KR102456400B1 - 도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하는 방법에 있어서, 제1 도매상 단말로부터 제1 제품에 대한 재고 확보 등록 요청이 수신되면, 상기 재고 확보 등록 요청을 통해 상기 제1 제품의 재고량을 확인하는 단계; 상기 제1 제품의 재고량이 미리 설정된 제1 기준량 보다 큰지 여부를 확인하는 단계; 상기 제1 제품의 재고량이 상기 제1 기준량 보다 큰 것으로 확인되면, 복수의 소매상 각각의 제품 주문 내역에 기초하여, 상기 복수의 소매상 중 상기 제1 제품을 주문한 적이 있는 소매상이 있는지 여부를 확인하는 단계; 및 상기 복수의 소매상 중 제1 소매상이 상기 제1 제품을 주문한 적이 있는 것으로 확인되면, 상기 제1 제품에 대한 재고 확보를 안내하는 알림 메시지를 제1 소매상 단말로 전송하는 단계를 포함하는, 도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법이 제공된다.

Description

도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING MULTI PLATFORM SERVICE FOR WHOLESALE AND RETAIL E-COMMERCE}

아래 실시예들은 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하기 위한 기술에 관한 것이다.

일반적으로 제품을 공급하는 도매상과, 도매상으로부터 공급받은 제품을 소비자에게 판매하는 소매상 사이에서의 거래는, 소매상이 다수의 도매상을 방문하여 제품을 찾아보고 소비자로부터 주문을 받은 소매상은 소비자의 주문을 손으로 직접 기입하거나 엑셀과 같은 스프레드 시트 프로그램으로 파일을 만들어 거래처별, 제품명, 색상, 사이즈에 따른 수량을 집계하는 방식을 통해 이루어지고 있다.

이에 따라, 소매상은 도매상을 직접 방문하여야 하는 불편함이 있다. 특히, 소매상의 운영자는 도매상을 방문하기 위해 근무시간을 연장하여야 하거나 별도의 담당자를 따로 배치해야 하는 번거로움이 있다.

또한, 도매상은 소매상으로부터 받은 주문을 실제 제품의 재고와 비교 및 확인하는 작업을 거쳐 제품을 출고하고, 출고하는 제품에 대해 손으로 영수증을 기입하여 발송하게 되므로 많은 시간이 소요되고 단가 작성시 착오, 제품명 기입시 오류 등으로 인해 정산시 다수의 오류가 발생하며, 실제 출고된 제품 내역을 확인할 수 없는 문제점이 있다.

따라서, 도매상과 소매상 간에 쉽고 편리하게 제품을 구매하고 판매할 수 있는 플랫폼에 대한 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.

한국공개특허 제10-2018-0129498호 한국등록특허 제10-2055346호 한국등록특허 제10-1570034호 한국등록특허 제10-1431428호

일실시예에 따르면, 제1 도매상 단말로부터 제1 제품에 대한 재고 확보 등록 요청이 수신되면, 재고 확보 등록 요청을 통해 제1 제품의 재고량을 확인하고, 제1 제품의 재고량이 미리 설정된 제1 기준량 보다 큰지 여부를 확인하고, 제1 제품의 재고량이 제1 기준량 보다 큰 것으로 확인되면, 복수의 소매상 각각의 제품 주문 내역에 기초하여, 복수의 소매상 중 제1 제품을 주문한 적이 있는 소매상이 있는지 여부를 확인하고, 복수의 소매상 중 제1 소매상이 제1 제품을 주문한 적이 있는 것으로 확인되면, 제1 제품에 대한 재고 확보를 안내하는 알림 메시지를 제1 소매상 단말로 전송하는, 도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

일실시예에 따르면, 장치에 의해 수행되는, 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하는 방법에 있어서, 제1 도매상 단말로부터 제1 제품에 대한 재고 확보 등록 요청이 수신되면, 상기 재고 확보 등록 요청을 통해 상기 제1 제품의 재고량을 확인하는 단계; 상기 제1 제품의 재고량이 미리 설정된 제1 기준량 보다 큰지 여부를 확인하는 단계; 상기 제1 제품의 재고량이 상기 제1 기준량 보다 큰 것으로 확인되면, 복수의 소매상 각각의 제품 주문 내역에 기초하여, 상기 복수의 소매상 중 상기 제1 제품을 주문한 적이 있는 소매상이 있는지 여부를 확인하는 단계; 및 상기 복수의 소매상 중 제1 소매상이 상기 제1 제품을 주문한 적이 있는 것으로 확인되면, 상기 제1 제품에 대한 재고 확보를 안내하는 알림 메시지를 제1 소매상 단말로 전송하는 단계를 포함하는, 도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법이 제공된다.

상기 도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법은, 상기 제1 제품에 대한 재고 확보를 안내하는 알림 메시지를 상기 제1 소매상 단말로 전송하는 단계 이후, 상기 제1 소매상 단말로부터 상기 제1 제품에 대한 주문 요청이 수신되면, 상기 주문 요청을 통해 상기 제1 제품의 주문량을 확인하는 단계; 상기 제1 제품의 주문량이 미리 설정된 제2 기준량 보다 큰지 여부를 확인하는 단계; 상기 제1 제품의 주문량이 상기 제2 기준량 보다 큰 것으로 확인되면, 상기 제1 소매상에 의해 상기 제1 제품의 브랜드가 설정되어 있는지 여부를 확인하는 단계; 상기 제1 제품의 브랜드가 설정되어 있지 않은 것으로 확인되면, 제1 제품 정보를 기반으로 상기 제1 제품에 대한 키워드인 제1 키워드를 추출하고, 제1 소매상 정보를 기반으로 상기 제1 소매상에 대한 키워드인 제2 키워드를 추출하는 단계; 상기 제1 키워드 및 상기 제2 키워드를 조합하여, 제1 브랜드를 생성하는 단계; 및 상기 제1 제품의 브랜드를 상기 제1 브랜드로 설정하여 판매하는 판매 전략을 상기 제1 소매상 단말로 제공하는 단계를 더 포함할 수 있다.

상기 도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법은, 상기 판매 전략을 상기 제1 소매상 단말로 제공하는 단계 이후, 상기 제1 소매상 단말로부터 상기 제1 제품에 대한 판매 요청이 수신되면, 상기 제1 제품의 이미지를 인코딩 하여 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 제1 인공 신경망에 입력하고, 상기 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계; 상기 제1 출력 신호에 기초하여, 상기 제1 제품의 종류인 제1 카테고리를 식별하는 단계; 제품 판매 사이트 중 상기 제1 카테고리를 메인 카테고리로 운영하고 있는 제1 사이트를 확인하는 단계; 상기 제1 사이트에서 상기 제1 제품이 판매되고 있는지 여부를 확인하는 단계; 상기 제1 사이트에서 상기 제1 제품이 판매되고 있는 것으로 확인되면, 상기 제1 사이트에서 판매되고 있는 상기 제1 제품의 최저가인 제1 가격을 확인하는 단계; 상기 제1 소매상에 의해 설정된 제2 가격이 상기 제1 가격 보다 높은지 여부를 확인하는 단계; 상기 제2 가격이 상기 제1 가격 보다 높은 것으로 확인되면, 상기 제1 제품이 상기 제1 가격으로 판매되고 있는 것을 알려주는 알림 메시지를 상기 제1 소매상 단말로 전송하는 단계; 상기 제2 가격이 상기 제1 가격 보다 높지 않은 것으로 확인되면, 상기 제2 가격을 상기 제1 제품의 판매 가격으로 설정하여, 상기 제1 제품의 판매 페이지인 제1 페이지를 생성하는 단계; 상기 제1 사이트에서 상기 제1 제품이 판매되고 있지 않은 것으로 확인되면, 상기 제2 가격을 상기 제1 제품의 판매 가격으로 설정하여, 상기 제1 페이지를 생성하는 단계; 및 상기 제1 페이지가 생성되면, 상기 제1 페이지를 상기 제1 사이트에 업로드하여 등록하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 제1 도매상 단말로부터 제1 제품에 대한 재고 확보 등록 요청이 수신되면, 재고 확보 등록 요청을 통해 제1 제품의 재고량을 확인하고, 제1 제품의 재고량이 미리 설정된 제1 기준량 보다 큰지 여부를 확인하고, 제1 제품의 재고량이 제1 기준량 보다 큰 것으로 확인되면, 복수의 소매상 각각의 제품 주문 내역에 기초하여, 복수의 소매상 중 제1 제품을 주문한 적이 있는 소매상이 있는지 여부를 확인하고, 복수의 소매상 중 제1 소매상이 제1 제품을 주문한 적이 있는 것으로 확인되면, 제1 제품에 대한 재고 확보를 안내하는 알림 메시지를 제1 소매상 단말로 전송함으로써, 도매상과 소매상 간에 쉽고 편리하게 제품을 구매하고 판매할 수 있는 플랫폼을 제공할 수 있는 효과가 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 제품의 주문량에 따라 판매 전략을 제공하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 제품의 카테고리를 식별하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제품의 판매 가격을 설정하여 판매 페이지를 생성하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제품의 주문량 및 재고량에 따라 판매 페이지를 생성하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제1 인공 신경망을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 제1 인공 신경망을 학습하는 방법을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 제품의 반출량을 관리하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 제2 인공 신경망을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 제품 판매 내역을 통해 제품의 반출량을 확인하는 과정을 설명하기 위한 순서도이다.
도 12는 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.

실시예에서 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 소매상 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 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 복수의 도매상 단말(100), 복수의 소매상 단말(200) 및 장치(300)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 도매상 단말(100) 각각과 복수의 소매상 단말(200) 각각은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.

복수의 도매상 단말(100)은 도매상들이 사용하는 단말로, 제1 도매상이 사용하는 제1 도매상 단말(110), 제2 도매상이 사용하는 제2 도매상 단말(120) 등을 포함할 수 있으며, 복수의 소매상 단말(200)은 소매상들이 사용하는 단말로, 제1 소매상이 사용하는 제1 소매상 단말(210), 제2 소매상이 사용하는 제2 소매상 단말(220) 등을 포함할 수 있다.

이하에서는 설명의 편의상, 제1 도매상 단말(110) 및 제1 소매상 단말(210)의 동작을 위주로 설명하지만, 제2 도매상 단말(120) 등의 다른 도매상 단말에서 제1 도매상 단말(110)의 동작을 대신 수행하고, 제2 소매상 단말(220) 등의 다른 소매상 단말에서 제1 소매상 단말(210)의 동작을 대신 수행할 수 있는 것은 물론이다.

복수의 도매상 단말(100) 각각과 복수의 소매상 단말(200) 각각은 장치(300)에서 제공하는 웹 페이지, 애플리케이션 등을 통해 장치(300)로 접속할 수 있다. 이를 위해, 복수의 도매상 단말(100) 각각과 복수의 소매상 단말(200) 각각에는 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하는 애플리케이션이 설치될 수 있다. 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하는 애플리케이션은 장치(300)와 연동하여 동작할 수 있다.

장치(300)는 장치(300)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(300)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(300)는 복수의 도매상 단말(100) 및 복수의 소매상 단말(200)과 유무선으로 통신하도록 구성될 수 있다.

장치(300)는 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하는 방법을 제공하는 서버로 구현되어, 도소매 전자상거래를 위한 멀티 플랫폼을 제공할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 도매상 단말(100) 중 제1 도매상 단말(110) 및 제2 도매상 단말(120)만을 도시하고, 복수의 소매상 단말(200) 중 제1 소매상 단말(210) 및 제2 소매상 단말(220)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(300)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

일실시예에 따르면, 복수의 도매상 단말(100) 각각은 전산 입력을 통해 제품의 재고 정보를 멀티 플랫폼에 업로드할 수 있으며, 장치(300)는 멀티 플랫폼에 업로드된 재고 정보를 실시간으로 전산화한 후, 도매상 및 제품 별로 구분하여 등록할 수 있다.

예를 들어, 멀티 플랫폼에는 제1 도매상 및 제2 도매상의 재고 정보가 등록되어 있고, 제1 도매상의 재고 정보에는 손소독제 300개, 마스크 10000개 등이 제1 도매상이 보유한 제품의 재고 현황으로 등록되어 있고, 제2 도매상의 재고 정보에는 구연산 1000kg, 일반세제 500kg 등이 제2 도매상이 보유한 제품의 재고 현황으로 등록되어 있다.

복수의 소매상 단말(200) 각각은 멀티 플랫폼에 등록되어 있는 재고 정보를 사이트 상에서 확인하여, 제품을 소량으로 주문할 수 있으며, 장치(300)는 제품의 재고 현황 정보의 전달, 물류 체계 제공, 브랜딩 추천 등의 다양한 서비스를 복수의 소매상들에게 제공할 수 있다.

즉, 도소매 전자상거래를 위한 멀티 플랫폼을 통해, 소매상을 위한 소량 물품 구매가 가능할 수 있으며, 도소매 상인들은 기존의 인터넷 쇼핑몰 등에 자신의 제품을 게시하여 판매하면서, 멀티 플랫폼을 통해 다른 제품 또한 소량의 물량으로 자신의 브랜드로 판매할 수 있다.

또한, 도소매 전자상거래를 위한 멀티 플랫폼을 통해, 플랫폼 상에 등록된 재고 물품에 대한 정보를 안내해줄 수 있고, 추천 브랜딩을 통해 신규 브랜딩 및 제품 포장 등을 추천할 수 있고, 판매 시 유통, 물류 서비스를 함께 제공할 수 있다.

도 2는 일실시예에 따른 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저, S201 단계에서, 장치(300)는 제1 도매상 단말(110)로부터 제1 제품에 대한 재고 확보 등록 요청을 수신할 수 있다. 여기서, 제1 제품에 대한 재고 확보 등록 요청은 제1 도매상이 제1 제품에 대한 재고를 확보하여 제1 제품의 재고 정보를 멀티 플랫폼 상에 등록하고자 하는 요청으로, 제1 제품의 재고 정보를 포함할 수 있으며, 제1 제품의 재고 정보는 제1 제품의 식별 정보, 제1 제품의 재고량 정보, 제1 도매상의 식별 정보 등을 포함할 수 있다.

S202 단계에서, 장치(300)는 제1 제품에 대한 재고 확보 등록 요청을 통해 제1 제품의 재고량을 확인할 수 있다.

구체적으로, 장치(300)는 제1 도매상 단말(110)로부터 제1 제품에 대한 재고 확보 등록 요청이 수신되면, 제1 제품에 대한 재고 확보 등록 요청에 포함된 제1 제품의 재고 정보를 기반으로, 제1 도매상이 확보한 제1 제품의 재고량을 확인할 수 있다.

S203 단계에서, 장치(300)는 제1 제품의 재고량이 제1 기준량 보다 큰지 여부를 확인할 수 있다. 여기서, 제1 기준량은 실시예에 따라 상이하게 설정될 수 있다.

S203 단계에서 제1 제품의 재고량이 제1 기준량 보다 작은 것으로 확인되면, S201 단계로 되돌아가, 장치(300)는 제1 도매상 단말(110)로부터 제1 제품에 대한 추가 재고 확보 등록 요청을 수신할 수 있고, 추가 재고 확보 등록 요청을 통해 추가로 확보된 제1 제품의 재고량을 확인하여, 제1 제품의 재고량을 갱신할 수 있다.

S203 단계에서 제1 제품의 재고량이 제1 기준량 보다 큰 것으로 확인되면, S204 단계에서, 장치(300)는 복수의 소매상 각각의 제품 주문 내역에 기초하여, 복수의 소매상 중 제1 제품을 주문한 적이 있는 소매상이 있는지 여부를 확인할 수 있다.

구체적으로, 장치(300)는 멀리 플랫폼 서비스의 사용자로 등록된 복수의 소매상들 각각의 제품 주문 내역을 데이터베이스로부터 획득할 수 있다. 이를 위해, 장치(300)는 데이터베이스에 소매상 별로 제품 주문 내역에 대한 정보를 저장하여 관리할 수 있다. 여기서, 제품 주문 내역은 소매상이 제품을 주문한 주문 내역이 누적된 정보로, 소매상이 어느 시점에 어느 제품을 얼마나 많이 주문하였는지 나타내는 리스트로 구성될 수 있으며, 제품명, 주문일, 주문 수량 등의 정보를 포함할 수 있다.

이후, 장치(300)는 복수의 소매상들 각각의 제품 주문 내역에 기초하여, 소매상 별로 제품 주문 내역을 확인하는 과정을 통해, 복수의 소매상 중 제1 제품을 주문한 적이 있는 소매상이 있는지 확인할 수 있다. 이때, 장치(300)는 미리 설정된 기간(예를 들면, 최근 1달) 동안 주문된 제품 주문 내역에 기초하여, 해당 기간 동안에 제1 제품을 주문한 적이 있는 소매상이 있는지 확인할 수 있다.

S205 단계에서, 장치(300)는 복수의 소매상 중 제1 제품을 주문한 적이 있는 소매상이 존재하는지 여부를 확인할 수 있다.

S205 단계에서 복수의 소매상 중 제1 제품을 주문한 적이 있는 소매상이 있는 것으로 확인되면, S206 단계에서, 장치(300)는 복수의 소매상 중 제1 소매상이 제1 제품을 주문한 적이 있는 것으로 확인할 수 있다.

즉, 장치(300)는 제1 소매상의 제품 주문 내역에 기초하여, 제1 소매상이 제1 제품을 주문한 적이 있는 것으로 확인할 수 있다.

S207 단계에서, 장치(300)는 복수의 소매상 중 제1 소매상이 제1 제품을 주문한 적이 있는 것으로 확인되면, 제1 제품에 대한 재고 확보를 안내하는 알림 메시지를 제1 소매상 단말(210)로 전송할 수 있다. 여기서, 제1 제품에 대한 재고 확보를 안내하는 알림 메시지는 제1 제품의 재고 정보가 멀티 플랫폼 상에 등록된 것을 안내하기 위한 알림 메시지로, 제1 제품의 재고 정보를 표시하는 페이지로 연결되는 링크 정보를 포함할 수 있다.

도 3은 일실시예에 따른 제품의 주문량에 따라 판매 전략을 제공하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(300)는 제1 소매상 단말(210)로부터 제1 제품에 대한 주문 요청을 수신할 수 있다. 여기서, 제1 제품에 대한 주문 요청은 제1 소매상이 제1 제품을 구매하기 위해 주문하는 요청으로, 제1 제품의 주문 정보를 포함할 수 있으며, 제1 제품의 주문 정보는 제1 제품의 식별 정보, 제1 제품의 주문량 정보, 제1 소매상의 식별 정보 등을 포함할 수 있다.

S302 단계에서, 장치(300)는 제1 제품에 대한 주문 요청을 통해 제1 제품의 주문량을 확인할 수 있다.

구체적으로, 장치(300)는 제1 소매상 단말(210)로부터 제1 제품에 대한 주문 요청이 수신되면, 제1 제품에 대한 주문 요청에 포함된 제1 제품의 주문 정보를 기반으로, 제1 소매상이 주문한 제1 제품의 주문량을 확인할 수 있다.

S303 단계에서, 장치(300)는 제1 제품의 주문량이 제2 기준량 보다 큰지 여부를 확인할 수 있다. 여기서, 제2 기준량은 실시예에 따라 상이하게 설정될 수 있다.

S303 단계에서 제1 제품의 주문량이 제2 기준량 보다 큰 것으로 확인되면, S304 단계에서, 장치(300)는 제1 소매상에 의해 제1 제품의 브랜드가 설정되어 있는지 여부를 확인할 수 있다.

S304 단계에서 제1 소매상에 의해 제1 제품의 브랜드가 설정되어 있지 않은 것으로 확인되면, S305 단계에서, 장치(300)는 제1 제품 정보를 기반으로 제1 제품에 대한 키워드인 제1 키워드를 추출할 수 있다. 여기서, 제1 제품 정보는 제1 제품의 제품명, 특징, 강점 등에 대한 정보를 포함할 수 있다.

구체적으로, 장치(300)의 데이터베이스에는 제품 별로 구분되어 있는 제품 정보가 저장되어 있으며, 장치(300)는 데이터베이스를 조회하여, 제1 제품 정보를 획득할 수 있고, 획득된 제1 제품 정보를 기반으로 제1 제품에 대한 키워드인 제1 키워드를 추출할 수 있다. 예를 들어, 장치(300)는 제1 제품 정보를 기반으로, 제1 제품의 제품명을 확인한 후, 제1 제품의 제품명을 제1 키워드로 추출할 수 있다.

또한, S304 단계에서 제1 소매상에 의해 제1 제품의 브랜드가 설정되어 있지 않은 것으로 확인되면, S306 단계에서, 장치(300)는 제1 소매상 정보를 기반으로 제1 제품에 대한 키워드인 제2 키워드를 추출할 수 있다. 여기서, 제1 소매상 정보는 제1 소매상의 명칭, 주요 취급 물품의 카테고리, 위치 등에 대한 정보를 포함할 수 있다.

구체적으로, 장치(300)의 데이터베이스에는 소매상 별로 구분되어 있는 소매상 정보가 저장되어 있으며, 장치(300)는 데이터베이스를 조회하여, 제1 소매상 정보를 획득할 수 있고, 획득된 제1 소매상 정보를 기반으로 제1 소매상에 대한 키워드인 제2 키워드를 추출할 수 있다. 예를 들어, 장치(300)는 제1 소매상 정보를 기반으로, 제1 소매상의 명칭을 확인한 후, 제1 소매상의 명칭을 제2 키워드로 추출할 수 있다.

S307 단계에서, 장치(300)는 제1 키워드 및 제2 키워드가 각각 추출되면, 제1 키워드 및 제2 키워드를 조합하여, 제1 브랜드를 생성할 수 있다. 이때, 장치(300)는 제1 소매상에 의해 브랜드에 사용될 로고가 등록되어 있는 경우, 제1 키워드 및 제2 키워드의 조합에 등록된 로고를 추가하여, 제1 브랜드를 생성할 수 있다.

예를 들어, 제1 키워드가 “옥수수”로 추출되고, 제2 키워드가 “홍길동”으로 추출된 경우, 장치(300)는 제1 키워드 및 제2 키워드를 조합하여, “수수길동”이란 브랜드명으로 제1 브랜드를 생성할 수 있다.

S308 단계에서, 장치(300)는 제1 제품의 브랜드를 제1 브랜드로 설정하여 판매하는 판매 전략을 제1 소매상 단말(210)로 제공할 수 있다. 여기서, 판매 전략은 향후 제1 소매상이 제1 제품을 판매하는데 있어, 제1 브랜드를 이용하여 제1 제품을 판매하는 것을 추천하는 판매 전략을 나타내는 정보일 수 있다.

도 4는 일실시예에 따른 제품의 카테고리를 식별하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(300)는 제1 소매상 단말(210)로부터 제1 제품에 대한 판매 요청을 수신할 수 있다. 여기서, 제1 제품에 대한 판매 요청은 제1 소매상이 제1 제품을 판매하기 위해, 판매 사이트에 판매 페이지를 생성하여 업로드 해달라는 요청으로, 제1 제품의 판매 정보를 포함할 수 있으며, 제1 제품의 판매 정보는 제1 제품의 이미지, 제1 제품의 상세 정보, 제1 소매상 정보 등을 포함할 수 있다.

S402 단계에서, 장치(300)는 제1 소매상 단말(210)로부터 제1 제품에 대한 판매 요청이 수신되면, 제1 제품의 이미지를 인코딩 하여 제1 입력 신호를 생성할 수 있다.

구체적으로, 장치(300)는 제1 제품의 이미지의 픽셀을 색 정보로 인코딩하여 제1 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치(300)는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 제1 제품의 이미지를 인코딩할 수 있다.

S403 단계에서, 장치(300)는 제1 입력 신호를 장치(300) 내 미리 학습된 제1 인공 신경망에 입력할 수 있다.

일실시예에 따른 제1 인공 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따르면, 분류 신경망은 히든 레이어와 출력 레이어를 가지고 있다. 제품의 종류 검출을 위한 제1 인공 신경망의 분류 신경망은 5층 이하의 히든 레이어로 구성되며, 총 50개 이하의 히든 레이어 노드를 포함할 수 있다. 히든 레이어의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 분류 신경망의 출력 레이어 노드는 총 1개이며, 제품의 종류에 대한 출력값을 출력 레이어 노드에 출력할 수 있다. 제1 인공 신경망에 대한 자세한 설명은 도 7을 참조하여 후술한다.

S404 단계에서, 장치(300)는 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득할 수 있다.

S405 단계에서, 장치(300)는 제1 출력 신호에 기초하여, 제1 제품의 종류인 제1 카테고리를 식별할 수 있다.

예를 들어, 장치(300)는 제1 출력 신호의 출력값을 확인한 결과, 출력값이 1인 경우, 제1 제품의 종류를 화장품 카테고리로 식별하고, 출력값이 2인 경우, 제1 제품의 종류를 의류 카테고리로 식별하고, 출력값이 3인 경우, 제1 제품의 종류를 가전 카테고리로 식별할 수 있다.

S406 단계에서, 장치(300)는 멀티 플랫폼을 통해 제공되는 제품 판매 사이트 중 제1 카테고리를 메인 카테고리로 운영하고 있는 제1 사이트를 확인할 수 있다. 이를 위해, 장치(300)의 데이터베이스에는 제품 판매 사이트 별로 구분되어 있는 메인 카테고리 정보가 저장되어 있으며, 장치(300)는 데이터베이스를 조회하여, 제1 카테고리를 메인 카테고리로 운영하고 있는 제1 사이트를 확인할 수 있다.

도 5는 일실시예에 따른 제품의 판매 가격을 설정하여 판매 페이지를 생성하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(300)는 제품 판매 사이트 중 제1 카테고리를 메인 카테고리로 운영하고 있는 제1 사이트를 확인할 수 있다.

S502 단계에서, 장치(300)는 제1 사이트에서 제1 제품이 판매되고 있는지 여부를 확인할 수 있다.

구체적으로, 장치(300)는 크롤링(Crawling)을 통해, 제1 사이트에서 판매되고 있는 제품들의 판매 페이지를 검색하여, 제1 사이트에서 제1 제품이 판매되고 있는지 여부를 확인할 수 있다. 이때, 장치(300)는 제1 제품의 상세 정보에서 제1 제품의 제품명을 확인하여, 제1 제품의 제품명을 기반으로 한 키워드 검색을 통해 제1 사이트에서 제1 제품이 판매되고 있는지 여부를 확인할 수 있고, 제1 제품의 이미지를 기반으로 한 이미지 검색을 통해 제1 사이트에서 제1 제품이 판매되고 있는지 여부를 확인할 수도 있다.

S502 단계에서 제1 사이트에서 제1 제품이 판매되고 있는 것으로 확인되면, S503 단계에서, 장치(300)는 제1 사이트에서 판매되고 있는 제1 제품의 최저가인 제1 가격을 확인할 수 있다.

구체적으로, 장치(300)는 제1 사이트에서 제1 제품이 하나의 판매 페이지를 통해 판매되고 있는 경우, 해당 판매 페이지에서 판매되는 가격을 제1 가격으로 확인할 수 있고, 제1 사이트에서 제1 제품이 복수의 판매 페이지를 통해 판매되고 있는 경우, 복수의 판매 페이지 중 가장 싼 가격으로 판매되는 가격을 제1 가격으로 확인할 수 있다.

S504 단계에서, 장치(300)는 제1 소매상에 의해 설정된 제2 가격이 제1 가격 보다 높은지 여부를 확인할 수 있다. 여기서, 제2 가격은 제1 제품의 판매 정보를 통해 확인될 수 있다.

S504 단계에서 제2 가격이 제1 가격 보다 높은 것으로 확인되면, S505 단계에서, 장치(300)는 제1 제품이 제1 가격으로 판매되고 있는 것을 알려주는 알림 메시지를 제1 소매상 단말(210)로 전송할 수 있다.

S504 단계에서 제2 가격이 제1 가격 보다 높지 않은 것으로 확인되면, S506 단계에서, 장치(300)는 제2 가격을 제1 제품의 판매 가격으로 설정하여, 제1 페이지를 생성할 수 있다. 여기서, 제2 가격은 제1 페이지 내에서 제1 제품의 판매 가격으로 표시될 수 있다.

한편, S502 단계에서 제1 사이트에서 제1 제품이 판매되고 있지 않은 것으로 확인되면, S506 단계에서, 장치(300)는 제2 가격을 제1 제품의 판매 가격으로 설정하여, 제1 페이지를 생성할 수 있다.

장치(300)는 제1 페이지를 생성할 때, 제1 사이트에서 사용되는 템플릿인 제1 템플릿에 기초하여, 제1 제품의 판매 페이지인 제1 페이지를 생성할 수 있다.

구체적으로, 장치(300)는 제1 사이트를 운영하는 서버로부터 제1 템플릿 정보를 획득할 수 있고, 제1 템플릿 정보를 기반으로 판매 페이지의 틀을 생성할 수 있고, 생성된 판매 페이지의 틀에 제1 제품의 이미지, 제1 제품의 상세 정보, 제1 소매상 정보 등을 삽입하여, 제1 페이지를 생성할 수 있다.

S507 단계에서, 장치(300)는 제1 페이지가 생성되면, 제1 페이지를 제1 사이트에 업로드하여 등록할 수 있다. 이때, 장치(300)는 제1 페이지에 대한 업로드 요청을 제1 사이트를 운영하는 서버로 전송하여, 제1 페이지가 제1 사이트에 등록되도록 처리할 수 있다.

일실시예에 따르면, 장치(300)는 제1 페이지를 제1 사이트에 업로드하여 등록할 때, 제품의 주문량 및 재고량에 따라 상이한 판매 페이지를 생성하여 업로드할 수 있다. 이와 관련된 자세한 설명은 도 6을 참조하여 후술하기로 한다.

도 6은 일실시예에 따른 제품의 주문량 및 재고량에 따라 판매 페이지를 생성하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(300)는 제1 제품에 대한 주문 요청을 통해 제1 제품의 주문량을 확인할 수 있다.

S602 단계에서, 장치(300)는 제1 제품의 주문량이 제3 기준량 보다 큰지 여부를 확인할 수 있다. 여기서, 제3 기준량은 실시예에 따라 상이하게 설정될 수 있다.

S602 단계에서 제1 제품의 주문량이 제3 기준량 보다 큰 것으로 확인되면, S603 단계에서, 장치(300)는 제1 제품과 연계하여 사용되는 제품이 있는지 여부를 분석할 수 있다. 이를 위해, 장치(300)는 연계 사용되는 제품들의 제품 리스트를 데이터베이스에 저장하여 관리할 수 있으며, 예를 들어, 제1 제품 및 제2 제품은 연계하여 함께 사용되는 제품으로 설정되어, 제품 리스트에 등록되어 있을 수 있다.

S604 단계에서, 장치(300)는 제1 제품과 연계하여 사용되는 제품이 있는지 여부를 분석한 결과를 이용하여, 제1 제품과 연계하여 사용되는 제품이 있는지 여부를 확인할 수 있다.

S604 단계에서 제1 제품과 연계하여 사용되는 제품이 있는 것으로 확인되면, S605 단계에서, 장치(300)는 제2 제품을 제1 제품과 연계하여 사용되는 제품으로 확인할 수 있다.

S606 단계에서, 장치(300)는 제2 제품이 제1 제품과 연계하여 사용되는 제품으로 확인되면, 제1 소매상의 제품 주문 내역에 기초하여, 제1 소매상이 제2 제품을 주문한 적이 있는지 여부를 확인할 수 있다.

구체적으로, 장치(300)는 제1 소매상의 제품 주문 내역을 데이터베이스로부터 획득할 수 있다. 이를 위해, 장치(300)는 데이터베이스에 소매상 별로 제품 주문 내역에 대한 정보를 저장하여 관리할 수 있다. 여기서, 제품 주문 내역은 소매상이 제품을 주문한 주문 내역이 누적된 정보로, 소매상이 어느 시점에 어느 제품을 얼마나 많이 주문하였는지 나타내는 리스트로 구성될 수 있으며, 제품명, 주문일, 주문 수량 등의 정보를 포함할 수 있다.

이후, 장치(300)는 제1 소매상의 제품 주문 내역에 기초하여, 제1 소매상이 제2 제품을 주문한 적이 있는지 확인하는 과정을 통해, 제1 소매상이 제2 제품을 주문한 적이 있는지 여부를 확인할 수 있다.

S607 단계에서, 장치(300)는 제1 소매상이 제2 제품을 주문한 적이 있는지 여부를 확인한 결과를 이용하여, 제1 소매상이 제2 제품을 주문한 적이 있는지 여부를 확인할 수 있다.

S607 단계에서 제1 소매상이 제2 제품을 주문한 적이 있는 것으로 확인되면, S608 단계에서, 장치(300)는 제2 제품에 대한 재고량 확인 요청을 제1 소매상 단말(210)로 전송할 수 있다. 여기서, 제2 제품에 대한 재고량 확인 요청은 제1 소매상이 보유하고 있는 제2 제품의 재고 수량을 확인해달라고 하는 요청이다.

S609 단계에서, 장치(300)는 제2 제품에 대한 재고량 확인 요청의 응답으로, 제1 소매상 단말(210)로부터 제2 제품의 재고량 정보를 수신할 수 있고, 제2 제품의 재고량 정보를 기반으로, 제1 소매상이 보유하고 있는 제2 제품의 재고량을 확인할 수 있다.

S610 단계에서, 장치(300)는 제2 제품의 재고량이 제3 기준량 보다 작은지 여부를 확인할 수 있다.

S610 단계에서 제2 제품의 재고량이 제3 기준량 보다 작은 것으로 확인되면, S611 단계에서, 장치(300)는 제1 제품을 단독 포장하여 판매하는 판매 페이지인 제2 페이지를 생성할 수 있다.

즉, 장치(300)는 제1 제품의 주문량이 제3 기준량 보다 큰 것으로 확인되면서, 제2 제품의 재고량이 제3 기준량 보다 작은 것으로 확인되면, 제1 제품을 단독 포장하여 판매하는 판매 페이지인 제2 페이지를 생성할 수 있다.

장치(300)는 제2 페이지를 생성할 때, 제1 사이트에서 사용되는 템플릿인 제1 템플릿에 기초하여, 제1 제품을 단독 포장하여 판매하는 판매 페이지인 제2 페이지를 생성할 수 있다.

S613 단계에서, 장치(300)는 제2 페이지가 생성되면, 제2 페이지를 제1 사이트에 업로드하여 등록할 수 있다. 이때, 장치(300)는 제1 페이지를 대신하여 제2 페이지가 제1 사이트에 등록되도록 처리할 수 있다.

한편, S610 단계에서 제2 제품의 재고량이 제3 기준량 보다 큰 것으로 확인되면, S612 단계에서, 장치(300)는 제1 제품 및 제2 제품을 묶음 포장으로 판매하는 판매 페이지인 제3 페이지를 생성할 수 있다.

즉, 장치(300)는 제1 제품의 주문량이 제3 기준량 보다 큰 것으로 확인되면서, 제2 제품의 재고량이 제3 기준량 보다 큰 것으로 확인되면, 제1 제품 및 제2 제품을 묶음 포장으로 판매하는 판매 페이지인 제3 페이지를 생성할 수 있다.

장치(300)는 제3 페이지를 생성할 때, 제1 사이트에서 사용되는 템플릿인 제1 템플릿에 기초하여, 제1 제품 및 제2 제품을 묶음 포장으로 판매하는 판매 페이지인 제3 페이지를 생성할 수 있다.

S614 단계에서, 장치(300)는 제3 페이지가 생성되면, 제3 페이지를 제1 사이트에 업로드하여 등록할 수 있다. 이때, 장치(300)는 제1 페이지를 대신하여 제3 페이지가 제1 사이트에 등록되도록 처리할 수 있다.

도 7은 일실시예에 따른 제1 인공 신경망을 설명하기 위한 도면이다.

일실시예에 따른 제1 인공 신경망(700)은 제품 이미지의 인코딩에 의해 생성된 제1 입력 신호를 입력으로 하고, 제품의 종류를 나타내는 정보를 출력으로 할 수 있다.

일실시예에 따른 인코딩은 이미지의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장하는 방식으로 이뤄질 수 있는데, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 제1 인공 신경망(700)은 특징 추출 신경망(710)과 분류 신경망(720)으로 구성되어 있으며, 특징 추출 신경망(710)은 이미지에서 제품과 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(720)은 이미지에 있는 제품이 어느 카테고리에 속하는지 여부를 파악하는 작업을 수행할 수 있다.

특징 추출 신경망(710)이 제품과 배경을 구분하는 방법은 이미지를 인코딩한 제1 입력 신호의 데이터 시트로부터 색 정보의 각 값들의 변화가 한 픽셀을 포함하는 8개의 픽셀 중 6개 이상에서 30% 이상의 변화가 생긴 것으로 감지되는 픽셀들의 묶음을 제품과 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.

특징 추출 신경망(710)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(720)은 특징 추출 신경망(710)을 통해 배경으로부터 구분된 제품의 형태를 확인하고, 미리 정의된 카테고리 별 대표 제품과 유사한지 여부를 확인하여 이미지에 있는 제품이 어느 카테고리에 속하는지 여부를 파악할 수 있다. 제품의 비교를 위해 장치(300)의 데이터베이스에 저장된 정보들을 활용할 수 있다.

분류 신경망(720)은 제품이 속하는 카테고리를 식별하는 작업을 우선으로 하며, 제품의 형태 및 크기까지 파악할 수도 있다.

분류 신경망(720)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(720)는 총 1개의 출력층 노드만 포함할 수 있다.

분류 신경망(720)의 출력은 제품의 종류에 대한 출력값으로, 제품의 종류가 어느 카테고리에 속하는지 지시할 수 있다. 예를 들어, 출력값이 1인 경우, 제품의 종류가 화장품 카테고리인 것을 지시하고, 출력값이 2인 경우, 제품의 종류가 의류 카테고리인 것을 지시하고, 출력값이 3인 경우, 제품의 종류가 가전 카테고리인 것을 지시할 수 있다.

일실시예에 따르면, 제1 인공 신경망(700)은 사용자가 제1 인공 신경망(700)에 따른 출력의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 제1 학습 신호를 전달받아 학습할 수 있다. 제1 인공 신경망(700)에 따른 출력의 문제점은 제품의 종류가 다른 카테고리로 지시하는 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. 제1 인공 신경망(700)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. 이하 도 8을 참조하여 제1 인공 신경망(700)의 학습 내용이 후술된다.

도 8은 일실시예에 따른 제1 인공 신경망을 학습하는 방법을 설명하기 위한 도면이다.

일실시예에 따르면, 학습 장치는 제1 인공 신경망(700)을 학습시킬 수 있다. 학습 장치는 장치(300)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.

일실시예에 따르면, 제1 인공 신경망(700)은 트레이닝 샘플들이 입력되는 입력 레이어와 트레이닝 출력들을 출력하는 출력 레이어를 포함하고, 트레이닝 출력들과 제1 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 제1 레이블들은 제품의 종류별 대표 이미지에 기초하여 정의될 수 있다. 제1 인공 신경망(700)은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제1 인공 신경망(700)을 학습시킬 수 있다. 학습 장치는 제1 인공 신경망(700)의 출력들 및 레이블들 의해 설계된 손실 함수를 이용할 수 있다.

학습 장치는 미리 정의된 손실 함수(loss function)을 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제1 인공 신경망(700) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

학습 장치는 역전파(backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제1 인공 신경망(700) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일실시예에 따르면, 학습 장치는 데이터베이스로부터 레이블드 트레이닝 제품 이미지들(801)을 획득할 수 있다. 학습 장치는 제품의 종류별로 설정된 제품 이미지들(801)에 각각 미리 레이블링된 정보를 획득할 수 있는데, 제품 이미지들(801)은 미리 분류된 제품 정보에 따라 레이블링될 수 있다.

일실시예에 따르면, 학습 장치는 1000개의 레이블드 트레이닝 제품 이미지들(801)을 획득할 수 있으며, 레이블드 트레이닝 제품 이미지들(801)에 기초하여 제1 트레이닝 제품 벡터들(802)을 생성할 수 있다. 제1 트레이닝 제품 벡터들(802)을 추출하는데는 다양한 방식이 채용될 수 있다.

일실시예에 따르면, 학습 장치는 제1 트레이닝 제품 벡터들(802)을 제1 인공 신경망(700)에 적용하여 제1 트레이닝 출력들(803)을 획득할 수 있다. 학습 장치는 제1 트레이닝 출력들(803)과 제1 레이블들(804)에 기초하여 제1 인공 신경망(700)을 학습시킬 수 있다. 학습 장치는 제1 트레이닝 출력들(803)에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 제1 인공 신경망(700) 내 노드들의 연결 관계를 최적화하여 제1 인공 신경망(700)을 학습시킬 수 있다. 장치(300)는 학습이 완료된 제1 인공 신경망(700)을 이용하여 이미지 내에 있는 제품의 종류를 식별할 수 있다.

도 9는 일실시예에 따른 제품의 반출량을 관리하는 과정을 설명하기 위한 순서도이다.

도 9를 참조하면, 먼저, S901 단계에서, 장치(300)는 제1 시점에 제1 도매상의 창고에 보관되어 있는 제품을 촬영하여 생성된 제1 이미지를 획득할 수 있다.

구체적으로, 제1 도매상이 운영하는 업체에는 제품을 보관하는 창고가 구비되어 있으며, 창고 내부에는 제품들을 보관하기 위한 보관함이 구비되어 있을 수 있다. 제1 도매상 단말(110)은 제1 시점에 제1 도매상 단말(110)에 구비된 카메라를 이용하여 창고의 보관함에 진열되어 있는 제품에 대한 촬영을 수행하여 제1 이미지를 생성할 수 있다. 장치(300)는 제1 시점에 제1 도매상의 창고에 보관되어 있는 제품을 촬영하여 제1 이미지가 생성되면, 제1 도매상 단말(110)로부터 제1 이미지를 획득할 수 있다.

즉, 장치(300)는 제1 시점에 제1 도매상 단말(110)의 카메라를 이용하여 제1 도매상의 창고에 보관되어 있는 제품에 대한 촬영이 수행되면, 제1 시점에 제1 도매상의 창고에 보관되어 있는 제품을 촬영하여 생성된 제1 이미지를 획득할 수 있다.

일실시예에 따르면, 제1 도매상 단말(110)에 포함되어 있는 카메라는 영상 촬영을 위한 Full HD(High Definition) 화질의 카메라 장비로서, 30내지 60프레임을 기준으로 하는 촬영 장비일 수 있다. 카메라는 노출, 셔터스피드, 감도를 자동으로 조절할 수 있으며, 도매상의 편의에 따라 수동 조절이 가능할 수 있다.

S902 단계에서, 장치(300)는 제1 이미지를 인코딩 하여 제2 입력 신호를 생성할 수 있다.

구체적으로, 장치(300)는 제1 이미지의 픽셀을 색 정보로 인코딩 하여 제2 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치(300)는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 이미지를 인코딩할 수 있다.

S903 단계에서, 장치(300)는 제2 입력 신호를 제2 인공 신경망에 입력할 수 있다.

일실시예에 따르면, 제2 인공 신경망은 컨볼루션 신경망으로 구현되어, 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며, 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 인공지능 기반의 제품 반출량 관리 방법을 위한 컨볼루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다. 컨볼루션 신경망에 대한 자세한 설명은 도 10을 참조하여 후술한다.

S904 단계에서, 장치(300)는 컨볼루션 신경망인 제2 인공 신경망의 입력의 대한 결과에 기초하여, 제2 인공 신경망의 출력값인 제2 출력 신호를 획득할 수 있다.

일실시예에 따르면, 컨볼루션 신경망의 50개 출력층 노드는 상위 25개의 출력층 노드와 하위 25개의 출력층 노드를 포함할 수 있다. 컨볼루션 신경망의 50개 출력층 노드 중 상위 25개의 출력층 노드는 제품의 종류를 지시할 수 있다. 하위 25개의 노드는 상위 25개의 노드에 대응하는 제품의 재고량을 지시할 수 있다. 컨볼루션 신경망의 출력에 관한 자세한 설명은 도 10을 참조하여 후술한다.

S905 단계에서, 장치(300)는 제2 출력 신호를 기초로, 제1 시점에 보관되어 있는 제품의 종류 및 재고량을 분석할 수 있다. 즉, 장치(300)는 제1 시점에 창고에 보관되어 있는 제품의 종류가 어느 것인지 분석하고, 제품의 종류 별로 재고량이 몇 개인지 분석할 수 있다.

S906 단계에서, 장치(300)는 제2 시점에 제1 도매상의 창고에 보관되어 있는 제품을 촬영하여 생성된 제2 이미지를 획득할 수 있다. 여기서, 제2 시점은 제1 시점으로부터 기준 기간이 지난 후의 시점을 의미하고, 기준 기간은 실시예에 따라 상이하게 설정될 수 있다. 예를 들어, 제1 시점이 13시인데, 기준 기간이 5시간으로 설정되어 있는 경우, 제2 시점은 18시일 수 있다.

구체적으로, 제1 도매상 단말(110)은 제2 시점에 제1 도매상 단말(110)에 구비된 카메라를 이용하여 창고의 보관함에 진열되어 있는 제품에 대한 촬영을 수행하여 제2 이미지를 생성할 수 있다. 장치(300)는 제2 시점에 제1 도매상의 창고에 보관되어 있는 제품을 촬영하여 제2 이미지가 생성되면, 제1 도매상 단말(110)로부터 제2 이미지를 획득할 수 있다.

즉, 장치(300)는 제2 시점에 제1 도매상 단말(110)의 카메라를 이용하여 제1 도매상의 창고에 보관되어 있는 제품에 대한 촬영이 수행되면, 제2 시점에 제1 도매상의 창고에 보관되어 있는 제품을 촬영하여 생성된 제2 이미지를 획득할 수 있다.

S907 단계에서, 장치(300)는 제2 이미지를 인코딩 하여 제3 입력 신호를 생성할 수 있다.

S908 단계에서, 장치(300)는 제3 입력 신호를 제2 인공 신경망에 입력할 수 있다.

S909 단계에서, 장치(300)는 제2 인공 신경망의 입력의 대한 결과에 기초하여, 제2 인공 신경망의 출력값인 제3 출력 신호를 획득할 수 있다.

S910 단계에서, 장치(300)는 제3 출력 신호를 기초로, 제2 시점에 보관되어 있는 제품의 종류 및 재고량을 분석할 수 있다. 즉, 장치(300)는 제2 시점에 창고에 보관되어 있는 제품의 종류가 어느 것인지 분석하고, 제품의 종류 별로 재고량이 몇 개인지 분석할 수 있다.

S911 단계에서, 장치(300)는 제1 시점에 보관되어 있는 제품의 종류 및 재고량과 제2 시점에 보관되어 있는 제품의 종류 및 재고량을 비교하여, 제1 시점과 제2 시점 간에 재고량 차이가 있는 제품이 있는지 여부를 확인할 수 있다.

예를 들어, 제1 시점에 제1 제품이 5개, 제2 제품이 4개 보관되어 있는 것으로 확인되고, 제2 시점에 제1 제품이 4개, 제2 제품이 4개 보관되어 있는 것으로 확인되면, 장치(300)는 제1 시점과 제2 시점 간에 제1 제품의 재고량이 차이가 있는 것으로 확인할 수 있다.

S911 단계에서 제1 제품의 재고량이 차이가 있는 것으로 확인되면, S912 단계에서, 장치(300)는 제1 시점과 제2 시점 간에 차이나는 제1 제품의 재고량을 제1 제품의 반출량으로 산출할 수 있다.

구체적으로, 제1 시점에 창고에 보관되어 있는 제1 제품의 재고량이 제1 수량이고, 제2 시점에 창고에 보관되어 있는 제1 제품의 재고량이 제2 수량인 경우, 장치(300)는 제1 수량 및 제2 수량이 상이한 것으로 확인되면, 제1 시점과 제2 시점 간에 제1 제품의 재고량이 차이가 있는 것으로 확인할 수 있으며, 제1 수량에서 제2 수량을 차감하여, 제1 제품의 반출량을 산출할 수 있다.

예를 들어, 제1 시점에 제1 제품이 창고에 5개 보관되어 있는 것으로 확인되고, 제2 시점에 제1 제품이 창고에 4개 보관되어 있는 것으로 확인되면, 장치(300)는 5개에서 4개를 차감하여, 1개를 제1 제품의 반출량으로 산출할 수 있다.

도 10은 일실시예에 따른 제2 인공 신경망을 설명하기 위한 도면이다.

일실시예에 따르면, 장치(300)는 제1 도매상 단말(110)의 카메라를 통한 촬영으로 생성된 이미지를 인코딩 하여 입력 신호를 생성할 수 있으며, 제2 인공 신경망(1001)은 입력 신호를 입력으로 하고, 제품의 종류(1002) 및 제품의 재고량(1003)을 출력으로 할 수 있다.

일실시예에 따른 인코딩은 이미지의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장하는 방식으로 이뤄질 수 있는데, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 제2 인공 신경망(1001)은 컨볼루션 신경망으로 구현되어, 제2 인공 신경망(1001)은 특징 추출 신경망(1010)과 분류 신경망(1020)으로 구성될 수 있으며, 특징 추출 신경망(1010)은 제품을 찍은 이미지에서 제품과 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(1020)은 그로부터 제품을 종류별로 분류하고, 제품의 종류별로 각각의 재고량을 파악하는 작업을 수행하도록 할 수 있다. 특징 추출 신경망(1010)이 제품과 배경과 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 제품과 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 특징 추출 신경망(1010)은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따른 분류 신경망(1020)은 특징 추출 신경망(1010)을 통해 배경으로부터 구분된 제품을 그 형태 및 연속성에 따라 제품의 종류(1002)를 구분하고, 제품의 재고량(1003)을 제품의 종류 별로 파악할 수 있다. 제품의 비교를 위해 데이터베이스에 저장된 정보들을 활용할 수 있다. 분류 신경망(1020)은 제품의 종류(1002)를 파악하는 작업을 우선으로 하며, 파악된 제품의 형태 및 크기에 따라 제품의 재고량(1003) 파악을 용이하도록 할 수 있다.

일실시예에 따르면, 분류 신경망(1020)은 은닉층과 출력층을 가지고 있다. 장치(300) 내의 제2 인공 신경망(1001)에서는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 80개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 인공 신경망(1001)의 출력층 노드는 총 50개로 할 수 있다.

일실시예에 따른 제2 인공 신경망(1001)의 출력은 출력층의 50개 노드 중 상위 25개의 노드는 제품의 종류(1002)를 지시할 수 있고, 하위 25개의 노드는 상위 노드에 각각 대응하는 제품의 재고량(1003)을 지시할 수 있다. 상위 25개의 노드와 하위 25개의 노드를 대응시키는 방식은 상위 n번 째 노드와 하위 n번 째 노드를 대응시키는 방식으로, 전체에서 n번 째 노드가 전체에서 25+n번 째 노드에 대응하는 방식으로 진행될 수 있다. 예를 들어, 1번 째 노드는 26번 째 노드에 대응하며, 2번 째 노드는 27번 째 노드에, 10번 째 노드는 35번 째 노드에, 25번 재 노드는 50번 째 노드에 대응하는 방식으로 진행될 수 있다. 제품의 종류(1002)는 제품에 대응하는 코드 정보로 출력될 수 있으나, 이에 국한하지 않는다. 제2 인공 신경망(1001)의 50개의 출력층 노드 중 출력값이 없는 출력층 노드는 숫자 ‘0’을 그 출력값으로 출력할 수 있다. 상위 25개의 노드 중에 이 숫자 ‘0’이 포함되는 노드들은 해당하는 제품이 없는 것으로 간주될 수 있다. 만약 분류된 제품의 종류가 25개 이상일 경우, 남은 제품은 미리 생성한 출력값이 모두 처리된 후 이어서 자동으로 처리될 수 있다.

일실시예에 따르면, 제2 인공 신경망(1001)은 사용자가 제2 인공 신경망(1001)에 따른 제품 파악의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 제2 학습 신호를 전달받아 학습할 수 있다. 제2 인공 신경망(1001)에 따른 제품 파악의 문제점은 제품의 종류(1002) 및 제품의 재고량(1003)에 문제가 있는 경우를 의미할 수 있다.

일실시예에 따른 제2 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 제2 인공 신경망(1001)은 제2 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. 제2 인공 신경망(1001)은 제1 인공 신경망(700)이 학습되는 과정과 동일한 방식을 통해 학습될 수 있다.

도 11은 일실시예에 따른 제품 판매 내역을 통해 제품의 반출량을 확인하는 과정을 설명하기 위한 순서도이다.

도 11을 참조하면, 먼저, S1101 단계에서, 장치(300)는 제1 제품의 반출량이 산출되어, 제1 제품의 반출량이 0보다 큰 것으로 확인되면, 기준 기간 동안 판매된 제1 도매상의 제품 판매 내역을 획득할 수 있다. 여기서, 기준 기간은 제1 시점부터 제2 시점까지의 기간을 의미할 수 있고, 제품 판매 내역은 제1 도매상이 어느 시점에 어느 제품을 얼마나 많이 판매하였는지 나타내는 리스트로 구성될 수 있다.

예를 들어, 제1 시점이 13시이고, 제2 시점이 18시인 경우, 장치(300)는 13시부터 18시까지 판매된 제1 도매상의 제품 판매 내역을 획득할 수 있다.

S1102 단계에서, 장치(300)는 기준 기간 동안 판매된 제1 도매상의 제품 판매 내역을 기초로, 기준 기간 동안 판매된 제품의 종류 및 판매량을 분석할 수 있다.

예를 들어, 기준 기간이 13시부터 18시까지이고, 14시에 판매된 제품 판매 내역에는 제1 제품이 1개, 제2 제품이 2개 판매되어 있고, 15시에 판매된 제품 판매 내역에는 제2 제품이 1개, 제3 제품이 2개 판매되어 있는 경우, 장치(300)는 기준 기간 동안에 제1 제품이 1개, 제2 제품이 3개, 제3 제품이 2개 판매된 것으로, 판매된 제품의 종류 및 판매량을 분석할 수 있다.

S1103 단계에서, 장치(300)는 기준 기간 동안 판매된 제품의 종류 및 판매량에 대한 분석 결과에서, 제1 제품의 판매량을 확인할 수 있다. 즉, 장치(300)는 기준 기간 동안 제1 제품이 판매된 것으로 확인되면, 기준 기간 동안 판매된 제1 제품의 판매량을 확인할 수 있다.

S1104 단계에서, 장치(300)는 제1 제품의 반출량과 제1 제품의 판매량이 일치하는지 여부를 확인할 수 있다.

S1104 단계에서 제1 제품의 반출량과 제1 제품의 판매량이 일치하는 것으로 확인되면, S1105 단계에서, 장치(300)는 제1 제품의 반출량에 문제가 없는 것으로 판단할 수 있다.

S1104 단계에서 제1 제품의 반출량과 제1 제품의 판매량이 일치하지 않는 것으로 확인되면, S1106 단계에서, 장치(300)는 제1 제품의 반출량에 문제가 있는 것으로 판단할 수 있다.

S1107 단계에서, 장치(300)는 제1 제품에 대한 반출량 확인 알림 메시지를 제1 도매상 단말(110)로 전송할 수 있다. 여기서, 제1 제품에 대한 반출량 확인 알림 메시지는 제1 제품의 판매량과 반출량이 상이하여, 반출량에 대한 확인이 필요한 것을 알려주는 알림 메시지이다.

도 12는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(300)는 프로세서(310) 및 메모리(320)를 포함한다. 프로세서(310)는 도 1 내지 도 11을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 11을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(300)를 이용하는 자 또는 단체는 도 1 내지 도 11을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(320)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(320)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(310)는 프로그램을 실행하고, 장치(300)를 제어할 수 있다. 프로세서(310)에 의하여 실행되는 프로그램의 코드는 메모리(320)에 저장될 수 있다. 장치(300)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(300)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(320)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(310)는 메모리(320)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(300)와 학습된 인공 신경망을 이용하는 장치(300)는 동일할 수도 있고 개별적일 수도 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

1. 장치에 의해 수행되는, 도소매 전자상거래를 위한 멀티 플랫폼 서비스를 제공하는 방법에 있어서,
   제1 도매상 단말로부터 제1 제품에 대한 재고 확보 등록 요청이 수신되면, 상기 재고 확보 등록 요청을 통해 상기 제1 제품의 재고량을 확인하는 단계;
   상기 제1 제품의 재고량이 미리 설정된 제1 기준량 보다 큰지 여부를 확인하는 단계;
   상기 제1 제품의 재고량이 상기 제1 기준량 보다 큰 것으로 확인되면, 복수의 소매상 각각의 제품 주문 내역에 기초하여, 상기 복수의 소매상 중 상기 제1 제품을 주문한 적이 있는 소매상이 있는지 여부를 확인하는 단계;
   상기 복수의 소매상 중 제1 소매상이 상기 제1 제품을 주문한 적이 있는 것으로 확인되면, 상기 제1 제품에 대한 재고 확보를 안내하는 알림 메시지를 제1 소매상 단말로 전송하는 단계;
   상기 제1 소매상 단말로부터 상기 제1 제품에 대한 주문 요청이 수신되면, 상기 주문 요청을 통해 상기 제1 제품의 주문량을 확인하는 단계;
   상기 제1 제품의 주문량이 미리 설정된 제2 기준량 보다 큰지 여부를 확인하는 단계;
   상기 제1 제품의 주문량이 상기 제2 기준량 보다 큰 것으로 확인되면, 상기 제1 소매상에 의해 상기 제1 제품의 브랜드가 설정되어 있는지 여부를 확인하는 단계;
   상기 제1 제품의 브랜드가 설정되어 있지 않은 것으로 확인되면, 제1 제품 정보를 기반으로 상기 제1 제품에 대한 키워드인 제1 키워드를 추출하고, 제1 소매상 정보를 기반으로 상기 제1 소매상에 대한 키워드인 제2 키워드를 추출하는 단계;
   상기 제1 키워드 및 상기 제2 키워드를 조합하여, 제1 브랜드를 생성하는 단계;
   상기 제1 제품의 브랜드를 상기 제1 브랜드로 설정하여 판매하는 판매 전략을 상기 제1 소매상 단말로 제공하는 단계;
   상기 제1 소매상 단말로부터 상기 제1 제품에 대한 판매 요청이 수신되면, 상기 제1 제품의 이미지를 인코딩 하여 제1 입력 신호를 생성하는 단계;
   상기 제1 입력 신호를 제1 인공 신경망에 입력하고, 상기 제1 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계;
   상기 제1 출력 신호에 기초하여, 상기 제1 제품의 종류인 제1 카테고리를 식별하는 단계;
   제품 판매 사이트 중 상기 제1 카테고리를 메인 카테고리로 운영하고 있는 제1 사이트를 확인하는 단계;
   상기 제1 사이트에서 상기 제1 제품이 판매되고 있는지 여부를 확인하는 단계;
   상기 제1 사이트에서 상기 제1 제품이 판매되고 있는 것으로 확인되면, 상기 제1 사이트에서 판매되고 있는 상기 제1 제품의 최저가인 제1 가격을 확인하는 단계;
   상기 제1 소매상에 의해 설정된 제2 가격이 상기 제1 가격 보다 높은지 여부를 확인하는 단계;
   상기 제2 가격이 상기 제1 가격 보다 높은 것으로 확인되면, 상기 제1 제품이 상기 제1 가격으로 판매되고 있는 것을 알려주는 알림 메시지를 상기 제1 소매상 단말로 전송하는 단계;
   상기 제2 가격이 상기 제1 가격 보다 높지 않은 것으로 확인되면, 상기 제2 가격을 상기 제1 제품의 판매 가격으로 설정하여, 상기 제1 제품의 판매 페이지인 제1 페이지를 생성하는 단계;
   상기 제1 사이트에서 상기 제1 제품이 판매되고 있지 않은 것으로 확인되면, 상기 제2 가격을 상기 제1 제품의 판매 가격으로 설정하여, 상기 제1 페이지를 생성하는 단계;
   상기 제1 페이지가 생성되면, 상기 제1 페이지를 상기 제1 사이트에 업로드하여 등록하는 단계;
   제1 시점에 상기 제1 도매상 단말의 카메라를 이용하여 제1 도매상의 창고에 보관되어 있는 제품에 대한 촬영이 수행되면, 상기 제1 시점에 상기 제1 도매상의 창고에 보관되어 있는 제품을 촬영하여 생성된 제1 이미지를 획득하는 단계;
   상기 제1 이미지를 인코딩 하여 제2 입력 신호를 생성하는 단계;
   상기 제2 입력 신호를 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계;
   상기 제2 출력 신호를 기초로, 상기 제1 시점에 보관되어 있는 제품의 종류 및 재고량을 분석하는 단계;
   상기 제1 시점으로부터 미리 설정된 기준 기간이 지난 후인 제2 시점에 상기 제1 도매상 단말의 카메라를 이용하여 상기 제1 도매상의 창고에 보관되어 있는 제품에 대한 촬영이 수행되면, 상기 제2 시점에 상기 제1 도매상의 창고에 보관되어 있는 제품을 촬영하여 생성된 제2 이미지를 획득하는 단계;
   상기 제2 이미지를 인코딩 하여 제3 입력 신호를 생성하는 단계;
   상기 제3 입력 신호를 상기 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제3 출력 신호를 획득하는 단계;
   상기 제3 출력 신호를 기초로, 상기 제2 시점에 보관되어 있는 제품의 종류 및 재고량을 분석하는 단계;
   상기 제1 시점에 보관되어 있는 제품의 종류 및 재고량과 상기 제2 시점에 보관되어 있는 제품의 종류 및 재고량을 비교하여, 상기 제1 시점과 상기 제2 시점 간에 재고량 차이가 있는 제품이 있는지 여부를 확인하는 단계; 및
   상기 제1 시점에 보관되어 있는 상기 제1 제품의 재고량이 제1 수량이고, 상기 제2 시점에 보관되어 있는 상기 제1 제품의 재고량이 제2 수량인 경우, 상기 제1 수량 및 상기 제2 수량이 상이한 것으로 확인되어, 상기 제1 시점과 상기 제2 시점 간에 상기 제1 제품의 재고량이 차이가 있는 것으로 확인되면, 상기 제1 수량에서 상기 제2 수량을 차감하여, 상기 제1 제품의 반출량을 산출하는 단계를 포함하며,
   상기 제1 페이지를 상기 제1 사이트에 업로드하여 등록하는 단계는,
   상기 제1 제품의 주문량이 미리 설정된 제3 기준량 보다 큰지 여부를 확인하는 단계;
   상기 제1 제품의 주문량이 상기 제3 기준량 보다 큰 것으로 확인되면, 상기 제1 제품과 연계하여 사용되는 제품이 있는지 여부를 분석하는 단계;
   제2 제품이 상기 제1 제품과 연계하여 사용되는 제품으로 확인되면, 상기 제1 소매상의 제품 주문 내역에 기초하여, 상기 제1 소매상이 상기 제2 제품을 주문한 적이 있는지 여부를 확인하는 단계;
   상기 제1 소매상이 상기 제2 제품을 주문한 적이 있는 것으로 확인되면, 상기 제2 제품에 대한 재고량 확인 요청을 상기 제1 소매상 단말로 전송하는 단계;
   상기 제1 소매상 단말로부터 상기 제2 제품의 재고량 정보가 수신되면, 상기 제2 제품의 재고량이 상기 제3 기준량 보다 작은지 여부를 확인하는 단계;
   상기 제2 제품의 재고량이 상기 제3 기준량 보다 작은 것으로 확인되면, 상기 제1 제품을 단독 포장하여 판매하는 판매 페이지인 제2 페이지를 생성하고, 상기 제2 페이지를 상기 제1 사이트에 업로드 하여 등록하는 단계; 및
   상기 제2 제품의 재고량이 상기 제3 기준량 보다 큰 것으로 확인되면, 상기 제1 제품 및 상기 제2 제품을 묶음 포장으로 판매하는 판매 페이지인 제3 페이지를 생성하고, 상기 제3 페이지를 상기 제1 사이트에 업로드 하여 등록하는 단계를 포함하는,
   도소매 전자상거래를 위한 멀티 플랫폼 서비스 제공 방법.
2. 삭제
3. 삭제

Images