KR102446649B1 - 인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치 - Google Patents

인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치 Download PDF

Info

Publication number
KR102446649B1
KR102446649B1 KR1020220085862A KR20220085862A KR102446649B1 KR 102446649 B1 KR102446649 B1 KR 102446649B1 KR 1020220085862 A KR1020220085862 A KR 1020220085862A KR 20220085862 A KR20220085862 A KR 20220085862A KR 102446649 B1 KR102446649 B1 KR 102446649B1
Authority
KR
South Korea
Prior art keywords
candidate
application
template
artificial intelligence
data
Prior art date
Application number
KR1020220085862A
Other languages
English (en)
Inventor
신은철
Original Assignee
신은철
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 신은철 filed Critical 신은철
Priority to KR1020220085862A priority Critical patent/KR102446649B1/ko
Application granted granted Critical
Publication of KR102446649B1 publication Critical patent/KR102446649B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/33—Intelligent editors
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법 및 이를 수행하기 위한 전자 장치에 관한 것이다. 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법은 상기 전자 장치에 대한 사용자 입력에 기초하여 영업 데이터를 획득하는 단계; 영업 데이터가 입력되면 영업 데이터에 따른 후보 어플리케이션 템플릿들을 출력하는 제 1 인공지능 모델에, 상기 획득된 영업 데이터를 입력함으로써, 상기 제1 인공지능 모델로부터 후보 어플리케이션 템플릿들을 획득하는 단계; 상기 제1 인공지능 모델로부터 획득된 후보 어플리케이션 템플릿들 중 적어도 하나의 후보 어플리케이션 템플릿을 출력하는 단계; 상기 출력된 적어도 하나의 후보 어플리케이션 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 어플리케이션 템플릿이 적용된, 복수의 단위 스크린들을 포함하는 스크린 플로우 차트를 출력하는 단계; 상기 출력된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 상기 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하는 단계; 상기 획득된 후보 상세페이지 템플릿들 중 적어도 하나의 후보 상세페이지 템플릿을 출력하는 단계; 상기 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 상세페이지 템플릿을 상기 스크린 플로우 차트에 적용하는 단계; 및 상기 선택된 후보 상세페이지 템플릿이 적용된 상기 스크린 플로우 차트를 출력하는 단계를 포함할 수 있다.

Description

인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치{METHOD AND APPARATUS FOR PRODUCING APPLICATION USING RECOMMENDED TEMPLET BASED ON ARTIFICIAL INTELLIGENCE MODEL}
본 개시는 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법 및 장치에 관한 것이다.
영업과 관련된 온라인 환경은 급격하게 성장하고 변화하고 있으며, 최근 대다수의 영업 주체들은 온라인 상에서 어플리케이션을 통해 영업을 영위한다.
어플리케이션은 온라인 매장의 역할을 수행하며, 오프라인 매장과 달리, 변화하는 소비 세태 변화, 유행 변화, 유통 환경 변화, 기술 환경 변화 등에 대응하여 신속하게 변화할 수 있는 특징이 있다.
특히, 쇼핑 어플리케이션의 경우 소비 세태 변화, 유행 변화, 유통 환경 변화 등이 매우 급격하게 일어나는데, 대규모 자본을 갖지 못한 대부분의 영업 주체들이 이러한 변화에 신속하게 대응하여 어플리케이션을 변화시키거나 어플리케이션 제작 시점의 소비 세태, 유행, 유통 환경 등을 반영하여 영업에 최적화된 어플리케이션을 제작하는 것은 매우 어렵다.
어플리케이션을 제작하는 서비스를 제공하는 종래의 제공자들은 단순히 어플리케이션, 어플리케이션에 적용되는 부가서비스 등을 단순히 인기순으로 나열하여 제공할 뿐이었다.
또한, 종래의 어플리케이션 제작 서비스 제공자들에 의해 추천되는 어플리케이션 템플릿도 업종 대분류(예를 들어, 쇼핑 등)에 대해서만 제공될 뿐, 해당 업종에서 주로 취급되는 상품이나 소비 세태, 유행, 유통 환경 등을 고려하거나 이와 연관된 실질적인 판매 데이터를 고려하여, 어플리케이션 템플릿이나 어플리케이션 부가서비스 템플릿(예를 들어, 어플리케이션 상세페이지 템플릿)을 제공하지는 못했다.
이에, 본 발명에서 해결하고자 하는 과제는 소비 세태 변화, 유행 변화, 유통 환경 변화, 기술 환경 변화 등에 대응하여 인공지능 모델을 기반으로 최적의 어플리케이션 및 어플리케이션 부가서비스를 추천하여 온라인 상에서 사용자의 영업 행위에 도움을 주는 어플리케이션을 제작하는 방법 및 장치를 제공하고자 한다.
또한, 본 발명에서 해결하고자 하는 과제는 2 개의 인공지능 모델을 이용하고 2 개의 인공지능 모델 중 하나의 인공지능 모델은 적어도 판매 데이터를 기초로 학습되기 때문에, 소비 세태 변화, 유행 변화, 유통 환경 변화, 기술 환경 변화 등에 대응하여 가장 높은 판매량 또는 판매 이익을 창출할 수 있는 어플리케이션을 제작하는 방법 및 장치를 제공하고자 한다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 개시의 일 실시예에 따르면, 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법이 제공될 수 있다. 상기 방법은 전자 장치에 대한 사용자 입력에 기초하여 영업 데이터를 획득하는 단계; 영업 데이터가 입력되면 영업 데이터에 따른 후보 어플리케이션 템플릿들을 출력하는 제 1 인공지능 모델에, 획득된 영업 데이터를 입력함으로써, 제1 인공지능 모델로부터 후보 어플리케이션 템플릿들을 획득하는 단계; 제1 인공지능 모델로부터 획득된 후보 어플리케이션 템플릿들 중 적어도 하나의 후보 어플리케이션 템플릿을 출력하는 단계; 출력된 적어도 하나의 후보 어플리케이션 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 후보 어플리케이션 템플릿이 적용된, 복수의 단위 스크린들을 포함하는 스크린 플로우 차트를 출력하는 단계; 출력된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하는 단계; 획득된 후보 상세페이지 템플릿들 중 적어도 하나의 후보 상세페이지 템플릿을 출력하는 단계; 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 상세페이지 템플릿을 스크린 플로우 차트에 적용하는 단계; 및 선택된 후보 상세페이지 템플릿이 적용된 스크린 플로우 차트를 출력하는 단계를 포함할 수 있다
본 개시의 특징에 따르면, 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하는 단계는, 영업 데이터 및 후보 어플리케이션 템플릿이 입력되면 영업 데이터 및 후보 어플리케이션 템플릿에 따른 후보 상세페이지 템플릿들을 출력하는 제 2 인공지능 모델에, 획득된 영업 데이터 및 선택된 후보 어플리케이션 템플릿을 입력하는 단계; 및 제 2 인공지능 모델로부터 후보 상세페이지 템플릿들은 획득하는 단계를 포함할 수 있다.
본 개시의 다른 특징에 따르면, 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 상세페이지 템플릿을 스크린 플로우 차트에 적용하는 단계는, 선택된 후보 상세페이지 템플릿과 동일한 후보 상세페이지 템플릿이 적용된 상기 스크린 플로우 차트의 단위 스크린을 시각적 또는 청각적으로 표시하는 단계를 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 제 1 인공지능 모델은 영업 데이터 및 어플리케이션 데이터를 학습 데이터로 하여 학습될 수 있다.
본 개시의 또 다른 특징에 따르면, 제 2 인공지능 모델은 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 학습 데이터로 하여 학습될 수 있다.
본 개시의 또 다른 특징에 따르면, 판매 데이터는 ERP로부터 획득된 데이터, 상품별 구매 전환율재방문율, 또는 상품평 데이터 중 적어도 하나를 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 상기 방법은 선택된 후보 어플리케이션 템플릿 및 선택된 상세페이지 템플릿이 적용된 스크린 플로우 차트에 따른 최종 어플리케이션과 함께 제공될 영업 주체의 고유 식별 정보를 획득하는 단계; 및 획득된 고유 식별 정보를 최종 어플리케이션에 매칭하는 단계를 더 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 상기 방법은 선택된 후보 어플리케이션 템플릿 및 선택된 상세페이지 템플릿이 적용된 스크린 플로우 차트에 따른 최종 어플리케이션을 제 1 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공하는 단계를 더 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 상기 방법은 최종 어플리케이션으로부터 선택된 후보 어플리케이션 및 선택된 후보 부가서비스를 식별함으로써 어플리케이션 피드백 데이터를 생성하는 단계; 최종 어플리케이션의 영업 데이터 중 영업 주체 정보를 이용하여 국세청 서버로부터 업종 정보를 식별함으로써 영업 피드백 데이터를 생성하는 단계; 상기 식별된 어플리케이션 피드백 데이터 및 상기 영업 피드백 데이터를 제 1 인공지능 모델에 피드백 데이터로 제공하는 단계; 및 상기 피드백 데이터에 기초하여 상기 제 1 인공지능 모델을 수정 및 갱신하는 단계를 더 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 상기 방법은 선택된 후보 어플리케이션 템플릿 및 선택된 상세페이지 템플릿이 적용된 스크린 플로우 차트에 따른 최종 어플리케이션을 제 2 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공하는 단계를 더 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 상기 방법은 최종 어플리케이션으로부터 선택된 후보 어플리케이션 및 선택된 후보 부가서비스를 식별함으로써 어플리케이션 피드백 데이터를 생성하는 단계; 최종 어플리케이션의 영업 데이터 중 영업 주체 정보를 이용하여 국세청 서버로부터 업종 정보를 식별함으로써 영업 피드백 데이터를 생성하는 단계; 최종 어플리케이션에 연동되는 ERP로부터 상품별 상세페이지 조회수, 상품별 결제금액, 상품별 결제수량, 또는 상품별 상세페이지 조회대비 결제율 중 적어도 하나를 식별함으로써 판매 피드백 데이터를 생성 단계; 상기 식별된 어플리케이션 피드백 데이터, 상기 영업 피드백 데이터, 및 상기 판매 피드백 데이터를 제 2 인공지능 모델에 피드백 데이터로 제공하는 단계; 및 상기 피드백 데이터에 기초하여 상기 제 2 인공지능 모델을 수정 및 갱신하는 단계를 더 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 고유 식별 정보는 적어도 영업 주체를 고유하게 식별하도록 영업 데이터의 사업자등록번호 또는 사업장등록번호에 일대일 매칭되는 정보를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 개시의 다른 실시예에 따르면, 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하기 위한 전자 장치가 제공될 수 있다. 상기 전자 장치는 하나 이상의 인스트럭션을 저장하는 메모리; 및 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고, 프로세서는 하나 이상의 인스트럭션을 실행함으로써, 전자 장치에 대한 사용자 입력에 기초하여 영업 데이터를 획득하고; 영업 데이터가 입력되면 영업 데이터에 따른 후보 어플리케이션 템플릿들을 출력하는 제 1 인공지능 모델에, 획득된 영업 데이터를 입력함으로써, 제1 인공지능 모델로부터 후보 어플리케이션 템플릿들을 획득하고; 제1 인공지능 모델로부터 획득된 후보 어플리케이션 템플릿들 중 적어도 하나의 후보 어플리케이션 템플릿을 출력하고; 출력된 적어도 하나의 후보 어플리케이션 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 후보 어플리케이션 템플릿이 적용된, 복수의 단위 스크린들을 포함하는 스크린 플로우 차트를 출력하고; 출력된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하고; 획득된 후보 상세페이지 템플릿들 중 적어도 하나의 후보 상세페이지 템플릿을 출력하고; 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 상세페이지 템플릿을 스크린 플로우 차트에 적용하고; 그리고 선택된 후보 상세페이지 템플릿이 적용된 스크린 플로우 차트를 출력할 수 있다.
본 개시의 특징에 따르면, 프로세서는 하나 이상의 인스트럭션을 실행함으로써, 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하도록, 영업 데이터 및 후보 어플리케이션 템플릿이 입력되면 영업 데이터 및 후보 어플리케이션 템플릿에 따른 후보 상세페이지 템플릿들을 출력하는 제 2 인공지능 모델에, 획득된 영업 데이터 및 선택된 후보 어플리케이션 템플릿을 입력하고; 그리고 제 2 인공지능 모델로부터 후보 상세페이지 템플릿들은 획득할 수 있다.
본 개시의 다른 특징에 따르면, 제 1 인공지능 모델은 영업 데이터 및 어플리케이션 데이터를 학습 데이터로 하여 학습될 수 있다.
본 개시의 또 다른 특징에 따르면, 제 2 인공지능 모델은 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 학습 데이터로 하여 학습될 수 있다.
기타 실시예의 구체적인 사항들은 발명을 실시하기 위한 구체적인 내용 및 도면들에 포함되어 있다.
도 1은 일 실시예에 따른 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 과정을 나타내는 도면이다.
도 2은 일 실시예에 따른 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 구체적인 과정을 나타내는 도면이다
도 3은 일 실시예에 따라 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법을 나타내는 흐름도이다.
도 4은 일 실시예에 따라 전자 장치가 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하는 단계를 구체적으로 나타내는 흐름도이다.
도 5은 일 실시예에 따라 전자 장치가 최종 어플리케이션과 관련하여 영업 주체의 고유 식별 정보를 처리하는 추가적인 단계를 구체적으로 나타내는 흐름도이다.
도 6는 일 실시예에 따라 영업 학습 데이터, 어플리케이션 학습 데이터, 판매 학습 데이터 중 적어도 하나를 기초로 학습되어, 후보 어플리케이션 템플릿 및 후보 어플리케이션 부가서비스 템플릿을 출력하는 제 1 인공지능 모델 및 제 2 인공지능 모델의 학습 과정을 설명하기 위한 흐름도이다.
도 7은 일 실시예에 따른 전자 장치의 블록도이다.
도 8은 또 다른 실시예에 따른 전자 장치의 블록도이다.
도 9은 또 다른 실시예에 따른 서버의 블록도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것 만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시예들을 배제하도록 해석될 수 없다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세하게 설명한다.
도 1은 일 실시예에 따른 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 과정을 나타내는 도면이다.
도 1을 참조하면, 일 실시예에 따른 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법은 전자 장치(1000)에 의해 수행될 수 있다.
일 실시예에 따른 전자 장치(1000)는 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자 장치(1000)는 모바일 단말, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 따르면, 전자 장치(1000)는 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)을 포함할 수 있고, 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)을 기반으로 제공된 후보 어플리케이션 템플릿들 및 상세페이지 템플릿과 같은 후보 어플리케이션 부가서비스 템플릿들을 이용하여 최종 어플리케이션이 제작할 수 있다. 전자 장치(1000)는 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)을 이용하여 사용자 입력에 기초하여 획득된 영업 데이터, 어플리케이션 데이터 등을 입력으로 후보 어플리케이션 템플릿 및 후보 어플리케이션 부가서비스 템플릿(예를 들어, 후보 상세페이지 템플릿)을 출력함으로써 영업에 가장 최적화된 어플리케이션을 제작하기 위한 추천 템플릿들을 제공할 수 있다. 전자 장치(1000)는 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)을 모델링하는 동작을 수행할 수 있다.
도 1에서 전자 장치(1000)는 사용자(영업주체)의 입력에 기초하여 영업 데이터를 획득한다. 영업 데이터(business data)는 사용자(영업주체)의 영업을 식별하기 위한 데이터로서, 영업주체 정보(사업장관리번호 또는 사업자등록번호), 업종 정보, 또는 상품 정보 중 적어도 하나를 포함할 수 있다. 영업 데이터가 제 1 인공지능 모델(2000)에 입력됨으로써, 후보 어플리케이션 템플릿들이 제 1 인공지능 모델(2000)로부터 추천되고 획득된다.
본 개시에서, '후보 어플리케이션 템플릿'이라는 용어는 어플리케이션의 트리 구조 및 일부 세부 사항을 포함하는 어플리케이션 샘플을 의미할 수 있다. 사용자가 후보 어플리케이션 템플릿들 중 하나를 선택하면, 전자 장치(1000)에 선택된 후보 어플리케이션 템플릿이 적용된 스크린 플로우 차트가 출력될 수 있다. 스크린 플로우 차트는 전자 장치(1000)의 환경설정에 따라 전자 장치(1000)의 디스플레이에 일부 또는 전부가 표시될 수 있다.
사용자는 선택된 후보 어플리케이션 템플릿에 기초하여, 스크린 플로우 차트에서 단위 스크린을 선택할 수 있고, 단위 스크린 별로 제공되는 부가 서비스 또는 후보 부가 서비스 템플릿을 선택할 수 있다.
후보 부가 서비스 템플릿은 제 2 인공지능 모델(3000)로부터 추천되고 획득된다. 도 1에서는 후보 부가 서비스 템플릿 중 하나인 후보 상세페이지 템플릿들이 제 2 인공지능 모델(3000)로부터 획득되는 과정이 도시되나, 부가 서비스는 상세 페이지에 한정되지 않는다.
부가 서비스는 상품 레이어 디자인, 홍보/마케팅 레이어 디자인, 이벤트 레이어 디자인, 결제 레이어 디자인, CS(Customer Service) 디자인 등 기능별로 다양하게 구성될 수 있다. 상품 레이어 디자인은 상품에 관련된 다양한 템플릿들을 포함하고, 홍보/마케팅 레이어 디자인은 홍보 또는 마케팅과 관련된 다양한 템플릿들을 포함하고, 이벤트 레이어 디자인은 이벤트에 관련된 다양한 템플릿들을 포함하고, 결제 레이어는 결제와 관련된 다양한 템플릿들을 포함하고, CS 디자인은 고객 관리와 관련된 다양한 템플릿들을 포함할 수 있다.
특히, 급격하게 성장하고 변화하는 온라인 환경에서는 부가 서비스 중 상품 레이어 디자인에 해당하는 상세페이지, 상품 레이어 디자인 또는 홍보/마케팅 레이어 디자인에 해당하는 제품영상 등이 소비자가 상품을 구매하는데 직접적으로 영향을 미치게 된다. 또한, 영업주체들도 상품과 관련된 차별화와 소비 세태 변화, 유행 변화, 유통 환경 변화 등을 반영하기 위한 수단으로 상세페이지, 제품영상 등의 제작에 보다 큰 비용을 지출하고 있다.
본 개시에서, '후보 어플리케이션 부가서비스 템플릿' 또는 '후보 부가서비스 템플릿'이라는 용어는 부가서비스에 대한 일부 세부 사항을 포함하는 부가서비스 샘플을 의미할 수 있다. 사용자가 단위 스크린 별로 부가서비스 사용여부 또는 부가서비스 템플릿을 선택하면, 전자 장치(1000)에 부가서비스 사용여부 및 부가서비스 템플릿이 적용된 스크린 플로우 차트가 출력될 수 있다.
도 1 내지 3에서는 부가 서비스 템플릿 중 상세 페이지 템플릿를 기준으로 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법이 설명되나, 본 개시는 이에 제한되지 않고 다양한 부가 서비스에 적용될 수 있다.
전술한 바와 같이, 사용자(영업주체)는 후보 어플리케이션 템플릿들 및 후보 부가서비스 템플릿들을 선택할 수 있고, 선택된 후보 어플리케이션 템플릿 및 선택된 후보 부가서비스 템플릿들(선택된 후보 상세페이지 템플릿)이 적용된 스크린 플로우 차트가 출력됨으로써 최종 어플리케이션이 제작된다.
일 실시예에 따르면, 최종 어플리케이션과 함께 제공될 영업 주체(business entity)의 고유 식별 정보(unique identification information)가 획득되어, 최종 어플리케이션과 고유 식별 정보가 매칭될 수 있다.
일 실시예에 따르면, 전자 장치(1000)가 이용하는 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)은 생물학적 신경망에 착안된 컴퓨팅 시스템을 지칭하는 인공신경망(Artificial Neural Network, ANN) 모델이다. 인공신경망 모델의 예로, 신경망(Deep Neural Network, DNN), CNN(Convolution Neural Network), RNN(Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), 심층 Q-네트워크 (Deep Q-Networks) 등이 있다. 이하에서는 편의상 본 개시에 따른 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)은 인공신경망 모델 중 심층 신경망(Deep Neural Network, DNN)인 경우를 예로 설명하기로 한다.
도 2은 일 실시예에 따른 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 구체적인 과정을 나타내는 도면이다
도 2를 참조하면, 전자 장치(1000)가 제 1 인공지능 모델(2000)에 영업 데이터를 입력함으로써, 제 1 인공지능 모델(2000)로부터 후보 어플리케이션 템플릿들이 획득된다. 도 2에서는, 전자 장치(1000)가 영업 데이터의 예로 쇼핑몰(의류) 또는 쇼핑몰(건강기능식품)이 입력된다. 쇼핑몰은 영업 데이터 중 업종 정보에 해당하고, 의류 및 건강기능식품은 영업 데이터 중 상품 정보에 해당한다. 다만, 도 2에서는 설명을 간략하게 하기 위해 영업 데이터 중 영업주체 정보는 미도시된다.
쇼핑몰(의류)가 영업 데이터로 입력되면, 후보 어플리케이션 템플릿들 A1, A2, A3, A4이 제 1 인공지능 모델(2000)로부터 추천되어 전자 장치(1000)에서 획득된다. 쇼핑몰(건강기능식품)이 영업 데이터로 입력되면 후보 어플리케이션 템플릿들 A6, A7, A8, A9이 제 1 인공지능 모델(2000)로부터 추천되어 전자 장치(1000)에서 획득된다.
전자 장치(1000)는 획득된 후보 어플리케이션 템플릿들 중 적어도 하나의 후보 어플리케이션 템플릿을 출력하고, 출력된 적어도 하나의 후보 어플리케이션 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 후보 어플리케이션 템플릿이 적용된, 복수의 단위 스크린들을 포함하는 스크린 플로우 차트를 출력한다.
도 2를 참조하면, 쇼핑몰(의류)이 영업 데이터로 입력된 경우, 전자 장치(1000)는 후보 어플리케이션 템플릿들 A1, A2, A3, A4 중 A3를 선택하는 사용자 입력에 기초하여, 후보 어플리케이션 템플릿 A3가 적용된 스크린 플로우 차트를 출력한다. 쇼핑몰(건강기능식품)이 영업 데이터로 입력된 경우, 전자 장치(1000)는 후보 어플리케이션 템플릿들 A6, A7, A8, A9 중 A9를 선택하는 사용자 입력에 기초하여, 후보 어플리케이션 템플릿 A9가 적용된 스크린 플로우 차트를 출력한다.
도 2에서는, A3와 A9가 서로 상이한 후보 어플리케이션 템플릿으로 도시되나, 서로 상이한 영업 데이터(업종 정보, 상품 정보, 영업주체 정보 등)가 입력되는 경우에도 제 1 인공지능 모델에 의해 동일한 후보 어플리케이션 템플릿이 추천될 수 있다는 점이 이해되어야 한다.
다시 도 2를 참조하면, 출력된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 제 2 인공지능 모델(3000)에 의해 선택된 단위 스크린의 후보 부가서비스 템플릿들을 획득된다.
도 2를 참조하면, 후보 어플리케이션 템플릿 A3가 적용된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 후보 부가서비스 템플릿들 B2, B3, B4, B5, B6이 제 2 인공지능 모델(3000)로부터 추천되어 전자 장치(1000)에서 획득된다. 후보 어플리케이션 템플릿 A9가 적용된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 후보 부가서비스 템플릿들 B5, B6, B7, B8, B9, B10이 제 2 인공지능 모델(3000)로부터 추천되어 전자 장치(1000)에서 획득된다. B5, B6는 영업 데이터 및 선택된 후보 어플리케이션 템플릿이 서로 상이함에도 불구하고, 제 2 인공지능 모델(3000)로부터 동일하게 추천된 후보 부가서비스 템플릿으로서 교차 추천 템플릿에 해당한다.
일 실시예에 따르면, 전자창치(1000)는 제 2 인공지능 모델(2000)뿐만 아니라 제 1 인공지능 모델(1000)로부터도 교차 추천 템플릿을 획득할 수 있으며, 본 개시에서는 후보 부가서비스 템플릿이 선택된 후보 어플리케이션에 종속되지 않고, 독립적으로 추천될 수 있다. 다르게 설명하면, 전자 장치(1000)는 2 개의 인공지능 모델(제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(2000))을 이용하여 후보 어플리케이션 템플릿과 후보 부가서비스 템플릿을 각각 추천하고 획득할 수 있기 때문에, 영업 데이터 및 선택된 후보 어플리케이션 템플릿이 서로 상이함에도 불구하고 교차 후보 템플릿을 추천하고 획득할 수 있다. 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)의 학습 과정에 대해서는 후술하는 도 6을 참조하여 구체적으로 설명한다.
도 3은 일 실시예에 따라 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법을 나타내는 흐름도이다.
단계 S310에서, 전자 장치(1000)는 전자 장치(1000)에 대한 사용자 입력에 기초하여 영업 데이터를 획득할 수 있다. 사용자 입력은 영업 데이터를 생성하기 위해 사용자가 전자 장치(100)한 데이터로, 사용자는 영업주체 정보(사업장관리번호 또는 사업자등록번호), 업종 정보, 또는 상품 정보 중 적어도 하나를 직접 입력할 수도 있고, 사용자는 사용자가 현재 운영중인 어플리케이션에 대한 정보를 입력함으로써 전자 장치(100)가 동일하거나 유사한 영업 데이터를 획득할 수도 있다.
단계 S320에서, 전자 장치(1000)는 제 1 인공지능 모델에, 획득된 영업 데이터를 입력함으로써, 제 1 인공지능 모델(2000)로부터 후보 어플리케이션 템플릿들을 획득할 수 있다. 제 1 인공지능 모델(2000)은 영업 데이터로부터 영업주체 정보, 업종 정보, 또는 상품 정보 중 적어도 하나를 입력 받아, 사용자의 영업 데이터에 가장 적합하면서 영업 데이터 입력 시점에서 가장 선호되는 후보 어플리케이션 템플릿을 추천할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 사용자의 영업 데이터에 가장 적합한 후보 어플리케이션 템플릿을, 영업 데이터에 매칭되는 동일하거나 유사한 영업을 영위하는 다른 사용자가 가장 많이 사용하거나 가장 오래 사용한 후보 어플리케이션 템플릿에 기초하여, 제 1 인공지능 모델(2000)로부터 추천 받아 획득할 수 있다. 일 실시예에 따르면, 전자 장치(1000)는 가장 선호되는 후보 어플리케이션 템플릿을, 어플리케이션 제작 시점 또는 영업 데이터 입력 시점에서 후보 어플리케이션 템플릿의 사용량의 증감에 기초하여, 제 1 인공지능 모델(2000)로부터 추천 받아 획득할 수 있다.
단계 S330에서, 전자 장치(1000)는 제1 인공지능 모델로부터 획득된 후보 어플리케이션 템플릿들 중 적어도 하나의 후보 어플리케이션 템플릿을 출력할 수 있다.
단계 S340에서, 전자 장치(1000)는 출력된 적어도 하나의 후보 어플리케이션 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 후보 어플리케이션 템플릿이 적용된, 복수의 단위 스크린들을 포함하는 스크린 플로우 차트를 출력할 수 있다. 일 실시예에 따르면, 전자 장치(1000)는 스크린 플로우 차트 전체를 출력할 수도 있으나, 디스플레이 환경 또는 사용자 설정에 따라 스크린 플로우 차트의 일부를 출력할 수도 있다.
단계 S350에서, 전자 장치(1000)는 출력된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득할 수 있다.
*단계 S360에서, 전자 장치(1000)는 획득된 후보 상세페이지 템플릿들 중 적어도 하나의 후보 상세페이지 템플릿을 출력할 수 있다.
단계 S370에서, 전자 장치(1000)는 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 상세페이지 템플릿을 스크린 플로우 차트에 적용할 수 있다. 일 실시예에 따르면, 스크린 플로우 차트는 복수의 단위 스크린을 포함하고, 복수의 단위 스크린들 각각에서 적어도 하나의 후보 상세페이지 템플릿 중 하나가 사용자 입력에 기초하여 선택될 수 있다.
일 실시예에 따르면, 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 상세페이지 템플릿을 스크린 플로우 차트에 적용하는 단계는, 상기 스크린 플로우 차트의 단위 스크린들 중, 상기 선택된 후보 상세페이지 템플릿과 동일한 후보 상세페이지 템플릿을 포함하는 단위 스크린들을 식별하는 단계 및 상기 스크린 플로우 차트에서 상기 식별된 단위 스크린들을 시각적 강조하는 단계를 더 포함할 수 있다. 일 실시 예에 따르면, 전자 장치(1000)는 상기 스크린 플로우 차트 상에서, 선택된 후보 상세 페이지 템플릿과 동일한 후보 상세페이지 템플릿을 포함하는 단위 스크린들의 엣지 영역을 두껍게 표시하거나, 동일한 후보 상세페이지 템플릿이 적용된 단위 스크린들이 존재함을 시각적 또는 청각적으로 알림으로써, 사용자의 애플리케이션 제작 편의를 향상시킬 수 있다.
이에 따라, 사용자는 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 데 있어서, 스크린 플로우 차트 내 동일한 타입의 후보 상세 페이지를 포함하는 단위 스크린을 쉽게 인식할 수 있고, 이를 통해 중복하여 적용 또는 추천되는 추천 템플릿을 쉽게 관리함으로써 어플리케이션을 효과적으로 제작할 수 있다.
일 실시 예에 따르면, 전자 장치(1000)가 생성하는 스크린 플로우 차트는 복수의 단위 스크린들을 포함하고, 상기 단위 스크린들은 어플리케이션 진행 단계에서 동일한 시계열적 순위를 가지거나, 시계열적으로 선행 또는 후행하는 관계를 가질 수 있다.
본 개시의 또 다른 실시 예에 따르면, 전자 장치(1000)가 이용하는 제2 인공 지능 모델은 스크린 플로우 차트 내 선행하는 단위 스크린에 대해, 상기 전자 장치(1000)의 사용자 입력에 기초하여 선택된 상세페이지 템플릿의 타입을 식별하고, 상기 식별된 상세페이지 템플릿의 타입에 기초하여, 상기 선행하는 단위 스크린에 대해 후행 하는 단위 스크린에 대한 후보 상세페이지 템플릿들을 실시간으로 변경할 수 있다.
보다 상세하게는, 전자 장치(1000)는 스크린 플로우 차트 내 시계열적 선행 및 후행 관계를 가지는 단위 스크린들을 식별할 수 있고, 먼저 선택된 단위 스크린들의 상세페이지 템플릿과, 상기 먼저 선택된 단위 스크린들에 후행하는 단위 스크린들에 대해 제2 인공 지능 모델이 출력하는 후보 상세페이지 템플릿과의 매칭 점수(matching score) 값을 결정할 수 있다. 전자 장치(1000)는 제2 인공지능 모델을 이용하여 후행 하는 단위 스크린들에 대한 후보 상세페이지 템플릿 출력하는 과정에서 상기 매칭 점수 값에 기초하여, 후보 상세페이지 템플릿 우선순위를 결정하고, 결정된 우선순위에 따라, 매칭 점수가 높게 결정되는 후보 상세페이지 템플릿들을 출력할 수 있다.단계 S380에서, 전자 장치(1000)는 선택된 후보 상세페이지 템플릿이 적용된 스크린 플로우 차트를 출력할 수 있다. 일 실시예에 따르면, 전자 장치(1000)는 스크린 플로우 차트 전체를 출력할 수도 있으나, 디스플레이 환경 또는 사용자 설정에 따라 스크린 플로우 차트의 일부를 출력할 수도 있다.
도 4은 일 실시예에 따라 전자 장치가 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하는 단계를 구체적으로 나타내는 흐름도이다.
단계 S410에서, 전자 장치(1000)는 제 2 인공지능 모델(3000)에, 획득된 영업 데이터 및 선택된 후보 어플리케이션 템플릿을 입력할 수 있다.
단계 S420에서, 전자 장치(1000)는 제 2 인공지능 모델(3000)로부터 상기 후보 상세페이지 템플릿들은 획득할 수 있다.
단계 S410 및 S420에서는 제 2 인공지능 모델(3000)을 이용하고, 이에 따라 전자 장치(1000)는 2 개의 서로 상이한 인공지능 모델들(제 1 인공지능 모델(2000) 및 제 1 인공지능 모델(2000)과 상이한 제 2 인공지능 모델(3000))을 이용하게 된다. 본 개시에서는, 후술할 바와 같이, 제 2 인공지능 모델(3000)이 적어도 판매 데이터를 기초로 학습되기 때문에, 소비 세태 변화, 유행 변화, 유통 환경 변화, 기술 환경 변화 등에 대응하여 가장 높은 판매량 또는 판매 이익을 창출할 수 있는 후보 어플리케이션 템플릿 및 후보 상세페이지 템플릿이 추천 가능하고, 이러한 추천 템플릿들을 이용하여 최종 어플리케이션이 제작 가능하다.
전자 장치(1000)는 제 2 인공지능 모델(3000)을 이용하여 영업 데이터로부터 영업주체 정보, 업종 정보, 또는 상품 정보 중 적어도 하나를 입력 받아, 사용자의 영업 데이터에 가장 적합하면서 영업 데이터 입력 시점에서 가장 선호될 뿐만 아니라, 선택된 후보 어플리케이션 템플릿에 대한 정보를 입력 받아 선택된 후보 어플리케이션 템플릿에서 가장 선호되는 후보 상세페이지 템플릿을 추천할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 사용자의 영업 데이터에 가장 적합한 후보 상세페이지 템플릿을, 영업 데이터에 매칭되는 동일하거나 유사한 영업을 영위하는 다른 사용자가 가장 많이 사용하거나 가장 오래 사용한 후보 상세페이지 템플릿 중 상품별 구매 전환율, 재방문율 등이 가장 높은 후보 상세페이지 템플릿에 기초하여, 제 2 인공지능 모델(3000)로부터 추천 받아 획득할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 선택된 후보 어플리케이션 템플릿에서 가장 선호되는 후보 상세페이지 템플릿을, 어플리케이션 제작 시점 또는 영업 데이터 입력 시점에서 후보 상세페이지 템플릿의 사용량의 증가가 가장 큰 후보 상세페이지 템플릿 중 상품별 구매 전환율, 재방문율 등이 가장 높은 후보 상세페이지 템플릿에 기초하여, 제 2 인공지능 모델(3000)로부터 추천 받아 획득할 수 있다.
도 5은 일 실시예에 따라 전자 장치가 최종 어플리케이션과 관련하여 영업 주체의 고유 식별 정보를 처리하는 추가적인 단계를 구체적으로 나타내는 흐름도이다.
단계 S510에서, 전자 장치(1000)는 선택된 후보 어플리케이션 템플릿 및 선택된 상세 페이지 템플릿이 적용된 스크린 플로우 차트에 따른 최종 어플리케이션과 함께 제공될 영업 주체(business entity)의 고유 식별 정보(unique identification information)를 획득할 수 있다. 고유 식별 정보는 적어도 영업 주체를 고유하게 식별하도록 영업 데이터의 사업자등록번호 또는 사업장등록번호에 일대일 매칭되는 정보를 포함할 수 있다.
단계 S520에서, 전자 장치(1000)는 획득된 고유 식별 정보를 최종 어플리케이션에 매칭할 수 있다. 예를 들어, 전자 장치(1000)는 영업 주체의 사업자등록번호를 최종 어플리케이션에 매칭하고, 이에 따라 영업 주체와 그가 소유 또는 관리하는 최종 어플리케이션이 식별될 수 있다.
도 6는 일 실시예에 따라 영업 학습 데이터, 어플리케이션 학습 데이터, 판매 학습 데이터 중 적어도 하나를 기초로 학습되어, 후보 어플리케이션 템플릿 및 후보 어플리케이션 부가서비스 템플릿을 출력하는 제 1 인공지능 모델 및 제 2 인공지능 모델의 학습 과정을 설명하기 위한 흐름도이다.
영업 학습 데이터는 사용자(영업주체)의 영업을 식별하기 위한 학습 데이터로서, 영업주체 정보(사업장관리번호 또는 사업자등록번호), 업종 정보, 또는 상품 정보 중 적어도 하나를 포함할 수 있다. 어플리케이션 학습 데이터는 어플리케이션에 관련된 학습 데이터로서, 후보 어플리케이션 템플릿 및 후보 부가서비스 템플릿을 포함할 수 있다. 판매 학습 데이터는 특정 어플리케이션에서 판매에 관련된 학습 데이터로서, ERP(Enterprise Resource Planning)로부터 획득된 데이터, 상품별 구매 전환율(conversion rate), 재방문율, 또는 상품평 데이터 중 적어도 하나를 포함할 수 있다. ERP로부터 획득된 데이터는 상품별 상세페이지 조회수, 상품별 결제금액, 상품별 결제수량, 또는 상품별 상세페이지 조회대비 결제율 중 적어도 하나를 포함할 수 있다. 상품평 데이터는 상품평 데이터는 상품평을 남긴 소비자 정보(성별, 나이 등), 상품평 개수, 또는 상품평 별점 중 적어도 하나를 포함할 수 있다.
일 실시예에 따르면, 도 1 내지 6과 관련하여 기술된 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법에서 제작된 최종 어플리케이션은 전자 장치(1000)에 의해 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)의 수정 및 갱신을 위한 피드백 데이터로 사용될 수 있다. 전자 장치(1000)는 가장 최신의 어플리케이션 데이터인 최종 어플리케이션이 학습 데이터로 이용되기 때문에, 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)에 포함된 적어도 하나의 노드들, 상기 노드들을 포함하는 레이어들 및 상기 노드들 및 상기 레이어들의 연결 강도에 관한 가중치 값들은 소비 세태, 유행, 유통 환경 등을 고려하여 모델의 추천 정확도 내지 적합도가 개선되도록 수정 및 갱신될 수 있다.
보다 구체적으로, 전자 장치(1000)는 제작된 최종 어플리케이션의 영업 데이터를 영업 피드백 데이터로 사용할 수 있고, 제작된 최종 어플리케이션의 선택된 후보 어플리케이션 템플릿, 선택된 후보 부가서비스 템플릿 등을 어플리케이션 피드백 데이터로 사용할 수 있다. 또한, 전자 장치(1000)는 제작된 최종 어플리케이션이 소비자에 상품이 판매됨에 따라 생성되는 판매 데이터를 판매 피드백 데이터로 사용할 수 있다. 예를 들어, 도 3과 관련하여 기술된 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법은 전자 장치(1000)에 의해 선택된 후보 어플리케이션 템플릿 및 선택된 상세페이지 템플릿이 적용된 스크린 플로우 차트에 따른 최종 어플리케이션을 제 1 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공하는 단계를 더 포함할 수 있다. 예를 들어, 도 4과 관련하여 기술된 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법은 전자 장치(1000)에 의해 선택된 후보 어플리케이션 템플릿 및 선택된 상세페이지 템플릿이 적용된 스크린 플로우 차트에 따른 최종 어플리케이션을 제 2 인공지능 모델의 수정 및 갱신을 위한 피드백 데이터로 제공하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 제작된 최종 어플리케이션의 영업 데이터, 어플리케이션 데이터, 및 판매 데이터에 다양한 방식으로 가중치를 부여함으로써 제 1 인공지능 모델(2000) 및 제 2 인공지능 모델(3000)의 수정 및 갱신을 위한 피드백 데이터로 제공할 수 있다. 예를 들어, 전자 장치(1000)는 사용자의 영업 데이터에 가장 적합하면서 영업 데이터 입력 시점에서 가장 선호되는 후보 어플리케이션 템플릿을 추천하도록 추천 모델을 수정 및 갱신하기 위해서, 최종 어플리케이션의 영업 데이터 및 어플리케이션 데이터만을 영업 피드백 데이터 및 어플리케이션 피드백 데이터로 제공하거나 최종 어플리케이션의 영업 데이터 및 어플리케이션 데이터의 가중치를 판매 데이터의 가중치보다 높게 설정하여 영업 피드백 데이터 및 어플리케이션 피드백 데이터로 제공할 수 있다. 예를 들어, 전자 장치(1000)는 소비 세태 변화, 유행 변화, 유통 환경 변화, 기술 환경 변화 등에 대응하여 가장 높은 판매량 또는 판매 이익을 창출하도록 추천 모델을 수정 및 갱신하기 위해서, 최종 어플리케이션의 어플리케이션 데이터 및 판매 데이터만을 어플리케이션 피드백 데이터 및 판매 피드백 데이터로 제공하거나 어플리케이션 데이터 및 판매 데이터의 가중치를 영업 데이터의 가중치보다 높게 설정하여 어플리케이션 피드백 데이터 및 판매 피드백 데이터로 제공할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는, 최종 어플리케이션으로부터 선택된 후보 어플리케이션 및 선택된 후보 부가서비스를 식별함으로써 어플리케이션 피드백 데이터를 생성하는 단계; 최종 어플리케이션의 영업 데이터 중 영업 주체 정보를 이용하여 국세청 서버로부터 업종 정보를 식별함으로써 영업 피드백 데이터를 생성하는 단계; 상기 식별된 어플리케이션 피드백 데이터 및 상기 영업 피드백 데이터를 제 1 인공지능 모델에 피드백 데이터로 제공하는 단계; 및 상기 피드백 데이터에 기초하여 상기 제 1 인공지능 모델을 수정 및 갱신하는 단계를 수행할 수 있다.
일 실시예에 따르면, 전자 장치(1000)는, 최종 어플리케이션으로부터 선택된 후보 어플리케이션 및 선택된 후보 부가서비스를 식별함으로써 어플리케이션 피드백 데이터를 생성하는 단계; 최종 어플리케이션의 영업 데이터 중 영업 주체 정보를 이용하여 국세청 서버로부터 업종 정보를 식별함으로써 영업 피드백 데이터를 생성하는 단계; 최종 어플리케이션에 연동되는 ERP로부터 상품별 상세페이지 조회수, 상품별 결제금액, 상품별 결제수량, 또는 상품별 상세페이지 조회대비 결제율 중 적어도 하나를 식별함으로써 판매 피드백 데이터를 생성 단계; 상기 식별된 어플리케이션 피드백 데이터, 상기 영업 피드백 데이터, 및 상기 판매 피드백 데이터를 제 2 인공지능 모델에 피드백 데이터로 제공하는 단계; 및 상기 피드백 데이터에 기초하여 상기 제 2 인공지능 모델을 수정 및 갱신하는 단계를 수행할 수 있다.
일 실시예에 따르면, 상기 제 1 인공지능 모델은 영업 데이터 및 어플리케이션 데이터를 학습 데이터로 하여 학습된 모델일 수 있다. 예를 들어, 단계 S610에서 전자 장치(1000)는 영업 데이터와 어플리케이션 데이터를 매칭할 수 있다. 예를 들어, 전자 장치(1000)는 특정 어플리케이션에서 사용자의 업종 정보 또는 상품 정보 중 적어도 하나와 이에 대응하여 선택된 후보 어플리케이션 템플릿을 매칭할 수 있다.
단계 S620에서, 전자 장치(1000)는 매칭된 영업 데이터 및 어플리케이션 데이터를 이용하여 인공지능 모델 기반의 추천 모델을 학습할 수 있다. 예를 들어, 전자 장치(1000)는 영업 데이터가 입력되면, 영업 데이터에 매칭되는 동일하거나 유사한 영업을 영위하는 다른 사용자가 가장 많이 사용하거나 가장 오래 사용한 후보 어플리케이션 템플릿을 가장 적합한 후보 어플리케이션 템플릿으로 출력하도록 추천 모델을 학습할 수 있다. 전자 장치(1000)는 영업 데이터가 입력되면, 어플리케이션 제작 시점 또는 영업 데이터 입력 시점에서 후보 어플리케이션 템플릿의 사용량의 증가가 가장 큰 후보 어플리케이션 템플릿을 가장 선호되는 후보 어플리케이션 템플릿으로 출력하도록 추천 모델을 학습할 수 있다.
단계 S630에서, 전자 장치(1000)는 단계 S620에서 학습된 추천 모델을 이용하여 제 1 인공지능 모델을 생성할 수 있다. 예를 들어, 제 1 인공지능 모델은 영업 데이터가 입력되면 영업 데이터에 따른 후보 어플리케이션 템플릿들을 출력하는 DNN을 이용한 추천 모델일 수 있다. 제 1 인공지능 모델이 단계 S620에서 학습되는 과정은 제 1 인공지능 모델을 수정 및 갱신하는 과정에서도 동일하게 적용될 수 있다.
일 실시예에 따르면, 상기 제 2 인공지능 모델은 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 학습 데이터로 하여 학습된 모델일 수 있다. 예를 들어, 단계 S640에서 전자 장치(1000)는 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 매칭할 수 있다. 예를 들어, 전자 장치(1000)는 특정 어플리케이션에서 사용자의 업종 정보, 상품 정보와 이에 대응하여 선택된 후보 부가 서비스 템플릿, 및 선택된 후보 부가 서비스 템플릿에 대응하는 상품별 구매 전환율, 재방문율, 상품별 상세페이지 조회수, 상품별 결제금액, 상품별 결제수량, 또는 상품별 상세페이지 조회대비 결제율 중 적어도 하나를 매칭할 수 있다.
단계 S650에서, 전자 장치(1000)는 매칭된 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 이용하여 인공지능 모델 기반의 추천 모델을 학습할 수 있다. 예를 들어, 전자 장치(1000)는 영업 데이터 및 선택된 후보 어플리케이션 템플릿이 입력되면, 영업 데이터에 매칭되는 동일하거나 유사한 영업을 영위하는 다른 사용자가 가장 많이 사용하거나 가장 오래 사용한 후보 부가 서비스 템플릿 중 상품별 구매 전환율, 재방문율 등이 가장 높은 후보 부가서비스 템플릿을 가장 적합한 후보 어플리케이션 템플릿으로 출력하도록 추천 모델을 학습할 수 있다. 전자 장치(1000)는 영업 데이터가 입력되면, 어플리케이션 제작 시점 또는 영업 데이터 입력 시점에서 후보 부가 서비스 템플릿의 사용량의 증가가 가장 큰 후보 부가 서비스 템플릿 중 상품별 구매 전환율, 재방문율 등이 가장 높은 후보 부가 서비스 템플릿을 가장 선호되는 후보 어플리케이션 템플릿으로 출력하도록 추천 모델을 학습할 수 있다.
단계 S660에서, 전자 장치(1000)는 단계 S650에서 학습된 추천 모델을 이용하여 제 2 인공지능 모델을 생성할 수 있다. 예를 들어, 제 2 인공지능 모델은 영업 데이터 및 어플리케이션 데이터가 입력되면 영업 데이터 및 어플리케이션 데이터에 따른 후보 부가 서비스 템플릿들을 출력하는 DNN을 이용한 추천 모델일 수 있다. 제 2 인공지능 모델이 단계 S650에서 학습되는 과정은 제 1 인공지능 모델을 수정 및 갱신하는 과정에서도 동일하게 적용될 수 있다.
본 개시에서, 전자 장치(1000)는 제 1 인공지능 모델(2000) 또는 제 2 인공지능 모델(3000)을 이용하여 가장 적합한 또는 가장 선호되는 후보 어플리케이션 또는 후보 부가 서비스 템플릿을 출력하여 추천할 수 있을 뿐만 아니라, 전자 장치(1000)는 사용자 환경 설정 등에 따라 복수의 후보 어플리케이션 또는 후보 부가 서비스 템플릿들을 적합도 또는 선호도 순위 별로 출력하여 추천할 수도 있다.
도 7은 일 실시예에 따른 전자 장치의 블록도이다.
도 7을 참조하면, 일 실시예에 따른 전자 장치(1000)는 프로세서(700) 및 메모리(710)를 포함할 수 있다. 그러나 도시된 구성 요소가 모두 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 전자 장치(1000)는 구현될 수 있다. 예를 들어, 도 8에 도시된 바와 같이, 일 실시예에 따른 전자 장치(1000)는 사용자 입력부(810), 통신부(820), 디스플레이(830)를 더 포함할 수도 있다.
프로세서(700)는 메모리(710)내 하나 이상의 인스트럭션을 실행함으로써 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(700)는 메모리(1402)에 저장된 하나 이상의 인스트럭션을 실행함으로써 사용자 입력부(810), 통신부(820), 디스플레이(830) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(700)는 메모리(710)에 저장된 하나 이상의 인스트럭션을 실행함으로써 도 1 내지 도 6과 관련하여 기술된 전자 장치(1000)의 동작 및 기능을 수행할 수 있다.
프로세서(700)는 하나 또는 복수의 프로세서로 구성될 수 있고, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능(AI) 전용 프로세서일 수 있다. 일 실시예에 따르면, 프로세서(700)가 복수의 프로세서 또는 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서로 구현될 때, 복수의 프로세서 또는 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서 중 적어도 일부는 전자 장치(1000) 및 전자 장치(1000)와 연결된 다른 전자 장치 또는 서버에 탑재될 수도 있다.
일 실시예에 따르면, 프로세서(700)는 하나 이상의 인스트럭션을 실행함으로써, 전자 장치에 대한 사용자 입력에 기초하여 영업 데이터를 획득하고; 영업 데이터가 입력되면 영업 데이터에 따른 후보 어플리케이션 템플릿들을 출력하는 제 1 인공지능 모델에, 획득된 영업 데이터를 입력함으로써, 제1 인공지능 모델로부터 후보 어플리케이션 템플릿들을 획득하고; 제1 인공지능 모델로부터 획득된 후보 어플리케이션 템플릿들 중 적어도 하나의 후보 어플리케이션 템플릿을 출력하고; 출력된 적어도 하나의 후보 어플리케이션 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 후보 어플리케이션 템플릿이 적용된, 복수의 단위 스크린들을 포함하는 스크린 플로우 차트를 출력하고; 출력된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하고; 획득된 후보 상세페이지 템플릿들 중 적어도 하나의 후보 상세페이지 템플릿을 출력하고; 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 선택된 상세페이지 템플릿을 스크린 플로우 차트에 적용하고; 그리고 선택된 후보 상세페이지 템플릿이 적용된 스크린 플로우 차트를 출력할 수 있다.
다른 실시예에 따르면, 프로세서(700)가 하나 이상의 인스트럭션을 실행함으로써, 선택된 단위 스크린의 상기 후보 상세페이지 템플릿들을 획득하도록, 영업 데이터 및 후보 어플리케이션 템플릿이 입력되면 영업 데이터 및 후보 어플리케이션 템플릿에 따른 후보 상세페이지 템플릿들을 출력하는 제 2 인공지능 모델에, 획득된 영업 데이터 및 선택된 후보 어플리케이션 템플릿을 입력하고; 그리고 제 2 인공지능 모델로부터 후보 상세페이지 템플릿들은 획득할 수 있다.
또 다른 실시예에 따르면, 프로세서(700)는 하나 이상의 인스트럭션을 실행함으로써, 영업 데이터 및 어플리케이션 데이터를 학습 데이터로 하여 추천 모델을 학습하고 이에 따라 제 1 인공지능 모델을 생성할 수 있다.
또 다른 실시예에 따르면, 프로세서(700)는 하나 이상의 인스트럭션을 실행함으로써, 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 학습 데이터로 하여 추천 모델을 학습하고 이에 따라 제 2 인공지능 모델을 생성할 수 있다.
또 다른 실시예에 따르면, 프로세서(700)는 하나 이상의 인스트럭션을 실행함으로써, 선택된 후보 어플리케이션 템플릿 및 선택된 상세페이지 템플릿이 적용된 스크린 플로우 차트에 따른 최종 어플리케이션과 함께 제공될 영업 주체의 고유 식별 정보를 획득하고, 획득된 고유 식별 정보를 최종 어플리케이션에 매칭할 수 있다.
또 다른 실시예에 따르면, 프로세서(700)는 하나 이상의 인스트럭션을 실행함으로써, 영업 데이터와 어플리케이션 데이터를 매칭하고; 매칭된 영업 데이터 및 어플리케이션 데이터를 이용하여 추천 모델을 학습하고; 그리고 인공지능 모델을 이용한 추천 모델을 이용하여 제 1 인공지능 모델을 생성할 수 있다.
또 다른 실시예에 따르면, 프로세서(700)는 하나 이상의 인스트럭션을 실행함으로써, 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 매칭하고; 매칭된 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 이용하여 추천 모델을 학습하고; 그리고 인공지능 모델을 이용한 추천 모델을 이용하여 제 2 인공지능 모델을 생성 할 수 있다.
메모리(710)는 전자 장치(1000)의 동작을 제어하기 위한 하나 이상의 인스트럭션을 포함할 수 있다. 메모리(710)는 추천 템플릿을 이용하여 어플리케이션을 제작하기 위한 인공지능 모델을 포함할 수 있다.
일 실시 예에 따르면, 메모리(710)는 예를 들어, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있으나, 이에 제한되지 않는다.
사용자 입력부(810)는 전자 장치(1000)의 동작을 제어하기 위한 사용자 입력을 수신할 수 있다. 예를 들어, 사용자 입력부(810)는, 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
통신부(820)는 서버(4000)와의 통신을 위한 하나 이상의 통신 모듈을 포함할 수 있다. 예를 들어, 통신부(820)는, 근거리 통신부 또는 이동 통신부 중 적어도 하나를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.
이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
디스플레이(830)는 전자 장치(1000)에서 처리되는 정보를 표시 출력할 수 있다. 예를 들어, 디스플레이(830)는 전자 장치(1000)의 제어를 위한 인터페이스, 전자 장치(1000)의 상태 표시를 위한 인터페이스 등을 디스플레이할 수 있다.
도 9은 또 다른 실시예에 따른 서버의 블록도이다.
일 실시예에 따르면, 전자 장치(1000)가 수행하는 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법은 전자 장치(1000)에 연결되어 통신 가능한 서버(4000)에서 수행될 수 있다.
서버(4000)는 통신 인터페이스(4100), 데이터 베이스(4200), 및 프로세서(4300)를 포함할 수 있다. 예를 들어, 본 개시에 따른 서버(4000)의 통신 인터페이스(4100)는 전자 장치(1000)의 통신부(820)에 대응될 수 있고, 서버(4000)의 데이터베이스(4200)는 전자 장치(1000)의 메모리(810)에 대응될 수 있고, 서버(4000)의 프로세서(4300)는 전자 장치(1000)의 프로세서(700)에 대응될 수 있다. 또한, 서버(4000)의 프로세서(4300)는 도 1 내지 6와 관련하여 기술된 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법 및 인공지능 모델 학습 방법을 수행할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 일 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.

Claims (11)

  1. 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하는 방법에 있어서,
    상기 전자 장치에 대한 사용자 입력에 기초하여 영업 데이터를 획득하는 단계;
    영업 데이터가 입력되면 영업 데이터에 따른 후보 어플리케이션 템플릿들을 출력하는 제 1 인공지능 모델에, 상기 획득된 영업 데이터를 입력함으로써, 상기 제1 인공지능 모델로부터 후보 어플리케이션 템플릿들을 획득하는 단계;
    상기 제1 인공지능 모델로부터 획득된 후보 어플리케이션 템플릿들 중 적어도 하나의 후보 어플리케이션 템플릿을 출력하는 단계;
    상기 출력된 적어도 하나의 후보 어플리케이션 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 어플리케이션 템플릿이 적용된, 복수의 단위 스크린들을 포함하는 스크린 플로우 차트를 출력하는 단계;
    상기 출력된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 상기 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하는 단계;
    상기 획득된 후보 상세페이지 템플릿들 중 적어도 하나의 후보 상세페이지 템플릿을 출력하는 단계;
    상기 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 상세페이지 템플릿을 상기 스크린 플로우 차트에 적용하는 단계; 및
    상기 선택된 후보 상세페이지 템플릿이 적용된 상기 스크린 플로우 차트를 출력하는 단계를 포함하는, 방법.
  2. 제 1 항에 있어서,
    상기 선택된 단위 스크린의 상기 후보 상세페이지 템플릿들을 획득하는 단계는,
    영업 데이터 및 후보 어플리케이션 템플릿이 입력되면 영업 데이터 및 후보 어플리케이션 템플릿에 따른 후보 상세페이지 템플릿들을 출력하는 제 2 인공지능 모델에, 상기 획득된 영업 데이터 및 상기 선택된 후보 어플리케이션 템플릿을 입력하는 단계; 및
    상기 제 2 인공지능 모델로부터 상기 후보 상세페이지 템플릿들은 획득하는 단계를 포함하는, 방법.
  3. 제 1 항에 있어서,
    상기 제 1 인공지능 모델은 영업 학습 데이터 및 어플리케이션 학습 데이터를 기초로 학습된 것인, 방법.
  4. 제 2 항에 있어서,
    상기 제 2 인공지능 모델은 영업 학습 데이터, 어플리케이션 학습 데이터, 및 판매 학습 데이터를 기초로 학습된 것인, 방법.
  5. 제 4 항에 있어서,
    상기 판매 학습 데이터는 ERP로부터 획득된 데이터, 상품별 구매 전환율재방문율, 또는 상품평 데이터 중 적어도 하나를 포함하는, 방법.
  6. 제 1 항에 있어서, 상기 방법은
    상기 선택된 후보 어플리케이션 템플릿 및 상기 선택된 상세페이지 템플릿이 적용된 상기 스크린 플로우 차트와 함께 제공될 영업 주체의 고유 식별 정보를 획득하는 단계; 및
    상기 획득된 고유 식별 정보를 최종 어플리케이션에 매칭하는 단계를 더 포함하는, 방법.
  7. 제 6 항에 있어서,
    상기 고유 식별 정보는 적어도 상기 영업 주체를 고유하게 식별하도록 상기 영업 데이터의 사업자등록번호 또는 사업장등록번호에 일대일 매칭되는 정보를 포함하는, 전자 장치가 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제공하는 방법.
  8. 인공지능 모델 기반으로 제공된 추천 템플릿을 이용하여 어플리케이션을 제작하기 위한 전자 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 전자 장치에 대한 사용자 입력에 기초하여 영업 데이터를 획득하고;
    영업 데이터가 입력되면 영업 데이터에 따른 후보 어플리케이션 템플릿들을 출력하는 제 1 인공지능 모델에, 상기 획득된 영업 데이터를 입력함으로써, 상기 제1 인공지능 모델로부터 후보 어플리케이션 템플릿들을 획득하고;
    상기 제1 인공지능 모델로부터 획득된 후보 어플리케이션 템플릿들 중 적어도 하나의 후보 어플리케이션 템플릿을 출력하고;
    상기 출력된 적어도 하나의 후보 어플리케이션 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 후보 어플리케이션 템플릿이 적용된, 복수의 단위 스크린들을 포함하는 스크린 플로우 차트를 출력하고;
    상기 출력된 스크린 플로우 차트 중 하나의 단위 스크린을 선택하는 사용자 입력에 기초하여, 상기 선택된 단위 스크린의 후보 상세페이지 템플릿들을 획득하고;
    상기 획득된 후보 상세페이지 템플릿들 중 적어도 하나의 후보 상세페이지 템플릿을 출력하고;
    상기 출력된 적어도 하나의 후보 상세페이지 템플릿 중 하나를 선택하는 사용자 입력에 기초하여, 상기 선택된 상세페이지 템플릿을 상기 스크린 플로우 차트에 적용하고; 그리고
    상기 선택된 후보 상세페이지 템플릿이 적용된 상기 스크린 플로우 차트를 출력하는, 전자 장치.
  9. 제 8 항에 있어서,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 선택된 단위 스크린의 상기 후보 상세페이지 템플릿들을 획득하도록,
    영업 데이터 및 후보 어플리케이션 템플릿이 입력되면 영업 데이터 및 후보 어플리케이션 템플릿에 따른 후보 상세페이지 템플릿들을 출력하는 제 2 인공지능 모델에, 상기 획득된 영업 데이터 및 상기 선택된 후보 어플리케이션 템플릿을 입력하고; 그리고
    상기 제 2 인공지능 모델로부터 상기 후보 상세페이지 템플릿들은 획득하는, 전자 장치.
  10. 제 8 항에 있어서,
    상기 제 1 인공지능 모델은 상기 영업 데이터 및 어플리케이션 데이터를 학습 데이터로 하여 학습된 것인, 전자 장치.
  11. 제 9 항에 있어서,
    상기 제 2 인공지능 모델은 상기 영업 데이터, 어플리케이션 데이터, 및 판매 데이터를 학습 데이터로 하여 학습된 것인, 전자 장치.

KR1020220085862A 2022-07-12 2022-07-12 인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치 KR102446649B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220085862A KR102446649B1 (ko) 2022-07-12 2022-07-12 인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220085862A KR102446649B1 (ko) 2022-07-12 2022-07-12 인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102446649B1 true KR102446649B1 (ko) 2022-09-22

Family

ID=83445802

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220085862A KR102446649B1 (ko) 2022-07-12 2022-07-12 인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102446649B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102615395B1 (ko) * 2022-10-18 2023-12-19 신은철 어플리케이션 거래 서비스 제공 방법 및 장치
KR102616267B1 (ko) * 2023-07-04 2023-12-21 주식회사 테스티파이 Ai 기반 웹빌더를 제공하기 위한 운영서버 및 그 동작방법
KR102618378B1 (ko) * 2022-11-15 2023-12-27 신은철 인공지능 모델 기반 추천 부가서비스를 이용한 어플리케이션 관리 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190047810A (ko) * 2017-10-30 2019-05-09 (주)앱젯 소상공인을 위한 모바일 어플리케이션 제작 시스템 및 방법
KR20190053675A (ko) * 2017-11-10 2019-05-20 삼성전자주식회사 전자 장치 및 그 동작 방법
KR20200092265A (ko) * 2019-01-24 2020-08-03 삼성전자주식회사 전자 장치 및 그 동작방법
KR102282738B1 (ko) * 2020-03-30 2021-07-27 서명교 사용자에게 복수의 추천 상품을 제공하는 쇼핑몰 플랫폼을 지원하는 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190047810A (ko) * 2017-10-30 2019-05-09 (주)앱젯 소상공인을 위한 모바일 어플리케이션 제작 시스템 및 방법
KR20190053675A (ko) * 2017-11-10 2019-05-20 삼성전자주식회사 전자 장치 및 그 동작 방법
KR20200092265A (ko) * 2019-01-24 2020-08-03 삼성전자주식회사 전자 장치 및 그 동작방법
KR102282738B1 (ko) * 2020-03-30 2021-07-27 서명교 사용자에게 복수의 추천 상품을 제공하는 쇼핑몰 플랫폼을 지원하는 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102615395B1 (ko) * 2022-10-18 2023-12-19 신은철 어플리케이션 거래 서비스 제공 방법 및 장치
KR102618378B1 (ko) * 2022-11-15 2023-12-27 신은철 인공지능 모델 기반 추천 부가서비스를 이용한 어플리케이션 관리 방법 및 장치
KR102616267B1 (ko) * 2023-07-04 2023-12-21 주식회사 테스티파이 Ai 기반 웹빌더를 제공하기 위한 운영서버 및 그 동작방법

Similar Documents

Publication Publication Date Title
KR102446649B1 (ko) 인공지능 모델 기반 추천 템플릿을 이용한 어플리케이션 제작 방법 및 장치
Kumar et al. Understanding the role of artificial intelligence in personalized engagement marketing
Jin Zhang et al. Designing scalable digital business models
US10354184B1 (en) Joint modeling of user behavior
Hu et al. Exploring smart phone improvements based on a hybrid MCDM model
TW201822104A (zh) 智能推薦方法及系統
Chiu et al. Applying transfer learning to achieve precision marketing in an omni-channel system–a case study of a sharing kitchen platform
US10290040B1 (en) Discovering cross-category latent features
US20190228105A1 (en) Dynamic website content optimization
Ljepava AI-enabled marketing solutions in Marketing Decision making: AI application in different stages of marketing process
Raji et al. E-commerce and consumer behavior: A review of AI-powered personalization and market trends
US11853901B2 (en) Learning method of AI model and electronic apparatus
Fedorko et al. Artificial intelligence in e-commerce: A literature review
KR102148439B1 (ko) Ａｐｉ 기능 및 시나리오가 결합된 블럭 기반 적응적 개발환경을 제공하는 챗봇 서비스 제공 서버, 방법 및 시스템
Rane et al. Hyper-personalization for enhancing customer loyalty and satisfaction in Customer Relationship Management (CRM) systems
CN113781149A (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
US11501214B2 (en) Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models
Biswas et al. AI-Based Sales Forecasting Model for Digital Marketing
US20170140428A1 (en) Method and apparatus for dynamically selecting content for online visitors
US20210110454A1 (en) Method for providing shopping information for individual products and electronic device performing same
Haudi The impact of digital transformation on consumer behavior and marketing strategies
CN115375219A (zh) 库存物品预测和表项推荐
US11270253B2 (en) Cognitive procurement
KR102618378B1 (ko) 인공지능 모델 기반 추천 부가서비스를 이용한 어플리케이션 관리 방법 및 장치
KR102669575B1 (ko) 인공지능 모델 기반 고객 맞춤 마케팅 퍼널 최적화 방법 및 장치