KR102234821B1 - 빅 데이터 및 머신 러닝 모델을 이용한 제품의 가격 예측을 수행하는 전자장치 및 그 동작 방법 - Google Patents

Abstract

본 출원의 일 실시예에 따르면, 서버의 동작 방법으로서, 외부 서버로부터 제품들 별 복수의 정보들을 수신하는 단계;를 포함하고, 상기 복수의 정보들은 상기 제품들 별 브랜드 정보, 상기 제품들 별 상태 정보, 및 상기 제품들 별 시세 정보를 포함하고, 상기 상태 정보는 상기 제품의 거래 당시의 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 중 적어도 하나를 나타내는, 상기 복수의 정보들 중에서, 상기 제품들 별 저명도 또는 현재 시점에 대한 정보 중 적어도 하나를 기반으로 상기 제품들 별 가격 예측을 위한 특정 정보들을 추출하는 단계; 상기 특정 정보들을 트레이닝 데이터로 하여, 상기 제품들에 대한 가격을 예측하기 위한 복수의 머신 러닝 모델들을 생성하는 단계;를 포함하고, 상기 복수의 머신 러닝 모델들은 각각이 특정 제품에 대한 제 1 브랜드 정보 및 제 1 상태 정보를 입력 받은 것에 대한 응답으로, 특정 제품에 대한 가격 정보를 출력하도록 설정되고, 전자 장치의 상기 서버로의 접속을 식별하는 단계; 및 상기 접속된 전자 장치로 상기 복수의 머신 러닝 모델들을 제공하는 단계;를 포함하고, 상기 전자 장치에서 제 1 제품에 대한 브랜드 정보 및 제 1 제품에 대한 상태 정보를 상기 복수의 머신 러닝 모델들로 입력된 것에 대한 응답으로, 상기 복수의 머신 러닝 모델들은 상기 제 1 제품에 대한 가격 정보를 반환하는, 동작 방법이 제공된다. 그 밖의 다양한 실시예가 가능하다.

Description

빅 데이터 및 머신 러닝 모델을 이용한 제품의 가격 예측을 수행하는 전자장치 및 그 동작 방법{ELECTRONIC DEVICE FOR PERFORMING A PREDECTION FOR A PRICE OF A PRODUCT USING BIG DATA AND MACHINE LEARNING MODEL AND METHOD FOR OPERATING THEREOF}

본 출원은 제품들 별 다양한 정보들을 수집하고, 수집된 다양한 정보들에 기반하여 생성된 제품들 별 가격 예측을 위한 머신 러닝 모델들을 이용하여 중고 제품에 대한 가격 예측을 수행하는 전자 장치 및 그 동작 방법에 관한 것이다.

중고 제품(예: 중고 명품)들에 대한 가격 책정을 위해서, 다양한 업체들은 업체들 별로 보유하는 가격 책정을 위한 노하우들을 활용하여 중고 제품들에 대한 가격 책정을 수행해왔다.

예를 들어, 각 업체들은 가격 책정을 위해서 일반적으로 브랜드 선호도, 상품 보존 상태, 현재 상품의 시세, 인기도, 계절, 사이즈 등을 고려하여 중고 제품에 대한 가격 책정을 수행해왔다.

그러나 각 업체들 별로 중고 제품들의 가격을 책정하기 위해 축적된 노하우들이 상이함에 따라, 각 업체들은 중고 제품에 대한 가격 책정의 요소로서 참조하는 정보들(예: 브랜드 선호도, 상품 보전 상태, 현재 상품의 시세, 인기도, 계절, 사이즈)을 서로 다른 가중치로 가격 책정에 반영하여 각 업체들 별 중고 제품에 대한 가격 책정이 통일되지 않고 있는 실정이다.

따라서 중고 제품의 가격의 책정을 위한 진단 요소들을 정형화하고, 빅 데이터 및 정형화된 진단 요소에 따라서 정확하고 신속한 가격 측정이 수행되도록 하는 기술의 구현이 요구되는 시점이다.

본 출원의 일 실시예에 따르면, 일 과제는 복수의 제품들 별로 거래와 연관된 정보들(예: 제품의 브랜드 정보, 제품의 상태 정보, 제품의 시세 정보)을 축적하고 축적된 정보들에 기반한 머신 러닝 모델을 생성하여, 머신 러닝 모델에 기반한 정확하고 신속한 중고 제품에 대한 가격 정보를 제공하는 전자 장치 및 동작 방법을 제공하는 것에 있다.

본 출원의 일 실시예에 따르면, 다른 과제는 현재 가격을 책정하고자 하는 중고 제품의 저명도 또는 현재 시점에 대응하는 계절과 관련된 정보와 같은 가격 책정에 유의미한 요소들을 기반으로, 특정 시구간의 정보들을 추출하여 더 정확한 가격 측정을 수행하는 머신 러닝 모델을 생성하는 전자 장치 및 동작 방법을 제공하는 것에 있다.

본 출원의 일 실시예에 따르면, 또 다른 과제는 사용자의 피드백 정보에 따라서 머신 러닝 모델을 재구성하여, 사용자에게 보다 더 적절한 가격 정보를 제공하는 전자 장치 및 동작 방법을 제공하는 것에 있다.

본 출원이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 일 실시예에 따르면, 서버의 동작 방법으로서, 외부 서버로부터 제품들 별 복수의 정보들을 수신하는 단계;를 포함하고, 상기 복수의 정보들은 상기 제품들 별 브랜드 정보, 상기 제품들 별 상태 정보, 및 상기 제품들 별 시세 정보를 포함하고, 상기 상태 정보는 상기 제품의 거래 당시의 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 중 적어도 하나를 나타내는, 상기 복수의 정보들 중에서, 상기 제품들 별 저명도 또는 현재 시점에 대한 정보 중 적어도 하나를 기반으로 상기 제품들 별 가격 예측을 위한 특정 정보들을 추출하는 단계; 상기 특정 정보들을 트레이닝 데이터로 하여, 상기 제품들에 대한 가격을 예측하기 위한 복수의 머신 러닝 모델들을 생성하는 단계;를 포함하고, 상기 복수의 머신 러닝 모델들은 각각이 특정 제품에 대한 제 1 브랜드 정보 및 제 1 상태 정보를 입력 받은 것에 대한 응답으로, 특정 제품에 대한 가격 정보를 출력하도록 설정되고, 전자 장치의 상기 서버로의 접속을 식별하는 단계; 및 상기 접속된 전자 장치로 상기 복수의 머신 러닝 모델들을 제공하는 단계;를 포함하고, 상기 전자 장치에서 제 1 제품에 대한 브랜드 정보 및 제 1 제품에 대한 상태 정보를 상기 복수의 머신 러닝 모델들로 입력된 것에 대한 응답으로, 상기 복수의 머신 러닝 모델들은 상기 제 1 제품에 대한 가격 정보를 반환하는, 동작 방법이 제공될 수 있다.

본 출원의 일 실시예에 따르면, 서버로서, 통신 회로; 및 제어 회로;를 포함하고, 상기 제어 회로는: 상기 통신 회로를 이용하여 외부 서버로부터 제품들 별 복수의 정보들을 수신하고, 상기 복수의 정보들은 상기 제품들 별 브랜드 정보, 상기 제품들 별 상태 정보, 및 상기 제품들 별 시세 정보를 포함하고, 상기 상태 정보는 상기 제품의 거래 당시의 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 중 적어도 하나를 나타내는, 상기 복수의 정보들 중에서, 상기 제품들 별 저명도 또는 현재 시점에 대한 정보 중 적어도 하나를 기반으로 상기 제품들 별 가격 예측을 위한 특정 정보들을 추출하고, 상기 특정 정보들을 트레이닝 데이터로 하여, 상기 제품들에 대한 가격을 예측하기 위한 복수의 머신 러닝 모델들을 생성하고, 상기 복수의 머신 러닝 모델들은 각각이 특정 제품에 대한 제 1 브랜드 정보 및 제 1 상태 정보를 입력 받은 것에 대한 응답으로, 특정 제품에 대한 가격 정보를 출력하도록 설정되고, 전자 장치의 상기 서버로의 접속을 식별하고, 상기 접속된 전자 장치로 상기 복수의 머신 러닝 모델들을 제공하는 단계;를 포함하고, 상기 전자 장치에서 제 1 제품에 대한 브랜드 정보 및 제 1 제품에 대한 상태 정보를 상기 복수의 머신 러닝 모델들로 입력된 것에 대한 응답으로, 상기 복수의 머신 러닝 모델들은 상기 제 1 제품에 대한 가격 정보를 반환하도록 설정된, 서버가 제공될 수 있다.

과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 출원의 일 실시예에 따르면, 전자 장치 및 그 동작 방법은 복수의 제품들 별로 거래와 연관된 정보들(예: 제품의 브랜드 정보, 제품의 상태 정보, 제품의 시세 정보)을 축적하고 축적된 정보들에 기반한 머신 러닝 모델을 생성하여, 머신 러닝 모델에 기반한 정확하고 신속한 중고 제품에 대한 가격 정보를 제공할 수 있다.

본 출원의 일 실시예에 따르면, 전자 장치 및 그 동작 방법은 현재 가격을 책정하고자 하는 중고 제품의 저명도 또는 현재 시점에 대응하는 계절과 관련된 정보와 같은 가격 책정에 유의미한 요소들을 기반으로, 특정 시구간의 정보들을 추출하여 더 정확한 가격 측정을 수행하는 머신 러닝 모델을 생성할 수 있다.

본 출원의 일 실시예에 따르면, 전자 장치 및 그 동작 방법은 사용자의 피드백 정보에 따라서 머신 러닝 모델을 재구성하여, 사용자에게 보다 더 적절한 가격 정보를 제공할 수 있다.

다양한 실시예들에 따르면, 효과가 상술한 효과로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 본 출원의 일 실시예에 따른 제품 가격 예측 시스템에 포함된 장치들의 일 예를 설명하기 위한 도면이다.
도 2는 본 출원의 일 실시예에 따른 서버의 일 예를 나타내는 블록도이다.
도 3은 본 출원의 일 실시예에 따른 전자 장치의 일 예를 나타내는 블록도이다.
도 4는 본 출원의 일 실시예에 따른 제품 가격 예측 시스템의 동작의 일 예를 설명하기 위한 흐름도이다.
도 5a는 본 출원의 일 실시예에 따른 서버의 머신 러닝 모델을 생성하는 동작의 개요를 설명하기 위한 도면이다.
도 5b는 본 출원의 일 실시예에 따른 서버의 머신 러닝 모델을 생성하는 동작의 일 예를 설명하기 위한를 도면이다.
도 6은 본 출원의 일 실시예에 따른 전자 장치의 서버로부터 수신된 머신 러닝 모델에 기반한 중고 제품에 대한 가격 예측을 수행하는 동작의 일 예를 설명하기 위한 도면이다.
도 7은 본 출원의 일 실시예에 따른 제품 가격 예측 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다.
도 8은 본 출원의 일 실시예에 따른 서버의 복수의 정보들 중 특정 시구간의 정보들을 추출하는 동작의 일 예를 설명하기 위한 도면이다.
도 9는 본 출원의 일 실시예에 따른 서버의 특정 제품에 대한 특정 시구간의 정보들이 존재하지 않는 경우, 인공 지능 모델의 생성을 위해서 유사 제품의 특정 시구간의 정보들을 추출하는 동작의 일 예를 설명하기 위한 도면이다.
도 10은 본 출원의 일 실시예에 따른 서버의 특정 제품에 대한 특정 시구간의 정보들이 존재하지 않는 경우, 인공 지능 모델의 생성을 위해서 유사 제품의 특정 시구간의 정보들을 추출하는 동작의 다른 예를 설명하기 위한 도면이다.
도 11은 본 출원의 일 실시예에 따른 제품 가격 예측 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다.
도 12는 본 출원의 일 실시예에 따른 제품 가격 예측 시스템의 정보를 추출하기 위한 특정 시구간을 조정하는 동작의 일 예를 설명하기 위한 도면이다.

본 명세서에 기재된 실시예는 본 출원이 속하는 기술 분야에서 통상의 지식을 가진 자에게 다양한 실시예들에 따르면, 사상을 명확히 설명하기 위한 것이므로, 본 출원이 본 명세서에 기재된 실시예에 의해 한정되는 것은 아니며, 범위는 다양한 실시예들에 따른 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.

본 명세서에서 사용되는 용어는 본 출원에서의 기능을 고려하여 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택하였으나 이는 본 출원이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 한다.

본 명세서에 첨부된 도면은 본 출원을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 다양한 실시예들에 따르면, 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 출원이 도면에 의해 한정되는 것은 아니다.

본 명세서에서 본 출원에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 다양한 실시예들에 따르면, 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다.

본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나","A 또는 B 중 적어도 하나,""A, B 또는 C," "A, B 및 C 중 적어도 하나,"및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.

본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치)에 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리 또는 외장 메모리)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램)로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치)의 프로세서(예: 프로세서)는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

1. 빅 데이터 및 머신 러닝 모델에 기반한 제품(예: 중고 제품) 가격 예측 시스템

이하에서는 본 출원의 일 실시예에 따른 제품 가격 예측 시스템에 대해서 설명한다.

본 명세서에서 제품 가격 예측 시스템은 다양한 브랜드 별 다양한 제품들에 대한 가격을 예측하여 제공하는 시스템으로 정의될 수 있다. 예를 들어, 제품 가격 예측 시스템은 특정 제품에 대한 다양한 종류의 정보(예: 제품의 브랜드, 제품의 상세 설명, 제품의 이미지, 제품의 시세)를 기반으로, 현재 중고 상태의 제품(이하, 중고 제품)에 대한 가격을 예측할 수 있다. 제품 가격 예측 시스템은 중고 제품(예: 중고 명품)에 대한 가격의 예측을 보다 정형화된 방법으로 더 정확하게 수행하기 위해 중고 제품의 가격을 예측하기 위한 머신 러닝 모델을 생성하고, 생성된 머신 러닝 모델에 기반하여 중고 제품의 가격을 예측할 수 있다.

이하에서는 제품 가격 예측 시스템에 대해서 더 구체적으로 설명한다.

2. 제품 가격 예측 시스템의 구성

도 1은 본 출원의 일 실시예에 따른 제품 가격 예측 시스템에 포함된 장치들의 일 예를 설명하기 위한 도면이다.

도 1을 참조하면, 제품 가격 예측 시스템은 서버(100), 전자 장치(200), 및 외부 서버(300)를 포함할 수 있다. 한편, 제품 가격 예측 시스템은 구현 목적에 따라서 도 1에 도시된 바와 같이 복수의 전자 장치들(예: 서버(100), 전자 장치(200)) 등으로 구성되는 시스템 타입(system type) 또는 도시된 바에 국한되지 않고 일 전자 장치(예: 전자 장치(200))로 구성되는 온 디바이스 타입(on-device type)으로 구현될 수 있는데, 이에 대해서는 “2.3 목차”에서 후술한다.

본 출원의 일 실시예에 따르면, 서버(100)는 복수의 브랜드 별 복수의 종류의 제품들에 대한 정보들(예: 제품별 브랜드 정보, 제품 별 설명 정보, 제품 별 이미지 정보, 제품 별 시세 정보)을 획득하고, 획득된 정보들을 기반으로 지정된(예: 가격 예측을 원하는) 제품에 대한 가격 예측을 수행할 수 있다. 서버(100)는 상기 획득된 복수의 브랜드 별 복수의 종류의 제품들에 대한 정보들을 기반으로 학습을 수행하여 머신 러닝 모델을 생성하고, 생성된 머신 러닝 모델에 지정된 제품에 대한 정보(예: 지정된 제품의 브랜드 정보, 지정된 제품의 설명 정보, 지정된 제품의 이미지 정보, 지정된 제품의 시세 정보)를 입력하여 반환되는 지정된 제품에 대한 가격을 제공할 수 있다.

본 출원의 일 실시예에 따르면, 전자 장치(200)는 상기 서버(100)와 통신 가능하며 사용자(예: 제품 가격 예측 시스템에 대한 수요자)가 이용 가능한 다양한 종류의 전자 장치(201, 202, 203)를 포함할 수 있다. 상기 전자 장치는 개인용 단말들(예: 스마트 폰(201) 등), 고정된 위치에 구비되는 전자 장치들(예: PC(202) 등), 이동 가능한 개인용 노트북(203)을 포함할 수 있다. 예를 들어, 상기 전자 장치(200)는 학습자에 대한 설문을 진행하기 위해, 학습자 또는 교육자에 의해 이용되는 전자 장치일 수 있다. 상기 전자 장치(200)는 상기 서버(100)로의 접속 시 서버(100)에서 학습이 완료된 머신 러닝 모델을 수신하고, 수신된 머신 러닝 모델을 기반으로 사용자가 지정한 제품에 대한 가격 예측 동작을 수행할 수 있다. 상기 전자 장치(200)는 사용자로부터 지정된 제품에 대한 정보들(예: 지정된 제품의 브랜드 정보, 지정된 제품의 설명 정보, 지정된 제품의 이미지 정보, 지정된 제품의 시세 정보)을 수신하고, 수신된 정보들을 머신 러닝 모델에 입력하여 반환되는 지정된 제품에 대한 가격 정보를 제공할 수 있다.

본 출원의 일 실시예에 따르면, 외부 서버(300)는 서버(100)로 다양한 브랜드 별 다양한 종류의 제품들에 대한 정보를 제공할 수 있다. 예를 들어, 상기 외부 서버(300)는 브랜드 별로 연관된 기업에 의해 운용되며 브랜드 별 제품들에 대한 정보들(예: 제품별 브랜드 정보, 제품 별 설명 정보, 제품 별 이미지 정보, 제품 별 시세 정보)을 축적하는 서버이거나, 브랜드 별 제품들에 대한 정보들과 제품들의 시세를 관리하는 써드 파티(third-party)에 의해 운용되는 서버일 수 있다.

한편, 도 1에 도시된 제품 가격 예측 시스템에 포함된 장치들에 국한되지 않고, 광고시스템은 더 많은 장치들 또는 더 적은 장치를 포함하도록 구현될 수도 있다.

이하에서는 서버(100) 및 전자 장치(200)의 동작을 수행하기 위한 구성들의 일 예에 대해서 설명한다. 외부 서버(300)의 구성의 경우, 서버(100) 또는 전자 장치(200)의 구성과 같이 구현될 수 있으므로 중복되는 설명은 생략한다.

2.1. 서버(100) 의 구성들의 일 예

이하에서는 먼저 서버(100)의 구성들의 일 예에 대해서 설명한다.

도 2는 본 출원의 일 실시예에 따른 서버(100)의 일 예를 나타내는 블록도이다. 한편 도 2에 도시된 바에 국한되지 않고, 서버(100)는 도시된 구성들 보다 더 적은 구성 또는 더 많은 구성들을 포함할 수 있다.

도 2를 참조하면, 일 실시예에 따르면 서버(100)는 제 1 통신 회로(110), 인터페이스 제공 모듈(121), 정보 획득 모듈(122), 정보 처리 모듈(123), 및 학습 모듈(124)을 포함하는 제 1 제어 회로(120), 데이터 베이스(125)를 포함할 수 있다. 한편, 이하에서 설명되는 서버(100)의 제 1 제어 회로(120)에 포함되는 모듈들(예: 인터페이스 제공 모듈(121), 정보 획득 모듈(122), 정보 처리 모듈(123), 및 학습 모듈(124))은 상기 제 1 제어 회로(120)가 모듈과 연관된 동작을 수행하도록 제어할 수 있다. 다시 말해, 상기 모듈들은 상기 모듈과 연관된 동작을 수행하도록 제어하기 위한 프로그램, 컴퓨터 판독 가능한 코드, 프로세스 내지는 인스트럭션(instructions)들로 구현되며, 상기 모듈들이 상기 제 1 제어 회로(120)에 의해 실행되는 경우, 상기 제어 회로(120)가 상기 모듈과 연관된 동작을 수행하도록 제어할 수 있다.

상기 제 1 통신 회로(120)는 외부 기기와 통신할 수 있다. 예를 들면, 제 1 통신 회로(120)는 무선 통신 또는 유선 통신을 통해서 네트워크에 연결되어 외부 장치(예: 전자 장치(200))와 통신을 설정하여, 설정된 통신을 통해 전자 장치(200)가 접속되는 경우 전자 장치(200)로 후술될 가격 예측을 위한 머신 러닝 모델을 송신할 수 있다. 상기 무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 한 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 한실시예에 따르면, 무선 통신은 GNSS를 포함할 수 있다. GNSS는, 예를 들면, GPS(Global Positioning System), Glonass(Global Navigation Satellite System), Beidou Navigation Satellite System(이하 "Beidou") 또는 Galileo, the European global satellite-based navigation system일 수 있다. 이하, 본 문서에서는, "GPS"는 "GNSS"와 상호 호환적으로 사용될 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 네트워크는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.

상기 제 1 제어 회로(120)는 서버(100)의 전반적인 동작을 제어할 수 있다. 이를 위해 제 1 제어 회로(120)는 각종 정보의 연산 및 처리를 수행하고 서버(100)의 구성 요소들(예: 제 1 통신 회로(110))의 동작을 제어할 수 있다. 제 1 제어 회로(120)는 하드웨어, 소프트웨어, 또는 이들의 조합에 따라 컴퓨터나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 상기 제 1 제어 회로(120)는 전기적인 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태(예: CPU 등)로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적인 상기 제 1 제어 회로(120)를 구동시키는 프로그램 형태로 제공될 수 있다. 한편, 이하의 설명에서 특별한 언급이 없는 경우에는 서버(100)의 동작은 상기 제 1 제어 회로(120)의 제어에 의해 수행되는 것으로 해석될 수 있다.

상기 제 1 제어 회로(120)는 인터페이스 제공 모듈(121)을 포함하며, 상기 인터페이스 제공 모듈(121)은 후술될 머신 러닝 모델을 포함하며 소정의 정보(예: 지정된 제품의 브랜드 정보, 지정된 제품의 설명 정보, 지정된 제품의 이미지 정보, 지정된 제품의 시세 정보)를 획득하고 지정된 제품에 대한 가격 정보를 제공하기 위한 인터페이스들을 제공하도록 설정된 프로그램을 제공할 수 있다. 예를 들어, 상기 프로그램은 특정 정보를 수신하기 위한 GUI(graphic user interface)들을 포함할 수 있다. 예를 들어, 상기 GUI(graphic user interface)들은 정보(예: 가격 예측 대상인 중고 제품에 대한 정보)를 획득하기 위한 텍스트 필드를 포함할 수 있다. 또 예를 들어, 상기 GUI(graphic user interface)들은 정보에 대한 파일을 업로드하기 위한 윈도우(window)를 포함할 수 있다. 또 예를 들어, 상기 프로그램은 프로그램에 포함된 머신 러닝 모델을 기반으로 상기 GUI들을 통해서 수신된 특정 중고 제품에 대한 중고 가격을 예측하여 제공(예: 표시)할 수 있다. 사용자가 이용하는 전자 장치(200)는 상기 인터페이스 제공 모듈(121)로부터 프로그램을 수신하고, 수신된 프로그램의 실행에 기반하여 표시되는 GUI들을 통해서 가격을 예측하고자 하는 중고 제품에 대한 정보들을 기입하고, 정보의 기입의 결과로서 머신 러닝 모델에 의해 반환되는 가격 정보를 표시할 수 있다. 이에 대해서는 도 4 내지 도 6에서 후술한다.

또, 상기 제 1 제어 회로(120)는 정보 획득 모듈(122)을 포함하며, 상기 정보 획득 모듈(122)은 머신 러닝 모델을 생성하기 위한 각종 정보들(예: 복수의 제품들 별 브랜드 정보, 복수의 제품들 별 설명 정보, 복수의 제품들 별 이미지 정보, 복수의 제품들 별 시세 정보)을 상기 제 1 통신 회로(110)를 통해서 외부 서버(300)로부터 획득하여, 분석을 위해 정보 처리 모듈(123)로 전달할 수 있다.

또, 상기 제 1 제어 회로(120)는 정보 처리 모듈(123)을 포함하고, 상기 정보 처리 모듈(123)은 정보 획득 모듈(122)로부터 전달 받은 정보들 중 학습될 대상의 특정 정보들을 추출하여 추출된 정보들을 기반으로 머신 러닝 모델 학습 동작이 수행되도록 할 수 있다. 예를 들어, 상기 정보 처리 모듈(123)은 수집된 정보들 중 유의미한 시구간의 정보들만을 추출하여 추출된 정보들을 기반으로 머신 러닝 모델을 생성하여, 보다 더 정확하게 중고 제품에 대한 가격 예측 동작이 수행되도록 할 수 있다. 상기 시구간의 정보들만을 추출하여 머신 러닝 모델 학습을 수행하는 동작에 대해서는, 도 7 내지 도 12에서 후술한다.

또, 상기 제 1 제어 회로(120)는 학습 모듈(124)을 포함하고, 상기 학습 모듈(124)은 상기 정보 처리 모듈(123)에 의해 정보들을 트레이닝 데이터로하여 학습을 수행할 수 있다. 상기 학습은 지도 학습 알고리즘(supervised algorithms), 비지도 학습 알고리즘(unsupervised algorithms), 및 강화 학습 알고리즘(reinforcement algorithms)와 같은 머신 러닝 알고리즘을 기반으로 수행될 수 있다.

상기 데이터베이스(125)는 상술한 각종 정보(예: 복수의 제품들 별 브랜드 정보, 복수의 제품들 별 설명 정보, 복수의 제품들 별 이미지 정보, 복수의 제품들 별 시세 정보)를 저장할 수 있다. 데이터베이스는 데이터를 임시적으로 또는 반영구적으로 저장할 수 있다. 예를 들어, 서버(100)의 데이터베이스(125)에는 서버(100)를 구동하기 위한 운용 프로그램(OS: Operating System), 웹 사이트를 호스팅하기 위한 데이터나 프로그램 내지는 어플리케이션(예를 들어, 웹 어플리케이션)에 관한 데이터 등이 저장될 수 있다. 상기 데이터베이스(125)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 이러한 데이터베이스는 내장 타입 또는 탈부착 가능한 타입으로 제공될 수 있다.

2.2 전자 장치(200)의 구성의 일 예

이하에서는 전자 장치(200)의 구성들의 일 예에 대해서 설명한다.

도 3은 본 출원의 일 실시예에 따른 전자 장치(200)의 일 예를 나타내는 블록도이다. 한편 도 3에 도시된 바에 국한되지 않고, 전자 장치(200)는 도시된 구성들 보다 더 적은 구성 또는 더 많은 구성들을 포함할 수 있다.

도 3을 참조하면, 일 실시예에 따르면 전자 장치(200)는 제 2 통신 회로(210), 제 2 제어 회로(220), 입력 장치(230), 및 디스플레이(240)를 포함할 수 있다.

상기 제 2 통신 회로(210)는 외부 장치들(예: 서버(100))과 통신을 설정할 수 있다. 상기 제 2 통신 회로(210)는 서버(100)와 통신 연결을 설정하여 접속하고, 상기 서버(100)로부터 인터페이스를 제공하고 중고 제품에 대한 가격 예측을 수행하기 위한 프로그램을 수신할 수 있다. 상기 제 2 통신 회로(210)는 상술한 서버(100)의 제 1 통신 회로(110)와 같이 구현될 수 있으므로 중복되는 설명은 생략한다.

상기 제 2 제어 회로(220)는 전자 장치(200)의 전반적인 동작을 제어할 수 있다. 상기 제 2 제어 회로(220)는 상기 전자 장치(200)의 제 1 제어 회로(120)와 같이 구현될 수 있으므로, 중복되는 설명은 생략한다.

상기 입력 장치(230)는 사용자로부터 정보를 입력 받을 수 있다. 상기 입력 장치(230)는 사용자 입력을 받거나 또는 사용자에게 정보를 출력하는 각종 인터페이스나 연결 포트 등일 수 있다. 상기 입력 장치(230)는 입력 모듈과 출력 모듈로 구분될 수 있는데, 입력 모듈은 사용자로부터 사용자 입력을 수신한다. 사용자 입력은 키 입력, 터치 입력, 음성 입력을 비롯한 다양한 형태로 이루어질 수 있다. 이러한 사용자 입력을 받을 수 있는 입력 모듈의 예로는 전통적인 형태의 키패드나 키보드, 마우스는 물론, 사용자의 터치를 감지하는 터치 센서, 음성 신호를 입력받는 마이크, 영상 인식을 통해 제스처 등을 인식하는 카메라, 사용자 접근을 감지하는 조도 센서나 적외선 센서 등으로 구성되는 근접 센서, 가속도 센서나 자이로 센서 등을 통해 사용자 동작을 인식하는 모션 센서 및 그 외의 다양한 형태의 사용자 입력을 감지하거나 입력받는 다양한 형태의 입력 수단을 모두 포함하는 포괄적인 개념이다. 여기서, 터치 센서는 디스플레이 패널에 부착되는 터치 패널이나 터치 필름을 통해 터치를 감지하는 압전식 또는 정전식 터치 센서, 광학적인 방식에 의해 터치를 감지하는 광학식 터치 센서 등으로 구현될 수 있다. 이 경우, 상기 입력 장치(230)는 후술할 디스플레이(240) 내에 구현되어 사용자의 터치 입력을 수신할 수 있다. 다시 말해, 디스플레이(240)는, 상기 입력 장치(230)로서 터치 스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치, 제스쳐, 근접, 또는 호버링 입력을 수신할 수 있다. 이외에도 상기 입력 장치(230)는 자체적으로 사용자 입력을 감지하는 장치 대신 사용자 입력을 입력받는 외부의 입력 장치를 연결시키는 입력 인터페이스(USB 포트, PS/2 포트 등)의 형태로 구현될 수도 있다.

상기 디스플레이(240)는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 유기 발광 다이오드(OLED) 디스플레이, 또는 마이크로 전자기계 시스템 (MEMS) 디스플레이, 또는 전자종이(electronic paper) 디스플레이를 포함할 수 있다. 상기 디스플레이(240)는, 사용자에게 정보를 입력 받기 위한 창(예: 설문 창)을 포함하는 인터페이스, 추천 교육 컨텐트를 시각적으로 구성한 인터페이스 등을 표시할 수 있다.

2.3 제품 가격 예측 시스템의 구현 예

제품 가격 예측 시스템은 상술한 바와 같이 시스템 타입 또는 온 디바이스 타입으로 구현될 수 있다.

일 실시예에 따르면 상술한 바와 같이 제품 가격 예측 시스템이 서버(100) 및 전자 장치(200)로 구성되는 경우, 제품 가격 예측 시스템은 시스템 타입으로 정의될 수 있다. 다시 말해, 시스템 타입에서 서버(100)가 가격 예측을 위한 제품 별 정보들을 획득하여 인공 지능 모델을 생성하고, 생성된 인공 지능 모델을 전자 장치(200)로 제공할 수 있다. 전자 장치(200)는 전달 받은 인공 지능 모델에 기반하여 특정 중고 제품에 대한 가격 예측을 수행할 수 있다.

또 일 실시예에 따르면, 상술한 구성들이 하나의 물리적 장치에 구현되는 경우, 제품 가격 예측 시스템은 온 디바이스(On-device) 타입으로 정의될 수 있다. 예를 들어, 서버(100)의 구성들(예: 제 1 제어 회로(120))이 전자 장치(200)에 구현 가능하며, 이 경우 제품 가격 예측 시스템은 온 디바이스(On-device)타입으로 정의될 수 있다. 이 경우, 전자 장치(200)가 제품의 가격 예측을 위한 인공 지능 모델을 생성하고, 생성된 인공 지능 모델을 기반으로 특정 중고 제품의 현재 중고 가격을 예측할 수 있다.

또 기재된 바에 국한되지 않고, 제품 가격 예측 시스템은 바와 같이 시스템 타입 및 온 디바이스 타입의 하이브리드 타입으로 구현될 수 있다. 예를 들어, 서버(100)의 적어도 하나의 구성(예: 제 1 제어 회로(120))이 전자 장치(200)에 구현되되 다른 구성(예: 데이터 베이스(125))은 서버(100)에 구현되는 형태는, 하이브리드 타입으로 정의될 수 있다.

3. 제품 가격 예측 시스템의 동작

이하에서는 제품 가격 예측 시스템을 구성하는 장치들(예: 서버(100), 전자 장치(200), 및 외부 서버(300))의 동작의 다양한 예들에 대해서 설명한다.

3.1. 제 1 실시예 <중고 제품 가격 예측 동작>

일 실시예에 따르면, 서버(100)는 복수의 브랜드 별 제품들에 대한 정보를 획득하고, 획득된 정보를 기반으로 제품(예: 중고 제품)의 가격 예측을 위한 복수의 인공 지능 모델들(예: 510)(또는, 머신 러닝 모델)을 생성할 수 있다. 서버(100)는 생성된 복수의 인공 지능 모델들을 전자 장치(200)로 제공하고, 전자 장치(200)는 특정 중고 제품에 대한 정보를 상기 복수의 인공 지능 모델들 중 일부(예: 특정 중고 제품에 대응하는 인공 지능 모델)에 입력하여 반환되는 특정 중고 제품에 대한 가격에 대한 정보를 획득할 수 있다.

도 4는 본 출원의 일 실시예에 따른 제품 가격 예측 시스템의 동작의 일 예를 설명하기 위한 흐름도이다. 다양한 실시예들에 따르면 제품 가격 예측 시스템의 동작은 도 4에 도시되는 동작의 순서에 국한되지 않고, 도시되는 순서와 다른 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면, 도 4에 도시되는 제품 가격 예측 시스템의 동작 보다 더 많은 동작들이 수행되거나, 또는 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는 도 5 내지 6을 참조하여 도 4에 대해서 설명한다.

도 5a는 본 출원의 일 실시예에 따른 서버(100)의 머신 러닝 모델을 생성하는 동작의 개요를 설명하기 위한 도면이다. 도 5b는 본 출원의 일 실시예에 따른 서버(100)의 머신 러닝 모델을 생성하는 동작의 일 예를 설명하기 위한를 도면이다. 도 6은 본 출원의 일 실시예에 따른 전자 장치(200)의 서버(100)로부터 수신된 머신 러닝 모델에 기반한 중고 제품에 대한 가격 예측을 수행하는 동작의 일 예를 설명하기 위한 도면이다.

일 실시예에 따르면, 서버(100)는 401 동작에서 중고 가격 예측을 위한 인공 지능 모델을 생성하기 위한, 제품 별 복수의 정보들을 획득하고, 402 동작에서 중고 가격 예측을 위한 획득된 제품 별 복수의 정보들을 기반으로 학습을 수행하여, 인공 지능 모델을 생성할 수 있다. 이하에서는 도 5a 내지 도 5b를 참조하여, 서버(100)의 머신 러닝 모델을 생성하는 동작의 개요에 대해서 설명한다.

일 실시예에 따르면 서버(100)는 도 5a에 도시된 바와 같이, 데이터 수집, 분석 데이터 셋 추출 및 전처리, 기초 통계 및 EDA, 후보 인자 선별, 및 예측 모형 개발 및 시각화 적용 순서대로 동작을 수행하여, 유의미한 데이터를 추출하고 가격 예측을 위한 머신 러닝 모델을 생성할 수 있다. 이하에서는 각각의 동작들에 대해서 설명한다.

일 실시예에 따르면, 서버(100)(예: 정보 획득 모듈(122))는 도 5b에 도시된 바와 같이 외부 서버(300)로부터 로우 데이터로서 제품들 별로 중고 거래 시 발생된 및/또는 획득된 거래 정보들을 획득할 수 있다. 즉, 중고 거래 시 중고 거래된 제품들에 대한 제품들에 대한 정보들이 외부 서버(300)에 축적될 수 있으며, 축적된 정보가 상기 서버(100)로 전달될 수 있다. 예를 들어, 거래 정보들은 특정 제품에 대한 중고 거래 시마다 발생되며, 거래된 제품의 브랜드 정보, 거래된 제품의 설명 정보, 이미지 정보, 및 거래 당시의 시세 정보를 포함할 수 있다. 상기 거래 정보들은 거래 당사자에 의해 서버(예: 외부 서버(300))에 등록 가능하며, 거래 정보들은 거래가 수행된 시간 정보를 포함할 수 있다. 상기 시간 정보는 거래 년도, 거래 월, 거래 일, 더 상세하게는 거래 시간, 거래 초에 대한 정보를 포함할 수 있다. 이에 따라, 서버(100)는 상기 외부 서버(300)에 등록된 거래 정보들을 수집할 수 있다. 상기 제품 별 브랜드 정보는 제품들이 속하는 브랜드, 상기 브랜드를 소유하는 기업 또는 업종에 대한 정보를 포함할 수 있다. 상기 제품 별 설명 정보는 상기 제품에 대한 상세 설명으로서, 제품의 스펙(예: 크기, 소재 등), 제품에 대한 다양한 상태 정보(예: 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 등)를 포함할 수 있다. 상기 제품별 이미지 정보는 상기 제품의 실사 이미지를 포함할 수 있다. 상기 실사 이미지로부터는 제품에 대한 다양한 평가 정보(예: 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 등)가 식별될 수 있다. 상기 제품 별 시세 정보는 상기 제품의 원래 가격에 대한 정보, 및 상기 제품이 출시된 시점부터 특정 시점까지 중고로 거래된 제품의 중고 시가에 대한 정보를 포함할 수 있다.

일 실시예에 따르면, 서버(100)(예: 정보 처리 모듈(123))는 도 5b에 도시된 바와 같이 수집된 로우 데이터로부터 분석 데이터 셋(예: 특징 데이터)을 추출하고, 전처리(예: 학습을 수행할 데이터 형식으로 변환)를 수행할 수 있다. 상기 분석 데이터 셋은 상기 로우 데이터들 중 제품 별로 가격을 예측하기 위한 유의미한 데이터 셋으로 정의될 수 있다. 예를 들어, 서버(100)는 추출된 분석 데이터 셋으로서, 제품 별 시세 정보를 획득하고 제품별 시세 정보를 기초 통계 및 EDA(exploratory data analysis)를 기반으로 분석하여 제품 별 시세 변동 정보, 제품 별 시세 분산을 식별할 수 있다. 또 예를 들어, 서버(100)는 추출된 분석 데이터 셋으로서, 제품 별 가격에 유의미한 영향을 주는 정보들(예: 브랜드 정보, 다양한 평가 정보)을 식별할 수 있다. 일 예로, 서버(100)는 상기 이미지 정보, 또는 상기 상세 정보로부터 상기 다양한 평가 정보를 분석하여 추출할 수 있다. 즉 서버(100)는 로우 데이터로부터, 시세 변동성, 브랜드 정보, 및 다양한 평가 정보(또는, 상태 등급)(예: 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 등) 등을 추출하고, 추출된 정보들을 트레이닝 데이터(training data)로하여 예측 모형(예: 머신 러닝 모델)을 생성할 수 있다. 예를 들어, 서버(100)(예: 학습 모듈(124))는 도 5b에 도시된 바와 같이 최종적으로 획득된 제품 별 시세 변동 정보 또는 가격 정보(예: 311, 312)를 아웃풋 데이터로 하고, 브랜드 정보, 또는 다양한 평가 정보(또는, 상태 등급)(예: 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 등)(예: 501, 502, 503, 504) 중 적어도 하나를 인풋 데이터로 하여 머신 러닝을 수행할 수 있다. 상기 머신 러닝은 인풋 데이터 각각과 아웃풋 데이터 간의 연관도를 식별하고, 식별된 연관도에 기반하여 상술한 인풋 데이터 별로 아웃풋 데이터에 대한 가중치를 부여하여 복수의 모델들을 생성하는 과정일 수 있다. 예를 들어, 서버(100)는 서로 다른 종류의 정보들을 인풋 데이터로 하고, 제품 별 시세 변동 정보 또는 가격 정보(예: 311, 312)를 아웃풋 데이터로 하여, 서로 다른 종류의 정보들 별로 아웃풋 데이터에 대한 가중치를 부여함으로써 모델들을 생성할 수 있다. 일 예로, 서버(100)는 제품의 부속품 결여 정도를 인풋 데이터로 하고, 이에 대응하는 제품의 시세 정보 또는 가격 정보를 아웃풋 데이터로 하여 가중치를 부여할 수 있다. 다른 예로, 서버(100)는 수선 정도를 인풋 데이터로 하고, 이에 대응하는 제품의 시세 정보 또는 가격 정보를 아웃풋 데이터로 하여 가중치를 부여할 수 있다. 결과적으로 서버(100)는 도 5b에 도시된 바와 같이 각 제품 별 시세 변동 정보를 예측하기 위한 복수 개의 인공 지능 모델들(510)(또는, 머신 러닝 모델들)을 획득할 수 있다. 상기 복수 개의 인공 지능 모델들(510)은 상술한 인풋 데이터들인 브랜드 정보, 또는 다양한 평가 정보(또는, 상태 등급)(예: 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 등)(예: 501, 502, 503, 504) 별로 제품에 대한 가격 정보에 대한 가중치를 포함할 수 있다. 복수 개의 인공 지능 모델들(510) 각각은 각각과 연관된 제품과 연관된 브랜드 정보 또는 다양한 상태 정보(또는, 상태 등급) 중 적어도 하나를 입력 받은 것에 대한 응답으로, 상기 입력 받은 정보들에 대한 제품의 시세 정보 또는 가격 정보에 대한 가중치를 식별하고, 식별된 가중치를 합산하여 제품의 현재 예측되는 중고 가격 정보 및/또는 시계열적인 중고 가격 정보를 출력하도록 구현될 수 있다. 서버(100)는 학습한 트레이닝 데이터와는 다른 테스트 데이터(test data)를 이용하여 상기 예측 모형에 대한 정확도를 검증할 수 있다. 또, 서버(100)는 생성된 예측 모형에 기반하여 출력되는 제품의 가격에 대한 정보를 시각화 할 수 있다.

일 실시예에 따르면, 서버(100)는 403 동작에서 생성된 인공 지능 모델을 전자 장치(200)로 전송할 수 있다. 전자 장치(200)의 사용자는 전자 장치(200)를 이용하여 서버(100)로 접속할 수 있다. 서버(100)는 전자 장치(200)의 접속에 기반하여 전자 장치(200)를 인증하고, 전자 장치(200)가 인증되는 경우 인터페이스 제공 모듈(121)을 이용하여 생성된 복수의 인공 지능 모델들(510)을 포함하는 프로그램(611)을 전자 장치(200)로 전송할 수 있다.

일 실시예에 따르면, 전자 장치(200)는 404 동작에서 현재 가격을 산정하기 위한 제 1 제품에 대한 복수의 정보를 수신할 수 있다. 전자 장치(200)는 서버(100)는 인공 지능 모델들(510)을 포함하는 프로그램을 실행하고, 실행된 프로그램에 기반하여 도 6의 601에 도시된 바와 같이 현재 사용자가 가격을 예측하기를 원하는 제품(예: 중고 제품)에 대한 정보들을 입력 받을 수 있다. 예를 들어, 전자 장치(200)는 특정 제품에 대한 이미지 정보를 입력 받기 위한 윈도우, 브랜드 정보와 상세 정보를 입력 받기 위한 텍스트 필드 등을 표시할 수 있다. 사용자는 상기 표시된 윈도우 상에 이미지 파일을 업로드하거나, 텍스트 필드 상에 가상 키보드(SIP)를 이용하여 정보들(예: 브랜드 정보, 상세 정보)을 기입할 수 있다. 일 예로, 사용자는 특정 제품을 육안으로 관찰하고, 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도와 같은 상태 정보를 식별하여, 식별된 상태 등급을 상기 상세 정보로서 텍스트 필드 상에 기입할 수 있다. 전자 장치(200)에 카메라가 구비된 경우, 전자 장치(200)는 카메라를 이용하여 특정 제품을 촬영하고, 촬영된 결과로서 특정 제품에 대한 이미지 정보를 자동으로 획득할 수 있다. 또, 전자 장치(200)에 마이크가 구비된 경우 전자 장치(200)는 마이크를 이용하여 제품에 대한 음성 정보를 수신하고, 수신된 음성 정보를 분석(예: ASR(auto speech recognition))하여 수신된 음성 정보에 기반하여 자동으로 브랜드 정보와 상세 정보들을 획득할 수도 있다.

일 실시예에 따르면, 전자 장치(200)는 405 동작에서 수신된 복수의 정보 및 수신된 인공 지능 모델에 기반하여, 제 1 제품의 예측 가격에 대한 정보를 획득할 수 있다. 예를 들어, 전자 장치(200)는 상기 실행된 프로그램에 기반하여, 입력된 정보들(예: 이미지 정보, 브랜드 정보, 및 상세 정보)에 기반하여 복수의 인공 지능 모델들에 입력할 정보들을 추출할 수 있다. 예를 들어, 전자 장치(200)는 입력된 이미지 정보와 상세 정보로부터 특정 제품에 대한 다양한 상태 정보(또는, 상태 등급)(예: 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 등)를 추출할 수 있다. 일 예로, 전자 장치(200)는 특정 제품에 대한 이미지 정보를 분석하여 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 등을 평가하고, 평가 결과로서 상태 정보들을 추출할 수 있다. 다른 예로, 전자 장치(200)는 상세 정보로 기입된 텍스트로부터, 평가 정보들을 추출할 수 있다. 전자 장치(200)는 브랜드 정보, 다양한 평가 정보들(621, 622, 623, 624)를 도 6의 602에 도시된 바와 같이 복수의 인공 지능 모델들(510)에 입력하고, 복수의 인공 지능 모델들 중 일부(예: 특정 제품에 대응하는 인공 지능 모델)은 상기 입력된 정보들에 기반하여 가중치를 계산하여 결과적으로 특정 제품에 대한 가격 정보(625)를 반환할 수 있다.

일 실시예에 따르면, 전자 장치(200)는 406 동작에서 제 1 제품의 현재 가격에 대한 정보를 표시할 수 있다. 전자 장치(200)는 도 6의 603에 도시된 바와 같이 실행 중인 프로그램의 실행 화면 상에, 상기 특정 제품에 대한 가격 정보를 표시하여 사용자가 인식하도록 할 수 있다.

3.2 제 2 실시예 <인공 지능 모델 생성시, 특정 시구간의 정보만을 추출하는 동작>

전술한 제품 가격 예측 시스템의 동작들은 제 2 실시예에 준용될 수 있으므로, 중복되는 설명은 생략한다.

일 실시예에 따르면, 서버(100)는 수신된 제품들에 대한 복수의 정보들 중에서, 특정 시구간의 정보만을 추출하여 복수의 인공 지능 모델들을 생성하여 가격 예측 정확도가 높은 인공 지능 모델들을 생성할 수 있다. 예를 들어, 현재 시점의 계절이 가을인 경우, 가을에 대응하는 시구간의 정보들이 가격 예측에 더 유의미한 결과를 가져올 수 있다. 따라서, 서버(100)는 가을에 대응하는 시구간의 정보들만을 추출하여 인공 지능 모델을 생성할 수 있다.

도 7은 본 출원의 일 실시예에 따른 제품 가격 예측 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다. 다양한 실시예들에 따르면 제품 가격 예측 시스템의 동작은 도 7에 도시되는 동작의 순서에 국한되지 않고, 도시되는 순서와 다른 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면, 도 7에 도시되는 제품 가격 예측 시스템의 동작 보다 더 많은 동작들이 수행되거나, 또는 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는 도 8 내지 도 10를 참조하여 도 7에 대해서 설명한다.

도 8은 본 출원의 일 실시예에 따른 서버(100)의 복수의 정보들 중 특정 시구간의 정보들을 추출하는 동작의 일 예를 설명하기 위한 도면이다. 도 9는 본 출원의 일 실시예에 따른 서버(100)의 특정 제품에 대한 특정 시구간의 정보들이 존재하지 않는 경우, 인공 지능 모델의 생성을 위해서 유사 제품의 특정 시구간의 정보들을 추출하는 동작의 일 예를 설명하기 위한 도면이다. 도 10은 본 출원의 일 실시예에 따른 서버(100)의 특정 제품에 대한 특정 시구간의 정보들이 존재하지 않는 경우, 인공 지능 모델의 생성을 위해서 유사 제품의 특정 시구간의 정보들을 추출하는 동작의 다른 예를 설명하기 위한 도면이다.

일 실시예에 따르면, 서버(100)는 701 동작에서 중고 가격 예측을 위한 인공 지능 모델을 생성하기 위한, 제품 별 복수의 정보들을 획득할 수 있다. 예를 들어, 서버(100)는 로우 데이터로서 제품 별 브랜드 정보, 제품 별 설명 정보, 제품 별 이미지 정보, 및 제품 별 시세 정보를 수집할 수 있다. 일 예로, 서버(100)는 도 8에 도시된 바와 같이, 특정 제품(811)에 대해서 특정 제품이 런칭(또는, 판매가 개시)된 시점부터 현재 시점까지 존재하는 중고 거래 정보들(812, 813, 814, 815, 816)을 획득하고, 획득된 거래 정보들로부터 제품의 브랜드 정보, 제품의 설명 정보(예: 변색, 이염, 태닝, 흠집, 마모, 얼룩, 부속품 결여 정도, 수선 정도 등에 대한 정보), 이미지 정보, 거래 당시의 시세 정보를 추출할 수 있다. 예를 들어, 거래 정보들은 특정 제품에 대한 중고 거래 시마다 발생되며, 거래된 제품의 브랜드 정보, 거래된 제품의 설명 정보, 이미지 정보, 및 거래 당시의 시세 정보를 포함할 수 있다. 상기 거래 정보들은 거래 당사자에 의해 서버(예: 외부 서버(300))에 등록 가능하며, 거래 정보들은 거래가 수행된 시간 정보를 포함할 수 있다. 상기 시간 정보는 거래 년도, 거래 월, 거래 일, 더 상세하게는 거래 시간, 거래 초에 대한 정보를 포함할 수 있다. 서버(100)는 상기 외부 서버(300)에 등록된 거래 정보들을 수집할 수 있다. 그외 서버(100)의 701 동작은 상술한 서버(100)의 401 동작과 같이 수행될 수 있으므로 중복되는 설명은 생략한다.

일 실시예에 따르면, 서버(100)는 702 동작에서 획득된 제품 별 복수의 정보들 중에서 특정 제품의 복수의 정보들에 대한 학습을 수행할 특정 시구간을 식별할 수 있다. 예를 들어, 서버(100)는 현재 시점이 속하는 계절에 대한 정보, 특정 제품(811)이 속하는 브랜드의 저명도 등 다양한 요소들을 기반으로, 특정 제품(811)이 런칭된 시점부터 현재 시점까지의 시구간 중 특정 제품(811)의 중고 가격을 평가하는 데에 유의미한 특정 시구간(예: p1)을 판단할 수 있다. 예를 들어, 서버(100)는 아래의 수학식 1 내지 3과 같이 상기 특정 시구간(p1)의 개시 시점과 종료 시점을 식별하여, 특정 시구간을 식별할 수 있다.

상기 수학식 1 내지 3에서 시점들(거래 정보가 발생된 시점, 제품 런칭 시점)은 일 단위로 기재하였으나, 상술한 바와 같이 거래 정보는 년, 월, 시, 초 단위로 분류 가능하므로 상기 시점들은 년/월/시/초 단위로 계산될 수도 있다.

일 실시예에 따르면, 서버(100)는 상기 수학식 1 내지 3을 참조하면, 서버(100)는 수집된 복수의 거래 정보들(812, 813, 814, 815, 816)(예: 거래 정보n, 여기서 n은 발생된 각각의 거래 정보들을 구분하는 number)의 발생 시점에 상기 거래 정보들의 발생 시점 별로 계산되는 저명도를 반영한 결과에 따라 계산되는 시간(예: 일 수)를 제품 런칭 시점에 더함으로써 특정 시구간(p1)의 개시 시점을 계산할 수 있다. 예를 들어, 서버(100)는 상기 특정 제품의 광고 노출 정도, SNS 노출 정도와 같은 매체에 노출된 횟수를 다른 서버(예: 외부 서버(300))로부터 검색하여 식별하고, 식별된 노출 횟수에 기반하여 상기 특정 제품의 저명도를 계산할 수 있다. 서버(100)는 웹-크롤링(web-crawling) 동작을 수행하여, 특정 제품이 광고에 노출된 횟수와 SNS에 노출된 횟수를 계산할 수 있다. 서버(100)는 상기 횟수 계산에 기반하여, 현재 시점(예: 제품의 가격을 예측하는 현재 시점, 또는 모델을 이용하는 시점)까지의 노출된 횟수를 식별하고, 특정 거래 정보가 발생된 시점까지의 노출된 횟수를 식별함으로써 상기 특정 제품의 저명도를 계산할 수 있다. 또, 서버(100)는 가장 저명도가 높은 거래 정보가 발생된 시점을 특정 시구간(p1)의 종료 시점으로 식별할 수 있다. 이에 따라, 서버(100)는 식별된 특정 시구간(p1)의 개시 시점과 종료 시점에 기반하여, 특정 시구간(p1)을 판단할 수 있다. 이에 따라, 서버(100)는 중고 제품의 가격에 유의미한 영향을 주는 시구간(예: 특정 시구간(p1))의 거래 정보들을 기반으로 모델을 생성함으로써, 현재 시점에서 중고 제품에 대한 보다 유의미한 가격 정보를 제공할 수 있게 된다.

일 실시예에 따르면, 서버(100)는 현재 시점이 속하는 특정 계절을 식별하고, 상기 계산된 특정 시구간(p1) 중 특정 계절에 대응하는 구간만을 더 식별하여, 식별된 특정 계절에 대응하는 시구간의 정보들을 추출하여 머신 러닝 모델을 생성하는 동작을 수행할 수 있다.

일 실시예에 따르면, 서버(100)는 703 동작에서 특정 제품에 대한 특정 시구간의 정보들이 존재하는 지 여부를 판단할 수 있다. 예를 들어, 서버(100)는 도 8에 도시된 바와 같이 특정 시구간(p1) 내에 거래 정보들(813, 814, 815)이 존재하는 것으로 판단한 경우, 상기 거래 정보들(813, 814, 815)을 추출하고 705 동작을 수행할 수 있다.

일 실시예에 따르면, 서버(100)는 특정 시구간의 정보들이 존재하지 않는 것으로 판단된 경우, 704 동작에서 특정 제품과 유사한 제품의 복수의 정보들 중 학습을 수행할 특정 시구간을 식별할 수 있다. 예를 들어, 서버(100)는 도 9 내지 도 10에 도시된 바와 같이, 제품들(911, 912, 913)을 카테고리 별로 분류하여 저장할 수 있다. 예를 들어, 카테고리는 복수의 서브 카테고리들(예: 제 1 서브 카테고리 및 제 2 서브 카테고리)을 포함하고, 각각의 서브 카테고리 별로 제품들이 등록될 수 있다. 일 예로, 상기 카테고리는 특정 브랜드를 나타내고, 각각의 서브 카테고리는 제품의 종류(예: 제 1 서브 카테고리는 핸드백, 제 2 서브 카테고리는 백팩)를 나타낼 수 있다. 이하에서는, 상기 서버(100)의 카테고리 별로 등록된 제품에 기반하여 특정 시구간을 식별하는 동작에 대해서 설명한다.

일 실시예에 따르면 서버(100)는 도 9에 도시된 바와 같이, 특정 제품(911)에 대한 특정 시구간(p1)의 정보가 존재하지 않는 것으로 식별된 경우, 특정 제품(911)이 포함된 서브 카테고리(예: 제 1 서브 카테고리) 내의 다른 제품(예: 912)의 특정 시구간(p2)의 정보를 추출할 수 있다. 예를 들어, 서버(100)는 최초에 식별된 특정 시구간(p1)에 상기 특정 제품(911)과 다른 제품(912)과의 유사도를 반영하여 상기 추출될 다른 제품(예: 912)의 특정 시구간(p2)을 식별할 수 있다. 일 예를 들어 아래의 수학식 4와 같이, 같은 서브 카테고리의 경우 유사도가 0.8로 기설정되어, 서버(100)는 최초에 식별된 특정 시구간(p1)에 0.8을 곱하여 특정 시구간(p2)를 식별할 수 있다. 상기 특정 시구간(p2)의 개시 시점은 상술한 p1의 개시 시점이 될 수 있다.

일 실시예에 따르면 서버(100)는 도 10에 도시된 바와 같이, 특정 제품(911)에 대한 특정 시구간(p1)의 정보가 존재하지 않고, 특정 제품(911)이 속한 서브 카테고리 내의 다른 제품들에 대한 특정 시구간(p1)의 정보가 없는 것으로 식별된 경우, 특정 제품(911)이 포함된 카테고리 내의 다른 서브 카테고리(예: 제 2 서브 카테고리)에 포함된 다른 제품(예: 913)의 특정 시구간(p2)의 정보를 추출할 수 있다. 예를 들어, 서버(100)는 최초에 식별된 특정 시구간(p1)에 상기 특정 제품(911)과 다른 제품(913)과의 유사도를 반영하여 상기 추출될 다른 제품(예: 913)의 특정 시구간(p3)을 식별할 수 있다. 일 예를 들어 아래의 수학식 5와 같이, 다른 서브 카테고리의 경우 유사도가 0.5로 기설정되어, 서버(100)는 최초에 식별된 특정 시구간(p1)에 0.5를 곱하여 특정 시구간(p3)를 식별할 수 있다. 상기 특정 시구간(p3)의 개시 시점은 상술한 p1의 개시 시점이 될 수 있다.

일 실시예에 따르면, 서버(100)는 만약 다른 카테고리(즉, 다른 브랜드)에 포함된 제품에 대한 정보를 추출하는 경우에는, 0.5 보다 더 낮은 유사도를 반영하여 특정 시구간을 식별할 수 있다.

일 실시예에 따르면, 서버(100)는 705 동작에서 특정 시구간의 정보를 추출하고, 추출된 정보들을 기반으로 학습을 수행하여 인공 지능 모델을 생성하고, 706 동작에서 생성된 인공 지능 모델을 전자 장치로 제공할 수 있다. 예를 들어, 서버(100)는 도 8 내지 도 10에 도시된 바와 같이, 식별된 특정 시구간들(p1, p2, p3)에 대응하는 정보들(예: 813, 814, 815, 921, 922, 923, 1001, 1002, 1003)(예: 거래 정보들, 또는 거래 정보들로부터 추출되는 브랜드 정보, 상태 정보, 시세 정보)을 추출하고, 추출된 정보들을 기반으로 특정 제품에 대한 가격을 예측하기 위한 인공 지능 모델을 생성하는 동작을 수행할 수 있다. 서버(100)는 다른 제품들에 대해서도 상기와 같이 특정 시구간에 대한 정보를 추출하여, 복수의 인공 지능 모델들을 생성할 수 있다. 상기 서버(100)의 인공 지능 모델들을 생성하는 동작들에 대해서는 도 4 내지 도 6에서 상술한 바와 같이 수행될 수 있으므로 중복되는 설명은 생략한다.

3.3. 제 3 실시예 <정보 추출 시구간 재조정 동작>

전술한 제품 가격 예측 시스템의 동작들은 제 3 실시예에 준용될 수 있으므로, 중복되는 설명은 생략한다.

일 실시예에 따르면, 서버(100)는 전자 장치(200)로부터 추출된 특정 시구간의 정보에 기반하여 생성된 인공 지능 모델에 기반하여 제공된 특정 제품에 대한 가격 정보의 수정 요청을 수신하고, 수신된 수정 요청에 기반하여 특정 시구간을 조정할 수 있다. 서버(100)는 조정된 특정 시구간에 대응하는 정보들을 추출하여, 추출된 정보를 기반으로 특정 제품의 가격을 예측하기 위한 새로운 인공 지능 모델을 생성할 수 있다.

도 11은 본 출원의 일 실시예에 따른 제품 가격 예측 시스템의 동작의 다른 예를 설명하기 위한 흐름도이다. 다양한 실시예들에 따르면 제품 가격 예측 시스템의 동작은 도 11에 도시되는 동작의 순서에 국한되지 않고, 도시되는 순서와 다른 순서로 수행될 수 있다. 또한, 다양한 실시예들에 따르면, 도 11에 도시되는 제품 가격 예측 시스템의 동작 보다 더 많은 동작들이 수행되거나, 또는 더 적은 적어도 하나의 동작이 수행될 수도 있다. 이하에서는 도 12를 참조하여 도 11에 대해서 설명한다.

도 12는 본 출원의 일 실시예에 따른 제품 가격 예측 시스템의 정보를 추출하기 위한 특정 시구간을 조정하는 동작의 일 예를 설명하기 위한 도면이다.

일 실시예에 따르면, 서버(100)는 1101 동작에서 획득된 제품들 별 복수의 정보들을 기반으로 학습을 수행하여 인공 지능 모델을 생성하고, 1102 동작에서 도 12의 1201에 도시된 바와 같이 생성된 인공 지능 모델(1211)을 전자 장치(200)로 전송할 수 있다. 예를 들어, 서버(100)는 도 8 내지 도 10에서 상술한 바와 같이, 특정 제품에 대한 특정 시구간의 정보들(예: 거래 정보들)을 추출할 수 있다. 서버(100)는 특정 시구간의 정보들로부터 제품의 브랜드에 대한 정보, 제품의 상태에 대한 정보, 제품의 시세에 대한 정보를 추출하고, 추출된 정보들을 기반을 학습을 수행하여 인공 지능 모델을 생성할 수 있다. 서버(100)의 특정 시구간의 정보를 추출하고 인공 지능 모델을 생성하는 동작은 도 8 내지 도 10에서 상술한 바와 같으므로 중복되는 설명은 생략한다.

일 실시예에 따르면, 전자 장치(200)는 1103 동작에서 수신된 인공 지능 모델에 기반하여 제 1 제품의 예측 가격에 대한 정보를 표시하고, 1104 동작에서 제 1 제품의 예측 가격을 수정하고, 1105 동작에서 수정된 예측 가격에 대한 정보를 서버(100)로 전송할 수 있다. 예를 들어, 전자 장치(200)는 특정 제품에 대한 정보(예: 브랜드 정보, 상태 정보)가 입력되는 경우, 도 1201에 도시된 바와 같이 인공 지능 모델에 기반하여 특정 제품에 대한 가격 정보(예: oooo원)를 표시할 수 있다. 상기 전자 장치(100)의 인공 지능 모델에 기반한 특정 제품에 대한 가격 정보를 표시하는 동작은 도 4 내지 도 6에서 상술한 바와 같으므로 중복되는 설명은 생략한다. 전자 장치(100)는 사용자의 상기 표시된 가격 정보(예: oooo원)에 대한 판단 결과 다른 가격 정보(예: xxxx원)으로 수정하는 입력을 수신할 수 있다. 전자 장치(100)는 상기 수정된 가격 정보를 상기 서버(200)로 전달할 수 있다.

일 실시예에 따르면, 서버(100)는 1106 동작에서 수정된 예측 가격에 대응하는 시구간의 정보를 더 획득하고, 획득된 정보에 기반하여 새로운 인공 지능 모델을 생성할 수 있다. 예를 들어, 서버(100)는 특정 제품에 대한 정보들 중 수신된 수정된 가격 정보(xxxx원)에 대응하는 정보(예: 거래 정보)(1221)를 식별할 수 있다. 일 예로, 서버(100)는 거래 정보(예: 1221)에 포함된 특정 제품이 거래된 가격 정보를 식별하고, 식별된 가격 정보와 상기 수정된 가격 정보(xxxx원)의 대응 여부를 판단하여, 상기 수정된 가격 정보에 대응하는 거래 정보(1221)를 식별할 수 있다. 서버(100)는 상기 거래 정보의 발생 시점이 p1의 바깥에 존재하는 경우, 도 12의 1203에 도시된 바와 같이 정보를 추출한 시구간을 p1에서 상기 수정된 가격 정보에 대응하는 거래 정보(1221)의 발생 시점까지 포함되는 시구간인 p2로 증가시킬 수 있다. 반대로 서버(100)는 상기 거래 정보의 발생 시점이 p1 내에 존재하는 경우, 정보를 추출한 시구간을 p1에서 상기 수정된 가격 정보에 대응하는 거래 정보(1221)의 발생 시점까지 포함되는 시구간으로 축소할 수 있다.

Claims (7)

1. 서버의 동작 방법으로서,
   외부 서버로부터 제품들 별 복수의 정보들을 수신하는 단계;를 포함하고, 상기 복수의 정보들은 상기 제품들 별 브랜드 정보, 상기 제품들 별 상태 정보, 및 상기 제품들 별 시세 정보를 포함하고, 상기 상태 정보는 상기 제품의 거래 당시의 변색 정도, 이염 정도, 태닝 정도, 흠집 정도, 마모 정도, 얼룩 정도, 부속품 결여 정도, 또는 수선 정도 중 적어도 하나를 나타내는,
   상기 복수의 정보들 중에서, 상기 제품들 별 저명도 또는 현재 시점에 대한 정보 중 적어도 하나를 기반으로 상기 제품들 별 가격 예측을 위한 특정 정보들을 추출하는 단계;
   상기 특정 정보들을 트레이닝 데이터로 하여, 상기 제품들에 대한 가격을 예측하기 위한 복수의 머신 러닝 모델들을 생성하는 단계;를 포함하고, 상기 복수의 머신 러닝 모델들은 각각이 특정 제품에 대한 제 1 브랜드 정보 및 제 1 상태 정보를 입력 받은 것에 대한 응답으로, 특정 제품에 대한 가격 정보를 출력하도록 설정되고,
   전자 장치의 상기 서버로의 접속을 식별하는 단계; 및
   상기 접속된 전자 장치로 상기 복수의 머신 러닝 모델들을 제공하는 단계;를 포함하고, 상기 전자 장치에서 제 1 제품에 대한 브랜드 정보 및 제 1 제품에 대한 상태 정보를 상기 복수의 머신 러닝 모델들로 입력된 것에 대한 응답으로, 상기 복수의 머신 러닝 모델들은 상기 제 1 제품에 대한 가격 정보를 반환하고,
   상기 전자 장치로 상기 복수의 머신 러닝 모델들을 포함하는 프로그램을 전송하는 단계;를 더 포함하고,
   상기 프로그램은 제 1 제품에 대한 촬영 및 상기 촬영된 상기 제 1 제품에 대한 이미지로부터 상기 제 1 제품에 대한 상태 정보를 추출하도록 설정되고,
   상기 제 1 제품의 저명도 또는 상기 현재 시점에 대응하는 계절 중 적어도 하나를 기반으로 상기 제 1 제품의 가격 예측을 위한 특정 시구간을 식별하는 단계;
   상기 복수의 정보들 중에서 상기 제 1 제품에 대한 복수의 제 1 정보들을 식별하고, 상기 복수의 제 1 정보들 중 상기 식별된 특정 시구간에 대응하는 제 2 정보들을 추출하는 단계; 및
   상기 추출된 제 2 정보들을 기반으로 제 1 머신 러닝 모델을 생성하는 단계;를 더 포함하고,
   상기 외부 서버를 통해서, 상기 제 1 제품의 광고 횟수에 대한 정보 또는 상기 제 1 제품의 SNS 노출 횟수에 대한 정보를 수신하고, 상기 제 1 제품의 광고 횟수에 대한 정보 또는 상기 제 1 제품의 SNS 노출 횟수에 대한 정보를 기반으로 상기 제 1 제품의 상기 저명도를 계산하는 단계;를 포함하고,
   상기 제 1 제품에 대한 상기 복수의 제 1 정보들이 발생된 시점들을 식별하고, 상기 식별된 시점들과 상기 저명도에 기반하여 아래의 수학식과 같이 상기 특정 시구간(p1)의 개시 시점을 식별하는 단계; 및
   

   

   
   상기 복수의 제 1 정보들 중 가장 저명도가 높은 정보의 발생 시점을 기반으로 상기 특정 시구간의 종료 시점을 식별하는 단계;를 더 포함하는, 동작 방법.
2. 삭제
3. 삭제
4. 삭제
5. 제 1 항에 있어서,
   상기 복수의 제 1 정보들 중 상기 특정 시구간에 대한 정보가 없는 것으로 판단되는 경우, 상기 제 1 제품이 포함되는 제 1 서브 카테고리 내의 다른 제 2 제품을 식별하는 단계;
   상기 제 2 제품에 대한 복수의 제 2 정보들 중 상기 특정 시구간(p1)과 상기 제 1 제품과 상기 제 2 제품 사이의 제 1 유사도(0.8)에 기반하여 아래의 수학식과 같이 결정되는 제 1 특정 시구간(p2)에 대응하는 제 3 정보들을 추출하는 단계;를 포함하고, 상기 제 2 제품은 상기 제 1 제품과 같은 브랜드의 같은 종류의 제품이고,
   

   

   
   상기 제 3 정보들에 기반하여, 상기 제 1 제품에 대한 가격을 예측하기 위한 상기 제 1 머신 러닝 모델을 생성하는 단계;를 더 포함하는, 동작 방법.
6. 제 5 항에 있어서,
   상기 제 1 서브 카테고리 내에 포함된 다른 제품들에 대한 상기 특정 시구간에 대한 정보가 없는 경우, 상기 제 1 제품이 포함된 카테고리 내에 포함된 다른 제 2 서브 카테고리에 포함된 제 3 제품에 대한 복수의 제 4 정보들을 식별하는 단계;
   복수의 제 4 정보들 중 상기 특정 시구간(p1)과 상기 제 1 제품과 상기 제 3 제품 사이의 제 2 유사도(0.5)에 기반하여 아래의 수학식과 같이 결정되는 제 2 특정 시구간(p3)에 대응하는 제 5 정보들을 추출하는 단계;를 포함하고, 상기 제 3 제품은 상기 제 1 제품과 같은 브랜드의 다른 종류의 제품이고,
   

   

   
   상기 제 5 정보들에 기반하여, 상기 제 1 제품에 대한 가격을 예측하기 위한 상기 제 1 머신 러닝 모델을 생성하는 단계;를 더 포함하는, 동작 방법.
7. 삭제

Images