KR102175183B1 - 기업 데이터 통합 관리 방법, 장치, 및 시스템 - Google Patents

기업 데이터 통합 관리 방법, 장치, 및 시스템 Download PDF

Info

Publication number
KR102175183B1
KR102175183B1 KR1020200069416A KR20200069416A KR102175183B1 KR 102175183 B1 KR102175183 B1 KR 102175183B1 KR 1020200069416 A KR1020200069416 A KR 1020200069416A KR 20200069416 A KR20200069416 A KR 20200069416A KR 102175183 B1 KR102175183 B1 KR 102175183B1
Authority
KR
South Korea
Prior art keywords
server
data
integration
enterprise
corporate
Prior art date
Application number
KR1020200069416A
Other languages
English (en)
Inventor
이창근
강민구
Original Assignee
이창근
강민구
주식회사엔투솔루션
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 이창근, 강민구, 주식회사엔투솔루션 filed Critical 이창근
Priority to KR1020200069416A priority Critical patent/KR102175183B1/ko
Application granted granted Critical
Publication of KR102175183B1 publication Critical patent/KR102175183B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

기업 데이터 통합 관리 방법, 장치, 및 시스템이 개시된다. 실시예는 기업 데이터 통합 관리 단말로부터 기업 데이터를 수신하고, 기업 데이터로부터 기업 통합 타겟 데이터 및 분류 대응 정보를 추출하고, 기업 데이터 처리 시스템의 데이터 처리 효율을 지표화한 시스템 관리 효율 지수의 목표 값인 목표 시스템 관리 효율 지수를 수신하며, 기업 통합 타겟 데이터 및 목표 시스템 관리 효율 지수를 제1 뉴럴 네트워크에 적용하여 제1 기업 데이터 통합 전략을 생성하고, 제1 기업 데이터 통합 전략을 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버로 전송하고, 제1 기업 데이터 통합 전략에 따라 기업 통합 타겟 데이터를 처리한 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버로부터 서버 처리 히스토리 정보를 수신할 수 있다.

Description

기업 데이터 통합 관리 방법, 장치, 및 시스템{METHOD, APPARATUS, AND SYSTEM FOR ENTERPRISE DATA INTEGRATION MANAGEMENT}
아래 실시예들은 기업 데이터 처리 효율을 높이기 위한 기업 데이터 통합 관리 기술에 관한 것이다.
실시예들과 관련된 배경기술로, 대한민국 등록특허공보 KR101938953B1는 빅 데이터 질의 엔진을 위한 플래시 최적화된 열 데이터 배치 및 데이터 액세스 처리 알고리즘을 개시한다. 대한민국 등록특허공보 KR101938953B1는 질의들을 위한 데이터세트들의 플래시-최적화된 데이터 배치에 관한 것이고, 선택 열들이 선택 최적화된 배치에 따라 플래시 메모리에 저장되고, 상기 선택 최적화된 배치는 술어부 매칭(predicate matching)과 데이터 스킵핑(data skipping)을 최적화하도록 구성된다. 상기 선택 최적화된 배치는, 각각의 선택 열에 대해서, 주어진 선택 열에서 고유 데이터 값들로 채워진 선택 열 사전을 저장하는 단계에 의해서 형성되고, 상기 고유 데이터 값들은 상기 선택 열 사전에서 소트된 순서로 저장된다. 행 위치 지정들은, 상기 주어진 선택 열에서 한 번 이상 발생하는 고유 데이터 값들 중 어느 것의 저장도 중복함이 없이, 상기 주어진 선택 열 내에 상기 고유 데이터 값들이 존재하는 각 행 위치에 대응하여 저장되는 기술을 개시한다. 대한민국 등록특허공보 KR101938953B1는 질의 처리 동안 사용되는 플래시 데이터의 처리를 최적화하기 위한 것이다.
대한민국 등록특허공보 KR101224670B1는 데이터 관리를 용이하게 해주는 시스템 및 방법을 개시한다. 대한민국 등록특허공보 KR101224670B1는 기업 컴퓨팅 환경에서 데이터 통합과 관련하여 메타데이터(metadata)를 관리하고 사용하는 방법 및 시스템을 개시하고, 통합된 사용자 인터페이스를 통하여, 사용자는 데이터 통합 서비스 및 하부 데이터에 대한 기업 전체 액세스를 가질 수 있다. 인터페이스는 데이터 통합 시스템 설계 및 구현의 워크플로우(workflow)를 망라하도록 구성될 수 있고, 데이터 통합 환경에서의 도구(tools) 및 작업(jobs)의 재사용 및 재설계를 용이하게 할 수 있다. 대한민국 등록특허공보 KR101224670B1는 기업 전체에 걸친 모든 데이터 통합 리소스 및 데이터 소스에 대한 플랫폼 독립 액세스를 제시하는 인터페이스를 제공할 수 있다.
선행문헌들은 서버들이 통합된 시스템에서 서버들 별로 처리하는 데이터를 효율적으로 관리하기 위한 데이터 통합 관리 방법을 개시하지 않는다. 서버들로 구성된 시스템의 전체 데이터 처리 효율을 높이기 위한 데이터 통합 관리 방법의 연구가 요구된다.
대한민국 등록특허공보 KR101938953B1 대한민국 공개특허공보 KR20190112994A 대한민국 등록특허공보 KR101224670B1 대한민국 등록특허공보 KR101033446B1
실시예들은 복수의 서버들로 구성된 시스템의 관리 효율을 높이기 위한 데이터 통합 관리 방법, 장치 및 시스템을 제공하고자 한다.
실시예들은 데이터를 통합하고자 하는 타겟과 데이터 처리 효율을 지표화한 값을 활용하여 시스템의 관리 효율을 높이기 위한 전략을 제공하고자 한다.
실시예들은 복수의 서버들의 데이터 처리 히스토리와 인공지능을 활용하여 데이터 처리 능률을 높이고자 한다.
나아가, 실시예들은 배경 기술에서 언급한 과제들 및 본 명세서에서 드러나는 해당 기술 분야의 과제들을 해결하기 위한 방법, 장치, 및 시스템을 제공하고자 한다.
일실시예에 따른 기업 데이터 통합 관리 방법은 기업 데이터 통합 관리 서버에서, 기업 데이터 통합 관리 단말로부터 기업 데이터를 수신하는 단계; 상기 기업 데이터 통합 관리 서버에서, 상기 기업 데이터로부터 기업 통합 타겟 데이터-상기 기업 통합 타겟 데이터는 식별자, 분류-상기 분류는 매출, 인사, 노무, 업무실적, 협력처, 업무기한 및 프로젝트 중 적어도 하나에 대응하는 정보 분류 유형을 포함함- 및 분류 대응 정보-상기 분류 대응 정보는 상기 분류에 대응하는 정보를 포함함-를 포함함-를 추출하는 단계; 상기 기업 데이터 통합 관리 서버에서, 기업 데이터 처리 시스템-상기 기업 데이터 처리 시스템은 상기 기업 데이터 통합 관리 서버, 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버를 포함함-의 데이터 처리 효율을 지표화한 시스템 관리 효율 지수-상기 시스템 관리 효율 지수는 상기 기업 데이터 처리 시스템의 데이터 처리 히스토리에 기초하여 지표화됨-의 목표 값인 목표 시스템 관리 효율 지수를 수신하는 단계; 상기 기업 데이터 통합 관리 서버에서, 상기 기업 통합 타겟 데이터 및 상기 목표 시스템 관리 효율 지수를 제1 뉴럴 네트워크에 적용하여 제1 기업 데이터 통합 전략-상기 기업 데이터 통합 전략은 상기 기업 통합 타겟 데이터의 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들에 기초하여 설계됨-을 생성하는 단계; 상기 기업 데이터 통합 관리 서버에서, 상기 제1 기업 데이터 통합 전략을 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버로 전송하는 단계; 및 상기 기업 데이터 통합 관리 서버에서, 상기 제1 기업 데이터 통합 전략에 따라 상기 기업 통합 타겟 데이터를 처리한 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버로부터 서버 처리 히스토리 정보-상기 서버 처리 히스토리 정보는 쿼리 키워드, 보안 공격 정보, 요청 유저 정보, 요청 서버 정보, 요청 빈도 정보 및 유저 만족도 정보를 포함함-를 수신하는 단계를 포함하고, 상기 제1 뉴럴 네트워크는 트레이닝 기업 통합 타겟 데이터들 및 트레이닝 목표 시스템 관리 효율 지수들로부터 생성되는 제1 트레이닝 기업 데이터 통합 전략들 및 제1 레이블들 차이에 기초하여 학습될 수 있다.
일실시예에 따른 기업 데이터 통합 관리 방법은 상기 기업 데이터 통합 관리 서버에서, 상기 서버 처리 히스토리 정보에 기초하여 현재 시스템 관리 효율 지수를 생성하는 단계; 상기 기업 데이터 통합 관리 서버에서, 상기 기업 통합 타겟 데이터, 상기 목표 시스템 관리 효율 지수 및 상기 현재 시스템 관리 효율 지수를 제2 뉴럴 네트워크에 적용하여 제2 기업 데이터 통합 전략을 생성하는 단계; 상기 기업 데이터 통합 관리 서버에서, 상기 제2 기업 데이터 통합 전략을 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버로 전송하는 단계; 상기 기업 데이터 통합 관리 서버에서, 상기 제2 기업 데이터 통합 전략에 따라 상기 기업 통합 타겟 데이터를 처리한 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버로부터 제2 서버 처리 히스토리 정보를 수신하는 단계; 및 상기 기업 데이터 통합 관리 서버에서, 상기 제2 서버 처리 히스토리 정보에 기초하여 제2 현재 시스템 관리 효율 지수를 생성하고, 생성된 제2 현재 시스템 관리 효율 지수와 상기 제2 뉴럴 네트워크를 이용하여 상기 제2 기업 데이터 통합 전략을 갱신하는 단계를 더 포함하고, 상기 현재 시스템 관리 효율 지수를 생성하는 단계는 상기 서버 처리 히스토리 정보 내 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버 각각에 대응하는 쿼리 키워드, 보안 공격 정보, 요청 유저 정보, 요청 서버 정보, 요청 빈도 정보, 유저 만족도 정보에 기초하여, 상기 기업 데이터 처리 시스템의 총 데이터 조회 속도 지수, 총 유저 만족도 지수, 총 접근 경로 길이 지수 및 총 보안성 지수의 총 합계와 총 데이터 요청 쿼리 수를 생성하는 단계; 및 상기 생성된 총 합계 및 상기 총 데이터 요청 쿼리 수에 기초하여, 현재 시스템 관리 효율 지수를 생성하는 단계를 포함하고, 상기 제2 뉴럴 네트워크는 트레이닝 기업 통합 타겟 데이터들, 트레이닝 목표 시스템 관리 효율 지수들 및 트레이닝 현재 시스템 관리 효율 지수들로부터 생성되는 제2 트레이닝 기업 데이터 통합 전략들 및 제2 레이블들 차이에 기초하여 학습될 수 있다.
일실시예에 따르면, 상기 제2 기업 데이터 통합 전략을 생성하는 단계는 상기 기업 통합 타겟 데이터 내 제1 UI 노출 데이터의 제1 UI 디자인을 생성하는 단계를 포함하고, 상기 제1 UI 디자인을 생성하는 단계는 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버 중 어느 하나에서 상기 제1 UI 노출 데이터 및 제2 UI 노출 데이터를 검색 시, 상기 제1 UI 노출 데이터보다 UI 노출도가 낮은 상기 제2 UI 노출 데이터가 상기 제1 UI 노출 데이터보다 데이터 요청 쿼리 수가 높은 경우, 상기 제1 UI 노출 데이터의 디자인과 상기 제2 UI 노출 데이터의 디자인의 차이를 추출하는 단계; 및 상기 추출된 차이를 반영하여 상기 제1 UI 노출 데이터의 제1 UI 디자인을 생성하는 단계를 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 복수의 서버들로 구성된 시스템의 관리 효율을 높이기 위한 데이터 통합 관리 방법, 장치 및 시스템을 제공할 수 있다.
실시예들은 데이터를 통합하고자 하는 타겟과 데이터 처리 효율을 지표화한 값을 활용하여 시스템의 관리 효율을 높이기 위한 전략을 제공할 수 있다.
실시예들은 복수의 서버들의 데이터 처리 히스토리와 인공지능을 활용하여 데이터 처리 능률을 높일 수 있다.
한편, 실시예들에 따른 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성의 예시도이다.
도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 기업 데이터 통합 전략을 생성하는 동작을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 6은 일실시예 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 시스템의 구성의 예시도이다.
일실시예에 따른 시스템은 기업 데이터 통합 관리 단말(101), 기업 데이터 통합 관리 서버(102), 통합 데이터베이스 서버(103), 통합 데이터베이스 스토리지(104), 웹(web) 데이터베이스 스토리지(105), 웹 데이터베이스 서버(106), 웹 서버(113), 웹 단말(117), 앱(app) 데이터베이스 스토리지(107), 앱 데이터베이스 서버(108), 앱 서버(114), 앱 단말(118), 인트라넷(intranet) 데이터베이스 스토리지(109), 인트라넷 데이터베이스 서버(110), 인트라넷 서버(115), 인트라넷 단말(119), 관리자 데이터베이스 스토리지(111), 관리자 데이터베이스 서버(112), 관리자 서버(116) 및 관리자 단말(120)을 포함한다. 시스템 내 서버들을 포함하는 개체들은 네트워크로 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다.
일실시예에 따른 시스템 내 장치는 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 전자 장치는 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 전자 장치는 통신 기능을 갖춘 스마트 가전 제품(smart home appliance)일 수 있다. 스마트 가전 제품은, 예를 들자면, 전자 장치는 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), TV 박스(예를 들면, 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(game consoles), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 전자 장치는 각종 의료기기(예: MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 초음파기 등), 네비게이션(navigation) 장치, GPS 수신기(global positioning system receiver), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치 및 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛, 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine) 또는 상점의 POS(point of sales) 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 전자 장치는 통신 기능을 포함한 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 입력장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 일실시예에에 따른 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 또한, 일실시예에 따른 전자 장치는 플렉서블 장치일 수 있다. 또한, 일실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다. 다양한 실시예에서 이용되는 유저라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
일실시예에 따른 전자 장치는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), WCDMA(Wideband Code Division Multiple Access), WiBro(Wireless Broadband), 3G(3rd Generation), LTE(Long-Term Evolution), WiMAX(Worldwide Interoperability for Microwave Acces) 및 5G(5th generation)등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.
일실시예에 따른 네트워크에는 5G 규격이 채용되어, 시스템 내 주체들은 360도 웨어러블 카메라, 드론과 같은 다양한 장비를 이용한 고화질 영상을 방송할 수 있고, 5G 통신 규격은 초고속 대용량 네트워크를 통해 대용량 데이터 전송과 고 해상도 영상 서비스를 지원할 수 있다. 5G의 특성은 초고속(Enhanced Mobile Broadband), 초저지연(Ultra-Reliable and Low Latency Communication), 초연결(Massive Machine Type Communication)로 요약된다. 5G는 데이터 전송량이 큰 고주파 대역을 사용하여 더 많은 데이터를 빠르게 전송할 수 있고, 4G(LTE)와 비교해 체감 속도가 10배 더 빠를 수 있다. 시스템 내 주체들은 초고화질 영상이나 VR/AR 같은 대용량 콘텐츠를 빠르게 송수신할 수 있고, 즉각적인 응답과 반응을 통해 실시간 서비스를 구현할 수 있으며, 인터넷에 연결될 수 있는 단말과 센서 수를 크게 늘려 대규모 IoT 환경을 구현할 수 있다.
일실시예에 따르면, 웹 서버(113)는 웹 단말(117)과 통신하여 웹 단말(117)로부터 수신하는 입력을 처리하고, 웹 데이터베이스 서버(106)는 웹 기능과 관련하여 처리되는 데이터의 데이터베이스를 구현하고, 데이터베이스 처리와 관련된 명령을 수행하고, 데이터를 웹 데이터베이스 스토리지(105)에 저장할 수 있다. 앱 서버(114)는 앱 단말(118)과 통신하여 앱 단말(118)로부터 수신하는 입력을 처리하고, 앱 데이터베이스 서버(114)는 엡 기능과 관련하여 처리되는 데이터의 데이터베이스를 구현하고, 데이터베이스 처리와 관련된 명령을 수행하고, 데이터를 엡 데이터베이스 스토리지(107)에 저장할 수 있다. 인트라넷 서버(115)는 인트라넷 단말(119)과 통신하여 인트라넷 단말(119)로부터 수신하는 입력을 처리하고, 인트라넷 데이터베이스 서버(110)는 인트라넷 기능과 관련하여 처리되는 데이터의 데이터베이스를 구현하고, 데이터베이스 처리와 관련된 명령을 수행하고, 데이터를 인트라넷 데이터베이스 스토리지(109)에 저장할 수 있다. 관리자 서버(116)는 관리자 단말(120)과 통신하여 관리자 단말(120)로부터 수신하는 입력을 처리하고, 관리자 데이터베이스 서버(112)는 관리자 기능과 관련하여 처리되는 데이터의 데이터베이스를 구현하고, 데이터베이스 처리와 관련된 명령을 수행하고, 데이터를 관리자 데이터베이스 스토리지(111)에 저장할 수 있다.
상술한 데이터베이스 서버들(106, 108, 110 및 112)과 스토리지들(105, 107, 109 및 111)은 통합되어 구현될 수도 있지만, 독립된 개체로 동작하는 경우 시스템에서 처리되는 데이터의 통합 관리 방식에 따라 시스템의 데이터 처리 효율이 달라 질 수 있다. 기업 데이터 통합 관리 서버(102)는 기업 통합 타겟 데이터(130)로부터 데이터 처리 효율을 높이기 위한 정보를 추출하고, 추출된 정보에 따라 기업 통합 타겟 데이터(130)를 처리하기 위한 전략을 생성할 수 있다. 데이터 처리 효율을 위한 정보를 추출하고, 기업 통합 타겟 데이터(130)를 처리하기 위한 전략을 생성하는 실시예는 후술된다.
일실시예에 따르면, 기업 데이터 통합 관리 서버(102)는 기업 데이터 통합 관리 방법을 수행할 수 있다. 기업 데이터 통합 관리 서버(102)는 통합 관리의 타겟이 되는 기업 통합 타겟 데이터(130)를 처리할 수 있고, 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다. 기업 데이터 통합 관리 서버(102)는 통합 데이터베이스 서버(103)와 연동하여 데이터베이스 관련 정보를 처리할 수 있고, 통합 데이터베이스 서버(103)에 의해 데이터베이스화된 데이터는 스토리지(104)에 저장될 수 있다. 시스템 내 데이터들은 각각의 서버들에 의해 처리될 수 있는데, 시스템 전체 효율을 높이기 위한 데이터의 관리 및 통합과 관련된 명령은 기업 데이터 통합 관리 서버(102)에 의해 처리될 수 있고, 기업 데이터 통합 관리 서버(102)에 의해 처리되는 데이터의 데이터베이스 처리는 기업 데이터 통합 데이터베이스 서버(103)에 의해 처리될 수 있다.
일실시예에 따르면, 시스템 내 서버들은 인공지능을 이용하여 기업 데이터 통합 관리를 위한 정보를 생성할 수 있다. 서버들은 학습된 모듈을 포함할 수 있고, 데이터 처리 히스토리와 새롭게 입력되는 트레이닝 샘플들을 활용하여 인공지능 모델을 학습시킬 수 있다. 인공지능 모델과 관련된 내용은 후술된다.
도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 기업 데이터 통합 관리 장치는 기업 데이터 통합 관리 단말로부터 기업 데이터를 수신할 수 있다(201). 기업 데이터 통합 관리 장치는 상술한 서버들에 의해 구현될 수 있고, 예를 들어 상술한 기업 데이터 통합 관리 서버에 의해 구현될 수 있으며, 기업 데이터를 통합 및 관리하는 방법을 수행하는 장치일 수 있고, 하드웨어 모듈, 소프트웨어 모듈 또는 이들의 조합으로 구현될 수 있다. 기업 데이터는 기업 활동에 의해 생성된 데이터로서, 예를 들어 매출 활동, 영업 활동, 인사 활동, 업무 처리 등에 의해 생성되는 데이터를 포함하며, 시스템 내 서버들은 이러한 데이터를 각 서버 기능 별로 처리하고, 데이터베이스화할 수 있다. 사용자는 기업 데이터 통합 관리 단말을 이용하여 기업 활동과 관련된 정보를 입력할 수 있고, 기업 데이터 통합 관리 단말은 사용자의 입력에 기초하여 기업 데이터를 기업 데이터 통합 관리 장치로 전송할 수 있다. 기업 데이터는 사용자 입력뿐만 아니라 기업과 관련된 정보가 갱신됨에 따라 시스템 내 처리 규약에 의해 주기적 또는 비주기적으로 생성될 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 기업 데이터로부터 기업 통합 타겟 데이터 및 분류 대응 정보를 추출할 수 있다(202). 기업 통합 타겟 데이터는 기업 데이터로부터 추출된 데이터로서 시스템 내 서버들의 처리 효율을 높이기 위한 통합 관리의 타겟이 되는 데이터이다. 기업 데이터 통합 관리 장치에 의해 추출되는 기업 통합 타겟 데이터는 식별자, 분류 및 분류 대응 정보를 포함할 수 있다. 식별자는 기업 통합 타겟 데이터를 식별하기 위한 정보를 포함할 수 있다. 분류는 매출, 인사, 노무, 업무실적, 협력처, 업무기한 및 프로젝트 중 적어도 하나에 대응하는 정보 분류 유형을 포함할 수 있다. 분류 대응 정보는 분류에 대응하는 정보를 포함할 수 있다. 예를 들어, 기업 통합 타겟 데이터의 분류가 매출에 대응하는 정보 분류 유형을 포함한다면, 분류 대응 정보는 매출에 대응하는 값을 포함할 수 있다. 매출에 대응하는 값을 실수로 표현될 수 있고, 단위는 원, 달러 등 화폐로 정의될 수 있다. 매출에 대응하는 정보 분류 유형은 일, 주, 월, 분기 및 년 등 다양하게 정의될 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 기업 데이터 처리 시스템의 데이터 처리 효율을 지표화한 시스템 관리 효율 지수의 목표 값인 목표 시스템 관리 효율 지수를 수신할 수 있다(203). 상술한 바와 같이, 기업 데이터 처리 시스템은 기업 데이터 통합 관리 서버, 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버를 포함할 수 있다. 시스템 관리 효율 지수는 기업 데이터 처리 시스템의 데이터 처리 효율을 지표화한 지수인데, 기업 데이터 처리 시스템 내 개체들이 데이터를 처리함에 따라 발생하는 데이터 처리 히스토리에 기초하여 지표화된 값일 수 있고, 시스템 관리 효율 지수의 목표 값은 시스템의 하드웨어 성능과 처리하는 데이터 양과 유형에 기초하여 설정될 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 시스템 관리 효율 지수를 시스템의 총 데이터 조회 속도 지수, 총 유저 만족도 지수, 총 접근 경로 길이 지수 및 총 보안성 지수와 총 데이터 요청 쿼리 수에 기초하여 시스템 관리 효율 지수를 정의할 수 있다. 기업 데이터 통합 관리 장치는 수학식 1과 같이 시스템 관리 효율 지수를 정의할 수 있다.
Figure 112020059004363-pat00001
기업 데이터 통합 관리 장치는 시스템 내 서버들의 데이터 처리에 의해 발생하는 데이터 처리 히스토리 정보를 획득할 수 있고, 데이터 처리 히스토리 정보는 쿼리 키워드, 보안 공격 정보, 요청 유저 정보, 요청 서버 정보, 요청 빈도 정보 및 유저 만족도 정보를 포함할 수 있다. 기업 데이터 통합 관리 장치는 쿼리 키워드, 요청 서버 정보 및 요청 빈도 정보에 기초하여 총 데이터 조회 속도 지수를 생성할 수 있다. 기업 데이터 통합 관리 장치는 요청된 정보에 응답하여 데이터를 조회하는데 걸리는 시간에 기초하여 데이터 조회 속도 지수를 생성할 수 있고, 요청된 정보들에 대응하는 데이터 조회 속도 지수들에 기초하여 총 데이터 조회 속도 지수를 생성할 수 있다. 총 데이터 조회 속도 지수가 높을수록 데이터 조회 속도가 빠른 것으로 정의될 수 있다. 기업 데이터 통합 관리 장치는 총 데이터 조회 속도 지수가 높도록 데이터 통합 관리를 수행하므로, 데이터 처리에 의해 발생하는 데이터 조회 속도 성능이 우수한 데이터 통합 관리를 수행할 수 있다.
기업 데이터 통합 관리 장치는 시스템 내 서버들의 데이터 처리에 의해 발생하는 유저 만족도 정보를 획득하고, 획득된 정보에 기초하여 총 유저 만족도 지수를 생성할 수 있다. 총 유저 만족도 지수가 높을수록 유저의 만족도가 높은 것으로 정의될 수 있다. 유저 만족도 정보는 사용자에 의해 입력된 값에 기초하여 생성될 수 있다. 기업 데이터 통합 관리 장치는 총 유저 만족도 지수가 높도록 데이터 통합 관리를 수행하므로, 데이터 처리 및 응답에 대한 유저 만족도가 높은 데이터 통합 관리를 수행할 수 있다.
기업 데이터 통합 관리 장치는 시스템 내 서버들의 데이터 처리에 의해 발생하는 쿼리 키워드, 요청 서버 정보 및 요청 빈도 정보에 기초하여 총 접근 경로 길이 지수를 생성할 수 있다. 기업 데이터 통합 관리 장치는 요청된 정보에 응답하여 데이터를 조회하는데 접근하는 단계들을 경로로 정의하고, 그 단계들의 길이의 합에 기초하여 총 접근 경로 길이 지수를 생성할 수 있다. 총 접근 경로 길이 지수가 높을수록 접근 경로가 짧은 것으로 정의될 수 있다. 기업 데이터 통합 관리 장치는 총 접근 경로 길이 지수가 높도록 데이터 통합 관리를 수행하므로, 빈도수가 높은 데이터의 접근 경로를 짧게 데이터 통합 관리를 수행할 수 있다. 접근 경로는 시스템 내 물리적인 하드웨어 장치들의 단계들로 표현될 수 있고, 유저가 데이터를 접근하는데 필요한 UX 횟수로 정의될 수도 있다.
기업 데이터 통합 관리 장치는 시스템 내 서버들의 데이터 처리에 의해 발생하는 쿼리 키워드, 보안 공격 정보, 요청 유저 정보, 요청 서버 정보 및 요청 빈도 정보를 획득하고, 획득된 정보에 기초하여 총 보안성 지수를 생성할 수 있다. 기업 데이터 통합 관리 장치는 요청된 정보에 응답하여 데이터를 조회하거나 처리하는데 발생하는 보안 공격 횟수, 보안 공격 유형, 보안 공격 강도 및 보안 공격 주체에 기초하여 총 보안성 지수를 생성할 수 있다. 총 보안성 지수가 높을수록 보안 공격에 강한 것으로 정의될 수 있다. 기업 데이터 통합 관리 장치는 총 보안성 지수가 높도록 데이터 통합 관리를 수행하므로, 데이터 처리에 의해 발생하는 보안 공격에 강인한 데이터 통합 관리를 수행할 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터 및 목표 시스템 관리 효율 지수를 제1 뉴럴 네트워크에 적용하여 제1 기업 데이터 통합 전략을 생성할 수 있다(204). 제1 뉴럴 네트워크의 출력에 기초하여 생성되는 기업 데이터 통합 전략은 기업 통합 타겟 데이터의 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들에 기초하여 설계될 수 있다. 매칭 서버는 시스템 내 상술한 서버들 중 매칭되는 적어도 하나의 서버이고, UI 노출도는 시스템 내 특정 서버의 플랫폼 또는 프로그램의 UI에 의해 유저에게 노출되는 정도이고, 저장소는 시스템 내 상술한 스토리지들 중 적어도 하나의 스토리지이고, 접근 권한은 데이터에 접근할 수 있는 권한으로서 유저들 또는 접근 서버들 별로 차별적으로 제공되도록 설정될 수 있고, 조회 속도는 해당 기업 통합 타겟 데이터를 조회하는 속도로서, 접근 경로의 길이나 데이터베이스 서버의 처리 알고리즘에 다른 속도로 설정될 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 딥러닝을 기반으로 기업 통합 타겟 데이터에 따른 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들을 포함하는 제1 기업 데이터 통합 전략을 생성할 수 있다. 기업 데이터 통합 관리 장치는 상술한 기업 데이터 통합 관리 서버일 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터 및 목표 시스템 관리 효율 지수에 기초하여 제1 입력 벡터를 생성할 수 있다. 여기서, 벡터는 one-hot 벡터, 실수 벡터 등 설계 의도에 따라 다양한 형태로 정의될 수 있다. 제1 입력 벡터 생성 시 기업 통합 타겟 데이터 및 목표 시스템 관리 효율 지수 내 다양한 변수들에 각각 가중치들이 적용될 수 있다. 여기서, 가중치들은 제1 뉴럴 네트워크의 학습 시 최적화될 수 있다. 기업 데이터 통합 관리 장치는 제1 입력 벡터를 기 학습된 제1 뉴럴 네트워크로 인가할 수 있다. 제1 입력 벡터는 제1 뉴럴 네트워크의 입력 레이어에 대응할 수 있다.
기업 데이터 통합 관리 장치는 제1 입력 벡터가 인가된 제1 뉴럴 네트워크로부터 생성된 제1 출력 벡터를 획득할 수 있다. 제1 출력 벡터는 제1 뉴럴 네트워크의 출력 레이어에 대응할 수 있다. 기업 데이터 통합 관리 장치는 제1 출력 벡터에 기초하여 기업 통합 타겟 데이터에 따른 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들을 포함하는 제1 기업 데이터 통합 전략을 생성할 수 있다. 제1 기업 데이터 통합 전략 내 설정 값들은 복수의 분류들과 같이 이산화되어 표현되거나 연속된 값으로 표현될 수 있다. 뉴럴 네트워크의 학습과 관련된 내용은 도 5를 참조하여 후술된다.
기업 데이터 통합 관리 장치는 제1 뉴럴 네트워크에 의해 생성된 제1 기업 데이터 통합 전략을 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버로 전송할 수 있다(205). 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버는 제1 기업 데이터 통합 전략에 기초하여, 기업 통합 타겟 데이터를 처리할 수 있다. 예를 들어, 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버는 제1 기업 데이터 통합 전략에 기초하여 기업 통합 타겟 데이터에 대응하는 매칭 서버 및 저장소를 판단할 수 있고, 매칭 서버 및 저장소에 대응하는 서버는 해당 기업 통합 타겟 데이터를 처리하고, 대응 데이터베이스 처리 서버와 스토리지를 활용하여 해당 기업 통합 타겟 데이터를 저장할 수 있다. 예를 들어, 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버는 제1 기업 데이터 통합 전략에 기초하여 기업 통합 타겟 데이터에 대응하는 UI 노출도를 판단할 수 있고, 매칭 서버 및 저장소에 대응하는 서버는 해당 기업 통합 타겟 데이터를 제1 기업 데이터 통합 전략에 따른 UI 노출도에 기초하여 대응 플랫폼 또는 프로그램에 해당 기업 통합 타겟 데이터를 노출시킬 수 있다. 예를 들어, 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버는 제1 기업 데이터 통합 전략에 기초하여 기업 통합 타겟 데이터에 대응하는 접근 권한 및 조회 속도를 판단할 수 있고, 매칭 서버 및 저장소에 대응하는 서버는 해당 기업 통합 타겟 데이터를 제1 기업 데이터 통합 전략에 따른 접근 권한 및 조회 속도에 기초하여 해당 기업 통합 타겟 데이터를 처리할 수 있다.
기업 데이터 통합 관리 장치는 제1 기업 데이터 통합 전략에 따라 기업 통합 타겟 데이터를 처리한 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버로부터 서버 처리 히스토리 정보를 수신할 수 있다(206). 기업 통합 타겟 데이터를 처리한 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버에 의해 생성되는 서버 처리 히스토리 정보는 쿼리 키워드, 보안 공격 정보, 요청 유저 정보, 요청 서버 정보, 요청 빈도 정보 및 유저 만족도 정보를 포함할 수 있다. 기업 데이터 통합 관리 장치는 서버 처리 히스토리 정보에 기초하여 현재 시스템 관리 효율 지수를 생성하고, 생성된 현재 시스템 관리 효율 지수에 기초하여 기업 데이터 통합 전략을 갱신할 수 있다. 기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터를 처리하기 위한 제1 기업 데이터 통합 전략을 생성하고, 생성된 제1 기업 데이터 통합 전략에 따라 기업 통합 타겟 데이터를 처리함에 따라 획득된 지표에 기초하여 새로운 기업 데이터 통합 전략인 제2 기업 데이터 통합 전략을 생성하여, 시스템의 데이터 처리 효율을 지속적으로 개선하는 전략을 생성할 수 있고, 이에 따라 시스템의 데이터 처리 효율과 관련된 성능을 높일 수 있다. 제2 기업 데이터 통합 전략과 관련된 내용은 도 3을 참조하여 후술된다.
도 3은 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 제1 기업 데이터 통합 전략에 따라 기업 통합 타겟 데이터를 처리한 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버로부터 수신한 서버 처리 히스토리 정보에 기초하여 현재 시스템 관리 효율 지수를 생성할 수 있다. 기업 데이터 통합 관리 장치는 서버 처리 히스토리 정보 내 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버 각각에 대응하는 쿼리 키워드, 보안 공격 정보, 요청 유저 정보, 요청 서버 정보, 요청 빈도 정보, 유저 만족도 정보에 기초하여, 기업 데이터 처리 시스템의 총 데이터 조회 속도 지수, 총 유저 만족도 지수, 총 접근 경로 길이 지수 및 총 보안성 지수의 총 합계와 총 데이터 요청 쿼리 수를 생성할 수 있다. 기업 데이터 통합 관리 장치는 생성된 총 합계 및 총 데이터 요청 쿼리 수에 기초하여, 현재 시스템 관리 효율 지수를 생성할 수 있다. 현재 시스템 관리 효율 지수는 상술한 제1 기업 데이터 통합 전략에 따라 기업 통합 타겟 데이터를 처리하는 시스템의 데이터 처리 효율일 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터, 목표 시스템 관리 효율 지수 및 현재 시스템 관리 효율 지수를 제2 뉴럴 네트워크에 적용하여 제2 기업 데이터 통합 전략을 생성할 수 있다. 제2 뉴럴 네트워크의 출력에 기초하여 생성되는 제2 기업 데이터 통합 전략은 기업 통합 타겟 데이터의 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들에 기초하여 설계될 수 있으며 제1 기업 데이터 통합 전략을 갱신하는 정보일 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 딥러닝을 기반으로 기업 통합 타겟 데이터에 따른 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들을 포함하는 제2 기업 데이터 통합 전략을 생성할 수 있다. 기업 데이터 통합 관리 장치는 상술한 기업 데이터 통합 관리 서버일 수 있다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터, 목표 시스템 관리 효율 지수 및 현재 시스템 관리 효율 지수에 기초하여 제2 입력 벡터를 생성할 수 있다. 여기서, 벡터는 one-hot 벡터, 실수 벡터 등 설계 의도에 따라 다양한 형태로 정의될 수 있다. 제2 입력 벡터 생성 시 기업 통합 타겟 데이터, 목표 시스템 관리 효율 지수 및 현재 시스템 관리 효율 지수 내 다양한 변수들에 각각 가중치들이 적용될 수 있다. 여기서, 가중치들은 제2 뉴럴 네트워크의 학습 시 최적화될 수 있다. 기업 데이터 통합 관리 장치는 제2 입력 벡터를 기 학습된 제2 뉴럴 네트워크로 인가할 수 있다. 제2 입력 벡터는 제2 뉴럴 네트워크의 입력 레이어에 대응할 수 있다.
기업 데이터 통합 관리 장치는 제2 입력 벡터가 인가된 제2 뉴럴 네트워크로부터 생성된 제2 출력 벡터를 획득할 수 있다. 제2 출력 벡터는 제2 뉴럴 네트워크의 출력 레이어에 대응할 수 있다. 기업 데이터 통합 관리 장치는 제2 출력 벡터에 기초하여 기업 통합 타겟 데이터에 따른 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들을 포함하는 제2 기업 데이터 통합 전략을 생성할 수 있다. 제2 기업 데이터 통합 전략 내 설정 값들은 복수의 분류들과 같이 이산화되어 표현되거나 연속된 값으로 표현될 수 있다. 뉴럴 네트워크의 학습과 관련된 내용은 도 5를 참조하여 후술된다.
일실시예에 따르면, 기업 데이터 통합 관리 장치는 제2 기업 데이터 통합 전략을 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버로 전송할 수 있다. 기업 데이터 통합 관리 장치는 제2 기업 데이터 통합 전략에 따라 기업 통합 타겟 데이터를 처리한 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버로부터 제2 서버 처리 히스토리 정보를 수신할 수 있다. 기업 데이터 통합 관리 장치는 제2 서버 처리 히스토리 정보에 기초하여 제2 현재 시스템 관리 효율 지수를 생성하고, 생성된 제2 현재 시스템 관리 효율 지수와 제2 뉴럴 네트워크를 이용하여 제2 기업 데이터 통합 전략을 갱신할 수 있다. 기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터들에 대응하는 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들(301)을 지속적으로 갱신하여 시스템에 최적화된 데이터 통합 관리 전략을 제공할 수 있다.
도 4는 일실시예에 따른 기업 데이터 통합 전략을 생성하는 동작을 설명하기 위한 도면이다.
일시시예에 따르면, 기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터 내 UI 노출 데이터의 디자인을 UI 노출도와 데이터 요청 쿼리 수에 기초하여 갱신할 수 있다.
도 4를 참조하면, 기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터 내 제1 UI 노출 데이터의 제1 UI 디자인(402)을 생성할 수 있다. 기업 데이터 통합 관리 장치는 제1 UI 화면(401) 내 제1 UI 노출도에 기초하여 제1 UI 디자인(402)을 생성할 수 있다.
기업 데이터 통합 관리 장치는 기업 통합 타겟 데이터 내 제2 UI 노출 데이터의 제2 UI 디자인(404)을 생성할 수 있다. 기업 데이터 통합 관리 장치는 제2 UI 화면(403) 내 제2 UI 노출도에 기초하여 제2 UI 디자인(404)을 생성할 수 있다.
기업 데이터 통합 관리 장치는 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버 중 어느 하나에서 제1 UI 노출 데이터 및 제2 UI 노출 데이터를 검색 시, 제1 UI 노출 데이터의 제1 UI 노출도와 제2 UI 노출 데이터의 제2 UI 노출도를 비교할 수 있다. 기업 데이터 통합 관리 장치는 제1 UI 노출 데이터의 제1 UI 노출도가 제2 UI 노출 데이터의 제2 UI 노출도보다 큰 것으로 판단할 수 있다.
기업 데이터 통합 관리 장치는 제1 UI 노출 데이터보다 UI 노출도가 낮은 제2 UI 노출 데이터가 제1 UI 노출 데이터보다 데이터 요청 쿼리 수가 높은 경우, 제1 UI 노출 데이터의 제1 UI 디자인(402)과 제2 UI 노출 데이터의 제2 UI 디자인(404)의 차이를 추출할 수 있다. 기업 데이터 통합 관리 장치는 추출된 차이를 반영하여 제1 UI 노출 데이터의 제1 UI 디자인을 생성할 수 있다. 기업 데이터 통합 관리 장치는 UI 노출도가 높음에도 불구하고 데이터 요청 쿼리 수가 상대적으로 낮은 UI 노출 데이터의 디자인을 갱신하여 UI 노출도를 높일 수 있다.
도 5는 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
뉴럴 네트워크는 트레이닝 샘플들이 입력되는 입력 레이어와 트레이닝 출력들을 출력하는 출력 레이어를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 기업 통합 타겟 데이터 및 목표 시스템 관리 효율 지수에 따른 기업 데이터 통합 전략들; 및 기업 통합 타겟 데이터, 목표 시스템 관리 효율 지수 및 현재 시스템 관리 효율 지수에 따른 기업 데이터 통합 전략들에 기초하여 정의될 수 있다. 뉴럴 네트워크는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
도 5를 참조하면, 학습 장치는 트레이닝 기업 통합 타겟 데이터들(503) 및 트레이닝 목표 시스템 관리 효율 지수들(504)을 제1 뉴럴 네트워크(501)로 적용할 수 있다. 제1 뉴럴 네트워크(501)는 트레이닝 기업 통합 타겟 데이터들(503) 및 트레이닝 목표 시스템 관리 효율 지수들(504)에 기초하여 생성된 입력 벡터들에 대응하는 입력 레이어를 포함할 수 있고, 입력 레이어는 복수의 노드들로 구성될 수 있다. 제1 뉴럴 네트워크(501)는 제1 트레이닝 기업 데이터 통합 전략들(505)을 생성할 수 있다. 제1 뉴럴 네트워크(501)는 제1 트레이닝 기업 데이터 통합 전략들(505)에 대응하는 출력 벡터들에 대응하는 출력 레이어를 포함할 수 있고, 출력 레이어는 복수의 노드들로 구성될 수 있다. 학습 장치는 제1 트레이닝 기업 데이터 통합 전략들(505) 및 제1 레이블들 사이의 차이에 기초하여 제1 뉴럴 네트워크(501)를 학습시킬 수 있다.
도 5를 참조하면, 학습 장치는 트레이닝 기업 통합 타겟 데이터들(503), 트레이닝 목표 시스템 관리 효율 지수들(504) 및 트레이닝 현재 시스템 관리 효율 지수들(506)을 제2 뉴럴 네트워크(502)로 적용할 수 있다. 제2 뉴럴 네트워크(502)는 트레이닝 기업 통합 타겟 데이터들(503), 트레이닝 목표 시스템 관리 효율 지수들(504) 및 트레이닝 현재 시스템 관리 효율 지수들(506)에 기초하여 생성된 입력 벡터들에 대응하는 입력 레이어를 포함할 수 있고, 입력 레이어는 복수의 노드들로 구성될 수 있다. 제2 뉴럴 네트워크(502)는 제2 트레이닝 기업 데이터 통합 전략들(507)을 생성할 수 있다. 제2 뉴럴 네트워크(502)는 제2 트레이닝 기업 데이터 통합 전략들(507)에 대응하는 출력 벡터들에 대응하는 출력 레이어를 포함할 수 있고, 출력 레이어는 복수의 노드들로 구성될 수 있다. 학습 장치는 제2 트레이닝 기업 데이터 통합 전략들(507) 및 제2 레이블들 사이의 차이에 기초하여 제2 뉴럴 네트워크(502)를 학습시킬 수 있다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수(loss function)을 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
도 6은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(601)는 프로세서(602) 및 메모리(603)를 포함한다. 프로세서(602)는 도 1 내지 도 5를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 5를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(501)를 이용하는 자 또는 단체는 도 1 내지 도 5을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(503)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들을 구현하는 프로그램을 저장할 수 있다. 메모리(503)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(502)는 프로그램을 실행하고, 장치(501)를 제어할 수 있다. 프로세서(502)에 의하여 실행되는 프로그램의 코드는 메모리(503)에 저장될 수 있다. 장치(501)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(501)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(503)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(502)는 메모리(503)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(501)와 학습된 인공 신경망을 이용하는 장치(501)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (5)

  1. 기업 데이터 통합 관리 서버에서, 기업 데이터 통합 관리 단말로부터 기업 데이터를 수신하는 단계;
    상기 기업 데이터 통합 관리 서버에서, 상기 기업 데이터로부터 기업 통합 타겟 데이터-상기 기업 통합 타겟 데이터는 식별자, 분류-상기 분류는 매출, 인사, 노무, 업무실적, 협력처, 업무기한 및 프로젝트 중 적어도 하나에 대응하는 정보 분류 유형을 포함함- 및 분류 대응 정보-상기 분류 대응 정보는 상기 분류에 대응하는 정보를 포함함-를 포함함-를 추출하는 단계;
    상기 기업 데이터 통합 관리 서버에서, 기업 데이터 처리 시스템-상기 기업 데이터 처리 시스템은 상기 기업 데이터 통합 관리 서버, 통합 데이터베이스 서버, 웹(web) 서버, 앱(app) 서버, 인트라넷 서버 및 관리자 서버를 포함함-의 데이터 처리 효율을 지표화한 시스템 관리 효율 지수-상기 시스템 관리 효율 지수는 상기 기업 데이터 처리 시스템의 데이터 처리 히스토리에 기초하여 지표화됨-의 목표 값인 목표 시스템 관리 효율 지수를 수신하는 단계;
    상기 기업 데이터 통합 관리 서버에서, 상기 기업 통합 타겟 데이터 및 상기 목표 시스템 관리 효율 지수를 제1 뉴럴 네트워크에 적용하여 제1 기업 데이터 통합 전략-상기 기업 데이터 통합 전략은 상기 기업 통합 타겟 데이터의 매칭 서버, UI 노출도, 저장소, 접근 권한 및 조회 속도에 대응하는 설정 값들에 기초하여 설계됨-을 생성하는 단계;
    상기 기업 데이터 통합 관리 서버에서, 상기 제1 기업 데이터 통합 전략을 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버로 전송하는 단계; 및
    상기 기업 데이터 통합 관리 서버에서, 상기 제1 기업 데이터 통합 전략에 따라 상기 기업 통합 타겟 데이터를 처리한 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버로부터 서버 처리 히스토리 정보-상기 서버 처리 히스토리 정보는 쿼리 키워드, 보안 공격 정보, 요청 유저 정보, 요청 서버 정보, 요청 빈도 정보 및 유저 만족도 정보를 포함함-를 수신하는 단계
    를 포함하고,
    상기 제1 뉴럴 네트워크는 트레이닝 기업 통합 타겟 데이터들 및 트레이닝 목표 시스템 관리 효율 지수들로부터 생성되는 제1 트레이닝 기업 데이터 통합 전략들 및 제1 레이블들 차이에 기초하여 학습되고,
    상기 기업 데이터 통합 관리 서버에서, 상기 서버 처리 히스토리 정보에 기초하여 현재 시스템 관리 효율 지수를 생성하는 단계;
    상기 기업 데이터 통합 관리 서버에서, 상기 기업 통합 타겟 데이터, 상기 목표 시스템 관리 효율 지수 및 상기 현재 시스템 관리 효율 지수를 제2 뉴럴 네트워크에 적용하여 제2 기업 데이터 통합 전략을 생성하는 단계;
    상기 기업 데이터 통합 관리 서버에서, 상기 제2 기업 데이터 통합 전략을 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버로 전송하는 단계;
    상기 기업 데이터 통합 관리 서버에서, 상기 제2 기업 데이터 통합 전략에 따라 상기 기업 통합 타겟 데이터를 처리한 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버로부터 제2 서버 처리 히스토리 정보를 수신하는 단계; 및
    상기 기업 데이터 통합 관리 서버에서, 상기 제2 서버 처리 히스토리 정보에 기초하여 제2 현재 시스템 관리 효율 지수를 생성하고, 생성된 제2 현재 시스템 관리 효율 지수와 상기 제2 뉴럴 네트워크를 이용하여 상기 제2 기업 데이터 통합 전략을 갱신하는 단계
    를 더 포함하고,
    상기 현재 시스템 관리 효율 지수를 생성하는 단계는
    상기 서버 처리 히스토리 정보 내 상기 통합 데이터베이스 서버, 상기 웹(web) 서버, 상기 앱(app) 서버, 상기 인트라넷 서버 및 상기 관리자 서버 각각에 대응하는 쿼리 키워드, 보안 공격 정보, 요청 유저 정보, 요청 서버 정보, 요청 빈도 정보, 유저 만족도 정보에 기초하여, 상기 기업 데이터 처리 시스템의 총 데이터 조회 속도 지수, 총 유저 만족도 지수, 총 접근 경로 길이 지수 및 총 보안성 지수의 총 합계와 총 데이터 요청 쿼리 수를 생성하는 단계; 및
    상기 생성된 총 합계 및 상기 총 데이터 요청 쿼리 수에 기초하여, 현재 시스템 관리 효율 지수를 생성하는 단계
    를 포함하고,
    상기 제2 뉴럴 네트워크는 트레이닝 기업 통합 타겟 데이터들, 트레이닝 목표 시스템 관리 효율 지수들 및 트레이닝 현재 시스템 관리 효율 지수들로부터 생성되는 제2 트레이닝 기업 데이터 통합 전략들 및 제2 레이블들 차이에 기초하여 학습되는,
    기업 데이터 통합 관리 방법.



  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
KR1020200069416A 2020-06-09 2020-06-09 기업 데이터 통합 관리 방법, 장치, 및 시스템 KR102175183B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200069416A KR102175183B1 (ko) 2020-06-09 2020-06-09 기업 데이터 통합 관리 방법, 장치, 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200069416A KR102175183B1 (ko) 2020-06-09 2020-06-09 기업 데이터 통합 관리 방법, 장치, 및 시스템

Publications (1)

Publication Number Publication Date
KR102175183B1 true KR102175183B1 (ko) 2020-11-05

Family

ID=73249445

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200069416A KR102175183B1 (ko) 2020-06-09 2020-06-09 기업 데이터 통합 관리 방법, 장치, 및 시스템

Country Status (1)

Country Link
KR (1) KR102175183B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220104529A (ko) * 2021-01-18 2022-07-26 (주) 애니파이브 인공지능을 기반으로 한 특허 평가 방법
KR20230004118A (ko) * 2021-06-30 2023-01-06 (주) 애니파이브 인공지능 기반 특허사무소 관리 방법
CN116611710A (zh) * 2023-06-21 2023-08-18 深圳传世智慧科技有限公司 一种可视化动态展示方法及系统
CN117077968A (zh) * 2023-08-31 2023-11-17 荆州市辛拓建筑安装有限公司 一种企业目标数据管理分析处理系统
KR102615956B1 (ko) 2023-09-04 2023-12-20 주식회사 위드퓨처 기업간 데이터 공유를 위한 메타데이터 관리 시스템
WO2024012567A1 (zh) * 2022-07-14 2024-01-18 北京字跳网络技术有限公司 系统集成方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030037420A (ko) * 2001-11-05 2003-05-14 윤준수 지식 평가 시스템
KR100811367B1 (ko) * 2007-06-08 2008-03-07 주식회사 엘지씨엔에스 활용도 관리시스템 및 그 관리방법
KR101033446B1 (ko) 2004-08-31 2011-05-09 인터내셔널 비지네스 머신즈 코포레이션 데이터 통합 시스템의 사용자 인터페이스
KR101224670B1 (ko) 2005-02-28 2013-01-21 마이크로소프트 코포레이션 데이터 관리를 용이하게 해주는 시스템 및 방법
KR20130120899A (ko) * 2012-04-26 2013-11-05 주식회사 엘지씨엔에스 데이터베이스 히스토리 관리 방법 및 그를 위한 데이터베이스 히스토리 관리 시스템
KR101747262B1 (ko) * 2016-04-25 2017-06-28 주식회사 티맥스데이터 동적인 알고리즘 변경을 통하여 쿼리 처리 시간을 축소시키기 위한 방법, 장치 및 컴퓨터-판독가능 매체
KR20170122151A (ko) * 2017-06-08 2017-11-03 주식회사 티맥스데이터 동적인 알고리즘 변경을 통하여 쿼리 처리 시간을 축소시키기 위한 방법, 장치 및 컴퓨터-판독가능 매체
KR101938953B1 (ko) 2014-06-16 2019-01-15 인터내셔널 비지네스 머신즈 코포레이션 빅 데이터 질의 엔진을 위한 플래시 최적화된 열 데이터 배치 및 데이터 액세스 처리 알고리즘
KR20190112378A (ko) * 2018-03-26 2019-10-07 삼성전자주식회사 영상 분할 방법, 영상 분할 장치, 및 영상 분할을 위한 학습 방법
KR20190112994A (ko) 2018-03-27 2019-10-08 주식회사 와이즈넛 사용자 로그 기반 데이터 배치 관리 방법, 이를 위한 시스템 및 장치

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030037420A (ko) * 2001-11-05 2003-05-14 윤준수 지식 평가 시스템
KR101033446B1 (ko) 2004-08-31 2011-05-09 인터내셔널 비지네스 머신즈 코포레이션 데이터 통합 시스템의 사용자 인터페이스
KR101224670B1 (ko) 2005-02-28 2013-01-21 마이크로소프트 코포레이션 데이터 관리를 용이하게 해주는 시스템 및 방법
KR100811367B1 (ko) * 2007-06-08 2008-03-07 주식회사 엘지씨엔에스 활용도 관리시스템 및 그 관리방법
KR20130120899A (ko) * 2012-04-26 2013-11-05 주식회사 엘지씨엔에스 데이터베이스 히스토리 관리 방법 및 그를 위한 데이터베이스 히스토리 관리 시스템
KR101938953B1 (ko) 2014-06-16 2019-01-15 인터내셔널 비지네스 머신즈 코포레이션 빅 데이터 질의 엔진을 위한 플래시 최적화된 열 데이터 배치 및 데이터 액세스 처리 알고리즘
KR101747262B1 (ko) * 2016-04-25 2017-06-28 주식회사 티맥스데이터 동적인 알고리즘 변경을 통하여 쿼리 처리 시간을 축소시키기 위한 방법, 장치 및 컴퓨터-판독가능 매체
KR20170122151A (ko) * 2017-06-08 2017-11-03 주식회사 티맥스데이터 동적인 알고리즘 변경을 통하여 쿼리 처리 시간을 축소시키기 위한 방법, 장치 및 컴퓨터-판독가능 매체
KR20190112378A (ko) * 2018-03-26 2019-10-07 삼성전자주식회사 영상 분할 방법, 영상 분할 장치, 및 영상 분할을 위한 학습 방법
KR20190112994A (ko) 2018-03-27 2019-10-08 주식회사 와이즈넛 사용자 로그 기반 데이터 배치 관리 방법, 이를 위한 시스템 및 장치

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
‘데이터 기반 혼란을 위한 인공지능’Informatica 백서, (2017.05.)* *
Byline Network 기사, ‘비즈니스 가치 창출하는 데이터 활용 방법, ‘펜타호’ 데이터옵스 플랫폼’, https://byline.network/2020/05/26-98/(2020.05.26.)* *
Carl W. Olofson, ‘기업 데이터 통합을 통한 기회 최대화 및 위험성 최소화: 불확실성 시기의 성공을 위한 전략’, IDC White paper(2009.05.)* *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220104529A (ko) * 2021-01-18 2022-07-26 (주) 애니파이브 인공지능을 기반으로 한 특허 평가 방법
KR102502271B1 (ko) * 2021-01-18 2023-02-21 (주) 애니파이브 인공지능을 기반으로 한 특허 평가 방법
KR20230004118A (ko) * 2021-06-30 2023-01-06 (주) 애니파이브 인공지능 기반 특허사무소 관리 방법
KR102538698B1 (ko) * 2021-06-30 2023-05-31 (주) 애니파이브 인공지능 기반 특허사무소 관리 방법
WO2024012567A1 (zh) * 2022-07-14 2024-01-18 北京字跳网络技术有限公司 系统集成方法、装置及电子设备
CN116611710A (zh) * 2023-06-21 2023-08-18 深圳传世智慧科技有限公司 一种可视化动态展示方法及系统
CN117077968A (zh) * 2023-08-31 2023-11-17 荆州市辛拓建筑安装有限公司 一种企业目标数据管理分析处理系统
KR102615956B1 (ko) 2023-09-04 2023-12-20 주식회사 위드퓨처 기업간 데이터 공유를 위한 메타데이터 관리 시스템

Similar Documents

Publication Publication Date Title
KR102175183B1 (ko) 기업 데이터 통합 관리 방법, 장치, 및 시스템
US11038861B2 (en) Techniques for security artifacts management
US20190122136A1 (en) Feature processing tradeoff management
US11100420B2 (en) Input processing for machine learning
US20150379429A1 (en) Interactive interfaces for machine learning model evaluations
US10635932B2 (en) Database systems and user interfaces for dynamic and interactive mobile image analysis and identification
CN109964216A (zh) 识别未知数据对象
US20150379430A1 (en) Efficient duplicate detection for machine learning data sets
Chebbi et al. Big data: Concepts, challenges and applications
CN111291765A (zh) 用于确定相似图片的方法和装置
CN103177066B (zh) 分析和表示人际关系
US8200616B2 (en) Method, apparatus, and computer program product for polynomial-based data transformation and utilization
US11663843B2 (en) Automatic selection of templates for extraction of data from electronic documents
US12106384B2 (en) Duplicate invoice detection and management
US20220405701A1 (en) Matching past post-approved transactions with past pre-approved transactions using machine learning systems
KR102275819B1 (ko) 건축 설계 도면의 자동 문서화 방법, 장치 및 시스템
US10635672B2 (en) Method and system for merging data
US20230334048A1 (en) Methods and systems for searching data exchanges that comprise information on assets with non-homogenous functionality and non-standardized data descriptions
US20030163465A1 (en) Processing information about occurrences of multiple types of events in a consistent manner
US10878291B2 (en) Visually guided query processing
US20230195742A1 (en) Time series prediction method for graph structure data
US20220303351A1 (en) ENHANCED PROCESSING OF USER PROFILES USING DATA STRUCTURES SPECIALIZED FOR GRAPHICAL PROCESSING UNITS (GPUs)
Wang et al. On the neural backdoor of federated generative models in edge computing
KR102279109B1 (ko) 지식 통합을 위한 분산 시스템 및 방법
CN117931812B (zh) 一种面向数据空间的数字对象元注册表系统及搜索方法

Legal Events

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