KR102234952B1 - 전문가 매칭을 위한 전문가 풀 생성 방법, 장치 및 프로그램 - Google Patents

Abstract

서버에 의해 수행되는 전문가 플랫폼의 제어 방법이 제공된다. 상기 제어 방법은 상술한 과제를 해결하기 위한 전문가를 등록하는 단계, 상기 등록된 전문가의 전문가정보를 획득하는 단계, 상기 획득된 전문가정보를 바탕으로 상기 전문가의 경력정보를 산출하는 단계, 상기 전문가의 경력정보를 바탕으로 상기 전문가에 대응되는 프로젝트를 매칭하는 단계, 상기 매칭된 프로젝트가 상기 전문가에 의해 수행된 경우, 상기 프로젝트의 수행 결과에 따라 산출된 프로젝트 데이터를 획득하는 단계 및 상기 프로젝트 데이터를 바탕으로 상기 전문가의 경력정보를 업데이트 하는 단계를 포함한다.

Description

전문가 매칭을 위한 전문가 풀 생성 방법, 장치 및 프로그램{METHOD, APPARATUS AND PROGRAM FOR CREATING SPECIALIST POOL FOR SPECIALIST MATCHING}

전문가 매칭을 위한 전문가 풀 생성 방법, 장치 및 프로그램에 관한 것이다.

4차 산업혁명 시대에서는 초연결 및 초지능을 기반으로, 그 깊이, 속도 및 범위가 크게 확대될 것으로 예상된다. 이에 다양한 산업분야가 생겨날 뿐 아니라, 기존의 산업분야들과 새로운 산업분야들이 서로 융합되는 등 수많은 신규분야가 발생하게 되는데, 해당 분야의 전문가가 없거나 매우 적은 상황이 발생하게 될 것으로 예상된다. 따라서 각 분야의 전문가들을 발굴 및 모집하고, 각 분야의 전문가들이 협업할 수 있는 플랫폼이 필요하게 되었다.

또한, 앞으로 기대수명 연장으로 인해 생산활동 기간이 연장될 것이며, 각 전문가들로 하여금 해당 분야를 단순히 직업이 아닌 평생의 “업”으로 삼을 수 있도록 할 필요가 있다.

또한, 전문가들은 각 분야에서 능력에 기반하여 활동하며 대우받을 수 있도록 하는 것이 바람직하나, 기존의 기업과 같은 조직의 경우 직원들 간의 형평성과, 조직 전체의 안정성을 추구하므로 각 전문가들의 개성을 살리기 어렵고, 능력에 따른 대우가 주어지지 못하며, 경력이 쌓이면 이를 활용하기보다는 관리직으로 전환되는 등의 문제가 있었다.

따라서, 긱(Gig) 경제에 기반하여 전문가들의 자율성을 보장하며 최대한의 효율을 이끌어내되, 최소한의 안정성과 지속성을 보장할 수 있도록 할 필요가 있다.

한편, 블록체인(Blockchain)은 공공 거래 장부라고도 부르며 가상 화폐로 거래할 때 발생할 수 있는 해킹을 막는 기술이다. 기존 금융 회사의 경우 중앙 집중형 서버에 거래 기록을 보관하는 반면, 블록체인은 거래에 참여하는 모든 사용자에게 거래 내역을 보내 주며 거래 때마다 이를 대조해 데이터 위조를 막는 방식을 사용하는 탈 중앙화적 특징을 갖는다.

예를 들어, 블록체인은 대표적인 온라인 가상 화폐인 비트코인에 적용되어 있다. 비트코인은 누구나 열람할 수 있는 장부에 거래 내역을 투명하게 기록하며, 비트코인을 사용하는 여러 컴퓨터가 10분에 한 번씩 이 기록을 검증하여 해킹을 막는다. 최근에는 비트코인이 가진 단점을 해결하기 위해 다양한 코인들이 개발 및 제공되고 있으며, 플랫폼적 기능을 갖는 코인의 등장으로 다양한 토큰들이 가상화폐로서 기능하고 있다.

또한, 가상화폐 플랫폼을 이용한 다양한 분산 애플리케이션(DAPP)들이 개발 및 이용되고 있어, 블록체인의 활용도는 갈수록 높아지고 있다.

나아가 전문가 플랫폼에서 관리되는 전문가의 상세 정보, 업무 수행 경력, 전문 분야, 및 프로젝트 수행 경력 등과 같은 다양한 정보들은 해킹과 위변조의 위험이 존재하며, 해킹을 통해 유출된 정보가 마켓에서 사용되는 경우 전문가 관리를 위한 전문가 플랫폼에 대한 신뢰가 훼손되고 매칭도가 떨어질 수 있다.

따라서, 이러한 정보의 신뢰성을 유지하면서 위변조를 방지할 수 있는 기술의 개발이 요구되고 있다.

한편, MICE는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시박람회와 이벤트(Exhibition&Event) 등의 영문 앞 글자를 딴 용어로, 좁은 의미에서는 국제회의와 전시회를 주축으로 한 유망 산업을 뜻하며, 광의적 개념으로는 참여자 중심의 보상관광과 메가 이벤트 등을 포함하는 융복합산업을 뜻한다.

공개특허공보 제10-2010-0026834호, 2010.03.10 공개

본 발명이 해결하고자 하는 과제는 전문가 매칭을 위한 전문가 풀 생성 방법, 장치 및 프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 전문가 플랫폼의 제어 방법은 전문가를 등록하는 단계, 상기 등록된 전문가의 전문가정보를 획득하는 단계, 상기 획득된 전문가정보를 바탕으로 상기 전문가의 경력정보를 산출하는 단계, 상기 전문가의 경력정보를 바탕으로 상기 전문가에 대응되는 프로젝트를 매칭하는 단계, 상기 매칭된 프로젝트가 상기 전문가에 의해 수행된 경우, 상기 프로젝트의 수행 결과에 따라 산출된 프로젝트 데이터를 획득하는 단계 및 상기 프로젝트 데이터를 바탕으로 상기 전문가의 경력정보를 업데이트 하는 단계를 포함한다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, 서버에 의해 동작하는 전문가 플랫폼은 전문가를 검증하고, 전문가의 경력정보를 산출하여 전문가의 경력을 관리할 수 있으며, 전문가로부터 산출되는 프로젝트 데이터를 관리하여 산업 현장에서 실질적으로 활용 가능하도록 프로젝트 데이터를 정보화 및 데이터화 할 수 있다.

또한, 개시된 실시 예에 따르면, 전문가의 프로젝트 수행에 따른 수익을 분배할 수 있는 시스템을 구축하여 전문가 플랫폼의 프로젝트 제공에 따른 합리적인 수익 분배 모델이 창출될 수 있다.

또한, 전문가에 대한 정보들은 블록체인 기술에 기반하여 안전하게 보호될 수 있는 바, 이는 전문가 플랫폼의 신뢰성을 확보하고 매칭도를 제고시키는데 기여할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시 예에 따른 블록체인 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 블록체인 시스템의 동작을 도시한 시스템도이다.
도 3은 본 발명의 일 실시 예에 따른 전문가 플랫폼의 제어 시스템을 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 블록체인의 네트워크 상에서 유효한 정보를 블록체인의 네트워크 상의 노드들로 전파하고, 블록체인에 기록하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 전문가 플랫폼의 제어 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 전문가의 경력정보를 산출하는 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시 예에 따른 전문가의 경력정보를 산출하는 또 다른 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 일 실시 예에 따른 전문가의 경력정보를 업데이트 하는 방법을 설명하기 위한 흐름도이다.
도 9는 본 발명의 일 실시 예에 따른 전문가에게 프로젝트를 제공하는 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 일 실시 예에 따른 전문가 풀 생성 방법 및 전문가 할당 방법을 설명하기 위한 흐름도이다.
도 11은 본 발명의 일 실시 예에 따른 프로젝트 데이터를 관리하는 방법을 설명하기 위한 흐름도이다.
도 12는 본 발명의 일 실시 예에 따른 프로젝트의 세부 분류를 설명하기 위한 예시도이다.
도 13은 본 발명의 일 실시 예에 따른 수익 분배 방법을 설명하기 위한 흐름도이다.
도 14는 본 발명의 일 실시 예에 따른 장치의 구성도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시 예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

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 사용시 또는 동작시 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 놓여질 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.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

본 명세서에서, 사업 및 프로젝트 수행주체는 개인사업자나 법인 등의 사업체뿐만 아니라, 일반 개인도 포괄하는 의미로 이해될 수 있으며, 특정한 대상을 제한하는 것은 아니다. 일 실시 예에서, 사업, 프로젝트 주체 및 수행주체는 정부, 지방자치단체, 공공기간, 협단체 등일 수 있다.

본 명세서에서, 프로젝트 또는 프로젝트 정보라 함은, 정부, 지방자치단체, 공공기간, 협단체, 기업이 발주하는 사업 및 프로젝트, 사업 및 프로젝트 관련 업무, 국내 및 국제 조달 입찰, 그 외 전문가를 필요로 하는 각종 프로젝트 및 사업 관련 업무를 의미할 수 있다.

프로젝트의 종류 또한 물품이나 용역의 제공 등 다양한 종류를 포함할 수 있으며, 특정한 종류로 제한되지 않는다. 예를 들어, 프로젝트는 특정한 제품을 납품하기 위한 것일 수도 있고, 연구용역이나 전문서비스업 용역 등을 제공하기 위한 것일 수도 있으며, 다양한 과제가 복합적으로 포함되는 것일 수도 있다.

본 명세서에서, 전문가는 특정 분야에 대한 소정의 전문성을 갖춘 모든 종류의 사람을 의미하는 것으로 이해될 수 있으며, 그 기준은 제한되지 않는다. 특정 분야의 업무를 수행할 수 있는 모든 종류의 경력자, 혹은 교육을 받은 사람, 혹은 재능을 갖춘 사람을 모두 전문가라 칭할 수 있으나, 바람직하게는 특정 분야의 소정의 경력을 갖춘 사람을 의미하는 것으로 이해될 수 있다.

따라서, 본 개시에 따른 전문가는 기존의 개념적, 통상적, 일반적 기준의 전문가뿐 아니라, 특정 집단에서 요구하는 요구조건을 만족하는 전문가들을 의미할 수 있다.

한편, 본 개시에서의 전문가라 함은 개별적인 단일 전문가를 의미하나 이에 한정되는 것은 아니다. 즉, 특정 집단 자체를 전문가로 볼 수도 있다.

한편, 본 명세서에서, MICE는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시박람회와 이벤트(Exhibition&Event) 등의 영문 앞 글자를 딴 용어로, 좁은 의미에서는 국제회의와 전시회를 주축으로 한 유망 산업을 뜻하며, 광의적 개념으로는 참여자 중심의 보상관광과 메가 이벤트 등을 포함하는 융복합산업을 뜻한다. 다만, 본 명세서에서 MICE의 의미는 그 용어 자체에 한정되는 것은 아니고, 시간 및 지역에 따라 다양한 용어로 사용될 수 있다.

예를 들어, 캐나다의 경우 Meeting, Convention and Incentive Travel을 줄여 MC&IT로 사용하고 미국은 ME&I 또는 MEEC (Meetings, Expositions, Events and Conventions)로 사용하고, 싱가포르의 경우 Business Travel & MICE를 줄여서 BT MICE로 사용하는 것과 같이, 각 국가의 산업구조와 정책에 따라 다양한 용어가 사용되고 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터 또는 서버에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1을 참조하면, 블록체인 보유서버들(10), 관리서버(20) 및 사용자 단말들(30)이 도시되어 있다.

개시된 실시 예에서, 사용자 단말들(30) 각각은 기 설정된 규칙에 기반하여 거래내역을 기록하며, 기록된 거래내역은 각각의 블록에 기록되어 블록체인 보유서버들(10)에 전파되고, 각각의 서버에 저장 및 관리된다.

개시된 실시 예에서, 블록체인 보유서버들(10)은 거래정보를 인증 및 기록하는 블록체인이 탑재된 서버들을 의미한다. 일 실시 예에서, 거래(transaction) 정보는 가상화폐에 기반한 거래정보를 의미할 수 있으나, 그 외에도 블록체인에 기반하여 수행되는 다양한 이벤트에 대한 정보를 의미할 수 있고, 이러한 거래정보는 블록체인에 저장된다.

개시된 실시 예에 따른 가상화폐는 전자화폐, 암호화폐 등 블록체인을 통하여 그 거래내역이 관리되는 모든 종류의 비 실물 화폐를 통칭하는 개념으로 이해된다.

개시된 실시 예에 따른 가상화폐는 별도의 메인넷이 구축되고, 이에 따라 관리되는 코인 형태의 가상화폐일 수도 있고, 이더리움 네트워크 등 다른 코인의 인프라를 활용하는 토큰 형태의 가상화폐일 수도 있으나, 이에 제한되지 않는다.

일 실시 예에서, 사용자 단말들(30) 각각에 제공되는 가상화폐는 이미 생성 또는 발행된 상태로서 관리서버(20)에 의하여 관리되며, 사용자 단말들(30) 각각의 거래내역에 따라 제공될 수 있다.

예를 들어, 관리서버(20)는 사용자 단말들(30)간에 발생하는 거래내역을 저장하는 블록을 생성하기 위한 연산을 수행하고, 작업증명(Proof Of Work)을 통해 블록을 생성할 수 있다. 실시 예에 따라서, 관리서버(20)는 그 대가로 생성된 소정의 가상화폐를 제공받고, 이를 사용자 단말들(30)의 거래내역에 따라 사용자 단말들(30)에 분배할 수 있다.

일 실시 예에서, 사용자 단말들(30) 각각에 의하여 거래내역이 기록됨에 따라, 기 설정된 규칙에 따라 가상화폐가 생성되어 사용자 단말들(30)에 제공될 수 있으며, 이를 가상화폐의 채굴(마이닝)이라 표현한다.

일반적으로 가상화폐의 채굴은 작업증명(POW: Proof Of Work), 지분증명(POS: Proof Of Stake) 및 중요도증명(POI: Proof Of Importance) 중 하나의 방법에 의하여 수행된다. 상기한 방법들은 분산 시스템의 신뢰도를 보장하기 위하여 사용되는 분산합의 알고리즘의 하나이다.

개시된 실시 예에서, 사용자 단말들(30)간의 거래와 이에 따른 가상화폐 제공방법은 스마트 컨트랙트(Smart Contract)에 의하여 수행된다.

도 2는 본 발명의 일 실시 예에 따른 블록체인 시스템의 동작을 도시한 시스템도이다.

도 2를 참조하면, 도 1에 도시된 블록체인 보유서버들(10)과 관리서버(20) 및 사용자 단말(31)의 동작들이 도시되어 있다.

도 2에 도시된 관리서버(20)는 사용자 단말(31)이 블록체인 보유서버들(10)과 통신하기 위하여 경유하는 통신사의 서버 혹은 사용자 단말(31)과 연결된 로컬 서버, 또는 사용자 단말(31)이 이용하는 블록체인 기반 서비스를 관리하는 서버 등을 의미할 수 있으나, 관리서버(20)는 생략될 수 있으며, 사용자 단말(31)이 직접 블록체인 보유서버들(10)과 통신하여 완전한 탈중앙화 시스템을 구축할 수도 있다.

도 2에 도시된 것은 일반적인 블록체인 기반 서비스에서 활용되는 구성의 일 예에 대한 것으로, 블록체인 기술을 활용하는 시스템의 형태는 이에 제한되지 않는다.

일 실시 예에서, 사용자 단말(31)은 관리서버(20)에 정보를 제공하고, 관리서버(20)는 해당 정보가 블록체인에 저장되어야 할 정보인 경우, 블록체인 보유서버들(10)에 해당 정보를 제공할 수 있다. 블록체인 보유서버들(10)은 해당 정보를 블록체인에 저장할 수 있으며, 이 과정에서 블록체인에 기반한 정보의 검증이 이루어질 수 있다. 이 경우, 검증에 성공한 정보만이 블록체인에 기록될 수 있다.

또한, 사용자 단말(31)은 검증이 필요한 정보가 있는 경우, 해당 정보를 관리서버(20)에 제공할 수 있다. 이 경우, 관리서버(20)는 블록체인에 저장된 정보에 기초하여 이를 검증할 수 있는데, 이 과정에서 관리서버(20)는 블록체인 보유서버들(10)로부터 해당 정보를 검증하기 위한 정보를 획득하고, 이에 따라 검증을 수행할 수 있다. 관리서버(20)는 검증결과를 사용자 단말(31)에 제공하거나, 검증 결과에 기초하여 사용자 단말(31)에 서비스를 제공할 수 있다.

이러한 블록체인 시스템은 중앙 집중화된 기존의 서버 기반 시스템과 달리, 탈 중앙화된 분산처리 시스템을 제공함으로써 보다 높은 보안성을 제공하며, 특정 주체에 의하여 조작될 수 없는 신뢰성을 제공하는 장점이 있다.

또한, 최근에는 다양한 블록체인 기반 애플리케이션을 제공할 수 있는 플랫폼으로서 기능하므로, 그 활용도가 더욱 높아질 것으로 기대된다.

본 명세서에서 설명되는 각 단계들은 서버에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다. 예를 들어, 본 명세서에서 설명되는 각 단계들은 컴퓨터, 클라우드 등에 의해 수행될 수 있음은 물론이다.

도 3은 본 발명의 일 실시 예에 따른 전문가 플랫폼의 제어 시스템을 도시한 도면이다.

도 3을 참조하면, 시스템은 전문가 플랫폼의 동작을 수행하기 위한 서버(100), 복수의 전문가 그룹(110) 및 블록체인 네트워크(120)를 포함할 수 있다.

설명의 편의를 위하여, 도 3에 도시된 바를 참조하면 복수의 전문가 그룹(110)은 복수의 전문가 그룹(110)에 포함된 전문가들의 사용자 단말들을 포함하는 것으로 설명한다. 또한, 서버(100)의 정의는 상술한 바와 같으나, 마찬가지로 설명의 편의를 위하여 서버(100)는 컴퓨터 또는 클라우드에 대응하는 것으로 설명한다.

일 실시 예에서, 서버(100)는 오프라인 전문가 플랫폼에서 제공되는 하나 이상의 서비스에 따른 작업을 수행하기 위하여 이용되는 컴퓨터를 의미할 수도 있고, 서버(100)가 온라인 전문가 플랫폼인 경우 온라인 전문가 플랫폼을 관리하는 서버를 의미할 수도 있으나, 이에 제한되는 것은 아니다.

개시된 실시 예에서, 서버(100)는 복수의 전문가 그룹(110)에 속하는 전문가들의 등록 요청에 따라 전문가를 등록하고, 등록된 전문가에 대한 전문가정보를 수집할 수 있다. 또한, 서버(100)는 복수의 전문가 그룹(110)에 속하는 전문가들이 수행할 수 있는 프로젝트 정보를 획득하고, 이를 복수의 전문가 그룹(110)에 속하는 전문가들에게 분배하며, 이를 위한 제반 행정 및 관리업무를 수행할 수 있다.

일 실시 예에서, 서버(100)는 전문가정보로부터 전문가의 경력정보를 산출하고, 산출된 경력정보를 바탕으로 전문가에게 적합한 프로젝트를 제공할 수 있다. 또한 서버(100)는 전문가에 의해 수행된 프로젝트의 결과물과 관련된 프로젝트 데이터를 수집하고, 수집된 프로젝트 데이터를 관리할 수 있다.

또 다른 실시 예로, 서버(100)는 프로젝트가 수행됨에 따라 획득되는 수익을 분배하되, 서버(100)의 수수료를 책정하여 제한 뒤 나머지 비용을 각 전문가들에게 분배할 수 있으며, 수수료의 책정방식 및 전문가들에게 수익을 분배하는 방식은 제한되지 않는다.

한편, 전문가들은 프리랜서 전문가일 수 있으나, 실시 예에 따라 특정 업체에 고용된 전문가들 또한 복수의 전문가 그룹(110)에 소속될 수 있다. 마찬가지로, 복수의 전문가 그룹(110)에 속하는 전문가들은 개인일 수도 있으나, 복수의 전문가를 포함하는 그룹(업체 등)이 복수의 전문가 그룹(110)에 소속될 수도 있다. 이 경우, 특정 그룹에 속하는 전문가들에 대한 수수료 및 수익 분배방법은 개인 전문가들과 동일하게 적용될 수도 있으나, 그룹을 하나의 주체로 보아 다른 분배방식이 적용될 수도 있다. 이 경우, 그룹 내에서의 프로젝트 업무 및 수익 분배방법 중 적어도 하나는 서버(100)가 아닌 그룹 자체적으로 결정하도록 할 수도 있다.

즉, 복수의 전문가 그룹(110)은 멤버제로 운영될 수 있으나, 이는 개인 멤버뿐 아니라 그룹 멤버(예를 들어 기업 멤버 등) 또한 포함할 수 있으며, 이는 제한되지 않는다.

일 실시 예에서, 복수의 전문가 그룹(110)에 속한 전문가들은 서버(100) 혹은 서버(100)의 운영주체와 고용관계에 있을 수도 있고, 고용관계가 아닌 계약관계에 있을 수도 있으며, 이는 제한되지 않는다.

서버(100)는 전문가를 관리하기 위한 서비스를 제공함에 있어서, 블록체인에 기반하여 전문가에 대한 정보 거래의 안전성과 보안성을 향상시킬 수 있다. 블록체인은 데이터 분산 처리 기술로서, 네트워크에 참여하는 모든 사용자가 모든 거래 내역 등의 데이터를 분산 및 저장하는 기술을 지칭한다. 블록체인은 무결성을 확보하고 유지하기 위해 순서에 따라 연결된 블록들이 서비스의 이용 내역 정보를 암호화 기법과 보안기술을 이용해 협상하는 알고리즘으로 구성된 소프트웨어 요소를 활용하는 원장(ledger)의 분산 P2P (Peer to Peer)시스템을 의미할 수 있다. 여기서, 분산 P2P 시스템은 분산 시스템의 특수한 형태일 수 있다. 또한, P2P 시스템은 중앙 노드의 조정 없이 네트워크의 모든 노드들이 서로에게 자원(처리 능력, 저장 공간, 데이터 또는 네트워크 대역폭 등)을 제공할 수 있다. 또한, 블록체인은 이용 내역 정보를 기록한 원장을 특정 기관의 중앙 서버가 아닌 P2P 네트워크에 분산하여 네트워크 내의 노드들이 공동으로 기록하고 관리하는 분산원장(distributed ledger) 기술을 의미할 수 있다.

블록체인 네트워크(120)는 노드들(121, 122, 123, 124, 125)을 포함할 수 있다. 노드는 블록체인의 네트워크 내에서 구성요소를 의미할 수 있다. 노드들(121, 122, 123, 124, 125) 각각은 시스템 또는 서버(100)에 가입되어 참여하는 개개인들의 서버 장치일 수 있다. 예를 들면, 노드들(121, 122, 123, 124, 125) 각각은 특수 목적 컴퓨터(Special-purpose Computer), 범용 컴퓨터(General-purpose Computer), 슈퍼 컴퓨터(Supercomputer), 대형 컴퓨터(Mainframe Computer), 개인용 컴퓨터(Personal Computer), 스마트폰, 태블릿 PC 등일 수 있으나, 이에 제한되지 않는다.

이로써, 서버(100)는 전문가를 관리하기 위한 서비스를 제공함에 있어서, 블록체인에 기반하여 전문가에 대한 정보 거래의 안전성과 보안성을 향상시킬 수 있다.

이하에서는, 개시된 실시 예에 따라 서버(100)가 복수의 전문가 그룹(110)을 관리하고, 프로젝트 정보를 획득하며, 획득된 프로젝트 정보를 전문가들에게 분배하여 전문가가 프로젝트를 수행하도록 관리하고, 수행된 프로젝트의 결과물인 프로젝트 데이터를 관리함과 함께, 그에 따른 수익을 관리하는 방법에 대하여 구체적으로 설명한다.

도 4는 일 실시 예에 따른 블록체인의 네트워크 상에서 유효한 정보를 블록체인의 네트워크 상의 노드들로 전파하고, 블록체인에 기록하는 과정을 설명하기 위한 도면이다.

서버(100)는 전문가 관리를 위해 필요한 정보들을 블록체인 네트워크(120)에 분산 저장할 수 있다. 예를 들어, 전문가 관리 정보들은, 전문가의 배경 정보, 전문가의 상태 정보, 전문가의 경력 및 이력 정보, 전문가의 자격 정보, 전문가의 전문 영역 정보, 전문가의 수상 정보, 전문가의 업적 정보, 전문가의 실적 정보, 전문가의 활동 (자문, 심사, 강연, 발표, 수상, SNS 활동, 평판 등) 정보, 전문가가 수행할 수 있는 프로젝트 정보, 전문가의 가입 정보, 전문가의 계약 정보, 전문가의 수주, 참여 및 수행 결과 정보, 전문가의 프로젝트 수행 결과와 관련된(프로젝트) 데이터 정보, 전문가의 프로젝트 데이터로부터 산출된 창작물, 저작물 및 저작권, 전문가의 수익 및 결제 정보, 전문가의 수수료 정보, 전문가의 평가 및 평판 정보, 전문가의 정보 이용 정보 등을 포함할 수 있다.

일 실시 예에 따라, 전문가의 배경정보는, 전문가의 전문분야 및 전문성을 판단하기 위하여 필요한 정보들을 포함할 수 있다.

일 실시 예에 따라, 전문가의 배경정보는 정형정보 및 비정형정보로 구분될 수 있다. 정형정보는 이미 특정 전문 분야의 전문성과의 연관성이 정량적으로 입증된 정보(또는 수치화 할 수 있는 정보)들을 의미할 수 있다. 예를 들어, 상술한 바와 같이 전문가를 증명할 수 있는 객관적 자료들이 정형정보에 해당할 수 있다. 예를 들어, 정형정보는 특정 분야의 업체 혹은 부서에서 근무한 이력이나 특정 전문 분야의 프로젝트나 과제에 참여한 이력, 특정 분야의 학력이나 논문발표정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

나아가, 비정형정보는 정형정보에 속하지 않으나, 특정 전문 분야와의 연관성을 갖는 모든 종류의 이력정보를 의미할 수 있다. 예를 들어, 상술한 바와 같이 개별적인 노력에 따른 이력정보들이 비정형정보에 속할 수 있다. 예를 들어, 비정형정보는 온라인 커뮤니티나 동호회 등에서 활동한 기록, 개인적으로 수행한 프로젝트나 취미로 작성한 자료, 온라인 교육 컨텐츠를 수강한 정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

일 실시 예에서, 기존에 정형정보가 저장되지 않은 새로운 전문 분야에 대한 전문가의 배경정보가 획득될 수 있다. 이 경우, 해당 전문 분야에 대해서는 평가할 수 있는 기준이 되는 정형정보가 전혀 저장된 바 없으므로, 모든 전문가의 배경정보가 비정형정보로 평가될 수 있다.

예를 들어, 특정 전문 분야의 직장이나 부서에서 근무한 정보, 프로젝트나 과제를 수행한 정보라 할지라도 해당 전문 분야에 대하여 기 평가되거나 저장된 정보가 없는 경우, 비정형정보와 같이 평가하여 해당 전문 분야에 대한 각 전문가의 전문성을 평가하는 데 활용할 수 있다.

이외에도 자문(위원)활동, 심사 및 평가자 활동, 강의 및 강연활동, 멘토링 활동이력, 사외 이력 등이 전문가의 배경정보에 포함될 수 있는데, 이는 정형정보에 속할 수도, 비정형정보에 속할 수도 있다. 예를 들어, 분류 기준은 특정 전문 분야의 전문성과의 연관성이 기존에 정량적으로 입증되어 데이터 베이스화 되었는지 여부가 될 수 있으나, 이에 제한되는 것은 아니다.

또한, 전문가의 도덕성을 검증할 수 있는 자료 또한 전문가의 배경정보에 속할 수 있는데, 예를 들어 해당 업계나 업종, SNS 등에서의 활동 인지도 및 평판, 리베이트 여부, 범죄기록, 사기기록 등 다양한 정보가 활용될 수 있으며, 현실적으로 모든 정보를 이용할 수 없더라도, 외부에 공개되어 수집할 수 있는 정보라면 정형정보 또는 비정형정보로 구분되는 전문가의 배경정보로 사용될 수 있다.

한편, 상술한 정형정보 및 비정형정보 중 일부는, 데이터로 수치화 하기 어려운 경우가 존재할 수 있다. 데이터로 수치화 하기 어려운 경우란, 그 기준이 마련되지 않아 데이터 수치화가 불가능한 경우를 의미할 수 있다. 이 경우, 수치화가 어려운 데이터는 주변 평가를 바탕으로 직접 입력 될 수 있을 뿐만 아니라, 다양한 형태의 알고리즘을 통해 수치화 될 수 있음은 물론이다.

일 실시 예에 따라, 전문가의 상태 정보는, 각 전문가의 소속, 소속 유무, 현재 수행중인 프로젝트, 기타 개인사정 등 각 전문가가 현재 수행할 수 있는 프로젝트의 양 혹은 각 전문가가 참여할 수 있는 프로젝트의 개수 등을 평가하기 위하여 필요한 정보들을 포함할 수 있다.

일 실시 예에 따라, 프로젝트 수행 결과와 관련된 프로젝트 데이터란, 프로젝트 과정에서 획득되는 모든 데이터를 의미할 수 있으며, 프로젝트에 대한 유의미한 결과물만을 의미하는 것은 아니다. 예를 들어, 프로젝트 입찰 과정에서 제시된 제안요청서(RFP, Request For Proposal)로부터 산출되는 복수의 제안서는 본 발명에 따른 프로젝트 데이터 일 수 있다. 따라서, 채택된 제안서 뿐만 아니라, 채택되지 않은 제안서 또한 본 발명에 따른 프로젝트 데이터일 수 있다.

일 실시 예에 따라, 창작물이란, 프로젝트 데이터로부터 획득되는 저작물에 대한 데이터를 의미한다. 이때, 창작물은, 프로젝트 데이터 중, 프로젝트 수행 주체로부터 새롭게 생성된 데이터를 의미할 수 있다. 그러나, 이에 한정되는 것은 아니며, 창작물은, 프로젝트 수행 주체로부터 새롭게 생성된 데이터 중 창작성을 가지는 데이터를 의미할 수 있음은 물론이다. 창작물은 저작권을 가지는 저작물과 다른 개념으로, 창작물은 타인의 저작권을 침해하지 않는다고 판단된 경우에 한하여 저작권을 가지는 저작물이 될 수 있음은 물론이다.

다만, 블록체인 상에 저장될 수 있는 전문가 관리 정보들은 이에 제한되지 않으며, 상술한 정보들 및 그 외 전문가 관리를 위해 필요한 어떠한 타입의 정보도 포함할 수 있다.

일 실시 예에 따라, 서버(100)는 정보들을 블록체인 네트워크(120)의 노드(121)로 전송할 수 있다.

서버(100)는 정보를 암호화하고, 암호화된 정보를 블록체인 네트워크(120) 상의 노드(121)로 전송할 수 있다. 노드(121)는 암호화된 정보를 복호화하고, 복호화된 결과에 기초하여 정보가 유효한지를 검증할 수 있다. 정보의 유효성을 검증한 결과, 정보가 유효하지 않으면, 노드(121)는 정보를 폐기할 수 있다. 일 실시 예에 따라, 정보의 유효성 검증은, 수신된 정보에 해시 함수를 적용함으로써 획득되는 제1 해시값과 서버(100)의 운영자의 공개키를 사용하여 수신된 암호문을 복호화하여 획득되는 제2 해시값을 비교함으로써 수행될 수 있으나 이에 제한되지 않는다.

정보의 유효성을 검증한 결과, 정보가 유효하면, 노드(121)는 정보를 블록체인 네트워크(120) 상의 노드(122)로 전송할 수 있다. 또한, 노드(121)는 후보 블록에 정보를 기록(1212)할 수 있다. 후보 블록에 소정의 거래 정보들이 기록되면, 노드(121)는 후보 블록에 대한 작업 증명을 수행하여 유효한 블록을 생성할 수 있다. 또한, 노드(122)에서도 정보의 유효성이 검증되면, 노드(122)는 정보를 후보 블록에 추가하고, 후보 블록에 대한 작업 증명을 수행하여 유효한 블록을 생성할 수 있다.

노드(123) 및 노드(124)에서도 노드(122)에서와 동일한 동작이 수행될 수 있다.

노드(121)에서 유효한 블록을 생성하여 블록체인에 추가하는 과정을 설명하면, 노드(121)는 소정의 정보들에 대한 머클 트리의 루트를 계산할 수 있다. 노드(121)는 블록체인에 추가될 블록의 입장에서 이전 블록 헤더를 가리키는 해시 참조를 생성할 수 있다. 노드(121)는 블록체인에 추가될 블록의 작업 증명 또는 제약 조건에서 필요한 난이도를 획득할 수 있다. 노드(121)는 머클 트리의 루트, 이전 블록 헤더를 가리키는 해시 참조, 난이도, 타임스태프의 데이터와 난스에 해시 함수를 적용하여 생성된 블록해시의 값이 제약 조건을 만족하는지 확인할 수 있다. 노드(121)는 난스를 0부터 1씩 증가시키면서 제약 조건을 만족시키는 난스의 값을 획득하여 후보 블록에 대한 작업 증명을 수행할 수 있다. 노드(121)는 블록체인에 후보 블록을 유효한 블록으로 추가할 수 있다. 또한, 노드(121)는 유효한 블록을 블록체인의 네트워크 상의 다른 노드들(122, 123, 124 등)로 전송할 수 있다.

블록체인의 네트워크 상의 각 노드들(122, 123, 124 등)은 노드(121)에서 수신한 유효한 블록에 대한 검증을 수행하여, 각 노드들(122, 123, 124 등)에서 보유하는 블록체인에 유효한 블록을 추가할 수 있다.

이에 따라, 서버(100)는 정보들을 블록체인 기술에 기반하여 안전하게 보호함으로써, 전문가 플랫폼의 보안성과 신뢰성을 확보할 수 있다.

또한, 블록체인에 기반하여 다양한 실시 예들이 제공될 수 있다.

개시된 실시 예에서, 전문가에 대한 정보, 전문가가 수행한 프로젝트 정보 및 그 결과에 대한 정보들은 모두 블록체인에 저장될 수 있다.

예를 들어, 상술한 프로젝트 정보를 상기 전문가 풀에 포함된 전문가들에게 제공하는 단계에 있어서, 서버(100)는 제1 프로젝트 정보를 제1 전문가에게 제공하는 단계를 수행할 수 있다.

또한, 서버(100)는 상기 제1 프로젝트 정보를 상기 제1 블록체인에 저장하되, 상기 제1 전문가에 대한 정보에 매칭하여 저장하는, 단계를 수행할 수 있다.

또한, 서버(100)는 상기 제1 전문가에 대한 정보를 상기 제2 블록체인에 저장하되, 상기 제1 프로젝트 정보에 매칭하여 저장하는, 단계를 수행할 수 있다.

또한, 상술한 제1 프로젝트 정보를 상기 제1 블록체인에 저장하는 단계에 있어서, 서버(100)는 상기 제1 프로젝트 정보가 저장된 상기 제2 블록체인 상의 노드를 해시한 정보를 상기 제1 블록체인에 저장하는 단계를 수행할 수 있다.

또한, 상술한 제1 전문가에 대한 정보를 상기 제2 블록체인에 저장하는 단계에 있어서, 서버(100)는 상기 제1 전문가에 대한 정보가 저장된 상기 제1 블록체인 상의 노드를 해시한 정보를 상기 제2 블록체인에 저장하는 단계를 수행할 수 있다.

이를 통해 제1 블록체인과 제2 블록체인은 서로 링크되며, 서로 상이한 블록체인이지만 하나 이상의 접점을 통해 서로 연결된 블록체인처럼 동작하며 서로의 정보를 검증할 수 있게 된다. 이를 통해 두 블록체인은 서로를 검증할 수 있으며, 둘 중 하나의 블록체인에 문제가 생기는 경우에도 다른 하나의 블록체인은 영향을 받지 않으므로, 정보를 백업할 뿐 아니라 이중으로 검증할 수 있는 수단을 제공할 수 있다.

일 실시 예에서, 서버(100)는 상기 제1 프로젝트 정보에 대한 검증요청을 수신할 수 있다.

이 경우, 서버(100)는 블록체인에 기반하여 제1 프로젝트 정보를 검증하되, 서로 연관된 두 가지 블록체인을 활용함으로써 정보를 이중으로 검증할 수 있다.

또한, 서버(100)는 상기 제2 블록체인에 저장된 상기 제1 프로젝트 정보에 기반하여 상기 제1 프로젝트 정보에 대한 검증을 수행할 수 있다.

또한, 서버(100)는 상기 제1 프로젝트 정보가 저장된 노드를 해시한 제1 해시값을 획득할 수 있다.

또한, 서버(100)는 상기 제1 프로젝트 정보를 수행한 상기 제1 전문가에 대한 정보를 획득할 수 있다.

또한, 서버(100)는 상기 제1 해시값을 상기 제1 전문가에 대한 정보가 저장된 상기 제1 블록체인 상의 노드에 기반하여 검증할 수 있다.

또한, 서버(100)는 상기 제1 전문가에 대한 검증요청을 수신할 수 있다.

또한, 서버(100)는 상기 제1 블록체인에 저장된 상기 제1 전문가에 대한 정보에 기반하여 상기 제1 전문가에 대한 검증을 수행할 수 있다.

또한, 서버(100)는 상기 제1 전문가에 대한 정보가 저장된 노드를 해시한 제2 해시값을 획득할 수 있다.

또한, 서버(100)는 상기 제1 전문가가 수행한 상기 제1 프로젝트 정보를 획득할 수 있다.

또한, 서버(100)는 상기 제2 해시값을 상기 제1 프로젝트 정보가 저장된 상기 제2 블록체인 상의 노드에 기반하여 검증할 수 있다.

서버(100)는 검증 성공여부를 리턴할 수 있으며, 검증 성공여부에 따라 제1 프로젝트 정보 및 제1 전문가에 대한 전문성을 평가하거나 경력정보를 획득하는 과정을 수행할 수도 있고, 전문가와 프로젝트 정보 간의 매칭에도 이를 활용할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 전문가 플랫폼의 제어 방법을 설명하기 위한 흐름도이다.

단계 S110에서, 서버(100)는 전문가를 등록할 수 있다.

단계 S120에서, 서버(100)는 등록된 전문가의 전문가정보를 획득할 수 있다.

본 명세서에서, 전문가정보라 함은 특정인이 어떤 업무 분야에서의 특정 결과물을 생산하는 경우, 생산된 결과물과 관련된 정보를 의미할 수 있다.

따라서, 전문가정보라 함은, 각 전문가의 전문성을 평가하거나 전문가의 경력정보를 획득하기 위한 모든 종류의 정보를 포함할 수 있으며, 전문가의 전문성을 평가할 수 있는 정보라 함은 전문가의 특정 전문 분야의 전문성과 소정의 기준값 이상의 연관성을 갖는 정보를 의미할 수 있으며, 전문가의 경력정보라 함은 전문가에 대한 전문가정보를 바탕으로 획득된 전문성의 정도를 의미할 수 있으나, 이에 제한되는 것은 아니다.

나아가, 전문가정보라 함은 해당 전문가의 이력에 대한 정보를 의미할 수 있으며, 실시 예에 따라 이력은 다양한 정보를 포함할 수 있다. 예를 들어, 각 전문가가 근무한 직장, 각 전문가의 학력, 각 전문가가 발표한 논문, 각 전문가가 참여한 프로젝트, 수상 및 보유한 자격증 등의 정보를 포함할 수 있고, 나아가 각 전문가가 온라인 커뮤니티나 동호회 등에서 활동한 기록, 개인적으로 수행한 프로젝트나 취미로 작성한 자료, SNS 활동 및 평판 등 다양한 정형 및 비정형정보들을 모두 포괄하는 의미로 이해될 수 있다.

일 실시 예에서, 서버(100)는 상기 전문가로부터 입력된 정보를 획득할 수 있고, 또한 상기 전문가에 대하여 크롤링된 정보를 수집함으로써 전문가정보를 수집할 수 있다.

예를 들어, 서버(100)는 전문가의 이력서 또는 레퍼런스나, 전문가가 기 설정된 서식에 기초하여 입력하거나, 자유롭게 작성한 정보를 획득할 수 있다. 전문가가 입력한 정보는 전문가의 과거 프로젝트 수행에 대한 정보와, 전문가가 해당 전문분야에서 내세우고자 하는 다양한 정보들이 포함될 수 있다.

일 실시 예에서, 서버(100)는 웹 크롤링을 통해 해당 전문가와 연관된 정보들을 수집할 수 있다. 예를 들어, 서버(100)는 해당 전문가의 개인정보에 기반하여 해당 전문가에 대한 정보를 수집할 수 있다.

서버(100)는 크롤링을 통해 해당 전문가가 입력하지 않은 정보를 획득할 수도 있으나, 이에 제한되지 않으며, 예를 들어 해당 전문가가 입력한 정보를 검증하거나, 해당 전문가가 입력한 정보에 기반하여 더 많은 정보를 수집하기 위하여 크롤링을 수행할 수도 있다.

예를 들어, 해당 전문가가 특정 커뮤니티 사이트에서 활동한 정보를 입력한 경우, 서버(100)는 해당 전문가에 대한 정보를 해당 커뮤니티 사이트에서 크롤링할 수 있고, 이 경우 실시 예에 따라 해당 전문가가 입력한 아이디나 닉네임 등을 포함하는 기초정보를 활용하여 크롤링을 수행할 수도 있다. 이는 전문가가 직접 모든 자료를 수집하여 제출할 수 없는 부분을 보완하기 위하여 활용될 수도 있고, 해당 전문가가 입력한 정보를 검증하기 위하여 활용될 수도 있다.

단계 S130에서, 서버(100)는 획득된 전문가정보를 바탕으로 전문가의 경력정보를 산출할 수 있다.

일 실시 예에서, 서버(100)는 획득한 전문가정보를 검증하고, 검증된 전문가정보를 바탕으로 전문가의 경력정보를 산출할 수 있다. 이때, 전문가정보의 검증이란 전문가로부터 직접 입력된 정보 및 웹 크롤링 등을 통해 획득한 정보의 진위 여부를 확인하는 작업을 의미할 수 있다.

일 실시 예에서, 검증의 대상이 되는 전문가정보가, 전문가에 의해 입력된 과거 프로젝트 수행에 대한 정보인 경우, 서버(100)는 프로젝트의 출처를 획득하고, 획득된 프로젝트 출처로부터 전문가정보를 요청하여 전문가가 입력한 전문가정보와 프로젝트 출처로부터 수신한 전문가정보가 동일한지 여부를 판단함으로써 전문가정보를 검증할 수 있다.

또 다른 실시 예로, 검증의 대상이 되는 전문가정보가 크롤링에 의해 획득된 정보인 경우, 서버(100)는 크롤링에 의해 획득된 정보로부터 카테고리 정보를 획득하고, 기 검증된 전문가정보 중 획득된 카테고리에 대응되는 전문가정보를 비교하여 전문가정보를 검증할 수 있다. 예를 들어, 카테고리 정보가 학력 카테고리 정보인 경우, 서버(100)는 크롤링에 의해 획득된 정보에 포함된 학력 카테고리에 대한 정보(예를 들어 A 대학교 졸업)와 기 검증된 전문가정보 중 학력 카테고리에 대응되는 정보(예를 들어 B 대학교 졸업)을 비교하여 전문가정보를 검증할 수 있다. A 대학교와 B 대학교가 상이한 대학교이면 크롤링에 의해 획득된 정보는 전문가정보에서 제외할 수 있다.

또 다른 예로, 카테고리 정보가 수행 프로젝트 카테고리 정보인 경우, 서버(100)는 크롤링에 의해 획득된 정보에 포함된 수행 프로젝트 카테고리에 대한 정보(예를 들어 A 프로젝트 수행)와 기 검증된 전문가정보 중 수행 프로젝트 카테고리에 대응되는 정보(예를 들어 B 프로젝트 수행)을 비교하여 전문가정보를 검증할 수 있다. A 프로젝트와 B 프로젝트가 동일한 프로젝트인 경우, 서버(100)는 크롤링에 의해 획득된 정보를 검증된 전문가정보로 획득할 수 있다. 서버(100)는 세부 프로젝트의 수행 내역이 동일한지 여부를 더 판단할 수 있음은 물론이다. A 프로젝트와 B 프로젝트가 상이한 프로젝트이고, 두 프로젝트가 동시에 수행 불가능한 경우, 서버(100)는 크롤링에 의해 획득된 정보를 전문가정보에서 제외할 수 있다. A 프로젝트와 B 프로젝트가 상이한 프로젝트이고, 두 프로젝트가 동시에 수행 가능한 경우, 서버(100)는 크롤링에 의해 획득된 정보에 대한 진위 여부에 대한 증명 자료를 전문가에게 요청하여 전문가정보를 검증할 수 있다.

상술한 실시 예 뿐만 아니라, 서버(100)는 전문가정보로부터 다양한 카테고리 정보를 추출하고, 추출된 카테고리 정보에 대응되는 전문가정보를 검증할 수 있다.

이하에서는 특별한 언급이 없는 한 전문가 플랫폼에서 활용되거나 서술되는 전문가정보는 검증된 전문가정보인 것으로 다양한 실시 예를 설명한다.

단계 S140에서, 서버(100)는 전문가의 경력정보를 바탕으로 전문가에 대응되는 프로젝트를 매칭할 수 있다.

단계 S150에서, 서버(100)는 프로젝트의 수행 결과에 따라 산출된 프로젝트 데이터를 획득할 수 있다.

단계 S160에서, 서버(100)는 프로젝트 데이터를 바탕으로 전문가의 경력정보를 업데이트 할 수 있다.

도 6은 본 발명의 일 실시 예에 따른 전문가의 경력정보를 산출하는 방법을 설명하기 위한 흐름도이다.

단계 S210에서, 서버(100)는 전문가정보를 정형정보 및 비정형정보로 분류할 수 있다.

상술한 바와 같이, 본 명세서에서 전문가정보는 정형정보 및 비정형정보로 구분될 수 있다.

일 실시 예에서, 정형정보는 이미 특정 전문 분야의 전문성과의 연관성이 정량적으로 입증된 정보(또는 수치화 할 수 있는 정보)들을 의미할 수 있다. 예를 들어, 상술한 바와 같이 전문가를 증명할 수 있는 객관적 자료들이 정형정보에 해당할 수 있다.

예를 들어, 정형정보는 특정 분야의 업체 혹은 부서에서 근무한 이력이나 특정 전문 분야의 프로젝트나 과제에 참여한 이력, 특정 분야의 학력이나 논문발표정보, 참여한 프로젝트, 수상 및 보유한 자격에 대한 정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

일 실시 예에서, 비정형정보는 정형정보에 속하지 않으나, 특정 전문 분야와의 연관성을 갖는 모든 종류의 정보를 의미할 수 있다. 예를 들어, 상술한 바와 같이 개별적인 노력에 따른 정보들이 비정형정보에 속할 수 있다.

예를 들어, 비정형정보는 온라인 커뮤니티나 동호회 등에서 활동한 기록, 개인적으로 수행한 프로젝트나 취미로 작성한 자료, 온라인 교육 컨텐츠를 수강한 정보, SNS 활동 정보 및 평판 정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

일 실시 예에서, 기존에 정형정보가 저장되지 않은 새로운 전문 분야에 대한 전문가정보가 획득될 수 있다. 이 경우, 해당 전문 분야에 대해서는 경력정보를 산출하거나 전문성을 평가할 수 있는 기준이 되는 정형정보가 전혀 저장된 바 없으므로, 모든 전문가정보가 비정형정보로 평가될 수 있다.

예를 들어, 특정 전문 분야의 직장이나 부서에서 근무한 정보, 프로젝트나 과제를 수행한 정보라 할지라도 해당 전문 분야에 대하여 기 평가되거나 저장된 정보가 없는 경우, 비정형정보와 같이 평가하여 해당 전문 분야에 대한 각 전문가의 전문성을 평가하거나 해당 전문 분야에 대한 각 전문가의 경력정보를 획득하는 데 활용할 수 있다.

이외에도 자문(위원)활동, 심사 및 평가자 활동, 강의 및 강연활동, 멘토링 활동경력, 사외 경력 등이 전문가정보에 포함될 수 있는데, 이는 정형정보에 속할 수도, 비정형정보에 속할 수도 있다. 예를 들어, 분류 기준은 특정 전문 분야의 전문성과의 연관성이 기존에 정량적으로 입증되어 데이터 베이스화 되었는지 여부가 될 수 있으나, 이에 제한되는 것은 아니다.

또한, 전문가의 도덕성을 검증할 수 있는 자료 또한 전문가정보에 속할 수 있는데, 예를 들어 해당 업계나 업종, SNS 등에서의 활동 인지도 및 평판, 리베이트 여부, 범죄기록, 사기기록 등 다양한 정보가 활용될 수 있으며, 현실적으로 모든 정보를 이용할 수 없더라도, 외부에 공개되어 수집할 수 있는 정보라면 정형정보 또는 비정형정보로 구분되는 전문가정보로 사용될 수 있다.

한편, 상술한 정형정보 및 비정형정보 중 일부는, 데이터로 수치화 하기 어려운 경우가 존재할 수 있다. 데이터로 수치화 하기 어려운 경우란, 그 기준이 마련되지 않아 데이터 수치화가 불가능한 경우를 의미할 수 있다. 이 경우, 수치화가 어려운 데이터는 주변 평가를 바탕으로 직접 입력 될 수 있을 뿐만 아니라, 다양한 형태의 알고리즘을 통해 수치화 될 수 있음은 물론이다.

예를 들어, 개시된 실시 예에 따른 전문가 및 각 전문가정보는 다양하게 설정될 수 있는데, 예를 들면 누구나 알고 있는 전문가나, 객관적 자료로 증명된 전문가들, 그리고 전문가가 되고자 개별적으로 노력한 비전문가로서, 전문가에 준하거나 그 이상의 전문성을 갖추게 된 전문가들, 어느 수준까지는 객관적 자료로 증명된 전문가이나, 거기에 개별적인 노력을 더하여 전문성을 높인 전문가 등이 있을 수 있다.

따라서, 이러한 다양한 전문가들의 경력정보를 산출하기 위해서는, 전문가정보를 그 성질에 따라 분류할 필요가 있다. 이하에서는 이를 정형정보 및 비정형정보로 분류하고, 이에 따라 전문가의 경력정보를 산출하는 실시 예를 구체적으로 설명한다.

일 실시 예에서, 정형정보는 이미 특정 전문분야의 전문성과의 연관성이 정량적으로 입증된 정보들을 의미할 수 있다. 예를 들어, 상술한 바와 같이 전문가의 경력정보를 증명할 수 있는 객관적 자료들이 정형정보에 해당할 수 있다.

예를 들어, 정형정보는 특정 분야의 업체 혹은 부서에서 근무한 이력이나 특정 전문분야의 프로젝트나 과제에 참여한 이력, 특정 분야의 학력이나 논문발표정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

이외에도 자문(위원)활동, 심사 및 평가자 활동, 강의 및 강연활동, 멘토링 활동이력, 사외 이력 등이 전문가정보에 포함될 수 있는데, 이는 정형정보에 속할 수도, 비정형정보에 속할 수도 있다. 예를 들어, 분류 기준은 특정 전문분야의 전문성과의 연관성이 기존에 정량적으로 입증되어 데이터베이스화 되었는지 여부가 될 수 있으나, 이에 제한되는 것은 아니다.

또한, 전문가의 도덕성을 검증할 수 있는 자료 또한 전문가정보에 속할 수 있는데, 예를 들어 해당 업계나 업종, SNS 등에서의 활동 인지도 및 평판, 리베이트 여부, 범죄기록, 사기기록 등 다양한 정보가 활용될 수 있으며, 현실적으로 모든 정보를 이용할 수 없더라도, 외부에 공개되어 수집할 수 있는 정보라면 마찬가지로 전문가의 경력 산출에 활용될 수 있다.

일 실시 예에서, 비정형정보는 정형정보에 속하지 않으나, 특정 전문분야와의 연관성을 갖는 모든 종류의 정보를 의미할 수 있다. 예를 들어, 상술한 바와 같이 개별적인 노력에 따른 정보들이 비정형정보에 속할 수 있다.

예를 들어, 비정형정보는 온라인 커뮤니티나 동호회 등에서 활동한 기록, 개인적으로 수행한 프로젝트나 취미로 작성한 자료, 온라인 교육컨텐츠를 수강한 정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

일 실시 예에서, 기존에 정형정보가 저장되지 않은 새로운 전문분야에 대한 전문가정보가 획득될 수 있다. 이 경우, 해당 전문분야에 대해서는 경력정보를 산출하거나 전문성을 평가할 수 있는 기준이 되는 정형정보가 전혀 저장된 바 없으므로, 모든 전문가정보가 비정형정보로 평가될 수 있다.

예를 들어, 특정 전문분야의 직장이나 부서에서 근무한 정보, 프로젝트나 과제를 수행한 정보라 할지라도 해당 전문분야에 대하여 기 평가되거나 저장된 정보가 없는 경우, 비정형정보와 같이 평가하여 해당 전문분야에 대한 각 전문가의 전문성을 평가하는 데 활용할 수 있다.

단계 S220에서, 서버(100)는 정형정보 및 비정형정보를 평가할 수 있다.

일 실시 예에서, 서버(100)는 각각의 정형정보를 개별적으로 평가할 수도 있고, 복수의 정형정보를 종합적으로 평가할 수도 있으며, 그 방법은 제한되지 않는다.

일 실시 예에서, 서버(100)는 각각의 비정형정보를 개별적으로 평가할 수도 있고, 복수의 비정형정보를 종합적으로 평가할 수도 있으며, 그 방법은 제한되지 않는다.

단계 S230에서, 서버(100)는 평가 결과를 바탕으로 전문가의 경력정보를 산출할 수 있다.

일 실시 예에서, 서버(100)는 정형정보 및 비정형정보에 대한 평가 결과를 바탕으로 전문가의 경력정보를 획득할 수 있다. 다만, 이에 한정되는 것은 아니고, 서버(100)는 정형정보 및 비정형정보를 포함하는 전문가정보를 바탕으로 전문성평가정보를 획득하고, 획득된 전문성평가정보로부터 전문가의 경력정보를 획득할 수도 있음은 물론이다.

일 실시 예에서, 서버(100)는 각각의 정형정보 및 비정형정보를 포함하는 전문가정보를 개별적으로 평가하고, 개별적으로 평가된 결과를 합산하는 방식으로 전문가의 경력정보 또는 전문성을 평가할 수도 있고, 복수의 전문가정보를 종합적으로 평가할 수도 있으며, 일부 전문가정보를 그룹화하여 각각의 그룹에 대한 전문성을 평가하고, 전체 전문성 평가결과를 합산하는 방식으로 전문가의 경력정보 또는 전문성을 평가할 수도 있으며, 그 방법은 제한되지 않는다.

단계 S240에서, 서버(100)는 데이터베이스에 저장된 이력정보에 대응되는 전문가정보를 정형정보로 분류할 수 있다.

일 실시 예에서, 데이터베이스에는 각 전문분야에 대한 정보와, 각 전문분야에 대응하는 이력정보가 미리 저장될 수 있다.

서버(100)는 데이터베이스를 이용하여, 해당 데이터베이스에 이미 저장된 정보를 정형정보인 것으로 판단할 수 있다. 일 실시 예에서, 서버(100)는 해당 데이터베이스에 저장된 정보와, 전문가정보를 매칭하는 과정을 수행할 수 있다. 예를 들어, 전문가가 입력하거나 크롤링된 전문가정보와 데이터베이스에 기 저장된 정보가 정확하게 일치하지는 않을 수도 있으므로, 서로 유사한 정보를 매칭함으로써 정형정보 여부를 판단하는 과정을 수행할 수 있다. 예를 들어, 데이터베이스에 저장된 정보와 소정의 기준값 이상의 일치율을 보이는 정보는 정형정보인 것으로 판단할 수 있다.

일 실시 예에서, 서버(100)는 전문가에 의한 입력단계에서 매칭되는 데이터베이스 정보를 표시하고, 전문가가 직접 대응하는 데이터베이스 정보를 매칭하도록 함으로써 입력단계에서 정형정보를 필터링할 수도 있다.

단계 S250에서, 서버(100)는 데이터베이스에 저장되지 않은 전문분야에 대한 정보 및 데이터베이스에 저장되지 않은 이력정보에 해당하는 전문가정보를 비정형정보로 분류할 수 있다.

일 실시 예에서, 서버(100)는 데이터베이스에 기반하여 분류된 정형정보를 제외한 전문가정보를 비정형정보로 분류할 수 있다.

일 실시 예에서, 복수의 데이터베이스가 계층적으로 구성될 수도 있다. 예를 들어, 제1 데이터베이스에는 각 전문분야에 대한 정보와, 각 전문분야에 대응하는 이력정보가 저장되며, 제1 데이터베이스에 저장된 정보에 대응하는 전문가정보는 정형정보로 분류되도록 할 수 있다.

또한, 제2 데이터베이스에도 각 전문분야에 대한 정보와, 각 전문분야에 대응하는 이력정보가 저장될 수 있으나, 해당 데이터베이스에 저장된 정보에 대응하는 전문가정보는 비정형정보로 분류되며, 제1 데이터베이스 및 제2 데이터베이스에 모두 저장되지 않은 정보는 마찬가지로 비정형정보로 분류되도록 할 수 있다.

또한, 실시 예에 따라 제2 데이터베이스에 저장된 정보에 대응하는 전문가정보는 비정형정보로 분류하되, 제2 데이터베이스에 저장된 정보를 해당 비정형정보의 평가에 활용할 수 있다.

즉, 제2 데이터베이스에 저장된 정보는 비정형정보와 정형정보의 중간단계에 해당할 수 있으나, 제2 데이터베이스에 저장된 정보가 정형정보로 평가되지는 않도록 할 수 있다. 다만 이는 일 실시 예에 해당할 뿐이고, 데이터베이스의 구성 및 그 활용방법은 제한되지 않는다.

단계 S260에서, 서버(100)는 데이터베이스에 저장된 평가정보에 기반하여 정형정보를 평가할 수 있다.

예를 들어, 데이터베이스에는 각 정형정보에 대응하는 전문가정보에 대한 평가정보가 이미 저장되어 있을 수 있으며, 서버(100)는 데이터베이스에 저장된 정보에 기반하여 각각의 정형정보에 대응하는 점수를 정량적으로 산출할 수 있다.

예를 들어, 데이터베이스에는 특정 전문분야에 대하여 특정한 이력정보가 어떠한 연관성을 갖는지, 해당 이력정보의 기간 및 해당 이력정보에서 전문가가 수행한 역할에 기반하여 어느 정도의 경력을 인정할 수 있는가에 대한 정보가 미리 저장될 수 있다.

미리 저장되는 정보는 해당 분야의 전문가에 의하여 입력될 수도 있고, 기 수집된 빅데이터에 기반하여 산출된 정보에 기초하여 결정될 수도 있다. 예를 들어, 해당 분야에 대한 레퍼런스 데이터가 많은 경우, 이를 활용하여 빅 데이터를 구축하고, 기계학습 등 학습방법을 활용하여 각 분야와 이력정보 간의 상관관계를 판단할 수 있으며, 나아가 각 이력정보의 세부정보에 따라 정량적으로 전문성을 평가할 수 있는 정보를 획득할 수 있다.

이러한 정보들은 데이터베이스에 미리 저장되어, 정형정보로 분류된 전문가정보들을 평가하는 데 활용될 수 있다.

단계 S270에서, 서버(100)는 이력정보와 각 전문분야의 전문성 간의 연관관계를 도출하도록 학습된 모델을 이용하여 비정형정보로부터 전문가의 전문분야에 대한 경력정보를 추정할 수 있다.

학습된 모델은 특정 이력정보와 각 전문분야의 전문성 간의 연관관계를 도출하여, 비정형정보로부터 해당 전문가의 전문성을 추정할 수 있도록 학습된 모델일 수 있다.

일 실시 예에서, 학습된 모델은 데이터베이스에 기 저장된 특정 전문분야에 대하여 새로운 비정형정보가 획득되는 경우, 해당 비정형정보와 전문분야 간의 연관성을 추정할 수 있다.

또한, 학습된 모델은 데이터베이스에 저장되지 않은 새로운 전문분야와 해당 전문분야의 새로운 비정형정보에 대해서도, 상호 연관성을 추정할 수 있다.

일 실시 예에서, 학습된 모델은 데이터베이스에 저장된 정보에 기반하여 학습된 것일 수 있다. 서버(100)는 데이터베이스에 저장된 정보에 기반하여 다양한 학습 데이터를 생성할 수 있으며, 예를 들어 데이터베이스에 기 저장된 특정 전문분야와 새로운 비정형정보 간의 연관성을 추정할 수 있도록, 데이터베이스에 기 저장된 전문분야에 대한 연관성이 미리 라벨링된 이력정보들을 포함하는 학습 데이터를 생성하고, 이에 기반하여 모델을 학습시킬 수 있다.

다른 예로, 데이터베이스에 기 저장되지 않은 특정 전문분야와 새로운 비정형정보 간의 연관성을 추정할 수 있도록, 특정 전문분야에 대하여 추출된 특징정보와, 특정 이력정보에 대하여 추출된 특징정보 및 각 특징정보 간의 상관관계를 미리 라벨링한 학습 데이터를 생성하고, 이에 기반하여 모델을 학습시킬 수 있다.

즉, 서버(100)는 데이터베이스 및 데이터베이스에 기반하여 학습된 모델을 이용하여, 전문가의 정형정보 및 비정형정보를 분류하고, 분류된 각각의 정보에 대한 전문가정보를 평가함으로써 전문가의 경력정보를 추정할 수 있다.

도 7은 본 발명의 일 실시 예에 따른 전문가의 경력정보를 산출하는 또 다른 방법을 설명하기 위한 흐름도이다.

단계 S310에서, 서버(100)는 전문가정보 각각에 대한 평가결과를 산출할 수 있다.

단계 S320에서, 서버(100)는 전문가정보 각각에 대응하는 시점을 획득할 수 있다.

예를 들어, 시점은 근무기간, 프로젝트 참여기간(시작시점 및 종료시점 포함), 온라인 커뮤니티 활동기간, 논문발표 시점, 자격증 획득 시점, 프로젝트 수행 시점 등에 대한 정보를 포함할 수 있으며, 이에 제한되지 않는다.

단계 S330에서, 서버(100)는 전문가정보 각각에 대응하는 시점으로부터 현재까지의 기간에 기초하여 산출된 평가결과에 대하여 가중치를 부여할 수 있다.

예를 들어, 서버(100)는 오래된 전문가정보일수록 평가결과를 감소시키도록 가중치를 부여할 수 있다. 즉, 오래된 전문가정보의 경우 시간이 흐름에 따라 망각될 수 있고, 전문가의 지식과 감각이 둔해질 수 있으므로, 시간이 흐름에 따라 해당 전문가정보에 대한 평가결과를 감소시키는 가중치를 부여할 수 있다.

마찬가지로, 서버(100)는 각 경력정보의 기간이 길수록 평가결과를 증가시키는 가중치를 부여할 수 있고, 최근의 전문가정보일수록 평가결과를 증가시키는 가중치를 부여할 수도 있다.

단계 S340에서, 서버(100)는 가중치가 부여된 평가결과에 기초하여 전문가의 경력정보를 산출할 수 있다.

단계 S350에서, 서버(100)는 전문가정보에 포함된 공백기간에 대한 정보를 획득할 수 있다.

즉, 전문가정보는 정형정보 및 비정형정보 뿐만 아니라 공백기간에 대한 정보를 포함할 수 있으며, 하나 이상의 정형정보 및 비정형정보는 서로 중첩될 수도 있다.

공백기간은 정형정보가 없는 기간을 의미할 수도 있고, 정형정보 및 비정형정보 모두가 없는 기간을 의미할 수도 있다. 또한, 공백기간의 단위는 적게는 몇 시간에서부터, 길게는 일, 주, 월, 년 등의 다양한 단위로 구분될 수 있다.

단계 S360에서, 서버(100)는 전문가정보에 포함된 정형정보, 비정형정보 및 공백기간을 시간순으로 정렬할 수 있다.

단계 S370에서, 서버(100)는 정렬된 전문가정보 각각에 대한 가중치를 부여할 수 있다.

예를 들어, 특정 전문가정보에 후행하는 공백정보가 있는 경우, 공백기간 동안 해당 전문가정보에 대한 평가결과는 하락되도록, 가중치가 조절될 것이다. 반면, 오랜 시간이 지난 정보라 할지라도 그 이후에 동일 전문범위의 경력이 지속적으로 등록되어 있다면, 평가결과가 하락하지 않거나, 실시 예에 따라 증가하도록 가중치가 설정될 수도 있다.

또한, 정형정보의 공백기간에는 비정형정보가 배치될 수도 있는데, 이 경우 해당 정형정보의 공백기간에 획득된 전문가정보에 대응하는 비정형정보를 평가하고, 평가 결과 기 설정된 기준값 이상인 경우에는 해당 위치를 공백영역으로 여기지 않고, 연속되는 경력정보로 평가할 수 있다.

일 실시 예에서, 기 설정된 기간 이하의 공백영역은 무시될 수도 있다.

특정 분야의 전문성을 입증할 수 있는 전문가정보는 오래 지속될수록 더 높은 가치를 인정받을 수 있어, 가중치 또한 이에 합당하도록 조정될 수 있다. 각 전문가정보에 대한 평가결과가 높을수록, 그 이전의 전문가정보에 대한 가중치 또한 전문성을 높게 인정하는 방향으로 조정될 수 있으나, 이에 제한되는 것은 아니다.

도 8은 본 발명의 일 실시 예에 따른 전문가의 경력정보를 업데이트 하는 방법을 설명하기 위한 흐름도이다.

단계 S410에서, 서버(100)는 프로젝트 데이터에 기초하여 전문가의 경력정보에 대한 피드백을 생성할 수 있다.

피드백의 종류는 제한되지 않으나, 해당 전문가에 대하여 추정된 경력정보와, 업무 처리결과에 기초하여 획득된 경력정보 간의 차이에 대한 정보가 피드백에 포함될 수 있다.

또한, 서버(100)는 상기 피드백에 기초하여 상기 전문가의 전문성을 업데이트하는 단계를 수행할 수 있다.

즉, 서버(100)는 피드백에 기초하여 전문가의 경력정보를 유지하거나, 상승시키거나, 하락시킬 수 있다.

또한, 서버(100)는 해당 전문가의 경력정보에 변동이 발생하는 경우, 해당 전문가의 경력정보를 활용하거나, 해당 전문가의 경력정보를 제고할 수 있는 수단을 제공할 수 있다.

예를 들어, 전문가의 경력정보에 따라 해당 전문가에게 할당하는 과제 및 프로젝트의 종류나, 해당 과제 및 프로젝트에서 담당하는 과업의 종류가 변경될 수 있고, 또한 해당 전문가의 전문성을 증대시키기 위한 교육정보가 제공될 수 있다.

또한, 비정형정보에 기반한 전문성 추정결과와 실제 추정경력정보가 상이한 경우, 이에 기반하여 모델을 업데이트할 수 있다.

단계 S420에서, 서버(100)는 피드백에 기초하여 학습된 모델의 추정결과를 평가할 수 있다.

예를 들어, 상술한 방법과 같이 학습된 모델을 이용하여 비정형정보로부터 전문가의 전문성을 추정할 수 있으며, 이는 해당 전문가의 실제 업무 수행결과에 기초하여 평가될 수 있다.

단계 S430에서, 서버(100)는 추정결과에 대한 평가정보에 기초하여 학습된 모델을 업데이트할 수 있다.

서버(100)는 해당 전문가의 비정형정보와, 실제 업무 수행결과를 포함하는 정보를 새로운 학습 데이터로 하거나, 기존의 학습 데이터에 추가하여 학습을 수행함으로써, 학습된 모델을 업데이트할 수 있다.

마찬가지로, 추정 결과 및 이에 대한 피드백에 기초하여, 서버(100)는 강화학습을 통해 학습된 모델을 업데이트하는 것도 가능하다.

단계 S440에서, 제1 비정형정보와 제1 전문분야 간의 연관성이 기 설정된 기준값을 초과하는 경우, 제1 비정형정보를 제1 전문분야에 대한 정형정보로서 데이터베이스에 저장할 수 있다.

단계 S450에서, 제1 전문분야에 대한 정보가 데이터베이스에 저장되어 있지 않은 경우, 제1 전문분야에 대한 정보를 데이터베이스에 저장할 수 있다.

즉, 비정형정보라 할지라도 해당 비정형정보와 연관된 레퍼런스들이 충분히 쌓여서 특정 전문분야와의 연관성을 기 설정된 기준값 이상 확인할 수 있는 경우, 해당 비정형정보 및 이에 대응하는 전문분야에 대한 정보를 데이터베이스에 추가함으로써, 해당 비정형정보를 정형정보로 등록할 수 있다.

예를 들어, 특정 온라인 커뮤니티 활동은 처음에는 비정형정보로 취급될 수 있으나, 해당 온라인 커뮤니티에서 활발하게 활동한 전문가들의 전문성이 입증되는 경우, 해당 온라인 커뮤니티의 활동정보는 정형정보로 등록될 수 있다.

또한, 데이터베이스에 기 저장되지 않은 전문분야의 경우에도, 하나 이상의 비정형정보와 소정의 기준값 이상의 연관성을 확보하는 경우, 해당 전문분야에 대한 정보와, 이에 대응하는 비정형정보를 정형정보로서 데이터베이스에 등록하는 것이 가능하다.

도 9는 본 발명의 일 실시 예에 따른 전문가에게 프로젝트를 제공하는 방법을 설명하기 위한 흐름도이다.

단계 S510에서, 서버(100)는 프로젝트 정보를 획득할 수 있다.

이때, 프로젝트 정보는 프로젝트가 포함하는 다양한 구성에 대한 정보일 수 있다. 일 실시 예에서, 프로젝트 정보는, 프로젝트의 등록 주체에 대한 데이터, 프로젝트의 카테고리 정보, 프로젝트의 제안요청서(RFP, request for proposal) 및 과업의 세부 내용, 프로젝트의 시작 시점 또는 완료 시점에 대한 정보, 프로젝트의 수행 주체에 대한 정보, 프로젝트의 수행 업무에 대한 정보, 프로젝트의 결과물에 대한 정보 등을 의미할 수 있다

단계 S520에서, 서버(100)는 획득된 프로젝트 정보로부터 프로젝트 수행에 필요한 경력정보를 추출할 수 있다.

일 실시 예에서, 서버(100)는 프로젝트 정보 중 프로젝트의 카테고리 정보, 프로젝트의 제안요청서(RFP, request for proposal) 및 과업의 세부 내용 대한 정보로부터 전문 분야에 대한 정보를 추출하고, 프로젝트의 수행 업무에 대한 정보로부터 프로젝트 수행에 필요한 경력정보를 추출할 수 있다.

단계 S530에서, 서버(100)는 추출된 경력정보를 포함하는 전문가를 매칭할 수 있다.

일 실시 예에서, 프로젝트 수행에 필요한 경력정보가 프로젝트 매니저(Project Manager, PM)의 직책을 기 설정된 횟수 이상 수행할 것을 요구하는 경력정보인 경우, 서버(100)는 기 설정된 횟수 이상 PM을 수행한 경력정보를 가지고 있는 전문가를 프로젝트에 매칭할 수 있다. 또는, 프로젝트 수행에 필요한 경력정보가 기 설정된 조건을 만족하는 규모의 프로젝트에 대한 프로젝트 매니저(Project Manager, PM)를 기 설정된 횟수 이상 수행할 것을 요구하는 경력정보인 경우, 서버(100)는 기 설정된 조건을 만족하는 규모의 프로젝트에 대한 PM 수행을 기 설정된 횟수 이상 수행한 경력정보를 가지고 있는 전문가를 프로젝트에 매칭할 수 있다. 이때 프로젝트의 규모란, 예산의 범위에 따른 규모, 과업의 범위에 따른 규모, 투입되는 전문가의 범위(수)에 따른 규모 및 지역적 범위에 따른 규모 등 다양할 수 있다.

본 개시의 다양한 실시 예에 따라, 서버(100)는 경력정보 뿐만 아니라 다양한 정보를 바탕으로 프로젝트와 전문가를 매칭할 수 있음은 물론이다. 예를 들어, 서버(100)는 프로젝트의 수행 기간을 바탕으로 해당 기간에 업무 수행이 가능한 전문가를 프로젝트와 매칭하거나, 프로젝트의 업무수준을 바탕으로 해당 업무를 수행할 수 있는 전문가를 프로젝트와 매칭할 수 있음은 물론이다. 또는, 프로젝트에 필요한 전문가가 둘 이상인 경우, 서버(100)는 프로젝트에 적합한 메인 전문가를 먼저 매칭하고, 메인 전문가와 최고의 시너지를 발휘할 수 있는 서브 전문가를 프로젝트에 매칭할 수 있다. 다양한 실시 예에 따라, 메인 전문가와 서브 전문가는 동일한 전문가 풀에 속한 전문가일 수 있다. 또는 서브 전문가는 프로젝트 정보로부터 추출된 경력정보 중 메인 전문가의 경력정보에 대응되는 경력정보를 제외한 경력정보를 모두 커버할 수 있는 전문가로 결정될 수도 있다. 다만, 이에 한정되는 것은 아니며, 서버(100)는 필요에 따라 다양한 정보를 바탕으로 전문가와 프로젝트를 매칭할 수 있음은 물론이다.

도 10은 본 발명의 일 실시 예에 따른 전문가 풀 생성 방법 및 전문가 할당 방법을 설명하기 위한 흐름도이다.

단계 S610에서, 서버(100)는 복수의 전문가 각각에 대한 전문가정보를 획득할 수 있다.

단계 S620에서, 서버(100)는 획득된 복수의 전문가정보를 바탕으로 복수의 전문가 풀을 생성할 수 있다.

구체적으로, 서버(100)는 복수의 전문가정보를 기 설정된 분류 기준에 따라 분류하여 전문가 풀을 생성할 수 있다. 일 실시 예에서, 분류 기준은 전문가정보에 포함된 정형정보를 바탕으로 획득되는 분류 기준일 수 있다. 이때, 정형정보라고 하더라도 정보의 중요도가 다를 수 있다. 정형정보에 가중치가 획득된 경우, 서버(100)는 가중치가 기 설정된 값 이상인 정형정보를 바탕으로 전문가에 대한 정보를 분류할 수 있다.

예를 들어, 분류를 위한 정형정보가 전문가의 전문 분야인 경우, 서버(100)는 전문 분야와 연관된 정형 및 비정형정보를 획득하여 전문가정보를 분류할 수 있다. 즉, 서버(100)는 전문 분야에 대한 카테고리(예를 들어, 법률 카테고리, 회계 카테고리 등)를 획득하고, 수집된 전문가정보가 획득된 카테고리 중 어느 카테고리와 연관이 있는지를 판단하여 전문가정보를 분류할 수 있다.

일 실시 예에서, 분류를 위한 정형정보가 2개 이상인 경우, 서버(100)는 다양한 방법으로 전문가정보를 분류할 수 있다. 분류를 위한 정형정보가 전문 분야 및 경력정보인 경우, 서버(100)는 전문 분야 및 경력을 모두 고려하여 전문가정보를 분류할 수 있다. 이 경우, 분류를 위한 정형정보가 하나인 경우보다 세분화된 분류가 가능할 수 있다. 예를 들어, 분류를 위한 정형정보가 전문 분야 하나인 경우, 카테고리는 법률 카테고리, 회계 카테고리 등의 전문 분야별 카테고리로 한정되나, 분류를 위한 정형정보가 전문 분야 및 경력정보인 경우, 카테고리는 법률 분야의 10년 이하 전문가, 법률 분야의 10년 이상 전문가, 회계 분야의 10년 이하 전문가, 회계 분야의 10년 이상 전문가와 같이 세분화된 카테고리에 따라 전문가정보를 분류할 수 있다.

즉, 서버(100)는 필요에 따라 전문가 풀을 다양한 기준으로 분류할 수 있다.

일 실시 예에서, 본 발명에 따른 전문가 풀이 MICE 산업 전문가들을 분류하기 위한 전문가 풀인 경우, 서버(100)는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시 박람회와 이벤트(Exhibition & Event)와 같이 각각의 산업 분야를 기준하여 전문가 풀을 분류할 수 있다.

또 다른 실시 예로, 서버(100)는 기획, 연출, 제작, 운영, 영업 및 행정 등과 같은 기능 분야별 전문가 풀을 분류할 수 있다.

또 다른 실시 예로, 서버(100)는 프로젝트의 유형에 따른 전문가의 유경험 보유 정도에 따라 전문가 풀을 분류할 수 있다. 구체적으로, 동일한 분야의 동일 경력을 가진 전문가라고 하더라도 프로젝트 수행 경험(Know-how)의 차이가 있을 수 있다. 예를 들어, 동일 연차의 기획 또는 연출 전문가라고 해도 국내 또는 해외 프로젝트 수행 유경험 및 정부, 공공기관, 지자체, 기업 등 주최자 또는 발주자별 프로젝트 수행 유경험 및 전시 분야라고 해도 1억 규모, 10억 규모, 30억 규모 등의 규모별 프로젝트 수행 유경험 등에 따라 서로 다른 수행 경험(Know-how)의 정도를 가질 수 있다. 따라서, 서버(100)는 전문가의 경험치의 보유 정도를 기준으로 전문가 풀을 분류할 수 있다.

또 다른 실시 예로, 서버(100)는 전문가의 평판의 정도에 따라 전문가 풀을 분류할 수 있다. 전문가 평판에 대한 전문가정보는 해당 업계나 업종, SNS 등에서의 활동 인지도, 리베이트 여부, 범죄기록, 사기기록 등 다양한 정보가 활용되거나, 해당 전문가에 대한 추천서, 증빙 서류 등을 통해 획득될 수 있다.

상술한 다양한 실시 예들은, 개별적으로 전문가 풀 분류에 사용되는 것이 아니라 복합적으로 사용 될 수 있음은 물론이다. 예를 들어, 서버(100)는, 전문가의 분야, 기능, 경험 유무 및 보유 정도, 평판 중 적어도 두개의 기준을 이용하여 전문가 풀을 분류할 수 있음은 물론이다.

한편, 본 발명의 다양한 실시 예에 따른, 서버(100)는 인공지능모델을 이용하여 전문가 풀을 생성할 수 있음은 물론이다.

구체적으로, 서버(100)는 상기 수집된 복수의 전문가정보를 인공지능 모델에 기반하여 클러스터링 할 수 있다. 이때, 다양한 방법을 통해 클러스터링이 이뤄질 수 있다. 다양한 실시 예에 따라, 본 개시에 따른 클러스터링은 K-mean 클러스터링, Mean-Shift 클러스터링, Density-Based Spatial 클러스터링, Gaussian Mixture Model을 이용한 클러스터링, Agglomerative Hierarchical 클러스터링 기법 등 다양한 기법이 적용될 수 있다.

일 실시 예에서, 서버(100)는 K-mean 클러스터링 알고리즘을 이용하여 전문가정보를 클러스터링 할 수 있다. 구체적으로, 1) 전문가정보의 집합(D) 및 클러스터의 개수(k)가 입력되면, 서버(100)는 전문가정보의 집합 D에서 k개의 오브젝트를 임의로 추출하고, 추출된 k개의 전문가정보를 각각의 클러스터의 중심점(centroid)로 설정할 수 있다. 2) 서버(100)는 클러스터의 중심점을 기준으로 k개의 클러스터를 획득할 수 있다. 구체적으로, 서버(100)는 전문가정보의 집합(D)에 포함된 각각의 전문가정보와 추출된 k개의 전문가정보 각각에 대한 거리를 구하고, 각각의 전문가정보가 어느 중심점과 가장 유사도가 높은지 판단하여, 클러스터를 획득할 수 있다. 3) 서버(100)는 획득된 클러스터에 포함된 전문가정보를 기초로, 클러스터의 중심점을 재설정하고, 재설정된 중심점을 기준으로, k개의 클러스터를 재설정 할 수 있다. 즉, 서버(100)는, 임의의 중심점(k개의 중심점)으로부터 클러스터를 획득하고, 획득된 클러스터의 중심점을 다시 계산하여 새로운 중심점을 결정하고, 새로운 중심점(k개의 중심점)으로부터 새로운 클러스터를 획득하는 과정을 클러스터의 중심점이 변하지 않을 때까지 반복할 수 있다. 상기 방법을 통해 서버(100)는 입력된 데이터에 대한 클러스터를 획득할 수 있다. 한편, 상술한 실시 예 에서는 K-mean 클러스터링 알고리즘을 통한 클러스터 획득 방법에 대하여 설명하였으나, GMM 알고리즘 등 기타 다양한 방법에 의해 클러스터가 획득될 수 있음은 물론이다.

서버(100)는 상기 클러스터링 결과에 기초하여 하나 이상의 클러스터를 획득할 수 있다.

일 실시 예에서, 유사한 특징을 가진 클러스터일수록 서로 가까이 위치할 수 있다. 따라서, 서버(100)는 거리에 기초하여 각 클러스터 간의 연관도를 판단할 수 있다. 구체적으로, 서버(100)는 각각의 클러스터의 중심점 사이의 거리를 분석하여 클러스터간의 연관도 정보를 획득할 수 있다.

서버(100)는 상기 획득된 하나 이상의 클러스터의 특성을 획득하는 단계를 포함할 수 있다.

구체적으로, 서버(100)는 획득된 클러스터를 라벨링 할 수 있다. 즉, 상술한 클러스터링 과정에 의해 생성된 클러스터는 유사한 성질을 가지는 데이터를 모아놓은 데이터들의 집합일 뿐, 어떠한 전문 분야에 대한 전문가 풀인지에 대한 정보는 존재하지 않는다. 따라서, 서버(100)는 클러스터링에 의해 생성된 클러스터를 분석하여 전문가 풀에 대응되는 라벨링 과정을 수행할 수 있다.

일 실시 예에서, 서버(100)는 각각의 클러스터에 대응하는 전문 분야, 경력 및 전문가의 배경정보 등의 특성을 판단할 수 있다.

서버(100)는 상기 획득된 특성에 기반하여 상기 하나 이상의 클러스터에 각각 대응하는 전문가 풀을 생성할 수 있다. 이로부터 생성되는 전문가 풀들은 전문 분야나 경력별로 전문가를 분류하는 전통적인 방법과 달리 인공지능 모델에 기반하여 다양한 파라미터에 기반하여 분류된 전문가 풀들을 포함하며, 이 경우 하나의 전문가가 복수의 전문가 풀에 동시에 소속될 수도 있고, 서로 다른 전문 분야 간에도 서로 융합될 수 있는 부분이 있는 경우 이를 모두 포함하는 하나의 전문가 풀이 생성되거나, 서로 중첩되는 부분(교집합)이 존재하는 전문가 풀이 생성될 수 있다.

따라서, 목적에 따라 서로 상이한 기술분야 간 융합이 가능하도록 서로 다른 기술분야에 속하지만 상호 공통되거나, 협업할 수 있는 전문가들에 대한 정보를 전문가 풀에 기반하여 용이하게 획득할 수 있고, 이에 따라 매칭을 수행함으로써 4차 산업혁명 시대에 대응할 수 있는 다양한 전문가들의 믹스 앤 매치(Mix & Match)가 가능하도록 하는 효과가 있다.

단계 S630에서, 서버(100)는 전문가정보를 바탕으로 전문가의 전문 분야 및 전문성 평가 결과를 획득할 수 있다.

단계 S640에서, 서버(100)는 전문성 평가 결과를 바탕으로 전문가를 복수의 전문가 풀 중 적어도 하나의 전문가 풀에 할당할 수 있다.

구체적으로, 서버(100)가 전문가 풀에 전문가를 할당하는 단계는, 전문가와 연관도가 가장 높은 전문가 풀을 획득하는 단계, 획득된 전문가 풀에 설정된 전문성의 정도에 따라 전문가 할당 여부를 결정하는 단계를 포함할 수 있다.

일 실시 예에서, 서버(100)는 전문가에 대한 전문가정보와 복수의 전문가 풀을 비교하여 가장 높은 연관도를 가지는 전문가 풀로 전문가를 할당할 수 있다.

한편, 서버(100)는, 전문가를 할당하는 방법에 있어서, 각각의 전문가의 전문성을 평가하고, 평가된 전문성이 일정 수준 이상인 경우에 한하여 전문가를 전문가 풀에 할당할 수 있다. 예를 들어, 법학 분야의 전문가라고 하더라도, 어떤 전문가는 법학 학위만을 수료(전문성 평가 결과가 낮을 것이다)하였을 수 있고, 또 어떤 전문가는 다양한 실무 경험(전문성 평가 결과가 높을 것이다)을 갖추고 있을 수 있다. 따라서, 서버(100)는 평가된 전문성을 바탕으로 특정 전문가를 전문가 풀에 할당할 지 여부를 결정할 수 있다.

이때, 서버(100)는 각각의 전문가 풀에 할당된 복수의 전문가들을 프로젝트와 매칭할 수 있다.

단계 S650에서, 서버(100)는 전문성 평가 결과가 기 설정된 값 이상인 경우, 전문가를 전문성 평가 결과에 대응되는 전문가 풀에 할당할 수 있다.

구체적으로, 전문가의 전문성이 평가되면, 서버(100)는 전문가 풀에 설정된 전문성의 정도를 결정할 수 있다. 즉, 특정인이 특정 분야에 대한 정보가 존재한다고 하더라도, 전문성이 없다면, 전문가 풀에 들어가서는 안될 것이다. 예를 들어, 법학과 학생은 일정 수준의 전문성을 갖추지 못하였으므로, 전문가 풀에 할당되어서는 안될 것이다. 따라서, 서버(100)는, 전문가의 전문성을 평가하여, 전문성이 기 설정된 값 이상인 경우에 한하여 전문가를 전문가 풀에 할당할 수 있다.

이때, 전문가 풀이 갖추고 있어야 하는 전문성의 정도(고도)는 다양한 방법을 통해 결정될 수 있다.

일 실시 예에서, 전문성의 정도는 사용자에 의해 직접 입력 될 수 있다. 그러나 전문성의 정도라는 척도는 구체적으로 수치화되어 직관적으로 이해할 수 있는 척도가 아닌 경우가 많으므로, 서버(100)는 특정 전문가 풀과 연관된 복수의 전문가들의 전문성을 바탕으로 최고급 전문가, 고급 전문가, 일반 전문가와 같이 전문가의 전문성을 분류하여 제공할 수 있다. 예를 들어, 제1 전문가 풀에 100명의 전문가가 연관되어 있는 경우를 가정할 때, 서버(100)는 상위 5%의 전문가를 최고급 전문가로, 상위 15%의 전문가를 고급 전문가로, 상위 80%의 전문가를 일반 전문가로 설정할 수 있다. 이 경우, 나머지 20%의 전문가는 전문가 풀에 할당되지 않을 수 있다.

또 다른 실시 예로, 전문성의 정도는 진행할 업무의 난이도와 관련하여 결정될 수 있다. 즉, 전문가 풀에 할당된 전문가는 고정적인 것이 아니라, 개별 업무에 따라 유동적으로 구성될 수 있다. 전문가 풀을 구축하는 목적이 전문가를 매칭하기 위한 점이라는 것을 고려할 때, 명확한 방향성과 목적을 가지는 업무들에 대하여는, 업무에 맞는 전문가 풀을 제공할 필요가 있다. 따라서, 서버(100)는 제공할 업무의 정보(예를 들어, 업무 분야, 발주 금액, 업무 내용, 전문성 요구 수준, 예전 업무 결과물 및 평가 정보 등)를 제공받고, 제공된 업무의 정도를 바탕으로 전문가 풀에 적용될 전문성의 정도를 결정할 수 있다.

상술한 전문성의 정도는, 전문가 플랫폼이 직접 설정할 수 있으나 이에 한정되는 것은 아니다. 즉, 전문성의 정도는 전문가가 필요한 플랫폼의 이용자(예를 들어, 정부, 지방자치단체, 공공기관, 협단체, 기업 등 다양한 단체 및 협업을 위한 전문가가 필요한 전문가)가 전문성의 정도를 직접 설정할 수 있음은 물론이다.

단계 S660에서, 서버(100)는 복수의 전문가 풀에 대응되는 복수의 전문성 평가 결과가 기 설정된 값 이상인 경우, 전문가를 복수의 전문성 평가 결과의 우선순위에 따라 복수의 전문가 풀에 할당할 수 있다. 즉, 한 명의 전문가는 하나의 전문가 풀에 속하는 것이 아니라, 복수개의 전문가 풀에 속할 수 있음은 물론이다.

구체적으로, 서버(100)는 특정 전문가에 대한 전문성 평가 결과와 생성된 복수의 전문가 풀이 포함하는 전문가정보를 비교하여 복수의 전문가 풀에 전문가를 할당할 수 있다.

구체적으로, 복수의 전문가 풀에 대응되는 복수의 전문성 평가 결과가 기 설정된 값 이상인 경우, 서버(100)는 전문가를 복수의 전문성 평가 결과의 우선순위에 따라 복수의 전문가 풀에 할당할 수 있다.

즉, 전문가는 제1 전문가 풀에 대한 제1 전문성 평가 결과 및 제2 전문가 풀에 대한 제2 전문성 평가 결과가 모두 기 설정된 값 이상일 수 있다. 이 경우, 전문가는 제1 전문가 풀 및 제2 전문가 풀 모두에 할당될 수 있다. 다만, 서버(100)는 제1 전문성 평가 결과와 제2 전문성 평가 결과를 비교하여 우선순위를 결정하고, 우선 순위에 따라 전문가를 전문가 풀에 할당할 수 있다. 즉, 서버(100)는 전문가가 복수의 전문가 풀에 할당되는 경우에도, 전문성이 더 높은 전문가 풀에 우선적으로 전문가를 할당할 수 있다.

한편, 서버(100)는 전문가와 프로젝트를 매칭하는 기능을 수행하는 것 뿐만 아니라, 매칭된 프로젝트를 전문가가 수행하여 산출된 프로젝트 데이터를 관리할 수 있다. 서버(100)는 프로젝트 데이터를 이용하여 전문가의 경력정보 및 전문성평가정보를 업데이트하여 다음 프로젝트 매칭의 정확도를 높이거나, 프로젝트 데이터가 기 설정된 조건을 만족하는 경우, 전문가에게 저작권과 같은 권리를 부여하거나, 생성된 프로젝트 데이터 중 일부를 다음 프로젝트 수행 시 활용하도록 전문가의 업무를 도울 수 있다.

도 11은 본 발명의 일 실시 예에 따른 프로젝트 데이터를 저작권으로 등록하여 관리하는 방법을 설명하기 위한 흐름도이다. 설명의 편의를 위해, 도 11의 실시 예에서 프로젝트를 수행하여 프로젝트 데이터를 산출한 전문가를 창작자로 명명할 수 있다.

단계 S710에서, 서버(100)는 획득된 프로젝트 데이터 중 저작물로 등록 받기 위한 적어도 하나의 창작물을 획득할 수 있다.

일 실시 예에서, 서버(100)는 프로젝트 데이터 중 저작물의 요건을 만족하는 데이터를 판단하여 요건을 만족하는 데이터를 창작물로 획득할 수 있다. 구체적으로, 서버(100)는 인간의 사상 또는 감정이 포함되어 창작성이 인정되는 데이터를 창작물로 획득할 수 있다.

창작물을 판단하는 방법에 대한 일 실시 예에서, 서버(100)는 프로젝트 데이터 중 전문가에 의해 생성된 데이터를 획득할 수 있다. 예를 들어, 서버(100)는 프로젝트 데이터 중 프로젝트의 등록 주체로부터 제공된 데이터(예를 들어 문서, 이미지, 동영상, 도면, 설계도, 그래픽 등을 포함하는 프로젝트와 관련된 자료, 프로젝트와 관련된 서식, 프로젝트와 관련된 배경 자료 등)를 제외한 데이터를 획득할 수 있다.

또 다른 실시 예로, 서버(100)는 전문가에 의해 생성된 데이터를 분석하여 창작성의 정도를 판단할 수 있다. 예를 들어, 전문가에 의해 생성된 데이터가 텍스트 데이터인 경우, 서버(100)는 텍스트 데이터 중 감정과 연관된 단어의 비중 및 감정과 관련된 단어의 연결 관계를 바탕으로 창작성의 정도를 판단할 수 있다. 예를 들어, 서버(100)는 감정과 관련된 단어를 데이터베이스화하여 저장하고 있으며, 전문가에 의해 생성된 텍스트 데이터 중 데이터 베이스에 저장된 감정과 관련된 단어가 포함된 비율을 판단할 수 있다. 서버(100)는 전문가에 의해 생성된 텍스트 데이터에 감정과 관련된 단어가 기 설정된 비율 이상 포함된 경우, 해당 데이터를 창작물이라고 판단할 수 있다.

또 다른 실시 예로, 서버(100)는 텍스트 데이터에 포함된 모든 문장을 획득하고, 획득된 복수의 문장 각각에 대한 감정 정보를 판단할 수 있다. 예를 들어, 서버(100)는 문장에 포함된 감정에 대한 단어 및 감정에 대한 단어의 연결 관계를 기초로 해당 문장의 감정 정보를 수치화 할 수 있다. 서버(100)는 감정 정보가 수치화된 문장이 기 설정된 값 이상인 경우, 텍스트 데이터를 창작물로 판단할 수 있다.

또 다른 실시 예로, 서버(100)는 전문가에 의해 생성된 데이터가 이미지 데이터 또는 영상 데이터인 경우, 해당 데이터를 창작물로 판단할 수 있다. 일반적으로 이미지 또는 영상은 저작물의 요건인 인간의 사상 또는 감정을 표현할 경우가 많을 것이다.

단계 S720에서, 서버(100)는 적어도 하나의 창작물 각각에 대한 창작자를 판단할 수 있다.

단계 S730에서, 서버(100)는 적어도 하나의 창작물이 기 등록된 저작물과 동일한지 판단할 수 있다.

즉, 획득된 창작물은 타 저작물과의 관계에 의하여 모두 저작권으로 등록될 수 있는 것은 아니므로, 서버(100)는 획득된 창작물이 기 등록된 저작물과 동일한지 여부를 판단할 수 있다.

단계 S740에서, 서버(100)는 적어도 하나의 창작물이 기 등록된 저작물과 동일하지 않은 경우, 적어도 하나의 저작물을 저작권 등록할 수 있다.

한편, 저작물의 경우, 개인이 혼자 창작한 개별저작물, 복수의 사람이 공동으로 창작하여 분리가 불가능한 공동저작물, 복수의 사람이 공동으로 창작하였으나 분리가 가능한 결합저작물로 구분될 수 있다. 따라서, 서버(100)는 창작물이 어떤 저작물인지 여부를 판단하고, 판단된 저작물의 유형에 따라 복수의 저작권자의 지분 비율 또는 기여도를 설정하여 각각의 저작권자에게 정당한 보상을 지급하도록 할 수 있다.

단계 S750에서, 서버(100)는 창작자가 단일 창작자인 경우, 단일 창작자에 의해 생성된 창작물을 단일 창작자의 창작물로 판단할 수 있다.

단계 S760에서, 서버(100)는 창작자가 복수의 창작자인 경우, 복수의 창작자에 의해 생성된 창작물이 공동창작물인지 결합창작물인지 판단할 수 있다.

단계 S761에서, 서버(100)는 창작물에 대응되는 프로젝트의 업무 내용을 획득할 수 있다.

이때, 도 12에 도시된 바와 같이, 프로젝트(1)는 우선 하나 이상의 업무단위(200, 300 및 400)로 구분될 수 있다. 예를 들어, 프로젝트(1)가 특정 행사를 진행하기 위한 것일 경우, 업무단위(200, 300 및 400)는 프로그램, 식음료, 공간조성, 운영, 제작, 계약 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.

또한, 각각의 업무단위(200, 300 및 400)는 하나 이상의 업무항목(210 및 220)으로 다시 구분될 수 있다. 예를 들어, 프로그램 업무단위에 대한 업무항목은 타임 테이블, 큐시트, 시나리오, 사회자, 출연자, BGM, 기타 확인사항 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.

또한, 각각의 업무항목(210 및 220)은 다시 하나 이상의 세부항목(212 및 214)으로 구분될 수 있다. 예를 들어, 출연자 관련 업무항목은 출연자 컨택 포인트 확보, 의상, 소품 및 인원 확인, 대기공간 확인, 기타 소품 준비, 리허설 계획 등의 세부항목으로 구분될 수 있으나, 이에 제한되는 것은 아니다. 이때, 하나의 세부항목은 하나의 카테고리가 되도록 구분될 수 있다. 즉, 하나의 세부항목을 수행하여 획득된 데이터는 하나의 저작물로 구성되며, 공동저작물 또는 결합저작물로 구성되지 않도록 세부항목이 구분될 수 있다. 즉, 하나의 세부항목을 수행하여 획득되는 저작물은 하나의 저작물일 수 있다. 그러나 이에 한정되는 것은 아니고, 본 발명에 따른 다양한 실시 예에 따라 세부항목을 수행하여 획득되는 저작물은 공동 저작물 또는 결합 저작물일 수 있음은 물론이다.

일 실시 예에서, 구분된 각각의 세부항목들은 각각 서로 다른 블록체인 노드에 저장되며, 상호 연결을 통해 구분된 세부항목들 중 적어도 일부에 대한 위변조가 발생하지 않도록 관리할 수 있다.

즉, 도 12에 도시된 각각의 블록들은 블록체인 상의 서로 다른 노드(블록)에 그 정보가 저장되며, 그중 일부가 위변조되는 경우 전체 블록체인을 통하여 이를 확인할 수 있는 바 전체 정보의 무결성을 검증할 수 있다.

나아가, 세부 항목들에 대한 프로젝트 수행 결과 또한 서로 다른 블록체인 노드에 저장될 수 있음은 물론이다.

서버(100)는 구분된 세부항목들 각각을 수행할 창작자(구체적으로, 담당자 또는 전문가)를 결정할 수 있다. 일 실시 예에서, 서버(100)는 각각의 세부항목들에 대한 창작자를 결정할 수 있다. 단, 실시 예에 따라 서로 연관된 복수의 세부항목들을 하나의 창작자가 수행할 수 있다. 창작자에 할당되는 업무는 세부항목 단위로 할당될 수도 있으며, 업무항목 단위로 할당될 수도 있으며, 업무단위에 따라 할당될 수도 있으나, 이제 제한되는 것은 아니다.

하나의 창작자가 하나의 업무항목의 일부를 수행할 수도 있으며, 복수의 업무항목의 전부 또는 일부를 수행할 수도 있다. 따라서, 서버(100)는 복수의 세부항목을 포함하는 수행업무 그룹을 생성할 수 있다. 수행업무 그룹은 분류단위와 무관하게, 복수의 서로 연관된, 혹은 하나의 창작자가 수행할 수 있는 세부항목들을 포함하는 그룹으로서 생성될 수 있다.

서버(100)는 각 수행업무 그룹을 수행할 창작자를 결정할 수 있다.

실시 예에 따라서, 하나의 세부항목을 복수의 창작자가 수행할 수도 있다. 따라서, 실시 예에 따라 서로 다른 수행업무 그룹 간에 서로 중첩되는 세부항목이 존재할 수도 있다.

마찬가지로, 하나의 수행업무 그룹을 복수의 창작자가 수행할 수도 있다. 수행업무 그룹을 생성하는 방법은 제한되지 않으며, 서로 다른 수행업무 그룹 간에 교집합이 존재하거나 존재하지 않을 수 있으며, 서로 동일하거나 포함관계에 있을 수도 있다.

서버(100)는 각각의 수행업무 그룹의 성질에 기초하여, 각각의 수행업무 그룹에 따른 업무를 수행할 창작자를 결정할 수 있다.

일 실시 예에서, 서버(100)는 상기 생성된 하나 이상의 수행업무 그룹 각각에 대응하는 업무내용, 예산 및 권한을 설정하는 단계를 수행할 수 있다.

또한, 서버(100)는 상기 설정된 업무내용, 예산 및 권한을 상기 하나 이상의 수행업무 그룹 각각을 수행할 하나 이상의 창작자 각각에 대하여 할당하는 단계를 수행할 수 있다.

또한, 서버(100)는 상기 하나 이상의 창작자 각각에 대하여, 상기 할당된 업무내용, 예산 및 권한에 대응하는 정보를 제공하는 단계를 수행할 수 있다.

일 실시 예에서, 프로젝트에 대한 데이터가 저장되는 블록체인과 창작자에 대한 정보가 저장되는 블록체인이 각각 구비될 수 있다.

서버(100)는 프로젝트 데이터를 프로젝트 블록체인에, 창작자에 대한 정보를 창작자 블록체인에 저장하며, 서로 매칭된 프로젝트와 창작자에 대한 정보는 서로 대응하는 노드에 교환하여 저장한다.

이에 따라, 프로젝트와 창작자의 매칭 정보가 블록체인에 저장되며, 매칭된 창작자와 프로젝트의 정보가 서로의 블록체인에 이중으로 저장되므로, 두 블록체인이 상호작용하며 정보의 무결성을 검증하고, 안전하게 보관하도록 할 수 있는 장점이 있다.

일 실시 예에서, 서버(100)는 개별 창작자 또는 복수의 창작자가 수행한 업무 내용에 따른 창작물이 업무단위에 대한 것인지, 업무항목에 대한 것인지, 세부항목에 대한 것인지 판단할 수 있다.

이때, 창작물은 1)개별 창작자가 업무단위 또는 업무항목을 수행하여 획득된 데이터인 경우, 2)개별 창작자가 세부항목을 수행하여 획득된 데이터인 경우, 3)복수의 창작자가 업무단위 또는 업무항목을 수행하여 획득된 데이터인 경우, 4)복수의 창작자가 세부항목을 수행하여 획득된 데이터인 경우의 네가지로 분류될 수 있다.

1)개별 창작자가 업무단위 또는 업무항목을 수행하여 획득된 데이터인 경우, 서버(100)는 창작물에 대한 저작권이 개별 창작자의 저작권인 것으로 판단할 수 있다. 다만, 이 경우, 서버(100)는 후술하는 단계 S762 내지 단계 S765의 방법을 이용하여, 창작물을 복수의 저작물로 분류할 수 있다.

2)개별 창작자가 세부항목을 수행하여 획득된 데이터인 경우, 서버(100)는 세부 항목에 대한 창작물을 개별 창작자의 저작권인 것으로 판단할 수 있다.

3)복수의 창작자가 업무단위 또는 업무항목을 수행하여 획득된 데이터인 경우, 서버(100)는 후술하는 단계 S762 내지 단계 S765의 방법을 이용하여 창작물이 공동저작물인지 결합저작물인지 여부를 판단할 수 있다.

4)복수의 창작자가 세부항목을 수행하여 획득된 데이터인 경우, 서버(100)는 창작물이 복수의 창작자의 공동저작물인 것으로 판단할 수 있다. 즉, 후술하는 단계 S762내지 S765에 의하더라도, 세부 항목에 대한 창작물은 하나의 카테고리 또는 연관된 카테고리에 대한 저작물이므로, 서버(100)는 창작물이 복수의 창작자의 공동저작물인 것으로 판단할 수 있다.

이하에서는 단계 S762 내지 단계 S765를 이용하여, 3)복수의 창작자가 업무단위 또는 업무항목을 수행하여 획득된 데이터인 경우, 창작물이 공동저작물인지 개별저작물인지 판단하는 방법을 설명한다.

단계 S762에서, 서버(100)는 복수의 창작자 각각이 수행한 업무내용에 대한 복수의 카테고리 정보를 획득할 수 있다.

이때, 세부항목은 하나의 카테고리로 구성될 수 있으므로, 서버(100)는 업무단위 또는 업무항목을 수행한 복수의 창작자 각각이 수행한 업무 내용에 대한 복수의 카테고리 정보를 획득할 수 있다.

일 실시 예에서, 도 12에 도시된 바와 같이, 업무단위(200)를 복수의 창작자가 수행한 경우, 서버(100)는, 업무단위(200)의 세부항목들(212,214…)에 대응되는 카테고리 정보를 복수의 카테고리 정보로 획득할 수 있다.

단계 S763에서, 서버(100)는 획득된 복수의 카테고리간의 연관도를 판단할 수 있다.

단계 S764에서, 서버(100)는, 판단된 연관도가 기 설정된 값 이상인 경우, 창작물을 공동저작물로 판단할 수 있다.

단계 S765에서, 서버(100)는, 획득된 연관도가 기 설정된 값 미만인 경우, 창작물을 결합저작물로 판단할 수 있다.

즉, 복수의 카테고리가 서로 밀접하게 연관되어 있을수록, 창작물은 공동저작물일 확률이 높을 수 있다.

따라서, 연관도가 기 설정된 값 이상인 경우, 서버(100)는 창작물이 분리 불가능한 것으로 판단하여, 창작물을 공동저작물로 판단할 수 있으며, 연관도가 기 설정된 값 미만인 경우, 서버(100)는 창작물이 분리 가능한 것으로 판단하고, 창작물을 결합저작물로 판단할 수 있다.

한편, 복수의 카테고리간의 연관도는 다양한 방법을 통해 획득할 수 있다.

일 실시 예에서, 서버(100)는 복수의 창작자 각각이 수행한 업무내용에 대한 복수의 결과 데이터를 획득할 수 있다. 이때, 복수의 결과 데이터는 복수의 창작자가 할당된 업무 내용에 따라 수행한 데이터를 의미할 수 있다. 즉, 하나의 창작자가 생성한 결과 데이터는 하나의 저작물을 구성하거나, 복수의 저작물을 구성하거나, 하나의 저작물의 일부일 수 있다.

서버(100)는 복수의 창작물을 클러스터링하여 복수의 클러스터를 획득할 수 있다. 즉, 서버(100)는 복수의 창작물을 그룹화하여 유사한 카테고리의 창작물을 그룹핑할 수 있다. 이때, 서버(100)는 창작물뿐만 아니라, 창작물로부터 생성된 저작물, 저작물에 대한 서브 저작물을 함께 클러스터링할 수 있음은 물론이다.

서버(100)는 복수의 클러스터 각각에 대한 복수의 카테고리 정보를 복수의 클러스터에 라벨링할 수 있다. 즉, 서버(100)는 복수의 클러스터 각각의 특성을 판단하여 클러스터에 카테고리를 라벨링할 수 있다. 이때, 카테고리는 이미지, 오디오, 텍스트 카테고리와 같이 창작물의 표현 방식에 의한 것일 수 있으며, 어문, 음악, 연극, 미술, 건축, 사진, 영상, 도형, 컴퓨터 프로그램 카테고리 및 상술한 어문, 음악, 연극, 미술, 건축, 사진, 영상, 도형 컴퓨터 프로그램으로부터 산출되는 2차적 저작물 및 편집 저작물 카테고리와 같이 저작물의 형태에 대한 것일 수도 있다.

서버(100)는 복수의 결과 데이터 각각이 복수의 카테고리 정보에 대응되는 복수의 클러스터 중 어느 클러스터에 포함되는지 판단할 수 있다. 즉, 서버(100)는 결과 데이터가 어떤 클러스터에 포함되는지 여부를 판단함으로써 결과 데이터가 어떤 카테고리에 속하는지 여부를 판단할 수 있다.

서버(100)는 복수의 결과 데이터 각각에 대응되는 복수의 클러스터간의 거리를 바탕으로 연관도를 획득할 수 있다. 예를 들어, 서버(100)는 제1 결과 데이터가 제1 클러스터에 포함되고, 제2 결과 데이터가 제2 클러스터에 포함되는 경우, 제1 클러스터와 제2 클러스터의 거리를 획득하고, 획득된 거리에 따라 연관도를 판단할 수 있다. 거리가 멀면 연관도가 낮고, 거리가 가까우면 연관도가 높을 것이다. 한편, 일 실시 예에서, 서버(100)는 클러스터간의 거리뿐만 아니라, 결과 데이터간의 거리를 이용하여 복수의 결과 데이터의 연관도를 판단할 수 있음은 물론이다. 또 다른 실시 예로, 제1 결과 데이터 및 제2 결과 데이터가 동일한 클러스터에 존재하는 경우, 서버(100)는 제1 결과 데이터 및 제2 결과 데이터의 연관도를 판단 가능한 최대값으로 판단할 수 있다. 이 경우, 제1 결과 데이터 및 제2 결과 데이터에 대한 저작물은 공동저작물로 판단될 수 있다.

도 13은 본 발명의 일 실시 예에 따른 수익 분배 방법을 설명하기 위한 흐름도이다.

단계 S810에서, 서버(100)는 전문가에 대응되는 수수료 정보를 획득할 수 있다.

이때, 수수료는 선납부 수수료, 프로젝트 수행 수익에 대한 수수료 및 리젝트 수수료 등을 포함할 수 있다. 특히 선납부 수수료는 수익분배 단계 이전에, 주기적으로 혹은 한 번 이상 미리 전문가로부터 전문가 플랫폼에 제공되는 수수료이다. 예를 들어, 선납부 수수료는 가입비를 의미할 수도 있고, 연회비를 의미할 수도 있으며, 실시 예에 따라 특정 프로젝트에 입찰하거나, 프로젝트를 기획하는 단계에서 해당 프로젝트에 참여하기 위하여 전문가가 사전에 제공하는 일종의 참가비를 의미할 수도 있다.

단계 S820에서, 서버(100)는 프로젝트에 대한 수익을 획득할 수 있다.

구체적으로, 서버(100)는 전문가에 의해 수행된 프로젝트에 대한 프로젝트 데이터를 획득하고, 이로부터 발생한 수익으로부터 수수료를 제하고 나머지 수익을 전문가에게 분배할 수 있다. 또한, 서버(100)는 전문가로부터 수수료를 받아 기본적인 행정 업무, 영업 업무, 리스크 관리 업무 등 프로젝트 정보 획득 및 관리를 위한 자금으로 활용할 수 있고, 프로젝트에 따른 수익이 발생하는 경우 수익의 일부를 수익으로 분배 받을 수 있다. 전문가는 프로젝트에 대한 참가 형태 및 방식, 역할, 기여도, 투입기간, 성과 등에 따라 수익을 분배받을 수 있다.

단계 S830에서, 서버(100)는 프로젝트에 대한 수익 중 전문가 플랫폼의 수수료를 산출할 수 있다.

단계 S840에서, 서버(100)는 프로젝트에 대한 수익 중 수수료를 제외한 금액을 전문가에게 분배할 수 있다.

단계 S850에서, 서버(100)는 전문가 플랫폼의 행정기여도, 영업기여도 및 리스크 관리 기여도를 포함하는 전문가 플랫폼의 기여도를 산출할 수 있다.

일 실시 예에서, 서버(100)는 행정업무뿐 아니라 사업 및 프로젝트 정보 수집이나 투자유치 등의 영업업무를 수행하고, 또한 매몰비용 발생이나 업무공백, 사고발생 등에 따른 리스크를 감수하는 역할을 담당한다.

따라서, 전문가 플랫폼의 수수료를 산출함에 있어서, 전문가 플랫폼의 행정업무에 따른 행정기여도, 영업업무에 소요된 비용에 대응하는 영업기여도, 그리고 리스크 관리에 따른 리스크 관리 기여도 등이 고려될 수 있다.

일 실시 예에서, 리스크 관리 기여도는 리스크에 따른 예상 손실 및 손실이 발생할 확률에 기초하여 계산되는 손실의 기대값에 기초하여 산출될 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 리스크 관리 기여도에 따른 수수료는 일종의 리스크에 대한 예비비 개념으로도 이해될 수 있다. 이때, 리스크 관리 기여도에 따른 수수료는, 기존에 전문가 플랫폼이 보유하고 있는 자산과, 영업 또는 수주에 따른 기대수익에 기초하여 가중치가 적용될 수 있다. 예를 들어, 전문가 플랫폼의 자산이 충분하여 영업비용에 따른 리스크가 크게 부담되지 않는 경우, 리스크 기여에 따른 수수료가 상대적으로 낮게 책정될 수 있고, 영업 또는 수주에 따른 기대수익에 기초하여 기대값을 산출한 후, 두 가지 기대값을 비교하여 수수료가 산출될 수도 있다.

단계 S860에서, 서버(100)는 전문가의 영업기여도 및 업무 기여도를 포함하는 전문가의 기여도를 산출할 수 있다.

프로젝트에 참여하는 전문가들의 경우, 업무 분장에 따른 기여도가 산출될 수 있으며, 경우에 따라 전문가 역시 영업을 직접 하거나, 영업에 도움을 주는 경우가 있을 수 있다. 예를 들어, 전문가의 인맥으로 투자를 유치하거나, 전문가가 제안서를 작성하는 데 도움을 주거나 프로젝트 및 사업에 대한 정보를 제공하거나 전문가가 다른 전문가를 소개 하는 등의 기여를 할 수도 있다. 따라서, 전문가 플랫폼의 수수료를 산출함에 있어서, 전문가 플랫폼의 몫과 전문가의 몫을 구분하기 위하여 전문가 플랫폼의 행정기여도, 영업기여도 및 리스크 관리 기여도가 고려되고, 전문가의 몫을 구분하기 위하여 전문가의 영업기여도 및 업무 기여도가 고려될 수 있다.

단계 S870에서, 서버(100)는 전문가 플랫폼과 전문가의 사전 계약사항을 획득할 수 있다.

단계 S880에서, 서버(100)는 전문가 플랫폼의 기여도, 전문가의 기여도 및 사전 계약사항에 기초하여 전문가 플랫폼의 수수료를 산출할 수 있다.

서버(100)는 전문가 플랫폼의 행정기여도, 영업기여도 및 리스크 관리 기여도를 포함하는 전문가 플랫폼의 기여도와, 전문가의 영업기여도 및 업무 기여도를 포함하는 전문가 기여도에 더하여, 사전 계약사항에 따른 가중치 부여 및 조정을 통해 최종적으로 전문가 플랫폼의 수수료율을 산출할 수 있다.

한편, 프로젝트를 수행한 전문가가 복수인 경우, 서버(100)는 복수의 전문가들 사이의 수익을 다양한 방법을 통해 분배할 수 있음은 물론이다.

구체적으로, 전문가 플랫폼의 수수료를 산출하는 과정에서는 전문가들 전체의 영업기여도 및 업무 기여도에 기초하여 전문가 플랫폼의 몫과 전문가의 몫을 나누고, 이후에는 전문가의 몫을 각각의 전문가의 영업기여도 및 업무 기여도에 기초하여 각각의 전문가에게 분배할 수 있다.

또한, 서버(100)는 상기 프로젝트를 수행한 전문가들 각각의 영업기여도 및 업무 기여도에 기초하여 상기 프로젝트를 수행한 전문가들 각각의 개별 기여도를 산출하는 단계를 수행할 수 있다.

즉, 서버(100)는 각 전문가의 영업기여도 및 업무 기여도에 기초하여 각 전문가의 개별 기여도를 산출할 수 있으며, 영업기여도와 업무 기여도에 대한 평가기준은 기 설정된 기준에 따라 수행될 수 있으며, 업무 비중 및 난이도에 기초하여 업무 기여도에 부여되는 가중치가 상이하게 설정될 수 있다.

또한, 서버(100)는 상기 프로젝트를 수행한 전문가들 각각의 경력 및 이력에 기초하여 상기 개별 기여도에 대한 가중치를 부여하는 단계를 수행할 수 있다.

일 실시 예에서, 서버(100)는 상대적으로 프로젝트의 독립적 수행이 어려운 전문가의 기여도에 상대적으로 높은 가중치를 부여함으로써 경력이 적은 전문가들에게 최소한의 소득을 보장해줄 수 있다.

다른 실시 예에서, 서버(100)는 경력이 많은 전문가에 대하여, 경력이 많은 전문가가 수행한 업무는 경력이 적은 전문가들의 보조가 있었음을 고려하여, 업무 기여도에 상대적으로 낮은 가중치를 부여할 수도 있다.

또 다른 실시 예에서, 경력이 적은 전문가의 업무 기여도에는 경력이 많은 전문가의 지도와 검토가 있음을 감안하여 경력이 많은 전문가의 업무 기여도에 상대적으로 더 높은 가중치를 부여할 수도 있고, 가중치를 부여하는 방식은 제한되지 않는다.

일 실시 예에서, 즉, 서버(100)는 각각의 전문가들의 경력정보를 바탕으로 업무 기여도에 대한 가중치를 획득할 수 있다. 구체적으로, 서버(100)는 경력정보에 포함된 데이터 중 프로젝트 수행과 관련된 데이터를 추출하고, 추출된 데이터와 프로젝트간의 연관도 정보를 획득하여 전문가 각각에 대한 가중치를 획득할 수 있다.

또한, 서버(100)는 상기 가중치가 부여된 상기 개별 기여도에 기초하여 상기 프로젝트를 수행한 전문가들 간에 수익을 분배하는 단계를 수행할 수 있다. 이러한 가중치 설정은 다양한 방법을 통해 구현될 수 있음은 물론이다.

도 14는 본 발명의 일 실시 예에 따른 장치의 구성도이다.

프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시 예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 13과 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(102)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 상기 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 상기 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 상기 추출된 제1 학습용 데이터를 상기 신규 학습용 데이터로부터 삭제하고, 상기 추출된 학습용 데이터가 삭제된 상기 신규 학습용 데이터를 이용하여 상기 학습된 모델을 다시 학습시킬 수 있다.

한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

본 발명의 실시 예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시 예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 서버
110 : 복수의 전문가 그룹

Claims (1)

1. 서버에 의해 수행되는 전문가 플랫폼의 제어 방법에 있어서,
   전문가를 등록하는 단계(S110);
   상기 등록된 전문가의 전문가정보를 획득하는 단계(S120);
   상기 획득된 전문가정보를 바탕으로 상기 전문가의 경력정보를 산출하는 단계(S130);
   상기 전문가의 경력정보를 바탕으로 상기 전문가에 대응되는 프로젝트를 매칭하는 단계(S140);
   상기 매칭된 프로젝트가 상기 전문가에 의해 수행된 경우, 상기 프로젝트의 수행 결과에 따라 산출된 프로젝트 데이터를 획득하는 단계(S150); 및
   상기 프로젝트 데이터를 바탕으로 상기 전문가의 경력정보를 업데이트 하는 단계(S160); 를 포함하고,
   상기 전문가를 등록하는 단계(S110)는,
   상기 전문가에 대응되는 수수료 정보를 획득하는 단계(S810)를 포함하고,
   상기 제어 방법은,
   상기 프로젝트에 대한 수익을 획득하는 단계(S820);
   상기 프로젝트에 대한 수익 중 상기 전문가 플랫폼의 수수료를 산출하는 단계(S830); 및
   상기 프로젝트에 대한 수익 중 상기 수수료를 제외한 금액을 상기 전문가에게 분배하는 단계(S840); 를 포함하고,
   상기 전문가 플랫폼의 수수료를 산출하는 단계(S830)는,
   상기 전문가 플랫폼의 행정기여도, 영업기여도 및 리스크 관리 기여도를 포함하는 상기 전문가 플랫폼의 기여도를 산출하는 단계(S850);
   상기 전문가의 영업기여도 및 업무 기여도를 포함하는 상기 전문가의 기여도를 산출하는 단계(S860);
   상기 전문가 플랫폼과 상기 전문가의 사전 계약사항을 획득하는 단계(S870); 및
   상기 전문가 플랫폼의 기여도, 상기 전문가의 기여도 및 상기 사전 계약사항에 기초하여 상기 전문가 플랫폼의 수수료를 산출하는 단계(S880); 를 포함하고,
   상기 전문가의 경력정보를 산출하는 단계(S130)는,
   상기 전문가정보를 정형정보 및 비정형정보로 분류하는 단계(S210);
   상기 정형정보 및 상기 비정형정보를 평가하는 단계(S220); 및
   상기 평가결과를 바탕으로 상기 전문가의 경력정보를 산출하는 단계(S230); 를 포함하고,
   상기 전문가정보를 정형정보 및 비정형정보로 분류하는 단계(S210)는,
   기 저장된 데이터베이스에 기초하여 상기 데이터베이스에 저장된 이력정보에 대응되는 전문가정보를 정형정보로 분류하는 단계(S240); 및
   상기 데이터베이스에 저장되지 않은 전문분야에 대한 정보 및 상기 데이터베이스에 저장되지 않은 이력정보에 해당하는 상기 전문가정보를 상기 비정형정보로 분류하는 단계(S250); 를 포함하고,
   상기 정형정보 및 상기 비정형정보를 평가하는 단계(S220)는,
   상기 데이터베이스에 저장된 평가정보에 기반하여 상기 정형정보를 평가하는 단계(S260); 및
   이력정보와 각 전문분야의 전문성 간의 연관관계를 도출하도록 학습된 모델을 이용하여 상기 비정형정보로부터 상기 전문가의 전문분야에 대한 경력정보를 추정하는 단계(S270);를 포함하고,
   상기 전문가의 경력정보를 산출하는 단계(S130)는,
   상기 전문가정보 각각에 대한 평가결과를 산출하는 단계(S310);
   상기 전문가정보 각각에 대응하는 시점을 획득하는 단계(S320);
   상기 전문가정보 각각에 대응하는 시점으로부터 현재까지의 기간에 기초하여 상기 산출된 평가결과에 대하여 가중치를 부여하는 단계(S330); 및
   상기 가중치가 부여된 평가결과에 기초하여 상기 전문가의 경력정보를 산출하는 단계(S340); 를 포함하고,
   상기 가중치를 부여하는 단계(S330)는,
   상기 전문가정보에 포함된 공백기간에 대한 정보를 획득하는 단계(S350);
   상기 전문가정보에 포함된 정형정보, 비정형정보 및 공백기간을 시간순으로 정렬하는 단계(S360); 및
   상기 정렬된 전문가정보 각각에 대한 가중치를 부여하되, 상기 가중치는 상기 전문가정보 각각에 대하여 시간적으로 뒤에 위치한 하나 이상의 전문가정보의 평가결과에 따라 조정되는 단계(S370); 를 포함하고,
   상기 조정되는 단계(S370)는, 상기 정렬된 전문가정보 중 어느 하나의 전문가 정보에 후행하는 공백기간이 존재하면, 상기 후행하는 공백기간에 따라 상기 평가결과가 하락되도록 상기 가중치가 조정되고,
   상기 공백기간은, 기간내 정형정보가 없는기간 또는 기간내 정형정보 및 비정형정보가 없는 기간 중 적어도 하나의 기간이고,
   상기 제어 방법은,
   상기 획득된 프로젝트 데이터 중 저작물로 등록 받기 위한 적어도 하나의 창작물을 획득하는 단계(S710);
   상기 적어도 하나의 창작물 각각에 대한 창작자를 판단하는 단계(S720);
   상기 적어도 하나의 창작물이 기 등록된 저작물과 동일한지 판단하는 단계(S730);
   상기 적어도 하나의 창작물이 기 등록된 저작물과 동일하지 않은 경우, 상기 적어도 하나의 창작물을 저작권 등록하는 단계(S740);를 포함하고,
   상기 적어도 하나의 창작물을 저작권 등록하는 단계(S740)는,
   상기 창작자가 단일 창작자인 경우, 상기 단일 창작자에 의해 생성된 창작물을 상기 단일 창작자의 저작물로 판단하는 단계(S750);
   상기 창작자가 복수의 창작자인 경우, 상기 복수의 창작자에 의해 생성된 창작물이 공동저작물인지 결합저작물인지 판단하는 단계(S760); 를 포함하고,
   상기 생성된 창착물이 공동저작물인지 결합저작물인지 판단하는 단계(S760)는,
   상기 창작물에 대응되는 상기 프로젝트의 업무내용을 획득하는 단계(S761);
   상기 복수의 창작자 각각이 수행한 업무내용에 대한 복수의 카테고리 정보를 획득하는 단계(S762);
   상기 획득된 복수의 카테고리간의 연관도를 판단하는 단계(S763);
   상기 연관도가 기 설정된 값 이상인 경우, 상기 창작물을 공동저작물로 판단하는 단계(S764); 및
   상기 연관도가 기 설정된 값 미만인 경우, 상기 창작물을 결합저작물로 판단하는 단계(S765); 를 포함하고,
   상기 업무내용은 적어도 하나의 업무단위를 포함하고, 상기 업무단위는 적어도 하나의 업무항목을 포함하며, 상기 업무항목은 적어도 하나의 세부항목을 포함하고,
   상기 전문가에 대응되는 프로젝트를 매칭하는 단계(S140)는,
   프로젝트 정보를 획득하는 단계(S510);
   상기 획득된 프로젝트 정보로부터 프로젝트 수행에 필요한 경력정보를 추출하는 단계(S520);
   상기 추출된 경력정보를 포함하는 전문가를 매칭하는 단계(S530);를 포함하고,
   상기 제어 방법은,
   복수의 전문가 각각에 대한 전문가정보를 획득하는 단계(S610);
   상기 획득된 복수의 전문가정보를 바탕으로 복수의 전문가 풀을 생성하는 단계(S620);
   상기 전문가정보를 바탕으로 상기 전문가의 전문성 평가 결과를 획득하는 단계(S630);
   상기 전문성 평가 결과를 바탕으로 상기 전문가를 상기 복수의 전문가 풀 중 적어도 하나의 전문가 풀에 할당하는 단계(S640); 를 포함하고,
   상기 할당하는 단계는(S640),
   상기 전문성 평가 결과가 기 설정된 값 이상인 경우, 상기 전문가를 상기 전문성 평가 결과에 대응되는 전문가 풀에 할당하는 단계(S650); 및
   복수의 전문가 풀에 대응되는 복수의 전문성 평가 결과가 기 설정된 값 이상인 경우, 상기 전문가를 상기 복수의 전문성 평가 결과의 우선순위에 따라 상기 복수의 전문가 풀에 할당하는 단계(S660);를 포함하는 제어 방법.
   

Images