KR102350982B1 - 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법 - Google Patents

인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법 Download PDF

Info

Publication number
KR102350982B1
KR102350982B1 KR1020200054711A KR20200054711A KR102350982B1 KR 102350982 B1 KR102350982 B1 KR 102350982B1 KR 1020200054711 A KR1020200054711 A KR 1020200054711A KR 20200054711 A KR20200054711 A KR 20200054711A KR 102350982 B1 KR102350982 B1 KR 102350982B1
Authority
KR
South Korea
Prior art keywords
training data
product
categories
initial training
highest
Prior art date
Application number
KR1020200054711A
Other languages
English (en)
Other versions
KR20210105269A (ko
Inventor
이길호
판케쉬 바모트라
Original Assignee
쿠팡 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 쿠팡 주식회사 filed Critical 쿠팡 주식회사
Publication of KR20210105269A publication Critical patent/KR20210105269A/ko
Priority to KR1020220003348A priority Critical patent/KR20220012369A/ko
Application granted granted Critical
Publication of KR102350982B1 publication Critical patent/KR102350982B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
    • G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
    • G06F7/24—Sorting, i.e. extracting data from one or more carriers, rearranging the data in numerical or other ordered sequence, and rerecording the sorted data on the original carrier or on a different carrier or set of carriers sorting methods in general
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

AI를 이용하여 제품을 분류하기 위한 시스템 및 방법이 제공된다. 하나의 방법으로서 하나 이상의 카테고리와 연관된 제품을 포함하는 초기의 트레이닝 데이터를 검색하는 단계; 합성된 트레이닝 데이터를 생성하도록 초기의 트레이닝 데이터를 전처리하는 단계; 합성된 트레이닝 데이터를 이용하여 계층적 모델을 생성하는 단계 - 계층적 모델은 루트 노드 아래에 적어도 두 개의 노드 층을 포함함 - ; 제1 미분류 제품과 연관된 정보를 수신하는 단계; 및 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리의 세트를 예측하도록 요청을 수신하는 단계를 포함한다. 이 방법은 추가로, 계층적 모델을 이용하여, 전체 확률 스코어를 계산함으로써 제1 미분류 제품의 N 개의 카테고리를 예측하고 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리를 결정하는 단계; 제1 미분류 제품을 가장 높은 전체 확률 스코어를 가지는 제1 및 제2 층의 노드와 연관된 N 개의 카테고리로 소팅하는 단계; 및 사용자와 연관된 사용자 디바이스 상에 소팅된 제1 미분류 제품 및 그와 연관된 N 개의 카테고리를 표시하는 단계를 포함할 수 있다.

Description

인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법{COMPUTERIZED SYSTEMS AND METHODS FOR PRODUCT CATEGORIZATION USING ARTIFICIAL INTELLIGENCE}
본 개시는 일반적으로 인공 지능(AI)을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법에 관한 것이다. 특히, 본 개시의 실시예는 하나 이상의 카테고리와 연관된 트레이닝 데이터를 수신하고, 수신된 트레이닝 데이터를 전처리하며, 제품 분류를 위한 하나 이상의 모델을 트레이닝하고, 판매자로부터 수신된 미분류 제품과 연관된 정보를 이용하여 미분류 제품을 정확한 카테고리로 예측하여 소팅하도록 하는 것에 관한 창의적이고 독특한 시스템에 관한 것이다.
소비자는 보통 컴퓨터 및 스마트 디바이스를 통해서 온라인에서 다양한 아이템을 쇼핑하고 구매한다. 이들 온라인 쇼핑객은 보통 구매할 제품을 찾기 위해 제품의 카테고리를 통해 검색하는 것에 의존한다. 그러나, 일반적인 온라인 쇼핑 경험은 잘못 분류된 제품에 의해 지장을 받는다.
매일 수백만의 제품이 판매자에 의해 온라인으로 등록된다. 판매자들은 판매를 위해 온라인에서 자신의 제품을 등록할 때 자신의 제품이 속하는 정확한 카테고리를 선택하도록 요구받는다. 그러나, 많은 판매자들이 자신의 제품을 등록할 때 정확한 카테고리를 선택하지 않는다. 예를 들어, 판매자가 "베이비" 카테고리에 속하는 유아용 의복(onesie)을 등록할 때 "키즈 패션" 카테고리를 잘못 선택할 수 있다. 부정확한 제품 분류는 소비자의 제품 검색을 연장시키고 온라인 플랫폼의 추천 품질을 떨어뜨림으로써 소비자의 사용자 경험을 심각하게 감소시킬 수 있다. 게다가, 보통 제품의 분류화를 수동적으로 바로잡는 것은 17,000개 이상의 다양한 카테고리가 존재할 수 있기 때문에 어렵고 시간이 걸린다. 만일 온라인 플랫폼이 자동적으로 제품들을 그것들의 정확한 카테고리로 분류한다면, 소비자의 사용자 경험은 크게 개선될 것이다.
그러므로, 소비자가 온라인 쇼핑 중에 제품을 빠르게 찾아서 구매할 수 있도록 제품 분류를 위한 개선된 방법 및 시스템이 필요하다.
본 개시의 일 형태는 AI 기반 제품 분류를 위한 컴퓨터 구현 시스템에 관한 것이다. 이 시스템은 적어도 하나의 프로세서; 및 적어도 하나의 프로세서에 의해 실행될 때, 적어도 하나의 프로세서가 스텝을 수행하게 하는 명령을 포함하는 적어도 하나의 비일시적 저장 매체를 포함할 수 있다. 스텝은 하나 이상의 카테고리와 연관된 제품을 포함하는 초기 트레이닝 데이터를 추출하고; 합성 트레이닝 데이터를 생성하도록 초기 트레이닝 데이터를 전처리하며; 합성 트레이닝 데이터를 이용하여 계층적 모델을 생성하고 - 그 계층적 모델은 루트 노드 하위에 적어도 두 개의 노드 계층을 포함함 - ; 제1 미분류 제품과 연관된 정보를 수신하며; 그리고 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리의 세트를 예측하도록 요청을 수신하는 것을 포함할 수 있다. 이 스텝은 추가로 계층적 모델을 이용하여, 제1 미분류 제품에 대한 제1 계층의 각 노드에 대한 확률 스코어를 계산하고, 가장 높은 n 개의 확률 스코어를 가지는 제1 계층의 n 개의 노드의 세트를 결정하고, 제2 계층의 노드의 세트에 대한 확률 스코어를 계산하고 - 해당 노드의 세트는 가장 높은 n 개의 스코어를 가지는 결정된 n 개의 노드의 세트 하위에 존재함 - , 가장 높은 m 개의 스코어를 가지는 제2 계층의 m 개의 노드의 세트를 결정하고, 가장 높은 m 개의 스코어를 가지는 m 개의 노드 및 제1 계층에서의 각각의 n 개의 노드의 확률 스코어에 기초하여 전체 확률 스코어를 계산하고, 그리고 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리를 결정함으로써, 제1 미분류 제품의 N 개의 카테고리를 예측하고; 제1 미분류 제품을 가장 높은 전체 확률 스코어를 가지는 제1 및 제2 계층의 노드와 연관된 N 개의 카테고리로 소팅하고; 그리고 사용자와 연관된 사용자 디바이스 상에 소팅된 제1 미분류 제품 및 그와 연관된 N 개의 카테고리를 표시하는 것을 포함할 수 있다.
본 개시의 다른 형태는 AI를 이용하여 제품을 분류하기 위한 방법에 관한 것이다. 이 방법은 하나 이상의 카테고리와 연관된 제품을 포함하는 초기 트레이닝 데이터를 추출하는 스텝; 합성 트레이닝 데이터를 생성하도록 초기 트레이닝 데이터를 전처리하는 스텝; 합성 트레이닝 데이터를 이용하여 계층적 모델을 생성하는 스텝 - 계층적 모델은 루트 노드 하위에 적어도 두 개의 노드 계층을 포함함 - ; 제1 미분류 제품과 연관된 정보를 수신하는 스텝; 및 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리의 세트를 예측하도록 요청을 수신하는 스텝을 포함할 수 있다. 이 방법은 추가로 계층적 모델을 이용하여, 제1 미분류 제품에 대한 제1 계층의 각 노드에 대한 확률 스코어를 계산하고, 가장 높은 n 개의 확률 스코어를 가지는 제1 계층의 n 개의 노드의 세트를 결정하고, 제2 계층의 노드의 세트에 대한 확률 스코어를 계산하고 - 해당 노드의 세트는 가장 높은 n 개의 스코어를 가지는 결정된 n 개의 노드의 세트 하위에 존재함 - , 가장 높은 m 개의 스코어를 가지는 제2 계층의 m 개의 노드의 세트를 결정하고, 가장 높은 m 개의 스코어를 가지는 m 개의 노드 및 제1 계층에서의 각각의 n 개의 노드의 확률 스코어에 기초하여 전체 확률 스코어를 계산하고, 그리고 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리를 결정함으로써, 제1 미분류 제품의 N 개의 카테고리를 예측하는 스텝; 및 제1 미분류 제품을 가장 높은 전체 확률 스코어를 가지는 제1 및 제2 계층의 노드와 연관된 N 개의 카테고리로 소팅하는 스텝을 포함할 수 있다.
본 개시의 또 다른 형태는 AI 기반 제품 분류를 위한 컴퓨터 구현 시스템에 관한 것이다. 이 시스템은 적어도 하나의 프로세서; 및 적어도 하나의 프로세서에 의해 실행될 때, 적어도 하나의 프로세서가 스텝을 수행하게 하는 명령을 포함하는 적어도 하나의 비일시적 저장 매체를 포함할 수 있다. 스텝은 하나 이상의 카테고리와 연관된 제품 및 이미지를 포함하는 초기 트레이닝 데이터를 추출하고; 합성 트레이닝 데이터를 생성하도록 초기 트레이닝 데이터를 전처리하며; 합성 트레이닝 데이터를 이용하여 계층적 모델을 생성하고 - 계층적 모델은 루트 노드 하위에 적어도 두 개의 노드 계층을 포함함 - ; 합성 트레이닝 데이터를 이용하여 이미지 모델을 생성하고; 제1 미분류 제품과 연관된 정보를 수신하며; 그리고 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리의 세트를 예측하기 위한 요청 및 가장 높은 M 개의 전체 확률 스코어를 가지는 M 개의 카테고리의 세트를 예측하기 위한 요청을 수신하는 것을 포함할 수 있다. 이 스텝은 추가로 계층적 모델을 이용하여, 제1 미분류 제품에 대한 제1 계층의 각 노드에 대한 확률 스코어를 계산하고, 가장 높은 n 개의 확률 스코어를 가지는 제1 계층의 n 개의 노드의 세트를 결정하고, 제2 계층의 노드의 세트에 대한 확률 스코어를 계산하고 - 해당 노드의 세트는 가장 높은 n 개의 스코어를 가지는 결정된 n 개의 노드의 세트 하위에 존재함 - , 가장 높은 m 개의 스코어를 가지는 제2 계층의 m 개의 노드의 세트를 결정하고, 가장 높은 m 개의 스코어를 가지는 m 개의 노드 및 제1 계층에서의 각각의 n 개의 노드의 확률 스코어에 기초하여 전체 확률 스코어를 계산하고, 그리고 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리를 결정함으로써, 제1 미분류 제품의 N 개의 카테고리를 예측하는 것을 포함할 수 있다. 이 스텝은 추가로 이미지 모델을 이용하여, 제1 미분류 제품에 대한 확률 스코어를 계산하고, 그리고 가장 높은 M 개의 전체 확률 스코어를 가지는 M 개의 카테고리를 결정함으로써, 제1 미분류 제품의 M 개의 카테고리를 예측하는 것을 포함할 수 있다. 이 스텝은 추가로 M 개의 카테고리로 N 개의 카테고리의 전체 확률 스코어를 평균하고; 제1 미분류 제품을 가장 높은 평균 전체 확률 스코어를 가지는 N 또는 M 개의 카테고리 중의 카테고리로 소팅하고; 그리고 사용자와 연관된 사용자 디바이스 상에 소팅된 제1 미분류 제품 및 그와 연관된 N 또는 M 개의 카테고리를 표시하는 것을 포함할 수 있다.
또한 다른 시스템, 방법, 및 컴퓨터 판독 가능 매체가 여기서 논의된다.
도 1a는 개시된 실시예에 따른, 배송, 운송, 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도이다.
도 1b는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 검색 요청을 만족시키는 하나 이상의 검색 결과를 포함하는 검색 결과 페이지(SRP; Search Result Page)의 샘플을 나타낸 도면이다.
도 1c는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 제품 및 제품에 대한 정보를 포함하는 싱글 디스플레이 페이지(SDP; Single Display Page)의 샘플을 나타낸 도면이다.
도 1d는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라 가상의 쇼핑 장바구니에 아이템을 포함하는 장바구니 페이지의 샘플을 나타낸 도면이다.
도 1e는 개시된 실시예에 따른, 상호 동작 사용자 인터페이스 요소에 따라, 가상의 쇼핑 장바구니로부터 구매 및 배송에 관한 정보에 따른 아이템을 포함하는 주문 페이지의 샘플을 나타낸 도면이다.
도 2는 개시된 실시예에 따른, 개시된 컴퓨터 시스템을 활용하도록 구성된 예시적인 풀필먼트 센터의 개략적인 도면이다.
도 3은 개시된 실시예에 따른, 제품 분류를 위해 하나 이상의 모델을 트레이닝하기 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도이다.
도 4는 개시된 실시예에 따른, 제품 분류를 위한 트레이닝 데이터의 샘플을 나타낸 도면이다.
도 5는 개시된 실시예에 따른, 하나 이상의 모델을 이용한 제품 분류를 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도이다.
도 6은 개시된 실시예에 따른, 제품 분류를 위한 계층적 모델의 샘플을 나타낸 도면이다.
도 7은 개시된 실시예에 따른, 제품 분류를 위한 프로세스를 나타낸 도면이다.
이어서 첨부된 도면을 참조하여 자세하게 설명된다. 가능하면, 다음의 설명에서 같거나 유사한 부분에 대해 참조되도록 도면에서 같은 도면 부호가 사용된다. 여기에 몇몇 예시적인 실시예가 설명되지만, 변경, 조정 및 다른 구현도 가능하다. 예를 들면, 도면 내의 구성 및 스텝에 대해 교체, 추가, 또는 변경이 이루어질 수 있고, 여기에 설명된 예시적인 방법은 개시된 방법에 대해 스텝을 교체, 순서 변경, 제거 또는 추가함으로써 변경될 수 있다. 따라서, 다음의 자세한 설명은 개시된 실시예 및 예시로 제한되는 것은 아니다. 대신에 본 발명의 적절한 범위는 청구범위에 의해 규정된다.
본 개시의 실시예는 인공 지능을 이용한 제품 분류를 위해 구성된 시스템 및 방법에 관한 것이다. 개시된 실시예는 기계 학습 모델("모델")을 트레이닝하기 위한 트레이닝 데이터를 자동적으로 생성하고, 모델을 생성하며, 그리고 그 모델을 이용하여 판매자의 제품을 정확하게 분류할 수 있는 이점이 있다. 예를 들어, 트레이닝 데이터 시스템은 하나 이상의 카테고리와 연관된 제품을 포함하는 초기 트레이닝 데이터를 자동적으로 생성할 수 있다. 초기 트레이닝 데이터는 자동적으로 생성된 가상의 제품 데이터, 자동적으로 생성된 매핑 가이드라인 키워드 데이터, 또는 자동 라이브 제품의 셀렉션을 포함할 수 있다. 일부 실시예에서, 초기 트레이닝 데이터는 내부 사용자(예로써, 직원)에 의해 제공된 인적 라벨링 데이터(human labeled data)를 포함할 수 있다.
일 구현으로서, 전처리 시스템은 합성 트레이닝 데이터를 생성하도록 트레이닝 데이터 시스템으로부터 수신된 초기 트레이닝 데이터를 전처리할 수 있다. 예를 들어, 텍스트 기반의 초기 트레이닝 데이터는 불용어 제거, 키워드 토큰화, 키워드의 중복제거, 및 초기 트레이닝 데이터의 증강(augmentation)을 포함하는 방법들의 임의 조합을 이용하여 전처리될 수 있으며, 이미지 기반의 초기 트레이닝 데이터는 이미지 증강 기술(예로써, PyTorch)을 이용하여 전처리될 수 있다. 계층적 모델 트레이너 시스템은 전처리 시스템에 의해 생성된 텍스트 기반의 합성 트레이닝 데이터를 수신할 수 있고, 이미지 모델 트레이너 시스템은 전처리 시스템에 의해 생성된 이미지 기반의 합성 트레이닝 데이터를 수신할 수 있다. 계층적 모델 트레이너 시스템 및 이미지 모델 트레이너는, 제품 분류를 위해 수신된 합성 데이터를 이용하여, 적어도 하나의 계층적 모델 및 적어도 하나의 이미지 모델을, 각각, 생성하고 트레이닝시킬 수 있다.
일부 실시예에서, 제품 카테고리 예측기는 제1 미분류 제품과 연관된 정보를 수신할 수 있다. 예를 들어, 판매자는 제품을 등록하려고 시도할 때 제품명, 속성값, 제조자, 브랜드, 및 모델 넘버를 포함하는 연결된(concatenated) 텍스트 문자열을 입력하도록 유도될 수 있다. 제품 카테고리 예측기는 가장 높은 전체 확률 스코어를 가지는 다수의 카테고리를 예측하도록 요청을 수신할 수 있다. 제품 카테고리 예측기는 계층적 모델을 이용하여 잠재적 카테고리 및 하위 카테고리의 확률 스코어를 회귀적으로 계산함으로써 제1 미분류 제품의 가장 관련성이 높은 카테고리를 예측할 수 있다. 제품 카테고리 예측기는 이어서 그 미분류 제품을 가장 높은 전체 확률 스코어를 가지는 카테고리 중 하나 이상으로 소팅할 수 있다.
도 1a를 참조하면, 배송, 운송 및 물류 운영을 가능하게 하는 통신을 위한 컴퓨터 시스템을 포함하는 예시적인 시스템의 실시예를 나타낸 개략적인 블록도(100)가 도시되어 있다. 도 1a에 나타낸 바와 같이, 시스템(100)은 다양한 시스템을 포함할 수 있으며, 이들 각각은 하나 이상의 네트워크를 통해 서로 연결될 수 있다. 시스템은 (예를 들어, 케이블을 사용한) 직접 연결을 통해 서로 연결될 수 있다. 도시된 시스템은 배송 기관 기술(shipment authority technology, SAT) 시스템(101), 외부 프론트 엔드 시스템(103), 내부 프론트 엔드 시스템(105), 운송 시스템(107), 모바일 디바이스(107A, 107B, 107C), 판매자 포털(109), 배송 및 주문 트래킹(shipment and order tracking, SOT) 시스템(111), 풀필먼트 최적화(fulfillment optimization, FO) 시스템(113), 풀필먼트 메시징 게이트웨이(fulfillment messaging gateway, FMG)(115), 공급 체인 관리(supply chain management, SCM) 시스템(117), 창고 관리 시스템(119), 모바일 디바이스(119A, 119B, 119C)(풀필먼트 센터(fulfillment center, FC)(200) 내부에 있는 것으로 도시됨), 제3자 풀필먼트 시스템(121A, 121B, 121C), 풀필먼트 센터 인증 시스템(fulfillment center authorization system, FC Auth)(123), 및 노동 관리 시스템(labor management system, LMS)(125)을 포함한다.
일부 실시예에서, SAT 시스템(101)은 주문 상태와 배달 상태를 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SAT 시스템(101)은 주문이 약속된 배달 날짜(Promised Delivery Date, PDD)를 지났는지를 결정할 수 있고, 새로운 주문을 개시시키고, 배달되지 않은 주문의 아이템을 다시 배송하며, 배달되지 않은 주문을 취소하고, 주문 고객과 연락을 시작하는 것 등을 포함하는 적합한 조치를 취할 수 있다. SAT 시스템(101)은 또한, (특정 기간 동안 배송된 패키지의 개수와 같은) 출력, 및 (배송시 사용하기 위해 수신된 빈 카드보드 박스의 개수와 같은) 입력을 포함하는 다른 데이터를 감시할 수 있다. SAT 시스템(101)은 또한, 외부 프론트 엔드 시스템(103) 및 FO 시스템(113)과 같은 장치들 간의 (예를 들면, 저장 전달(store-and-forward) 또는 다른 기술을 사용하는) 통신을 가능하게 하는 시스템(100) 내의 상이한 장치들 사이의 게이트웨이로서 동작할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 사용자가 시스템(100) 내의 하나 이상의 시스템과 상호 동작할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 시스템의 프레젠테이션을 가능하게 하여 사용자가 아이템에 대한 주문을 할 수 있도록 하는 실시예에서, 외부 프론트 엔드 시스템(103)은 검색 요청을 수신하고, 아이템 페이지를 제시하며, 결제 정보를 요청하는 웹 서버로서 구현될 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 외부 프론트 엔드 시스템(103)은 외부 디바이스(예를 들어, 모바일 디바이스(102A) 또는 컴퓨터(102B))로부터 요청을 수신 및 처리하고, 이들 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 설계된 커스텀 웹 서버 소프트웨어를 실행할 수 있다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 또는 결제 시스템 중 하나 이상을 포함할 수 있다. 일 양상에서, 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 외부 프론트 엔드 시스템(103)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
도 1b, 1c, 1d 및 1e에 의해 나타낸 단계들의 예시적인 세트는 외부 프론트 엔드 시스템(103)의 일부 동작을 설명하는 것에 도움이 될 것이다. 외부 프론트 엔드 시스템(103)은 프레젠테이션 및/또는 디스플레이를 위해 시스템(100) 내의 시스템 또는 디바이스로부터 정보를 수신할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 검색 결과 페이지(Search Result Page, SRP)(예를 들면, 도 1b), 싱글 디테일 페이지(Single Detail Page, SDP)(예를 들면, 도 1c), 장바구니 페이지(Cart page)(예를 들면, 도 1d), 또는 주문 페이지(예를 들면, 도 1e)를 포함하는 하나 이상의 웹페이지를 호스팅하거나 제공할 수 있다. (예를 들면, 모바일 디바이스(102A) 또는 컴퓨터(102B)를 사용하는) 사용자 디바이스는 외부 프론트 엔드 시스템(103)으로 이동하고 검색 박스에 정보를 입력함으로써 검색을 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 시스템(100) 내의 하나 이상의 시스템으로부터 정보를 요청할 수 있다. 예를 들면, 외부 프론트 엔드 시스템(103)은 FO 시스템(113)으로부터 검색 요청을 만족하는 정보를 요청할 수 있다. 외부 프론트 엔드 시스템(103)은 또한, (FO 시스템(113)으로부터) 검색 결과에 포함된 각 제품에 대한 약속된 배달 날짜(Promised Delivery Date) 또는 "PDD"를 요청하고 수신할 수 있다. 일부 실시예에서, PDD는 제품이 들어있는 패키지가 특정 기간 이내, 예를 들면, 하루의 끝(PM 11:59)까지 주문되면 언제 사용자가 원하는 장소에 도착할 것인지에 대한 추정 또는 제품이 사용자가 원하는 장소에 배달될 약속된 날짜를 나타낼 수 있다(PDD는 FO 시스템(113)과 관련하여 이하에서 더 논의된다).
외부 프론트 엔드 시스템(103)은 정보에 기초하여 SRP(예를 들면, 도 1b)를 준비할 수 있다. SRP는 검색 요청을 만족하는 정보를 포함할 수 있다. 예를 들면, 이는 검색 요청을 만족하는 제품의 사진을 포함할 수 있다. SRP는 또한, 각 제품에 대한 각각의 가격, 또는 각 제품, PDD, 무게, 크기, 오퍼(offer), 할인 등에 대한 개선된 배달 옵션에 관한 정보를 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SRP를 요청 사용자 디바이스로 전송할 수 있다.
사용자 디바이스는 SRP에 나타낸 제품을 선택하기 위해, 예를 들면, 사용자 인터페이스를 클릭 또는 탭핑하거나, 다른 입력 디바이스를 사용하여 SRP로부터 제품을 선택할 수 있다. 사용자 디바이스는 선택된 제품에 관한 정보에 대한 요청을 만들어 내고 이를 외부 프론트 엔드 시스템(103)으로 전송할 수 있다. 이에 응답하여, 외부 프론트 엔드 시스템(103)은 선택된 제품에 관한 정보를 요청할 수 있다. 예를 들면, 정보는 각각의 SRP 상에 제품에 대해 제시된 것 이상의 추가 정보를 포함할 수 있다. 이는, 예를 들면, 유통 기한, 원산지, 무게, 크기, 패키지 내의 아이템 개수, 취급 지침, 또는 제품에 대한 다른 정보를 포함할 수 있다. 정보는 또한, (예를 들면, 이 제품 및 적어도 하나의 다른 제품을 구입한 고객의 빅 데이터 및/또는 기계 학습 분석에 기초한) 유사한 제품에 대한 추천, 자주 묻는 질문에 대한 답변, 고객의 후기, 제조 업체 정보, 사진 등을 포함할 수 있다.
외부 프론트 엔드 시스템(103)은 수신된 제품 정보에 기초하여 SDP(Single Detail Page)(예를 들면, 도 1c)를 준비할 수 있다. SDP는 또한, "지금 구매(Buy Now)" 버튼, "장바구니에 추가(Add to Cart)" 버튼, 수량 필드, 아이템 사진 등과 같은 다른 상호 동작 요소를 포함할 수 있다. SDP는 제품을 오퍼하는 판매자의 리스트를 포함할 수 있다. 이 리스트는 최저가로 제품을 판매하는 것으로 오퍼하는 판매자가 리스트의 최상단에 위치하도록, 각 판매자가 오퍼한 가격에 기초하여 순서가 정해질 수 있다. 이 리스트는 또한 최고 순위 판매자가 리스트의 최상단에 위치하도록, 판매자 순위에 기초하여 순서가 정해질 수 있다. 판매자 순위는, 예를 들어, 약속된 PPD를 지켰는지에 대한 판매자의 과거 추적 기록을 포함하는, 복수의 인자에 기초하여 만들어질 수 있다. 외부 프론트 엔드 시스템(103)은 (예를 들면, 네트워크를 통해) SDP를 요청 사용자 디바이스로 전달할 수 있다.
요청 사용자 디바이스는 제품 정보를 나열하는 SDP를 수신할 수 있다. SDP를 수신하면, 사용자 디바이스는 SDP와 상호 동작할 수 있다. 예를 들면, 요청 사용자 디바이스의 사용자는 SDP의 "장바구니에 담기(Place in Cart)" 버튼을 클릭하거나, 이와 상호 동작할 수 있다. 이렇게 하면 사용자와 연계된 쇼핑 장바구니에 제품이 추가된다. 사용자 디바이스는 제품을 쇼핑 장바구니에 추가하기 위해 외부 프론트 엔드 시스템(103)으로 이러한 요청을 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 장바구니 페이지(예를 들면, 도 1d)를 생성할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 가상의 "쇼핑 장바구니(shopping cart)"에 추가한 제품을 나열한다. 사용자 디바이스는 SRP, SDP, 또는 다른 페이지의 아이콘을 클릭하거나, 상호 동작함으로써 장바구니 페이지를 요청할 수 있다. 일부 실시예에서, 장바구니 페이지는 사용자가 장바구니에 추가한 모든 제품 뿐 아니라 각 제품의 수량, 각 제품의 품목당 가격, 관련 수량에 기초한 각 제품의 가격, PDD에 관한 정보, 배달 방법, 배송 비용, 쇼핑 장바구니의 제품을 수정(예를 들면, 수량의 삭제 또는 수정)하기 위한 사용자 인터페이스 요소, 다른 제품의 주문 또는 제품의 정기적인 배달 설정에 대한 옵션, 할부(interest payment) 설정에 대한 옵션, 구매를 진행하기 위한 사용자 인터페이스 요소 등과 같은 장바구니의 제품에 관한 정보를 나열할 수 있다. 사용자 디바이스의 사용자는 쇼핑 장바구니에 있는 제품의 구매를 시작하기 위해 사용자 인터페이스 요소(예를 들면, "지금 구매(Buy Now)"라고 적혀있는 버튼)를 클릭하거나, 이와 상호 동작할 수 있다. 그렇게 하면, 사용자 디바이스는 구매를 시작하기 위해 이러한 요청을 외부 프론트 엔드 시스템(103)으로 전송할 수 있다.
외부 프론트 엔드 시스템(103)은 구매를 시작하는 요청을 수신하는 것에 응답하여 주문 페이지(예를 들면, 도 1e)를 생성할 수 있다. 일부 실시예에서, 주문 페이지는 쇼핑 장바구니로부터의 아이템을 재나열하고, 결제 및 배송 정보의 입력을 요청한다. 예를 들면, 주문 페이지는 쇼핑 장바구니의 아이템 구매자에 관한 정보(예를 들면, 이름, 주소, 이메일 주소, 전화번호), 수령인에 관한 정보(예를 들면, 이름, 주소, 전화번호, 배달 정보), 배송 정보(예를 들면, 배달 및/또는 픽업 속도/방법), 결제 정보(예를 들면, 신용 카드, 은행 송금, 수표, 저장된 크레딧), 현금 영수증을 요청하는 사용자 인터페이스 요소(예를 들면, 세금 목적) 등을 요청하는 섹션을 포함할 수 있다. 외부 프론트 엔드 시스템(103)은 사용자 디바이스에 주문 페이지를 전송할 수 있다.
사용자 디바이스는 주문 페이지에 정보를 입력하고 외부 프론트 엔드 시스템(103)으로 정보를 전송하는 사용자 인터페이스 요소를 클릭하거나, 상호 동작할 수 있다. 그로부터, 외부 프론트 엔드 시스템(103)은 정보를 시스템(100) 내의 다른 시스템으로 전송하여 쇼핑 장바구니의 제품으로 새로운 주문을 생성하고 처리할 수 있도록 한다.
일부 실시예에서, 외부 프론트 엔드 시스템(103)은 판매자가 주문과 관련된 정보를 전송 및 수신할 수 있도록 추가로 구성될 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자(예를 들면, 시스템(100)을 소유, 운영 또는 임대하는 조직의 직원)가 시스템(100) 내의 하나 이상의 시스템과 상호작용할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 시스템(100)이 사용자가 아이템에 대한 주문을 할 수 있게 하는 시스템의 프레젠테이션을 가능하게 하는 실시예에서, 내부 프론트 엔드 시스템(105)은 내부 사용자가 주문에 대한 진단 및 통계 정보를 볼 수 있게 하고, 아이템 정보를 수정하며, 또는 주문에 대한 통계를 검토할 수 있게 하는 웹 서버로서 구현될 수 있다. 예를 들면, 내부 프론트 엔드 시스템(105)은 Apache HTTP 서버, Microsoft Internet Information Services(IIS), NGINX 등과 같은 소프트웨어를 실행하는 컴퓨터 또는 컴퓨터들로서 구현될 수 있다. 다른 실시예에서, 내부 프론트 엔드 시스템(105)은 (도시되지 않은 다른 디바이스뿐 아니라) 시스템(100) 내에 나타낸 시스템 또는 디바이스로부터 요청을 수신 및 처리하고, 그러한 요청에 기초하여 데이터베이스 및 다른 데이터 저장 장치로부터 정보를 획득하며, 획득한 정보에 기초하여 수신된 요청에 대한 응답을 제공하도록 (설계된 커스텀 웹 서버 소프트웨어를 실행)할 수 있다.
일부 실시예에서, 내부 프론트 엔드 시스템(105)은 웹 캐싱 시스템, 데이터베이스, 검색 시스템, 결제 시스템, 분석 시스템, 주문 모니터링 시스템 등 중 하나 이상을 포함할 수 있다. 일 양상에서, 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상을 포함할 수 있는 반면, 다른 양상에서는 내부 프론트 엔드 시스템(105)은 이들 시스템 중 하나 이상에 연결된 인터페이스(예를 들면, 서버 대 서버, 데이터베이스 대 데이터베이스, 또는 다른 네트워크 연결)를 포함할 수 있다.
일부 실시예에서, 운송 시스템(107)은 시스템(100) 내의 시스템 또는 디바이스와 모바일 디바이스(107A-107C) 간의 통신을 가능하게 하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 운송 시스템(107)은 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 예를 들면, 일부 실시예에서, 모바일 디바이스(107A-107C)는 배달원에 의해 동작되는 디바이스를 포함할 수 있다. 정규직, 임시적 또는 교대 근무일 수 있는 배달원은 사용자에 의해 주문된 제품들이 들어 있는 패키지의 배달을 위해 모바일 디바이스(107A-107C)를 이용할 수 있다. 예를 들면, 패키지를 배달하기 위해, 배달원은 배달할 패키지와 배달할 위치를 나타내는 모바일 디바이스 상의 알림을 수신할 수 있다. 배달 장소에 도착하면, 배달원은 (예를 들면, 트럭의 뒤나 패키지의 크레이트에) 패키지를 둘 수 있고, 모바일 디바이스를 사용하여 패키지 상의 식별자와 관련된 데이터(예를 들면, 바코드, 이미지, 텍스트 문자열, RFID 태그 등)를 스캔하거나, 캡처하며, (예를 들면, 현관문에 놓거나, 경비원에게 맡기거나, 수령인에게 전달하는 것 등에 의해) 패키지를 배달할 수 있다. 일부 실시예에서, 배달원은 모바일 디바이스를 사용하여 패키지의 사진(들)을 찍거나 및/또는 서명을 받을 수 있다. 모바일 디바이스는, 예를 들면, 시간, 날짜, GPS 위치, 사진(들), 배달원에 관련된 식별자, 모바일 디바이스에 관련된 식별자 등을 포함하는 배달에 관한 정보를 포함하는 정보를 운송 시스템(107)에 전송할 수 있다. 운송 시스템(107)은 시스템(100) 내의 다른 시스템에 의한 접근을 위해 데이터베이스(미도시)에 이러한 정보를 저장할 수 있다. 일부 실시예에서, 운송 시스템(107)은 다른 시스템에 특정 패키지의 위치를 나타내는 트래킹 데이터를 준비 및 전송하기 위해 이러한 정보를 사용할 수 있다.
일부 실시예에서, 특정 사용자는, 한 종류의 모바일 디바이스를 사용할 수 있는 반면(예를 들면, 정규 직원은 바코드 스캐너, 스타일러스 및 다른 장치와 같은 커스텀 하드웨어를 갖는 전문 PDA를 사용할 수 있음), 다른 사용자는 다른 종류의 모바일 디바이스를 사용할 수 있다(예를 들면, 임시 또는 교대 근무 직원이 기성 휴대 전화 및/또는 스마트폰을 사용할 수 있음).
일부 실시예에서, 운송 시스템(107)은 사용자를 각각의 디바이스와 연관시킬 수 있다. 예를 들면, 운송 시스템(107)은 사용자(예를 들면, 사용자 식별자, 직원 식별자, 또는 전화번호에 의해 표현됨)와 모바일 디바이스(예를 들면, International Mobile Equipment Identity(IMEI), International Mobile Subscription Identifier(IMSI), 전화번호, Universal Unique Identifier(UUID), 또는 Globally Unique Identifier(GUID)에 의해 표현됨) 간의 연관성(association)을 저장할 수 있다. 운송 시스템(107)은, 다른 것들 중에 작업자의 위치, 작업자의 효율성, 또는 작업자의 속도를 결정하기 위해 데이터베이스에 저장된 데이터를 분석하기 위해 배달시 수신되는 데이터와 관련하여 이러한 연관성을 사용할 수 있다.
일부 실시예에서, 판매자 포털(109)은 판매자 또는 다른 외부 엔터티(entity)가 시스템(100) 내의 하나 이상의 시스템과 전자 통신할 수 있게 하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 판매자는 판매자 포털(109)을 사용하여 시스템(100)을 통해 판매하고자 하는 제품에 대하여, 제품 정보, 주문 정보, 연락처 정보 등을 업로드하거나 제공하는 컴퓨터 시스템(미도시)을 이용할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객(예를 들면, 디바이스(102A-102B)를 사용하는 사용자)에 의해 주문된 제품들이 들어 있는 패키지의 위치에 관한 정보를 수신, 저장 및 포워딩하는 컴퓨터 시스템으로서 구현될 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 고객에 의해 주문된 제품들이 들어 있는 패키지를 배달하는 배송 회사에 의해 운영되는 웹 서버(미도시)로부터 정보를 요청하거나 저장할 수 있다.
일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 시스템(100)에 나타낸 시스템들로부터 정보를 요청하고 저장할 수 있다. 예를 들면, 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107)으로부터 정보를 요청할 수 있다. 전술한 바와 같이, 운송 시스템(107)은 사용자(예를 들면, 배달원) 또는 차량(예를 들면, 배달 트럭) 중 하나 이상과 연관된 하나 이상의 모바일 디바이스(107A-107C)(예를 들면, 휴대 전화, 스마트폰, PDA 등)로부터 정보를 수신할 수 있다. 일부 실시예에서, 배송 및 주문 트래킹 시스템(111)은 또한, 풀필먼트 센터(예를 들면, 풀필먼트 센터(200)) 내부의 개별 제품의 위치를 결정하기 위해 창고 관리 시스템(WMS)(119)으로부터 정보를 요청할 수 있다. 배송 및 주문 트래킹 시스템(111)은 운송 시스템(107) 또는 WMS(119) 중 하나 이상으로부터 데이터를 요청하고, 이를 처리하며, 요청시 디바이스(예를 들면, 사용자 디바이스(102A, 102B))로 제공할 수 있다.
일부 실시예에서, 풀필먼트 최적화(FO) 시스템(113)은 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103) 및/또는 배송 및 주문 트래킹 시스템(111))으로부터의 고객 주문에 대한 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. FO 시스템(113)은 또한, 특정 아이템이 유지 또는 저장되는 곳을 나타내는 정보를 저장할 수 있다. 예를 들면, 소정 아이템은 하나의 풀필먼트 센터에만 저장될 수 있는 반면, 소정 다른 아이템은 다수의 풀필먼트 센터에 저장될 수 있다. 또 다른 실시예에서, 특정 풀필먼트 센터는 아이템의 특정 세트(예를 들면, 신선한 농산물 또는 냉동 제품)만을 저장하도록 구성될 수 있다. FO 시스템(113)은 이러한 정보뿐 아니라 관련 정보(예를 들면, 수량, 크기, 수령 날짜, 유통 기한 등)를 저장한다.
FO 시스템(113)은 또한, 각 제품에 대해 대응하는 PDD(약속된 배달 날짜)를 계산할 수 있다. 일부 실시예에서, PDD는 하나 이상의 요소에 기초할 수 있다. 예를 들면, FO 시스템(113)은 제품에 대한 과거 수요(예를 들면, 그 제품이 일정 기간 동안 얼마나 주문되었는지), 제품에 대한 예측된 수요(예를 들면, 얼마나 많은 고객이 다가오는 기간 동안 제품을 주문할 것으로 예상되는지), 일정 기간 동안 얼마나 많은 제품이 주문되었는지를 나타내는 네트워크 전반의 과거 수요, 다가오는 기간 동안 얼마나 많은 제품이 주문될 것으로 예상되는지를 나타내는 네트워크 전반의 예측된 수요, 각각의 제품을 저장하는 각 풀필먼트 센터(200)에 저장된 제품의 하나 이상의 개수, 그 제품에 대한 예상 또는 현재 주문 등에 기초하여 제품에 대한 PDD를 계산할 수 있다.
일부 실시예에서, FO 시스템(113)은 주기적으로(예를 들면, 시간별로) 각 제품에 대한 PDD를 결정하고, 검색하거나 다른 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로 전송하기 위해 이를 데이터베이스에 저장할 수 있다. 다른 실시예에서, FO 시스템(113)은 하나 이상의 시스템(예를 들면, 외부 프론트 엔드 시스템(103), SAT 시스템(101), 배송 및 주문 트래킹 시스템(111))으로부터 전자 요청을 수신하고 요구에 따라 PDD를 계산할 수 있다.
일부 실시예에서, 풀필먼트 메시징 게이트웨이(FMG)(115)는 FO 시스템(113)과 같은 시스템(100) 내의 하나 이상의 시스템으로부터 하나의 포맷 또는 프로토콜로 요청 또는 응답을 수신하고, 그것을 다른 포맷 또는 프로토콜로 변환하여, 변환된 포맷 또는 프로토콜로 된 요청 또는 응답을 WMS(119) 또는 제3자 풀필먼트 시스템(121A, 121B, 또는 121C)과 같은 다른 시스템에 포워딩하며, 반대의 경우도 가능한 컴퓨터 시스템으로서 구현될 수 있다.
일부 실시예에서, 공급 체인 관리(SCM) 시스템(117)은 예측 기능을 수행하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, SCM 시스템(117)은, 예를 들어 제품에 대한 과거 수요, 제품에 대한 예측된 수요, 네트워크 전반의 과거 수요, 네트워크 전반의 예측된 수요, 각각의 풀필먼트 센터(200)에 저장된 제품 개수, 각 제품에 대한 예상 또는 현재 주문 등에 기초하여, 특정 제품에 대한 수요의 수준을 예측할 수 있다. 이러한 예측된 수준과 모든 풀필먼트 센터를 통한 각 제품의 수량에 응답하여, SCM 시스템(117)은 특정 제품에 대한 예측된 수요를 만족시키기에 충분한 양을 구매 및 비축하기 위한 하나 이상의 구매 주문을 생성할 수 있다.
일부 실시예에서, 창고 관리 시스템(WMS)(119)은 작업 흐름을 모니터링하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, WMS(119)는 개개의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))로부터 개별 이벤트를 나타내는 이벤트 데이터를 수신할 수 있다. 예를 들면, WMS(119)는 패키지를 스캔하기 위해 이들 디바이스 중 하나를 사용한 것을 나타내는 이벤트 데이터를 수신할 수 있다. 풀필먼트 센터(200) 및 도 2에 관하여 이하에서 논의되는 바와 같이, 풀필먼트 프로세스 동안, 패키지 식별자(예를 들면, 바코드 또는 RFID 태그 데이터)는 특정 스테이지의 기계(예를 들면, 자동 또는 핸드헬드 바코드 스캐너, RFID 판독기, 고속 카메라, 태블릿(119A), 모바일 디바이스/PDA(119B), 컴퓨터(119C)와 같은 디바이스 등)에 의해 스캔되거나 판독될 수 있다. WMS(119)는 패키지 식별자, 시간, 날짜, 위치, 사용자 식별자, 또는 다른 정보와 함께 대응하는 데이터베이스(미도시)에 패키지 식별자의 스캔 또는 판독을 나타내는 각 이벤트를 저장할 수 있고, 이러한 정보를 다른 시스템(예를 들면, 배송 및 주문 트래킹 시스템(111))에 제공할 수 있다.
일부 실시예에서, WMS(119)는 하나 이상의 디바이스(예를 들면, 디바이스(107A-107C 또는 119A-119C))와 시스템(100)과 연관된 하나 이상의 사용자를 연관시키는 정보를 저장할 수 있다. 예를 들면, 일부 상황에서, (파트 타임 또는 풀 타임 직원과 같은) 사용자는 모바일 디바이스(예를 들면, 모바일 디바이스는 스마트폰임)를 소유한다는 점에서, 모바일 디바이스와 연관될 수 있다. 다른 상황에서, 사용자는 임시로 모바일 디바이스를 보관한다는 점에서(예를 들면, 하루의 시작에서부터 모바일 디바이스를 대여받은 사용자가, 하루 동안 그것을 사용하고, 하루가 끝날 때 그것을 반납할 것임), 모바일 디바이스와 연관될 수 있다.
일부 실시예에서, WMS(119)는 시스템(100)과 연관된 각각의 사용자에 대한 작업 로그를 유지할 수 있다. 예를 들면, WMS(119)는 임의의 할당된 프로세스(예를 들면, 트럭에서 내리기, 픽업 구역에서 아이템을 픽업하기, 리비닝 월(rebin wall) 작업, 아이템 패킹하기), 사용자 식별자, 위치(예를 들면, 풀필먼트 센터(200)의 바닥 또는 구역), 직원에 의해 시스템을 통해 이동된 유닛의 수(예를 들면, 픽업된 아이템의 수, 패킹된 아이템의 수), 디바이스(예를 들면, 디바이스(119A-119C))와 관련된 식별자 등을 포함하는, 각 직원과 관련된 정보를 저장할 수 있다. 일부 실시예에서, WMS(119)는 디바이스(119A-119C)에서 작동되는 계시(timekeeping) 시스템과 같은 계시 시스템으로부터 체크-인 및 체크-아웃 정보를 수신할 수 있다.
일부 실시예에서, 제3자 풀필먼트 (3PL) 시스템(121A-121C)은 물류 및 제품의 제3자 제공자와 관련된 컴퓨터 시스템을 나타낸다. 예를 들면, (도 2와 관련하여 이하에서 후술하는 바와 같이) 일부 제품이 풀필먼트 센터(200)에 저장되는 반면, 다른 제품은 오프-사이트(off-site)에 저장될 수 있거나, 수요에 따라 생산될 수 있으며, 달리 풀필먼트 센터(200)에 저장될 수 없다. 3PL 시스템(121A-121C)은 FO 시스템(113)으로부터 (예를 들면, FMG(115)를 통해) 주문을 수신하도록 구성될 수 있으며, 고객에게 직접 제품 및/또는 서비스(예를 들면, 배달 또는 설치)를 제공할 수 있다. 일부 구현예에서, 하나 이상의 3PL 시스템(121A-121C)은 시스템(100)의 일부일 수 있지만, 다른 구현예에서는, 하나 이상의 3PL 시스템(121A-121C)이 시스템(100)의 외부에 있을 수 있다(예를 들어, 제3자 제공자에 의해 소유 또는 운영됨)일 수 있다.
일부 실시예에서, 풀필먼트 센터 인증 시스템(FC Auth)(123)은 다양한 기능을 갖는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, 일부 실시예에서, FC Auth(123)는 시스템(100) 내의 하나 이상의 다른 시스템에 대한 단일-사인 온(single-sign on, SSO) 서비스로서 작동할 수 있다. 예를 들면, FC Auth(123)는 내부 프론트 엔드 시스템(105)을 통해 사용자가 로그인하게 하고, 사용자가 배송 및 주문 트래킹 시스템(111)에서 리소스에 액세스하기 위해 유사한 권한을 갖고 있다고 결정하며, 두 번째 로그인 프로세스 요구 없이 사용자가 그러한 권한에 액세스할 수 있게 한다. 다른 실시예에서, FC Auth(123)는 사용자(예를 들면, 직원)가 자신을 특정 작업과 연관시킬 수 있게 한다. 예를 들면, 일부 직원은 (디바이스(119A-119C)와 같은) 전자 디바이스를 갖지 않을 수 있으며, 대신 하루 동안 풀필먼트 센터(200) 내에서 작업들 사이 및 구역들 사이에서 이동할 수 있다. FC Auth(123)는 이러한 직원들이 상이한 시간 대에 수행 중인 작업과 속해 있는 구역을 표시할 수 있도록 구성될 수 있다.
일부 실시예에서, 노동 관리 시스템(LMS)(125)은 직원(풀-타임 및 파트-타임 직원을 포함함)에 대한 출근 및 초과 근무 정보를 저장하는 컴퓨터 시스템으로서 구현될 수 있다. 예를 들면, LMS(125)는 FC Auth(123), WMS(119), 디바이스(119A-119C), 운송 시스템(107), 및/또는 디바이스(107A-107C)로부터 정보를 수신할 수 있다.
도 1a에 나타낸 특정 구성은 단지 예시일 뿐이다. 예를 들면, 도 1a는 FO 시스템(113)에 연결된 FC Auth 시스템(123)을 나타낸 반면, 모든 실시예가 이러한 특정 구성을 필요로 하는 것은 아니다. 실제로, 일부 실시예에서, 시스템(100) 내의 시스템은 인터넷, 인트라넷, WAN(Wide-Area Network), MAN(Metropolitan-Area Network), IEEE 802.11a/b/g/n 표준을 따르는 무선 네트워크, 임대 회선 등을 포함하는 하나 이상의 공공 또는 사설 네트워크를 통해 서로 연결될 수 있다. 일부 실시예에서, 시스템(100) 내의 시스템 중 하나 이상은 데이터 센터, 서버 팜 등에서 구현되는 하나 이상의 가상 서버로서 구현될 수 있다.
도 2는 풀필먼트 센터(200)를 나타낸다. 풀필먼트 센터(200)는 주문시 고객에게 배송하기 위한 아이템을 저장하는 물리적 장소의 예시이다. 풀필먼트 센터(FC)(200)는 다수의 구역으로 분할될 수 있으며, 각각이 도 2에 도시된다. 일부 실시예에서, 이러한 "구역(zones)"은 아이템을 수령하고, 아이템을 저장하고, 아이템을 검색하고, 아이템을 배송하는 과정의 상이한 단계 사이의 가상 구분으로 생각될 수 있다. 따라서, "구역"이 도 2에 나타나 있으나, 일부 실시예에서, 구역의 다른 구분도 가능하고, 도 2의 구역은 생략, 복제, 또는 수정될 수 있다.
인바운드 구역(203)은 도 1a의 시스템(100)을 사용하여 제품을 판매하고자 하는 판매자로부터 아이템이 수신되는 FC(200)의 영역을 나타낸다. 예를 들면, 판매자는 트럭(201)을 사용하여 아이템(202A, 202B)을 배달할 수 있다. 아이템(202A)은 자신의 배송 팔레트(pallet)를 점유하기에 충분히 큰 단일 아이템을 나타낼 수 있으며, 아이템(202B)은 공간을 절약하기 위해 동일한 팔레트 상에 함께 적층되는 아이템의 세트를 나타낼 수 있다.
작업자는 인바운드 구역(203)의 아이템을 수령하고, 선택적으로 컴퓨터 시스템(미도시)을 사용하여 아이템이 손상되었는지 및 정확한지를 체크할 수 있다. 예를 들면, 작업자는 아이템(202A, 202B)의 수량을 아이템의 주문 수량과 비교하기 위해 컴퓨터 시스템을 사용할 수 있다. 수량이 일치하지 않는다면, 해당 작업자는 아이템(202A, 202B) 중 하나 이상을 거부할 수 있다. 수량이 일치한다면, 작업자는 그 아이템들을 (예를 들면, 짐수레(dolly), 핸드트럭(handtruck), 포크리프트(forklift), 또는 수작업으로) 버퍼 구역(205)으로 운반할 수 있다. 버퍼 구역(205)은, 예를 들면, 예측된 수요를 충족시키기 위해 픽업 구역에 그 아이템이 충분한 수량만큼 있기 때문에, 픽업 구역에서 현재 필요하지 않은 아이템에 대한 임시 저장 영역일 수 있다. 일부 실시예에서, 포크리프트(206)는 버퍼 구역(205) 주위와 인바운드 구역(203) 및 드롭 구역(207) 사이에서 아이템을 운반하도록 작동한다. (예를 들면, 예측된 수요로 인해) 픽업 구역에 아이템(202A, 202B)이 필요하면, 포크리프트는 아이템(202A, 202B)을 드롭 구역(207)으로 운반할 수 있다.
드롭 구역(207)은 픽업 구역(209)으로 운반되기 전에 아이템을 저장하는 FC(200)의 영역일 수 있다. 픽업 동작에 할당된 작업자("피커(picker)")는 픽업 구역의 아이템(202A, 202B)에 접근하고, 픽업 구역에 대한 바코드를 스캔하며, 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A, 202B)과 관련된 바코드를 스캔할 수 있다. 그 다음 피커는 (예를 들면, 카트에 놓거나 운반함으로써) 픽업 구역(209)에 아이템을 가져갈 수 있다.
픽업 구역(209)은 아이템(208)이 저장 유닛(210)에 저장되는 FC(200)의 영역일 수 있다. 일부 실시예에서, 저장 유닛(210)은 물리적 선반, 책꽂이, 박스, 토트(tote), 냉장고, 냉동고, 저온 저장고 등 중 하나 이상을 포함할 수 있다. 일부 실시예에서, 픽업 구역(209)은 다수의 플로어로 편성될 수 있다. 일부 실시예에서, 작업자 또는 기계는, 예를 들면, 포크리프트, 엘리베이터, 컨베이어 벨트, 카트, 핸드트럭, 짐수레, 자동화된 로봇 또는 디바이스, 또는 수작업을 포함하는 다양한 방식으로 아이템을 픽업 구역(209)으로 운반할 수 있다. 예를 들면, 피커는 아이템(202A, 202B)을 드롭 구역(207)의 핸드트럭 또는 카트에 놓을 수 있으며, 아이템(202A, 202B)을 픽업 구역(209)으로 가져갈 수 있다.
피커는 저장 유닛(210) 상의 특정 공간과 같은 픽업 구역(209)의 특정 스팟에 아이템을 배치(또는 "적재(stow)")하라는 명령을 수신할 수 있다. 예를 들면, 피커는 모바일 디바이스(예를 들면, 디바이스(119B))를 사용하여 아이템(202A)을 스캔할 수 있다. 디바이스는, 예를 들면, 통로, 선반 및 위치를 나타내는 시스템을 사용하여, 아이템(202A)을 적재해야 하는 위치를 나타낼 수 있다. 그 다음 디바이스는 그 위치에 아이템(202A)을 적재하기 전에 피커가 그 위치에서 바코드를 스캔하도록 할 수 있다. 디바이스는 도 1a의 WMS(119)와 같은 컴퓨터 시스템에 아이템(202A)이 디바이스(119B)를 사용하는 사용자에 의해 그 위치에 적재되었음을 나타내는 데이터를 (예를 들면, 무선 네트워크를 통해) 전송할 수 있다.
일단 사용자가 주문을 하면, 피커는 저장 유닛(210)으로부터 하나 이상의 아이템(208)을 검색하기 위해 디바이스(119B)에 명령을 수신할 수 있다. 피커는 아이템(208)을 검색하고, 아이템(208) 상의 바코드를 스캔하며, 운송 기구(214) 상에 놓을 수 있다. 일부 실시예에서, 운송 기구(214)가 슬라이드로서 표현되지만, 운송 기구는 컨베이어 벨트, 엘리베이터, 카트, 포크리프트, 핸드트럭, 짐수레, 카트 등 중 하나 이상으로서 구현될 수 있다. 그 다음 아이템(208)은 패킹 구역(211)에 도착할 수 있다.
패킹 구역(211)은 아이템이 픽업 구역(209)으로부터 수령되고 고객에게 최종 배송하기 위해 박스 또는 가방에 패킹되는 FC(200)의 영역일 수 있다. 패킹 구역(211)에서, 아이템을 수령하도록 할당된 작업자("리비닝 작업자(rebin worker)")는 픽업 구역(209)으로부터 아이템(208)을 수령하고, 그것이 어느 주문에 대응하는지를 결정할 것이다. 예를 들면, 리비닝 작업자는 아이템(208) 상의 바코드를 스캔하기 위해 컴퓨터(119C)와 같은 디바이스를 사용할 수 있다. 컴퓨터(119C)는 아이템(208)이 어느 주문과 관련이 있는지를 시각적으로 나타낼 수 있다. 이는, 예를 들면, 주문에 대응하는 월(216) 상의 공간 또는 "셀(cell)"을 포함할 수 있다. (예를 들면, 셀에 주문의 모든 아이템이 포함되어 있기 때문에) 일단 주문이 완료되면, 리비닝 작업자는 패킹 작업자(또는 "패커(packer)")에게 주문이 완료된 것을 알릴 수 있다. 패커는 셀로부터 아이템을 검색하고, 배송을 위해 이들을 박스 또는 가방에 놓을 수 있다. 그 다음 패커는, 예를 들면, 포크리프트, 카트, 짐수레, 핸드트럭, 컨베이어 벨트, 수작업 또는 다른 방법을 통해, 박스 또는 가방을 허브 구역(213)으로 보낼 수 있다.
허브 구역(213)은 패킹 구역(211)으로부터 모든 박스 또는 가방("패키지(packages)")을 수신하는 FC(200)의 영역일 수 있다. 허브 구역(213)의 작업자 및/또는 기계는 패키지(218)를 검색하고, 각 패키지가 배달 영역의 어느 부분으로 배달되도록 되어 있는지를 결정하며, 패키지를 적합한 캠프 구역(215)으로 보낼 수 있다. 예를 들면, 배달 영역이 2개의 작은 하위 영역을 갖는다면, 패키지는 2개의 캠프 구역(215) 중 하나로 보내질 것이다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 패키지를 캠프 구역(215)으로 보내는 것은, 예를 들면, (우편 번호에 기초하여) 패키지가 향하는 지리적 영역의 부분을 결정하고, 지리적 영역의 부분과 관련된 캠프 구역(215)을 결정하는 것을 포함할 수 있다.
일부 실시예에서, 캠프 구역(215)은 루트 및/또는 서브-루트로 분류하기 위해 허브 구역(213)으로부터 패키지가 수령되는 하나 이상의 빌딩, 하나 이상의 물리적 공간, 또는 하나 이상의 영역을 포함할 수 있다. 일부 실시예에서, 캠프 구역(215)은 FC(200)로부터 물리적으로 분리되어 있는 반면, 다른 실시예에서는 캠프 구역(215)은 FC(200)의 일부를 형성할 수 있다.
캠프 구역(215)의 작업자 및/또는 기계는, 예를 들면, 목적지와 기존 루트 및/또는 서브-루트의 비교, 각각의 루트 및/또는 서브-루트에 대한 작업량의 계산, 하루 중 시간, 배송 방법, 패키지(220)를 배송하기 위한 비용, 패키지(220)의 아이템과 관련된 PDD 등에 기초하여 패키지(220)가 어느 루트 및/또는 서브-루트와 연관되어야 하는지를 결정할 수 있다. 일부 실시예에서, 작업자 또는 기계는 최종 목적지를 결정하기 위해 (예를 들면, 디바이스(119A-119C) 중 하나를 사용하여) 패키지를 스캔할 수 있다. 일단 패키지(220)가 특정 루트 및/또는 서브-루트에 할당되면, 작업자 및/또는 기계는 배송될 패키지(220)를 운반할 수 있다. 예시적인 도 2에서, 캠프 구역(215)은 트럭(222), 자동차(226), 배달원(224A, 224B)을 포함한다. 일부 실시예에서, 배달원(224A)이 트럭(222)을 운전할 수 있는데, 이 때 배달원(224A)은 FC(200)에 대한 패키지를 배달하는 풀-타임 직원이며, 트럭은 FC(200)를 소유, 임대 또는 운영하는 동일한 회사에 의해 소유, 임대, 또는 운행된다. 일부 실시예에서, 배달원(224B)이 자동차(226)를 운전할 수 있는데, 이 때 배달원(224B)은 필요에 따라(예를 들면, 계절에 따라) 배달하는 "플렉스(flex)" 또는 비상시적인 작업자이다. 자동차(226)는 배달원(224B)에 의해 소유, 임대 또는 운행될 수 있다.
도 3을 참조하면, 제품 분류를 위한 하나 이상의 모델을 트레이닝하기 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도가 보여진다. 도 3에 도시된 바와 같이, 시스템(300)은 네트워크(350)를 통해서 사용자(360A)와 연관된 사용자 디바이스(360)와 각각 통신할 수 있는, 트레이닝 데이터 시스템(310), 전처리 시스템(320), 계층적 모델 트레이너 시스템(330), 및 이미지 모델 트레이너 시스템(340)을 포함할 수 있다. 일부 실시예에서, 트레이닝 데이터 시스템(310), 전처리 시스템(340), 계층적 모델 트레이너 시스템(330), 및 이미지 모델 트레이너 시스템(340)은 직접 접속로를 통해서, 예를 들면, 케이블을 이용하여 서로 통신할 수 있으며, 시스템(300)의 다른 컴포넌트와 통신할 수 있다. 일부 다른 실시예에서, 시스템(300)은 도 1a의 시스템(100)의 일부분일 수 있으며, 네트워크(350)를 통해서 또는 직접 접속로를 통해서, 예를 들면, 케이블을 이용하여 시스템(100)의 다른 컴포넌트(예로써, 외부 프론트 엔드 시스템(103) 또는 내부 프론트 엔드 시스템(105))와 통신할 수 있다. 트레이닝 데이터 시스템(310), 전처리 시스템(320), 계층적 모델 트레이너 시스템(330), 및 이미지 모델 트레이너 시스템(340)은 각각 하나의 컴퓨터를 포함하거나, 또는 각각 개시된 예시들과 연관된 하나 이상의 프로세스 및 기능을 수행하도록 상호 동작하는 다수의 컴퓨터를 포함하는 분산 컴퓨터 시스템으로 구성될 수 있다.
도 3에 도시된 바와 같이, 트레이닝 데이터 시스템(310)은 프로세서(312), 메모리(314), 및 데이터베이스(316)를 포함할 수 있다. 전처리 시스템(320)은 프로세서(322), 메모리(324), 및 데이터베이스(326)를 포함할 수 있다. 계층적 모델 트레이너 시스템(330)은 프로세서(332), 메모리(334), 및 데이터베이스(336)를 포함할 수 있다. 이미지 모델 트레이너 시스템(340)은 프로세서(342), 메모리(344), 및 데이터베이스(346)를 포함할 수 있다. 프로세서(312, 322, 332, 및 342)는 인텔(등록상표)에 의해 제조된 펜티엄(등록상표) 계열 또는 AMD(등록상표)에 의해 제조된 튜리온(등록상표) 계열의 마이크로프로세서와 같은, 하나 이상의 알려진 프로세싱 디바이스일 수 있다. 프로세서(312, 322, 332, 및 342)는 단일 코어 혹은 동시에 병렬 프로세스를 실행하는 다중 코어 프로세서로 구성될 수 있다. 예를 들어, 프로세서(312, 322, 332, 및 342)는 다중 프로세스를 동시에 실행하고 제어하는 논리 프로세서를 사용할 수 있다. 프로세서(312, 322, 332, 및 342)는 다수의 소프트웨어 프로세스, 애플리케이션, 프로그램 등을 실행, 제어, 작동, 조작, 저장하는 능력 등을 제공하도록 가상 머신 기술이나 다른 알려진 기술을 구현할 수 있다. 또 다른 예에서, 프로세서(312, 322, 332, 및 342)는 트레이닝 데이터 시스템(310), 전처리 시스템(320), 계층적 모델 트레이너 시스템(330), 및 이미지 모델 트레이너 시스템(340)이 동시에 다중 프로세스를 실행 가능하게 하기 위해 병렬 프로세싱 기능을 제공하도록 구성된 다중 코어 프로세서 구성을 포함할 수 있다. 당해 기술분야의 통상의 기술자는, 여기에 개시된 능력을 제공하는 다른 타입의 프로세서 구성이 구현될 수 있음을 이해할 것이다.
메모리(314, 324, 334, 및 344)는, 각각, 프로세서(312, 322, 332, 및 342)에 의해 실행될 때 알려진 운영 체제 기능을 수행하는 하나 이상의 운영 체제를 저장할 수 있다. 일례로써, 운영 체제는 마이크로소프트 윈도우즈, 유닉스, 리눅스, 안드로이드, 맥 OS, iOS, 또는 다른 타입의 운영 체제를 포함할 수 있다. 이에 따라, 개시된 발명의 예시는 임의 타입의 운영 체제로 작동하는 컴퓨터 시스템으로 동작하고 기능할 수 있다. 메모리(314, 324, 334, 및 344)는 휘발성 혹은 비휘발성, 자기, 반도체, 테이프, 광학, 이동식, 고정형 또는 다른 타입의 저장 장치 혹은 유형(tangible)의 컴퓨터 판독가능 매체일 수 있다.
데이터베이스(316, 326, 336, 및 346)는, 예를 들면, 오라클(등록상표) 데이터베이스, 사이베이스(등록상표) 데이터베이스, 또는 다른 관계형 데이터베이스나 하둡(Hadoop)(등록상표) 시퀀스 파일, HBase(등록상표), 혹은 카산드라(Cassandra)(등록상표)와 같은, 비관계형 데이터베이스를 포함할 수 있다. 데이터베이스(316, 326, 336, 및 346)는 데이터베이스(들)의 메모리 디바이스에 저장된 데이터에 대한 요청을 수신하고 처리하며, 데이터베이스(들)로부터의 데이터를 제공하도록 구성된 컴퓨팅 컴포넌트(예로써, 데이터베이스 관리 시스템, 데이터베이스 서버 등)를 포함할 수 있다. 데이터베이스(316, 326, 336, 및 346)는 HBase, MongoDB(등록상표) 혹은 카산드라(등록상표)와 같은 NoSQL 데이터베이스를 포함할 수 있다. 또는, 데이터베이스(316, 326, 336, 및 346)는 오라클, MySQL 및 마이크로소프트 SQL 서버와 같은 관계형 데이터베이스를 포함할 수 있다. 일부 실시예에서, 데이터베이스(316, 326, 336, 및 346)는 서버, 범용 컴퓨터, 메인프레임 컴퓨터, 또는 이들 컴포넌트의 임의 조합의 형태를 취할 수 있다.
데이터베이스(316, 326, 336, 및 346)는, 각각, 개시된 예시들과 연관된 방법 및 프로세스를 수행하는 프로세서(312, 322, 332, 및 342)에 의해 이용될 수 있는 데이터를 저장할 수 있다. 데이터베이스(316, 326, 336, 및 346)는, 각각, 도 3에 도시된 바와 같이, 트레이닝 데이터 시스템(310), 전처리 시스템(320), 계층적 모델 트레이너 시스템(330), 및 이미지 모델 트레이너 시스템(340)에 위치될 수 있고, 또는 대안적으로, 트레이닝 데이터 시스템(310), 전처리 시스템(320), 계층적 모델 트레이너 시스템(330), 및 이미지 모델 트레이너 시스템(340) 외부에 위치한 외부 저장 장치에 있을 수 있다. 데이터베이스(316)에 저장된 데이터는 제품과 연관된 임의의 적합한 초기 트레이닝 데이터(예로써, 제품 식별 번호, 최상위 카테고리 레벨, 카테고리 서브레벨, 제품명, 제품 이미지, 제품 브랜드, 제품 설명 등)를 포함할 수 있고, 데이터베이스(326)에 저장된 데이터는 전처리된 트레이닝 데이터와 연관된 임의의 적합한 데이터를 포함할 수 있으며, 데이터베이스(336)에 저장된 데이터는 계층적 모델을 트레이닝하는 것과 연관된 임의의 적합한 데이터를 포함할 수 있고, 그리고 데이터베이스(346)에 저장된 데이터는 이미지 모델을 트레이닝하는 것과 연관된 임의의 적합한 데이터를 포함할 수 있다.
사용자 디바이스(360)는 태블릿, 모바일 디바이스, 컴퓨터 등 일 수 있다. 사용자 디바이스(360)는 디스플레이를 포함할 수 있다. 디스플레이는, 예를 들면, LCD(liquid crystal displays), LED(light emitting diode) 스크린, OLED(organic light emitting diode) 스크린, 터치 스크린, 및 다른 알려진 디스플레이 디바이스를 포함할 수 있다. 디스플레이는 사용자에게 다양한 정보를 보여줄 수 있다. 예를 들면, 그것은 제품 정보(예로써, 제품 식별 번호, 최상위 카테고리 레벨, 카테고리 서브레벨, 제품명, 제품 이미지, 제품 브랜드, 제품 설명 등)를 포함하는 트레이닝 데이터를 입력하기 위해, 내부 사용자(예로써, 시스템(100)을 소유하거나, 운용하거나, 또는 임대하는 조직의 직원) 또는 외부 사용자를 위한 입력 텍스트 상자를 포함하는 트레이닝 데이터를 입력하거나 생성하기 위한 온라인 플랫폼을 표시할 수 있다. 사용자 디바이스(360)는 하나 이상의 입력/출력(I/O) 디바이스를 포함할 수 있다. I/O 디바이스는 사용자 디바이스(360)가 사용자(360A) 또는 또 다른 디바이스로부터 정보를 보내거나 받도록 할 수 있는 하나 이상의 디바이스를 포함할 수 있다. I/O 디바이스는 다양한 입력/출력 디바이스, 카메라, 마이크로폰, 키보드, 마우스 타입 디바이스, 제스처 센서, 액션 센서, 물리 버튼, 음성(oratory) 입력장치 등을 포함할 수 있다. 또한 I/O 디바이스는, 예를 들면, 사용자 디바이스(360)와 네트워크(350) 간에 유선 혹은 무선 연결을 확립함으로써, 트레이닝 데이터 시스템(310), 전처리 시스템(320), 계층적 모델 트레이너 시스템(330), 또는 이미지 모델 트레이너 시스템(340)으로부터 정보를 전송하거나 수신하는 하나 이상의 통신 모듈(미도시)을 포함할 수 있다.
트레이닝 데이터 시스템(310)은 하나 이상의 카테고리와 연관된 제품을 포함하는 초기 트레이닝 데이터를 수신할 수 있다. 트레이닝 데이터 시스템(310)은 다양한 방법들의 조합을 이용하여 트레이닝 데이터를 수집할 수 있다. 트레이닝 데이터 수집 방법은 인적 라벨링 데이터, 가상의 제품 데이터, 매핑 가이드라인 키워드 데이터, 또는 라이브 제품의 셀렉션(selection)을 포함할 수 있다. 예를 들어, 트레이닝 데이터 시스템(310)은 내부 프론트 엔드 시스템(105)을 통해서 내부 사용자(예로써, 시스템(100)을 소유하거나, 운용하거나, 또는 임대하는 조직의 직원)로부터 초기 트레이닝 데이터를 수신할 수 있다.
인적 라벨링 데이터는 사용자(360A)가 적어도 하나의 트레이닝 데이터 포인트에 대해서 각 트레이닝 데이터 포인트에 대한 제품 정보(예로써, 제품 식별 번호, 최상위 카테고리 레벨, 카테고리 서브레벨, 제품명, 제품 이미지, 제품 브랜드, 제품 설명 등)를 수동 입력하는 것을 포함할 수 있다.
가상의 제품 데이터는 기존의 카테고리를 이용하여 증강된(augmented) 트레이닝 데이터를 자동적으로 생성하는 것을 포함할 수 있다. 예를 들어, 트레이닝 데이터 시스템(310)은 기존의 카테고리로부터 획득된 키워드를 이용한 제품명(예로써, 여성 쇼트 팬츠) 및 하위 카테고리(예로써, 패션, 여성 패션, 여성 의류, 팬츠, 쇼트 팬츠)를 포함하는 적어도 하나의 트레이닝 데이터 포인트를 자동적으로 생성할 수 있다. 가상의 제품 데이터를 생성하는 것은 제품명이 키워드들로부터 분명해지고 잘못 분류되어서는 안 되기 때문에 트레이닝될 모델(들)의 강건성(robustness)을 향상시킬 수 있다.
매핑 가이드라인 키워드 데이터는 라이브 제품을 이용하여 증강된 트레이닝 데이터를 자동적으로 생성하는 것을 포함할 수 있다. 예를 들어, 트레이닝 데이터 시스템(310)은 적어도 하나의 키워드에 매핑되는 라이브 제품에 대해서 데이터베이스(316)를 검색함으로써 적어도 하나의 트레이닝 데이터 포인트를 자동적으로 생성할 수 있다. 라이브 제품이 제품 식별 번호에 이미 매핑되고 그것과 연관된 카테고리 중 하나의 적어도 하나의 키워드를 포함하면, 트레이닝 데이터 시스템(310)은 라이브 제품이 정확하게 분류되는 것으로 간주하고 그 라이브 제품과 중복되는 새로운 트레이닝 데이터 포인트를 생성한다. 매핑 가이드라인 키워드 데이터를 생성하는 것은, 트레이닝될 모델(들)에 입력하기 위한 정확하게 분류된 트레이닝 데이터량을 증가시키기 때문에, 트레이닝될 모델(들)의 강건성을 향상시킬 수 있다.
라이브 제품의 셀렉션은 라이브 제품 리스트로부터 최대 10개의 제품 및 그것과 연관된 카테고리를 랜덤으로 수집함으로써 증강된 트레이닝 데이터를 자동적으로 생성하는 것을 포함할 수 있다. 예를 들어, 트레이닝 데이터 시스템(310)은 일부 카테고리가 어느 연관된 트레이닝 데이터를 갖고 있지 않은 것을 결정할 수 있다. 트레이닝 데이터 시스템(310)은 어느 연관된 트레이닝 데이터를 갖고 있지 않은 카테고리가 붙여진 최대 10개의 라이브 제품을 랜덤으로 수집함으로써 트레이닝 데이터를 자동적으로 생성하고, 수집된 라이브 제품과 똑같은 새로운 트레이닝 데이터 포인트들을 생성할 수 있다. 라이브 제품의 셀렉션은 보다 완전한 트레이닝 데이터 세트를 제공함으로써 트레이닝될 모델(들)의 품질을 향상시킬 수 있다.
전처리 시스템(320)은 트레이닝 데이터 시스템(310)에 의해 수집된 초기 트레이닝 데이터를 수신하고, 초기 트레이닝 데이터를 전처리함으로써 합성 트레이닝 데이터를 생성할 수 있다. 텍스트 기반의 초기 트레이닝 데이터는 불용어 제거, 키워드 토큰화, 키워드의 중복제거, 및 초기 트레이닝 데이터의 증강을 포함하는 방법들의 임의 조합을 이용하여 전처리될 수 있으며, 이미지 기반의 초기 트레이닝 데이터는 이미지 증강 기술(예로써, PyTorch)을 이용하여 전처리될 수 있다.
전처리 시스템(320)은 데이터베이스(326)에 저장된 불용어 딕셔너리를 참조하여 불용어를 제거할 수 있다. 불용어는 제품 특성과 관련이 없어서, 제품 분류에 필요하지 않은 트레이닝 데이터와 연관된 단어들을 포함할 수 있다. 예를 들면, 불용어는 "판매", "할인", 또는 "무료 배달"을 포함할 수 있다. 불용어 제거는, 트레이닝 데이터 세트로부터 모델 트레이닝 프로세스를 둔화시키는 불필요한 단어들을 제거함으로써, 트레이닝될 모델(들)의 강건성을 향상시킬 수 있다.
전처리 시스템(320)은 데이터베이스(326)에 저장된 토큰 딕셔너리(token dictionary)를 참조하고 키워드를 다수의 키워드로 분할할지 여부를 결정하도록 아호 코라식(Aho-Corasick) 알고리즘을 실행함으로써 키워드를 토큰화할 수 있다. 예를 들어, 특정 언어(예로써, 한국어)로 쓰여진 키워드는 공백 없이 하나의 텍스트 문자열로 저장될 수 있다. (능숙한 화자라면 이러한 텍스트 문자열이 다양한 단어 조합들로 분할될 수 있음을 이해할 것이다.) 전처리 시스템(320)은 입력 텍스트 내의 문자열의 한정된 세트(예로써, "딕셔너리")의 엘리먼트의 위치를 찾아내는, 딕셔너리 매칭 알고리즘인 아호 코라식 알고리즘을 실행할 수 있다. 이 알고리즘은, 전처리 시스템(320)이 저장된 딕셔너리에 리스트되지 않은 "스플릿(split)" 단어들을 제거하면서 입력 텍스트의 실제 키워드를 수집함으로써 합성 트레이닝 데이터를 생성할 수 있도록, 동시에 모든 문자열을 매칭시킨다. 키워드 토큰화는 트레이닝 데이터 세트로부터 모델 트레이닝 프로세스를 둔화시키는 불필요한 단어들을 제거함으로써, 트레이닝될 모델(들)의 강건성을 향상시킬 수 있다.
전처리 시스템(320)은 그 트레이닝 세트에서 키워드를 식별하고 기존의 키워드와 중복되는 것을 제거함으로써 키워드를 중복제거할 수 있다. 키워드 중복제거는 반복되는 키워드를 제거함으로써 제품 분류 결과의 밸런스를 향상시킬 수 있다.
전처리 시스템(320)은 일부 트레이닝 데이터를 복제하고, 복제된 데이터로부터 무관한 영숫자 문자들을 제거하거나 그 복제된 데이터로부터 키워드를 랜덤으로 제거함으로써, 초기 트레이닝 데이터를 증강시킬 수 있다. 예를 들어, 트레이닝 데이터 및 제품 카테고리가 주로 한국어로 쓰여져 있을 때, 전처리 시스템(320)은 초기 트레이닝 데이터를 복제하고, 복제된 트레이닝 데이터로부터 영어 및 숫자를 제거할 수 있다. 그 다음에 전처리 시스템(320)은 한국어 문자의 증가된 모델 학습을 시행하기 위해 이 증강된 데이터를 트레이닝 데이터 세트에 추가할 수 있다. 전처리 시스템(320)은 또한 초기 트레이닝 데이터를 복제하고, 복제된 트레이닝 데이터로부터 키워드를 랜덤으로 제거할 수 있다. 전처리 시스템(320)은 그 다음에 모델(들)의 오버피팅(overfitting) 가능성을 감소시킴으로써 트레이닝될 모델(들)의 강건성을 증가시키기 위해 이 증강된 데이터를 트레이닝 데이터 세트에 추가할 수 있다.
전처리 시스템(320)은 이미지 회전(rotating), 이미지 시프트(shifting), 이미지 반전(flipping), 이미지에의 노이즈 추가, 이미지 블러링(blurring) 등에 의해 이미지 기반의 초기 트레이닝 데이터를 증강시킬 수 있다. 예를 들어, 전처리 시스템(320)은 초기 트레이닝 데이터 세트의 각 이미지를 여러 번 복제하고, 복제된 이미지들을 여러 방향으로 회전시킬 수 있다. 전처리 시스템(320)은 회전시킨 복제된 이미지들을 트레이닝 데이터 세트에 추가함으로써 트레이닝될 모델(들)의 강건성을 증가시킬 수 있다.
또 다른 예에서, 전처리 시스템(320)은 초기 트레이닝 데이터 세트의 각 이미지를 여러 번 복제하고, 복제된 이미지들을 중심에서 벗어난 여러 위치로 시프트시킬 수 있다. 전처리 시스템(320)은 시프트시킨 복제된 이미지들을 트레이닝 데이터 세트에 추가함으로써 트레이닝될 모델(들)의 강건성 및 일반화(generalization)를 증가시킬 수 있다.
또 다른 예에서, 전처리 시스템(320)은 초기 트레이닝 데이터 세트의 각 이미지를 여러 번 복제하고, 복제된 이미지들을 여러 방향으로 반전시킬 수 있다. 전처리 시스템(320)은 반전시킨 복제된 이미지들을 트레이닝 데이터 세트에 추가함으로써 트레이닝될 모델(들)의 일반화를 증가시킬 수 있다.
또 다른 예에서, 전처리 시스템(320)은 초기 트레이닝 데이터 세트의 각 이미지를 여러 번 복제하고, 복제된 이미지들에 랜덤 노이즈를 추가시킬 수 있다. 전처리 시스템(320)은 노이즈를 가지는 복제된 이미지들을 트레이닝 데이터 세트에 추가함으로써 모델(들)이 이미지 내의 노이즈로부터 신호를 분리시키도록 학습하는데 도움을 주어, 트레이닝될 모델(들)의 강건성을 증가시킬 수 있다.
또 다른 예에서, 전처리 시스템(320)은 초기 트레이닝 데이터 세트의 각 이미지를 여러 번 복제하고, 복제된 이미지들을 다양한 양으로 흐려지게 할 수 있다(예로써 복제된 이미지들의 퀄리티를 변화시킴). 전처리 시스템(320)은 흐려진 복제된 이미지들을 트레이닝 데이터 세트에 추가함으로써 트레이닝될 모델(들)의 강건성을 증가시킬 수 있다.
계층적 모델 트레이너 시스템(330)은 전처리 시스템(320)에 의해 생성된 텍스트 기반의 합성 트레이닝 데이터를 수신할 수 있고, 이미지 모델 트레이너 시스템(340)은 전처리 시스템(320)에 의해 생성된 이미지 기반의 합성 트레이닝 데이터를 수신할 수 있다. 계층적 모델 트레이너 시스템(330) 및 이미지 모델 트레이너(340)는, 제품 분류를 위해 수신된 합성 데이터를 이용하여, 적어도 하나의 계층적 모델 및 적어도 하나의 이미지 모델을, 각각, 생성하고 트레이닝시킬 수 있다.
도 4를 참조하면, 제품 분류를 위한 트레이닝 데이터(400)의 샘플이 보여진다. 도 4에 도시된 바와 같이, 트레이닝 데이터는 단일의 제품과 연관되는 다수의 셀을 포함할 수 있다. 예를 들어, 트레이닝 데이터는 제품 식별 번호(410), 상위 레벨 카테고리(412), 하나 이상의 하위 카테고리(414), 제품명(416), 브랜드(418), 또는 제품 이미지 URL(420)을 포함할 수 있다. 트레이닝 데이터는 본 명세서에 개시된 실시예 중 어느 것을 이용하여 얻어질 수 있다.
도 5를 참조하면, 하나 이상의 모델을 이용한 제품 분류를 위한 컴퓨터 시스템을 포함하는 네트워크의 예시적인 실시예를 나타낸 개략적인 블록도가 보여진다. 도 5에 도시된 바와 같이, 시스템(500)은 제품 카테고리 예측기 시스템(520)을 포함할 수 있으며, 그것은 네트워크(550)를 통해서 사용자(560A)(도 3의 사용자(360A)와 동일할 수 있음)와 연관된 사용자 디바이스(560)(도 3의 사용자 디바이스(360)와 동일할 수 있음)와 통신할 수 있다. 일부 실시예에서, 제품 카테고리 예측기(520)는 직접 접속로를 통해서, 예를 들면, 케이블을 이용하여 시스템(500)의 다른 컴포넌트와 통신할 수 있다. 일부 다른 실시예에서, 시스템(500)은 도 1a의 시스템(100) 또는 도 3의 시스템(300)의 일부분일 수 있으며, 네트워크(550)를 통해서 또는 직접 접속로를 통해서, 예를 들면, 케이블을 이용하여 시스템(100 또는 300)의 다른 컴포넌트와 통신할 수 있다. 제품 카테고리 예측기(520)는 하나의 컴퓨터를 포함하거나, 또는 개시된 예시들과 연관된 프로세스 및 기능 중 하나 이상을 수행하도록 호환되는 다수의 컴퓨터를 포함하는 분산 컴퓨터 시스템으로 구성될 수 있다.
도 5에 보여지는 바와 같이, 제품 카테고리 예측기(520)는 프로세서(522), 메모리(524), 및 데이터베이스(526)를 포함할 수 있다. 프로세서(522)는 인텔(등록상표)에 의해 제조된 펜티엄(등록상표) 계열 또는 AMD(등록상표)에 의해 제조된 튜리온(등록상표) 계열의 마이크로프로세서와 같은, 하나 이상의 알려진 프로세싱 디바이스일 수 있다. 프로세서(522)는 단일 코어 혹은 동시에 병렬 프로세스를 실행하는 다중 코어 프로세서로 구성될 수 있다. 예를 들면, 프로세서(522)는 다중 프로세스를 동시에 실행하고 제어하는 논리 프로세서를 사용할 수 있다. 프로세서(522)는 다수의 소프트웨어 프로세스, 애플리케이션, 프로그램 등을 실행, 제어, 작동, 조작, 저장하는 능력 등을 제공하도록 가상 머신 기술이나 다른 알려진 기술을 구현할 수 있다. 또 다른 예에서, 프로세서(522)는 제품 카테고리 예측기(520)가 동시에 다중 프로세스를 실행 가능하게 하기 위해 병렬 프로세싱 기능을 제공하도록 구성된 다중 코어 프로세서 구성을 포함할 수 있다. 당해 기술분야의 통상의 기술자라면 여기에 개시된 능력을 제공하는, 다른 타입의 프로세서 구성이 구현될 수 있음을 이해할 것이다.
메모리(524)는, 프로세서(522)에 의해 실행될 때, 알려진 운영 체제 기능을 각각 수행하는 하나 이상의 운영 체제를 저장할 수 있다. 일례로써, 운영 체제는 마이크로소프트 윈도우즈, 유닉스, 리눅스, 안드로이드, 맥 OS, iOS, 또는 다른 타입의 운영 체제를 포함할 수 있다. 이에 따라, 개시된 발명의 예시들은 임의 타입의 운영 체제로 작동하는 컴퓨터 시스템으로 동작하고 기능할 수 있다. 메모리(524)는 휘발성 혹은 비휘발성, 자기, 반도체, 테이프, 광학, 이동식, 고정형, 또는 다른 타입의 저장 장치 혹은 유형(tangible)의 컴퓨터 판독가능 매체일 수 있다.
데이터베이스(526)는, 예를 들면, 오라클(등록상표) 데이터베이스, 사이베이스(등록상표) 데이터베이스, 또는 다른 관계형 데이터베이스나 하둡(Hadoop)(등록상표) 시퀀스 파일, HBase(등록상표), 혹은 카산드라(Cassandra)(등록상표)와 같은, 비관계형 데이터베이스를 포함할 수 있다. 데이터베이스(526)는 데이터베이스(들)의 메모리 디바이스에 저장된 데이터에 대한 요청을 수신하고 처리하며, 데이터베이스(들)로부터의 데이터를 제공하도록 구성된 컴퓨팅 컴포넌트(예로써, 데이터베이스 관리 시스템, 데이터베이스 서버 등)를 포함할 수 있다. 데이터베이스(526)는 HBase, MongoDB(등록상표) 혹은 카산드라(등록상표)와 같은 NoSQL 데이터베이스를 포함할 수 있다. 또는, 데이터베이스(526)는 오라클, MySQL 및 마이크로소프트 SQL 서버와 같은 관계형 데이터베이스를 포함할 수 있다. 일부 실시예에서, 데이터베이스(526)는 서버, 범용 컴퓨터, 메인프레임 컴퓨터, 또는 이들 컴포넌트의 임의 조합의 형태를 취할 수 있다.
데이터베이스(526)는 개시된 예시들과 연관된 방법 및 프로세스를 수행하는 프로세서(522)에 의해 이용될 수 있는 데이터를 저장할 수 있다. 데이터베이스(526)는, 도 5에 도시된 바와 같이, 제품 카테고리 예측기(520)에 위치될 수 있고, 또는 대안적으로, 제품 카테고리 예측기(520) 외부에 위치한 외부 저장 장치에 있을 수 있다. 데이터베이스(526)에 저장된 데이터는 판매자에 의해 제공된 제품과 연관된 임의의 정보(예로써, 제품명, 속성값, 제조자, 브랜드, 모델 넘버 등)를 포함할 수 있다.
사용자 디바이스(560)는 태블릿, 모바일 디바이스, 컴퓨터 등 일 수 있다. 사용자 디바이스(560)는 디스플레이를 포함할 수 있다. 디스플레이는, 예를 들면, LCD, LED 스크린, OLED 스크린, 터치 스크린, 및 다른 알려진 디스플레이 디바이스를 포함할 수 있다. 디스플레이는 사용자에게 다양한 정보를 보여줄 수 있다. 예를 들면, 그것은 판매자가 제품 정보(예로써, 제품명, 속성값, 제조자, 브랜드, 모델 넘버 등)를 입력하도록, 입력 텍스트 상자를 포함하는 제품 정보를 입력하는 온라인 플랫폼을 표시할 수 있다. 사용자 디바이스(560)는 하나 이상의 입력/출력(I/O) 디바이스를 포함할 수 있다. I/O 디바이스는 사용자 디바이스(560)가 사용자(560A) 또는 또 다른 디바이스로부터 정보를 보내거나 받도록 할 수 있는 하나 이상의 디바이스를 포함할 수 있다. I/O 디바이스는 다양한 입력/출력 디바이스, 카메라, 마이크로폰, 키보드, 마우스 타입 디바이스, 제스처 센서, 액션 센서, 물리 버튼, 음성(oratory) 입력장치 등을 포함할 수 있다. 또한 I/O 디바이스는, 예를 들면, 사용자 디바이스(560)와 네트워크(550) 간에 유선 혹은 무선 연결을 확립함으로써, 제품 카테고리 예측기(520)로부터 정보를 전송하거나 수신하는 하나 이상의 통신 모듈(미도시)을 포함할 수 있다.
제품 카테고리 예측기(520)는 네트워크(550)를 통해서 사용자(560A)(예로써, 판매자(들))로부터 입력 데이터(510)를 수신할 수 있다. 예를 들면, 사용자(560A)는 사용자 디바이스(560)를 이용하여 판매자 포털(109)과 통신하고 적어도 하나의 제품을 등록할 수 있다. 사용자(560A)는 제품명, 속성값, 제조자, 브랜드, 및 모델 넘버를 포함하는 연결된 텍스트 문자열을 입력하도록 유도될 수 있다. 또한 사용자(560A)는, 제품 카테고리 예측기(520)가 주어진 제품에 대해 예측할 수 있는, 카테고리의 수(N) 및 카테고리의 수(M)를 입력하도록 유도될 수 있다. 연결된 텍스트 문자열 및 카테고리의 수 N 및 M을 포함하는 입력(510)은 유일한 입력 데이터일 수 있다.
제품 카테고리 예측기(520)는 입력(510)으로부터 키워드를 식별하고, 라이브러리(예로써, 패스트텍스트(fastText))를 이용하여 해당 키워드를 벡터 표시로 변형시킬 수 있다. 제품 카테고리 예측기(520)는 라이브러리를 이용하여 각 키워드의 캐릭터 n-그램(character n-gram)에 대한 표시를 학습할 수 있다. 그 다음에 각 키워드는 캐릭터 n-그램의 그룹으로 표시될 수 있으며, 전체의 워드 임베딩(word embedding)은 캐릭터 n-그램의 합이다. 예를 들어, 내부 사용자 또는 외부 사용자(예로써, 사용자(560A))가 n-그램을 3으로 수동 설정하거나 또는 제품 카테고리 예측기(520)가 n-그램을 3으로 자동 설정할 수 있으며, 이 경우에 워드 "where"에 대한 벡터는 트리그램(trigrams): <wh, whe, her, ere, re>의 합으로 나타내질 것이며, 여기서 괄호 <, >는 워드의 시작과 끝을 나타내는 경계 심볼이다. 각 워드가 n-그램의 합으로 나타내진 후, 잠재적 텍스트 임베딩이 워드 임베딩의 평균으로서 얻어지고, 그 때에 텍스트 임베딩은 제품 카테고리 예측기(520)에 의해 라벨을 예측하도록 이용될 수 있다. 이 프로세스는 드문 키워드 혹은 트레이닝 데이터 세트에 포함되지 않은 키워드를 식별하는데 유리할 수 있다.
제품 카테고리 예측기(520)는 트레이닝된 계층적 모델(예로써, 도 3의 계층적 모델 트레이너 시스템(330))을 이용하여 사용자(560A)에 의해 제공된 제품 정보와 연관된 카테고리를 예측할 수 있다. 일부 실시예에서, 제품 정보는 제품이 잘못 분류된 것임을 나타낼 수 있으며, 이 경우에 제품 카테고리 예측기(520)는 해당 제품에 대한 정확한 카테고리를 예측할 수 있다. 계층적 모델은 입력(510)을 이용하여 미분류 제품에 대한 제1 계층의 각 노드에 대한 확률 스코어를 먼저 계산함으로써 미분류 제품의 N 개의 카테고리를 예측할 수 있다. 확률 스코어는 미분류 제품이 연관된 카테고리에 속할 확률을 나타낸다. 그 다음에 계층적 모델은 가장 높은 n 개의 확률 스코어를 가지는 제1 계층(예로써, 도 6의 계층(610))에 대한 n 개의 노드의 세트를 결정할 수 있다. 예를 들어, 맨위 계층은 5개의 카테고리를 포함할 수 있고, 그리고 n = 3인 경우에, 계층적 모델은 3개의 가장 높은 확률 스코어를 가지는 제1 계층에 대한 3개의 노드(또는 카테고리)를 결정할 수 있다.
그 다음에 계층적 모델은 제2 계층(예로써, 도 6의 제2 계층(620))의 노드의 세트에 대한 확률 스코어를 계산할 수 있으며, 여기서 제2 계층의 노드의 세트는 가장 높은 n 개의 확률 스코어를 가지는 n 개의 노드(또는 카테고리)의 하위 카테고리이다. 그 다음에 계층적 모델은 가장 높은 m개의 스코어를 가지는 제2 계층에 대한 m 개의 노드의 세트를 결정할 수 있다. 예를 들어, m = 3인 경우에, 계층적 모델은 3개의 가장 높은 스코어를 가지는 제2 계층에 대한 3개의 노드(또는 카테고리)를 결정할 수 있다. 계층적 모델은 임의 수의 카테고리에 대해서 이 프로세스를 회귀적으로 계속할 수 있다. 만일, 최종 계층(예로써, 도 6의 계층(630))에서의 노드가 그 최종 계층을 넘어 더 많은 노드들을 가지는 경우, 계층적 모델은 최종적인 전체 확률 스코어가 계산될 수 있도록 해당 노드의 구조를 단조롭게(flatten) 할 수 있다.
계층적 모델은 각 계층에서의 노드들의 확률 스코어에 기초하여 전체 확률을 계산할 수 있다. 예를 들어, 계층적 모델이 각각 이전 계층의 가장 높은 3개의 확률 스코어에 기초한 3개의 계층을 가지는 경우, 그 때에 계층적 모델은 (계층 1의 상위 3개·계층 2의 상위 3개·계층 3의 상위 3개 = 27개의 후보)로부터 선택하는 제3 계층에서의 27개의 최종 카테고리 후보를 가진다. 27개의 후보(예로써, 도 6의 노드(631)) 각각에 대한 전체 확률 스코어는 각 계층에서의 그 확률 스코어를 곱하여 계산될 수 있다(예로써, 하나의 노드에 대해서 계층 1 스코어·계층 2 스코어·계층 3 스코어 = 전체 확률 스코어임). 그 다음에 계층적 모델은 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리를 결정할 수 있다.
제품 카테고리 예측기(520)는 트레이닝된 이미지 모델(예로써, 도 3의 이미지 모델 트레이너(340))을 이용하여 제1 미분류 제품의 M 개의 카테고리를 예측할 수 있다. 제품 카테고리 예측기(520)는 트레이닝된 이미지 모델을 이용하여 각 카테고리에 대한 확률 스코어를 계산하고, 가장 높은 M개의 확률 스코어를 가지는 최상위 M 개의 카테고리를 결정할 수 있다.
제품 카테고리 예측기(520)는 대응하는 M 개의 카테고리의 전체 확률 스코어를 이용하여 N 개의 카테고리의 전체 확률 스코어를 평균을 낼 수 있다. 예를 들어, 특정 카테고리에 대해서, 계층적 모델에 의해 결정된 해당 카테고리에 대한 전체 확률 스코어는 이미지 모델에 의해 결정된 동일 카테고리에 대한 전체 확률 스코어로 평균이 내진다. N 개 및 M 개는 반드시 같은 수의 카테고리가 아닐 수 있다. 예를 들어, 계층적 모델이 N 개의 카테고리 중 하나에 대해 스코어를 결정하고 이미지 모델이 동일한 카테고리에 대해 스코어를 가지고 있지 않은 경우, 이미지 모델에서 해당 카테고리에 대한 전체 확률 스코어는 제로이다. 제품 카테고리 예측기(520)는 가장 높은 평균 스코어를 가지는 카테고리가 미분류 제품에 대해 가장 관련성이 높은 카테고리인 것임을 결정하고, 이어서 그 미분류 제품을 가장 높은 평균 전체 확률 스코어를 가지는 N 개 또는 M 개의 카테고리 중 하나 이상으로 소팅할 수 있다.
도 6을 참조하면, 제품 분류를 위한 계층적 모델(600)의 샘플이 보여진다. 예를 들어, 계층적 모델(600)은 루트 노드(601) 및 다양한 제품 카테고리를 나타내는 복수의 노드(611)를 포함하는 제1 계층(610)을 포함할 수 있다. 또한 계층적 모델(600)은 노드(611)의 다양한 제품 하위 카테고리를 나타내는 복수의 노드(621)를 포함하는 제2 계층(620)을 포함할 수 있다. 또한 계층적 모델(600)은 노드(621)의 다양한 제품 하위 카테고리를 나타내는 복수의 노드(631)를 포함하는 제3 계층(630)을 포함할 수 있다. 계층적 모델(600)은 임의 수의 계층 및 노드를 포함할 수 있으며, 도시된 실시예로 한정되지 않는다.
도 7을 참조하면, 제품 분류를 위한 프로세스가 보여진다. 일부 실시예로써 도 3 및 도 5에 도시된 시스템 중 하나 이상이 본 명세서에 설명된 여러 스텝들을 수행할 수 있지만, 다른 구현도 가능하다. 예를 들면, 본 명세서에서 설명되고 도시된 시스템들 및 컴포넌트들 중 어느 것(예로써, 시스템(100) 등)이 이 개시에 설명된 스텝들을 수행할 수 있다.
스텝 701에서, 트레이닝 데이터 시스템(310)은, 사용자(360A)로부터 네트워크(350)를 통해서, 하나 이상의 카테고리와 연관된 제품을 포함하는 초기 트레이닝 데이터(예로써, 도 4의 제품 ID(410), 상위 레벨 카테고리(412), 하위 카테고리(414), 제품명(416), 브랜드(418), 또는 제품 이미지 URL(420))를 수신할 수 있다. 예를 들어, 초기 트레이닝 데이터는 인적 라벨링 데이터, 자동적으로 생성된 가상의 제품 데이터, 자동적으로 생성된 매핑 가이드라인 키워드 데이터, 또는 자동 라이브 제품의 셀렉션 중 임의의 조합을 포함할 수 있다. 트레이닝 데이터 시스템(310)은 내부 프론트 엔드 시스템(105)을 통해서 내부 사용자(예로써, 시스템(100)을 소유하거나, 운용하거나, 또는 임대하는 조직의 직원)로부터 초기 트레이닝 데이터를 수신할 수 있다.
스텝 703에서, 전처리 시스템(320)은 합성 트레이닝 데이터를 생성하도록 트레이닝 데이터 시스템(310)으로부터 수신된 초기 트레이닝 데이터를 전처리할 수 있다. 예를 들어, 텍스트 기반의 초기 트레이닝 데이터는 불용어 제거, 키워드 토큰화, 키워드의 중복제거, 및 초기 트레이닝 데이터의 증강을 포함하는 방법들의 임의 조합을 이용하여 전처리될 수 있으며, 이미지 기반의 초기 트레이닝 데이터는 이미지 증강 기술(예로써, PyTorch)을 이용하여 전처리될 수 있다.
스텝 705에서, 계층적 모델 트레이너 시스템(330)은 전처리 시스템(320)에 의해 생성된 텍스트 기반의 합성 트레이닝 데이터를 수신할 수 있고, 이미지 모델 트레이너 시스템(340)은 전처리 시스템(320)에 의해 생성된 이미지 기반의 합성 트레이닝 데이터를 수신할 수 있다. 계층적 모델 트레이너 시스템(330) 및 이미지 모델 트레이너(340)는, 제품 분류를 위해 수신된 합성 데이터를 이용하여, 적어도 하나의 계층적 모델 및 적어도 하나의 이미지 모델을, 각각, 생성하고 트레이닝시킬 수 있다. 도 6의 예로 다시 돌아가면, 계층적 모델은 루트 노드(601) 하위에, 노드 611 및 621에 대한, 적어도 2개의 계층 610 및 620을 포함할 수 있다.
스텝 707에서, 제품 카테고리 예측기(520)는 제1 미분류 제품과 연관된 정보를 수신할 수 있다. 예를 들어, 사용자(560A)는 사용자 디바이스(560)를 이용하여 판매자 포털(109)과 통신하고 적어도 하나의 제품을 등록할 수 있다. 사용자(560A)는 제품명, 속성값, 제조자, 브랜드, 및 모델 넘버를 포함하는 연결된 텍스트 문자열을 입력하도록 유도될 수 있다.
스텝 709에서, 제품 카테고리 예측기(520)는 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리의 세트를 예측하도록 요청을 수신할 수 있다. 예를 들어, 사용자(560A)는 제품 카테고리 예측기(520)가 주어진 제품에 대해 예측할 수 있는, 카테고리의 수(N)를 입력하도록 유도될 수 있다.
스텝 711에서, 제품 카테고리 예측기(520)는 계층적 모델을 이용하여 미분류 제품에 대한 제1 계층의 각 노드에 대한 확률 스코어를 먼저 계산함으로써 제1 미분류 제품의 N 개의 카테고리를 예측할 수 있다. 확률 스코어는 미분류 제품이 연관된 카테고리에 속할 확률을 나타낸다. 그 다음에 계층적 모델은 가장 높은 n 개의 확률 스코어를 가지는 제1 계층(예로써, 도 6의 계층(610))의 n 개의 노드의 세트를 결정할 수 있다. 예를 들어, 맨위 계층은 5개의 카테고리를 포함할 수 있고, 그리고 n = 3인 경우에, 계층적 모델은 3개의 가장 높은 확률 스코어를 가지는 제1 계층에 대한 3개의 노드(또는 카테고리)를 결정할 수 있다. 그 다음에 계층적 모델은 제2 계층(예로써, 도 6의 제2 계층(620))의 노드의 세트에 대한 확률 스코어를 계산할 수 있으며, 여기서 제2 계층의 노드의 세트는 가장 높은 n 개의 확률 스코어를 가지는 n 개의 노드(또는 카테고리)의 하위 카테고리이다. 그 다음에 계층적 모델은 가장 높은 m 개의 스코어를 가지는 제2 계층의 m 개의 노드의 세트를 결정할 수 있다. 예를 들어, m = 3인 경우에, 계층적 모델은 3개의 가장 높은 스코어를 가지는 제2 계층의 3개의 노드(또는 카테고리)를 결정할 수 있다. 계층적 모델은 임의 수의 카테고리에 대해서 이 프로세스를 회귀적으로 계속할 수 있다. 계층적 모델은 가장 높은 m 개의 스코어를 가지는 m 개의 노드 및 제1 계층에서의 각각의 n 개의 노드의 확률 스코어에 기초하여 전체 확률을 계산할 수 있다. 그 다음에 계층적 모델은 가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리를 결정할 수 있다.
스텝 713에서, 제품 카테고리 예측기(520)는 이어서 미분류 제품을 가장 높은 전체 확률 스코어를 가지는 제1 및 제2 계층의 노드와 연관된 N 개의 카테고리 중 하나 이상으로 소팅할 수 있다.
스텝 715에서, 제품 카테고리 예측기(520)는 사용자(예로써, 사용자(560A))와 연관된 사용자 디바이스(예로써, 사용자 디바이스(560)) 상에 소팅된 제1 미분류 제품 및 그와 연관된 N 개의 카테고리를 표시할 수 있다. 예를 들어, 제품 카테고리 예측기(520)는 제1 미분류 제품 및 하나 이상의 연관된 카테고리와 연관된 데이터를 포함하도록 웹 페이지를 마련하거나 수정할 수 있다.
본 개시는 그 특정 실시예를 참조하여 도시되고 설명되었지만, 본 개시는 다른 환경에서, 변경없이, 실시될 수 있음을 이해할 것이다. 전술한 설명은 예시의 목적으로 제시되었다. 그것은 개시된 정확한 형태나 실시예에 대해 총망라된 것이 아니며 이것으로 한정되는 것은 아니다. 개시된 실시예의 설명 및 실시를 고려하는 것으로부터 변경 및 조정이 통상의 기술자에게 명백할 것이다. 추가적으로, 비록 개시된 실시예의 형태가 메모리에 저장되는 것으로서 설명되었지만, 통상의 기술자는 이들 형태가 2차 저장 디바이스, 예를 들면, 하드디스크나 CD ROM, 또는 다른 형태의 RAM이나 ROM, USB 매체, DVD, 블루레이, 또는 다른 광 드라이브 매체와 같이, 다른 형태의 컴퓨터 판독 가능한 매체에 저장될 수도 있는 것을 이해할 것이다.
상술한 설명 및 개시된 방법에 기초한 컴퓨터 프로그램은 숙련된 개발자의 기술 내에 있다. 여러 프로그램 혹은 프로그램 모듈은 통상의 기술자에게 알려진 어느 기술을 이용하여 생성되거나, 또는 기존의 소프트웨어와 연결하여 설계될 수 있다. 예를 들면, 프로그램 섹션 혹은 프로그램 모듈은 닷넷 프레임워크, 닷넷 컴팩트 프레임워크(및 비주얼 베이식, C 등과 같은, 관련 언어), 자바, C++, 오브젝티브 C, HTML, HTML/AJAX 조합, XML, 또는 자바 애플릿이 포함된 HTML 내에서 혹은 그것들에 의해서 설계될 수 있다.
게다가, 여기에서는 예시적인 실시예가 설명되었지만, 본 개시에 기초하여 통상의 기술자가 이해할 수 있는 바와 같이, 일부 또는 모든 실시예의 범위는 동등한 요소, 변경, 생략, 조합(예로써, 여러 실시예에 걸치는 형태의 조합), 조정 및/또는 수정을 가질 수 있다. 청구범위 내의 제한 사항은 그 청구범위 내에 적용된 언어에 기초하여 폭넓게 이해되도록 하는 것이며, 응용의 수행 동안 혹은 본 명세서 내에 설명된 예시로 한정되는 것은 아니다. 그 예시는 비배타적으로 해석되도록 하기 위한 것이다. 추가로, 개시된 방법의 스텝은 어떤 다른 방법으로 변경되거나, 스텝을 재배열 및/또는 스텝을 삽입하거나 삭제하는 것을 포함할 수 있다. 그러므로, 설명 및 예시는 오직 예시적으로 고려되는 것이며, 진정한 범위 및 기술 사상은 다음의 청구범위 및 그 동등한 전체 범위에 의해 나타내지는 것으로 의도된다.

Claims (20)

  1. AI 기반 제품 분류를 위한 컴퓨터 구현 시스템으로서,
    명령을 저장하는 메모리; 및
    상기 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함하며,
    상기 명령은:
    하나 이상의 카테고리와 연관된 제품을 포함하는 초기 트레이닝 데이터를 생성하고- 상기 초기 트레이닝 데이터를 생성하는 것은:
    연관된 트레이닝 데이터를 갖고 있지 않은 하나 이상의 카테고리로 라벨링된 제품을 랜덤으로 수집하는 것; 및
    상기 랜덤으로 수집된 제품과 연관된 제품 데이터를 복제하는 것을 포함함-;
    합성 트레이닝 데이터를 생성하도록 상기 초기 트레이닝 데이터를 전처리하며- 상기 초기 트레이닝 데이터를 전처리하는 것은 상기 초기 트레이닝 데이터를 복제하는 것 및 상기 복제된 초기 트레이닝 데이터로부터 키워드를 랜덤으로 제거하는 것을 포함함-;
    상기 합성 트레이닝 데이터를 이용하여 계층적 모델을 생성하고 - 상기 계층적 모델은 루트 노드 하위에 적어도 두 개의 노드 계층을 포함함 - ;
    제1 미분류 제품과 연관된 정보를 수신하며;
    가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리의 세트를 예측하도록 요청을 수신하고;
    상기 계층적 모델을 이용하여,
    상기 제1 미분류 제품에 대한 제1 계층의 각 노드에 대한 확률 스코어를 계산하고,
    가장 높은 n 개의 확률 스코어를 가지는 상기 제1 계층의 n 개의 노드의 세트를 결정하고,
    제2 계층의 노드의 세트에 대한 확률 스코어를 계산하고 - 해당 노드의 세트는 가장 높은 n 개의 확률 스코어를 가지는 상기 결정된 n 개의 노드의 세트 하위에 존재함 - ,
    가장 높은 m 개의 스코어를 가지는 상기 제2 계층의 m 개의 노드의 세트를 결정하고,
    상기 가장 높은 m 개의 스코어를 가지는 m 개의 노드 및 상기 제1 계층에서의 각각의 n 개의 노드의 확률 스코어에 기초하여 전체 확률 스코어를 계산하고, 그리고
    가장 높은 N 개의 전체 확률 스코어를 가지는 상기 N 개의 카테고리를 결정함으로써,
    상기 제1 미분류 제품의 N 개의 카테고리를 예측하고;
    상기 제1 미분류 제품을 가장 높은 전체 확률 스코어를 가지는 제1 및 제2 계층의 노드와 연관된 N 개의 카테고리로 소팅하고;
    사용자와 연관된 사용자 디바이스 상에 상기 소팅된 제1 미분류 제품 및 그와 연관된 N 개의 카테고리를 표시하는 것인 컴퓨터 구현 시스템.
  2. 청구항 1에 있어서,
    상기 초기 트레이닝 데이터는 하나 이상의 카테고리와 연관된 이미지를 포함하는 컴퓨터 구현 시스템.
  3. 청구항 2에 있어서,
    상기 명령은 추가로 상기 프로세서가 상기 합성 트레이닝 데이터를 이용하여 이미지 모델을 생성하게 하는 것인 컴퓨터 구현 시스템.
  4. 청구항 1에 있어서,
    상기 초기 트레이닝 데이터는 인적 라벨링 데이터, 가상의 제품 데이터, 매핑 가이드라인 키워드 데이터, 또는 라이브 제품의 셀렉션 중 적어도 하나를 포함하는 컴퓨터 구현 시스템.
  5. 청구항 1에 있어서,
    상기 초기 트레이닝 데이터를 전처리하는 것은 상기 초기 트레이닝 데이터로부터 불용어(stop words)를 제거하는 것을 포함하는 컴퓨터 구현 시스템.
  6. 청구항 1에 있어서,
    상기 초기 트레이닝 데이터를 전처리하는 것은 상기 초기 트레이닝 데이터를 토큰화하는 것을 포함하는 컴퓨터 구현 시스템.
  7. 청구항 1에 있어서,
    상기 초기 트레이닝 데이터를 전처리하는 것은 상기 초기 트레이닝 데이터를 중복제거하는 것을 포함하는 컴퓨터 구현 시스템.
  8. 청구항 1에 있어서,
    상기 초기 트레이닝 데이터를 전처리하는 것은 상기 초기 트레이닝 데이터를 복제하는 것 및 상기 복제된 초기 트레이닝 데이터로부터 무관한 영숫자 문자를 제거하는 것을 포함하는 컴퓨터 구현 시스템.
  9. 삭제
  10. 청구항 1에 있어서,
    수신된 상기 제1 미분류 제품과 연관된 정보는 상기 제1 미분류 제품이 잘못 분류된 것임을 나타내는 컴퓨터 구현 시스템.
  11. AI를 이용하여 제품을 분류하기 위한 방법으로서,
    하나 이상의 카테고리와 연관된 제품을 포함하는 초기 트레이닝 데이터를 생성하는 스텝- 상기 초기 트레이닝 데이터를 생성하는 스텝은:
    연관된 트레이닝 데이터를 갖고 있지 않은 하나 이상의 카테고리로 라벨링된 제품을 랜덤으로 수집하는 스텝; 및
    상기 랜덤으로 수집된 제품과 연관된 제품 데이터를 복제하는 스텝을 포함함-;
    합성 트레이닝 데이터를 생성하도록 상기 초기 트레이닝 데이터를 전처리하는 스텝- 상기 초기 트레이닝 데이터를 전처리하는 스텝은 상기 초기 트레이닝 데이터를 복제하는 스텝 및 상기 복제된 초기 트레이닝 데이터로부터 키워드를 랜덤으로 제거하는 스텝을 포함함-;
    상기 합성 트레이닝 데이터를 이용하여 계층적 모델을 생성하는 스텝 - 상기 계층적 모델은 루트 노드 하위에 적어도 두 개의 노드 계층을 포함함 - ;
    제1 미분류 제품과 연관된 정보를 수신하는 스텝;
    가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리의 세트를 예측하도록 요청을 수신하는 스텝;
    상기 계층적 모델을 이용하여,
    상기 제1 미분류 제품에 대한 제1 계층의 각 노드에 대한 확률 스코어를 계산하고,
    가장 높은 n 개의 확률 스코어를 가지는 상기 제1 계층의 n 개의 노드의 세트를 결정하고,
    제2 계층의 노드의 세트에 대한 확률 스코어를 계산하고 - 해당 노드의 세트는 가장 높은 n 개의 확률 스코어를 가지는 상기 결정된 n 개의 노드의 세트 하위에 존재함 - ,
    가장 높은 m 개의 스코어를 가지는 상기 제2 계층의 m 개의 노드의 세트를 결정하고,
    상기 가장 높은 m 개의 스코어를 가지는 m 개의 노드 및 상기 제1 계층에서의 각각의 n 개의 노드의 확률 스코어에 기초하여 전체 확률 스코어를 계산하고, 그리고
    가장 높은 N 개의 전체 확률 스코어를 가지는 상기 N 개의 카테고리를 결정함으로써,
    상기 제1 미분류 제품의 N 개의 카테고리를 예측하는 스텝; 및
    상기 제1 미분류 제품을 가장 높은 전체 확률 스코어를 가지는 제1 및 제2 계층의 노드와 연관된 N 개의 카테고리로 소팅하는 스텝을 포함하는 방법.
  12. 청구항 11에 있어서,
    상기 초기 트레이닝 데이터는 하나 이상의 카테고리와 연관된 이미지를 포함하는 방법.
  13. 청구항 12에 있어서,
    상기 합성 트레이닝 데이터를 이용하여 이미지 모델을 생성하는 스텝을 더 포함하는 방법.
  14. 청구항 11에 있어서,
    상기 초기 트레이닝 데이터는 인적 라벨링 데이터, 가상의 제품 데이터, 매핑 가이드라인 키워드 데이터, 또는 라이브 제품의 셀렉션 중 적어도 하나를 포함하는 방법.
  15. 청구항 11에 있어서,
    상기 초기 트레이닝 데이터를 전처리하는 스텝은 상기 초기 트레이닝 데이터로부터 불용어를 제거하는 스텝을 포함하는 방법.
  16. 청구항 11에 있어서,
    상기 초기 트레이닝 데이터를 전처리하는 스텝은 상기 초기 트레이닝 데이터를 토큰화하는 스텝을 포함하는 방법.
  17. 청구항 11에 있어서,
    상기 초기 트레이닝 데이터를 전처리하는 스텝은 상기 초기 트레이닝 데이터를 중복제거하는 스텝을 포함하는 방법.
  18. 청구항 11에 있어서,
    상기 초기 트레이닝 데이터를 전처리하는 스텝은 상기 초기 트레이닝 데이터를 복제하는 스텝 및 상기 복제된 초기 트레이닝 데이터로부터 무관한 영숫자 문자를 제거하는 스텝을 포함하는 방법.
  19. 삭제
  20. AI 기반 제품 분류를 위한 컴퓨터 구현 시스템으로서,
    명령을 저장하는 메모리; 및
    상기 명령을 실행하도록 구성된 적어도 하나의 프로세서를 포함하며,
    상기 명령은:
    하나 이상의 카테고리와 연관된 제품 및 이미지를 포함하는 초기 트레이닝 데이터를 생성하고- 상기 초기 트레이닝 데이터를 생성하는 것은:
    연관된 트레이닝 데이터를 갖고 있지 않은 하나 이상의 카테고리로 라벨링된 제품을 랜덤으로 수집하는 것; 및
    상기 랜덤으로 수집된 제품과 연관된 제품 데이터를 복제하는 것을 포함함-;
    합성 트레이닝 데이터를 생성하도록 상기 초기 트레이닝 데이터를 전처리하며- 상기 초기 트레이닝 데이터를 전처리하는 것은 상기 초기 트레이닝 데이터를 복제하는 것 및 상기 복제된 초기 트레이닝 데이터로부터 키워드를 랜덤으로 제거하는 것을 포함함-;
    상기 합성 트레이닝 데이터를 이용하여 계층적 모델을 생성하고 - 상기 계층적 모델은 루트 노드 하위에 적어도 두 개의 노드 계층을 포함함 - ;
    상기 합성 트레이닝 데이터를 이용하여 이미지 모델을 생성하고;
    제1 미분류 제품과 연관된 정보를 수신하며;
    가장 높은 N 개의 전체 확률 스코어를 가지는 N 개의 카테고리의 세트를 예측하기 위한 요청 및 가장 높은 M 개의 전체 확률 스코어를 가지는 M 개의 카테고리의 세트를 예측하기 위한 요청을 수신하고;
    상기 계층적 모델을 이용하여,
    상기 제1 미분류 제품에 대한 제1 계층의 각 노드에 대한 확률 스코어를 계산하고,
    가장 높은 n 개의 확률 스코어를 가지는 상기 제1 계층의 n 개의 노드의 세트를 결정하고,
    제2 계층의 노드의 세트에 대한 확률 스코어를 계산하고 - 해당 노드의 세트는 가장 높은 n 개의 확률 스코어를 가지는 상기 결정된 n 개의 노드의 세트 하위에 존재함 - ,
    가장 높은 m 개의 스코어를 가지는 상기 제2 계층의 m 개의 노드의 세트를 결정하고,
    상기 가장 높은 m 개의 스코어를 가지는 m 개의 노드 및 상기 제1 계층에서의 각각의 n 개의 노드의 확률 스코어에 기초하여 전체 확률 스코어를 계산하고, 그리고
    가장 높은 N 개의 전체 확률 스코어를 가지는 상기 N 개의 카테고리를 결정함으로써,
    상기 제1 미분류 제품의 N 개의 카테고리를 예측하고;
    상기 이미지 모델을 이용하여,
    상기 제1 미분류 제품에 대한 확률 스코어를 계산하고, 그리고
    가장 높은 M 개의 전체 확률 스코어를 가지는 상기 M 개의 카테고리를 결정함으로써,
    상기 제1 미분류 제품의 M 개의 카테고리를 예측하고;
    상기 M 개의 카테고리로 상기 N 개의 카테고리의 전체 확률 스코어를 평균하고;
    상기 제1 미분류 제품을 가장 높은 평균 전체 확률 스코어를 가지는 N 또는 M 개의 카테고리 중의 카테고리로 소팅하고; 그리고
    사용자와 연관된 사용자 디바이스 상에 상기 소팅된 제1 미분류 제품 및 그와 연관된 N 또는 M 개의 카테고리를 표시하는 것인 컴퓨터 구현 시스템.
KR1020200054711A 2020-02-18 2020-05-07 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법 KR102350982B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220003348A KR20220012369A (ko) 2020-02-18 2022-01-10 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/793,536 US11023814B1 (en) 2020-02-18 2020-02-18 Computerized systems and methods for product categorization using artificial intelligence
US16/793,536 2020-02-18

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020220003348A Division KR20220012369A (ko) 2020-02-18 2022-01-10 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210105269A KR20210105269A (ko) 2021-08-26
KR102350982B1 true KR102350982B1 (ko) 2022-01-13

Family

ID=76094705

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200054711A KR102350982B1 (ko) 2020-02-18 2020-05-07 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법
KR1020220003348A KR20220012369A (ko) 2020-02-18 2022-01-10 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020220003348A KR20220012369A (ko) 2020-02-18 2022-01-10 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법

Country Status (5)

Country Link
US (2) US11023814B1 (ko)
KR (2) KR102350982B1 (ko)
SG (1) SG11202104604QA (ko)
TW (1) TWI747674B (ko)
WO (1) WO2021165738A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11500970B2 (en) * 2019-08-02 2022-11-15 Nxp B.V. Machine learning model and method for determining if the machine learning model has been copied
US11475128B2 (en) * 2019-08-16 2022-10-18 Mandiant, Inc. System and method for heterogeneous transferred learning for enhanced cybersecurity threat detection
US11657332B2 (en) * 2020-06-12 2023-05-23 Baidu Usa Llc Method for AI model transferring with layer randomization
KR102486487B1 (ko) * 2022-05-18 2023-01-10 신지수 사용자를 위한 상품 제공 방법
KR102456012B1 (ko) * 2022-06-10 2022-10-18 주식회사 애자일소다 인공지능 기반의 분류 모델링 장치 및 방법
CN117195081B (zh) * 2023-11-07 2024-02-27 广东工业大学 基于文本挖掘的餐饮外卖包装废弃物核算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017068848A (ja) * 2015-09-30 2017-04-06 株式会社日立製作所 自動分析方法
JP2019164402A (ja) * 2018-03-19 2019-09-26 ヤフー株式会社 情報処理装置、情報処理方法、およびプログラム

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6742003B2 (en) * 2001-04-30 2004-05-25 Microsoft Corporation Apparatus and accompanying methods for visualizing clusters of data and hierarchical cluster classifications
US8296330B2 (en) * 2009-06-02 2012-10-23 Microsoft Corporation Hierarchical classification
EP2606455A4 (en) * 2010-08-18 2014-05-07 Hewlett Packard Development Co PRODUCT INFORMATION
US10528907B2 (en) * 2012-12-19 2020-01-07 Oath Inc. Automated categorization of products in a merchant catalog
US9524520B2 (en) * 2013-04-30 2016-12-20 Wal-Mart Stores, Inc. Training a classification model to predict categories
US10963810B2 (en) * 2014-06-30 2021-03-30 Amazon Technologies, Inc. Efficient duplicate detection for machine learning data sets
US10339470B1 (en) * 2015-12-11 2019-07-02 Amazon Technologies, Inc. Techniques for generating machine learning training data
US20190065589A1 (en) * 2016-03-25 2019-02-28 Quad Analytix Llc Systems and methods for multi-modal automated categorization
US10282462B2 (en) * 2016-10-31 2019-05-07 Walmart Apollo, Llc Systems, method, and non-transitory computer-readable storage media for multi-modal product classification
US10860854B2 (en) * 2017-05-16 2020-12-08 Google Llc Suggested actions for images
KR101939209B1 (ko) * 2017-06-16 2019-01-16 (주)이스트소프트 신경망 기반의 텍스트의 카테고리를 분류하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
CN111295669A (zh) * 2017-06-16 2020-06-16 马克波尔公司 图像处理系统
KR101998399B1 (ko) * 2017-08-01 2019-07-09 (주)레드테이블 빅데이터를 이용한 모바일 커머스 시스템 및 서비스 방법
TWI665566B (zh) * 2017-09-04 2019-07-11 優愛德股份有限公司 產品分類系統與方法
KR102108460B1 (ko) * 2018-04-17 2020-05-07 (주)레몬클라우드 상품 벡터를 이용한 상품 분류 방법 및 장치
US11776036B2 (en) * 2018-04-19 2023-10-03 Adobe Inc. Generating and utilizing classification and query-specific models to generate digital responses to queries from client device
US10726300B2 (en) * 2018-05-01 2020-07-28 Scribe Fusion, LLC System and method for generating and processing training data
CN110597995B (zh) * 2019-09-20 2022-03-11 税友软件集团股份有限公司 一种商品名称分类方法、装置、设备及可读存储介质
AU2021221978A1 (en) * 2020-02-17 2022-09-15 DataRobot, Inc. Automated data analytics methods for non-tabular data, and related systems and apparatus

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017068848A (ja) * 2015-09-30 2017-04-06 株式会社日立製作所 自動分析方法
JP2019164402A (ja) * 2018-03-19 2019-09-26 ヤフー株式会社 情報処理装置、情報処理方法、およびプログラム

Also Published As

Publication number Publication date
WO2021165738A1 (en) 2021-08-26
US20210295185A1 (en) 2021-09-23
KR20210105269A (ko) 2021-08-26
KR20220012369A (ko) 2022-02-03
TWI747674B (zh) 2021-11-21
SG11202104604QA (en) 2021-09-29
US11023814B1 (en) 2021-06-01
TW202133066A (zh) 2021-09-01

Similar Documents

Publication Publication Date Title
KR102354395B1 (ko) 인공 지능을 이용한 제품 통합 및 중복제거를 위한 컴퓨터 시스템 및 방법
KR102350982B1 (ko) 인공 지능을 이용한 제품 분류를 위한 컴퓨터 시스템 및 방법
US11113468B1 (en) Systems and methods for word segmentation based on a competing neural character language model
WO2022149004A1 (en) Systems and method for generating machine searchable keywords
KR20240007737A (ko) 제품 추천을 생성하기 위해 인공 지능을 사용하는 컴퓨터 시스템 및 방법
KR20230107496A (ko) 제품 타이틀로부터 속성을 지능적으로 추출하기 위한시스템 및 방법
KR102419908B1 (ko) 동적 커뮤니티를 추적하기 위한 컴퓨터화된 시스템 및 방법
TWI793585B (zh) 用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統
KR102459120B1 (ko) 제품 타이틀을 이용한 지능적 제품 분류를 위한 시스템 및 방법
KR102354732B1 (ko) 제품 타이틀 부정확성을 검출하기 위한 컴퓨터화된 시스템 및 방법
KR102466233B1 (ko) 제품 타이틀로부터 수량의 지능적 추출을 위한 시스템 및 방법
KR102425536B1 (ko) 컨텍스트 관련 검색 결과 생성을 위한 시스템 및 방법
TWI760043B (zh) 詐欺偵測與使用者帳號去除重複之電腦化系統以及方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant