KR102230507B1 - 패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템 - Google Patents
패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102230507B1 KR102230507B1 KR1020200110743A KR20200110743A KR102230507B1 KR 102230507 B1 KR102230507 B1 KR 102230507B1 KR 1020200110743 A KR1020200110743 A KR 1020200110743A KR 20200110743 A KR20200110743 A KR 20200110743A KR 102230507 B1 KR102230507 B1 KR 102230507B1
- Authority
- KR
- South Korea
- Prior art keywords
- control device
- design
- user
- ratio
- matching
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013461 design Methods 0.000 claims abstract description 177
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 120
- 239000000047 product Substances 0.000 claims description 37
- 238000012552 review Methods 0.000 claims description 29
- 238000013473 artificial intelligence Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000012467 final product Substances 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 239000002253 acid Substances 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- 238000010972 statistical evaluation Methods 0.000 claims description 3
- 239000004753 textile Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000002716 delivery method Methods 0.000 claims 3
- 230000000052 comparative effect Effects 0.000 abstract description 6
- 239000003086 colorant Substances 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 106
- 230000006870 function Effects 0.000 description 87
- 238000013527 convolutional neural network Methods 0.000 description 42
- 239000013598 vector Substances 0.000 description 24
- 230000008569 process Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 16
- 230000004913 activation Effects 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 12
- 238000011176 pooling Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 239000004744 fabric Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 235000019640 taste Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 244000289527 Cordyline terminalis Species 0.000 description 1
- 235000009091 Cordyline terminalis Nutrition 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000322338 Loeseliastrum Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- -1 sakgosa Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템이 개시된다. 패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템에 있어서, 제어 장치는 선택형 설문 문항-선택형 설문 문항은 사진을 포함한 객관형 문항으로 구성됨-에 대한 사용자의 응답을 획득하고, 선택형 설문 문항에 대한 사용자의 응답 및 미리 분석된 디자이너들의 디자인 특성에 기초하여, 제어 장치가 사용자에 대한 매칭 디자이너들의 목록을 생성하고, 사용자가 매칭 디자이너들의 목록 내의 매칭 디자이너들 중 적어도 어느 하나를 선택하고, 사용자가 제공하는 테스트 디자인을 제어 장치가 획득하고, 제어 장치가 테스트 디자인을 조회하여, 유사 패션 디자인의 존재 여부를 추론하고, 유사 패션 디자인의 존재 여부 추론 결과에 기초하여, 제어 장치가 수정 디자인에 대한 3D 모델을 생성하고, 3D 모델에 기초하여, 제어 장치가 사용자에게 색상, 재료 및 변형-변형은 사용자가 미리 구상한 디자인을 옷의 종류에 맞게 변형하는 것으로, 옷의 종류에는 바지, 치마, 긴팔, 반팔, 중간형을 포함함-의 선택 항목을 제공하고, 제어 장치가 사용자의 선택 항목 결정 결과에 기초하여, 비교 제조 견적 리스트-비교 제조 견적 리스트는 사용자의 선택 항목 결정 결과를 바탕으로 제조업체들의 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점을 기준으로 우선 순위에 따라 제공되는 제조업체들의 리스트임-를 사용자에게 제공하고, 사용자의 비교 제조 견적 리스트 결정 결과 및 매칭 디자이너에 기초하여, 제어 장치가 최종 디자인을 생성하고, 최종 디자인에 기초하여, 제어 장치가 시제품 요청 신호를 매칭 디자이너에게 전송하고, 제어 장치가 사용자의 확정 신호에 기초하여, 최종 제품 요청 신호를 매칭 디자이너에게 전송할 수 있다.
Description
아래 실시예들은 패션 제품의 제조를 위한 플랫폼 서비스를 제공하는 기술에 관한 것이다.
패션 제품의 제조 과정에 있어서, 패션 제품을 만들고자 희망하는 사용자는 특별한 관계가 없는 경우, 제조업체와의 의견 소통에 어려움을 겪을 수 있다. 더불어, 자신이 희망하는 디자인을 그대로 구현해 줄 디자이너와의 매칭이 쉽지 않은 경우가 대다수이다. 현존하는 패션 제품의 제조를 위한 플랫폼은 단순히 디자이너의 목록이나 제조업체의 목록을 나열하거나, 제품의 디자인 예시를 제공하고 사용자가 직접 이에 대해 결정 및 수정을 진행하도록 하는 것이 대부분이다. 따라서 사용자에게 자신의 디자인 취향에 맞는 디자이너를 추천해주고, 자신의 디자인의 고유성을 자동으로 평가할 수 있으며, 적정 견적의 제조업체들을 연결해줄 수 있는 패션 제품 제조 플랫폼에 대한 연구가 요구된다.
실시예들은 사용자의 취향 분석에 기초하여, 최적화된 디자이너를 매칭하고자 한다.
실시예들은 사용자가 작성한 디자인 견본으로부터 디자인의 고유성 여부를 판단하기 위한 유사 디자인의 존재 여부를 자동으로 판단하고자 한다.
실시예들은 사용자의 여건에 적합한 견적의 제조업체를 매칭하고자 한다.
일실시예에 따른 패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템에 있어서, 제어 장치가 선택형 설문 문항-상기 선택형 설문 문항은 사진을 포함한 객관형 문항으로 구성됨-에 대한 사용자의 응답을 획득하는 단계; 상기 선택형 설문 문항에 대한 상기 사용자의 응답 및 미리 분석된 디자이너들의 디자인 특성에 기초하여, 상기 제어 장치가 상기 사용자에 대한 매칭 디자이너들의 목록을 생성하는 단계; 상기 사용자가 상기 매칭 디자이너들의 목록 내의 매칭 디자이너들 중 적어도 어느 하나를 선택하는 단계; 상기 사용자가 제공하는 테스트 디자인을 상기 제어 장치가 획득하는 단계; 상기 제어 장치가 상기 테스트 디자인을 조회하여, 유사 패션 디자인의 존재 여부를 추론하는 단계; 상기 유사 패션 디자인의 존재 여부 추론 결과에 기초하여, 상기 제어 장치가 수정 디자인에 대한 3D 모델을 생성하는 단계; 상기 3D 모델에 기초하여, 상기 제어 장치가 상기 사용자에게 색상, 재료 및 변형-상기 변형은 상기 사용자가 미리 구상한 디자인을 옷의 종류에 맞게 변형하는 것으로, 옷의 종류에는 바지, 치마, 긴팔, 반팔, 중간형을 포함함-의 선택 항목을 제공하는 단계; 상기 제어 장치가 상기 사용자의 선택 항목의 결정 결과에 기초하여, 비교 제조 견적 리스트-상기 비교 제조 견적 리스트는 상기 사용자의 상기 선택 항목의 결정 결과를 바탕으로 제조업체들의 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점을 기준으로 우선 순위에 따라 제공되는 제조업체들의 리스트임-를 상기 사용자에게 제공하는 단계; 상기 사용자의 비교 제조 견적 리스트에 대한 결정 결과 및 상기 매칭 디자이너에 기초하여, 상기 제어 장치가 최종 디자인을 생성하는 단계; 상기 최종 디자인에 기초하여, 상기 제어 장치가 시제품 요청 신호를 상기 매칭 디자이너에게 전송하는 단계; 및 상기 제어 장치가 상기 사용자의 확정 신호에 기초하여, 최종 제품 요청 신호를 상기 매칭 디자이너에게 전송하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 매칭 디자이너들의 목록을 생성하는 단계는 상기 제어 장치가 상기 디자이너들의 디자인 샘플들을 획득하는 단계; 상기 제어 장치가 상기 디자인 샘플들의 디자인 요소 및 특성에 대하여 인공지능을 통해 분석하는 단계; 상기 분석의 결과에 기초하여, 상기 제어 장치가 상기 선택형 설문 문항을 생성하는 단계; 상기 사용자의 상기 선택형 설문 문항에 대한 응답에 기초하여, 상기 제어 장치가 동일 내지 임계 범위 오차 내의 디자이너들을 매칭 디자이너들로 결정하는 단계; 및 오차의 정도에 기초하여, 상기 제어 장치가 상기 매칭 디자이너들을 우선 순위로 정리한 상기 매칭 디자이너들의 목록을 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 유사 패션 디자인의 존재 여부를 추론하는 단계는 상기 제어 장치가 상기 테스트 디자인을 상기 디자인 요소로 분류하는 단계; 상기 제어 장치가 상기 디자인 요소를 형태 객체, 패턴 객체, 그림 객체 및 부가 객체 중 어느 하나로 각각 분류하는 단계; 상기 제어 장치가 상기 형태 객체로 분류된 적어도 하나의 디자인 요소의 상기 테스트 디자인 내 제1 비율을 생성하는 단계; 상기 제어 장치가 상기 패턴 객체로 분류된 적어도 하나의 디자인 요소의 상기 테스트 디자인 내 제2 비율을 생성하는 단계; 상기 제어 장치가 상기 그림 객체 및 부가 객체의 상기 테스트 디자인 내 제3 비율을 생성하는 단계; 상기 제어 장치가 상기 제1 비율, 상기 제2 비율 및 상기 제3 비율에 기초하여, 빅데이터로부터 상기 제1 비율, 상기 제2 비율 및 상기 제3 비율에 부합하는 유사 디자인을 검색하는 단계; 상기 유사 디자인에 기초하여, 상기 제어 장치가 상기 테스트 디자인의 수정 예시들을 제공하는 단계; 및 상기 사용자가 상기 수정 예시들 중 어느 하나를 선택함에 따라, 상기 제어 장치가 선택된 수정 예시를 상기 수정 디자인으로 확정하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 비교 제조 견적 리스트를 획득하는 단계는 상기 선택 항목의 결정 결과에 기초하여, 상기 제어 장치가 내구성 요구도, 색 재현 요구도 및 형태비 재현 요구도를 생성하는 단계; 상기 제어 장치가 데이터베이스화된 제조업체 객체들 중에서, 데이터베이스화된 제조업체 객체에 대해 미리 작성된 내구성 평가도, 색 재현 평가도 및 형태비 재현 평가도가 상기 선택 항목의 결정 결과에 대해 생성된 상기 내구성 요구도, 상기 색 재현 요구도 및 상기 형태비 재현 요구도와 제1 일치성을 만족하는 상기 제조업체 객체들을 선별하는 단계; 상기 제어 장치가 각각의 선별된 제조업체 객체에 기초하여, 상기 시제품 견적, 상기 최종 견적, 상기 운반비 및 상기 제조 완료 시점을 생성하는 단계; 및 상기 제어 장치가 상기 시제품 견적, 상기 최종 견적, 상기 운반비 및 상기 제조 완료 시점에 기초하여, 상기 제조업체 객체의 우선순위를 결정한 상기 비교 제조 견적 리스트를 획득하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 데이터베이스화된 제조업체 객체의 상기 내구성 평가도는 상기 데이터베이스화된 제조업체 객체의 제품들에 대해 기계적 강도-상기 기계적 강도는 인장력, 탄성력, 파괴 강도 및 열 저항성을 포함함- 및 화학적 강도-상기 화학적 강도는 산 및 염기 물질에 대한 저항, 산화도 및 부식 저항성을 포함함-에 기초하여, 직물 전문가에 의한 통계적 평가로 이뤄지며, 상기 내구성 평가도는 백분율 값으로 표현되고, 상기 내구성 평가도가 결정되면, 백분율의 나머지 값에 상기 색 재현 평가도 및 상기 형태비 재현 평가도가 할당되고, 상기 색 재현 평가도 및 상기 형태비 재현 평가도는, 상기 데이터베이스화된 제조업체 객체에 대응하는 상기 제조업체에 대하여 온라인 상에서 작성된 무작위 표본들의 색 재현 및 형태비 재현에 대한 평가로부터 획득되며, 상기 색 재현 및 형태비 재현에 대한 평가의 비율적 계산에 기초하여, 상기 내구성 평가도를 제외한 백분율 값을 비율적 계산에 따라 상기 색 재현 평가도 및 상기 형태비 재현 평가도로 이산적으로 배분하고, 상기 색 재현 평가도가 높아질수록, 상기 형태비 재현 평가도가 낮아지고, 상기 형태비 재현 평가도가 높아질수록, 상기 색 재현 평가도가 낮아지고, 상기 색 재현 및 형태비 재현에 대한 평가는 상기 무작위 표본들이 상기 제조업체에 대하여 쓴 리뷰에 기초하여 계산될 수 있다.
실시예들은 사용자의 취향 분석에 기초하여, 최적화된 디자이너를 매칭할 수 있다.
실시예들은 사용자가 작성한 디자인 견본으로부터 디자인의 고유성 여부를 판단하기 위한 유사 디자인의 존재 여부를 자동으로 판단할 수 있다.
실시예들은 사용자의 여건에 적합한 견적의 제조업체를 매칭할 수 있다.
도 1은 일실시예에 따른 패션 제품 제조 플랫폼 서비스 제공 방법을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 매칭 디자이너들의 목록 생성 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 유사 패션 디자인 존재의 판별 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 비교 제조 견적 리스트 획득 방법을 설명하기 위한 도면이다.
도 5는 일실시예 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 매칭 디자이너들의 목록 생성 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 유사 패션 디자인 존재의 판별 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 비교 제조 견적 리스트 획득 방법을 설명하기 위한 도면이다.
도 5는 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 패션 제품 제조 플랫폼 서비스 제공 방법을 설명하기 위한 순서도이다.
일실시예에 따르면, 패션 제품 제조 플랫폼 서비스 제공 방법을 위한 제어 장치(이하, 제어 장치)는 선택형 설문 문항에 대한 사용자의 응답을 획득할 수 있다(101). 선택형 설문 문항은 사진을 포함한 객관형 문항으로 구성될 수 있으며, 선택지의 수는 적어도 둘 이상으로 할 수 있다.
일실시예에 따른 제어 장치는 서버 및 사용자 단말을 포함할 수 있다. 서버 및 사용자 단말은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다. 제어 장치는 선택형 설문 문항에 대한 사용자의 응답을 분석하고, 이로부터 사용자와 디자이너의 매칭을 제공하기 위해 사용될 수도 있다. 제어 장치는 선택형 설문 문항에 대해 사용자들이 직접 작성한 응답을 분석하고 획득할 수 있다.
서버는 서버를 이용하여 서비스를 제공하는 자 또는 단체가 보유한 자체 서버일 수도 있고; 클라우드 서버일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버는 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 서버는 사용자 단말과 유무선으로 통신하도록 구성될 수 있다.
서버는 사용자 단말과 통신하며, 선택형 설문 문항에 대한 응답으로부터 매칭 디자이너들의 목록을 생성하기 위한 동작들을 수행할 수 있다. 따라서, 서버를 통해 제공되는 서비스는 선택형 설문 문항을 통해 자신에게 매칭되는 디자이너를 추천받고자 하는 개인 및 단체에게 적합할 수 있다.
사용자 단말은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 사용자 단말은 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자 단말은 서버와 유무선으로 통신하도록 구성될 수 있다.
사용자 단말은 서버와 연동된 어플리케이션이 설치되거나, 서버와 연동된 웹페이지에 연결될 수 있다. 사용자 단말은 웹페이지 또는 어플리케이션을 통해, 서버로 선택형 설문 문항에 대한 사용자의 응답을 전송할 수 있으며, 서버가 연산·생성한 매칭 디자이너들의 목록을 획득할 수 있다. 사용자 단말의 사용자는 주로 디자인 업계 종사자 및 희망자와 패션 업계 종사자 및 희망자 등이 될 수 있으나, 사용자의 직업에 특별한 제약은 없다. 서버의 처리 용량이 허용하는 한, 사용자 단말들의 수는 특별한 제한이 없다.
이하에서, 서버의 동작을 중심으로 실시예가 기술되나, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다.
일실시예에 따르면, 제어 장치는 데이터베이스화된 디자이너들의 목록 및 그들의 디자인 샘플들에 기초하여 학습된 인공지능(인공 신경망)을 사용할 수 있다. 해당 인공 신경망은 디자이너들 및 그 샘플들로부터 학습된 것일 수 있으며, 해당 인공 신경망을 통해 선택형 설문을 위한 문항들이 자동으로 생성될 수 있다. 적어도 해당 선택형 설문을 위한 문항들의 개수만큼의 분류에 따라 디자이너들의 디자인 특성이 세분화될 수 있으며, 사용자가 선택형 설문에 답하면 이 응답 결과에 따라 세분화된 디자인 특성에 대응하는 디자이너들과의 매칭이 이뤄질 수 있다.
일실시예에 따르면, 선택형 설문 문항에 대한 사용자의 응답 및 미리 분석된 디자이너들의 디자인 특성에 기초하여, 제어 장치는 사용자에 대한 매칭 디자이너들의 목록을 생성할 수 있다(102).
일실시예에 따르면, 제어 장치는 선택형 설문 문항에 대한 사용자의 응답을 수신하면, 인공지능을 통해 미리 분석된 디자이너들의 디자인 특성에 기초하여 사용자를 디자이너들과 매칭 시킬 수 있다. 제어 장치는 매칭된 디자이너들에 대해 미리 정해진 임계 범위의 일치도를 보이는 순서에 따라 우선 순위가 결정된 매칭 디자이너들의 목록을 생성할 수 있다. 매칭 디자이너들의 목록을 생성하는 방법에 대한 자세한 설명은 도 2를 참조하여 후술한다.
일실시예에 따르면, 사용자는 매칭 디자이너들의 목록 내의 매칭 디자이너들 중 적어도 어느 하나를 선택할 수 있다(103).
일실시예에 따르면, 사용자는 제어 장치가 제공하는 매칭 디자이너들의 목록 및 매칭 디자이너들의 샘플들을 열람할 수 있다. 사용자는 열람의 결과로 매칭 디자이너들의 목록 내에서 적어도 하나 이상의 매칭 디자이너들을 선택할 수 있다. 사용자의 선택은 하나 이상이라는 최소의 제한을 두고 있을 뿐, 상한은 존재하지 않을 수 있다. 사용자는 제공된 매칭 디자이너들의 목록이 아니라도, 희망에 따라 모든 디자이너들을 검색할 수 있다. 사용자의 검색에 의한 디자이너들의 재 매칭 과정은 제어 장치에 의해 모두 기록될 수 있으며, 저장 장치를 통해 데이터베이스에 저장될 수 있다. 제어 장치는 저장된 재 매칭 과정의 결과를 학습 데이터로 이용해 매칭 디자이너들의 목록을 생성하기 위한 인공 신경망을 학습할 수 있다.
일실시예에 따르면, 제어 장치는 사용자가 제공하는 테스트 디자인을 획득할 수 있다(104).
일실시예에 따르면, 사용자는 휴대용 단말을 이용해 자신이 임의로 디자인한 테스트 디자인을 서버에 전송할 수 있다. 전송된 테스트 디자인은 사용자가 선택한 하나 이상의 매칭 디자이너들에게 제공될 수 있으며, 매칭 디자이너들은 사용자 맞춤형 디자인을 생성하는 데에 최종 디자인과 함께 테스트 디자인을 참고할 수 있다.
일실시예에 따르면, 제어 장치는 테스트 디자인을 조회하여 유사 패션 디자인의 존재 여부를 추론할 수 있다(105).
일실시예에 따르면, 제어 장치는 유사 패션 디자인의 존재 여부를 추론하는 과정에서 인공 지능(인공 신경망)을 사용할 수 있다. 제어 장치는 유사 패션 디자인의 존재 여부를 추론하기 위해 테스트 디자인을 요소 별로 구분할 수 있으며, 구분된 요소들에 따라 유사 패션 디자인을 빅데이터로부터 검색할 수 있다. 제어 장치는 만약 유사 패션 디자인이 존재할 때 유사도를 분석하여 위험 범위에 속하는 경우, 이를 대신하기 위한 수정 디자인을 생성할 수 있다. 사용자는 제어 장치가 제공한 수정 디자인을 이차로 가공하는 작업을 통해 수정 디자인을 재수정할 수 있는데, 사용자에 의해 재수정된 수정 디자인은 테스트 디자인과 같이 인공 신경망을 통해 유사 패션 디자인의 존재 여부를 검색하고, 수정하는 과정을 다시 거칠 수 있다. 제어 장치가 유사 패션 디자인의 존재 여부를 추론하고 이를 바탕으로 수정 디자인을 생성하는 과정은 도 3을 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 유사 패션 디자인의 존재 여부 추론 결과에 기초하여, 수정 디자인에 대한 3D 모델을 생성할 수 있다(106).
일실시예에 따르면, 제어 장치는 3D 모델을 생성하기 위한 프로그램을 포함할 수 있다. 제어 장치에 포함된 3D 모델 생성 프로그램은 사용자에 의해 수정 디자인이 결정되면, 자동으로 이를 3D 모델로 구현할 수 있다. 사용자는 구현된 3D 모델을 휴대용 단말을 통해 확인할 수 있으며, 세부적인 비율이나 형태를 휴대용 단말의 디스플레이 부 터치를 통해 수정할 수 있다. 제어 장치는 사용자의 수정을 반영한 3D 모델을 생성할 수 있다.
일실시예에 따르면, 제어 장치는 3D 모델에 기초하여, 사용자에게 색상, 재료 및 변형의 선택 항목을 제공할 수 있다(107).
일실시예에 따른 색상은 3D 모델 내에 개별적으로 표현될 수 있는데, 각각은 RGB 값을 각각 8비트, 즉 256개로 구분한 값으로 표현될 수 있다. 사용자는 3D 모델 내의 일부 또는 전체의 색상을 조절할 수 있으며, 제어 장치는 일부 또는 전체의 범위를 자동으로 측정해 손쉽게 수정할 수 있는 옵션을 제공할 수 있다. 재료는 의상에 사용되는 재료들을 의미할 수 있으며, 마직물인 삼베, 생모시, 모시, 광당포, 안동포나 면직물인 옥양목, 목마, 포플린이나 견직물인 색고사, 은조사, 생노방, 항라, 세카루, 조젯 크레이프, 오건디 등을 선택할 수 있으나, 이에 국한하지 않는다. 재료들은 사용자에게 보다 친숙한 용어들로 정리된 것일 수 있다. 변형은 사용자가 미리 구상한 디자인을 옷의 종류에 맞게 변형할 수 있도록 하기 위한 선택지를 제공하는 것으로써, 바지, 치마, 긴팔, 반팔 및 중간형을 포함할 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 제어 장치는 사용자의 선택 항목의 결정 결과에 기초하여, 비교 제조 견적 리스트를 사용자에게 제공할 수 있다(108). 제어 장치는 각 제조업체 별로 사용자의 선택 항목의 결정 결과에 대한 여러 정보들을 담은 제조업체 별 리스트를 작성할 수 있으며, 해당 리스트를 미리 정해진 우선 순위에 따라 나열한 것이 비교 제조 견적 리스트일 수 있다. 비교 제조 견적 리스트는 사용자의 선택 항목의 결정 결과를 바탕으로 제조업체들의 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점을 기준으로 우선 순위에 따라 제공되는 제조업체들의 리스트일 수 있다. 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점은 각각의 제조업체들이 제공하는 값들을 기초로 학습된 인공지능(인공 신경망)에 의해 결정될 수 있다. 제어 장치가 비교 제조 견적 리스트를 획득하는 자세한 방법은 도 4를 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 사용자의 비교 제조 견적 리스트에 대한 결정 결과 및 매칭 디자이너에 기초하여, 최종 디자인을 생성할 수 있다(109).
일실시예에 따르면, 제어 장치는 사용자의 비교 제조 견적 리스트에 대한 결정 결과와 매칭 디자이너에 기초하여, 수정 디자인에 대해 색상, 재료 및 변형 등을 모두 포괄하며, 견적에 대한 정보를 포함한 최종 디자인을 생성할 수 있다. 생성된 최종 디자인은 각각의 정보를 수치화된 값으로 기록하고 있을 수 있으며, 사용자의 추가 입력에 기초하여 사용자가 선택한 값들로부터 허용 가능한 수정 범위를 포함할 수 있다.
일실시예에 따르면, 제어 장치는 최종 디자인에 기초하여, 시제품 요청 신호를 매칭 디자이너에게 전송할 수 있다(110). 매칭 디자이너는 최종 디자인을 포함한 시제품 요청 신호를 획득하면, 허용 가능한 수정 범위에서 수정을 진행해 사용자에게 제공할 수 있으며, 사용자의 만족도에 따라 사용자가 지정한 제조업체를 통해 시제품 생산을 진행할 수 있다. 사용자와 매칭 디자이너, 제조업체의 연결은 주로 매칭 디자이너를 통해 행해질 수 있으나, 이에 국한하지 않는다. 사용자, 매칭 디자이너 및 제조업체 중 어느 한 곳에서라도 시제품 요청 신호에 대한 응답을 진행하지 않을 경우, 해당 요청은 무산될 수 있으며, 제어 장치는 사용자에게 새로운 매칭 디자이너를 추천하거나, 제조업체를 추천할 수 있다. 시제품 요청 신호에 포함된 값들은 매칭 디자이너 및 제조업체의 사정에 따라 수정이 이뤄질 수 있으며, 수정된 사항은 사용자가 접근할 수 있도록 수정 견적 신호의 형태로 생성될 수 있다. 사용자가 수정 견적 신호에 대해 긍정 응답을 제공하면, 시제품 제작이 자동으로 진행될 수 있으며, 시제품의 이동 과정은 사용자의 휴대용 단말 및 서버를 통해 확인 가능한 형태로 제공될 수 있다. 사용자는 시제품을 확인한 후 이에 대한 확정 신호를 전송할 수 있는데, 확정 신호에는 시제품에 대한 수정 내용을 포함할 수 있다.
일실시예에 따르면, 제어 장치는 사용자의 확정 신호에 기초하여, 최종 제품 요청 신호를 매칭 디자이너에게 전송할 수 있다(111). 최종 제품 요청 신호에는 생산 수량에 대한 정보가 포함될 수 있다. 매칭 디자이너는 제공된 최종 제품 요청 신호를 제조업체에 전송할 수 있으며, 사용자 및 매칭 디자이너의 결정에 따라 제어 장치는 최종 제품 요청 신호를 매칭 디자이너를 거치지 않고 제조업체에 전달할 수 있다.
도 2는 일실시예에 따른 매칭 디자이너들의 목록 생성 방법을 설명하기 위한 도면이다.
일실시예에 따르면, 제어 장치는 디자이너들(201)의 디자인 샘플들(202)을 획득할 수 있다. 제어 장치는 패션 제품 제조 플랫폼 서비스를 이용하고자 하는 디자이너들(201)의 디자인 샘플들(202)을 획득할 수 있는데, 적어도 10개 이상의 샘플들이 등록되는 경우에만 디자이너들(201)의 등록을 허용할 수 있다. 샘플들의 수를 10개 이상으로 지정하는 이유는 인공 신경망을 통해 디자이너들(201)의 디자인 특성을 분석하기 위한 최소한의 샘플들의 수이기 때문일 수 있다.
일실시예에 따르면, 제어 장치는 디자이너들(201)의 디자인 샘플들(202)의 디자인 요소 및 특성에 대하여 인공지능을 통해 분석할 수 있다. 디자인 요소는 디자인에 포함된 요소들에 대한 정보를 포함할 수 있는데, 디자인 요소의 종류에는 형태 객체, 패턴 객체, 그림 객체 및 부가 객체가 포함될 수 있다. 형태 객체는 상의와 하의, 원피스 등으로 구분될 수 있으며, 각각을 세분화한 반팔, 긴팔, 반바지, 긴바지, 치마 등이 있을 수 있으며 각각의 길이에 대한 중간형으로 다시 나뉠 수 있으나, 이에 국한하지 않는다. 예를 들어, 치마는 고어드스커트, 킬트, 사롱, 랩어라운드 스커트, 시스 치마, 러플드 치마, 스트레이트 치마, 요크 치마, 개더 스커트 및 퀼로트로 다시 구분될 수 있으나, 이에 국한하지 않는다. 패턴 객체는 옷에 사용되는 재료의 특성과도 연관될 수 있으나, 기본적으로 염색의 단계에 좌우되는 특성으로 반복적인 형태를 특징으로 하며, 점무늬, 선무늬, 둥근무늬, 점선무늬, 삼각무늬, 방형무늬, 능형무늬, 번개무늬나 체크무늬 등을 포함할 수 있으나, 이에 국한하지 않는다. 그림 객체는 패턴 객체에 해당하지 않는, 사용자(204)에 의해 지정되는 하나 또는 둘 이상의 그림으로서, 반복의 양이 5개를 넘지 않는 경우가 해당할 수 있다. 부가 객체는 의상의 특성에 세부적으로 더해질 수 있는 특성으로서, 카라, 버튼, 후드, 집업, 레이어드 및 레이스 등을 포함할 수 있으나, 이에 국한하지 않는다.
일실시예에 따른 디자인 특성은 디자인 요소로 구분되지 않는 디자이너의 고유한 디자인 창작을 포함할 수 있으며, 빅데이터를 통한 검색의 결과, 해당 디자인의 형태, 패턴, 그림 및 부가 사항들 중 적어도 어느 하나가 기존에 존재하지 않을 경우 이에 해당할 수 있다.
디자인 요소 및 특성을 분석하는 방법에 사용되는 인공 신경망은 제1 컨볼루션 신경망일 수 있다. 제어 장치는 디자이너들(201)이 제공하는 디자인 샘플들(202)을 모두 포함하여 제1 벡터로 전처리 할 수 있다. 제1 벡터는 제1 컨볼루션 신경망의 입력층 노드에 대응하는 입력값일 수 있다. 제어 장치는 제1 벡터를 제1 컨볼루션 신경망에 입력한 결과로 제1 출력을 획득할 수 있다. 제1 출력은 디자이너들(201)의 디자인 샘플을 분석한 결과로서의 디자인 요소 및 특성의 분석 결과를 포함할 수 있다. 제1 출력은 제1 컨볼루션 신경망의 출력층 노드에 대응할 수 있다.
일실시예에 따른 제1 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다. 제1 컨볼루션 신경망은 은닉층과 출력층을 가질 수 있다. 제1 컨볼루션 신경망에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 컨볼루션 신경망의 출력층 노드는 총 100개로 할 수 있으나, 이에 국한하지 않는다. 제1 컨볼루션 신경망의 출력층 활성함수는 소프트맥스 함수를 사용한다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 제어 장치는 소프트맥스 함수를 통해 100개의 출력 중 하나의 출력만을 선택하는 것이 가능할 수 있으나, 이에 국한하지 않는다. 100개의 출력은 디자인 요소 및 디자인 특성을 특징지을 수 있는 항목들을 포함할 수 있다.
학습 장치는 제1 컨볼루션 신경망을 제1 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제1 레이블들은 10만 개의 디자인 샘플들(202)에 대해 디자인 전문가 및 패션업계 전문가들에 의해 구분된 디자인 요소들 및 특성들을 포함할 수 있다. 제1 컨볼루션 신경망은 제1 레이블드 트레이닝 벡터들을 입력해 얻은 제1 레이블드 트레이닝 출력들을 제1 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제1 컨볼루션 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제1 컨볼루션 신경망을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따르면, 제어 장치는 인공지능의 분석의 결과에 기초하여, 선택형 설문 문항(203)을 생성할 수 있다. 제어 장치는 인공지능의 출력층 노드에 대응하는 디자인 요소 및 특성을 대표적으로 보여줄 수 있는 시각 자료들을 데이터베이스에서 추출할 수 있으며, 추출된 시각 자료들을 선택지로 하는 선택형 설문 문항(203)을 생성할 수 있다. 데이터베이스에 포함되는 시각자료들은 설계자가 미리 지정한 기간 단위로 업데이트될 수 있으며, 업데이트된 자료에 따라 설계자의 수동 입력 또는 제어 장치의 자동 분석을 통해 디자인 요소 및 특성을 추가하거나 삭제할 수 있다.
일실시예에 따르면, 제어 장치는 사용자(204)의 선택형 설문 문항(203)에 대한 응답에 기초하여, 동일 내지 임계 범위 오차 내의 디자이너들(201)을 매칭 디자이너들(205)로 결정할 수 있다. 사용자(204)는 제공되는 선택형 설문 문항(203)의 일부 또는 전체를 선택하여 응답함으로써, 자신의 선택 결과에 근접한 디자이너들(201)을 추천 받을 수 있다. 이 과정에서 선택형 설문 문항(203)에 대한 응답의 수가 많을수록 더 높은 정확도 및 일치도를 가진 디자이너들(201)이 추천될 수 있다. 사용자(204)는 선택형 설문 문항(203) 중 최소 20개 이상의 문항에 대해 응답을 진행해야만 디자이너들(201)을 추천 받을 수 있는데, 이는 디자이너들(201)과의 연결을 위한 최소한의 응답 수이기 때문일 수 있다. 임계 범위는 설계자에 의해 미리 지정될 수 있으며, 최대 50%의 일치도를 보이는 범위 까지를 일반적인 임계 범위로 설정될 수 있다. 임계 범위 밖의 디자이너들(201)은 기본적으로 추천에서 배제될 수 있으나, 사용자(204)의 요청에 따라 열람 및 조회가 가능할 수 있다.
일실시예에 따르면, 제어 장치는 오차의 정도에 기초하여, 매칭 디자이너들(205)을 우선 순위로 정리한 매칭 디자이너들(205)의 목록을 생성할 수 있다. 제어 장치는 미리 획득한 동일 내지 임계 범위 오차 내의 디자이너들(201) 중에서 일치도가 높은 순서로 우선 순위를 배치한 매칭 디자이너들(205)의 목록을 생성할 수 있다. 제어 장치는 매칭 디자이너들(205)의 목록이 생성되면, 서버를 통해 사용자(204)의 휴대용 단말에 해당 매칭 디자이너들(205)의 목록을 제공할 수 있으며, 사용자(204)의 요청에 근거해 매칭 디자이너들(205)의 목록에서 제외된 디자이너들(201)의 목록을 추가적으로 제공할 수 있다. 제어 장치는 사용자(204)가 매칭 디자이너들(205)의 목록에서 제외된 디자이너들(201)의 목록 내에서 디자이너를 선택할 경우, 해당 결과값을 제1 컨볼루션 신경망을 학습시키기 위한 학습 데이터로 사용할 수 있다.
일실시예에 따르면, 제어 장치는 사용자의 취향 분석에 기초하여, 최적화된 디자이너를 매칭할 수 있다.
도 3은 일실시예에 따른 유사 패션 디자인 존재의 판별 방법을 설명하기 위한 도면이다.
일실시예에 따르면, 제어 장치는 유사 패션 디자인의 존재 여부를 판별하기 위하여, 사용자로부터 획득한 테스트 디자인(301)을 디자인 요소로 분류할 수 있다. 디자인 요소에 대한 자세한 설명은 도 2를 통하여 전술한 바와 같다. 제어 장치는 디자인 요소를 다시 형태 객체(302), 패턴 객체(303), 그림 객체(304) 및 부가 객체(305) 중 어느 하나로 각각 분류할 수 있다.
일실시예에 따르면, 제어 장치는 형태 객체(302)로 분류된 적어도 하나의 디자인 요소의 테스트 디자인(301) 내 제1 비율을 생성할 수 있다. 제1 비율은 테스트 디자인(301) 내 형태 객체(302)의 비율과 대응할 수 있다. 형태 객체(302)의 추출은 테스트 디자인(301)에 존재하는 선들의 형태를 통해 이뤄질 수 있다. 일반적으로 테스트 디자인(301)의 외형선의 연속성이 일차 판단 근거로 사용될 수 있고, 이차적으로 내부에 존재하는 선들을 통해 제어 장치는 각각의 재료 또는 직물이 연결되는 봉합선을 추출할 수 있다. 제1 비율의 값은 전문가들에 의해 미리 지정된 의류 디자인에서의 형태 객체(302)의 중요도에 대한 코드화된 정보를 비율로 표현한 값일 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 제어 장치는 패턴 객체(303)로 분류된 적어도 하나의 디자인 요소의 테스트 디자인(301) 내 제2 비율을 생성할 수 있다. 제2 비율은 테스트 디자인(301) 내 패턴 객체(303)의 비율과 대응할 수 있다. 패턴 객체(303)의 추출은 테스트 디자인(301)에 존재하는 반복적인 형태의 무늬를 통해 이뤄질 수 있다. 제어 장치는 반복의 수가 5개를 넘어서면 이에 해당하는 무늬를 패턴 객체(303)로 분류할 수 있으며, 반복되는 패턴의 단위 무늬를 패턴 객체(303)로 지정할 수 있다. 제2 비율의 값은 전문가들에 의해 미리 지정된 의류 디자인에서의 패턴 객체(303)의 중요도에 대한 코드화된 정보를 비율로 표현한 값일 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 제어 장치는 그림 객체(304) 및 부가 객체(305)의 테스트 디자인(301) 내 제3 비율을 생성할 수 있다. 제3 비율은 테스트 디자인(301) 내 그림 객체(304) 및 부가 객체(305)의 비율과 대응할 수 있다. 그림 객체(304)의 추출은 테스트 디자인(301)에 존재하는 비반복적인 형태의 무늬를 통해 이뤄질 수 있다. 제어 장치는 반복의 수가 5개를 넘지 않으면 이에 해당하는 무늬를 그림 객체(304)로 분류할 수 있으며, 모든 개별적인 무늬를 그림 객체(304)로 지정할 수 있다. 부가 객체(305)는 형태 객체(302)에서 배제된 선의 형태에 따라 추출될 수 있다. 부가 객체(305)의 추출은 연속성이 결여된 외형선이나, 연속적이더라도 미리 지정된 범위를 벗어난 형태를 통하여 이뤄질 수 있다. 제3 비율의 값은 전문가들에 의해 미리 지정된 의류 디자인에서의 그림 객체(304) 및 부가 객체(305)의 중요도에 대한 코드화된 정보를 비율로 표현한 값일 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 제어 장치는 제1 비율, 제2 비율 및 제3 비율에 기초하여, 빅데이터로부터 제1 비율, 제2 비율 및 제3 비율에 부합하는 유사 디자인(306)을 검색할 수 있다. 제어 장치에 의한 유사 디자인(306)의 검색에는 인공지능(인공 신경망)이 사용될 수 있는데, 이 때에 사용되는 인공 신경망은 제2 컨볼루션 신경망일 수 있다.
일실시예에 따르면, 제어 장치는 테스트 디자인(301) 내에 포함된 제1 비율, 제2 비율 및 제3 비율을 포함하는 제2 벡터를 전처리 할 수 있다. 제2 벡터는 제2 컨볼루션 신경망의 입력층 노드에 대응하는 입력값일 수 있다. 제어 장치는 제2 벡터를 제2 컨볼루션 신경망에 입력한 결과로 제2 출력을 획득할 수 있다. 제2 출력은 테스트 디자인(301)의 제1 비율, 제2 비율 및 제3 비율에 대응하는 유사 디자인(306)의 검색 및 대응 처리 결과를 포함할 수 있다. 제2 출력은 제2 컨볼루션 신경망의 출력층 노드에 대응할 수 있다.
일실시예에 따르면, 제2 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다. 제2 컨볼루션 신경망은 은닉층과 출력층을 가질 수 있다. 제2 컨볼루션 신경망에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 컨볼루션 신경망의 출력층 노드는 총 10개로 할 수 있으나, 이에 국한하지 않는다. 제2 컨볼루션 신경망의 출력층 활성함수는 소프트맥스 함수를 사용한다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 제어 장치는 소프트맥스 함수를 통해 10개의 출력 중 하나의 출력만을 선택하는 것이 가능할 수 있으나, 이에 국한하지 않는다. 10개의 출력은 검색의 결과로 결정된 유사 디자인(306)의 코드화된 정보를 포함할 수 있다.
학습 장치는 제2 컨볼루션 신경망을 제2 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제2 레이블들은 10만 개의 테스트 디자인(301)들에 대해 디자인 전문가 및 패션업계 전문가들에 의해 추론된 유사 디자인(306)들을 포함할 수 있다. 제2 컨볼루션 신경망은 제2 레이블드 트레이닝 벡터들을 입력해 얻은 제2 레이블드 트레이닝 출력들을 제2 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제2 컨볼루션 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제2 컨볼루션 신경망을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따르면, 제어 장치는 유사 디자인(306)에 기초하여, 테스트 디자인(301)의 수정 예시들을 제공할 수 있다. 제어 장치는 유사 디자인(306)의 검색이 완료되면, 획득한 유사 디자인(306)의 정보를 서버를 통하여 사용자의 휴대용 단말에 전송할 수 있다. 이와 더불어, 제어 장치는 유사 디자인(306)의 제1 비율, 제2 비율 및 제3 비율로부터 미리 지정된 범위만큼 벗어나도록 테스트 디자인(301)을 수정해 수정 예시를 자동으로 생성할 수 있다. 수정 예시는 하나 이상일 수 있으며, 유사 디자인(306)의 검색 결과 유사 디자인(306)이 존재하지 않으면, 생성되지 않을 수 있다.
일실시예에 따르면, 제어 장치는 사용자가 수정 예시들 중 어느 하나를 선택함에 따라, 선택된 수정 예시를 수정 디자인(307)으로 확정할 수 있다. 사용자는 수정 예시들 중 어느 하나를 선택할 수 있으며, 선택한 수정 예시에 대해 다시 수정을 진행할 수 있다. 다시 수정이 진행될 경우에는 제2 컨볼루션 신경망을 통하여 재차 유사 디자인(306)을 검색하는 작업을 자동으로 진행할 수 있다. 사용자는 수정 예시들 중 원하는 디자인이 없는 경우, 테스트 디자인(301)을 새롭게 작업하여 제2 컨볼루션 신경망을 통한 유사 디자인(306)의 검색 작업을 새로 진행할 수 있다.
일실시예에 따르면, 제어 장치는 사용자가 작성한 디자인 견본으로부터 디자인의 고유성 여부를 판단하기 위한 유사 디자인의 존재 여부를 자동으로 판단할 수 있다.
도 4는 일실시예에 따른 비교 제조 견적 리스트 획득 방법을 설명하기 위한 도면이다.
일실시예에 따르면, 각각의 데이터베이스화된 제조업체 객체는 내구성 평가도(406), 색 재현 평가도(407) 및 형태비 재현 평가도(408)라는 수치 데이터를 포함할 수 있다. 데이터베이스화된 제조업체 객체의 내구성 평가도(406)는, 데이터베이스화된 제조업체 객체에 대해 기계적 강도 및 화학적 강도에 기초하여, 직물 전문가에 의한 통계적 평가로 이뤄질 수 있다. 기계적 강도는 인장력, 탄성력, 파괴 강도 및 열 저항성을 포함할 수 있으나, 이에 국한하지 않는다. 화학적 강도는 산 및 염기 물질에 대한 저항, 산화도 및 부식 저항성을 포함할 수 있으나, 이에 국한하지 않는다. 내구성 평가도(406)는 기계적 강도 및 화학적 강도에 대한 개별 평가 항목에 따라 평가될 수 있으며, 종합적인 점수를 기초로 수치화된 데이터로 기록될 수 있다.
데이터베이스화된 제조업체 객체의 색 재현 평가도(407) 및 형태비 재현 평가도(408)는 온라인 상에서 무작위 표본들에 의해 작성된 리뷰 내의 색 재현 및 형태비 재현에 대한 평가에 기초하여 계산될 수 있다. 색 재현 평가도(407)는 온라인 상에서 무작위 표본들에 의해 작성된 리뷰에서, 제조업체 객체에 대응하는 의류 제품의 색 재현성이 미리 정의된 디자인에 일치한다는 언급을 포함한다고 판별된 리뷰가 많을수록, 증가할 수 있다. 데이터베이스화된 제조업체 객체의 형태비 재현 평가도(408)는 온라인 상에서 무작위 표본들에 의해 작성된 리뷰에서, 데이터베이스화된 제조업체 객체에 대응하는 의류 제품의 형태비 재현성이 미리 정의된 디자인에 일치한다는 언급을 포함한다고 판별된 리뷰가 많을수록, 증가할 수 있다. 내구성 평가도(406), 색 재현 평가도(407) 및 형태비 재현 평가도(408)는 합이 100%인 값이 될 수 있으며, 우선적으로 내구성 평가도(406)가 결정되면, 나머지 퍼센트(%) 값을 색 재현 평가도(407)와 형태비 재현 평가도(408)의 비에 따라 결정하도록 하는 방식을 택할 수 있다. 이에 따라 색 재현 평가도(407)가 높아질수록, 형태비 재현 평가도(408)가 낮아지고, 형태비 재현 평가도(408)가 높아질수록, 색 재현 평가도(407)가 낮아질 수 있다.
일실시예에 따르면, 제어 장치는 데이터베이스화된 제조업체 객체의 색 재현 평가도(407) 및 형태비 재현 평가도(408)를 구하기 위해, 데이터베이스화된 제조업체 객체에 대응하는 의류 제품에 대한 리뷰를 수집할 수 있다. 리뷰는 SNS, 블로그, 지도 서비스, 공간 정보 서비스 등을 제공하는 웹페이지 또는 어플리케이션을 통해 수집될 수 있다. 리뷰의 수집은 키워드 추출 방식, 해시태그 추출 방식, 텍스트 마이닝(text minig) 방식 등으로 이루어질 수 있다.
일실시예에 따르면, 제어 장치는 수집된 리뷰에서, 의류 제품이 색 재현적이라는 언급 또는 의류 제품이 형태비 재현적라는 언급을 포함하는지를 판별할 수 있다. 판별은 키워드 추출 방식, 해시태그 추출 방식, 텍스트 마이닝(text minig) 방식 등으로 이루어질 수 있다. 제어 장치는 온라인 상의 빅데이터로부터 필요한 데이터를 제공받아 제조 업체의 색 재현 평가도(407) 및 형태비 재현 평가도(408)의 평가에 참조할 수 있다.
제어 장치는 데이터베이스화된 제조업체 객체에 대응하는 의류 제품에 대하여 수집된 리뷰에서, 의류 제품이 색 재현적이라는 언급을 포함한다고 판별된 리뷰가 많으면 많을수록, 데이터베이스화된 제조업체 객체의 의류 제품에 대한 색 재현 평가도(407)를 더욱 높은 값으로 설정할 수 있다. 가령, 제어 장치는 데이터베이스화된 제조업체 객체에 대응하는 의류 제품에 대하여 수집된 리뷰에서, 색 재현성이 뛰어나다, 원하는 색상대로 잘 만들어졌다, 염색 공법이 정밀하다는 등의 언급을 포함한다고 판별된 리뷰 글이 많을수록, 데이터베이스화된 제조업체 객체의 의류 제품에 대한 색 재현 평가도(407)를 증가시킬 수 있다.
또한, 제어 장치는 데이터베이스화된 제조업체 객체에 대응하는 의류 제품에 대하여 수집된 리뷰에서, 의류 제품이 형태비 재현적이라는 언급을 포함한다고 판별된 리뷰가 많으면 많을수록, 데이터베이스화된 제조업체 객체의 의류 제품에 대한 형태비 재현 평가도(408)를 더욱 높은 값으로 설정할 수 있다. 가령, 제어 장치는 데이터베이스화된 제조업체 객체에 대응하는 의류 제품에 대하여 수집된 리뷰에서, 비율이 원하는 대로 제작되었다, 핏이 좋다, 입었을 때 편하게 제작되었다고 판별된 리뷰가 많을수록, 데이터베이스화된 제조업체 객체의 의류 제품에 대한 형태비 재현 평가도(408)를 증가시킬 수 있다.
각각의 데이터베이스화된 제조업체 객체의 색 재현 평가도(407) 및 형태비 재현 평가도(408)의 구체적인 수치는 학습된 인공지능(인공 신경망)의 추론을 기초로 생성될 수 있다.
예를 들어, 제어 장치는 의류 제품-1에 대응하는 제조업체 객체의 색 재현 평가도(407) 및 형태비 재현 평가도(408)를 구함에 있어서, 웹페이지 또는 어플리케이션에서 의류 제품-1에 대한 리뷰를 수집할 수 있다. 이어서, 제어 장치는 의류 제품-1에 대한 리뷰에서, 색 재현 및 형태비 재현에 관한 언급이 있는 리뷰를 분류할 수 있다.
제어 장치는 의류 제품-1에 대한 리뷰 글에서, 의류 제품이 색 재현적이라는 언급을 포함하는 리뷰 글이 4건, 의류 제품이 형태비 재현적이라는 언급을 포함하는 리뷰 글이 6건이라고 판별하여, 의류 제품-1를 제조하는 제조업체 객체의 색 재현 평가도(407) 및 형태비 재현 평가도(408)의 비를 4:6으로 설정할 수 있다. 의류 제품-1의 색 재현 평가도(407) 및 형태비 재현 평가도(408) 비의 구체적인 수치는 제어 장치의 학습된 인공지능(인공 신경망)의 추론을 기초로 생성될 수 있다. 제조업체 객체에 대한 색 재현 평가도(407) 및 형태비 재현 평가도(408)는 의류 제품-1과 마찬가지로 제조업체 객체에서 생산된 모든 의류 제품에 대한 평가를 종합하여 결정될 수 있다. 생성된 제조업체 객체의 색 재현 평가도(407) 및 형태비 재현 평가도(408)의 비는 최종적으로 내구성 평가도(406)가 차지하는 퍼센트(%) 값을 제외한 나머지의 계산에 사용될 수 있다. 예를 들어, 내구성 평가도(406)가 50%라면, 앞서의 색 재현 평가도(407) 및 형태비 재현 평가도(408) 비인 4:6을 이용해 색 재현 평가도(407)는 20%, 형태비 재현 평가도(408)는 30%로 계산될 수 있다.
일실시예에 따른 색 재현 평가도(407) 및 형태비 재현 평가도(408)를 위한 인공 신경망에는 제1 뉴럴 네트워크가 사용될 수 있다. 제어 장치는 제조업체 객체들(402)에서 제조된 의류 제품들에 대한 리뷰를 포함하는 제1 평가 벡터를 전처리 할 수 있다. 제1 평가 벡터는 제1 뉴럴 네트워크의 입력층 노드에 대응하는 입력값일 수 있다. 제어 장치는 제1 평가 벡터를 제1 뉴럴 네트워크에 입력한 결과로 제1 평가 출력을 획득할 수 있다. 제1 평가 출력은 제조업체 객체들(402)에 대한 색 재현 평가도(407) 및 형태비 재현 평가도(408)의 비를 포함할 수 있다. 제1 평가 출력은 제1 뉴럴 네트워크의 출력층 노드에 대응할 수 있다.
제1 뉴럴 네트워크는 은닉층과 출력층을 가질 수 있다. 제1 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 뉴럴 네트워크의 출력층 노드는 총 2개로 할 수 있으나, 이에 국한하지 않는다. 2개의 출력은 각각 색 재현 평가도(407)와 형태비 재현 평가도(408)의 비를 포함할 수 있다. 만약, 2개의 출력의 합이 1이 아닐 경우, 제어 장치를 통해 설계자에게 해당 제1 뉴럴 네트워크의 조정을 위한 신호가 자동으로 전송될 수 있다.
학습 장치는 제1 뉴럴 네트워크를 제1 평가 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제1 평가 레이블들은 100만 개의 리뷰에 대해 미리 지정된 평가자들을 통해 평가된 색 재현 평가도(407)와 형태비 재현 평가도(408)의 비들의 값을 포함할 수 있다. 제1 뉴럴 네트워크는 제1 레이블드 트레이닝 평가 벡터들을 입력해 얻은 제1 레이블드 트레이닝 평가 출력들을 제1 평가 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제1 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제1 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따르면, 제어 장치는 사용자의 선택 항목에 대한 결정 결과에 기초하여, 내구성 요구도(403), 색 재현 요구도(404) 및 형태비 재현 요구도(405)를 생성할 수 있다.
일실시예에 따르면, 제어 장치는 사용자의 선택 항목에 대한 결정 결과를 분석하는 데에 인공지능(인공 신경망)을 사용할 수 있다. 제어 장치는 사용자가 3D 모델에 기초하여, 색상, 재료 및 변형을 포함한 선택 항목에 대하여 결정 결과를 제공하면, 해당 결정 결과를 제2 뉴럴 네트워크를 통해 분석할 수 있다. 제어 장치는 사용자의 선택 항목에 대한 결정 결과를 포함하는 제1 요구 벡터를 전처리 할 수 있다. 제1 요구 벡터는 제2 뉴럴 네트워크의 입력층 노드에 대응하는 입력값일 수 있다. 제어 장치는 제1 요구 벡터를 제2 뉴럴 네트워크에 입력한 결과로 제1 요구 출력을 획득할 수 있다. 제1 요구 출력은 사용자에 대한 내구성 요구도(403), 색 재현 요구도(404) 및 형태비 재현 요구도(405)를 포함할 수 있다. 제1 요구 출력은 제2 뉴럴 네트워크의 출력층 노드에 대응할 수 있다.
제2 뉴럴 네트워크는 은닉층과 출력층을 가질 수 있다. 제2 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 뉴럴 네트워크의 출력층 노드는 총 3개로 할 수 있으나, 이에 국한하지 않는다. 3개의 출력은 각각 내구성 요구도(403), 색 재현 요구도(404)와 형태비 재현 요구도(405)를 포함할 수 있다. 만약, 3개의 출력의 합이 1이 아닐 경우, 제어 장치를 통해 설계자에게 해당 제2 뉴럴 네트워크의 조정을 위한 신호가 자동으로 전송될 수 있다.
학습 장치는 제2 뉴럴 네트워크를 제1 요구 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제1 요구 레이블들은 1만 개의 선택 항목 결정 결과(401)들에 대해 디자인 전문가 및 패션업계 전문가들에 의해 작성된 내구성 요구도(403)들, 색 재현 요구도(404)들 및 형태비 재현 요구도(405)들을 포함할 수 있다. 제2 뉴럴 네트워크는 제1 레이블드 트레이닝 요구 벡터들을 입력해 얻은 제1 레이블드 트레이닝 요구 출력들을 제1 요구 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제2 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제2 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따르면, 제어 장치는 데이터베이스화된 제조업체 객체들(402) 중에서, 데이터베이스화된 제조업체 객체에 대해 미리 작성된 내구성 평가도(406), 색 재현 평가도(407) 및 형태비 재현 평가도(408)가 사용자의 선택 항목 결정 결과(401)에 대해 생성된 내구성 요구도(403), 색 재현 요구도(404) 및 형태비 재현 요구도(405)와 제1 일치성을 만족하는 제조업체 객체들(402)을 선별할 수 있다. 제1 일치성은 설계자에 의해 미리 지정된 값을 기준으로 할 수 있는데, 예를 들어, 설계자는 내구성 요구도(403)의 오차가 10% 이하이고, 색 재현 요구도(404)의 오차가 20% 이하인 것을 제1 일치성을 만족하는 것으로 지정할 수 있다.
일실시예에 따른 제1 일치성을 만족하는 제조업체 객체들(402)의 추출에는 제3 뉴럴 네트워크가 사용될 수 있다. 제어 장치는 내구성 평가도(406), 색 재현 평가도(407) 및 형태비 재현 평가도(408)와 내구성 요구도(403), 색 재현 요구도(404) 및 형태비 재현 요구도(405)를 포함하는 제1 일치 벡터를 전처리 할 수 있다. 제1 일치 벡터는 제3 뉴럴 네트워크의 입력층 노드에 대응하는 입력값일 수 있다. 제어 장치는 제1 일치 벡터를 제3 뉴럴 네트워크에 입력한 결과로 제1 일치 출력을 획득할 수 있다. 제1 일치 출력은 내구성 평가도(406), 색 재현 평가도(407) 및 형태비 재현 평가도(408)와 내구성 요구도(403), 색 재현 요구도(404) 및 형태비 재현 요구도(405)가 제1 일치성을 만족하는 제조업체 객체들(402)을 포함할 수 있다. 제1 일치 출력은 제3 뉴럴 네트워크의 출력층 노드에 대응할 수 있다.
제3 뉴럴 네트워크는 은닉층과 출력층을 가질 수 있다. 제3 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제3 뉴럴 네트워크의 출력층 노드는 총 10개로 할 수 있으나, 이에 국한하지 않는다. 10개의 출력은 제1 일치성을 만족하는 제조업체 객체들(402)에 대한 코드화된 정보들을 포함할 수 있다. 제1 일치 출력은 0.3초 단위로 새로 생성될 수 있으며, 이 때에 생성되는 제1 일치 출력의 순서는 제조업체 객체들(402)의 제1 일치성 만족도의 크기 순서일 수 있다.
학습 장치는 제3 뉴럴 네트워크를 제1 일치 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제1 일치 레이블들은 내구성 평가도(406)들, 색 재현 평가도(407)들 및 형태비 재현 평가도(408)들과 내구성 요구도(403)들, 색 재현 요구도(404)들 및 형태비 재현 요구도(405)들을 포함하는 1만 개의 데이터들에 대해 디자인 전문가 및 패션업계 전문가들에 의해 추론된 제1 일치성을 만족하는 제조업체 객체들(402)을 포함할 수 있다. 제3 뉴럴 네트워크는 제1 레이블드 트레이닝 일치 벡터들을 입력해 얻은 제1 레이블드 트레이닝 일치 출력들을 제1 일치 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제3 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제3 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따르면, 제어 장치는 선별된 제조업체 객체에 기초하여, 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점을 생성할 수 있다. 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점의 결정에는 제3 컨볼루션 신경망이 사용될 수 있다. 제어 장치는 선별된 제조업체 객체들(402)을 포함하는 제3 벡터를 전처리 할 수 있다. 제3 벡터는 제3 컨볼루션 신경망의 입력층 노드에 대응하는 입력값일 수 있다. 제어 장치는 제3 벡터를 제3 컨볼루션 신경망에 입력한 결과로 제3 출력을 획득할 수 있다. 제3 출력은 선별된 제조업체 객체들(402)에 대해 추론된 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점을 포함할 수 있다. 제3 출력은 제3 컨볼루션 신경망의 출력층 노드에 대응할 수 있다.
제3 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다. 제3 컨볼루션 신경망은 은닉층과 출력층을 가질 수 있다. 제3 컨볼루션 신경망에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제3 컨볼루션 신경망의 출력층 노드는 총 20개로 할 수 있으나, 이에 국한하지 않는다. 제3 컨볼루션 신경망의 출력층 활성함수는 소프트맥스 함수를 사용한다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 제어 장치는 소프트맥스 함수를 통해 20개의 출력 중 하나의 출력만을 선택하는 것이 가능할 수 있으나, 이에 국한하지 않는다. 20개의 출력은 선별된 제조업체 객체들(402)에 대한 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점을 포함할 수 있다. 제3 출력은 0.3초 단위로 새로 생성될 수 있으며, 이 때에 생성되는 제3 출력의 순서는 제3 뉴럴 네트워크를 통해 순서 지어진 제조업체 객체들(402)에 대응하는 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점의 값들의 순서일 수 있다.
학습 장치는 제3 컨볼루션 신경망을 제3 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제3 레이블들은 데이터베이스에 포함된 모든 제조업체 객체들(402)이 제공한 견적 계산 정보들에 대해 디자인 전문가 및 패션업계 전문가들에 의해 추론된 시제품 견적들, 최종 견적들, 운반비들 및 제조 완료 시점들을 포함할 수 있다. 제3 컨볼루션 신경망은 제3 레이블드 트레이닝 벡터들을 입력해 얻은 제3 레이블드 트레이닝 출력들을 제3 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제3 컨볼루션 신경망의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제3 컨볼루션 신경망을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따르면, 제어 장치는 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점에 기초하여, 제조업체 객체의 우선순위를 결정한 비교 제조 견적 리스트(409)를 획득할 수 있다. 제어 장치는 기존에 제3 뉴럴 네트워크로부터 획득된 제1 일치성의 순서에 따른 제조업체 객체의 순서를 우선적으로 하되, 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점이 임계 범위를 벗어나는 차이를 보일 경우 이 순서를 재조정한 우선순위를 결정할 수 있다. 제어 장치는 제조업체 객체의 우선순위가 결정되면 이를 바탕으로 제조업체 객체들(402)을 나열한 비교 제조 견적 리스트(409)를 획득할 수 있다.
일실시예에 따르면, 제어 장치는 사용자의 여건에 적합한 견적의 제조업체를 매칭할 수 있다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(501)는 프로세서(502) 및 메모리(503)를 포함한다. 프로세서(502)는 도 1 내지 도 4를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(501)는 서버, 사용자 단말, 또는 인공 신경망 학습 장치 등일 수 있다. 장치(501)를 이용하는 자 또는 단체는 도 1 내지 도 4를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(503)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 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 상기 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. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 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. 상기된 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 상기를 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)
- 패션 제품 제조 플랫폼 서비스 제공 방법에 있어서,
제어 장치가 선택형 설문 문항-상기 선택형 설문 문항은 사진을 포함한 객관형 문항으로 구성됨-에 대한 사용자의 응답을 획득하는 단계;
상기 선택형 설문 문항에 대한 상기 사용자의 응답 및 미리 분석된 디자이너들의 디자인 특성에 기초하여, 상기 제어 장치가 상기 사용자에 대한 매칭 디자이너들의 목록을 생성하는 단계;
상기 사용자가 상기 매칭 디자이너들의 목록 내의 매칭 디자이너들 중 적어도 어느 하나를 선택하는 단계;
상기 사용자가 제공하는 테스트 디자인을 상기 제어 장치가 획득하는 단계;
상기 제어 장치가 상기 테스트 디자인을 조회하여, 유사 패션 디자인의 존재 여부를 추론하는 단계;
상기 유사 패션 디자인의 존재 여부 추론 결과에 기초하여, 상기 제어 장치가 수정 디자인에 대한 3D 모델을 생성하는 단계;
상기 3D 모델에 기초하여, 상기 제어 장치가 상기 사용자에게 색상, 재료 및 변형-상기 변형은 상기 사용자가 미리 구상한 디자인을 옷의 종류에 맞게 변형하는 것으로, 옷의 종류에는 바지, 치마, 긴팔, 반팔, 중간형을 포함함-의 선택 항목을 제공하는 단계;
상기 제어 장치가 상기 사용자의 선택 항목의 결정 결과에 기초하여, 비교 제조 견적 리스트-상기 비교 제조 견적 리스트는 상기 사용자의 상기 선택 항목의 결정 결과를 바탕으로 제조업체들의 시제품 견적, 최종 견적, 운반비 및 제조 완료 시점을 기준으로 우선 순위에 따라 제공되는 제조업체들의 리스트임-를 상기 사용자에게 제공하는 단계;
상기 사용자의 비교 제조 견적 리스트에 대한 결정 결과 및 상기 매칭 디자이너에 기초하여, 상기 제어 장치가 최종 디자인을 생성하는 단계;
상기 최종 디자인에 기초하여, 상기 제어 장치가 시제품 요청 신호를 상기 매칭 디자이너에게 전송하는 단계; 및
상기 제어 장치가 상기 사용자의 확정 신호에 기초하여, 최종 제품 요청 신호를 상기 매칭 디자이너에게 전송하는 단계
를 포함하고,
상기 비교 제조 견적 리스트를 획득하는 단계는
상기 선택 항목의 결정 결과에 기초하여, 상기 제어 장치가 내구성 요구도, 색 재현 요구도 및 형태비 재현 요구도를 생성하는 단계;
상기 제어 장치가 데이터베이스화된 제조업체 객체들 중에서, 데이터베이스화된 제조업체 객체에 대해 미리 작성된 내구성 평가도, 색 재현 평가도 및 형태비 재현 평가도가 상기 선택 항목의 결정 결과에 대해 생성된 상기 내구성 요구도, 상기 색 재현 요구도 및 상기 형태비 재현 요구도와 제1 일치성을 만족하는 상기 제조업체 객체들을 선별하는 단계;
상기 제어 장치가 각각의 선별된 제조업체 객체에 기초하여, 상기 시제품 견적, 상기 최종 견적, 상기 운반비 및 상기 제조 완료 시점을 생성하는 단계; 및
상기 제어 장치가 상기 시제품 견적, 상기 최종 견적, 상기 운반비 및 상기 제조 완료 시점에 기초하여, 상기 제조업체 객체의 우선순위를 결정한 상기 비교 제조 견적 리스트를 획득하는 단계
를 포함하고,
상기 데이터베이스화된 제조업체 객체의 상기 내구성 평가도는
상기 데이터베이스화된 제조업체 객체의 제품들에 대해 기계적 강도-상기 기계적 강도는 인장력, 탄성력, 파괴 강도 및 열 저항성을 포함함- 및 화학적 강도-상기 화학적 강도는 산 및 염기 물질에 대한 저항, 산화도 및 부식 저항성을 포함함-에 기초하여, 직물 전문가에 의한 통계적 평가로 이뤄지며,
상기 내구성 평가도는 백분율 값으로 표현되고,
상기 내구성 평가도가 결정되면, 백분율의 나머지 값에 상기 색 재현 평가도 및 상기 형태비 재현 평가도가 할당되고,
상기 색 재현 평가도 및 상기 형태비 재현 평가도는,
상기 데이터베이스화된 제조업체 객체에 대응하는 상기 제조업체에 대하여 온라인 상에서 작성된 무작위 표본들의 색 재현 및 형태비 재현에 대한 평가로부터 획득되며,
상기 색 재현 및 형태비 재현에 대한 평가의 비율적 계산에 기초하여, 상기 내구성 평가도를 제외한 백분율 값을 비율적 계산에 따라 상기 색 재현 평가도 및 상기 형태비 재현 평가도로 이산적으로 배분하고,
상기 색 재현 평가도가 높아질수록, 상기 형태비 재현 평가도가 낮아지고,
상기 형태비 재현 평가도가 높아질수록, 상기 색 재현 평가도가 낮아지고,
상기 색 재현 및 형태비 재현에 대한 평가는
상기 무작위 표본들이 상기 제조업체에 대하여 쓴 리뷰에 기초하여 계산되는,
패션 제품 제조 플랫폼 서비스 제공 방법.
- 제1 항에 있어서,
상기 매칭 디자이너들의 목록을 생성하는 단계는
상기 제어 장치가 상기 디자이너들의 디자인 샘플들을 획득하는 단계;
상기 제어 장치가 상기 디자인 샘플들의 디자인 요소 및 특성에 대하여 인공지능을 통해 분석하는 단계;
상기 분석의 결과에 기초하여, 상기 제어 장치가 상기 선택형 설문 문항을 생성하는 단계;
상기 사용자의 상기 선택형 설문 문항에 대한 응답에 기초하여, 상기 제어 장치가 동일 내지 임계 범위 오차 내의 디자이너들을 매칭 디자이너들로 결정하는 단계; 및
오차의 정도에 기초하여, 상기 제어 장치가 상기 매칭 디자이너들을 우선 순위로 정리한 상기 매칭 디자이너들의 목록을 생성하는 단계
를 포함하는
패션 제품 제조 플랫폼 서비스 제공 방법.
- 제1 항에 있어서,
상기 유사 패션 디자인의 존재 여부를 추론하는 단계는
상기 제어 장치가 상기 테스트 디자인을 상기 디자인 요소로 분류하는 단계;
상기 제어 장치가 상기 디자인 요소를 형태 객체, 패턴 객체, 그림 객체 및 부가 객체 중 어느 하나로 각각 분류하는 단계;
상기 제어 장치가 상기 형태 객체로 분류된 적어도 하나의 디자인 요소의 상기 테스트 디자인 내 제1 비율을 생성하는 단계;
상기 제어 장치가 상기 패턴 객체로 분류된 적어도 하나의 디자인 요소의 상기 테스트 디자인 내 제2 비율을 생성하는 단계;
상기 제어 장치가 상기 그림 객체 및 부가 객체의 상기 테스트 디자인 내 제3 비율을 생성하는 단계;
상기 제어 장치가 상기 제1 비율, 상기 제2 비율 및 상기 제3 비율에 기초하여, 빅데이터로부터 상기 제1 비율, 상기 제2 비율 및 상기 제3 비율에 부합하는 유사 디자인을 검색하는 단계;
상기 유사 디자인에 기초하여, 상기 제어 장치가 상기 테스트 디자인의 수정 예시들을 제공하는 단계; 및
상기 사용자가 상기 수정 예시들 중 어느 하나를 선택함에 따라, 상기 제어 장치가 선택된 수정 예시를 상기 수정 디자인으로 확정하는 단계
를 포함하는
패션 제품 제조 플랫폼 서비스 제공 방법.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200110743A KR102230507B1 (ko) | 2020-09-01 | 2020-09-01 | 패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200110743A KR102230507B1 (ko) | 2020-09-01 | 2020-09-01 | 패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102230507B1 true KR102230507B1 (ko) | 2021-03-22 |
Family
ID=75222996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200110743A KR102230507B1 (ko) | 2020-09-01 | 2020-09-01 | 패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102230507B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023200059A1 (ko) * | 2022-04-12 | 2023-10-19 | 주식회사 샵팬픽 | 출시 예정 제품의 디자인 추천 및 최종 시안 제공 방법 및 이를 수행하는 장치 |
| KR20240020528A (ko) | 2022-08-08 | 2024-02-15 | 주식회사 코코파 | 통합 의복 디자인 교육 및 유통 플랫폼 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180060195A (ko) | 2016-11-28 | 2018-06-07 | (주)비블로즈 | 패션 아이템 콘텐츠 db구축을 통한 코디 기반의 콘텐츠 공유 방법 및 이를 이용한 코디 기반의 scm 상거래 플랫폼 시스템 |
| KR20180126818A (ko) * | 2017-05-18 | 2018-11-28 | 이향진 | 사용자 요구사항이 반영된 제품 디자인 도출 방법 및 시스템 |
| KR20190122089A (ko) * | 2018-04-19 | 2019-10-29 | 주식회사 일렉스홀딩스 | 인테리어 자동 견적 서비스 제공 방법 및 이를 실행하기 위한 시스템 |
| KR20200002332A (ko) * | 2018-06-29 | 2020-01-08 | 고려대학교 산학협력단 | 딥 러닝을 이용하여 이미지를 검색하는 단말 장치 및 방법 |
| KR20200006766A (ko) | 2018-07-11 | 2020-01-21 | 주식회사 코드150 | 편집형 온라인 소호몰 구축 플랫폼을 이용한 서비스 제공시스템 |
| KR20200022819A (ko) * | 2018-08-24 | 2020-03-04 | (주)위드어스커뮤니케이션즈 | 디자이너, 제조업체, 소비자 통합연결 플랫폼 기반 디자인제조서비스 지원 시스템 |
| KR20200062979A (ko) | 2018-11-27 | 2020-06-04 | 오예환 | 디자이너를 위한 제품 플랫폼서비스 제공방법 |
| KR102130709B1 (ko) | 2019-12-02 | 2020-07-06 | 김태경 | 디지털 패션 기반 제품 미리보기를 이용한 커스텀 의류 제작 서비스 제공 방법 |
-
2020
- 2020-09-01 KR KR1020200110743A patent/KR102230507B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180060195A (ko) | 2016-11-28 | 2018-06-07 | (주)비블로즈 | 패션 아이템 콘텐츠 db구축을 통한 코디 기반의 콘텐츠 공유 방법 및 이를 이용한 코디 기반의 scm 상거래 플랫폼 시스템 |
| KR20180126818A (ko) * | 2017-05-18 | 2018-11-28 | 이향진 | 사용자 요구사항이 반영된 제품 디자인 도출 방법 및 시스템 |
| KR20190122089A (ko) * | 2018-04-19 | 2019-10-29 | 주식회사 일렉스홀딩스 | 인테리어 자동 견적 서비스 제공 방법 및 이를 실행하기 위한 시스템 |
| KR20200002332A (ko) * | 2018-06-29 | 2020-01-08 | 고려대학교 산학협력단 | 딥 러닝을 이용하여 이미지를 검색하는 단말 장치 및 방법 |
| KR20200006766A (ko) | 2018-07-11 | 2020-01-21 | 주식회사 코드150 | 편집형 온라인 소호몰 구축 플랫폼을 이용한 서비스 제공시스템 |
| KR20200022819A (ko) * | 2018-08-24 | 2020-03-04 | (주)위드어스커뮤니케이션즈 | 디자이너, 제조업체, 소비자 통합연결 플랫폼 기반 디자인제조서비스 지원 시스템 |
| KR20200062979A (ko) | 2018-11-27 | 2020-06-04 | 오예환 | 디자이너를 위한 제품 플랫폼서비스 제공방법 |
| KR102130709B1 (ko) | 2019-12-02 | 2020-07-06 | 김태경 | 디지털 패션 기반 제품 미리보기를 이용한 커스텀 의류 제작 서비스 제공 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023200059A1 (ko) * | 2022-04-12 | 2023-10-19 | 주식회사 샵팬픽 | 출시 예정 제품의 디자인 추천 및 최종 시안 제공 방법 및 이를 수행하는 장치 |
| KR20240020528A (ko) | 2022-08-08 | 2024-02-15 | 주식회사 코코파 | 통합 의복 디자인 교육 및 유통 플랫폼 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11775929B2 (en) | Systems and methods for improving recommendation systems | |
| US11734747B2 (en) | Contextual set selection | |
| US9727620B2 (en) | System and method for item and item set matching | |
| KR102404511B1 (ko) | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 | |
| KR102230507B1 (ko) | 패션 제품 제조 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| JP6884116B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| CN111062775A (zh) | 一种基于注意力机制的推荐系统召回方法 | |
| CN110580489B (zh) | 一种数据对象的分类系统、方法以及设备 | |
| KR102586431B1 (ko) | 관절 좌표를 이용한 패션 아이템 속성정보 추출 방법, 장치 및 컴퓨터프로그램 | |
| US11842378B2 (en) | Systems and methods for product identification using image analysis and trained neural network | |
| KR102553041B1 (ko) | 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| US11587028B2 (en) | Computer system for optimizing garment inventory of retailer based on shapes of users | |
| CN115735219A (zh) | 用于提供个性化用户界面的方法和系统 | |
| KR102461863B1 (ko) | 개인화 스타일링 추천 시스템 및 방법 | |
| CN115456707A (zh) | 提供商品推荐信息的方法、装置及电子设备 | |
| Wakita et al. | Toward fashion-brand recommendation systems using deep-learning: Preliminary analysis | |
| US11481830B2 (en) | Method, system and medium for user specific apparel attribute recommendation | |
| WO2020255307A1 (ja) | 情報処理装置、情報処理方法、および記録媒体 | |
| Shahrabi et al. | Developing a hybrid intelligent model for constructing a size recommendation expert system in textile industries | |
| KR102466020B1 (ko) | 인공지능 기반 명품 정보 및 셀러의 자동 매칭 방법, 장치 및 시스템 | |
| KR102212328B1 (ko) | 인공지능 기반의 직물 패턴 검색 장치 및 방법 | |
| Bhimani et al. | Web-Based Model for Apparel Classification | |
| KR102664280B1 (ko) | 인공지능 모델을 활용한 사용자 맞춤형 실내 건축 인테리어의 설계 자동화 서비스 제공 방법, 장치 및 시스템 | |
| KR102628994B1 (ko) | 인공지능에 기반한 소비자 맞춤형 가방 추천 시스템 | |
| Gorbatenko et al. | Reaching consensus in group recommendation systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |