Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020111326 - METHOD FOR PROVIDING HIGH-PERFORMANCE MACHINE LEARNING, AND APPARATUS USING SAME

Document

명세서

발명의 명칭

기술분야

1  

배경기술

2   3  

발명의 상세한 설명

기술적 과제

4   5   6  

과제 해결 수단

7   8   9  

발명의 효과

10   11   12  

도면의 간단한 설명

13   14   15   16   17   18   19   20  

발명의 실시를 위한 형태

21   22   23   24   25   26   27   28   29   30   31   32   33   34   35   36   37   38   39   40   41   42   43   44   45   46   47   48   49   50   51   52   53   54   55   56   57   58   59   60   61   62   63   64   65   66  

청구범위

1   2   3  

도면

1   2   3   4   5   6   7   8  

명세서

발명의 명칭 : 고성능 머신러닝 제공 방법 및 이를 이용한 장치

기술분야

[1]
본 발명은 고성능 머신러닝 제공 방법 및 이를 이용한 장치에 관한 것이다.

배경기술

[2]
공장과 같은 제조 환경에서, 데이터를 수집 및 분석하는 과정은 스마트 공장을 추진하기 위해 필요하며, 수집되는 데이터의 양에 따른 대용량 데이터 관리가 요구되고 있다. 그러나, 스마트 공장을 추진하는 과정에서, 머신러닝과 연계되지 않은 기존의 시스템은 대용량 데이터 관리에 있어서 어려울 수 있다.
[3]
따라서, 대용량 데이터의 안정적인 수집 및 분석을 위한 고성능 머신러닝 제공 방법이 요구된다.

발명의 상세한 설명

기술적 과제

[4]
본 발명이 해결하고자 하는 과제는 대용량 데이터를 수집 및 분석하기 위한 고성능 머신러닝 제공 방법 및 이를 이용한 장치를 제공하는 것이다.
[5]
구체적으로, 본 발명이 해결하고자 하는 과제는 데이터를 수집 및 분석하는 과정의 효율성 향상을 위한 고성능 머신러닝 제공 방법 및 이를 이용한 장치를 제공하는 것이다.
[6]
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

과제 해결 수단

[7]
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 방법이 제공된다. 고성능 머신러닝 제공 방법은 데이터를 수집하는 단계, 수집되는 데이터를 수신하는 단계, 수신된 데이터를 저장하는 단계, 저장된 데이터를 분석하는 단계, 분석된 데이터의 결과를 제공하는 단계를 포함한다.
[8]
본 발명의 다른 특징에 따르면, 데이터를 수집하는 단계는 OPC를 적용하는 단계를 포함한다.
[9]
본 발명의 또 다른 특징에 따르면, 저장된 데이터를 분석하는 단계는 저장된 데이터 중 필요 데이터를 추출하는 단계, 추출된 필요 데이터를 분석하는 단계를 더 포함한다.

발명의 효과

[10]
본 발명은 공장과 같은 제조 환경에서 수집된 대용량 데이터의 분석에 필요한 데이터를 추출할 수 있다.
[11]
나아가, 본 발명은 기존에 사용되는 시스템과의 호환 및 연계를 통한 데이터 수집 및 분석을 가능하게 한다.
[12]
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.

도면의 간단한 설명

[13]
도 1은 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 시스템을 설명하기 위한 개략도이다.
[14]
도 2는 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 플랫폼을 설명하기 위한 개략도이다.
[15]
도 3은 본 발명의 다른 실시예에 따른 고성능 머신러닝 제공 시스템을 설명하기 위한 개략도이다.
[16]
도 4는 본 발명의 또 다른 실시예에 따른 고성능 머신러닝 제공 시스템의 가상 머신 서비스를 설명하기 위한 개략도이다.
[17]
도 5는 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 데이터베이스 서비스를 설명하기 위한 개략도이다.
[18]
도 6은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 메세지 큐 서비스를 설명하기 위한 개략도이다.
[19]
도 7은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 공유 스토리지 서비스를 설명하기 위한 개략도이다.
[20]
도 8은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 방법을 설명하기 위한 예시도이다.

발명의 실시를 위한 형태

[21]
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
[22]
비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
[23]
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
[24]
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
[25]
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세히 설명한다.
[26]
도 1은 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 시스템을 설명하기 위한 개략도이다.
[27]
도 1을 참조하면, 고성능 머신러닝 제공 시스템은 하나 이상의 노드로 구성된 클러스터를 포함할 수 있고, 대용량 데이터 처리를 위한 클러스터 확장 및 축소가 가능할 수 있는 Scale-Out 구조를 포함할 수 있다. 또한, 노드 수 증가에 따른 성능 향상의 선형적 확장 효과를 포함할 수 있다.
[28]
고성능 머신러닝 제공 시스템은 클라우드 기반의 가상화 하드웨어 설계구현을 통해 플랫폼 인프라 스케일아웃 기능의 스토리즈 컨트롤러의 분산 배치 및 OPC 적용을 통한 안정적인 데이터 수집을 가능하게 할 수 있다. 또한, 고성능 머신러닝 제공 시스템은 수집되는 대용량 데이터 중, 분석에 필요한 데이터를 추출할 수 있고, 추출된 데이터는 고성능 머신러닝 제공 시스템에 의해 분석될 수 있다.
[29]
이에 제한되지 않고, 고성능 머신러닝 제공 시스템은 외부 시스템과의 연동 및 클라우드 기반의 Backup 및 데이터 보관을 가능하게 할 수 있고, API 연동을 통한 데이터 자동 보관을 가능하게 할 수 있다.
[30]
도 2는 본 발명의 일 실시예에 따른 고성능 머신러닝 제공 플랫폼을 설명하기 위한 개략도이다.
[31]
고성능 머신러닝 제공 플랫폼은 배치 처리, 실시간 처리, RDBMS(Relational DataBase Management System, 관계형 데이터베이스 관리 시스템) 처리 기능 등을 포함할 수 있다. 또한, 기존 외부의 시스템과의 연동이 가능하고, 대용량 데이터의 동시 작업이 가능할 수 있다.
[32]
도 2를 참조하면, 고성능 머신러닝 제공 플랫폼은 데이터 처리 모듈(Data Processing Module), 인터페이스 모듈(Interface Module), 데이터 분석 및 머신러닝 연동 모듈(Data Analytic & Machine Learning Modules)을 포함할 수 있다.
[33]
Data Processing Module은 Data Store, Scenario Executor, Data Collector, Datasource Manager, Job Manager, Scheduler, Job Service를 포함할 수 있다. 또한, Data Processing Module은 데이터 저장, 데이터 처리, 시나리오 수행 등을 포함할 수 있다. 상기 Data Processing Module은 Interface Module, Data Analytic & Machine Learning Modules와 동작 가능하게 연결될 수 있다.
[34]
Interface Module은 Restful API Service, Visualization을 포함할 수 있고, Visualization은 Dashboard, Scenario를 포함할 수 있다.
[35]
또한, Interface Module은 외부 서비스 연결 및 시각화 연동 수행 등을 더 포함할 수 있다.
[36]
Data Analytic & Machine Learning Modules은 Interpreter Manager, Recipe Manager, Plug-in Manager를 포함할 수 있다. 또한, Data Analytic & Machine Learning Modules은 외부의 오픈 소스 머신러닝 알고리즘 라이브러리(External Libraries)와 연동 가능하며, 데이터 분석 레시피가 적용될 수 있다. 데이터 분석 레시피는 사용자의 사전 정의로 데이터를 정의하는 방법이다. 예를 들어, 필요하지 않은 데이터가 수집되면, 해당 데이터는 1로 정의된다. 1로 정의된 데이터는 분석되지 않는다.
[37]
이에 제한되지 않고, 고성능 머신러닝 제공 플랫폼은 데이터 통합 모니터링 기능을 포함할 수 있다. 데이터 통합 모니터링 기능은 수집되는 데이터 내에서 필요한 데이터를 구분하는 알고리즘이 적용될 수 있고, 데이터 수집에 대한 접근 제어 및 데이터 전달 등이 더 포함될 수 있다.
[38]
도 3은 본 발명의 다른 실시예에 따른 고성능 머신러닝 제공 시스템을 설명하기 위한 개략도이다.
[39]
도 3을 참조하면, 고성능 머신러닝 제공 시스템은 VM(Virtual Machine, 이하 VM) 서비스, DBS(Data Base Service, 이하 DBS), MQS(Message Queue Service, 이하 MQS), 공유 스토리지 서비스 및 머신러닝 서비스를 포함할 수 있다. 머신러닝 서비스는 VM 서비스, DBS 서비스, MQS 서비스 및 공유 스토리지 서비스와 동작 가능하게 연결된다. 이에 제한되지 않고, 고성능 머신러닝 제공 시스템은 이미지 업로드 서비스, 라벨링 및 조회 서비스 등을 더 포함할 수 있다.
[40]
또한, 고성능 머신러닝 제공 시스템에는 하나 이상의 가상 머신이 이용될 수 있고, 하나 이상의 가상 머신은 동시 작동될 수 있다. 이에 제한되지 않고, 고성능 머신러닝 제공 시스템에 의해, 데이터 수집 및 분석의 유지 관리 비용이 절감될 수 있고, 전원 및 냉각 요구량이 감소될 수 있다.
[41]
도 4는 본 발명의 또 다른 실시예에 따른 고성능 머신러닝 제공 시스템의 가상 머신 서비스를 설명하기 위한 개략도이다.
[42]
도 4를 참조하면, VM 서비스는 VM 리스트 조회, VM 상세조회 및 모니터링, VM 생성, VM 삭제, VM 동작 및 VM 콘솔을 포함할 수 있다.
[43]
VM 리스트 조회에서, VM 목록 화면이 선택되면, VM 목록 화면이 출력된다. VM 상세 조회 및 모니터링에서, VM 목록 화면 내에 VM이 선택되면, 해당 VM의 상세 정보가 화면에 표시된다.
[44]
VM 목록 화면에서 VM 생성 버튼이 선택되면, VM이 생성된다. 생성된 VM은 VM 목록 화면에 추가로 표시된다. VM 목록 화면에서 VM 삭제 버튼이 선택되면, VM이 삭제된다.
[45]
VM 동작은 시작, 종료, 리부팅 동작을 포함하고, VM 목록 화면에서 VM이 선택되면, VM 상세 정보가 화면에 표시되고, 상기 VM 동작 시작 버튼, 종료 버튼, 리부팅 버튼이 선택되면, 선택된 버튼에 따라, 미리 지정된 동작이 수행될 수 있다.
[46]
VM 목록 화면에서 VM이 선택되면, VM 상세 정보가 표시되고, 생성된 콘솔보기 버튼이 선택되면, VM은 콘솔로 표시된다.
[47]
도 5는 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 데이터베이스 서비스를 설명하기 위한 개략도이다.
[48]
도 5를 참조하면, DBS 서비스는 DBS 리스트 조회, DBS 상세조회 및 모니터링, DBS 생성, DBS 삭제 및 DBS 동작을 포함할 수 있다.
[49]
DBS 리스트 조회에서, DBS VM 목록 화면이 선택되면, DBS VM 목록 화면이 출력된다. DBS VM 상세 조회 및 모니터링에서, DBS VM 목록 화면 내에 DBS VM이 선택되면, 해당 DBS VM의 상세 정보가 화면에 표시된다.
[50]
DBS VM 목록 화면에서 DBS VM 생성 버튼이 선택되면, DBS VM이 생성된다. 생성된 DBS VM은 DBS VM 목록 화면에 추가로 표시된다. DBS VM 목록 화면에서 DBS VM 삭제 버튼이 선택되면, DBS VM이 삭제된다.
[51]
DBS VM 동작은 시작, 종료, 리부팅 동작을 포함하고, DBS VM 목록 화면에서 DBS VM이 선택되면, DBS VM 상세 정보가 화면에 표시되고, 상기 DBS VM 동작 시작 버튼, 종료 버튼, 리부팅 버튼이 선택되면, 선택된 버튼에 띠라, 미리 지정된 동작이 수행된다.
[52]
도 6은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 메세지 큐 서비스를 설명하기 위한 개략도이다.
[53]
도 6을 참조하면, MQS 서비스는 MQS 리스트 조회, MQS 상세조회, MQS 생성, MQS 삭제를 포함할 수 있다.
[54]
MQS 리스트 조회에서, MQS 목록 화면이 선택되면, MQS 목록 화면이 출력된다. MQS 상세 조회 및 모니터링에서, MQS 목록 화면 내에 MQS가 선택되면, 해당 MQS의 상세 정보가 화면에 표시된다.
[55]
MQS 목록 화면에서 MQS 생성 버튼이 선택되면, MQS가 생성된다. 생성된 MQS는 MQS 목록 화면에 추가로 표시된다. MQS 목록 화면에서 MQS 삭제 버튼이 선택되면, MQS가 삭제된다.
[56]
도 7은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 시스템의 공유 스토리지 서비스를 설명하기 위한 개략도이다.
[57]
도 7을 참조하면, 공유 스토리지 서비스는 공유 스토리지 리스트 조회, 공유 스토리지 생성, 공유 스토리지 삭제를 포함할 수 있다.
[58]
공유 스토리지 리스트 조회에서, 공유 스토리지 메뉴가 선택되면, 공유 스토리지 목록 화면이 출력된다.
[59]
공유 스토리지 목록 화면에서 공유 스토리지 생성 버튼이 선택되면, 공유 스토리지가 생성된다.
[60]
공유 스토리지 목록 화면에서 공유 스토리지 삭제 버튼이 선택되면, 공유 스토리지가 삭제된다.
[61]
도 8은 본 발명의 다양한 실시예에 따른 고성능 머신러닝 제공 방법을 설명하기 위한 예시도이다.
[62]
도 8을 참조하면, 예를 들어, 분석이 필요한 데이터가 클라우드로 제공되고, 제공된 데이터는 고성능 머신러닝 제공 시스템으로 입력될 수 있다. 입력된 데이터는 고성능 머신러닝 제공 시스템에 의해, 분석되고, 분석된 데이터는 오픈 소스 머신러닝 플랫폼 및 언어 API로 제공될 수 있다.
[63]
본 발명의 실시예에 따른 방법 및 장치는 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
[64]
컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
[65]
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
[66]
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

청구범위

[청구항 1]
데이터를 수집하는 단계; 수집되는 데이터를 수신하는 단계; 상기 수신된 데이터를 저장하는 단계; 상기 저장된 데이터를 분석하는 단계; 상기 분석된 데이터의 결과를 제공하는 단계를 포함하는, 고성능 머신러닝 제공 방법.
[청구항 2]
제 1항에 있어서, 데이터를 수집하는 단계는, OPC를 적용하는 단계를 포함하는, 고성능 머신러닝 제공 방법.
[청구항 3]
제1항에 있어서, 상기 저장된 데이터를 분석하는 단계는, 상기 저장된 데이터 중 필요 데이터를 추출하는 단계; 상기 추출된 필요 데이터를 분석하는 단계를 더 포함하는, 고성능 머신러닝 제공 방법.

도면

[도1]

[도2]

[도3]

[도4]

[도5]

[도6]

[도7]

[도8]