KR102394900B1 - 인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템 - Google Patents

인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102394900B1
KR102394900B1 KR1020220004613A KR20220004613A KR102394900B1 KR 102394900 B1 KR102394900 B1 KR 102394900B1 KR 1020220004613 A KR1020220004613 A KR 1020220004613A KR 20220004613 A KR20220004613 A KR 20220004613A KR 102394900 B1 KR102394900 B1 KR 102394900B1
Authority
KR
South Korea
Prior art keywords
product
supplier
information
inventory
amount
Prior art date
Application number
KR1020220004613A
Other languages
English (en)
Inventor
나수민
Original Assignee
주식회사 로원홀딩스
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 주식회사 로원홀딩스 filed Critical 주식회사 로원홀딩스
Priority to KR1020220004613A priority Critical patent/KR102394900B1/ko
Application granted granted Critical
Publication of KR102394900B1 publication Critical patent/KR102394900B1/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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06314—Calendaring for a resource
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Emergency Management (AREA)
  • Multimedia (AREA)
  • Accounting & Taxation (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능을 기반으로 상품 재고량 정보를 동기화 하는 방법은 제1 공급자의 공급 내역 정보에 기초하여, 상기 제1 공급자가 제1 상품을 공급하는 공급 패턴인 제1 공급 패턴을 분석하는 단계; 상기 제1 공급 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 공급 패턴에 적합한 재고 업데이트 주기인 제1 주기를 설정하는 단계; 상기 제1 주기마다 상기 제1 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량에 대한 정보인 제1 재고량 정보를 획득하는 단계; 제2 공급자의 공급 내역 정보에 기초하여, 상기 제2 공급자가 상기 제1 상품을 공급하는 공급 패턴인 제2 공급 패턴을 분석하는 단계; 상기 제2 공급 패턴에 대한 분석 결과를 상기 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제2 공급 패턴에 적합한 재고 업데이트 주기인 제2 주기를 설정하는 단계; 상기 제2 주기마다 상기 제2 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량에 대한 정보인 제2 재고량 정보를 획득하는 단계; 및 상기 제1 재고량 정보 및 상기 제2 재고량 정보를 획득할 때마다, 상기 제1 상품의 총합 재고량 정보를 업데이트 하는 단계를 포함할 수 있다.

Description

인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM OF SYNCHRONIZING PRODUCT INVENTORY INFORMATION BASED ON ARTIFICIAL INTELLIGENCE}
아래 실시예들은 인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템에 관한 것이다.
상품의 재고량이 정확하게 관리되기 위해서는, 상품이 창고에서 입고되거나 출고될 때 그 상품의 종류 및 그 출입수량이 정확하게 체크되어야 한다.
또한, 상품의 재고량이 정확하게 체크되었다고 해도, 상품의 재고량이 부족한 경우 재고량을 보충하기 위해서 각 상품에 대한 부족분을 계산하고, 그 부족한 부분을 보충하기 위해 상품을 공급하는 공급자가 일일이 주문을 해야하는 번거로움이 있다.
상품의 종류와 수량이 많지 않은 경우에는 재고량의 파악 및 부족분의 보충이 어렵지 않으나, 상품의 종류와 양이 많아지는 경우에는 재고량의 파악 및 부족분의 보충에 어려움이 있었고, 특히, 다양한 공급자가 소유하고 있는 상품의 재고량을 실시간으로 파악하여 주문하는데 어려움이 있어, 상품 품절률을 관리하기 힘든 문제점이 있었다.
한국등록특허 제10-2251187호 한국공개특허 제10-2021-0042568호 한국등록특허 제10-1823381호 한국등록특허 제10-2244568호
일실시예에 따르면, 공급자의 공급 내역 정보에 기초하여 공급 패턴을 분석하고, 공급 패턴에 적합한 재고 업데이트 주기를 설정하여, 공급 패턴에 따라 재고 업데이트 주기를 상이하게 설정함으로써, 상품의 품절률을 관리할 수 있는 인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
일실시예에 따르면, 장치에 의해 수행되는, 인공지능을 기반으로 상품 재고량 정보를 동기화 하는 방법에 있어서, 제1 공급자의 공급 내역 정보에 기초하여, 상기 제1 공급자가 제1 상품을 공급하는 공급 패턴인 제1 공급 패턴을 분석하는 단계; 상기 제1 공급 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 공급 패턴에 적합한 재고 업데이트 주기인 제1 주기를 설정하는 단계; 상기 제1 주기마다 상기 제1 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량에 대한 정보인 제1 재고량 정보를 획득하는 단계; 제2 공급자의 공급 내역 정보에 기초하여, 상기 제2 공급자가 상기 제1 상품을 공급하는 공급 패턴인 제2 공급 패턴을 분석하는 단계; 상기 제2 공급 패턴에 대한 분석 결과를 상기 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제2 공급 패턴에 적합한 재고 업데이트 주기인 제2 주기를 설정하는 단계; 상기 제2 주기마다 상기 제2 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량에 대한 정보인 제2 재고량 정보를 획득하는 단계; 및 상기 제1 재고량 정보 및 상기 제2 재고량 정보를 획득할 때마다, 상기 제1 상품의 총합 재고량 정보를 업데이트 하는 단계를 포함하는, 인공지능 기반 상품 재고량 정보 동기화 방법이 제공된다.
상기 제1 재고량 정보를 획득하는 단계는, 제1 공급자 단말의 카메라를 이용하여 상기 제1 공급자의 창고에 보관되어 있는 상품에 대한 촬영이 수행되면, 상기 제1 공급자의 창고에 보관되어 있는 상품을 촬영하여 생성된 제1 이미지를 획득하는 단계; 상기 제1 이미지를 인코딩 하여 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계; 상기 제1 출력 신호를 기초로, 상기 제1 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량을 분석하는 단계; 및 상기 제1 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량에 대한 분석 결과를 기반으로, 상기 제1 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량을 확인하여, 상기 제1 재고량 정보를 생성하는 단계를 포함할 수 있다.
상기 제2 재고량 정보를 획득하는 단계는, 제2 공급자 단말의 카메라를 이용하여 상기 제2 공급자의 창고에 보관되어 있는 상품에 대한 촬영이 수행되면, 상기 제2 공급자의 창고에 보관되어 있는 상품을 촬영하여 생성된 제2 이미지를 획득하는 단계; 상기 제2 이미지를 인코딩 하여 제2 입력 신호를 생성하는 단계; 상기 제2 입력 신호를 상기 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계; 상기 제2 출력 신호를 기초로, 상기 제2 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량을 분석하는 단계; 및 상기 제2 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량에 대한 분석 결과를 기반으로, 상기 제2 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량을 확인하여, 상기 제2 재고량 정보를 생성하는 단계를 포함할 수 있다.
상기 인공지능 기반 상품 재고량 정보 동기화 방법은, 제1 시점에 상기 제1 상품의 총합 재고량 정보가 업데이트 되면, 상기 제1 상품의 총합 재고량 정보를 통해, 상기 제1 시점에 대한 상기 제1 상품의 총합 재고량을 확인하는 단계; 상기 제1 상품의 총합 재고량이 미리 설정된 제1 기준값 보다 적은지 여부를 확인하는 단계; 상기 제1 상품의 총합 재고량이 상기 제1 기준값 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 입고가 필요한 것으로 판단하는 단계; 상기 제1 상품에 대한 입고가 필요한 것으로 판단되면, 상기 제1 상품의 총합 재고량이 미리 설정된 제2 기준값 보다 적은지 여부를 확인하는 단계; 상기 제1 상품의 총합 재고량이 상기 제2 기준값 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 재고 확보 알림 메시지를 제1 공급자 단말 및 제2 공급자 단말로 전송하는 단계; 상기 제1 상품의 총합 재고량이 상기 제2 기준값 보다 많은 것으로 확인되면, 상기 제1 재고량 정보를 통해 확인된 제1 재고량이 상기 제2 재고량 정보를 통해 확인된 제2 재고량 보다 적은지 여부를 확인하는 단계; 상기 제1 재고량이 상기 제2 재고량 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 재고 확보 알림 메시지를 상기 제1 공급자 단말로 전송하는 단계; 및 상기 제2 재고량이 상기 제1 재고량 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 재고 확보 알림 메시지를 상기 제2 공급자 단말로 전송하는 단계를 더 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
일실시예에 따르면, 공급자의 공급 내역 정보에 기초하여 공급 패턴을 분석하고, 공급 패턴에 적합한 재고 업데이트 주기를 설정하여, 공급 패턴에 따라 재고 업데이트 주기를 상이하게 설정함으로써, 상품의 품절률을 관리할 수 있는 효과가 있다.
한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 인공지능 기반 상품 재고량 정보 동기화 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제1 공급자의 창고에 보관되어 있는 제1 상품의 재고량 정보를 획득하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 제2 공급자의 창고에 보관되어 있는 제1 상품의 재고량 정보를 획득하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제1 상품의 총합 재고량을 확인하여 재고 확보 알림 메시지를 전송하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 로드 밸런스를 위해 서버의 설정을 제어하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 공급자 단말의 화면에 표시되는 각 상품의 이미지에 대한 노출 영역의 크기를 설정하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 제2 인공 신경망을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 공급자 단말(100) 및 장치(200)를 포함할 수 있다.
먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
복수의 공급자 단말(100)은 상품을 공급하는 공급자들이 사용하는 단말기로, 제1 공급자가 사용하는 제1 공급자 단말(110), 제2 공급자가 사용하는 제2 공급자 단말(120), 제3 공급자가 사용하는 제3 공급자 단말(130) 등을 포함할 수 있다.
복수의 공급자 단말(100) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 공급자 단말(110), 제2 공급자 단말(120), 제3 공급자 단말(130) 등은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
복수의 공급자 단말(100) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 공급자 단말(100)은 장치(200)와 유무선으로 통신하도록 구성될 수 있다.
복수의 공급자 단말(100) 각각은 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 사이트에 접속되거나, 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 공급자 단말(100) 각각은 웹 사이트 또는 애플리케이션을 통해 장치(200)와 연동될 수 있다.
이하에서는 설명의 편의상, 제1 공급자 단말(110)의 동작을 위주로 설명하지만, 제2 공급자 단말(120) 등의 다른 공급자 단말에서 제1 공급자 단말(110)의 동작을 대신 수행할 수 있는 것은 물론이다.
장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 장치(200)는 복수의 공급자 단말(100)과 유무선으로 통신하도록 구성될 수 있다.
장치(200)는 복수의 공급자 각각의 창고에 보관되어 있는 상품의 재고량을 확인한 후, 동일한 상품에 대한 재고량을 취합하여 총합 재고량 정보를 생성할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 복수의 공급자 단말(100) 중 제1 공급자 단말(110), 제2 공급자 단말(120) 및 제3 공급자 단말(130)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
도 2는 일실시예에 따른 인공지능 기반 상품 재고량 정보 동기화 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저 S201 단계에서, 장치(200)는 제1 공급자의 공급 내역 정보에 기초하여, 제1 공급자가 제1 상품을 공급하는 공급 패턴인 제1 공급 패턴을 분석할 수 있다.
여기서, 공급 내역 정보는 어느 공급자가 어느 시점에 어느 상품을 얼마나 공급하였는지 나타내는 히스토리로, 공급자, 공급일, 상품 별 공급 수량 등의 정보를 포함할 수 있으며, 공급일 순으로 정렬되어 가장 최근에 공급된 내역이 먼저 확인될 수 있다. 이를 위해, 장치(200)의 데이터베이스에는 공급자 별로 구분되어 있는 공급 내역 정보가 저장되어 있으며, 장치(200)는 데이터베이스에 저장된 정보를 조회하여 제1 공급자의 공급 내역 정보를 획득할 수 있다.
예를 들어, 제1 공급자의 공급 내역 정보를 통해 제1 공급자가 제1 상품을 수요자들에게 공급한 내역을 확인한 결과, 1월 1일에 20개, 1월 11일에 15개, 1월 21일에 25개 공급한 것이 확인되면, 장치(200)는 10일 간격으로 평균 20개씩 제1 상품에 대한 공급이 이루어지는 것을 파악하여, 제1 공급 패턴을 분석할 수 있다. 여기서, 제1 공급 패턴은 제1 공급자가 제1 상품을 얼마나 자주 수요자들에게 공급하였는지 나타내는 공급 패턴을 의미할 수 있다.
S202 단계에서, 장치(200)는 제2 공급자의 공급 내역 정보에 기초하여, 제2 공급자가 제1 상품을 공급하는 공급 패턴인 제2 공급 패턴을 분석할 수 있다. 여기서, 제2 공급 패턴은 제2 공급자가 제1 상품을 얼마나 자주 수요자들에게 공급하였는지 나타내는 공급 패턴을 의미할 수 있다.
S203 단계에서, 장치(200)는 제1 공급 패턴에 대한 분석 결과를 제1 인공 신경망에 적용할 수 있다.
일실시예에 따르면, 제1 인공 신경망은 공급 패턴에 대한 분석 결과를 입력 받은 후, 공급 패턴에 적합한 재고 업데이트 주기를 출력하는 알고리즘일 수 있다. 예를 들어, 제1 공급 패턴이 10일 간격으로 제1 상품에 대한 공급이 이루어지는 패턴으로 분석된 경우, 제1 인공 신경망은 10일 간격으로 공급이 이루어지는 것으로 분석된 제1 공급 패턴에 대한 분석 결과를 입력으로 받아, 10일 간격으로 이루어지는 공급 패턴에 적합한 재고 업데이트 주기로 10일을 출력할 수 있다.
S204 단계에서, 장치(200)는 제2 공급 패턴에 대한 분석 결과를 제1 인공 신경망에 적용할 수 있다.
S205 단계에서, 장치(200)는 제1 공급 패턴에 대한 분석 결과가 제1 인공 신경망에 입력되면, 제1 인공 신경망의 출력을 기초로, 제1 공급 패턴에 적합한 재고 업데이트 주기인 제1 주기를 설정할 수 있다. 즉, 제1 인공 신경망은 제1 공급자가 제1 상품을 공급하는 공급 패턴인 제1 공급 패턴을 분석하여, 제1 공급 패턴에 적합한 재고 업데이트 주기인 제1 주기에 대한 설정값을 출력할 수 있으며, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제1 공급 패턴에 적합한 재고 업데이트 주기를 제1 주기로 설정할 수 있다.
이를 위해, 제1 인공 신경망은 공급 패턴에 대한 분석 결과를 통해 공급 패턴에 적합한 재고 업데이트 주기를 선정하여 추출하도록 학습될 수 있다. 이러한 제1 인공 신경망은 도 8을 참조하여 후술되는 방법을 통해 학습될 수 있다.
S206 단계에서, 장치(200)는 제2 공급 패턴에 대한 분석 결과가 제1 인공 신경망에 입력되면, 제1 인공 신경망의 출력을 기초로, 제2 공급 패턴에 적합한 재고 업데이트 주기인 제2 주기를 설정할 수 있다. 즉, 제1 인공 신경망은 제2 공급자가 제1 상품을 공급하는 공급 패턴인 제2 공급 패턴을 분석하고, 제2 공급 패턴에 적합한 재고 업데이트 주기인 제2 주기에 대한 설정값을 출력할 수 있으며, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제2 공급 패턴에 적합한 재고 업데이트 주기를 제2 주기로 설정할 수 있다.
S207 단계에서, 장치(200)는 제1 주기마다 제1 공급자의 창고에 보관되어 있는 제1 상품의 재고량에 대한 정보인 제1 재고량 정보를 획득할 수 있다.
일실시예에 따르면, 장치(200)는 제1 주기마다 제1 공급자 단말(110)로 제1 상품의 재고량에 대한 입력 요청을 전송하여, 제1 공급자 단말(110)에 제1 상품의 재고량이 입력되면, 제1 공급자 단말(110)로부터 제1 상품의 재고량에 대한 정보를 수신할 수 있으며, 수신된 제1 상품의 재고량에 대한 정보를 제1 재고량 정보로 획득할 수 있다.
다른 실시예에 따르면, 장치(200)는 제1 주기마다 제1 공급자 단말(110)로 창고 사진 촬영 요청을 전송하여, 제1 공급자 단말(110)의 카메라를 이용하여 제1 공급자의 창고에 보관되어 있는 상품에 대한 촬영이 수행되면, 제1 공급자 단말(110)로부터 상품 촬영으로 생성된 이미지를 수신할 수 있으며, 수신된 이미지의 분석을 통해 제1 재고량 정보를 획득할 수 있다. 이와 관련된 자세한 설명은 도 3을 참조하여 설명하기로 한다.
S208 단계에서, 장치(200)는 제2 주기마다 제2 공급자의 창고에 보관되어 있는 제1 상품의 재고량에 대한 정보인 제2 재고량 정보를 획득할 수 있다.
일실시예에 따르면, 장치(200)는 제2 주기마다 제2 공급자 단말(120)로 제1 상품의 재고량에 대한 입력 요청을 전송하여, 제2 공급자 단말(120)에 제1 상품의 재고량이 입력되면, 제2 공급자 단말(120)로부터 제1 상품의 재고량에 대한 정보를 수신할 수 있으며, 수신된 제1 상품의 재고량에 대한 정보를 제2 재고량 정보로 획득할 수 있다.
다른 실시예에 따르면, 장치(200)는 제2 주기마다 제2 공급자 단말(120)로 창고 사진 촬영 요청을 전송하여, 제2 공급자 단말(120)의 카메라를 이용하여 제2 공급자의 창고에 보관되어 있는 상품에 대한 촬영이 수행되면, 제2 공급자 단말(120)로부터 상품 촬영으로 생성된 이미지를 수신할 수 있으며, 수신된 이미지의 분석을 통해 제2 재고량 정보를 획득할 수 있다. 이와 관련된 자세한 설명은 도 4를 참조하여 설명하기로 한다.
S209 단계에서, 장치(200)는 제1 재고량 정보 및 제2 재고량 정보를 획득할 때 마다, 제1 상품의 총합 재고량 정보를 업데이트할 수 있다. 여기서, 제1 상품의 총합 재고량 정보는 복수의 공급자 각각의 창고에 보관되어 있는 제1 상품의 재고량 모두를 합한 값에 대한 정보를 포함할 수 있다.
장치(200)는 제1 재고량 정보 및 제2 재고량 정보 중 적어도 하나가 획득되면, 제1 상품의 총합 재고량 정보를 업데이트 할 수 있다. 즉, 제1 주기 마다 제1 재고량 정보가 획득되고 있고, 제2 주기마다 제2 재고량 정보가 획득되고 있는 경우, 장치(200)는 제1 주기마다 제1 상품의 총합 재고량 정보를 업데이트 하면서, 제2 주기마다 제1 상품의 총합 재고량 정보를 업데이트 할 수 있다.
도 3은 일실시예에 따른 제1 공급자의 창고에 보관되어 있는 제1 상품의 재고량 정보를 획득하는 과정을 설명하기 위한 순서도이다.
도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 제1 공급자의 창고에 보관되어 있는 상품을 촬영하여 생성된 제1 이미지를 획득할 수 있다.
구체적으로, 제1 공급자 단말(110)은 제1 공급자 단말(110)에 구비된 카메라를 이용하여 제1 공급자의 창고에 보관되어 있는 상품에 대한 촬영을 수행할 수 있고, 제1 공급자의 창고에 보관되어 있는 상품을 촬영하여 제1 이미지를 생성할 수 있다. 장치(200)는 제1 공급자의 창고에 보관되어 있는 상품을 촬영하여 제1 이미지가 생성되면, 제1 공급자 단말(110)로부터 제1 이미지를 획득할 수 있다.
일실시예에 따르면, 제1 공급자 단말(110)에 포함되어 있는 카메라는 영상 촬영을 위한 Full HD(High Definition) 화질의 카메라 장비로서, 30내지 60프레임을 기준으로 하는 촬영 장비일 수 있다. 카메라는 노출, 셔터스피드, 감도를 자동으로 조절할 수 있으며, 사용자의 편의에 따라 수동 조절이 가능할 수 있다.
S302 단계에서, 장치(200)는 제1 이미지를 인코딩 하여 제1 입력 신호를 생성할 수 있다.
구체적으로, 장치(200)는 제1 이미지의 픽셀을 색 정보로 인코딩 하여 제1 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치(200)는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 이미지를 인코딩할 수 있다.
S303 단계에서, 장치(200)는 제1 입력 신호를 제2 인공 신경망에 입력하고, 입력에 대한 결과에 기초하여 제1 출력 신호를 획득할 수 있다.
일실시예에 따르면, 제2 인공 신경망은 컨볼루션 신경망으로 구현되어, 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며, 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.
일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 인공지능 기반 상품 재고량 정보 동기화 방법을 위한 컨볼루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다. 컨볼루션 신경망의 50개 출력층 노드는 상위 25개의 출력층 노드와 하위 25개의 출력층 노드를 포함할 수 있다. 컨볼루션 신경망의 50개 출력층 노드 중 상위 25개의 출력층 노드는 상품의 종류를 지시할 수 있다. 하위 25개의 노드는 상위 25개의 노드에 대응하는 상품의 재고량을 지시할 수 있다. 컨볼루션 신경망에 대한 자세한 설명은 도 9를 참조하여 후술한다.
S304 단계에서, 장치(200)는 제1 출력 신호를 기초로, 제1 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량을 분석할 수 있다. 즉 장치(200)는 제1 공급자의 창고에 보관되어 있는 상품의 종류가 어느 것인지 분석하고, 상품의 종류 별로 재고량이 몇 개인지 분석할 수 있다.
S305 단계에서, 장치(200)는 제1 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량을 분석한 결과를 기반으로, 제1 공급자의 창고에 보관되어 있는 제1 상품의 재고량을 확인하고, 제1 공급자의 창고에 보관되어 있는 제1 상품의 재고량에 대한 정보를 제1 재고량 정보로 생성할 수 있다.
도 4는 일실시예에 따른 제2 공급자의 창고에 보관되어 있는 제1 상품의 재고량 정보를 획득하는 과정을 설명하기 위한 순서도이다.
도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제2 공급자의 창고에 보관되어 있는 상품을 촬영하여 생성된 제2 이미지를 획득할 수 있다.
구체적으로, 제2 공급자 단말(120)은 제2 공급자 단말(120)에 구비된 카메라를 이용하여 제2 공급자의 창고에 보관되어 있는 상품에 대한 촬영을 수행할 수 있고, 제2 공급자의 창고에 보관되어 있는 상품을 촬영하여 제2 이미지를 생성할 수 있다. 장치(200)는 제2 공급자의 창고에 보관되어 있는 상품을 촬영하여 제2 이미지가 생성되면, 제2 공급자 단말(120)로부터 제2 이미지를 획득할 수 있다.
일실시예에 따르면, 제2 공급자 단말(120)에 포함되어 있는 카메라는 영상 촬영을 위한 Full HD(High Definition) 화질의 카메라 장비로서, 30내지 60프레임을 기준으로 하는 촬영 장비일 수 있다. 카메라는 노출, 셔터스피드, 감도를 자동으로 조절할 수 있으며, 사용자의 편의에 따라 수동 조절이 가능할 수 있다.
S402 단계에서, 장치(200)는 제2 이미지를 인코딩 하여 제2 입력 신호를 생성할 수 있다.
구체적으로, 장치(200)는 제2 이미지의 픽셀을 색 정보로 인코딩 하여 제2 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치(200)는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 이미지를 인코딩할 수 있다.
S403 단계에서, 장치(200)는 제2 입력 신호를 제2 인공 신경망에 입력하고, 입력에 대한 결과에 기초하여 제2 출력 신호를 획득할 수 있다. 제2 인공 신경망과 관련된 자세한 설명은 도 3에서 전술되었고, 제2 인공 신경망을 구성하고 있는 컨볼루션 신경망에 대한 자세한 설명은 도 9를 참조하여 후술한다.
S404 단계에서, 장치(200)는 제2 출력 신호를 기초로, 제2 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량을 분석할 수 있다. 즉, 장치(200)는 제2 공급자의 창고에 보관되어 있는 상품의 종류가 어느 것인지 분석하고, 상품의 종류 별로 재고량이 몇 개인지 분석할 수 있다.
S405 단계에서, 장치(200)는 제1 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량을 분석한 결과를 기반으로, 제2 공급자의 창고에 보관되어 있는 제1 상품의 재고량을 확인하고, 제2 공급자의 창고에 보관되어 있는 제1 상품의 재고량에 대한 정보를 제2 재고량 정보로 생성할 수 있다.
도 5는 일실시예에 따른 제1 상품의 총합 재고량을 확인하여 재고 확보 알림 메시지를 전송하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제1 시점에 제1 상품의 총합 재고량 정보가 업데이트 되면, 제1 시점에 대한 제1 상품의 총합 재고량을 확인할 수 있다.
구체적으로, 장치(200)는 제1 공급 패턴을 통해 제1 주기가 설정되고, 제2 공급 패턴을 통해 제2 주기가 설정되면, 제1 주기 마다 제1 재고량 정보를 획득하고, 제2 주기 마다 제2 재고량 정보를 획득할 수 있는데, 제1 시점에 제1 재고량 정보 및 제2 재고량 정보 중 적어도 하나가 획득되면, 제1 시점에 제1 상품의 총합 재고량을 업데이트 하고, 업데이트 된 제1 상품의 총합 재고량 정보를 통해 제1 시점에 대한 제1 상품의 총합 재고량을 확인할 수 있다. 여기서, 제1 시점에 대한 제1 상품의 총합 재고량은 제1 시점에 복수의 공급자 각각의 창고에 보관되어 있는 제1 상품의 재고량 모두를 합한 값을 의미할 수 있다.
예를 들어, 장치(200)는 제1 시점에 제1 재고량 정보가 획득되면, 새로 획득된 제1 재고량 정보와 데이터베이스에 저장되어 있는 제2 재고량 정보를 기반으로, 제1 상품의 총합 재고량 정보를 업데이트 할 수 있다.
또한, 장치(200)는 제1 시점에 제2 재고량 정보가 획득되면, 새로 획득된 제2 재고량 정보와 데이터베이스에 저장되어 있는 제1 재고량 정보를 기반으로, 제1 상품의 총합 재고량 정보를 업데이트 할 수 있다.
또한, 장치(200)는 제1 시점에 제1 재고량 정보 및 제2 재고량 정보가 같이 획득되면, 새로 획득된 제1 재고량 정보와 새로 획득된 제2 재고량 정보를 기반으로, 제1 상품의 총합 재고량 정보를 업데이트 할 수 있다.
S502 단계에서, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 적은지 여부를 확인할 수 있다. 여기서, 제1 기준값은 실시예에 따라 상이하게 설정될 수 있다.
S502 단계에서 제1 상품의 총합 재고량이 제1 기준값 보다 적은 것으로 확인되면, S503 단계에서, 장치(200)는 제1 상품의 입고가 필요한 것으로 판단할 수 있다. 즉, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 적은 경우, 제1 상품의 재고가 부족한 것으로 판단하여, 제1 상품의 입고가 필요한 것으로 판단할 수 있다.
S505 단계에서, 장치(200)는 제1 상품의 입고가 필요한 것으로 판단된 경우, 제1 상품의 총합 재고량이 제2 기준값 보다 적은지 여부를 확인할 수 있다. 여기서, 제2 기준값은 제1 기준값 보다 작은 값으로 설정될 수 있다.
S505 단계에서 제1 상품의 총합 재고량이 제2 기준값 보다 적은 것으로 확인되면, S506 단계에서, 장치(200)는 제1 상품에 대한 재고 확보 알림 메시지를 제1 공급자 단말(110) 및 제2 공급자 단말(120)로 전송할 수 있다. 여기서, 제1 상품에 대한 재고 확보 알림 메시지는 제1 상품의 재고 부족으로 추가적인 재고 확보가 필요한 것을 알려주는 알림 메시지로, 공급자 별로 설정된 재고 확보량에 대한 정보를 포함할 수 있다. 즉, 장치(200)는 제1 상품의 총합 재고량이 제2 기준값 보다 적은 경우, 제1 상품의 재고 부족 상태를 위험 상태로 판단하여, 복수의 공급자를 통해 제1 상품에 대한 재고가 추가로 확보될 수 있도록, 제1 상품에 대한 재고 확보 알림 메시지를 제1 공급자 단말(110) 및 제2 공급자 단말(120)로 전송할 수 있다.
S505 단계에서 제1 상품의 총합 재고량이 제2 기준값 보다 많은 것으로 확인되면, S507 단계에서, 장치(200)는 제1 재고량이 제2 재고량 보다 적은지 여부를 확인할 수 있다.
S507 단계에서 제1 재고량이 제2 재고량 보다 적은 것으로 확인되면, S508 단계에서, 장치(200)는 제1 상품에 대한 재고 확보 알림 메시지를 제1 공급자 단말(110)로 전송할 수 있다. 즉, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 적지만 제2 기준값 보다 많은 경우, 제1 상품의 재고 부족 상태를 경고 상태로 판단하여, 제1 상품의 재고량이 가장 적은 제1 공급자를 통해 제1 상품에 대한 재고가 추가로 확보될 수 있도록, 제1 상품에 대한 재고 확보 알림 메시지를 제1 공급자 단말(110)로 전송할 수 있다.
S507 단계에서 제1 재고량이 제2 재고량 보다 많은 것으로 확인되면, S509 단계에서, 장치(200)는 제1 상품에 대한 재고 확보 알림 메시지를 제2 공급자 단말(120)로 전송할 수 있다. 즉, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 적지만 제2 기준값 보다 많은 경우, 제1 상품의 재고 부족 상태를 경고 상태로 판단하여, 제1 상품의 재고량이 가장 적은 제2 공급자를 통해 제1 상품에 대한 재고가 추가로 확보될 수 있도록, 제1 상품에 대한 재고 확보 알림 메시지를 제2 공급자 단말(120)로 전송할 수 있다.
한편, S502 단계에서 제1 상품의 총합 재고량이 제1 기준값 보다 많은 것으로 확인되면, S504 단계에서, 장치(200)는 제1 상품의 입고가 필요하지 않은 것으로 판단할 수 있고, 다시 S501 단계로 갈 수 있다. 즉, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 많은 경우, 제1 상품의 재고가 충분한 것으로 판단하여, 제1 상품의 입고가 필요하지 않은 것으로 판단할 수 있다.
S504 단계 이후, S501 단계로 되돌아가, 장치(200)는 제1 시점 이후인 제1 시점에 제1 상품의 총합 재고량 정보가 업데이트 되면, 제2 시점에 대한 제1 상품의 총합 재고량을 확인할 수 있다.
이하에서는, 제1 기준값이 10으로 설정되어 있고 제2 기준값이 5로 설정되어 있는 경우, 재고 확보 알림 메시지를 전송하는 과정에 대해 설명하기로 한다. 이는 하나의 실시예이며, 제1 기준값 및 제2 기준값은 실시예에 따라 얼마든지 달라질 수 있다.
제1 상품의 총합 재고량이 12인 경우, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 많은 것으로 확인되기 때문에, 제1 상품의 입고가 필요하지 않은 것으로 판단할 수 있다.
제1 상품의 총합 재고량이 7이고 제1 재고량이 5이고, 제2 재고량이 2인 경우, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 적은 것으로 확인되기 때문에, 제1 상품의 입고가 필요한 것으로 판단한 후, 제1 상품의 총합 재고량이 제2 기준값 보다 많으면서 제2 재고량이 제1 재고량 보다 적은 것으로 확인되기 때문에, 제1 상품에 대한 재고 확보 알림 메시지를 제2 공급자 단말(120)에게만 전송할 수 있다.
제1 상품의 총합 재고량이 7이고 제1 재고량이 2이고, 제2 재고량이 5인 경우, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 적은 것으로 확인되기 때문에, 제1 상품의 입고가 필요한 것으로 판단한 후, 제1 상품의 총합 재고량이 제2 기준 값보다 많으면서 제1 재고량이 제2 재고량 보다 적은 것으로 확인되기 때문에, 제1 상품에 대한 재고 확보 알림 메시지를 제1 공급자 단말(110)에게만 전송할 수 있다.
제1 상품의 총합 재고량이 3인 경우, 장치(200)는 제1 상품의 총합 재고량이 제1 기준값 보다 적은 것으로 확인되기 때문에, 제1 상품의 입고가 필요한 것으로 판단한 후, 제1 상품의 총합 재고량이 제2 기준값 보다도 적은 것으로 확인되기 때문에, 제1 상품에 대한 재고 확보 알림 메시지를 제1 공급자 단말(110)과 제2 공급자 단말(120)에게 전송할 수 있다.
도 6은 일실시예에 따른 로드 밸런스를 위해 서버의 설정을 제어하는 과정을 설명하기 위한 순서도이다.
도 6을 참조하면, 먼저 S601 단계에서, 장치(200)는 제1 주기 및 제2 주기를 기반으로, 제1 재고량 정보의 획득 시점과 제2 재고량 정보의 획득 시점이 겹치는 시점을 제2 시점으로 확인할 수 있다.
구체적으로, 장치(200)는 제1 공급자가 제1 상품을 공급하는 제1 공급 패턴을 기초로, 제1 공급 패턴에 적합한 재고 업데이트 주기인 제1 주기가 설정되고, 제2 공급자가 제1 상품을 공급하는 제2 공급 패턴을 기초로, 제2 공급 패턴에 적합한 재고 업데이트 주기인 제2 주기가 설정되면, 제1 주기 마다 제1 재고량 정보를 획득하고 제2 주기 마다 제2 재고량 정보를 획득할 수 있는데, 이때, 제1 주기 및 제2 주기를 기반으로 제1 재고량 정보의 획득 시점과 제2 재고량 정보의 획득 시점이 겹치는 시점을 제2 시점으로 확인할 수 있다.
예를 들어, 제1 주기가 3일 간격으로 설정되고, 제2 주기가 5일 간격으로 설정된 경우, 장치(200)는 3일 간격으로 제1 재고량 정보를 획득하고, 5일 간격으로 제2 재고량 정보를 획득할 수 있으며, 제1 재고량 정보와 제2 재고량 정보가 15일 후에 같이 획득될 것으로 예상되기 때문에, 15일 후의 시점을 제2 시점으로 확인할 수 있다.
S602 단계에서, 장치(200)는 제2 시점을 기초로, 재고량 정보의 획득을 위해 필요한 통신량이 증가할 것으로 예상되는 이용 증가 기간을 설정할 수 있다. 이때, 장치(200)는 제2 시점을 기준으로 앞뒤로 미리 정해진 기간을 추가하여 이용 증가 기간을 설정할 수 있다. 예를 들어, 제2 시점을 기준으로 앞에 3일, 뒤에 3일을 추가하여 이용 증가 기간을 설정할 수 있고, 이외에도 더 넓거나 더 좁은 기간으로 이용 증가 기간을 설정할 수 있다.
예를 들면, 장치(200)는 제2 시점이 1월 10일로 확인된 경우, 이용 증가 기간을 1월 7일부터 1월 13일까지로 설정할 수 있고, 1월 5일부터 1월 15일까지로 더 넓은 기간을 이용 증가 기간으로 설정하거나, 1월 9일부터 1월 11일까지로 더 좁은 기간을 이용 증가 기간으로 설정할 수도 있다.
S603 단계에서, 장치(200)는 이용 증가 기간을 부하 집중 기간으로 설정하고, 부하 집중 기간을 제외한 나머지 기간을 정상 운영 기간으로 설정할 수 있다.
예를 들어, 장치(200)는 제1 주기가 3일 간격으로 설정되고, 제2 주기가 5일 간격으로 설정된 상태에서, 현재 시점이 1월 1일인 경우, 현재 시점으로부터 15일 후의 시점인 1월 16일을 제2 시점으로 확인할 수 있으며, 제2 시점이 1월 16일로 확인되면, 이용 증가 기간을 1월 13일부터 1월 19일까지로 설정할 수 있다. 이후, 장치(200)는 1월 13일부터 1월 19일까지를 부하 집중 기간으로 설정하고, 1월 1일부터 1월 12일까지를 정상 운영 기간으로 설정할 수 있다.
S604 단계에서, 장치(200)는 현재 시간이 정상 운영 기간 내에 포함되는지 여부를 확인할 수 있다.
S604 단계에서 현재 시간이 정상 운영 기간 내에 포함되는 것으로 확인되면, S605 단계에서, 장치(200)는 제1 서버를 운영 서버로 설정하고, 나머지 서버를 대기 서버로 설정할 수 있다. 이를 위해, 장치(200)는 복수의 서버와 유무선으로 통신하도록 구성될 수 있으며, 복수의 서버의 동작을 제어하여, 복수의 서버를 통해 재고량 정보가 획득되도록 처리할 수 있다. 복수의 서버는 분산 서버 환경에서 병렬로 연결되어 데이터를 처리하는 역할을 수행할 수 있으며, 장치(200)는 부하 발생량에 따라 복수의 서버에게 작업 처리를 분산하여 할당할 수 있다.
즉, 장치(200)는 정상 운영 기간 동안에, 복수의 서버 중 어느 하나인 제1 서버만 운영 서버로 설정하고, 그 외의 나머지 서버를 대기 서버로 설정할 수 있다. 이때, 운영 서버는 현재 운영중인 서버로, 데이터 처리를 수행하는 서버를 지칭하는 말이고, 대기 서버는 운영을 하지 않고 있다가 운영 서버에 과부하 혹은 장애가 감지되었을 때 운영 서버를 대신하여 데이터 처리를 수행하기 위한 서버를 지칭하는 말이다.
S604 단계에서 현재 시간이 정상 운영 기간이 아닌 부하 집중 기간 내에 포함되는 것으로 확인되면, S606 단계에서, 장치(200)는 제1 서버 및 제2 서버를 운영 서버로 설정하고, 나머지 서버를 대기 서버로 설정할 수 있다.
즉, 장치(200)는 부하 집중 기간 동안에, 복수의 서버 중 어느 하나인 제1 서버와 복수의 서버 중 다른 하나의 제2 서버를 운영 서버로 설정하고, 그 외의 나머지 서버를 대기 서버로 설정할 수 있다.
S607 단계에서, 장치(200)는 제1 서버만 운영 서버로 설정되면, 제1 재고량 정보 및 제2 재고량 정보 중 어느 하나가 제1 서버를 통해 획득되도록 제어할 수 있다.
즉, 장치(200)는 정상 운영 기간 동안에, 제1 재고량 정보가 획득되거나, 제2 재고량 정보가 획득될 때, 제1 서버를 통해 획득될 수 있도록, 제1 서버의 동작을 제어할 수 있다.
S608 단계에서, 장치(200)는 제1 재고량 정보가 제1 서버를 통해 획득되도록 제어하고, 제2 재고량 정보가 제2 서버를 통해 획득되도록 제어할 수 있다.
즉, 장치(200)는 부하 집중 기간 동안에, 제1 재고량 정보 및 제2 재고량 정보가 동시에 획득될 때, 제1 재고량 정보가 제1 서버를 통해 획득될 수 있도록, 제1 서버의 동작을 제어하고, 제2 재고량 정보가 제2 서버를 통해 획득될 수 있도록, 제2 서버의 동작을 제어할 수 있다.
도 7은 일실시예에 따른 공급자 단말의 화면에 표시되는 각 상품의 이미지에 대한 노출 영역의 크기를 설정하는 과정을 설명하기 위한 순서도이다.
도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 출력 신호를 기초로, 제1 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량에 대한 분석을 할 수 있다. 이때, 제1 공급자의 창고에 제1 상품 및 제2 상품이 보관되어 있는 상태인 경우, 장치(200)는 제1 공급자의 창고에 보관되어 있는 상품의 종류 별로 재고량이 몇 개인지 분석하여, 제1 상품의 재고량과 제2 상품의 재고량을 각각 확인할 수 있다.
S702 단계에서, 장치(200)는 제1 공급자의 창고에 보관되어 있는 제1 상품의 재고량을 제1 수량으로 확인할 수 있다.
S703 단계에서, 장치(200)는 제1 공급자의 창고에 보관되어 있는 제2 상품의 재고량을 제2 수량으로 확인할 수 있다.
S704 단계에서, 장치(200)는 제1 상품의 재고량인 제1 수량과 제2 상품의 재고량인 제2 수량을 합한 값으로, 제3 수량을 산출할 수 있다.
예를 들어, 장치(200)는 제1 수량이 75이고, 제2 수량이 25인 경우, 제3 수량을 100으로 산출할 수 있다.
S705 단계에서, 장치(200)는 제1 수량을 제3 수량으로 나눈 값으로, 제1 비율을 산출할 수 있다.
예를 들어, 장치(200)는 제1 수량이 75이고, 제3 수량이 100인 경우, 제1 비율을 75%로 산출할 수 있다.
S706 단계에서, 장치(200)는 제2 수량을 제3 수량으로 나눈 값으로, 제2 비율을 산출할 수 있다.
예를 들어, 장치(200)는 제2 수량이 25이고, 제3 수량이 100인 경우, 제2 비율을 25%로 산출할 수 있다.
S707 단계에서, 장치(200)는 제1 비율로 제1 영역의 크기를 설정할 수 있다. 여기서, 제1 영역은 제1 상품의 이미지가 표시되는 영역을 의미할 수 있고, 제1 상품의 이미지는 제1 공급자 단말(110)의 요청으로 미리 등록될 수 있다.
S708 단계에서, 장치(200)는 제2 비율로 제2 영역의 크기를 설정할 수 있다. 여기서, 제2 영역은 제2 상품의 이미지가 표시되는 영역을 의미할 수 있고, 제2 상품의 이미지는 제1 공급자 단말(110)의 요청으로 미리 등록될 수 있다.
S709 단계에서, 장치(200)는 제1 비율을 통해 제1 영역의 크기가 설정되고, 제2 비율을 통해 제2 영역의 크기가 설정되면, 제1 상품의 이미지가 제1 영역에서 표시되고 제2 상품의 이미지가 제2 영역에서 표시되어, 제1 상품의 이미지 및 제2 상품의 이미지가 제1 공급자 단말(110)의 화면에서 분할되어 표시되도록 제어할 수 있다.
즉, 제1 비율을 통해 화면의 크기가 설정된 제1 영역에서는 제1 상품의 이미지가 표시되고, 제2 비율을 통해 화면의 크기가 설정된 제2 영역에서는 제2 상품의 이미지가 표시되어, 제1 상품의 이미지 및 제2 상품의 이미지가 제1 공급자 단말(110)의 화면에서 분할되어 표시될 수 있다. 이를 통해, 제1 공급자는 제1 공급자 단말(110)의 화면에 표시되어 있는 상품들의 이미지를 확인하는 것만으로, 이미지 크기에 따라 상품들의 재고량이 어느 정도 있는지 대략적으로 파악할 수 있게 도움을 줄 수 있다.
도 8은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
일실시예에 따르면, 제1 인공 신경망은 공급 패턴에 대한 분석 결과를 입력 받은 후, 공급 패턴에 적합한 재고 업데이트 주기를 출력하는 알고리즘일 수 있다. 제1 인공 신경망의 학습이 이루어지는 장치(200)는 학습된 제1 인공 신경망을 이용하여 공급 패턴에 적합한 재고 업데이트 주기를 설정하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공 신경망이 학습되는 과정을 설명한다.
먼저, S801 단계에서, 장치(200)는 공급자의 공급 패턴에 대한 분석 결과를 기초로 입력을 생성할 수 있다.
구체적으로, 장치(200)는 공급자의 공급 패턴에 대한 분석 결과의 정보를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 공급자의 공급 패턴에 대한 분석 결과를 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.
S802 단계에서, 장치(200)는 제1 인공 신경망에 입력을 적용할 수 있다. 제1 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.
강화 학습에 따라 학습되는 제1 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 공급자의 공급 패턴에 적합한 재고 업데이트 주기를 선정할수록 보상값이 높아질 수 있으며, 제2 보상은 공급자의 공급 패턴에 적합하지 않은 재고 업데이트 주기를 선정하지 않을수록 보상값이 높아질 수 있다.
S803 단계에서, 장치(200)는 제1 인공 신경망으로부터 출력을 획득할 수 있다. 제1 인공 신경망의 출력은 공급자의 공급 패턴에 적합한 재고 업데이트 주기에 대한 정보를 포함할 수 있다.
제1 인공 신경망은 공급자의 공급 패턴에 대한 분석을 통해, 공급 패턴에 적합한 재고 업데이트 주기를 선정하여, 선정된 재고 업데이트 주기에 대한 정보를 출력할 수 있다.
S804 단계에서, 장치(200)는 제1 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.
구체적으로, 장치(200)는 공급자의 공급 패턴에 적합한 재고 업데이트 주기를 선정할수록 제1 보상을 많이 수여하고, 공급자의 공급 패턴에 적합하지 않은 재고 업데이트 주기를 선정하지 않을수록 제2 보상을 많이 수여할 수 있다.
S805 단계에서, 장치(200)는 평가를 기초로 제1 인공 신경망을 갱신할 수 있다.
구체적으로, 장치(200)는 제1 인공 신경망이 공급자의 공급 패턴을 통해, 재고 업데이트 주기를 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공 신경망을 갱신할 수 있다.
한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.
장치(200)는 상기와 같은 제1 인공 신경망의 학습 과정을 반복함으로써, 제1 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 장치(200)는 공급자의 공급 패턴에 대한 분석 결과를 통해, 공급 패턴에 적합한 재고 업데이트 주기를 출력하는 제1 인공 신경망을 학습시킬 수 있다.
즉, 장치(200)는 공급자의 공급 패턴에 대한 분석 결과를 통해 재고 업데이트 주기를 추출할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.
도 9는 일실시예에 따른 제2 인공 신경망을 설명하기 위한 도면이다.
일실시예에 따르면, 장치(200)는 공급자의 창고에 보관되어 있는 상품에 대한 촬영으로 생성된 이미지를 인코딩 하여 제1 입력 신호를 생성할 수 있으며, 제2 인공 신경망(900)은 제1 입력 신호를 입력으로 하고, 상품의 종류(901) 및 상품의 재고량(902)을 출력으로 할 수 있다.
일실시예에 따른 인코딩은 이미지의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장하는 방식으로 이뤄질 수 있는데, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 제2 인공 신경망(900)은 컨볼루션 신경망으로 구현되어, 제2 인공 신경망(900)은 특징 추출 신경망(910)과 분류 신경망(920)으로 구성될 수 있으며, 특징 추출 신경망(910)은 공급자의 창고에 보관되어 있는 상품을 촬영한 이미지에서 상품과 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(920)은 그로부터 상품을 종류별로 분류하고, 상품의 종류별로 각각의 재고량을 파악하는 작업을 수행하도록 할 수 있다. 특징 추출 신경망(910)이 상품과 배경과 구분하는 방법은, 이미지를 인코딩한 제1 입력 신호의 데이터 시트로부터 색 정보의 각 값들의 변화가 한 픽셀을 포함하는 8개의 픽셀 중 6개 이상에서 30% 이상의 변화가 생긴 것으로 감지되는 픽셀들의 묶음을 상품과 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 특징 추출 신경망(910)은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.
일실시예에 따른 분류 신경망(920)은 특징 추출 신경망(910)을 통해 배경으로부터 구분된 상품을 그 형태 및 연속성에 따라 종류를 구분하고, 상품의 재고량(902)을 종류별로 파악할 수 있다. 상품의 비교를 위해 데이터베이스에 저장된 정보들을 활용할 수 있다. 분류 신경망(920)은 상품의 종류(901)를 파악하는 작업을 우선으로 하며, 파악된 상품의 형태 및 크기에 따라 상품의 재고량(902) 파악을 용이하도록 할 수 있다.
일실시예에 따르면, 분류 신경망(920)은 은닉층과 출력층을 가지고 있다. 장치(200) 내의 제2 인공 신경망(900)에서는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 80개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 인공 신경망(900)의 출력층 노드는 총 50개로 할 수 있다.
일실시예에 따른 제2 인공 신경망(900)의 출력은 출력층의 50개 노드 중 상위 25개의 노드는 상품의 종류(901)를 지시할 수 있고, 하위 25개의 노드는 상위 노드에 각각 대응하는 상품의 재고량(902)을 지시할 수 있다. 상위 25개의 노드와 하위 25개의 노드를 대응시키는 방식은 상위 n번째 노드와 하위 n번째 노드를 대응시키는 방식으로, 전체에서 n번째 노드가 전체에서 25+n번째 노드에 대응하는 방식으로 진행될 수 있다. 예를 들어, 1번째 노드는 26번째 노드에 대응하며, 2번째 노드는 27번째 노드에, 10번째 노드는 35번째 노드에, 25번 재 노드는 50번째 노드에 대응하는 방식으로 진행될 수 있다. 상품의 종류(901)는 상품에 대응하는 코드 정보로 출력될 수 있으나, 이에 국한하지 않는다. 제2 인공 신경망(900)의 50개의 출력층 노드 중 출력값이 없는 출력층 노드는 숫자 ‘0’을 그 출력값으로 출력할 수 있다. 상위 25개의 노드 중에 이 숫자 ‘0’이 포함되는 노드들은 해당하는 상품이 없는 것으로 간주될 수 있다. 만약 분류된 상품의 종류가 25개 이상일 경우, 남은 상품은 미리 생성한 출력값이 모두 처리된 후 이어서 자동으로 처리될 수 있다.
일실시예에 따르면, 제2 인공 신경망(900)은 사용자가 제2 인공 신경망(900)에 따른 상품 파악의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 제1 학습 신호를 전달받아 학습할 수 있다. 제2 인공 신경망(900)에 따른 상품 파악의 문제점은 상품의 종류(901) 및 상품의 재고량(902)에 문제가 있는 경우를 의미할 수 있다.
일실시예에 따른 제1 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제1 학습 신호에 의해 제2 인공 신경망(900)은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.
도 10은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 9를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 개인 또는 단체는 도 1 내지 도 9를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(200)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(200)와 학습된 인공 신경망을 이용하는 장치(200)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 장치에 의해 수행되는, 인공지능을 기반으로 상품 재고량 정보를 동기화 하는 방법에 있어서,
    제1 공급자의 공급 내역 정보에 기초하여, 상기 제1 공급자가 제1 상품을 공급하는 공급 패턴인 제1 공급 패턴을 분석하는 단계;
    상기 제1 공급 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 공급 패턴에 적합한 재고 업데이트 주기인 제1 주기를 설정하는 단계;
    상기 제1 주기마다 상기 제1 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량에 대한 정보인 제1 재고량 정보를 획득하는 단계;
    제2 공급자의 공급 내역 정보에 기초하여, 상기 제2 공급자가 상기 제1 상품을 공급하는 공급 패턴인 제2 공급 패턴을 분석하는 단계;
    상기 제2 공급 패턴에 대한 분석 결과를 상기 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제2 공급 패턴에 적합한 재고 업데이트 주기인 제2 주기를 설정하는 단계;
    상기 제2 주기마다 상기 제2 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량에 대한 정보인 제2 재고량 정보를 획득하는 단계; 및
    상기 제1 재고량 정보 및 상기 제2 재고량 정보를 획득할 때마다, 상기 제1 상품의 총합 재고량 정보를 업데이트 하는 단계를 포함하는,
    인공지능 기반 상품 재고량 정보 동기화 방법.
  2. 제1항에 있어서,
    상기 제1 재고량 정보를 획득하는 단계는,
    제1 공급자 단말의 카메라를 이용하여 상기 제1 공급자의 창고에 보관되어 있는 상품에 대한 촬영이 수행되면, 상기 제1 공급자의 창고에 보관되어 있는 상품을 촬영하여 생성된 제1 이미지를 획득하는 단계;
    상기 제1 이미지를 인코딩 하여 제1 입력 신호를 생성하는 단계;
    상기 제1 입력 신호를 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계;
    상기 제1 출력 신호를 기초로, 상기 제1 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량을 분석하는 단계; 및
    상기 제1 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량에 대한 분석 결과를 기반으로, 상기 제1 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량을 확인하여, 상기 제1 재고량 정보를 생성하는 단계를 포함하며,
    상기 제2 재고량 정보를 획득하는 단계는,
    제2 공급자 단말의 카메라를 이용하여 상기 제2 공급자의 창고에 보관되어 있는 상품에 대한 촬영이 수행되면, 상기 제2 공급자의 창고에 보관되어 있는 상품을 촬영하여 생성된 제2 이미지를 획득하는 단계;
    상기 제2 이미지를 인코딩 하여 제2 입력 신호를 생성하는 단계;
    상기 제2 입력 신호를 상기 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계;
    상기 제2 출력 신호를 기초로, 상기 제2 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량을 분석하는 단계; 및
    상기 제2 공급자의 창고에 보관되어 있는 상품의 종류 및 재고량에 대한 분석 결과를 기반으로, 상기 제2 공급자의 창고에 보관되어 있는 상기 제1 상품의 재고량을 확인하여, 상기 제2 재고량 정보를 생성하는 단계를 포함하는,
    인공지능 기반 상품 재고량 정보 동기화 방법.
  3. 제1항에 있어서,
    제1 시점에 상기 제1 상품의 총합 재고량 정보가 업데이트 되면, 상기 제1 상품의 총합 재고량 정보를 통해, 상기 제1 시점에 대한 상기 제1 상품의 총합 재고량을 확인하는 단계;
    상기 제1 상품의 총합 재고량이 미리 설정된 제1 기준값 보다 적은지 여부를 확인하는 단계;
    상기 제1 상품의 총합 재고량이 상기 제1 기준값 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 입고가 필요한 것으로 판단하는 단계;
    상기 제1 상품에 대한 입고가 필요한 것으로 판단되면, 상기 제1 상품의 총합 재고량이 미리 설정된 제2 기준값 보다 적은지 여부를 확인하는 단계;
    상기 제1 상품의 총합 재고량이 상기 제2 기준값 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 재고 확보 알림 메시지를 제1 공급자 단말 및 제2 공급자 단말로 전송하는 단계;
    상기 제1 상품의 총합 재고량이 상기 제2 기준값 보다 많은 것으로 확인되면, 상기 제1 재고량 정보를 통해 확인된 제1 재고량이 상기 제2 재고량 정보를 통해 확인된 제2 재고량 보다 적은지 여부를 확인하는 단계;
    상기 제1 재고량이 상기 제2 재고량 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 재고 확보 알림 메시지를 상기 제1 공급자 단말로 전송하는 단계; 및
    상기 제2 재고량이 상기 제1 재고량 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 재고 확보 알림 메시지를 상기 제2 공급자 단말로 전송하는 단계를 더 포함하는
    인공지능 기반 상품 재고량 정보 동기화 방법.
KR1020220004613A 2022-01-12 2022-01-12 인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템 KR102394900B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220004613A KR102394900B1 (ko) 2022-01-12 2022-01-12 인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220004613A KR102394900B1 (ko) 2022-01-12 2022-01-12 인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102394900B1 true KR102394900B1 (ko) 2022-05-18

Family

ID=81804467

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220004613A KR102394900B1 (ko) 2022-01-12 2022-01-12 인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102394900B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102541147B1 (ko) * 2023-01-25 2023-06-13 클로우플레이크(주) 블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102642850B1 (ko) 2023-06-27 2024-03-04 에이블사이언스파마 주식회사 인공지능 기반 재고량을 고려한 의약품 판매 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101823381B1 (ko) 2017-03-15 2018-01-30 주식회사 옵티로 실시간 오픈마켓 재고관리시스템
KR102177852B1 (ko) * 2020-01-31 2020-11-11 임시원 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치
KR20210042568A (ko) 2019-10-10 2021-04-20 주식회사 신세계아이앤씨 영상 기반 선반 상품 재고 모니터링 시스템 및 방법
KR102244568B1 (ko) 2021-01-26 2021-04-26 주식회사 쉬즈본 수요 공급 예측을 통한 물류 관리 방법, 장치 및 시스템
KR102251187B1 (ko) 2019-09-23 2021-05-13 쿠팡 주식회사 인바운드 구매 주문의 지능적 조정에 의해 제품 재고를 최적화하기 위한 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101823381B1 (ko) 2017-03-15 2018-01-30 주식회사 옵티로 실시간 오픈마켓 재고관리시스템
KR102251187B1 (ko) 2019-09-23 2021-05-13 쿠팡 주식회사 인바운드 구매 주문의 지능적 조정에 의해 제품 재고를 최적화하기 위한 시스템 및 방법
KR20210042568A (ko) 2019-10-10 2021-04-20 주식회사 신세계아이앤씨 영상 기반 선반 상품 재고 모니터링 시스템 및 방법
KR102177852B1 (ko) * 2020-01-31 2020-11-11 임시원 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치
KR102244568B1 (ko) 2021-01-26 2021-04-26 주식회사 쉬즈본 수요 공급 예측을 통한 물류 관리 방법, 장치 및 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102541147B1 (ko) * 2023-01-25 2023-06-13 클로우플레이크(주) 블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102642850B1 (ko) 2023-06-27 2024-03-04 에이블사이언스파마 주식회사 인공지능 기반 재고량을 고려한 의약품 판매 시스템

Similar Documents

Publication Publication Date Title
KR102394900B1 (ko) 인공지능 기반 상품 재고량 정보 동기화 방법, 장치 및 시스템
US20210142108A1 (en) Methods, apparatus, and storage medium for classifying graph nodes
CN105447498A (zh) 配置有神经网络的客户端设备、系统和服务器系统
KR102553041B1 (ko) 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102299586B1 (ko) 드론 촬영 영상의 빅데이터를 활용한 인공지능 기반 건물 시공법 도출 방법, 장치 및 시스템
CN111222046B (zh) 服务配置方法、用于服务配置的客户端、设备及电子设备
KR102299295B1 (ko) 드론 촬영 영상의 빅데이터를 활용한 인공지능 기반 건물 유지 보수 견적 산출 방법, 장치 및 시스템
WO2015186341A1 (ja) 画像処理システム、画像処理方法及びプログラム記憶媒体
KR102429392B1 (ko) 이미지 크롤링 기법을 활용한 상품 정보 제공 방법, 장치 및 시스템
KR102447426B1 (ko) 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템
KR102458694B1 (ko) 인공지능 기반 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102541147B1 (ko) 블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102466020B1 (ko) 인공지능 기반 명품 정보 및 셀러의 자동 매칭 방법, 장치 및 시스템
KR102151756B1 (ko) 작업자 관리 및 중개 방법 및 장치
KR102435287B1 (ko) 인공지능 기반 사용자 맞춤형 뷰티 서비스 플랫폼 제공 방법, 장치 및 시스템
CN113838134B (zh) 图像关键点检测方法、装置、终端和存储介质
US11068745B2 (en) Disruption of face detection
CN109190757B (zh) 任务处理方法、装置、设备及计算机可读存储介质
EP3843005B1 (en) Method and apparatus with quantized image generation
CN113705797A (zh) 基于图神经网络的推荐模型训练方法、装置、设备及介质
KR102507141B1 (ko) 판매자 및 구매자 간의 채팅 기반 it 인프라 장비의 구매 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102533258B1 (ko) 인공 신경망을 활용한 냉동식품의 효율적인 물류 서비스 제공 방법, 장치 및 시스템
KR102426803B1 (ko) 인공지능 기반 제품의 해외 판매 페이지 자동 업로드 방법, 장치 및 시스템
KR102357308B1 (ko) 쇼핑몰업 대상 세무 서비스 제공을 위한 서버의 부하 분산 운영 방법, 장치 및 시스템
CN113537492B (zh) 模型训练及数据处理方法、装置、设备、介质、产品

Legal Events

Date Code Title Description
GRNT Written decision to grant