

KR102728476B1 - 전자 장치 및 그의 제어 방법 - Google Patents

전자 장치 및 그의 제어 방법 Download PDF

Info

Publication number
KR102728476B1
KR102728476B1 KR1020180084311A KR20180084311A KR102728476B1 KR 102728476 B1 KR102728476 B1 KR 102728476B1 KR 1020180084311 A KR1020180084311 A KR 1020180084311A KR 20180084311 A KR20180084311 A KR 20180084311A KR 102728476 B1 KR102728476 B1 KR 102728476B1
Authority
KR
South Korea
Prior art keywords
artificial intelligence
intelligence model
memory
compressed
model
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
KR1020180084311A
Other languages
English (en)
Other versions
KR20200013162A (ko
Inventor
이종률
김재덕
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 KR1020180084311A priority Critical patent/KR102728476B1/ko
Priority to EP19838211.1A priority patent/EP3756145A4/en
Priority to PCT/KR2019/008872 priority patent/WO2020017898A1/en
Priority to CN201980047725.7A priority patent/CN112424799B/zh
Priority to US16/516,387 priority patent/US11521038B2/en
Publication of KR20200013162A publication Critical patent/KR20200013162A/ko
Application granted granted Critical
Publication of KR102728476B1 publication Critical patent/KR102728476B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Memory System (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

전자 장치의 인공 지능 모델 압축 방법 및 압축된 인공 지능 모델을 로드하기 위한 방법이 개시된다. 본 개시에 따른 전자 장치의 제어 방법은, 복수의 인공 지능 모델을 제1 메모리에 저장하는 단계, 저장된 복수의 인공 지능 모델 중 제1 인공 지능 모델을 제2 메모리에 로드하기 위한 제어 신호를 수신하면, 제2 메모리의 사용 가능한 메모리 크기를 판단하는 단계, 제1 인공 지능 모델의 크기가 제2 메모리의 사용 가능한 메모리 크기보다 큰 경우, 제2 메모리의 사용 가능한 메모리 크기를 바탕으로 제1 인공 지능 모델을 압축한 제1 압축 인공 지능 모델을 제2 메모리에 로드하는 단계를 포함한다.

Description

전자 장치 및 그의 제어 방법{Electronic apparatus and control method thereof}
본 개시는 전자 장치 및 그의 제어 방법에 관한 것으로, 보다 상세하게는 복수의 인공 지능 모델을 효율적으로 사용할 수 있는 전자 장치 및 그의 제어 방법에 관한 것이다.
또한, 본 개시는 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
인공 지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(딥러닝) 및 기계 학습을 활용한 요소 기술들로 구성된다.
기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소 기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화 시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험 정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 근래에는 다양한 목적을 위한 다양한 인공 지능 모델이 하나의 장치 또는 어플리케이션에서 동작할 수 있다. 그러나 종래의 인공 지능 기술은 많은 학습 시간 및 큰 저장 공간을 필요로 하며, 따라서 스마트폰과 같은 사용자 단말 장치에서 효율적으로 인공 지능 모델을 이용하기 부적합한 측면이 존재하였다.
본 개시는 상술한 문제점을 해결하기 위한 것으로, 한정된 메모리 공간상에서 복수의 인공 지능 모델을 효율적으로 사용하기 위한 방법에 관한 것이다.
상술한 목적을 달성하기 위한 전자 장치의 제어 방법은, 복수의 인공 지능 모델을 제1 메모리에 저장하는 단계, 상기 저장된 복수의 인공 지능 모델 중 제1 인공 지능 모델을 제2 메모리에 로드하기 위한 제어 신호를 수신하면, 상기 제2 메모리의 사용 가능한 메모리 크기를 판단하는 단계, 상기 제1 인공 지능 모델의 크기가 상기 제2 메모리의 사용 가능한 메모리 크기보다 큰 경우, 상기 제2 메모리의 사용 가능한 메모리 크기를 바탕으로 상기 제1 인공 지능 모델을 압축한 제1 압축 인공 지능 모델을 상기 제2 메모리에 로드하는 단계를 포함한다.
이때, 상기 로드하는 단계는, 상기 제1 압축 인공 지능 모델의 성능이 기 설정된 조건을 만족하는지 판단하는 단계, 상기 제1 압축 인공 지능 모델의 성능이 상기 기 설정된 조건을 만족하면, 상기 제1 압축 인공 지능 모델을 상기 제2 메모리에 로드하고, 상기 제1 압축 인공 지능 모델이 상기 기 설정된 조건을 만족하지 못하면, 상기 제1 인공 지능 모델을 다른 방법으로 압축한 제2 압축 인공 지능 모델을 상기 제2 메모리에 로드하는 단계를 포함한다.
이때, 상기 제1 압축 인공 지능 모델의 성능은, 상기 제1 압축 인공 지능 모델의 프로세서 점유율, 상기 제1 압축 인공 지능 모델의 크기 및 상기 제1 압축 인공 지능 모델의 정확도 중 적어도 하나일 수 있다.
이때, 상기 제어 방법은, 상기 제1 인공 지능 모델을 복수의 방법으로 압축한 복수의 압축 인공지능 모델이 상기 기 설정된 조건을 만족하지 못하는 경우, 상기 기 설정된 조건을 만족하지 못함을 알리는 메시지를 표시하는 단계를 더 포함할 수 있다.
이때, 상기 제어 방법은, 상기 제2 메모리의 사용 가능한 메모리 크기가 변경된 경우, 상기 변경된 메모리 크기를 바탕으로 상기 제1 인공 지능 모델을 압축한 제3 압축 인공지능 모델을 로드하는 단계를 더 포함할 수 있다.
이때, 상기 제어 방법은, 상기 제2 메모리에 제2 인공지능 모델이 로드하기 위한 제어 신호가 수신되면, 상기 제2 메모리의 사용 가능한 메모리 크기를 바탕으로, 상기 제1 인공 지능 모델 및 상기 제2 인공지능 모델을 압축한 상기 제1 인공 지능 모델에 대한 압축 인공 지능 모델 및 상기 제2 인공 지능 모델에 대한 압축 인공 지능 모델을 로드하는 단계를 더 포함할 수 있다.
이때, 상기 제어 방법은, 상기 제2 메모리에 복수의 인공 지능 모델이 로드되어 있는 경우, 상기 제2 메모리에 로드된 복수의 인공 지능 모델의 사용 횟수를 판단하는 단계를 포함하고, 상기 로드하는 단계는, 상기 판단된 사용 횟수를 바탕으로, 상기 복수의 인공 지능 모델 중 적어도 하나에 대한 압축 인공 지능 모델을 로드하는 단계를 더 포함할 수 있다.
이때, 상기 제어 방법은, 상기 복수의 인공 지능 모델 중 적어도 하나의 성능을 입력 받기 위한 UI를 표시하는 단계를 포함하고, 상기 제1 압축 인공 지능 모델은 상기 UI를 통해 입력된 성능을 바탕으로 압축된 인공 지능 모델일 수 있다.
이때, 상기 저장하는 단계는, 상기 제1 인공 지능 모델에 대한 복수의 압축된 압축 인공 지능 모델을 상기 제1 메모리에 저장하는 단계를 더 포함할 수 있다.
이때, 상기 제1 인공 지능 모델은 Pruning, Quantization, Decomposition 및 Knowledge Distillation 중 적어도 하나를 이용하여 압축될 수 있다.
한편, 상술한 목적을 달성하기 위한 본 개시의 또 다른 실시예에 따른 전자장치는, 복수의 인공 지능 모델을 저장하는 제1 메모리, 상기 제1 메모리에 저장된 상기 복수의 인공 지능 모델 중 적어도 하나의 인공 지능 모델을 로드하기 위한 제2 메모리 및 상기 저장된 복수의 인공 지능 모델 중 제1 인공 지능 모델을 제2 메모리에 로드하기 위한 제어 신호를 수신하면, 상기 제2 메모리의 사용 가능한 메모리 크기를 판단하고, 상기 제1 인공 지능 모델의 크기가 상기 제2 메모리의 사용 가능한 메모리 크기보다 큰 경우, 상기 제2 메모리의 사용 가능한 메모리 크기를 바탕으로 상기 제1 인공 지능 모델을 압축한 제1 압축 인공 지능 모델을 상기 제2 메모리에 로드하도록 제어하는 프로세서를 포함한다.
이때, 상기 프로세서는, 상기 제1 압축 인공 지능 모델의 성능이 기 설정된 조건을 만족하는지 판단하고, 상기 제1 압축 인공 지능 모델의 성능이 상기 기 설정된 조건을 만족하면, 상기 제1 압축 인공 지능 모델을 상기 제2 메모리에 로드하고, 상기 제1 압축 인공 지능 모델이 상기 기 설정된 조건을 만족하지 못하면, 상기 제1 인공 지능 모델을 다른 방법으로 압축한 제2 압축 인공 지능 모델을 상기 제2 메모리에 로드하도록 제어할 수 있다.
이때, 상기 제1 압축 인공 지능 모델의 성능은, 상기 제1 압축 인공 지능 모델의 프로세서 점유율, 상기 제1 압축 인공 지능 모델의 크기 및 상기 제1 압축 인공 지능 모델의 정확도 중 적어도 하나일 수 있다.
이때, 상기 전자 장치는 디스플레이를 더 포함하고, 상기 프로세서는, 상기 제1 인공 지능 모델을 복수의 방법으로 압축한 복수의 압축 인공지능 모델이 상기 기 설정된 조건을 만족하지 못하는 경우, 상기 기 설정된 조건을 만족하지 못함을 알리는 메시지를 표시하도록 상기 디스플레이를 제어할 수 있다.
이때, 상기 프로세서는, 상기 제2 메모리의 사용 가능한 메모리 크기가 변경된 경우, 상기 변경된 메모리 크기를 바탕으로 상기 제1 인공 지능 모델을 압축한 제3 압축 인공지능 모델을 로드하도록 제어할 수 있다.
이때, 상기 프로세서는, 상기 제2 메모리에 제2 인공지능 모델이 로드하기 위한 제어 신호가 수신되면, 상기 제2 메모리의 사용 가능한 메모리 크기를 바탕으로, 상기 제1 인공 지능 모델 및 상기 제2 인공지능 모델을 압축한 상기 제1 인공 지능 모델에 대한 압축 인공 지능 모델 및 상기 제2 인공 지능 모델에 대한 압축 인공 지능 모델을 로드하도록 제어할 수 있다.
이때, 상기 프로세서는, 상기 제2 메모리에 복수의 인공 지능 모델이 로드되어 있는 경우, 상기 제2 메모리에 로드된 복수의 인공 지능 모델의 사용 횟수를 판단하고, 상기 판단된 사용 횟수를 바탕으로, 상기 복수의 인공 지능 모델 중 적어도 하나에 대한 압축 인공 지능 모델을 로드할 수 있다.
이때, 상기 전자 장치는 디스플레이를 포함하고, 상기 프로세서는, 상기 복수의 인공 지능 모델 중 적어도 하나의 성능을 입력 받기 위한 UI를 표시하도록 상기 디스플레이를 제어하고, 상기 제1 압축 인공 지능 모델은 상기 UI를 통해 입력된 성능을 바탕으로 압축된 인공 지능 모델일 수 있다.
이때, 상기 프로세서는, 상기 제1 인공 지능 모델에 대한 복수의 압축된 압축 인공 지능 모델을 상기 제1 메모리에 저장하도록 상기 제1 메모리를 제어할 수 있다.
이때, 상기 제1 인공 지능 모델은 Pruning, Quantization, Decomposition 및 Knowledge Distillation 중 적어도 하나를 이용하여 압축될 수 있다.
상기와 같이 본 개시의 다양한 실시예에 따라, 전자 장치는 복수의 인공 지능 모델의 성능을 고려하여 인공 지능 모델을 압축할 수 있다.
도 1은 본 개시에 따른 전자 장치가 복수개의 인공 지능 모델을 관리하는 방법을 설명하기 위한 예시도이다.
도 2는 본 개시의 일 실시예에 따른 전자 장치의 구성을 간략히 도시한 블록도이다.
도 3은 본 개시의 일 실시예에 따른 전자 장치의 구성을 상세히 도시한 블록도이다.
도 4a 내지 도 4d는 본 개시의 일 실시예에 따른 인공 지능 모델을 로드하는 방법을 설명하기 위한 예시도이다.
도 5a 내지 도 5d는 본 개시의 일 실시예에 따른 복수의 인공 지능 모델의 성능에 대한 조건을 설정하는 방법을 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따른 인공 지능 모델 압축 과정을 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예에 따른 또 다른 압축 방법을 설명하기 위한 흐름도이다.
도 8은 본 개시의 다양한 실시예에 따른 인공 지능 모델을 사용하는 방법을 설명하기 위한 예시도이다.
도 9a 내지 도 9c는 본 개시의 또 다른 실시예에 따른 인공 지능 모델을 사용하는 방법을 설명하기 위한 예시도이다.
도 10은 본 개시의 일 실시예에 다른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 11은 본 개시의 또 다른 실시예에 따른 전자 장치 및 외부 서버의 동작을 설명하기 위한 예시도이다.
도 12는 본 개시의 일 실시예에 따른, 전자 장치가 외부 서버로부터 압축된 인공 지능 모델을 다운받는 동작을 설명하기 위한 흐름도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 발명된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 개시에 따른 전자 장치가 복수개의 인공 지능 모델을 관리하는 방법을 설명하기 위한 예시도이다.
예를 들어, 도 1에 도시된 바와 같이, 전자 장치(100)가 얼굴 인식 모델, 음성 인식 모델 및 영상 인식 모델을 사용하고 있는 경우를 가정할 수 있다. 이때, 전자 장치(100)의 메모리 공간, GPU/CPU 점유율과 같은 리소스는 한정적이고, 인공 지능 모델의 크기는 크기 때문에, 복수의 인공 지능 모델을 그대로 사용하는 것이 어려울 수 있다. 따라서, 전자 장치(100)는 인공 지능 모델의 크기를 줄이기 위해 인공 지능 모델을 압축할 수 있다. 그러나 인공 지능 모델이 압축되는 경우, 인공 지능 모델의 성능이 저하될 수 있다. 즉, 인공 지능 모델의 압축 정도와 인공 지능 모델의 성능은 트레이드 오프 관계인 경우가 일반적이다. 따라서, 전자 장치(100)는 각각의 인공 지능 모델 중, 특정 인공 지능 모델은 성능을 기준으로 압축하며, 또 다른 인공 지능 모델은 크기를 기준으로 압축할 수 있다. 예를 들어, 전자 장치(100)는 자주 사용되는 인공 지능 모델은 성능 중요하게 판단하여 압축을 하지 않거나 많은 압축을 수행하지 않을 수 있으며, 자주 사용되지 않는 인공 지능 모델은 성능이 저하되더라도 많은 압축을 수행하여 크기를 줄일 수 있다. 따라서, 전자 장치(100)는 메모리 상황 및 인공 지능 모델의 사용성에 따라 인공 지능 모델을 어떻게 압축할지 여부를 결정하여야 한다.
도 2는 본 개시의 일 실시예에 따른 전자 장치의 구성을 간략히 도시한 블록도이다.
도 2에 도시된 바와 같이, 전자 장치(100)는 제1 메모리(110), 제2 메모리(120) 및 프로세서(130)를 포함한다.
제1 메모리(110) 또는 제2 메모리(120)는 예를 들면, 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 일 실시예에 따르면, 제1 메모리(110) 또는 제2 메모리(120)는 소프트웨어 및/또는 프로그램을 저장할 수 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다. 커널, 미들웨어 또는 API의 적어도 일부는, 운영 시스템으로 지칭될 수 있다. 커널은, 예를 들면, 다른 프로그램들에 구현된 동작 또는 기능을 실행하는 데 사용되는 시스템 리소스들을 제어 또는 관리할 수 있으며, 미들웨어는, 예를 들면, API또는 어플리케이션 프로그램이 커널과 통신하여 데이터를 주고받을 수 있도록 중개 역할을 수행할 수 있다.
제1 메모리(110)는 복수의 인공 지능 모델을 저장하기 위한 구성이다. 저장된 복수의 인공 지능 모델 중 전자 장치(100)가 사용하고자 하는 인공 지능 모델이 있는 경우, 제1 메모리(110)는 제1 메모리에 저장된 인공 지능 모델을 제2 메모리(120)로 전송할 수 있다. 이러한 제1 메모리(110)는 보조 기억 장치 또는 2차 기억 장치로 구성될 수 있다. 즉, 제1 메모리(110)는 하드 디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), USB(Universal Serial Bus), 광학 디스크 등의 비휘발성 메모리로 구성될 수 있다. 제2 메모리(120)는 제1 메모리(110)으로부터 인공 지능 모델을 수신하여 로드하기 위한 구성이다. 이러한 제2 메모리(120)는 주기억 장치 또는 1차 기억 장치로 구성될 수 있다. 즉, 제1 메모리(110)는 RAM 또는 ROM으로 구성될 수 있다.
일반적으로 제2 메모리(120)는 제1 메모리(110)보다 메모리 크기가 작으며, 인공 지능 모델의 메모리 크기는 크기 때문에, 제2 메모리(120)가 제1 메모리(110)에 저장된 인공 지능 모델을 모두 저장하는 것이 불가능할 수 있다. 따라서, 후술하는 바와 같이, 프로세서(130)는 인공 지능 모델을 압축하여 제2 메모리(120)에 로드할 수 있다.
프로세서(130)는, 예를 들면, 운영 체제 또는 응용 프로그램을 구동하여 프로세서(130)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(130)는, 예를 들면, SoC(system on chip) 로 구현될 수 있다. 일 실시예에 따르면, 프로세서(130)는 GPU(graphic processing unit) 및/또는 이미지 신호 프로세서를 더 포함할 수 있다. 프로세서(130)는 제1 메모리(110)로부터 수신된 명령 또는 데이터를 제2 메모리(120)에 로드하여 처리하고, 결과 데이터를 제1 메모리(110)에 저장할 수 있다.
한편, 프로세서(130)는 인공 지능(AI; artificial intelligence)을 위한 전용 프로세서를 포함하거나, 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작될 수 있다. 이 때, 인공 지능을 위한 전용 프로세서는 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다.
구체적으로, 프로세서(130)는 복수의 인공 지능 모델을 제1 메모리(110)에 저장하도록 제어할 수 있다. 제1 메모리(110)에 복수의 인공 지능 모델이 저장된 상태에서, 복수의 인공 지능 모델 중 제1 인공 지능 모델을 로드하기 위한 제어 신호가 수신되면, 프로세서(130)는 제2 메모리(120)의 사용 가능한 메모리 크기를 판단할 수 있다. 이때, 제1 인공 지능 모델을 로드하기 위한 제어 신호는 제1 인공 지능 모델을 이용하기 위한 사용자 명령, 제1 인공 지능 모델을 이용하기 위한 기 설정된 상황이 발생한 경우 등 다양한 경우에 생성될 수 있다. 예를 들어, 1 인공 지능 모델을 로드하기 위한 제어 신호는 제1 인공 지능 모델을 이용하는 어플리케이션을 실행하는 사용자 명령이 입력된 경우 생성될 수 있다. 또는, 1 인공 지능 모델을 로드하기 위한 제어 신호는 특정 상황(음성 입력, 메시지 수신, 다른 사용자로부터 전화 수신, 영상 입력, 특정 시간 등)에 제1 인공 지능 모델이 이용될 필요가 있는 경우 생성될 수 있다.
프로세서(130)는 제1 인공 지능 모델의 크기가 제2 메모리(120)의 사용 가능한 메모리 크기보다 큰 경우, 제2 메모리(120)의 사용 가능한 메모리 크기를 바탕으로 제1 인공 지능 모델을 압축한 제1 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다. 이때, 제1 압축 인공 지능 모델은 프로세서(130)에 의해 압축 될 수 있으나 이에 한정되는 것은 아니다. 예를 들어, 제1 압축 인공 지능 모델은 제1 메모리(110)에 기 저장된 압축 인공 지능 모델 중 하나일 수 있다.
한편, 프로세서(130)는 제1 압축 인공 지능 모델의 성능이 기 설정된 조건을 만족하는지 판단할 수 있다. 이때, 제1 압축 인공 지능 모델의 성능이란, 제1 압축 인공 지능 모델의 프로세서 점유율(CPU/GPU 점유율), 제1 압축 인공 지능 모델의 크기 및 제1 압축 인공 지능 모델의 정확도 중 적어도 하나일 수 있다. 또한, 기 설정된 조건은 제1 압축 인공 지능 모델의 성능을 바탕으로 생성된 조건일 수 있다. 한편, 인공 지능 모델의 성능은 상술한 실시예에 한정되는 것은 아니며 인공 지능 모델의 종류에 따라 다양한 지표의 성능이 존재할 수 있다. 예를 들어, 인공 지능 모델이 문장 번역을 위한 인공 지능 모델인 경우, 인공 지능 모델의 성능은 상술한 성능 이외에 BLEU(Bilingual Evaluation Understudy) Score를 통해 계산된 성능일 수 있음은 물론이다.
한편, 제1 압축 인공 지능 모델에 대한 기 설정된 조건은 프로세서(130) 점유율은 20%이하인 조건, 제1 압축 인공 지능 모델의 크기는 128 Mega Byte(이하 MB) 이하인 조건, 정확도는 80% 이상인 조건 중 적어도 하나에 대한 조건일 수 있다.
한편, 인공 지능 모델에 대한 프로세서(130) 점유율이란, 프로세서(130)의 전체 계산량 대비 해당 인공 지능 모델을 계산하기 위한 계산량의 비율을 의미할 수 있다. 즉, 프로세서(130) 점유율은 인공 지능 모델에 대한 상대적인 비율을 의미한다. 본 개시에서는, 상술한 상대적인 점유율을 기초로 설명하나, 이에 한정되는 것은 아니다. 즉, 전자 장치(100)는 프로세서(130) 점유율 대신 인공 지능 모델을 계산하는데 필요한 절대적인 계산량을 바탕으로 기 설정된 조건을 판단할 수 있음은 물론이다.
제1 압축 인공 지능 모델의 성능이 기 설정된 조건을 만족하면, 프로세서(130)는 제1 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다. 제1 압축 인공 지능 모델의 성능이 기 설정된 조건을 만족하지 않으면, 프로세서(130)는 제1 인공 지능 모델을 다른 방법으로 압축한 제2 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다. 구체적으로, 프로세서(130)는 제1 압축 인공 지능 모델과 다른 방법으로 압축된, 기 설정된 조건을 만족하는 제2 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다.
이때, 제2 압축 인공 지능 모델이 기 설정된 조건을 만족하지 못하는 경우, 프로세서(130)는 또 다른 방법으로 제1 인공 지능 모델이 압축된 압축 인공 지능 모델이 기 설정된 조건을 만족하는지 판단할 수 있다. 기 설정된 조건을 만족하는 압축 인공 지능 모델이 존재하면, 프로세서(130)는 기 설정된 조건을 만족하는 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다.
다만, 1 인공 지능 모델을 복수의 방법으로 압축한 복수의 압축 인공지능 모델이 기 설정된 조건을 만족하지 못하는 경우, 프로세서(130)는 기 설정된 조건을 만족하지 못함을 알리는 메시지를 출력할 수 있다. 예를 들어, 기 설정된 횟수(예를 들어 10번)만큼 제1 인공 지능 모델을 압축하였으나, 기 설정된 조건을 만족하는 압축 인공 지능 모델이 존재하지 않는 경우, 프로세서(130)는 기 설정된 조건을 만족하는 압축 인공 지능 모델이 존재하지 않음을 알리는 메시지를 출력할 수 있다. 이 경우, 프로세서(130)는 제1 인공 지능 모델에 대한 압축 인공 지능 모델을 제2 메모리(120)에 로드하지 않을 수 있다. 또는, 프로세서(130)는 제1 인공 지능 모델에 대해 생성된 복수의 압축 인공 지능 모델 중 기 설정된 조건과 가장 유사한 압축 인공 지능 모델을 제2 메모리(120)에 로드하고, 기 설정된 조건을 만족하는 압축 인공 지능 모델이 존재하지 않음을 알리는 메시지를 출력할 수 있다.
한편, 제2 메모리(120)의 사용 가능한 메모리 크기가 변경된 경우, 프로세서(130)는 변경된 메모리 크기를 바탕으로 제1 인공 지능 모델을 압축한 제3 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다. 예를 들어, 제2 메모리(120)의 사용 가능한 메모리 크기가 증가한 경우, 프로세서(130)는 제1 인공 지능 모델의 정확도를 증가 시키기 위하여 증가된 메모리 크기를 바탕으로 생성된 제3 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다. 이때, 제3 압축 인공 지능 모델은 제1 압축 인공 지능 모델 또는 제2 압축 인공 지능 모델보다 성능이 우수할 것이다.
한편, 제2 메모리(120)에 제2 인공 지능 모델을 로드하기 위한 제어 신호가 수신되면, 프로세서(130)는 제2 메모리(120)의 사용 가능한 메모리 크기를 바탕으로 제1 인공 지능 모델 및 제2 인공지능 모델을 압축한 제1 인공 지능 모델에 대한 압축 인공 지능 모델 및 제2 인공 지능 모델에 대한 압축 인공 지능 모델을 로드할 수 있다.
일 실시예로, 제1 압축 인공 지능 모델(또는 제2 압축 인공 지능 모델)이 제2메모리(120)에 로드된 상태에서 제2 인공 지능 모델을 로드하기 위한 제어 신호가 수신되면, 프로세서(130)는 제2 메모리(120)의 사용 가능한 메모리 크기를 바탕으로 제2 인공 지능 모델의 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다.
또 다른 실시예로, 제1 압축 인공 지능 모델(또는 제2 압축 인공 지능 모델)이 제2 메모리(120)에 로드된 상태에서 제2 메모리(120)의 사용 가능한 메모리 크기가 제2 인공 지능 모델을 압축하여 로드하기에 부족한 경우가 존재할 수 있다. 이 경우, 프로세서(130)는 제2 인공 지능 모델을 로드하기 위하여 제1 인공 지능 모델 및 제2 인공지능 모델을 압축한 제1 인공 지능 모델에 대한 압축 인공 지능 모델 및 제2 인공 지능 모델에 대한 압축 인공 지능 모델을 로드할 수 있다. 즉, 프로세서(130)는, 제2 메모리(120)에 기 로드되어 있던 압축된 제1 인공 지능 모델 (제1 압축 인공 지능 모델 또는 제2 압축 인공 지능 모델)이 아닌 다른 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다.
한편, 프로세서(130)는 제2 메모리(120)에 복수의 인공 지능 모델이 로드되어 있는 경우, 제2 메모리(120)에 로드된 복수의 인공 지능 모델의 사용 횟수를 판단하고, 판단된 사용 횟수를 바탕으로 복수의 인공 지능 모델 중 적어도 하나에 대한 압축 인공 지능 모델을 로드할 수 있다. 즉, 프로세서(130)는 제2 메모리(120)에 로드된 복수의 인공 지능 모델 중, 사용 횟수가 기 설정된 횟수 이하인 인공 지능 모델의 압축률을 크게 하고, 사용 횟수가 기 설정된 횟수 이상인 인공 지능 모델의 압축률은 작게 할 수 있다.
한편, 제2 메모리(120)에 제1 압축 인공 지능 모델이 로드된 경우, 프로세서(130)는 로드된 제1 압축 인공 지능 모델을 제1 메모리(110)에 저장할 수 있다. 즉, 프로세서(130)는 로드된 압축 인공 지능 모델을 제1 메모리에 저장함으로써, 나중에 압축 인공 지능 모델을 생성하거나 외부에서 수신하는 대신 제1 메모리(110)로부터 수신하여 사용할 수 있다.
한편, 후술하는 바와 같이 전자 장치(100)가 디스플레이(150)를 포함하는 경우, 프로세서(130)는 제1 메모리(110)에 저장된 복수의 인공 지능 모델 중 적어도 하나의 인공 지능 모델의 성능을 입력 받기 위한 UI를 표시하도록 디스플레이(150)를 제어할 수 있다. 이때, 제1 압축 인공 지능 모델은 제1 인공 지능 모델의 성능을 입력 받기 위한 UI를 통해 입력된 조건을 바탕으로 압축된 인공 지능 모델일 수 있다.
한편, 제1 인공 지능 모델은 Pruning, Quantization, Decomposition 및 Knowledge Distillation 중 적어도 하나를 이용하여 압축될 수 있다. Pruning은 인공 지능 모델의 가중치 파라미터 중 의미 없는 가중치 파라미터 또는 출력값에 큰 영향을 주지 않는 가중치 파라미터를 삭제하는 압축 기법 중 하나이다. Quantization은 각각의 가중치 파라미터를 기 설정된 비트로 양자화 하는 압축 기법 중 하나이다. Decomposition은 가중치 파라미터의 집합인 가중치 행렬 또는 텐서(tensor)를 선형 분해(approximated decomposition)하여 가중치 파라미터의 크기를 줄이는 압축 기법 중 하나이다. Knowledge Distillation은 원본 모델을 Teacher 모델로 하여 원본 모델보다 작은 Student 모델을 생성하고 학습시키는 압축 기법 중 하나이다. 이때, Student 모델은 상술한 Pruning, Decomposition 또는 Quantization을 통해 생성될 수 있다.
도 3은 본 개시의 일 실시예에 따른 전자 장치의 구성을 상세히 도시한 블록도이다.
도 3에 도시된 바와 같이, 전자 장치(100)는 제1 메모리(110), 제2 메모리(120), 프로세서(130) 외에도 통신부(140), 디스플레이(150), 입력부(160), 오디오 처리부(160) 및 오디오 출력부(170)를 더 포함할 수 있다. 그러나 상술한 구성에 한정되는 것은 아니고 필요에 따라 일부 구성이 추가되거나 생략될 수 있음은 물론이다.
제1 메모리(110) 및 제2 메모리(120)는 상술한 바와 같이 인공 지능 모델을 저장 또는 로드하기 위한 구성이다. 제1 메모리(110)는 보조 기억 장치 또는 2차 기억 장치로 구성될 수 있고, 제2 메모리(120)는 주기억 장치 또는 1차 기억 장치로 구성될 수 있다. 특히 제2 메모리(120)는 후술하는 프로세서(130) 내부의 RAM(131) 또는 ROM(132)로 구성될 수도 있다.
통신부(140)는 외부 장치와 통신을 수행하기 위한 구성이다. 일 실시예로, 전자 장치(100)는 통신부(140)를 통해 외부 서버로부터 복수의 인공 지능 모델을 수신하여 제1 메모리(110)에 저장할 수 있다. 나아가, 전자 장치(100)는 통신부(140)를 통해 복수의 인공 지능 모델 각각에 대한 복수의 압축 인공 지능 모델을 수신할 수도 있음은 물론이다.
한편, 통신부(140)가 외부 장치와 통신 연결되는 것은 제3 기기(예로, 중계기, 허브, 엑세스 포인트, 서버 또는 게이트웨이 등)를 거쳐서 통신하는 것을 포함할 수 있다. 무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 일 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 무선 통신 또는 유선 통신이 수행되는 네트워크는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.
디스플레이(150)는 다양한 영상을 출력하기 위한 구성이다. 구체적으로, 제1 인공 지능 모델을 복수의 방법으로 압축한 복수의 압축 인공 지능 모델이 기 설정된 조건을 만족하지 못하는 경우, 디스플레이(150)는 기 설정된 조건을 만족하지 못함을 알리는 메시지를 표시할 수 있다.
또한, 디스플레이(150)는 제1 메모리(110)에 저장된 복수의 인공 지능 모델 중 적어도 하나의 인공 지능 모델의 성능을 입력 받기 위한 UI를 표시할 수 있다.
다양한 영상을 제공하기 위한 디스플레이(150)는 다양한 형태의 디스플레이 패널로 구현될 수 있다. 예를 들어, 디스플레이 패널은 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes), AM-OLED(Active-Matrix Organic Light-Emitting Diode), LcoS(Liquid Crystal on Silicon) 또는 DLP(Digital Light Processing) 등과 같은 다양한 디스플레이 기술로 구현될 수 있다. 또한, 디스플레이(150)는 플렉서블 디스플레이(flexible display)의 형태로 전자 장치(100)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다.
입력부(160)는 사용자 명령을 입력받기 위한 구성이다. 이때, 입력부(160)는 카메라(161), 마이크(162) 및 터치 패널(163)을 포함할 수 있다.
카메라(161)는 전자 장치(100) 주변의 영상 데이터를 획득하기 위한 구성이다. 카메라(161)는 정지 영상 및 동영상을 촬영할 수 있다. 예로, 카메라(161)는 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다. 마이크(162)는 전자 장치(100) 주변의 소리를 획득하기 위한 구성이다. 마이크(162)는 외부의 음향 신호를 입력 받아 전기적인 음성 정보를 생성할 수 있다. 마이크(162)는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다. 카메라(161) 또는 마이크(162)를 통해 입력된 이미지 정보 또는 음성 정보는 인공 지능 모델의 입력값으로 입력될 수 있다.
터치 패널(163)은 다양한 사용자 입력을 입력 받을 수 있는 구성이다. 터치 패널(163)는 사용자 조작에 의한 데이터를 입력 받을 수 있다. 터치 패널(163)은 후술하는 디스플레이와 결합하여 구성될 수도 있다.
입력부(160)는 상술한 카메라(161), 마이크(162), 터치 패널(163) 외에도 다양한 데이터를 입력 받기 위한 다양한 구성일 수 있음은 물론이다.
오디오 처리부(170)는 오디오 데이터에 대한 처리를 수행하는 구성 요소다. 오디오 처리부(170)에서는 오디오 데이터에 대한 디코딩이나 증폭, 노이즈 필터링 등과 같은 다양한 처리가 수행될 수 있다. 오디오 처리부(150)에서 처리된 오디오 데이터는 오디오 출력부(180)로 출력될 수 있다.
오디오 출력부(180)는 오디오 처리부(170)에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특히, 오디오 출력부(180)는 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.
프로세서(130)는 상술한 바와 같이, 전자 장치(100)의 전반적인 동작을 제어한다. 프로세서(130)는 RAM(131), ROM(132), 메인 CPU(133), 그래픽 처리부(134), 제1 내지 n 인터페이스(135-1 내지 135-n), 버스(136)를 포함할 수 있다. 이때, RAM(131), ROM(132), 메인 CPU(133), 그래픽 처리부(134) 및 제1 내지 n 인터페이스(135-1 내지 135-n) 등은 버스(136)를 통해 서로 연결될 수 있다.
ROM(132)에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU(133)는 ROM(132)에 저장된 명령어에 따라 메모리에 저장된 O/S를 RAM(131)에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU(133)는 메모리에 저장된 각종 어플리케이션 프로그램을 RAM(131)에 복사하고, RAM(131)에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.
구체적으로, 메인 CPU(133)는 제1 메모리(110) 또는 제2 메모리(120)에 액세스하여, 제1 메모리(110) 또는 제2 메모리(120)에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고 메인 CPU(133)는 제1 메모리(110) 또는 제2 메모리(120)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
제1 내지 n 인터페이스(135-1 내지 135-n) 는 상술한 각종 구성 요소들과 연결된다. 인터페이스들 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.
이하에서는 도 4a 내지 도 10을 이용하여 본 개시에 따른 다양한 실시예들에 대하여 설명한다.
도 4a 내지 도 4d는 본 개시의 일 실시예에 따른 인공 지능 모델을 로드하는 방법을 설명하기 위한 예시도이다.
도 4a에 도시된 바와 같이, 제2 메모리(120)의 사용 가능한 메모리 크기는 30MB인 경우를 가정할 수 있다. 이때, 영상 인식 모델(410)을 로드하기 위한 제어 신호가 수신되면, 전자 장치(100)는 제2 메모리(120)의 사용 가능한 메모리 크기를 판단할 수 있다. 영상 인식 모델(410)의 크기는 50MB이고, 제2 메모리(120)의 사용 가능한 메모리 크기는 30MB이므로, 전자 장치(100)는 영상 인식 모델(410)을 압축하여 제2 메모리(120)에 로드할 수 있다. 즉, 도 4a의 우측에 도시된 바와 같이, 압축된 영상 인식 모델(420)의 크기는 30MB일 수 있다. 이러한 경우, 압축된 영상 인식 모델(420)은 정확도가 다소 낮아지지만, 제2 메모리(120)의 사용 가능한 메모리 크기에 따라, 영상 인식 모델을 로드할 수 있다.
전자 장치(100)는 도 4b에 도시된 바와 같이, 메모리 크기가 부족하여 영상 인식 성능이 하락하였음을 알리는 메시지를 출력할 수 있다.
한편, 전자 장치(100)는 제2 메모리(120)의 사용 가능한 메모리 크기가 변경된 경우, 영상 인식 모델을 재압축할 수 있다. 구체적으로 도 4c에 도시된 바와 같이, 제2 메모리(120)에 얼굴 인식 모델, 음성 인식 모델 및 압축된 영상 인식 모델(420)이 로드되어 있다가 얼굴 인식 모델이 삭제되면, 제2 메모리(120)의 사용 가능한 메모리는 100MB로 증가한다. 따라서, 전자 장치(100)는 성능이 하락한 압축된 영상 인식 모델(420) 대신 새롭게 압축된 영상 인식 모델(430)을 제2 메모리(120)에 로드할 수 있다. 도 4c에서 압축 영상 인식 모델(430)은 도 4a의 영상 인식 모델(410)과 성능이 동일하게 도시되어 있으나, 이에 한정되는 것은 아니다. 즉, 예를 들어, 전자 장치(100)는 필요에 따라, 프로세서(130) 점유율 7%, 모델 크기 100MB, 정확도 85%의 성능을 가지는 영상 인식 모델을 제2 메모리(120)에 로드할 수 있음은 물론이다. 이때, 필요에 따른 압축은 후술하는 바와 같이 인공 지능 모델의 성능에 대한 기 설정된 조건과 관련 있을 수 있다.
한편, 도 4c와 같은 경우, 전자 장치(100)는 도 4d에 도시된 바와 같이, 영상 인식 성능이 다시 향상 되었음은 알리는 메시지를 출력할 수 있다.
도 5a 내지 도 5d는 본 개시의 일 실시예에 따른 복수의 인공 지능 모델의 성능에 대한 조건을 설정하는 방법을 설명하기 위한 예시도이다.
도 5a의 좌측에 도시된 바와 같이, 전자 장치(100)는 제1 메모리(110)에 저장된 복수의 인공 지능 모델의 성능 및 성능 조건을 변경하기 위한 UI 화면을 표시할 수 있다. 구체적으로, 얼굴 인식 모델은 프로세서(130) 점유율 32.3%, 모델 크기 100MB, 정확도 87%의 성능을 가지고, 얼굴 인식 모델은 프로세서(130) 점유율 10.3%, 모델 크기 80MB, 정확도 83%의 성능을 가지고, 얼굴 인식 모델은 프로세서(130) 점유율 5.3%, 모델 크기 50MB, 정확도 72%의 성능을 가질 수 있다.
이때, 얼굴 인식 모델의 성능 조건을 변경하기 위한 변경 엘리먼트(510)을 통한 사용자 명령이 입력되면, 전자 장치(100)는 도 5a의 우측에 도시된 바와 같이 얼굴 인식 모델의 성능 조건을 변경하기 위한 UI 화면을 표시할 수 있다. 이때, 성능 조건을 변경하기 위한 UI 화면은 성능 조절을 위한 UI 바, 최근 얼굴 인식에 대한 정확도, 얼굴 인식 모델의 크기 및 계산량에 대한 정보를 포함할 수 있다. 구체적으로 UI 바를 오른쪽으로 이동시키면 얼굴 인식 모델의 성능이 향상되고, UI바를 왼쪽으로 이동시키면 얼굴 인식 모델의 성능이 하락할 수 있다. 이때, UI바의 위치에 대응되는 인공 지능 모델의 성능은 기 설정된 성능 조건일 수 있다. 즉, 각각의 UI바의 위치에 따라 인공 지능 모델의 프로세서(130) 점유율, 인공 지능 모델의 크기 및 정확도가 기 저장되어 있을 수 있다. 따라서, 사용자는 UI바를 조절하는 것만으로 간편하게 인공 지능 모델의 성능을 조절할 수 있다.
한편, 도 5b에 도시된 바와 같이, 성능 조건을 변경하기 위한 UI 화면은 최근 얼굴 인식에 대한 결과를 더 표시할 수 있다. 즉, 도 5b에 도시된 바와 같이, 전자 장치(100)는 특정 이미지에 대한 얼굴 인식 결과를 표시하여, 사용자가 얼굴 인식 모델의 성능을 조절하는데 참고하도록 가이드 할 수 있다.
한편, 전자 장치(100)는 얼굴 인식 모델의 성능을 조절하는 UI바 대신 현재 제2 메모리(120) 상황에 따른 압축 인공 지능 모델을 추천하는 화면을 표시할 수 있다. 구체적으로, 도 5c의 좌측에 도시된 바와 같이, 전자 장치(100)는 제2 메모리(120)의 사용 가능한 메모리 크기를 바탕으로 압축된 인공 지능 모델을 추천하는 UI 화면을 표시할 수 있다. 추천된 복수의 인공 지능 모델 중 하나를 선택하기 위한 UI 엘리먼트(530)가 선택되면, 전자 장치(100)는 도 5d의 우측과 같은 UI 화면이 표시할 수 있다.
한편, 도 5a 내지 도 5c는 전자 장치(100)가 제2 메모리(120)의 상황을 바탕으로 압축된 인공 지능 모델을 추천하거나, UI 바의 위치에 따라 인공 지능 모델의 프로세서(130) 점유율, 인공 지능 모델의 크기 및 정확도가 저장되어 인공 지능 모델의 성능 조건을 결정하기 때문에, 세밀한 성능 조정이 불가능할 수 있다.
따라서, 전자 장치(100)는 각각의 성능 조건(인공 지능 모델의 프로세서(130) 점유율, 인공 지능 모델의 크기 및 정확도 등)을 조절할 수 있는 UI 화면을 표시할 수 있다.
구체적으로, 도 5d의 좌측에 도시된 바와 같이, 제2 메모리(120)에 로드된 복수의 인공 지능 모델 중 얼굴 인식 모델의 성능을 조절하기 위한 UI 엘리먼트(541)을 선택하는 사용자 명령이 입력되면, 전자 장치(100)는 도 5d의 우측에 도시된 바와 같이, 각각의 성능 조건을 조절할 수 있는 UI를 표시할 수 있다. 구체적으로 인공 지능 모델의 성능 조건은 압축된 인공 지능 모델의 최대 프로세서(130) 점유율, 압축된 인공 지능 모델의 최대 크기, 압축된 인공 지능 모델의 최소 정확도 조건일 수 있다. 압축된 인공 지능 모델의 최대 프로세서(130) 점유율을 조절하기 위한 UI 바(542), 압축된 인공 지능 모델의 최대 크기를 조절하기 위한 UI 바(543), 압축된 인공 지능 모델의 최소 정확도를 조절하기 위한 UI 바(544)를 통해 사용자 명령이 입력되면, 전자 장치(100)는 입력된 조건에 따라 인공 지능 모델을 압축할 수 있다.
예를 들어, 압축된 인공 지능 모델의 최대 프로세서(130) 점유율이 35%, 압축된 인공 지능 모델의 최대 크기가 100MB, 압축된 인공 지능 모델의 최소 정확도가 80%로 설정된 경우, 전자 장치가 압축하는 인공 지능 모델은 GPU점유율이 35% 이하이고, 모델의 크기는 100MB 이하이고, 정확도는 80%이상인 모델이 될 것이다.
입력된 조건을 만족하는 압축된 인공 지능 모델이 존재하면, 전자 장치(100)는 설정된 조건에 따라 인공 지능 모델 압축되었음을 알리는 메시지를 표시할 수 있다. 입력된 조건을 만족하는 압축된 인공 지능 모델이 존재하지 않으면, 전자 장치(100)는 인공 지능 모델 압축이 실패하였음을 알리는 메시지를 표시할 수 있다. 예를 들어, 도 5d에 도시된 바와 같이, 입력된 조건을 만족하는 압축된 인공 지능 모델이 존재하면, "얼굴 인식 모델의 성능이 조정되었습니다"와 같은 메시지를 출력하고, 입력된 조건을 만족하는 압축된 인공 지능 모델이 존재하지 않으면, "얼굴 인식 모델 성능 조정에 실패하였습니다. 요구 사항을 조정해 주세요"와 같은 메시지를 출력할 수 있다.
한편, 도 5a 내지 도 5d에서는 전자 장치(100)가 제2 메모리(120)에 로드된 인공 지능 모델의 성능을 조절하는 방법에 대하여 설명하였으나 이에 한정되는 것은 아니다. 즉, 전자 장치(100)는 제1 메모리(110)에 저장된 각각의 인공 지능 모델에 대하여 성능을 조절할 수 있음은 물론이다.
도 6은 본 개시의 일 실시예에 따른 인공 지능 모델 압축 과정을 설명하기 위한 예시도이다.
도 5a 내지 도 5d에 따라, 전자 장치(100)는 복수의 인공 지능 모델에 대한 성능을 조정할 수 있다(S610). 예를 들어, 전자 장치(100)는 각각의 인공 지능 모델에 대한 압축된 인공 지능 모델의 최대 프로세서(130) 점유율, 압축된 인공 지능 모델의 최대 크기, 압축된 인공 지능 모델의 최소 정확도에 대한 조건을 설정할 수 있다.
복수의 인공 지능 모델 중 적어도 하나의 인공 지능 모델을 압축하기 위한 제어 신호를 수신하면, 전자 장치(100)는 적어도 하나의 인공 지능 모델을 압축할 수 있다(S620). 상술한 바와 같이 인공 지능 모델은 Pruning, Quantization, Decomposition 및 Knowledge Distillation 중 적어도 하나를 이용하여 압축될 수 있다. 또한, 인공 지능 모델의 압축은 전자 장치(100)에서 수행될 수도 있으나, 외부 서버에서 수행되어 압축된 인공 지능 모델을 전자 장치(100)가 수신하는 형태가 될 수도 있음은 물론이다.
전자 장치(100)는 압축된 인공 지능 모델이 기 설정된 조건을 만족하는지 여부를 판단할 수 있다(S630). 압축된 인공 지능 모델이 기 설정된 조건을 만족하면(S630-Y), 전자 장치(100)는 압축된 인공 지능 모델을 제2 메모리에 로드할 수 있다. 압축된 인공 지능 모델이 기 설정된 조건을 만족하지 않으면(S630-N), 전자 장치(100)는 인공 지능 모델이 기 설정된 횟수 이상 압축이 수행되었는지 여부를 판단할 수 있다(S650).
인공 지능 모델이 기 설정된 횟수 이상 압축되지 않은 경우(S650-N), 전자 장치(100)는 S620으로 돌아가 인공 지능 모델을 다시 압축할 수 있다. 구체적으로, 전자 장치(100)는 이전의 압축 방법과 다른 방법으로 인공 지능 모델을 압축할 수 있다.
인공 지능 모델이 기 설정된 횟수 이상 압축된 경우(S650-Y), 전자 장치는 인공 지능 모델 압축이 실패하였음을 출력할 수 있다(S660). 즉, 기 설정된 횟수 이상 압축하여도 기 설정된 조건을 만족하지 못하는 경우, 전자 장치(100)는 기 설정된 조건을 만족하도록 압축하는 것이 불가능하다고 판단하고, 인공 지능 모델 압축이 실패하였음을 출력할 수 있다. 나아가, 전자 장치(100)는 기 설정된 조건을 변경할 것을 요청하는 메시지를 추가로 출력할 수 있음은 물론이다.
도 7은 본 개시의 일 실시예에 따른 또 다른 압축 방법을 설명하기 위한 흐름도이다.
구체적으로, 도 7에 의한 실시예는 제2 메모리(120)에 적어도 하나의 인공 지능 모델이 로드된 상태에서 다른 인공 지능 모델(예를 들어 제1 인공 지능 모델)을 로드하는 경우를 가정한다.
먼저, 전자 장치(100)는 제1 인공 지능 모델을 로드하기 위한 명령이 입력 받을 수 있다(S710). 전자 장치(100)는 리소스가 사용 가능한지 판단할 수 있다(S720). 이때 리소스가 사용 가능한지의 판단이란, 제1 인공 지능 모델이 제2 메모리(120)의 사용 가능한 메모리 크기, 사용 가능한 프로세서(130) 점유율(CPU 또는 GPU 점유율) 등의 성능 조건을 만족하는지 여부에 대한 판단일 수 있다.
리소스가 사용 가능하다고 판단된 경우(S720-Y), 전자 장치(100)는 제1 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다(S780). 반면, 리소스가 사용 가능하지 않다고 판단된 경우(S720-N), 전자 장치(100)는 제1 인공 지능 모델을 압축할 수 있다(S730). 전자 장치(100)는 압축된 제1 인공 지능 모델에 대하여 리소스가 사용 가능한지 여부를 판단할 수 있다(S740).
리소스가 사용 가능하다고 판단된 경우(S740-Y), 전자 장치(100)는 압축된 제1 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다(S780). 반면, 리소스가 사용 가능하지 않다고 판단된 경우(S740-N), 전자 장치(100)는 제2 메모리(120)에 로드된 다른 인공 지능 모델을 압축할 수 있다. 즉, 도 6의 실시예에서는 리소스가 사용 가능하지 않은 경우, 전자 장치(100)는 제1 인공 지능 모델을 다른 방법으로 압축한다. 그러나 도 7에 의한 실시예에서는, 전자 장치(100)는 제1 인공 지능 모델을 다른 방법으로 압축하는 대신, 제1 인공 지능 모델 외에 제2 메모리(120)에 로드된 다른 인공 지능 모델을 압축하여 제2 메모리(120)에 로드할 수 있다.
다른 인공 지능 모델이 압축되면, 전자 장치(100)는 리소스가 사용 가능한지 여부를 판단할 수 있다(S760). 구체적으로, 전자 장치(100)는 압축된 다른 인공 지능 모델로 인해 증가한 리소스가 S730에서 압축된 제1 인공 지능 모델을 로드하기에 적절한지 여부를 판단할 수 있다.
리소스가 사용 가능하다고 판단된 경우(S760-Y), 전자 장치(100)는 S730에서 압축된 제1 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다. 반면 리소스가 사용 가능하지 않다고 판단된 경우, 전자 장치(100)는 인공 지능 모델 압축이 실패하였음을 출력할 수 있다(S770)
한편, 도 6 및 도 7에서 설명한 실시예는 독립적으로 동작할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 도 7의 S740에서의 리소스 판단은 도 6의 S650의 과정을 수행한 이후에 이루어 질 수 있다. 구체적으로, S730에 따라 압축된 제1 인공 지능 모델에 대하여 리소스가 사용 가능하지 않다고 판단된 경우(S740-N), 전자 장치(100)는 S650과 같이 기 설정된 횟수까지 제1 인공 지능 모델을 다른 방법으로 압축할 수 있다. 즉, 기 설정된 횟수 이상 제1 인공 지능 모델을 압축하였으나 여전히 리소스가 사용 가능하지 않다고 판단된 경우, 전자 장치(100)는 S750에 따라 제2 메모리(120)에 로드된 다른 인공 지능 모델을 압축할 수 있다.
도 8은 본 개시의 다양한 실시예에 따른 인공 지능 모델을 사용하는 방법을 설명하기 위한 예시도이다.
도 8에 도시된 바와 같이, 전자 장치(100)가 메신저 어플리케이션을 실행하여 대화 상대방과 사진 및 대화를 주고 받는 경우를 가정할 수 있다. 이때, 전자 장치(100)의 제2 메모리(120)은 이미지 분석 모델, 대화 인식 모델 및 키보드 추천 모델 등이 로드될 수 있다. 구체적으로, 대화 인식 모듈은 상대방과의 대화 내용 이해를 위해 메신저 어플리케이션을 통해 대화가 입력되면, 지속적으로 대화 내용을 분석하기 위한 모델이다. 대화 인식 모델은 자연어 처리 (Natural Language Understanding, NLU) 및 컨텍스트를 관리할 수 있다. 이미지 분석 모델은 메신저 어플리케이션을 통해 수신된 이미지를 분석하기 위한 모델이다. 구체적으로, 이미지 분석 모델은 이미지에 포함된 오브젝트를 분석하거나 분석된 오브젝트를 분류할 수 있다. 키보드 추천 모델은 대화 인식 모델을 통해 파악된 대화 상황을 바탕으로 단어 또는 문장을 추천해 주기 위한 모델이다. 키보드 추천 모델은 자연어 처리 (Natural Language Understanding, NLU) 및 사용자의 키 입력을 미리 예측하여 추천할 수 있다.
일 실시예로, 전자 장치(100)는 대화를 분석하여 사용자가 수행하고 싶은 액션을 추천할 수 있다. 구체적으로, 전자 장치(100)는 "어제 찍은 사진!" 및 "오? YY도 갔네?", "다른 사진도 있어?"라는 대화 내용을 입력 값으로 대화 인식 모델에 입력하여 "어제 YY와 찍은 사진을 대화 상대방에게 보내기"와 같은 액션을 추천할 수 있다. 이 경우, 전자 장치(100)는 이미지 분석 모델 및 키보드 추천 모델은 낮은 성능으로 압축하여 대화 관리 모델의 성능을 상대적으로 높일 수 있다.
또 다른 실시예로, 전자 장치(100)는 이미지 및 대화를 분석하여 사용자가 수행하고 싶은 액션을 추천할 수 있다. 구체적으로, 전자 장치(100)는 "어제 찍은 사진!" 및 "오? YY도 갔네?", "다른 사진도 있어?"라는 대화 내용을 입력 값으로 대화 인식 모델에 입력하여 "어제 YY와 찍은 사진을 대화 상대방에게 보내기"와 같은 액션을 추천할 수 있다. 나아가, 전자 장치(100)는 이미지 분석을 통해 이미지에 포함된 YY를 식별하고, 어제 찍은 사진 중 YY가 포함된 이미지를 추가로 획득하여 제공할 수 있다. 이 경우, 전자 장치(100)는 키보드 추천 모델은 낮은 성능으로 압축하여, 대화 관리 모델 및 이미지 분석 모델의 성능을 상대적으로 높일 수 있다.
또 다른 실시예로, 전자 장치(100)는 또 다른 실시예로, 전자 장치(100)는 이미지 및 대화를 분석하여 사용자에게 단어 또는 문장을 추천해 줄 수 있다. 구체적으로, 전자 장치(100)는 "어제 찍은 사진!" 및 "오? YY도 갔네?", "다른 사진도 있어?"라는 대화 내용을 입력 값으로 대화 인식 모델에 입력하여 "어제 YY와 찍은 사진을 대화 상대방에게 보내기"와 같은 액션을 추천할 수 있다. 나아가, 전자 장치(100)는 이미지 분석을 통해 이미지에 포함된 YY를 식별하고, 어제 찍은 사진 중 YY가 포함된 이미지를 추가로 획득하여 제공할 수 있다. 나아가, 전자 장치(100)는 어제 YY와 찍은 사진이 존재하는 경우, "있지"라는 단어를 추천할 수도 있다. 이 경우, 이미지 분석 모델, 대화 관리 모델, 키보드 추천 모델은 모두 일정 성능을 발휘하도록 압축되어야 할 것이다.
상기 도 8의 실시예에서 각각의 모델의 성능은 도a 내지 도 5d에서 설명한 바와 같이, 사용자가 설정할 수 있다. 예를 들어, 사용자가 키보드 추천 모델을 사용하지 않는 경우, 전자 장치(100)는 사용자 설정에 따라 각각의 인공 지능 모델을 압축할 수 있다. 즉, 전자 장치(100)는 키보드 추천 모델을 제2 메모리(120)에 로드하지 않고, 대화 인식 모델 및 이미지 분석 모델만을 로드할 수 있다.
또는 사용자가 인공 지능 모델의 성능을 설정하지 않는 경우라도, 전자 장치(100)는 특정 상황, 히스토리, 컨텍스트 등을 바탕으로 인공 지능 모델의 성능을 판단할 수 있다. 일 실시예로, 전자 장치(100)는 각각의 인공 지능 모델의 사용 횟수를 바탕으로 인공 지능 모델의 성능 및 압축률을 결정할 수 있다. 예를 들어, 사용자가 키보드 추천 모델에 의해 출력된 결과값을 사용하지 않는 경우, 전자 장치(100)는 키보드 추천 모델의 성능을 낮게(예를 들어 정확도 50%에서 최소 메모리 사용량을 가지도록) 결정할 수 있다.
한편, 또 다른 실시예로, 전자 장치(100)가 디스플레이 장치인 경우를 가정할 수 있다. 구체적으로, 전자 장치(100)가 고화질(Super Resolution)기술 또는 상품 주문 서비스를 위한 화면 분석 기술을 사용하는 경우, 인공 지능 모델이 필요할 수 있다. 일반적으로 디스플레이 장치의 경우 제2 메모리(120)의 크기가 크지 않으므로, 상황에 따라 인공 지능 모델의 성능을 조절할 필요가 있다. 예를 들어, 상품 주문 서비스를 위한 화면 분석 모델을 사용하는 경우, 전자 장치(100)는 특정 상황(예를 들어 낮 시간, TV 프로그램이 재생되는 경우)에서만 화면 분석 모델을 사용할 수 있다. 또는 상품 주문 서비스를 사용하지 않는 사용자의 경우, 전자 장치(100)는 상품 주문 서비스 모델을 낮은 성능을 가지도록 압축하여 제2 메모리(120)에 로드할 수 있다.
또 다른 실시예로, 전자 장치(100)는 인공 지능 스피커 또는 인공 지능 로봇일 수 있다. 이 경우, 전자 장치(100)는 특정 장소(예를 들어 집)에서만 사용하는 한정적인 단어 또는 사물 인식만을 필요로 하므로, 전자 장치(100)는 인식 단어의 클래스 또는 사물 인식 클래스와 관련된 모델을 한정하여 성능을 조절할 수 있다.
도 9a 내지 도 9c는 본 개시의 또 다른 실시예에 따른 인공 지능 모델을 사용하는 방법을 설명하기 위한 예시도이다.
상술한 바와 같이, 전자 장치(100)는 사용자에 의해 설정된 성능 조건을 바탕으로 인공 지능 모델을 압축할 수 있을 뿐만 아니라, 특정 상황, 히스토리, 컨텍스트 등을 바탕으로 인공 지능 모델을 압축할 수도 있다. 예를 들어, 전자 장치(100)가 사용하는 복수개의 인공 지능 모델이 독립적으로 사용되거나, 특정 순서에 따라서 사용되는 경우, 전자 장치(100)는 특정 순서에 따라 복수의 인공 지능 모델의 압축 순서를 결정할 수 있다.
일 실시예로, 도 9a 내지 도 9c에 도시된 IoT 시스템을 고려할 수 있다. 도 9a 내지 도 9c에 도시된 IoT 시스템은 사용자가 특정 상황을 알려달라는 명령에 대하여 특정 상황을 판단하고, 사용자에게 알려주는 인공 지능 시스템에 관한 것이다. 구체적으로, IoT 시스템은 "냄비 물이 끓으면 알려줘" 라는 사용자의 자연어 명령을 듣고, 부엌의 IoT 카메라 통해 냄비 물이 끓는 것이 감지되면 사용자에게 알려줄 수 있다. 이때, "냄비 물이 끓으면 알려줘" 라는 사용자의 자연어 명령은 Automatic Speech Recognition 모델(ASR 모델)에 의해 판단되고, 냄비 물이 끓는 것의 감지는 Object Detect 모델에 의해 판단되고, 사용자에 대한 응답은 Language Generation 모델에 의해 생성될 수 있다.
설명의 편의를 위해 제2 메모리(120)는 128MB이고, 각각의 인공 지능 모델은 하기와 같은 경우를 가정한다.
#of weight parameters Data representation bits Model size (MB)
ASR 20,000,000 32 bits 80
Object Detect 100,000,000 32 bits 400
Language Generation 30,000,000 32 bits 120
이때, #of weight parameters는 각각의 인공 지능 파라미터의 가중치 파라미터의 개수를 나타내며, Data representation bits는 하나의 가중치 파라미터를 저장하기 위해 필요한 비트수를 나타낸다. Model Size는 #of weight parameters 와 Data representation bits를 곱한 값이다. 한편, 가중치 파라미터의 개수를 줄이기 위해서는 Pruning기법이 사용될 수 있고, 하나의 가중치 파라미터를 저장하는데 필요한 비트를 줄이기 위해서는 Quantization 기법이 사용될 수 있다.
도 9a와 같이, 전자 장치(100)는 "냄비 물이 끓으면 알려줘"와 같은 사용자 명령을 입력 받을 수 있다. 이 경우, Object Detect 모델 및 Language Generation 모델은 사용자 명령을 분석하는데 적합한 모델이 아니다. 따라서, 전자 장치(100)는 도 9a에 도시된 바와 같이, ASR 모델의 크기를 유지하며 나머지 인공 지능 모델을 압축할 수 있다. 예를 들어, 전자 장치(100)는 각각의 인공 지능 모델을 하기 표 2와 같이 압축하여 제2 메모리(120)에 로드할 수 있다.
#of weight parameters Data representation bits Model size (MB)
ASR 20,000,000 32 bits 80
Object Detect 50,000,000 1 bits 6.25
Language Generation 15,000,000 1 bits 1.88
즉, 제2 메모리(120)는 128MB의 크기를 가지고 ASR 모델의 크기는 80MB이므로, 전자 장치(100)는 ASR 모델을 압축하지 않고 그대로 제2 메모리(120)에 로드하고, Object Detect 모델 및 Language Generation 모델을 표 2와 같이 압축하여 제2 메모리(120)에 로드할 수 있다.
사용자 명령이 입력되면, 전자 장치(100)는 사용자 명령에 따라 냄비 물이 끓는지 여부를 판단할 수 있다. 구체적으로 도 9b에 도시된 바와 같이, 전자 장치(100)는 IoT 시스템 중 일부인 카메라로부터 냄비에 대한 이미지를 수신하여 수신된 이미지를 분석할 수 있다. 다만, 전자 장치(100)스스로 냄비를 촬영하여 이미지를 분석할 수 있음은 물론이다.
이 경우, ASR 모델 및 Language Generation 모델은 이미지 분석에 적합한 모델이 아니다. 따라서, 전자 장치(100)는 도 9b에 도시된 바와 같이, Object Detect 모델의 크기를 유지하며 나머지 인공 지능 모델을 압축할 수 있다. 다만, Object Detect 모델의 경우 모델 크기가 400MB이므로, 제2 메모리(120)의 크기보다 크다. 따라서, 전자 장치(100)는 하기 표 3과 같이 Object Detect 모델을 압축하여 제2 메모리(120)에 로드하여야 한다.
#of weight parameters Data representation bits Model size (MB)
ASR 10,000,000 1 bits 1.25
object Detect 000,000,000 8 bits 100
language Generation 5,000,000 1 bits 1.88
즉, 제2 메모리(120)는 128MB의 크기를 가지고 Object Detect 모델의 경우 모델 크기가 400MB이므로, 전자 장치(100)는 Object Detect 모델을 제2 메모리(120)의 사용 가능한 메모리 크기를 바탕으로 압축하여 제2 메모리(120)에 로드하고, ASR 모델 및 Language Generation 모델을 표 3와 같이 압축하여 제2 메모리(120)에 로드할 수 있다.
냄비의 물이 끓는 것이 감지되면, 전자 장치(100)는 사용자에게 물이 끓음을 알리는 메시지를 출력할 수 있다. 구체적으로 도 9c에 도시된 바와 같이, 전자 장치(100)는 "냄비 물이 끓고 있어요!"와 같은 음성을 출력할 수 있다.
이 경우, ASR 모델 및 Object Detect 모델은 출력되는 음성을 생성하기에 적합한 모델이 아니다. 따라서, 전자 장치(100)는 도 9c에 도시된 바와 같이, Language Generation 모델의 크기를 유지하며 나머지 인공 지능 모델을 압축할 수 있다. 예를 들어, 전자 장치(100)는 각각의 인공 지능 모델을 하기 표 4와 같이 압축하여 제2 메모리(120)에 로드할 수 있다.
#of weight parameters Data representation bits Model size (MB)
ASR 10,000,000 1 bits 1.25
Object Detect 50,000,000 1 bits 6.25
Language Generation 30,000,000 32 bits 120
즉, 제2 메모리(120)는 128MB의 크기를 가지고 Language Generation 모델의 크기는 120MB이므로, 전자 장치(100)는 Language Generation 모델을 압축하지 않고 그대로 제2 메모리(120)에 로드하고, ASR 모델 및 Object Detect 모델을 표 4와 같이 압축하여 제2 메모리(120)에 로드할 수 있다.
한편, 본 개시에 따른 또 다른 실시예로, 전자 장치(100)는 복수의 인공 지능 모델을 직접 압축하거나, 외부 서버로 인공 지능 모델 압축을 요청할 수 있다. 전자 장치(100)가 외부 서버로 인공 지능 모델 압축을 요청하는 경우, 전자 장치(100)는 외부 서버로부터 압축된 인공 지능 모델을 수신하여 제2 메모리에 로드할 수 있다. 이때, 전자 장치(100)가 인공 지능 모델을 직접 압축하는 경우, 상황에 따라 다른 압축 방법을 사용할 수 있다. 예를 들어, 빠른 압축이 필요한 경우, 전자 장치(100)는 별도의 트레이닝을 요구하지 않는 압축 방법(예를 들어, pruning 등)을 이용하여 인공 지능 모델을 압축할 수 있다. 빠른 압축이 필요하지 않는 경우, 전자 장치(100)는 정확도를 고려하여 다양한 방법을 통해 압축할 수 있다.
또 다른 실시예로, 전자 장치(100)는 다양한 압축 인공 지능 모델을 제1 메모리(110)에 저장하고, 필요한 압축 인공 지능 모델을 제1 메모리(100)에서 제2 메모리(120)로 로드할 수 있다. 이때, 제1 메모리(110)에 저장되는 압축 인공 지능 모델의 형태는 다양할 수 있다.
예를 들어, 전자 장치(100)(또는 외부 서버)는 기 설정된 조건에 따라 인공 지능 모델을 압축한 경우, 압축된 인공 지능 모델을 제1 메모리(110)에 저장할 수 있다. 이때, 압축된 인공 지능 모델과 유사한 크기의 압축 인공 지능 모델이 제1 메모리(110)에 기 저장되어 있는 경우, 전자 장치(100)는 기 저장된 압축 인공 지능 모델과 새로 압축된 인공 지능 모델의 성능을 비교하여, 성능이 더 좋은 압축 인공 지능 모델을 제1 메모리(110)에 저장할 수 있다.
또는, 전자 장치(100)는 최초 인공 지능 모델을 외부 서버로부터 다운 받는 경우, 다운받는 인공 지능 모델에 대한 다양한 압축 인공 지능 모델을 함께 다운받을 수 있다. 예를 들어, 인공 지능 모델이 64MB인 경우, 전자 장치(100)는 64MB의 인공 지능 모델의 절반 크기인 32MB의 압축 인공 지능 모델, 32MB의 압축 인공 지능 모델의 절반 크기인 16MB의 압축 인공 지능 모델, 16MB의 압축 인공 지능 모델의 절반 크기인 8MB의 압축 인공 지능 모델, 8MB의 압축 인공 지능 모델의 절반 크기인 4MB의 압축 인공 지능 모델, 4MB의 압축 인공 지능 모델의 절반 크기인 2MB의 압축 인공 지능 모델, 2MB의 압축 인공 지능 모델의 절반 크기인 1MB의 압축 인공 지능 모델을 획득할 수 있다. 즉, 전자 장치는 64MB의 인공 지능 모델에 대하여 6개의 압축 인공 지능 모델을 제1 메모리(110)에 저장할 수 있다. 절반의 크기를 가지는 압축 인공 지능 모델들을 저장하는 경우, 하나의 인공 지능 모델 및 압축 인공 지능 모델의 저장 공간은 원본 인공 지능 모델의 2배 이하이다. 예를 들어, 64MB의 인공 지능 모델 및 6개의 압축 인공 지능 모델의 크기의 합은 127MB로, 전자 장치(100)는 다양한 압축 인공 지능 모델을 적은 크기의 용량으로 저장하고 있을 수 있다.
도 10은 본 개시의 일 실시예에 다른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 복수의 인공 지능 모델을 제1 메모리(110)에 저장할 수 있다(S1010). 이때, 상술한 바와 같이, 복수의 인공 지능 모델 각각에 대한 압축 인공 지능 모델을 함께 저장할 수 있음은 물론이다.
저장된 복수의 인공 지능 모델 중 제1 인공 지능 모델을 제2 메모리(120)에 로드하기 위한 제어 신호를 수신하면, 전자 장치(100)는 제2 메모리의 사용 가능한 메모리 크기를 판단할 수 있다(S1020). 이때, 제1 인공 지능 모델을 제2 메모리(120)에 로드하기 위한 제어 신호는 사용자 명령이 입력된 경우일 수 있다. 또는, 제1 인공 지능 모델을 제2 메모리(120)에 로드하기 위한 제어 신호는 특정 상황, 히스토리, 컨텍스트 등과 같이 기 설정된 조건을 만족한 경우일 수 있다.
제1 인공 지능 모델의 크기가 제2 메모리(120)의 사용 가능한 메모리 크기보다 큰 경우, 전자 장치(100)는 제2 메모리(120)의 사용 가능한 메모리 크기를 바탕으로 제1 인공 지능 모델을 압축한 제1 압축 인공 지능 모델을 제2 메모리(120)에 로드할 수 있다(S1030).
도 11은 본 개시의 또 다른 실시예에 따른 전자 장치 및 외부 서버의 동작을 설명하기 위한 예시도이다.
상술한 바와 같이, 압축된 인공 지능 모델은 전자 장치(100)에 의해 획득될 수 있으나, 이에 한정되는 것은 아니다. 즉, 전자 장치(100)는 압축된 인공 지능 모델을 외부 서버(200)로부터 다운로드하여 획득할 수도 있음은 물론이다.
이때, 전자 장치(100)는 필요에 따라 압축된 인공 지능 모델을 직접 획득하거나, 외부 서버(200)로부터 다운로드 받을 수 있다. 예를 들어, 압축하고자 하는 인공 지능 모델이 기 설정된 크기 이상이어서, 전자 장치(100)가 압축하고자 하는 인공 지능 모델을 압축하는데 필요한 계산량이 기 설정된 계산량 이상인 경우, 전자 장치(100)는 외부 서버(200)로부터 압축된 인공 지능 모델을 다운로드 받을 수 있다. 또는, 압축하고자 하는 인공 지능 모델의 크기와 상관 없이 인공 지능 모델을 압축하는데 필요한 계산량이 기 설정된 계산량 이상인 경우, 전자 장치(100)는 외부 서버(200)로부터 인공 지능 모델을 다운로드 받을 수 있다. 또는, 전자 장치(100)의 프로세서 점유율을 바탕으로, 전자 장치(100)가 인공 지능 모델을 압축할지, 외부 서버(200)로부터 다운로드 받을지를 결정할 수도 있다.
도 12는 본 개시의 일 실시예에 따른, 전자 장치가 외부 서버로부터 압축된 인공 지능 모델을 다운받는 동작을 설명하기 위한 흐름도이다.
전자 장치(100)는 인공 지능 모델을 압축하기 위한 제어 신호를 수신할 수 있다(S1210). 이때, 인공 지능 모델을 압축하기 위한 제어 신호는 다양한 조건에서 수신될 수 있다. 예를 들어, 외부 서버(200)로부터 인공 지능 모델을 다운 받은 경우, 전자 장치(100)는 다운 받은 인공 지능 모델을 압축하기 위한 제어 신호를 수신할 수 있다. 또는, 전자 장치(100)는 인공 지능 모델을 제2 메모리(120)에 로드하기 위한 제어 신호가 수신되고, 제2 메모리(120)에 로드하기 위한 제어 신호에 따라 인공 지능 모델이 압축되어야 하는 경우, 전자 장치(100)는 인공 지능 모델을 압축하기 위한 제어 신호를 수신할 수 있다. 즉, 전자 장치(100)는 인공 지능 모델을 다운 받은 시점에서 인공 지능 모델을 전자 장치(100)에서 압축할지, 또는 외부 서버(200)에서 압축할지를 결정하거나, 인공 지능 모델을 압축할 필요가 있는 경우, 인공 지능 모델을 전자 장치(100)에서 압축할지, 또는 외부 서버(200)에서 압축할지를 결정할 수 있다.
전자 장치(100)는 인공 지능 모델을 전자 장치(100)에서 압축할지 여부를 판단할 수 있다(S1220). 인공 지능 모델을 전자 장치(100)에서 압축하기로 판단된 경우(S1220-Y), 전자 장치(100)는 인공 지능 모델을 압축하여 제1 메모리(110)에 저장하거나 제2 메모리(120)에 로드할 수 있다(S1250). 인공 지능 모델을 외부 서버(200)에서 압축하기로 판단된 경우(S1220-N), 전자 장치(100)는 외부 서버(200)로 인공 지능 모델을 압축할 것을 요청할 수 있다(S1230) 상술한 바와 같이, 압축하고자 하는 인공 지능 모델이 기 설정된 크기 이상이어서, 전자 장치(100)가 압축하고자 하는 인공 지능 모델을 압축하는데 필요한 계산량이 기 설정된 계산량 이상인 경우, 전자 장치(100)는 외부 서버(200)로 인공 지능 모델을 압축할 것을 요청할 수 있다 또는, 압축하고자 하는 인공 지능 모델의 크기와 상관 없이 인공 지능 모델을 압축하는데 필요한 계산량이 기 설정된 계산량 이상인 경우, 전자 장치(100)는 외부 서버(200)로 인공 지능 모델을 압축할 것을 요청할 수 있다 또는, 전자 장치(100)의 프로세서 점유율을 바탕으로, 전자 장치(100)가 인공 지능 모델을 압축할지, 외부 서버(200)로 인공 지능 모델을 압축할 것을 요청할 지를 결정할 수도 있다.
전자 장치(100)는 외부 서버(200)로부터 압축된 인공 지능 모델을 다운로드 하여 제1 메모리(110)에 저장하거나 제2 메모리(120)에 로드할 수 있다(S1240).
한편, 본 개시의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다.
다양한 실시예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는 프로그램 모듈의 형태로 컴퓨터로 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장된 명령어로 구현될 수 있다. 명령어가 프로세서(예: 프로세서(130))에 의해 실행될 경우, 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다.
여기서, 프로그램은 컴퓨터가 읽을 수 있는 비일시적 기록매체에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 개시의 실시 예를 구현할 수 있다.
여기서 비일시적 판독 가능 기록매체란, 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미할 뿐만 아니라 레지스터, 캐쉬, 버퍼 등을 포함하며, 신호(signal), 전류(current) 등과 같은 전송 매개체는 포함하지 않는다.
구체적으로, 상술한 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 내장 메모리(예: 메모리(150)), 메모리 카드, ROM 또는 RAM 등과 같은 비일시적 판독가능 기록매체에 저장되어 제공될 수 있다.
또한, 개시된 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)으로 제공될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체 또는 판매자 및 구매자 간에 거래되는 상품을 포함할 수 있다.
예를 들어, 컴퓨터 프로그램 제품은 전자 장치 또는 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사 또는 전자 마켓의 서버, 또는 중계 서버의 저장매체가 될 수 있다.
이상에서는 본 개시의 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.
100: 전자 장치
110: 제1 메모리
120: 제2 메모리
130: 프로세서

Claims (20)

  1. 전자 장치의 제어 방법에 있어서,
    복수의 인공 지능 모델을 제1 메모리에 저장하는 단계;
    상기 저장된 복수의 인공 지능 모델 중 제1 인공 지능 모델을 제2 메모리에 로드하기 위한 제어 신호를 수신하면, 상기 제2 메모리의 사용 가능한 메모리 크기를 판단하는 단계;
    상기 제1 인공 지능 모델의 크기가 상기 제2 메모리의 사용 가능한 메모리 크기보다 큰 경우, 상기 제2 메모리의 사용 가능한 메모리 크기를 바탕으로 제1 압축 방법을 이용하여 상기 제1 인공 지능 모델을 압축한 제1 압축 인공 지능 모델을 상기 제2 메모리에 로드하는 단계;
    상기 제1 압축 인공 지능 모델의 성능이 기 설정된 조건을 만족하는지 판단하는 단계;
    상기 제1 압축 인공 지능 모델의 성능이 상기 기 설정된 조건을 만족하면, 상기 제1 압축 인공 지능 모델을 상기 제2 메모리에 로드하는 단계; 및
    상기 제1 압축 인공 지능 모델의 성능이 상기 기 설정된 조건을 만족하지 못하면, 상기 제1 압축 방법과 상이한 제2 압축 방법으로 상기 제1 인공 지능 모델을 압축한 제2 압축 인공 지능 모델을 상기 제2 메모리에 로드하는 단계;를 포함하는 제어 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 제1 압축 인공 지능 모델의 성능은, 상기 제1 압축 인공 지능 모델의 프로세서 점유율, 상기 제1 압축 인공 지능 모델의 크기 및 상기 제1 압축 인공 지능 모델의 정확도 중 적어도 하나인 것을 특징으로 하는 제어 방법.
  4. 제1항에 있어서,
    상기 제어 방법은,
    상기 제1 인공 지능 모델을 복수의 방법으로 압축한 복수의 압축 인공지능 모델이 상기 기 설정된 조건을 만족하지 못하는 경우, 상기 기 설정된 조건을 만족하지 못함을 알리는 메시지를 표시하는 단계; 를 더 포함하는 제어 방법.
  5. 제1항에 있어서,
    상기 제어 방법은,
    상기 제2 메모리의 사용 가능한 메모리 크기가 변경된 경우, 상기 변경된 메모리 크기를 바탕으로 상기 제1 인공 지능 모델을 압축한 제3 압축 인공지능 모델을 로드하는 단계; 를 더 포함하는 제어 방법.
  6. 제1항에 있어서,
    상기 제어 방법은,
    상기 제2 메모리에 제2 인공지능 모델이 로드하기 위한 제어 신호가 수신되면, 상기 제2 메모리의 사용 가능한 메모리 크기를 바탕으로, 상기 제1 인공 지능 모델 및 상기 제2 인공지능 모델을 압축한 상기 제1 인공 지능 모델에 대한 압축 인공 지능 모델 및 상기 제2 인공지능 모델에 대한 압축 인공 지능 모델을 로드하는 단계; 를 더 포함하는 제어 방법.
  7. 제1항에 있어서,
    상기 제어 방법은,
    상기 제2 메모리에 복수의 인공 지능 모델이 로드되어 있는 경우, 상기 제2 메모리에 로드된 복수의 인공 지능 모델의 사용 횟수를 판단하는 단계;를 포함하고,
    상기 로드하는 단계는,
    상기 판단된 사용 횟수를 바탕으로, 상기 복수의 인공 지능 모델 중 적어도 하나에 대한 압축 인공 지능 모델을 로드하는 단계; 를 더 포함하는 제어 방법.
  8. 제1항에 있어서,
    상기 제어 방법은,
    상기 복수의 인공 지능 모델 중 적어도 하나의 성능을 입력 받기 위한 UI를 표시하는 단계; 를 포함하고,
    상기 제1 압축 인공 지능 모델은 상기 UI를 통해 입력된 성능을 바탕으로 압축된 인공 지능 모델인 것을 특징으로 하는 제어 방법.
  9. 제1항에 있어서,
    상기 저장하는 단계는,
    상기 제1 인공 지능 모델에 대한 복수의 압축된 압축 인공 지능 모델을 상기 제1 메모리에 저장하는 단계; 를 더 포함하는 제어 방법.
  10. 제1항에 있어서,
    상기 제1 인공 지능 모델은 Pruning, Quantization, Decomposition 및 Knowledge Distillation 중 적어도 하나를 이용하여 압축되는 것을 특징으로 하는 제어 방법.
  11. 전자 장치에 있어서,
    복수의 인공 지능 모델을 저장하는 제1 메모리;
    상기 제1 메모리에 저장된 상기 복수의 인공 지능 모델 중 적어도 하나의 인공 지능 모델을 로드하기 위한 제2 메모리; 및
    프로세서;를 포함하고,
    상기 프로세서는,
    상기 저장된 복수의 인공 지능 모델 중 제1 인공 지능 모델을 제2 메모리에 로드하기 위한 제어 신호를 수신하면, 상기 제2 메모리의 사용 가능한 메모리 크기를 판단하고,
    상기 제1 인공 지능 모델의 크기가 상기 제2 메모리의 사용 가능한 메모리 크기보다 큰 경우, 상기 제2 메모리의 사용 가능한 메모리 크기를 바탕으로 제1 압축 방법을 이용하여 상기 제1 인공 지능 모델을 압축한 제1 압축 인공 지능 모델을 상기 제2 메모리에 로드하고,
    상기 제1 압축 인공 지능 모델의 성능이 기 설정된 조건을 만족하는지 판단하고,
    상기 제1 압축 인공 지능 모델의 성능이 상기 기 설정된 조건을 만족하면, 상기 제1 압축 인공 지능 모델을 상기 제2 메모리에 로드하고,
    상기 제1 압축 인공 지능 모델의 성능이 상기 기 설정된 조건을 만족하지 못하면, 상기 제1 압축 방법과 상이한 제2 압축 방법으로 상기 제1 인공 지능 모델을 압축한 제2 압축 인공 지능 모델을 상기 제2 메모리에 로드하는, 전자 장치.
  12. 삭제
  13. 제11항에 있어서,
    상기 제1 압축 인공 지능 모델의 성능은, 상기 제1 압축 인공 지능 모델의 프로세서 점유율, 상기 제1 압축 인공 지능 모델의 크기 및 상기 제1 압축 인공 지능 모델의 정확도 중 적어도 하나인 것을 특징으로 하는 전자 장치.
  14. 제11항에 있어서,
    디스플레이; 를 더 포함하고,
    상기 프로세서는,
    상기 제1 인공 지능 모델을 복수의 방법으로 압축한 복수의 압축 인공지능 모델이 상기 기 설정된 조건을 만족하지 못하는 경우, 상기 기 설정된 조건을 만족하지 못함을 알리는 메시지를 표시하도록 상기 디스플레이를 제어하는 것을 특징으로 하는 전자 장치.
  15. 제11항에 있어서,
    상기 프로세서는,
    상기 제2 메모리의 사용 가능한 메모리 크기가 변경된 경우, 상기 변경된 메모리 크기를 바탕으로 상기 제1 인공 지능 모델을 압축한 제3 압축 인공지능 모델을 로드하도록 제어하는 것을 특징으로 하는 전자 장치.
  16. 제11항에 있어서,
    상기 프로세서는,
    상기 제2 메모리에 제2 인공지능 모델이 로드하기 위한 제어 신호가 수신되면, 상기 제2 메모리의 사용 가능한 메모리 크기를 바탕으로, 상기 제1 인공 지능 모델 및 상기 제2 인공지능 모델을 압축한 상기 제1 인공 지능 모델에 대한 압축 인공 지능 모델 및 상기 제2 인공지능 모델에 대한 압축 인공 지능 모델을 로드하도록 제어하는 것을 특징으로 하는 전자 장치.
  17. 제11항에 있어서,
    상기 프로세서는,
    상기 제2 메모리에 복수의 인공 지능 모델이 로드되어 있는 경우, 상기 제2 메모리에 로드된 복수의 인공 지능 모델의 사용 횟수를 판단하고, 상기 판단된 사용 횟수를 바탕으로, 상기 복수의 인공 지능 모델 중 적어도 하나에 대한 압축 인공 지능 모델을 로드하는 것을 특징으로 하는 전자 장치.
  18. 제11항에 있어서,
    디스플레이; 를 포함하고,
    상기 프로세서는,
    상기 복수의 인공 지능 모델 중 적어도 하나의 성능을 입력 받기 위한 UI를 표시하도록 상기 디스플레이를 제어하고,
    상기 제1 압축 인공 지능 모델은 상기 UI를 통해 입력된 성능을 바탕으로 압축된 인공 지능 모델인 것을 특징으로 하는 전자 장치.
  19. 제11항에 있어서,
    상기 프로세서는,
    상기 제1 인공 지능 모델에 대한 복수의 압축된 압축 인공 지능 모델을 상기 제1 메모리에 저장하도록 상기 제1 메모리를 제어하는 전자 장치.
  20. 제11항에 있어서,
    상기 제1 인공 지능 모델은 Pruning, Quantization, Decomposition 및 Knowledge Distillation 중 적어도 하나를 이용하여 압축되는 것을 특징으로 하는 전자 장치.
KR1020180084311A 2018-07-19 2018-07-19 전자 장치 및 그의 제어 방법 Active KR102728476B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020180084311A KR102728476B1 (ko) 2018-07-19 2018-07-19 전자 장치 및 그의 제어 방법
EP19838211.1A EP3756145A4 (en) 2018-07-19 2019-07-18 ELECTRONIC DEVICE AND ITS CONTROL PROCESS
PCT/KR2019/008872 WO2020017898A1 (en) 2018-07-19 2019-07-18 Electronic apparatus and control method thereof
CN201980047725.7A CN112424799B (zh) 2018-07-19 2019-07-18 电子装置及其控制方法
US16/516,387 US11521038B2 (en) 2018-07-19 2019-07-19 Electronic apparatus and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180084311A KR102728476B1 (ko) 2018-07-19 2018-07-19 전자 장치 및 그의 제어 방법

Publications (2)

Publication Number Publication Date
KR20200013162A KR20200013162A (ko) 2020-02-06
KR102728476B1 true KR102728476B1 (ko) 2024-11-12

Family

ID=69163116

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180084311A Active KR102728476B1 (ko) 2018-07-19 2018-07-19 전자 장치 및 그의 제어 방법

Country Status (5)

Country Link
US (1) US11521038B2 (ko)
EP (1) EP3756145A4 (ko)
KR (1) KR102728476B1 (ko)
CN (1) CN112424799B (ko)
WO (1) WO2020017898A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11444845B1 (en) * 2019-03-05 2022-09-13 Amazon Technologies, Inc. Processing requests using compressed and complete machine learning models
JP6894032B1 (ja) * 2020-04-14 2021-06-23 株式会社 ゼンショーホールディングス 加熱状態識別装置、加熱制御装置、加熱制御方法、加熱状態識別システム、及び加熱制御システム
CN113537447A (zh) * 2020-04-20 2021-10-22 佳能株式会社 多层神经网络的生成方法、装置、应用方法及存储介质
KR20210136706A (ko) * 2020-05-08 2021-11-17 삼성전자주식회사 전자 장치 및 이의 제어 방법
US12022574B2 (en) 2021-02-19 2024-06-25 Johnson Controls Tyco IP Holdings LLP Security / automation system with cloud-communicative sensor devices
US12026243B2 (en) * 2021-02-19 2024-07-02 Johnson Controls Tyco IP Holdings LLP Facial recognition by a security / automation system control panel
US12361807B2 (en) * 2021-02-19 2025-07-15 Tyco Fire & Security Gmbh Security / automation system control panel graphical user interface
US11961377B2 (en) 2021-02-19 2024-04-16 Johnson Controls Tyco IP Holdings LLP Security / automation system control panel with acoustic signature detection
US12046121B2 (en) 2021-02-19 2024-07-23 Johnson Controls Tyco IP Holdings LLP Security / automation system control panel with short range communication disarming
CN113411425B (zh) * 2021-06-21 2023-11-07 深圳思谋信息科技有限公司 视频超分模型构建处理方法、装置、计算机设备和介质
CN113538233A (zh) * 2021-06-25 2021-10-22 华东师范大学 一种基于自蒸馏对比学习的超分辨率模型压缩和加速方法
CN115835185A (zh) * 2021-09-18 2023-03-21 华为技术有限公司 一种人工智能模型下载方法、装置及系统
US11886973B2 (en) * 2022-05-30 2024-01-30 Deepx Co., Ltd. Neural processing unit including variable internal memory

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002055874A (ja) * 2000-08-08 2002-02-20 Mitsubishi Heavy Ind Ltd バッファメモリ管理装置、バッファメモリ管理方法、およびその方法をコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体
US20150339059A1 (en) * 2013-10-18 2015-11-26 Samsung Electronics Co., Ltd. Memory compression method of electronic device and apparatus thereof

Family Cites Families (79)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5550970A (en) 1994-08-31 1996-08-27 International Business Machines Corporation Method and system for allocating resources
JPH10289006A (ja) 1997-04-11 1998-10-27 Yamaha Motor Co Ltd 疑似感情を用いた制御対象の制御方法
US6570555B1 (en) 1998-12-30 2003-05-27 Fuji Xerox Co., Ltd. Method and apparatus for embodied conversational characters with multimodal input/output in an interface device
US6967455B2 (en) 2001-03-09 2005-11-22 Japan Science And Technology Agency Robot audiovisual system
KR100423808B1 (ko) 2001-08-09 2004-03-22 한국전자통신연구원 네트워크를 이용한 가전기기의 원격 제어장치 및 방법
US20030147624A1 (en) 2002-02-06 2003-08-07 Koninklijke Philips Electronics N.V. Method and apparatus for controlling a media player based on a non-user event
JP3799288B2 (ja) 2002-04-05 2006-07-19 キヤノン株式会社 受信装置
US8068881B2 (en) 2002-08-09 2011-11-29 Avon Associates, Inc. Voice controlled multimedia and communications system
US7613719B2 (en) 2004-03-18 2009-11-03 Microsoft Corporation Rendering tables with natural language commands
JP2007044825A (ja) 2005-08-10 2007-02-22 Toshiba Corp 行動管理装置、行動管理方法および行動管理プログラム
KR100791298B1 (ko) 2006-05-19 2008-01-04 삼성전자주식회사 홈 네트워크에서의 디바이스 제어 장치 및 방법
WO2008069519A1 (en) 2006-12-04 2008-06-12 Electronics And Telecommunications Research Institute Gesture/speech integrated recognition system and method
KR100948600B1 (ko) 2006-12-04 2010-03-24 한국전자통신연구원 제스처/음성 융합 인식 시스템 및 방법
US8144939B2 (en) 2007-11-08 2012-03-27 Sony Ericsson Mobile Communications Ab Automatic identifying
US7894639B2 (en) 2008-01-03 2011-02-22 International Business Machines Corporation Digital life recorder implementing enhanced facial recognition subsystem for acquiring a face glossary data
JP5196239B2 (ja) * 2008-03-05 2013-05-15 日本電気株式会社 情報処理装置及び方法
JP2009230831A (ja) * 2008-03-25 2009-10-08 Panasonic Corp ディスク装置におけるバッファメモリ管理方法
US20090307718A1 (en) 2008-06-06 2009-12-10 Westinghouse Digital Electronics, Llc Method and Apparatus for User Configurable Table for Blocking or Allowing of Video and Audio Signals
KR101580839B1 (ko) 2008-08-05 2015-12-29 삼성전자주식회사 홈 네트워크에서 ｒｕｉ 서버의 이벤트를 통지하는 방법 및이를 위한 장치
KR20100096490A (ko) 2009-02-24 2010-09-02 삼성전자주식회사 보안 통신 수행 방법 및 그 장치
US20120004910A1 (en) 2009-05-07 2012-01-05 Romulo De Guzman Quidilig System and method for speech processing and speech to text
US20120151327A1 (en) 2009-06-08 2012-06-14 Samsung Electronics Co., Ltd. Method and apparatus for providing a remote user interface
KR101638047B1 (ko) 2009-07-30 2016-07-08 삼성전자 주식회사 전자기기에서 볼륨 제어 방법 및 장치
TWI423144B (zh) 2009-11-10 2014-01-11 Inst Information Industry Combined with the audio and video behavior identification system, identification methods and computer program products
KR101664430B1 (ko) 2009-11-13 2016-10-10 삼성전자주식회사 리모트 ｕｉ 서비스 제공 방법 및 장치
JP2011147119A (ja) 2009-12-14 2011-07-28 Panasonic Corp 画像処理装置および画像処理プログラム
US8661120B2 (en) 2010-09-21 2014-02-25 Amazon Technologies, Inc. Methods and systems for dynamically managing requests for computing capacity
KR101885133B1 (ko) 2011-02-01 2018-08-03 삼성전자주식회사 디지털 디바이스에서 어플리케이션 자동 인스톨 기능을 제공하기 위한 장치 및 방법
RU2455676C2 (ru) 2011-07-04 2012-07-10 Общество с ограниченной ответственностью "ТРИДИВИ" Способ управления устройством с помощью жестов и 3d-сенсор для его осуществления
US8788257B1 (en) 2011-10-25 2014-07-22 Google Inc. Unified cross platform input method framework
US8847881B2 (en) 2011-11-18 2014-09-30 Sony Corporation Gesture and voice recognition for control of a device
US20130141572A1 (en) 2011-12-05 2013-06-06 Alex Laton Torres Vehicle monitoring system for use with a vehicle
EP2602692A1 (en) 2011-12-05 2013-06-12 Alcatel Lucent Method for recognizing gestures and gesture detector
KR101891768B1 (ko) 2011-12-08 2018-08-24 삼성전자주식회사 휴대단말기의 경보장치 및 방법
KR20130134785A (ko) 2012-05-31 2013-12-10 엘지전자 주식회사 유저 입력 리스폰스 출력 방법 및 이를 위한 홈 디바이스
US9722811B2 (en) 2012-09-10 2017-08-01 Samsung Electronics Co., Ltd. System and method of controlling external apparatus connected with device
KR102177830B1 (ko) 2012-09-10 2020-11-11 삼성전자주식회사 디바이스에 연결된 외부 기기를 제어하는 시스템 및 방법
KR102070196B1 (ko) 2012-09-20 2020-01-30 삼성전자 주식회사 사용자 디바이스에서 상황 인식 서비스 제공 방법 및 장치
CN102945672B (zh) 2012-09-29 2013-10-16 深圳市国华识别科技开发有限公司 一种多媒体设备语音控制系统及方法
US9398335B2 (en) 2012-11-29 2016-07-19 Qualcomm Incorporated Methods and apparatus for using user engagement to provide content presentation
KR102091003B1 (ko) 2012-12-10 2020-03-19 삼성전자 주식회사 음성인식 기술을 이용한 상황 인식 서비스 제공 방법 및 장치
KR20140088449A (ko) 2013-01-02 2014-07-10 엘지전자 주식회사 중앙 제어 장치 및 그것의 제어 방법
KR20140102070A (ko) 2013-02-13 2014-08-21 삼성전자주식회사 사용자 디바이스의 패스트 부팅 방법 및 장치
KR20140115761A (ko) 2013-03-22 2014-10-01 삼성전자주식회사 스크린 락 제어 방법 및 이를 지원하는 전자 장치
KR102182398B1 (ko) 2013-07-10 2020-11-24 엘지전자 주식회사 전자 기기 및 그 제어 방법
US9372922B2 (en) 2013-07-11 2016-06-21 Neura, Inc. Data consolidation mechanisms for internet of things integration platform
KR101828460B1 (ko) 2013-07-30 2018-02-14 삼성전자주식회사 가전기기 및 그 제어방법
KR102123062B1 (ko) 2013-08-06 2020-06-15 삼성전자주식회사 콘텐츠에 관한 정보를 획득하는 방법 및 이를 이용한 영상 표시 장치, 그리고 콘텐츠에 관한 정보를 제공하는 서버 시스템.
KR102188090B1 (ko) 2013-12-11 2020-12-04 엘지전자 주식회사 스마트 가전제품, 그 작동방법 및 스마트 가전제품을 이용한 음성인식 시스템
KR20160101079A (ko) 2013-12-16 2016-08-24 뉘앙스 커뮤니케이션즈, 인코포레이티드 가상 어시스턴트를 제공하기 위한 시스템 및 방법
US10534623B2 (en) 2013-12-16 2020-01-14 Nuance Communications, Inc. Systems and methods for providing a virtual assistant
KR102206351B1 (ko) 2014-04-28 2021-01-22 삼성전자 주식회사 전자 장치 및 이의 작업 연계 방법
KR20150126495A (ko) 2014-05-02 2015-11-12 삼성전자주식회사 서비스 정보를 제공하는 전자 장치 및 방법
KR20150136811A (ko) * 2014-05-28 2015-12-08 삼성전자주식회사 임베디드 시스템에서 메모리 관리 장치 및 방법
KR20160071732A (ko) 2014-12-12 2016-06-22 삼성전자주식회사 음성 입력을 처리하는 방법 및 장치
US10223635B2 (en) * 2015-01-22 2019-03-05 Qualcomm Incorporated Model compression and fine-tuning
US20160349127A1 (en) 2015-06-01 2016-12-01 Kiban Labs, Inc. System and method for using internet of things (iot) devices to capture and play back a massage
US11423311B2 (en) 2015-06-04 2022-08-23 Samsung Electronics Co., Ltd. Automatic tuning of artificial neural networks
CN105204743A (zh) 2015-09-28 2015-12-30 百度在线网络技术（北京）有限公司 用于语音和视频通讯的交互控制方法及装置
US10714082B2 (en) 2015-10-23 2020-07-14 Sony Corporation Information processing apparatus, information processing method, and program
US20170132511A1 (en) * 2015-11-10 2017-05-11 Facebook, Inc. Systems and methods for utilizing compressed convolutional neural networks to perform media content processing
CN105446146B (zh) 2015-11-19 2019-05-28 深圳创想未来机器人有限公司 基于语义分析的智能终端控制方法、系统及智能终端
US10832120B2 (en) * 2015-12-11 2020-11-10 Baidu Usa Llc Systems and methods for a multi-core optimized recurrent neural network
CN205450754U (zh) * 2016-04-06 2016-08-10 黄应红 基于人工智能设计的机器人管理系统
US10621486B2 (en) 2016-08-12 2020-04-14 Beijing Deephi Intelligent Technology Co., Ltd. Method for optimizing an artificial neural network (ANN)
CN107239823A (zh) * 2016-08-12 2017-10-10 北京深鉴科技有限公司 一种用于实现稀疏神经网络的装置和方法
US11321609B2 (en) * 2016-10-19 2022-05-03 Samsung Electronics Co., Ltd Method and apparatus for neural network quantization
KR20180049787A (ko) 2016-11-03 2018-05-11 삼성전자주식회사 전자 장치, 그의 제어 방법
EP4220630A1 (en) 2016-11-03 2023-08-02 Samsung Electronics Co., Ltd. Electronic device and controlling method thereof
WO2018084974A1 (en) * 2016-11-04 2018-05-11 Google Llc Convolutional neural network
CN108243216B (zh) * 2016-12-26 2020-02-14 华为技术有限公司 数据处理的方法、端侧设备、云侧设备与端云协同系统
US20180330275A1 (en) * 2017-05-09 2018-11-15 Microsoft Technology Licensing, Llc Resource-efficient machine learning
KR102606825B1 (ko) * 2017-09-13 2023-11-27 삼성전자주식회사 뉴럴 네트워크 모델을 변형하는 뉴럴 네트워크 시스템, 이를 포함하는 어플리케이션 프로세서 및 뉴럴 네트워크 시스템의 동작방법
US10599205B2 (en) * 2017-09-18 2020-03-24 Verizon Patent And Licensing Inc. Methods and systems for managing machine learning involving mobile devices
US11030997B2 (en) * 2017-11-22 2021-06-08 Baidu Usa Llc Slim embedding layers for recurrent neural language models
US11580452B2 (en) * 2017-12-01 2023-02-14 Telefonaktiebolaget Lm Ericsson (Publ) Selecting learning model
US11645520B2 (en) * 2017-12-15 2023-05-09 Nokia Technologies Oy Methods and apparatuses for inferencing using a neural network
US10546393B2 (en) * 2017-12-30 2020-01-28 Intel Corporation Compression in machine learning and deep learning processing
DE102020211262A1 (de) * 2020-09-08 2022-03-10 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Komprimieren eines neuronalen Netzes

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002055874A (ja) * 2000-08-08 2002-02-20 Mitsubishi Heavy Ind Ltd バッファメモリ管理装置、バッファメモリ管理方法、およびその方法をコンピュータに実行させるプログラムを記録したコンピュータ読み取り可能な記録媒体
US20150339059A1 (en) * 2013-10-18 2015-11-26 Samsung Electronics Co., Ltd. Memory compression method of electronic device and apparatus thereof

Also Published As

Publication number Publication date
WO2020017898A1 (en) 2020-01-23
CN112424799B (zh) 2024-11-19
US11521038B2 (en) 2022-12-06
EP3756145A1 (en) 2020-12-30
US20200026977A1 (en) 2020-01-23
CN112424799A (zh) 2021-02-26
KR20200013162A (ko) 2020-02-06
EP3756145A4 (en) 2021-05-26

Similar Documents

Publication Publication Date Title
KR102728476B1 (ko) 전자 장치 및 그의 제어 방법
US10579910B2 (en) Dynamic classifier selection based on class skew
US11012626B2 (en) Electronic device for providing quality-customized image based on at least two sets of parameters
KR102818111B1 (ko) 인공 지능 모델을 재구성하기 위한 전자 장치 및 그의 제어 방법
RU2627117C2 (ru) Электронное устройство, сервер и способ управления такими устройствами
US20230177398A1 (en) Electronic apparatus and control method thereof
US11240550B2 (en) Electronic apparatus and control method thereof
US20130066815A1 (en) System and method for mobile context determination
KR20170115501A (ko) 크라우드 소싱에 기초해서 디지털 퍼스널 어시스턴트에 대한 언어 이해 분류기 모델을 업데이트하는 기법
US11775806B2 (en) Method of compressing neural network model and electronic apparatus for performing the same
US11163377B2 (en) Remote generation of executable code for a client application based on natural language commands captured at a client device
US20210279589A1 (en) Electronic device and control method thereof
US20150127320A1 (en) Method and apparatus for translation
KR102337966B1 (ko) 데이터를 압축하는 전자 장치 및 그 동작 방법
KR20220169695A (ko) 전자장치 및 그 제어방법
US20210035575A1 (en) Electronic apparatus, and method of controlling to execute function according to voice command thereof
CN118644751A (zh) 一种模型训练方法、模型应用方法和相关装置
KR20210065698A (ko) 전자 장치 및 이의 제어 방법
KR20200132667A (ko) 서버 및 이의 제어 방법
KR102823410B1 (ko) 비디오 캡션 정보 제공 방법 및 이를 위한 전자 장치
US20240314261A1 (en) Method for special effect rendering, electronic device, and storage medium
KR20250104842A (ko) 추천 메뉴를 제공하는 방법 및 전자 장치
KR20230050727A (ko) 전자 장치 및 전자 장치의 제어 방법
KR20210141235A (ko) 외부 장치로부터 획득된 정보를 바탕으로 통신 그룹의 장치에게 신호를 송신 또는 수신하는 전자 장치 및 이의 제어 방법
KR20250112117A (ko) 컨텐츠를 편집하는 전자 장치, 방법 및 저장 매체

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20180719

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20210525

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20180719

Comment text: Patent Application

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20231219

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20240816

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20241106

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20241107

End annual number: 3

Start annual number: 1

PG1601 Publication of registration