KR101922725B1 - 인공지능 과제매칭 방법, 장치 및 프로그램 - Google Patents

인공지능 과제매칭 방법, 장치 및 프로그램 Download PDF

Info

Publication number
KR101922725B1
KR101922725B1 KR1020180086736A KR20180086736A KR101922725B1 KR 101922725 B1 KR101922725 B1 KR 101922725B1 KR 1020180086736 A KR1020180086736 A KR 1020180086736A KR 20180086736 A KR20180086736 A KR 20180086736A KR 101922725 B1 KR101922725 B1 KR 101922725B1
Authority
KR
South Korea
Prior art keywords
task
applicant
information
artificial intelligence
matching
Prior art date
Application number
KR1020180086736A
Other languages
English (en)
Inventor
김보언
Original Assignee
(주)엔터랩
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)엔터랩 filed Critical (주)엔터랩
Priority to KR1020180086736A priority Critical patent/KR101922725B1/ko
Application granted granted Critical
Publication of KR101922725B1 publication Critical patent/KR101922725B1/ko
Priority to PCT/KR2019/008394 priority patent/WO2020022669A1/ko
Priority to US17/050,164 priority patent/US20210097441A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G06F17/30867—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N99/005—

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

컴퓨터에 의하여 수행되는 과제매칭 방법으로서, 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계, 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계, 하나 이상의 지원자정보를 수집하는 단계, 하나 이상의 과제정보를 수집하는 단계 및 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계를 포함하는, 인공지능 과제매칭 방법이 개시된다.

Description

인공지능 과제매칭 방법, 장치 및 프로그램 {ARTIFICIAL INTELLIGENCE PROJECT MATCHING METHOD, APPARATUS AND PROGRAM}
본 발명은 인공지능 과제매칭 방법, 장치 및 프로그램에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
MICE는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시박람회와 이벤트(Exhibition&Event) 등의 영문 앞 글자를 딴 용어로, 좁은 의미에서는 국제회의와 전시회를 주축으로 한 유망 산업을 뜻하며, 광의적 개념으로는 참여자 중심의 보상관광과 메가 이벤트 등을 포함하는 융복합산업을 뜻한다.
등록특허공보 제 10-0339055호, 2002.05.21 등록
본 발명이 해결하고자 하는 과제는 인공지능 과제매칭 방법, 장치 및 프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 인공지능 과제매칭 방법은, 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계(S101), 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계(S102), 하나 이상의 지원자정보를 수집하는 단계(S103), 하나 이상의 과제정보를 수집하는 단계(S104) 및 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계(S105)를 포함한다.
또한, 상기 단계(S101)는, 과제의 내용, 과제 등록주체에 대한 정보, 과제 수행주체에 대한 정보 및 과제 수행결과 중 적어도 하나를 포함하는 데이터를 수집하는 단계(S106), 상기 수집된 데이터로부터 하나 이상의 파라미터를 추출하는 단계(S107) 및 상기 추출된 하나 이상의 파라미터를 포함하는 학습 데이터를 생성하는 단계(S108)를 포함할 수 있다.
또한, 상기 단계(S105)는, 제1 지원자의 지원자정보로부터 하나 이상의 파라미터를 추출하는 단계(S109), 제1 과제의 과제정보로부터 하나 이상의 파라미터를 추출하는 단계(S110), 상기 단계(S109) 및 단계(S110)에서 추출된 파라미터를 상기 인공지능 모델에 입력하는 단계(S111) 및 상기 인공지능 모델의 출력으로부터 상기 제1 과제에 대한 상기 제1 지원자의 적합도를 획득하는 단계(S112)를 포함할 수 있다.
또한, 상기 단계(S112)는, 상기 제1 과제에 대한 상기 제1 지원자의 선정확률을 획득하는 단계(S113) 및 상기 제1 과제에 대한 상기 제1 지원자의 수행가능성을 획득하는 단계(S114)를 포함할 수 있다.
또한, 상기 단계(S105)는, 상기 하나 이상의 지원자정보를 클러스터링하는 단계(S115), 상기 하나 이상의 과제정보를 클러스터링하는 단계(S116), 상기 단계(S115) 및 단계(S116)의 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하는 단계(S117), 상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하는 단계(S118), 상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 지원자 클러스터 및 제1 과제 클러스터를 결정하는 단계(S119) 및 상기 결정된 제1 지원자 클러스터에 포함된 적어도 하나의 지원자와 상기 결정된 제1 과제 클러스터에 포함된 적어도 하나의 과제를 서로 매칭하는 단계(S120)를 포함할 수 있다.
또한, 상기 단계(S104)는, 복수의 과제를 포함하는 MICE 과제정보를 획득하는 단계(S121)를 포함하고, 상기 단계(S116)는, 상기 MICE 과제정보에 포함된 상기 복수의 과제가 각각 포함된 복수의 제2 과제 클러스터를 결정하는 단계(S122) 및 상기 복수의 제2 과제 클러스터의 중점을 결정하는 단계(S123)를 포함하고, 상기 단계(S119)는, 각각의 상기 복수의 제2 과제 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 지원자 클러스터를 결정하는 단계(S124) 및 상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 지원자 클러스터를 결정하는 단계(S125)를 더 포함하고, 상기 단계(S120)는, 상기 복수의 제2 지원자 클러스터 및 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S126)를 포함할 수 있다.
또한, 상기 단계(S126)는, 상기 MICE 과제정보의 등록주체에 과제 매칭기준의 선택을 요청하되, 상기 과제 매칭기준은 최선형 및 조화형을 포함하는, 단계(S127), 상기 MICE 과제정보의 등록주체로부터 선택 입력을 수신하는 단계(S128), 상기 MICE 과제정보의 등록주체가 최선형을 선택한 경우, 상기 복수의 제2 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S129) 및 상기 MICE 과제정보의 등록주체가 조화형을 선택한 경우, 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S130)를 더 포함할 수 있다.
또한, 상기 단계(S105)는, 상기 매칭된 과제에 대한 정보를 획득하는 단계(S131), 상기 매칭된 과제의 수행결과를 획득하는 단계(S132) 및 상기 획득된 수행결과에 기초하여 상기 인공지능 모델을 학습시키는 단계(S133)를 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따라 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계, 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계, 하나 이상의 지원자정보를 수집하는 단계, 하나 이상의 과제정보를 수집하는 단계 및 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계를 수행할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따라 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 인공지능 과제매칭 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램이 제공된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
개시된 실시 예에 따르면, 인공지능 모델을 이용하여 과제와 지원자를 매칭함으로써 입찰과정에서 발생하는 불필요한 절차를 간소화하고, 과제내용에 적합한 지원자가 과제를 수행할 수 있도록 하는 효과가 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시 예에 따른 시스템을 도시한 도면이다.
도 2는 일 실시 예에 따른 인공지능 과제매칭 방법을 도시한 흐름도이다.
도 3은 일 실시 예에 따른 학습 데이터 생성방법을 도시한 흐름도이다.
도 4는 일 실시 예에 따른 매칭방법을 도시한 흐름도이다.
도 5는 일 실시 예에 따른 적합도 판단방법을 도시한 흐름도이다.
도 6은 일 실시 예에 따른 클러스터링 방법을 도시한 흐름도이다.
도 7은 일 실시 예에 따른 MICE 과제 매칭방법을 도시한 흐름도이다.
도 8은 일 실시 예에 따른 과제 매칭기준에 따른 매칭방법을 도시한 흐름도이다.
도 9는 일 실시 예에 따른 인공지능 모델 학습방법을 도시한 흐름도이다.
도 10은 일 실시 예에 따른 장치의 구성도이다.
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 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 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.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
본 명세서에서, 과제는 정부에서 수행하는 조달 및 이를 위한 입찰공고를 포함하는 의미로 이해될 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 과제의 등록주체는 정부 외에 공기업이나 사기업, 개인 등을 포함할 수 있으며, 제한되지 않는다.
과제의 종류 또한 현물, 용역 등 다양한 종류를 포함할 수 있으며, 특정한 종류로 제한되지 않는다. 예를 들어, 과제는 특정한 제품을 납품하기 위한 것일 수도 있고, 연구용역이나 전문서비스업 용역 등을 위한 것일 수도 있다.
도 1은 일 실시 예에 따른 시스템을 도시한 도면이다.
도 1을 참조하면, 관리서버(100), 클라우드 서버(200) 및 사용자 단말들(300)이 도시되어 있다.
일 실시 예에서, 관리서버(100) 또는 클라우드 서버(200)는 개시된 실시 예에 따른 과제매칭에 이용되는 인공지능 모델을 학습시킬 수 있다. 관리서버(100)와 클라우드 서버(200)는 인공지능 모델의 학습에 필요한 학습 데이터를 공유할 수 있으며, 학습 결과로서 생성되는 모델을 구성하는 파라미터를 공유할 수 있다.
일 실시 예에서, 관리서버(100) 또는 클라우드 서버(200)는 사용자 단말들(300)로부터 수집되는 정보를 이용하여 학습 데이터를 획득하고, 획득된 학습 데이터에 기초하여 인공지능 모델을 학습시킬 수 있다.
일 실시 예에서, 인공지능 모델의 학습은 클라우드 서버(200)에서 수행되고, 관리서버(100)는 학습된 인공지능 모델을 클라우드 서버(200)로부터 획득하여 개시된 실시 예에 따른 과제 매칭을 수행할 수도 있다.
일 실시 예에서, 관리서버(100)는 각 지원자의 경력, 사업이력, 매출, 실적, 사업분야, 과거 조달이력 등 다양한 지원자정보를 획득하고, 이를 분석하여 각 지원자가 용이하게 수행할 수 있는 과제정보를 추출 및 제공할 수 있다.
실시 예에 따라서, 지원자정보와 과제정보를 비교하여 적합도를 추출하는 인공지능 모델이 활용될 수 있다. 본 명세서에서, 인공지능 모델은 머신러닝을 통하여 학습된 모델을 포함하는 의미로서 이해된다.
예를 들어, 인공지능 모델은 기존의 과제정보와, 각 과제정보에 대응하여 선정된 업체에 대한 정보를 포함하는 빅데이터를 학습 데이터로 하여 학습된 모델을 의미할 수 있다. 또한, 선정된 업체의 조달실적에 대한 정보가 학습 데이터에 포함되어, 실제로 각 업체가 조달업무를 잘 수행했는지 여부에 대한 정보 또한 빅데이터로 수집되어, 인공지능 모델을 학습시키는 데 활용될 수 있다.
예를 들어, 컴퓨터는 과제정보에 기초하여 제안서의 서식을 획득하고, 지원자정보를 이용하여 제안서를 작성할 수 있다. 실시 예에 따라서, 컴퓨터는 인공지능 모델을 이용하여 과제정보에 적합한 지원자정보(즉, 해당 과제정보에 대응하는 지원자의 장점)를 추출하고, 추출된 지원자정보에 기초하여 제안서를 자동으로 작성할 수 있다.
다른 예로, 컴퓨터는 인공지능 모델을 이용하여 과제정보에 적합한 지원자정보를 추출하고, 지원자에게 제공함으로써 지원자가 제안서를 작성하는 것을 보조할 수도 있다.
예를 들어, 각각의 과제정보에 포함된 자격조건을 만족한다고 하여, 해당 과제정보에 대한 입찰을 성공할 수 있는(즉, 선정될 수 있는)것은 아닐 수 있다. 따라서, 컴퓨터는 지원자 정보와 각각의 과제정보에 포함된 내용을 분석 및 비교함으로써, 지원자가 각각의 과제정보에 대하여 선정될 수 있는 확률을 산출할 수 있다.
확률의 산출에는 다양한 인공지능 모델이 이용될 수 있다. 예를 들어, 머신러닝에 기초하여 학습된 모델로서, 지원자 정보와 과제정보를 입력으로 하고, 이에 기초하여 선정확률을 출력할 수 있는 인공지능 모델이 활용될 수 있다.
일 실시 예에서, 인공지능 모델은 자연어처리를 통해 각각의 지원자정보와 과제정보로부터 선정확률을 산출하기 위한 파라미터를 추출할 수 있다. 컴퓨터는 추출된 파라미터들을 인공지능 모델에 입력함으로써, 이에 대한 출력으로써 선정확률을 획득할 수 있다. 인공지능 모델은 기존에 종료된 과제정보와, 각각의 과제정보에 대응하여 선정된 지원자에 대한 정보를 포함하는 빅데이터를 학습 데이터로 하여 학습될 수 있다. 실시 예에 따라서, 학습된 모델은 빅데이터를 전처리하여 획득된 파라미터들을 포함할 수 있다.
다른 실시 예에서, 파라미터를 추출할 수 있는 모델이 별도로 학습되어 이용될 수도 있고, 컴퓨터가 파라미터를 추측한 후, 추측 결과를 지원자에게 제공한 후, 지원자가 선택한 파라미터를 인공지능 모델에 입력함으로써 선정확률을 산출할 수도 있다.
이하에서는 도면을 참조하여 개시된 실시 예에 따른 인공지능 과제매칭 방법을 구체적으로 설명한다.
도 2는 일 실시 예에 따른 인공지능 과제매칭 방법을 도시한 흐름도이다.
단계 S101에서, 컴퓨터는 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득한다.
일 실시 예에서, 과제수행 기록은 과제의 종류, 과제 수행주체, 과제 등록주체 및 각 주체에 대한 정보, 과제 수행 결과 및 이력 등에 대한 정보를 포함할 수 있으나, 이에 제한되지 않는다.
단계 S102에서, 컴퓨터는 상기 학습 데이터를 이용하여 인공지능 모델을 학습시킨다.
본 명세서에서, 인공지능 모델은 기계학습(Machine Learning)을 이용하여 학습된 모델을 의미할 수 있고, 특히 딥 러닝(Deep Learning)을 이용하여 학습된 모델을 의미할 수 있으나, 이에 제한되는 것은 아니다.
단계 S103에서, 컴퓨터는 하나 이상의 지원자정보를 수집한다.
본 명세서에서, 지원자정보는 과제입찰을 수행하는 업체(지원자)에 대한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다. 본 명세서에서, '업체'는 개인사업자나 법인 등의 사업체뿐 아니라, 일반 개인도 포괄하는 의미로 이해될 수 있으며, 특정한 대상을 제한하는 것은 아니다.
단계 S104에서, 컴퓨터는 하나 이상의 과제정보를 수집한다.
본 명세서에서, 과제는 정부에서 수행하는 조달 및 이를 위한 입찰공고를 포함하는 의미로 이해될 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 과제의 등록주체는 정부 외에 공기업이나 사기업, 개인 등을 포함할 수 있으며, 제한되지 않는다.
단계 S105에서, 컴퓨터는 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭한다.
일 실시 예에서, 인공지능 모델은 입력 파라미터에 기초하여 확률을 산출하는 형태의 모델일 수도 있고, 클러스터링을 통한 분류를 수행하는 모델일 수도 있으며, 또한 이에 제한되지 않는다.
인공지능 모델을 이용하여 과제와 지원자를 매칭하는 구체적인 방법에 대해서는 후술한다.
도 3은 일 실시 예에 따른 학습 데이터 생성방법을 도시한 흐름도이다.
상술한 단계(S101)에서, 컴퓨터는 과제의 내용, 과제 등록주체에 대한 정보, 과제 수행주체에 대한 정보 및 과제 수행결과 중 적어도 하나를 포함하는 데이터를 수집하는 단계(S106)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 사용자 단말들(300)로부터 데이터를 수집할 수 있으며, 외부 서버나 데이터베이스로부터 데이터를 수집할 수 있다.
또한, 컴퓨터는 상기 수집된 데이터로부터 하나 이상의 파라미터를 추출하는 단계(S107)를 수행할 수 있다.
예를 들어, 파라미터는 정량화된 숫자나 키워드로 구성될 수 있으나, 이에 제한되지 않으며, 파라미터는 인공지능 모델의 입력 또는 출력으로 이용될 수 있는 형태의 데이터를 의미할 수 있다.
또한, 컴퓨터는 상기 추출된 하나 이상의 파라미터를 포함하는 학습 데이터를 생성하는 단계(S108)를 수행할 수 있다.
예를 들어, 컴퓨터는 인공지능 모델의 입력 데이터 형식과 출력 데이터 형식에 각각 대응하는 파라미터들을 포함하는 학습 데이터를 생성할 수 있다. 예를 들어, 학습 데이터는 기존에 매칭된 과제와 지원자에 대한 정보에 기초하여, 각 과제 및 지원자로부터 추출된 파라미터 및 서로 매칭된 과제 및 지원자의 파라미터 간의 연관관계에 대한 정보를 더 포함할 수 있고, 과제 수행결과에 따른 평가항목이 각 파라미터 간의 연관관계에 반영될 수 있다.
도 4는 일 실시 예에 따른 매칭방법을 도시한 흐름도이다.
상술한 단계(S105)에서, 컴퓨터는 제1 지원자의 지원자정보로부터 하나 이상의 파라미터를 추출하는 단계(S109)를 수행할 수 있다.
또한, 컴퓨터는 제1 과제의 과제정보로부터 하나 이상의 파라미터를 추출하는 단계(S110)를 수행할 수 있다.
또한, 컴퓨터는 상기 단계(S109) 및 단계(S110)에서 추출된 파라미터를 상기 인공지능 모델에 입력하는 단계(S111)를 수행할 수 있다.
또한, 컴퓨터는 상기 인공지능 모델의 출력으로부터 상기 제1 과제에 대한 상기 제1 지원자의 적합도를 획득하는 단계(S112)를 수행할 수 있다.
즉, 컴퓨터는 서로 다른 지원자와 과제로부터 파라미터를 추출하고, 학습된 인공지능 모델에 추출된 파라미터를 입력하고, 그 출력으로서 해당 과제와 지원자 간의 적합도를 판단할 수 있다. 적합도는 긍정/부정의 이진 데이터 형태로 획득될 수도 있고, 확률 형태로 획득될 수도 있으며, 이에 제한되지 않는다.
도 5는 일 실시 예에 따른 적합도 판단방법을 도시한 흐름도이다.
상술한 단계(S112)에서, 컴퓨터는 상기 제1 과제에 대한 상기 제1 지원자의 선정확률을 획득하는 단계(S113)를 수행할 수 있다.
예를 들어, 상술한 바와 같이 각각의 과제정보에 포함된 자격조건을 만족한다고 하여, 해당 과제정보에 대한 입찰을 성공할 수 있는(즉, 선정될 수 있는)것은 아닐 수 있다. 따라서, 컴퓨터는 지원자 정보와 각각의 과제정보에 포함된 내용을 분석 및 비교함으로써, 지원자가 각각의 과제정보에 대하여 선정될 수 있는 확률을 산출할 수 있다.
확률의 산출에는 다양한 인공지능 모델이 이용될 수 있다. 예를 들어, 머신러닝에 기초하여 학습된 모델로서, 지원자 정보와 과제정보를 입력으로 하고, 이에 기초하여 선정확률을 출력할 수 있는 인공지능 모델이 활용될 수 있다.
일 실시 예에서, 인공지능 모델은 자연어처리를 통해 각각의 지원자정보와 과제정보로부터 선정확률을 산출하기 위한 파라미터를 추출할 수 있다. 컴퓨터는 추출된 파라미터들을 인공지능 모델에 입력함으로써, 이에 대한 출력으로써 선정확률을 획득할 수 있다. 인공지능 모델은 기존에 종료된 과제정보와, 각각의 과제정보에 대응하여 선정된 지원자에 대한 정보를 포함하는 빅데이터를 학습 데이터로 하여 학습될 수 있다. 실시 예에 따라서, 학습된 모델은 빅데이터를 전처리하여 획득된 파라미터들을 포함할 수 있다.
다른 실시 예에서, 파라미터를 추출할 수 있는 모델이 별도로 학습되어 이용될 수도 있고, 컴퓨터가 파라미터를 추측한 후, 추측 결과를 지원자에게 제공한 후, 지원자가 선택한 파라미터를 인공지능 모델에 입력함으로써 선정확률을 산출할 수도 있다.
또한, 컴퓨터는 상기 제1 과제에 대한 상기 제1 지원자의 수행가능성을 획득하는 단계(S114)를 수행할 수 있다.
예를 들어, 컴퓨터는 지원자의 리소스정보에 기초하여, 각각의 과제정보에 대한 입찰에 성공하는 경우, 해당 지원자가 과제업무를 수행할 수 있는 리소스를 보유하고 있는지 여부를 판단함으로써 지원자의 수행가능성을 평가할 수 있다.
일 실시 예에서, 컴퓨터는 지원자의 중복입찰 여부 및 중복입찰 배수를 결정할 수 있다. 예를 들어, 컴퓨터는 지원자의 리소스의 몇 배에 해당하는 과제정보를 지원자에게 제공할지를 결정할 수 있다.
또한, 컴퓨터는 상기 지원자의 리소스정보 및 상기 중복입찰 배수에 기초하여 상기 지원자의 확대리소스를 산출할 수 있다. 예를 들어, 컴퓨터는 지원자의 리소스정보에 중복입찰 배수를 곱하여 지원자의 확대리소스를 산출할 수 있다.
일 실시 예에서, 컴퓨터는 상기 확대리소스에 기초하여 상기 지원자가 지원가능한 수의 과제정보를 상기 지원자에게 제공할 수 있다. 예를 들어, 중복입찰 배수가 3배인 경우, 컴퓨터는 지원자의 리소스의 3배에 해당하는 양의 과제정보를 지원자에게 제공할 수 있다.
일 실시 예에서, 컴퓨터는, 확대리소스에 기초하여 과제정보를 제공하되, 단일 과제정보의 필요 리소스가 지원자의 리소스를 초과하는 경우, 해당 과제정보는 지원자에게 제공하지 않을 수 있다. 즉, 컴퓨터는 지원자의 리소스 이하의 리소스를 요구하는 과제정보들을 제공하되, 전체 과제정보의 필요 리소스가 지원자의 확장 리소스 이하가 되도록 하는 수의 과제정보를 제공할 수 있다.
도 6은 일 실시 예에 따른 클러스터링 방법을 도시한 흐름도이다.
상술한 단계(S105)에서, 컴퓨터는 상기 하나 이상의 지원자정보를 클러스터링하는 단계(S115)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 각각의 지원자 클러스터를 대표하는 특징을 키워드로서 획득할 수 있다.
또한, 컴퓨터는 상기 하나 이상의 과제정보를 클러스터링하는 단계(S116)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 각각의 과제 클러스터를 대표하는 특징을 키워드로서 획득할 수 있다.
또한, 컴퓨터는 상기 단계(S115) 및 단계(S116)의 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하는 단계(S117)를 수행할 수 있다.
또한, 컴퓨터는 상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하는 단계(S118)를 수행할 수 있다.
일 실시 예에서, 유사한 특징을 가진 클러스터일수록 서로 가까이 위치할 수 있다. 따라서, 컴퓨터는 거리에 기초하여 각 클러스터 간의 연관도를 판단할 수 있다.
또한, 컴퓨터는 상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 지원자 클러스터 및 제1 과제 클러스터를 결정하는 단계(S119)를 수행할 수 있다.
예를 들어, 컴퓨터는 각각의 과제 클러스터에 대하여 소정의 거리 내에 위치한 지원자 클러스터를 선택하고, 선택된 과제와 지원자 클러스터를 연관시킬 수 있다.
또한, 컴퓨터는 상기 결정된 제1 지원자 클러스터에 포함된 적어도 하나의 지원자와 상기 결정된 제1 과제 클러스터에 포함된 적어도 하나의 과제를 서로 매칭하는 단계(S120)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 도 2 내지 도 5와 관련하여 설명된 인공지능 모델을 이용하여 제1 지원자 클러스터와 제1 과제 클러스터에 포함된 각각의 과제 및 지원자 간의 적합도를 판단하고, 판단된 적합도에 기초하여 지원자와 과제를 서로 매칭시킬 수 있다.
도 7은 일 실시 예에 따른 MICE 과제 매칭방법을 도시한 흐름도이다.
상술한 단계(S104)에서, 컴퓨터는 복수의 과제를 포함하는 MICE 과제정보를 획득하는 단계(S121)를 수행할 수 있다.
상술한 단계(S116)에서, 컴퓨터는 상기 MICE 과제정보에 포함된 상기 복수의 과제가 각각 포함된 복수의 제2 과제 클러스터를 결정하는 단계(S122)를 수행할 수 있다.
MICE는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시박람회와 이벤트(Exhibition&Event) 등의 영문 앞 글자를 딴 용어로, 좁은 의미에서는 국제회의와 전시회를 주축으로 한 유망 산업을 뜻하며, 광의적 개념으로는 참여자 중심의 보상관광과 메가 이벤트 등을 포함하는 융복합산업을 뜻한다. 본 명세서에서, MICE 과제정보는 회의, 관광, 쇼핑, 교통(항공, 버스 등), 숙박, 전시 등에 대한 각각의 과제정보를 포함할 수 있다.
또한, 컴퓨터는 상기 복수의 제2 과제 클러스터의 중점을 결정하는 단계(S123)를 수행할 수 있다.
일 실시 예에서, 복수의 제2 과제 클러스터의 중점은 각 특성들의 중간값을 나타낼 수 있다.
상술한 단계(S119)에서, 컴퓨터는 각각의 상기 복수의 제2 과제 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 지원자 클러스터를 결정하는 단계(S124)를 수행할 수 있다.
즉, 제2 지원자 클러스터는 각각의 과제 특성에 맞는 지원자 클러스터를 의미할 수 있다.
또한, 컴퓨터는 상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 지원자 클러스터를 결정하는 단계(S125)를 수행할 수 있다.
즉, 제3 지원자 클러스터는 전체 과제 특성의 중간값에 대응하는 클러스터를 의미할 수 있다.
상술한 단계(S120)에서, 컴퓨터는 상기 복수의 제2 지원자 클러스터 및 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S126)를 수행할 수 있다.
일 실시 예에서, 컴퓨터는 각각의 과제특성에 맞는 지원자를 각각 선별할 수도 있고, 전체 과제특성의 중간에 해당하는 특징을 갖는 지원자를 선별하여 과제와 매칭할 수도 있다.
도 8은 일 실시 예에 따른 과제 매칭기준에 따른 매칭방법을 도시한 흐름도이다.
상술한 단계(S126)에서, 컴퓨터는 상기 MICE 과제정보의 등록주체에 과제 매칭기준의 선택을 요청하되, 상기 과제 매칭기준은 최선형 및 조화형을 포함하는, 단계(S127)를 수행할 수 있다.
또한, 컴퓨터는 상기 MICE 과제정보의 등록주체로부터 선택 입력을 수신하는 단계(S128)를 수행할 수 있다.
또한, 컴퓨터는 상기 MICE 과제정보의 등록주체가 최선형을 선택한 경우, 상기 복수의 제2 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S129)를 수행할 수 있다.
즉, 최선형은 각각의 과제에 대하여 최선의 특성을 갖는 지원자를 매칭하는 것이다.
또한, 컴퓨터는 상기 MICE 과제정보의 등록주체가 조화형을 선택한 경우, 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S130)를 수행할 수 있다.
즉, 조화형은 각각의 과제의 중간적 특성을 갖는 지원자를 매칭하는 것이다. MICE 과제의 경우, 서로 다른 과제 간의 통일성이 중요할 수 있다. 따라서, 컴퓨터는 사용자의 선택에 따라 각 과제 클러스터의 중간적인 특성을 갖는 지원자를 선택하여 매칭할 수 있다.
일 실시 예에서, 컴퓨터는 MICE 과제정보에 포함된 각각의 과제에 매칭되는 지원자들을 통합하여 공동입찰정보를 생성하고, 생성된 공동입찰정보를 각각의 지원자에게 제공할 수 있다.
예를 들어, MICE 과제의 경우 다양한 항목들이 함께 포함되어 있는데, 하나의 업체가 이들을 모두 수행하기는 어려울 수 있다. 따라서, 컴퓨터는 지원자가 수행할 수 없는 과제항목을 수행할 수 있는 다른 업체들에 대한 정보를 수집하여 각 지원자에게 제공하고, 해당 업체들 중 적어도 일부와 지원자가 MICE 과제에 공동지원하도록 할 수 있다.
도 9는 일 실시 예에 따른 인공지능 모델 학습방법을 도시한 흐름도이다.
상술한 단계(S105)에서, 컴퓨터는 상기 매칭된 과제에 대한 정보를 획득하는 단계(S131)를 수행할 수 있다.
또한, 컴퓨터는 상기 매칭된 과제의 수행결과를 획득하는 단계(S132)를 수행할 수 있다.
또한, 컴퓨터는 상기 획득된 수행결과에 기초하여 상기 인공지능 모델을 학습시키는 단계(S133)를 수행할 수 있다.
즉, 컴퓨터는 매칭 결과에 따라 계약이 수행되고, 과제가 수행되는 경우, 그 결과를 획득하여 다시금 학습 데이터로 활용, 인공지능 모델을 학습시킬 수 있다. 실시 예에 따라서, 컴퓨터는 매칭 결과에 따른 과제수행 결과를 평가하고, 이에 따라 인공지능 모델에 대한 강화학습을 수행할 수 있다.
일 실시 예에서, 지원자에게 제공되는 과제정보는 해당 과제에 입찰하기 위한 정보를 포함할 수 있다. 실시 예에 따라서, 컴퓨터는 지원자로부터의 선택 입력 또는 기 설정된 내용에 따라, 추출된 과제정보에 자동으로 지원하거나, 추출된 과제정보에 지원하기 위한 제안서의 적어도 일부 또는 전부를 자동으로 작성하여 지원자에게 제공할 수도 있다.
예를 들어, 컴퓨터는 과제정보에 기초하여 제안서의 서식을 획득하고, 지원자정보를 이용하여 제안서를 작성할 수 있다. 실시 예에 따라서, 컴퓨터는 인공지능 모델을 이용하여 과제정보에 적합한 지원자정보(즉, 해당 과제정보에 대응하는 지원자의 장점)를 추출하고, 추출된 지원자정보에 기초하여 제안서를 자동으로 작성할 수 있다.
일 실시 예에서, 개시된 실시 예에 따른 인공지능 모델은 서로 다른 지원자들의 제안서와, 각각의 과제에 있어서 채택된 제안서와 채택되지 않은 제안서를 분류할 수 있다. 또한, 각 제안서는 분야별로 분류될 수 있다.
인공지능 모델은 각각의 제안서를 학습 데이터로 이용하여, 채택되는 제안서에 포함되는 키워드나 특징을 추출하고, 이에 기초하여 자동으로 제안서를 생성하는 모델을 획득할 수 있다.
다른 예로, 컴퓨터는 인공지능 모델을 이용하여 과제정보에 적합한 지원자정보를 추출하고, 지원자에게 제공함으로써 지원자가 제안서를 작성하는 것을 보조할 수도 있다.
도 10은 일 실시 예에 따른 장치의 구성도이다.
프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
일 실시예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 9와 관련하여 설명된 방법을 수행한다.
예를 들어, 프로세서(102)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하고, 상기 학습 데이터를 이용하여 인공지능 모델을 학습시키고, 하나 이상의 지원자정보를 수집하고, 하나 이상의 과제정보를 수집하고, 상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭한다.
한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 관리서버
200 : 클라우드 서버
300 : 사용자 단말들
310 : 제1 사용자 단말

Claims (10)

  1. 컴퓨터에 의하여 수행되는 과제매칭 방법으로서,
    하나 이상의 과제수행 기록을 포함하는 학습 데이터를 획득하는 단계(S101);
    상기 학습 데이터를 이용하여 인공지능 모델을 학습시키는 단계(S102);
    하나 이상의 지원자정보를 수집하는 단계(S103);
    하나 이상의 과제정보를 수집하는 단계(S104); 및
    상기 인공지능 모델을 이용하여 적어도 하나의 지원자와 적어도 하나의 과제를 매칭하는 단계(S105); 를 포함하고,
    상기 단계(S105)는,
    상기 하나 이상의 지원자정보를 클러스터링하는 단계(S115);
    상기 하나 이상의 과제정보를 클러스터링하는 단계(S116);
    상기 단계(S115) 및 단계(S116)의 클러스터링 결과로 생성된 클러스터들 간의 거리를 산출하는 단계(S117);
    상기 산출된 거리에 기초하여 상기 클러스터들 간의 연관도를 판단하는 단계(S118);
    상기 판단된 연관도가 기 설정된 기준값을 초과하는 제1 지원자 클러스터 및 제1 과제 클러스터를 결정하는 단계(S119); 및
    상기 결정된 제1 지원자 클러스터에 포함된 적어도 하나의 지원자와 상기 결정된 제1 과제 클러스터에 포함된 적어도 하나의 과제를 서로 매칭하는 단계(S120); 를 포함하고,
    상기 단계(S104)는,
    복수의 과제를 포함하는 MICE 과제정보를 획득하는 단계(S121); 를 포함하고,
    상기 단계(S116)는,
    상기 MICE 과제정보에 포함된 상기 복수의 과제가 각각 포함된 복수의 제2 과제 클러스터를 결정하는 단계(S122); 및
    상기 복수의 제2 과제 클러스터의 중점을 결정하는 단계(S123); 를 포함하고,
    상기 단계(S119)는,
    각각의 상기 복수의 제2 과제 클러스터와의 연관도가 상기 기준값을 초과하는 복수의 제2 지원자 클러스터를 결정하는 단계(S124); 및
    상기 중점으로부터의 연관도가 상기 기준값을 초과하는 제3 지원자 클러스터를 결정하는 단계(S125); 를 더 포함하고,
    상기 단계(S120)는,
    상기 복수의 제2 지원자 클러스터 및 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S126); 를 포함하는,
    인공지능 과제매칭 방법.
  2. ◈청구항 2은(는) 설정등록료 납부시 포기되었습니다.◈
    제1 항에 있어서,
    상기 단계(S101)는,
    과제의 내용, 과제 등록주체에 대한 정보, 과제 수행주체에 대한 정보 및 과제 수행결과 중 적어도 하나를 포함하는 데이터를 수집하는 단계(S106);
    상기 수집된 데이터로부터 하나 이상의 파라미터를 추출하는 단계(S107); 및
    상기 추출된 하나 이상의 파라미터를 포함하는 학습 데이터를 생성하는 단계(S108); 를 포함하는,
    인공지능 과제매칭 방법.
  3. ◈청구항 3은(는) 설정등록료 납부시 포기되었습니다.◈
    제2 항에 있어서,
    상기 단계(S105)는,
    제1 지원자의 지원자정보로부터 하나 이상의 파라미터를 추출하는 단계(S109);
    제1 과제의 과제정보로부터 하나 이상의 파라미터를 추출하는 단계(S110);
    상기 단계(S109) 및 단계(S110)에서 추출된 파라미터를 상기 인공지능 모델에 입력하는 단계(S111); 및
    상기 인공지능 모델의 출력으로부터 상기 제1 과제에 대한 상기 제1 지원자의 적합도를 획득하는 단계(S112); 를 포함하는,
    인공지능 과제매칭 방법.
  4. ◈청구항 4은(는) 설정등록료 납부시 포기되었습니다.◈
    제3 항에 있어서,
    상기 단계(S112)는,
    상기 제1 과제에 대한 상기 제1 지원자의 선정확률을 획득하는 단계(S113); 및
    상기 제1 과제에 대한 상기 제1 지원자의 수행가능성을 획득하는 단계(S114); 를 포함하는,
    인공지능 과제매칭 방법.
  5. 삭제
  6. 삭제
  7. ◈청구항 7은(는) 설정등록료 납부시 포기되었습니다.◈
    제1 항에 있어서,
    상기 단계(S126)는,
    상기 MICE 과제정보의 등록주체에 과제 매칭기준의 선택을 요청하되, 상기 과제 매칭기준은 최선형 및 조화형을 포함하는, 단계(S127);
    상기 MICE 과제정보의 등록주체로부터 선택 입력을 수신하는 단계(S128);
    상기 MICE 과제정보의 등록주체가 최선형을 선택한 경우, 상기 복수의 제2 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S129); 및
    상기 MICE 과제정보의 등록주체가 조화형을 선택한 경우, 상기 제3 지원자 클러스터에 포함된 복수의 지원자와, 상기 복수의 과제를 각각 서로 매칭하는 단계(S130); 를 더 포함하는,
    인공지능 과제매칭 방법.
  8. ◈청구항 8은(는) 설정등록료 납부시 포기되었습니다.◈
    제1 항에 있어서,
    상기 단계(S105)는,
    상기 매칭된 과제에 대한 정보를 획득하는 단계(S131);
    상기 매칭된 과제의 수행결과를 획득하는 단계(S132); 및
    상기 획득된 수행결과에 기초하여 상기 인공지능 모델을 학습시키는 단계(S133); 를 더 포함하는,
    인공지능 과제매칭 방법.
  9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    제1항의 방법을 수행하는, 장치.
  10. 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
KR1020180086736A 2018-07-25 2018-07-25 인공지능 과제매칭 방법, 장치 및 프로그램 KR101922725B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180086736A KR101922725B1 (ko) 2018-07-25 2018-07-25 인공지능 과제매칭 방법, 장치 및 프로그램
PCT/KR2019/008394 WO2020022669A1 (ko) 2018-07-25 2019-07-09 인공지능 과제매칭 방법, 장치 및 프로그램
US17/050,164 US20210097441A1 (en) 2018-07-25 2019-07-09 Artificial intelligence task matching method, apparatus, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180086736A KR101922725B1 (ko) 2018-07-25 2018-07-25 인공지능 과제매칭 방법, 장치 및 프로그램

Related Child Applications (4)

Application Number Title Priority Date Filing Date
KR1020180142879A Division KR101944093B1 (ko) 2018-11-19 2018-11-19 인공지능 과제매칭을 위한 과제 지원자 평가방법
KR1020180142881A Division KR101944095B1 (ko) 2018-11-19 2018-11-19 클러스터링 기반 인공지능 과제매칭 방법
KR1020180142876A Division KR101944087B1 (ko) 2018-11-19 2018-11-19 과제매칭용 인공지능 모델의 학습을 위한 학습데이터 생성방법
KR1020180142877A Division KR101944090B1 (ko) 2018-11-19 2018-11-19 과제매칭용 인공지능 모델의 학습방법

Publications (1)

Publication Number Publication Date
KR101922725B1 true KR101922725B1 (ko) 2018-11-27

Family

ID=64603400

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180086736A KR101922725B1 (ko) 2018-07-25 2018-07-25 인공지능 과제매칭 방법, 장치 및 프로그램

Country Status (3)

Country Link
US (1) US20210097441A1 (ko)
KR (1) KR101922725B1 (ko)
WO (1) WO2020022669A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020022669A1 (ko) * 2018-07-25 2020-01-30 (주)엔터랩 인공지능 과제매칭 방법, 장치 및 프로그램

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112910708B (zh) * 2021-02-07 2023-03-03 中国工商银行股份有限公司 分布式服务调用方法及装置
WO2023102867A1 (en) * 2021-12-10 2023-06-15 Citrix Systems, Inc. Intelligent task assignment and performance
CN116932228B (zh) * 2023-09-14 2023-12-12 湖南希赛网络科技有限公司 一种基于志愿者计算的边缘ai任务调度和资源管理系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4378646B2 (ja) * 2005-09-28 2009-12-09 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
KR101548526B1 (ko) * 2013-11-27 2015-09-01 한국과학기술정보연구원 외부 인적자원의 평가를 이용한 핵심기술과 수행주체 선정 장치, 시스템 및 방법
KR20160149050A (ko) * 2015-06-17 2016-12-27 한국과학기술정보연구원 텍스트 마이닝을 활용한 순수 기업 선정 장치 및 방법
KR20170087435A (ko) * 2017-07-10 2017-07-28 주식회사 인브레인 컴포넌트 기반 소프트웨어 분석 도구의 전문가 지식 학습 및 추천 방법
KR101922725B1 (ko) * 2018-07-25 2018-11-27 (주)엔터랩 인공지능 과제매칭 방법, 장치 및 프로그램

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
문병주 외, Hybrid-LDA 기반의 평가위원 추천시스템, 2016년 한국통신학회 하계종합학술발표회, 한국통신학회, 2016.*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020022669A1 (ko) * 2018-07-25 2020-01-30 (주)엔터랩 인공지능 과제매칭 방법, 장치 및 프로그램

Also Published As

Publication number Publication date
WO2020022669A1 (ko) 2020-01-30
US20210097441A1 (en) 2021-04-01

Similar Documents

Publication Publication Date Title
KR101922725B1 (ko) 인공지능 과제매칭 방법, 장치 및 프로그램
WO2021159776A1 (zh) 基于人工智能的推荐方法、装置、电子设备及存储介质
Wen Using deep learning approach and IoT architecture to build the intelligent music recommendation system
KR101972561B1 (ko) 인공지능 기반 질의응답 도출방법, 장치 및 프로그램
US11004123B2 (en) Method for trading goods on a computer network based on image processing for interest, emotion and affinity detection
KR20180002944A (ko) 개인 선호별 최적의 상품 제안을 위한 빅데이터 추천시스템 및 추천방법
CN111784455A (zh) 一种物品推荐方法及推荐设备
CN110363213A (zh) 服装图像的认知分析和分类
KR20200007969A (ko) 정보 처리 방법, 단말기, 및 컴퓨터 저장 매체
Nadimi-Shahraki et al. Cold-start problem in collaborative recommender systems: Efficient methods based on ask-to-rate technique
KR20190056940A (ko) 멀티모달 데이터 학습 방법 및 장치
CN110992124B (zh) 房源的推荐方法及房源的推荐系统
JP6062384B2 (ja) タスク割り当てサーバ、タスク割り当て方法およびプログラム
Burdi et al. Application of the naive bayes method to a decision support system to provide discounts (Case study: PT. Bina Usaha Teknik)
CN112053205A (zh) 通过机器人情绪识别的产品推荐方法及装置
KR101944087B1 (ko) 과제매칭용 인공지능 모델의 학습을 위한 학습데이터 생성방법
KR101944093B1 (ko) 인공지능 과제매칭을 위한 과제 지원자 평가방법
KR101944090B1 (ko) 과제매칭용 인공지능 모델의 학습방법
KR101944095B1 (ko) 클러스터링 기반 인공지능 과제매칭 방법
KR102247868B1 (ko) 인공 지능 기반의 큐레이팅 방법 및 이러한 방법을 수행하는 장치
Ozyirmidokuz et al. A data mining based approach to a firm's marketing channel
KR102039294B1 (ko) 인공지능 기반 질의 응답을 통한 포상관광지 획득 방법, 장치 및 프로그램
KR20220113302A (ko) 인공 신경망 기반의 부동산 투자 큐레이션 시스템 및 그 방법
CN113641889A (zh) 基于商品表示的点击率预测方法及装置
WO2021071428A1 (en) System and method for innovation, creativity, and learning as a service

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant