KR-20260060883-A - A method of generating hints through genAI model

KR20260060883AKR 20260060883 AKR20260060883 AKR 20260060883AKR-20260060883-A

Abstract

본 발명의 일 실시예에 따라 장치의 프로세서가 힌트를 생성하기 위하여 생성형 인공지능 모델을 활용하는 방법은, 문제 데이터를 획득하는 단계; 상기 문제 데이터를 포함하는 입력 데이터를 생성하는 단계; 상기 입력 데이터를 제1 생성형 인공지능 모델에 입력하는 단계; 및 상기 제1 생성형 인공지능 모델로부터 제1 출력 데이터를 획득하는 단계;를 포함하여, 생성형 인공지능 모델을 활용하여 추가 검토 또는 수정 과정 없이도 소비자에게 제공이 가능한 품질의 힌트를 생성하는 방법을 제공하는 것을 목적으로 한다.

Inventors

남진우
이민재
조근식

Assignees

주식회사 튜링

Dates

Publication Date: 20260506
Application Date: 20241025

Claims (20)

장치의 프로세서가 힌트를 생성하기 위하여 생성형 인공지능 모델을 활용하는 방법으로서, 문제 데이터를 획득하는 단계; 상기 문제 데이터를 포함하는 입력 데이터를 생성하는 단계; 상기 입력 데이터를 제1 생성형 인공지능 모델에 입력하는 단계; 및 상기 제1 생성형 인공지능 모델로부터 제1 출력 데이터를 획득하는 단계;를 포함하는, 방법.
제1항에 있어서, 상기 문제 데이터를 획득하는 단계는, 상기 문제 데이터에 대응하는 해답 데이터를 획득하는 단계; 및 상기 문제 데이터와 상기 해답 데이터를 병합(merge)하는 단계;를 포함하는, 방법.
제2항에 있어서, 상기 문제 데이터와 상기 해답 데이터를 병합하는 단계는, 상기 문제 데이터의 뒤에 상기 해답 데이터를 이어붙이는(concatenate) 것인, 방법.
제3항에 있어서, 상기 문제 데이터 또는 상기 해답 데이터는 벡터인, 방법.
제4항에 있어서, 상기 문제 데이터를 획득하는 단계는, 외부로부터 원시(primitive) 데이터를 획득하는 단계; 및 상기 원시 데이터를 가공하여 상기 문제 데이터 또는 상기 해답 데이터를 획득하는 단계;를 더 포함하는, 방법.
제5항에 있어서, 상기 원시 데이터를 가공하여 상기 문제 데이터 또는 상기 해답 데이터를 획득하는 단계는, 상기 원시 데이터 중 이미지 형태의 데이터를 텍스트로 변환하는 단계;를 포함하는, 방법.
제6항에 있어서, 상기 원시 데이터 중 이미지 형태의 데이터를 텍스트로 변환하는 단계는, 상기 원시 데이터 중 이미지 형태의 데이터를 제2 생성형 인공지능 모델에 입력하는 단계; 및 상기 제2 생성형 인공지능 모델로부터 텍스트 형태의 출력을 획득하는 단계;를 포함하는, 방법.
제7항에 있어서, 상기 제2 생성형 인공지능 모델은 상기 제1 생성형 인공지능 모델과 동일한 구조를 갖는, 방법.
제5항에 있어서, 상기 입력 데이터는 상기 해답 데이터를 포함하지 않는, 방법.
제1항에 있어서, 상기 제1 출력 데이터를 시각적으로 표현하는 단계;를 더 포함하는, 방법.
제7항에 있어서, 디스플레이를 포함하는 장치에 생성형 인공지능 모델을 기반으로 한 어플리케이션을 배포하는 단계;를 더 포함하고, 상기 제1 출력 데이터를 시각적으로 표시하는 단계는, 상기 장치에 상기 제1 출력 데이터를 전송하여 상기 디스플레이에 상기 제1 출력 데이터가 시각적으로 표시되도록 하는, 방법.
제8항에 있어서, 상기 문제 데이터를 획득하는 단계는, 상기 장치에 설치된 어플리케이션으로부터 전송받은 데이터에 기반하여 수행되는, 방법.
제1항에 있어서, 상기 제1 출력 데이터의 적어도 일부를 제3 생성형 인공지능 모델에 입력하는 단계; 및 상기 제3 생성형 인공지능 모델로부터 제3 출력 데이터를 획득하는 단계;를 더 포함하는, 방법.
제13항에 있어서, 상기 제3 출력 데이터를 시각적으로 표현하는 단계;를 더 포함하는, 방법.
제14항에 있어서, 디스플레이를 포함하는 장치에 생성형 인공지능 모델을 기반으로 한 어플리케이션을 배포하는 단계;를 더 포함하고, 상기 제3 출력 데이터를 시각적으로 표시하는 단계는, 상기 장치에 상기 제3 출력 데이터를 전송하여 상기 디스플레이에 상기 제1 출력 데이터가 시각적으로 표시되도록 하는, 방법.
제10항에 있어서, 상기 제1 출력 데이터의 적어도 일부를 제3 생성형 인공지능 모델에 입력하는 단계는, 상기 제1 출력 데이터 중 텍스트 형태의 데이터만을 제3 생성형 인공지능 모델에 입력하는 단계인, 방법.
제13항에 있어서, 상기 제3 생성형 인공지능 모델은 상기 제1 생성형 인공지능 모델과 동일한 구조를 갖는, 방법.
제1항에 있어서, 상기 문제 데이터를 포함하는 입력 데이터를 생성하는 단계는, 기 저장된 배경지식 데이터의 적어도 일부를 선정하는 단계; 및 상기 문제 데이터 및 선정된 상기 배경지식 데이터의 적어도 일부를 포함하는 입력 데이터를 생성하는 단계;를 포함하는, 방법.
메모리; 및 문제 데이터를 획득하고, 상기 문제 데이터를 포함하는 입력 데이터를 생성하여 상기 메모리에 저장하고, 상기 입력 데이터를 제1 생성형 인공지능 모델에 입력하고, 그리고 상기 제1 생성형 인공지능 모델로부터 제1 출력 데이터를 획득하는, 프로세서;를 포함하는, 힌트 생성 장치.
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 장치의 프로세서에서 실행되는 경우, 힌트를 생성하기 위하여 생성형 인공지능 모델을 활용하기 위한 단계들을 수행하며, 상기 단계들은, 문제 데이터를 획득하는 단계; 상기 문제 데이터를 포함하는 입력 데이터를 생성하는 단계; 상기 입력 데이터를 제1 생성형 인공지능 모델에 입력하는 단계; 및 상기 제1 생성형 인공지능 모델로부터 제1 출력 데이터를 획득하는 단계;를 포함하는, 프로그램.

Description

생성형 인공지능 모델을 활용한 힌트 생성 방법{A method of generating hints through genAI model} 본 발명은 생성형 인공지능 모델을 활용한 힌트 생성 방법에 관한 것으로, 더 상세하게는 이미지 또는 동영상을 포함하는 데이터로부터 지식을 습득하고, 그에 기반하여 생성형 인공지능 모델을 프롬프팅하여 문제에 대한 힌트를 생성한 후 이를 시각적으로 표시하는 방법, 장치, 및 프로그램에 관한 것이다. 인공지능(Artificial Intelligence; AI) 기술은 인간의 학습 및 추론 능력을 모방하여 데이터를 분석하고, 패턴을 학습하며, 자율적으로 결정을 내릴 수 있는 시스템을 개발하는 기술이다. 이 과정에서 인공 신경망(Artificial Neural Network; ANN)과 같은 알고리즘은 데이터의 다차원적 특성을 반영한 벡터 기반 계산을 통해 높은 정확도의 분류, 예측 및 패턴 인식 성능을 발휘하며, 자연어 처리(Natural Language Processing; NLP), 이미지 및 음성 인식, 자율주행 등 다양한 분야에서 응용되고 있다. 그러나 생성형 인공지능 모델은 입력 데이터의 미세한 차이에도 크게 다른 출력을 생성하는 특성을 가지고 있어 실제로 생성형 인공지능 모델의 출력값에 기반한 서비스를 제공하기 위해서는 사람을 통한 검토 또는 수정 과정을 거치는 등 추가적인 노력과 시간 투자가 요구되는 실정이다. 특히, 학습 서비스와 관련된 경우, 교과 과정에 따라 특정 용어를 많이 사용해야 하거나, 특정 용어를 사용해선 안 되거나, 또는 특정한 말투로 작성해야 하는 등 제한이 존재하며, 문제에서 필요한 부분과 필요하지 않은 부분을 분리하여 이해해야 하고, 정답을 그대로 알려줘서는 안 되는 등 생성형 인공지능 모델을 활용하여 학습 서비스와 관련되어 힌트를 생성하기 위해서는 해결해야 할 문제점이 다수 존재한다. 도 1은 생성형 인공지능 모델의 동작 원리를 설명하기 위한 도면이다. 도 2는 본 발명의 일 실시예에 따른 힌트 생성 장치를 포함하는 힌트 생성 시스템을 나타내는 블록도이다. 도 3은 본 발명의 일 실시예에 따른 힌트 생성 장치의 내부 구성요소를 나타내는 블록도이다. 도 4는 본 발명의 일 실시예에 따라 힌트를 생성하는 방법을 나타낸 순서도이다. 도 5는 본 발명의 일 실시예에 따라 제1 입력 데이터를 생성하는 과정을 설명하기 위한 순서도이다. 도 6은 본 발명의 일 실시예에 따라 이미지 형태의 데이터를 텍스트로 변환하는 단계를 설명하기 위한 순서도이다. 도 7은 본 발명의 실시예에 따라 제3 입력 데이터를 획득하기 위한 방법을 설명하기 위한 순서도이다. 도 8은 본 발명의 일 실시예에 따라 제1 내지 제3 입력 데이터에 포함되는 각종 데이터를 선정하는 방법을 설명하기 위한 도면이다. 도 9는 본 발명의 일 실시예에 따라 제1 내지 제3 입력 데이터에 포함되는 각종 데이터를 선정하는 또 다른 방법을 설명하기 위한 도면이다. 도 10은 본 발명의 일 실시예에 따라 사용 가능 용어 또는 사용 불가능 용어의 리스트를 획득하는 방법을 설명하기 위한 도면이다. 도 11은 본 발명의 일 실시예와 관련된 생성형 인공지능 모델에 데이터가 입력되는 방식을 설명하기 위한 도면이다. 도 12는 본 발명의 일 실시예에 따라 출력 데이터를 시각적으로 표시하는 인터페이스의 예시도이다. 도 13은 본 발명의 일 실시예에 따라 출력 데이터를 시각적으로 표시하는 인터페이스의 또 다른 예시도이다. 본 실시예들은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다. 본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다. 본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다. 본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 어떤 구성요소와 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다. 본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다. 실시 예에 있어서 '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 프로세서로 구현될 수 있다. 한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다. 모델이란, 기 정의된 형태의 데이터를 입력으로 연산을 수행하여 적어도 하나의 결과값을 출력할 때, 입력부터 출력까지의 과정을 정의하는 알고리즘과, 해당 알고리즘의 수정 또는 실행을 위한 규칙을 포함하는 집합을 의미한다. 모델이 인공 신경망(Artificial neural network, ANN) 모델일 경우, 모델은 생물학적 뉴런의 작동 원리를 모방하여 설계된 그래프 형태의 수학적 모델로, 입력층(또는 입력 레이어)과 출력층(또는 출력 레이어)을 포함하며, 그 외에도 뉴런 또는 노드를 포함하는 하나 이상의 은닉층(또는 히든 레이어, Hidden layer)을 더 포함한다. 은닉층 내 뉴런은 모델 내 다른 뉴런으로부터 적어도 하나의 입력을 받아 적어도 하나의 출력값을 생성하는데, 이 때 뉴런 내에서 입력값으로부터 출력값을 생성하는 함수를 활성화 함수(Activation function)이라 한다. 활성화 함수는 시그모이드 함수(Sigmoid function), 렐루 함수(Rectified Linear Unit function, ReLU), 소프트맥스 함수(Softmax function)를 포함할 수 있으나, 이에 한정되지 않으며, 하나의 모델 또는 하나의 층을 구성하는 뉴런 간에 사용되는 활성화 함수가 다를 수 있다. 학습이란, 상기 모델의 성능을 향상시키기 위해 수행하는 것으로, 좁게는 모델 내 뉴런의 활성화 함수에 입력되는 각 입력값에 곱해지는 가중치(Weight)와 각 뉴런마다 하나가 설정되어 뉴런의 활성화 정도를 결정하는 편향(Bias)의 값을 정하는 것을 의미하며, 넓게는 가중치와 편향의 값을 정하는 것 외에 모델의 입력값이 될 데