KR102420626B1

KR102420626B1 - 인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템

Info

Publication number: KR102420626B1
Application number: KR1020220042222A
Authority: KR
Inventors: 김윤기
Original assignee: 김윤기
Priority date: 2022-04-05
Filing date: 2022-04-05
Publication date: 2022-07-13

Abstract

인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템이 개시된다. 본 발명의 실시예에 따른 인공지능 기반 기업 매칭 서비스 제공 방법은, 기업 정보를 수신하고, 기업 정보로부터 원자재 정보 및 생산 제품 정보를 추출하며, 원자재 정보를 이용하여 원자재 공급이 가능한 제1 기업 리스트를 형성하고, 제1 기업 리스트에 포함된 다수의 기업들을 공급력 지수에 따라서 재배열하여 수정 제1 기업 리스트를 형성하며, 생산 제품 정보를 이용하여 생산 제품의 구입이 가능한 제2 기업 리스트를 형성하고, 제2 기업 리스트에 포함된 다수의 기업들을 구매력 지수에 따라서 재배열하여 수정 제2 기업 리스트를 형성하며, 수정 제1 및 제2 기업 리스트를 사용자 단말로 제공한다.

Description

인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템{METHOD, APPARATUS AND SYSTEM FOR PROVIDING COMPANY MATCHING SERVICE BASED ON ARTIFICIAL INTELLIGENCE}

아래 실시예들은 원자재 정보 및 생산 제품 정보를 이용하여 원자재 공급이 가능한 기업들과 생산 제품 구입이 가능한 기업들의 리스트를 제공할 수 있는 인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템에 관한 것이다.

실시예들과 관련된 배경기술로, 대한민국 공개특허공보 KR 10-2019-0102874 A는 업체 현황에 따라 적합한 업체를 추천해주는 추천 시스템을 개시한다. 구체적으로, 선행문헌은 업체별 현황정보를 수집하여 이를 분류하여 요청업체의 요청에 따라 매칭되는 적합도를 기반으로 적합 업체를 추천해주는 추천 시스템을 개시한다.

이를 통해, 선행문헌은 업체별 현황정보를 수집하여 이를 분류하여 요청업체의 요청에 따라 매칭되는 적합도를 기반으로 적합 업체를 추천해주는 추천 시스템을 제공하는 효과를 제공한다.

또한, 대한민국 공개특허공보 KR 10-2018-0129119 A는 기업 간 전자상거래를 위한 양방향 글로벌 B2B 사이트 구축방법을 개시한다. 구체적으로, 선행문헌은 온라인 글로벌 전자상거래를 통해 기업 간의 거래를 주도하는 B2B(Business to Business) 기반의 중계사이트를 구축하는 방법에서 E-Marketplace를 기반으로 하되, 판매기업과 구매기업의 단말기를 네트워크로 연동하여 기업의 정보를 수집하는 데이터베이스가 포함된 메인플랫폼 구축단계, 판매기업과 구매기업이 단말기를 통해 등록한 견적의뢰 서를 접수하고, 견적의뢰서에 대한 상대업체의 견적서를 일괄적으로 전달받아 견적 비용을 산출하여 메인플랫폼에 List 별로 노출하는 RFQ(Request For Quotation)서버가 포함된 RFQ서비스 구축단계, 판매기업이 견 적서를 바탕으로 제작한 샘플 및 샘플 정보를 등록 및 저장할 수 있는 공간과, 판매기업과 구매기업 간의 결제를 주도하는 전자 결제 서비스를 제공하는 Sample market 구축단계로 구성된다.

이를 통해, 선행문헌은 판매기업과 구매기업 간 서로 추구하는 양방향 글로벌 전자 상거래가 구현됨은 물론, E-Marketplace 기반의 플랫폼이 제공되어 기존의 부품 거래와 같은 일회성 거래형식이 아닌, 기업과 기업 간의 업체를 연결하여 지속적인 양산형 거래가 실시되는 효과가 있다.

그러나 선행문헌들은 원자재 정보 및 생산 제품 정보를 이용하여 원자재 공급이 가능한 기업들과 생산 제품 구입이 가능한 기업들의 리스트를 제공할 수 있는 인공지능 기반 기업 매칭 서비스 제공 방법, 장치 및 시스템을 개시하지 않는다.

대한민국 등록특허공보 KR 10-2351109 B1 대한민국 공개특허공보 KR 10-2017-0100172 A

실시예들은 원자재 정보 및 생산 제품 정보를 이용하여 원자재 공급이 가능한 기업들과 생산 제품 구입이 가능한 기업들의 리스트를 제공하고자 한다.

실시예들은 원자재 공급 기업들의 공급력 지수를 측정하는 방법을 제공하고자 한다.

실시예들은 생산 제품 구매 기업의 구매력 지수를 측정하는 방법을 제공하고자 한다.

본 발명의 실시예에 따른 인공지능 기반 기업 매칭 서비스 제공 방법은, 기업 정보를 수신하는 단계; 상기 기업 정보로부터 원자재 정보 및 생산 제품 정보를 추출하는 단계; 상기 원자재 정보를 이용하여 원자재 공급이 가능한 제1 기업 리스트를 형성하는 단계; 상기 제1 기업 리스트에 포함된 다수의 기업들을 공급력 지수에 따라서 재배열하여 수정 제1 기업 리스트를 형성하는 단계; 상기 생산 제품 정보를 이용하여 생산 제품의 구입이 가능한 제2 기업 리스트를 형성하는 단계; 상기 제2 기업 리스트에 포함된 다수의 기업들을 구매력 지수에 따라서 재배열하여 수정 제2 기업 리스트를 형성하는 단계; 및 상기 수정 제1 및 제2 기업 리스트를 사용자 단말로 제공하는 단계를 포함할 수 있다.

일 실시예로서, 상기 제1 기업 리스트에 포함된 다수의 기업들을 공급력 지수에 따라서 재배열하여 수정 제1 기업 리스트를 형성하는 단계는, 상기 다수의 기업들의 단위 기간 동안의 제1 생산량을 산출하는 단계; 상기 다수의 기업들의 미리 설정된 기간 동안의 생산량 증가 추이를 산출하는 단계; 상기 제1 생산량 및 상기 생산량 증가 추이를 이용하여 소정 기간 경과 후의 제2 생산량을 산출하는 단계; 상기 다수의 기업들의 미리 설정된 기간 동안의 파업율을 산출하는 단계; 상기 제2 생산량과 상기 파업율을 이용하여 상기 공급력 지수를 산출하는 단계; 및 상기 공급력 지수가 높은 순서로 상기 다수의 기업들을 재배열하여 상기 수정 제1 기업 리스트를 형성하는 단계를 포함할 수 있다.

일 실시예로서, 상기 제2 기업 리스트에 포함된 다수의 기업들을 구매력 지수에 따라서 재배열하여 수정 제2 기업 리스트를 형성하는 단계는, 상기 다수의 기업들의 단위 기간 동안의 제1 당기순이익을 산출하는 단계; 상기 다수의 기업들의 미리 설정된 기간 동안의 당기순이익 증가 추이를 산출하는 단계; 상기 제1 당기순이익 및 상기 당기순이익 증가 추이를 이용하여 소정 기간 경과 후의 제2 당기순이익을 산출하는 단계; 상기 다수의 기업들의 부채율을 산출하는 단계; 상기 제2 당기순이익과 상기 부채율을 이용하여 상기 구매력 지수를 산출하는 단계; 및 상기 구매력 지수가 높은 순서로 상기 다수의 기업들을 재배열하여 상기 수정 제2 기업 리스트를 형성하는 단계를 포함할 수 있다.

일 실시예로서, 상기 원자재 정보에 따른 원자재의 가공이 가능한 제3 기업 리스트를 형성하는 단계; 상기 제3 기업 리스트에 포함된 다수의 기업들이 상기 원자재로부터 상기 생산 제품 정보에 따른 제품을 생산하기까지의 외주 생산 단가를 산출하는 단계; 상기 기업 정보로부터 설비 정보를 추출하는 단계; 상기 설비 정보를 이용하여 상기 원자재로부터 상기 생산 제품 정보에 따른 제품을 생산하기까지의 자체 생산 단가를 산출하는 단계; 상기 외주 생산 단가와 상기 자체 생산 단가를 비교하여 상기 외주 생산 단가가 상기 자체 생산 단가보다 낮은 기업들을 추출하여 제4 기업 리스트를 형성하는 단계; 상기 제4 기업 리스트에 포함된 다수의 기업들이 사용하는 사용자 단말로 상기 생산 제품 정보에 따른 시제품 제작 요청을 전송하는 단계; 상기 다수의 기업들이 사용하는 사용자 단말로부터 시제품 제작 완료 안내를 수신하는 단계; 상기 시제품 제작 완료 안내에 포함된 3차원 시제품 이미지를 이용하여 시제품 검수를 수행하는 단계; 상기 시제품 검수를 통과한 기업들의 정보를 포함하는 제5 기업 리스트를 형성하는 단계; 및 상기 제5 기업 리스트를 상기 사용자 단말로 제공하는 단계를 포함할 수 있다.

일 실시예로서, 상기 제4 기업 리스트에 포함된 다수의 기업들 별로 시제품 검수를 수행하고, 상기 시제품 검수가 종료되면, 상기 시제품 검수에 대한 평가 결과를 기업들 별로 획득하는 단계; 상기 평가 결과에 기초하여, 상기 시제품 검수의 진행률을 기업들 별로 분석하는 단계; 상기 시제품 검수의 진행률에 대한 분석 결과를 제1 인공 신경망에 적용하여 상기 제1 인공 신경망의 출력을 기초로 상기 시제품 검수에서 진행하기 어려운 제1 시점을 예측하는 단계; 상기 제5 기업 리스트를 형성하는 도중 문제 상황이 발생한 경우 문제 상황에 따라 선택된 반응 정보를 사용자 별로 획득하는 단계; 및 상기 시제품 검수를 수행하는 도중 상기 제1 시점까지 상기 시제품 검수를 진행하는 것으로 확인되면 상기 제1 시점에서 발생하는 문제 상황에 도움이 되는 가이드 정보를 제공하는 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.

실시예들은 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업간 신규 거래선 확보의 어려움을 해결하고, 제품 및 기업홍보의 매개체를 제공하며, 물류구조 개선 및 가격 경쟁력 확보에 도움을 줄 수 있다.

도 1은 일실시예에 따른 인공지능 기반 기업 매칭 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 인공지능 기반 기업 매칭 서비스 제공 방법의 흐름도이다.
도 5는 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.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 인공지능 기반 기업 매칭 서비스 제공 시스템을 설명하기 위한 도면이다.

도 1에 도시한 바와 같이, 인공지능 기반 기업 매칭 서비스 제공 시스템(100)은, 다수의 사용자 단말(110-1,…,110-n), 서버(120) 및 데이터베이스(130)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서버(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 서버(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능을 포함할 수 있다. 일 실시예에 따르면, 다수의 사용자 단말(110-1,…110-n), 서버(120) 및 데이터베이스(130)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다.

다수의 사용자 단말(110-1,…,110-n)은 기업에서 사용하는 단말로서 해당 기업의 기업 정보를 저장할 수 있다. 일 실시예에 따르면, 기업 정보는 원자재 정보, 생산 제품 정보, 설비 정보 등을 포함할 수 있다. 예를 들어, 다수의 사용자 단말(110-1,…,110-n)은 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업(예를 들어, 아파트형 공장 또는 지식산업센터에 입주한 기업)에서 사용하는 단말일 수 있으나, 이에 한정되지 않는다.

서버(120)는, 다수의 사용자 단말(110-1,…,110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 기업 정보를 수신할 수 있다. 일 실시예에 따르면, 서버(120)는 네트워크(N)를 통하여 다수의 사용자 단말(110-1,…,110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 기업 정보를 수신할 수 있다.

서버(120)는, 기업 정보로부터 원자재 정보 및 생산 제품 정보를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자 단말(110-1)로부터 수신된 기업 정보를 딥러닝(Deep Learning)과 같은 기계 학습 알고리즘을 이용하여 원자재 정보 및 생산 제품 정보를 추출할 수 있다.

서버(120)는, 원자재 정보를 이용하여 원자재 공급이 가능한 제1 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 기업 정보로부터 추출된 원자재 정보를 이용하여 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업들 중에서 해당 원자재의 공급이 가능한 기업들의 정보를 포함하는 제1 기업 리스트를 형성할 수 있다.

서버(120)는, 제1 기업 리스트에 포함된 다수의 기업들을 공급력 지수에 따라서 재배열하여 수정 제1 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 제1 기업 리스트에 포함된 다수의 기업들의 단위 기간 동안(예를 들어, 1년)의 제1 생산량을 산출하고, 다수의 기업들의 미리 설정된 기간(예를 들어, 10년) 동안의 생산량 증가 추이를 산출할 수 있다. 서버(120)는 제1 생산량 및 생산량 증가 추이를 이용하여 소정 기간 경과 후의 제2 생산량을 산출할 수 있다. 예를 들어, 서버(120)는 제1 생산량이 100만개이고, 생산량 증가 추이가 10%/년일 경우 소정 기간(예를 들어, 1년) 경과 후의 제2 생산량을 110만개로 산출할 수 있다. 서버(120)는 다수의 기업들의 미리 설정된 기간(예를 들어, 1년) 동안의 파업율을 산출하고, 제2 생산량과 파업율을 이용하여 공급력 지수를 산출할 수 있다. 예를 들어, 서버(120)는 다음의 수학식 1을 이용하여 공급력 지수를 산출할 수 있다.

[수학식 1]

다른 실시예에 따르면, 서버(120)는 제1 기업 리스트에 포함된 다수의 기업들의 위치 정보를 이용하여 제1 기업 리스트에 포함된 다수의 기업들의 공급력 지수를 산출할 수 있다. 예를 들어, 서버(120)는 제1 기업 리스트에 포함된 다수의 기업들의 위치 정보에 반비례하도록 제1 기업 리스트에 포함된 다수의 기업들의 공급력 지수를 산출할 수 있다.

또한, 서버(120)는 공급력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제1 기업 리스트를 형성할 수 있다.

서버(120)는, 생산 제품 정보를 이용하여 생산 제품의 구입이 가능한 제2 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 기업 정보로부터 추출된 생산 제품 정보를 이용하여 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업들 중에서 해당 생산 제품의 구입이 가능한 기업들의 정보를 포함하는 제2 기업 리스트를 형성할 수 있다.

서버(120)는 제2 기업 리스트에 포함된 다수의 기업들을 구매력 지수에 따라서 재배열하여 수정 제2 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 제2 기업 리스트에 포함된 다수의 기업들의 단위 기간(예를 들어, 1년) 동안의 제1 당기순이익을 산출하고, 다수의 기업들의 미리 설정된 기간(예를 들어, 10년) 동안의 당기순이익 증가 추이를 산출할 수 있다. 예를 들어, 서버(120)는 다수의 기업들의 재무제표를 이용하여 제1 당기순이익 및 당기순이익 증가 추이를 산출할 수 있다. 서버(120)는 제1 당기순이익 및 당기순이익 증가 추이를 이용하여 소정 기간 경과 후의 제2 당기순이익을 산출하고, 다수의 기업들의 부채율을 산출할 수 있다. 예를 들어, 서버(120)는 다음의 수학식 2를 이용하여 제2 당기순이익을 산출할 수 있다.

[수학식 2]

서버(120)는 제2 당기순이익과 부채율을 이용하여 구매력 지수를 산출하고, 구매력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제2 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 다음의 수학식 3을 이용하여 구매력 지수를 산출할 수 있다.

[수학식 3]

다른 실시예에 따르면, 서버(120)는 제2 기업 리스트에 포함된 다수의 기업들의 위치 정보를 이용하여 제2 기업 리스트에 포함된 다수의 기업들의 구매력 지수를 산출할 수 있다. 예를 들어, 서버(120)는 제2 기업 리스트에 포함된 다수의 기업들의 위치 정보에 반비례하도록 제2 기업 리스트에 포함된 다수의 기업들의 구매력 지수를 산출할 수 있다.

또한, 서버(120)는 구매력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제2 기업 리스트를 형성할 수 있다.

서버(120)는 수정 제1 및 제2 기업 리스트를 사용자 단말로 제공할 수 있다. 일 실시예에 따르면, 서버(120)는 형성된 수정 제1 및 제2 기업 리스트를 네트워크(N)를 통하여 기업 정보를 수신한 사용자 단말(110-1)로 제공할 수 있다.

서버(120)는 원자재 정보에 따른 원자재의 가공이 가능한 제3 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 기업 정보로부터 추출된 원자재 정보에 따른 원자재의 가공이 가능한 제3 기업 리스트를 형성할 수 있다.

서버(120)는 제3 기업 리스트에 포함된 다수의 기업들이 원자재로부터 생산 제품 정보에 따른 제품을 생산하기까지의 외주 생산 단가를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 제3 기업 리스트에 포함된 다수의 기업들의 기업 정보를 이용하여 다수의 기업들이 해당 원자재로부터 제품을 생산하기까지의 외주 생산 단가를 산출할 수 있다.

서버(120)는 기업 정보로부터 설비 정보를 추출할 수 있다. 일 실시예에 따르면, 서버(120)는 사용자 단말(110-1)로부터 수신된 기업 정보로부터 설비 정보를 추출할 수 있다.

서버(120)는 설비 정보를 이용하여 원자재로부터 생산 제품 정보에 따른 제품을 생산하기까지의 자체 생산 단가를 산출할 수 있다. 일 실시예에 따르면, 서버(120)는 기업 정보로부터 추출된 설비 정보를 이용하여 원자재 정보에 따른 원자재로부터 생산 제품 정보에 따른 제품을 생산하기까지의 자체 생산 단가를 산출할 수 있다.

서버(120)는 외주 생산 단가와 자체 생산 단가를 비교하여 외주 생산 단가가 자체 생산 단가보다 낮은 기업들을 추출하여 제4 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 제3 기업 리스트에 포함된 다수의 기업들의 외주 생산 단가와 자체 생산 단가를 비교하여 외주 생산 단가가 자체 생산 단가보다 낮은 기업들 만을 추출하여 제4 기업 리스트를 형성할 수 있다.

서버(120)는 제4 기업 리스트에 포함된 다수의 기업들이 사용하는 사용자 단말(110-1,…,110-n)로 생산 제품 정보에 따른 시제품 제작 요청을 전송할 수 있다. 일 실시예에 따르면, 서버(120)는 제4 기업 리스트에 포함된 다수의 기업들이 사용하는 사용자 단말(110-1,…,110-n)로 네트워크(N)를 통하여 생산 제품 정보에 따른 시제품 제작 요청을 전송할 수 있다.

서버(120)는 다수의 기업들이 사용하는 사용자 단말로부터 시제품 제작 완료 안내를 수신할 수 있다. 일 실시예에 따르면, 시제품 제작 완료 안내는 제작 완료된 시제품의 미리 설정된 다양한 위치(예를 들어, 정면, 후면, 좌우 측면, 배면, 사시 등)에서 촬영된 3차원 시제품 이미지를 포함할 수 있다.

서버(120)는 시제품 제작 완료 안내에 포함된 3차원 시제품 이미지를 이용하여 시제품 검수를 수행할 수 있다. 일 실시예에 따르면, 서버(120)는 시제품 제작 완료 안내에 포함된 3차원 시제품 이미지를 이용하여 제품 규격에 맞도록 시제품이 생산되었는지 여부를 확인하기 위한 시제품 검수를 수행할 수 있다. 예를 들어, 서버(120)는 데이터베이스(130)에 미리 저장된 3차원 제품 표준 규격 이미지와 3차원 시제품 이미지를 비교하여 시제품 검수를 수행할 수 있다.

서버(120)는 시제품 검수를 통과한 기업들의 정보를 포함하는 제5 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 제4 기업 리스트에 포함된 다수의 기업들 중 시제품 검수를 통과한 기업들 만을 추출하여 제품 검수를 통과한 기업들의 정보를 포함하는 제5 기업 리스트를 형성할 수 있다.

서버(120)는 제5 기업 리스트를 사용자 단말로 제공할 수 있다. 일 실시예에 따르면, 서버(120)는 형성된 제5 기업 리스트를 네트워크(N)를 통하여 기업 정보가 수신된 사용자 단말(110-1)로 제공할 수 있다.

서버(120)는 제4 기업 리스트에 포함된 다수의 기업들 별로 시제품 검수를 수행하고, 시제품 검수가 종료되면, 시제품 검수에 대한 평가 결과를 기업들 별로 획득하고, 평가 결과에 기초하여 시제품 검수의 진행률을 기업들 별로 분석할 수 있다. 일 실시예에 따르면, 서버(120)는 제4 기업 리스트에 포함된 다수의 기업들 별로 시제품 검수에 대한 평가 결과를 획득한 경우, 기업들 별로 시제품 검수를 어디까지 진행하였는지 확인할 수 있으며, 이를 통해 시제품 검수의 진행률을 기업들 별로 분석할 수 있다.

서버(120)는 시제품 검수의 진행률에 대한 분석 결과를 인공 신경망에 적용하여 인공 신경망의 출력을 기초로 시제품 검수에서 진행하기 어려운 제1 시점을 예측하고, 제5 기업 리스트를 형성하는 도중 문제 상황이 발생한 경우 문제 상황에 따라 선택된 반응 정보를 사용자 별로 획득할 수 있다. 일 실시예에 따르면, 인공 신경망은 시제품 검수의 진행률에 대한 분석 결과를 통해, 시제품 검수에서 진행하기 어려운 시점이 어느 시점인지 분석하도록 학습될 수 있다. 인공 신경망은 후술되는 방법을 통해 학습될 수 있다.

서버(120)는 시제품 검수를 수행하는 도중 제1 시점까지 시제품 검수를 진행하는 것으로 확인되면 제1 시점에서 발생하는 문제 상황에 도움이 되는 가이드 정보를 제공할 수 있다. 여기서, 가이드 정보는 제1 시점에서 어느 상황으로 대처하면 도움이 되는지에 대한 정보를 포함할 수 있다.

네트워크(N)는, 다수의 사용자 단말(110-1,…,110-n), 서버(120), 데이터베이스(130) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크(N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.

데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용자 단말(110-1,…,110-n), 서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 다수의 사용자 단말(110-1,…,110-n)로부터 수신된 기업 정보, 서버(120)에서 형성된 제1 내지 제5 기업 리스트, 기업별 공급력 지수, 기업별 구매력 지수 등을 저장할 수 있다.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 2는 일실시예에 따른 서버를 설명하기 위한 도면이다.

도 2에 도시한 바와 같이, 서버(120)는 하나 이상의 프로세서(122), 하나 이상의 메모리(124) 및/또는 송수신기(126)를 포함할 수 있다. 일 실시예로서, 서버(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 서버(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 서버(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다.

하나 이상의 프로세서(122)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(122)에 연결된 서버(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(122)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(122)는 데이터 등을 하나 이상의 메모리(124)로부터 로드하거나, 하나 이상의 메모리(124)에 저장할 수 있다.

하나 이상의 프로세서(122)는, 송수신기(126)를 통해서 다수의 사용자 단말(110-1,…,110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 기업 정보를 수신할 수 있다. 일 실시예에 따르면, 기업 정보는 원자재 정보, 생산 제품 정보, 설비 정보 등을 포함할 수 있지만, 이에 한정되지 않는다.

하나 이상의 프로세서(122)는, 기업 정보로부터 원자재 정보 및 생산 제품 정보를 추출할 수 있다. 일 실시예에 따르면, 프로세서(122)는 사용자 단말(110-1)로부터 수신된 기업 정보를 딥러닝(Deep Learning)과 같은 기계 학습 알고리즘을 이용하여 원자재 정보 및 생산 제품 정보를 추출할 수 있다.

하나 이상의 프로세서(122)는, 추출된 원자재 정보를 이용하여 원자재 공급이 가능한 제1 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 프로세서(122)는 기업 정보로부터 추출된 원자재 정보를 이용하여 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업들 중에서 해당 원자재의 공급이 가능한 기업들의 정보를 포함하는 제1 기업 리스트를 형성할 수 있다.

하나 이상의 프로세서(122)는, 형성된 제1 기업 리스트에 포함된 다수의 기업들을 공급력 지수에 따라서 재배열하여 수정 제1 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 프로세서(122)는 제1 기업 리스트에 포함된 다수의 기업들의 단위 기간 동안(예를 들어, 1년)의 제1 생산량을 산출하고, 다수의 기업들의 미리 설정된 기간(예를 들어, 10년) 동안의 생산량 증가 추이를 산출할 수 있다. 또한, 프로세서(122)는 제1 생산량 및 생산량 증가 추이를 이용하여 소정 기간 경과 후의 제2 생산량을 산출할 수 있다. 아울러, 프로세서(122)는 다수의 기업들의 미리 설정된 기간(예를 들어, 1년) 동안의 파업율을 산출하고, 제2 생산량과 파업율을 이용하여 공급력 지수를 산출할 수 있다. 또한, 프로세서(122)는 공급력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제1 기업 리스트를 형성할 수 있다.

하나 이상의 프로세서(122)는, 추출된 생산 제품 정보를 이용하여 생산 제품의 구입이 가능한 제2 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 프로세서(122)는 기업 정보로부터 추출된 생산 제품 정보를 이용하여 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업들 중에서 해당 생산 제품의 구입이 가능한 기업들의 정보를 포함하는 제2 기업 리스트를 형성할 수 있다.

하나 이상의 프로세서(122)는, 제2 기업 리스트에 포함된 다수의 기업들을 구매력 지수에 따라서 재배열하여 수정 제2 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 프로세서(122)는 제2 기업 리스트에 포함된 다수의 기업들의 단위 기간(예를 들어, 1년) 동안의 제1 당기순이익을 산출하고, 다수의 기업들의 미리 설정된 기간(예를 들어, 10년) 동안의 당기순이익 증가 추이를 산출할 수 있다. 또한, 프로세서(122)는 제1 당기순이익 및 당기순이익 증가 추이를 이용하여 소정 기간 경과 후의 제2 당기순이익을 산출하고, 다수의 기업들의 부채율을 산출할 수 있다. 아울러, 프로세서(122)는 제2 당기순이익과 부채율을 이용하여 구매력 지수를 산출하고, 구매력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제2 기업 리스트를 형성할 수 있다. 또한, 프로세서(122)는 구매력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제2 기업 리스트를 형성할 수 있다.

하나 이상의 프로세서(122)는, 수정 제1 및 제2 기업 리스트를 사용자 단말로 제공할 수 있다. 일 실시예에 따르면, 프로세서(122)는 형성된 수정 제1 및 제2 기업 리스트를 네트워크(N)를 통하여 기업 정보를 수신한 사용자 단말(110-1)로 제공할 수 있다.

하나 이상의 메모리(124)는 다양한 데이터를 저장할 수 있다. 메모리(124)에 저장되는 데이터는, 서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(124)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 메모리(124)에 저장되는 소프트웨어로서, 서버(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 서버(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.

하나 이상의 메모리(124)는 상술한 다수의 사용자 단말(110-1,…,110-n)로부터 수신된 기업 정보, 프로세서(122)에서 형성된 제1 내지 제5 기업 리스트, 기업별 공급력 지수, 기업별 구매력 지수 등을 저장할 수 있다. 또한, 하나 이상의 메모리(124)는, 하나 이상의 프로세서(122)에 의한 실행 시, 하나 이상의 프로세서(122)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.

일 실시예로서, 서버(120)는 송수신기(126)를 더 포함할 수 있다. 송수신기(126)는, 다수의 사용자 단말(110-1,…,110-n), 서버(120), 데이터베이스(130) 및/또는 기타 다른 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(long-term evolution), LTE-A(LTE Advance), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.

일 실시예로서, 하나 이상의 프로세서(122)는 송수신기(126)를 제어하여 다수의 사용자 단말(110-1,…,110-n), 서버(120) 및 데이터베이스(130)로부터 정보를 획득할 수 있다. 다수의 사용자 단말(110-1,…,110-n), 서버(120) 및 데이터베이스(130)로부터 획득된 정보는 하나 이상의 메모리(124)에 저장될 수 있다.

일 실시예로서, 서버(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 서버(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 서버(120)는 전술한 장치들에 한정되지 않는다.

본 발명에 따른 서버(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 서버(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 서버(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 서버(120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.

도 3은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.

도 3에 도시한 바와 같이, 학습 장치는 다수의 사용자 단말(110-1,…,110-n)로부터 수신된 기업 정보로부터 원자재 정보, 생산 제품 정보, 설비 정보 등을 추출하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 또한, 학습 장치는 시제품 검수의 진행률에 대한 분석 결과로부터 시제품 검수에서 진행하기 어려운 제1 시점을 예측하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 서버(120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.

뉴럴 네트워크(123)는 트레이닝 샘플들이 입력되는 입력 레이어(121)와 트레이닝 출력들을 출력하는 출력 레이어(125)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 기업 정보에 대응하는 원자재 정보, 생산 제품 정보, 설비 정보 및 시제품 검수의 진행률에 대한 분석 결과에 대응하는 시제품 검수에서 진행하기 어려운 제1 시점에 기초하여 정의될 수 있다. 뉴럴 네트워크(123)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.

학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(123) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(123) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일 실시예에 따르면, 학습 장치는 기업 정보로부터 제1 객체들을 추출하며, 제1 객체들에 대응하는 원자재 정보, 생산 제품 정보 및 설비 정보 제1 레이블들을 획득하고, 제1 객체들을 제1 뉴럴 네트워크로 적용하여, 제1 객체들에 대응하는 제1 트레이닝 출력들을 생성하며, 제1 트레이닝 출력들, 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.

학습 장치는 시제품 검수의 진행률에 대한 분석 결과로부터 제2 객체들을 추출하며, 제2 객체들에 대응하는 시제품 검수에서 진행하기 어려운 제1 시점인 제2 레이블들을 획득하고, 제2 객체들을 제2 뉴럴 네트워크로 적용하여, 제2 객체들에 대응하는 제2 트레이닝 출력들을 생성하며, 제2 트레이닝 출력들, 제2 레이블들에 기초하여, 제2 뉴럴 네트워크를 학습시킬 수 있다.

일 실시예에 따르면, 학습 장치는 기업 정보의 구성 특징들, 위치 특징들 및 패턴 특징들에 기초하여 제1 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.

일 실시예에 따르면, 학습 장치는 시제품 검수의 진행률에 대한 분석 결과의 구성 특징들, 길이 특징들 및 패턴 특징들에 기초하여 제2 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.

일 실시예에 따르면, 학습 장치는 제1 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 원자재 정보, 생산 제품 정보, 설비 정보 추출 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(123)의 원자재 정보, 생산 제품 정보, 설비 정보 추출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제1 뉴럴 네트워크를 이용하여 기업 정보로부터 원자재 정보, 생산 제품 정보, 설비 정보 등을 추출할 수 있다.

일 실시예에 따르면, 학습 장치는 제2 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제2 레이블들에 기초하여 뉴럴 네트워크(123)의 시제품 검수에서 진행하기 어려운 시점 예측 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(123)의 사용자 체류 내역 획득 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제2 뉴럴 네트워크를 이용하여 시제품 검수의 진행률에 대한 분석 결과로부터 시제품 검수에서 진행하기 어려운 제1 시점을 예측할 수 있다.

도 4는 일실시예에 따른 인공지능 기반 기업 매칭 서비스 제공 방법의 흐름도이다.

도 4의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.

도 4에 도시한 바와 같이, 단계(S410)에서, 기업 정보가 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 인공지능 기반 기업 매칭 서비스 제공 시스템(100)의 서버(120)는 다수의 사용자 단말(110-1,…,110-n) 중 어느 하나의 단말(예를 들어, 110-1)로부터 기업 정보를 수신할 수 있다. 일 실시예에 따르면, 다수의 사용자 단말(110-1,…,110-n)은 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업에서 사용하는 단말로서 해당 기업의 기업 정보를 저장할 수 있고, 네트워크(N)를 통해서 기업 정보를 서버(120)로 전송할 수 있다.

단계(S420)에서, 원자재 정보, 생산 제품 정보가 추출된다. 예를 들어, 도 1 내지 도 3을 참조하면, 인공지능 기반 기업 매칭 서비스 제공 시스템(100)의 서버(120)는 단계 S410에서 수신된 기업 정보로부터 원자재 정보 및 생산 제품 정보를 추출할 수 있다.

단계(S430)에서, 제1 기업 리스트가 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 인공지능 기반 기업 매칭 서비스 제공 시스템(100)의 서버(120)는 기업 정보로부터 추출된 원자재 정보를 이용하여 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업들 중에서 해당 원자재의 공급이 가능한 기업들의 정보를 포함하는 제1 기업 리스트를 형성할 수 있다.

단계(S440)에서, 수정 제1 기업 리스트가 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 인공지능 기반 기업 매칭 서비스 제공 시스템(100)의 서버(120)는 단계 S430에서 형성된 제1 기업 리스트에 포함된 다수의 기업들을 공급력 지수에 따라서 재배열하여 수정 제1 기업 리스트를 형성할 수 있다. 제1 기업 리스트에 포함된 다수의 기업들의 단위 기간 동안(예를 들어, 1년)의 제1 생산량을 산출하고, 다수의 기업들의 미리 설정된 기간(예를 들어, 10년) 동안의 생산량 증가 추이를 산출할 수 있다. 또한, 서버(120)는 제1 생산량 및 생산량 증가 추이를 이용하여 소정 기간 경과 후의 제2 생산량을 산출할 수 있다. 아울러, 서버(120)는 다수의 기업들의 미리 설정된 기간(예를 들어, 1년) 동안의 파업율을 산출하고, 제2 생산량과 파업율을 이용하여 공급력 지수를 산출할 수 있다. 또한, 서버(120)는 공급력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제1 기업 리스트를 형성할 수 있다.

단계(S450)에서, 제2 기업 리스트가 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 인공지능 기반 기업 매칭 서비스 제공 시스템(100)의 서버(120)는 추출된 생산 제품 정보를 이용하여 생산 제품의 구입이 가능한 제2 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 서버(120)는 기업 정보로부터 추출된 생산 제품 정보를 이용하여 인공지능 기반 기업 매칭 서비스 서버의 데이터베이스에 기록된 기업들 중에서 해당 생산 제품의 구입이 가능한 기업들의 정보를 포함하는 제2 기업 리스트를 형성할 수 있다.

단계(S460)에서, 수정 제2 기업 리스트가 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 인공지능 기반 기업 매칭 서비스 제공 시스템(100)의 서버(120)는 단계 S450에서 형성된 제2 기업 리스트에 포함된 다수의 기업들을 구매력 지수에 따라서 재배열하여 수정 제2 기업 리스트를 형성할 수 있다. 일 실시예에 따르면, 프로세서(122)는 제2 기업 리스트에 포함된 다수의 기업들의 단위 기간(예를 들어, 1년) 동안의 제1 당기순이익을 산출하고, 다수의 기업들의 미리 설정된 기간(예를 들어, 10년) 동안의 당기순이익 증가 추이를 산출할 수 있다. 또한, 프로세서(122)는 제1 당기순이익 및 당기순이익 증가 추이를 이용하여 소정 기간 경과 후의 제2 당기순이익을 산출하고, 다수의 기업들의 부채율을 산출할 수 있다. 아울러, 프로세서(122)는 제2 당기순이익과 부채율을 이용하여 구매력 지수를 산출하고, 구매력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제2 기업 리스트를 형성할 수 있다. 또한, 프로세서(122)는 구매력 지수가 높은 순서로 다수의 기업들을 재배열하여 수정 제2 기업 리스트를 형성할 수 있다.

단계(S470)에서, 기업 리스트가 사용자 단말로 제공된다. 예를 들어, 도 1 내지 도 3을 참조하면, 인공지능 기반 기업 매칭 서비스 제공 시스템(100)의 서버(120)는 단계 S440에서 형성된 수정 제1 기업 리스트 및 단계 S460에서 형성된 수정 제2 기업 리스트를 네트워크(N)를 통하여 기업 정보를 수신한 사용자 단말(110-1)로 제공할 수 있다.

도 5는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(501)는 프로세서(502) 및 메모리(503)를 포함한다. 일실시예에 따른 장치(501)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 4를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(503)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(503)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(502)는 프로그램을 실행하고, 장치(501)를 제어할 수 있다. 프로세서(502)에 의하여 실행되는 프로그램의 코드는 메모리(503)에 저장될 수 있다. 장치(501)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 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

서버에 의해서, 기업 정보를 수신하는 단계;
상기 서버에 의해서, 상기 기업 정보로부터 원자재 정보 및 생산 제품 정보를 추출하는 단계;
상기 서버에 의해서, 상기 원자재 정보를 이용하여 원자재 공급이 가능한 제1 기업 리스트를 형성하는 단계;
상기 서버에 의해서, 상기 제1 기업 리스트에 포함된 다수의 기업들을 공급력 지수에 따라서 재배열하여 수정 제1 기업 리스트를 형성하는 단계;
상기 서버에 의해서, 상기 생산 제품 정보를 이용하여 생산 제품의 구입이 가능한 제2 기업 리스트를 형성하는 단계;
상기 서버에 의해서, 상기 제2 기업 리스트에 포함된 다수의 기업들을 구매력 지수에 따라서 재배열하여 수정 제2 기업 리스트를 형성하는 단계; 및
상기 서버에 의해서, 상기 수정 제1 및 제2 기업 리스트를 사용자 단말로 제공하는 단계를 포함하되,
상기 서버에 의해서, 상기 원자재 정보에 따른 원자재의 가공이 가능한 제3 기업 리스트를 형성하는 단계;
상기 서버에 의해서, 상기 제3 기업 리스트에 포함된 다수의 기업들이 상기 원자재로부터 상기 생산 제품 정보에 따른 제품을 생산하기까지의 외주 생산 단가를 산출하는 단계;
상기 서버에 의해서, 상기 기업 정보로부터 설비 정보를 추출하는 단계;
상기 서버에 의해서, 상기 설비 정보를 이용하여 상기 원자재로부터 상기 생산 제품 정보에 따른 제품을 생산하기까지의 자체 생산 단가를 산출하는 단계;
상기 서버에 의해서, 상기 외주 생산 단가와 상기 자체 생산 단가를 비교하여 상기 외주 생산 단가가 상기 자체 생산 단가보다 낮은 기업들을 추출하여 제4 기업 리스트를 형성하는 단계; 상기 제4 기업 리스트에 포함된 다수의 기업들이 사용하는 사용자 단말로 상기 생산 제품 정보에 따른 시제품 제작 요청을 전송하는 단계;
상기 서버에 의해서, 상기 다수의 기업들이 사용하는 사용자 단말로부터 시제품 제작 완료 안내를 수신하는 단계;
상기 서버에 의해서, 상기 시제품 제작 완료 안내에 포함된 3차원 시제품 이미지를 이용하여 시제품 검수를 수행하는 단계;
상기 서버에 의해서, 상기 시제품 검수를 통과한 기업들의 정보를 포함하는 제5 기업 리스트를 형성하는 단계; 및
상기 서버에 의해서, 상기 제5 기업 리스트를 상기 사용자 단말로 제공하는 단계를 더 포함하는,
인공지능 기반 기업 매칭 서비스 제공 방법.
제1항에 있어서,
상기 서버에 의해서, 상기 제1 기업 리스트에 포함된 다수의 기업들을 공급력 지수에 따라서 재배열하여 수정 제1 기업 리스트를 형성하는 단계는,
상기 서버에 의해서, 상기 다수의 기업들의 단위 기간 동안의 제1 생산량을 산출하는 단계;
상기 서버에 의해서, 상기 다수의 기업들의 미리 설정된 기간 동안의 생산량 증가 추이를 산출하는 단계;
상기 서버에 의해서, 상기 제1 생산량 및 상기 생산량 증가 추이를 이용하여 소정 기간 경과 후의 제2 생산량을 산출하는 단계;
상기 서버에 의해서, 상기 다수의 기업들의 미리 설정된 기간 동안의 파업율을 산출하는 단계;
상기 서버에 의해서, 상기 제2 생산량과 상기 파업율을 이용하여 상기 공급력 지수를 산출하는 단계; 및
상기 서버에 의해서, 상기 공급력 지수가 높은 순서로 상기 다수의 기업들을 재배열하여 상기 수정 제1 기업 리스트를 형성하는 단계
를 포함하는,
인공지능 기반 기업 매칭 서비스 제공 방법.
제1항에 있어서,
상기 서버에 의해서, 상기 제2 기업 리스트에 포함된 다수의 기업들을 구매력 지수에 따라서 재배열하여 수정 제2 기업 리스트를 형성하는 단계는,
상기 서버에 의해서, 상기 다수의 기업들의 단위 기간 동안의 제1 당기순이익을 산출하는 단계;
상기 서버에 의해서, 상기 다수의 기업들의 미리 설정된 기간 동안의 당기순이익 증가 추이를 산출하는 단계;
상기 서버에 의해서, 상기 제1 당기순이익 및 상기 당기순이익 증가 추이를 이용하여 소정 기간 경과 후의 제2 당기순이익을 산출하는 단계;
상기 서버에 의해서, 상기 다수의 기업들의 부채율을 산출하는 단계;
상기 서버에 의해서, 상기 제2 당기순이익과 상기 부채율을 이용하여 상기 구매력 지수를 산출하는 단계; 및
상기 서버에 의해서, 상기 구매력 지수가 높은 순서로 상기 다수의 기업들을 재배열하여 상기 수정 제2 기업 리스트를 형성하는 단계
를 포함하는,
인공지능 기반 기업 매칭 서비스 제공 방법.