KR102298722B1 - 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템 - Google Patents
동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102298722B1 KR102298722B1 KR1020210042657A KR20210042657A KR102298722B1 KR 102298722 B1 KR102298722 B1 KR 102298722B1 KR 1020210042657 A KR1020210042657 A KR 1020210042657A KR 20210042657 A KR20210042657 A KR 20210042657A KR 102298722 B1 KR102298722 B1 KR 102298722B1
- Authority
- KR
- South Korea
- Prior art keywords
- job seeker
- information
- company
- video content
- matching
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000003542 behavioural effect Effects 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 17
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
일실시에에 따르면, 장치에 의해 수행되는, 동영상 콘텐츠 플랫폼 서비스를 이용하여 인공지능 기반으로 인재를 매칭하고 추천하는 방법에 있어서, 상기 동영상 콘텐츠 플랫폼을 통해 수집한 구직자의 콘텐츠를 기초로, 동영상의 유형, 접속 로그 및 사용자 피드백 현황을 확인하여, 상기 구직자의 행동 양식을 분석하는 단계; 상기 구직자의 행동 양식에 대한 분석 결과를 기초로, 상기 구직자의 역량을 항목별로 레벨링한 구직자 역량 정보를 추출하는 단계; 데이터베이스로부터 수집된 기업 데이터를 기초로, 기업의 산업군, 사업 분야, 필요 직무 및 기업 문화를 확인하여, 상기 기업의 선호 및 우수 인재 유형을 분석하는 단계; 상기 기업의 선호 및 우수 인재 유형에 대한 분석 결과를 기초로, 상기 기업의 맞춤형 인재 특성을 항목별로 레벨링한 인재 특성 정보를 추출하는 단계; 상기 구직자 역량 정보 및 상기 인재 특성 정보를 매칭하여, 매칭 결과를 생성하는 단계; 상기 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로 상기 기업에 적합한 구직자를 선별하는 단계; 상기 선별된 구직자에 대한 추천 정보를 담당자 단말로 전송하고, 상기 기업에 대한 매칭 정보를 구직자 단말로 전송하는 단계; 및 상기 매칭 결과를 바탕으로 인재를 매칭하는 시스템 알고리즘을 수정 또는 고도화하는 딥러닝을 수행하는 단계를 포함하는, 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법이 제공된다.
Description
아래 실시예들은 동영상 콘텐츠 플랫폼 서비스를 이용하여 인공지능 기반으로 인재를 매칭하고 추천하는 기술에 관한 것이다.
기존의 인재 채용 시스템은 구인을 하는 기업이 인터넷 신문 등의 각종 매체를 통해 구인광고를 하거나 취업알선업체에 의뢰를 하면, 구직자가 해당 기업에 입사원서와 이력서 등의 필요서류를 제출하고, 기업은 다시 이를 심사하여 필요한 인력을 채용하는 방식이었다.
이러한 방식에서 구직자는 취업을 원하는 기업에 일일이 입사지원을 하고 필요한 서류를 제출하고 면접을 보는 등의 과정을 구직이 완료될 때까지 반복해야 하므로 시간이 낭비될 수밖에 없다.
또한, 기업은 기업대로 인사채용 담당자가 구직자들의 성적표, 영어점수, 자기소개서 등의 추상적인 자료만으로 구직자들을 판단해야 하므로 기업의 필요에 맞는 인재를 구하기 힘들 뿐 아니라, 수많은 구직자들에 대해 담당자들이 수작업으로 평가하여 분류하는 작업을 거쳐야 하므로 이에 소요되는 시간 또한 무시할 수 없는 문제가 있다.
인터넷의 발달로 입사지원과 서류제출을 온라인을 통해 제출할 수 있게 하는 등 구직 절차가 간편해 졌으나, 기업 입장에서는 여전히 담당자들의 수작업에 의해 지원자들을 분류해야 하고 제출한 서류의 신뢰성 검증에 절차와 비용이 발생하는 등의 문제가 여전히 남아있다.
일실시예에 따르면, 구직자의 행동 양식에 대한 분석 결과를 기초로, 구직자의 역량을 항목별로 레벨링한 구직자 역량 정보를 추출하고, 기업의 선호 및 우수 인재 유형에 대한 분석 결과를 기초로, 기업의 맞춤형 인재 특성을 항목별로 레벨링한 인재 특성 정보를 추출하고, 구직자 역량 정보 및 인재 특성 정보를 매칭하여, 매칭 결과를 생성하고, 매칭 결과를 인공 신경망에 적용하여, 인공 신경망의 출력을 기초로 기업에 적합한 구직자를 선별하는, 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
일실시예에 따르면, 장치에 의해 수행되는, 동영상 콘텐츠 플랫폼 서비스를 이용하여 인공지능 기반으로 인재를 매칭하고 추천하는 방법에 있어서, 상기 동영상 콘텐츠 플랫폼을 통해 수집한 구직자의 콘텐츠를 기초로, 동영상의 유형, 접속 로그 및 사용자 피드백 현황을 확인하여, 상기 구직자의 행동 양식을 분석하는 단계; 상기 구직자의 행동 양식에 대한 분석 결과를 기초로, 상기 구직자의 역량을 항목별로 레벨링한 구직자 역량 정보를 추출하는 단계; 데이터베이스로부터 수집된 기업 데이터를 기초로, 기업의 산업군, 사업 분야, 필요 직무 및 기업 문화를 확인하여, 상기 기업의 선호 및 우수 인재 유형을 분석하는 단계; 상기 기업의 선호 및 우수 인재 유형에 대한 분석 결과를 기초로, 상기 기업의 맞춤형 인재 특성을 항목별로 레벨링한 인재 특성 정보를 추출하는 단계; 상기 구직자 역량 정보 및 상기 인재 특성 정보를 매칭하여, 매칭 결과를 생성하는 단계; 상기 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로 상기 기업에 적합한 구직자를 선별하는 단계; 상기 선별된 구직자에 대한 추천 정보를 담당자 단말로 전송하고, 상기 기업에 대한 매칭 정보를 구직자 단말로 전송하는 단계; 및 상기 매칭 결과를 바탕으로 인재를 매칭하는 시스템 알고리즘을 수정 또는 고도화하는 딥러닝을 수행하는 단계를 포함하는, 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법이 제공된다.
상기 인공 신경망은, 미리 설정된 선별 기준에 따라 상기 기업에 적합한 구직자를 선별하고, 상기 선별된 구직자 중 상기 기업에 채용된 채용자의 수가 많을수록 제1 보상을 많이 수여하고, 상기 채용자가 상기 기업에서 근무한 근속 기간이 길수록 제2 보상을 많이 수여하고, 상기 채용자에 의해 평가된 기업 만족도가 높을수록 제3 보상을 많이 수여하고, 상기 제1 보상, 상기 제2 보상 및 상기 제3 보상을 통한 강화 학습을 반영하여, 상기 선별 기준을 조정할 수 있다.
상기 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법은, 상기 구직자 역량 정보 및 상기 인재 특성 정보를 매칭한 매칭 횟수를 확인하는 단계; 상기 매칭 결과를 통해 상기 선별된 구직자가 상기 기업에 채용된 채용 횟수를 확인하는 단계; 상기 매칭 횟수 및 상기 채용 횟수를 기초로, 상기 매칭 결과에 대한 성취도를 산출하는 단계; 상기 매칭 결과의 성취도가 미리 설정된 제1 기준치 보다 높은지 여부를 확인하는 단계; 상기 매칭 결과의 성취도가 상기 제1 기준치 보다 높은 것으로 확인되면, 상기 구직자 역량 정보에 대한 추출 방식이 최적화되어 있는 것으로 판단하는 단계; 상기 매칭 결과의 성취도가 상기 제1 기준치 보다 낮은 것으로 확인되면, 상기 구직자 역량 정보에 대한 추출 방식의 변경이 필요한 것으로 판단하는 단계; 상기 구직자 역량 정보에 대한 추출 방식의 변경이 필요한 것으로 판단되면, 상기 매칭 결과의 성취도가 미리 설정된 제2 기준치 보다 높은지 여부를 확인하는 단계; 상기 매칭 결과의 성취도가 상기 제2 기준치 보다 높은 것으로 확인되면, 상기 구직자의 역량을 항목별로 레벨링하는 레벨링 기준의 조정이 필요한 것으로 판단하는 단계; 및 상기 매칭 결과의 성취도가 상기 제2 기준치 보다 낮은 것으로 확인되면, 상기 구직자의 역량을 항목별로 분류하는 분류 기준의 조정이 필요한 것으로 판단하는 단계를 더 포함할 수 있다.
상기 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법은, 상기 구직자 역량 정보 및 상기 인재 특성 정보를 매칭한 매칭 횟수를 확인하는 단계; 상기 매칭 결과를 통해 상기 선별된 구직자가 상기 기업에 채용된 채용 횟수를 확인하는 단계; 상기 매칭 횟수 및 상기 채용 횟수를 기초로, 상기 매칭 결과에 대한 성취도를 산출하는 단계; 상기 매칭 결과의 성취도가 미리 설정된 제3 기준치 보다 높은지 여부를 확인하는 단계; 상기 매칭 결과의 성취도가 상기 제3 기준치 보다 높은 것으로 확인되면, 상기 인재 특성 정보에 대한 추출 방식이 최적화되어 있는 것으로 판단하는 단계; 상기 매칭 결과의 성취도가 상기 제3 기준치 보다 낮은 것으로 확인되면, 상기 인재 특성 정보에 대한 추출 방식의 변경이 필요한 것으로 판단하는 단계; 상기 인재 특성 정보에 대한 추출 방식의 변경이 필요한 것으로 판단되면, 상기 매칭 결과의 성취도가 미리 설정된 제4 기준치 보다 높은지 여부를 확인하는 단계; 상기 매칭 결과의 성취도가 상기 제4 기준치 보다 높은 것으로 확인되면, 상기 기업의 맞춤형 인재 특성을 항목별로 레벨링하는 레벨링 기준의 조정이 필요한 것으로 판단하는 단계; 및 상기 매칭 결과의 성취도가 상기 제4 기준치 보다 낮은 것으로 확인되면, 상기 기업의 맞춤형 인재 특성을 항목별로 분류하는 분류 기준의 조정이 필요한 것으로 판단하는 단계를 더 포함할 수 있다.
상기 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법은, 상기 동영상 콘텐츠 플랫폼에 업로드되는 동영상 콘텐츠의 제작 요청을 복수의 구직자 단말로 전송하는 단계; 상기 동영상 콘텐츠의 제작 요청에 상응하여, 제1 구직자 계정이 로그인된 제1 구직자 단말로부터 제1 동영상 콘텐츠를 수신하는 단계; 상기 제1 동영상 콘텐츠에 원저작자 정보가 등록되어 있는지 여부를 확인하는 단계; 상기 제1 동영상 콘텐츠에 원저작자 정보가 등록되어 있지 않은 것으로 확인되면, 상기 제1 동영상 콘텐츠를 새로 생성된 1차 저작물로 판정하는 단계; 상기 제1 동영상 콘텐츠가 1차 저작물로 판정되면, 상기 제1 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제1 저작자를 나타내는 제1 저작자 정보로 등록하는 단계; 상기 제1 동영상 콘텐츠에 원저작자 정보가 등록되어 있는 것으로 확인되면, 상기 제1 동영상 콘텐츠의 원저작자 정보와 상기 제1 구직자 계정의 정보가 일치하는지 여부를 확인하는 단계; 상기 제1 동영상 콘텐츠의 원저작자 정보와 상기 제1 구직자 계정의 정보가 일치하지 않는 것으로 확인되면, 상기 제1 동영상 콘텐츠를 제2 동영상 콘텐츠의 수정으로 생성된 2차 저작물로 판정하는 단계; 상기 제1 동영상 콘텐츠가 2차 저작물로 판정되면, 상기 제1 동영상 콘텐츠의 원저작자 정보를 통해 상기 제2 동영상 콘텐츠의 저작자 정보를 확인하고, 상기 제2 동영상 콘텐츠의 저작자 정보로 제2 구직자 계정의 정보가 등록되어 있는 것이 확인되면, 상기 제2 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제2 저작자를 나타내는 제2 저작자 정보로 등록하고, 상기 제1 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하는 단계; 상기 동영상 콘텐츠의 제작 요청에 상응하여, 상기 제1 구직자 단말로부터 제1 파트 콘텐츠를 수신하고, 제3 구직자 계정이 로그인된 제3 구직자 단말로부터 제2 파트 콘텐츠를 수신하는 단계; 상기 제1 파트 콘텐츠 및 상기 제2 파트 콘텐츠를 결합하여 상기 제1 동영상 콘텐츠를 생성하는 단계; 상기 제1 동영상 콘텐츠에서 상기 제1 파트 콘텐츠가 차지하는 비율인 제1 비율을 획득하고, 상기 제1 동영상 콘텐츠에서 상기 제2 파트 콘텐츠가 차지하는 비율인 제2 비율을 획득하는 단계; 상기 제1 파트 콘텐츠 및 상기 제2 파트 콘텐츠 각각에 원저작자 정보가 등록되어 있는지 여부를 확인하는 단계; 상기 제1 파트 콘텐츠 및 상기 제2 파트 콘텐츠에 원저작자 정보가 등록되어 있지 않은 것으로 확인되면, 상기 제1 동영상 콘텐츠를 1차 저작물로 판정하는 단계; 상기 제1 동영상 콘텐츠가 1차 저작물로 판정되고 상기 제1 비율이 상기 제2 비율 보다 큰 것으로 확인되면, 상기 제1 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 상기 제3 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제2 저작자 정보로 등록하는 단계; 상기 제1 동영상 콘텐츠가 1차 저작물로 판정되고 상기 제1 비율이 상기 제2 비율 보다 작은 것으로 확인되면, 상기 제3 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 상기 제1 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제2 저작자 정보로 등록하는 단계; 상기 제1 파트 콘텐츠 및 상기 제2 파트 콘텐츠에 원저작자 정보가 등록되어 있는 것으로 확인되면, 상기 제1 파트 콘텐츠 및 상기 제2 파트 콘텐츠에 등록되어 있는 원저작자 정보와 상기 제1 구직자 계정의 정보 및 상기 제3 구직자 계정의 정보 중 어느 하나가 일치하는지 여부를 확인하는 단계; 상기 제1 파트 콘텐츠 및 상기 제2 파트 콘텐츠에 등록되어 있는 원저작자 정보와 상기 제1 구직자 계정의 정보 및 상기 제3 구직자 계정의 정보가 모두 일치하지 않는 것으로 확인되면, 상기 제1 동영상 콘텐츠를 상기 제2 동영상 콘텐츠의 수정으로 생성된 2차 저작물로 판정하는 단계; 상기 제1 동영상 콘텐츠가 2차 저작물로 판정되고 상기 제1 비율이 상기 제2 비율 보다 큰 것으로 확인되면, 상기 제1 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 상기 제3 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제2 저작자 정보로 등록하고, 상기 제2 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제3 저작자를 나타내는 제3 저작자 정보로 등록하는 단계; 및 상기 제1 동영상 콘텐츠가 2차 저작물로 판정되고 상기 제1 비율이 상기 제2 비율 보다 작은 것으로 확인되면, 상기 제3 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 상기 제1 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제2 저작자 정보로 등록하고, 상기 제2 구직자 계정의 정보를 상기 제1 동영상 콘텐츠의 제3 저작자 정보로 등록하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 구직자의 행동 양식에 대한 분석 결과를 기초로, 구직자의 역량을 항목별로 레벨링한 구직자 역량 정보를 추출하고, 기업의 선호 및 우수 인재 유형에 대한 분석 결과를 기초로, 기업의 맞춤형 인재 특성을 항목별로 레벨링한 인재 특성 정보를 추출하고, 구직자 역량 정보 및 인재 특성 정보를 매칭하여, 매칭 결과를 생성하고, 매칭 결과를 인공 신경망에 적용하여, 인공 신경망의 출력을 기초로 기업에 적합한 구직자를 선별함으로써, 기업 입장에서는 인재 채용 시 소요되는 비용을 절감시키고, 구직자 입장에서는 자신에게 어울리는 기업을 용이하게 찾을 수 있는 효과가 있다.
한편, 실시예들에 따른 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 동영상 콘텐츠 플랫폼 서비스를 이용하여 인공지능 기반으로 인재를 매칭하고 추천하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 매칭 결과의 성취도를 산출하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 구직자 역량 정보에 대한 추출 방식을 최적화하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 인재 특성 정보에 대한 추출 방식을 최적화하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 동영상 콘텐츠의 저작자 정보를 등록하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 공동 저작자를 통해 제1 동영상 콘텐츠를 생성하는 과정을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 1차 저작물에 대한 공동 저작자 정보를 등록하는 과정을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 2차 저작물에 대한 공동 저작자 정보를 등록하는 과정을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 동영상 콘텐츠 플랫폼 서비스를 이용하여 인공지능 기반으로 인재를 매칭하고 추천하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 매칭 결과의 성취도를 산출하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 구직자 역량 정보에 대한 추출 방식을 최적화하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 인재 특성 정보에 대한 추출 방식을 최적화하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 동영상 콘텐츠의 저작자 정보를 등록하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 공동 저작자를 통해 제1 동영상 콘텐츠를 생성하는 과정을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 1차 저작물에 대한 공동 저작자 정보를 등록하는 과정을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 2차 저작물에 대한 공동 저작자 정보를 등록하는 과정을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 구직자 단말(100), 복수의 담당자 단말(200) 및 장치(300)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
복수의 구직자 단말(100) 각각과 복수의 담당자 단말(200) 각각은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.
복수의 구직자 단말(100)은 구직을 원하는 구직자들이 사용하는 단말로, 제1 구직자가 사용하는 제1 구직자 단말(110), 제2 구직자가 사용하는 제2 구직자 단말(120), 제3 구직자가 사용하는 제3 구직자 단말(130) 등을 포함할 수 있으며, 복수의 담당자 단말(200)은 인재 채용을 원하는 기업의 인사 담당자들이 사용하는 단말로, 제1 기업의 인사 담당자가 사용하는 제1 담당자 단말(210), 제2 기업의 인사 담당자가 사용하는 제2 담당자 단말(220), 제3 기업의 인사 담당자가 사용하는 제3 담당자 단말(230) 등을 포함할 수 있다.
이하에서는 설명의 편의상, 제1 구직자 단말(110) 및 제1 담당자 단말(210)의 동작을 위주로 설명하지만, 제2 구직자 단말(120) 등의 다른 구직자 단말에서 제1 구직자 단말(110)의 동작을 대신하여 수행하고, 제2 담당자 단말(220) 등의 다른 담당자 단말에서 제1 담당자 단말(210)의 동작을 대신하여 수행할 수 있다.
제1 구직자 단말(110) 및 제1 담당자 단말(210)은 장치(300)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(300)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 즉, 제1 구직자 단말(110) 및 제1 담당자 단말(210)은 웹 페이지 또는 애플리케이션을 통해 장치(300)와 연동되어, 장치(300)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(300)로 접속할 수 있다.
장치(300)는 장치(300)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(300)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(300)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 장치(300)는 복수의 구직자 단말(100) 및 복수의 담당자 단말(200)들과 유무선으로 통신하도록 구성될 수 있다.
한편, 설명의 편의를 위해 도 1에서는 복수의 구직자 단말(100) 중 제1 구직자 단말(110), 제2 구직자 단말(120) 및 제3 구직자 단말(130)만을 도시하고, 복수의 담당자 단말(200) 중 제1 담당자 단말(210), 제2 담당자 단말(220) 및 제3 담당자 단말(230)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(300)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
장치(300)는 인공지능 기반으로 인재를 매칭하고 추천하는 플랫폼을 제공하여, 복수의 구직자 단말(100)과 복수의 담당자 단말(200) 간에 구인 구직이 매칭되도록 다양한 서비스를 제공할 수 있다.
장치(300)는 동영상 콘텐츠 플랫폼에 업로드된 동영상 콘텐츠를 구직자 별로 확인하여, 로그 데이터, 영상 유형 별로 영상 처리된 동영상 콘텐츠, 사용자 피드백 정보 등을 기초로, 구직자의 행동 양식을 분석할 수 있다.
장치(300)는 데이터베이스에 저장된 기업 데이터를 통해, 기업의 산업군, 사업 분야, 필요한 직무, 기업 문화 등을 확인하여, 기업이 채용하고자 하는 인재상을 분석할 수 있다.
장치(300)는 구직자 행동 양식과 기업이 채용하고자 하는 인재상을 매칭시키는 로직을 딥러닝을 기반으로 학습할 수 있다.
장치(300)는 구직자 행동 양식의 분석 결과에 대한 신뢰도 문제를 해결하기 위해, 실제 채용 결과에 따른 성취도를 기반으로 구직자 행동 양식의 추출 방식을 최적화할 수 있다.
도 2는 일실시예에 따른 동영상 콘텐츠 플랫폼 서비스를 이용하여 인공지능 기반으로 인재를 매칭하고 추천하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저, S201 단계에서, 장치(300)는 동영상 콘텐츠 플랫폼에 업로드된 동영상 콘텐츠에 대한 정보를 수집할 수 있다.
구체적으로, 장치(300)는 구직자들이 복수의 구직자 단말(100)을 통해 동영상 콘텐츠 플랫폼에 업로드한 동영상 콘텐츠를 구직자 계정 별로 수집할 수 있으며, 동영상 콘텐츠 플랫폼의 접속 로그, 동영상 콘텐츠에 대한 사용자 피드백 현황도 더 수집할 수 있다.
S202 단계에서, 장치(300)는 동영상 콘텐츠 플랫폼을 통해 수집한 구직자의 콘텐츠를 기초로, 동영상의 유형, 접속 로그 및 사용자 피드백 현황을 확인할 수 있다.
구체적으로, 장치(300)는 구직자 계정을 통해 업로드된 동영상 콘텐츠에 대한 영상 처리를 수행하여, 해당 동영상 콘텐츠가 어느 카테고리(예를 들면, 취미활동, 친목활동, 자기계발 등)에 속하는지 확인하여, 구직자가 업로드한 동영상의 유형을 파악할 수 있다.
또한, 장치(300)는 동영상 콘텐츠 플랫폼에 접속한 구직자의 접속 로그를 확인하여, 구직자의 접속 패턴을 파악할 수 있다.
또한, 장치(300)는 동영상 콘텐츠에 대한 사용자 피드백 현황을 확인하여, 구직자 계정을 통해 업로드된 동영상 콘텐츠에 대한 사용자 반응(예를 들면, 좋아요, 추천, 관심 등) 수를 파악할 수 있다.
S203 단계에서, 장치(300)는 동영상의 유형, 접속 로그 및 사용자 피드백 현황을 확인하여, 구직자의 행동 양식을 분석할 수 있다.
구체적으로, 장치(300)는 구직자 계정을 통해 업로드된 동영상의 유형을 통해 구직자가 어느 카테고리에 관심이 있는지 분석하고, 구직자의 접속 패턴을 통해 구직자가 어느 시간에 주기적으로 플랫폼에 접속하는지 분석하고, 구직자가 업로드한 동영상 콘텐츠에 대한 사용자 반응을 통해 구직자가 업로드한 콘텐츠의 인기도를 분석할 수 있으며, 분석한 내용들을 토대로 구직자의 행동 양식을 분석할 수 있다.
즉, 장치(300)는 동영상 콘텐츠 플랫폼에 업로드된 동영상 콘텐츠를 구직자 별로 확인하여, 구직자가 어느 카테고리에 관심이 있고 어느 시간에 주기적으로 플랫폼에 접속하고 구직자가 업로드한 동영상이 사용자들이 얼마나 관심이 있는지를 분석하여, 이를 구직자의 행동 양식으로 분석할 수 있다.
S204 단계에서, 장치(300)는 구직자의 행동 양식에 대한 분석 결과를 기초로, 구직자의 역량을 항목별로 레벨링한 구직자 역량 정보를 추출할 수 있다.
예를 들어, 장치(300)는 구직자가 운동과 관련된 동영상 콘텐츠를 업로드한 경우, 구직자가 운동 카테고리에 관심이 있는 것으로 분석하고, 운동과 관련된 동영상 콘텐츠의 업로드 수를 기초로, 구직자의 역량 중 활동성 항목에 대해 레벨링하여, 구직자의 활동성에 대한 등급을 설정할 수 있다.
또한, 장치(300)는 구직자가 일정 시간에 주기적으로 플랫폼에 접속한 접속 패턴이 확인되면, 접속 패턴의 유지 기간을 기초로, 구직자의 역량 중 성실성 항목에 대해 레빌링하여, 구직자의 성실성에 대한 등급을 설정할 수 있다.
또한, 장치(300)는 구직자가 업로드한 동영상에 대한 사용자 반응을 확인하여, 사용자 반응 수를 기초로, 구직자의 역량 중 사교성 항목에 대해 레벨링하여, 구직자의 사교성에 대한 등급을 설정할 수 있다.
상술한 바와 같이, 장치(300)는 구직자의 행동 양식에 대한 분석 결과를 기초로, 구직자의 역량을 항목별로 레벨링하여 등급을 설정할 수 있으며, 항목별로 설정된 등급을 취합하여 구직자 역량 정보로 추출할 수 있다.
한편, S205 단계에서, 장치(300)는 데이터베이스에 등록된 기업 데이터를 수집할 수 있다.
구체적으로, 장치(300)는 기업 인사 담당자들이 복수의 담당자 단말(200)을 통해 등록을 요청한 기업 데이터를 획득하여, 데이터베이스에 기업 별로 기업 데이터를 저장하여 등록할 수 있다. 여기서, 기업 데이터는 기업의 산업군, 사업 분야, 필요 직무, 기업 문화 등에 대한 정보를 포함할 수 있다.
S206 단계에서, 장치(300)는 데이터베이스로부터 수집된 기업 데이터를 기초로, 기업의 산업군, 사업 분야, 필요 직무 및 기업 문화를 확인할 수 있다.
구체적으로, 장치(300)는 기업 데이터를 통해, 기업이 어느 산업군에 속하는지 파악하고, 기업이 영위하고 있는 사업이 어느 분야인지 파악하고, 현재 기업에서 채용이 필요한 직무가 어느 직무인지 파악하고, 근무 조건, 근무 환경, 인재상 등을 통해 기업 문화가 어떠한지 파악할 수 있다.
S207 단계에서, 장치(300)는 기업의 산업군, 사업 분야, 필요 직무 및 기업 문화를 확인하여, 기업의 선호 및 우수 인재 유형을 분석할 수 있다.
구체적으로, 장치(300)는 기업의 산업군에 따라 어느 항목의 역량을 가진 구직자가 적합하고 필요한지 분석하고, 기업의 사업 분야에 따라 어느 항목의 역량을 가진 구직자가 적합하고 필요한지 분석하고, 기업의 필요 직무에 따라 어느 항목의 역량을 가진 구직자가 적합하고 필요한지 분석하고, 기업 문화에 따라 어느 항목의 역량을 가진 구직자가 적합하고 필요한지 분석할 수 있다.
즉, 장치(300)는 기업 데이터를 기업 별로 확인하여, 기업의 산업군, 사업 분야, 필요 직무 및 기업 문화에 따라 어느 항목의 역량을 가진 구직자가 적합하고 필요한지 분석하여, 이를 기업의 선호 및 우수 인재 유형으로 분석할 수 있다.
S208 단계에서, 장치(300)는 기업의 선호 및 우수 인재 유형에 대한 분석 결과를 기초로, 기업의 맞춤형 인재 특성을 항목별로 레벨링한 인재 특성 정보를 추출할 수 있다.
예를 들어, 장치(300)는 기업의 산업군이 제조업인 경우, 제조업에 필요한 인재 특성을 민첩성 항목으로 확인할 수 있으며, 인사 담당자에 의해 설정된 최소 필요 민첩성 점수를 기초로 민첩성 항목에 대해 레벨링하여, 기업 맞춤형 인재 특성 중 민첩성에 대한 필요 등급을 설정할 수 있다.
또한, 장치(300)는 기업의 사업 분야가 유통 분야인 경우, 유통 사업에 필요한 인재 특성을 활동성 항목으로 확인할 수 있으며, 인사 담당자에 의해 설정된 최소 필요 활동성 점수를 기초로 활동성 항목에 대해 레벨링하여, 기업 맞춤형 인재 특성 중 활동성에 대한 필요 등급을 설정할 수 있다.
또한, 장치(300)는 기업의 필요 직무가 연구 개발인 경우, 연구 개발에 필요한 인재 특성을 성실성 항목으로 확인할 수 있으며, 인사 담당자에 의해 설정된 최소 필요 성실성 점수를 기초로 성실성 항목에 대해 레벨링하여, 기업 맞춤형 인재 특성 중 성실성에 대한 필요 등급을 설정할 수 있다.
또한, 장치(300)는 기업 문화가 직원들 간의 친목이 활성화 되어 있는 것으로 파악된 경우, 기업에 필요한 인재 특성을 사교성 항목으로 확인할 수 있으며, 인사 담당자에 의해 설정된 최소 필요 사교성 점수를 기초로 사교성 항목에 대해 레벨링하여, 기업 맞춤형 인재 특성 중 사교성에 대한 필요 등급을 설정할 수 있다.
상술한 바와 같이, 장치(300)는 기업의 선호 및 우수 인재 유형에 대한 분석 결과를 기초로, 기업에 적합하고 필요한 맞춤형 인재 특성을 항목별로 레벨링하여 등급을 설정할 수 있으며, 항목별로 설정된 등급을 취합하여 인재 특성 정보로 추출할 수 있다.
S209 단계에서, 장치(300)는 구직자 역량 정보 및 인재 특성 정보를 매칭하여 매칭 결과를 생성할 수 있다.
구체적으로, 장치(300)는 항목 별로 구직자 역량 정보와 인재 특성 정보를 매칭할 수 있으며, 인재 특성 정보를 통해 확인된 등급과 구직자 역량 정보를 통해 확인된 등급이 동일한 것으로 확인되면 서로 매칭한 것으로 매칭 결과를 생성할 수 있으며, 인재 특성 정보를 통해 확인된 등급 보다 구직자 역량 정보를 통해 확인된 등급이 높은 것으로 확인되면 서로 매칭한 것으로 매칭 결과를 생성할 수 있다.
S210 단계에서, 장치(300)는 매칭 결과를 인공 신경망에 적용할 수 있다. 여기서, 인공 신경망은 매칭 결과를 입력 받은 후, 기업에 적합한 구직자를 선별하여 출력하는 알고리즘일 수 있다. 인공 신경망은 도 3을 참조하여 후술되는 방법을 통해 학습될 수 있다.
S211 단계에서, 장치(300)는 인공 신경망의 출력을 기초로, 기업에 적합한 구직자를 선별할 수 있다.
일실시예에 따르면, 인공 신경망은 구직자 역량 정보 및 인재 특성 정보를 매칭한 매칭 결과를 통해, 기업에 적합하고 필요한 구직자를 선별하도록 학습될 수 있다. 이를 통해, 인공 신경망은 기업에 적합하고 필요한 구직자를 분류하여, 기업에 구직자가 실제로 채용되도록 기업에 필요한 구직자를 선별하여 출력할 수 있다.
이후, 장치(300)는 선별된 구직자에 대한 추천 정보를 담당자 단말로 전송하고, 기업에 대한 매칭 정보를 구직자 단말로 전송할 수 있다.
구체적으로, 제1 기업에 적합한 구직자로 제1 구직자가 선별된 경우, 장치(300)는 제1 구직자에 대한 추천 정보를 제1 담당자 단말(210)로 전송할 수 있다. 여기서, 제1 구직자에 대한 추천 정보는 제1 구직자의 이력서, 제1 구직자 계정을 통해 업로드된 동영상 콘텐츠 리스트 등을 포함할 수 있다.
또한, 제1 기업에 적합한 구직자로 제1 구직자가 선별된 경우, 장치(300)는 제1 기업에 대한 매칭 정보를 제1 구직자 단말(110)로 전송할 수 있다. 여기서, 제1 기업에 대한 매칭 정보는 제1 기업의 채용 공고, 제1 기업의 홍보 자료 등을 포함할 수 있다.
일실시예에 따르면, 장치(300)는 매칭 결과를 바탕으로 인재를 매칭하는 시스템 알고리즘을 수정 또는 고도화하는 딥러닝을 수행할 수 있다.
구체적으로, 인재를 매칭하는 시스템 알고리즘이 미리 등록되어 있는 경우, 장치(300)는 시스템 알고리즘을 통해 구직자 역량 정보 및 인재 특성 정보를 매칭하여, 매칭 결과를 생성할 수 있으며, 생성된 매칭 결과를 바탕으로 딥러닝을 수행함으로써, 시스템 알고리즘을 수정 및 고도화하여, 매칭 결과에 대한 정확성을 점차적으로 향상시킬 수 있다.
도 3은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
인공 신경망은 매칭 결과를 입력 받은 후, 기업에 적합한 구직자를 선별하여 출력하는 알고리즘일 수 있다. 인공 신경망의 학습이 이루어지는 장치(300)는 학습된 인공 신경망을 이용하여 기업에 적합한 구직자를 선별하는 장치(300)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 인공 신경망이 학습되는 과정을 설명한다.
먼저, S301 단계에서, 장치(300)는 매칭 결과를 기초로 입력을 생성할 수 있다.
구체적으로, 장치(300)는 구직자 역량 정보 및 인재 특성 정보를 항목 별로 매칭한 후, 항목 별로 매칭된 결과만을 남기는 등의 전처리를 수행할 수 있다. 전처리가 수행된 매칭 결과를 인공 신경망의 입력으로 그래도 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S302 단계에서, 장치(300)는 인공 신경망에 입력을 적용할 수 있다. 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 매칭 결과를 통해 선별된 구직자 중 기업에 채용된 채용자의 수가 많을수록 보상값이 높아질 수 있으며, 제2 보상은 기업에 채용된 채용자가 해당 기업에서 근무한 근속 기간이 길수록 보상값이 높아질 수 있으며, 제3 보상은 채용자에 의해 평가된 기업 만족도가 높을수록 보상값이 높아질 수 있다.
S303 단계에서, 장치(300)는 인공 신경망으로부터 출력을 획득할 수 있다. 인공 신경망의 출력은 매칭 결과를 통해 기업에 적합한 구직자를 선별한 구직자 리스트일 수 있다. 이때, 인공 신경망은 기업에 적합하고 필요한 구직자를 분류하여, 기업에 구직자가 실제로 채용되도록 기업에 필요한 구직자를 선별하여 출력할 수 있다.
S304 단계에서, 장치(300)는 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 및 제3 보상으로 나뉠 수 있다.
구체적으로 장치(300)는 매칭 결과를 통해 선별된 구직자 중 기업에 채용된 채용자의 수가 많을수록 제1 보상을 많이 수여할 수 있다.
또한, 장치(300)는 기업에 채용된 채용자가 해당 기업에서 근무한 근속 기간이 길수록 제2 보상을 많이 수여할 수 있다.
또한, 장치(300)는 채용자에 의해 평가된 기업 만족도가 높을수록 제3 보상을 많이 수여할 수 있다.
S305 단계에서, 장치(300)는 평가를 기초로 인공 신경망을 갱신할 수 있다.
구체적으로, 장치(300)는 인공 신경망이 매칭 결과를 통해 기업에 적합한 구직자를 선별하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 인공 신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
장치(300)는 상기와 같은 인공 신경망의 학습 과정을 반복함으로써, 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(300)는 매칭 결과를 통해 기업에 적합한 구직자를 선별하여 선별된 구직자 리스트를 출력하는 인공 신경망을 학습시킬 수 있다.
즉, 장치(300)는 미리 설정된 선별 기준에 따라 기업에 적합한 구직자를 선별한 후, 제1 보상, 제2 보상 및 제3 보상을 통한 강화 학습을 반영하여, 선별 기준을 조정함으로써, 인공 신경망을 학습시킬 수 있다.
도 4는 일실시예에 따른 매칭 결과의 성취도를 산출하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(300)는 구직자 역량 정보 및 인재 특성 정보를 매칭하여 매칭 결과를 생성할 수 있다.
S402 단계에서, 장치(300)는 구직자와 기업이 매칭된 매칭 횟수를 확인할 수 있다.
예를 들어, 장치(300)는 제1 기업과 몇 명의 구직자가 매칭되었는지 확인하여, 제1 기업의 매칭 횟수를 확인할 수 있다.
S403 단계에서, 장치(300)는 매칭 결과를 복수의 구직자 단말(100) 및 복수의 담당자 단말(200)로 제공할 수 있다.
예를 들어, 제1 기업과 제1 구직자 및 제2 구직자가 매칭된 경우, 장치(300)는 제1 구직자 및 제2 구직자에 대한 매칭 결과를 제1 담당자 단말(210)로 제공하고, 제1 기업에 대한 매칭 결과를 제1 구직자 단말(110) 및 제2 구직자 단말(120)로 제공할 수 있다.
S404 단계에서, 장치(300)는 매칭 결과를 통해 기업에 채용된 채용 횟수를 확인할 수 있다.
예를 들어, 장치(300)는 제1 기업과 매칭된 구직자 중 몇 명의 구직자가 실제로 채용되었는지 확인하여, 제1 기업의 채용 횟수를 확인할 수 있다.
S405 단계에서, 장치(300)는 매칭 횟수 및 채용 횟수를 기초로, 매칭 결과에 대한 성취도를 산출할 수 있다.
구체적으로, 장치(300)는 매칭 횟수에 대한 채용 횟수의 백분율을 통해, 매칭 결과에 대한 성취도를 산출할 수 있다.
예를 들어, 매칭 횟수가 100회이고 채용 횟수가 70회인 경우, 장치(300)는 매칭 결과에 대한 성취도를 70으로 산출할 수 있다.
도 5는 일실시예에 따른 구직자 역량 정보에 대한 추출 방식을 최적화하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서, 장치(300)는 매칭 횟수 및 채용 횟수를 기초로, 매칭 결과에 대한 성취도를 산출할 수 있다.
S502 단계에서, 장치(300)는 매칭 결과의 성취도가 제1 기준치 보다 높은지 여부를 확인할 수 있다. 여기서, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.
S502 단계에서 매칭 결과의 성취도가 제1 기준치 보다 높은 것으로 확인되면, S503 단계에서, 장치(300)는 구직자 역량 정보에 대한 추출 방식이 최적화되어 있는 것으로 판단하여, 구직자의 행동 양식에 대한 분석 결과에서 구직자 역량 정보를 추출하는 추출 방식이 유지되도록 처리할 수 있다.
S502 단계에서 매칭 결과의 성취도가 제1 기준치 보다 낮은 것으로 확인되면, S504 단계에서, 장치(300)는 구직자 역량 정보에 대한 추출 방식의 변경이 필요한 것으로 판단할 수 있다.
S505 단계에서, 장치(300)는 구직자 역량 정보에 대한 추출 방식의 변경이 필요한 것으로 판단되면, 매칭 결과의 성취도가 제2 기준치 보다 높은지 여부를 확인할 수 있다. 여기서, 제2 기준치는 제1 기준치 보다 낮은 값으로 설정될 수 있다.
S505 단계에서 매칭 결과의 성취도가 제2 기준치 보다 높은 것으로 확인되면, S506 단계에서, 장치(300)는 구직자의 역량을 항목별로 레벨링하는 레벨링 기준의 조정이 필요한 것으로 판단하여, 구직자의 행동 양식에 대한 분석 결과에서 구직자 역량 정보를 추출하는 추출 방식 중 레벨링 기준이 변경되도록 제어할 수 있다.
즉, 장치(300)는 구직자의 행동 양식에 대해 항목 별로 레벨링하는 레벨링 기준을 변경하여, 항목 별로 등급 기준이 조정되도록 처리할 수 있다.
S505 단계에서 매칭 결과의 성취도가 제2 기준치 보다 낮은 것으로 확인되면, S507 단계에서, 장치(300)는 구직자의 역량을 항목별로 분류하는 분류 기준의 조정이 필요한 것으로 판단하여, 구직자의 행동 양식에 대한 분석 결과에서 구직자 역량 정보를 추출하는 추출 방식 중 분류 기준이 변경되도록 제어할 수 있다.
즉, 장치(300)는 구직자의 행동 양식에 대해 항목을 분류하는 분류 기준을 변경하여, 항목 별로 분류 기준이 조정되도록 처리할 수 있다.
도 6은 일실시예에 따른 인재 특성 정보에 대한 추출 방식을 최적화하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저, S601 단계에서, 장치(300)는 매칭 횟수 및 채용 횟수를 기초로, 매칭 결과에 대한 성취도를 산출할 수 있다.
S602 단계에서, 장치(300)는 매칭 결과의 성취도가 제3 기준치 보다 높은지 여부를 확인할 수 있다. 여기서, 제3 기준치는 실시예에 따라 상이하게 설정될 수 있다.
S602 단계에서 매칭 결과의 성취도가 제3 기준치 보다 높은 것으로 확인되면, S603 단계에서, 장치(300)는 인재 특성 정보에 대한 추출 방식이 최적화되어 있는 것으로 판단하여, 기업의 선호 및 우수 인재 유형에 대한 분석 결과에서 인재 특성 정보를 추출하는 추출 방식이 유지되도록 처리할 수 있다.
S602 단계에서 매칭 결과의 성취도가 제3 기준치 보다 낮은 것으로 확인되면, S604 단계에서, 장치(300)는 인재 특성 정보에 대한 추출 방식의 변경이 필요한 것으로 판단할 수 있다.
S605 단계에서, 장치(300)는 인재 특성 정보에 대한 추출 방식의 변경이 필요한 것으로 판단되면, 매칭 결과의 성취도가 제4 기준치 보다 높은지 여부를 확인할 수 있다. 여기서, 제4 기준치는 제3 기준치 보다 낮은 값으로 설정될 수 있다.
S605 단계에서 매칭 결과의 성취도가 제4 기준치 보다 높은 것으로 확인되면, S606 단계에서, 장치(300)는 기업의 맞춤형 인재 특성을 항목별로 레벨링하는 레벨링 기준의 조정이 필요한 것으로 판단하여, 기업의 선호 및 우수 인재 유형에 대한 분석 결과에서 인재 특성 정보를 추출하는 추출 방식 중 레벨링 기준이 변경되도록 제어할 수 있다.
즉, 장치(300)는 기업의 선호 및 우수 인재 유형에 대해 항목 별로 레벨링하는 레벨링 기준을 변경하여, 항목 별로 등급 기준이 조정되도록 처리할 수 있다.
S605 단계에서 매칭 결과의 성취도가 제4 기준치 보다 낮은 것으로 확인되면, S607 단계에서, 장치(300)는 기업의 맞춤형 인재 특성을 항목별로 분류하는 분류 기준의 조정이 필요한 것으로 판단하여, 기업의 선호 및 우수 인재 유형에 대한 분석 결과에서 인재 특성 정보를 추출하는 추출 방식 중 분류 기준이 변경되도록 제어할 수 있다.
즉, 장치(300)는 기업의 선호 및 우수 인재 유형에 대해 항목을 분류하는 분류 기준을 변경하여, 항목 별로 분류 기준이 조정되도록 처리할 수 있다.
도 7은 일실시예에 따른 동영상 콘텐츠의 저작자 정보를 등록하는 과정을 설명하기 위한 순서도이다.
먼저, 장치(300)는 채용 공고에 따라 동영상 콘텐츠 플랫폼에 업로드되는 동영상 콘텐츠에 대한 제작이 필요한 것으로 판단되면, 동영상 콘텐츠의 제작 요청을 복수의 구직자 단말(100)로 전송할 수 있다.
S701 단계에서, 장치(300)는 동영상 콘텐츠의 제작 요청에 상응하여, 제1 구직자 계정이 로그인된 제1 구직자 단말(110)로부터 제1 동영상 콘텐츠를 수신할 수 있다.
구체적으로, 장치(300)는 동영상 콘텐츠의 제작 요청에 따라 자체적으로 제작하여 생성된 콘텐츠를 제1 구직자 단말(110)로부터 수신할 수 있고, 외부로부터 수신된 콘텐츠를 수정하여 생성된 콘텐츠를 제1 구직자 단말(110)로부터 수신할 수 있다.
S702 단계에서, 장치(300)는 제1 동영상 콘텐츠에 원저작자 정보가 등록되어 있는지 여부를 확인할 수 있다.
예를 들어, 제1 동영상 콘텐츠가 1차 저작물인 경우에는 원저작자 정보가 등록되어 있지 않고, 제1 동영상 콘텐츠가 2차 저작물인 경우에는 원저작자 정보가 등록되어 있는데, 장치(300)는 제1 동영상 콘텐츠에 원저작자 정보가 등록되어 있는지 여부를 확인할 수 있다.
일실시예에 따르면, 제1 동영상 콘텐츠가 1차 저작물인 경우, 제1 동영상 콘텐츠는 제1 동영상 콘텐츠에 대한 정보만을 포함하고, 제1 동영상 콘텐츠가 제2 동영상 콘텐츠의 수정으로 생성된 2차 저작물인 경우, 제1 동영상 콘텐츠는 제1 동영상 콘텐츠에 대한 정보, 제2 동영상 콘텐츠의 식별 정보, 제1 동영상 콘텐츠의 원저작자 정보로 제2 동영상 콘텐츠의 저작자 정보를 포함할 수 있다.
S703 단계에서, 장치(300)는 제1 동영상 콘텐츠에 원저작자 정보가 등록되어 있는지 여부를 판단할 수 있다.
S703 단계에서 제1 동영상 콘텐츠에 원저작자 정보가 등록되어 있지 않은 것으로 확인되면, S704 단계에서, 장치(300)는 제1 동영상 콘텐츠를 새로 생성된 1차 저작물로 판정할 수 있다.
S705 단계에서, 장치(300)는 제1 동영상 콘텐츠가 1차 저작물로 판정되면, 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자를 나타내는 제1 저작자 정보로 등록할 수 있다. 이때, 장치(300)는 제1 구직자 단말(110)에 로그인된 제1 구직자 계정의 정보를 확인하여, 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록할 수 있다.
S703 단계에서 제1 동영상 콘텐츠에 원저작자 정보가 등록되어 있는 것으로 확인되면, S706 단계에서, 장치(300)는 제1 동영상 콘텐츠의 원저작자 정보와 제1 구직자 계정의 정보가 일치하는지 여부를 확인할 수 있다.
S707 단계에서, 장치(300)는 제1 동영상 콘텐츠의 원저작자 정보와 제1 구직자 계정의 정보가 일치하는지 여부를 판단할 수 있다.
S707 단계에서 제1 동영상 콘텐츠의 원저작자 정보와 제1 구직자 계정의 정보가 일치하는 것으로 확인되면, S704 단계에서, 장치(300)는 제1 동영상 콘텐츠를 1차 저작물로 판정할 수 있으며, 제1 동영상 콘텐츠의 원저작자 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록할 수 있다.
S707 단계에서 제1 동영상 콘텐츠의 원저작자 정보와 제1 구직자 계정의 정보가 일치하지 않는 것으로 확인되면, S708 단계에서, 장치(300)는 제1 동영상 콘텐츠를 제2 동영상 콘텐츠의 수정으로 생성된 2차 저작물로 판정할 수 있다. 이때, 장치(300)는 제1 동영상 콘텐츠에 포함된 제2 동영상 콘텐츠의 식별 정보를 확인하여, 제1 동영상 콘텐츠가 제2 동영상 콘텐츠의 수정으로 생성된 것을 파악할 수 있다.
S709 단계에서, 장치(300)는 제1 동영상 콘텐츠가 제2 동영상 콘텐츠의 수정으로 생성된 2차 저작물로 판정되면, 제1 동영상 콘텐츠의 원저작자 정보를 통해 제2 동영상 콘텐츠의 저작자 정보를 확인하고, 제2 동영상 콘텐츠의 저작자 정보로 어느 구직자 계정의 정보가 등록되어 있는지 여부를 확인하여, 제2 동영상 콘텐츠의 저작자 정보로 제2 구직자 계정의 정보가 등록되어 있는 것이 확인될 수 있다.
S710 단계에서, 장치(300)는 제2 동영상 콘텐츠의 저작자 정보로 제2 구직자 계정의 정보가 등록되어 있는 것이 확인되면, 제2 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자를 나타내는 제2 저작자 정보로 등록하고, 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자를 나타내는 제1 저작자 정보로 등록할 수 있다.
즉, 장치(300)는 제2 동영상 콘텐츠를 수정하여 제1 동영상 콘텐츠를 제작한 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 원저작물인 제2 동영상 콘텐츠를 제작한 제2 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록할 수 있다.
도 8은 일실시예에 따른 공동 저작자를 통해 제1 동영상 콘텐츠를 생성하는 과정을 설명하기 위한 도면이다.
도 8을 참조하면, 먼저, S801 단계에서, 장치(300)는 제1 구직자 계정이 로그인된 제1 구직자 단말(110)로부터 제1 파트 콘텐츠를 수신할 수 있다.
S802 단계에서, 장치(300)는 제3 구직자 계정이 로그인된 제3 구직자 단말(130)로부터 제2 파트 콘텐츠를 수신할 수 있다.
일실시예에 따르면, 제1 동영상 콘텐츠는 제1 파트 콘텐츠 및 제2 파트 콘텐츠로 구성될 수 있다. 예를 들어, 제1 동영상 콘텐츠가 1분짜리 강의 영상인 경우, 시작부터 40초까지 재생되는 영상은 제1 파트 콘텐츠고, 41초부터 종료까지 재생되는 영상은 제2 파트 콘텐츠일 수 있으며, 제1 파트 콘텐츠와 제2 파트 콘텐츠의 결합으로 제1 동영상 콘텐츠를 구성할 수 있다.
즉, 제1 동영상 콘텐츠는 복수의 파트 콘텐츠로 분절될 수 있으며, 사용자에 의해 파트 콘텐츠들의 생성 및 수정이 가능한 형식을 가질 수 있다. 각각의 파트 콘텐츠는 새로 생성되거나, 기존 콘텐츠의 일부 또는 전부를 수정하여 생성될 수 있다. 따라서, 원작자가 업로드한 원본 콘텐츠를 이용하여 다른 사용자가 2차 저작물을 생성하는 것이 가능해진다.
S803 단계에서, 장치(300)는 제1 파트 콘텐츠 및 제2 파트 콘텐츠를 결합하여 제1 동영상 콘텐츠를 생성할 수 있다.
S804 단계에서, 장치(300)는 제1 동영상 콘텐츠에서 제1 파트 콘텐츠가 차지하는 비율인 제1 비율을 획득하고, 제1 동영상 콘텐츠에서 제2 파트 콘텐츠가 차지하는 비율인 제2 비율을 획득할 수 있다.
예를 들어, 제1 동영상 콘텐츠가 제1 파트 콘텐츠 및 제2 파트 콘텐츠로 구성되어 있는 경우, 장치(300)는 제1 동영상 콘텐츠에서 제1 파트 콘텐츠가 60%를 차지하고 있는 것으로 확인되면, 제1 비율을 60%로 획득하고, 제2 비율을 40%로 획득할 수 있다.
도 9는 일실시예에 따른 1차 저작물에 대한 공동 저작자 정보를 등록하는 과정을 설명하기 위한 도면이다.
도 9를 참조하면, 먼저, S901 단계에서, 장치(300)는 제1 동영상 콘텐츠에서 제1 파트 콘텐츠가 차지하는 비율인 제1 비율을 획득하고, 제1 동영상 콘텐츠에서 제2 파트 콘텐츠가 차지하는 비율인 제2 비율을 획득할 수 있다.
S902 단계에서, 장치(300)는 제1 동영상 콘텐츠의 원저작자 정보와 제1 구직자 계정의 정보가 일치하는 것으로 확인되면, 제1 동영상 콘텐츠를 1차 저작물로 판정할 수 있다.
S903 단계에서, 장치(300)는 제1 비율이 제2 비율 보다 큰지 여부를 판단할 수 있다.
S903 단계에서 제1 비율이 제2 비율 보다 큰 것으로 확인되면, S904 단계에서, 장치(300)는 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 제3 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록할 수 있다.
즉, 장치(300)는 제1 파트 콘텐츠 및 제2 파트 콘텐츠로 구성되어 있는 제1 동영상 콘텐츠에서 제1 파트 콘텐츠가 차지하고 있는 비율이 더 높기 때문에, 제1 파트 콘텐츠를 제작한 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 제2 파트 콘텐츠를 제작한 제3 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록할 수 있다.
S903 단계에서 제1 비율이 제2 비율 보다 작은 것으로 확인되면, S905 단계에서, 장치(300)는 제3 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록할 수 있다.
즉, 장치(300)는 제1 파트 콘텐츠 및 제2 파트 콘텐츠로 구성되어 있는 제1 동영상 콘텐츠에서 제2 파트 콘텐츠가 차지하고 있는 비율이 더 높기 때문에, 제2 파트 콘텐츠를 제작한 제3 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 제1 파트 콘텐츠를 제작한 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록할 수 있다.
도 10은 일실시예에 따른 2차 저작물에 대한 공동 저작자 정보를 등록하는 과정을 설명하기 위한 도면이다.
도 10을 참조하면, 먼저, S1001 단계에서, 장치(300)는 제1 동영상 콘텐츠에서 제1 파트 콘텐츠가 차지하는 비율인 제1 비율을 획득하고, 제1 동영상 콘텐츠에서 제2 파트 콘텐츠가 차지하는 비율인 제2 비율을 획득할 수 있다.
S1002 단계에서, 장치(300)는 제1 동영상 콘텐츠의 원저작자 정보와 제1 구직자 계정의 정보 및 제3 구직자 계정의 정보가 모두 일치하지 않는 것으로 확인되면, 제1 동영상 콘텐츠를 제2 동영상 콘텐츠의 수정으로 생성된 2차 저작물로 판정할 수 있다.
S1003 단계에서, 장치(300)는 제1 비율이 제2 비율 보다 큰지 여부를 판단할 수 있다.
S1003 단계에서 제1 비율이 제2 비율 보다 큰 것으로 확인되면, S1004 단계에서, 장치(300)는 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 제3 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록하고, 제2 동영상 콘텐츠의 저작자 정보로 확인된 제2 구직자 계정의 정보를 제1 동영상 콘텐츠의 제3 저작자 정보로 등록할 수 있다.
즉, 장치(300)는 제1 파트 콘텐츠 및 제2 파트 콘텐츠로 구성되어 있는 제1 동영상 콘텐츠에서 제1 파트 콘텐츠가 차지하고 있는 비율이 더 높기 때문에, 제1 파트 콘텐츠를 제작한 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 제2 파트 콘텐츠를 제작한 제3 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록한 후, 제1 동영상 콘텐츠의 원작인 제2 동영상 콘텐츠를 제작한 제2 구직자 계정의 정보를 제1 동영상 콘텐츠의 제3 저작자 정보로 추가하여 등록할 수 있다.
S1003 단계에서 제1 비율이 제2 비율 보다 작은 것으로 확인되면, S1005 단계에서, 장치(300)는 제3 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록하고, 제2 동영상 콘텐츠의 저작자 정보로 확인된 제2 구직자 계정의 정보를 제1 동영상 콘텐츠의 제3 저작자 정보로 등록할 수 있다.
즉, 장치(300)는 제1 파트 콘텐츠 및 제2 파트 콘텐츠로 구성되어 있는 제1 동영상 콘텐츠에서 제2 파트 콘텐츠가 차지하고 있는 비율이 더 높기 때문에, 제2 파트 콘텐츠를 제작한 제3 구직자 계정의 정보를 제1 동영상 콘텐츠의 제1 저작자 정보로 등록하고, 제1 파트 콘텐츠를 제작한 제1 구직자 계정의 정보를 제1 동영상 콘텐츠의 제2 저작자 정보로 등록한 후, 제1 동영상 콘텐츠의 원작인 제2 동영상 콘텐츠를 제작한 제2 구직자 계정의 정보를 제1 동영상 콘텐츠의 제3 저작자 정보로 추가하여 등록할 수 있다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(300)는 프로세서(310) 및 메모리(320)를 포함한다. 프로세서(310)는 도 1 내지 도 10을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 10을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(300)를 이용하는 자 또는 단체는 도 1 내지 도 10을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(320)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(320)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(310)는 프로그램을 실행하고, 장치(300)를 제어할 수 있다. 프로세서(310)에 의하여 실행되는 프로그램의 코드는 메모리(320)에 저장될 수 있다. 장치(300)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(300)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(320)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(310)는 메모리(320)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(300)와 학습된 인공 신경망을 이용하는 장치(300)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 장치에 의해 수행되는, 동영상 콘텐츠 플랫폼 서비스를 이용하여 인공지능 기반으로 인재를 매칭하고 추천하는 방법에 있어서,
상기 동영상 콘텐츠 플랫폼을 통해 수집한 구직자의 콘텐츠를 기초로, 동영상의 유형, 접속 로그 및 사용자 피드백 현황을 확인하여, 상기 구직자의 행동 양식을 분석하는 단계;
상기 구직자의 행동 양식에 대한 분석 결과를 기초로, 상기 구직자의 역량을 항목별로 레벨링한 구직자 역량 정보를 추출하는 단계;
데이터베이스로부터 수집된 기업 데이터를 기초로, 기업의 산업군, 사업 분야, 필요 직무 및 기업 문화를 확인하여, 상기 기업의 선호 및 우수 인재 유형을 분석하는 단계;
상기 기업의 선호 및 우수 인재 유형에 대한 분석 결과를 기초로, 상기 기업의 맞춤형 인재 특성을 항목별로 레벨링한 인재 특성 정보를 추출하는 단계;
상기 구직자 역량 정보 및 상기 인재 특성 정보를 매칭하여, 매칭 결과를 생성하는 단계;
상기 매칭 결과를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로 상기 기업에 적합한 구직자를 선별하는 단계;
상기 선별된 구직자에 대한 추천 정보를 담당자 단말로 전송하고, 상기 기업에 대한 매칭 정보를 구직자 단말로 전송하는 단계;
상기 매칭 결과를 바탕으로 인재를 매칭하는 시스템 알고리즘을 수정 또는 고도화하는 딥러닝을 수행하는 단계;
상기 구직자 역량 정보 및 상기 인재 특성 정보를 매칭한 매칭 횟수를 확인하는 단계;
상기 매칭 결과를 통해 상기 선별된 구직자가 상기 기업에 채용된 채용 횟수를 확인하는 단계;
상기 매칭 횟수 및 상기 채용 횟수를 기초로, 상기 매칭 결과에 대한 성취도를 산출하는 단계;
상기 매칭 결과의 성취도가 미리 설정된 제1 기준치 보다 높은지 여부를 확인하는 단계;
상기 매칭 결과의 성취도가 상기 제1 기준치 보다 높은 것으로 확인되면, 상기 구직자 역량 정보에 대한 추출 방식이 최적화되어 있는 것으로 판단하는 단계;
상기 매칭 결과의 성취도가 상기 제1 기준치 보다 낮은 것으로 확인되면, 상기 구직자 역량 정보에 대한 추출 방식의 변경이 필요한 것으로 판단하는 단계;
상기 구직자 역량 정보에 대한 추출 방식의 변경이 필요한 것으로 판단되면, 상기 매칭 결과의 성취도가 미리 설정된 제2 기준치 보다 높은지 여부를 확인하는 단계;
상기 매칭 결과의 성취도가 상기 제2 기준치 보다 높은 것으로 확인되면, 상기 구직자의 역량을 항목별로 레벨링하는 레벨링 기준의 조정이 필요한 것으로 판단하는 단계;
상기 매칭 결과의 성취도가 상기 제2 기준치 보다 낮은 것으로 확인되면, 상기 구직자의 역량을 항목별로 분류하는 분류 기준의 조정이 필요한 것으로 판단하는 단계;
상기 매칭 결과의 성취도가 미리 설정된 제3 기준치 보다 높은지 여부를 확인하는 단계;
상기 매칭 결과의 성취도가 상기 제3 기준치 보다 높은 것으로 확인되면, 상기 인재 특성 정보에 대한 추출 방식이 최적화되어 있는 것으로 판단하는 단계;
상기 매칭 결과의 성취도가 상기 제3 기준치 보다 낮은 것으로 확인되면, 상기 인재 특성 정보에 대한 추출 방식의 변경이 필요한 것으로 판단하는 단계;
상기 인재 특성 정보에 대한 추출 방식의 변경이 필요한 것으로 판단되면, 상기 매칭 결과의 성취도가 미리 설정된 제4 기준치 보다 높은지 여부를 확인하는 단계;
상기 매칭 결과의 성취도가 상기 제4 기준치 보다 높은 것으로 확인되면, 상기 기업의 맞춤형 인재 특성을 항목별로 레벨링하는 레벨링 기준의 조정이 필요한 것으로 판단하는 단계; 및
상기 매칭 결과의 성취도가 상기 제4 기준치 보다 낮은 것으로 확인되면, 상기 기업의 맞춤형 인재 특성을 항목별로 분류하는 분류 기준의 조정이 필요한 것으로 판단하는 단계를 포함하는,
동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법. - 제1항에 있어서,
상기 인공 신경망은,
미리 설정된 선별 기준에 따라 상기 기업에 적합한 구직자를 선별하고,
상기 선별된 구직자 중 상기 기업에 채용된 채용자의 수가 많을수록 제1 보상을 많이 수여하고,
상기 채용자가 상기 기업에서 근무한 근속 기간이 길수록 제2 보상을 많이 수여하고,
상기 채용자에 의해 평가된 기업 만족도가 높을수록 제3 보상을 많이 수여하고,
상기 제1 보상, 상기 제2 보상 및 상기 제3 보상을 통한 강화 학습을 반영하여, 상기 선별 기준을 조정하는,
동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210042657A KR102298722B1 (ko) | 2021-04-01 | 2021-04-01 | 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210042657A KR102298722B1 (ko) | 2021-04-01 | 2021-04-01 | 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102298722B1 true KR102298722B1 (ko) | 2021-09-06 |
Family
ID=77782315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210042657A KR102298722B1 (ko) | 2021-04-01 | 2021-04-01 | 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102298722B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113918765A (zh) * | 2021-11-04 | 2022-01-11 | 盐城金堤科技有限公司 | 视频推荐方法、装置、介质和电子设备 |
| KR20230127044A (ko) * | 2022-02-24 | 2023-08-31 | 동의대학교 산학협력단 | 마이 데이터를 활용한 직무 추천 시스템 및 이를 활용한 직무 추천 방법 |
| CN116843155A (zh) * | 2023-07-27 | 2023-10-03 | 深圳市贝福数据服务有限公司 | 一种基于saas的人岗双向匹配方法和系统 |
| KR20230168450A (ko) | 2022-06-07 | 2023-12-14 | (주)씨비더블유 | 만물인터넷 콘텐츠 서비스 플랫폼 시스템 |
| KR102621594B1 (ko) * | 2023-10-25 | 2024-01-04 | 오희망 | 기업 맞춤형 직무 개발 및 구직자 맞춤형 직무교육 제공 방법, 장치 및 시스템 |
| KR102677614B1 (ko) | 2023-11-03 | 2024-06-20 | 이상군 | 개인 별 역량 및 mbti 성향분석을 통한 인공지능 기반 인재 매칭 및 보상 제공 방법, 시스템 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120100146A (ko) * | 2011-03-03 | 2012-09-12 | (주)디지털다임 | 스마트폰 어플리케이션을 이용한 사용자 행동분석 시스템 및 방법 |
| KR101875923B1 (ko) | 2016-10-14 | 2018-08-02 | 주식회사 렙딥 | 기계학습을 활용한 월렛 시스템 기반 인재 매칭 시스템 및 그 방법 |
| KR20180113150A (ko) | 2017-04-05 | 2018-10-15 | (주)스마트소셜 | 인공 지능 기반 챗봇을 이용한 구직자 및 기업간 잡매칭을 용이하게 하는 이력 정보 관리 방법 |
| KR20200023675A (ko) | 2018-08-17 | 2020-03-06 | (주)잡플러스 | Ai를 기반으로 하는 구인구직 매칭 시스템 |
| KR20200102021A (ko) | 2019-02-20 | 2020-08-31 | 동아대학교 산학협력단 | 모바일 메신저 앱을 활용한 개인 맞춤형 취업 정보 추천 방법 |
| KR102200334B1 (ko) * | 2018-12-13 | 2021-01-08 | (주)코멘토 | 구직 서류 기반 직무능력 분석매칭 시스템 및 그 제어방법 |
| KR102226938B1 (ko) * | 2020-08-13 | 2021-03-10 | 김성구 | 인공지능 모델을 이용하여 사용자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램 |
-
2021
- 2021-04-01 KR KR1020210042657A patent/KR102298722B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120100146A (ko) * | 2011-03-03 | 2012-09-12 | (주)디지털다임 | 스마트폰 어플리케이션을 이용한 사용자 행동분석 시스템 및 방법 |
| KR101875923B1 (ko) | 2016-10-14 | 2018-08-02 | 주식회사 렙딥 | 기계학습을 활용한 월렛 시스템 기반 인재 매칭 시스템 및 그 방법 |
| KR20180113150A (ko) | 2017-04-05 | 2018-10-15 | (주)스마트소셜 | 인공 지능 기반 챗봇을 이용한 구직자 및 기업간 잡매칭을 용이하게 하는 이력 정보 관리 방법 |
| KR20200023675A (ko) | 2018-08-17 | 2020-03-06 | (주)잡플러스 | Ai를 기반으로 하는 구인구직 매칭 시스템 |
| KR102200334B1 (ko) * | 2018-12-13 | 2021-01-08 | (주)코멘토 | 구직 서류 기반 직무능력 분석매칭 시스템 및 그 제어방법 |
| KR20200102021A (ko) | 2019-02-20 | 2020-08-31 | 동아대학교 산학협력단 | 모바일 메신저 앱을 활용한 개인 맞춤형 취업 정보 추천 방법 |
| KR102226938B1 (ko) * | 2020-08-13 | 2021-03-10 | 김성구 | 인공지능 모델을 이용하여 사용자 간의 최적화된 매칭을 위한 유효 데이터 추출 방법, 장치 및 컴퓨터프로그램 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113918765A (zh) * | 2021-11-04 | 2022-01-11 | 盐城金堤科技有限公司 | 视频推荐方法、装置、介质和电子设备 |
| KR20230127044A (ko) * | 2022-02-24 | 2023-08-31 | 동의대학교 산학협력단 | 마이 데이터를 활용한 직무 추천 시스템 및 이를 활용한 직무 추천 방법 |
| KR102656250B1 (ko) | 2022-02-24 | 2024-04-09 | 동의대학교 산학협력단 | 마이 데이터를 활용한 직무 추천 시스템 및 이를 활용한 직무 추천 방법 |
| KR20230168450A (ko) | 2022-06-07 | 2023-12-14 | (주)씨비더블유 | 만물인터넷 콘텐츠 서비스 플랫폼 시스템 |
| CN116843155A (zh) * | 2023-07-27 | 2023-10-03 | 深圳市贝福数据服务有限公司 | 一种基于saas的人岗双向匹配方法和系统 |
| CN116843155B (zh) * | 2023-07-27 | 2024-04-30 | 深圳市贝福数据服务有限公司 | 一种基于saas的人岗双向匹配方法和系统 |
| KR102621594B1 (ko) * | 2023-10-25 | 2024-01-04 | 오희망 | 기업 맞춤형 직무 개발 및 구직자 맞춤형 직무교육 제공 방법, 장치 및 시스템 |
| KR102677614B1 (ko) | 2023-11-03 | 2024-06-20 | 이상군 | 개인 별 역량 및 mbti 성향분석을 통한 인공지능 기반 인재 매칭 및 보상 제공 방법, 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102298722B1 (ko) | 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템 | |
| US11604980B2 (en) | Targeted crowd sourcing for metadata management across data sets | |
| CN110363305B (zh) | 联邦学习方法、系统、终端设备及存储介质 | |
| CA3069936C (en) | System and method for identifying and providing personalized self-help content with artificial intelligence in a customer self-help system | |
| CN107958317B (zh) | 一种众包项目中选取众包参与人的方法和装置 | |
| KR102322845B1 (ko) | 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템 | |
| Schumann et al. | We need fairness and explainability in algorithmic hiring | |
| Chang et al. | Towards a reuse strategic decision pattern framework–from theories to practices | |
| KR102404511B1 (ko) | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 | |
| US20180075765A1 (en) | System and method for transmission of market-ready education curricula | |
| CN107408125A (zh) | 用于查询答案的图像 | |
| KR102319077B1 (ko) | 온라인 지원자 이력 제공 및 채용 방법, 장치, 및 시스템 | |
| Fu et al. | Beyond matching: Modeling two-sided multi-behavioral sequences for dynamic person-job fit | |
| CN115631006A (zh) | 智能推荐银行产品的方法、装置、存储介质及计算机设备 | |
| CN113672797A (zh) | 一种内容推荐方法及装置 | |
| Matei et al. | A research agenda for the study of entropic social structural evolution, functional roles, adhocratic leadership styles, and credibility in online organizations and knowledge markets | |
| KR102506640B1 (ko) | 고객 및 기업 간 계약을 위한 고객 맞춤형 계약 중개인 매칭 방법, 장치 및 시스템 | |
| CN112053245A (zh) | 信息评估方法及系统 | |
| US20160042277A1 (en) | Social action and social tie prediction | |
| Tripathi et al. | Review of job recommender system using big data analytics | |
| CN108604241A (zh) | 搜索系统 | |
| KR102365308B1 (ko) | 인공 신경망을 이용하여 기업 내부 문서의 리스크를 예측하는 방법 및 장치 | |
| Abhinav et al. | CrowdAssist: A multidimensional decision support system for crowd workers | |
| JP7388678B2 (ja) | 生成装置、生成方法及び生成プログラム | |
| CN114510575A (zh) | 关系发现和量化 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |