KR102185358B1 - 유저 데이터 및 서비스 항목 데이터를 활용한 서비스 구현 장치 - Google Patents

Abstract

본 발명의 실시 예에 따른 인공지능 기반 서비스 구현 및 시스템 운용 장치는 인공지능 기반의 데이터 분석을 수행하는 데 요구되는 명령 및 데이터를 저장하는 저장부, 의뢰자 측으로부터 일 서비스 앱 또는 웹에 대한 유저 데이터 및 서비스 항목 데이터를 수신하는 통신부, 상기 유저 데이터 및 서비스 항목 데이터를 기반으로 사용자가 선택활 확률이 높은 메뉴 항목을 산출하고, 산출된 메뉴의 설정값 변경을 작업자측에 요청하거나, 설정값을 변경하여 서비스 앱 또는 웹을 재프로그래밍하는 제어부를 포함할 수 있다.

Description

유저 데이터 및 서비스 항목 데이터를 활용한 서비스 구현 장치{Device for implementing service using user data and service item data}

본 발명은 인공지능 기반 서비스 구현 및 시스템 운용 장치에 관한 것이다.

디지털 경제의 확산으로 우리 주변에는 규모를 가늠할 수 없을 정도로 많은 정보와 데이터가 생산되는 '빅데이터 환경'이 도래하였다. 빅데이터는 과거 아날로그 환경에서 생성되던 데이터에 비하면 그 규모가 방대하고, 생성 주기가 짧으며, 수치 뿐 아니라 문자 및 영상 데이터를 포함하는 특징이 있다.

이러한 빅데이터를 효과적으로 이용하기 위한 대표적인 기법이 머신러닝이다. 머신러닝은 사람이 학습하듯이 컴퓨터에도 데이터들을 부여하여 학습하도록 지원하고, 이를 통해 새로운 지식을 얻어내는 기술이다.

그러나 현재 인공지능을 이용한 분석 방법은 널리 쓰이고 있으나, 인공지능기법을 통해 산출된 정보를 이용한 재프로그래밍은 즉각적이지 못하며 작업자의 개입이 요구되는 불편함이 있었다.

본 발명은 인공지능을 이용한 분석의 결과에 따라 서비스 제공 환경의 표시 내용을 자동으로 변경하여 제공하기 위한 목적이 있다.

구체적으로, 본 발명은 프론트 엔드(Front End)에서 제공되는 다양한 서비스를 제어하기 위한 백 엔드(Back End)를 구축하기 위한 목적이 있다.

본 발명의 실시 예에 따른 인공지능 기반 서비스 구현 및 시스템 운용 장치는 인공지능 기반의 데이터 분석을 수행하는 데 요구되는 명령 및 데이터를 저장하는 저장부, 의뢰자 측으로부터 일 서비스 앱 또는 웹에 대한 유저 데이터 및 서비스 항목 데이터를 수신하는 통신부, 상기 유저 데이터 및 서비스 항목 데이터를 기반으로 사용자가 선택활 확률이 높은 메뉴 항목을 산출하고, 산출된 메뉴의 설정값 변경을 작업자측에 요청하거나, 설정값을 변경하여 서비스 앱 또는 웹을 재프로그래밍하는 제어부를 포함할 수 있다.

본 발명은 서비스의 분야별 적합한 인공지능 모델을 적용하여 재프로그래밍을 수행할 수 있다.

본 발명은 사용자의 사용 데이터에 기반하여 사용자가 선택 또는 열람할 확률이 높을 것으로 판단되는 메뉴 항목을 재프로그램용 설계 변수로 추출하여 이를 강조하기 위한 설계 변경 동작을 수행함에 따라, 사용자의 선택 또는 구매를 유도하는 효과가 있다.

또한 본 발명은 인공지능 분석에 기반하여 산출된 결과값에 따라 자동으로 앱 또는 웹의 재프로그래밍을 수행하므로 보다 간편한 방법으로 프로그래밍 작업자의 작업부하를 줄일 수 있다.

도 1은 본 발명의 일 실시예에 따른 플랫폼을 개괄적으로 설명하기 위한 예시도이다.
도 2는 본 발명의 실시 예에 따른 인공지능 기반 서비스 구현 및 시스템 운용 장치의 구성을 도시한 블록도이다.
도 3은 본 발명의 실시 예에 따른 데이터 수집부의 구성을 도시한 블록도이다.
도 4는 본 발명의 실시 예에 따른 데이터 분석부의 구성에 대하여 도시한 도면이다.
도 5는 본 발명의 실시 예에 따른 평가부의 구성을 도시한 도면이다.
도 6은 본 발명의 실시 예에 따른 프로그래밍 지원 동작의 순서를 도시한 순서도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.

그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어'있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어'있다거나 '직접 접속되어'있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 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.

한편, 본 발명에 따른 인공지능 기반 서비스 구현 및 시스템 운용 장치의 프로그래밍 지원 방법은 웹서비스 뿐만 아니라 어플리케이션 서비스에도 적용될 수 있다.이러한 어플리케이션 서비스 또는 웹 서비스는 다양한 전자 기기에서 수행되는 서비스 일 수 있다. 이때, 전자 장치는 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC (desktop PC), 랩탑 PC(laptop PC), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라, 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있다. 즉, 상술한 다양한 전자 장치에서 실행되는 어플리케이션 서비스 또는 웹 서비스는 본 발명의 다양한 실시예에 따라 재프로그래밍될 수 있다.

이하에서는 도면을 이용하여 본 발명의 구체적인 실시예를 구체적으로 살펴본다.

도 1은 본 발명의 일 실시예에 따른 플랫폼을 개괄적으로 설명하기 위한 예시도이다.

도 1에 도시된 바와 같이, 플랫폼은 의뢰인과 작업자를 연결해주며, 중간에서 다양한 서비스를 제공할 수 있다. 일 실시예로, 플랫폼은 의뢰자로부터 데이터 작업에 관한 의뢰를 받고, 해당 의뢰에 대응되는 작업자를 매칭하여 작업자에게 의뢰자의 데이터 작업을 할당할 수 있다. 데이터 작업 할당 과정에서 플랫폼은 인공 지능 모델을 이용하여 작업자에게 최적화된 UX/UI 툴을 제공할 수 있다.

또 다른 실시예로, 플랫폼은 의뢰자와 작업자 사이에서 전송되는 데이터의 보안성을 높이기 위한 시스템을 구축할 수 있다. 예를 들어, 플랫폼은 의뢰자가 제공한 데이터를 암호화하여 작업자에게 제공하고, 작업자에 의해 생성된 작업물을 암호화하여 의뢰자에게 제공할 수 있다.

이 외에도, 플랫폼은 인공 지능 모델을 이용하여 작업자에 의해 생성된 작업물을 검수하여 작업자에게 재작업을 요청하거나, 의뢰자에게 전달할 수 있다.

도 2는 본 발명의 실시 예에 따른 인공지능 기반 서비스 구현 및 시스템 운용 장치의 구성을 도시한 블록도이다.

본 발명의 실시 예에 따른 상기 장치 100는 일 서버의 형태로 구현될 수 있다. 그리고 상기 장치 100는 도 2에서 도시되는 바와 같이 통신부 110, 저장부 120 및 제어부 130를 포함하여 구성될 수 있다. 상기 제어부 130는 데이터 수집부 131, 데이터 분석부 132 및 평가부 133를 포함하여 구성될 수 있다.

먼저, 상기 통신부 110는 사용자 디바이스와 서버 간의 데이터 송수신을 위해 네트워크를 이용할 수 있으며 상기 네트워크의 종류는 특별히 제한되지 않는다. 상기 네트워크는 예를 들어, 인터넷 프로토콜(IP)을 통하여 대용량 데이터의 송수신 서비스를 제공하는 아이피(IP: Internet Protocol)망 또는 서로 다른 IP 망을 통합한 올 아이피(All IP) 망 일 수 있다. 또한, 상기 네트워크는 유선망, Wibro(Wireless Broadband)망, WCDMA를 포함하는 이동통신망, HSDPA(High Speed Downlink Packet Access)망 및 LTE(Long Term Evolution) 망을 포함하는 이동통신망, LTE advanced(LTE-A), 5G(Five Generation)를 포함하는 이동통신망, 위성 통신망 및 와이파이(Wi-Fi)망 중 하나 이거나 또는 이들 중 적어도 하나 이상을 결합하여 이루어질 수 있다.

본 발명의 실시 예에 따른 상기 통신부 110는 의뢰자 측의 기기 또는 작업자 측의 기기와의 통신을 수행할 수 있다. 구체적으로, 상기 통신부 110는 의뢰자 측 기기(서버)로부터 어플리케이션(이하 앱) 또는 웹 사이트(이하 웹)을 통해 제공되는 서비스와 관련된 유저 데이터(사용자의 설문 정보, 신상 정보, 사용자의 검색어 등)를 수신할 수 있다. 그리고 상기 통신부 110는 데이터 분석의 결과에 따라 적어도 하나의 메뉴의 설정값이 변경된 소스코드를 작업자측 기기로 전송할 수 있다. 다양한 실시 예에 따라 상기 통신부 110는 데이터 분석의 결과에 따라 변경이 요구되는 메뉴 항목 리스트를 작업자측 기기로 전달할 수 있다.

이 밖에도 상기 통신부 110는 다양한 목적에 의해 기타 웹 서버 또는 일 기기와의 통신을 수행할 수 있다.

상기 저장부 120는 예를 들면, 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장메모리는, 예를 들면, 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나를 포함할 수 있다.

외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), XD(extreme digital), MMC(multi-media card) 또는 메모리 스틱(memory stick) 등을 더 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 전자 장치와 기능적으로 및/또는 물리적으로 연결될 수 있다.

본 발명의 실시 예에 따른 상기 저장부 120는 의뢰자측 또는 작업자측으로부터 수신한 유저 데이터, 서비스 항목 데이터를 저장할 수 있다. 인공지능 기반 서비스 구현 및 시스템 운용 장치 100가 의뢰자 서버와 동일한 경우에 있어서, 상기 저장부 120는 서비스 웹 또는 앱의 백엔드에 대응하여 관련 데이터를 수집하도록 설정될 수 있으며, 이에 따라 상기 저장부 120는 유저 데이터, 서비스 항목 데이터를 수집하여 저장할 수 있다.

상기 저장부 120는 또한 인공지능 기반의 데이터 분석을 수행하는 데 요구되는 명령 및 데이터를 저장할 수 있다.

이 밖에도 상기 저장부 120는 본 발명의 실시 예에 따른 동작 전반에 요구되는 명령 및 데이터를 저장할 수 있다.

상기 제어부 130는 프로세서(Processor), 컨트롤러(controller), 마이크로 컨트롤러(microcontroller), 마이크로 프로세서(microprocessor), 마이크로 컴퓨터(microcomputer) 등으로도 호칭될 수 있다. 한편, 제어부는 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어, 또는 이들의 결합에 의해 구현될 수 있다.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리에 저장되어 제어부에 의해 구동될 수 있다. 메모리는 상기 사용자 단말 및 서버 내부 또는 외부에 위치할 수 있으며, 이미 공지된 다양한 수단에 의해 상기 제어부와 데이터를 주고 받을 수 있다.

본 발명의 실시 예에 따른 상기 제어부 130는 웹 또는 앱 프로그래밍에 있어 백엔드 및/또는 프론트엔드 설계에 요구되는 변수를 인공지능에 기반하여 산출하는 역할을 수행할 수 있다. 나아가 상기 제어부 130는 백엔드 및/또는 프론트엔드 설계에 요구되는 변수를 산출한 후 산출된 변수를 적용하여 설계 변경을 수행할 수도 있다. 구체적으로, 상기 제어부 130는 인공지능 기반의 데이터 분석을 통해 사용자가 선택하거나 관심을 가질 확률이 높은 메뉴 항목을 산출할 수 있으며, 산출된 메뉴의 설정값 변경 요청을 작업자 측에 전달하거나, 설정값을 변경하여 재프로그래밍하는 동작을 수행할 수 있다.

이러한 상기 제어부 130는 데이터 수집부 131, 데이터 분석부 132, 평가부 133를 포함하여 구성될 수 있다.

상기 데이터 수집부 131는 사용자가 선택할 확률이 높은 메뉴 항목(설계 변수)을 산출하기 위해 요구되는 데이터들을 수집할 수 있는데, 이 때 상기 데이터 수집부 131는 본 발명의 실시 예예 따른 프로그래밍의 편집을 의뢰한 의뢰자 서버로부터 데이터를 수집하는 동작을 수행할 수 있다. 이 때 의뢰자 서버란 예컨대, 앱 또는 웹을 통해 일 서비스를 제공하는 서버를 통칭할 수 있으며, 연동된 운용 장치 100로 소정의 사용자 데이터, 서비스 관련 데이터를 전송할 수 있다. 일 실시 예에 따라 상기 의뢰자 서버는 쇼핑, 검색 등의 서비스를 제공하는 포털 웹 사이트의 서버를 포함할 수 있다.

다양한 실시 예에 따라 상기 의뢰자 서버는 인공지능 기반 서비스 구현 및 시스템 운용 장치 100와 동일 장치 내에 구성될 수 있으며, 웹 또는 앱을 통해 일 서비스를 제공하면서 수집된 사용자 응답 정보를 기반으로 인공지능에 기반한 데이터 분석을 수행할 수도 있다.

상기 데이터 수집부 131는 유저 데이터 수집부 131a, 서비스 항목 데이터 수집부 131b, 개발자 데이터 수집부 131c를 포함하여 수집할 수 있다. 상기 데이터 수집부 131에 관한 보다 상세한 설명은 도 3을 참조하여 설명하기로 한다.

상기 데이터 분석부 132는 상기 데이터 수집부 131에서 수집한 데이터를 기반으로 프로그래밍 설계 변수를 산출하기 위한 동작을 수행할 수 있다. 구체적으로 상기 데이터 분석부 132는 재프로그래밍 시 설계 변수를 산출하기 위해 투입해야 할 데이터를 항목별로 추출하는 동작 및 추출된 데이터 항목을 특정 인공지능 알고리즘 모델에 투입하여 결과값을 산출하는 동작을 수행할 수 있다. 이 때 인공지능 알고리즘은 수행 결과로 아웃풋 레이어에서 산출되는 결과값이 프로그래밍과 관련된 언어의 종류, 강조 효과를 지정할 인터페이스 상의 항목 등을 포함하도록 구성될 수 있다. 그러나 이에 한정되지 않고 보다 다양한 프로그래밍 설계 변수 항목이 아웃풋 레이어의 산출 결과값으로 지정될 수 있다.

상기 데이터 분석부 132는 데이터 투입부 132a, 모델 선택부 132b, 설계 변수 산출부 132c를 포함하여 구성될 수 있다. 상기 데이터 분석부 132에 대한 구체적인 설명은 도 4를 참조하여 기술하기로 한다.

상기 평가부 133는 상기 데이터 분석부 132의 동작 결과로 산출된 아웃풋을 적용한 프로그래밍 결과물을 평가하는 동작을 수행할 수 있다. 이 때 평가의 방식은 변경 사항을 적용에 따른 실적(예, 이용률 변화, 결제 횟수 변화 등)을 평가하는 것일 수 있다. 상기 평가부는 변화량 측정부 133a를 포함하여 구성될 수 있다. 상기 평가부 133에 대한 구체적인 설명은 도 5를 참조하여 기술하기로 한다.

도 3은 본 발명의 실시 예에 따른 데이터 수집부의 구성을 도시한 블록도이다.

도 3에서 도시되는 바와 같이, 본 발명의 실시 예에 따른 데이터 수집부 131는 유저 데이터 수집부 131a, 서비스 항목 데이터 수집부 131b, 개발자 데이터 수집부 131c를 포함하여 구성될 수 있다. 상기 데이터 수집부 131에서 수집하는 데이터는 연동된 별도의 서버에서 통신부 110를 통해 수신되는 데이터를 의미할 수도 있고, 저장부 120에 저장되는 장치 100 내 데이터를 의미할 수도 있다.

상기 유저 데이터 수집부 131a는 서비스를 이용하는 유저와 관련된 데이터를 수집할 수 있다. 일 실시예로, 서비스를 이용하는 유저는 작업자측 유저일 수 있다. 상기 유저 데이터 수집부 131a는 제공되는 서비스 사항에 대한 사용자의 응답과 관련된 정보를 수집할 수 있다. 상기 사용자의 응답과 관련된 정보는 일 실시 예에 따라 정적 정보와 동적 정보를 구분하여 수집될 수 있다.

예컨대, 상기 유저 데이터 수집부 131a는 일 서비스 항목에 대한 사용자의 주요 선택 사항, 사용자로부터 기 입력받은 설문 정보와 같은 정보들을 수집할 수 있다. 이 때 정적 정보는 사용자의 신상 정보(예, 성별, 출생년도, 거주 지역 등), 설문 정보와 같은 사용자에 의해 직접 입력된 정보이거나, 1회적 설정 이후 가변되지 않는 정보를 포함할 수 있다. 반면, 유저 데이터 중 동적 정보는 사용자의 선택 사항과 관련된 정보를 포함할 수 있다. 예컨대, 사용자의 주요 클릭 메뉴 정보, 사용자의 주요 불만 사항, 사용자의 검색 기록 등이 이러한 동적 정보의 항목에 포함될 수 있다.

상기 서비스 항목 데이터 수집부 131b는 유저에게 제공되는 서비스와 관련된 정보를 수집할 수 있다. 쇼핑몰 앱의 경우를 예로 들면, 상기 서비스 항목 데이터는 각 상품에 관련된 정보를 포함할 수 있다. 또한 상기 서비스 항목 데이터는 웹 또는 앱에서의 표시되는 메뉴 항목(예, 베스트 아이템, 신상품, 세일 아이템, 언어 변경 등)에 대한 정보를 포함할 수 있다. 또한 상기 서비스 항목 데이터 또한 정적 정보와 동적 정보에 대하여 구분하여 수집될 수 있다. 예컨대, 상기 서비스 항목 데이터의 정적 정보는 본 발명의 실시 예에 따른 인공지능 기반의 데이터 분석 결과에 따라 변동되지 않는 정보를 의미할 수 있다. 마찬가지로, 동적 정보는 인공지능 기반의 데이터 분석 결과에 따라 가변되는 정보를 의미할 수 있다.

또한 상기 서비스 항목 데이터 수집부 131b는 서비스 분야와 관련된 정보를 수집할 수 있다. 이 때 상기 서비스 항목 데이터 수집부 131b는 서비스 분야과 관련된 정보에 대하여 해당 서비스를 제공하는 서버 측 뿐 아니라 기타 외부 웹 서버 등을 통해서 수집할 수 있다. 또는 상기 서비스 항목 데이터 수집부 131b는 기 저장된 정보에 기반하여 서비스 항목을 분류하고, 해당 항목에 대응하는 서비스 분야 특성값을 산출 및 적용할 수도 있다. 그리고 이 때 서비스 항목 데이터 수집부 131b는 앱 또는 웹을 구성하는 텍스트, 이미지, 메뉴 항목 등에 기반하여 서비스 분야를 판단할 수 있다. 그리고 서비스 분야 판단 동작은 기 설정된 서비스 항복 분류 방식에 기반하여 수행될 수 있다.

본 발명의 다양한 실시 예예 따라 상기 데이터 수집부 131는 개발자 데이터 수집부 131c를 포함할 수 있다. 상기 개발자 데이터 수집부 131c는 최초 프로그래밍 당시 개발자에 의해 설정된 항목에 대한 정보를 수집할 수 있다. 본 발명의 다양한 실시 예에 따르면 최초 개발자에 의해 인공지능 분석 결과에 기반하여 가변 가능한 특정 소스코드에 정보가 프로그래밍 당시 별도로 저장될 수 있다. 이에 따라 상기 개발자 데이터 수집부 131c는 프로그래밍 당시 가변 가능한 영역으로 별도로 지정된 소스코드 정보를 수집할 수 있다.

다양한 실시 예에 따라 상기 개발자 데이터 수집부 131c는 의뢰자 또는 작업자로부터 특정 페이지에 대한 소스 코드 정보를 수신할 수 있고, 그로부터 수치로 설정된 항목을 변경 가능한 항목으로 추출하고 추출된 정보를 개발자 데이터로 수집할 수 있다. 예컨대, 상기 개발자 데이터 수집부 131c는 '<iframe width="850" height="500" src=//www.youtove.com/embed/~></iframe>'와 같은 코드 데이터로부터 수치 정보인 "850"과 "500"을 가변 항목으로 추출할 수 있다. 다양한 실시 예에 따라 상기 개발자 데이터 수집부 131c는 가변 항목으로 추출된 데이터에 대하여 가변 가능한 항목으로 설정할 것인지 여부를 질의하는 신호를 작업자 측에 전달하고 작업자 측으로부터 승인 정보를 획득할 수 있다.

다양한 실시 예에 따라 상기 개발자 데이터 수집부 131c는 앱 또는 웹의 소스 코드 전체에 대하여 열람하고 이로부터 가변 항목을 추출하는 동작을 수행할 수 있다.

* 도 4는 본 발명의 실시 예에 따른 데이터 분석부의 구성에 대하여 도시한 도면이다.

상기 데이터 분석부 132는 인공지능에 기반하여 수집된 데이터를 대상으로 프로그래밍 내용 중 변경해야 할 항목 산출 및 변경 내용을 산출할 수 있다. 이 때 산출된 내용은 작업자에게 전달되거나 변경된 내용이 자동 적용되어 컴파일 및 서비스되도록 지원할 수 있다.

본 발명의 실시 예에 따른 데이터 분석부 132는 도 4에서 도시된 바와 같이, 데이터 투입부 132a, 모델 선택부 132b, 세트 분류부 133c, 설계 변수 산출부 133d를 포함하여 구성될 수 있다.

상기 데이터 투입부 132a는 인공지능에 기반하여 데이터 분석을 수행하기 위해 요구되는 정보를 인공지능 알고리즘에 변수로 투입하는 동작을 수행할 수 있다. 상기 데이터 투입부 132a는 투입할 데이터를 상기 데이터 수집부 131에 의해 수집된 정보들 중에서 추출할 수 있다. 또한 상기 데이터 투입부 132a는 다양한 실시 예에 따라 상기 데이터 수집부 131에서 수집한 정보인 서비스 항목 정보 내지는 산출된 서비스 분야 특성값(예, 투입할 데이터 항목 산출 기준)에 기반하여 인공지능 알고리즘에 투입할 데이터 항목을 추출할 수 있다. 예컨대, 상기 데이터 투입부 132a는 '뉴스' 서비스 분야에 대응하는 유저 데이터 항목으로 사용자의 성별, 나이, 사용자의 검색어, 주요 선택 언론사, 시퀀스 데이터(열람 순서, 예컨대, 특정 사용자의 경우, 정치분야의 뉴스를 먼저 열람하고 이후에 스포츠 분야를 열람하는 패턴을 가질 수 있다), 기 설정된 시간 이상 열람한 뉴스 등을 선택할 수 있다. 그리고 상기 데이터 투입부 132a는 '뉴스' 서비스 분야에 대응하는 서비스 항목 데이터로 '언론사', '카테고리', '헤드라인 단어', '발행 시각', '내용의 길이', '이미지 포함 여부' 등을 선택할 수 있다.

다양한 실시 예에 따라, 상기 데이터 투입부 132a는 투입 데이터 선택 시, 사용자의 주말 동안의 검색 기록, 페이지 열람 기록과 평일의 검색 기록, 페이지 열람 기록을 구분할 수 있다. 이와 유사하게 상기 데이터 투입부 132a는 요일별 사용자의 검색 기록, 페이지 열람 기록을 구분하여 투입 데이터로써 선택할 수 있다.

상기 모델 선택부 132b는 머신러닝 모델을 선택할 수 있다. 일 실시 예에 따라 상기 모델 선택부 132b는 별도의 선택 동작을 수행하지 않고, 기 설정된 특정 머신러닝 모델을 적용할 수 있다. 다양한 실시 예에 따라 상기 모델 선택부 132b는 복수개의 머신러닝 모델 중에서 데이터 분석에 사용할 머신러닝 모델을 선택할 수 있다.

상기 모델 선택부 132b는 상기 데이터 투입부 132a에 의해 선택된 투입 데이터에 기반하여 1차적으로 적합한 머신러닝 알고리즘을 선택할 수 있다.

머신러닝 알고리즘은 대표적으로 리지 회귀분석(Ridge Regression), 로지스틱 회귀분석(Logistic Regression), 일반화선형모형(Generalized Linear Model), 랜덤 포레스트(Random Forest), 변화 부양 모형(Gradient Boosting Model) 및 뉴럴 네트워크(Neural Network) 등이 존재한다.

리지 회귀분석은 기본적인 linear 모델이며 극단치 또는 이상점을 핸들하기 위해 추가적인 파라미터를 제공한다.

로지스틱 회귀분석은 기본적인 linear 모델이며 타겟변수 즉 예측하려는 대상이 Binomial 분포도를 보일 때 사용하는 것이 효과적이다.

일반화선형모형은 기본적인 linear 모델이며 타겟 변수가 Possion 분포도를 보일 때 사용하는 것이 효과적이다.

랜덤 포레스트는 다수의 decision tree가 모여 이루어진 모델로서, 각 decision tree는 입력 변수들과 타겟 변수의 연관성을 고려하여 개별적으로 개발되며 상위 linear 모델 대비 더욱 유연(flexible)한 특성을 가지고 있다.

변화 부양 모형은 Generalized Boosting Model 또는 GBM 이라고도 불리며 Random Forest와 비슷한 성향을 갖는 앙상블 모델이나 각 decision tree가 이미 만들어진 decision tree의 정확도를 고려하여 개발된다는 차이점이 존재해 종종 Random Forest 대비 정확도가 높은 모델로 간주되기도 한다.

뉴럴 네트워크는 사실상 어떤 타겟이든 예측할 수 있는 유연한 모델로 파라미터를 조정함에 따라 linear 패턴과 non-linear 패턴 둘 다 아우를 수 있다. 이러한 이유로 뉴럴 네트워크에서는 파라미터 튜닝이 아주 세밀하게 되어야 한다.

이후 상기 모델 선택부 132b는 선택된 머신러닝 알고리즘 중에 일 모델을 선택할 수 있다. 이 때 각 모델은 학습 데이터가 상이하게 설정된 것일 수 있다. 이 때, 각 모델은 학습된 데이터의 수집 기간에 따라 분류될 수 있다. 예컨대, 제 1모델은 1개월의 기간 동안 수집된 데이터를 기반으로 학습된 모델이고, 제 2모델은 1주일의 기간 동안 수집된 데이터를 기반으로 학습된 모델로 설정될 수 있다. 또한 다양한 실시 예에 따라 각 모델은 학습된 데이터의 수집일의 주말 여부에 따라 분류될 수 있다. 예컨대, A모델은 평일 동안 수집된 데이터를 기반으로 학습된 모델이고 B모델은 주말 동안 수집된 데이터를 기반으로 학습된 모델로 설정될 수 있다. 이와 유사하게 각 모델은 요일별 데이터를 기반으로 학습될 수 있고, 요일 분류에 따라 각 모델의 종류가 구분될 수 있다. 그리고 상기 모델 선택부 132b는 데이터 분석 동작을 수행할 요일 또는 날짜의 평일/주말 여부에 따라 대응하는 알고리즘 모델을 선택할 수 있다.

또는 상기 모델 선택부 132b는 서비스 분야별 특성에 따라 모델을 선택할 수 있는데, 이는 사용자의 관심사의 유동성 정도에 기반하여 판단될 수 있다. 일 실시 예에 따라 사용자의 관심사 유동성은 유동적일수록 큰 값으로 점수가 매겨질 수 있다. 특정 서비스 분야에 대한 유동성의 수치는 작업자에 의해 설정될 수 있다. 그리고 이에 기반하여 상기 모델 선택부 132b는 사용자의 유동성의 수치가 큰 서비스 분야일수록 데이터의 수집 기간 내지는 학습 기간이 긴 인공지능 모델을 선택할 수 있다.

상기 설계 변수 산출부 133c는 선택된 인공지능 모델에 변수를 투입하여 알고리즘을 구동하여 재프로그램용 설계 변수에 대응하는 데이터를 산출할 수 있다.

먼저, 상기 설계 변수 산출부 133c는 상기 유저 데이터 수집부 131a에서 수집한 유저 데이터(예, 검색어 목록)와 서비스 항목 데이터 수집부 131b에서 수집한 서비스 항목 데이터(예, 뉴스 기사)를 가상 공간 위에 표현 가능한 고차원의 벡터로 변환하는 임베딩 동작을 수행할 수 있다. 그리고 이를 모두 병합하여 입력 벡터를 생성할 수 있다. 이는 머신러닝에 적합하지 않은 형태의 데이터를 머신러닝 알고리즘에서 인식 가능한 적합한 타입의 데이터로 변환하는 과정을 의미할 수 있다.

상기 설계 변수 산출부 133c는 입력 변수의 타입이 수치인 경우 변수의 스케일을 정규화하는 동작을 추가로 수행할 수 있다.

이후 설계 변수 산출부 133c는 선택된 머신러닝 알고리즘 및 선택된 알고리즘 모델에 선택된 상기 임베딩 및 입력 벡터 생성 동작 이후 이를 인공지능 알고리즘에 따른 연산을 수행할 수 있다. 이때 연산동작은 예컨대, Relu함수를 이용하여 수행될 수 있다.

이와 같은 인공지능 알고리즘에 따른 연산 동작을 수행함에 따라, 상기 설계 변수 산출부 133c는 머신러닝 알고리즘의 연산결과에 따라 사용자의 사용 패턴과 연관도가 높은 것으로 판단되는 서비스 항목별(예, 뉴스, 쇼핑, 동영상 등의 항목) 메뉴(예, 뉴스 서비스의 경우, 정치, 사회, 연예, 스포츠 등의 화면 메뉴) 또는 아이템(예, 뉴스 서비스의 경우 특정 기사 링크)을 판단할 수 있다.

또한 상기 설계 변수 산출부 133c는 최종적으로 인공지능 알고리즘에 기반하여 산출된 결과정보인 서비스 항목별 메뉴 또는 아이템이 가변 항목(예, 사이즈 변경이 가능한 항목, 표시 순서 변경이 가능한 항목, 표시 위치 변경이 가능한 항목 등)을 포함하는지 여부를 확인할 수 있다. 이 때 가변 항목 여부는 상기 개발자 데이터 수집부 131c에서 수집, 산출한 가변 항목 정보가 존재하는지 여부에 대응하여 판단될 수 있다. 상기 설계 변수 산출부 133c는 가변 항목을 포함하는 경우 해당 메뉴 또는 아이템에 대한 정보를 변경하도록 작업자 측에 관련 정보를 전달할 수 있다. 또는 다양한 실시 예에 따라 상기 설계 변수 산출부 133c는 인공지능 연산의 결과로 산출된 메뉴 또는 아이템의 가변 항목의 적어도 하나의 설정값을 직접 변경하여 재프로그래밍을 수행할 수도 있다. 상기 설계 변수 산출부 133c는 도면에 도시되지 않았지만, 상기 메뉴 또는 아이템의 가변 항목을 직접 변경하도록 소스코드를 편집하는 소스코드 편집부(미도시)를 포함할 수 있다.

도 5는 본 발명의 실시 예에 따른 평가부의 구성을 도시한 도면이다.

본 발명의 실시 예에 따른 평가부 133는 도 5에서 도시되는 바와 같이, 변화량 측정부 133a를 포함하여 구성될 수 있다.

상기 변화량 측정부 133a는 본 발명의 데이터 분석부 132의 동작 결과로 웹 또는 앱의 일 표시 메뉴의 변경이 적용됨에 따라, 변경 발생된 후, 사용자의 사용량의 변화량을 측정할 수 있다. 이 때 상기 변화량 측정부 133a는 본 발명의 데이터 수집부 131의 유저 데이터 수집부 131a에서 수집되는 정보를 기반으로 표시 메뉴의 변경 적용이 수행된 이전과 이후의 유저 데이터의 변경 내용 및 변화량(예, 열람 횟수 변화, 열람시간 변화 등)을 산출할 수 있다. 상기 변화량 측정부 133a는 사용량, 열람시간이 감소된 항목을 추출할 수 있고, 사용량 및 열람 시간이 감소된 항목들에 대하여 적용된 변경사항을 기 설정된 시간 이후 복귀시키도록 제어(작업자에게 전달 또는 복원내용을 반영하여 재프로그래밍)할 수 있다. 이와 같이 상기 변화량 측정부 133a는 일 사용자가 특정 기간 동안 일 상품의 구매를 위해 해당 상품에 대한 검색 기록이 일시적으로 증가하였다가 구매 이후 해당 상품에 대한 관심도가 낮아진 경우에 대하여, 관련 상품에 대한 이목을 집중시키기 위한 표시 메뉴 변경(예, 텍스트 사이즈 증가, 메뉴 화면 사이즈 증가 등)의 효과의 필요성이 불필요한 것으로 판단할 수 있고, 이에 따라 변경했던 설정값을 원래대로 복원할 수 있다.

도 6은 본 발명의 실시 예에 따른 프로그래밍 지원 동작의 순서를 도시한 순서도이다.

도 6에서 도시되는 바와 같이, 본 발명의 실시 예에 따른 제어부 130는 유저 데이터, 서비스 항목 데이터를 수집하는 605동작을 수행할 수 있다. 상기 유저 데이터는 사용자의 검색어, 성별, 열람한 웹 페이지 등에 관한 정보를 의미할 수 있다. 그리고 상기 서비스 항목 데이터는 의뢰자가 제공하는 서비스와 관련된 정보, 서비스 앱 또는 웹에서 제공하는 메뉴 명칭 등에 관한 정보일 수 있다.

이후 상기 제어부 130는 개발자 데이터를 수집하는 610동작을 수행할 수 있다. 상기 개발자 데이터는 서비스 앱 또는 웹의 소스코드와 관련된 정보로서, 변경 가능하도록 설정된 특정 소스코드 영역 정보, 또는 변경 가능한 수치 정보를 의미할 수 있다.

상기 제어부 130는 이후 인공지능 알고리즘에 투입할 변수 데이터를 추출하는 615동작을 수행할 수 있다. 상기 제어부 130는 인공지능 알고리즘에 투입할 변수 데이터로써, 상기 유저 데이터와 서비스 항목 데이터를 이용할 수 있다.

이후 상기 제어부 130는 인공지능 알고리즘의 모델을 선택하는 620동작을 수행할 수 있다. 상기 620동작은 머신러닝 알고리즘의 종류를 선택하는 동작 및 선택된 머신러닝 알고리즘의 일 모델을 선택하는 동작을 포함할 수 있다. 예컨대, ANN이 머신 러닝 알고리즘으로 선택된 경우, 학습기간에 기반하여 분류된 제 1ANN, 제 2ANN 등의 다수개의 알고리즘 모델들 중에 일 모델이 선택될 수 있다.

상기 제어부 130는 이후 변수 데이터를 인공지능 알고리즘으로 연산하여 변경할 메뉴 항목을 산출하는 625동작을 수행할 수 있다. 구체적으로 상기 625동작은 유저 데이터와 서비스 항목 데이터의 유사성을 판단하고, 유사도가 높은 서비스 항목 데이터를 산출하는 것을 의미할 수 있다. 그리고 유저 데이터와 유사도가 높은 것으로 산출된 서비스 항목 데이터는 사용자의 선택 확률이 높은 메뉴 항목을 의미할 수 있다. 상기 제어부 130는 이후 산출된 메뉴의 표시 설정을 변경하도록 제어하는 625동작을 수행할 수 있다. 이러한 동작 순서에 따라 본 발명의 실시 예에 따른 제어부 130는 사용자가 선택할 확률이 높은 메뉴의 사이즈를 확대하거나, 사용자가 선택할 확률이 높은 뉴스 기사의 헤드라인의 색상을 변경하는 등의 설정 변경을 수행할 수 있다.

한편, 상술한 다양한 실시예에서는, 장치 100이 인공 지능 모델을 이용하여 앱 또는 웹을 재프로그래밍하여 프론트 엔드에서의 다양한 설정을 변경시키는 방법에 대하여 설명하였으나, 일반적으로 인공 지능 모델이 원활히 동작하기 위해서는 큰 저장 공간과 고성능의 GPU가 필요하다는 단점이 존재한다.

따라서, 본 개시의 또 다른 실시예에 의해 동작하는 인공 지능 모델을 필요에 따라 압축하여 사용할 수 있다. 예를 들어, 인공 지능 모델은 Pruning, Quantization, Decomposition 및 Knowledge Distillation 중 적어도 하나를 이용하여 압축될 수 있다. Pruning은 인공 지능 모델의 가중치 중 의미 없는 가중치 또는 출력값에 큰 영향을 주지 않는 가중치를 삭제하는 압축 기법 중 하나이다. Quantization은 각각의 가중치를 기 설정된 비트로 양자화 하는 압축 기법 중 하나이다. Decomposition은 가중치의 집합인 가중치 행렬 또는 텐서(tensor)를 선형 분해(approximated decomposition)하여 가중치의 크기를 줄이는 압축 기법 중 하나이다. Knowledge Distillation은 원본 모델을 Teacher 모델로 하여 원본 모델보다 작은 Student 모델을 생성하고 학습시키는 압축 기법 중 하나이다. 이때, Student 모델은 상술한 Pruning, Decomposition 또는 Quantization을 통해 생성될 수 있다.

또 다른 실시예로, 장치 100은 본 개시에 따른 인공 지능 모델이 동작하는데 소비되는 리소스를 측정하고, 인공 지능 모델이 출력한 결과물의 정확도(일 예로, 사용자 피드백을 통해 획득할 수 있다)를 획득할 수 있다. 장치 100은 리소스 및 정확도를 입력 데이터로 또 다른 인공 지능 모델에 입력하여 특정 수준의 정확도에 대한 값을 출력 데이터로 획득할 수 있다. 즉, 본 발명에 따른 재프로그래밍은 사용자의 만족도를 향상시키기 위한 것으로, 100%의 정확도를 가지는 것은 불가능할 뿐만 아니라, 효용성이 떨어진다. 따라서, 장치 100은 인공 지능 모델이 동작하는데 소요되는 리소스(예를 들어, 데이터 저장 공간에서 차지하는 비율, 프로세서 점유율 등) 및 정확도의 값을 바탕으로 특정 수준의 정확도에 대한 값을 출력 데이터르 출력할 수 있다. 장치 100은 출력 데이터(특정 수준의 정확도)를 만족시키도록 인공 지능 모델을 압축할 수 있다. 상기 방법을 통해 장치 100은 리소스를 효율적으로 관리할 수 있다.

상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 요컨대 본 발명이 의도하는 효과를 달성하기 위해 도면에 도시된 모든 기능 블록을 별도로 포함하거나 도면에 도시된 모든 순서를 도시된 순서 그대로 따라야만 하는 것은 아니며, 그렇지 않더라도 얼마든지 청구항에 기재된 본 발명의 기술적 범위에 속할 수 있음에 주의한다.

110 : 통신부
120 : 저장부
130 : 제어부
131 : 데이터 수집부
132 : 데이터 분석부
133 : 평가부
131a : 유저 데이터 수집부
131b : 서비스 항목 데이터 수집부
131c : 개발자 데이터 수집부
132a : 데이터 분석부
132b : 모델 선택부
132c : 설계 변수 산출부
133a : 변화량 측정부

Claims (1)

1. 인공지능 기반의 데이터 분석을 수행하는 데 요구되는 명령 및 데이터를 저장하는 저장부;
   의뢰자 측으로부터 일 서비스 앱 또는 웹에 대한 유저 데이터 및 서비스 항목 데이터를 수신하는 통신부;
   상기 유저 데이터 및 서비스 항목 데이터를 기반으로 사용자가 선택활 확률이 높은 메뉴 항목을 산출하고, 산출된 메뉴의 설정값 변경을 개발자 측에 요청하거나, 서비스 앱 또는 웹을 구성하는 백엔드 또는 프론트엔드 설계에 요구되는 설정값을 변경 및 적용하여 재프로그래밍하는 제어부;를 포함하되,
   상기 제어부는
   사용자가 선택할 확률이 높은 메뉴 항목을 산출하기 위해 요구되는 데이터들을 수집하는 데이터 수집부;
   상기 데이터 수집부에서 수집한 데이터를 인공지능 알고리즘 모델에 투입하여 재프로그래밍시 변수가 될 항목을 산출하는 데이터 분석부; 및
   상기 데이터 분석부에서 산출된 변수를 적용한 이후의 사용자 이용률 변화량을 평가하는 평가부;를 포함하고,
   상기 데이터 수집부는
   최초 프로그래밍 당시 개발자에 의해 설정된 인공지능 분석 결과에 기반하여 가변 가능한 특정 소스코드에 대한 정보 또는 특정 페이지에 대한 소스코드 내 수치 정보를 가변 항목으로 추출하고, 가변 항목으로 추출된 수치 데이터를 가변 가능한 항목으로 설정할 것인지 여부를 개발자에게 질의하는 개발자 데이터 수집부;를 포함하고,
   상기 데이터 분석부는
   상기 데이터 수집부에서 수집한 유저 데이터 및 서비스 항목 정보로부터 인공지능 알고리즘 모델에 변수로 투입할 변수 데이터를 추출하되, 서비스 분야 특성값에 기반하여 추출하는 데이터 투입부;
   상기 데이터 투입부에서 선택된 변수 데이터의 종류에 기반하여 인공지능 알고리즘 모델을 선택하되, 사용자의 관심사 유동성이 큰 값을 갖는 서비스 분야일수록 학습 데이터 수집 기간이 긴 인공지능 알고리즘 모델을 선택하는 모델 선택부;
   인공지능 알고리즘 모델에 변수를 투입하고 알고리즘 연산을 수행하여 재프로그램 설계 변수에 해당하는 항목을 추출하되, 연산 결과에 따라 사용자의 사용 패턴과 연관도가 기준치 이상인 것으로 판단되는 서비스 항목별 메뉴 또는 아이템을 추출하는 산출하는 설계 변수 산출부;를 포함하며,
   상기 설계 변수 산출부는
   인공지능에 기반하여 산출된 결과정보인 서비스 항목별 메뉴가 가변 항목을 포함하는지 여부를 확인하고, 가변 항목을 포함하는 경우, 상기 서비스 항목별 메뉴의 가변 항목에 대한 적어도 하나의 설정값을 변경하여 재프로그래밍하는 소스코드 편집부;를 포함하고,
   상기 제어부는
   상기 저장부에서 상기 인공지능 알고리즘 모델이 차지하는 비율 및 상기 인공지능 알고리즘 모델의 프로세서 점유율을 바탕으로 상기 인공지능 알고리즘 모델을 압축하되, 상기 인공지능 알고리즘 모델의 압축은 Pruning, Quantization, Decomposition 및 Knowledge Distillation 방법을 이용하여 압축되고,
   상기 가변 항목은
   사이즈 변경 가능 항목, 순서 변경 가능 항목 및 위치 변경 가능 항목을 포함하고,
   상기 유저 데이터 항목은
   사용자의 성별, 나이, 검색어 및 시퀀스 데이터를 포함하고,
   상기 데이터 수집부는
   서비스를 이용하는 유저의 신상 정보 및 선택사항과 관련된 정보인 유저 데이터를 수집하는 유저 데이터 수집부;
   유저에게 제공되는 서비스와 관련된 정보인 서비스 항목 데이터를 수집하는 서비스 항목 데이터 수집부; 를 포함하되,
   상기 서비스 항목 데이터는 서비스 분야, 서비스 앱 또는 웹에서 표시되는 메뉴 항목에 대한 정보를 포함하는 것을 특징으로 하는 유저 데이터 및 서비스 항목 데이터를 활용한 서비스 구현 장치.
   

Images