KR102271602B1 - 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램 - Google Patents

Abstract

인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법은, 컴퓨팅 장치에 의해 수행되는, 금융상품을 판매하는 판매자와 상기 금융상품의 판매 대상인 구매자 간의 최적화된 매칭을 위한 유효 데이터를 추출하는 방법에 있어서, 기 저장된 구매자 정보 및 외부로부터 입력된 추가 정보를 제1 학습 데이터로 하여 인공지능 모델을 학습시키는 단계, 상기 인공지능 모델을 이용하여 상기 구매자와 상기 판매자의 매칭을 위한 유효 데이터를 추출하는 단계 및 상기 추출된 유효 데이터 및 상기 추출된 유효 데이터에 따른 실제 매칭 결과 데이터 중 적어도 하나를 제2 학습데이터로 하여 상기 인공지능 모델을 재학습시키는 단계를 포함한다.

Description

인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램{EFFECTIVE DATA EXTRACTION METHOD, APPARATUS AND COMPUTER PROGRAM FOR OPTIMIZED MATCHING BETWEEN FINANCIAL PRODUCT SELLER AND PURCHASER USING ARTIFICIAL INTELLIGENCE MODEL}

본 발명의 다양한 실시예는 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램에 관한 것이다.

유/무선 정보통신망이 빠르게 보급됨에 따라 정보통신망을 통해 정보 및 서비스를 제공하고 이를 향유하는 문화가 급속하게 정착되고 있으며, 이에 따라 정보통신망을 통해 이루어지는 각종 마케팅 서비스(예: 쇼핑, 보험상품의 홍보 및 판매, 설문조사, 텔레마테팅 등)도 다양한 형태로 변모되고 있다.

특히, 코로나19 바이러스 등과 같이 전염성이 강한 바이러스가 창궐함에 따라 사람들끼리 직접적으로 접촉하지 않고, 비대면으로 수행되는 언택트(Untact) 서비스에 대한 니즈가 증가하고 있으며, 이러한 니즈에 따라 각종 마케팅 서비스 역시 언택트, 디지털전환(Digital Transformation, DT) 등의 형태로 급변하고 있는 추세이다.

그러나, 보험과 같은 금융상품을 판매하는 서비스에서, 영업 부문은 다른 영역과 달리 구매자와 판매자가 직접적으로 접촉하는 아날로그 방식에 머물러있다는 점에서, 이러한 추세에 적합하지 않다는 문제가 있다.

또한, 최근 규제 완화로 인해 금융 데이터의 공유가 확대되고 있으나, 이러한 금융 데이터만으로는 고객에게 차별화된 금융상품이나 금융 서비스를 제공하기 어렵다는 문제가 있다.

즉, 고객에게 금융상품을 안내하고, 고객에게 최적화된 금융상품을 판매하는 등 양질의 금융 서비스를 제공하는 것이 핵심이나, "신용정보법"에 의해 금융 데이터만을 공유 및 활용하는 것만으로는 고객에게 양질의 금융 서비스를 제공하는데 있어서 한계가 있다.

한국공개특허 제10-2003-0076509호(2003.09.26)

본 발명이 해결하고자 하는 과제는 금융상품의 판매 대상인 구매자와 관련된 각종 정보뿐만 아니라, 판매와 관련된 각종 정보를 포함하는 추가 정보(예: 판매자 정보, 판매 상황 정보, 판매 업무와 관련된 정보 등)을 함께 고려하여 학습된 인공지능 모델을 이용하여, 금융상품 판매자와 해당 금융상품의 판매 대상인 구매자의 매칭을 위한 유효 데이터를 추출함으로써, 유효 데이터의 유효성을 높혀 금융상품의 판매량을 향상시킬 수 있을뿐만 아니라, 구매자에게 양질의 금융 서비스를 제공할 수 있는 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 다른 과제는 인공지능 모델을 이용하여 추출된 유효 데이터와 유효 데이터에 따라 구매자와 판매자를 매칭함으로써 도출되는 실제 매칭 결과 데이터를 학습 데이터로하여 인공지능 모델을 재학습시킴으로써, 인공지능 모델의 성능을 향상시켜 보다 정확한 유효 데이터 추출이 가능하도록 하는 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.

본 발명이 해결하고자 하는 또 다른 과제는 판매자의 관점에서, 판매자와 관련된 각종 정보(예: 판매자의 신상 정보, 성격, 금융상품별 판매 실적 등)를 고려하여 판매자의 성향, 강점을 판단하고, 이에 따라 해당 판매자가 판매하기 적합한 금융상품과 이를 판매할 대상인 구매자의 정보를 가리키는 유효 데이터를 추출함으로써, 판매자의 금융상품 판매 성공율을 높일 수 있는 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램을 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 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법은, 컴퓨팅 장치에 의해 수행되는, 금융상품을 판매하는 판매자와 상기 금융상품의 판매 대상인 구매자 간의 최적화된 매칭을 위한 유효 데이터를 추출하는 방법에 있어서, 기 저장된 구매자 정보 및 외부로부터 입력된 추가 정보를 제1 학습 데이터로 하여 인공지능 모델을 학습시키는 단계, 상기 인공지능 모델을 이용하여 상기 구매자와 상기 판매자의 매칭을 위한 유효 데이터를 추출하는 단계 및 상기 추출된 유효 데이터 및 상기 추출된 유효 데이터에 따른 실제 매칭 결과 데이터 중 적어도 하나를 제2 학습데이터로 하여 상기 인공지능 모델을 재학습시키는 단계를 포함하고, 상기 유효 데이터를 추출하는 단계는, 상기 인공지능 모델로부터 추출된 복수의 유효 데이터를 분석하여 복수의 구매자 정보와 복수의 추가 정보 각각에 대한 연관성 점수를 산출하는 단계, 상기 복수의 구매자 정보 중 상기 복수의 추가 정보와의 연관성 점수가 미리 설정된 점수 이상인 어느 하나의 구매자 정보만을 필터링하고, 상기 필터링된 하나의 구매자 정보와의 연관성 점수가 기 설정된 점수 이상인 추가 정보만을 상기 인공지능 모델의 입력으로 하여 상기 유효 데이터를 추출하거나, 상기 복수의 추가 정보 중 상기 복수의 구매자 정보와의 연관성 점수가 미리 설정된 점수 이상인 어느 하나의 추가 정보만을 필터링하고 상기 필터링된 하나의 추가 정보와의 연관성 점수가 기 설정된 점수 이상인 구매자 정보만을 상기 인공지능 모델의 입력으로 하여 상기 유효 데이터를 추출하는 단계 및 상기 필터링된 하나의 구매자 정보와의 연관성 점수에 기초하여 상기 복수의 추가 정보 각각에 가중치를 부여하고, 상기 가중치가 부여된 복수의 추가 정보를 상기 인공지능 모델의 입력으로 하여 상기 유효 데이터를 추출하거나, 상기 필터링된 하나의 추가 정보와의 연관성 점수에 기초하여 상기 복수의 구매자 정보 각각에 가중치를 부여하고, 상기 가중치가 부여된 복수의 구매자 정보를 상기 인공지능 모델의 입력으로 하여 상기 유효 데이터를 추출하는 단계;를 포함하며, 상기 재학습시키는 단계는, 상기 인공지능 모델로부터 추출된 복수의 유효 데이터 및 상기 복수의 유효 데이터의 개수 대비 매칭 성공 횟수의 비율에 따른 복수의 실제 매칭 결과 데이터에 기초하여, 상기 인공지능 모델에 대한 매칭 성공률을 산출하고, 상기 산출된 매칭 성공률에 기초하여 상기 인공지능 모델에 대한 학습 강도를 결정하는 단계를 포함하며, 상기 학습 강도를 결정하는 단계는, 상기 매칭 성공률에 따라 상기 인공지능 모델에 대한 유효 데이터 신뢰도 점수를 산출하고, 상기 유효 데이터 신뢰도 점수에 따라 상기 제2 학습 데이터의 범위, 상기 인공지능 모델의 재학습 주기 및 횟수 중 적어도 하나를 결정하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 구매자 정보는 상기 금융상품의 판매 대상인 구매자의 정보를 포함하고, 상기 추가 정보는 상기 금융상품을 판매할 판매자의 정보, 상기 금융상품의 정보 또는 판매 행위와 관련된 정보 중 적어도 하나를 포함하며, 상기 유효 데이터를 추출하는 단계는, 상기 구매자의 정보, 상기 판매자의 정보 및 상기 금융상품의 정보 중 적어도 하나의 정보를 상기 인공지능 모델의 입력으로 하여 상기 구매자에게 판매할 금융상품의 정보, 상기 금융상품을 판매할 판매자의 정보 및 상기 금융상품을 판매할 대상인 구매자의 정보 중 적어도 하나를 포함하는 유효 데이터를 추출하는 단계, 제1 판매자의 정보를 상기 인공지능 모델의 입력으로 하여, 상기 제1 판매자가 판매하기 적합한 제1 금융상품의 정보와 상기 제1 금융상품을 판매할 대상인 제1 구매자의 정보에 관한 유효 데이터를 추출하는 단계, 제2 구매자의 정보를 상기 인공지능 모델의 입력으로 하여, 상기 제2 구매자에게 판매하기 적합한 제2 금융상품의 정보 및 상기 제2 구매자에게 상기 제2 금융상품을 판매할 제2 판매자의 정보에 관한 유효 데이터를 추출하는 단계 및 제3 금융상품의 정보를 상기 인공지능 모델의 입력으로 하여, 상기 제3 금융상품을 판매할 제3 판매자의 정보 및 상기 제3 금융상품을 판매할 대상인 제3 구매자의 정보에 관한 유효 데이터를 추출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 유효 데이터를 추출하는 단계는, 상기 구매자 정보 및 상기 추가 정보 중 적어도 하나의 정보에 기초하여 임의의 구매자와 임의의 판매자의 매칭을 위한 입력 데이터를 생성하고, 상기 생성된 입력 데이터를 상기 인공지능 모델의 입력으로 하여 유효 데이터를 추출하는 단계를 포함하며, 상기 재학습시키는 단계는, 상기 생성된 입력 데이터를 상기 인공지능 모델의 입력으로 하여 추출된 유효 데이터를 상기 제2 학습 데이터로 하여 상기 인공지능 모델을 재학습시키는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 재학습시키는 단계는, 상기 임의의 구매자와 임의의 판매자의 매칭을 위한 유효 데이터를 추출하는 제1 동작을 수행함에 따라 추출된 유효 데이터를 상기 제2 학습 데이터로 하여 상기 인공지능 모델을 학습시키되, 실제 구매자와 실제 판매자의 매칭을 위한 유효 데이터를 추출하는 제2 동작을 수행하지 않거나 상기 제2 동작을 수행하는 횟수가 기 설정된 값 이하인 경우에만 상기 제1 동작을 수행하는 단계를 더 포함할 수 있다.

다양한 실시예에서, 상기 재학습시키는 단계는, 기 설정된 룰에 따라 상기 인공지능 모델로부터 추출된 복수의 유효 데이터를 필터링함으로써, 상기 복수의 유효 데이터 중 적어도 하나의 유효 데이터와 상기 적어도 하나의 유효 데이터에 따른 실제 매칭 결과 데이터를 결정하고, 상기 결정된 적어도 하나의 유효 데이터와 상기 적어도 하나의 유효 데이터에 따른 실제 매칭 결과 데이터만을 상기 제2 학습 데이터로 하여 상기 인공지능 모델을 재학습시키는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 유효 데이터를 추출하는 단계는, 상기 구매자와 상기 판매자의 매칭을 위한 하나의 입력 데이터를 상기 인공지능 모델에 반복 입력하여 복수의 유효 데이터를 추출하는 단계를 포함하며, 상기 재학습시키는 단계는, 상기 추출된 복수의 유효 데이터 각각을 제2 학습 데이터로 하여 상기 인공지능 모델을 재학습시키되, 상기 복수의 유효 데이터 간의 유사도에 따라 상기 인공지능 모델에 대한 학습 강도를 결정하는 단계를 포함하고, 상기 학습 강도를 결정하는 단계는, 상기 복수의 유효 데이터 간의 유사도에 따라 상기 인공지능 모델에 대한 유효 데이터 신뢰도 점수를 산출하고, 상기 유효 데이터 신뢰도 점수에 따라 상기 제2 학습 데이터의 범위, 상기 인공지능 모델의 재학습 주기 및 횟수 중 적어도 하나를 결정하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 유효 데이터를 추출하는 단계는, 상기 구매자의 정보, 상기 판매자의 정보 및 상기 금융상품의 정보 중 적어도 하나의 정보를 상기 인공지능 모델의 입력으로 하여 상기 구매자에게 판매할 금융상품의 정보, 상기 금융상품을 판매할 판매자의 정보 및 상기 금융상품을 판매할 대상인 구매자의 정보 중 적어도 하나를 포함하는 유효 데이터를 추출하되, 상기 판매자가 상기 구매자에게 상기 금융상품을 판매함에 있어서 판매 성공률을 상승시키기 위한 안내 정보 - 상기 안내 정보는 안내 문구, 목소리 톤, 억양 및 금융상품 안내 방법 중 적어도 하나를 포함함 - 를 함께 추출하는 단계를 포함할 수 있다.

다양한 실시예에서, 상기 유효 데이터를 추출하는 단계는, 상기 구매자 정보 및 상기 추가 정보를 이용하여 제1 구매자와 제1 판매자의 매칭을 위한 유효 데이터를 추출하되, 상기 구매자 정보 중 상기 산출된 추가 정보와의 연관성 점수가 기 설정된 점수 이상인 정보가 누락되거나 상기 추가 정보 중 상기 산출된 구매자 정보와의 연관성 점수가 기 설정된 점수 이상인 정보가 누락된 경우, 사용자 인터페이스(User Interface, UI)를 제공하여, 상기 누락된 정보를 직접 입력받는 단계를 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 사용자 간의 최적화된 매칭을 위한 유효 데이터 추출 장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법을 수행할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터프로그램은, 하드웨어인 컴퓨터와 결합되어, 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장될 수 있다.

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

본 발명의 다양한 실시예에 따르면, 금융상품의 판매 대상인 구매자와 관련된 각종 정보뿐만 아니라, 판매와 관련된 각종 정보를 포함하는 추가 정보(예: 판매자 정보, 판매 상황 정보, 판매 업무와 관련된 정보 등)을 함께 고려하여 학습된 인공지능 모델을 이용하여, 금융상품 판매자와 해당 금융상품의 판매 대상인 구매자의 매칭을 위한 유효 데이터를 추출함으로써, 유효 데이터의 유효성을 높혀 금융상품의 판매량을 향상시킬 수 있을뿐만 아니라, 구매자에게 양질의 금융 서비스를 제공할 수 있다는 이점이 있다.

또한, 인공지능 모델을 이용하여 추출된 유효 데이터와 유효 데이터에 따라 구매자와 판매자를 매칭함으로써 도출되는 실제 매칭 결과 데이터를 학습 데이터로하여 인공지능 모델을 재학습시킴으로써, 인공지능 모델의 성능을 향상시켜 보다 정확한 유효 데이터 추출이 가능하도록 한다는 이점이 있다.

또한, 판매자의 관점에서, 판매자와 관련된 각종 정보(예: 판매자의 신상 정보, 성격, 금융상품별 판매 실적 등)를 고려하여 판매자의 성향, 강점을 판단하고, 이에 따라 해당 판매자가 판매하기 적합한 금융상품과 이를 판매할 대상인 구매자의 정보를 가리키는 유효 데이터를 추출함으로써, 판매자의 금융상품 판매 성공율을 높일 수 있다는 이점이 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 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법의 순서도이다.
도 4는 다양한 실시예에 적용 가능한 인공지능 모델과 인공지능 모델의 입출력 데이터의 형태를 예시적으로 도시한 도면이다.
도 5는 다양한 실시예에서, 구매자 정보와 추가 정보 간의 연관성에 따라 정보를 필터링하여 유효 데이터를 추출하는 방법의 순서도이다.
도 6은 다양한 실시예에서, 구매자 정보와 추가 정보 간의 연관성에 따라 정보에 가중치를 부여하여 유효 데이터를 추출하는 방법의 순서도이다.
도 7은 다양한 실시예에서, 복수의 유효 데이터간 유사도에 따라 인공지능 모델의 학습 강도를 결정하는 방법의 순서도이다.
도 8은 다양한 실시예에서, 유효 데이터에 따른 실제 매칭 결과에 따라 인공지능 모델의 학습 강도를 결정하는 방법의 순서도이다.
도 9는 본 발명의 또 다른 실시예에 따른 금융상품 판매자와 구매자 간의 최적화된 매칭 방법의 순서도이다.
도 10은 다양한 실시예에서, 금융상품 판매자와 구매자 간의 최적화된 매칭 방법이 적용 가능한 텔레마케팅 시스템을 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 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 실시예들을 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 명세서에서는, 보험과 같은 금융상품을 판매하는 판매자와 해당 금융상품의 판매 대상인 구매자를 매칭하기 위한 유효 데이터를 추출하는 것을 기준으로 설명하고 있으나, 이에 한정되지 않고, 금융상품 외의 다양한 상품을 판매하는 환경에서 판매자와 구매자를 매칭하는 분야에도 적용이 가능하다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 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 1은 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 시스템을 도시한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 시스템은 유효 데이터 추출 장치(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.

여기서, 도 1에 도시된 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.

일 실시예에서, 유효 데이터 추출 장치(100)는 구매자와 판매자(예: 보험상품, 핀테크 상품과 같은 금융상품 판매자)의 매칭을 위한 유효 데이터를 추출할 수 있다. 예를 들어, 유효 데이터 추출 장치(100)는 구매자 정보와 추가 정보(예: 외부로부터 수집(또는 입력)된 외부 팩터(factor))를 학습 데이터로 하여 기 학습된 인공지능 모델을 이용하여 구매자와 판매자의 매칭을 위한 유효 데이터를 추출할 수 있다.

여기서, 구매자 정보는 구매자인 고객에 대한 각종 정보를 의미할 수 있고, 추가 정보는 판매자의 정보, 금융상품의 정보, 판매 행위와 관련된 정보(예: 업무 정보), 상황 정보와 같이 판매와 관련된 각종 정보(예: 세일즈 데이터(Sales data), 비금융데이터, 판매자 개인 비정형 데이터 등)를 의미할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 유효 데이터 추출 장치(100)는 구매자 정보 및 추가 정보(예: 판매자의 정보 및 금융상품의 정보) 중 적어도 하나의 정보를 인공지능 모델의 입력으로 함으로써, 구매자에게 판매할 금융상품의 정보, 금융상품을 판매할 판매자의 정보 및 금융상품을 판매할 대상인 구매자의 정보 중 적어도 하나를 포함하는 유효 데이터를 추출할 수 있다(예: 도 4).

여기서, 유효 데이터 추출 장치(100)는 기 저장된 구매자 정보와 외부로부터 입력된 추가 정보(예: 판매자 또는 관리자로부터 입력받은 정보)를 인공지능 모델의 입력으로 하여 유효 데이터를 추출할 수 있으나, 이에 한정되지 않고, 외부로부터 구매자 정보를 직접 입력받거나 복수의 구매자 정보 및 복수의 추가 정보가 기 저장되어 있는 환경에서 직접 유효 데이터를 추출하는 동작을 수행할 수 있다.

일 실시예에서, 사용자 단말(200)(예: 구매자의 단말, 판매자의 단말 또는 관리자의 단말)은 네트워크(400)를 통해 유효 데이터 추출 장치(100)와 연결될 수 있으며, 유효 데이터 추출 장치(100)로부터 사용자 인터페이스(User interface, UI)를 제공받아 출력할 수 있고, 출력된 UI를 통해 각종 정보(예: 구매자 정보 및 추가 정보)를 입력함으로써 유효 데이터 추출 장치(100)로 제공할 수 있다. 예를 들어, 사용자 단말(200)은 유효 데이터 추출 장치(100)로부터 MBTI(Myers-Briggs Type Indicator) 검사를 수행하기 위한 UI를 제공받을 수 있고, UI를 통해 MBTI 검사를 수행함으로써 도출되는 사용자(구매자 및 판매자)의 MBTI 결과 정보를 유효 데이터 추출 장치(100)로 제공할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 사용자 단말(200)은 사용자 단말(200)의 적어도 일부분에 디스플레이를 구비하는 스마트폰, 태블릿 PC, 데스크톱 및 노트북 중 적어도 하나일 수 있고, 디스플레이를 통해 유효 데이터 추출 장치(100)로부터 제공되는 UI를 출력할 수 있다. 그러나, 이에 한정되지 않는다.

일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 유효 데이터 추출 장치(100)와 연결될 수 있으며, 유효 데이터 추출 장치(100)가 인공지능 모델을 학습 및 재학습 시키는 동작과 인공지능 모델을 이용하여 유효 데이터를 추출하는 동작을 수행하기 위하여 필요한 각종 정보(예: 복수의 구매자 정보, 복수의 추가 정보, 제1 학습 데이터 및 실제 매칭 결과 데이터 등)를 저장 및 제공할 수 있다.

또한, 외부 서버(300)는 유효 데이터 추출 장치(100)가 유효 데이터 추출 동작을 수행함으로써 생성되는 각종 데이터(예: 유효 데이터, 제2 학습 데이터)를 제공받아 저장할 수 있다. 예를 들어, 외부 서버(300)는 유효 데이터 추출 장치(100) 외부에 별도로 구비되는 저장 서버일 수 있다. 그러나, 이에 한정되지 않는다. 이하, 도 2를 참조하여, 본 발명의 다른 실시예에 따른 유효 데이터 추출 장치(100)의 하드웨어 구성도에 대하여 설명하도록 한다.

도 2는 본 발명의 다른 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 장치의 하드웨어 구성도이다.

도 2를 참조하면, 본 발명의 다른 실시예에 따른 유효 데이터 추출 장치(100)(이하, “컴퓨팅 장치(100)”)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.

또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.

다양한 실시예에서, 프로세서(110)는 프로세서(110) 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(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(130)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(140)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.

스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 컴퓨팅 장치(100)를 통해 유효 데이터 추출 프로세스를 수행하는 경우, 스토리지(150)는 유효 데이터를 추출하기 위해 필요한 각종 정보를 저장(예: 복수의 사용자 정보 및 복수의 추가 정보 등)할 수 있다.

스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.

일 실시예에서, 컴퓨터 프로그램(151)은 기 저장된 구매자 정보 및 외부로부터 입력된 추가 정보를 제1 학습 데이터로 하여 인공지능 모델을 학습시키는 단계, 상기 인공지능 모델을 이용하여 상기 구매자와 상기 판매자의 매칭을 위한 유효 데이터를 추출하는 단계 및 상기 추출된 유효 데이터 및 상기 추출된 유효 데이터에 따른 실제 매칭 결과 데이터 중 적어도 하나를 제2 학습데이터로 하여 상기 인공지능 모델을 재학습시키는 단계를 포함하는 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.

본 발명의 실시예와 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. 이하, 도 3 내지 10을 참조하여, 컴퓨팅 장치(100)가 수행하는 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법에 대하여 설명하도록 한다.

도 3은 본 발명의 또 다른 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법의 순서도이다.

도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 기 저장된 구매자 정보와 외부로부터 입력된 추가 정보(예: 판매자의 정보, 금융상품(예: 보험상품, 핀테크 상품 등)의 정보 및 판매 행위와 관련된 정보)를 제1 학습 데이터를 이용하여 인공지능 모델을 학습시킬 수 있다.

여기서, 구매자 정보는 구매자와 관련된 모든 정보를 의미할 수 있다. 예를 들어, 구매자 정보는 구매자의 이름, 나이, 성별, 주소, 직업, 사용하고 있는 은행, 카드의 종류, 포인트, 성향 및 성격(예: MBTI 분석 결과), 관심사, 결혼여부 및 자녀유무, 목소리 톤 및 성향 등과 같이 고객과 관련된 모든 정보를 포함할 수 있다. 그러나, 구매자 정보의 종류는 이에 한정되지 않고, 구매자의 성향 등을 파악하기 위하여 이용 가능한 모든 분야, 다양한 형태의 정보가 적용 가능하다.

또한, 여기서, 추가 정보는 판매자의 정보, 상황 정보, 업무 정보 및 인공지능 모델 결과 전략 정보와 같이 판매자 및 판매 행위와 관련된 모든 정보를 의미할 수 있다. 예를 들어, 추가 정보는 판매자의 이름, 나이, 성별, 주소, 성향 및 성격(예: MBTI 분석 결과), 관심사, 결혼여부 및 자녀유무, 목소리 톤 및 성향, 판매자의 금융상품별 판매 실적, 고객 응대 성향, 상담시간(총 상담 시간, 건별 상담 시간, 평균 상담 시간), 목소리 톤 및 성향, 유효 성사율, 고객 응대 패턴, 고객과의 통화 패턴, 매칭 성공 패턴, 상담별 날씨, 온도 및 시간, 사회적, 경제적 및 문화적 상황 정보를 포함할 수 있다. 그러나, 이에 한정되지 않고, 추가 정보는 판매와 관련된 세일즈 데이터뿐만 아니라 모든 분야, 다양한 형태의 정보가 적용 가능하다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자의 정보, 판매자의 정보 및 구매자와 판매자를 매칭함으로써 생성되는 판매 행위와 관련된 정보(예: 매칭 결과 정보, 상담 내용 정보 등과 같이 판매 행위에 의해 생성되는 각종 정보)를 포함하는 제1 학습 데이터에 구매자와 판매자를 매칭함으로써 도출되는 결과 정보(예: 금융상품 판매의 성공 여부에 대한 정보)를 레이블링(Labeling)하고, 지도학습(Supervised Learning) 방법을 통해 결과 정보가 레이블링된 제1 학습 데이터를 이용하여 인공지능 모델을 학습시킬 수 있다. 그러나, 이는 인공지능 모델을 학습시키는 하나의 예시에 불과하며, 인공지능 모델을 학습시키기 위한 다양한 기술이 적용될 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 외부(예: 외부 서버(300))로부터 기 저장된 복수의 구매자 정보 및 판매와 관련된 복수의 추가 정보를 수집하거나 사용자로부터 복수의 구매자 정보 및 판매와 관련된 복수의 추가 정보를 입력받아 인공지능 모델을 학습시킬 수 있으나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 복수의 구매자 정보 및 판매와 관련된 복수의 추가 정보가 기 저장된 환경에 인공지능 모델을 로드하여 해당 환경에서 인공지능 모델이 학습될 수 있도록 인공지능 모델의 학습 동작을 구동시킬 수 있다.

S120 단계에서, 컴퓨팅 장치(100)는 S110 단계를 거쳐 학습된 인공지능 모델을 이용하여 금융상품의 판매 대상인 구매자와 해당 금융상품을 구매자에게 판매할 판매자의 매칭을 위한 유효 데이터를 추출할 수 있다.

여기서, 유효 데이터는 구매자의 정보와 판매자의 정보 및 금융상품의 정보를 포함하는 추가 정보 중 적어도 하나의 정보를 인공지능 모델의 입력으로 하여 추출되는 결과 데이터로서, 구매자에게 판매할 금융상품의 정보, 금융상품을 판매할 판매자의 정보 및 금융상품을 판매할 대상인 구매자의 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않는다.

예를 들어, 컴퓨팅 장치(100)는 구매자의 정보를 인공지능 모델의 입력으로 하여 해당 구매자에게 판매할 금융상품의 정보와 금융상품을 판매할 판매자의 정보에 관한 유효 데이터를 추출할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 특정 구매자에게 판매하기 적합한 금융상품과 이를 구매자에게 판매하기 위한 최적의 판매자(예: 판매 성공률이 높은 판매자)를 결정함으로써, 특정 구매자에 대한 금융상품 판매 성공률을 향상시킬 수 있다. 그러나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 금융상품의 정보를 인공지능 모델의 입력으로 하여, 금융상품을 판매할 판매자의 정보 및 금융상품을 판매할 대상인 구매자의 정보에 관한 유효 데이터를 추출할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 특정 금융상품을 판매할 최적의 대상인 구매자와 해당 구매자에게 특정 금융상품을 판매할 최적의 판매자를 결정함으로써, 특정 금융상품에 대한 판매량 및 판매 성공률을 향상시킬 수 있다. 그러나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 판매자의 정보를 인공지능 모델의 입력으로 하여 판매자가 판매하기 적합한 금융상품의 정보와 금융상품을 판매할 대상인 구매자의 정보에 관한 유효 데이터를 추출할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 특정 판매자의 성향 및 강점을 파악하여, 특정 판매자가 잘 판매할 수 있는 금융상품과 이를 판매할 대상인 구매자를 결정함으로써, 특정 판매자가 자신의 강점을 살려 금융상품을 판매할 수 있도록 유도할 수 있다. 그러나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 구매자의 정보 및 판매자의 정보를 인공지능 모델의 입력으로 하여, 판매자가 구매자에게 판매하기 적합한 금융상품의 정보에 관한 유효 데이터를 추출할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 특정 구매자와 특정 판매자 사이에서 판매할 최적의 금융상품을 결정함으로써, 금융상품의 판매량 및 판매 성공률을 향상시킬 수 있다. 그러나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 구매자의 정보 및 금융상품의 정보를 인공지능 모델의 입력으로 하여, 구매자에게 금융상품을 판매할 판매자의 정보에 관한 유효 데이터를 추출할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 특정 구매자에게 특정 금융상품을 판매할 최적의 판매자를 결정함으로써, 특정 구매자에 대한 특정 금융상품의 판매량 및 판매 성공률을 향상시킬 수 있다. 그러나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 판매자의 정보 및 금융상품의 정보를 인공지능 모델의 입력으로 하여, 판매자가 금융상품을 판매하기 적합한 구매자의 정보에 관한 유효 데이터를 추출할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 특정 판매자가 특정 금융상품을 판매할 최적의 구매자를 결정함으로써, 특정 판매자의 특정 금융상품에 대한 판매 성공률을 향상시킬 수 있다. 그러나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 구매자의 정보, 판매자의 정보 및 금융상품의 정보를 인공지능 모델의 입력으로 하여, 판매자가 금융상품을 구매자에게 판매할 경우의 판매 성공률에 관한 유효 데이터를 추출할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 특정 판매자가 특정 구매자에게 특정 금융상품을 판매할 가능성을 예측함으로써, 인공지능 모델이 보다 정확한 결과 데이터를 추출할 수 있도록 유효 데이터를 재 검증하여 인공지능 모델의 성능을 평가할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 판매하고자 하는 금융상품의 종류 및 금융상품을 판매할 대상인 구매자의 정보에 기초하여 유효 데이터를 추출하기 위해 필수적으로 필요한 추가 정보를 결정(예: 후술되는 연관성 점수 기반)할 수 있다. 이때, 컴퓨팅 장치(100)는 필수적으로 필요한 추가 정보가 누락된 경우(예: 외부로부터 수집되지 못하거나 사용자로부터 입력받지 못한 경우 등), 사용자 단말(200)로 UI를 제공하여 유효 데이터를 추출함에 있어서 필수적으로 필요한 추가 정보를 입력할 수 있도록 안내할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자의 정보와 판매자의 정보 및 금융상품의 정보를 포함하는 추가 정보 중 적어도 하나의 정보를 인공지능 모델의 입력으로 하여 구매자에게 판매할 금융상품의 정보, 금융상품을 판매할 판매자의 정보 및 금융상품을 판매할 대상인 구매자의 정보 중 적어도 하나의 정보를 포함하는 유효 데이터를 추출하되, 판매자가 구매자에게 금융상품을 판매하는 과정에 있어서 판매 성공률을 높일 수 있는 안내 정보(예: 안내 문구(예: 성공률을 높이는 문구, 지양해야 할 문구), 목소리 톤, 억양, 금융상품 안내 방법 등)에 관한 유효 데이터를 함께 추출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 인공지능 모델로부터 추출된 복수의 유효 데이터를 분석하여 복수의 구매자 정보와 복수의 추가 정보 각각의 연관성 점수를 산출할 수 있고, 산출된 연관성 점수를 인공지능 모델에 반영하여 유효 데이터 추출 동작의 성능을 향상시킬 수 있다. 이하, 도 5 및 6을 참조하여 설명하도록 한다.

도 5는 다양한 실시예에서, 구매자 정보와 추가 정보 간의 연관성에 따라 정보를 필터링하여 유효 데이터를 추출하는 방법의 순서도이다.

도 5를 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 인공지능 모델로부터 추출된 복수의 유효 데이터를 분석할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 데이터 분석 모델을 이용하여 구매자 정보 및 추가 정보를 포함하는 복수의 입력 데이터 및 복수의 입력 데이터에 따라 추출되는 복수의 유효 데이터를 분석하여 복수의 구매자 정보와 추가 정보 사이의 상관 관계를 도출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제1 구매자 정보 및 제1 추가 정보를 포함하는 입력 데이터로부터 추출된 제1 유효 데이터와 제2 구매자 정보 및 제1 추가 정보를 포함하는 입력 데이터로부터 추출된 제2 유효 데이터를 분석하여, 제1 구매자 정보 및 제2 구매자 정보와 제1 추가 정보 간의 상관 관계를 도출할 수 있다.

여기서, 복수의 구매자 정보와 추가 정보 사이의 상관 관계는 구매자 정보와 추가 정보 사이가 상호 영향을 끼치는지 여부와 상호 영향을 끼치는 정도에 관한 정보를 의미할 수 있다. 그러나, 이에 한정되지 않는다.

즉, 컴퓨팅 장치(100)는 입력 데이터에 포함된 복수의 구매자 정보 및 추가 정보의 일부를 변경시켜 복수의 입력 데이터를 생성하고, 생성된 복수의 입력 데이터에 따라 도출되는 복수의 유효 데이터를 비교함으로써, 구매자 정보와 추가 정보 사이가 상호 영향을 끼치는지 여부를 판단할 수 있다.

또한, 컴퓨팅 장치(100)는 변경되는 정도를 달리하여 상호 영향을 끼치는 구매자 정보 및 추가 정보를 변경시킴으로써 복수의 입력 데이터를 생성하고, 생성된 복수의 입력 데이터에 따라 도출되는 복수의 유효 데이터를 비교함으로써, 구매자 정보와 추가 정보 사이가 상호 영향을 끼치는 정도를 판단할 수 있다. 그러나, 이에 한정되지 않고, 복수의 정보들 사이의 연관성 및 상관 관계를 판단하기 위한 다양한 기술이 적용될 수 있다.

S220 단계에서, 컴퓨팅 장치(100)는 S210 단계에서 도출된 복수의 구매자 정보와 추가 정보 간의 상관 관계(또는 관련성)에 따라 복수의 구매자 정보와 추가 정보 각각의 연관성 점수를 산출할 수 있다.

이때, 컴퓨팅 장치(100)는 복수의 구매자 정보와 추가 정보 간의 상관 관계를 기 설정된 등급(예: 관련성 높음을 가리키는 제1 등급, 관련성 중간을 가리키는 제2 등급 및 관련성 낮음을 가리키는 제3 등급)으로 분류할 수 있고, 분류된 등급에 따라 연관성 점수를 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 추가 정보와 복수의 구매자 정보 간의 상관 관계가 관련성 낮음을 가리키는 제3 등급인 경우, 제1 값을 가지는 연관성 점수를 산출할 수 있고, 관련성 중간을 가리키는 제2 등급인 경우 제1 값보다 큰 제2 값을 가지는 연관성 점수를 산출할 수 있으며, 관련성 높음을 가리키는 제1 등급인 경우 제2 값보다 큰 제3 값을 가지는 연관성 점수를 산출할 수 있다.

이때, 연관성 점수를 산출하는 구성은 사전에 공지된 다양한 방법들이 적용될 수 있으나, 상관 관계에 따라 기 설정된 등급을 설정하고, 설정된 등급에 따라 기 설정된 점수를 부여하는 방법 또는 기 설정된 기준에 따라 특정 정보들 간의 상관 관계를 스코어링하고, 스코어링 결과를 연관성 점수로써 산출하는 방법 중 어느 하나의 방법에 따라 연관성 점수를 산출하는 것이 바람직하다.

여기서, 제1 값, 제2 값 및 제3 값은 컴퓨팅 장치(100)가 복수의 구매자 정보와 추가 정보 각각의 연관성 점수를 산출하는 동작을 수행하기 이전에 관리자에 의해 설정된 값일 수 있으나, 이에 한정되지 않는다.

S230 단계에서, 컴퓨팅 장치(100)는 S220 단계를 통해 산출된 연관성 점수에 기초하여, 복수의 구매자 정보 중 어느 하나의 구매자 정보만을 필터링할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 추가 정보와의 연관성 점수가 기 설정된 점수(예: 관리자에 의해 사전에 설정된 점수 값 또는 인공지능 모델의 신뢰도를 유지하기 위하여 학습을 통해 자체적으로 설정된 점수 값) 이상인 하나 이상의 구매자 정보만을 선택할 수 있고, 선택한 하나 이상의 구매자 정보만을 인공지능 모델의 입력으로 하여 유효 데이터를 추출할 수 있다.

또한, 컴퓨팅 장치(100)는 S220 단계를 통해 산출된 연관성 점수에 기초하여, 복수의 추가 정보 중 어느 하나의 구매자 정보만을 필터링할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 구매자 정보와의 연관성 점수가 기 설정된 점수(예: 관리자에 의해 사전에 설정된 점수 값 또는 인공지능 모델의 신뢰도를 유지하기 위하여 학습을 통해 자체적으로 설정된 점수 값) 이상인 하나 이상의 추가 정보만을 선택할 수 있고, 선택한 하나 이상의 추가 정보만을 인공지능 모델의 입력으로 하여 유효 데이터를 추출할 수 있다.

즉, 컴퓨팅 장치(100)는 유효 데이터를 추출하는 과정에서 추가 정보와의 연관성이 높은 구매자 정보만을 선택적으로 고려하거나 구매자 정보와의 연관성이 높은 추가 정보만을 선택적으로 고려하여 유효 데이터를 추출함으로써, 인공지능 모델로부터 추출되는 유효 데이터의 신뢰도를 유지함과 동시에 불필요한 정보를 필터링함으로써, 보다 빠르게 유효 데이터를 추출할 수 있다는 이점이 있다.

또한, 컴퓨팅 장치(100)는 인공지능 모델을 이용하여 유효 데이터를 추출함과 동시에 기 저장된 유효 데이터와 신규 유효 데이터를 지속적으로 분석하여 구매자 정보와 추가 정보 간의 연관성 점수를 지속적으로 갱신할 수 있고, 이에 따라 각종 정보를 필터링하는 동작에 대한 성능을 향상시킴으로써, 인공지능 모델을 이용하여 보다 신뢰도 높은 유효 데이터를 추출할 수 있다는 이점이 있다.

도 6은 다양한 실시예에서, 구매자 정보와 추가 정보 간의 연관성에 따라 정보에 가중치를 부여하여 유효 데이터를 추출하는 방법의 순서도이다.

도 6을 참조하면, S310 단계에서, 컴퓨팅 장치(100)는 인공지능 모델로부터 추출된 복수의 유효 데이터를 분석할 수 있다. 여기서, S310 단계에서 컴퓨팅 장치(100)에 의해 수행되는 복수의 유효 데이터 분석 동작은 도 5의 S210 단계에서 컴퓨팅 장치(100)에 의해 수행되는 복수의 유효 데이터 분석 동작과 동일하거나 유사한 형태로 수행될 수 있으나, 이에 한정되지 않는다.

S320 단계에서, 컴퓨팅 장치(100)는 S310 단계에서 도출된 복수의 구매자 정보와 추가 정보 간의 상관 관계(또는 관련성)에 따라 복수의 구매자 정보와 추가 정보 각각의 연관성 점수를 산출할 수 있다. 여기서, S320 단계에서 컴퓨팅 장치(100)에 의해 수행되는 연관성 점수 산출 동작은 도 5의 S220 단계에서 컴퓨팅 장치(100)에 의해 수행되는 연관성 점수 산출 동작과 동일하거나 유사한 형태로 수행될 수 있으나, 이에 한정되지 않는다.

S330 단계에서, 컴퓨팅 장치(100)는 S320 단계를 통해 산출된 연관성 점수에 기초하여 복수의 구매자 정보 각각에 가중치를 부여할 수 있고, 추가 정보와 가중치가 부여된 복수의 구매자 정보를 인공지능 모델의 입력으로 하여 유효 데이터를 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 추가 정보와의 연관성 점수에 비례하여 복수의 구매자 정보 각각에 대한 가중치를 부여할 수 있다. 이때, 컴퓨팅 장치(100)는 연관성 점수가 상대적으로 높은 구매자 정보가 연관성 점수가 상대적으로 낮은 구매자 정보보다 높은 값의 가중치를 가지도록 설정할 수 있다.

또한, 컴퓨팅 장치(100)는 S320 단계를 통해 산출된 연관성 점수에 기초하여 복수의 추가 정보 각각에 가중치를 부여할 수 있고, 구매자 정보와 가중치가 부여된 복수의 추가 정보를 인공지능 모델의 입력으로 하여 유효 데이터를 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 구매자 정보와의 연관성 점수에 비례하여 복수의 추가 정보 각각에 대한 가중치를 부여할 수 있다. 이때, 컴퓨팅 장치(100)는 연관성 점수가 상대적으로 높은 추가 정보가 연관성 점수가 상대적으로 낮은 추가 정보보다 높은 값의 가중치를 가지도록 설정할 수 있다.

이때, 가중치 값은 연관성 점수에 비례하여 소정의 비율로 환산된 값 또는 관리자에 의해 사전에 설정 및 저장된 연관성 점수별 가중치 값 데이터에 기초하여 연관성 점수에 대응되는 가중치 값일 수 있으나, 이에 한정되지 않고, 인공지능 모델을 이용하여 인공지능 모델의 성능을 향상시킬 수 있는 최적의 가중치 값이 자동적으로 설정될 수 있다.

즉, 컴퓨팅 장치(100)는 유효 데이터를 추출하는 과정에서, 복수의 판매 정보를 포함하는 추가 정보와 연관성이 높은 구매자 정보에 높은 가중치를 부여하여 연관성이 높은 구매자 정보들을 중점적으로 고려하거나, 복수의 구매자 정보와 연관성이 높은 추가 정보에 높은 가중치를 부여하여 연관성이 높은 추가 정보들을 중점적으로 고려하여 유효 데이터를 추출함으로써, 보다 정확하고 신뢰도 높은 유효 데이터가 추출될 수 있도록 할 수 있다는 이점이 있다.

또한, 컴퓨팅 장치(100)는 인공지능 모델을 이용하여 유효 데이터를 추출함과 동시에 기 저장된 유효 데이터와 신규 유효 데이터를 지속적으로 분석하여 구매자 정보와 추가 정보 간의 연관성 점수를 지속적으로 갱신할 수 있고, 이에 따라 각각의 정보에 부여된 가중치를 실시간으로 갱신하여 인공지능 모델의 유효 데이터 추출 성능을 향상시킴으로써, 인공지능 모델을 이용하여 보다 신뢰도 높은 유효 데이터를 추출할 수 있다는 이점이 있다.

다시 도 3을 참조하면, S130 단계에서, 컴퓨팅 장치(100)는 S120 단계를 거쳐 추출된 유효 데이터 및 추출된 유효 데이터에 따른 실제 매칭 결과 데이터 중 적어도 하나를 제2 학습 데이터로 하여 인공지능 모델을 재학습시킬 수 있다.

여기서, 실제 매칭 결과 데이터는 컴퓨팅 장치(100) 또는 외부의 매칭 서버로부터 제공되는 구매자와 판매자 매칭 서비스를 통해 유효 데이터 기반으로 구매자와 판매자를 매칭하고, 구매자와 판매자를 매칭함으로써 생성되는 각종 데이터 및 정보(예: 상담 시간, 상담 내용, 상담 횟수, 진행 상태, 진행 결과(판매 결과)에 대한 정보와 같이 구매자와 판매자가 수행하는 상담 절차에 의해 생성되는 정보)를 의미할 수 있다. 그러나, 실제 매칭 결과 데이터는 구매자와 판매자를 매칭함으로써 생성되는 데이터 및 정보에 한정되지 않고, 구매자와 상담원, 구매자와 설문조사자, 구매자와 안내원, 구매자와 텔레마케터, 구매자와 보험 상담원 및 구매자와 통신 판매자 등 다양한 사용자들 간의 매칭을 수행함으로써 생성되는 각종 데이터 및 정보를 포함할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 설정된 룰에 따라 인공지능 모델로부터 추출된 복수의 유효 데이터를 필터링함으로써, 복수의 유효 데이터 중 적어도 하나의 유효 데이터와 적어도 하나의 유효 데이터에 따른 실제 매칭 결과 데이터를 결정하고, 결정된 적어도 하나의 유효 데이터와 적어도 하나의 유효 데이터에 따른 실제 매칭 결과 데이터만을 제2 학습 데이터로 하여 상기 인공지능 모델을 재학습시킬 수 있다.

일반적으로, 인공지능 모델을 이용하여 유효 데이터를 추출하는 경우, 인공지능 모델의 성능의 문제가 아닌, 인공지능 모델의 동작 오류, 입력 데이터의 누락 및 오류, 통신상의 문제 등 다양한 외부의 요인들로 인해 신뢰도가 낮은 유효 데이터가 추출될 수 있다.

이와 같이 신뢰도가 낮은 유효 데이터를 학습 데이터로 하여 인공지능 모델을 학습시킬 경우, 기존에 신뢰도 높은 학습 데이터를 이용하여 기 학습된 인공지능 모델의 성능을 저하시킬 수 있고, 이에 따라 정확한 유효 데이터를 추출할 수 없게 된다는 문제가 발생할 수 있다.

따라서, 컴퓨팅 장치(100)는 인공지능 모델로부터 추출된 모든 유효 데이터와 모든 유효 데이터에 따른 실제 매칭 결과 데이터를 학습 데이터로 하여 인공지능 모델을 재학습시키지 않고, 복수의 유효 데이터 중 인공지능 모델의 유효 데이터 추출 동작의 오류 발생으로 인해 적어도 일부의 데이터가 손상된 유효 데이터, 통신상의 문제 등으로 인해 정확한 정보가 수집되지 못한 상태에서 추출된 유효 데이터 및 입력된 정보가 적어 신뢰도가 낮은 유효 데이터 등과 같이 유효 데이터 추출 동작을 위한 학습 과정에 있어서 장애를 일으킬 수 있는 데이터를 필터링하기 위하여 사전에 설정된 룰인 기 설정된 룰을 이용하여 이상이 있는 유효 데이터를 필터링하고, 이상이 없는 유효 데이터만을 선택적으로 재학습시킴으로써, 상기와 같은 문제를 해소하고 인공지능 모델의 신뢰도를 향상시킬 수 있다는 이점이 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자 정보 및 추가 정보 중 적어도 하나의 정보에 기초하여 임의의 구매자와 임의의 판매자의 매칭을 위한 입력 데이터를 생성하고, 생성된 입력 데이터를 인공지능 모델의 입력으로 하여 유효 데이터를 추출할 수 있으며, 추출된 유효 데이터를 제2 학습 데이터로 하여 인공지능 모델을 학습시킬 수 있다.

예를 들어, 컴퓨팅 장치(100)는 유효 데이터 추출을 위한 별도의 제어명령(예: 구매자와 판매자의 매칭을 위해 유효 데이터를 추출할 것을 지시하는 사용자 입력)이 없더라도 소정의 주기(예: 관리자에 의해 사전에 설정된 주기)마다 임의의 제1 구매자와 임의의 제1 판매자의 매칭을 위한 제1 유효 데이터, 임의의 제2 구매자와 임의의 제2 판매자의 매칭을 위한 제2 유효 데이터를 추출하고, 이를 제2 학습 데이터로 하여 인공지능 모델을 재학습시킬 수 있다.

이때, 컴퓨팅 장치(100)는 임의의 구매자와 임의의 판매자를 매칭하기 위한 유효 데이터를 추출하는 제1 동작에 의해 실제 구매자와 판매자의 매칭을 위하여 유효 데이터를 추출하는 제2 동작이 지연, 방해받는 것을 방지하기 위하여 제2 동작이 수행되지 않거나 수행해야 하는 제2 동작의 횟수가 기 설정된 값 이하인 경우에만 제1 동작을 수행할 수 있다. 그러나, 이에 한정되지 않는다.

즉, 컴퓨팅 장치(100)는 별도의 지시가 없더라도 일정 주기마다 인공지능 모델의 학습을 위한 학습 데이터를 자동적으로 생성하고, 이를 이용하여 인공지능 모델을 재학습시킴으로써, 인공지능 모델의 성능을 지속적으로 향상시킬 수 있다는 이점이 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자와 판매자의 매칭을 위한 하나의 입력 데이터를 인공지능 모델에 반복 입력하여 복수의 유효 데이터를 추출할 수 있고, 복수의 유효 데이터를 제2 학습 데이터로 하여 인공지능 모델을 재학습시킬 수 있다.

즉, 컴퓨팅 장치(100)는 하나의 입력 데이터만으로 인공지능 모델의 학습을 위한 복수의 학습 데이터를 생성함으로써, 인공지능 모델의 학습 횟수를 증가시켜 인공지능 모델의 신뢰도를 향상시킬 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 인공지능 모델로부터 추출된 유효 데이터를 분석하고, 유효 데이터 분석 결과에 따라 인공지능 모델의 학습 및 재학습의 강도를 결정할 수 있다. 이하, 도 7 및 8을 참조하여 설명하도록 한다.

도 7은 다양한 실시예에서, 복수의 유효 데이터간 유사도에 따라 인공지능 모델의 학습 강도를 결정하는 방법의 순서도이다.

도 7을 참조하면, S410 단계에서, 컴퓨팅 장치(100)는 구매자와 판매자의 매칭을 위한 하나의 제1 입력 데이터 인공지능 모델의 입력으로 하여 유효 데이터를 추출할 수 있다. 여기서, S410 단계에서 컴퓨팅 장치(100)에 의해 수행되는 유효 데이터 추출 동작은 도 3의 S120 단계에서 컴퓨팅 장치(100)에 의해 수행되는 유효 데이터 추출 동작과 동일 또는 유사한 형태로 수행될 수 있으나, 이에 한정되지 않는다.

S420 단계에서, 컴퓨팅 장치(100)는 하나의 제1 입력 데이터를 인공지능 모델의 입력으로 하여 유효 데이터를 추출하는 동작(예: S410 단계)을 수행한 횟수(N)가 기준 값(예: 관리자에 의해 사전에 설정된 값) 이상인지 여부를 판단할 수 있다.

S430 단계에서, 컴퓨팅 장치(100)는 유효 데이터를 추출하는 동작을 수행한 횟수(N)가 기준 값 미만인 것으로 판단되는 경우, 하나의 제1 입력 데이터를 인공지능 모델의 입력으로 하여 유효 데이터를 추출하는 동작을 수행한 횟수(N)를 카운팅(N=N+1으로 설정) 하고, 하나의 제1 입력 데이터를 인공지능 모델의 입력으로 하여 유효 데이터를 추출하는 동작(예: S410 단계)을 재수행할 수 있다.

즉, 컴퓨팅 장치(100)는 유효 데이터를 추출하는 동작(예: S410 단계)을 수행한 횟수(N)가 기준값 이상이 될 때까지 유효 데이터를 추출하는 동작을 반복적으로 수행함으로써, 하나의 제1 입력 데이터를 이용하여 복수의 유효 데이터(N개의 유효 데이터)를 추출할 수 있다.

S440 단계에서, 컴퓨팅 장치(100)는 유효 데이터를 추출하는 동작을 수행한 횟수(N)가 기준 값 이상이 되는 경우, S410 단계 내지 S430 단계를 반복적으로 수행함으로써 추출된 복수의 유효 데이터 간의 유사도를 분석할 수 있다.

여기서, 복수의 유효 데이터 간의 유사도는 복수의 유효 데이터 각각에 포함된 복수의 세부 정보들을 개별적으로 비교하여, 복수의 유효 데이터들이 서로 어느 정도의 동일 또는 유사한 정보를 포함하고 있는지를 나타내는 척도를 의미할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 다양한 실시예에서, 컴퓨팅 장치(100)는 제1 유효 데이터 및 제2 유효 데이터 각각에 포함된 총 세부 정보의 수 대비 상호 동일 또는 유사한 내용을 포함하는 세부 정보의 비율을 산출하고, 산출된 비율을 이용하여 제1 유효 데이터와 제2 유효 데이터 간의 유사도를 산출할 수 있다. 그러나, 이에 한정되지 않고, 복수의 데이터들 간의 유사도를 산출 및 판단하는 다양한 기술이 적용될 수 있다.

S450 단계에서, 컴퓨팅 장치(100)는 S440 단계에서 산출된 복수의 유효 데이터 간의 유사도에 따라 인공지능 모델에 대한 학습 강도를 결정할 수 있다.

여기서, 학습 강도는 인공지능 모델의 재학습을 어느 정도의 강도로 수행할 것인지를 나타내는 척도를 의미할 수 있다. 예를 들어, 학습 강도는 인공지능 모델의 재학습에 사용되는 제2 학습 데이터를 어느정도 범위로 설정하여 재학습할 것인지, 인공지능 모델의 재학습 주기를 얼마나 짧게 또는 길게 수행할 것인지 및 인공지능 모델의 재학습 횟수를 몇 번 수행할 것인지에 대한 정보를 포함할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 유효 데이터 간의 유사도에 따라 인공지능 모델에 대한 유효 데이터 신뢰도 점수를 산출할 수 있다.

여기서, 유효 데이터 신뢰도 점수는 인공지능 모델로부터 추출되는 유효 데이터가 어느 정도의 신뢰도를 가지는지를 나타내는 척도를 의미할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 관리자에 의해 기 설정 및 저장된 유사도별 유효 데이터 신뢰도 점수 값 데이터에 기초하여 산출된 유사도에 대응되는 유효 데이터 신뢰도 점수 값을 선택함으로써, 인공지능 모델에 대한 유효 데이터 신뢰도 점수를 산출할 수 있다.

이때, 유효 데이터 신뢰도 점수 값 데이터는 복수의 유효 데이터 간의 유사도가 높은 경우가 유사도가 낮은 경우보다 높은 유효 데이터 신뢰도 점수를 가지도록 설정될 수 있으나, 이에 한정되지 않는다.

또한, 컴퓨팅 장치(100)는 유효 데이터 신뢰도 점수에 따라 제2 학습 데이터의 범위, 인공지능 모델의 재학습 주기 및 횟수 중 적어도 하나를 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 높은 유효 데이터 신뢰도 점수를 가지는 경우가 낮은 유효 데이터 신뢰도 점수를 가지는 경우보다 낮은 학습 강도를 가지도록 설정할 수 있다. 그러나, 이에 한정되지 않는다.

여기서, 학습 강도에 세부적인 설정 값은 관리자에 의해 기 설정 및 저장된 유효 데이터 신뢰도 점수별 학습 강도 데이터에 기초하여 설정될 수 있으나, 이에 한정되지 않고, 인공지능 모델을 이용하여 인공지능 모델의 성능을 향상시킬 수 있는 최적의 설정 값이 자동적으로 설정될 수 있다.

일반적으로, 좋은 유효 데이터 추출 성능을 가지는 인공지능 모델은 동일한 입력 데이터를 입력으로 할 때 동일한 결과 데이터를 추출한다. 따라서, 동일한 입력 데이터를 인공지능 모델에 반복 입력하여 복수의 결과 데이터를 추출했을 때, 동일한 결과 데이터가 반복적으로 추출되거나 유사도가 높은 결과 데이터가 추출되는 경우가 서로 다른 결과 데이터를 추출하는 경우에 비해 높은 신뢰도를 가진다고 판단될 수 있다.

즉, 컴퓨팅 장치(100)는 동일한 입력 데이터를 인공지능 모델에 반복적으로 입력으로 했을 때, 동일한 결과 데이터가 반복적으로 추출되거나 또는 유사도가 높은 결과 데이터를 추출될 수 있도록 인공지능 모델의 학습 강도를 결정함으로써, 보다 신뢰도 높은 결과를 추출할 수 있도록 인공지능 모델을 학습시킬 수 있다는 이점이 있다.

도 8은 다양한 실시예에서, 유효 데이터에 따른 실제 매칭 결과에 따라 인공지능 모델의 학습 강도를 결정하는 방법의 순서도이다.

도 8을 참조하면, S510 단계에서, 컴퓨팅 장치(100)는 인공지능 모델로부터 추출된 복수의 유효 데이터 및 복수의 유효 데이터 각각에 따른 복수의 실제 매칭 결과 데이터를 수집할 수 있다. 예를 들어, 컴퓨팅 장치(100) 또는 외부의 매칭 서버로부터 제공되는 구매자와 판매자 매칭 서비스를 통해 유효 데이터 기반으로 구매자와 판매자를 매칭함으로써 생성되는 실제 매칭 결과 데이터(예: 금융상품 판매의 성공 여부에 대한 정보를 포함하는 데이터)를 수집할 수 있다. 그러나, 이에 한정되지 않는다.

S520 단계에서, 컴퓨팅 장치(100)는 S510 단계를 거쳐 수집된 복수의 유효 데이터 및 복수의 유효 데이터 각각에 따른 복수의 실제 매칭 결과 데이터에 기초하여, 인공지능 모델에 대한 매칭 성공률을 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 유효 데이터 각각에 대한 성공 여부(예: 금융상품의 판매 여부)를 이용하여, 총 유효 데이터의 개수 대비 판매에 성공한 유효 데이터의 비율을 가리키는 매칭 성공률을 산출할 수 있다. 그러나, 이에 한정되지 않는다.

S530 단계에서, 컴퓨팅 장치(100)는 S520 단계에서 산출된 매칭 성공률에 기초하여 인공지능 모델에 대한 유효 데이터 신뢰도 점수를 산출할 수 있다. 여기서, 컴퓨팅 장치(100)에 의해 수행되는 유효 데이터 신뢰도 점수 산출 동작은 도 7의 S450 단계에서 컴퓨팅 장치(100)에 의해 수행되는 유효 데이터 신뢰도 점수 산출 동작과 동일 또는 유사한 형태로 수행(예: 매칭 성공률이 높은 경우가 매칭 성공률이 낮은 경우보다 높은 유효 데이터 신뢰도 점수가 산출)될 수 있으나, 이에 한정되지 않는다.

S540 단계에서, 컴퓨팅 장치(100)는 S530 단계에서 산출된 유효 데이터 신뢰도 점수에 기초하여 인공지능 모델에 대한 학습 강도를 결정할 수 있다. 여기서, 컴퓨팅 장치(100)가 수행하는 인공지능 모델에 대한 학습 강도 결정 동작은 도 7의 S450 단계에서 수행되는 학습 강도 결정 동작과 동일 또는 유사한 형태로 수행될 수 있으나, 이에 한정되지 않는다.

따라서, 컴퓨팅 장치(100)는 구매자와 판매자의 매칭을 위하여, 인공지능 모델을 이용하여 추출된 유효 데이터를 제공하고, 제공된 유효 데이터에 대한 피드백으로써 구매자와 판매자에 대한 실제 매칭 결과 데이터를 얻을 수 있으며, 이를 이용하여 인공지능 모델의 학습 강도를 결정 즉, 실제 결과를 반영하여 인공지능 모델의 학습 강도를 결정함으로써, 보다 신뢰도 높은 결과를 추출할 수 있도록 인공지능 모델을 학습시킬 수 있다는 이점이 있다.

전술한 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다. 이하, 도 9 및 10을 참조하여, 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법을 이용하여 구매자와 판매자를 실제로 매칭시키는 방법에 대해 설명하도록 한다.

도 9는 본 발명의 또 다른 실시예에 따른 금융상품 판매자와 구매자 간의 최적화된 매칭 방법의 순서도이며, 도 10은 다양한 실시예에서, 금융상품 판매자와 구매자 간의 최적화된 매칭 방법이 적용 가능한 텔레마케팅 시스템을 도시한 도면이다.

도 9 내지 10을 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 금융상품 판매자와 구매자 간의 최적화된 매칭을 수행할 수 있다.

여기서, 도 9 내지 10에서는 텔레마케팅 시스템에 금융상품 판매자와 구매자 간의 최적화된 매칭 방법을 적용하여 금융상품을 판매하고자 하는 텔레마케터(10)와 구매자(20)의 최적화된 매칭을 수행하는 것을 기준으로 설명하고 있으나, 이는 금융상품 판매자와 구매자 간의 최적화된 매칭 방법을 보다 쉽게 설명하기 위한 하나의 예시일 뿐, 텔레마케팅 분야에 한정되는 것은 아니며, 온라인 또는 오프라인으로 상담을 진행하는 상담원, 설문조사자, 안내원, 보험 상담원, 통신 판매자 등과 구매자를 매칭하는 분야에 적용되어, 구매자와 특정 대상의 최적화된 매칭을 수행할 수도 있다.

또한, 여기서, 텔레마케팅 시스템은 도 10에 도시된 바와 같이 전화망(401)을 이용하여 금융상품을 판매하고자 하는 텔레마케터(10)(텔레마케터의 전화 단말)와 해당 금융상품을 판매할 대상인 구매자(20)(구매자의 전화 단말)를 전화 통신상으로 연결할 수 있고, 데이터 통신망(402)을 통해 텔레마케터(10) 및 구매자(20)과 컴퓨팅 장치(100)를 연결함으로써, 텔레마케터(10), 구매자(20) 및 컴퓨팅 장치(100) 간의 데이터 송수신이 가능한 시스템을 의미할 수 있다.

S610 단계에서, 컴퓨팅 장치(100)는 구매자와 판매자 간의 매칭 요청을 얻을 수 있다. 예를 들어, 컴퓨팅 장치(100)는 판매자의 단말에 기 설치된 매칭 서비스 제공 애플리케이션이 실행되는 것에 응답하여, 판매자의 단말로 매칭 서비스 제공 UI를 제공할 수 있고, 매칭 서비스 제공 UI를 통해 판매하기 적합한 금융상품 및 해당 금융상품을 판매할 구매자에 대한 정보 제공을 요청하는 매칭 요청과 판매자가 직접 입력한 금융상품을 판매하기 적합한 대상인 구매자에 대한 정보 제공을 요청하는 매칭 요청을 얻을 수 있다. 또한, 컴퓨팅 장치(100)는 구매자로부터 특정 금융상품에 대한 구매를 요청하는 매칭 요청을 얻을 수 있다. 그러나, 이에 한정되지 않는다.

여기서, 매칭 요청은 판매자의 측면에서, 판매자가 판매하고자 하는 금융상품(예: 판매자로부터 직접 입력된 금융상품)을 판매할 대상이 되는 구매자를 결정하여 매칭할 것을 요청하는 것 또는 판매자의 성향 및 강점 등을 분석하여 판매자가 판매하기 적합한 금융상품을 결정하고, 결정된 금융상품을 판매할 대상이 되는 구매자를 결정하여 매칭할 것을 요청하는 것일 수 있으나, 이에 한정되지 않는다.

또한, 매칭 요청은 구매자의 측면에서, 구매자가 구매하고자 하는 금융상품을 선택하여 해당 제품에 대한 구매 요청을 하는 것 또는 자신의 개인 정보에 기초하여 추천 금융상품에 대한 정보를 제공할 것을 요청하는 것일 수 있으나, 이에 한정되지 않는다.

S620 단계에서, 컴퓨팅 장치(100)는 기 저장된 사용자 정보 및 외부로부터 입력된 추가 정보를 학습 데이터로 하여 기 학습된 인공지능 모델을 이용하여 매칭 요청에 따른 유효 데이터를 추출할 수 있다. 여기서, 컴퓨팅 장치(100)에 의해 수행되는 인공지능 모델의 학습 동작 및 유효 데이터 추출 동작은 도 3의 S110 단계에서 컴퓨팅 장치(100)에 의해 수행되는 인공지능 모델의 학습 동작 및S120 단계에서 컴퓨팅 장치(100)에 의해 수행되는 유효 데이터 추출 동작과 동일 또는 유사한 형태로 수행될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자의 정보를 포함하는 구매자 정보와 판매자의 정보, 금융상품의 정보 및 금융상품 판매 행위와 관련된 정보를 포함하는 추가 정보에 기초하여, 구매자에게 금융상품을 판매할 하나 이상의 판매자의 정보에 관한 유효 데이터를 추출할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자에게 금융상품을 판매하기 위하여, 복수의 상담 절차를 포함하는 판매 프로세스가 수행되야 하는 경우, 복수의 상담 절차 각각을 수행할 판매자를 결정하고, 결정된 판매자의 정보에 관한 유효 데이터를 추출할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 구매자에게 판매할 금융상품에 종류에 따라 2번의 상담 절차(예: 사전 상담 절차, 본 상담 절차)를 수행해야 하는 경우, 사전 상담 절차를 수행할 판매자의 정보와 본 상담 절차를 수행할 판매자의 정보에 관한 유효 데이터를 추출할 수 있다.

이때, 컴퓨팅 장치(100)는 2번의 상담 절차 각각을 수행할 판매자가 서로 상이한 경우, 서로 상이한 판매자의 정보와 해당 판매자가 수행할 상담 절차의 정보에 관한 유효 데이터를 각각 추출할 수 있다.

한편, 컴퓨팅 장치(100)는 2번의 상담 절차 각각을 수행할 판매자가 동일한 판매자인 경우 즉, 하나의 판매자만으로 복수의 상담 절차를 모두 수행할 수 있는 경우, 복수의 상담 절차 모두를 수행할 하나의 판매자의 정보에 관한 하나의 유효 데이터를 추출할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자에게 금융상품을 판매하기 위하여, 금융상품을 판매하는 판매 절차 및 소정의 기간 동안 기 설정된 주기마다 상담을 수행하는 상담 절차를 포함하는 판매 프로세스가 수행되야 하는 경우, 판매 절차를 수행할 판매자의 정보 및 상담 절차를 수행할 판매자의 정보에 관한 유효 데이터를 추출할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 구매자에게 판매하고자 하는 금융상품이 일정 기간 동안 대여하는 대여 금융상품인 경우, 대여 금융상품을 판매하는 판매자와 판매된 대여 금융상품에 대한 지속적인 상담을 수행하는 판매자(또는 관리자)를 결정하고, 이에 대한 유효 데이터를 추출할 수 있다.

이때, 컴퓨팅 장치(100)는 지속적인 상담 절차를 수행하는 소정의 기간을 복수의 단위 기간으로 분할하고, 분할된 복수의 단위 기간 각각의 속성에 기초하여, 각각에 기간에 대하여 최적화된 판매자를 결정하고, 각각의 기간마다 매칭될 판매자의 정보에 관한 유효 데이터를 추출할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 소정의 기간을 구입한 금융상품을 설명 및 안내하는 제1 기간, 금융상품에 대한 유지 및 관리를 수행하는 제2 기간 및 대여 금융상품에 대한 재계약을 유도하기 위한 제3 기간으로 분할하고, 분할된 제1 기간, 제2 기간 및 제3 기간 각각에 상담을 수행할 판매자를 결정할 수 있다. 일 예로, 컴퓨팅 장치(100)는 제1 기간 동안 금융상품에 대한 상세하고 친절한 설명에 강점을 보이는 제1 판매자를 매칭하며, 제2 기간 동안 금융상품에 대한 유지 및 관리를 꼼꼼하게 수행하는 것에 강점을 보이는 제2 판매자를 매칭하고, 제3 기간 동안 재계약 성공률이 높은 제3 판매자를 매칭되도록 하는 유효 데이터를 추출할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 인공지능 모델로부터 추출된 유효 데이터에 기초하여, 후술되는 구매자와 판매자의 매칭 동작(예: S630 단계)에 따라 구매자와 판매자를 매칭하고, 매칭된 구매자와 판매자가 상담 절차를 수행함에 따라 생성되는 상담 데이터를 수집하여 분석하며, 상담 데이터에 대한 분석 결과에 따라 구매자와 매칭된 판매자의 변경이 필요한지 여부를 판단할 수 있다.

이후, 컴퓨팅 장치(100)는 판매자의 변경이 필요한지 여부에 대한 판단 결과에 따라 구매자와 매칭된 판매자의 변경이 필요한 것으로 판단되는 경우, 구매자와 매칭될 판매자를 재결정하고, 재결정된 판매자의 정보에 관한 유효 데이터를 추출할 수 있다. 이때, 컴퓨팅 장치(100)는 사용자 정보 및 추가 정보뿐만 아니라 상담 데이터에 대한 분석 결과를 인공지능 모델의 입력으로 하여 구매자에게 새로 매칭될 판매자를 재결정할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 구매자와 제1 판매자가 상담 절차를 수행함에 따라 생성되는 상담 데이터를 분석하여, 구매자의 목소리 톤, 억양, 구매자의 발언 내용 등을 통해 제1 판매자에 대한 구매자의 선호도(또는 호감도)를 평가할 수 있고, 구매자의 선호도가 기준 값 미만인 것으로 판단되는 경우, 구매자와 매칭된 판매자의 변경이 필요한 것으로 판단할 수 있다.

여기서, 판매자에 대한 구매자의 선호도는 기 저장된 선호도별 구매자의 목소리 톤, 억양, 상담 시간, 발언 내용에 따라 산출되고, 발언 내용에 포함된 복수의 키워드 각각에 대한 속성이 긍정(Positive) 또는 부정(negative)의 속성을 가지는지에 따라 발언 내용을 스코어링하고, 이를 산출된 결과 값을 반영하여 보정한 값일 수 있으나, 이에 한정되지 않는다.

이후, 컴퓨팅 장치(100)는 구매자 정보와 추가 정보에 기초하여 구매자와 매칭될 판매자(예: 제2 판매자)를 재결정하고, 재결정된 제2 판매자의 정보에 관한 유효 데이터를 추출할 수 있다. 이때, 컴퓨팅 장치(100)는 복수의 판매자 중 구매자의 선호도가 높을 것으로 예측되는 판매자를 제2 상담 절차를 수행할 판매자로 결정할 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자에게 판매할 금융상품의 개수가 복수 개인 경우, 구매자에게 복수의 금융상품 각각을 판매할 판매자를 결정하되, 구매자와 매칭되는 판매자의 수가 최소값을 가지도록 하나 이상의 판매자를 결정하고, 결정된 하나 이상의 판매자의 정보에 관한 유효 데이터를 추출할 수 있다.

예를 들어, 컴퓨팅 장치(100)는 구매자에게 판매할 금융상품이 제1 금융상품, 제2 금융상품 및 제3 금융상품으로 금융상품의 개수가 3개인 경우, 구매자에게 제1 금융상품, 제2 금융상품 및 제3 금융상품을 판매하기 적합한 것으로 평가(예: 인공지능 모델에 따라 3개의 금융상품을 판매할 성공률이 소정의 값 이상)되는 1명의 판매자를 결정하여, 결정된 판매자의 정보에 관한 유효 데이터를 추출할 수 있다.

이때, 컴퓨팅 장치(100)는 구매자에게 제1 금융상품, 제2 금융상품 및 제3 금융상품을 판매하기 적합한 것으로 평가되는 1명의 판매자가 부재한 경우 또는 1명의 판매자와 구매자와 매칭하여 3개의 금융상품에 대한 판매를 진행할 경우의 예상되는 성공률이 소정의 값 미만이 될 것으로 예측되는 경우, 구매자에게 제1 금융상품, 제2 금융상품 및 제3 금융상품을 판매하기 적합한 2명의 판매자를 결정(예: 제1 금융상품 및 제2 금융상품을 판매하기 적합한 판매자와 제3 금융상품을 판매하기 적합한 판매자를 결정하거나, 제1 금융상품을 판매하기 적합한 판매자 및 제2 금융상품 및 제3 금융상품을 판매하기 적합한 판매자를 결정)하고, 결정된 2명의 판매자의 정보와 관한 유효 데이터를 추출할 수 있다.

또한, 컴퓨팅 장치(100)는 구매자에게 제1 금융상품, 제2 금융상품 및 제3 금융상품을 판매하기 적합한 2명의 판매자가 부재한 경우 또는 2명의 판매자와 구매자와 매칭하여 3개의 금융상품에 대한 판매를 진행할 경우의 예상되는 성공률이 소정의 값 미만이 될 것으로 예측되는 경우, 구매자에게 제1 금융상품, 제2 금융상품 및 제3 금융상품을 판매하기 적합한 3명의 판매자를 결정(예: 제1 금융상품을 판매하기 적합한 판매자, 제2 금융상품을 판매하기 적합한 판매자 및 제3 금융상품을 판매하기 적합한 판매자를 금융상품별로 개별적으로 결정)하고, 결정된 3명의 판매자의 정보와 관한 유효 데이터를 추출할 수 있다.

일반적으로, 구매자가 여러 금융상품들을 구매하고자 할 때 여러 금융상품 각각을 판매하기 위하여 많은 판매자들이 매칭되는 경우, 금융상품을 구매하는 절차를 수행할 때마다 판매자가 계속 변경되어 구매자가 혼란스러움을 겪거나, 판매자가 변경됨에 따라 상담했던 내용을 재차 상담해야 하는 등의 불편함을 겪을 수 있다는 문제가 있다.

또한, 이러한 불편함을 해소하기 위하여, 단순히 1명의 판매자만을 구매자에게 매칭하여 구매자에게 복수의 금융상품을 판매하고자 하는 경우, 1명의 판매자가 강점을 보이는 특정 금융상품에 대한 판매는 성공시킬 수 있으나, 각각의 금융상품마다 전문적인 판매자를 매칭하는 것을 대비하여 전문성이 떨어지기 때문에, 모든 금융상품에 대한 판매를 고려할 때, 판매할 가능성이 낮아진다는 문제가 있다.

특히, 단순히 1명의 판매자만을 구매자에게 매칭할 때 구매자에게 판매할 금융상품들 간의 연관성이 전혀 없는 경우(예: 전자제품과 보험금융상품), 금융상품에 대한 정확한 안내를 제공할 수 없거나 판매 자체가 불가능할 수 있다는 문제가 있다.

즉, 컴퓨팅 장치(100)는 구매자에게 판매할 금융상품의 개수가 복수인 경우, 복수 개의 금융상품을 구매자에게 판매할 판매자의 수를 1명부터 순차적으로 증가시켜 결정함으로써, 구매자와 매칭되는 판매자의 수가 최소가 되도록 하여 구매자가 여러 판매자와 매칭됨으로써 혼란스러움을 겪거나 불편함을 겪는 것을 최소화할 수 있다. 뿐만 아니라, 구매자와 최적화된 판매자들이 매칭될 수 있도록, 매칭되는 판매자의 수를 순차적으로 증가시킴으로써, 상기와 같이 단순히 구매자의 편의만을 위하여 1명의 판매자만을 매칭하였을 때 발생될 수 있는 각종 문제들을 보완할 수 있다.

S630 단계에서, 컴퓨팅 장치(100)는 S620 단계에서 추출된 유효 데이터에 기초하여 구매자와 판매자를 매칭할 수 있다.

여기서, 구매자와 판매자를 매칭하는 것은 텔레마케터(10)로부터 소정의 입력(예: 연결 요청을 가리키는 입력)을 얻는 것에 응답하여 전화망(401)을 통해 텔레마케터(10)의 단말과 구매자(20)의 단말을 연결하거나 전화망(401)을 통해 텔레마케터(10)의 단말과 구매자(20)의 단말을 자동적으로 연결하거나, 데이터 통신망(402)을 통해 텔레마케터(10)의 단말로 구매자에 대한 정보 및 구매자에게 판매할 금융상품에 대한 정보를 제공함으로써, 텔레마케터(10)가 직접 해당 정보를 확인하고 구매자(20)과 직접 연결할 수 있도록 정보를 제공하는 것을 의미할 수 있다. 그러나, 이에 한정되지 않고, 구매자와 판매자를 매칭하는 것은 상기와 같이 구매자와 판매자를 직접적으로 연결하는 것뿐만 아니라, 판매자에게 금융상품을 판매할 대상인 구매자에 대한 연락처(또는 연락 방법)를 제공하는 것을 포함할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 상담 절차 각각을 수행할 판매자(판매자)의 정보에 관한 유효 데이터에 기초하여, 복수의 상담 절차를 수행할 때마다 결정된 판매자 각각을 구매자와 매칭할 수 있다.

이때, 컴퓨팅 장치(100)는 구매자와 특정 판매자 간의 상담 절차의 시작 및 종료 시점을 인식(예: 판매자가 텔레마케터이며, 판매자와 구매자가 음성 통화를 통해 매칭 및 연결된 경우, 통화 시작, 통화 중, 통화 종료를 인식)하여 각 상담 절차가 종료되는 경우, 상담 절차의 순서에 따라 자동적으로 다음 상담 절차를 수행할 판매자를 구매자에게 매칭할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자에게 금융상품을 판매한 이후에 소정의 기간 동안 기 설정된 주기마다 지속적으로 상담 절차를 수행해야 하는 것에 응답하여 추출된 유효 데이터(예: 판매 절차를 수행할 판매자의 정보 및 상담 절차를 수행할 판매자의 정보에 관한 유효 데이터) 최초에 구매자와 제1 판매자를 매칭하여 금융상품에 대한 판매 절차를 수행하고, 판매 절차에 따라 구매자가 금융상품을 구입하는 것에 응답하여 제2 판매자를 구매자에 대한 지정 상담사로 설정하여 소정의 기간동안 기 설정된 주기마다 구매자와 제2 판매자를 자동적으로 매칭할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 S620 단계에서 추출된 유효 데이터에 기초하여 구매자와 제1 판매자를 매칭하되, 구매자와 매칭된 판매자를 제1 판매자에서 제2 판매자로 변경할 것에 대한 유효 데이터에 따라 구매자와 매칭되는 판매자를 제1 판매자에서 제2 판매자로 변경하여 매칭할 수 있다.

이때, 컴퓨팅 장치(100)는 구매자와 제1 판매자의 매칭이 종료되는 시점(예: 구매자와 제1 판매자 사이에 수행되는 제1 상담 절차가 종료되는 시점)을 식별하고, 제1 상담 절차가 종료된 이후 제2 상담 절차를 시작하는 시점에 자동적으로 구매자와 제2 판매자를 매칭할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 구매자에게 복수 개의 금융상품을 판매하기 위한 판매자의 정보에 관한 유효 데이터에 기초하여, 구매자와 판매자를 순차적으로 매칭할 수 있다.

이때, 컴퓨팅 장치(100)는 구매자와 매칭되는 판매자의 수가 복수인 경우, 기 설정된 우선 순위(예: 금융상품별 판매 우선순위, 판매 성공률이 높은 순서, 판매 성공률이 낮은 순서 등)와 기 설정된 조건의 만족 여부(예: 특정 금융상품에 대한 판매 및 상담 절차가 종료되었는지 여부)에 따라 복수의 판매자를 구매자와 순차적으로 매칭할 수 있다.

다양한 실시예에서, 컴퓨팅 장치(100)는 유효 데이터에 기초하여 구매자와 복수의 판매자가 매칭되는 경우, 복수의 판매자를 하나의 그룹으로 그룹화하여 구매자와 매칭할 수 있다. 이때, 컴퓨팅 장치(100)는 하나의 그룹에 소속된 제1 판매자와 구매자가 매칭되어 상담 절차를 수행함으로써 생성되는 상담 데이터를 하나의 그룹에 소속된 다른 제2 판매자 및 제3 판매자들에게 자동적으로 제공할 수 있다.

이를 통해, 구매자와 특정 판매자 간의 상담 내용을 다른 판매자들이 숙지할 수 있도록 하여, 판매자들이 구매자에게 동일한 질문이나 동일한 요청을 반복적으로 함으로써 구매자가 불편함을 겪는 것을 방지할 수 있다.

S640 단계에서, 컴퓨팅 장치(100)는 S630 단계를 통해 구매자와 판매자를 매칭함으로써 생성되는 실제 매칭 결과 데이터를 수집할 수 있고, 이를 이용하여 인공지능 모델로부터 추출된 유효 데이터에 따라 매칭한 결과에 따른 매칭 성공률을 산출할 수 있다. 여기서, 컴퓨팅 장치(100)에 의해 수행되는 매칭 성공률 산출 동작은 도 8의 S520 단계에서 컴퓨팅 장치(100)에 의해 수행되는 매칭 성공률 산출 동작과 동일 또는 유사한 형태로 수행될 수 있으나, 이에 한정되지 않는다.

이후, 컴퓨팅 장치(100)는 S620 단계를 거쳐 추출된 유효 데이터, S630 단계를 통해 구매자와 판매자를 매칭함으로써 생성되는 각종 데이터 및 정보(예: 상담 데이터, 금융상품 판매 여부 등) 및 S640 단계에서 산출된 매칭 결과에 따른 성공률을 학습 데이터로 하여 인공지능 모델을 재학습시킬 수 있다. 여기서, 인공지능 모델 재학습 동작은 도 3의 S130 단계에서 컴퓨팅 장치(100)에 의해 수행되는 인공지능 모델의 재학습 동작과 동일 또는 유사한 형태로 수행될 수 있으나, 이에 한정되지 않는다.

전술한 금융상품 판매자와 구매자 간의 최적화된 매칭 방법은 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법이 텔레마케팅 시스템에 적용되어, 텔레마케터의 성향 및 강점을 살려 특정 구매자에게 특정 금융상품을 판매할 것을 가리키는 유효 데이터를 추출하고, 추출된 유효 데이터에 따라 특정 구매자와 매칭되어 전화망을 통해 구매자와 연결되는 것을 기준으로 설명하였다. 그러나, 이는 본 발명의 다양한 실시예에 따른 인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법을 보다 용이하게 설명하기 위한 하나의 예시일 뿐, 상기의 실시예에 한정되는 것은 아니며, 온라인 쇼핑, 방문 판매 등과 같이 특정 구매자와 특정 사용자(예: 판매자, 상담원, 설문조사자, 안내원, 텔레마케터, 보험 상담원, 통신 판매자 등)를 연결하는 다양한 분야에 적용될 수 있다. 또한, 본 발명이 속한 기술분야의 통상의 기술을 가진 사람으로부터 용이하게 도출 가능한 형태로 가공(변경, 추가 및 삭제)되어, 특정 사람과 특정 사람을 매칭하고, 매칭된 사람들 사이를 연결하는 기술이 이용된(또는 이용 가능한) 모든 분야에 적용될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 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 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 유효 데이터 추출 장치(또는 컴퓨팅 장치)
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크

Claims (10)

1. 컴퓨팅 장치에 의해 수행되는, 금융상품을 판매하는 판매자와 상기 금융상품의 판매 대상인 구매자 간의 최적화된 매칭을 위한 유효 데이터를 추출하는 방법에 있어서,
   기 저장된 구매자 정보 및 외부로부터 입력된 추가 정보를 제1 학습 데이터로 하여 인공지능 모델을 학습시키는 단계;
   상기 인공지능 모델을 이용하여 상기 구매자와 상기 판매자의 매칭을 위한 유효 데이터를 추출하는 단계; 및
   상기 추출된 유효 데이터 및 상기 추출된 유효 데이터에 따른 실제 매칭 결과 데이터 중 적어도 하나를 제2 학습데이터로 하여 상기 인공지능 모델을 재학습시키는 단계를 포함하고,
   상기 유효 데이터를 추출하는 단계는,
   상기 인공지능 모델로부터 추출된 복수의 유효 데이터를 분석하여 복수의 구매자 정보와 복수의 추가 정보 각각에 대한 연관성 점수를 산출하는 단계;
   상기 복수의 구매자 정보 중 상기 복수의 추가 정보와의 연관성 점수가 미리 설정된 점수 이상인 어느 하나의 구매자 정보만을 필터링하고, 상기 필터링된 하나의 구매자 정보와의 연관성 점수가 기 설정된 점수 이상인 추가 정보만을 상기 인공지능 모델의 입력으로 하여 상기 유효 데이터를 추출하거나, 상기 복수의 추가 정보 중 상기 복수의 구매자 정보와의 연관성 점수가 미리 설정된 점수 이상인 어느 하나의 추가 정보만을 필터링하고 상기 필터링된 하나의 추가 정보와의 연관성 점수가 기 설정된 점수 이상인 구매자 정보만을 상기 인공지능 모델의 입력으로 하여 상기 유효 데이터를 추출하는 단계; 및
   상기 필터링된 하나의 구매자 정보와의 연관성 점수에 기초하여 상기 복수의 추가 정보 각각에 가중치를 부여하고, 상기 가중치가 부여된 복수의 추가 정보를 상기 인공지능 모델의 입력으로 하여 상기 유효 데이터를 추출하거나, 상기 필터링된 하나의 추가 정보와의 연관성 점수에 기초하여 상기 복수의 구매자 정보 각각에 가중치를 부여하고, 상기 가중치가 부여된 복수의 구매자 정보를 상기 인공지능 모델의 입력으로 하여 상기 유효 데이터를 추출하는 단계;를 포함하며,
   상기 재학습시키는 단계는,
   상기 인공지능 모델로부터 추출된 복수의 유효 데이터 및 상기 복수의 유효 데이터의 개수 대비 매칭 성공 횟수의 비율에 따른 복수의 실제 매칭 결과 데이터에 기초하여, 상기 인공지능 모델에 대한 매칭 성공률을 산출하고, 상기 산출된 매칭 성공률에 기초하여 상기 인공지능 모델에 대한 학습 강도를 결정하는 단계를 포함하며,
   상기 학습 강도를 결정하는 단계는,
   상기 매칭 성공률에 따라 상기 인공지능 모델에 대한 유효 데이터 신뢰도 점수를 산출하고, 상기 유효 데이터 신뢰도 점수에 따라 상기 제2 학습 데이터의 범위, 상기 인공지능 모델의 재학습 주기 및 횟수 중 적어도 하나를 결정하는 단계를 포함하는,
   인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법.
2. 제1항에 있어서,
   상기 구매자 정보는 상기 금융상품의 판매 대상인 구매자의 정보를 포함하고, 상기 추가 정보는 상기 금융상품을 판매할 판매자의 정보, 상기 금융상품의 정보 또는 판매 행위와 관련된 정보 중 적어도 하나를 포함하며,
   상기 유효 데이터를 추출하는 단계는,
   상기 구매자의 정보, 상기 판매자의 정보 및 상기 금융상품의 정보 중 적어도 하나의 정보를 상기 인공지능 모델의 입력으로 하여 상기 구매자에게 판매할 금융상품의 정보, 상기 금융상품을 판매할 판매자의 정보 및 상기 금융상품을 판매할 대상인 구매자의 정보 중 적어도 하나를 포함하는 유효 데이터를 추출하는 단계;
   제1 판매자의 정보를 상기 인공지능 모델의 입력으로 하여, 상기 제1 판매자가 판매하기 적합한 제1 금융상품의 정보와 상기 제1 금융상품을 판매할 대상인 제1 구매자의 정보에 관한 유효 데이터를 추출하는 단계;
   제2 구매자의 정보를 상기 인공지능 모델의 입력으로 하여, 상기 제2 구매자에게 판매하기 적합한 제2 금융상품의 정보 및 상기 제2 구매자에게 상기 제2 금융상품을 판매할 제2 판매자의 정보에 관한 유효 데이터를 추출하는 단계; 및
   제3 금융상품의 정보를 상기 인공지능 모델의 입력으로 하여, 상기 제3 금융상품을 판매할 제3 판매자의 정보 및 상기 제3 금융상품을 판매할 대상인 제3 구매자의 정보에 관한 유효 데이터를 추출하는 단계를 포함하는,
   인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법.
3. 제1항에 있어서,
   상기 유효 데이터를 추출하는 단계는,
   상기 구매자 정보 및 상기 추가 정보 중 적어도 하나의 정보에 기초하여 임의의 구매자와 임의의 판매자의 매칭을 위한 입력 데이터를 생성하고, 상기 생성된 입력 데이터를 상기 인공지능 모델의 입력으로 하여 유효 데이터를 추출하는 단계를 포함하며,
   상기 재학습시키는 단계는,
   상기 생성된 입력 데이터를 상기 인공지능 모델의 입력으로 하여 추출된 유효 데이터를 상기 제2 학습 데이터로 하여 상기 인공지능 모델을 재학습시키는 단계를 포함하는,
   인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법.
4. 제3항에 있어서,
   상기 재학습시키는 단계는,
   상기 임의의 구매자와 임의의 판매자의 매칭을 위한 유효 데이터를 추출하는 제1 동작을 수행함에 따라 추출된 유효 데이터를 상기 제2 학습 데이터로 하여 상기 인공지능 모델을 학습시키되, 실제 구매자와 실제 판매자의 매칭을 위한 유효 데이터를 추출하는 제2 동작을 수행하지 않거나 상기 제2 동작을 수행하는 횟수가 기 설정된 값 이하인 경우에만 상기 제1 동작을 수행하는 단계를 더 포함하는,
   인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법.
5. 제1항에 있어서,
   상기 재학습시키는 단계는,
   기 설정된 룰에 따라 상기 인공지능 모델로부터 추출된 복수의 유효 데이터를 필터링함으로써, 상기 복수의 유효 데이터 중 적어도 하나의 유효 데이터와 상기 적어도 하나의 유효 데이터에 따른 실제 매칭 결과 데이터를 결정하고, 상기 결정된 적어도 하나의 유효 데이터와 상기 적어도 하나의 유효 데이터에 따른 실제 매칭 결과 데이터만을 상기 제2 학습 데이터로 하여 상기 인공지능 모델을 재학습시키는 단계를 포함하는,
   인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법.
6. 제1항에 있어서,
   상기 유효 데이터를 추출하는 단계는,
   상기 구매자와 상기 판매자의 매칭을 위한 하나의 입력 데이터를 상기 인공지능 모델에 반복 입력하여 복수의 유효 데이터를 추출하는 단계를 포함하며,
   상기 재학습시키는 단계는,
   상기 추출된 복수의 유효 데이터 각각을 제2 학습 데이터로 하여 상기 인공지능 모델을 재학습시키되, 상기 복수의 유효 데이터 간의 유사도에 따라 상기 인공지능 모델에 대한 학습 강도를 결정하는 단계를 포함하고,
   상기 학습 강도를 결정하는 단계는,
   상기 복수의 유효 데이터 간의 유사도에 따라 상기 인공지능 모델에 대한 유효 데이터 신뢰도 점수를 산출하고, 상기 유효 데이터 신뢰도 점수에 따라 상기 제2 학습 데이터의 범위, 상기 인공지능 모델의 재학습 주기 및 횟수 중 적어도 하나를 결정하는 단계를 포함하는,
   인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법.
7. 제1항에 있어서,
   상기 유효 데이터를 추출하는 단계는,
   상기 구매자의 정보, 상기 판매자의 정보 및 상기 금융상품의 정보 중 적어도 하나의 정보를 상기 인공지능 모델의 입력으로 하여 상기 구매자에게 판매할 금융상품의 정보, 상기 금융상품을 판매할 판매자의 정보 및 상기 금융상품을 판매할 대상인 구매자의 정보 중 적어도 하나를 포함하는 유효 데이터를 추출하되, 상기 판매자가 상기 구매자에게 상기 금융상품을 판매함에 있어서 판매 성공률을 상승시키기 위한 안내 정보 - 상기 안내 정보는 안내 문구, 목소리 톤, 억양 및 금융상품 안내 방법 중 적어도 하나를 포함함 - 를 함께 추출하는 단계를 포함하는,
   인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법.
8. 제1항에 있어서,
   상기 유효 데이터를 추출하는 단계는,
   상기 구매자 정보 및 상기 추가 정보를 이용하여 제1 구매자와 제1 판매자의 매칭을 위한 유효 데이터를 추출하되, 상기 구매자 정보 중 상기 산출된 추가 정보와의 연관성 점수가 기 설정된 점수 이상인 정보가 누락되거나 상기 추가 정보 중 상기 산출된 구매자 정보와의 연관성 점수가 기 설정된 점수 이상인 정보가 누락된 경우, 사용자 인터페이스(User Interface, UI)를 제공하여, 상기 누락된 정보를 직접 입력받는 단계를 포함하는,
   인공지능 모델을 이용한 금융상품 판매자와 구매자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법.
9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
   상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
   상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
   제1 항의 방법을 수행하는, 장치.
10. 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
    

Images