|
자동 스케줄 탐지
|
신호 처리 및 음성 UI
|
선호 POI 탐지
|
운송수단 및 그 외에 대한 추론 자동화
사용자가 어떤 것을 좋아하는지 혹은 좋아하지 않는지, 향후 어떤 행동을 할지 추론합니다
오늘날의 정교한 하드웨어는 갈수록 자동 제어를 필요로 합니다. 이러한 유형의 제어를 위한 플러그는 이미 수십 년 동안 사용할 수 있는 상황이지, 일반적으로 말하자면 프로그래밍 동작 자체는 사소한 작업이 아닙니다.
따라서, 추론이 가능하고 지능적인 선택을 자율적으로 할 수 있는 기계가 매우 필요합니다. 예를 들어, 사용자가 아침 7시에 일어나서 아침 식사를 하고 약 8시 20분에 차를 이용하여 출근한다고 상상해봅시다. 휴가일이나 공휴일을 제외하고 월요일부터 금요일까지 매일 이 일을 합니다.
Glass.AI(R)는 사용자의 행동을 추적하고, 일별 예상 아침 출발 시간을 통계로 작성하며, 이 정보를 제 3자에게 출력할 수 있습니다. 또한 이 정보를 내부적으로 처리할 수 있으며, 예를 들어 적절한 차량 통합이 이루어지면 통계적 일일 출발 시간 20분 전에 차량을 예열하는 데 사용할 수 있습니다.
또한 플랫폼이 차량의 내부 온도에 접근할 수 있고 외부 날씨가 매우 덥다는 것을 이해한다면 차를 시원하게 할 수도 있습니다.
이것은 Glas.AI를 사용하여 만들 수 있는 하나의 사용 사례입니다. Glas.AI의 가능성은 무궁무진합니다.
Glas.AI(R) 플랫폼은 완전한 데이터 기반이며 모든 데이터 I/O에 매우 직관적인 API를 사용합니다. 더욱이, 프레임워크로서, 개발자들은 내부적으로 데이터를 통해 추론 전략을 더욱 발전시키고 취할 수 있는 조치들에 대해 결론을 내릴 수 있습니다. 이 작업은 직관적인 스크립트 언어를 통해 수행됩니다.
따라서, 추론이 가능하고 지능적인 선택을 자율적으로 할 수 있는 기계가 매우 필요합니다. 예를 들어, 사용자가 아침 7시에 일어나서 아침 식사를 하고 약 8시 20분에 차를 이용하여 출근한다고 상상해봅시다. 휴가일이나 공휴일을 제외하고 월요일부터 금요일까지 매일 이 일을 합니다.
Glass.AI(R)는 사용자의 행동을 추적하고, 일별 예상 아침 출발 시간을 통계로 작성하며, 이 정보를 제 3자에게 출력할 수 있습니다. 또한 이 정보를 내부적으로 처리할 수 있으며, 예를 들어 적절한 차량 통합이 이루어지면 통계적 일일 출발 시간 20분 전에 차량을 예열하는 데 사용할 수 있습니다.
또한 플랫폼이 차량의 내부 온도에 접근할 수 있고 외부 날씨가 매우 덥다는 것을 이해한다면 차를 시원하게 할 수도 있습니다.
이것은 Glas.AI를 사용하여 만들 수 있는 하나의 사용 사례입니다. Glas.AI의 가능성은 무궁무진합니다.
Glas.AI(R) 플랫폼은 완전한 데이터 기반이며 모든 데이터 I/O에 매우 직관적인 API를 사용합니다. 더욱이, 프레임워크로서, 개발자들은 내부적으로 데이터를 통해 추론 전략을 더욱 발전시키고 취할 수 있는 조치들에 대해 결론을 내릴 수 있습니다. 이 작업은 직관적인 스크립트 언어를 통해 수행됩니다.
사용자 행동 예측 분석
사용자가 다음에 무엇을 행할지 예측합니다
사용자의 선호를 이해하는 것은 다가오는 자율 주행 시대 혹은 그 이후에도 매우 중요한 열쇠입니다. 사용자의 선호를 깊이 아는 것은 안전하고, 믿을만하고, 편안한 자율 주행 차량 운행에 매우 중요합니다.
저희 플랫폼은 사용자의 선호를 추적하고 발견하는데 특화된 플러그인 세트를 포함하고 있습니다.
예를 들어 저희는 3일간의 사용 내역만으로 사용자의 집과 일터의 위치를 자동적으로 발견할 수 있고, 이러한 지리학적 위치 정보를 사용자 일상에서의 이동 습관 및 패턴을 예측하는데 사용합니다.
패턴에 대한 좋은 예시로는 아침에 집을 떠나는 시간, 아침 통근 소요시간, 선호하는 통근 경로 등이 있습니다. 시스템은 사용자가 좋아하는 가스 충전소 및 수퍼마켓 브랜드, 좋아하는 도로 및 지름길을 발견할 수 있습니다. 이 정보는 사용자에게 연료 충전소 혹은 상점을 안내할때에 아주 중요하게 작용합니다.
모든 처리과정은 오늘날 스마트폰의 방대한 처리 능력을 이용하여 사용자의 프라이버시를 존중하며 이루어집니다.
* 발견결과는 집과 일터의 지리적 위치가 안정적인 사용자에게 정확합니다.
저희 플랫폼은 사용자의 선호를 추적하고 발견하는데 특화된 플러그인 세트를 포함하고 있습니다.
예를 들어 저희는 3일간의 사용 내역만으로 사용자의 집과 일터의 위치를 자동적으로 발견할 수 있고, 이러한 지리학적 위치 정보를 사용자 일상에서의 이동 습관 및 패턴을 예측하는데 사용합니다.
패턴에 대한 좋은 예시로는 아침에 집을 떠나는 시간, 아침 통근 소요시간, 선호하는 통근 경로 등이 있습니다. 시스템은 사용자가 좋아하는 가스 충전소 및 수퍼마켓 브랜드, 좋아하는 도로 및 지름길을 발견할 수 있습니다. 이 정보는 사용자에게 연료 충전소 혹은 상점을 안내할때에 아주 중요하게 작용합니다.
모든 처리과정은 오늘날 스마트폰의 방대한 처리 능력을 이용하여 사용자의 프라이버시를 존중하며 이루어집니다.
* 발견결과는 집과 일터의 지리적 위치가 안정적인 사용자에게 정확합니다.
음성 자동 이해
자연스러운 human-machine interface를 향해 나아갑니다.
말하기는 사람과 상호작용하는 가장 흔한 방법이기에, Glas.AI와 상호작용하는 방법으로 음성 이해를 지원하게 된 것은 자연스러운 일입니다. 저희의 음성 이해 플러그인은 사용자가 발언한 문장의 의미를 프레임워크에 의해 이해되고 저장되는 생각과 컨셉으로 변환합니다. 하지만 음성 이해 문제는 결코 간단하지 않습니다.
우리 모두는 살면서 한번쯤은 칵테일 파티에 참석해본 적이 있을 것이다. 그런 파티에서 모든 게스트가 하나의 대화를 한다는 것은 불가능한 일이다. 그래서 우리는 무리를 둘, 셋, 넷으로 나누어 무엇이 되었든 이야기를 하기 시작합니다. 결과적으로 수십개의 대화가 동시에 이루어 지는 것이고, 상당한 백그라운드 소음이 발생한다. 그렇지만 모든 게스트들은 그들이 참여하고 있는 대화 이외의 대화에 대해서는 손쉽게 신경을 끄게 된다. 이것이 '칵테일 파티 효과'라고 부르는 현상입니다.
이러한 상황은 차량안에서도 자주 발생하는데, 운전자가 차량이 이해해야하는 음성 명령어를 말하는 동안 다수의 승객이 대화에 참여하곤 합니다. Glas.AI (R) VoiceTuner (R) 라이브러리는 deep neural network를 이용해 여러 목소리의 잡음을 줄이고 각 목소리를 개별 오디오 채널로 분리합니다. 미리 정의된 트리거 단어를 말하는 목소리가 포함된 채널만이 통과되고 ASR 단계로 출력됩니다.
Android와 QNX에서 구현 가능합니다. 그 외 운영체제에서의 구현은 요청에 따라 제공될 수 있습니다.
우리 모두는 살면서 한번쯤은 칵테일 파티에 참석해본 적이 있을 것이다. 그런 파티에서 모든 게스트가 하나의 대화를 한다는 것은 불가능한 일이다. 그래서 우리는 무리를 둘, 셋, 넷으로 나누어 무엇이 되었든 이야기를 하기 시작합니다. 결과적으로 수십개의 대화가 동시에 이루어 지는 것이고, 상당한 백그라운드 소음이 발생한다. 그렇지만 모든 게스트들은 그들이 참여하고 있는 대화 이외의 대화에 대해서는 손쉽게 신경을 끄게 된다. 이것이 '칵테일 파티 효과'라고 부르는 현상입니다.
이러한 상황은 차량안에서도 자주 발생하는데, 운전자가 차량이 이해해야하는 음성 명령어를 말하는 동안 다수의 승객이 대화에 참여하곤 합니다. Glas.AI (R) VoiceTuner (R) 라이브러리는 deep neural network를 이용해 여러 목소리의 잡음을 줄이고 각 목소리를 개별 오디오 채널로 분리합니다. 미리 정의된 트리거 단어를 말하는 목소리가 포함된 채널만이 통과되고 ASR 단계로 출력됩니다.
Android와 QNX에서 구현 가능합니다. 그 외 운영체제에서의 구현은 요청에 따라 제공될 수 있습니다.
