KR102029461B1 - 인공 지능 기반의 광고 결과 예측 방법 및 이러한 방법을 수행하는 장치 - Google Patents

Abstract

본 발명은 인공 지능 기반의 광고 결과 예측 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 인공 지능 기반의 광고 결과 예측 방법은 인공 지능 광고 서버가 제1 플랫폼 광고 정보를 생성하는 단계, 인공 지능 광고 서버가 제1 플랫폼 광고 정보에 대한 제1 광고 결과 정보를 수신하는 단계, 인공 지능 광고 서버가 제1 플랫폼 광고 정보와 제1 광고 결과 정보를 입력 정보로 머신 러닝을 수행하는 단계와 인공 지능 광고 서버가 머신 러닝을 기반으로 제2 플랫폼 광고 정보를 생성하는 단계를 포함할 수 있다.

Description

인공 지능 기반의 광고 결과 예측 방법 및 이러한 방법을 수행하는 장치{Method for prediction of advertisement result and and apparatus for using the method}

본 발명은 인공 지능 기반의 광고 결과 예측 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 머신 러닝(machine learning)을 기반으로 광고 결과를 예측하여 보다 간단하게 다양한 플랫폼에 효과적으로 광고를 집행하기 위한 방법 및 장치에 관한 것이다.

다양한 신기술을 흡수하며 진화해온 광고 및 미디어 산업이 최근 AI(artificial intelligence)(또는 인공 지능)와의 접목을 모색하고 있다. 광고와 미디어 시장의 포화에 따른 경쟁 격화와 기계가 스스로 학습할 수 있는 머신 러닝 기술의 급속한 발전 및 AI를 구동할 수 있는 컴퓨터 비용의 하락 등이 AI 기술을 적용한 광고 기술의 발전을 가속화하고 있다.

이뿐만 아니라, 미디어 산업은 제작과 유통 및 시청자 대응 등 다양한 영역에 걸쳐 AI를 활용하고 있다. AI는 미래 광고 및 미디어 산업에서 없어서는 안 될 존재로 점차 입지를 굳히고 있는 것으로 판단된다.

광고를 한다는 것은 일종의 추천 엔진을 가동하는 것인데 딥 러닝은 추천에 탁월한 능력을 가지고 있다. 프로그래밍된 광고를 타겟팅시 머신 러닝은 사용자의 광고 클릭률을 높이며 리타겟팅(retargeting)시 최적의 제품 조합과 광고 카피를 선택하도록 할 수 있다.

이러한 AI 기반 광고 기술이 활용됨에 있어서, 사용자가 보다 편리하게 이러한 AI 기반 광고 기술을 활용할 수 있는 광고 플랫폼이 필요하다. 구체적으로 사용자가 다양한 플랫폼을 통해 AI 기반 광고를 원할 경우, 보다 편리하고 정확하게 광고를 생성하고, 광고 대상을 타겟팅하여 광고를 수행하기 위한 방법에 대한 개발 및 연구가 필요하다.

본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.

또한, 본 발명은, 인공 지능을 기반으로 광고 결과를 예측하여 예측된 광고 결과를 기반으로 다양한 광고 플랫폼에서 보다 정확하고 효율적으로 광고를 집행하는 것을 다른 목적으로 한다.

또한, 본 발명은, 인공 지능을 기반으로 광고 결과를 예측하고 광고 결과에 대한 피드백을 기반으로 플랫폼 광고 정보를 수정함으로써 외부 광고 업체의 도움없이 광고주 장치에 의한 직접적인 광고 집행을 가능하게 하는 것을 또 다른 목적으로 한다.

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.

본 발명의 일 태양에 따르면, 인공 지능 기반의 광고 결과 예측 방법은 인공 지능 광고 서버가 제1 플랫폼 광고 정보를 생성하는 단계, 상기 인공 지능 광고 서버가 상기 제1 플랫폼 광고 정보에 대한 제1 광고 결과 정보를 수신하는 단계, 상기 인공 지능 광고 서버가 상기 제1 플랫폼 광고 정보와 상기 제1 광고 결과 정보를 입력 정보로 머신 러닝을 수행하는 단계와 상기 인공 지능 광고 서버가 상기 머신 러닝을 기반으로 제2 플랫폼 광고 정보를 생성하는 단계를 포함할 수 있다.

본 발명의 다른 태양에 따르면, 인공 지능 기반의 광고 결과를 예측하는 인공 지능 광고 서버는 플랫폼 광고 정보를 생성하는 광고 생성부와 상기 광고 생성부와 동작 가능하게(operatively) 연결된 제어부를 포함하되, 상기 제어부는 제1 플랫폼 광고 정보를 생성하고, 상기 제1 플랫폼 광고 정보에 대한 제1 광고 결과 정보를 수신하고, 상기 제1 플랫폼 광고 정보와 상기 제1 광고 결과 정보를 입력 정보로 머신 러닝을 수행하고, 상기 머신 러닝을 기반으로 제2 플랫폼 광고 정보를 생성하도록 구현될 수 있다.

본 발명에 의하면, 인공 지능을 기반으로 광고 결과를 예측하여 예측된 광고 결과를 기반으로 다양한 광고 플랫폼에서 보다 정확하고 효율적으로 광고의 집행이 가능하다.

또한, 본 발명에 의하면, 인공 지능을 기반으로 광고 결과를 예측하고 광고 결과에 대한 피드백을 기반으로 플랫폼 광고 정보를 수정함으로써 외부 광고 업체의 도움없이 광고주 장치가 직접적으로 광고를 집행할 수 있다.

또한, 본 발명에 의하면, 실시간 광고 전략 변경을 제안하여 광고 효율을 극대화하고, 가장 관련도 높은 광고 타켓 선정이 가능하며, 학습된 최적 세팅 값을 바탕으로 개선된 광고 전략을 수정 및 재정립하여 추후 집행할 광고에 대한 파라미터값을 다시 생성하여 지속적인 광고 효과/성능 개선이 가능하다.

또한, 본 발명에 의하면, 광고주의 광고 캠페인 생성을 위한 기술적 데이터 분석이 가능하며, 데이터에 기반한 더욱 정확한 실제 타겟 선정이 가능하다.

도 1은 본 발명의 실시예에 따른 인공 지능 광고 시스템을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 인공 지능 광고 서버를 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 인공 지능 서버의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 광고 플랫폼 별 플랫폼 광고 이미지를 생성하는 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 플랫폼별 광고 결과에 따라 새로운 광고 타겟팅 방법을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 광고 플랫폼 별 플랫폼 광고 정보를 생성하는 방법을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 광고주 광고 정보와 플랫폼 광고 타겟팅 정보를 대응시키기 위해 클러스터링 방법을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 멀티 채널 광고 인터페이스의 동작을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 광고주 정보를 추출하는 방법을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 인공 지능 광고 서버의 광고 최적화 방법을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 인공 지능 광고 서버의 광고 클릭률 확률 분포의 예측 방법을 나타낸 개념도이다.
도 12는 본 발명의 실시예에 따른 외부 정보를 고려하여 광고를 생성하는 방법을 나타낸 개념도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

현재 다양한 광고 플랫폼(예를 들어, 대형 포털 서비스, SNS(social network service) 등)을 통해 광고를 집행하기 위해서는 다양한 광고 플랫폼에 대한 이해 및 광고 플랫폼별로 광고 타게팅 대상에 대한 정확한 설정이 필요하다. 광고 플랫폼에 대한 이해 및 광고 타겟팅 대상에 대한 정확한 설정에 대한 이해가 부족한 광고 집행 업체(또는 광고주)들은 광고 전문 업체를 통해 광고 업무를 의뢰할 수밖에 없거나, 동일한 광고비를 사용하더라도 광고비 대비 광고 효과는 떨어질 수밖에 없다.

또한, 광고 플랫폼에 대한 이해 및 광고 타겟팅 대상에 대한 정확한 설정에 대한 이해가 있다고 하더라도 광고 플랫폼별로 서로 다른 광고 디자인이 사용되어야 하기 때문에 광고 플랫폼 별로 별도의 광고 디자인 작업이 수행되어야 한다.

본 발명의 실시예에 따른 인공 지능 기반의 광고 방법에서는 인공 지능을 기반으로 다양한 광고 플랫폼에서 한번의 설정으로 보다 정확하고 효과적으로 광고를 집행하는 방법이 개시된다.

구체적으로 본 발명의 실시예에 따른 광고 시스템에서는 지속적으로 축적되는 학습데이터를 통해 최적화 능력을 향상 시키는 최적화 엔진, 둘째 대표적인 디지털 마케팅 퍼블리셔인 구글 광고 네트워크, 페이스북 및 인스타그램 등의 API와 통신하여 실시간으로 광고를 집행하고 방문자 정보 등과 같은 데이터를 분석하는 연결 엔진, 셋째 다양한 웹사이트의 데이터를 수집/분석하여 정확한 타겟팅 전략을 생성하는 빅데이터 분석기, 넷째 사용자 정보(산업군, 국가 등)에 따라 차별화된 질문을 통해 광고 전략을 생성하는 챗봇, 다섯째 광고 게재 사이트/산업/광고 내용 별로 사이즈 및 디자인을 최적화 하는 디스플레이 광고 자동 생성부 등이 포함될 수 있다.

또한, 본 발명의 실시예에 따른 인공 지능 기반의 광고 방법에서는 인공 지능을 기반으로 외부 광고 전문 업체의 도움 없이도 간단한 절차를 통해 광고 집행자가 직접 광고를 집행하기 위한 방법이 개시된다.

이하, 본 발명의 실시예에서 사용되는 머신 러닝은 지도학습, 비지도 학습 딥 러닝 등을 모두 포함하는 인공 지능 기반 학습을 포괄하는 용어로서 사용될 수 있다.

도 1은 본 발명의 실시예에 따른 인공 지능 광고 시스템을 나타낸 개념도이다.

도 1에서는 인공 지능을 기반으로 광고 서비스를 제공하기 위한 인공 지능 광고 시스템이 개시된다.

도 1을 참조하면, 인공 지능 광고 시스템은 광고 플랫폼(120), 인공 지능 광고 서버(100), 광고주 장치(140), 광고 타겟 장치(160)를 포함할 수 있다.

광고 플랫폼(120)은 광고 타겟 장치로 광고를 제공하는 플랫폼일 수 있다. 예를 들어, 광고 플랫폼(120)은 대형 포털 서비스, 검색 서비스, SNS(social network service) 등과 같이 서비스 상에 광고 인터페이스를 제공하고, 광고 인터페이스를 통해 업로드된 플랫폼 광고 정보를 광고 타겟 장치(160)로 제공하는 플랫폼일 수 있다.

광고 플랫폼(120)의 광고 인터페이스는 광고 플랫폼(120)에서 직접적으로 제공되는 내부 광고 인터페이스, 외부 서버에서도 광고 플랫폼(120)을 이용하기 위한 광고 API(application program interface)와 같은 외부 광고 인터페이스를 포함할 수 있다.

본 발명의 실시예에 따르면, 광고 플랫폼(120)은 인공 지능 광고 서버(100)로부터 수신한 플랫폼 광고 정보를 기반으로 광고를 광고 타겟 장치(160)로 제공할 수 있다. 복수의 광고 플랫폼(120)이 존재할 수 있고, 복수의 광고 플랫폼(120) 각각은 인공 지능 광고 서버(100)로부터 복수의 광고 플랫폼(120) 각각에 대응되는 복수의 플랫폼 광고 정보(플랫폼 광고 정보1, 플랫폼 광고 정보2, ?, 플랫폼 광고 정보n) 각각을 수신하여 광고를 광고 타겟 장치(160)로 제공할 수 있다.

플랫폼 광고 정보는 광고주 장치(140)로부터 수신한 광고주 광고 정보를 기반으로 인공 지능 광고 서버(100)에 의해 생성된 광고 플랫폼에 대응되는 광고 정보일 수 있다.

광고주 장치(140)는 광고를 집행하는 광고주의 장치일 수 있다. 광고주 장치(140)는 인공 지능 광고 서버(100)로 광고주 광고 정보를 전송할 수 있다. 광고주 광고 정보는 광고주에 의해 제공된 광고를 위한 정보로서 광고 상품 종류, 광고 상품 이름, 광고 상품 가격, 광고 상품 이미지, 회사 상표, 광고 카피 문구, 광고 타겟 등에 대한 정보를 포함할 수 있다.

본 발명의 실시예에 따르면 광고주 장치(140)에 의해 제공된 광고주 광고 정보를 기반으로 복수의 광고 플랫폼 각각에 대응되는 복수의 플랫폼 광고 정보 각각이 생성될 수 있다. 또한, 광고주 광고 정보는 복수의 광고 플랫폼 각각에 대해 별도로 생성되는 것이 아니라, 하나의 광고주 광고 정보를 기반으로 인공 지능 광고 서버(100)에 의해 복수의 광고 플랫폼 각각에 대응되는 복수의 플랫폼 광고 정보 각각이 생성될 수 있다.

인공 지능 광고 서버(100)는 광고주 장치(140)로부터 수신한 광고주 광고 정보를 사용하여 머신 러닝 및/또는 기타 알고리즘을 기반으로 적어도 하나의 플랫폼 광고 정보를 생성하기 위해 구현될 수 있다.

인공 지능 광고 서버(100)는 광고주 정보를 처리하여 인공 지능을 기반으로 광고 플랫폼별 광고 디자인을 통해 플랫폼별 광고 이미지 정보를 생성할 수 있다.

또한, 인공 지능 광고 서버(100)는 인공 지능을 기반으로 한 광고별 최적의 광고 타겟의 결정하고 이후 광고 효과에 대한 피드백을 기반으로 적응적으로 광고 타겟을 조정하여 광고를 수행할 수 있다.

인공 지능 광고 서버(100)에 의해 생성되는 플랫폼 광고 정보는 플랫폼 광고 이미지 정보 및 플랫폼 광고 타겟팅 정보를 포함할 수 있다. 인공 지능 광고 서버(100)가 복수의 광고 플랫폼을 타겟팅하는 경우, 인공 지능 광고 서버(100)는 복수의 플랫폼 광고 정보를 생성할 수 있다. 복수의 플랫폼 광고 정보 각각은 복수의 플랫폼 광고 이미지 정보 각각 및 복수의 플랫폼 광고 타겟팅 정보 각각을 포함할 수 있다.

인공 지능 광고 서버(100)는 광고 플랫폼의 외부 광고 인터페이스(예를 들어, 광고 플랫폼별 API)를 통해 적어도 하나의 플랫폼 광고 정보를 적어도 하나의 광고 플랫폼(120)으로 전송할 수 있다.

즉, 인공 지능 광고 서버(100)는 광고주 광고 정보를 수신하고, 광고주 광고 정보를 기반으로 복수의 플랫폼 광고 정보를 생성하고, 복수의 플랫폼 광고 정보 각각을 멀티 채널 광고 인터페이스를 통해 복수의 광고 플랫폼 각각으로 전송할 수 있다.

복수의 플랫폼 광고 정보는 복수의 플랫폼 광고 이미지 정보 및 복수의 플랫폼 광고 타겟팅 정보를 포함하고, 복수의 플랫폼 광고 이미지 정보는 복수의 광고 플랫폼 각각에 대응되는 복수의 광고 이미지 정보를 포함하고, 복수의 플랫폼 광고 타겟팅 정보는 복수의 광고 플랫폼 각각에 대응되는 복수의 광고 타겟팅 정보를 포함할 수 있다.

인공 지능 광고 서버가 멀티 채널 광고 인터페이스를 통해 복수의 플랫폼 광고 정보를 기반으로 광고에 대한 광고 결과 정보를 수신하고, 광고 결과 정보의 분석을 기반으로 복수의 플랫폼 광고 이미지 정보 및/또는 복수의 플랫폼 광고 타겟팅 정보 각각에 대한 수정 여부를 결정할 수 있다.

광고주 광고 정보는 인공 지능 챗봇을 기반으로 수집되고, 광고주 광고 정보는 인공 지능 챗봇 상에 입력된 광고주 웹 페이지 상의 정보의 스크랩핑을 기반으로 수집되거나, 인공 지능 챗봇의 광고주 장치로의 질문을 기반으로 수집될 수 있다.

광고 타겟 장치(160)는 광고 플랫폼(120)을 통해 광고를 제공받는 장치일 수 있다. 광고 플랫폼에 올라간 광고는 플랫폼 광고 정보를 기반으로 타겟팅된 광고 타겟 장치(160)로 제공될 수 있다.

도 2는 본 발명의 실시예에 따른 인공 지능 광고 서버를 나타낸 개념도이다.

도 2에서는 인공 지능 광고 서버에서 인공 지능을 기반으로 광고를 생성하는 방법이 개시된다.

도 2를 참조하면, 인공 지능 광고 서버는 광고주 인터페이스(200), 멀티 채널 광고 인터페이스(210), 데이터 수집부(220), 데이터 가공부(230), 데이터 학습부(240), 광고 생성부(250), 제어부(260)를 포함할 수 있다.

광고주 인터페이스(200)는 광고주 장치로부터 광고주 광고 정보 수신하기 위해 구현될 수 있다. 전술한 바와 같이 광고주 광고 정보는 광고주에 의해 제공된 광고를 위한 정보로서 광고 상품 종류, 광고 상품 이름, 광고 상품 가격, 광고 상품 이미지, 회사 상표, 광고 카피 문구, 광고 타겟 등에 대한 정보를 포함할 수 있다.

본 발명의 실시예에 따르면, 광고주 인터페이스(200)는 인공 지능 챗봇(chatbot)으로 구현될 수 있다. 인공 지능 광고 서버는 인공 지능 챗봇을 통한 질의, 응답 절차를 통해 광고주 광고 정보를 수신할 수 있다. 또는 광고주 인터페이스(200)는 광고주에 의해 제공된 광고주 웹 페이지를 기반으로 광고주 웹 페이지를 통해 광고주 광고 정보를 스크랩핑하도록 구현될 수도 있다.

멀티 채널 광고 인터페이스(210)는 광고 생성부(250)에 의해 생성된 적어도 하나의 플랫폼 광고 정보를 적어도 하나의 광고 플랫폼으로 전송하기 위해 구현될 수 있다.

멀티 채널 광고 인터페이스(210)는 복수의 플랫폼 광고 정보 각각을 복수의 광고 플랫폼 각각으로 전송하기 위해 구현될 수 있다. 예를 들어, 멀티 채널 광고 인터페이스(210)는 복수의 광고 플랫폼에 의해 제공되는 복수의 API를 통해 복수의 광고 플랫폼으로 복수의 플랫폼 광고 정보를 제공하기 위해 구현될 수 있다.

데이터 수집부(220)는 광고를 위한 데이터를 수집하기 위해 구현될 수 있다. 예를 들어, 데이터 수집부(220)는 머신 러닝을 위한 데이터 및 플랫폼 광고 정보를 생성하기 위한 데이터를 수집하기 위해 구현될 수 있다.

구체적으로, 데이터 수집부(220)는 웹 크롤링(web crawling)과 같은 기술을 기반으로 직접적 또는 간접적으로 광고(또는 광고 효과)와 관련성을 가질 수 있는 외부 광고 영향 정보(또는 광고 참조 정보)(예를 들어, 날씨 정보, 지역 온라인 이벤트 정보/오프라인 이벤트 정보 등)를 지속적으로 수집할 수 있다. 데이터 수집부(220)는 광고 플랫폼을 통한 광고 결과(또는 광고 효과)를 분석하기 위한 광고 결과 정보도 수집할 수 있다. 광고 결과 정보는 광고 클릭률과 같은 광고 플랫폼을 통해 제공된 광고에 대한 광고 타겟 장치의 피드백 정보를 포함할 수 있다.

또한, 데이터 수집부(220)는 광고 타겟(또는 광고 타겟 장치)과 관련된 정보도 수집할 수 있다. 데이터 수집부(220)는 광고 플랫폼을 통해 광고를 제공받는 광고 타겟의 위치 데이터와 같은 광고 타겟 관련 정보도 수집할 수 있다.

이뿐만 아니라, 데이터 수집부(220)는 기존 광고 정보도 수집할 수 있다. 본 발명의 실시예에 따르면, 광고 생성부(250)는 인공 지능을 기반으로 플랫폼별 광고 이미지 정보를 생성할 수 있는데 인공 지능 기반으로 한 광고 디자인을 위해 기존 광고 정보도 수집할 수 있다.

데이터 가공부(230)는 데이터 수집부(220)에 의해 수집된 데이터들에 대한 가공을 위해 구현될 수 있다. 데이터 가공부(230)는 데이터 학습부(240)의 머신 러닝을 위해 수집된 정보(예를 들어, 광고 참조 정보, 광고 결과 정보, 광고 타겟 관련 정보, 기존 광고 정보)에 대한 가공을 수행할 수 있다. 예를 들어, 데이터 가공부(230)는 지도 학습(supervised learning)을 위한 라벨링(labeling), 데이터 분류 등을 수행하거나, 비지도 학습(unsupervised learning), 딥러닝(deep learning) 등을 위한 입력 데이터를 만들기 위한 데이터 가공을 수행할 수 있다.

데이터 학습부(240)는 플랫폼 광고 정보를 생성하기 위한 학습을 위해 구현될 수 있다. 전술한 바와 같이 플랫폼 광고 정보는 플랫폼 광고 이미지 정보 및 플랫폼 광고 타겟팅 정보 등을 포함할 수 있다.

데이터 학습부(240)는 기존 광고 정보 등을 입력 정보로서 활용하여 플랫폼 광고 이미지 정보를 생성하기 위한 머신 러닝을 수행할 수 있다.

또한, 데이터 학습부(240)는 광고 참조 정보, 광고 결과 정보, 광고 타겟 관련 정보 등을 입력 정보로서 활용하여 플랫폼 광고 타겟팅 정보를 생성하기 위한 머신 러닝을 수행할 수 있다.

데이터 학습부(240)는 광고 플랫폼 별로 데이터에 대한 머신 러닝을 수행하여 광고 플랫폼 별로 플랫폼 광고 정보를 생성할 수 있다.

광고 생성부(250)는 데이터 학습부(240)에 의한 머신 러닝 결과 및 광고 생성 알고리즘을 기반으로 플랫폼 광고 정보를 생성할 수 있다. 광고 생성 알고리즘은 머신 러닝 결과를 제외한 플랫폼 광고 정보를 생성하기 위한 알고리즘일 수 있다. 생성된 플랫폼 광고 정보는 멀티 채널 광고 인터페이스(210)로 전달되어 광고 플랫폼으로 전달될 수 있다.

제어부(260)는 광고주 인터페이스(200), 멀티 채널 광고 인터페이스(210), 데이터 수집부(220), 데이터 가공부(230), 데이터 학습부(240), 광고 생성부(250) 각각의 동작을 제어하기 위해 구현될 수 있다. 제어부(260)는 인공 지능 광고 서버의 각 구성부와 동작 가능하게(operatively) 연결될 수 있다.

도 3은 본 발명의 실시예에 따른 인공 지능 서버의 동작을 나타낸 개념도이다.

도 3에서는 인공 지능 챗봇으로 구현된 광고주 인터페이스가 개시된다.

도 3을 참조하면, 광고주 장치와 인공 지능 챗봇 간의 대화를 통해 광고주 광고 정보가 수집될 수 있다.

인공 지능 챗봇은 광고주 장치로부터 광고주 광고 정보를 획득하기 위한 채팅을 수행할 수 있다.

인공 지능 챗봇은 광고 상품 종류, 광고 상품 이름, 광고 상품 가격, 광고 상품 이미지, 회사 상표, 광고 카피 문구, 광고 타겟 등에 대한 정보를 채팅 기반으로 획득할 수 있다.

인공 지능 챗봇은 광고주의 대답이 명확하지 않을 경우, 추가적인 질문을 통해 보다 명확하게 광고주 광고 정보를 획득할 수 있다.

인공 지능 챗봇은 '광고 상품 종류가 무엇인가요?' 라는 질문을 할 수 있고, 광고주 장치는 '화장품'이라는 답변을 입력할 수 있다. 이때, 쇼핑 카테고리 및 상품 이미지에 대한 머신 러닝 결과를 통해 '화장품'에 대한 분류가 결정되고, 화장품에 관련된 정보가 추출될 수 있다.

인공 지능 챗봇은 머신 러닝된 상품의 분류를 기반으로 플랫폼 광고 정보를 생성하기 위한 추가적인 하위 단계의 상품 분류가 필요하다면, '화장품 중에 어떤 것인가요? 로션? 스킨? 립스틱? 등과 같은 질문을 할 수 있다.

만약, 광고주 장치가 '광고 상품 종류가 무엇인가요?' 라고 질문할 수 있고, 광고주 장치가 '로션'이라고 한 경우, 인공 지능 챗봇은 머신 러닝된 상품의 분류를 기반으로 추가적인 하위 단계의 상품 분류가 필요하다면 '로션이 남성용인가요? 여성용인가요?', '어떠한 피부 타입을 위한 로션인가요?', '성인용인가요? 아기 어린이용인가요? 등가 같은 질문을 할 수 있다.

즉, 인공 지능 챗봇은 머신 러닝 결과를 기반으로 광고주 장치로부터 수신한 답변에 대해 추가적인 질문을 하여 광고주 광고 정보를 보다 명확하게 특정할 수 있다.

만약, 특정 광고주 광고 정보에 관련하여 추가적인 질문에 대한 답변을 받지 못하는 경우, 나머지 광고주 광고 정보를 기반으로 예측을 수행하고 예측 정확도가 임계값 이상이라고 판단되는 경우, 예측된 정보를 활용하여 플랫폼 광고 정보를 생성할 수 있다. 반대로 예측을 수행하고 예측 정확도가 임계값 미만이라고 판단되는 경우, 위와 같은 추가 질문을 수행할 수 있다. 예측 정확도는 각 질문별로 나머지 광고주 광고 정보를 기반으로 예측을 수행하였을 때 예측의 정확도일 수 있다.

예를 들어, '광고 상품 종류가 무엇인가요?' 라는 질문을 할 수 있고, 광고주 장치는 '화장품'이라고 한 경우에도 광고 상품 이미지에 대한 객체 분석을 통해 광고 상품이 화장품 중 립스틱인 것을 판단할 수 있다.

존재하는 나머지 광고주 광고 정보를 기준으로 기존에 입력된 기존 광고주 광고 정보 중 적어도 하나와의 비교를 통해 예측 정확도가 결정될 수 있다. 각 예측 대상 정보별로 예측 정확도를 결정하기 위한 나머지 광고주 광고 정보, 나머지 광고 정보에 부여되는 가중치가 다르게 설정될 수 있다.

예를 들어, 기존 입력 광고 정보1~n(광고 상품 종류1~n, 광고 상품 이름1~n, 광고 상품 가격1~n, 광고 상품 이미지1~n, 회사 상표1~n, 광고 카피 문구1~n, 광고 타겟1~n) 가 존재하는 경우가 가정될 수 있다.

광고주 광고 정보 중 광고 상품 종류에 대한 정보가 불명확한 경우에는 광고 상품 종류가 예측 대상으로 설정될 수 있다. 광고 상품 종류에 대한 예측을 위해서 광고 상품 이미지 정보에 상대적으로 많은 가중치가 부여되어 광고 상품 종류에 대한 예측이 수행될 수 있다. 기존 광고 상품 이미지와의 입력된 광고 상품 이미지를 비교하여 임계 유사도 이상의 유사도를 가진 기존 광고 상품 이미지와 대응되는 기존 광고 상품 종류가 결정되고, 결정된 기존 광고 상품 종류가 서로 다르지 않은 경우, 예측 대상 광고 상품 종류는 기존 광고 상품 종류로 결정될 수 있다.

이러한 방식으로 광고주 장치를 통해 입력되지 않더라도 예측을 통해 보다 구체적인 정보로서 생성될 수 있고, 예측 정확도가 떨어지는 경우에만, 별도의 추가적인 질문을 통해 광고주 광고 정보의 추가 입력을 요청할 수 있다.

존재하지 않는 광고주 광고 정보(미존재)를 예측하기 위해 존재하는 나머지 광고주 광고 정보(존재)를 기반으로 한 예측을 수행시 광고주 광고 정보(미존재)별로 예측을 위한 나머지 광고주 광고 정보(존재) 중 특정 광고주 광고 정보(존재)가 설정되어 있고, 특정 광고주 광고 정보(존재) 각각에 별도의 가중치가 설정되어 예측 절차가 진행될 수 있다.

도 4는 본 발명의 실시예에 따른 광고 플랫폼 별 플랫폼 광고 이미지를 생성하는 방법을 나타낸 개념도이다.

도 4에서는 광고주 정보를 기반으로 광고 플랫폼 별 플랫폼 광고 정보를 생성하는 방법이 개시된다. 특히, 도 4에서는 복수의 광고 플랫폼 각각에 대한 플랫폼 광고 이미지 정보를 생성하는 방법이 개시된다.

도 4를 참조하면, 광고주 광고 정보에 포함되는 광고 이미지 정보, 회사 상표 정보, 광고 카피 문구 정보 등을 기반으로 플랫폼 광고 이미지가 생성될 수 있다.

플랫폼 광고 이미지는 광고 플랫폼별로 서로 다를 수 있다. 예를 들어, 광고 플랫폼이 제1 광고 플랫폼(예를 들어, 인스타그램)일 경우, 광고 플랫폼이 제2 광고 플랫폼(예를 들어, 페이스북)일 경우 서로 다른 플랫폼 광고 이미지가 생성될 수 있다. 설명의 편의상 제1 광고 플랫폼과 제2 광고 플랫폼만이 예시로 설명되나 더 많은 광고 플랫폼에서도 본 발명의 실시예에 따른 플랫폼 광고 이미지 생성 방법이 사용될 수 있다.

인공 지능 광고 서버의 데이터 수집부, 데이터 가공부, 데이터 학습부는 제1 머신 러닝(410)으로 광고 플랫폼별 구분이 없이 기존 광고 이미지의 수집, 가공, 학습을 수행할 수 있다. 또한, 인공 지능 서버의 데이터 수집부, 데이터 가공부, 데이터 학습부는 제2 머신 러닝(420)으로 광고 플랫폼을 구분하여 광고 플랫폼별 광고 이미지에 대한 수집, 가공, 학습을 수행할 수 있다.

여기서 제1 머신 러닝(410) 및 제2 머신 러닝(420)은 하나의 예시로서 서로 다른 학습 데이터 세트(예를 들어, 상품별로 구분된 기존 광고 이미지, 광고 플랫폼별 광고 이미지)을 이용한 추가의 머신 러닝(예를 들어, 제3 머신 러닝(430))이 이루어질 수 있다.

제1 머신 러닝(410), 제2 머신 러닝(420)은 지도 학습, 비지도 학습, 딥 러닝을 포함할 수 있다. 지도 학습을 위한 라벨링이 수행되는 경우, 제1 머신 러닝(410)을 위해 입력되는 학습 데이터는 기존 광고 이미지에 포함된 광고 상품의 위치, 보조 객체의 위치, 회사 상표의 위치, 광고 카피에 대한 위치에 대한 라벨링된 데이터일 수 있다. 또한, 제2 머신 러닝(420)을 위해 입력되는 학습 데이터는 라벨링된 플랫폼별 기존 광고 이미지일 수 있다. 제2 머신 러닝(420)을 위해 입력되는 학습 데이터는 플랫폼 별 기존 광고 이미지에 포함된 광고 상품의 위치, 보조 객체의 위치, 회사 상표의 위치, 광고 카피에 대한 위치에 대한 라벨링된 데이터를 더 포함할 수 있다.

인공 지능 광고 서버는 제1 머신 러닝(410)와 제2 머신 러닝(420)을 기반으로 플랫폼 광고 이미지를 생성할 수 있다. 제1 머신 러닝(410)와 제2 머신 러닝(420)이 합쳐져 하나의 플랫폼 광고 이미지가 생성될 수도 있고, 제1 머신 러닝(410)를 기반으로 한 제1 플랫폼 광고 이미지(415), 제2 머신 러닝(420)을 기반으로 한 제2 플랫폼 광고 이미지(420), 제1 머신 러닝(410) 및 제2 머신 러닝(420)를 기반으로 한 제3 플랫폼 광고 이미지(435)가 생성되어 광고주 장치로 제1 플랫폼 광고 이미지(415), 제2 플랫폼 광고 이미지(425) 또는 제3 플랫폼 광고 이미지(435) 중 하나를 선택하도록 제안할 수도 있다.

즉, 머신 러닝을 통해 인공 지능을 기반으로 플랫폼 광고 이미지의 디자인이 진행되어 광고 플랫폼별 성향에 맞는 플랫폼 광고 이미지가 생성될 수 있다. 예를 들어, 인공 지능을 기반으로 상품의 위치/크기, 회사 상표의 위치/크기, 광고 카피 문구의 위치/크기, 광고 배경, 글씨 폰트, 광고 이미지의 해상도 및 크기 등이 결정되어 플랫폼 광고 이미지로서 생성될 수 있다.

또한, 본 발명의 실시예에 따르면 데이터 수집부는 기존 광고 이미지에 대한 수집을 진행시 광고 효과에 대한 정보도 함께 수집할 수 있다. 기존 광고 플랫폼에서 광고 반응 정보('좋아요'의 개수, 댓글의 개수, 광고 클릭률 등)를 기반으로 광고 효과도 함께 수집하여 기존 광고 이미지와 광고 효과에 대한 기계 학습을 수행할 수 있다.

또는 본 발명의 실시예에 따르면, 복수의 머신 러닝 결과 각각을 기반으로 한 복수의 플랫폼 광고 이미지 각각에 대한 광고주 장치의 선택 결과를 수집하여 학습 패턴을 변화시킬 수도 있다. 예를 들어, 제1 플랫폼 광고 이미지(415), 제2 플랫폼 광고 이미지(425) 또는 제3 플랫폼 광고 이미지(435) 중 제2 플랫폼 광고 이미지(425)의 선택 비율이 다른 제1 플랫폼 광고 이미지(415)와 제3 플랫폼 광고 이미지(435)의 선택 비율과 비교하여 설정된 임계 비율을 넘어가는 경우, 제2 플랫폼 광고 이미지의 학습을 위해 사용되었던 입력 데이터의 비율을 상대적으로 높여서 제3 머신 러닝을 수행할 수도 있다.

또한, 본 발명의 실시예에 따르면, 다른 플랫폼 광고 이미지의 선택 비율과 비교하여 특정 플랫폼 광고 이미지의 선택 비율이 설정된 임계 비율을 넘어가는 경우, 별도의 광고주 장치로 별도의 선택 절차 없이 선택 비율이 높은 플랫폼 광고 이미지만을 제공할 수도 있다.

도 5는 본 발명의 실시예에 따른 플랫폼별 광고 결과에 따라 새로운 광고 타겟팅 방법을 나타낸 개념도이다.

도 5에서는 플랫폼 광고 이미지를 수행한 후 광고 결과 정보를 수신하여 머신 러닝 결과에 대한 피드백을 제공하기 위한 방법이 개시된다.

도 5를 참조하면, 플랫폼 광고 이미지의 광고 플랫폼을 통한 광고 결과 정보(예를 들어, 광고 클릭률, 좋아요 수, 댓글 수 등)가 수집될 수 있다.

플랫폼 광고 이미지와 광고 결과 정보(500)가 매칭되어 데이터 학습부로 입력될 수 있다. 데이터 학습부는 효과적인 광고 효과를 가지는 플랫폼 광고 이미지에 대한 머신 러닝을 수행할 수 있다.

이러한 광고 결과 정보(500)가 반영되어 광고 생성부의 플랫폼 광고 이미지의 디자인 방식이 변화될 수 있다. 예를 들어, 제1 광고 플랫폼에서는 상품 이미지가 크고 광고 카피는 상대적으로 작을수록 광고 클릭률이 높고, 제2 광고 플랫폼에서는 상품 이미지가 작고 광고 카피는 상대적으로 클수록 광고 클릭률이 높다면, 이러한 광고 플랫폼별 광고 결과 정보(500)를 반영하여 광고 생성부의 플랫폼 광고 이미지의 디자인 방식이 변화될 수 있다.

인공 지능 광고 서버는 (플랫폼 광고 이미지, 광고 결과 정보(500))에 대한 데이터 세트를 입력 값으로 한 머신 러닝을 수행할 수 있다. 이러한 머신 러닝 결과를 기반으로 이후 광고주 광고 정보를 기반으로 플랫폼 광고 이미지를 생성시 상품 이미지, 로고, 광고 카피 등의 위치가 결정될 수 있다.

또한, 본 발명의 실시예에 따르면 이러한 피드백 결과를 기반으로 광고 예산 분배 결정 및/또는 광고 기간 결정이 진행될 수 있다. 광고로 사용할 수 있는 금액이 100만원인 경우, 100만원으로 어떠한 광고 플랫폼에 어떠한 플랫폼 광고 타겟팅 정보를 설정하고, 어떠한 기간 동안 광고할 경우 효과적인지에 대한 분석이 수행될 수 있다.

광고 타겟팅 설정에 따른 기존 동일/유사한 광고 물품/서비스의 광고 효과가 광고 플랫폼 별로 분석될 수 있다. 물품의 동일 유사 여부는 소분류(화장품), 중분류(미용 용품), 대분류(생활 용품) 등과 같은 물품 분류를 통해 결정될 수 있다. 또는 물품의 동일 유사 여부는 쇼핑 카테고리에 대한 인공 지능 기반의 학습을 통해 결정될 수도 있다. 광고 효과가 높은 것으로 판단되는 기존 동일/유사한 광고 물품/서비스에서 설정된 플랫폼별 광고 금액의 비율 정보, 광고 기간 정보, 플랫폼 광고 타겟팅 정보가 추출될 수 있다.

플랫폼별 광고 금액의 비율 정보, 광고 기간 정보, 플랫폼 광고 타겟팅 정보의 산술 평균값, 중간값 또는 광고 효과 우선 순위로 가중치를 부여한 값이 광고주 장치로 제안될 수도 있다.

도 6은 본 발명의 실시예에 따른 광고 플랫폼 별 플랫폼 광고 정보를 생성하는 방법을 나타낸 개념도이다.

도 6에서는 광고주 광고 정보를 기반으로 광고 플랫폼별 플랫폼 광고 정보를 생성하는 방법이 개시된다. 특히, 도 6에서는 복수의 광고 플랫폼 각각에 대한 플랫폼 광고 타겟팅 정보를 생성하는 방법이 개시된다.

도 6을 참조하면, 광고주 광고 정보에 포함되는 광고 타겟 등을 기반으로 플랫폼 광고 타겟팅 정보를 생성할 수 있다.

플랫폼 광고 이미지는 광고 플랫폼별로 서로 다를 수 있다. 예를 들어, 광고 플랫폼이 제1 광고 플랫폼일 경우, 광고 타겟을 설정함에 있어서, 제1 광고 플랫폼 상에 제1 나이 카테고리, 제1 직업 카테고리, 제1 지역 카테고리가 활용될 수 있다. 광고 플랫폼이 제2 광고 플랫폼일 경우, 광고 타겟을 설정함에 있어서, 제2 광고 플랫폼 상에 제2 나이 카테고리, 제2 직업 카테고리, 제2 지역 카테고리가 활용될 수 있다.

이때, (제1 나이 카테고리, 제1 직업 카테고리, 제1 지역 카테고리)와 (제2 나이 카테고리, 제2 직업 카테고리, 제2 지역 카테고리)가 상이할 수 있다. 예를 들어, 제1 광고 플랫폼의 제1 나이 카테고리에서는 10~20세, 20세~30세 등과 같이 10년 단위로 나이가 구분되고, 제2 광고 플랫품의 제2 나이 카테고리에서는 10~15세, 15~20세, 20~25세, 25세~30세 등과 같이 5년 단위로 나이가 구분될 수 있다.

따라서, 광고주 광고 정보에 포함된 광고 타겟 정보(600)를 기반으로 광고 플랫폼별 (제1 나이 카테고리, 제1 직업 카테고리, 제1 지역 카테고리)와 (제2 나이 카테고리, 제2 직업 카테고리, 제2 지역 카테고리)에 대한 설정이 진행될 수 있다.

광고 타겟 정보(600)가 광고 타겟 연령층 정보(620), 광고 타겟 직업군 정보, 광고 타겟 지역 정보를 포함하는 경우를 가정하면, 광고주 정보에 의해 지시된 광고 타겟 연령층 정보(620)는 제1 나이 카테고리, 제2 나이 카테고리와 매칭되고, 광고 타겟 직업군 정보는 제1 직업 카테고리, 제2 직업 카테고리와 매칭되고, 광고 타겟 지역 정보는 제1 지역 카테고리 제2 지역 카테고리와 매칭될 수 있다.

광고주가 인공 지능 챗봇을 통해 20대라고 대답하는 경우, 광고 타겟 연령층 정보(620)는 20대를 지시할 수 있다. 이러한 경우, 20대는 제1 나이 카테고리(예를 들어, 20세에서 30세 카테고리), 제2 나이 카테고리(예를 들어, 20세~25세, 25세~30세)가 결정될 수 있다. 즉, 본 발명의 실시예에 따른 광고 생성부는 광고 타겟 연령층 정보(620)와 각 플랫폼별 나이 카테고리에 대한 매칭을 수행하여 플랫폼 광고 타겟팅 정보를 결정할 수 있다. 예를 들어, 이러한 광고 타겟 연령층 정보(620)와 각 플랫폼별 나이 카테고리에 대한 매칭은 계속적인 광고 타겟 연령층 정보(620)와 플랫폼 별 매칭 관계에 대한 지도 학습 결과를 기반으로 수행될 수 있다. 광고 타겟 연령층 정보(620)와 각 플랫폼별 나이 카테고리의 데이터 셋을 입력값으로 머신 러닝이 수행될 수 있다. 또한, 선택 결과에 대한 피드백도 계속적으로 이루어져 머신 러닝이 수행될 수 있다.

광고 타겟층 연령 정보(620)와 나이 카테고리가 정확하게 매칭이 되지 않는 경우, 인공 지능 챗봇을 통해 다시 광고주 장치와 문답을 진행하거나, 광고 타겟층 연령 정보(620)를 기반으로 한 예측을 통해 가장 유사한 나이 카테고리로의 매칭이 수행되거나 광고주에게 직접적인 나이 카테고리의 선택을 유도할 수 있다.

예를 들어, 광고주 장치로부터 '젊은 층'이 광고 타겟층이라는 답을 들은 경우, 광고 상품을 기준으로 '젊은 층'에 대한 예측이 수행될 수 있다. 예를 들어, 젊은 층의 의미를 NLR(natural language processing) 기반으로 문서 분석을 통해 우선적으로 확정하고, '젊은 층'이 10대, 20대, 30대를 포함하는 의미라면, 광고 플랫폼별 유사한 광고 상품의 광고 결과를 기반으로 반응이 높은 나이대(예를 들어, 20대)를 '젊은층'과 대응시킬 수 있다. 또는 인공지능 챗봇이 젊은 층이 어떠한 나이대를 의미하는지를 선택하도록 유도할 수도 있다.

광고 타겟 직업군 정보와 광고 타겟 지역 정보도 마찬가지로 대응되는 제1 직업 카테고리, 제2 직업 카테고리, 제1 지역 카테고리, 제2 지역 카테고리가 결정될 수 있다.

인공 지능 서버는 광고주 광고 정보와 광고 플랫폼의 플랫폼 광고 타겟팅 정보를 대응시키기 위해 클러스터링을 수행될 수 있다.

도 7은 본 발명의 실시예에 따른 광고주 광고 정보와 플랫폼 광고 타겟팅 정보를 대응시키기 위해 클러스터링 방법을 나타낸 개념도이다.

도 7에서는 광고주 광고 정보 중 광고 타겟 연령층 정보에 대한 클러스터링 방법이 개시된다.

도 7을 참조하면, 광고주에 의해 입력되는 타겟 연령층 정보와 복수의 광고 플랫폼 각각의 나이 카테고리가 입력되어 클러스터링이 수행될 수 있다.

예를 들어, 제1 클러스터링은 제1 광고 플랫폼의 나이 카테고리 정보를 기반으로 한 클러스터링일 수 있다. 나이 카테고리 각각을 하나의 클러스터 중심으로 설정하고, 타겟 연령층 정보로서 입력될 수 있는 단어들에 대한 클러스터링을 수행할 수 있다.

타겟 연령층 정보로서 입력될 수 있는 단어는 20대, 10대, 15살, 젊은 층, 노년층, 중장년층, 청소년, 중학생, 대학생 등과 같은 나이 지시 단어일 수 있다. 나이 지시 단어와 클러스터 중심(700)과의 거리는 언어 인접도를 기반으로 구분될 수 있다. 예를 들어, 나이 관련된 문서(또는 웹 페이지)를 추출하고, 각 단어 간의 인접도가 얼마나 가까운지를 판단하여 클러스터 중심(700)과의 거리가 결정될 수 있다. 예를 들어, (10대, ?은층), (20대, 젊은층), (30대, 젊은층), (50~60대, 중장년층), (15세, 중학생), (18살, 고등학생)등과 같은 단어 집합이 추출될 수 있고, 이러한 단어 집합 추출 빈도 및 단어 간 밀접도를 고려하여 클러스터 중심(700)과 해당 단어의 언어 인접도가 추출되어, 클러스터가 생성될 수 있다.

예를 들어, '10대'와 '?은층' 간의 단어 거리가 가까울수록 단어 간 밀집도가 상대적으로 높고, 단어 밀집도가 높은 문서가 많이 추출될수록 단어 집합 추출 빈도가 높게 결정될 수 있다.

이러한 클러스터링을 기반으로 분류가 어렵거나 분류는 되나 클러스터 중심(700)과 멀어질 경우, 인공 지능 챗봇을 통해 광고주 장치로 추가적인 질문을 하여 보다 정확한 답변을 들어 분류를 나이 카테고리에 대한 분류가 수행할 수 있다.

도 8은 본 발명의 실시예에 따른 멀티 채널 광고 인터페이스의 동작을 나타낸 개념도이다.

도 8에서는 멀티 채널 광고 인터페이스를 통해 복수의 플랫폼 광고 정보 각각이 복수의 광고 플랫폼 각각으로 전달되는 방법이 개시된다.

도 8을 참조하면, 멀티 채널 광고 인터페이스(800)는 복수의 광고 플랫폼 API를 기반으로 구현될 수 있다. 복수의 광고 플랫폼 API 각각을 통해 복수의 플랫폼 광고 정보 각각이 복수의 광고 플랫폼 각각으로 전달될 수 있다.

전술한 절차에 따라 결정된 플랫폼 광고 정보1 내지 플랫폼 광고 정보n은 멀티 채널 광고 인터페이스(800)에 포함된 광고 인터페이스 1 내지 광고 인터페이스n으로 전송될 수 있다. 광고 인터페이스1 내지 광고 인터페이스n 각각을 통해서 복수의 플랫폼 광고 정보 각각이 전송될 수 있다.

전송된 복수의 플랫폼 광고 정보 각각은 복수의 광고 플랫폼 각각 상에서 광고될 수 있다. 광고 결과는 광고 인터페이스 1 내지 광고 인터페이스n 각각을 통해 수집될 수 있고, 수집된 광고 결과는 데이터 수집부로 전송되고, 데이터 수집부 각각에서 광고 플랫폼 별로 구분하여 또한 통합하여 분석될 수 있다.

광고 플랫폼별 분석 결과와 광고 플랫폼 통합 분석 결과는 이후 플랫폼 광고 정보를 변화시키기 위해 활용될 수 있다.

도 9는 본 발명의 실시예에 따른 최적화 광고 방법을 나타낸 개념도이다

도 9에서는 인공 지능 광고 서버는 광고를 수행하고, 광고에 대한 피드백 정보를 수신하여 피드백 정보를 기반으로 광고 최적화를 수행하는 방법이 개시된다.

도 9를 참조하면, 인공 지능 광고 서버는 제1 플랫폼 광고 정보를 광고 플랫폼으로 전송하기 위한 머신 러닝을 수행할 수 있다(단계 S900).

전술한 바와 같이 데이터 수집부, 데이터 가공부 및 데이터 학습부를 통해 1차적으로 플랫폼 광고 정보를 전송하기 위한 기존 광고주 광고 정보와 광고주 광고 정보에 따라 생성된 플랫폼 광고 정보에 대한 머신 러닝이 수행될 수 있다. 제1 플랫폼 광고 정보는 광고 효과에 대한 피드백을 고려하지 않은 광고 효과의 수집 전에 생성되는 정보일 수 있다.

인공 지능 광고 서버는 광고주 광고 정보를 수신할 수 있다(단계 S910).

예를 들어, 인공 지능 광고 서버는 인공 지능 챗봇을 통해 광고주 광고 정보를 수신할 수 있다. 전술한 바와 같이 인공 지능 챗봇을 기반으로 명확하지 않거나 구체적이지 않은 광고주 광고 정보에 대해 나머지 광고주 광고 정보를 사용하여 예측을 수행하거나, 광고주 광고 정보를 명확하게 하기 위한 질문을 전달하여 광고주 광고 정보를 보다 구체적이고 명확하게 할 수 있다.

인공 지능 광고 서버가 제1 플랫폼 광고 정보를 생성한다(단계 S920).

인공 지능 광고 서버는 적어도 하나의 제1 플랫폼 광고 정보를 생성하여 적어도 하나의 광고 플랫폼으로 전달할 수 있다. 전술한 바와 같이 인공 지능 광고 서버는 인공 지능을 기반으로 광고 플랫폼 별로 플랫폼 광고 이미지 정보, 플랫폼 광고 타겟팅 정보를 생성할 수 있다.

인공 지능 광고 서버가 광고 효과를 피드백받는다(단계 S930).

인공 지능 광고 서버는 광고 플랫폼별로 플랫폼별 광고 효과(또는 광고 결과 정보)에 대해 피드백받을 수 있다.

인공 지능 광고 서버가 피드백받은 광고 효과를 능동 학습하여 제2 플랫폼 광고 정보를 생성한다(단계 S940).

제1 플랫폼 광고 정보는 피드백된 광고 효과를 고려하여 제2 플랫폼 광고 정보로 변화될 수 있다. 인공 지능 광고 서버는 수집된 피드백 결과에 대한 능동 학습을 통해 지속적으로 광고 효과를 증대시키면서 양질의 데이터를 수집하기 위한 최적 설정값 학습하여 제2 플랫폼 광고 정보를 생성할 수 있다.

인공 지능 광고 서버가 제2 플랫폼 광고 정보를 광고 플랫폼으로 전달한다(단계 S950).

인공 지능 광고 서버는 제2 플랫폼 광고 정보를 광고 플랫폼으로 전달하여 다시 제2 플랫폼 광고 정보의 광고 효과에 대한 피드백을 수신할 수 있다.

마찬가지로 다시 단계 S930 내지 단계 S950의 절차를 반복하여 광고 효과가 증가하도록 플랫폼 광고 정보를 생성할 수 있다.

다른 표현으로, 본 발명의 실시예에 따른 인공 지능 기반의 광고 결과 예측 방법은 인공 지능 광고 서버가 제1 플랫폼 광고 정보를 생성하는 단계, 인공 지능 광고 서버가 제1 플랫폼 광고 정보에 대한 제1 광고 결과 정보를 수신하는 단계, 인공 지능 광고 서버가 제1 플랫폼 광고 정보와 제1 광고 결과 정보를 입력 정보로 머신 러닝을 수행하는 단계와 인공 지능 광고 서버가 머신 러닝을 기반으로 제2 플랫폼 광고 정보를 생성하는 단계를 포함할 수 있다.

또한, 본 발명의 실시예에 따른 인공 지능 기반의 광고 결과 예측 방법은 인공 지능 광고 서버가 제2 플랫폼 광고 정보에 대한 제2 광고 결과 정보를 수신하는 단계와 인공 지능 광고 서버가 제2 플랫폼 광고 정보와 제2 광고 결과 정보를 입력 정보로 머신 러닝하는 단계를 더 포함하되, 인공 지능 광고 서버는 머신 러닝을 기반으로 플랫폼 광고 정보에 대한 광고 결과 예측을 수행할 수 있다.

광고 결과 예측은 플랫폼 광고 정보에 따라 생성된 광고의 광고 클릭율에 대한 확률 분포 정보를 포함할 수 있다.

제1 플랫폼 광고 정보는 제1 플랫폼 광고 타겟팅 정보를 포함하고, 제2 플랫폼 광고 정보는 제2 플랫폼 광고 타겟팅 정보를 포함하고, 제2 플랫폼 광고 타겟팅 정보는 머신 러닝을 기반으로 한 상기 확률 분포 정보를 기반으로 상대적으로 높은 광고 클릭률이 상대적으로 높은 확률로 예측되도록 제1 플랫폼 광고 타겟팅 정보에 포함되는 적어도 하나의 제1 하위 플랫폼 광고 타겟팅 정보의 설정을 변화시켜 생성될 수 있다.

도 10은 본 발명의 실시예에 따른 인공 지능 광고 서버의 광고 최적화 방법을 나타낸 개념도이다.

도 10에서는 인공 지능 광고 서버가 피드백받은 광고 효과를 능동 학습하는 방법이 개시된다.

도 10을 참조하면, 플랫폼 광고 정보1(광고 세팅1)(1010), 플랫폼 광고 정보2(광고 세팅2)(1020), 플랫폼 광고 정보3(광고 세팅3)(1030)에 따른 광고 클릭률에 대한 확률 분포(이하, 광고 클릭률 확률 분포)가 개시된다. 광고 플랫폼 각각에 설정된 플랫폼 광고 정보(광고 세팅)에 따라 광고 클릭률 확률 분포가 결정되어 광고 클릭률에 대한 예측이 가능할 수 있다. 특히, 플랫폼 광고 정보 중 플랫폼 광고 타겟팅 정보의 설정에 따른 광고 클릭률 확률 분포의 예측이 수행될 수 있다.

기존 플랫폼 광고 정보에 따른 기존 광고 효과에 대한 머신 러닝이 수행되고, 이러한 머신 러닝 결과를 기반으로 새로운 플랫폼 광고 정보가 입력되는 경우, 플랫폼 광고 정보에 따른 예측 광고 효과(예를 들어, 광고 클릭률 확률 분포)가 결정될 수 있다. 다양한 광고주에 의해 상품K에 대하여 A라는 세팅의 플랫폼 광고 정보가 입력되고, 광고 효과X가 획득된 경우가 가정될 수 있다. 이러한 경우, 머신 러닝 결과를 기반으로 새로운 광고주가 상품K 또는 유사 상품K'에 대하여 A라는 세팅의 플랫폼 광고 정보를 입력할 경우, 유사한 광고 효과X를 가질 것이라고 예측될 수 있다. 또한, 다양한 광고주에 의해 특정 상품에 대하여 B라는 세팅의 플랫폼 광고 정보가 입력되고, 광고 효과X를 얻은 경우가 가정될 수 있다. 이러한 경우, 머신 러닝 결과를 기반으로 새로운 광고주가 특정 상품에 대하여 B에서 약간 변화된 B'라는 세팅의 플랫폼 광고 정보를 입력할 경우, 광고 효과 X를 광고 효과 Y로 변화시킬 것이라고 예측할 수도 있다.

이러한 방식으로 계속적인 플랫폼 광고 정보에 따른 광고 효과에 대한 학습을 통해 예측 정확도는 향상될 수 있다.

플랫폼 광고 정보1(광고 세팅1)(1010)의 경우, 광고 클릭률에 대한 예측 정확도가 상대적으로 낮다. 플랫폼 광고 정보1(광고 세팅1)(1010)이 사용되는 경우, 특정 광고 클릭률에 대한 확률값에 대한 예측이 어렵다. 구체적으로 플랫폼 광고 정보1(광고 세팅1)(1010)가 사용되는 경우, 광고 클릭률 확률 분포에 있어서 특정 광고 클릭률에 대한 첨도(kurtosis)가 높지 않으므로 광고 클릭률에 대한 예측의 정확도가 상대적으로 높지 않다.

플랫폼 광고 정보2(광고 세팅2)(1020)의 경우, 광고 클릭률에 대한 예측 정확도가 플랫폼 광고 정보1(광고 세팅1)(1010)보다 높지만, 플랫폼 광고 정보3(광고 세팅3)(1030)보다 낮은 경우이다. 플랫폼 광고 정보2(광고 세팅2)(1020)가 사용되는 경우, 광고 클릭률 확률 분포에 있어서 특정 광고 클릭률에 대한 첨도(kurtosis)가 상대적으로 높지만, 첨도가 높은 부분의 광고 클릭률이 상대적으로 높은 값이 아니다. 구체적으로 플랫폼 광고 정보2(광고 세팅2)(1020)는 특정 광고 클릭률에 대한 확률값이 다른 광고 클릭률과 비교하여 상대적으로 높지만, 높은 확률값을 가지는 광고 클릭률이 플랫폼 광고 정보3(광고 세팅3)(1030)과 비교하여 상대적으로 작은 값일 수 있다. 즉, 중간 정도의 광고 클릭률이 높은 확률로 예측되는 경우로서 예측이 된 것이기는 하나, 광고 효과가 높지 않게 예측된 경우이다.

플랫폼 광고 정보3(광고 세팅3)(1030)의 경우, 광고 클릭률에 대한 예측 정확도가 플랫폼 광고 정보1(광고 세팅1)(1010), 플랫폼 광고 정보2(광고 세팅2)(1020)보다 높은 경우이다. 플랫폼 광고 정보3(광고 세팅3)(1030)의 경우, 특정 광고 클릭률에 대한 확률값이 다른 광고 클릭률과 비교하여 상대적으로 높고, 높은 확률값을 가지는 광고 클릭률이 플랫폼 광고 정보2(광고 세팅2)(1020)와 비교하여 상대적으로 큰 값일 수 있다. 즉, 높은 광고 클릭률이 높은 확률로 예측되는 경우로서 플랫폼 광고 정보3(광고 세팅3)(1030)을 사용하는 광고 전략이 플랫폼 광고 정보1(광고 세팅1)(1010), 플랫폼 광고 정보2(광고 세팅2)(1020)와 비교하여 상대적으로 최적의 광고 전략일 수 있다.

따라서, 인공 지능 광고 서버는 최적의 광고 전략에 대한 학습을 통해 광고주 장치에게 최적의 플랫폼 광고 정보를 제안해줄 수 있다. 광고주 장치를 통한 별도의 플랫폼 광고 타겟팅 정보의 설정이 없이도 인공 지능 광고 서버에 의해 결정된 최적의 플랫폼 광고 타겟팅 정보를 기반으로 한 광고가 진행될 수 있다.

아래와 같이 계속적인 플랫폼 광고 정보와 광고 효과에 대한 피드백이 진행될수록 광고 클릭률 확률 분포의 형태가 개선되어(예측력이 개선되어), 특정 광고 클릭률에 대한 첨도(kurtosis)가 높은 형태로 변화될 수 있다.

이때, 확률 분포의 첨도(kurtosis)가 임계 첨도값 이상으로 충분히 높다고 판단되는 경우, 머신 러닝 결과를 기반으로 플랫폼 광고 정보에 포함되는 하위 정보 중 특정 하위 정보를 변화시킬 경우(예를 들어, 플랫폼 광고 타겟팅 정보 중 특정 하위 정보의 설정을 변화시킬 경우), 더욱 높은 성과의 광고 결과를 낼 것으로 예측되는 광고 전략을 선택하여 광고 집행을 수행할 수 있다.

도 11은 본 발명의 실시예에 따른 인공 지능 광고 서버의 광고 클릭률 확률 분포의 예측 방법을 나타낸 개념도이다.

도 11에서는 플랫폼 광고 정보의 설정에 따른 광고 클릭률 확률 분포의 예측 방법이 개시된다.

도 11을 참조하면, 인공 지능 광고 서버는 (플랫폼 광고 정보, 광고 효과)를 계속적으로 피드백받을 수 있다. 인공 지능 광고 서버는 피드백된 (플랫폼 광고 정보, 광고 효과)를 머신 러닝하여 플랫폼 광고 정보에 따른 광고 효과를 예측할 수 있다. 전술한 바와 같이 플랫폼 광고 정보는 플랫폼 광고 이미지 정보 및 플랫폼 광고 타겟팅 정보를 포함할 수 있다

인공 지능 광고 서버는 플랫폼 광고 이미지 정보 및 플랫폼 광고 타겟팅 정보를 기반으로 머신 러닝을 수행할 수 있다. 플랫폼 광고 타겟팅 정보가 하위 플랫폼 광고 타겟팅 정보로서 제1 하위 플랫폼 광고 타겟팅 정보, 제2 하위 플랫폼 광고 타겟팅 정보, 제3 하위 플랫폼 광고 타겟팅 정보를 포함하는 경우가 가정될 수 있다.

플랫폼 광고 타겟팅 정보에 포함되는 (제1 하위 플랫폼 광고 타겟팅 정보, 제2 하위 플랫폼 광고 타겟팅 정보 및 제3 하위 플랫폼 광고 타겟팅 정보)가 하나의 데이터 세트로 규정될 수 있다.

데이터 세트를 기반으로 클러스터링이 수행될 수 있다(단계 S1100).

데이터 간의 거리는 정보 간의 유사도를 기반으로 규정될 수 있다. 예를 들어, 제1 하위 플랫폼 광고 타겟팅 정보가 상품에 관한 정보라면, 상품에 대한 쇼핑 카테고리를 기반으로 상품 간의 유사 거리가 결정될 수 있다. 또한, 제2 하위 플랫폼 광고 타겟팅 정보가 나이에 관한 정보라면, 나이에 대한 카테고리를 기반으로 나이 간의 유사 거리가 결정될 수 있다. 또한, 제3 하위 플랫폼 광고 타겟팅 정보가 성별, 직업 등에 관한 정보라면, 성별에 대한 카테고리, 직업 카테고리를 기반으로 성별, 직업 간의 유사 거리가 결정될 수 있다.

인공 지능 광고 서버는 새로운 플랫폼 광고 타겟팅 정보에 대한 클러스터 결정 및 임계 거리 데이터 세트 추출하고(단계 S1110), 광고 효과(예를 들어, 광고 클릭률 확률 분포)에 대한 예측을 수행할 수 있다(단계 S1120).

이러한 데이터 세트를 기반으로 클러스터링이 수행되는 경우, 특정 플랫폼 광고 타겟팅 정보에 대한 예측이 수행될 수 있다.

예를 들어, 새로운 플랫폼 광고 타겟팅 정보가 입력될 경우, 플랫폼 광고 타겟팅 정보를 포함하는 클러스터 및 임계 거리 이내의 인접한 데이터 세트를 추출하여 광고 효과에 대한 예측이 수행되고 광고 클릭률 확률 분포가 결정될 수 있다.

광고 클릭률 확률 분포를 기반으로 플랫폼 광고 타겟팅 정보 최적화 절차가 수행될 수 있다(단계 S1130).

클러스터 및 인접 데이터 세트를 기반으로 예측된 광고 효과(또는 광고 결과 정보)가 좋지 않은 경우, 제1 하위 플랫폼 광고 타겟팅 정보, 제2 하위 플랫폼 광고 타겟팅 정보 및 제3 하위 플랫폼 광고 타겟팅 정보 중 적어도 하나를 변경할 수 있다.

제1 하위 플랫폼 광고 타겟팅 정보, 제2 하위 플랫폼 광고 타겟팅 정보 및 제3 하위 플랫폼 광고 타겟팅 정보 각각 또는 제1 하위 플랫폼 광고 타겟팅 정보, 제2 하위 플랫폼 광고 타겟팅 정보 및 제3 하위 플랫폼 광고 타겟팅 정보의 조합을 변경하여 새롭게 클러스터링을 수행할 수 있다. 이후, 광고 효과가 최대인 클러스터에 대한 탐색을 수행하여 최대 광고 효과 클러스터인 (제1 하위 플랫폼 광고 타겟팅 정보, 제2 하위 플랫폼 광고 타겟팅 정보 및 제3 하위 플랫폼 광고 타겟팅 정보)를 광고 전략으로 사용할 수 있다.

만약, 1차적으로 플랫폼 광고 타겟팅 정보가 최적의 값으로 설정되는 경우에도 광고 효과가 높지 않은 경우, 2차적으로 플랫폼 광고 이미지 정보에 대한 수정이 수행될 수 있다.

해당 클러스터의 플랫폼 광고 이미지 정보의 특성이 분석되고(단계 S1150), 플랫폼 광고 이미지 정보가 최적화될 수 있다(단계 S1160).

플랫폼 광고 이미지 상에서 이미지 요소(예를 들어, 광고 상품의 크기/위치, 상표의 크기/위치, 광고 카피의 크기/위치, 가격 정보의 크기/위치 등)을 분석하여 플랫폼 광고 이미지를 변경시킬 수 있다. 이미지 요소의 우선 순위를 설정하여 우선 순위 별로 이미지 요소를 변경하여 광고 효과에 대한 피드백을 추가적으로 받을 수 있다.

이미지 요소의 변경 우선 순위를 결정하기 위해 동일 및/또는 유사 범위(플랫폼 광고 타겟팅 정보의 설정 값의 범위를 기준으로 정의)의 플랫폼 광고 타겟팅 정보를 설정하였으나, 광고 플랫폼 상에서 광고 효과의 차이가 존재하는 플랫폼 광고 이미지 정보 간의 차이(예를 들어, 객체 위치 크기 등)가 분석될 수 있다. 이러한 차이의 분석을 통해 어떠한 이미지 상에서 차이가 광고 효과의 차이를 불러왔는지를 결정하여 이미지 요소의 변경 우선 순위를 결정할 수 있다.

도 12는 본 발명의 실시예에 따른 외부 정보를 고려하여 광고를 생성하는 방법을 나타낸 개념도이다.

도 12에서는 외부 정보(날씨, 지역 온라인/오프라인 이벤트 등)을 기반으로 플랫폼 광고 정보를 생성하는 방법이 개시된다.

도 12를 참조하면, 웹 크롤링(web crawling)과 같은 데이터 수집 기술을 기반으로 광고 효과에 영향을 줄 수 있는 외부 광고 영향 정보(1200)를 수집할 수 있다. 외부 광고 영향 정보(1200)는 날씨 정보, 지역 온라인/오프라인 이벤트 정보, 사용자 위치 정보 등을 포함할 수 있다.

인공 지능 광고 서버는 외부 광고 영향 정보(1200)의 수집 이후, 데이터 가공을 수행할 수 있고, 외부 광고 영향 정보(1200)의 광고 효과에 대한 예측을 통해 플랫폼 광고 정보를 생성할 수 있다.

구체적으로 인공 지능 광고 서버는 외부 광고 영향 정보(1200)와 플랫폼 광고 정보(1220)와의 관련도(1240)를 판단할 수 있다. 플랫폼 광고 정보(1220)를 통해 광고하고자 하는 상품이 케익이고, 외부 광고 영향 정보(1200)가 이벤트 정보로서 크리스마스를 포함하는 경우, 플랫폼 광고 정보(1220)와 외부 광고 영향 정보(1200) 간의 높은 관련도(1240)가 존재한다고 판단될 수 있다. 또 다른 예로, 플랫폼 광고 정보(1220)를 통해 광고하고자 하는 상품이 썬크림이고, 외부 광고 영향 정보(1200)가 날씨 정보로서 자외선 지수를 포함하는 경우, 플랫폼 광고 정보(1220)와 외부 광고 영향 정보(1200) 간의 높은 관련도(1240)가 존재한다고 판단될 수 있다.

예를 들어, 인공 지능 광고 서버는 광고 상품 정보, 플랫폼 광고 타겟팅 정보 등을 고려하여 외부 광고 영향 정보(1200)와의 관련도(1240)를 추출할 수 있다. 예를 들어, 특정 광고 상품과 이벤트와 관련도(1240)를 추출하기 위해서 기존의 광고 이벤트에 대한 분석이 수행될 수 있다. 기존 광고 정보에 포함된 외부 정보를 추출할 수 있다. 추출되는 외부 정보는 광고 상품과 직접적으로 관련이 없는 정보일 수 있다.

기존에 외부 정보를 활용한 광고 정보를 추출하여 외부 정보와 광고 상품 간의 관련도(1240)를 결정할 수 있다. 예를 들어, 기존에 크리스마스를 이용한 케익 광고, 날씨를 이용한 썬크림, 마스크 등의 광고를 추출하여 외부 정보를 추출할 수 있다.

위와 같은 방식으로 결정된 관련도(1240)의 크기가 임계값 이상인 경우, 외부 광고 영향 정보(1200)를 고려하여 플랫폼 광고 정보를 생성할 수 있다.

이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (9)

1. 인공 지능 기반의 광고 결과 예측 방법은,
   인공 지능 광고 서버가 제1 플랫폼 광고 정보를 생성하는 단계;
   상기 인공 지능 광고 서버가 상기 제1 플랫폼 광고 정보에 대한 제1 광고 결과 정보를 수신하는 단계;
   상기 인공 지능 광고 서버가 상기 제1 플랫폼 광고 정보와 상기 제1 광고 결과 정보를 입력 정보로 머신 러닝을 수행하는 단계;
   상기 인공 지능 광고 서버가 상기 머신 러닝을 기반으로 제2 플랫폼 광고 정보를 생성하는 단계;
   상기 인공 지능 광고 서버가 상기 제2 플랫폼 광고 정보에 대한 제2 광고 결과 정보를 수신하는 단계; 및
   상기 인공 지능 광고 서버가 상기 제2 플랫폼 광고 정보와 상기 제2 광고 결과 정보를 입력 정보로 머신 러닝하는 단계를 더 포함하되,
   상기 인공 지능 광고 서버는 상기 머신 러닝을 기반으로 플랫폼 광고 정보에 대한 광고 결과 예측을 수행하고,
   상기 광고 결과 예측은 상기 플랫폼 광고 정보에 따라 생성된 광고의 광고 클릭율에 대한 확률 분포 정보를 포함하고,
   상기 제1 플랫폼 광고 정보는 제1 플랫폼 광고 타겟팅 정보를 포함하고,
   상기 제2 플랫폼 광고 정보는 제2 플랫폼 광고 타겟팅 정보를 포함하고,
   상기 제2 플랫폼 광고 타겟팅 정보는 상기 머신 러닝을 기반으로 한 상기 확률 분포 정보를 기반으로 상대적으로 높은 광고 클릭률이 상대적으로 높은 확률로 예측되도록 상기 제1 플랫폼 광고 타겟팅 정보에 포함되는 적어도 하나의 제1 하위 플랫폼 광고 타겟팅 정보의 설정을 변화시켜 생성되고,
   상기 인공 지능 광고 서버는 확률 분포 정보가 특정 광고 클릭률에 대한 첨도(kurtosis)가 임계값 이상으로 높되, 상기 특정 광고 클릭률이 상대적으로 높은 값이 되도록 학습하는 것을 특징으로 하는 방법.
2. 제1항에 있어서,
   상기 인공 지능 광고 서버는 상기 확률 분포 정보를 결정하기 위해 플랫폼 광고 이미지 정보 및 플랫폼 광고 타겟팅 정보를 기반으로 머신 러닝을 수행하고,
   상기 인공 지능 광고 서버는 상기 플랫폼 광고 타겟팅 정보에 포함되는 복수의 하위 플랫폼 광고 타겟팅 정보를 기반으로 형성된 데이터 세트에 대한 클러스터링을 수행하여 임계 거리 데이터 세트를 통해 광고 효과를 예측하고,
   상기 인공 지능 광고 서버는 상기 광고 효과가 상대적으로 낮은 경우, 상기 복수의 하위 플랫폼 광고 타겟팅 정보의 조합을 변경하여 최대 광고 효과 클러스터를 탐색하는 것을 특징으로 하는 방법.
3. 제2항에 있어서,
   상기 인공 지능 광고 서버는 상기 복수의 하위 플랫폼 광고 타겟팅 정보의 조합을 변경으로 광고 효과가 상대적으로 낮은 경우, 2차적으로 상기 플랫폼 광고 이미지 상에서 이미지 요소를 분석하고 상기 이미지 요소의 우선 순위를 설정하여 상기 우선 순위 별로 상기 이미지 요소를 변경하여 광고 효과에 대한 피드백을 추가적으로 수신하고,
   상기 우선 순위는 기존에 상기 플랫폼 광고 타겟팅 정보의 설정 값의 범위를 기준으로 광고 플랫폼 상에서 광고 효과의 차이를 가진 플랫폼 광고 이미지 정보 간의 차이를 기반으로 결정되는 것을 특징으로 하는 방법.
4. 제3항에 있어서,
   상기 인공 지능 광고 서버는 데이터 수집 기술을 기반으로 광고 효과에 영향을 줄 수 있는 외부 광고 영향 정보를 수집하고,
   상기 인공 지능 광고 서버는 상기 외부 광고 영향 정보와 플랫폼 광고 정보와의 관련도를 결정하고,
   상기 인공 지능 광고 서버는 상기 관련도의 크기가 임계값 이상인 경우, 상기 외부 광고 영향 정보를 고려하여 플랫폼 광고 정보를 생성하는 것을 특징으로 하는 방법.
5. 인공 지능 기반의 광고 결과를 예측하는 인공 지능 광고 서버는,
   플랫폼 광고 정보를 생성하도록 구현된 광고 생성부; 및
   상기 광고 생성부와 동작 가능하게(operatively) 연결되도록 구현된 제어부를 포함하되,
   상기 제어부는 제1 플랫폼 광고 정보를 생성하고,
   상기 제1 플랫폼 광고 정보에 대한 제1 광고 결과 정보를 수신하고,
   상기 제1 플랫폼 광고 정보와 상기 제1 광고 결과 정보를 입력 정보로 머신 러닝을 수행하고,
   상기 머신 러닝을 기반으로 제2 플랫폼 광고 정보를 생성하고,
   상기 제2 플랫폼 광고 정보에 대한 제2 광고 결과 정보를 수신하고,
   상기 제2 플랫폼 광고 정보와 상기 제2 광고 결과 정보를 입력 정보로 머신 러닝하도록 구현되되,
   상기 제어부는 상기 머신 러닝을 기반으로 플랫폼 광고 정보에 대한 광고 결과 예측을 수행하고,
   상기 광고 결과 예측은 상기 플랫폼 광고 정보에 따라 생성된 광고의 광고 클릭율에 대한 확률 분포 정보를 포함하고,
   상기 제1 플랫폼 광고 정보는 제1 플랫폼 광고 타겟팅 정보를 포함하고,
   상기 제2 플랫폼 광고 정보는 제2 플랫폼 광고 타겟팅 정보를 포함하고,
   상기 제2 플랫폼 광고 타겟팅 정보는 상기 머신 러닝을 기반으로 한 상기 확률 분포 정보를 기반으로 상대적으로 높은 광고 클릭률이 상대적으로 높은 확률로 예측되도록 상기 제1 플랫폼 광고 타겟팅 정보에 포함되는 적어도 하나의 제1 하위 플랫폼 광고 타겟팅 정보의 설정을 변화시켜 생성되고,
   상기 제어부는 확률 분포 정보가 특정 광고 클릭률에 대한 첨도(kurtosis)가 임계값 이상으로 높되, 상기 특정 광고 클릭률이 상대적으로 높은 값이 되도록 학습하는 것을 특징으로 하는 인공 지능 서버.
6. 제5항에 있어서,
   상기 제어부는 상기 확률 분포 정보를 결정하기 위해 플랫폼 광고 이미지 정보 및 플랫폼 광고 타겟팅 정보를 기반으로 머신 러닝을 수행하고,
   상기 제어부는 상기 플랫폼 광고 타겟팅 정보에 포함되는 복수의 하위 플랫폼 광고 타겟팅 정보를 기반으로 형성된 데이터 세트에 대한 클러스터링을 수행하여 임계 거리 데이터 세트를 통해 광고 효과를 예측하고,
   상기 제어부는 상기 광고 효과가 상대적으로 낮은 경우, 상기 복수의 하위 플랫폼 광고 타겟팅 정보의 조합을 변경하여 최대 광고 효과 클러스터를 탐색하는 것을 특징으로 하는 인공 지능 서버.
7. 제6항에 있어서,
   상기 제어부는 상기 복수의 하위 플랫폼 광고 타겟팅 정보의 조합을 변경으로 광고 효과가 상대적으로 낮은 경우, 2차적으로 상기 플랫폼 광고 이미지 상에서 이미지 요소를 분석하고 상기 이미지 요소의 우선 순위를 설정하여 상기 우선 순위 별로 상기 이미지 요소를 변경하여 광고 효과에 대한 피드백을 추가적으로 수신하고,
   상기 우선 순위는 기존에 상기 플랫폼 광고 타겟팅 정보의 설정 값의 범위를 기준으로 광고 플랫폼 상에서 광고 효과의 차이를 가진 플랫폼 광고 이미지 정보 간의 차이를 기반으로 결정되는 것을 특징으로 하는 인공 지능 서버.
8. 제7항에 있어서,
   상기 제어부는 데이터 수집 기술을 기반으로 광고 효과에 영향을 줄 수 있는 외부 광고 영향 정보를 수집하고,
   상기 제어부는 상기 외부 광고 영향 정보와 플랫폼 광고 정보와의 관련도를 결정하고,
   상기 제어부는 상기 관련도의 크기가 임계값 이상인 경우, 상기 외부 광고 영향 정보를 고려하여 플랫폼 광고 정보를 생성하는 것을 특징으로 하는 인공 지능 서버.
9. 제1항 내지 제4항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.

Images