서정연

기존 음성인식 시스템은 최상위 결과의 오인식으로 인해 잘못된 응답을 생성하는 문제가 있었습니다. 이는 특히 음성 채팅 시스템의 전반적인 성능 저하로 이어졌습니다. 본 기술은 이러한 문제점을 해결하고자 기계학습을 활용한 새로운 음성인식 방법을 제안합니다. 입력된 음성 신호에서 생성된 다수의 후보 문장들을 미리 학습된 기계학습 모델(예: RankSVM)에 따라 재순위화하고, 그 중 최상위 순위의 문장을 최종 인식 결과로 선정합니다. 이 과정을 통해 음성인식의 정확도를 획기적으로 향상시키고, 음성 채팅 시스템과 같은 응용 분야의 오류율을 줄여 사용자 경험을 개선할 수 있습니다. 본 기술은 복잡한 환경에서도 신뢰성 높은 음성인식 성능을 제공하여, 차세대 음성 기반 서비스 발전에 기여할 것입니다.

기존 한국어 형태소 합성 기술은 복잡한 규칙 정의와 미정의 상황에서의 한계점을 가지고 있었습니다. 본 발명은 이러한 문제점을 해결하기 위해 딥러닝 기반의 형태소 합성 장치 및 방법을 제안합니다. Seq2Seq 모델과 GRU(Gated Recurrent Unit)를 활용하여 입력 문장의 형태소와 품사 정보를 벡터화하고, 이를 기반으로 규칙 정의 없이도 한국어 문장을 정확하게 합성합니다. 이는 기계 번역 및 자연어 생성 분야에서 한국어 처리의 효율성과 정확도를 획기적으로 개선하며, 복잡한 규칙 구축 없이도 유연한 언어 처리를 가능하게 합니다. 따라서 본 기술은 한국어 자연어 처리 기술 발전에 크게 기여할 것으로 기대됩니다.

한국어의 교착어 특성으로 인해 기존 개체명 인식 기술은 미등록어 및 복합명사 처리 시 정확도 저하 문제를 겪어왔습니다. 본 발명은 이러한 문제점을 해결하기 위해, 한국어 개체명이 어절 어두에 위치하는 경향을 효과적으로 활용하는 새로운 개체명 인식 방법 및 장치를 제안합니다. 텍스트를 음절 바이그램으로 분할하고, 어절 어두 음절 바이그램에 특수 표식을 부가하여 임베딩을 생성함으로써 의미적 모호성을 해소합니다. 이를 통해 구축된 룩업테이블과 딥러닝 기반 알고리즘(LSTM-CRF)을 활용하여 질의문장의 개체명을 기존보다 월등히 높은 정확도로 인식할 수 있습니다. 본 기술은 한국어 자연어 처리 분야의 성능 향상에 크게 기여합니다.

기존 생물의학용어 개체명 인식 시스템은 비생물의학 용어의 오인식, 중의성 및 미등재 용어 인식 불가와 같은 한계를 가지고 있습니다. 이러한 문제로 인해 정확한 의료 정보 분석에 어려움이 있었습니다. 본 기술은 이러한 기존 시스템의 한계를 극복하고 생물의학 분야의 정확한 정보 추출을 가능하게 하는 생물의학용어 개체명 인식 시스템 및 방법을 제안합니다. 언레이블드 데이터 기반 자질과 부트스트래핑 기법을 활용하여, 자동 레이블링된 학습 데이터를 구성하고, 이를 통해 모호하거나 인식되지 않던 생물의학용어 개체명의 정확도를 획기적으로 높입니다. 본 발명은 생물의학 문서 내 핵심 용어를 정밀하게 식별하여 의료 및 바이오 연구 분야의 데이터 분석 효율성을 극대화하는 데 기여할 것입니다.

대화형 AI 시스템에서 사용자의 발화 의도를 정확히 파악하는 것은 매우 중요합니다. 기존 규칙 기반 및 말뭉치 기반 화행 분석 기술은 정확도와 확장성에서 한계가 있었습니다. 본 발명은 이러한 문제점을 해결하기 위해 심층 신경망(CNN)과 순환 신경망(RNN)을 계층적으로 결합한 혁신적인 화행 분석 장치 및 방법을 제안합니다. 이 기술은 입력 발화의 형태소, 품사, 이전 발화 정보 및 발화자 정보까지 다각적으로 분석하여 발화 단위와 대화 단위의 복합적인 맥락을 이해합니다. 그 결과, 발화자의 의도를 기존 방식보다 월등히 높은 정확도로 분석하여, 대화형 AI 시스템의 전반적인 성능과 사용자 경험을 획기적으로 개선합니다.

기존 대화 시스템의 대화 정책 모델은 규칙 기반으로 인해 유연성 및 확장성에 한계를 가졌습니다. 특히 방대한 대화 상태 공간에서의 강화 학습 적용은 어려웠습니다. 본 발명은 이러한 문제점을 해결하기 위해 사용자 발화 의도의 신뢰점수를 포함한 대화 상태를 연속적인 벡터로 표현합니다. 또한, 시간 단계마다 수신한 데이터를 활용하는 경험 재현(Experience Replay) 기법을 통해 대화 정책 모델을 강화 학습합니다. 이를 통해 경험 데이터를 효율적으로 재사용하고 샘플 간 상관관계를 줄여 데이터 효율성을 크게 향상시킵니다. 결과적으로, 더욱 지능적이고 유연하며 자연스러운 대화가 가능한 차세대 대화 시스템을 구현할 수 있습니다.