KR102350038B1

KR102350038B1 - Work management system for determining risk of target work and method there of

Info

Publication number: KR102350038B1
Application number: KR1020200136258A
Authority: KR
Inventors: 오동식
Original assignee: 오동식
Priority date: 2020-10-20
Filing date: 2020-10-20
Publication date: 2022-01-11

Abstract

The present invention relates to a method for evaluating risk of a target task to objectively evaluate risk of a target task on the basis of artificial intelligence (AI) models and a task management system executing the same. According to one embodiment of the present invention, a method for evaluating, by the task management system, risk of a target task comprises the following steps: acquiring evaluation target information including at least one of a text or image related to a target task; inputting the evaluation target information into a first AI model to acquiring target task information corresponding to the evaluation target information from the first AI model; and inputting the target task information into a second AI model which outputs risk evaluation information for the target task information when identified target task information is input, to acquire risk evaluation information from the second AI model.

Description

Methods for assessing the risk of a target task and a work management system for performing it

본 개시는 대상 작업의 위험성을 평가하는 방법 및 이를 수행하는 작업 관리 시스템에 관한 것이다. 보다 상세하게는 인공 지능 알고리즘을 기반으로 대상 작업을 전반적으로 관리할 수 있는 작업 관리 방법 및 이를 수행하는 작업 관리 시스템에 관한 것이다.The present disclosure relates to a method for evaluating the risk of a target job and a job management system for performing the same. More particularly, it relates to a task management method capable of overall management of a target task based on an artificial intelligence algorithm, and a task management system for performing the same.

일반적으로 산업 현장 또는 작업 현장에서 수행되는 일련의 작업 또는 작업에 수반되는 공정들은 다양한 위험성을 내포하고 있으며, 이러한 위험성 및 작업이 수행되는 현장의 환경 관리를 통해 근로자의 안전 및 작업 효율을 동시에 향상시키기 위한 다양한 기술들이 개발되고 있다.In general, a series of tasks or processes performed at an industrial site or work site contain various risks, and it is necessary to improve worker safety and work efficiency at the same time through environmental management of these risks and the site where the work is performed. Various technologies are being developed for

이러한 작업 관리 플랫폼의 실시 예로 공정 관리, BIM(빌딩 정보 모델링), 위험성평가, 현장 모니터링, 환경 모니터링 기술들이 활발하게 연구되고 있으며, 이를 통하여 근로자들의 안전 및 작업 효율을 함께 향상시키려는 다방면의 시도가 이루어지고 있다.As an example of such a work management platform, process management, BIM (building information modeling), risk assessment, on-site monitoring, and environmental monitoring technologies are being actively studied. is losing

그러나, 종래의 안전관리 기술 내지 위험성 평가 기술은 작성자의 경험과 역량 등과 같이 주관적 기준에 의해 수립되는 한계가 있었고, 주관적 기준에 따라 수립된 평가 기준으로 인해 안전 관리가 효율적으로 되지 않는 한계가 있었다.However, the conventional safety management technology or risk assessment technology had limitations established by subjective standards such as the experience and competency of the creator, and there was a limit in that safety management was not effective due to the evaluation standards established according to the subjective standards.

또한, 종래의 위험성 평가 기술은 작업반에 의한 최초 위험 요인이 도출된 이후에도, 경험 및 역량이 객관적으로 인증되지 않는 관리 감독자, 위험 공증에 대한 공학적 지식이 부족한 안전 관리자 및 일관성이 결여된 주관적 기준을 가진 안전 보건 총괄 책임자에 의해, 작업에 대한 위험성이 평가됨으로써 작업 체계하에서 객관적으로 작업의 위험성을 평가할 수 없는 문제점이 있다.In addition, the conventional risk assessment technology has a management supervisor whose experience and competency are not objectively certified even after the initial risk factor is derived by the working group, a safety manager who lacks engineering knowledge about risk notarization, and a subjective standard that lacks consistency. There is a problem in that it is impossible to objectively evaluate the risk of work under the work system because the risk to work is evaluated by the person in charge of safety and health.

따라서, 작업자의 주관적 기준이 아닌, 객관적인 데이터 분석 결과에 기초하여 대상 작업의 위험성을 평가하고 관리하기 위한 기술 개발이 요구되고 있다.Therefore, there is a demand for technology development for evaluating and managing the risk of a target job based on an objective data analysis result rather than a subjective criterion of an operator.

한국등록특허 제2140830호Korean Patent No. 2140830

일 실시 예에 따르면, 대상 작업의 위험성을 평가하는 방법 및 이를 수행하는 작업 관리 시스템이 제공될 수 있다.According to an embodiment, a method for evaluating the risk of a target task and a task management system for performing the same may be provided.

일 실시 예에 의하면, 인공 지능 모델을 기반으로 대상 작업의 위험성을 객관적으로 평가하는 작업 관리 시스템 및 이의 동작 방법이 제공될 수 있다.According to an embodiment, a task management system for objectively evaluating the risk of a target task based on an artificial intelligence model and an operation method thereof may be provided.

상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 작업 관리 시스템이 대상 작업의 위험성을 평가하는 방법은 상기 대상 작업과 관련된 텍스트 또는 이미지 중 적어도 하나를 포함하는 평가 대상 정보를 획득하는 단계; 상기 평가 대상 정보를 제1 인공 지능 모델에 입력함으로써 상기 제1 인공 지능 모델로부터 상기 평가 대상 정보에 대응되는 상기 대상 작업 정보를 획득하는 단계; 및 상기 대상 작업 정보를, 상기 식별된 대상 작업 정보가 입력되면 상기 대상 작업 정보에 대한 위험성 평가를 정보를 출력하는 제2 인공 지능 모델에 입력함으로써, 상기 제2 인공 지능 모델로부터 위험성 평가 정보를 획득하는 단계; 를 포함할 수 있다.According to an embodiment of the present disclosure for achieving the above-described technical problem, the method for the task management system to evaluate the risk of the target task is to obtain evaluation target information including at least one of text or an image related to the target task step; obtaining the target task information corresponding to the evaluation target information from the first artificial intelligence model by inputting the evaluation target information into a first artificial intelligence model; And by inputting the target job information, when the identified target job information is input, a risk assessment for the target job information is outputted to a second artificial intelligence model that outputs information, thereby obtaining risk assessment information from the second artificial intelligence model to do; may include

또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 작업 관리 시스템은 상기 작업 관리 시스템이 관리하는 작업 공간 내에 미리 배치되는 IOT 디바이스들; 및 상기 작업 IOT 디바이스들로부터 획득되는 모니터링 정보에 기초하여 상기 작업 공간 내에서 수행되거나 수행될 작업과 관련된 위험성 평가를 수행하는 전자 장치; 를 포함하고, 상기 전자 장치는 상기 IOT 디바이스들과 통신하기 위한 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 적어도 하나의 프로세서; 를 포함하며, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 대상 작업과 관련된 텍스트 또는 이미지 중 적어도 하나를 포함하는 평가 대상 정보를 획득하고, 상기 평가 대상 정보를 제1 인공 지능 모델에 입력함으로써 상기 제1 인공 지능 모델로부터 상기 평가 대상 정보에 대응되는 상기 대상 작업 정보를 획득하고, 상기 대상 작업 정보를, 상기 식별된 대상 작업 정보가 입력되면 상기 대상 작업 정보에 대한 위험성 평가를 정보를 출력하는 제2 인공 지능 모델에 입력함으로써, 상기 제2 인공 지능 모델로부터 위험성 평가 정보를 획득할 수 있다.In addition, according to another embodiment of the present disclosure for solving the technical problem, the work management system includes IOT devices that are pre-arranged in the work space managed by the work management system; and an electronic device for performing risk assessment related to a task to be performed or to be performed in the workspace based on monitoring information obtained from the work IOT devices. comprising: a network interface for communicating with the IOT devices; a memory storing one or more instructions; and at least one processor; including, wherein the at least one processor obtains evaluation target information including at least one of a text or an image related to the target task by executing the one or more instructions, and provides the evaluation target information to the first artificial intelligence model. Obtaining the target job information corresponding to the evaluation target information from the first artificial intelligence model by inputting the target job information, when the identified target job information is input By inputting the outputted second artificial intelligence model, risk assessment information may be obtained from the second artificial intelligence model.

또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 작업 관리 시스템이 대상 작업의 위험성을 평가하는 방법에 있어서, 상기 대상 작업과 관련된 텍스트 또는 이미지 중 적어도 하나를 포함하는 평가 대상 정보를 획득하는 단계; 상기 평가 대상 정보를 제1 인공 지능 모델에 입력함으로써 상기 제1 인공 지능 모델로부터 상기 평가 대상 정보에 대응되는 상기 대상 작업 정보를 획득하는 단계; 및 상기 대상 작업 정보를, 상기 식별된 대상 작업 정보가 입력되면 상기 대상 작업 정보에 대한 위험성 평가를 정보를 출력하는 제2 인공 지능 모델에 입력함으로써, 상기 제2 인공 지능 모델로부터 위험성 평가 정보를 획득하는 단계; 를 포함하는, 방법을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체가 제공될 수 있다.In addition, according to another embodiment of the present disclosure for solving the technical problem, in a method for a task management system to evaluate the risk of a target task, an evaluation target including at least one of text or an image related to the target task obtaining information; obtaining the target task information corresponding to the evaluation target information from the first artificial intelligence model by inputting the evaluation target information into a first artificial intelligence model; And by inputting the target job information, when the identified target job information is input, a risk assessment for the target job information is outputted to a second artificial intelligence model that outputs information, thereby obtaining risk assessment information from the second artificial intelligence model to do; A computer-readable recording medium in which a program for performing the method is stored, including the may be provided.

도 1은 일 실시 예에 따른 작업 관리 시스템이 대상 작업을 관리하는 과정을 개략적으로 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 대상 작업의 위험성을 평가하는 방법의 흐름도이다.
도 3은 일 실시 예에 따른 작업 관리 시스템이 적어도 하나의 인공 지능 모델을 이용하여 위험성 평가 정보를 결정하는 과정을 설명하기 위한 도면이다.
도 4는 일 실시 예에 따른 작업 관리 시스템이 평가 대상 정보로부터 대상 작업 정보를 결정하는 과정을 나타내는 도면이다.
도 5는 일 실시 예에 따른 작업 관리 시스템이 대상 작업 정보에 따른 작업에 대하여 위험성 평가 정보를 결정하는 방법을 나타내는 도면이다.
도 6은 일 실시 예에 따른 작업 관리 시스템이 대상 작업 정보에 따른 작업에 대하여 위험성 평가 정보를 결정하는 구체적인 방법을 나타내는 도면이다.
도 7은 일 실시 예에 따라 작업 관리 시스템이 이용하는 인공 지능 모델의 학습 과정을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 작업 관리 시스템 내 IOT 디바이스, 전자 장치 및 서버가 서로 연동함으로써 대상 작업의 위험성 평가 방법을 수행하는 과정을 나타내는 도면이다.
도 9는 일 실시 예에 따른 전자 장치의 블록도이다.
도 10은 또 다른 실시 예에 따른 전자 장치의 블록도이다.
도 11은 일 실시 예에 따른 서버의 블록도이다.
도 12는 일 실시 예에 따른 IOT 디바이스의 블록도이다.1 is a diagram schematically illustrating a process in which a job management system manages a target job according to an embodiment.
2 is a flowchart of a method for evaluating a risk of a target task according to an exemplary embodiment.
3 is a diagram for explaining a process of determining risk assessment information using at least one artificial intelligence model by the task management system according to an embodiment.
4 is a diagram illustrating a process in which the job management system determines target job information from evaluation target information according to an embodiment.
5 is a diagram illustrating a method of determining risk assessment information for a job according to target job information by the job management system according to an embodiment.
6 is a diagram illustrating a specific method of determining risk assessment information for a job according to target job information by the job management system according to an embodiment.
7 is a diagram for explaining a learning process of an artificial intelligence model used by a task management system according to an embodiment.
8 is a diagram illustrating a process of performing a risk assessment method of a target job by interworking with an IOT device, an electronic device, and a server in a job management system according to an embodiment.
9 is a block diagram of an electronic device according to an exemplary embodiment.
10 is a block diagram of an electronic device according to another embodiment.
11 is a block diagram of a server according to an embodiment.
12 is a block diagram of an IOT device according to an embodiment.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다. Terms used in this specification will be briefly described, and the present disclosure will be described in detail.

본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다. The terms used in the present disclosure have been selected as currently widely used general terms as possible while considering the functions in the present disclosure, but these may vary depending on the intention or precedent of a person skilled in the art, the emergence of new technology, and the like. In addition, in a specific case, there is a term arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the corresponding invention. Therefore, the terms used in the present disclosure should be defined based on the meaning of the term and the contents of the present disclosure, rather than the simple name of the term.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.In the entire specification, when a part "includes" a certain element, this means that other elements may be further included, rather than excluding other elements, unless otherwise stated. In addition, terms such as "...unit" and "module" described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software, or a combination of hardware and software. .

아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, the embodiments of the present disclosure will be described in detail so that those of ordinary skill in the art to which the present disclosure pertains can easily implement them. However, the present disclosure may be implemented in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present disclosure in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

도 1은 일 실시 예에 따른 작업 관리 시스템이 대상 작업을 관리하는 과정을 개략적으로 설명하기 위한 도면이다.1 is a diagram schematically illustrating a process in which a job management system manages a target job according to an embodiment.

일 실시 예에 의하면 작업 관리 시스템(1000)은 전자 장치(2000), 전자 장치(3000), IOT 디바이스들(140, 160)을 포함할 수 있다. 그러나, 이에 한정되는 것은 아니며 작업 관리 시스템(1000)은 더 많은 구성 요소를 포함할 수도 있고, 더 적은 구성 요소를 포함할 수도 있다. 예를 들어, 작업 관리 시스템(1000)은 종래의 작업 관리 시스템이 관리자의 역량 또는 수준과 같은 주관적 기준에 따라 대상 작업의 위험성을 평가하고 관리하던 것과는 달리, 인공지능 모델을 기반으로 주어진 데이터를 분석함으로써 통합 개발 환경(Integrated Development Environment, IDLE) 하 최적화된 작업 관리 서비스를 제공할 수 있다.According to an embodiment, the job management system 1000 may include the electronic device 2000 , the electronic device 3000 , and IOT devices 140 and 160 . However, the present invention is not limited thereto, and the task management system 1000 may include more or fewer components. For example, the task management system 1000 analyzes given data based on an artificial intelligence model, unlike the conventional task management system that evaluates and manages the risk of a target task according to a subjective criterion such as a manager's competency or level. By doing so, it is possible to provide an optimized task management service under the Integrated Development Environment (IDLE).

일 실시 예에 의하면, 작업 관리 시스템(1000)은 실시간으로 IOT 디바이스들과 통신 연결될 수 있고, IOT 디바이스들로부터 수신되는 모니터링 정보에 기초하여 작업 환경 내에서 수행되고 있는 작업 전반에 대한 공정, 위험 요인을 관리할 수 있다. 일 실시 예에 의하면, 작업 관리 시스템(1000)은 종래 현장 관리자(112) 또는 건설사 담당자(114)등과 같은 인력의 주관적 기준에 따라 작업을 관리하는 것이 아니라, 통계학적 데이터 분석 결과에 기초하여 근로자들(141, 142, 143)에게 최적의 작업 환경을 제공할 수 있다.According to an embodiment, the work management system 1000 may be communicatively connected with the IOT devices in real time, and based on the monitoring information received from the IOT devices, the process and risk factors for the overall work being performed in the work environment. can manage According to an embodiment, the work management system 1000 does not manage work according to the subjective criteria of personnel such as the conventional site manager 112 or the person in charge of the construction company 114, but based on the statistical data analysis result, the workers (141, 142, 143) can provide an optimal working environment.

일 실시 예에 의하면, 작업 관리 시스템(1000)은 대상 작업의 공정을 관리하고, 대상 작업의 위험성을 평가하며, 평가된 위험성을 구성하는 위험 요인별 대책을 결정함으로써 작업 환경 내 안전 관리를 효과적으로 수행할 수 있을 뿐만 아니라, 작업 환경 내 환경에 대한 데이터를 실시간으로 수집함으로써 작업 공간 내 전반적인 환경 상황을 관리할 수도 있다.According to one embodiment, the work management system 1000 effectively performs safety management in the work environment by managing the process of the target job, evaluating the risk of the target job, and determining the countermeasures for each risk factor constituting the evaluated risk. Not only that, but it is also possible to manage the overall environmental situation in the work space by collecting data about the environment in the work environment in real time.

일 실시 예에 의하면, 작업 관리 시스템(1000)은 적어도 하나의 전자 장치를 포함할 수 있다. 또 다른 실시 예에 의하면 작업 관리 시스템(1000)은 하나의 전자 장치만을 포함할 수도 있고, 더 많은 수의 전자 장치를 포함할 수 있음은 물론이다. 일 실시 예에 의하면, 작업 관리 시스템(1000)내 전자 장치는 네트워크(130)를 통하여 IOT 디바이스들과 연결됨으로써, IOT 디바이스들로부터 모니터링 정보를 획득하고, 획득된 모니터링 정보를 분석하기 위한 AI 프로그램이 탑재되는 스마트폰, 태블릿 PC, 스마트 TV, 휴대폰, 미디어 플레이어, 서버, 마이크로 서버, 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다.According to an embodiment, the job management system 1000 may include at least one electronic device. According to another embodiment, of course, the task management system 1000 may include only one electronic device or a larger number of electronic devices. According to an embodiment, the electronic device in the task management system 1000 is connected to the IOT devices through the network 130 , thereby acquiring monitoring information from the IOT devices and an AI program for analyzing the acquired monitoring information. It may be a mounted smartphone, tablet PC, smart TV, mobile phone, media player, server, micro server, or other mobile or non-mobile computing device, but is not limited thereto.

일 실시 예에 의하면, 작업 관리 시스템(1000)내 노트북과 같은 휴대용 전자 장치(3000)도 네트워크(130)를 통하여 IOT 디바이스들에 액세스할 수 있고, IOT 디바이스들로부터 송수신되는 모니터링 정보에 기초하여, 본 개시에 따른 작업 관리 서비스 내지 대상 작업에 대한 위험성 평가 서비스를 제공할 수 있다. 또 다른 실시 예에 의하면, 작업 관리 시스템(1000)은 데스크탑 또는 고정형 서버와 같은 전자 장치(2000)를 이용하여 본 개시에 따른 대상 작업에 대한 위험성 평가 서비스 내지 작업 관리 서비스를 사용자들에게 제공할 수 있다.According to an embodiment, the portable electronic device 3000 such as a laptop computer in the task management system 1000 may also access the IOT devices through the network 130, and based on the monitoring information transmitted and received from the IOT devices, It is possible to provide a job management service or a risk assessment service for a target job according to the present disclosure. According to another embodiment, the task management system 1000 may provide users with a risk assessment service or a task management service for a target task according to the present disclosure by using the electronic device 2000 such as a desktop or a fixed server. have.

일 실시 예에 의하면, 전자 장치(2000)는 데스크 본체(110) 및 작업 관제 화면(120)을 표시하기 위한 디스플레이 장치를 포함할 수 있다. 전자 장치(2000)는 네트워크(130)를 통하여 획득되는 모니터링 정보를 실시간으로 분석함으로써 작업에 대한 전반적인 스케쥴, 상기 작업이 수행되는 작업 환경에 대한 3차원 모델링 정보, 상기 작업 또는 상기 작업이 수행되는 환경에 대한 도면들을 함께 표시할 수 있다. 또한, 전자 장치(2000)는 네트워크(130)를 통하여 IOT 디바이스들로부터 모니터링 정보를 획득하고, 획득된 모니터링 정보에 기초하여 현재 진행되는 작업의 진척 정도, 현재 수행되는 작업에 대한 위험성 평가 결과, 작업 도중 발생한 긴급 사고 내지 이슈에 대한 정보들을 출력할 수도 있다.According to an embodiment, the electronic device 2000 may include a display device for displaying the desk body 110 and the task control screen 120 . The electronic device 2000 analyzes the monitoring information acquired through the network 130 in real time by analyzing the overall schedule for the job, 3D modeling information for the working environment in which the job is performed, and the environment in which the job or the job is performed. Drawings for can be displayed together. In addition, the electronic device 2000 obtains monitoring information from the IOT devices through the network 130 , and based on the obtained monitoring information, the progress of the work currently being performed, the risk assessment result for the currently performed work, the work It is also possible to output information about emergency accidents or issues that have occurred along the way.

일 실시 예에 의하면, 전자 장치(2000) 및 전자 장치(3000)는 네트워크(130)를 통하여 IOT 디바이스들과 연결될 수 있다. 일 실시 예에 의하면, IOT 디바이스들은 제1 타입의 IOT 디바이스들(140)과 제2 타입의 IOT 디바이스들(160)을 포함할 수 있다. 일 실시 예에 의하면, 제1 타입의 IOT 디바이스들(140)은 작업 관리 시스템이 관리하는 작업 공간 내에 설치되고, 네트워크(130)를 통하여 통신할 수 있는 네트워크 인터페이스를 포함하는 센서 장치 또는 모니터링 디바이스를 의미할 수 있다. 또한, 일 실시 예에 의하면, 제2 타입의 IOT 디바이스들(160)은 작업 공간과 상호 작용 가능한 작업 공간 주변의 작업 환경 내에 설치되는 센서 장치, 모니터링 디바이스를 의미할 수 있다.According to an embodiment, the electronic device 2000 and the electronic device 3000 may be connected to IOT devices through the network 130 . According to an embodiment, the IOT devices may include the first type of IOT devices 140 and the second type of IOT devices 160 . According to an embodiment, the first type of IOT devices 140 are installed in a work space managed by the work management system, and include a sensor device or a monitoring device including a network interface capable of communicating through the network 130 . can mean Also, according to an embodiment, the second type of IOT devices 160 may refer to a sensor device and a monitoring device installed in a work environment around a work space that can interact with the work space.

일 실시 예에 의하면, 제1 타입의 IOT 디바이스들(140)은 작업 공간에 설치되는 화재 감지기(156), 작업 공간을 모니터링하는 CCTV (152, 154), 작업 공간에서 작업을 수행하는 근로자(141, 142, 143)에 부착되는 웨어러블 디바이스(145, 147)을 포함할 수 있다. 또한, 일 실시 예에 의하면, 제2 타입의 IOT 디바이스들(160)은 작업 환경에 설치되는 유해가스 농도 측정기(162), 기상 물질 감지 센서(166), 타워크레인 변위 감지기(164) 등을 포함할 수 있으나, 이에 한정되는 것은 아니며, 기타 목적의 IOT 센서 장치들을 더 포함할 수도 있다.According to an embodiment, the first type of IOT devices 140 include a fire detector 156 installed in a work space, CCTVs 152 and 154 monitoring the work space, and a worker 141 performing work in the work space. , 142 , and 143 may include wearable devices 145 and 147 attached to each other. In addition, according to an embodiment, the second type of IOT devices 160 include a harmful gas concentration meter 162 , a gaseous material detection sensor 166 , a tower crane displacement detector 164 , etc. installed in the work environment. However, it is not limited thereto, and may further include IOT sensor devices for other purposes.

일 실시 예에 의하면, 작업 관리 시스템(1000)내 전자 장치(2000), 전자 장치(3000) 및 IOT 디바이스들(140, 160)이 연결되는 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 중 적어도 하나의 조합을 포함할 수 있다. 본 개시에 따른 작업 관리 시스템(1000)내 전자 장치(2000), 전자 장치(3000) 및 IOT 디바이스들(140, 160)은 상술한 서버 구성 외에도, 도 1에 도시된 각 네트워크 구성 주체(예컨대 전자 장치 또는 IOT 디바이스들)가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망과, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망 자체를 포함할 수 도 있다.According to an embodiment, a network to which the electronic device 2000 , the electronic device 3000 , and the IOT devices 140 and 160 are connected in the job management system 1000 is a local area network (LAN), a wide area network It may include a combination of at least one of a wide area network (WAN), a value added network (VAN), and a mobile radio communication network. The electronic device 2000, the electronic device 3000, and the IOT devices 140 and 160 in the job management system 1000 according to the present disclosure include, in addition to the above-described server configuration, each network configuration entity shown in FIG. 1 (eg, electronic device or IOT devices) may include a data communication network in a comprehensive sense that enables smooth communication with each other, and a wired Internet, a wireless Internet, and a mobile wireless communication network itself.

일 실시 예에 따르면, 작업 관리 시스템(1000)은 네트워크(130)를 통하여 제1 타입의 IOT 디바이스들(140)로부터 제1 모니터링 정보를 획득하고, 제2 타입의 IOT 디바이스들(160)로부터 제2 모니터링 정보를 획득할 수 있다. 제1 모니터링 정보 및 제2 모니터링 정보는 각각 모니터링 정보가 획득된 위치 정보를 포함할 수 있다. According to an embodiment, the job management system 1000 obtains first monitoring information from the first type of IOT devices 140 through the network 130 , and obtains the first monitoring information from the second type of IOT devices 160 . 2 You can obtain monitoring information. The first monitoring information and the second monitoring information may include location information from which the monitoring information was obtained, respectively.

또한, 작업 관리 시스템(1000)은, 작업 관리 시스템이 관리하는 작업 공간 및 작업 공간 주변의 환경에 대한 지도 정보(예컨대, 설계도, 3D 모델링 지도 등)를 미리 저장할 수 있고, 제1 모니터링 정보 및 제2 모니터링 정보를 기 저장된 지도 정보에 매칭시킬 수 있다. 또한, 일 실시 예에 의하면, 작업 관리 시스템(1000)은 작업 공간 또는 작업 공간 주변의 환경에서 수행되는 작업의 위험성 정도에 따라 작업 공간 또는 주변 환경에 대한 공간 위험성 점수를 미리 설정해둘 수 있다. 일 실시 예에 의하면 위험성이 높은 작업이 수행되는 작업 공간 내지 환경 일수록 높은 공간 위험성 점수가 할당될 수 있다. In addition, the work management system 1000 may store in advance map information (eg, a design drawing, a 3D modeling map, etc.) for the work space managed by the work management system and the environment around the work space, and the first monitoring information and the second 2 Monitoring information can be matched with pre-stored map information. Also, according to an embodiment, the work management system 1000 may preset a spatial risk score for the work space or the surrounding environment according to the degree of risk of the work performed in the work space or the environment around the work space. According to an embodiment, a higher spatial risk score may be assigned to a work space or environment in which a high-risk task is performed.

작업 관리 시스템(1000)은 제1 모니터링 정보에 포함된 위치 정보에 기초하여, 제1 모니터링 정보와 제1 작업 공간을 매칭시키고, 제2 모니터링 정보에 포함된 위치 정보에 기초하여 제2 모니터링 정보와 제2 환경 공간을 매칭시킬 수 있다. 또한, 작업 관리 시스템(1000)은 제1 모니터링 정보에 기초하여 제1 위험성 점수를 결정한 후, 결정된 제1 위험성 점수에 제1 작업 공간에 미리 할당된 공간 위험성 점수를 곱함으로써 제1 가중치 위험성 점수를 결정할 수 있다. 또한, 작업 관리 시스템(1000)은 제2 모니터링 정보에 기초하여 제2 위험성 점수를 결정한 후, 결정된 제2 위험성 점수에 제2 환경 공간에 미리 할당된 공간 위험성 점수를 곱함으로써 제2 가중치 위험성 점수를 결정할 수 있다. 작업 관리 시스템(1000)은 상술한 모니터링 정보에 따라 결정된 가중치 위험 점수를, 위험성 평가 정보에 적용함으로써 위험성 평가 정보를 조정할 수 있다.The job management system 1000 matches the first monitoring information and the first workspace based on the location information included in the first monitoring information, and the second monitoring information and the second monitoring information based on the location information included in the second monitoring information. The second environment space may be matched. In addition, the work management system 1000 determines the first risk score based on the first monitoring information, and then multiplies the determined first risk score by the spatial risk score pre-allocated to the first working space to give the first weighted risk score. can decide In addition, the task management system 1000 determines the second risk score based on the second monitoring information, and then multiplies the determined second risk score by the spatial risk score pre-allocated to the second environment space to give the second weighted risk score. can decide The work management system 1000 may adjust the risk assessment information by applying the weighted risk score determined according to the above-described monitoring information to the risk assessment information.

예를 들어, 작업 관리 시스템(1000)은 평가 대상 정보(예컨대 텍스트나 이미지)를 획득하고, 평가 대상 정보를 제1 인공 지능 모델에 입력함으로써 대상 작업 정보를 식별한다. 또한, 작업 관리 시스템(1000)은 대상 작업 정보를 제2 인공 지능 모델에 입력함으로써 위험성 평가 정보를 획득한다. 작업 관리 시스템(1000)은 제1 인공 지능 모델에서 출력된 대상 작업 정보에 따라 특정되는 작업이 수행되는 작업 공간을 식별하고, 식별된 작업 공간으로부터 실시간으로 모니터링 정보를 획득한다. 작업 관리 시스템(1000)은 평가 대상 정보로부터 대상 작업이 식별되면, 대상 작업이 수행되는 작업 공간에 미리 배치된 IOT 디바이스들을 통하여 실시간으로 모니터링 정보를 획득한 후, 상술한 방법에 따라 가중치 위험성 점수를 결정한다. 작업 관리 시스템(1000)은 결정된 가중치 위험성 점수를, 위험성 평가 정보에 적용함으로써 위험성 평가 정보를 조정하고, 조정된 위험성 평가 정보를 최종 위험성 평가 정보로써 출력할 수 있다.For example, the job management system 1000 obtains evaluation target information (eg, text or image), and identifies target job information by inputting the evaluation target information into the first artificial intelligence model. Also, the job management system 1000 acquires risk assessment information by inputting target job information into the second artificial intelligence model. The work management system 1000 identifies a work space in which a job specified according to target work information output from the first artificial intelligence model is performed, and acquires monitoring information in real time from the identified work space. When the target job is identified from the evaluation target information, the job management system 1000 acquires monitoring information in real time through IOT devices pre-arranged in the workspace where the target job is performed, and then calculates a weighted risk score according to the above-described method. decide The work management system 1000 may adjust the risk assessment information by applying the determined weighted risk score to the risk assessment information, and may output the adjusted risk assessment information as the final risk assessment information.

또한, 일 실시 예에 의하면, 작업 관리 시스템(1000)과 연결되는 서버 내지 IOT 디바이스들은 클라우드 기반 서버 장치들일 수 있고, 통계학적 분석 결과에 기초하여 통합 개발 환경 (IDLE) 알고리즘에 따라 설계되거나, 구조화될 수 있다. 따라서, 작업 관리 시스템(1000)은 실제 오프라인 상에 유형의 장치 없이도, 클라우드 환경하에서 언제 어디서나 대상 작업의 위험성 평가를 수행할 수 있다.Also, according to an embodiment, the server or IOT devices connected to the job management system 1000 may be cloud-based server devices, and are designed or structured according to an integrated development environment (IDLE) algorithm based on the statistical analysis result. can be Accordingly, the job management system 1000 may perform risk assessment of a target job anytime and anywhere in a cloud environment without an actual offline device.

도 2는 일 실시 예에 따른 대상 작업의 위험성을 평가하는 방법의 흐름도이다.2 is a flowchart of a method for evaluating a risk of a target task according to an exemplary embodiment.

S210에서, 작업 관리 시스템(1000)은 대상 작업과 관련된 텍스트 또는 이미지 중 적어도 하나를 포함하는 평가 대상 정보를 획득할 수 있다. 일 실시 예에 의하면, 평가 대상 정보는 대상 작업에 관련된 텍스트, 정지 영상 또는 동영상 중 적어도 하나를 포함할 수 있다. 예를 들어, 작업 관리 시스템(1000)은 특정 작업 명칭에 관한 텍스트를, 작업 관리 시스템 내 사용자 인터페이스에 대한 제1 사용자 입력에 기초하여 획득할 수 있다. 또 다른 실시 예에 의하면 작업 관리 시스템(1000)은 특정 작업에 관련된 이미지(예컨대 정지 영상) 또는 동영상을 작업 관리 시스템 내 사용자 인터페이스에 대한 제2 사용자 입력에 기초하여 획득할 수도 있다. In S210 , the task management system 1000 may acquire evaluation target information including at least one of a text or an image related to the target job. According to an embodiment, the evaluation target information may include at least one of a text, a still image, or a moving picture related to the target task. For example, the task management system 1000 may obtain text related to a specific task name based on a first user input to a user interface within the task management system. According to another embodiment, the job management system 1000 may acquire an image (eg, a still image) or a moving picture related to a specific job based on a second user input to a user interface within the job management system.

S220에서, 작업 관리 시스템(1000)은 평가 대상 정보를 제1 인공 지능 모델에 입력함으로써 제1 인공 지능 모델로부터 평가 대상 정보에 대응되는 대상 작업 정보를 획득할 수 있다. 일 실시 예에 의하면, 제1 인공 지능 모델은 텍스트 인식 모델 또는 기타 이미지 또는 영상을 처리하기 위한 인공 지능 모델일 수 있다. 일 실시 예에 의하면, 제1 인공 지능 모델은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.In S220 , the job management system 1000 may obtain target job information corresponding to the evaluation target information from the first artificial intelligence model by inputting the evaluation target information into the first artificial intelligence model. According to an embodiment, the first artificial intelligence model may be a text recognition model or an artificial intelligence model for processing other images or images. According to an embodiment, the first artificial intelligence model may include a deep neural network (DNN), for example, a convolutional neural network (CNN), a deep neural network (DNN), a recurrent neural network (RNN). ), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), or Deep Q-Networks, but is not limited thereto.

일 실시 예에 의하면, 제1 인공 지능 모델은 대상 작업과 관련된 텍스트로부터 해당 대상 작업의 종류를 식별할 수 있다. 또 다른 실시 예에 의하면, 제1 인공 지능 모델은 대상 작업과 관련된 이미지 내지 영상을 분석함으로써, 해당 대상 작업의 종류를 식별할 수 있다. 본 개시에 따른 제1 인공 지능 모델은 상술한 대상 작업의 종류에 관한 정보를 대상 작업 정보로써 출력할 수 있다.According to an embodiment, the first artificial intelligence model may identify the type of the target job from the text related to the target job. According to another embodiment, the first artificial intelligence model may identify the type of the target job by analyzing an image or an image related to the target job. The first artificial intelligence model according to the present disclosure may output information about the type of the above-described target job as target job information.

또한, 일 실시 예에 의하면, 제1 인공 지능 모델은 대상 작업 정보에 따라 식별된 작업과 관련된 텍스트 데이터, 뉴스 데이터, 상기 작업과 관련된 이미지 데이터, 상기 작업과 관련된 영상 데이터에 기초하여 미리 학습될 수 있다.Also, according to an embodiment, the first artificial intelligence model may be pre-trained based on text data, news data, image data related to the job, and image data related to the job identified according to the target job information. have.

S230에서, 작업 관리 시스템(1000)은 상기 획득된 대상 작업 정보를, 상기 대상 작업 정보가 입력되면 대상 작업 정보에 대한 위험성 평가 정보를 출력하는 제2 인공 지능 모델에 입력함으로써, 상기 제2 인공 지능 모델로부터 위험성 평가 정보를 획득할 수 있다. 일 실시 예에 의하면, 제2 인공 지능 모델은 제1 인공 지능 모델과 다른 인공 지능 모델로써, 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. In S230, the job management system 1000 inputs the obtained target job information into a second artificial intelligence model that outputs risk assessment information for target job information when the target job information is input, so that the second artificial intelligence Risk assessment information can be obtained from the model. According to an embodiment, the second artificial intelligence model is an artificial intelligence model different from the first artificial intelligence model, and may include a deep neural network (DNN), for example, a Convolutional Neural Network (CNN), Includes Deep Neural Network (DNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN) or Deep Q-Networks, etc. can, but is not limited thereto.

일 실시 예에 의하면 제2 인공지능 모델은 상기 작업 관리 시스템이 관리하는 작업 공간의 위험성 평가 데이터, 위험등급 산정 데이터, 위험 요인 제거 대책 데이터, 사고 사례 데이터, 작업에 관련된 공정 정보 데이터, 상기 작업에 관련된 위험 요인 데이터, 상기 작업 공간에 대한 현장 정보 데이터, 보건 데이터 정보, 정부 정책 데이터 정보 중 적어도 하나에 기초하여, 미리 학습될 수 있다. 일 실시 예에 따른 작업 관리 시스템(1000)은 위험성 평가 정보를 결정하는 방법은 후술하는 도 5 내지 6을 참조하여 구체적으로 설명하기로 한다.According to an embodiment, the second artificial intelligence model includes risk assessment data, risk rating calculation data, risk factor removal countermeasure data, accident case data, work-related process information data, and the work of the work space managed by the work management system. Based on at least one of related risk factor data, field information data about the work space, health data information, and government policy data information, it may be learned in advance. A method of determining the risk assessment information in the work management system 1000 according to an embodiment will be described in detail with reference to FIGS. 5 to 6 to be described later.

본 개시의 일 실시 예에 따른 제1 인공 지능 모델 및 제2 인공 지능 모델은 적어도 하나의 레이어들 및 상기 적어도 하나의 레이어들의 연결 강도에 관한 가중치(weight)를 포함할 수 있다. 또한, 일 실시 예에 의하면, 제1 인공 지능 모델은 평가 대상 정보가 입력되면 상기 평가 대상 정보에 대응되는 대상 작업 정보를 출력하도록 상기 가중치를 수정 및 갱신함으로써 미리 학습될 수 있고, 제2 인공 지능 모델은 상기 대상 작업 정보가 입력되면 상기 대상 작업 정보에 대한 위험성 평가 정보를 출력하도록 상기 가중치를 수정 및 갱신함으로써 미리 학습될 수 있다.The first artificial intelligence model and the second artificial intelligence model according to an embodiment of the present disclosure may include at least one layer and a weight regarding connection strength of the at least one layer. In addition, according to an embodiment, the first artificial intelligence model may be pre-learned by correcting and updating the weight to output target task information corresponding to the evaluation target information when the evaluation target information is input, and the second artificial intelligence When the target job information is input, the model may be trained in advance by modifying and updating the weight to output risk assessment information for the target job information.

도 2에는 도시되지 않았지만, 일 실시 예에 따른 작업 관리 시스템(1000)은 S230에서 획득된 위험성 평가 정보를 출력할 수 있다. 또한, 일 실시 예에 의하면, 작업 관리 시스템(10900)은 출력된 위험성 평가 정보와 함께 조치 정보를 더 출력할 수도 있다. 예를 들어, 작업 관리 시스템(1000)은 대상 작업에 대한 위험성 평가 정보에 따라, 위험성을 경감시키기 위한 일련의 조치 리스트를 저장할 수 있고, 획득된 위험성 평가 정보에 따라 소정의 조치들을, 미리 저장된 조치 리스트로부터 획득할 수 있다. 작업 관리 시스템(1000)은 결정된 위험성 평가 정보를 출력함과 함께 조치 리스트에서 획득된 소정의 조치들에 관한 정보를 함께 출력할 수 있다.Although not shown in FIG. 2 , the work management system 1000 according to an embodiment may output the risk assessment information obtained in S230 . Also, according to an embodiment, the task management system 10900 may further output action information together with the output risk assessment information. For example, the work management system 1000 may store a series of action lists for reducing risk according to the risk assessment information for the target job, and perform predetermined actions according to the obtained risk assessment information, the pre-stored actions It can be obtained from a list. The work management system 1000 may output information regarding predetermined actions acquired from the action list together with output of the determined risk assessment information.

도 2에는 도시되지 않았지만, 일 실시 예에 따른 작업 관리 시스템(1000)은 위험성 평가 정보 및 조치 정보에 따른 작업 수행 결과에 대한 점검 정보를 획득할 수도 있다. 예를 들어, 작업 관리 시스템(1000)은 작업 관리 시스템의 사용자의 사용자 입력에 기초하여, 위험성 평가 정보 및 조치 정보에 대한 피드백 결과로써 점검 정보를 획득할 수 있다. 일 실시 예에 의하면 점검 정보는, 일련의 공정의 진척 정도, 작업 완성 정도, 작업 수행 시 새롭게 발생한 위험 요인에 대한 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다.Although not shown in FIG. 2 , the work management system 1000 according to an exemplary embodiment may acquire inspection information on a work performance result according to the risk assessment information and the action information. For example, the work management system 1000 may acquire inspection information as a feedback result for risk assessment information and action information based on a user input of a user of the work management system. According to an embodiment, the inspection information may include, but is not limited to, information on a degree of progress of a series of processes, a degree of completion of a job, and information on a risk factor newly generated when performing a job.

또한, 일 실시 예에 따른 작업 관리 시스템(1000)은 위험성 평가 정보, 조치 정보 및 상기 점검 정보에 기초하여 피드백 정보를 생성할 수 있다. 작업 관리 시스템(1000)은 대상 작업에 대하여 출력된 다양한 정보들을 피드백 정보로 생성하고, 생성된 피드백 정보를 학습 데이터로 사용할 수 있다. 예를 들어, 작업 관리 시스템(1000)은 피드백 정보를 이용하여 기 학습된 인공 지능 모델을 다시 학습시킬 수 있다. 예를 들어, 작업 관리 시스템(1000)는 피드백 정보를 이용하여 인공 지능 모델 내 레이어들 및 레이어들의 연결 강도에 관한 가중치들을 수정 및 갱신할 수 있다.Also, the work management system 1000 according to an embodiment may generate feedback information based on risk assessment information, action information, and the inspection information. The job management system 1000 may generate various pieces of information output with respect to a target job as feedback information, and use the generated feedback information as learning data. For example, the task management system 1000 may retrain the pre-trained artificial intelligence model using the feedback information. For example, the task management system 1000 may use the feedback information to modify and update the layers in the artificial intelligence model and weights related to the connection strength of the layers.

또한, 도 2에는 도시되지 않았지만, 일 실시 예에 따른 작업 관리 시스템(1000)은 작업 관리 시스템이 관리하는 작업 공간에 미리 설치된 현장 모니터링 디바이스들(예컨대 제1 타입의 IOT 디바이들)로부터 현장 모니터링 정보를 실시간으로 획득하고, 획득된 현장 모니터링 정보에 기초하여 출력된 위험성 평가 정보를 조정하며, 조정된 위험성 평가 정보를 출력할 수 있다.In addition, although not shown in FIG. 2 , the job management system 1000 according to an embodiment provides field monitoring information from field monitoring devices (eg, first type IOT devices) pre-installed in a workspace managed by the job management system. can be obtained in real time, adjusted risk assessment information output based on the acquired on-site monitoring information, and output adjusted risk assessment information.

예를 들어, 작업 관리 시스템(1000)은 작업 공간에서 일하고 있는 근로자의 상의에 부착된 웨어러블 디바이스로부터 심박수에 관한 정보를 획득하고, 심박수가 기 설정된 임계치 이상으로 식별되는 경우, 해당 작업 공간의 위치 정보 및 근로자 식별 정보를 관제 화면에 출력할 수 있다. 또한, 작업 관리 시스템(1000)은 해당 근로자의 웨어러블 디바이스로 안내 정보 또는 심박수 이상과 관련된 경고 정보를 전송할 수도 있다. 즉 본 개시에 따른 작업 관리 시스템(1000)은 실시간으로 현장 모니터링 정보를 획득하고, 획득된 모니터링 정보에 따라 이미 출력된 위험성 평가 정보를 조정함으로써, 작업 현장을 효과적으로 관리하도록 할 수 있다. For example, the work management system 1000 obtains information about heart rate from a wearable device attached to a top of a worker working in a work space, and when the heart rate is identified as higher than a preset threshold, location information of the work space and worker identification information can be output on the control screen. Also, the work management system 1000 may transmit guide information or warning information related to heart rate abnormality to the wearable device of the worker. That is, the work management system 1000 according to the present disclosure may obtain field monitoring information in real time and adjust the risk evaluation information already output according to the obtained monitoring information, thereby effectively managing the work site.

또한, 일 실시 예에 의하면, 작업 관리 시스템(1000)은 작업 관리 시스템이 관리하는 작업 공간에 미리 설치된 환경 모니터링 디바이스들(예컨대 제2 타입의 IOT 디바이스들)로부터 환경 모니터링 정보를 실시간으로 획득하고, 획득된 환경 모니터링 정보에 기초하여 출력된 위험성 평가 정보를 조정하며, 조정된 위험성 평가 정보를 출력할 수 있다.In addition, according to an embodiment, the work management system 1000 obtains environmental monitoring information in real time from environment monitoring devices (eg, second type IOT devices) installed in advance in the work space managed by the work management system, The output risk assessment information may be adjusted based on the obtained environmental monitoring information, and the adjusted risk assessment information may be output.

예를 들어, 작업 관리 시스템(1000)은 작업 공간 또는 작업 공간 주변의 환경에 미리 설치된 기상 물질 감지 센서로부터 알림 정보를 획득되면, 해당 작업 공간의 위치 정보 및 해당 작업 공간의 대피 명령에 관한 경고 정보를 관제 화면에 출력할 수도 있다.For example, when the work management system 1000 obtains notification information from a meteorological material detection sensor pre-installed in a work space or an environment around the work space, warning information about location information of the work space and an evacuation command for the work space can also be output on the control screen.

또 다른 실시 예에 의하면, 작업 관리 시스템(1000)은 정부 정책 또는 법규에 대한 정보를 저장하는 외부 서버와 연결될 수 있으며, 위험성 평가와 관련된 법규 정보 또는 정부 정책에 대한 정보가 갱신되는지 여부를 식별할 수 있다. 작업 관리 시스템(1000)은 위험성 평가와 관련된 정부 정책 내지 법규 정보가 갱신되는 경우, 갱신된 정부 정책 및 법규 정보에 기초하여 출력된 위험성 평가 정보를 조정할 수 있다. 따라서, 본 개시에 따른 작업 관리 시스템(1000)은 최신의 산업 안전 관리에 관한 정책, 법규 및 법 정보에 기초하여, 대상 작업에 대한 실효성 있는 위험성 평가를 수행할 수 있다.According to another embodiment, the work management system 1000 may be connected to an external server that stores information on government policies or laws, and identifies whether legal information related to risk assessment or information on government policies is updated. can When the government policy or law information related to risk assessment is updated, the work management system 1000 may adjust the output risk assessment information based on the updated government policy and law information. Accordingly, the work management system 1000 according to the present disclosure may perform an effective risk assessment for a target job based on the latest industrial safety management policies, laws, and legal information.

또 다른 실시 예에 의하면, 작업 관리 시스템은 적어도 하나의 외부 서버와 연결되고, 외부 서버를 통하여 인터넷 정보에 액세스할 수 있다. 예를 들어, 작업 관리 시스템(1000)은 대상 작업 정보를 식별하고, 식별된 대상 작업 정보가 나타내는 작업과 관련된 뉴스, SNS, 재난, 재해 정보를 포함하는 인터넷 정보들을 실시간으로 획득할 수 있다. 작업 관리 시스템(1000)은 인터넷 정보들 중 대상 작업과의 관련성이 소정의 임계치 이상으로 식별되는 인터넷 정보들을 추출하고, 추출된 인터넷 정보들을 실시간으로 관제 화면에 출력할 수 있다.According to another embodiment, the job management system may be connected to at least one external server and access Internet information through the external server. For example, the job management system 1000 may identify target job information and acquire Internet information including news, SNS, disaster, and disaster information related to a job indicated by the identified target job information in real time. The job management system 1000 may extract Internet information whose relevance to a target job is identified as higher than or equal to a predetermined threshold among Internet information, and output the extracted Internet information to the control screen in real time.

또한, 일 실시 예에 의하면, 작업 관리 시스템(1000)은 상술한 위험성 평가 정보, 조치 정보를 누적하여 저장할 수 있다. 작업 관리 시스템(1000)는 상술한 위험성 평가 정보, 조치 정보 등을 일, 주, 월 또는 년 별과 같은 소정의 시간 주기에 따라 누적하여 저장해둘 수 있다. 작업 관리 시스템(1000)은 누적하여 저장된 위험성 평가 정보 및 조치 정보를 미리 설정된 주기에 따른 누적 그래프로 표시함으로써, 작업 관리자가 소정의 기간 동안의 안전 관리 이력을 쉽게 관리하도록 할 수 있다.Also, according to an embodiment, the work management system 1000 may accumulate and store the above-described risk evaluation information and action information. The work management system 1000 may accumulate and store the above-described risk assessment information and action information according to a predetermined time period such as daily, weekly, monthly, or yearly. The job management system 1000 may display the accumulated and stored risk assessment information and action information as a cumulative graph according to a preset period, so that the job manager can easily manage the safety management history for a predetermined period.

도 3은 일 실시 예에 따른 작업 관리 시스템이 적어도 하나의 인공 지능 모델을 이용하여 위험성 평가 정보를 결정하는 과정을 설명하기 위한 도면이다.3 is a diagram for explaining a process of determining risk assessment information using at least one artificial intelligence model by the task management system according to an embodiment.

일 실시 예에 의하면, 작업 관리 시스템(1000)은 적어도 하나의 인공 지능 모델을 포함하고, 인공 지능 모델을 이용하여 대상 작업에 관한 위험성 평가 정보(312)를 출력할 수 있다. 예를 들어, 작업 관리 시스템(1000)은 대상 작업에 관한 평가 대상 정보(302, 304)를 텍스트 형식 또는 이미지 형식으로 획득할 수 있다. 작업 관리 시스템(1000)은 평가 대상 정보가 획득되면, 획득된 평가 대상 정보를 제1 인공 지능 모델(306)에 입력할 수 있다. According to an embodiment, the task management system 1000 may include at least one artificial intelligence model, and may output risk assessment information 312 on a target task by using the artificial intelligence model. For example, the job management system 1000 may acquire the evaluation target information 302 and 304 about the target job in a text format or an image format. When the evaluation target information is obtained, the task management system 1000 may input the obtained evaluation target information into the first artificial intelligence model 306 .

일 실시 예에 의하면, 제1 인공 지능 모델(306)은 텍스트 또는 이미지 형식의 평가 대상 정보로부터 평가 대상 정보가 나타내는 작업의 종류를 식별하기 위한 정보인 작업 식별 정보를 출력할 수 있다. 또한, 일 실시 예에 의하면, 제1 인공 지능 모델(306)은 작업 식별 정보에 따라 특정되는 소정의 작업을 수행하기 위한 일련의 공정에 대한 정보를 포함하는 작업 공정 정보를 더 출력할 수도 있다. 본 개시에 따른 작업 관리 시스템(1000)은 제1 인공 지능 모델(306)로부터 출력된 작업 식별 정보 및 작업 공정 정보를 대상 작업 정보(310)로써 획득할 수 있다.According to an embodiment, the first artificial intelligence model 306 may output job identification information, which is information for identifying the type of job indicated by the evaluation target information, from the evaluation target information in text or image format. Also, according to an embodiment, the first artificial intelligence model 306 may further output work process information including information on a series of processes for performing a predetermined task specified according to the task identification information. The job management system 1000 according to the present disclosure may acquire the job identification information and the job process information output from the first artificial intelligence model 306 as the target job information 310 .

본 개시에 따른 작업 관리 시스템(1000)은 획득된 대상 작업 정보(310)를 미리 학습된 제2 인공 지능 모델에 입력할 수 있다. 제2 인공 지능 모델(308)은 대상 작업 정보가 입력되면, 대상 작업 정보가 나타내는 작업에 대한 위험성 평가 정보(312)를 출력할 수 있다. 일 실시 예에 의하면, 제2 인공 지능 모델(308)은 대상 작업의 위험 요인, 대상 작업을 수행하기 위한 일련의 공정 별 위험 요인, 상술한 위험 요인을 해결하기 위한 작업 대책 또는 상기 대상 작업의 위험 등급 중 적어도 하나를 위험성 평가 정보로써 획득할 수 있다. 작업 관리 시스템(1000)은 제2 인공 지능 모델(308)로부터 획득된 위험성 평가 정보를 출력할 수 있다.The job management system 1000 according to the present disclosure may input the acquired target job information 310 to the pre-trained second artificial intelligence model. When the target job information is input, the second artificial intelligence model 308 may output risk assessment information 312 for the job indicated by the target job information. According to one embodiment, the second artificial intelligence model 308 is a risk factor of the target job, a series of risk factors for each process for performing the target job, a work measure to solve the above-mentioned risk factor, or the risk of the target job At least one of the grades may be acquired as risk assessment information. The task management system 1000 may output risk assessment information obtained from the second artificial intelligence model 308 .

도 4는 일 실시 예에 따른 작업 관리 시스템이 평가 대상 정보로부터 대상 작업 정보를 결정하는 과정을 나타내는 도면이다.4 is a diagram illustrating a process in which the job management system determines target job information from evaluation target information according to an embodiment.

도 4를 참조하여 작업 관리 시스템(1000)이 텍스트 또는 이미지를 포함하는 평가 대상 정보로부터 대상 작업 정보를 결정하는 과정을 구체적으로 설명하기로 한다. S410에서, 작업 관리 시스템(1000)은 제1 인공 지능 모델로부터 평가 대상 정보가 나타내는 작업에 관련된 정보로써 작업 식별 정보를 획득할 수 있다. 예를 들어, 작업 식별 정보는 특정 작업을 식별하기 위한 식별 코드를 포함할 수 있다. 일 실시 예에 의하면, 작업 관리 시스템(1000)은 작업 공간 내에서 수행될 수 있는 작업의 종류 및 상기 작업의 종류 별로 매칭된 식별 코드를 포함하는 작업 분류 테이블을 저장할 수 있다. 작업 관리 시스템(1000)은 제1 인공 지능 모델이 텍스트 또는 이미지를 분석함으로써 특정 작업에 대한 클래스 정보(예컨대 작업의 종류)를 출력하면, 출력된 클래스 정보를 작업 분류 테이블 내 클래스 정보와 매칭함으로써 작업 식별 정보(예컨대 작업 식별 코드)를 획득할 수 있다.A process in which the job management system 1000 determines target job information from evaluation target information including text or images will be described in detail with reference to FIG. 4 . In S410 , the job management system 1000 may acquire job identification information as information related to the job indicated by the evaluation target information from the first artificial intelligence model. For example, the job identification information may include an identification code for identifying a specific job. According to an embodiment, the job management system 1000 may store a job classification table including a type of a job that can be performed in a working space and an identification code matched for each type of the job. When the first artificial intelligence model outputs class information (eg, type of task) for a specific task by analyzing text or images by the first artificial intelligence model, the task by matching the output class information with class information in the task classification table Identification information (eg, job identification code) may be obtained.

S420에서, 작업 관리 시스템(1000)은 획득된 작업 식별 정보에 따른 작업을 수행하기 위한 작업 공정 정보를 획득할 수 있다. 예를 들어, 작업 관리 시스템(1000)이 관리하는 작업을 수행하기 위해서는 일련의 공정들이 수반될 수 있고, 일련의 공정들의 수행이 완료되면, 해당 작업은 완료될 수 있다. 일 실시 예에 의하면, 작업 관리 시스템(1000)은 특정 작업에 포함되는 일련의 공정 리스트를 미리 저장할 수 있다. 따라서, 작업 관리 시스템(1000)은 제1 인공 지능 모델로부터 작업 식별 정보가 획득되면, 작업 식별 정보가 특정하는 작업을 미리 저장된 공정 리스트와 비교함으로써, 작업에 필요한 일련의 작업 공정 정보를 획득할 수 있다.In S420 , the job management system 1000 may acquire job process information for performing a job according to the acquired job identification information. For example, a series of processes may be accompanied to perform a task managed by the work management system 1000 , and when the execution of the series of processes is completed, the corresponding task may be completed. According to an embodiment, the job management system 1000 may store in advance a series of process lists included in a specific job. Accordingly, when the job identification information is obtained from the first artificial intelligence model, the job management system 1000 compares the job specified by the job identification information with the pre-stored process list, thereby acquiring a series of job process information required for the job. have.

S430에서, 작업 관리 시스템(1000)은 제1 인공 지능 모델을 이용하여 평가 대상 정보를 분석함으로써, 작업 식별 정보에 기초하여 식별된 작업 별 또는 상기 S420단계에서 식별된 작업에 따른 공정 별 잠재 위험 요인을 획득할 수 있다. 예를 들어, 작업 관리 시스템(1000)은 작업 또는 공정 별로 발생 가능한 위험 요인 리스트를 미리 저장하고, 저장된 위험 요인 리스트를 이용하여 식별된 작업 또는 공정에 대한 위험 요인들을 식별할 수 있다. 그러나 또 다른 실시 에에 의하면, 작업 관리 시스템(1000)은 이미지 또는 텍스트를 포함하는 평가 대상 정보를 인공 지능 모델을 이용하여 분석함으로써, 현재 평가 대상 정보가 나타내는 작업 또는 작업 공정 별 내재될 수 있는 잠재 위험 요인을 획득할 수도 있다.In S430, the job management system 1000 analyzes the evaluation target information using the first artificial intelligence model, so that potential risk factors for each job identified based on the job identification information or for each process according to the job identified in step S420. can be obtained. For example, the job management system 1000 may pre-store a list of possible risk factors for each job or process, and identify risk factors for the identified job or process using the stored risk factor list. However, according to another embodiment, the work management system 1000 analyzes the evaluation target information including images or texts using an artificial intelligence model, thereby providing potential risks that may be inherent in each job or work process indicated by the current evaluation target information. factors can also be obtained.

도 5는 일 실시 예에 따른 작업 관리 시스템이 대상 작업 정보에 따른 작업에 대하여 위험성 평가 정보를 결정하는 방법을 나타내는 도면이다.5 is a diagram illustrating a method of determining risk assessment information for a job according to target job information by the job management system according to an embodiment.

S510에서, 작업 관리 시스템(1000)은 제2 인공 지능 모델에 따른 대상 작업 정보를 입력함으로써 작업 식별 정보에 따른 작업 별 또는 작업 공정 정보에 따른 상기 작업을 수행하기 위한 일련의 공정 별 위험 요인을 식별할 수 있다. 그러나 또 다른 실시 예에 의하면, 작업 관리 시스템(1000)은 미리 저장된 위험 요인 리스트에 액세스하고, 액세스된 위험 요인 리스트를 이용하여, 작업 별 위험 요인을 식별할 수도 있다. 그러나 또 다른 실시 예에 의하면, 제2 인공 지능 모델은 특정 작업을 수행하는 동안 발생할 수 있는 위험 요인을 출력하도록, 미리 학습될 수 있고, 작업 관리 시스템(1000)은 제2 인공 지능 모델에 대상 작업 정보를 입력함으로써 해당 작업에 대한 위험 요인을 식별할 수도 있다.In S510, the job management system 1000 identifies a series of risk factors for each job according to the job identification information or for performing the job according to the job process information by inputting target job information according to the second artificial intelligence model. can do. However, according to another embodiment, the job management system 1000 may access the pre-stored risk factor list and identify risk factors for each job by using the accessed risk factor list. However, according to another embodiment, the second artificial intelligence model may be pre-trained to output risk factors that may occur while performing a specific task, and the task management system 1000 may include the target task in the second artificial intelligence model. By entering information, you can also identify risk factors for the task.

S520에서, 작업 관리 시스템(1000)은 제2 인공 지능 모델로부터 식별된 위험 요인 별 적어도 하나의 작업 대책을 식별할 수 있다. 예를 들어, 제2 인공 지능 모델은 특정 위험 요인 작업 관리 시스템(1000)은 위험 요인을 감소하거나, 해결하기 위한 적어도 하나의 작업 대책을 출력하도록 미리 학습될 수 있고, 작업 관리 시스템(1000)은 제2 인공 지능 모델로부터 위험 요인 별 적어도 하나의 작업 대책을 식별할 수 있다.In S520 , the work management system 1000 may identify at least one work countermeasure for each risk factor identified from the second artificial intelligence model. For example, the second artificial intelligence model may be pre-trained so that the specific risk factor task management system 1000 outputs at least one work measure to reduce or solve the risk factor, and the task management system 1000 may At least one work countermeasure for each risk factor may be identified from the second artificial intelligence model.

S530에서, 작업 관리 시스템(1000)은 제2 인공 지능 모델로부터 상기 작업 식별 정보에 따른 작업의 위험 등급을 식별할 수 있다. 예를 들어, 제2 인공 지능 모델은 특정 작업에 대한 정보가 입력되면, 미리 학습된 데이터에 기초하여, 대상 작업에 대한 위험 등급을 출력하도록 미리 학습될 수 있다.In S530, the task management system 1000 may identify the risk level of the task according to the task identification information from the second artificial intelligence model. For example, when information on a specific task is input, the second artificial intelligence model may be pre-trained to output a risk grade for the target task based on pre-learned data.

S540에서, 작업 관리 시스템(1000)은 식별된 위험 요인, 적어도 하나의 작업 대책 및 상기 위험 등급을 포함하는 정보를 위험성 평가 정보로써 획득할 수 있다. 그러나 또 다른 실시 예에 의하면, 작업 관리 시스템(1000)이 제2 인공 지능 모델로부터 획득하는 위험성 평가 정보는 대상 작업에 대한 위험 조치 정보, 대상 작업과 관련된 뉴스, SNS, 재난, 재해 정보를 포함하는 인터넷 정보들을 더 포함할 수도 있다.In S540 , the work management system 1000 may obtain information including the identified risk factor, at least one work measure, and the risk grade as risk assessment information. However, according to another embodiment, the risk assessment information obtained by the task management system 1000 from the second artificial intelligence model includes risk action information for the target job, news related to the target job, SNS, disaster, and disaster information. It may further include Internet information.

또한, 도 5에는 도시되지 않았지만, 작업 관리 시스템(1000)은 미리 설정된 위험 요인 리스트를 참조하여 상기 식별된 위험 요인과 유사한 유사 위험 요인을 식별하고, 식별된 유사 위험 요인 및 상기 잠재 위험 요인 별로 적어도 하나의 작업 대책을 식별하며, 유사 위험 요인, 상기 잠재 위험 요인, 상기 유사 위험 요인 및 상기 잠재 위험 요인 별 적어도 하나의 작업 대책 및 상기 위험 등급을 상기 위험성 평가 정보로써 획득할 수도 있다.In addition, although not shown in FIG. 5 , the task management system 1000 identifies a similar risk factor similar to the identified risk factor with reference to a preset risk factor list, and at least for each identified similar risk factor and the potential risk factor One work measure may be identified, and at least one work measure and the risk level for each similar risk factor, the potential risk factor, the similar risk factor and the potential risk factor may be acquired as the risk assessment information.

예를 들어, 작업 관리 시스템(1000)은 작업 별 또는 작업을 이루는 공정 별 위험 요인 리스트를 미리 저장할 수 있다. 작업 관리 시스템(1000)이 저장하는 위험 요인 리스트는 위험 요인 상호간의 관련성을 나타내는 유사도 거리를 더 포함할 수 있다. 따라서, 작업 관리 시스템(1000)은 위험 요인 리스트상 유사도 거리에 기초하여, 위험 요인 리스트 내의 2개 위험 요인간의 유사성을 식별하고, 식별된 유사성에 기초하여, 상술한 식별된 위험 요인과 유사한 유사 위험 요인을 결정할 수 있다. For example, the job management system 1000 may store in advance a list of risk factors for each job or for each process constituting the job. The risk factor list stored by the work management system 1000 may further include a similarity distance indicating a correlation between the risk factors. Accordingly, the task management system 1000 identifies the similarity between two risk factors in the risk factor list based on the similarity distance on the risk factor list, and based on the identified similarity, similar risk to the identified risk factor described above. factors can be determined.

또한, 상술한 바와 같이, 작업 관리 시스템(1000)은 제1 인공 지능 모델을 이용하여 텍스트 또는 이미지를 포함하는 평가 대상 정보로부터, 해당 작업에 대한 잠재 위험 요인을 식별할 수도 있었다. 작업 관리 시스템(1000)은 유사 위험 요인 및 잠재 위험 요인 별로 적어도 하나의 작업 대책을 식별할 수도 있다. 작업 관리 시스템(1000)은 유사 위험 요인, 잠재 위험 요인, 상기 유사 위험 요인 또는 잠재 위험 요인 별 적어도 하나의 작업 대책 및 위험 등급을 위험성 평가 정보로써 출력할 수도 있다.Also, as described above, the task management system 1000 may identify potential risk factors for the corresponding task from the evaluation target information including text or images by using the first artificial intelligence model. The work management system 1000 may identify at least one work countermeasure for each similar risk factor and potential risk factor. The work management system 1000 may output a similar risk factor, a potential risk factor, and at least one work measure and risk grade for each similar risk factor or potential risk factor as risk assessment information.

도 6은 일 실시 예에 따른 작업 관리 시스템이 대상 작업 정보에 따른 작업에 대하여 위험성 평가 정보를 결정하는 구체적인 방법을 나타내는 도면이다.6 is a diagram illustrating a specific method of determining risk assessment information for a job according to target job information by the job management system according to an embodiment.

S610에서, 작업 관리 시스템(1000)은 미리 획득되는 사업 현장에 대한 환경 정보, 보건 데이터 정보, 정부 정책 정보에 기초하여, 상기 제2 인공 지능 모델로부터 식별된 적어도 하나의 작업 대책에 대한 우선 순위를 결정할 수 있다. 예를 들어, 작업 관리 시스템(1000)은 특정 작업에 대한 위험 요인 별 적어도 하나의 대책들을 식별하고, 식별된 적어도 하나의 대책에 대한 우선 순위를 결정할 수 있다. 보다 상세하게는, 제2 인공 지능 모델은 적어도 하나의 대책 별 실효성 점수를 함께 출력할 수 있고, 작업 관리 시스템(1000)은 실효성 점수에 기초하여, 위험 요인 별 대책들에 대한 우선 순위를 결정할 수 있다.In S610, the work management system 1000 prioritizes the at least one work measure identified from the second artificial intelligence model based on the pre-obtained environmental information, health data information, and government policy information for the business site. can decide For example, the work management system 1000 may identify at least one countermeasure for each risk factor for a specific job, and determine a priority for the identified at least one countermeasure. More specifically, the second artificial intelligence model may output at least one effectiveness score for each countermeasure together, and the task management system 1000 may determine a priority for countermeasures for each risk factor based on the effectiveness score. have.

S620에서, 작업 관리 시스템(1000)은 위험 요인 별 대책들에 대한 우선순위에 기초하여, 대책들 중 일부의 작업 대책을 선택할 수 있다. 일 실시 예에 의하면, 작업 관리 시스템(1000)은 위험 요인 별 2개의 작업 대책을 선별할 수도 있으나, 이에 한정되는 것은 아니다. 본 개시에 따른 작업 관리 시스템(1000)은 선별된 대책을 특정 작업에 대한 위험성 평가 정보로써 출력할 수 있다.In S620 , the work management system 1000 may select some work measures from among the measures based on the priority of measures for each risk factor. According to an embodiment, the work management system 1000 may select two work measures for each risk factor, but is not limited thereto. The work management system 1000 according to the present disclosure may output the selected countermeasures as risk evaluation information for a specific job.

도 7은 일 실시 예에 따라 작업 관리 시스템이 이용하는 인공 지능 모델의 학습 과정을 설명하기 위한 도면이다.7 is a diagram for explaining a learning process of an artificial intelligence model used by a task management system according to an embodiment.

일 실시 예에 따른 작업 관리 시스템(1000)내 전자 장치(2000)는 서버(4000)와 연동함으로써 제1 인공 지능 모델 및 제2 인공 지능 모델을 학습시킬 수 있다. 예를 들어, 전자 장치(2000)는 작업과 관련된 텍스트 형식의 학습 데이터(702) 및 작업과 관련된 정지 영상 또는 동영상 형식의 학습 데이터(704)를 획득하고, 획득된 학습 데이터에 기초하여 제1 인공 지능 모델(712)을 학습시킬 수 있다. 그러나, 또 다른 실시 예에 의하면, 전자 장치(2000)는 스스로 제1 인공 지능 모델을 학습시킬 수도 있지만, 서버(4000)로부터, 서버(4000)에 의해 미리 학습된 제1 인공 지능 모델을 획득할 수도 있다. 예를 들어, 서버(4000)는 학습 데이터(702) 및 학습 데이터(704)에 기초하여 평가 대상 정보로부터 대상 작업의 종류를 출력하는 제1 인공 지능 모델을 학습시킬 수 있다. 서버(4000)는 제1 인공 지능 모델을 학습 시킨 후, 제1 인공 지능 모델에 대한 정보(예컨대 구조 정보, 하이퍼 파라미터, 가중치 값 등)를 전자 장치(2000)로 전송할 수도 있다.The electronic device 2000 in the task management system 1000 according to an embodiment may learn the first artificial intelligence model and the second artificial intelligence model by interworking with the server 4000 . For example, the electronic device 2000 obtains training data 702 in a text format related to a job and training data 704 in a still image or video format related to the job, and based on the acquired training data, the first artificial An intelligence model 712 may be trained. However, according to another embodiment, although the electronic device 2000 may learn the first artificial intelligence model by itself, it is possible to obtain the first artificial intelligence model learned in advance by the server 4000 from the server 4000 . may be For example, the server 4000 may train the first artificial intelligence model that outputs the type of the target task from the evaluation target information based on the training data 702 and the training data 704 . After learning the first artificial intelligence model, the server 4000 may transmit information about the first artificial intelligence model (eg, structure information, hyper parameters, weight values, etc.) to the electronic device 2000 .

일 실시 예에 의하면, 전자 장치(2000)는 작업 관리 시스템(1000)과 연결된 적어도 하나의 외부서버로부터 대상 작업과 관련된 위험성을 평가하기 위한 위험성 평가 사례 데이터를 획득하고, 획득된 위험성 평가 사례 데이터에 기초하여, 제2 인공 지능 모델(714)을 학습시킬 수 있다.According to an embodiment, the electronic device 2000 acquires risk assessment case data for evaluating a risk related to a target job from at least one external server connected to the job management system 1000, and adds Based on it, the second artificial intelligence model 714 may be trained.

일 실시 예에 의하면, 전자 장치(2000)는 작업 관리 시스템(1000)과 연결된 적어도 하나의 외부 서버와 연결될 수 있고, 적어도 하나의 외부 서버로부터 위험 등급 산정 데이터(722), 위험성 평가 데이터(724), 위험 요인 제거 대책 데이터(726), 사고 사례 데이터(728), 작업 관련 공정 정보 데이터(730), 현장 정보 데이터(732), 보건 데이터(734) 및 정부 정책 데이터(736)을 획득할 수도 있다. 일 실시 예에 의하면 작업 관리 시스템(1000)이 연결되는 적어도 하나의 외부 서버는 정부 정책 내지 법규 정보를 관리하는 공공 기관 서버, 금융 기관 서버 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.According to an embodiment, the electronic device 2000 may be connected to at least one external server connected to the task management system 1000 , and the risk rating calculation data 722 and the risk assessment data 724 from the at least one external server. , risk factor removal countermeasure data 726 , accident case data 728 , work-related process information data 730 , field information data 732 , health data 734 , and government policy data 736 may be acquired. . According to an embodiment, the at least one external server to which the work management system 1000 is connected may include, but is not limited to, a public institution server and a financial institution server that manage government policy or legal information.

일 실시 예에 의하면, 위험 등급 산정 데이터 (722)는 과거 대상 작업, 대상 작업에 대한 일련의 공정 별로 산정된 위험 등급 이력에 대한 데이터를 포함할 수 있다. 또한, 위험성 평가 데이터 (724)는 과거 대상 작업에 대하여 결정되었던 위험성 평가 데이터, 위험 요인 데이터, 위험 요인 별 대책에 대한 데이터를 포함할 수 있다. 위험 요인 제거 대책 데이터(726)는 위험성 평가 데이터 중, 위험 요인 별 적어도 하나의 대책에 대한 데이터를 포함할 수 있다. 사고 사례 데이터 (728)는 인터넷 뉴스 정보들에 기초하여 과거 대상 작업과 관련하여 발생된 사건 사고들에 대한 뉴스 정보들을 포함할 수 있다.According to an embodiment, the risk grade calculation data 722 may include data on a past target job and a risk grade history calculated for each series of processes for the target job. In addition, the risk assessment data 724 may include risk assessment data, risk factor data, and data on countermeasures for each risk factor that have been determined for a past target task. The risk factor removal countermeasure data 726 may include data on at least one countermeasure for each risk factor among risk assessment data. Accident case data 728 may include news information about incidents and accidents that have occurred in relation to a past target task based on Internet news information.

또한, 작업 관련 공정 정보 데이터(730)는 대상 작업을 수행하기 위해 필요한 일련의 공정들에 대한 정보를 포함할 수 있다. 현장 정보 데이터 (732)는 대상 작업이 수행되는 작업 공간에 대한 정보로써, 작업 공간의 배치도, 3D 모델링 도면, 작업 공간의 설계도, 작업 공간에 배치된 IOT 디바이스들에 대한 정보를 포함할 수 있다. 또한, 보건 데이터 (734)는 대상 작업과 관련된 의학 이슈들, 보건 이슈들, 의학 또는 보건과 관련된 법규에 대한 데이터를 포함할 수 있다. 정부 정책 데이터 (736)는 대상 작업과 관련된 정부 부처들의 공문, 갱신된 관련 법규 정보 등을 포함할 수 있다.In addition, the work-related process information data 730 may include information on a series of processes required to perform a target job. The field information data 732 is information about a workspace in which a target work is performed, and may include a layout diagram of the workspace, a 3D modeling drawing, a design drawing of the workspace, and information on IOT devices disposed in the workspace. In addition, the health data 734 may include data on medical issues related to the subject task, health issues, and laws related to medicine or health. Government policy data 736 may include official notices of government departments related to the target work, updated relevant legal information, and the like.

본 개시에 따른 전자 장치(2000)는 외부 서버로부터 획득된 평가 사례 데이터에 기초하여 제2 인공 지능 모델 내 가중치를 수정 및 갱신함으로써 제2 인공 지능 모델을 직접 학습시킬 수 있다. 그러나, 또 다른 실시 예에 의하면, 전자 장치(2000)는 작업 관리 시스템과 연결된 서버(4000)에 의해 미리 학습된 제2 인공 지능 모델을 서버(4000)로부터 획득할 수도 있다. 본 개시에 따른 전자 장치(1000)는 상술한 제1 인공 지능 모델을 이용하여 평가 대상 정보에 포함된 대상 작업을 자체적으로 식별할 수 있을 뿐만 아니라, 제2 인공 지능 모델을 이용함으로써 식별된 대상 작업과 관련된 위험성 평가에 대한 객관적인 평가를 수행할 수 있다.The electronic device 2000 according to the present disclosure may directly learn the second artificial intelligence model by correcting and updating weights in the second artificial intelligence model based on the evaluation case data obtained from the external server. However, according to another embodiment, the electronic device 2000 may acquire the second artificial intelligence model previously learned by the server 4000 connected to the job management system from the server 4000 . The electronic device 1000 according to the present disclosure may not only identify the target task included in the evaluation target information by itself using the above-described first artificial intelligence model, but also identify the target task identified by using the second artificial intelligence model. It is possible to conduct an objective evaluation of the risk assessment related to

도 8은 일 실시 예에 따른 작업 관리 시스템 내 IOT 디바이스, 전자 장치 및 서버가 서로 연동함으로써 대상 작업의 위험성 평가 방법을 수행하는 과정을 나타내는 도면이다.8 is a diagram illustrating a process of performing a risk assessment method of a target job by interworking with an IOT device, an electronic device, and a server in a job management system according to an embodiment.

S802에서, 작업 공간 내 IOT 디바이스들(5000)은 작업 공간을 모니터링함으로써 모니터링 정보를 획득할 수 있다. S804에서, 전자 장치(2000)는 평가 대상 정보로부터 대상 작업 정보를 식별하기 위한 제1 인공 지능 모델을 생성할 수 있다. S806에서, 서버(4000)는 대상 작업 정보로부터 관련된 위험성 평가 정보를 출력하기 위한 제2 인공 지능 모델을 생성할 수 있다.In S802, the IOT devices 5000 in the workspace may acquire monitoring information by monitoring the workspace. In S804 , the electronic device 2000 may generate a first artificial intelligence model for identifying target task information from the evaluation target information. In S806, the server 4000 may generate a second artificial intelligence model for outputting the relevant risk assessment information from the target job information.

S808에서, 사용자 장치(6000)는 사용자 입력에 기초하여 평가 대상 정보를 획득할 수 있다. 예를 들어 평가 대상 정보는 대상 작업과 관련된 텍스트 또는 대상 작업과 관련된 이미지 또는 영상을 포함할 수 있다. In S808 , the user device 6000 may obtain evaluation target information based on the user input. For example, the evaluation target information may include text related to the target job or an image or video related to the target job.

S810에서, 전자 장치(2000)는 IOT 디바이스(5000)에 모니터링 정보를 요청할 수 있다. S812에서, IOT 디바이스(5000)는 모니터링 정보를 전자 장치(2000)로 전송함과 함께 서버(4000)로도 모니터링 정보를 전송할 수 있다. S814에서, 사용자 장치(6000)는 S808에서 획득된 평가 대상 정보를 전자 장치(2000)로 전송할 수 있다.In S810 , the electronic device 2000 may request monitoring information from the IOT device 5000 . In S812 , the IOT device 5000 may transmit monitoring information to the server 4000 while transmitting the monitoring information to the electronic device 2000 . In S814 , the user device 6000 may transmit the evaluation target information obtained in S808 to the electronic device 2000 .

S816에서, 전자 장치(2000)는 제1 인공 지능 모델을 이용하여 평가 대상 정보로부터 대상 작업 정보를 결정할 수 있다. S818에서, 전자 장치(1000)는 제1 인공 지능 모델로부터 출력된 대상 작업 정보를 서버(4000)로 전송할 수 있다. S820에서, 서버(4000)는 제2 인공 지능 모델을 이용하여 대상 작업 정보에 대한 위험성 평가 정보를 결정할 수 있다. S822에서, 서버(4000)는 위험성 평가 정보를 전자 장치(2000)로 전송할 수 있다. In S816 , the electronic device 2000 may determine target task information from the evaluation target information using the first artificial intelligence model. In S818 , the electronic device 1000 may transmit target job information output from the first artificial intelligence model to the server 4000 . In S820, the server 4000 may determine risk assessment information for the target job information by using the second artificial intelligence model. In S822 , the server 4000 may transmit risk assessment information to the electronic device 2000 .

S824에서, 전자 장치(2000)는 서버(4000)로부터 획득된 위험성 평가 정보를 IOT 디바이스(5000)로 전송할 수 있다. S826에서, 전자 장치(2000)는 서버(4000)로부터 획득된 위험성 평가 정보를 사용자 장치(6000)로 전송할 수 있다. S828에서, 사용자 장치(6000)는 위험성 평가 정보에 따라 근로자가 작업을 완료하면, 사용자 입력에 기초하여 작업 수행 결과를 획득할 수 있다. In S824 , the electronic device 2000 may transmit the risk assessment information obtained from the server 4000 to the IOT device 5000 . In S826 , the electronic device 2000 may transmit the risk assessment information obtained from the server 4000 to the user device 6000 . In S828 , when the worker completes the task according to the risk assessment information, the user device 6000 may obtain a task performance result based on the user input.

S830에서, 사용자 장치(6000)는 작업 수행 결과를 전자 장치(2000)로 전송할 수 있다. S832에서, 사용자 장치(6000)는 작업 수행 결과를 서버(4000)로 전송할 수 있다. S834에서, 전자 장치(2000)는 사용자 장치(6000)로부터 획득된 작업 수행 결과를 피드백 정보로 활용함으로써, 제1 인공 지능 모델을 수정 및 갱신할 수 있다. S836에서, 서버(4000)는 사용자 장치(6000)로부터 획득된 작업 수행 결과에 기초하여 제2 인공 지능 모델을 수정 및 갱신할 수 있다. 보다 상세하게는 전자 장치(2000) 및 서버(4000)는 피드백 정보에 기초하여 인공 지능 모델 내 가중치들을 수정 및 갱신함으로써, 인공 지능 모델을 실시간으로 재학습 시킬 수 있다. In S830 , the user device 6000 may transmit the job performance result to the electronic device 2000 . In S832 , the user device 6000 may transmit the job performance result to the server 4000 . In S834 , the electronic device 2000 may modify and update the first artificial intelligence model by using the task performance result obtained from the user device 6000 as feedback information. In S836 , the server 4000 may modify and update the second artificial intelligence model based on the task performance result obtained from the user device 6000 . In more detail, the electronic device 2000 and the server 4000 may retrain the artificial intelligence model in real time by modifying and updating weights in the artificial intelligence model based on the feedback information.

일 실시 예에 의하면 도 8에 도시된 사용자 장치(6000)는 IOT 디바이스(5000)에 포함될 수 있다. 도 8에서 도시된 바와 같이, 본 개시에 따른 작업 관리 시스템(1000)내 전자 장치(2000)는 서버(4000) 및 기타 IOT 디바이스들(5000)과 연동함으로써 대상 작업에 대한 위험성 평가를 수행할 수 있다. 전자 장치(2000)는 복수의 인공 지능 모델을 사용하여 대상 작업에 대한 위험성 평가를 할 수 있다. 또한, 본 개시에 따른 전자 장치(2000)는 복수의 인공 지능 모델을 사용하여 단독으로 평가 대상 정보로부터 대상 작업을 식별하고, 식별된 대상 작업에 대한 위험성 평가를 수행할 수도 있지만, 대상 작업에 대한 위험성 평가 동작은 서버(4000)에 의해 수행함으로써 효과적으로 대상 작업 관리를 수행할 수 있다.According to an embodiment, the user device 6000 shown in FIG. 8 may be included in the IOT device 5000 . As shown in FIG. 8 , the electronic device 2000 in the job management system 1000 according to the present disclosure may perform risk assessment on a target job by interworking with the server 4000 and other IOT devices 5000 . have. The electronic device 2000 may use a plurality of artificial intelligence models to perform risk assessment on a target task. In addition, the electronic device 2000 according to the present disclosure may identify the target task from the evaluation target information alone by using a plurality of artificial intelligence models and perform risk assessment on the identified target job, but The risk evaluation operation is performed by the server 4000 to effectively perform target task management.

도 9는 일 실시 예에 따른 전자 장치의 블록도이다.9 is a block diagram of an electronic device according to an exemplary embodiment.

도 10은 또 다른 실시 예에 따른 전자 장치의 블록도이다.10 is a block diagram of an electronic device according to another embodiment.

도 9에 도시된 바와 같이, 일 실시 예에 따른 전자 장치(2000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나, 도시된 구성 요소가 모두 필수구성요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(2000)가 구현될 수도 있고, 그 보다 적은 구성 요소에 의해서도 전자 장치(2000)는 구현될 수도 있다.As shown in FIG. 9 , the electronic device 2000 according to an embodiment may include a processor 1300 , a network interface 1500 , and a memory 1700 . However, not all illustrated components are essential components. The electronic device 2000 may be implemented by more components than the illustrated components, or the electronic device 2000 may be implemented by fewer components.

예를 들어, 도 10에 도시된 바와 같이, 전자 장치(2000)는 프로세서(1300), 네트워크 인터페이스(1500) 및 메모리(1700)외에, 사용자 입력 인터페이스(1100), 출력부(1200), 센싱부(1400), 네트워크 인터페이스(1500) 및 A/V 입력부(1600)를 더 포함할 수도 있다.For example, as shown in FIG. 10 , the electronic device 2000 includes a user input interface 1100 , an output unit 1200 , and a sensing unit in addition to the processor 1300 , the network interface 1500 , and the memory 1700 . 1400 , a network interface 1500 , and an A/V input unit 1600 may be further included.

사용자 입력 인터페이스(1100)는, 사용자가 전자 장치(2000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력 인터페이스(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다. 사용자 입력 인터페이스(1100)는, 근로자, 작업 관리자 등으로부터 평가 대상 작업과 관련된 텍스트, 이미지 또는 영상과 같은 평가 대상 정보를 획득할 수 있다. The user input interface 1100 means a means for a user to input data for controlling the electronic device 2000 . For example, the user input interface 1100 includes a key pad, a dome switch, and a touch pad (contact capacitive method, pressure resistance film method, infrared sensing method, surface ultrasonic conduction method, red There may be a mechanical tension measurement method, a piezo effect method, etc.), a jog wheel, a jog switch, and the like, but is not limited thereto. The user input interface 1100 may obtain evaluation target information such as text, image, or video related to the evaluation target job from a worker, a job manager, or the like.

출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다. The output unit 1200 may output an audio signal, a video signal, or a vibration signal, and the output unit 1200 may include a display unit 1210 , a sound output unit 1220 , and a vibration motor 1230 . have.

디스플레이부(1210)는 전자 장치(2000)에서 처리되는 정보를 표시 출력하기 위한 화면(예컨대 관제 화면)을 포함한다. 또한, 화면은 영상을 디스플레이 할 수 있다. 예를 들면, 디스플레이부(1210)는 대상 작업의 스케쥴 정보, 대상 작업이 수행되는 작업 공간의 설계도, 3D 모델링 정보, 대상 작업 공간 주변의 환경에 대한 날씨 정보, 위험성 평가 정보, 대상 작업의 위험 등급, 조치 정보 중 적어도 하나를 출력할 수 있다.The display unit 1210 includes a screen (eg, a control screen) for displaying and outputting information processed by the electronic device 2000 . Also, the screen may display an image. For example, the display unit 1210 may include schedule information of the target job, a design drawing of a working space in which the target job is performed, 3D modeling information, weather information about the environment around the target working space, risk assessment information, and risk rating of the target job. , at least one of action information may be output.

음향 출력부(1220)는 네트워크 인터페이스(15000)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 위험성 평가 정보를 출력하거나, 기 출력된 위험성 평가 정보가 조정되거나, 위험성 평가 정보와 관련된 법규 또는 이슈들이 갱신되는 경우 경고음을 출력할 수도 있다. 또한, 음향 출력부(1220)는 전자 장치(2000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력할 수도 있다.The sound output unit 1220 outputs audio data received from the network interface 15000 or stored in the memory 1700 . Also, the sound output unit 1220 may output risk assessment information, output a warning sound when previously output risk assessment information is adjusted, or when laws or issues related to risk assessment information are updated. Also, the sound output unit 1220 may output a sound signal related to a function (eg, a call signal reception sound, a message reception sound, and a notification sound) performed by the electronic device 2000 .

프로세서(1300)는 통상적으로 전자 장치(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력 인터페이스(1100), 출력부(1200), 센싱부(1400), 네트워크 인터페이스(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1300)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 9에 기재된 전자 장치(2000)의 기능을 수행할 수 있다.The processor 1300 typically controls the overall operation of the electronic device 2000 . For example, the processor 1300 executes programs stored in the memory 1700 , so that the user input interface 1100 , the output unit 1200 , the sensing unit 1400 , the network interface 1500 , and the A/V input unit (1600) and the like can be controlled in general. Also, the processor 1300 may execute the programs stored in the memory 1700 to perform the functions of the electronic device 2000 illustrated in FIGS. 1 to 9 .

일 실시 예에 의하면, 프로세서(1300)는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 대상 작업과 관련된 텍스트 또는 이미지 중 적어도 하나를 포함하는 평가 대상 정보를 획득하고, 상기 평가 대상 정보를 제1 인공 지능 모델에 입력함으로써 상기 제1 인공 지능 모델로부터 상기 평가 대상 정보에 대응되는 상기 대상 작업 정보를 획득하고, 상기 대상 작업 정보를, 상기 식별된 대상 작업 정보가 입력되면 상기 대상 작업 정보에 대한 위험성 평가를 정보를 출력하는 제2 인공 지능 모델에 입력함으로써, 상기 제2 인공 지능 모델로부터 위험성 평가 정보를 획득할 수 있다.According to an embodiment, the processor 1300 obtains evaluation target information including at least one of a text or an image related to the target task by executing the one or more instructions, and uses the evaluation target information as a first artificial intelligence model. Obtaining the target job information corresponding to the evaluation target information from the first artificial intelligence model by inputting the target job information, when the identified target job information is input By inputting the output to the second artificial intelligence model, it is possible to obtain risk assessment information from the second artificial intelligence model.

또한, 일 실시 예에 의하면, 프로세서(1300)는 하나 이상의 인스트럭션을 실행함으로써 획득된 위험성 평가 정보를 출력하고, 상기 출력된 위험성 평가 정보와 관련된 조치 정보를 출력하고, 상기 출력된 위험성 평가 정보 및 상기 조치 정보에 따른 작업 수행 결과에 대한 점검 정보를 획득할 수도 있다.In addition, according to an embodiment, the processor 1300 outputs risk assessment information obtained by executing one or more instructions, outputs action information related to the output risk assessment information, and outputs the output risk assessment information and the It is also possible to obtain inspection information on the result of performing the work according to the action information.

센싱부(1400)는, 전자 장치(2000)의 상태 또는 전자 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(1300)로 전달할 수 있다. 센싱부(1400)는 전자 장치(1000)의 사양 정보, 전자 장치(1000)의 상태 정보, 전자 장치(1000)의 주변 환경 정보, 사용자의 상태 정보 및 사용자의 디바이스 사용 이력 정보 중 일부를 생성하는데 이용될 수 있다. The sensing unit 1400 may detect a state of the electronic device 2000 or a state around the electronic device 1000 , and transmit the sensed information to the processor 1300 . The sensing unit 1400 generates some of specification information of the electronic device 1000, status information of the electronic device 1000, surrounding environment information of the electronic device 1000, user status information, and device usage history information of the user. can be used

센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.The sensing unit 1400 includes a magnetic sensor 1410 , an acceleration sensor 1420 , a temperature/humidity sensor 1430 , an infrared sensor 1440 , a gyroscope sensor 1450 , and a position sensor. (eg, GPS) 1460 , a barometric pressure sensor 1470 , a proximity sensor 1480 , and at least one of an illuminance sensor 1490 , but is not limited thereto. Since a function of each sensor can be intuitively inferred from the name of a person skilled in the art, a detailed description thereof will be omitted.

네트워크 인터페이스(1500)는 전자 장치(2000)가 다른 장치(미도시), IOT 디바이스들(5000) 및 서버(4000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 전자 장치(2000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 예를 들어, 네트워크 인터페이스(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다. The network interface 1500 may include one or more components that allow the electronic device 2000 to communicate with another device (not shown), the IOT devices 5000 , and the server 4000 . The other device (not shown) may be a computing device such as the electronic device 2000 or a sensing device, but is not limited thereto. For example, the network interface 1500 may include a short-distance communication unit 1510 , a mobile communication unit 1520 , and a broadcast receiving unit 1530 .

근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. Short-range wireless communication unit 1510, Bluetooth communication unit, BLE (Bluetooth Low Energy) communication unit, short-range wireless communication unit (Near Field Communication unit), WLAN (Wi-Fi) communication unit, Zigbee (Zigbee) communication unit, infrared ( It may include an IrDA, infrared Data Association) communication unit, a Wi-Fi Direct (WFD) communication unit, an ultra wideband (UWB) communication unit, and the like, but is not limited thereto.

이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.The mobile communication unit 1520 transmits/receives a radio signal to and from at least one of a base station, an external terminal, and a server on a mobile communication network. Here, the wireless signal may include various types of data according to transmission and reception of a voice call signal, a video call signal, or a text/multimedia message.

방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다. 또한, 네트워크 인터페이스(1500)는, IOT 디바이스들로부터 모니터링 정보를 획득하거나, 서버(4000)로부터 위험성 평가와 관련된 사례 데이터들을 수신할 수도 있다. 또한, 네트워크 인터페이스(1500)는 사용자 장치로부터 대상 작업과 관련된 평가 대상 정보를 획득할 수도 있다. 일 실시예에 따르면, 네트워크 인터페이스(1500)는 전자 장치(2000)가 결정한 대상 작업에 대한 위험성 평가 정보를 사용자 장치, IOT 디바이스들 또는 서버로 전송할 수도 있다.The broadcast receiver 1530 receives a broadcast signal and/or broadcast-related information from the outside through a broadcast channel. The broadcast channel may include a satellite channel and a terrestrial channel. According to an implementation example, the electronic device 1000 may not include the broadcast receiver 1530 . In addition, the network interface 1500 may obtain monitoring information from IOT devices or receive case data related to risk assessment from the server 4000 . Also, the network interface 1500 may acquire evaluation target information related to the target task from the user device. According to an embodiment, the network interface 1500 may transmit risk assessment information for the target task determined by the electronic device 2000 to the user equipment, the IOT devices, or the server.

A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다. The A/V (Audio/Video) input unit 1600 is for inputting an audio signal or a video signal, and may include a camera 1610 , a microphone 1620 , and the like. The camera 1610 may obtain an image frame such as a still image or a moving image through an image sensor in a video call mode or a shooting mode. The image captured through the image sensor may be processed through the processor 1300 or a separate image processing unit (not shown).

마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)은 사용자의 음성 입력을 수신할 수 있다. 마이크로폰(1620)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다. The microphone 1620 receives an external sound signal and processes it as electrical voice data. For example, the microphone 1620 may receive an acoustic signal from an external device or a user. The microphone 1620 may receive a user's voice input. The microphone 1620 may use various noise removal algorithms for removing noise generated in the process of receiving an external sound signal.

메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(2000)로 입력되거나 전자 장치(2000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 평가 대상 정보로부터 대상 작업을 식별하기 위한 제1 인공 지능 모델 및 위험성 평가를 수행하기 위한 제2 인공 지능 모델에 대한 정보를 더 저장할 수도 있다.The memory 1700 may store a program for processing and control of the processor 1300 , and may also store data input to or output from the electronic device 2000 . In addition, the memory 1700 may further store information on the first artificial intelligence model for identifying the target task from the evaluation target information and the second artificial intelligence model for performing risk assessment.

일 실시 예에 의하면, 메모리(1700)에는 전자 장치(2000)가 이용하는 적어도 하나의 인공 지능 모델에 대한 파라미터 정보를 더 저장할 수도 있다. 예를 들어, 메모리(1700)는 적어도 하나의 신경망 모델 내 레이어들, 노드들, 상기 레이어들의 연결 강도에 관한 가중치 값들을 저장할 수 있다. 또한, 전자 장치(2000)는 인공 지능 모델을 학습시키기 위한 다양한 학습 데이터등을 더 저장할 수도 있다.According to an embodiment, parameter information on at least one artificial intelligence model used by the electronic device 2000 may be further stored in the memory 1700 . For example, the memory 1700 may store layers in at least one neural network model, nodes, and weight values related to connection strengths of the layers. Also, the electronic device 2000 may further store various learning data for learning the artificial intelligence model.

메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. The memory 1700 may include a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg, SD or XD memory), and a RAM. (RAM, Random Access Memory) SRAM (Static Random Access Memory), ROM (Read-Only Memory), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), magnetic memory, magnetic disk , may include at least one type of storage medium among optical disks.

메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.Programs stored in the memory 1700 may be classified into a plurality of modules according to their functions, for example, may be classified into a UI module 1710 , a touch screen module 1720 , a notification module 1730 , and the like. .

UI 모듈(1710)은, 애플리케이션 별로 전자 장치(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(1300)로 전달할 수 있다. 일부 실시 예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.The UI module 1710 may provide a specialized UI, GUI, etc. interworking with the electronic device 1000 for each application. The touch screen module 1720 may detect a touch gesture on the user's touch screen and transmit information about the touch gesture to the processor 1300 . The touch screen module 1720 according to some embodiments may recognize and analyze a touch code. The touch screen module 1720 may be configured as separate hardware including a controller.

알림 모듈(1730)은 전자 장치(1000)의 위험성 평가와 관련된 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 전자 장치(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.The notification module 1730 may generate a signal for notifying the occurrence of an event related to risk evaluation of the electronic device 1000 . Examples of events generated in the electronic device 1000 include call signal reception, message reception, key signal input, schedule notification, and the like. The notification module 1730 may output a notification signal in the form of a video signal through the display unit 1210 , may output a notification signal in the form of an audio signal through the sound output unit 1220 , and the vibration motor 1230 . It is also possible to output a notification signal in the form of a vibration signal through

도 11은 일 실시 예에 따른 서버의 블록도이다.11 is a block diagram of a server according to an embodiment.

일 실시 예에 의하면 서버(4000)는 프로세서(3300), 네트워크 인터페이스(3500) 및 데이터 베이스(3700)를 포함할 수 있다. 그러나, 상술한 예에 한정되는 것은 아니며, 서버(4000)는 더 많은 구성을 포함할 수도 있고, 더 적은 구성 요소를 포함할 수도 있다. 일 실시 예에 의하면, 프로세서(3300)는 서버(4000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(3300)는 전자 장치(2000), IOT 디바이스들(5000) 또는 사용자 장치(미도시)로부터 평가 대상 정보, 대상 작업에 관련된 위험성 평가 정보를 획득하도록 네트워크 인터페이스(3500)를 제어할 수도 있다.According to an embodiment, the server 4000 may include a processor 3300 , a network interface 3500 , and a database 3700 . However, it is not limited to the above-described example, and the server 4000 may include more or fewer components. According to an embodiment, the processor 3300 may control the overall operation of the server 4000 . For example, the processor 3300 controls the network interface 3500 to obtain evaluation target information and risk evaluation information related to a target task from the electronic device 2000 , the IOT devices 5000 , or a user device (not shown). You may.

또한, 일 실시 예에 의하면, 프로세서(3300)는 데이터 베이스(3700)에 저장된 하나 이상의 인스트럭션을 실행함으로써 도 1 내지 도 8에 기재된 작업 관리 시스템(1000)의 대상 작업의 위험성 평가 방법 중 일부를 수행할 수 있다. 예를 들어, 프로세서(3300)는 평가 대상 정보를 획득하고, 획득된 평가 대상 정보에 포함된 대상 작업 정보를 식별하며, 식별된 대상 작업에 대한 위험성 평가를 수행할 수 있다.In addition, according to an embodiment, the processor 3300 executes one or more instructions stored in the database 3700 to perform some of the risk assessment methods of the target task of the task management system 1000 described in FIGS. 1 to 8 . can do. For example, the processor 3300 may obtain evaluation target information, identify target job information included in the obtained evaluation target information, and perform risk assessment on the identified target job.

네트워크 인터페이스(3500)는 사용자 장치 또는 IOT 디바이스들로부터 모니터링 정보를 획득할 수 있다. 또한, 네트워크 인터페이스(3500)는 작업 관리 시스템으로부터 평가 대상 정보에 포함된 대상 작업을 특정하기 위한 대상 작업 정보를 획득할 수도 있다. 또한, 네트워크 인터페이스(3500)는 서버와 연결된 다른 서버 장치로부터 인공 지능 모델을 갱신하기 위한 기타 평가 사례 정보들을 획득할 수 있다. 네트워크 인터페이스(3500)는 서버에 의해 학습된 인공 지능 모델에 대한 정보 또는 인공 지능 모델을 이용하여 대상 작업에 대하여 수행한 위험성 평가 결과에 대한 정보를 전자 장치 또는 IOT 디바이스로 전송할 수 있다.The network interface 3500 may obtain monitoring information from the user equipment or IOT devices. Also, the network interface 3500 may acquire target job information for specifying a target job included in the evaluation target information from the job management system. Also, the network interface 3500 may acquire other evaluation case information for updating the artificial intelligence model from other server devices connected to the server. The network interface 3500 may transmit information on the artificial intelligence model learned by the server or information on the result of risk assessment performed on the target task using the artificial intelligence model to the electronic device or the IOT device.

데이터 베이스(3700)는 도 10에 기재된 전자 장치의 메모리에 대응될 수 있다. 예를 들어, 데이터 베이스(3700)는 위험성 평가 방법을 수행하기 위한 하나 이상의 인스트럭션을 저장할 수 있다. 또한, 데이터 베이스(3700)는 대상 작업에 대한 위험성 평가 방법을 수행하기 위한 인공 지능 모델에 대한 정보를 더 저장할 수도 있다.The database 3700 may correspond to the memory of the electronic device illustrated in FIG. 10 . For example, the database 3700 may store one or more instructions for performing a risk assessment method. In addition, the database 3700 may further store information about the artificial intelligence model for performing the risk assessment method for the target task.

도 12는 일 실시 예에 따른 IOT 디바이스의 블록도이다.12 is a block diagram of an IOT device according to an embodiment.

일 실시 예에 의하면 IOT 디바이스는 프로세서(4300), 출력부(4200), 센싱부(4400), 네트워크 인터페이스(4500), 메모리(4700) 및 A/V 입력부(4700)를 포함할 수 있다. 그러나, 상술한 예에 한정되는 것은 아니고 IOT 디바이스는 더 많은 구성을 포함할 수도 있고, 더 적은 구성 요소로 마련될 수도 있다.According to an embodiment, the IOT device may include a processor 4300 , an output unit 4200 , a sensing unit 4400 , a network interface 4500 , a memory 4700 , and an A/V input unit 4700 . However, it is not limited to the above-described example, and the IOT device may include more components or may be provided with fewer components.

출력부(4200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(4200)는 디스플레이부(4210)를 포함할 수 있다. 디스플레이부(4210)는 IOT 디바이스(5000)에서 처리되는 정보를 표시 출력하기 위한 화면(예컨대 관제 화면)을 포함한다. 또한, 화면은 작업 관리 시스템으로부터 수신되는 컨텐츠(예컨대 경고 화면)를 디스플레이 할 수 있다. 음향 출력부(4220)는 네트워크 인터페이스(4500)로부터 수신되거나 메모리(4700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(4220)는 작업 관리 시스템(1000)으로부터 수신된 알람 정보에 기초하여 경고 음을 출력할 수도 있다. The output unit 4200 may output an audio signal, a video signal, or a vibration signal, and the output unit 4200 may include a display unit 4210 . The display unit 4210 includes a screen (eg, a control screen) for displaying and outputting information processed by the IOT device 5000 . In addition, the screen may display content (eg, a warning screen) received from the job management system. The sound output unit 4220 outputs audio data received from the network interface 4500 or stored in the memory 4700 . Also, the sound output unit 4220 may output a warning sound based on the alarm information received from the job management system 1000 .

일 실시 예에 의하면 프로세서(4300)는 통상적으로 IOT 디바이스(5000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(4300)는, 메모리(4700)에 저장된 프로그램들을 실행함으로써, 출력부(4200), 센싱부(4400), 네트워크 인터페이스(4500), A/V 입력부(4700) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(4300)는 메모리(4700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 9에 기재된 위험성 평가 정보를 결정하기 위한 모니터링 정보를 획득하고, 획득된 모니터링 정보를 작업 관리 시스템(1000)으로 전달할 수 있다.According to an embodiment, the processor 4300 generally controls the overall operation of the IOT device 5000 . For example, the processor 4300 executes the programs stored in the memory 4700 , and thus the output unit 4200 , the sensing unit 4400 , the network interface 4500 , the A/V input unit 4700 , etc. can be controlled In addition, the processor 4300 obtains monitoring information for determining the risk assessment information described in FIGS. 1 to 9 by executing the programs stored in the memory 4700 , and transfers the obtained monitoring information to the work management system 1000 . can transmit

센싱부(4400)는, IOT 디바이스(5000)의 상태 또는 IOT 디바이스(5000)주변의 상태를 감지하고, 감지된 정보를 프로세서(4300)로 전달할 수 있다. 센싱부(4400)는 지자기 센서(Magnetic sensor)(4410), 가속도 센서(Acceleration sensor)(4420), 온/습도 센서(4430), 적외선 센서(4440), 자이로스코프 센서(4450), 위치 센서(예컨대, GPS)(4460), 기압 센서(4470), 근접 센서(4480), 및 RGB 센서(illuminance sensor)(4490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.The sensing unit 4400 may detect a state of the IOT device 5000 or a state around the IOT device 5000 , and transmit the sensed information to the processor 4300 . The sensing unit 4400 includes a magnetic sensor 4410, an acceleration sensor 4420, a temperature/humidity sensor 4430, an infrared sensor 4440, a gyroscope sensor 4450, a position sensor ( For example, it may include at least one of a GPS) 4460 , a barometric pressure sensor 4470 , a proximity sensor 4480 , and an RGB sensor (illuminance sensor) 4490 , but is not limited thereto. Since a function of each sensor can be intuitively inferred from the name of a person skilled in the art, a detailed description thereof will be omitted.

네트워크 인터페이스(4500)는 IOT 디바이스(5000)가 다른 IOT 디바이스(미도시), 작업 관리 시스템(1000) 및 서버(4000)와 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. The network interface 4500 may include one or more components that allow the IOT device 5000 to communicate with other IOT devices (not shown), the job management system 1000 , and the server 4000 .

A/V(Audio/Video) 입력부(4600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(4610)와 마이크로폰(4620) 등이 포함될 수 있다. 카메라(4610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(4300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다. The A/V (Audio/Video) input unit 4600 is for inputting an audio signal or a video signal, and may include a camera 4610 and a microphone 4620 . The camera 4610 may obtain an image frame such as a still image or a moving image through an image sensor in a video call mode or a shooting mode. The image captured through the image sensor may be processed through the processor 4300 or a separate image processing unit (not shown).

마이크로폰(4620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(4620)은 외부 디바이스 또는 사용자로부터 음향 신호를 수신할 수 있다. 마이크로폰(4620)은 사용자의 음성 입력을 수신할 수 있다. 마이크로폰(4620)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다. The microphone 4620 receives an external sound signal and processes it as electrical voice data. For example, the microphone 4620 may receive an acoustic signal from an external device or a user. The microphone 4620 may receive a user's voice input. The microphone 4620 may use various noise removal algorithms for removing noise generated in the process of receiving an external sound signal.

메모리(4700)는, 프로세서(4300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, IOT 디바이스(5000)로 입력되거나 IOT 디바이스로부터 출력되는 데이터를 저장할 수 있다. The memory 4700 may store a program for processing and control of the processor 4300 , and may store data input to or output from the IOT device 5000 .

일 실시예에 따른 대상 작업의 위험성을 평가하는 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 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. The method for evaluating the risk of a target task according to an embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the present disclosure, or may be known and available to those skilled in the art of computer software.

또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 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. In addition, according to the embodiment, a computer program apparatus including a recording medium storing a program for performing another method may be provided. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.Although the embodiments of the present disclosure have been described in detail above, the scope of the present disclosure is not limited thereto, and various modifications and improved forms of the present disclosure are also provided by those skilled in the art using the basic concept of the present disclosure as defined in the following claims. belong to the scope of the right.

Claims

A method for a task management system including an electronic device and a server to evaluate the risk of a target task, the method comprising:
When the server receives evaluation target information based on training data in text format related to the target job and training data in a still image or video format related to the target job, a first artificial intelligence model that outputs target job information learning;
obtaining, by the electronic device, information on the learned first artificial intelligence model from the server;
obtaining, by the electronic device, evaluation target information including at least one of a text and an image related to the target task;
Obtaining the target task information corresponding to the evaluation target information from the first artificial intelligence model by inputting the evaluation target information into a first artificial intelligence model according to the information on the first artificial intelligence model obtained from the server step; and
obtaining risk assessment information from the second artificial intelligence model by inputting the target job information into a second artificial intelligence model that outputs information about risk assessment for the target job information when the target job information is input; including,
The step of obtaining the target job information is
obtaining job identification information as information related to a job indicated by the evaluation target information from the first artificial intelligence model;
obtaining work process information for performing a work according to the obtained work identification information; and
further acquiring, as the target job information, potential risk factors for each job according to the job identification information or for each job process according to the work process information by analyzing the evaluation target information using the first artificial intelligence model; includes,
The step of obtaining the risk assessment information
identifying risk factors for each job according to the job identification information or a series of process-specific risk factors for performing the job according to the work process information by inputting the target job information into the second artificial intelligence model;
identifying at least one work countermeasure for each identified risk factor from the second artificial intelligence model;
identifying, from the second artificial intelligence model, a risk level of a task according to the task identification information; and
acquiring information including the identified risk factor, the at least one work measure and the risk grade as the risk assessment information; including,
the method
after acquiring the target job information, identifying a workspace in which a target job is performed based on the target job information;
First monitoring information and second from each of the first type of IOT devices pre-installed in the identified working space and the second type of IOT devices installed in the working environment around the working space interactable with the identified working space, respectively obtaining monitoring information;
determining a first weighted risk score by multiplying a first risk score determined based on the first monitoring information by a space risk score pre-allocated to a workspace matching the first monitoring information;
determining a second weighted risk score by multiplying a second risk score determined based on the second monitoring information by a spatial risk score previously allocated to an environment space matching the second monitoring information;
adjusting the risk assessment information by applying the determined first weighted risk score and the second weighted risk score to the risk assessment information output from the second artificial intelligence model; and
outputting the adjusted risk assessment information and the action information obtained from a series of actions list for reducing the pre-stored risk together; A method comprising

The method of claim 1, wherein the obtaining of the evaluation target information comprises:
obtaining text related to the target task based on a first user input of a user of the task management system; and
acquiring an image related to the target task based on a second user input of a user of the task management system; A method comprising

delete

According to claim 1,
The first artificial intelligence model and the second artificial intelligence model include at least one layer and a weight for connection strength of the at least one layer,
The first artificial intelligence model is pre-learned by correcting and updating the weight to output target task information corresponding to the evaluation target information when the evaluation target information is input,
The second artificial intelligence model is characterized in that, when the target job information is input, it is characterized in that it is learned in advance by modifying and updating the weight to output risk assessment information for the target job information.

delete

According to claim 1, wherein the step of obtaining the risk assessment information
identifying similar risk factors similar to the identified risk factors by referring to a preset risk factor list;
identifying at least one work countermeasure for each of the identified similar risk factors and the potential risk factors; and
obtaining, as the risk assessment information, at least one work measure and the risk level for each of the similar risk factor, the potential risk factor, the similar risk factor and the potential risk factor; A method further comprising:

According to claim 1, wherein the step of obtaining the risk assessment information
determining a priority for at least one work countermeasure identified from the second artificial intelligence model based on environmental information, health data information, and government policy information acquired in advance for a business site;
selecting some work measures from among the identified at least one work measure based on the determined priority; and
acquiring the selected work measure as the risk assessment information; A method further comprising:

The method of claim 1, wherein the method
outputting the obtained risk assessment information;
outputting action information related to the output risk assessment information; and
obtaining inspection information on a result of performing a task according to the output risk assessment information and the action information; A method further comprising:

10. The method of claim 9, wherein the method
generating feedback information based on the output risk assessment information, the action information, and the inspection information; and
modifying and updating weights of the first artificial intelligence model and the second artificial intelligence model by using the generated feedback information as training data; A method further comprising:

delete

10. The method of claim 9, wherein the method
identifying updates to statutory information related to government policy and risk assessment;
adjusting the output risk assessment information based on the identified government policy and updated legal information related to the risk assessment; and
outputting the adjusted risk assessment information; A method comprising

10. The method of claim 9,
The job management system is connected to at least one external server,
the method
acquiring, in real time, Internet information including news, SNS, disaster, and disaster information related to a job according to the identified target job information; and
outputting the Internet information obtained in real time; A method further comprising:

10. The method of claim 9, wherein the method
accumulating and storing the output risk assessment information and action information; and
displaying the accumulated and stored risk assessment information and action information as a cumulative graph according to a preset period; A method comprising

The method of claim 9, wherein the first artificial intelligence model is
Method, characterized in that pre-learned based on text data, news data, image data related to the job, and image data related to the job identified according to the target job information.

The method of claim 9, wherein the second artificial intelligence model is
Risk assessment data, risk rating calculation data, risk factor removal countermeasure data, accident case data, process information data related to work, risk factor data related to the work, site for the work space managed by the work management system A method, characterized in that the pre-learned based on at least one of information data, health data information, and government policy data information.

In the work management system for evaluating the risk of the target work,
server;
IOT devices pre-arranged in the work space managed by the work management system; and
an electronic device that performs risk assessment related to a target task to be performed or to be performed in the workspace based on monitoring information obtained from the IOT devices; including,
The server learns a first artificial intelligence model for outputting target job information, based on the training data in the text format related to the target job and the training data in the still image or video format related to the target job,
the electronic device
a network interface for communicating with the IOT devices;
a memory storing one or more instructions; and
at least one processor; includes,
The at least one processor by executing the one or more instructions,
Obtaining information about the learned first artificial intelligence model from the server,
Obtaining evaluation target information including at least one of a text or an image related to the target task,
Obtaining the target task information corresponding to the evaluation target information from the first artificial intelligence model by inputting the evaluation target information into a first artificial intelligence model according to the information on the first artificial intelligence model obtained from the server do,
Obtaining risk assessment information from the second artificial intelligence model by inputting the target job information into a second artificial intelligence model that outputs information about risk assessment for the target job information when the identified target job information is input,
the at least one processor
Obtaining job identification information as information related to the job indicated by the evaluation target information from the first artificial intelligence model,
Obtaining work process information for performing a task according to the task identification information from the first artificial intelligence model,
By analyzing the evaluation target information using the first artificial intelligence model, the potential risk factors for each job according to the job identification information or the work process according to the work process information, the job identification information and the work process information Obtained as the target job information,
the at least one processor
By inputting the target job information into the second artificial intelligence model, each job according to the job identification information or a series of process-specific risk factors for performing the job according to the work process information are identified,
identifying at least one work countermeasure for each identified risk factor from the second artificial intelligence model;
From the second artificial intelligence model, identify the risk level of the task according to the task identification information,
Obtaining information including the identified risk factors for each process, at least one work measure for each risk factor, and the risk grade as the risk assessment information,
the at least one processor
After acquiring the target job information, based on the target job information, identify a workspace in which a target job is performed,
First monitoring information and second information from each of IOT devices of a first type pre-installed in the identified workspace and IOT devices of a second type installed in a working environment around the workspace interactable with the identified workspace to obtain monitoring information;
Determine a first weighted risk score by multiplying a first risk score determined based on the first monitoring information by a space risk score pre-allocated to a workspace matching the first monitoring information,
A second weighted risk score is determined by multiplying a second risk score determined based on the second monitoring information by a spatial risk score previously allocated to an environment space matching the second monitoring information,
adjusting the risk assessment information by applying the determined first weighted risk score and the second weighted risk score to the risk assessment information output from the second artificial intelligence model;
A work management system for outputting the adjusted risk assessment information and the action information obtained from a series of action lists for reducing the pre-stored risk together.

19. The method of claim 18, wherein the at least one processor comprises:
Output the obtained risk assessment information,
Outputs the action information related to the output risk assessment information,
A work management system for acquiring inspection information on a work performance result according to the output risk assessment information and the action information.

A method for a task management system including an electronic device and a server to evaluate the risk of a target task, the method comprising:
When the server receives evaluation target information based on training data in text format related to the target job and training data in a still image or video format related to the target job, a first artificial intelligence model that outputs target job information learning;
obtaining, by the electronic device, information on the learned first artificial intelligence model from the server;
obtaining, by the electronic device, evaluation target information including at least one of a text and an image related to the target task;
Obtaining the target task information corresponding to the evaluation target information from the first artificial intelligence model by inputting the evaluation target information into a first artificial intelligence model according to the information on the first artificial intelligence model obtained from the server to do; and
Obtaining risk assessment information from the second artificial intelligence model by inputting the target job information into a second artificial intelligence model that outputs information about the risk assessment for the target job information when the identified target job information is input ; including,
The step of obtaining the target job information is
obtaining job identification information as information related to a job indicated by the evaluation target information from the first artificial intelligence model;
obtaining work process information for performing a work according to the obtained work identification information; and
further acquiring, as the target job information, potential risk factors for each job according to the job identification information or for each job process according to the work process information by analyzing the evaluation target information using the first artificial intelligence model; includes,
The step of obtaining the risk assessment information
identifying risk factors for each job according to the job identification information or a series of process-specific risk factors for performing the job according to the work process information by inputting the target job information into the second artificial intelligence model;
identifying at least one work countermeasure for each identified risk factor from the second artificial intelligence model;
identifying, from the second artificial intelligence model, a risk level of a task according to the task identification information; and
acquiring information including the identified risk factor, the at least one work measure and the risk grade as the risk assessment information; including,
the method
after obtaining the target job information, identifying a working space in which a target job is performed based on the target job information;
First monitoring information and second information from each of IOT devices of a first type pre-installed in the identified workspace and IOT devices of a second type installed in a working environment around the workspace interactable with the identified workspace obtaining monitoring information;
determining a first weighted risk score by multiplying a first risk score determined based on the first monitoring information by a space risk score pre-allocated to a workspace matching the first monitoring information;
determining a second weighted risk score by multiplying a second risk score determined based on the second monitoring information by a spatial risk score previously allocated to an environment space matching the second monitoring information;
adjusting the risk assessment information by applying the determined first weighted risk score and the second weighted risk score to the risk assessment information output from the second artificial intelligence model; and
A computer-readable recording medium storing a program for performing a method for outputting the adjusted risk assessment information and the action information obtained from a series of actions list for reducing the pre-stored risk together.