기술정보
기술정보
기술명 디지털 동반자를 위한 적응형 기계학습 기술 개발
기술명(영문) Adaptive Machine Learning Technology Development for Intelligent Autonomous Digital Companion
활용분야 고객/민원 상담 가상 비서 로봇/완구 금융/교육 미디어/콘텐츠
기술번호 TI2017-00863
기술성숙도
#기술성숙도
개발전 1단계:기초이론/실험
개발후 4단계:연구실 규모의 무품/시스쳄 핵심 성능평가
외부기술요소 개발목표시기 2018-12-31
결과물 형태
검증방법
시장성
시장성
시장성 내용
1. 사업화 제약사항
○ 로봇 등 하드웨어 제조업체의 기계학습 알고리즘에 대한 낮은 이해도
- 기술이전시 해당 업체 솔류션에 적합한 알고리즘 수정 및 적용 필요
- 기계학습 코딩 교육 등 밀착된 기술 이전 필요
○ 첨단 기계학습 알고리즘과 현재 솔류션의 괴리감
- 기계학습 알고리즘 적용시 기존 솔류션의 프로세스를 모두 바꿔야 하는데, 별도의 기존 솔류션 변경 개발 시간 필요
- 기존 솔류션이 기게학습 알고리즘 보다 성능이 낮아서 모두 높이는데 별도 시간 필요.

2. 시장성
○ 국내외 시장동향 및 전망
    - 국내시장 동향 및 전망
 
표 2. 국내 개인서비스용 로봇 시장 전망, 중소기업청(2015)

- 해외시장 동향 및 전망
소셜 로봇이 포함된 세계 개인서비스용 로봇 시장 규모는 2013년 18억 4,200만 달러에서 연평균 19.9%씩 성장해 2018년에는 45억 7,000만 달러에 달할 것으로 전망하고 있음
      ·
표 1. 세계 개인서비스용 로봇 시장 전망, 중소기업청(2015)
 
3. 기대효과
○ 기술도입으로 인한 경제적 효과
- 기술개발 소요경비 절감
- 발 빠른 제품 개발 및 국내외 시장 개척 가능
- 기계학습 전문 인력 채용을 통한 고용 창출 기대
- 첨단 기술을 통한 추가 매출 달성
 
○ 기술사업화로 인한 파급효과
- 인공지능이 상담원 대신 응대할 수 있는 지능화된 고객 상담 서비스 가능
- 개인 일정 관리 등 개인 맞춤형, 지능화된 가상 비서 가능
- 로봇/완구 등 대화하면 할수록 지능이 업그레이드되는 차별화된 제품 공급
- 자산 운용, 투자자문, 신용평가, 심사 등 금융업 전반에 걸친 온라인 어드바이저 서비스 확대
- AR, VR 등 증강현실 구현을 위한 하드웨어, 소프트웨어 성능 향상에 기여
- 온라인 서비스와 오프라인 제품 연동으로 서비스 개발 및 공급 능력 확대
 
시장성 -제품화 및 활용분야
시장성 -제품화 및 활용분야
활용분야(제품/서비스) 제품 및 활용분야 세부내용
등록된 내용이 없습니다
고객/민원 상담
고객/민원 상담이 가능한 인공지능 콜센터, 챗봇 등에 이용
가상 비서
일정관리, 미팅예약, 회의기록 등 지능형 가상 비서 역할
로봇/완구
로봇/완구의 지능 고도화, 서비스 편의성 확보
금융/교육
빅데이터 수집, 분석, 데이터마이닝에 이용
미디어/콘텐츠
SNS, 클라우드 서비스, 증강현실(VR/AR)에 적용
기술개요(영문)
기술개요(영문)
기술개요(영문) 내용
1. Technical Name
디지털 동반자를 위한 적응형 기계학습 기술 개발

2. Concept
I. 메모리 기반 성장 학습
i. 일화,의미,절차,감성기억 통합
- 개별소자로서의 일화·의미·절차·감성기억 설계
- 사용자 맞춤형 일화·의미·절차·감성기억의 통합 Long-term memory 설계
ii. Self-guided 고속학습
- 빠른 학습 속도를 가진 신경망 버스 구조 시스템
- 적응형 학습능력, 고속 학습속도의 클러스터형 메모리 결합 신경망 개발
- 기존 POMDP 알고리즘 대비 20%이상 reward 향상 가져오는 DARL 알고리즘
iii. 사용자 개인화된 누적 학습
- 실시간 훈련법을 특정 환경에 적합하도록 자가 성장 시킬 수 있는 학습법
- DNC 기반 모델을 통해 사용자의 개인화된 누적 학습
iv. 이상상태 검출을 위한 auto-encoder 기반 online ELM
- 사용자 미래 패턴 예측
- 사용자의 anomaly 감지
 
II. 생각 메커니즘 기반 하이브리드 지능 학습
i. 멀티모달 적응 학습
- 기존의 one-to-many, many-to-one mapping 기반의 multi-modal learning을 뛰어넘는 many-to-many mapping까지 학습할 수 있는 stochastic network
- 비디오 기반 QA (VQA) 시스템 설계
ii. 시변 context를 위한 하이브리드 학습
- 다환경 시간 적응 하이브리드 학습 알고리즘
- 인간과 상호 작용하는 신경망 기반의 평생 학습 방법론 연구
iii. 심볼릭 하이브리드 신경망 추론 학습
- 사람의 symbolic feautre와 알고리즘의 symbolic feature를 동시에 이용하는 하이브리드 뉴럴-심볼릭 multi-modal 알고리즘 연구 개발
- Buddy Learning System: 심볼릭 추론과 딥러닝 결합 기술을 통한 저지연, 고성능 시스템 개발
iv. 추론 기반 능동적 데이터 수집
- 대화 시나리오를 검색, 수집하여 입력하기 위한 추론 기술
- 온톨로지 대화 관계망을 이용한 대화품질 개선 기술

3. Service Offering
  • 건강관리를 위한 웰니스 동반자
  • 홈/오피스/자동차 동반자
  • 청각장애인을 위한 인공지능 수화통역 동반자
  • 시각장애인을 위한 인공지능 상황설명 동반자
4. Comparative Advantage
  • ,단기 기억을 지니고 사용자와 오랜 시간을 함께 하여 사용자의 모든 것을 알고 있는 전문 비서가 되는 것을 목표로 한다.
  • , 공간적 변화에 적응해 가며 이전에 학습한 상황에 대한 대응 정보를 언제든지 사용, 비슷한 상황에서 추론을 통해 사용자에게 문제 해결 능력 제공
  • 현재 신경망 학습의 당면과제인 실시간적이고, 기 학습된 네트워크를 기반으로 한 점진적, active하며 transfer learning이 가능한 능력을 가진다.

5. Patents(Domestics)
 
Patents(Domestics) Application ( 2  )
Registration(    )
Patents(International) Application (    )
Registration(    )
기술개요 및 개념도
기술개요 및 개념도
기술개요 및 개념도 내용
1. 기술의 개념 및 구성
○ 기술의 개념(Concept)
 - 이 과제의 최종 목표는 1, 3, 4세부와의 공통 총괄 목표인 ‘자율지능 디지털 동반자 기술 사람과 다양한 방식으로 교류하며, 상대의 의도 파악 및 감정까지 인지하여 도우미 역할을 할 수 있는 인공지능 기술.
’의 인공지능 기반기술로서, 초기 학습된 기본 알고리즘을 바탕으로 사용자와 주변으로부터 멀티모달 정보를 지속적으로 학습하여 해당 사용자와 환경에 적응할 수 있는 적응형 기계학습 기술 다양한 입력방법을 수용하여 학습하고, 지속적으로 성능을 개선하여 사용자 및 주변 환경에 적응하는 기계학습 기술을 개발하는 것임

그림 1. 적응형 기계학습 기술의 개념도

- 그림 1 은 적응형 기계학습 기술의 개념도
- 디지털 동반자(Agent)는 사용자(Human)와 환경(Circumstance)으로부터 음성, 영상, 텍스트, 공간정보, 장치정보 등 다양한 입력을 지속적으로 제공받음
- 여기서 디지털 동반자의 학습 환경은 사용자와 상호작용하기 전에 학습이 모두 끝난 것이 아니라, 기본적인 학습만 되어 있는 상황에서 사용자와 끊임없이 상호작용하며 지속적으로 학습해나가는 환경
- 시간이 지남에 따라 무한히 제공되는 데이터들을 토대로, 디지털 동반자는 기존 신경망 방법과 규칙기반 추론 방법을 결합하여 사용자의 행동, 상태, 변화 등을 학습, 대응 품질을 향상시켜 나감
- 또한 디지털 동반자 입장에서 기존에 모르고 있던 새로운 지식이 입력될 경우, 이를 과적합 현상을 발생시키지 않는 동시에 Online 환경에서 실시간으로 빠르게 학습하여 해당 지식을 사용자와의 상호작용에 곧바로 사용하게 됨
- 이렇게 사용자와 상호작용하며 얻어진 장기 기억을 바탕으로 적용 도메인의 고유한 특성 등을 이용하여 성능을 높이는 동시에, 기억에 없던 오작동, 해커 침입 등을 검출함

<기술개념도>

2. 기술적 경쟁력
○ 경쟁기술/대체기술 동향 및 현황
    - 국내기술 동향
○ 최근 딥러닝 기술의 발달로 인하여 다양한 분야의 인공지능 기술이 발달.

○ 딥러닝 기술에 필요한 빅데이터의 중요성이 부각되면서 개인데이터를 보호하던 기존의 방침이 적극적으로 수집하고 활용하는 방향으로 전환.

○ SK텔레콤의 음성인식 기반 인공지능 서비스 ‘누구(NUGU)’
‧ 지난 8월 음성인식 기반 인공지능서비스 ‘누구(NUGU)’와 전용기기를 공개.
‧ 고객·외부 개발자와 인공지능 플랫폼서비스를 함께 만드는 계획을 발표함.
‧ 데이터가 쌓일수록 스스로 진화하도록 구성된 ‘성장형 인공지능 서비스’.
‧ 대화형 음악재생, 알람설정 등의 음성 명령 수행과 일정 및 날씨 확인 등의 비서역할을 수행
‧ 2012년부터 자연어 처리, 음성인식 등의 선행기술 개발에 집중해 왔으며, 현재 사투리까지 알아들을 수 있는 한국어 특화 음성인식 기술을 사용

그림 2. SK텔레콤의 ‘누구’

○ ‘얄리’의 대화로봇 ‘얄리봇’
‧ 인간이 보고 듣고 생각하고 말하는 것을 돕는 제품의 개발을 목표
‧ 2003년, ‘얄리메이트’라는 신개념 대화형 캐릭터 커뮤니티 서비스를 오픈
‧ 2012년, 사람과 음성으로 대화를 주고받을 수 있는 감정 커뮤니케이션이 가능한 지능형 가상 에이전트 대화인형 ‘얄리봇‘을 개발
‧ 안드로이드 단말기에서 음성인식 및 자연어처리 기술로 로봇과 대화할 수 있는 로봇대화시스템 ’KT 키봇2‘, 가상대화시스템 ’얄리톡‘ 과 같은 대화솔루션들을 개발

그림 3. 대화 인형로봇 ‘얄리’

○ 한국전자통신연구원 (ETRI)의 ‘엑소브레인’
‧ 국내 20개 연구기관의 참여로 개발 중
‧ 기계-인간의 의사소통을 넘어선 지식소통을 가능케 하고, 최종적으로는 전문가 수준의 의사결정이 가능한 인공지능
‧ 현재 장학퀴즈에 출전하여 인간과 지식대결을 펼칠 수 있는 수준

○ 네이버의 N2MT (Naver Neural Machine Translation) 서비스
‧ 네이버 ‘labspace’에서 제공하는 인공신경망 기반의 번역 서비스
‧ 기존의 방식과 다르게 전체 번역 프레임워크에 딥러닝을 적용하여 정확도를 매우 높이고, 자연스러운 번역 결과를 제공
‧ 현재, 한/영, 영/한 번역에 한하여 서비스를 제공

○ 네이버의 음성인식 서비스 ‘데뷰2013’
‧ 딥러닝 알고리즘으로 음성 인식의 오류 확률을 25%나 개선
‧ 음성 인식을 비롯해 뉴스 요약, 이미지 분석에 딥러닝을 적용
‧ 뉴스 요약 서비스에서는 기사에 제목이 있을 경우와 없을 경우를 분리해 기사를 정확히 요약해낼 수 있는 알고리즘을 개발

그림 4. 네이버의 딥러닝 음성인식 서비스

○ 뤼이드(Riiid!)의 ‘산타토익(Santa For TOEIC!)’
‧ 독자적인 ‘어댑티브 러닝 플랫폼(Adaptive Learning Platform)’을 개발
‧ 토익 일대일 학습 어플리케이션 ‘산타토익(Santa For TOEIC!)’을 출시한 에듀테크 스타트업
‧ 기존 교육 시스템이나 특정 강사의 직관 및 경험으로는 구분하기 어려운 문제별·유형별 연관성과 오답 패턴을 파악
‧ 사용자 개인을 고려한 입체적인 분석과 동적 난이도 조절 시스템을 통해 사용자들이 안정적으로 높은 학습 몰입도 유지

○ KT경제경영연구소의 감성추정시스템
‧ 유아용 네트워크 로봇을 위한 소리기반 사용자 감성추정 엔진
‧ 실제, 유아용 에듀테인먼트 몽이 로봇에 적용
‧ 성장형 인간-로봇 상호작용 표현을 위한 감성 (Human-Robot Interaction, HRI) 시스템을 제안
‧ 소리를 기반으로 한 음악적 구성요소인 화음, 템포, 볼륨, 배음과 음역 정보를 이용하여 화자의 감성을 추정
‧ 로봇으로부터 수집한 센싱 정보, 사용자 감성 정보, 서비스 이용 정보를 분석하여 로봇이 사용자에게 행동을 표현하고, 사용자의 반응을 분석한 후 다시 반응케 하는 시스템

○ 아이피엘의 소셜 로봇 사람과 커뮤니케이션 할 수 있는 능력을 갖추고서 정서적인 상호작용을 하며 자율적으로 동작하는 로봇을 의미함.
 ‘아이지니’
‧ 중국 협력업체인 루보(Roobo)사와 중국 서비스를 위한 유통 계약을 체결
‧ 지난 9월 중국 베이징에서 열린 제품 발표회에서 1만대 제품 판매 계약