KR102454366B1 - 인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법, 장치 및 시스템 - Google Patents

인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102454366B1
KR102454366B1 KR1020220042880A KR20220042880A KR102454366B1 KR 102454366 B1 KR102454366 B1 KR 102454366B1 KR 1020220042880 A KR1020220042880 A KR 1020220042880A KR 20220042880 A KR20220042880 A KR 20220042880A KR 102454366 B1 KR102454366 B1 KR 102454366B1
Authority
KR
South Korea
Prior art keywords
information
health functional
functional food
manufacturing
training
Prior art date
Application number
KR1020220042880A
Other languages
English (en)
Inventor
박균배
Original Assignee
주식회사 상상바이오
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 상상바이오 filed Critical 주식회사 상상바이오
Priority to KR1020220042880A priority Critical patent/KR102454366B1/ko
Application granted granted Critical
Publication of KR102454366B1 publication Critical patent/KR102454366B1/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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Third-party assisted
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
    • A23L33/00—Modifying nutritive qualities of foods; Dietetic products; Preparation or treatment thereof
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G06Q50/30—
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Nutrition Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Food Science & Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Polymers & Plastics (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Mycology (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

일실시예에 따른 장치는 건강기능식품 제조 작업을 의뢰하고자 하는 제1 의뢰자의 제1 의뢰자 단말로부터 건강기능식품 제조 작업의 의뢰 대상인 제1 건강기능식품에 대한 건강기능식품 제조 요청을 수신하고, 건강기능식품 제조 요청에 응답하여, 제1 건강기능식품의 제조를 위한 상담 요청 메시지를 제1 의뢰자 단말로 전송하고, 제1 의뢰자에 대응하는 제1 의뢰자 계정의 채팅 공간 상에 입력된 상담 정보를 기초로, 제1 의뢰자의 제조 상담 정보를 추출하고, 제1 의뢰자의 제조 상담 정보를 기초로, 제1 건강기능식품에 대한 레시피 정보를 생성하고, 제1 의뢰자의 제조 상담 정보를 기초로, 제1 건강기능식품에 대한 제조 공장 정보를 생성하고, 레시피 정보 및 제조 공장 정보에 기초하여, 제1 입력 신호를 생성하고, 생성된 제1 입력 신호를 제1 인공신경망-제1 인공신경망은 트레이닝 레시피 정보들, 트레이닝 제조 공장 정보들, 제1 출력신호들 및 트레이닝 제조 비용 정보들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하고, 제1 출력 신호에 기초하여 제1 건강기능식품에 대응하는 제1 제조 비용 정보를 생성할 수 있다.

Description

인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법, 장치 및 시스템{ARTIFICIAL INTELLIGENCE-BASED HEALTH FUNCTIONAL FOOD SMALL QUANTITIY PRODUCTION ORDER PLATFORM SERVICE PROVISION METHOD, DEVICE AND SYSTEM}
아래 실시예들은 인공지능을 기반으로 건강기능식품의 소량 생산 주문 플랫폼 서비스를 제공하기 기술에 관한 것이다.
건강기능식품은 건강 보조 식품 또는 건강 기능성 식품이라고도 하며, 인체에 유용한 기능을 가진 원료나 성분(이하, '영양 성분'이라 함.)을 사용하여 제조한 식품으로 건강을 유지하는데 도움을 주는 식품을 말한다.
식품을 통한 건강 관리 및 질병 예방에 관심이 증가하면서 국내외 기능성 식품 시장은 지속적인 성장세를 보이고 있다. 이와 같이 건강기능식품에 대한 수요가 증가하고 있는 것에 비례하여 건강기능식품을 개발하는 개발자 또는 개발 업체의 애로사항 또한 증가하고 있다.
유통 업체는 건강기능식품의 개발, 생산 및 판매를 위한 계획을 편성한 후 이에 맞는 제조 공장을 찾기 위해서는 담당자가 수많은 제조 공장들 중에서 개발 계획에 맞는 업체를 선별해 찾아야 하는 번거로움이 있었다.
또한, 건강기능식품을 생산하는 경우 대부분 소량 생산이 불가능하여, 신생 기업의 경우 최소발주수량(MOQ, Minimum Order Quantity)으로 생산이 가능한 최적의 제조 공장을 찾는데도 무리가 있었다.
대한민국 등록특허 제10-2268088호(2021.06.23 공고) 대한민국 공개특허 제10-2013-0089969호(2012.01.19 공개) 대한민국 공개특허 제10-2021-0053026호(2021.05.11 공개) 대한민국 공개특허 제10-2015-0131422호(2015.11.25 공개)
실시예들은 인공지능을 기반으로 건강기능식품 소량 생산 주문 플랫폼 서비스를 제공하고자 한다.
실시예들은 인공신경망의 학습을 통해 의뢰자의 상담 정보를 분석하여 건강기능식품의 레시피 정보를 생성하고자 한다.
실시예들은 인공신경망의 학습을 통해 건강기능식품의 제조 공장 정보를 생성하고자 한다.
일실시예에 따르면, 장치에 의해 수행되는 방법에 있어서, 건강기능식품 제조 작업을 의뢰하고자 하는 제1 의뢰자의 제1 의뢰자 단말로부터 건강기능식품 제조 작업의 의뢰 대상인 제1 건강기능식품에 대한 건강기능식품 제조 요청을 수신하는 단계; 상기 건강기능식품 제조 요청에 응답하여, 상기 제1 건강기능식품의 제조를 위한 상담 요청 메시지를 상기 제1 의뢰자 단말로 전송하는 단계; 상기 제1 의뢰자에 대응하는 제1 의뢰자 계정의 채팅 공간 상에 입력된 상담 정보를 기초로, 상기 제1 의뢰자의 제조 상담 정보를 추출하는 단계; 상기 제1 의뢰자의 상기 제조 상담 정보를 기초로, 상기 제1 건강기능식품에 대한 레시피 정보를 생성하는 단계; 상기 제1 의뢰자의 상기 제조 상담 정보를 기초로, 상기 제1 건강기능식품에 대한 제조 공장 정보를 생성하는 단계; 상기 레시피 정보 및 상기 제조 공장 정보에 기초하여, 상기 제1 입력 신호를 생성하고, 상기 생성된 제1 입력 신호를 제1 인공신경망-상기 제1 인공신경망은 트레이닝 레시피 정보들, 트레이닝 제조 공장 정보들, 제1 출력신호들 및 트레이닝 제조 비용 정보들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계; 및 상기 제1 출력 신호에 기초하여 상기 제1 건강기능식품에 대응하는 제1 제조 비용 정보를 생성하는 단계를 포함할 수 있다.
상기 트레이닝 제조 비용 정보들은 상기 트레이닝 레시피 정보들 및 상기 트레이닝 제조 공장 정보들에 각각 대응하는 제조 비용 정보들이고, 상기 제1 출력 신호들은 상기 트레이닝 레시피 정보들 및 트레이닝 제조 공장 정보들에 기초하여 생성된 제1 트레이닝 입력 신호들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제1 인공신경망은 상기 제1 출력 신호들 및 상기 트레이닝 제조 비용 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.
상기 레시피 정보를 생성하는 단계는 상기 제1 의뢰자의 상기 제조 상담 정보로부터 상기 제1 건강기능식품이 복수의 기능 카테고리들 중에서 어느 기능 카테고리-상기 기능 카테고리는 면역력 증진, 피로개선, 미용, 항산화, 향균, 장기능 활성화, 눈 건강 증진, 신경과 근육 기능 유지 중 적어도 하나를 포함함-에 속하는지에 대한 기능 카테고리 정보를 추출하는 단계; 상기 제1 건강기능식품을 제조하기 위해 필요한 기 등록된 원료 정보를 추출하는 단계; 상기 추출된 기능 카테고리 정보 및 상기 원료 정보에 기초하여 제2 입력 신호를 생성하고, 상기 생성된 제2 입력 신호를 제2 인공신경망-상기 제2 인공신경망은 트레이닝 기능 카테고리 정보들, 트레이닝 원료 정보들, 제2 출력 신호들 및 트레이닝 기능성 원료 정보들에 기초하여 미리 학습됨-에 적용하여 제2 출력 신호를 생성하는 단계; 상기 제2 출력 신호에 기초하여 상기 제1 건강기능식품의 제조에 사용할 기능성 원료 정보를 생성하는 단계; 상기 생성된 기능성 원료 정보의 함량 및 상기 기능성 원료의 함량 비율을 생성하는 단계; 상기 기능성 원료 정보의 함량 및 상기 기능성 원료의 함량 비율에 기초하여 기능성 원료 함량 정보를 생성하는 단계; 상기 제1 의뢰자의 상기 제조 상담 정보로부터 기 등록된 건강기능식품들의 리뷰들 중에서 상기 건강기능식품들의 만족도가 미리 설정된 기준치보다 높은 것으로 등록된 리뷰의 건강기능식품들을 제1 리뷰 그룹으로 분류하는 단계; 상기 제1 리뷰 그룹을 제3 인공신경망-상기 제3 인공신경망은 입력된 상기 제1 리뷰 그룹의 건강기능식품들의 제품 유형을 경질캡슐, 연질캡슐, 정제, 환, 분말, 겔, 젤리 및 액상/시럽 중 어느 하나로 분류하는 인공지능모델임-으로 적용하여 상기 제1 리뷰 그룹에 속한 상기 건강기능식품들이 제조된 제품 유형이 가장 많이 적용된 순서대로 제품 유형 리스트를 생성하는 단계; 상기 생성된 제품 유형 리스트를 상기 제1 의뢰자 단말로 전송하는 단계; 상기 제1 의뢰자 단말로부터 선정된 제품 유형에 기초하여 제품 유형 정보를 생성하는 단계; 및 상기 기능성 원료 정보, 상기 기능성 원료 함량 정보 및 상기 제품 유형 정보에 기초하여 상기 레시피 정보를 생성하는 단계를 포함할 수 있다.
상기 제조 공장 정보를 생성하는 단계는 상기 제1 의뢰자의 상기 제조 상담 정보로부터 제1 건강기능식품의 필요 주문 수량 정보를 추출하는 단계; 기 등록된 제조 공장들 중에서 MOQ(Minimum Order Quantity, 최소발주수량) 정보를 획득하는 단계; 상기 제1 의뢰자의 상기 제조 상담 정보로부터 제1 건강기능식품의 생산 일정 정보를 추출하는 단계; 상기 필요 주문 수량 정보, 상기 MOQ 정보 및 상기 생산 일정 정보에 기초하여 제4 입력 신호를 생성하고, 상기 생성된 제4 입력 신호를 제4 인공신경망-상기 제4 인공신경망은 트레이닝 필요 주문 수량 정보들, 트레이닝 MOQ 정보들, 트레이닝 생산 일정 정보들 및 제4 출력 신호들 및 트레이닝 제조 공장 정보들에 기초하여 미리 학습됨-에 적용하여 상기 제1 건강기능식품을 제조 가능한 제조 공장 정보를 생성하는 단계; 및 상기 생성된 제조 공장 정보를 상기 제1 의뢰자 단말로 전송하는 단계를 포함할 수 있다.
상기 제1 출력 신호를 생성하는 단계는 상기 기능성 원료의 함량에 기초하여 상기 기능성 원료 함량 비율을 생성하고, 상기 기능성 원료의 미리 설정된 함량 비율에 대응하는 제1 가중치를 생성하는 단계; 상기 생성된 제1 가중치를 상기 기능성 원료의 가격 정보에 적용하여 상기 제1 건강기능식품에 포함된 원료 가격을 산출하여 원료 비용 정보를 생성하는 단계; 상기 제품 유형 정보에 기초하여 상기 선정된 제품 유형을 포장할 수 있는 미리 설정된 포장 유형들-상기 포장 유형들은 병포장, 파우치, 스틱, 블리스터(PTP, press through package) 중 적어도 하나를 포함함-중에서 어느 포장 유형을 선정할 것인지를 문의하는 포장 유형 문의 메시지를 상기 제1 의뢰자 단말로 전송하는 단계; 상기 제1 의뢰자 단말로부터 상기 제1 건강기능식품의 포장 유형 정보를 수신하는 단계; 상기 포장 유형 정보에 대응하는 포장 유형의 가격 정보를 획득하여 포장 비용 정보를 생성하는 단계; 상기 레시피 정보, 상기 제조 공장 정보, 상기 원료 비용 정보 및 상기 포장 유형 정보에 기초하여 제1 입력 신호를 생성하는 단계; 및 상기 제1 입력 신호를 상기 제1 인공신경망에 적용하여 상기 제1 출력 신호를 생성하는 단계를 포함할 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 제1 건강기능식품의 상기 포장 유형 정보를 수신하는 단계; 상기 제1 의뢰자 단말로 상기 제1 건강기능식품의 포장 디자인 제작이 필요한지 여부를 묻는 포장 디자인 제작 문의 메시지를 전송하는 단계; 상기 제1 건강기능식품의 상기 포장 디자인 제작이 필요한 경우, 상기 포장 디자인 제작을 위해 필요한 상기 제1 건강기능식품의 브랜드 정보-상기 브랜드 정보는 상기 제1 건강기능식품의 브랜드명, 브랜드 로고, 회사명 중 적어도 하나를 포함함- 및 상기 제1 건강기능식품의 제품 정보-상기 제품 정보는 상기 제1 건강기능식품의 제품명, 주요성분, 성상, 효과, 용법 및 용량, 보관방법, 포장 단위 중 적어도 하나를 포함함-를 제1 의뢰자 단말로부터 수신하는 단계; 상기 브랜드 정보 및 상기 제품 정보를 기초로, 상기 제1 건강기능식품의 포장 디자인 제작물인 제1 디자인 샘플을 생성하여 상기 제1 디자인 샘플을 상기 제1 의뢰자 단말로 전송하는 단계; 상기 제1 의뢰자 단말로부터 수정 요청이 없을 경우, 상기 제1 디자인 샘플을 상기 제1 건강기능식품의 포장 디자인으로 선정하는 단계; 상기 제1 의뢰자 단말로부터 수정 요청이 있을 경우, 상기 제1 의뢰자 단말로부터 상기 제1 디자인 샘플의 수정 요청 사항을 수신하는 단계; 상기 제1 디자인 샘플의 수정 요청 사항을 제1 디자인 샘플에 적용하여 제2 디자인 샘플을 상기 제1 의뢰자 단말로 전송하고, 상기 제2 디자인 샘플을 상기 제1 건강기능식품의 포장 디자인으로 선정하는 단계; 및 상기 제1 건강기능식품의 상기 포장 디자인 제작이 필요하지 않은 경우, 상기 제1 의뢰자 단말로부터 미리 제작된 상기 제1 건강기능식품의 포장 디자인인 제3 디자인 샘플을 상기 제1 건강기능식품의 포장 디자인으로 선정하는 단계를 더 포함할 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 기 등록된 건강기능식품들 중에서 공동 제조 생산이 가능한 건강기능식품을 제1 공동 제조 건강기능식품으로 선정하는 단계; 상기 제1 공동 제조 건강기능식품의 공동 제조 생산 의향이 있는지 여부에 대한 제1 공동 제조 생산 문의 메시지들을 상기 제1 의뢰자 단말 및 제2 의뢰자들의 제2 의뢰자 단말들로 전송하는 단계; 상기 제1 공동 제조 생산 문의 메시지들에 대한 응답들에 기초하여, 상기 제1 공동 제조 건강기능식품을 공동 제조 생산할지 여부를 판단하는 단계; 상기 제1 공동 제조 생산 문의 메시지들에 대한 응답으로 공동 제조 생산 의향이 있는 메시지들이 미리 설정한 기준 개수 이상인 경우, 상기 제1 공동 제조 건강기능식품을 공동 제조 생산하는 것으로 판단하는 단계; 및 상기 공동 제조 생산 문의 메시지들에 대한 응답으로 의향이 있는 메시지들이 미리 설정한 기준 개수 이하인 경우, 상기 제2 공동 제조 건강기능식품을 공동 제조 생산할 의향이 있는지 여부에 대한 상기 제2 공동 제조 생산 문의 메시지들을 상기 제1 의뢰자 단말 및 상기 제2 의뢰자 단말들로 전송하는 단계를 더 포함할 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 제1 건강기능식품에 대응하는 상기 제1 제조 비용 정보에 기초하여 제1 견적서를 생성하는 단계; 상기 생성된 제1 견적서를 상기 제1 의뢰자 단말로 전송하는 단계; 상기 제1 의뢰자 단말로 상기 제1 건강기능식품을 판매할지 여부에 대한 판매 여부 문의 메시지를 전송하는 단계; 상기 제1 건강기능식품을 판매하는 경우, 상기 제1 의뢰자 단말로부터 현재 시점부터 미리 정의된 기간인 제1 기간 동안의 상기 제1 건강기능식품의 판매 내역을 수신하는 단계; 상기 판매 내역으로부터 상기 현재 시점의 상기 제1 건강기능식품의 재고량을 산출하는 단계; 상기 현재 시점의 상기 제1 건강기능식품의 재고량이 미리 설정된 제1 기준량 이하인 경우, 상기 제1 건강기능식품의 추가 생산을 원하는지 여부에 대한 추가 생산 문의 메시지를 상기 제1 의뢰자 단말로 전송하는 단계; 및 상기 현재 시점의 상기 제1 건강기능식품의 재고량이 상기 제1 기준량 이상인 경우, 새로운 건강기능식품인 제2 건강기능식품의 제조를 원하는지 여부에 대한 추가 제조 문의 메시지를 상기 제1 의뢰자 단말로 전송하는 단계를 더 포함할 수 있다.
상기 장치에 의해 수행되는 방법에 있어서, 상기 제1 건강기능식품을 제조하는 업체에 근무하는 복수의 직원을 그룹화하여, 팀 프로젝트를 수행하기 위한 팀으로 각각 분류하는 단계; 제1 팀으로 분류된 직원 각각에게 역할을 부여하는 단계; 상기 제1 팀에서 상기 팀 프로젝트를 수행하는 도중, 문제 상황이 발생한 경우, 문제 상황에 따라 선택된 반응 정보를 직원 별로 획득하는 단계; 및 상기 제1 팀에서 수행중인 상기 팀 프로젝트가 종료되면, 문제 상황 별로 획득된 반응 정보에 기초하여, 각 직원에게 부여된 역할의 업무를 상황 별로 잘 처리하였는지 평가하는 단계를 더 포함할 수 있다.
상기 평가하는 단계는 상기 제1 팀에서 수행중인 상기 팀 프로젝트가 종료되면, 상기 팀 프로젝트를 수행하는 도중 대화창에 입력된 제1 팀의 대화 정보를 획득하는 단계; 상기 제1 팀의 대화 정보에서 제1 직원에 의해 입력된 제1 직원의 대화 정보를 추출하는 단계; 상기 제1 직원의 대화 정보에 기초하여, 상기 제1 직원의 대화에서 능동적인 의미를 가지는 단어를 구분한 후, 문제 상황 발생으로부터 기준 시간 이내에 상기 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하는지 여부를 확인하여, 상기 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 상기 기준 시간 이내에 등장한 문제 상황의 수를 제1 횟수로 산출하는 단계; 상기 제1 직원의 대화 정보에 기초하여, 상기 제1 직원의 대화에서 수동적인 의미를 가지는 단어를 구분한 후, 문제 상황 발생으로부터 상기 기준 시간 이내에 상기 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는지 여부를 확인하여, 상기 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 상기 기준 시간 이내에 등장한 문제 상황의 수를 제2 횟수로 산출하는 단계; 상기 제1 직원의 대화 정보에 기초하여, 상기 제1 직원의 대화에서 문제 상황을 해결하는데 있어 중요한 의미를 가지는 단어를 구분한 후, 문제 상황 발생으로부터 상기 기준 시간 이내에 상기 제1 직원의 대화에서 중요한 의미를 가지는 단어가 존재하는지 여부를 확인하여, 상기 제1 직원의 대화에서 중요한 의미를 가지는 단어가 상기 기준 시간 이내에 등장한 문제 상황의 수를 제3 횟수로 산출하는 단계; 및 상기 제1 횟수를 통해 상기 제1 직원의 리더십을 평가하고, 상기 제2 횟수를 통해 상기 제1 직원의 팔로우십을 평가하고, 상기 제3 횟수를 통해 상기 제1 직원의 위기대처능력을 평가하는 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 인공지능을 기반으로 건강기능식품 소량 생산 주문 플랫폼 서비스를 제공할 수 있다.
실시예들은 인공신경망의 학습을 통해 의뢰자의 상담 정보를 분석하여 건강기능식품의 레시피 정보를 생성할 수 있다.
실시예들은 인공신경망의 학습을 통해 건강기능식품의 제조 공장 정보를 생성할 수 있다.
도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인공지능 기반의 건강기능식품 소량 생산 주문 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공지능 기반의 건강기능식품 소량 생산 주문 플랫폼 서비스를 제공하는 과정을 설명하기 위한 블록도이다.
도 4는 일실시예에 따른 제1 인공신경망의 학습을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 레시피 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 입력 신호를 생성하는 과정을 설명하기 위한 개념도이다.
도 7은 일실시예에 따른 제2 인공신경망의 학습을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 제3 인공신경망을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 제4 인공신경망의 학습을 설명하기 위한 도면이다.
도 10은 제1 출력 신호를 생성하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 제1 건강기능식품의 포장 디자인을 선정하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 건강기능식품의 공동 제조 생산 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 13은 일실시예에 따른 건강기능식품의 재고량을 산출하는 과정을 설명하기 위한 순서도이다.
도 14는 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 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 의뢰자 단말(10) 및 장치(30)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 의뢰자 단말(10)은 건강기능식품 제조 작업을 의뢰하고자 하는 의뢰자들이 사용하는 단말기로, 제1 의뢰자가 사용하는 제1 의뢰자 단말(11), 제2 의뢰자가 사용하는 제2 의뢰자 단말(12), 제3 의뢰자가 사용하는 제3 의뢰자 단말(13) 등을 포함할 수 있다.
복수의 의뢰자 단말(10) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 의뢰자 단말(11), 제2 의뢰자 단말(12), 제3 의뢰자 단말(13) 등은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.
복수의 의뢰자 단말(10) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 의뢰자 단말(10)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.
복수의 의뢰자 단말(10) 각각은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 의뢰자 단말(10) 각각은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.
복수의 의뢰자 단말(10) 각각은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.
이하에서는 설명의 편의상, 제1 의뢰자 단말(11)의 동작을 위주로 설명하지만, 제2 의뢰자 단말(12) 등의 다른 의뢰자 단말에서 제1 의뢰자 단말(11)의 동작을 대신 수행할 수 있는 것은 물론이다.
일실시예에 따르면, 장치(30)는 인공지능을 기반으로 건강기능식품 소량 생산 주문 플랫폼 서비스를 제공할 수 있다. 여기서, 건강기능식품은 건강 보조 식품(health supplement food) 또는 건강 기능성 식품이라고도 하며, 인체에 유용한 기능을 가진 원료나 성분(이하, '기능성 원료'라 함.)을 사용하여 제조한 식품으로 건강을 유지하는데 도움을 주는 식품을 의미할 수 있다.
장치(30)는 장치(30)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(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.
장치(30)는 복수의 의뢰자 단말(10)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 의뢰자 단말(10) 각각의 동작을 제어하고, 복수의 의뢰자 단말(10) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 복수의 의뢰자 단말(10) 중 제1 의뢰자 단말(11), 제2 의뢰자 단말(12) 및 제3 의뢰자 단말(13)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공신경망을 포함할 수 있다.
도 2는 일실시예에 따른 인공지능 기반의 건강기능식품 소량 생산 주문 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 2를 참조하면, 먼저 S201 단계에서, 장치(30)는 제1 의뢰자 단말(11)로부터 제1 건강기능식품에 대한 건강기능식품 제조 요청을 수신할 수 있다. 이때, 제1 건강기능식품은 제1 의뢰자 단말(11)로부터 요청된 건강기능식품 제조 작업의 의뢰 대상일 수 있다.
S202 단계에서, 장치(30)는 건강기능식품 제조 요청에 응답하여, 제1 건강기능식품의 제조를 위한 상담 요청 메시지를 제1 의뢰자 단말(11)로 전송할 수 있다.
S203 단계에서, 장치(30)는 제1 의뢰자에 대응하는 제1 의뢰자 계정의 채팅 공간 상에 입력된 상담 정보를 기초로, 제1 의뢰자의 제조 상담 정보를 추출할 수 있다.
구체적으로, 의뢰자 계정에 메신저를 통한 채팅 공간이 제공될 수 있으며, 장치(30)의 데이터베이스에는 채팅 공간 별로 구분된 상담 정보가 저장될 수 있다. 여기서, 상담 정보는 제1 의뢰자 계정을 통해 채팅 공간 상에 입력된 대화 내용을 의미할 수 있다.
구체적으로, 의뢰자 계정의 채팅 공간 상에 입력된 상담 정보를 기초로, 제1 의뢰자의 제조 상담 정보를 추출할 수 있다. 이때, 제조 상담 정보는 제1 의뢰자가 제조하고자 하는 제1 건강기능식품을 제조하기 위해 필요한 정보로, 예를 들어, 제1 건강기능식품의 영양성분을 조합한 레시피, 원재료, 원료의 함량 및 비율, 기능, 제조 공장, 제품 유형, 포장재, 포장 디자인 및 비용 등 건강기능식품 제조를 위해 필요한 모든 정보를 포함할 수 있으며, 이에 한정되지 않는다.
S204 단계에서, 장치(30)는 제1 의뢰자의 제조 상담 정보를 기초로, 제1 건강기능식품에 대한 레시피 정보를 생성할 수 있다.
장치(30)는 제1 의뢰자 계정의 채팅 공간을 확인한 후, 확인된 채팅 공간 상의 입력된 제조 상담 정보를 데이터베이스로부터 획득할 수 있으며, 획득된 제조 상담 정보를 기초로, 제1 건강기능식품에 대한 레시피 정보를 추출할 수 있다. 여기서, 제1 건강기능식품에 대한 레시피 정보는 제1 의뢰자 계정의 채팅 공간 상에서 제1 의뢰자 계정을 통해 입력된 제1 건강기능식품의 원재료, 원료의 함량, 원료의 함량 비율, 기능 등에 관한 내용을 추출한 정보일 수 있다.
즉, 장치(30)는 제1 의뢰자 계정의 채팅 공간 상에 입력된 제조 상담 정보를 기초로, 제1 의뢰자 계정의 채팅 공간 상에 입력된 내용을 분석하여, 제1 건강기능식품의 제조에 있어서, 원재료, 원료의 함량, 원료의 함량 비율, 기능 등을 파악하는데 도움이 되는 내용을 확인할 수 있으며, 제1 건강기능식품을 제조하는데 도움이 되는 내용을 제1 건강기능식품에 대한 레시피 정보로 추출할 수 있다.
S205 단계에서, 장치(30)는 제1 의뢰자의 제조 상담 정보를 기초로, 제1 건강기능식품에 대한 제조 공장 정보를 생성할 수 있다.
장치(30)는 제1 의뢰자 계정의 채팅 공간을 확인한 후, 확인된 채팅 공간 상의 입력된 제조 상담 정보를 데이터베이스로부터 획득할 수 있으며, 획득된 제조 상담 정보를 기초로, 제1 건강기능식품에 대한 제조 공장 정보를 추출할 수 있다. 여기서, 제1 건강기능식품에 대한 제조 공장 정보는 제1 의뢰자 계정의 채팅 공간 상에서 제1 의뢰자 계정을 통해 입력된 제1 건강기능식품의 제조 공장, 필요 주문 수량 정보, MOQ(Minimum Order Quantity, 최소발주수량) 정보 및 생산 일정 정보 등에 관한 내용을 추출한 정보일 수 있다.
즉, 장치(30)는 제1 의뢰자 계정의 채팅 공간 상에 입력된 제조 상담 정보를 기초로, 제1 의뢰자 계정의 채팅 공간 상에 입력된 내용을 분석하여, 제1 건강기능식품의 제조에 있어서 제1 건강기능식품의 제조 공장, 필요 주문 수량 정보, MOQ(Minimum Order Quantity, 최소발주수량) 정보 및 생산 일정 정보 등을 파악하는데 도움이 되는 내용을 확인할 수 있으며, 제1 건강기능식품을 제조하는데 도움이 되는 내용을 제1 건강기능식품에 대한 제조 공장 정보로 추출할 수 있다.
S206 단계에서, 장치(30)는 레시피 정보 및 제조 공장 정보에 기초하여, 제1 입력 신호를 생성할 수 있다.
구체적으로, 장치(30)는 제조 상담 정보를 기초로 생성한 레시피 정보 및 제조 공장 정보에 기초하여 제1 입력 신호를 생성할 수 있다. 일실시예에 따르면, 장치(30)는 데이터베이스로부터 레시피 정보 및 제조 공장 정보를 추출할 수 있다. 장치(30)는 추출한 레시피 정보 및 제조 공장 정보에 기초하여 제1 입력 신호를 생성할 수 있다.
S207 단계에서, 장치(30)는 제1 입력 신호를 제1 인공신경망(100)에 적용하여 제1 출력 신호를 생성할 수 있다.
여기서, 장치(30)는 트레이닝 레시피 정보들, 트레이닝 제조 공장 정보들, 제1 출력신호들 및 트레이닝 제조 비용 정보들을 획득하고, 이에 기초하여 제1 인공신경망(100)을 학습시킬 수 있다. 장치(30)는 미리 학습된 제1 인공신경망(100)에 제1 입력 신호를 적용하여 제1 출력 신호를 생성할 수 있다.
일실시예에 따르면, 장치(30)는 트레이닝 레시피 정보들, 트레이닝 제조 공장 정보들을 제1 인공신경망(100)에 적용하여 트레이닝 출력들을 획득할 수 있다. 장치(30)는 트레이닝 출력들과 제1 출력 신호들 및 트레이닝 제조 비용 정보들에 기초하여 제1 인공신경망(100)을 학습시킬 수 있다. 장치(30)는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 제1 인공신경망(100) 내 노드들의 연결 관계를 최적화하여 제1 인공신경망(100)을 학습시킬 수 있다. 장치(30)는 학습이 완료된 제1 인공신경망(100)을 이용하여 레시피 정보들 및 제조 공장 정보들로부터 제조 비용 정보들을 추출할 수 있다. 제1 인공신경망(100)의 학습하는 과정과 관련된 자세한 설명은 은 도 4를 참조하여 후술하기로 한다.
여기서, 트레이닝 제조 비용 정보들은 트레이닝 레시피 정보들 및 트레이닝 제조 공장 정보들에 각각 대응하는 제조 비용 정보들일 수 있다. 제1 출력 신호들은 트레이닝 레시피 정보들 및 트레이닝 제조 공장 정보들에 기초하여 생성된 제1 트레이닝 입력 신호들을 제1 인공신경망(100)에 적용되어 생성된 출력 신호일 수 있다.
S208 단계에서, 장치(30)는 제1 출력 신호에 기초하여 제1 건강기능식품에 대응하는 제1 제조 비용 정보를 생성할 수 있다.
도 3은 일실시예에 따른 인공지능 기반의 건강기능식품 소량 생산 주문 플랫폼 서비스를 제공하는 과정을 설명하기 위한 블록도이다.
장치(30)는 제1 의뢰자 단말(11)로부터 제조 상담 정보를 획득하고, 제조 상담 정보로부터 레시피 정보 및 제조 공장 정보를 획득할 수 있다. 장치(30)는 획득한 레시피 정보 및 제조 공장 정보에 기초하여 제1 입력 신호를 생성하여 제1 인공신경망(100)에 적용하여 제1 출력 신호를 생성할 수 있다.
여기서, 장치(30)는 트레이닝 레시피 정보들 및 트레이닝 제조 공장 정보들에 기초하여, 제1 트레이닝 입력 신호들을 생성하고, 제1 트레이닝 입력 신호들을 제1 인공신경망(100)에 적용하여 제1 출력 신호들을 생성할 수 있다. 제1 출력 신호들을 생성하면, 장치(30)는 제1 출력 신호에 기초하여 제1 건강기능식품에 대응하는 제1 제조 비용 정보를 생성할 수 있다.
도 4는 일실시예에 따른 제1 인공신경망(100)의 학습을 설명하기 위한 도면이다.
도 4에 도시한 바와 같이, 장치(30)는 제1 건강기능식품의 제조 비용 정보의 추출을 위하여 제1 인공신경망(100)을 학습시킬 수 있다.
제1 인공신경망(100)은 트레이닝 샘플들이 입력되는 제1 입력 레이어(110)와 트레이닝 출력들을 출력하는 제1 출력 레이어(120)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 레시피 정보들, 제조 공장 정보들 및 레시피 정보들, 제조 공장 정보들에 각각 대응하는 제조 비용 정보들에 기초하여 정의될 수 있다. 제1 인공신경망(100)은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
장치(30)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제1 인공신경망(100)을 학습시킬 수 있다. 장치(30)는 제1 인공신경망(100)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
장치(30)는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제1 인공신경망(100) 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.
장치(30)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제1 인공신경망(100) 내 노드들 사이의 관계들이다. 장치(30)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(30)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일실시예에 따르면, 장치(30)는 트레이닝 레시피 정보들 및 트레이닝 제조 공장 정보들에 기초하여 제1 트레이닝 입력 신호들을 생성할 수 있다. 장치(30)는 제1 트레이닝 입력 신호들로부터 제1 출력 신호들을 생성할 수 있다.
일실시예에 따르면, 제1 인공신경망(100)은 트레이닝 레시피 정보들, 트레이닝 제조 공장 정보들, 제1 출력 신호들 및 트레이닝 제조 비용 정보들에 기초하여 미리 학습될 수 있다. 제1 인공신경망(100)은 제1 출력 신호들 및 트레이닝 제조 비용 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.
도 5는 일실시예에 따른 레시피 정보를 생성하는 과정을 설명하기 위한 순서도이다.
도 5를 참조하면, 먼저 S501 단계에서, 장치(30)는 제1 의뢰자의 제조 상담 정보로부터 기능 카테고리 정보를 추출할 수 있다. 여기서, 기능 카테고리 정보는 제1 건강기능식품이 복수의 기능 카테고리들 중에서 어느 기능 카테고리에 속하는지에 대한 것일 수 있다. 예를 들어, 기능 카테고리는 면역력 증진, 피로개선, 미용, 항산화, 향균, 장기능 활성화, 눈 건강 증진, 신경과 근육 기능 유지 중 적어도 하나를 포함할 수 있으나, 실시예에 따라 다르게 설정될 수 있다.
S502 단계에서, 장치(30)는 제1 건강기능식품을 제조하기 위해 필요한 기 등록된 원료 정보를 추출할 수 있다. 장치(30)의 데이터베이스에는 제1 건강기능식품 제조 시 사용되는 원료들이 미리 등록되어 저장될 수 있다. 장치(30)는 데이터베이스에 원료 정보를 저장하고, 제1 건강기능식품을 제조할 경우 데이터베이스로부터 원료 정보를 추출할 수 있다.
S503 단계에서, 장치(30)는 기능 카테고리 정보 및 원료 정보에 기초하여 제2 입력 신호를 생성하고, 생성된 제2 입력 신호를 제2 인공신경망(200)에 적용할 수 있다.
일실시예에 따르면, 장치(30)는 트레이닝 기능 카테고리 정보들, 트레이닝 원료 정보들, 제2 출력 신호들 및 트레이닝 기능성 원료 정보들에 기초하여 제2 인공신경망(200)을 미리 학습시킬 수 있다. 장치(30)는 기능 카테고리 정보 및 원료 정보에 기초하여 제2 입력 신호를 생성하고, 생성된 제2 입력 신호를 제2 인공신경망(200)에 적용하여 제2 출력 신호를 생성할 수 있다. 제2 인공신경망(200)의 학습하는 과정과 관련된 자세한 설명은 도 7을 참조하여 후술하기로 한다.
S504 단계에서, 장치(30)는 제2 출력 신호에 기초하여 제1 건강기능식품의 제조에 사용할 기능성 원료 정보를 생성할 수 있다. 이때, 기능성 원료 정보는 건강기능식품을 제조 시 사용되는 원재료로서, 예를 들어, 건강기능개선의 효과가 있는 원재료들의 이름, 효과, 하루 적정 용량 등에 대한 정보를 포함할 수 있으나, 이에 한정되지는 않는다.
S505 단계에서, 장치(30)는 기능성 원료 정보의 함량 및 기능성 원료의 함량 비율을 생성하고, S506 단계에서, 장치(30)는 기능성 원료 정보의 함량 및 기능성 원료의 함량 비율에 기초하여 기능성 원료 함량 정보를 생성할 수 있다.
즉, 장치(30)는 제1 건강기능식품에서 기능성 원료의 함량 및 제1 건강기능식품에서 기능성 원료가 차지하는 함량 비율에 기초하여 기능성 원료 함량 정보를 생성할 수 있다.
S507 단계에서, 장치(30)는 제1 의뢰자의 제조 상담 정보로부터 기 등록된 건강기능식품들의 리뷰들 중에서 건강기능식품들의 만족도가 미리 설정된 기준치보다 높은 것으로 등록된 리뷰의 건강기능식품들을 제1 리뷰 그룹으로 분류할 수 있다.
장치(30)는 데이터베이스에 건강기능식품들의 리뷰들을 저장할 수 있다. 장치(30)는 저장된 리뷰들의 만족도를 추출하고, 기 등록된 건강기능식품들의 리뷰들 중에서 건강기능식품들의 만족도가 미리 설정된 기준치보다 높은 것으로 등록된 리뷰에 속하는 건강기능식품들을 제1 리뷰 그룹으로 분류할 수 있다.
S508 단계에서, 장치(30)는 제1 리뷰 그룹을 제3 인공신경망(300)으로 적용하여 제1 리뷰 그룹에 속한 건강기능식품들이 제조된 제품 유형이 가장 많이 적용된 순서대로 제품 유형 리스트를 생성할 수 있다. 이때, 제품 유형은 제1 건강기능식품이 경질캡슐, 연질캡슐, 정제, 환, 분말, 겔, 젤리 및 액상/시럽 중 어느 제품 유형이 적용되었는지에 대한 것일 수 있다. 제품 유형은 실시예에 따라 상이하게 설정될 수 있다.
구체적으로, 장치(30)는 제1 리뷰 그룹에 속한 건강기능식품들 중에서 제품 유형이 가장 많이 적용된 순서대로 제품 유형 리스트를 생성할 수 있다. 예를 들어, 제1 리뷰 그룹에 속한 건강기능식품들 중에서 경질캡슐 5개, 환 77개, 분말 50개, 젤리 40개가 적용된 경우, 장치(30)는 환, 분말, 젤리 및 경질캡슐 순으로 제품 유형 리스트를 생성할 수 있다.
이때, 제3 인공신경망(300)은 입력된 제1 리뷰 그룹의 건강기능식품들의 제품 유형을 경질캡슐, 연질캡슐, 정제, 환, 분말, 겔, 젤리 및 액상/시럽 중 어느 하나로 분류하는 인공지능모델일 수 있다. 제3 인공신경망(300)에 대한 자세한 설명은 도 8을 참조하여 후술하기로 한다.
S509 단계에서, 장치(30)는 생성된 제품 유형 리스트를 제1 의뢰자 단말(11)에 전송할 수 있다.
S510 단계에서, 장치(30)는 제1 의뢰자 단말(11)로부터 선정된 제품 유형에 기초하여 제품 유형 정보를 생성할 수 있다. 이때, 제1 의뢰자는 제1 의뢰자 단말(11)을 통해 제품 유형 리스트를 수신할 수 있으며, 제품 유형 리스트로부터 제1 건강기능식품의 제조 시 적용될 제품 유형을 선정할 수 있다. 장치(30)는 선정된 제품 유형에 대한 정보인 제품 유형 정보를 생성할 수 있다.
S511 단계에서, 장치(30)는 기능성 원료 정보, 기능성 원료 함량 정보 및 제품 유형 정보에 기초하여 레시피 정보를 생성할 수 있다. 예를 들어, 기능성 원료 정보는 홍삼 분말, 기능성 원료 함량 정보는 10mg, 15%이고, 제품 유형 정보는 젤리인 경우, 장치(30)는 홍삼 분말 10mg을15%의 비율로 첨가하여 젤리 형태의 제1 건강기능식품에 대한 레시피 정보를 생성할 수 있다.
도 6은 일실시예에 따른 제1 입력 신호를 생성하는 과정을 설명하기 위한 개념도이다.
장치(30)는 제1 의뢰자의 제조 상담 정보로부터 추출된 기능 카테고리 정보 및 원료 정보를 제2 인공신경망(200)에 적용하여 기능성 원료 정보를 생성할 수 있다. 일실시예에 따르면, 장치(30)는 기능성 원료 정보의 함량 및 기능성 원료의 함량 비율을 생성하여, 기능성 원료 함량 정보를 생성할 수 있다.
장치(30)는 제1 의뢰자의 제조 상담 정보로부터 기 등록된 건강기능식품들의 리뷰들 중에서 건강기능식품들의 만족도가 미리 설정된 기준치보다 높은 것으로 등록된 리뷰의 건강기능식품들을 분류한 제1 리뷰 그룹을 획득할 수 있다. 장치(30)는 제1 리뷰 그룹을 제3 인공신경망(300)에 적용하여 제품 유형 리스트를 생성할 수 있다. 장치(30)는 생성된 제품 유형 리스트를 제1 의뢰자 단말(11)로 전송하고, 제1 의뢰자 단말로부터 선정된 제품 유형 정보를 수신할 수 있다.
장치(30)는 제1 의뢰자의 제조 상담 정보로부터 추출된 제1 건강기능식품의 필요 주문 수량 정보, 생산 일정 정보 및 기 등록된 제조 공장들 중에서 획득한 MOQ 정보를 제4 인공신경망(400)에 적용하여 제조 공장 정보를 생성할 수 있다.
장치(30)는 기능성 원료 함량 정보, 제품 유형 정보 및 제조 공장 정보를 기초로 제1 입력 신호를 생성할 수 있다.
도 7은 일실시예에 따른 제2 인공신경망의 학습을 설명하기 위한 도면이다.
도 7에 도시한 바와 같이, 장치(30)는 제1 건강기능식품의 기능성 원료 정보의 추출을 위하여 제2 인공신경망(200)을 학습시킬 수 있다.
제2 인공신경망(200)은 트레이닝 샘플들이 입력되는 제2 입력 레이어(210)와 트레이닝 출력들을 출력하는 제2 출력 레이어(220)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 기능 카테고리 정보들, 원료 정보들 및 기능 카테고리 정보들 및 원료 정보들에 각각 대응하는 기능성 원료 정보들에 기초하여 정의될 수 있다. 제2 인공신경망(200)은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
장치(30)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제2 인공신경망(200)을 학습시킬 수 있다. 장치(30)는 제2 인공신경망(200)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
장치(30)는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제2 인공신경망(200) 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.
장치(30)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제2 인공신경망(200) 내 노드들 사이의 관계들이다. 장치(30)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(30)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일실시예에 따르면, 장치(30)는 트레이닝 기능 카테고리 정보들 및 트레이닝 원료 정보들에 기초하여 제2 트레이닝 입력 신호들을 생성할 수 있다. 장치(30)는 제2 트레이닝 입력 신호들로부터 제2 출력 신호들을 생성할 수 있다.
일실시예에 따르면, 제2 인공신경망(200)은 트레이닝 기능 카테고리 정보들, 트레이닝 원료 정보들, 제2 출력 신호들 및 트레이닝 기능성 원료 정보들에 기초하여 미리 학습될 수 있다. 제2 인공신경망(200)은 제2 출력 신호들 및 트레이닝 기능성 원료 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.
도 8은 일실시예에 따른 제3 인공신경망(300)을 설명하기 위한 도면이다.
일실시예에 따르면, 제3 인공신경망(300)은 특징 추출 신경망(310)과 분류 신경망(320)으로 구성되어 있을 수 있다. 장치(30)는 제1 리뷰 데이터로부터 등록된 리뷰 이미지를 추출할 수 있다. 특징 추출 신경망(310)은 리뷰 이미지에서 건강기능식품 영역과 배경 영역을 분리하는 작업을 수행할 수 있으며, 분류 신경망(320)은 리뷰 이미지 내에서 1 리뷰 그룹에 속하는 건강기능식품들의 제품 유형이 경질캡슐, 연질캡슐, 정제, 환, 분말, 겔, 젤리 및 액상/시럽 중 어느 하나로 분류되는지 여부를 파악하는 작업을 수행하도록 할 수 있다.
일실시예에 따른 장치(30)는 리뷰 이미지의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장할 수 있으며, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보, 깊이 정보를 포함할 수 있으나, 이에 국한하지 않는다.
특징 추출 신경망(310)이 건강기능식품 영역과 배경 영역을 구분하는 방법은 이미지를 인코딩한 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 건강기능식품 영역과 배경 영역의 경계로 삼을 수 있으나, 이에 국한하지 않는다.
특징 추출 신경망(310)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.
분류 신경망(320)은 특징 추출 신경망(310)을 통해 배경으로부터 구분된 건강기능식품 영역의 표면을 확인하고, 미리 정의된 제품 유형의 표면 상태와 유사한지 여부를 확인하여, 건강기능식품의 제품 유형이 경질캡슐, 연질캡슐, 정제, 환, 분말, 겔, 젤리 및 액상/시럽 중 어느 제품 유형으로 분류되는지를 파악할 수 있다. 건강기능식품의 표면 상태와 건강기능식품의 제품 유형과 비교하기 위해, 메모리(32) 또는 데이터베이스에 저장된 정보들을 활용할 수 있다.
분류 신경망(320)은 히든 레이어와 출력 레이어를 가지고 있으며, 5층 이하의 히든 레이어로 구성되어, 총 50개 이하의 히든 레이어 노드를 포함하고, 히든 레이어의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다.
분류 신경망(320)는 총 1개의 출력층 노드만 포함할 수 있다.
분류 신경망(320)의 출력은 건강기능식품의 제품 유형이 경질캡슐, 연질캡슐, 정제, 환, 분말, 겔, 젤리 및 액상/시럽 중 어느 제품 유형으로 분류되는지에 대한 출력값으로, 건강기능식품이 어느 제품 유형에 해당하는지를 지시할 수 있다. 예를 들어, 출력값이 1인 경, 건강기능식품의 제품 유형이 경질캡슐에 해당하는 것을 지시하고, 출력값이 2인 경우, 건강기능식품의 제품 유형이 연질캡슐에 해당하는 것을 지시할 수 있다.
일실시예에 따르면, 제3 인공신경망(300)은 제1 의뢰자가 제3 인공신경망(300)에 따른 출력의 문제점 발견 시 제1 의뢰자에 의해 입력된 수정 정답에 의해 생성되는 제1 학습 신호를 전달받아 학습할 수 있다. 제3 인공신경망(300)에 따른 출력의 문제점은 건강기능식품이 제품 유형에 대해 제품 유형의 다른 단계로 분류한 출력값을 출력한 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. 제3 인공신경망(300)은 제1 학습 신호에 의해 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 9는 일실시예에 따른 제4 인공신경망(400)의 학습을 설명하기 위한 도면이다.
도 9에 도시한 바와 같이, 장치(30)는 제1 건강기능식품의 제조 공장 정보의 추출을 위하여 제4 인공신경망(400)을 학습시킬 수 있다.
제4 인공신경망(400)은 트레이닝 샘플들이 입력되는 제4 입력 레이어(410)와 트레이닝 출력들을 출력하는 제4 출력 레이어(420)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 필요 주문 수량 정보들, MOQ 정보들, 생산 일정 정보들 및 필요 주문 수량 정보들, MOQ 정보들, 생산 일정 정보들에 각각 대응하는 제조 공장 정보들에 기초하여 정의될 수 있다. 제4 인공신경망(400)은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
장치(30)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제4 인공신경망(400)을 학습시킬 수 있다. 장치(30)는 제4 인공신경망(400)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
장치(30)는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제4 인공신경망(400) 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.
장치(30)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제4 인공신경망(400) 내 노드들 사이의 관계들이다. 장치(30)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(30)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.
일실시예에 따르면, 장치(30)는 트레이닝 필요 주문 수량 정보들, 트레이닝 MOQ 정보들 및 트레이닝 생산 일정 정보들에 기초하여 제4 트레이닝 입력 신호들을 생성할 수 있다. 장치(30)는 제4 트레이닝 입력 신호들로부터 제4 출력 신호들을 생성할 수 있다.
일실시예에 따르면, 제4 인공신경망(400)은 트레이닝 필요 주문 수량 정보들, 트레이닝 MOQ 정보들 및 트레이닝 생산 일정 정보들, 제4 출력 신호들 및 트레이닝 제조 공장 정보들에 기초하여 미리 학습될 수 있다. 제4 인공신경망(400)은 제4 출력 신호들 및 트레이닝 제조 공장 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.
도 10은 제1 출력 신호를 생성하는 과정을 설명하기 위한 순서도이다.
도 10을 참조하면, 먼저 S1001 단계에서, 장치(30)는 기능성 원료의 함량에 기초하여 기능성 원료 함량 비율을 생성할 수 있다.
S1002 단계에서, 장치(30)는 기능성 원료의 미리 설정된 함량 비율에 대응하는 제1 가중치를 생성할 수 있다. 일실시예에 따르면, 장치(30)는 기능성 원료의 함량이 높을수록 제1 가중치를 높게 설정하고, 기능성 원료의 함량이 낮을수록 제1 가중치를 낮게 설정할 수 있다.
S1003 단계에서, 장치(30)는 제1 가중치를 기능성 원료의 가격 정보에 적용하여 제1 건강기능식품에 포함된 원료 가격을 산출하여 원료 비용 정보를 생성할 수 있다.
S1004 단계에서, 장치(30)는 제품 유형 정보에 기초하여 선정된 제품 유형을 포장할 수 있는 미리 설정된 포장 유형들 중에서 어느 포장 유형을 선정할 것인지를 문의하는 포장 유형 문의 메시지를 제1 의뢰자 단말(11)로 전송할 수 있다. 이때, 포장 유형들은 병포장, 파우치, 스틱, 블리스터(PTP, press through package) 중 적어도 하나를 포함할 수 있으나, 이에 한정되지는 않는다.
S1005 단계에서, 장치(30)는 제1 의뢰자 단말(11)로부터 제1 건강기능식품의 포장 유형 정보를 수신할 수 있다.
S1006 단계에서, 장치(30)는 포장 유형 정보에 대응하는 포장 유형의 가격 정보를 획득하여 포장 비용 정보를 생성할 수 있다. 예를 들어, 제1 건강기능식품의 포장 유형이 병포장인 경우, 장치(30)는 병포장에 대응하는 가격 정보를 획득하여 제1 건강기능식품의 포장 비용 정보를 생성할 수 있다.
S1007 단계에서, 장치(30)는 레시피 정보, 제조 공장 정보, 원료 비용 정보 및 포장 유형 정보에 기초하여 제1 입력 신호를 생성할 수 있다.
S1008 단계에서, 장치(30)는 제1 입력 신호를 제1 인공신경망(100)에 적용하여 제1 출력 신호를 생성할 수 있다. 장치(30)는 제1 출력 신호에 기초하여 제1 건강기능식품에 대응하는 제1 제조 비용 정보를 생성할 수 있다.
도 11은 일실시예에 따른 제1 건강기능식품의 포장 디자인을 선정하는 과정을 설명하기 위한 순서도이다.
도 11을 참조하면, 먼저 S1101 단계에서, 장치(30)는 제1 건강기능식품의 포장 유형 정보를 수신할 수 있다.
S1102 단계에서, 장치(30)는 제1 의뢰자 단말(11)로 포장 디자인 제작이 필요한지 여부를 묻는 포장 디자인 제작 문의 메시지를 전송할 수 있다.
S1103 단계에서, 제1 건강기능식품의 포장 디자인 제작이 필요한 경우, S1104 단계에서, 장치(30)는 포장 디자인 제작을 위해 필요한 제1 건강기능식품의 브랜드 정보 및 제1 건강기능식품의 제품 정보를 제1 의뢰자 단말(11)로부터 수신할 수 있다.
예를 들어, 브랜드 정보는 제1 건강기능식품을 제작하는 제1 의뢰자에 대한 브랜드의 브랜드명, 브랜드 로고, 회사명 중 적어도 하나를 포함할 수 있으며, 이에 한정되지는 않는다.
예를 들어, 제품 정보는 제1 건강기능식품의 제품명, 주요성분, 성상, 효과, 용법 및 용량, 보관방법, 포장 단위 중 적어도 하나를 포함할 수 있으며, 이에 한정되지는 않는다.
S1105 단계에서, 장치(30)는 브랜드 정보 및 제품 정보를 기초로, 제1 건강기능식품의 포장 디자인 제작물인 제1 디자인 샘플을 생성하여 제1 디자인 샘플을 제1 의뢰자 단말(11)로 전송할 수 있다.
S1106 단계에서, 제1 의뢰자 단말(11)로부터 수정 요청이 있을 경우, S1107 단계에서, 장치(30)는 제1 의뢰자 단말(11)로부터 제1 디자인 샘플의 수정 요청 사항을 수신할 수 있다.
S1108 단계에서, 장치(30)는 수신한 수정 요청 사항을 제1 디자인 샘플에 적용하여 제2 디자인 샘플을 제1 의뢰자 단말(11)로 전송하고, 제2 디자인 샘플을 제1 건강기능식품의 포장 디자인으로 선정할 수 있다.
S1106 단계에서, 제1 의뢰자 단말(11)로부터 수정 요청이 없을 경우, S1109 단계에서, 장치(30)는 제1 디자인 샘플을 제1 건강기능식품의 포장 디자인으로 선정할 수 있다.
S1103 단계에서, 제1 건강기능식품의 포장 디자인 제작이 필요하지 않은 경우 S1110 단계에서, 장치(30)는 제1 의뢰자 단말(11)로부터 미리 제작된 제1 건강기능식품의 포장 디자인인 제3 디자인 샘플을 제1 건강기능식품의 포장 디자인으로 선정할 수 있다.
도 12는 일실시예에 따른 건강기능식품의 공동 제조 생산 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 12를 참조하면, 먼저 S1201 단계에서, 장치(30)는 기 등록된 건강기능식품들 중에서 공동 제조 생산이 가능한 건강기능식품을 제1 공동 제조 건강기능식품으로 선정할 수 있다. 여기서, 공동 제조 생산은 복수의 의뢰자들이 하나의 제품을 공동으로 생산하고 각각 유통하는 과정을 의미할 수 있다.
S1202 단계에서, 장치(30)는 제1 공동 제조 건강기능식품의 공동 제조 생산 의향이 있는지 여부에 대한 제1 공동 제조 생산 문의 메시지들을 제1 의뢰자 단말 및 제2 의뢰자들의 제2 의뢰자 단말들로 전송할 수 있다.
S1203 단계에서, 장치(30)는 제1 공동 제조 생산 문의 메시지들에 대한 응답들에 기초하여, 제1 공동 제조 건강기능식품을 공동 제조 생산할지 여부를 판단할 수 있다.
S1204 단계에서, 제1 공동 제조 생산 문의 메시지들에 대한 응답으로 공동 제조 생산 의향이 있는 메시지들이 미리 설정한 기준 개수 이상인 경우, S1205 단계에서, 장치(30)는 제1 공동 제조 건강기능식품을 공동 제조 생산하는 것으로 판단할 수 있다. 이때, 기준 개수는 실시예에 따라 상이하게 설정될 수 있다.
S1204 단계에서, 제1 공동 제조 생산 문의 메시지들에 대한 응답으로 공동 제조 생산 의향이 있는 메시지들이 미리 설정한 기준 개수 이하인 경우, S1206 단계에서, 장치(30)는 제2 공동 제조 건강기능식품을 공동 제조 생산할 의향이 있는지 여부에 대한 제2 공동 제조 생산 문의 메시지들을 제1 의뢰자 단말(11) 및 제2 의뢰자 단말들로 전송할 수 있다.
도 13은 일실시예에 따른 건강기능식품의 재고량을 산출하는 과정을 설명하기 위한 순서도이다.
도 13을 참조하면, 먼저 S1301 단계에서, 장치(30)는 제1 건강기능식품에 대응하는 제1 제조 비용 정보에 기초하여 제1 견적서를 생성할 수 있다. 일실시예에 따르면, 제1 견적서는 제1 건강기능식품의 제품명, 제품 유형, 제품의 원재료 및 원재료의 함량 비율, 제품 포장 디자인 가격, 생산 가격, 제조 공장명 및 생산 수량 등을 포함할 수 있으며, 이에 한정되지는 않는다.
S1302 단계에서, 장치(30)는 생성된 제1 견적서를 제1 의뢰자 단말(11)로 전송할 수 있다.
S1303 단계에서, 장치(30)는 제1 의뢰자 단말(11)로 제1 건강기능식품을 판매할지 여부에 대한 판매 여부 문의 메시지를 전송할 수 있다.
S1304 단계에서, 장치(30)는 제1 건강기능식품을 판매하는 경우, 제1 의뢰자 단말(11)로부터 현재 시점부터 미리 정의된 기간인 제1 기간 동안의 제1 건강기능식품의 판매 내역을 수신할 수 있다. 이때, 제1 기간은 실시예에 따라 상이하게 설정될 수 있다.
S1305 단계에서, 장치(30)는 판매 내역으로부터 현재 시점의 제1 건강기능식품의 재고량을 산출할 수 있다.
S1306 단계에서, 장치(30)는 현재 시점의 제1 건강기능식품의 재고량이 미리 설정된 제1 기준량보다 적은 지 여부를 판단할 수 있다.
S1307 단계에서, 현재 시점의 제1 건강기능식품의 재고량이 미리 설정된 제1 기준량 이하인 경우, 장치(30)는 제1 건강기능식품의 추가 생산을 원하는지 여부에 대한 추가 생산 문의 메시지를 제1 의뢰자 단말(11)로 전송할 수 있다.
S1308 단계에서, 현재 시점의 제1 건강기능식품의 재고량이 제1 기준량 이상인 경우, 장치(30)는 새로운 건강기능식품인 제2 건강기능식품의 제조를 원하는지 여부에 대한 추가 제조 문의 메시지를 제1 의뢰자 단말(11)로 전송할 수 있다.
한편, 장치(30)는 제1 건강기능식품을 제조하는 업체에 근무하는 복수의 직원을 그룹화하여, 팀 프로젝트를 수행하기 위한 팀으로 각각 분류할 수 있다.
구체적으로, 장치(30)는 팀 프로젝트를 수행하기 위한 대기 공간에 접속한 직원 계정을 확인하여, 대기 공간에 접속한 복수의 직원을 그룹화할 수 있다. 이때, 장치(30)는 직원의 기본 정보를 이용하여, 복수의 직원을 그룹화할 수 있다. 여기서, 직원의 기본 정보는 부서명, 직급, 나이, 근무 지역, 팀 프로젝트 수행 경력 등에 대한 정보를 포함할 수 있다.
예를 들어, 장치(30)는 대기 공간에 접속한 상태인 직원들 각각의 나이를 확인한 후, 비슷한 나이를 가지는 직원들을 구분하여 그룹으로 지정할 수 있다. 또한, 장치(30)는 대기 공간에 접속한 상태인 직원들 각각의 근무 지역을 확인한 후, 동일한 지역에서 근무하는 직원들을 구분하여 그룹으로 지정할 수 있다. 또한, 장치(30)는 대기 공간에 접속한 상태인 직원들 각각의 팀 프로젝트 수행 경력을 확인한 후, 경력이 비슷한 직원들을 구분하여 그룹으로 지정할 수 있다. 이외에도, 다양한 조건을 통해 대기 공간에 접속한 복수의 직원을 구분하여, 복수의 직원을 그룹화할 수 있다.
장치(30)는 복수의 직원을 그룹화하여 복수의 직원을 각 그룹으로 지정하면, 각 그룹을 팀 프로젝트를 수행하기 위한 팀으로 각각 설정하여, 복수의 직원을 팀 프로젝트를 수행하기 위한 팀으로 각각 분류할 수 있다.
예를 들어, 팀 프로젝트를 수행하기 위한 대기 공간에 접속한 직원 계정으로 제1 직원, 제2 직원, 제3 직원 및 제4 직원이 확인된 경우, 장치(30)는 제1 직원 및 제2 직원을 하나의 그룹으로 지정하고, 제3 직원 및 제4 직원을 하나의 그룹으로 지정한 후, 제1 직원 및 제2 직원을 포함하는 그룹을 제1 팀으로 분류하고, 제3 직원 및 제4 직원을 포함하는 그룹을 제2 팀으로 분류할 수 있다.
이후, 장치(30)는 팀으로 분류된 직원 각각에게 역할을 부여할 수 있다. 이때, 장치(30)는 직원의 팀 프로젝트 수행 경력, 선호 업무 등을 고려하여, 직원 각각에게 역할을 부여할 수 있다.
예를 들어, 팀 프로젝트가 팀 단합을 도모하기 위해 목적지까지 도달해야 하는 항해 업무이고, 제1 직원, 제2 직원, 제3 직원, 제4 직원, 제5 직원 및 제6 직원이 제1 팀으로 분류된 경우, 장치(30)는 제1 직원을 선장으로 지정하여 제1 직원에게 선장 역할을 부여하고, 제2 직원을 항해사로 지정하여 제2 직원에게 항해사 역할을 부여하고, 제3 직원을 통신사로 지정하여 제3 직원에게 통신사 역할을 부여하고, 제4 직원을 조타수로 지정하여 제4 직원에게 조타수 역할을 부여하고, 제5 직원을 갑판장으로 지정하여 제5 직원에게 갑판장 역할을 부여하고, 제6 직원을 주방장으로 지정하여 제6 직원에게 주방장 역할을 부여할 수 있다.
이후, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 팀 프로젝트 수행을 준비할 수 있다. 이를 위해, 장치(30)는 팀 프로젝트 수행 준비를 위한 가상 공간을 제공할 수 있다.
예를 들어, 팀 프로젝트가 항해 업무이고, 제1 팀이 항해 업무를 수행하고자 하는 경우, 장치(30)는 항해를 시작하기 전에 항해에 필요한 물품을 구입할 수 있는 가상 공간을 제공할 수 있다. 이때, 가상 공간에는 물, 식량, 수리키트, 구명의, 음파탐지기 등의 물품을 판매하는 상점이 마을에 배치되어 있어, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 자신에게 부여된 역할에 따라 상점에서 물품을 구입하여, 팀 프로젝트 수행을 준비할 수 있다.
이후, 장치(30)는 팀 프로젝트 수행 준비가 완료되었는지 여부를 확인할 수 있다. 이때, 장치(30)는 팀 프로젝트를 수행하고자 하는 팀에 소속된 팀원들이 모두 팀 프로젝트 수행 준비를 완료한 경우, 팀 프로젝트 수행 준비가 완료된 것으로 확인할 수 있다.
팀 프로젝트 수행 준비가 완료되지 않은 것으로 확인되면, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 팀 프로젝트 수행을 계속 준비할 수 있다.
팀 프로젝트 수행 준비가 완료된 것으로 확인되면, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 팀 프로젝트를 수행할 수 있다. 이를 위해, 장치(30)는 팀 프로젝트 수행을 위한 가상 공간을 제공할 수 있다.
예를 들어, 팀 프로젝트가 항해 업무이고, 제1 팀의 팀원들이 모두 항해 업무에 대한 준비가 완료된 경우, 장치(30)는 가상 공간 내에서 제1 팀의 항해선을 항해시켜 항해 게임이 실행되도록 처리할 수 있다.
이후, 장치(30)는 제1 팀에서 팀 프로젝트를 수행하는 도중, 문제 상황이 발생하였는지 여부를 확인할 수 있다.
예를 들어, 팀 프로젝트가 항해 업무이고, 제1 팀의 항해선이 항해하는 도중, 폭풍, 해일 등으로 문제 상황이 발생하였는지 여부를 확인할 수 있다.
문제 상황이 발생한 것으로 확인되면, 장치(30)는 문제 상황에 따라 선택된 반응 정보를 직원 별로 획득할 수 있다. 여기서, 반응 정보는 문제 상황에 대응하여 직원에 의해 선택된 반응을 나타내는 정보이다.
예를 들어, 팀 프로젝트가 항해 업무이고, 제1 팀의 항해선이 항해하는 도중, 폭풍으로 인해 침몰 위험에 대한 문제 상황이 발생한 경우, 장치(30)는 제1 팀의 팀원 각각으로부터 선택된 반응 정보를 획득할 수 있다. 이때, 장치(30)는 제1 팀의 팀원들 각각에게 부여된 역할을 구분하여, 직원 별로 반응 정보를 획득할 수 있다.
예를 들어, 장치(30)는 제1 직원의 역할이 선장이고 침몰 위험 시 선장 역할을 수행하는 제1 직원의 반응으로 다른 팀원들에게 위험 상황을 경고한 경우, 제1 직원의 반응을 제1 직원의 반응 정보로 획득하고, 제2 직원의 역할이 항해사이고 침몰 위험 시 항해사 역할을 수행하는 제2 직원의 반응으로 항해선의 항로를 변경한 경우, 제2 직원의 반응을 제2 직원의 반응 정보로 획득할 수 있다.
이후, 장치(30)는 제1 팀에서 수행하는 팀 프로젝트가 종료되었는지 여부를 확인할 수 있다.
일실시예에 따르면, 팀 프로젝트는 끝까지 전부 수행하면 종료될 수 있으며, 팀 프로젝트를 수행하는 도중 더 이상 진행할 수 없는 상태로 변경되면 종료될 수 있다. 예를 들어, 팀 프로젝트가 항해 업무인 경우, 항해를 통해 목적지까지 도착하면 항해 업무가 종료될 수 있고, 항해를 하는 도중 항해선이 침몰하여 더 이상 항해를 할 수 없는 상태가 되어 버리면 항해 업무가 종료될 수 있다.
팀 프로젝트가 종료되지 않은 것으로 확인되면, 팀 프로젝트를 수행하고자 하는 팀의 팀원들은 팀 프로젝트를 계속 수행할 수 있다.
팀 프로젝트가 종료된 것으로 확인되면, 장치(30)는 문제 상황 별로 획득된 반응 정보에 기초하여, 각 직원에게 부여된 역할의 업무를 상황 별로 잘 수행하였는지 평가할 수 있다.
예를 들어, 제1 팀에서 항해 업무에 대한 팀 프로젝트를 수행하였으며, 제1 직원이 제1 팀에서 선장 역할이고, 제2 직원이 제1 팀에서 항해사 역할인 경우, 장치(30)는 제1 팀에서 팀 프로젝트를 수행하는 도중 제1 문제 상황이 발생한 경우, 제1 문제 상황을 해결하기 위해 선장 역할을 수행하는 제1 직원의 반응으로 생성된 제1-1 반응 정보를 획득하고, 제1 문제 상황을 해결하기 위해 항해사 역할을 수행하는 제2 직원의 반응으로 생성된 제1-2 반응 정보를 획득할 수 있다. 이후, 장치(30)는 제1 팀에서 팀 프로젝트를 수행하는 도중 제2 문제 상황이 발생한 경우, 제2 문제 상황을 해결하기 위해 선장 역할을 수행하는 제1 직원의 반응으로 생성된 제2-1 반응 정보를 획득하고, 제2 문제 상황을 해결하기 위해 항해사 역할을 수행하는 제2 직원의 반응으로 생성된 제2-2 반응 정보를 획득할 수 있다.
이후, 장치(30)는 제1 팀에서 수행중인 팀 프로젝트가 종료되면, 제1-1 반응 정보 및 제2-1 반응 정보에 기초하여, 선장 역할을 수행하는 제1 직원의 업무를 상황 별로 잘 수행하였는지 평가할 수 있으며, 제1-2 반응 정보 및 제2-2 반응 정보에 기초하여, 항해사 역할을 수행하는 제2직원의 업무를 상황 별로 잘 수행하였는지 평가할 수 있다.
장치(30)나 각 직원에게 부여된 역할의 업무를 상황 별로 잘 처리하였는지 평가할 때, 역할의 종류에 따라 미리 설정된 정량 지표를 기준으로, 얼마나 빨리 정확하게 반응하였는지에 따라, 정량 평가를 수행할 수 있다.
각 직원에게 부여된 역할의 업무를 상황 별로 잘 처리하였는지 평가하는 구체적인 설명은 다음과 같다.
먼저, 장치(30)는 제1 팀에서 수행중인 팀 프로젝트가 종료되면, 팀 프로젝트를 수행하는 도중 대화창에 입력된 제1 팀의 대화 정보를 획득할 수 있다. 이를 위해, 팀 프로젝트를 수행하는 도중 팀원들이 의견을 교환할 수 있도록 대화창이 제공될 수 있다.
이후, 장치(30)는 제1 팀의 대화 정보에서 제1 직원에 의해 입력된 제1 직원의 대화 정보를 추출할 수 있다.
예를 들어, 제1 직원 및 제2 직원이 제1 팀인 경우, 제1 팀의 대화 정보에는 제1 직원이 입력한 대화와 제2 직원이 입력한 대화가 포함되어 있으며, 장치(30)는 제1 팀의 대화 정보에서 제1 직원이 입력한 대화만 선별하여, 제1 직원의 대화 정보를 추출할 수 있다.
이후, 장치(30)는 제1 직원의 대화 정보에 기초하여, 제1 직원의 대화에서 능동적인 의미를 가지는 단어를 구분할 수 있다.
예를 들어, 제1 직원의 대화에서 “항로를 우측으로 변경하자”가 있는 것으로 확인되는 경우, 장치(30)는 제1 직원의 대화에서 “항로를”, “우측으로”, “변경하자”로 각각의 단어를 분류할 수 있으며, 분류된 단어 중 “변경하자”를 능동적인 의미를 가지는 단어로 구분할 수 있다.
이후, 장치(30)는 문제 상황 발생으로부터 기준 시간 이내에 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하는지 여부를 확인할 수 있다. 여기서, 기준 시간은 실시예에 따라 상이하게 설정될 수 있다.
예를 들어, 기준 시간이 10초로 설정되어 있는 경우, 장치(30)는 제1 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 있는지 여부를 확인하고, 제2 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 있는지 여부를 확인할 수 있다.
이후, 장치(30)는 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 기준 시간 이내에 등장한 문제 상황의 수를 제1 횟수로 산출할 수 있다.
예를 들어, 팀 프로젝트를 수행하는 도중 제1 문제 상황, 제2 문제 상황, 제3 문제 상황이 발생하였는데, 장치(30)는 제1 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하는 것으로 확인하고, 제2 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하는 것으로 확인되고, 제3 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 능동적인 의미를 가지는 단어가 존재하지 않는 것으로 확인되면, 제1 문제 상황 및 제2 문제 상황에서만 능동적인 의미를 가지는 단어가 기준 시간 이내에 등장하였으므로, 제1 횟수를 2회로 산출할 수 있다.
한편, 장치(30)는 제1 직원의 대화 정보에 기초하여, 제1 직원의 대화에서 수동적인 의미를 가지는 단어를 구분할 수 있다.
예를 들어, 제1 직원의 대화에서 “그래 그러자”가 있는 것으로 확인되는 경우, 장치(30)는 제1 직원의 대화에서 “그래”, “그러자”로 각각의 단어를 분류할 수 있으며, 분류된 단어 중 “그러자”를 수동적인 의미를 가지는 단어로 구분할 수 있다.
이후, 장치(30)는 문제 상황 발생으로부터 기준 시간 이내에 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는지 여부를 확인할 수 있다.
예를 들어, 기준 시간이 10초로 설정되어 있는 경우, 장치(30)는 제1 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 있는지 여부를 확인하고, 제2 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 있는지 여부를 확인할 수 있다.
이후, 장치(30)는 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 기준 시간 이내에 등장한 문제 상황의 수를 제2 횟수로 산출할 수 있다.
예를 들어, 팀 프로젝트를 수행하는 도중 제1 문제 상황, 제2 문제 상황, 제3 문제 상황이 발생하였는데, 장치(30)는 제1 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는 것으로 확인하고, 제2 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는 것으로 확인되고, 제3 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 수동적인 의미를 가지는 단어가 존재하는 것으로 확인되면, 제1 문제 상황, 제2 문제 상황 및 제3 문제 상황에서 수동적인 의미를 가지는 단어가 기준 시간 이내에 등장하였으므로, 제2 횟수를 3회로 산출할 수 있다.
한편, 장치(30)는 제1 직원의 대화 정보에 기초하여, 제1 직원의 대화에서 문제 상황을 해결하는데 있어 중요한 의미를 가지는 단어를 구분할 수 있다. 여기서, 문제 상황을 해결하는데 있어 중요한 의미를 가지는 단어는 문제 상황 별로 상이하게 설정될 수 있다.
예를 들어, 제1 직원의 대화에서 “항로를 우측으로 변경하자”가 있는 것으로 확인되는 경우, 장치(30)는 제1 직원의 대화에서 “항로를”, “우측으로”, “변경하자”로 각각의 단어를 분류할 수 있으며, 분류된 단어 중 “우측으로”를 중요한 의미를 가지는 단어로 구분할 수 있다.
이후, 장치(30)는 문제 상황 발생으로부터 기준 시간 이내에 제1 직원의 대화에서 중요한 의미를 가지는 단어가 존재하는지 여부를 확인할 수 있다.
예를 들어, 기준 시간이 10초로 설정되어 있는 경우, 장치(30)는 제1 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 제1 문제 상황에 중요한 의미를 가지는 단어가 있는지 여부를 확인하고, 제2 문제 상황이 발생한 이후 10초 이내에, 제1 직원의 대화에서 제2 문제 상황에 중요한 의미를 가지는 단어가 있는지 여부를 확인할 수 있다.
이후, 장치(30)는 제1 직원의 대화에서 중요한 의미를 가지는 단어가 기준 시간 이내에 등장한 문제 상황의 수를 제3 횟수로 산출할 수 있다.
예를 들어, 팀 프로젝트를 수행하는 도중 제1 문제 상황, 제2 문제 상황, 제3 문제 상황이 발생하였는데, 장치(30)는 제1 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 제1 문제 상황에 중요한 의미를 가지는 단어가 존재하는 것으로 확인하고, 제2 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 제2 문제 상황에 중요한 의미를 가지는 단어가 존재하지 않는 것으로 확인되고, 제3 문제 상황이 발생한 이후 기준 시간 이내에 제1 직원의 대화에서 제3 문제 상황에 중요한 의미를 가지는 단어가 존재하지 않는 것으로 확인되면, 제1 문제 상황에서만 중요한 의미를 가지는 단어가 기준 시간 이내에 등장하였으므로, 제3 횟수를 1회로 산출할 수 있다.
장치(30)는 제1 횟수, 제2 횟수 및 제3 횟수가 각각 산출되면, 제1 횟수를 통해 제1 직원의 리더십을 평가하고, 제2 횟수를 통해 제1 직원의 팔로우십을 평가하고, 제3 횟수를 통해 제1 직원의 위기대처능력을 평가할 수 있다.
예를 들어, 팀 프로젝트를 수행하는데 있어 총 10번의 문제 상황이 발생한 경우, 장치(30)는 제1 횟수가 8회로 확인되면, 제1 직원의 리더십을 80점으로 평가하고, 제2 횟수가 6회로 확인되면, 제1 직원의 팔로우십을 60점으로 평가하고, 제3 횟수가 4회로 확인되면, 제1 직원의 위기대처능력을 40점으로 평가할 수 있다.
이를 통해, 장치(30)는 직원의 대화에서 자연어 처리를 통해, 리더십, 팔로우십, 위기대처능력에 대한 정성 평가를 수행하고, 항목 별로 수치화하여 시각화된 평가 결과를 직원들에게 제공할 수 있다.
도 14는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(30)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 13을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 13을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)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 (3)

  1. 장치에 의해 수행되는 방법에 있어서,
    건강기능식품 제조 작업을 의뢰하고자 하는 제1 의뢰자의 제1 의뢰자 단말로부터 건강기능식품 제조 작업의 의뢰 대상인 제1 건강기능식품에 대한 건강기능식품 제조 요청을 수신하는 단계;
    상기 건강기능식품 제조 요청에 응답하여, 상기 제1 건강기능식품의 제조를 위한 상담 요청 메시지를 상기 제1 의뢰자 단말로 전송하는 단계;
    상기 제1 의뢰자에 대응하는 제1 의뢰자 계정의 채팅 공간 상에 입력된 상담 정보를 기초로, 상기 제1 의뢰자의 제조 상담 정보를 추출하는 단계;
    상기 제1 의뢰자의 상기 제조 상담 정보를 기초로, 상기 제1 건강기능식품에 대한 레시피 정보를 생성하는 단계;
    상기 제1 의뢰자의 상기 제조 상담 정보를 기초로, 상기 제1 건강기능식품에 대한 제조 공장 정보를 생성하는 단계;
    상기 레시피 정보 및 상기 제조 공장 정보에 기초하여, 제1 입력 신호를 생성하고, 상기 생성된 제1 입력 신호를 제1 인공신경망-상기 제1 인공신경망은 트레이닝 레시피 정보들, 트레이닝 제조 공장 정보들, 제1 출력신호들 및 트레이닝 제조 비용 정보들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계; 및
    상기 제1 출력 신호에 기초하여 상기 제1 건강기능식품에 대응하는 제1 제조 비용 정보를 생성하는 단계
    를 포함하고,
    상기 트레이닝 제조 비용 정보들은 상기 트레이닝 레시피 정보들 및 상기 트레이닝 제조 공장 정보들에 각각 대응하는 제조 비용 정보들이고,
    상기 제1 출력 신호들은 상기 트레이닝 레시피 정보들 및 트레이닝 제조 공장 정보들에 기초하여 생성된 제1 트레이닝 입력 신호들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며,
    상기 제1 인공신경망은 상기 제1 출력 신호들 및 상기 트레이닝 제조 비용 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습되고,
    상기 레시피 정보를 생성하는 단계는
    상기 제1 의뢰자의 상기 제조 상담 정보로부터 상기 제1 건강기능식품이 복수의 기능 카테고리들 중에서 어느 기능 카테고리-상기 기능 카테고리는 면역력 증진, 피로개선, 미용, 항산화, 향균, 장기능 활성화, 눈 건강 증진, 신경과 근육 기능 유지 중 적어도 하나를 포함함-에 속하는지에 대한 기능 카테고리 정보를 추출하는 단계;
    상기 제1 건강기능식품을 제조하기 위해 필요한 기 등록된 원료 정보를 추출하는 단계;
    상기 추출된 기능 카테고리 정보 및 상기 원료 정보에 기초하여 제2 입력 신호를 생성하고, 상기 생성된 제2 입력 신호를 제2 인공신경망-상기 제2 인공신경망은 트레이닝 기능 카테고리 정보들, 트레이닝 원료 정보들, 제2 출력 신호들 및 트레이닝 기능성 원료 정보들에 기초하여 미리 학습됨-에 적용하여 제2 출력 신호를 생성하는 단계;
    상기 제2 출력 신호에 기초하여 상기 제1 건강기능식품의 제조에 사용할 기능성 원료 정보를 생성하는 단계;
    상기 생성된 기능성 원료 정보의 함량 및 상기 기능성 원료의 함량 비율을 생성하는 단계;
    상기 기능성 원료 정보의 함량 및 상기 기능성 원료의 함량 비율에 기초하여 기능성 원료 함량 정보를 생성하는 단계;
    상기 제1 의뢰자의 상기 제조 상담 정보로부터 기 등록된 건강기능식품들의 리뷰들 중에서 상기 건강기능식품들의 만족도가 미리 설정된 기준치보다 높은 것으로 등록된 리뷰의 건강기능식품들을 제1 리뷰 그룹으로 분류하는 단계;
    상기 제1 리뷰 그룹을 제3 인공신경망-상기 제3 인공신경망은 입력된 상기 제1 리뷰 그룹의 건강기능식품들의 제품 유형을 경질캡슐, 연질캡슐, 정제, 환, 분말, 겔, 젤리 및 액상/시럽 중 어느 하나로 분류하는 인공지능모델임-으로 적용하여 상기 제1 리뷰 그룹에 속한 상기 건강기능식품들이 제조된 제품 유형이 가장 많이 적용된 순서대로 제품 유형 리스트를 생성하는 단계;
    상기 생성된 제품 유형 리스트를 상기 제1 의뢰자 단말로 전송하는 단계;
    상기 제1 의뢰자 단말로부터 선정된 제품 유형에 기초하여 제품 유형 정보를 생성하는 단계; 및
    상기 기능성 원료 정보, 상기 기능성 원료 함량 정보 및 상기 제품 유형 정보에 기초하여 상기 레시피 정보를 생성하는 단계
    를 포함하고
    상기 제조 공장 정보를 생성하는 단계는
    상기 제1 의뢰자의 상기 제조 상담 정보로부터 제1 건강기능식품의 필요 주문 수량 정보를 추출하는 단계;
    기 등록된 제조 공장들 중에서 MOQ(Minimum Order Quantity, 최소발주수량) 정보를 획득하는 단계;
    상기 제1 의뢰자의 상기 제조 상담 정보로부터 제1 건강기능식품의 생산 일정 정보를 추출하는 단계;
    상기 필요 주문 수량 정보, 상기 MOQ 정보 및 상기 생산 일정 정보에 기초하여 제4 입력 신호를 생성하고, 상기 생성된 제4 입력 신호를 제4 인공신경망-상기 제4 인공신경망은 트레이닝 필요 주문 수량 정보들, 트레이닝 MOQ 정보들, 트레이닝 생산 일정 정보들 및 제4 출력 신호들 및 트레이닝 제조 공장 정보들에 기초하여 미리 학습됨-에 적용하여 상기 제1 건강기능식품을 제조 가능한 제조 공장 정보를 생성하는 단계; 및
    상기 생성된 제조 공장 정보를 상기 제1 의뢰자 단말로 전송하는 단계
    를 포함하고,
    상기 제1 출력 신호를 생성하는 단계는
    상기 기능성 원료의 함량에 기초하여 상기 기능성 원료 함량 비율을 생성하고, 상기 기능성 원료의 미리 설정된 함량 비율에 대응하는 제1 가중치를 생성하는 단계;
    상기 생성된 제1 가중치를 상기 기능성 원료의 가격 정보에 적용하여 상기 제1 건강기능식품에 포함된 원료 가격을 산출하여 원료 비용 정보를 생성하는 단계;
    상기 제품 유형 정보에 기초하여 상기 선정된 제품 유형을 포장할 수 있는 미리 설정된 포장 유형들-상기 포장 유형들은 병포장, 파우치, 스틱, 블리스터(PTP, press through package) 중 적어도 하나를 포함함-중에서 어느 포장 유형을 선정할 것인지를 문의하는 포장 유형 문의 메시지를 상기 제1 의뢰자 단말로 전송하는 단계;
    상기 제1 의뢰자 단말로부터 상기 제1 건강기능식품의 포장 유형 정보를 수신하는 단계;
    상기 포장 유형 정보에 대응하는 포장 유형의 가격 정보를 획득하여 포장 비용 정보를 생성하는 단계;
    상기 레시피 정보, 상기 제조 공장 정보, 상기 원료 비용 정보 및 상기 포장 유형 정보에 기초하여 상기 제1 입력 신호를 생성하는 단계; 및
    상기 제1 입력 신호를 상기 제1 인공신경망에 적용하여 상기 제1 출력 신호를 생성하는 단계
    를 포함하는,
    인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법.
  2. 삭제
  3. 삭제
KR1020220042880A 2022-04-06 2022-04-06 인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법, 장치 및 시스템 KR102454366B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220042880A KR102454366B1 (ko) 2022-04-06 2022-04-06 인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법, 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220042880A KR102454366B1 (ko) 2022-04-06 2022-04-06 인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR102454366B1 true KR102454366B1 (ko) 2022-10-17

Family

ID=83809893

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220042880A KR102454366B1 (ko) 2022-04-06 2022-04-06 인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법, 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102454366B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002092397A (ja) * 2000-09-19 2002-03-29 Haruo Morikawa オリジナル健康食品の販売システム
KR20130089969A (ko) 2012-01-19 2013-08-13 한국식품연구원 건강기능식품 개발 지원을 위한 플랫폼 시스템
KR20150131422A (ko) 2014-05-14 2015-11-25 황덕삼 제품 제조 플랫폼 서비스를 제공하는 서버의 동작 방법
KR101995275B1 (ko) * 2019-01-29 2019-07-03 호전실업 주식회사 의류 생산 공장의 생산 및 가동 최적화 방법 및 시스템
JP2020160544A (ja) * 2019-03-25 2020-10-01 ファナック株式会社 食品提供システム、食品提供方法及びプログラム
KR20210053026A (ko) 2019-11-01 2021-05-11 주식회사 와이즈셀렉션 건강기능식품과 영양성분정보를 제공하는 시스템 및 그 제어방법
KR102268088B1 (ko) 2020-07-09 2021-06-23 주식회사 지바이오 맞춤형 건강 기능 식품 레시피의 제공방법
KR102275703B1 (ko) * 2020-12-02 2021-07-09 발로 주식회사 건강기능식품 추천 방법, 장치, 및 시스템

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002092397A (ja) * 2000-09-19 2002-03-29 Haruo Morikawa オリジナル健康食品の販売システム
KR20130089969A (ko) 2012-01-19 2013-08-13 한국식품연구원 건강기능식품 개발 지원을 위한 플랫폼 시스템
KR20150131422A (ko) 2014-05-14 2015-11-25 황덕삼 제품 제조 플랫폼 서비스를 제공하는 서버의 동작 방법
KR101995275B1 (ko) * 2019-01-29 2019-07-03 호전실업 주식회사 의류 생산 공장의 생산 및 가동 최적화 방법 및 시스템
JP2020160544A (ja) * 2019-03-25 2020-10-01 ファナック株式会社 食品提供システム、食品提供方法及びプログラム
KR20210053026A (ko) 2019-11-01 2021-05-11 주식회사 와이즈셀렉션 건강기능식품과 영양성분정보를 제공하는 시스템 및 그 제어방법
KR102268088B1 (ko) 2020-07-09 2021-06-23 주식회사 지바이오 맞춤형 건강 기능 식품 레시피의 제공방법
KR102275703B1 (ko) * 2020-12-02 2021-07-09 발로 주식회사 건강기능식품 추천 방법, 장치, 및 시스템

Similar Documents

Publication Publication Date Title
US20230339108A1 (en) Machine-Learned Robot Fleet Management for Value Chain Networks
KR20240010457A (ko) 디지털 제품 네트워크 시스템 및 생물학 기반 가치 사슬 네트워크를 위한 시스템, 방법, 키트 및 장치
KR20240019771A (ko) 밸류 체인 네트워크의 에지 분산 스토리지 및 쿼리를 위한 시스템, 방법, 키트 및 장치
KR102289256B1 (ko) 자가진단 기반 건강기능식품 추천 서비스 제공 방법, 장치 및 시스템
KR102414937B1 (ko) 인공지능 기반 인플루언서 및 브랜드 매칭 방법, 장치 및 시스템
KR102445457B1 (ko) 물품 구매 요청에 대한 판매 제안 방식을 기반으로 한 구매자 및 판매자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
CN114095381B (zh) 多任务模型训练方法、多任务预测方法及相关产品
KR102546871B1 (ko) 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템
KR102553041B1 (ko) 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
CN112633927B (zh) 一种基于知识图谱规则嵌入的组合商品挖掘方法
KR102554580B1 (ko) 인공지능 모델 기반 식자재 및 부자재의 유통 주문 히스토리의 패턴 분석을 통한 물류 창고의 안전 재고량의 추정 및 주문 알람 서비스 제공 방법, 장치 및 시스템
KR102458694B1 (ko) 인공지능 기반 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102454366B1 (ko) 인공지능 기반 건강기능식품 소량 생산 주문 플랫폼 서비스 제공 방법, 장치 및 시스템
KR102470993B1 (ko) 인공지능 기반 건강기능식품의 제품 판매 전략 도출 방법, 장치 및 시스템
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
KR102426803B1 (ko) 인공지능 기반 제품의 해외 판매 페이지 자동 업로드 방법, 장치 및 시스템
KR102447426B1 (ko) 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템
KR102530527B1 (ko) 건강 정보 기반 식당 추천 서비스 제공 방법, 장치 및 시스템
KR102474974B1 (ko) 인공지능 기반 브랜드 분석 방법, 장치 및 시스템
KR102321408B1 (ko) 개인화된 메모패드 서비스 제공 방법, 장치 및 시스템
CN114155422A (zh) 一种视觉问题回答的实现方法、装置、设备及存储介质
KR102456400B1 (ko) 도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법, 장치 및 시스템
KR20180069276A (ko) 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치
KR102664280B1 (ko) 인공지능 모델을 활용한 사용자 맞춤형 실내 건축 인테리어의 설계 자동화 서비스 제공 방법, 장치 및 시스템
KR102507141B1 (ko) 판매자 및 구매자 간의 채팅 기반 it 인프라 장비의 구매 플랫폼 서비스 제공 방법, 장치 및 시스템

Legal Events

Date Code Title Description
GRNT Written decision to grant