KR102458694B1 - 인공지능 기반 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스 제공 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따른 인공지능 기반 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스 제공 장치는 디자인 작업을 의뢰하고자 하는 제1 의뢰자의 제1 의뢰자 단말로부터 디자인 작업의 의뢰 대상인 제1 의뢰 디자인 작품에 대한 디자인 작업 비용 추정 요청을 수신하는 단계; 디자인 작업 비용 추정 요청에 응답하여, 복수의 디자인 카테고리들 중 어느 디자인 카테고리- 디자인 카테고리는 로고, 배너, 포스터, 패키지 및 상세페이지 중 적어도 하나를 포함함-에 속하는지 문의하고자 하는 디자인 카테고리 문의 메시지를 제1 의뢰자 단말로 전송하는 단계; 제1 의뢰자 단말로부터 제1 의뢰 디자인 작품에 대한 디자인 카테고리 정보를 수신하는 단계; 제1 의뢰자 단말로부터 제1 의뢰 디자인 작품을 제작하는데 레퍼런스가 되는 제1 레퍼런스 이미지를 수신하는 단계; 디자인 카테고리 정보 및\ 제1 레퍼런스 이미지에 기초하여 제1 입력 신호를 생성하고, 생성된 제1 입력 신호를 제1 인공신경망- 제1 인공신경망은 트레이닝 디자인 카테고리 정보들, 트레이닝 레퍼런스 이미지들, 제1 출력 신호들 및 트레이닝 작업 비용 정보들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계; 및 제1 출력 신호에 기초하여 제1 의뢰 디자인 작품에 대응하는 제1 작업 비용 정보를 생성할 수 있다.

Description

인공지능 기반 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스 제공 방법, 장치 및 시스템{METHOD, DEVICE AND SYSTEM FOR ESTIMATING COST OF DESIGN WORK BASED ON ARTIFICIAL INTELLIGENCE AND PROVIDING MEDIATION PLATFORM SERVICE FOR DESIGN WORK}

아래 실시예들은 인공지능을 기반으로 디자인 작업 비용을 추정하고 디자인 의뢰 중개 플랫폼 서비스를 제공하기 위한 기술에 관한 것이다.

최근에는 인터넷이나 PC통신을 이용한 전자 상거래가 활발하게 이루어지고 있다. 이러한 전자상거래의 큰 장점은 시간과 공간의 제약을 받지 않는다는 것이다. 이에 따라 인터넷을 이용한 제품의 디자인 및 판매하는 사이트들이 늘고 있다.

기존에는 디자인 작품에 대한 거래는 폐쇄적으로 이루어지다 보니, 디자인 작품에

기존에는 디자인 작품에 대한 평가는 정성적으로 이루어지고, 거래는 폐쇄적으로 대한 정보를 획득하기가 매우 어려울 뿐만 아니라, 그 정보가 매우 부정확할 수밖에 없었다. 나아가, 폐쇄적인 정보를 기초로 거래가 이뤄지다 보니 불공정한 디자인 작품 거래가 만연했다.

또한, 디자인 작품의 가치를 평가하는 기준이 매우 모호하여 판매자가 설정한 거래 가격을 신뢰하기 어렵다는 문제점이 있다. 또한 구매자의 입장에서, 판매자가 설정한 가격이 적절한 가격인지 검증할 방법이 없다는 문제점이 있었다.

대한민국 공개특허 제10-2019-0136705호(2019.12.10 공개) 대한민국 공개특허 제10-2019-0124170호(2019.11.04 공개) 대한민국 공개특허 제10-2014-0115525호(2014.10.01 공개) 대한민국 공개특허 제10-2019-0101327호(2019.08.30 공개)

실시예들은 인공지능을 기반으로 디자인 작업 비용 추정 서비스를 제공하는 플랫폼을 제공하고자 한다.

실시예들은 인공신경망의 학습을 통해 이미지를 요소 별로 분류하고, 이미지 내에서 각각 요소가 차지하는 비율을 적용하여 정확하게 디자인 작업 비용을 추정하고자 한다.

실시예들은 유사 이미지 및 유사 이미지의 작업 비용을 분석하여, 의뢰 디자인 작품의 작업 비용 정보를 생성하고자 한다.

일실시예에 따르면, 장치에 의해 수행되는 방법에 있어서, 디자인 작업을 의뢰하고자 하는 제1 의뢰자의 제1 의뢰자 단말로부터 디자인 작업의 의뢰 대상인 제1 의뢰 디자인 작품에 대한 디자인 작업 비용 추정 요청을 수신하는 단계; 상기 디자인 작업 비용 추정 요청에 응답하여, 복수의 디자인 카테고리들 중 어느 디자인 카테고리-상기 디자인 카테고리는 로고, 배너, 포스터, 패키지 및 상세페이지 중 적어도 하나를 포함함-에 속하는지 문의하고자 하는 디자인 카테고리 문의 메시지를 상기 제1 의뢰자 단말로 전송하는 단계; 상기 제1 의뢰자 단말로부터 상기 제1 의뢰 디자인 작품에 대한 디자인 카테고리 정보를 수신하는 단계; 상기 제1 의뢰자 단말로부터 상기 제1 의뢰 디자인 작품을 제작하는데 레퍼런스가 되는 제1 레퍼런스 이미지를 수신하는 단계; 상기 디자인 카테고리 정보 및 상기 제1 레퍼런스 이미지에 기초하여 제1 입력 신호를 생성하고, 상기 생성된 제1 입력 신호를 제1 인공신경망-상기 제1 인공신경망은 트레이닝 디자인 카테고리 정보들, 트레이닝 레퍼런스 이미지들, 제1 출력 신호들 및 트레이닝 작업 비용 정보들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계; 및 상기 제1 출력 신호에 기초하여 상기 제1 의뢰 디자인 작품에 대응하는 제1 작업 비용 정보를 생성하는 단계를 포함할 수 있다.

상기 트레이닝 작업 비용 정보들은 상기 트레이닝 디자인 카테고리 정보들 및 상기 트레이닝 레퍼런스 이미지들에 각각 대응하는 작업 비용 정보들이고, 상기 제1 출력 신호들은 상기 트레이닝 디자인 카테고리 정보들 및 상기 트레이닝 레퍼런스 이미지들에 기초하여 생성된 제1 트레이닝 입력 신호들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제1 인공신경망은 상기 제1 출력 신호들 및 상기 트레이닝 작업 비용 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.

상기 제1 출력 신호를 생성하는 단계는 미리 정의된 유사 범위의 패턴이 전체 이미지 내에서 미리 정의된 기준을 넘어서서 반복되는지 여부에 따라 상기 제1 레퍼런스 이미지로부터 배경을 추출하는 단계; 상기 추출된 배경을 제2 인공신경망-상기 제2 인공신경망은 입력된 이미지를 실사, 일러스트 및 캐릭터 중 어느 하나로 분류하는 인공지능모델이고, 트레이닝 이미지들, 제2 출력 신호들 및 트레이닝 이미지 카테고리 정보들에 기초하여 미리 학습됨-으로 적용하여 상기 배경의 배경 카테고리 정보를 생성하는 단계; 상기 배경의 픽셀값들의 변화도에 기초하여 배경 난이도를 생성하는 단계; 상기 배경 카테고리 정보 및 상기 배경 난이도에 상기 제1 레퍼런스 이미지 내 상기 배경이 차지하는 비율을 적용하여 배경 요소 정보를 생성하는 단계; 상기 제1 레퍼런스 이미지로부터 미리 정의된 언어의 적어도 하나의 텍스트를 추출하는 단계; 상기 추출된 텍스트를 제3 인공신경망-상기 제3 인공신경망은 입력된 텍스트를 캘리그래피, 기 등록 유로 폰트, 기 등록 무료 폰트 및 새로운 폰트 중 어느 하나로 분류하는 인공지능모델이고, 트레이닝 텍스트들, 제3 출력 신호들 및 트레이닝 폰트 정보들에 기초하여 미리 학습됨-으로 적용하여 상기 추출된 텍스트의 폰트 정보를 생성하는 단계; 상기 추출된 텍스트의 적어도 하나의 텍스트 색상 및 상기 텍스트 색상 별 비율을 생성하는 단계; 상기 추출된 텍스트의 글자수, 언어, 상기 폰트 정보, 상기 텍스트 색상 및 상기 텍스트 색상 별 비율에 기초하여 텍스트 요소 정보를 생성하는 단계; 상기 제1 레퍼런스 이미지로부터 상기 추출된 배경 및 상기 추출된 텍스트를 제외한 나머지의 적어도 하나의 디자인 객체를 추출하는 단계; 상기 추출된 디자인 객체를 상기 제2 인공신경망으로 적용하여 상기 디자인 객체의 디자인 객체 카테고리 정보를 생성하는 단계; 상기 디자인 객체의 픽셀값들의 변화도에 기초하여 디자인 객체 난이도를 생성하는 단계; 상기 디자인 객체 카테고리 정보 및 상기 디자인 객체 난이도에 상기 제1 레퍼런스 이미지 내 상기 디자인 객체가 차지하는 비율을 적용하여 디자인 객체 요소 정보를 생성하는 단계; 상기 디자인 카테고리 정보, 상기 배경 요소 정보, 상기 텍스트 요소 정보 및 상기 디자인 객체 요소 정보에 기초하여 상기 제1 입력 신호를 생성하는 단계; 및 상기 제1 입력 신호를 상기 제1 인공신경망에 적용하여 상기 제1 출력 신호를 생성하는 단계를 포함할 수 있다.

상기 트레이닝 이미지 카테고리 정보들은 상기 트레이닝 이미지들에 각각 대응하는 카테고리 정보들이고, 상기 제2 출력 신호들은 상기 트레이닝 이미지들이 상기 제2 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제2 인공신경망은 상기 제2 출력 신호들 및 상기 트레이닝 이미지 카테고리 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습되고, 상기 트레이닝 폰트 정보들은 상기 트레이닝 텍스트들에 각각 대응하는 폰트 정보들이고, 상기 제3 출력 신호들은 상기 트레이닝 텍스트들이 상기 제3 인공신경망에 적용되어 생성된 출력 신호들이며, 상기 제3 인공신경망은 상기 제3 출력 신호들 및 상기 트레이닝 폰트 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.

상기 제1 출력 신호를 생성하는 단계는 상기 제1 인공신경망을 이용하여, 기 등록된 이미지들 중에서 상기 제1 레퍼런스 이미지와 가장 유사한 유사 이미지 및 상기 유사 이미지의 유사 이미지 작업 비용을 포함하는 상기 제1 출력 신호를 생성하는 단계를 포함할 수 있다.

상기 제1 작업 비용 정보를 생성하는 단계는 상기 제1 출력 신호에 포함된 상기 유사 이미지 작업 비용에 상기 디자인 카테고리 정보를 적용한 제1 작업 비용 정보를 생성하는 단계를 포함할 수 있다.

상기 장치에 의해 수행되는 방법은 미리 정의된 디자인 유형들 중에서 상기 제1 의뢰 디자인 작품이 포함되는 디자인 유형을 식별하는 단계; 상기 제1 의뢰 디자인 작품이 제1 유형에 포함되는 경우, 미리 정의된 카테고리들 중에서 상기 제1 의뢰 디자인 작품이 포함되는 카테고리를 식별하는 단계; 상기 제1 의뢰 디자인 작품의 디자인 유형 및 상기 제1 의뢰 디자인 작품의 카테고리에 대응하는 제1 비용 정보를 획득하는 단계; 상기 제1 의뢰 디자인 작품으로부터 상기 제1 의뢰 디자인 작품의 제1 디자인 기술 요소들을 추출하고, 상기 제1 디자인 기술 요소들에 대응하는 가격 정보들을 획득하는 단계; 상기 제1 의뢰 디자인 작품이 제1 기술 요소로 제작된 경우, 상기 제1 기술 요소의 미리 설정된 난이도에 대응하는 제1 가중치를 생성하고, 상기 생성된 제1 가중치를 상기 제1 디자인 기술 요소의 가격 정보에 적용하여 상기 제1 디자인 요소의 난이도에 따라 상기 제1 의뢰 디자인 작품의 디자인 기술 요소 비용을 산출하여 제2 비용 정보를 획득하는 단계; 상기 제1 의뢰자 단말로부터 입력된 상기 제1 의뢰 디자인 작품의 기본 정보로부터, 제1 의뢰 디자인 작품을 제작한 제1 제작자의 기본 정보를 획득하여, 제1 제작자의 경력 정보 및 제1 의뢰 디자인 작품을 제작하는데 소요된 제작 시간 정보를 추출하는 단계; 상기 제1 제작자의 경력 정보에 대응하는 제3 비용 정보를 획득하는 단계: 상기 제작 시간 정보로부터 미리 설정된 제작 시간에 대응하는 제2 가중치를 생성하고, 상기 생성된 제2 가중치를 상기 제3 비용 정보에 적용하여 상기 제작 시간에 따라 상기 제1 의뢰 디자인 작품의 인건비 비용을 산출하여 제4 비용 정보를 획득하는 단계; 획득된 상기 제1 비용 정보, 상기 제2 비용 정보 및 상기 제4 비용 정보를 합산하여, 제1 의뢰 디자인 작품의 제1 작업 비용 정보를 생성하는 단계; 및 제1 의뢰 디자인 작품의 제1 작업 비용 정보에 대한 제1 견적서를 상기 제1 의뢰자 단말로 전송하는 단계를 더 포함할 수 있다.

상기 장치에 의해 수행되는 방법은 상기 제1 의뢰 디자인 작품을 제작한 제1 제작자와 대응하는 제1 제작자 단말로부터 상기 제1 제작자가 상기 제1 의뢰 디자인 작품을 판매할 의사가 있는지 여부를 판단하는 단계; 상기 제1 제작자가 상기 제1 의뢰 디자인 작품을 판매할 의사가 있는 경우, 디자인 작업물을 판매하는 페이지인 제1 페이지에 상기 제1 의뢰 디자인 작품의 기본 정보 및 상기 제1 의뢰 디자인 작품을 등록하는 단계; 상기 제1 의뢰자에 대응하는 제1 의뢰자 계정이 로그인된 상기 제1 의뢰자 단말로 상기 제1 의뢰 디자인 작품의 구매 의사가 있는지 여부에 대한 구매 의사 문의 메시지를 전송하는 단계; 상기 제1 의뢰자의 상기 제1 의뢰 디자인 작품의 구매 의사가 있는 경우, 상기 제1 의뢰 디자인 작품의 원본인 제1 원본의 구매를 원하는지 여부를 판단하는 단계; 상기 제1 의뢰자의 상기 제1 원본의 구매를 원하는 경우, 상기 제1 원본으로부터 상기 제1 의뢰 디자인 작품의 상기 제1 디자인 기술 요소들이 포함되면서, 상기 제1 디자인 기술 요소들을 변경 가능하도록 제작된 제1 템플릿을 생성하는 단계; 상기 생성된 제1 템플릿 및 상기 제1 원본을 상기 제1 의뢰자 단말로 전송하는 단계; 상기 제1 의뢰자의 제1 의뢰 디자인 작품의 구매 의사가 있으면서, 상기 제1 원본 구매를 원하지 않는 경우, 상기 제1 의뢰자 단말로 상기 제1 의뢰 디자인 작품을 전송하는 단계; 및 상기 제1 의뢰자의 제1 의뢰 디자인 작품의 구매 의사가 없는 경우, 상기 제1 의뢰자 단말로 새로운 작품인 제2 작품의 제작 필요 여부에 대한 작품 제작 필요 문의 메시지를 전송하는 단계를 더 포함할 수 있다.

상기 장치에 의해 수행되는 방법은 상기 기 등록된 이미지들 중에서 상기 제1 레퍼런스 이미지가 포함되는 카테고리에 속해 있는 동일 카테고리 이미지들을 추출하는 단계; 상기 동일 카테고리 이미지들 중에서 상기 제1 레퍼런스 이미지와 유사도가 미리 설정된 제1 기준치 이상인 유사 이미지들의 거래 내역에서 거래된 횟수를 추출하는 단계; 상기 유사 이미지들의 거래된 횟수가 상기 기 등록된 이미지의 거래된 횟수에서 차지하는 비율인 유사 이미지 거래 비율을 산출하는 단계; 상기 유사 이미지 거래 비율이 미리 설정된 제2 기준치 이상인 경우, 상기 유사 이미지들의 조회 내역에서 유사 이미지 조회수를 추출하는 단계; 상기 유사 이미지 조회수가 미리 설정된 제3 기준치 이상인 경우, 상기 제1 레퍼런스 이미지의 가치를 1등급으로 선정하는 단계; 상기 유사 이미지 조회수가 상기 제3 기준치 이하인 경우, 상기 제1 레퍼런스 이미지의 가치를 1등급보다 낮은 2등급으로 선정하는 단계; 상기 유사 이미지 거래 비율이 상기 제2 기준치 이하인 경우, 상기 제1 레퍼런스 이미지의 가치를 2등급보다 낮은 3등급으로 선정하는 단계를 포함할 수 있다.

상기 장치에 의해 수행되는 방법은 상기 제1 의뢰자 단말이 디자인 작품을 제공하는 웹 사이트에 접속하면, 상기 웹 사이트의 홈 페이지를 상기 제1 의뢰자 단말로 제공하고, 상기 제1 의뢰자 단말에 로그인 되어 있는 제1 의뢰자 계정을 확인하여 제1 의뢰자 정보를 획득하는 단계; 상기 홈 페이지 상에서 상기 제1 의뢰 디자인 작품의 대표 이미지가 클릭되면, 상기 제1 의뢰자 단말로부터 상기 제1 의뢰 디자인 작품에 대한 조회 요청을 수신하고, 상기 제1 의뢰 디자인 작품을 확인하여 제1 의뢰 디자인 작품 정보를 획득하는 단계; 상기 제1 의뢰 디자인 작품 정보를 통해 상기 제1 의뢰 디자인 작품의 의뢰자 조회 내역을 획득하는 단계; 상기 제1 의뢰 디자인 작품의 의뢰자 조회 내역을 기초로, 의뢰자 별로 상기 제1 의뢰 디자인 작품을 집중하여 감상한 집중 시간을 확인하여, 상기 제1 의뢰 디자인 작품의 평균 집중 시간을 산출하는 단계; 상기 제1 의뢰 디자인 작품의 평균 집중 시간의 길이에 따라, 기준 시간을 설정하는 단계; 상기 제1 의뢰 디자인 작품의 평균 집중 시간에서 상기 기준 시간을 차감한 값으로, 의뢰자 허용 범위의 최소 시간을 산출하는 단계; 상기 제1 의뢰 디자인 작품의 평균 집중 시간에 상기 기준 시간을 가산한 값으로, 상기 의뢰자 허용 범위의 최대 시간을 산출하는 단계; 상기 의뢰자 허용 범위의 최소 시간 및 상기 의뢰자 허용 범위의 최대 시간을 기초로, 상기 의뢰자 허용 범위를 설정하는 단계; 상기 제1 의뢰자 정보 및 상기 제1 의뢰 디자인 작품 정보를 기초로, 상기 제1 의뢰 디자인 작품에 대한 제1 의뢰자의 집중 시간을 예측하는 단계; 상기 제1 의뢰자의 집중 시간이 상기 의뢰자 허용 범위 내에 포함되는 것으로 확인되면, 상기 제1 의뢰 디자인 작품을 상기 제1 의뢰자 단말로 제공하는 단계; 상기 제1 의뢰자의 집중 시간이 상기 의뢰자 허용 범위를 벗어나는 것으로 확인되고, 상기 제1 의뢰자의 집중 시간이 상기 의뢰자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제2 디자인 작품-상기 제2 디자인 작품은 상기 제1 의뢰 디자인 작품과 디자인 카테고리가 동일하면서 상기 제1 의뢰 디자인 작품 보다 적은 글자수로 제작된 작품-에 대한 추천 정보를 상기 제1 의뢰자 단말로 제공하는 단계; 및 상기 제1 의뢰자의 집중 시간이 상기 의뢰자 허용 범위를 벗어나는 것으로 확인되고, 상기 제1 의뢰자의 집중 시간이 상기 의뢰자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제3 디자인 작품-상기 제3 디자인 작품은 상기 제1 의뢰 디자인 작품과 디자인 카테고리가 동일하면서 상기 제1 의뢰 디자인 작품 보다 많은 글자수로 제작된 작품-에 대한 추천 정보를 상기 제1 의뢰자 단말로 제공하는 단계를 더 포함할 수 있다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 인공지능을 기반으로 디자인 작업 비용 추정 서비스를 제공하는 플랫폼을 제공할 수 있다.

실시예들은 인공신경망의 학습을 통해 이미지를 요소 별로 분류하고, 이미지 내에서 각각 요소가 차지하는 비율을 적용하여 정확하게 디자인 작업 비용을 추정할 수 있다.

실시예들은 유사 이미지 및 유사 이미지의 작업 비용을 분석하여, 의뢰 디자인 작품의 작업 비용 정보를 생성할 수 있다.

도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 인공지능 기반의 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 인공지능 기반의 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스를 제공하는 과정을 설명하기 위한 개념도이다.
도 4는 일실시예에 따른 인공지능 기반의 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스를 제공하는 과정을 설명하기 위한 블록도이다.
도 5는 일실시예에 따른 인공지능 기반의 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스의 실시예1을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 제1 입력 신호를 생성하는 과정을 설명하기 위한 개념도이다.
도 7은 일실시예에 따른 배경의 픽셀값들의 변화도에 따른 배경 난이도 및 디자인 객체 난이도를 생성하는 과정을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 제1 인공신경망의 학습을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 제2 인공신경망의 학습을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 제3 인공신경망의 학습을 설명하기 위한 도면이다.
도 11은 본 발명의 실시예 2에 따른 제1 인공신경망을 설명하기 위한 도면이다.
도 12는 본 발명의 실시예 3에 따른 과정을 설명하기 위한 순서도이다.
도 13은 일실시예에 따른 의뢰 디자인 작품의 원본 필요 여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 14는 일실시예에 따른 레퍼런스 이미지의 가치를 산출하는 과정을 설명하기 위한 순서도이다.
도 15은 일실시예에 따른 의뢰 디자인 작품의 집중 시간을 산출하여 의뢰자의 허용 범위를 설정하는 과정을 설명하기 위한 순서도이다.
도 16은 일실시예에 따른 의뢰 디자인 작품의 집중 시간을 예측하여 디자인 작품의 추천 정보를 제공하는 과정을 설명하기 위한 순서도이다.
도 17은 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), 복수의 제작자 단말(20) 및 장치(100)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) 각각은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 바람직하게, 도 1에 도시된 바와 같이, 제1 의뢰자 단말(11), 제2 의뢰자 단말(12) 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(100)와 유무선으로 통신하도록 구성될 수 있다.

복수의 의뢰자 단말(10) 각각은 장치(100)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(100)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 복수의 의뢰자 단말(10) 각각은 웹 페이지 또는 애플리케이션을 통해 장치(100)와 연동될 수 있다.

복수의 의뢰자 단말(10) 각각은 장치(100)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(100)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.

복수의 제작자 단말(20)은 본 발명에 따른 의뢰 디자인 작품을 제작 및 판매하는 제작자들이 사용하는 단말일 수 있다 예를 들어, 스마트폰과 같은 모바일 기기나 컴퓨터일 수 있으며, 제1 제작자가 사용하는 제1 제작자 단말(21), 제2 제작자가 사용하는 제2 제작자 단말(22) 등을 포함할 수 있다.

복수의 제작자 단말(20) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 제작자 단말(20)은 장치(100)와 무선을 통해 통신하도록 구성될 수 있다.

복수의 제작자 단말(20) 각각은 장치(100)에서 제공하는 웹 사이트 등을 통해 장치(100)에 접속할 수 있다.

이하에서는 설명의 편의상, 제1 의뢰자 단말(11) 및 제1 제작자 단말(21)의 동작을 위주로 설명하지만, 제2 의뢰자 단말(12) 등의 다른 의뢰자 단말에서 제1 의뢰자 단말(11)의 동작을 대신 수행하고, 제2 제작자 단말(22) 등의 다른 제작자 단말에서 제1 제작자 단말(21)의 동작을 대신 수행할 수 있는 것은 물론이다.

장치(100)는 장치(100)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(100)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(100)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 장치(100)는 복수의 의뢰자 단말(10) 및 복수의 제작자 단말(20)과 유무선으로 통신하도록 구성될 수 있다.

장치(100)는 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 서비스 제공 플랫폼을 운영할 수 있다. 이때, 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 서비스는 의뢰자의 디자인 작업 비용 추정 요청을 통해 의뢰된 디자인 작품의 작업 비용 정보를 예측할 수 있다.

일실시예에 따르면, 장치(100) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(100)와 별도로 데이터베이스가 구성될 수 있다. 장치(100)는 기계 학습 알고리즘의 수행을 위한 다수의 인공 신경망을 포함할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 의뢰자 단말(10) 중 제1 의뢰자 단말(11) 및 제2 의뢰자 단말(12)만을 도시하고, 복수의 제작자 단말(20) 중 제1 제작자 단말(21) 및 제2 제작자 단말(22)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(100)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

도 2는 일실시예에 따른 인공지능 기반의 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저 S201 단계에서, 장치(100)는 디자인 작업을 의뢰하고자 하는 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 디자인 비용 추정 요청을 수신할 수 있다.

이때, 제1 의뢰자 단말(11)은 디자인 작업 비용 추정 서비스를 의뢰하고자 하는 제1 의뢰자가 사용하는 단말을 의미할 수 있다. 또한, 제1 의뢰 디자인 작품은 제1 의뢰자가 디자인 작업 비용 추정 서비스를 요청한 디자인 작업물일 수 있다. 여기서, 디자인 작업물은 디자이너에 의해 제작된 작업물을 의미할 수 있으며, 예를 들어, 로고, 배너, 포스터, 패키지 및 상세페이지 등에 관한 디자인 작업물일 수 있지만, 이에 한정되지는 않는다.

S202 단계에서, 장치(100)는 복수의 디자인 카테고리들 중 어느 디자인 카테고리에 속하는지 문의하고자 하는 디자인 카테고리 문의 메시지를 제1 의뢰자 단말(11)로 전송할 수 있다.

구체적으로, 장치(100)는 제1 의뢰자 단말(11)로부터 수신한 디자인 작업 비용 추정 요청에 응답하여 제1 의뢰 디자인 작품이 복수의 디자인 카테고리들 중 어느 디자인 카테고리에 속하는지 문의하고자 하는 디자인 카테고리 문의 메시지를 제1 의뢰자 단말(11)로 전송할 수 있다.

장치(100)의 데이터베이스에는 디자인 작품 속할 수 있는 복수의 디자인 카테고리들에 대한 정보가 저장될 수 있다. 여기서, 복수의 디자인 카테고리는 로고, 배너, 포스터, 패키지 및 상세페이지 중 적어도 하나를 포함할 수 있다. 복수의 디자인 카테고리는 실시예에 따라 다르게 설정될 수 있다.

S203 단계에서, 장치(100)는 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 디자인 카테고리 정보를 수신할 수 있다.

구체적으로, 제1 의뢰자의 디자인 비용 요청 수신 시, 장치(100)는 제1 의뢰 디자인 작품의 디자인 카테고리에 대한 정보 입력 페이지를 생성하여 제1 의뢰자 단말(11)로 전송할 수 있으며, 정보 입력 페이지를 통해 제1 의뢰 디자인 작품의 디자인 카테고리에 대한 정보가 입력되면, 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 디자인 카테고리 정보를 획득할 수 있다.

일실시예에 따르면, 장치(100)는 제1 의뢰자 단말(11)로 제1 의뢰 디자인 작품의 디자인 카테고리에 대한 정보를 입력하기 위한 페이지를 제공할 수 있다. 디자인 카테고리 정보를 입력하기 위해 제공된 페이지를 통해 제1 의뢰 디자인 작품에 대한 디자인 카테고리 정보가 입력되면, 장치(100)는 제1 의뢰자 단말(11)로부터 디자인 카테고리 정보를 수신하고, 수신된 디자인 카테고리 정보를 제1 의뢰 디자인 작품의 디자인 카테고리 정보로 추출할 수 있다.

S204 단계에서, 장치(100)는 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품을 제작하는데 레퍼런스가 되는 제1 레퍼런스 이미지를 수신할 수 있다.

구체적으로, 장치(100)는 제1 의뢰 디자인 작품을 제작하는데 레퍼런스가 되는 레퍼런스 이미지를 첨부할 수 있는 레퍼런스 이미지 첨부 페이지를 생성하여 제1 의뢰자 단말(11)로 전송할 수 있으며, 레퍼런스 이미지 첨부 체이지를 통해 제1 의뢰 디자인 작품의 레퍼런스 이미지가 첨부되면, 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 제1 레퍼런스 이미지를 획득할 수 있다.

여기서, 제1 의뢰자는 제1 의뢰자 단말(11)을 통해 레퍼런스 이미지 첨부 페이지에서 제1 레퍼런스 이미지를 첨부하는 경우, 제1 의뢰자 단말(11)에 이미 저장되어 있는 이미지를 첨부할 수도 있고, 첨부하고자 하는 레퍼런스 이미지를 제1 의뢰자 단말(11)에 설치된 카메라를 통해 촬영된 이미지를 첨부할 수도 있다. 제1레퍼런스 이미지를 첨부하는 방법은 이에 한정되지 않고, 실시예에 따라 다양한 방법으로 첨부될 수 있다.

일실시예에 따르면, 장치(100)는 제1 의뢰자 단말(11)로 제1 의뢰 디자인 작품의 제1 레퍼런스 이미지를 첨부하기 위한 페이지를 제공할 수 있다. 제1 레퍼런스 이미지를 입력하기 위해 제공된 페이지를 통해 제1 의뢰 디자인 작품에 대한 제1 레퍼런스 이미지가 첨부되면, 장치(100)는 제1 의뢰자 단말(11)로부터 제1 레퍼런스 이미지를 수신하고, 수신된 제1 레퍼런스 이미지를 제1 의뢰 디자인 작품의 제1 레퍼런스 이미지로 추출할 수 있다.

S205 단계에서, 장치(100)는 제1 입력 신호를 생성할 수 있다.

구체적으로, 장치(100)는 제1 의뢰자 단말(11)로부터 수신한 디자인 카테고리 정보 및 제1 레퍼런스 이미지에 기초하여 제1 입력 신호를 생성할 수 있다. 일실시예에 따르면, 장치(100)는 제1 의뢰자 단말(11)로부터 수신한 디자인 카테고리 정보 및 제1 레퍼런스 이미지를 장치(100)의 데이터베이스로부터 추출할 수 있다. 장치(100)는 추출한 디자인 카테고리 정보 및 제1 레퍼런스 이미지에 기초하여 제1 입력 신호를 생성할 수 있다.

S206 단계에서, 장치(100)는 생성된 제1 입력 신호를 제1 인공신경망(110)에 적용하여 제1 출력 신호를 생성할 수 있다.

여기서, 장치(100)는 트레이닝 디자인 카테고리 정보들, 트레이닝 레퍼런스 이미지들, 제1 출력 신호들 및 트레이닝 작업 비용 정보들을 획득하고, 이에 기초하여 제1 인공신경망(110)을 학습시킬 수 있다. 장치(100)은 미리 학습된 제1 인공신경망(110)에 제1 입력 신호를 적용하여 제1 출력 신호를 생성할 수 있다.

일실시예에 따르면, 장치(100)는 트레이닝 디자인 카테고리 정보들, 트레이닝 레퍼런스 이미지들을 제1 인공신경망(110)에 적용하여 트레이닝 출력들을 획득할 수 있다. 장치(100)는 트레이닝 출력들과 제1 출력 신호들 및 트레이닝 작업 비용 정보들에 기초하여 제1 인공신경망(110)을 학습시킬 수 있다. 장치(100)는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 제1 인공신경망(110) 내 노드들의 연결 관계를 최적화하여 제1 인공신경망(110)을 학습시킬 수 있다. 장치(100)는 학습이 완료된 제1 인공신경망(110)을 이용하여 디자인 카테고리 정보들, 레퍼런스 이미지들로부터 제1 작업 비용을 추출할 수 있다. 제1 인공신경망(110)의 학습하는 과정과 관련된 자세한 설명은 은 도 8을 참조하여 후술하기로 한다.

여기서, 트레이닝 작업 비용 정보들은 트레이닝 디자인 카테고리 정보들 및 트레이닝 레퍼런스 이미지들에 각각 대응하는 작업 비용 정보들일 수 있다. 제1 출력 신호들은 트레이닝 디자인 카테고리 정보들 및 트레이닝 레퍼런스 이미지들에 기초하여 생성된 제1 트레이닝 입력 신호들이 제1 인공신경망(110)에 적용되어 생성된 출력 신호일 수 있다.

S207 단계에서, 장치(100)는 제1 출력 신호에 기초하여 제1 의뢰 디자인 작품에 대응하는 제1 작업 비용 정보를 생성할 수 있다.

도 3은 일실시예에 따른 인공지능 기반의 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스를 제공하는 과정을 설명하기 위한 개념도이다.

일실시예에서, 장치(100)는 제1 의뢰자의 디자인 비용 요청 수신 시, 제1 의뢰 디자인 작품의 디자인 카테고리에 대한 정보 입력 페이지를 생성할 수 있다. 제1 의뢰 디자인 작품의 디자인 카테고리에 대한 정보 입력 페이지는 로고, 배너, 포스터, 패키지 및 상세페이지 중 적어도 하나 이상을 포함하는 디자인 카테고리를 선택할 수 있도록 하는 페이지를 생성할 수 있다. 각각의 디자인 카테고리는 사각형 모양의 버튼 형식으로 표현될 수 있으며, 제1 의뢰자에 의해 선택될 수 있다. 디자인 카테고리가 표현되는 형식은 실시예에 따라 다르게 설정될 수 있다.

그 후, 장치(100)는 제1 의뢰자 단말(11)로 제1 의뢰 디자인 작품의 제1 레퍼런스 이미지를 첨부하기 위한 페이지를 생성할 수 있다. 제1 의뢰자는 제1 의뢰 디자인 작품을 제작하는데 레퍼런스가 되는 레퍼런스 이미지를 첨부할 수 있는 레퍼런스 이미지를 제1 의뢰자 단말(11)을 통해 첨부할 수 있다. 제1 레퍼런스 이미지를 획득한 후, 장치(100)는 제1 의뢰 디자인 작품에 대한 작업 비용을 추정 결과를 나타내는 페이지를 생성할 수 있다. 작업 비용 추정 결과 페이지는 제1 의뢰 디자인 작품에 대한 예상 작업기간 및 예상 작업 비용에 대한 정보를 포함할 수 있지만, 이에 한정되는 것은 아니다.

도 4는 일실시예에 따른 인공지능 기반의 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스를 제공하는 과정을 설명하기 위한 블록도이다.

장치(100)는 제1 의뢰자 단말(11)로부터 디자인 카테고리 정보 및 제1 레퍼런스 이미지를 획득할 수 있다. 장치(100)는 획득한 디자인 카테고리 정보 및 제1 레퍼런스 이미지에 기초하여 제1 입력 신호를 생성하여 제1 인공신경망(110)에 적용하여 제1 출력 신호를 생성할 수 있다.

여기서, 장치(100)는 트레이닝 디자인 카테고리 정보들 및 트레이닝 레퍼런스 이미지들에 기초하여 제1 트레이닝 입력 신호들을 생성하고, 제1 트레이닝 입력 신호들을 제1 인공신경망(110)에 적용하여 제1 출력 신호들을 생성할 수 있다. 제1 출력 신호들을 생성하면, 장치(100)는 제1 출력 신호에 기초하여 제1 의뢰 디자인 작품에 대응하는 제1 작업 비용 정보를 생성할 수 있다.

도 5는 일실시예에 따른 인공지능 기반의 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스의 실시예1을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저 S501 단계에서, 장치(100)는 제1 레퍼런스 이미지들로부터 배경을 추출할 수 있다.

구체적으로, 장치(100)는 미리 정의된 유사 범위의 패턴이 전체 이미지 내에서 반복되는지 여부에 따라 제1 레퍼런스 이미지로부터 배경을 추출할 수 있다.

일실시예에 따르면, 장치(100)는 미리 정의된 유사 범위의 패턴이 전체 이미지 내에서 반복되는 경우, 반복되는 패턴을 제1 레퍼런스 이미지의 배경으로 추출할 수 있다. 여기서, 미리 정의된 유사 범위는 실시예에 따라 상이하게 설정될 수 있다.

S502 단계에서, 장치(100)는 추출된 배경을 제2 인공신경망(120)에 적용하여 배경 카테고리 정보를 생성할 수 있다.

구체적으로, 제2 인공신경망(120)은 입력된 이미지를 실사, 일러스트 및 캐릭터 중 어느 하나로 분류하는 인공지능모델일 수 있다. 제2 인공신경망(120)은 트레이닝 이미지들, 제2 출력 신호들 및 트레이닝 이미지 카테고리 정보들에 기초하여 미리 학습될 수 있다.

S503 단계에서, 장치(100)는 배경의 픽셀값들의 변화도에 기초하여 배경 난이도를 생성할 수 있다.

일실시예에 따르면, 장치(100)는 제1 레퍼런스 이미지로부터 추출된 배경의 픽셀값들을 획득할 수 있다. 장치(100)는 획득된 배경의 픽셀값들의 변화도에 따라 배경 난이도를 생성할 수 있다. 예를 들어, 픽셀값들의 변화도가 많을수록 배경 난이도를 높은 등급으로 설정할 수 있다. 픽셀값들의 변화도에 기초하여 배경 난이도를 생성하는 과정은 도 7을 참조하여 후술하기로 한다.

S504 단계에서, 장치(100)는 배경 요소 정보를 생성할 수 있다. 구체적으로, 장치(100)는 제1 레퍼런스 이미지 내 배경이 차지하는 비율을 산출하고, 제1 레퍼런스 이미지 내 배경이 차지하는 비율을 배경 카테고리 정보 및 배경 난이도에 적용하여 배경 요소 정보를 생성할 수 있다.

여기서, 배경 카테고리 정보는 실사, 일러스트 및 캐릭터 중 어느 하나일 수 있지만, 실시예에 따라 다르게 설정될 수 있다.

S505 단계에서, 장치(100)는 제1 레퍼런스 이미지로부터 미리 정의된 언어의 적어도 하나의 텍스트를 추출할 수 있다.

일실시예에 따르면, 장치(100)는 제1 레퍼런스 이미지로부터 미리 정의된 언어 별로 적어도 하나의 텍스트를 추출할 수 있다. 예를 들어, 미리 정의된 언어는 한국어, 아라비아 숫자, 로마 숫자, 한자, 영어 중 적어도 하나 이상을 포함할 수 있으며, 이에 한정되지는 않는다.

S506 단계에서, 장치(100)는 추출된 텍스트를 제3 인공신경망(130)에 적용하여 폰트 정보를 생성할 수 있다.

구체적으로, 제3 인공신경망(130)은 입력된 텍스트를 캘리그래피, 기 등록 유로 폰트, 기 등록 무료 폰트 및 새로운 폰트 중 어느 하나로 분류하는 인공지능모델일 수 있다. 제3 인공신경망(130)은 트레이닝 텍스트들, 제3 출력 신호들 및 트레이닝 폰트 정보들에 기초하여 미리 학습될 수 있다.

S507 단계에서, 장치(100)는 추출된 텍스트의 적어도 하나 이상의 텍스트 색상 및 텍스트 색상 별 비율을 생성할 수 있다.

S508 단계에서, 장치(100)는 텍스트 요소 정보를 생성할 수 있다. 구체적으로, 장치(100)는 추출된 텍스트의 글자수, 언어, 폰트 정보, 텍스트 색상 및 텍스트 색상 별 비율을 산출하고, 추출된 텍스트의 글자수, 언어, 폰트 정보, 텍스트 색상 및 텍스트 색상 별 비율에 기초하여 텍스트 요소 정보를 생성할 수 있다.

S509 단계에서, 장치(100)는 제1 레퍼런스 이미지로부터 적어도 하나 이상의 디자인 객체를 추출할 수 있다.

구체적으로, 장치(100)는 제1 레퍼런스 이미지로부터 추출된 배경 및 추출된 텍스트를 제외한 나머지의 적어도 하나의 디자인 객체를 추출할 수 있다.

S510 단계에서, 장치(100)는 추출된 디자인 객체를 제2 인공신경망(120)으로 적용하여 디자인 객체의 디자인 객체 카테고리 정보를 생성할 수 있다.

여기서, 디자인 객체의 디자인 객체 카테고리는 실사, 일러스트 및 캐릭터 중 어느 하나일 수 있지만, 실시예에 따라 다르게 설정될 수 있다.

S511 단계에서, 장치(100)는 디자인 객체의 픽셀값들의 변화도에 기초하여 디자인 객체 난이도를 생성할 수 있다.

일실시예에 따르면, 장치(100)는 제1 레퍼런스 이미지로부터 추출된 디자인 객체의 픽셀값들을 획득할 수 있다. 장치(100)는 획득된 디자인 객체의 픽셀값들의 변화도에 따라 디자인 객체 난이도를 생성할 수 있다. 예를 들어, 픽셀값들의 변화도가 많을수록 디자인 객체 난이도를 높은 등급으로 설정할 수 있다.

S512 단계에서, 장치(100)는 디자인 객체 요소 정보를 생성할 수 있다. 구체적으로, 장치(100)는 제1 레퍼런스 이미지 내 디자인 객체가 차지하는 비율을 산출하고, 제1 레퍼런스 이미지 내 디자인 객체가 차지하는 비율을 디자인 객체 카테고리 정보 및 디자인 객체 난이도에 적용하여 디자인 객체 요소 정보를 생성할 수 있다.

S513 단계에서, 장치(100)는 디자인 카테고리 정보, 배경 요소 정보, 텍스트 요소 정보 및 디자인 객체 요소 정보에 기초하여 제1 입력 신호를 생성할 수 있다.

S514 단계에서, 장치(100)는 S513 단계에서 생성된 제1 입력 신호를 제1 인공신경망(110)에 적용하여 제1 출력 신호를 생성할 수 있다.

도 6은 일실시예에 따른 제1 입력 신호를 생성하는 과정을 설명하기 위한 개념도이다.

장치(100)는 제1 레퍼런스 이미지로부터 추출된 배경을 제2 인공신경망(120)에 적용하여 배경의 배경 카테고리 정보를 생성할 수 있다. 일실시예에 따르면, 장치(100)는 도 6에 도시된 제1 의뢰 디자인 작품의 배경을 추출하고, 추출된 배경을 제2 인공신경망(120)에 적용하여 배경의 배경 카테고리 정보를 생성할 수 있다. 예를 들어, 장치(100)는 제1 의뢰 디자인 작품의 배경의 배경 카테고리 정보를 일러스트로 생성할 수 있다.

일실시예에 따르면, 제1 의뢰 디자인 작품의 배경 카테고리 정보가 일러스트이고, 배경 난이도가 1등급이고, 배경이 차지하는 비율이 50%인 경우, 배경 카테고리 정보 및 배경 난이도에 배경이 차지하는 비율을 적용하여 배경 요소 정보를 생성할 수 있다.

장치(100)는 제1 레퍼런스 이미지로부터 추출된 텍스트 정보를 제3 인공신경망(130)에 적용하여 추출된 텍스트의 폰트 정보를 생성할 수 있다. 일실시예에 따르면, 장치(100)는 추출된 텍스트를 통해 글자수, 언어, 폰트 정보, 텍스트 색상 정보를 획득할 수 있다.

일실시예에 따르면, 장치(100)는 도 6에 도시된 제1 의뢰 디자인 작품의 텍스트를 추출하고, 추출된 텍스트를 제3 인공신경망(130)에 적용하여 텍스트 요소 정보를 생성할 수 있다.

장치(100)는 제1 레퍼런스 이미지로부터 추출된 배경 및 추출된 텍스트를 제외한 나머지의 적어도 하나의 추출된 디자인 객체를 제2 인공신경망(120)에 적용하여 디자인 객체 요소 정보를 생성할 수 있다. 일실시예에 따르면, 장치(100)는 도 6에 도시된 제1 의뢰 디자인 작품의 디자인 객체를 추출하고, 추출된 디자인 객체를 제2 인공신경망(120)에 적용하여 디자인 객체의 디자인 객체 요소 정보를 생성할 수 있다. 예를 들어, 장치(100)는 제1 의뢰 디자인 작품의 디자인 객체 요소 정보를 캐릭터로 생성할 수 있다.

장치(100)는 배경 요소 정보, 텍스트 요소 정보 및 디자인 객체 요소 정보에 기초하여 제1 입력 신호를 생성할 수 있다.

도 7은 일실시예에 따른 배경의 픽셀값들의 변화도에 따른 배경 난이도 및 디자인 객체 난이도를 생성하는 과정을 설명하기 위한 도면이다.

도 7에 도시된 바와 같이, 장치(100)는 제1 레퍼런스 이미지로부터 배경을 추출하여 배경의 픽셀값들의 변화도에 기초하여 배경 난이도를 생성할 수 있다.

일실시예에 따르면, 장치(100)는 제1 레퍼런스 이미지로부터 추출된 배경의 픽셀 위치에 따른 픽셀값에 대한 그래프를 생성할 수 있다. 픽셀 위치에 따른 픽셀값에 대한 그래프는 선 그래프, 막대 그래프 등의 형태로 설정될 수 있으나, 실시예에 따라 다르게 설정될 수 있다.

이때, 픽셀값은 이미지의 색 정보(RGB) 및 휘도 정보로 설정될 수 있으나, 실시예에 따라 다르게 설정될 수 있다.

일실시예에 따르면, 장치(100)는 제1 레퍼런스 이미지로부터 얻어진 픽셀값들에 대한 그래프를 생성할 수 있다. 생성된 그래프의 x축은 픽셀 위치, y축은 픽셀값으로 설정될 수 있다. 장치(100)는 픽셀값들의 변화도에 따라 배경 난이도를 설정할 수 있다. 이때, 픽셀값들의 변화도가 높을수록 배경 난이도를 높은 등급으로 설정할 수 있다.

예를 들어, 도 7에 도시된 그래프 (a)의 변화도가 변화도-1등급이고, 그래프 (b)의 변화도가 변화도-2등급으로 설정한 경우, 장치(100)는 각각 변화도에 대응하는 난이도 등급을 설정할 수 있다. 장치(100)는 그래프 (a)의 배경 난이도를 난이도-1등급, 그래프 (b)의 배경 난이도를 난이도-2등급으로 생성할 수 있다.

다른 실시예에 따르면, 장치(100)는 제1 레퍼런스 이미지로부터 디자인 객체를 추출하여 디자인 객체의 픽셀값들의 변화도에 기초하여 배경 난이도를 생성할 수 있다. 장치(100)는 제1 레퍼런스 이미지로부터 얻어진 픽셀값들에 대한 그래프를 생성할 수 있다. 생성된 그래프의 x축은 픽셀 위치, y축은 픽셀값으로 설정될 수 있다. 장치(100)는 픽셀값들의 변화도에 따라 디자인 객체 난이도를 설정할 수 있다. 이때, 픽셀값들의 변화도가 높을수록 디자인 객체 난이도를 높은 등급으로 설정할 수 있다.

도 8은 일실시예에 따른 제1 인공신경망(110)의 학습을 설명하기 위한 도면이다.

도 8에 도시한 바와 같이, 장치(100)는 작업 비용 정보의 추출을 위하여 제1 인공신경망(110)을 학습시킬 수 있다.

제1 인공신경망(110)은 제1 뉴럴 네트워크(114), 트레이닝 샘플들이 입력되는 제1 입력 레이어(112)와 트레이닝 출력들을 출력하는 제1 출력 레이어(116)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 디자인 카테고리 정보들, 레퍼런스 이미지들, 디자인 카테고리 정보들 및 레퍼런스 이미지들에 각각 대응하는 작업 비용 정보들에 기초하여 정의될 수 있다. 제1 뉴럴 네트워크(114)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

장치(100)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제1 뉴럴 네트워크(114)를 학습시킬 수 있다. 장치(100)는 제1 뉴럴 네트워크(114)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.

장치(100)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 뉴럴 네트워크(114) 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(100)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제1 뉴럴 네트워크(114) 내 노드들 사이의 관계들이다. 장치(100)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(100)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일 실시예에 따르면, 장치(100)는 트레이닝 디자인 카테고리 정보들 및 트레이닝 레퍼런스 이미지들을 획득하고, 트레이닝 디자인 카테고리 정보들 및 트레이닝 레퍼런스 이미지들에 기초하여 제1 트레이닝 입력 신호들을 생성할 수 있다. 장치(100)는 제1 트레이닝 입력 신호들로부터 제1 출력 신호들을 생성할 수 있다.

일실시예에 따르면, 제1 인공신경망(110)은 트레이닝 디자인 카테고리 정보들, 트레이닝 레퍼런스 이미지들, 제1 출력 신호들 및 트레이닝 작업 비용 정보들에 기초하여 미리 학습될 수 있다. 제1 인공신경망(110)는 제1 출력 신호들 및 트레이닝 작업 비용 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.

다른 실시예에 따르면, 제1 인공신경망(110)은 디자인 카테고리 정보, 배경 요소 정보, 텍스트 요소 정보 및 디자인 객체 요소 정보에 기초하여 생성된 제1 입력 신호를 적용하여, 제1 출력 신호를 생성할 수 있다.

도 9는 일실시예에 따른 제2 인공신경망(120)의 학습을 설명하기 위한 도면이다.

도 9에 도시한 바와 같이, 장치(100)는 배경 요소 정보 및 디자인 객체 요소 정보의 추출을 위하여 제2 인공신경망(120)을 학습시킬 수 있다.

제2 인공신경망(120)은 제2 뉴럴 네트워크(124), 트레이닝 샘플들이 입력되는 제1 입력 레이어(122)와 트레이닝 출력들을 출력하는 제2 출력 레이어(126)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 레퍼런스 이미지들에 기초하여 정의될 수 있다. 제2 뉴럴 네트워크(124)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

장치(100)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제2 뉴럴 네트워크(124)를 학습시킬 수 있다. 장치(100)는 제2 뉴럴 네트워크(124)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.

장치(100)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 뉴럴 네트워크(124) 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(100)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제2 뉴럴 네트워크(124) 내 노드들 사이의 관계들이다. 장치(100)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(100)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일실시예에 따르면, 제2 인공신경망(120)은 입력된 이미지를 실사, 일러스트 및 캐릭터 중 어느 하나로 분류하는 인공지능모델일 수 있다. 제2 인공신경망(120)은 트레이닝 이미지들, 제2 출력 신호들 및 트레이닝 이미지 카테고리 정보들에 기초하여 미리 학습될 수 있다. 장치(100)는 제2 인공신경망(120)에 제1 레퍼런스 이미지로부터 추출된 배경을 제2 인공신경망(120)에 적용함으로써, 제2 출력 신호들을 생성할 수 있다. 장치(100)는 제2 인공신경망(120)을 통해 배경의 배경 카테고리 정보를 생성할 수 있다.

다른 실시예에 따르면, 장치(100)는 제2 인공신경망(120)에 제1 레퍼런스 이미지로부터 추출된 디자인 객체를 제2 인공신경망(120)에 적용함으로써, 제2 출력 신호들을 생성할 수 있다. 장치(100)는 제2 인공신경망(120)을 통해 디자인 객체 요소 정보를 생성할 수 있다.

일실시예에 따르면, 제2 인공신경망(120)은 트레이닝 이미지들, 제2 출력 신호들 및 트레이닝 이미지 카테고리 정보들에 기초하여 미리 학습될 수 있다. 제2 인공신경망(120)은 제2 출력 신호들 및 트레이닝 이미지 카테고리 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.

도 10은 일실시예에 따른 제3 인공신경망(130)의 학습을 설명하기 위한 도면이다.

도 10에 도시한 바와 같이, 장치(100)는 텍스트 요소 정보의 추출을 위하여 제3 인공신경망(130)을 학습시킬 수 있다.

제3 인공신경망(130)은 제3 뉴럴 네트워크(134), 트레이닝 샘플들이 입력되는 제1 입력 레이어(132)와 트레이닝 출력들을 출력하는 제3 출력 레이어(136)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 트레이닝 텍스트들에 각각 대응하는 텍스트의 폰트 정보들에 기초하여 정의될 수 있다. 제3 뉴럴 네트워크(134)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

장치(100)는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 제3 뉴럴 네트워크(134)를 학습시킬 수 있다. 장치(100)는 제3 뉴럴 네트워크(134)의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.

장치(100)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 제3 뉴럴 네트워크(134) 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(100)는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제3 뉴럴 네트워크(134) 내 노드들 사이의 관계들이다. 장치(100)는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 장치(100)는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일실시예에 따르면, 제3 인공신경망(130)은 입력된 텍스트를 캘리그래피, 기 등록 유로 폰트, 기 등록 무료 폰트 및 새로운 폰트 중 어느 하나로 분류하는 인공지능모델일 수 있다. 제3 인공신경망(130)은 트레이닝 텍스트들, 제3 출력 신호들 및 트레이닝 폰트 정보들에 기초하여 미리 학습될 수 있다. 장치(100)는 제3 인공신경망(130)에 제1 레퍼런스 이미지로부터 추출된 텍스트를 제3 인공신경망(130)에 적용함으로써, 제3 출력 신호들을 생성할 수 있다. 장치(100)는 제3 인공신경망(130)을 통해 텍스트의 폰트 정보를 생성할 수 있다.

일실시예에 따르면, 제3 인공신경망(130)은 트레이닝 텍스트들, 제3 출력 신호들 및 트레이닝 폰트 정보들에 기초하여 미리 학습될 수 있다. 제3 인공신경망(130)은 제3 출력 신호들 및 트레이닝 폰트 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습될 수 있다.

도 11은 본 발명의 실시예 2에 따른 제1 인공신경망(110)을 설명하기 위한 도면이다.

일실시예에 따르면, 장치(100)는 디자인 카테고리 정보, 배경 요소 정보, 텍스트 요소 정보 및 디자인 객체 요소 정보에 기초하여 제1 입력 신호를 생성할 수 있으며, 제1 인공신경망(110)은 제1 입력 신호를 입력으로 하고, 유사 이미지 및 유사 이미지의 유사 이미지 작업 비용을 포함하는 제1 출력 신호를 생성할 수 있다.

일실시예에 따른 기 등록된 이미지들은 각각의 이미지들의 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 인공신경망(110)은 컨볼루션 신경망으로 구현되어, 제1 인공신경망(110)은 특징 추출 신경망(111)과 분류 신경망(113)으로 구성될 수 있으며, 특징 추출 신경망(111)은 장치(100)의 데이터베이스에 기 등록된 이미지에서 배경, 텍스트 및 디자인 객체를 분리하는 작업을 수행할 수 있으며, 분류 신경망(113)은 그로부터 이미지를 종류별로 분류하고, 제1 레퍼런스 이미지와 가장 유사한 유사 이미지를 추출할 수 있다. 분류 신경망(113)는 유사 이미지 별로 각각의 작업 비용을 파악하는 작업을 수행하도록 할 수 있다.

일실시예에 따르면, 특징 추출 신경망(111)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(113)은 특징 추출 신경망(111)을 통해 이미지에서 분리된 배경, 텍스트 및 디자인 객체를 그 형태 및 연속성에 따라 종류를 구분하고, 이미지를 종류별로 분류하여 유사 이미지를 파악할 수 있다. 이미지의 비교를 위해 데이터베이스에 저장된 정보들을 활용할 수 있다. 분류 신경망(113)은 이미지의 종류를 파악하는 작업을 우선으로 하며, 파악된 유사 이미지의 종류에 따라 유사 이미지의 작업 비용 파악을 용이하도록 할 수 있다.

일실시예에 따르면, 분류 신경망(113)은 은닉층과 출력층을 가지고 있다. 장치(100) 내의 제1 인공신경망(110)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. 제1 인공신경망(110)의 출력층 노드는 총 50개로 할 수 있다.

일실시예에 따른 제1 인공신경망(110)의 출력은 출력층의 50개 노드 중 상위 25개의 노드는 유사 이미지를 지시할 수 있고, 하위 25개의 노드는 상위 노드에 각각 대응하는 유사 이미지의 작업 비용을 지시할 수 있다. 상위 25개의 노드와 하위 25개의 노드를 대응시키는 방식은 상위 n번째 노드와 하위 n번째 노드를 대응시키는 방식으로, 전체에서 n번째 노드가 전체에서 25+n번째 노드에 대응하는 방식으로 진행될 수 있다. 예를 들어, 1번째 노드는 26번째 노드에 대응하며, 2번째 노드는 27번째 노드에, 10번째 노드는 35번째 노드에, 25번 재 노드는 50번째 노드에 대응하는 방식으로 진행될 수 있다. 유사 이미지의 작업 비용은 유사 이미지에 대응하는 코드 정보로 출력될 수 있으나, 이에 국한하지 않는다. 제1 인공신경망(110)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 유사 이미지가 없는 것으로 간주될 수 있다. 만약 분류된 유사 이미지가 25개 이상일 경우, 남은 유사 이미지들은 미리 생성한 출력값이 모두 처리된 후 이어서 자동으로 처리될 수 있다.

일실시예에 따른 제1 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제1 학습 신호에 의해 제1 인공신경망(110)은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.

일실시예에 따르면, 장치(100)는 제1 인공신경망(110)을 이용하여, 기 등록된 이미지들 중에서 제1 레퍼런스 이미지와 가장 유사한 유사 이미지 및 유사 이미지의 유사 이미지 작업 비용을 포함하는 제1 출력 신호를 생성할 수 있다. 장치(100)는 생성된 제1 출력 신호에 포함된 유사 이미지 작업 비용에 디자인 카테고리 정보를 적용하여 제1 작업 비용 정보를 생성할 수 있다.

도 12는 본 발명의 실시예 3에 따른 과정을 설명하기 위한 순서도이다.

도 12를 참조하면, 먼저 S1201 단계에서, 장치(100)는 미리 정의된 디자인 유형들 중에서 제1 의뢰 디자인 작품이 포함되는 디자인 유형을 식별할 수 있다. 여기서, 디자인 유형은 로고, 배너, 포스터, 패키지 및 상세페이지 중 적어도 하나를 포함할 수 있으며, 이에 한정되지는 않는다.

S1202 단계에서, 장치(100)는 미리 정의된 카테고리들 중에서 제1 의뢰 디자인 작품이 포함되는 카테고리를 식별할 수 있다. 여기서, 카테고리는 전시, 교육, 기념일, 채용, 공연, 광고, 공익, 공모전 중 적어도 하나 이상을 포함할 수 있으며, 이에 한정되지는 않는다.

S1203 단계에서, 장치(100)는 제1 의뢰 디자인 작품의 디자인 유형 및 제1 의뢰 디자인 작품의 카테고리에 대응하는 제1 비용 정보를 획득할 수 있다. 일실시예에 따르면 제1 의뢰 디자인 작품의 디자인 유형이 포스터이고, 제1 의뢰 디자인 작품의 카테고리가 전시인 경우, 장치(100)는 포스터 유형 및 전시 카테고리에 대응하는 제1 비용 정보를 획득할 수 있다.

S1204 단계에서, 장치(100)는 제1 의뢰 디자인 작품으로부터 제1 의뢰 디자인 작품의 제1 디자인 기술 요소들을 추출할 수 있다. 여기서, 제1 디자인 기술 요소들은 제1 의뢰 디자인 작품에 적용된 디자인 기술 요소들을 의미할 수 있으며, 예를 들어, 실사, 일러스트 및 캐릭터 중 어느 하나 이상을 포함할 수 있다.

S1205 단계에서, 장치(100)는 제1 디자인 기술 요소들에 대응하는 가격 정보들을 획득할 수 있다.

일실시예에 따르면, 제1 의뢰 디자인 작품이 제1 기술 요소로 제작된 경우, 제1 기술 요소의 미리 설정된 난이도에 대응하는 제1 가중치를 생성할 수 있다.

S1206 단계에서, 장치(100)는 생성된 제1 가중치를 제1 디자인 기술 요소의 가격 정보에 적용하여 제1 디자인 요소의 난이도에 따라 제1 의뢰 디자인 작품의 디자인 기술 요소 비용을 산출하여 제2 비용 정보를 획득할 수 있다.

즉, 장치(100)는 제1 의뢰 디자인 작품에 적용된 디자인 기술 요소들의 난이도가 높을수록 제1 가중치를 높게 설정하고, 제1 가중치를 제1 디자인 기술 요소의 가격 정보에 적용하여 제2 비용 정보를 획득할 수 있다.

S1207 단계에서, 장치(100)는 제1 의뢰자 단말(11)로부터 입력된 제1 의뢰 디자인 작품의 기본 정보로부터, 제1 제작자의 기본 정보를 획득할 수 있다.

여기서, 제1 의뢰 디자인 작품의 기본 정보는 제1 의뢰 디자인 작품의 제작자, 제작 시기, 제작 기간, 디자인 유형, 가격 중 적어도 하나 이상을 포함할 수 있다. 제1 제작자의 기본 정보는 제1 제작자의 이름, 나이, 학력, 전공, 경력, 작품 수, 전시 경험 횟수 중 적어도 하나 이상을 포함할 수 있으며, 이에 한정되지는 않는다.

S1208 단계에서, 장치(100)는 제1 제작자의 경력 정보 및 제1 의뢰 디자인 작품을 제작하는데 소요된 제작 시간 정보를 추출하여, 제1 제작자의 경력 정보에 대응하는 제3 비용 정보를 획득할 수 있다. 여기서, 제1 제작자의 경력 정보는 제1 제작자의 학력, 전공, 작품 수, 전시 경험 횟수 등에 대한 정보를 포함할 수 있으며, 이에 한정되지는 않는다.

일실시예에 따르면, 장치(100)는 제작 시간 정보로부터 미리 설정된 제작 시간에 대응하는 제2 가중치를 생성할 수 있다.

S1209 단계에서, 장치(100)는 생성된 제2 가중치를 제3 비용 정보에 적용하여 제작 시간에 따라 제1 의뢰 디자인 작품의 인건비 비용을 산출하여 제4 비용 정보를 획득할 수 있다.

S1210 단계에서, 장치(100)는 획득된 제1 비용 정보, 제2 비용 정보 및 제4 비용 정보를 합산하여, 제1 의뢰 디자인 작품의 제1 작업 비용 정보를 생성할 수 있다.

S1211 단계에서, 장치(100)는 제1 의뢰 디자인 작품의 제1 작업 비용 정보에 대한 제1 견적서 생성하여, 생성된 제1 견적서를 제1 의뢰자 단말(11)로 전송할 수 있다.

도 13은 일실시예에 따른 의뢰 디자인 작품의 원본 필요 여부를 판단하는 과정을 설명하기 위한 순서도이다.

도 13을 참조하면, 먼저 S1301 단계에서, 장치(100)는 제1 제작자 단말(21)로부터 제1 제작자가 제1 의뢰 디자인 작품을 판매할 의사가 있는지 여부를 판단할 수 있다.

일실시예에 따르면, 장치(100)는 제1 제작자가 제1 의뢰 디자인 작품을 판매할 의사가 있는지 여부를 판단하기 위해 제1 제작자 단말(21)로 제1 의뢰 디자인 작품을 판매할 의사가 있는지 여부에 대한 문의 메시지를 전송할 수 있다.

S1302 단계에서, 제1 제작자가 제1 의뢰 디자인 작품을 판매할 의사가 있는 경우, S1303 단계에서, 장치(100)는 디자인 작업물을 판매하는 페이지인 제1 페이지에 제1 의뢰 디자인 작품의 기본 정보 및 제1 의뢰 디자인 작품을 등록할 수 있다.

여기서, 제1 의뢰 디자인 작품의 기본 정보는 제1 의뢰 디자인 작품을 판매하기 위해 필요한 정보일 수 있으며, 예를 들어, 제1 의뢰 디자인 작품의 작품 명, 디자인 카테고리, 제작 기간, 제작자의 이름, 판매 가격 등에 대한 정보를 포함할 수 있다.

S1302 단계에서, 제1 제작자가 제1 의뢰 디자인 작품을 판매할 의사가 없는 경우, 장치(100)는 S1301 단계로 되돌아가, 제1 제작자 단말(21)로부터 제1 제작자가 제1 의뢰 디자인 작품을 판매할 의사가 있는지 여부를 다시 판단할 수 있다.

S1304 단계에서, 장치(100)는 제1 의뢰자에 대응하는 제1 의뢰자 계정이 로그인된 제1 의뢰자 단말(11)로 제1 의뢰 디자인 작품의 구매 의사가 있는지 여부에 대한 구매 의사 문의 메시지를 전송할 수 있다.

S1304 단계에서, 제1 의뢰자의 제1 의뢰 디자인 작품의 구매 의사가 있는 경우, S1305 단계에서, 장치(100)는 제1 의뢰자가 제1 의뢰 디자인 작품의 원본인 제1 원본의 구매를 원하는지 여부를 판단할 수 있다.

S1305 단계에서, 제1 의뢰자가 제1 의뢰 디자인 작품의 원본인 제1 원본의 구매 의사가 있는 경우, S1306 단계에서, 장치(100)는 제1 템플릿을 생성할 수 있다. 여기서, 제1 템플릿은 제1 원본으로부터 제1 의뢰 디자인 작품의 제1 디자인 기술 요소들이 포함되면서, 제1 디자인 기술 요소들을 변경 가능하도록 제작된 디자인 작업물일 수 있다.

S1307 단계에서, 장치(100)는 생성된 제1 템플릿 및 제1 원본을 제1 의뢰자 단말(11)로 전송할 수 있다.

S1305 단계에서, 제1 의뢰자가 제1 의뢰 디자인 작품의 원본인 제1 원본의 구매 의사가 없는 경우, S1308 단계에서, 장치(100)는 제1 의뢰자 단말(11)로 제1 의뢰 디자인 작품을 전송할 수 있다.

S1304 단계에서, 제1 의뢰자의 제1 의뢰 디자인 작품의 구매 의사가 없는 경우, S1309 단계에서, 장치(100)는 제1 의뢰자 단말(11)로 새로운 작품인 제2 작품의 제작 필요 여부에 대한 작품 제작 필요 문의 메시지를 전송할 수 있다.

도 14는 일실시예에 따른 레퍼런스 이미지의 가치를 산출하는 과정을 설명하기 위한 순서도이다.

도 14를 참조하면, 먼저 S1401 단계에서, 장치(100)는 기 등록된 이미지들 중에서 제1 레퍼런스 이미지가 포함되는 카테고리에 속해 있는 동일 카테고리 이미지들을 추출할 수 있다.

예를 들어, 제1 레퍼런스 이미지가 포스터 카테고리에 포함되어 있는 경우, 장치(100)는 기 등록된 이미지들 중에서 포스터 카테고리에 속해 있는 동일 카테고리 이미지들을 추출할 수 있다.

S1402 단계에서, 장치(100)는 동일 카테고리 이미지들 중에서 제1 레퍼런스 이미지와 유사도가 미리 설정된 제1 기준치 이상인 유사 이미지들의 거래 내역에서 거래된 횟수를 추출할 수 있다. 여기서, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.

구체적으로, 장치(100)는 제1 레퍼런스 이미지와 동일 카테고리 이미지들의 배경 요소 정보 비교, 텍스트 요소 정보 비교 및 디자인 객체 요소 정보 비교 등을 통해 제1 레퍼런스 이미지와의 유사도를 산출할 수 있다. 장치(100)는 산출된 유사도가 미리 설정된 제1 기준치 이상인 이미지들을 유사 이미지들로 추출할 수 있다. 장치(100)는 장치(100)의 데이터베이스로부터 유사 이미지들의 거래 내역을 획득하고, 거래 내역에서 거래된 횟수를 추출할 수 있다.

S1403 단계에서, 장치(100)는 유사 이미지들의 거래된 횟수가 기 등록된 이미지의 거래된 횟수에서 차지하는 비율인 유사 이미지 거래 비율을 산출할 수 있다.

S1404 단계에서, 장치(100)는 유사 이미지 거래 비율이 미리 설정된 제2 기준치보다 높은 지 여부를 판단할 수 있다.

S1404 단계에서, 유사 이미지 거래 비율이 제2 기준치 이상인 경우, S1405 단계에서, 장치(100)는 유사 이미지들의 조회 내역에서 유사 이미지 조회수를 추출하고, 추출된 유사 이미지 조회수가 미리 설정된 제3 기준치보다 높은 지 여부를 판단할 수 있다.

S1405 단계에서, 유사 이미지 조회수가 미리 설정된 제3 기준치 이상인 경우, S1406 단계에서, 장치(100)는 제1 레퍼런스 이미지의 가치를 1등급으로 선정할 수 있다. 즉, 유사 이미지 거래 비율이 제2 기준치 이상이면서, 유사 이미지 조회수가 제3 기준치 이상인 경우, 장치(100)는 제1 등급을 제1 레퍼런스 이미지의 가치로 선정할 수 있다.

S1405 단계에서, 유사 이미지 조회수가 미리 설정된 제3 기준치 이하인 경우, S1407 단계에서, 장치(100)는 제1 레퍼런스 이미지의 가치를 1등급보다 낮은 2등급으로 선정할 수 있다. 즉, 유사 이미지 거래 비율이 제2 기준치 이상이면서, 유사 이미지 조회수가 제3 기준치 이하인 경우, 장치(100)는 제2 등급을 제1 레퍼런스 이미지의 가치로 선정할 수 있다.

S1404 단계에서, 유사 이미지 거래 비율이 제2 기준치 이상인 경우, S1408 단계에서, 장치(100)는 제1 레퍼런스 이미지의 가치를 2등급보다 낮은 3등급으로 선정할 수 있다. 즉, 유사 이미지 거래 비율이 제2 기준치 이하이면서, 유사 이미지 조회수가 제3 기준치 이하인 경우, 장치(100)는 제3 등급을 제1 레퍼런스 이미지의 가치로 선정할 수 있다.

도 15은 일실시예에 따른 의뢰 디자인 작품의 집중 시간을 산출하여 의뢰자의 허용 범위를 설정하는 과정을 설명하기 위한 순서도이다.

도 15를 참조하면, 먼저, S1501 단계에서, 장치(100)는 제1 의뢰자 단말(11)로부터 디자인 작품을 제공하는 웹 사이트에 대한 접속 요청을 수신할 수 있다.

S1502 단계에서, 장치(100)는 웹 사이트에 대한 접속 요청에 따라, 웹 사이트에 접속되도록 처리하여, 웹 사이트의 홈 페이지를 제1 의뢰자 단말(11)로 제공하고, 홈 페이지가 제1 의뢰자 단말(11)의 화면에 표시되도록, 제1 의뢰자 단말(11)의 동작을 제어할 수 있다.

S1503 단계에서, 장치(100)는 제1 의뢰자 계정을 확인하여, 제1 의뢰자 정보를 획득할 수 있다. 이때, 장치(100)는 제1 의뢰자 단말(11)에 로그인 되어 있는 제1 의뢰자 계정을 확인하고, 제1 의뢰자 계정을 통해 데이터베이스에 저장된 의뢰자 정보를 조회하여, 데이터베이스로부터 제1 의뢰자 정보를 획득할 수 있다. 여기서, 제1 의뢰자 정보는 제1 의뢰자에 대한 의뢰자 정보로, 제1 의뢰자의 프로파일 정보, 디자인 작품 조회 내역, 및 디자인 작품 구매 내역 등을 포함할 수 있다.

S1504 단계에서, 장치(100)는 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 조회 요청을 수신할 수 있다.

구체적으로, 장치(100)는 제1 의뢰자 단말(11)의 화면에 표시된 홈 페이지 상에서 디자인 작품 중 어느 하나인 제1 의뢰 디자인 작품의 대표 이미지가 클릭되면, 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 조회 요청을 수신할 수 있다. 예를 들어, 제1 의뢰 디자인 작품의 대표 이미지는 제1 의뢰 디자인 작품의 이미지이고, 제1 의뢰 디자인 작품에 대한 조회 요청은 제1 의뢰 디자인 작품의 상세 정보를 조회하는 것에 대한 요청일 수 있다.

S1505 단계에서, 장치(100)는 제1 의뢰 디자인 작품을 확인하여, 제1 의뢰 디자인 작품 정보를 획득할 수 있다. 이때, 장치(100)는 제1 의뢰 디자인 작품에 대한 조회 요청을 통해 제1 의뢰 디자인 작품을 확인하고, 데이터베이스에 저장된 디자인 작품 정보를 조회하여, 데이터베이스로부터 제1 의뢰 디자인 작품 정보를 획득할 수 있다. 여기서, 제1 의뢰 디자인 작품 정보는 제1 의뢰 디자인 작품에 대한 디자인 작품 정보로, 제1 의뢰 디자인 작품의 속성 정보, 의뢰자 조회 및 구매 내역 등을 포함할 수 있다.

S1506 단계에서, 장치(100)는 제1 의뢰 디자인 작품 정보를 통해 제1 의뢰 디자인 작품의 의뢰자 조회 내역을 획득할 수 있다. 여기서, 제1 의뢰 디자인 작품 정보는 제1 의뢰 디자인 작품을 집중한 의뢰자의 조회 내역을 포함할 수 있으며, 제1 의뢰 디자인 작품의 의뢰자 조회 내역은 어느 의뢰자가 제1 의뢰 디자인 작품을 얼마나 오래 집중하였는지에 대한 내역을 포함할 수 있다.

예를 들어, 제1 의뢰자 단말(11)의 화면에 제1 의뢰 디자인 작품이 표시된 경우, 제1 의뢰 디자인 작품에 대한 웹 페이지가 표시된 시점부터, 제1 의뢰 디자인 작품에 대한 웹 페이지에서 다른 페이지로 이동한 시점까지, 제1 의뢰 디자인 작품의 집중 시간으로 측정되어, 제1 의뢰자 및 제1 의뢰 디자인 작품의 집중 시간이 제1 의뢰 디자인 작품의 의뢰자 조회 내역에 추가될 수 있다.

S1507 단계에서, 장치(100)는 제1 의뢰 디자인 작품의 의뢰자 조회 내역을 기초로, 의뢰자 별로 집중 시간을 확인할 수 있다.

예를 들어, 제1 의뢰 디자인 작품의 의뢰자 조회 내역에 제1 의뢰자, 제2 의뢰자 및 제3 의뢰자가 조회한 의뢰자로 등록되어 있는 경우, 장치(100)는 제1 의뢰자의 집중 시간, 제2 의뢰자의 집중 시간 및 제3 의뢰자의 집중 시간을 각각 확인할 수 있다.

S1508 단계에서, 장치(100)는 의뢰자 별로 확인된 집중 시간의 평균값을 통해, 제1 의뢰 디자인 작품의 평균 집중 시간을 산출할 수 있다.

예를 들어, 제1 의뢰자가 제1 의뢰 디자인 작품을 집중한 시간이 10초, 제2 의뢰자가 제1 의뢰 디자인 작품을 집중한 시간이 30초, 제3 의뢰자가 제1 의뢰 디자인 작품을 집중한 시간이 50초인 경우, 장치(100)는 제1 의뢰 디자인 작품의 평균 집중 시간을 30초로 산출할 수 있다.

S1509 단계에서, 장치(100)는 제1 의뢰 디자인 작품의 평균 집중 시간의 길이에 따라, 기준값을 설정할 수 있다.

예를 들어, 장치(100)는 제1 의뢰 디자인 작품의 평균 집중 시간이 1분인 경우, 기준값을 15초로 설정하고, 제1 의뢰 디자인 작품의 평균 집중 시간이 2분인 경우, 기준값을 25초로 설정할 수 있다. 기준값을 설정하는 기준은 실시예에 따라 상이하게 설정될 수 있다.

S1510 단계에서, 장치(100)는 제1 의뢰 디자인 작품의 평균 집중 시간에서 기준치를 차감한 값으로, 의뢰자 허용 범위의 최소 시간을 산출할 수 있다.

예를 들어, 장치(100)는 제1 의뢰 디자인 작품의 평균 집중 시간이 1분이고, 기준값이 15초인 경우, 의뢰자 허용 범위의 최소 시간을 45초로 산출할 수 있다.

S1511 단계에서, 장치(100)는 제1 의뢰 디자인 작품의 평균 집중 시간에 기준치를 가산한 값으로, 의뢰자 허용 범위의 최대 시간을 산출할 수 있다.

예를 들어, 장치(100)는 제1 의뢰 디자인 작품의 평균 집중 시간이 1분이고, 기준값이 15초인 경우, 의뢰자 허용 범위의 최대 시간을 75초로 산출할 수 있다.

S1512 단계에서, 장치(100)는 의뢰자 허용 범위의 최소 시간 및 의뢰자 허용 범위의 최대 시간을 기초로, 의뢰자 허용 범위를 설정할 수 있다.

예를 들어, 장치(100)는 제1 의뢰 디자인 작품의 평균 집중 시간이 1분인 경우, 의뢰자 허용 범위를 45초 내지 75초의 범위로 설정할 수 있다.

도 16은 일실시예에 따른 의뢰 디자인 작품의 집중 시간을 예측하여 디자인 작품의 추천 정보를 제공하는 과정을 설명하기 위한 순서도이다.

도 16을 참조하면, 먼저, S1601 단계에서, 장치(100)는 제1 의뢰자 계정을 확인하여 제1 의뢰자 정보를 획득할 수 있다.

S1602 단계에서, 장치(100)는 제1 의뢰 디자인 작품을 확인하여 제1 의뢰 디자인 작품 정보를 획득할 수 있다.

S1603 단계에서, 제1 의뢰자 정보 및 제1 의뢰 디자인 작품 정보를 기초로, 제1 의뢰 디자인 작품에 대한 제1 의뢰자의 집중 시간을 예측할 수 있다. 여기서, 제1 의뢰자의 집중 시간은 제1 의뢰자가 제1 의뢰 디자인 작품을 집중하는데 소요되는 시간을 의미할 수 있다.

S1604 단계에서, 장치(100)는 제1 의뢰자의 집중 시간이 의뢰자 허용 범위 내에 포함되는지 여부를 확인할 수 있다. 여기서, 의뢰자 허용 범위는 상술한 바와 같이, 평균 집중 시간에 따라 상이하게 설정될 수 있다.

S1604 단계에서 제1 의뢰자의 집중 시간이 의뢰자 허용 범위 내에 포함되는 것으로 확인되면, S1605 단계에서, 장치(100)는 제1 의뢰 디자인 작품을 제1 의뢰자 단말(11)로 제공하고, 제1 의뢰자 단말(11)의 화면에 제1 의뢰 디자인 작품에 대한 웹 페이지가 표시되도록, 제1 의뢰자 단말(11)의 동작을 제어할 수 있다.

여기서, 제1 의뢰 디자인 작품에 대한 웹 페이지는 제1 의뢰 디자인 작품의 대표 이미지에 대한 클릭으로 연결되는 웹 페이지로, 제1 의뢰 디자인 작품에 대한 상세 정보를 포함할 수 있다. 예를 들어, 제1 의뢰 디자인 작품의 대표 이미지가 제1 의뢰 디자인 작품의 이미지인 경우, 제1 의뢰 디자인 작품에 대한 웹 페이지는 제1 의뢰 디자인 작품의 상세 정보가 표시되는 페이지이다.

즉, 장치(100)는 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 조회 요청이 수신된 경우, 제1 의뢰 디자인 작품에 대한 제1 의뢰자의 집중 시간을 예측한 결과, 제1 의뢰자의 집중 시간이 의뢰자 허용 범위 내에 포함되는 것으로 확인되면, 제1 의뢰 디자인 작품이 제1 의뢰자에게 적합한 디자인 작품으로 판단하여, 제1 의뢰 디자인 작품을 제1 의뢰자 단말(11)로 제공할 수 있다.

S1604 단계에서 제1 의뢰자의 집중 시간이 의뢰자 허용 범위 내에 포함되지 않고 의뢰자 허용 범위를 벗어나는 것으로 확인되면, S1606 단계에서, 장치(100)는 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최소 시간 보다 짧은지 여부를 확인할 수 있다.

S1606 단계에서 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, S1607 단계에서, 장치(100)는 제2 디자인 작품에 대한 추천 정보를 제1 의뢰자 단말(11)로 제공하고, 제1 의뢰자 단말(11)의 화면에 제2 디자인 작품에 대한 추천 정보가 표시되도록, 제1 의뢰자 단말(11)의 동작을 제어할 수 있다. 여기서, 제2 디자인 작품은 제1 의뢰 디자인 작품과 디자인 카테고리가 동일하면서 제1 의뢰 디자인 작품 보다 많은 글자 수로 구성된 디자인 작품이고, 제2 디자인 작품에 대한 추천 정보는 제2 디자인 작품의 대표 이미지를 포함할 수 있다.

예를 들어, 제1 의뢰 디자인 작품은 특정 제품인 제1 제품을 홍보하는 디자인 작품으로 100개의 글자와 20개의 이미지로 구성된 디자인 작품이고, 제2 디자인 작품은 제1 제품을 홍보하는 디자인 작품으로 120개의 글자와 10개의 이미지로 구성된 디자인 작품인 경우, 장치(100)는 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 데이터베이스에 저장된 디자인 작품 정보를 조회하여, 제1 의뢰 디자인 작품 보다 많은 글자 수로 구성된 제2 디자인 작품을 확인할 수 있으며, 제2 디자인 작품에 대한 추천 정보를 제1 의뢰자 단말(11)로 제공할 수 있다.

즉, 장치(100)는 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 조회 요청이 수신된 경우, 제1 의뢰 디자인 작품에 대한 제1 의뢰자의 집중 시간을 예측한 결과, 제1 의뢰자의 집중 시간이 의뢰자 허용 범위를 벗어나는 것으로 확인되면, 제1 의뢰 디자인 작품이 제1 의뢰자에게 적합하지 않은 디자인 작품으로 판단하고, 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최소 시간 보다 짧은 것으로 확인되면, 제1 의뢰자의 집중 시간을 증가시키기 위해 제1 의뢰 디자인 작품 보다 많은 글자 수로 구성된 제2 디자인 작품이 제1 의뢰자에게 적합한 디자인 작품으로 판단하여, 제2 디자인 작품에 대한 추천 정보를 제1 의뢰자 단말(11)로 제공할 수 있다. 이때, 장치(100)는 제1 의뢰 디자인 작품 및 제2 디자인 작품에 대한 추천 정보를 함께 제1 의뢰자 단말(11)로 제공할 수 있다.

S1606 단계에서 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최소 시간 보다 긴 것으로 확인되면, 제1 의뢰자의 집중 시간이 의뢰자 허용 범위를 벗어난 것으로 확인되어, 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최대 시간 보다 긴 것으로 확인될 수 있으며, 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, S1608 단계에서, 장치(100)는 제3 디자인 작품에 대한 추천 정보를 제1 의뢰자 단말(11)로 제공하고, 제1 의뢰자 단말(11)의 화면에 제3 디자인 작품에 대한 추천 정보가 표시되도록, 제1 의뢰자 단말(11)의 동작을 제어할 수 있다. 여기서, 제3 디자인 작품은 제1 의뢰 디자인 작품과 디자인 카테고리가 동일하면서 제1 의뢰 디자인 작품 보다 적은 글자 수로 구성된 디자인 작품이고, 제3 디자인 작품에 대한 추천 정보는 제3 디자인 작품의 대표 이미지를 포함할 수 있다.

예를 들어, 제1 의뢰 디자인 작품은 제1 제품을 홍보하는 디자인 작품으로 100개의 글자와 20개의 이미지로 구성된 디자인 작품이고, 제3 디자인 작품은 제1 제품을 홍보하는 디자인 작품으로 80개의 글자와 30개의 이미지로 구성된 디자인 작품인 경우, 장치(100)는 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 데이터베이스에 저장된 디자인 작품 정보를 조회하여, 제1 의뢰 디자인 작품 보다 적은 글자 수로 구성된 제3 디자인 작품을 확인할 수 있으며, 제3 디자인 작품에 대한 추천 정보를 제1 의뢰자 단말(11)로 제공할 수 있다.

즉, 장치(100)는 제1 의뢰자 단말(11)로부터 제1 의뢰 디자인 작품에 대한 조회 요청이 수신된 경우, 제1 의뢰 디자인 작품에 대한 제1 의뢰자의 집중 시간을 예측한 결과, 제1 의뢰자의 집중 시간이 의뢰자 허용 범위를 벗어나는 것으로 확인되면, 제1 의뢰 디자인 작품이 제1 의뢰자에게 적합하지 않은 디자인 작품으로 판단하고, 제1 의뢰자의 집중 시간이 의뢰자 허용 범위의 최대 시간 보다 긴 것으로 확인되면, 제1 의뢰자의 집중 시간을 감소시키기 위해 제1 의뢰 디자인 작품 보다 적은 글자 수로 구성된 제3 디자인 작품이 제1 의뢰자에게 적합한 디자인 작품으로 판단하여, 제3 디자인 작품에 대한 추천 정보를 제1 의뢰자 단말(11)로 제공할 수 있다. 이때, 장치(100)는 제1 의뢰 디자인 작품 및 제3 디자인 작품에 대한 추천 정보를 함께 제1 의뢰자 단말(11)로 제공할 수 있다.

도 17은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(100)는 프로세서(101) 및 메모리(102)를 포함한다. 일실시예에 따른 장치(100)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 16을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 16을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(102)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(102)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(101)는 프로그램을 실행하고, 장치(100)를 제어할 수 있다. 프로세서(101)에 의하여 실행되는 프로그램의 코드는 메모리(102)에 저장될 수 있다. 장치(100)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,
   디자인 작업을 의뢰하고자 하는 제1 의뢰자의 제1 의뢰자 단말로부터 디자인 작업의 의뢰 대상인 제1 의뢰 디자인 작품에 대한 디자인 작업 비용 추정 요청을 수신하는 단계;
   상기 디자인 작업 비용 추정 요청에 응답하여, 복수의 디자인 카테고리들 중 어느 디자인 카테고리-상기 디자인 카테고리는 로고, 배너, 포스터, 패키지 및 상세페이지 중 적어도 하나를 포함함-에 속하는지 문의하고자 하는 디자인 카테고리 문의 메시지를 상기 제1 의뢰자 단말로 전송하는 단계;
   상기 제1 의뢰자 단말로부터 상기 제1 의뢰 디자인 작품에 대한 디자인 카테고리 정보를 수신하는 단계;
   상기 제1 의뢰자 단말로부터 상기 제1 의뢰 디자인 작품을 제작하는데 레퍼런스가 되는 제1 레퍼런스 이미지를 수신하는 단계;
   상기 디자인 카테고리 정보 및 상기 제1 레퍼런스 이미지에 기초하여 제1 입력 신호를 생성하고, 상기 생성된 제1 입력 신호를 제1 인공신경망-상기 제1 인공신경망은 트레이닝 디자인 카테고리 정보들, 트레이닝 레퍼런스 이미지들, 제1 출력 신호들 및 트레이닝 작업 비용 정보들에 기초하여 미리 학습됨-에 적용하여 제1 출력 신호를 생성하는 단계; 및
   상기 제1 출력 신호에 기초하여 상기 제1 의뢰 디자인 작품에 대응하는 제1 작업 비용 정보를 생성하는 단계
   를 포함하고,
   상기 트레이닝 작업 비용 정보들은 상기 트레이닝 디자인 카테고리 정보들 및 상기 트레이닝 레퍼런스 이미지들에 각각 대응하는 작업 비용 정보들이고,
   상기 제1 출력 신호들은 상기 트레이닝 디자인 카테고리 정보들 및 상기 트레이닝 레퍼런스 이미지들에 기초하여 생성된 제1 트레이닝 입력 신호들이 상기 제1 인공신경망에 적용되어 생성된 출력 신호들이며,
   상기 제1 인공신경망은 상기 제1 출력 신호들 및 상기 트레이닝 작업 비용 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습되고,
   상기 제1 출력 신호를 생성하는 단계는
   미리 정의된 유사 범위의 패턴이 전체 이미지 내에서 미리 정의된 기준을 넘어서서 반복되는지 여부에 따라 상기 제1 레퍼런스 이미지로부터 배경을 추출하는 단계;
   상기 추출된 배경을 제2 인공신경망-상기 제2 인공신경망은 입력된 이미지를 실사, 일러스트 및 캐릭터 중 어느 하나로 분류하는 인공지능모델이고, 트레이닝 이미지들, 제2 출력 신호들 및 트레이닝 이미지 카테고리 정보들에 기초하여 미리 학습됨-으로 적용하여 상기 배경의 배경 카테고리 정보를 생성하는 단계;
   상기 배경의 픽셀값들의 변화도에 기초하여 배경 난이도를 생성하는 단계;
   상기 배경 카테고리 정보 및 상기 배경 난이도에 상기 제1 레퍼런스 이미지 내 상기 배경이 차지하는 비율을 적용하여 배경 요소 정보를 생성하는 단계;
   상기 제1 레퍼런스 이미지로부터 미리 정의된 언어의 적어도 하나의 텍스트를 추출하는 단계;
   상기 추출된 텍스트를 제3 인공신경망-상기 제3 인공신경망은 입력된 텍스트를 캘리그래피, 기 등록 유로 폰트, 기 등록 무료 폰트 및 새로운 폰트 중 어느 하나로 분류하는 인공지능모델이고, 트레이닝 텍스트들, 제3 출력 신호들 및 트레이닝 폰트 정보들에 기초하여 미리 학습됨-으로 적용하여 상기 추출된 텍스트의 폰트 정보를 생성하는 단계;
   상기 추출된 텍스트의 적어도 하나의 텍스트 색상 및 상기 텍스트 색상 별 비율을 생성하는 단계;
   상기 추출된 텍스트의 글자수, 언어, 상기 폰트 정보, 상기 텍스트 색상 및 상기 텍스트 색상 별 비율에 기초하여 텍스트 요소 정보를 생성하는 단계;
   상기 제1 레퍼런스 이미지로부터 상기 추출된 배경 및 상기 추출된 텍스트를 제외한 나머지의 적어도 하나의 디자인 객체를 추출하는 단계;
   상기 추출된 디자인 객체를 상기 제2 인공신경망으로 적용하여 상기 디자인 객체의 디자인 객체 카테고리 정보를 생성하는 단계;
   상기 디자인 객체의 픽셀값들의 변화도에 기초하여 디자인 객체 난이도를 생성하는 단계;
   상기 디자인 객체 카테고리 정보 및 상기 디자인 객체 난이도에 상기 제1 레퍼런스 이미지 내 상기 디자인 객체가 차지하는 비율을 적용하여 디자인 객체 요소 정보를 생성하는 단계;
   상기 디자인 카테고리 정보, 상기 배경 요소 정보, 상기 텍스트 요소 정보 및 상기 디자인 객체 요소 정보에 기초하여 상기 제1 입력 신호를 생성하는 단계; 및
   상기 제1 입력 신호를 상기 제1 인공신경망에 적용하여 상기 제1 출력 신호를 생성하는 단계
   를 포함하고,
   상기 트레이닝 이미지 카테고리 정보들은 상기 트레이닝 이미지들에 각각 대응하는 카테고리 정보들이고,
   상기 제2 출력 신호들은 상기 트레이닝 이미지들이 상기 제2 인공신경망에 적용되어 생성된 출력 신호들이며,
   상기 제2 인공신경망은 상기 제2 출력 신호들 및 상기 트레이닝 이미지 카테고리 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습되고,
   상기 트레이닝 폰트 정보들은 상기 트레이닝 텍스트들에 각각 대응하는 폰트 정보들이고,
   상기 제3 출력 신호들은 상기 트레이닝 텍스트들이 상기 제3 인공신경망에 적용되어 생성된 출력 신호들이며,
   상기 제3 인공신경망은 상기 제3 출력 신호들 및 상기 트레이닝 폰트 정보들의 차이들에 기초하여 생성된 트레이닝 에러들을 최소화하여 학습되고,
   상기 제1 출력 신호를 생성하는 단계는
   상기 제1 인공신경망을 이용하여, 기 등록된 이미지들 중에서 상기 제1 레퍼런스 이미지와 가장 유사한 유사 이미지 및 상기 유사 이미지의 유사 이미지 작업 비용을 포함하는 상기 제1 출력 신호를 생성하는 단계
   를 포함하고,
   상기 제1 작업 비용 정보를 생성하는 단계는
   상기 제1 출력 신호에 포함된 상기 유사 이미지 작업 비용에 상기 디자인 카테고리 정보를 적용한 제1 작업 비용 정보를 생성하는 단계
   를 포함하고,
   상기 제1 의뢰 디자인 작품을 제작한 제1 제작자와 대응하는 제1 제작자 단말로부터 상기 제1 제작자가 상기 제1 의뢰 디자인 작품을 판매할 의사가 있는지 여부를 판단하는 단계;
   상기 제1 제작자가 상기 제1 의뢰 디자인 작품을 판매할 의사가 있는 경우, 디자인 작업물을 판매하는 페이지인 제1 페이지에 상기 제1 의뢰 디자인 작품의 기본 정보 및 상기 제1 의뢰 디자인 작품을 등록하는 단계;
   상기 제1 의뢰자에 대응하는 제1 의뢰자 계정이 로그인된 상기 제1 의뢰자 단말로 상기 제1 의뢰 디자인 작품의 구매 의사가 있는지 여부에 대한 구매 의사 문의 메시지를 전송하는 단계;
   상기 제1 의뢰자의 상기 제1 의뢰 디자인 작품의 구매 의사가 있는 경우, 상기 제1 의뢰 디자인 작품의 원본인 제1 원본의 구매를 원하는지 여부를 판단하는 단계;
   상기 제1 의뢰자의 상기 제1 원본의 구매를 원하는 경우, 상기 제1 원본으로부터 상기 제1 의뢰 디자인 작품의 상기 제1 의뢰 디자인 기술 요소들이 포함되면서, 상기 제1 의뢰 디자인 기술 요소들을 변경 가능하도록 제작된 제1 템플릿을 생성하는 단계;
   상기 생성된 제1 템플릿 및 상기 제1 원본을 상기 제1 의뢰자 단말로 전송하는 단계;
   상기 제1 의뢰자의 제1 의뢰 디자인 작품의 구매 의사가 있으면서, 상기 제1 원본 구매를 원하지 않는 경우, 상기 제1 의뢰자 단말로 상기 제1 의뢰 디자인 작품을 전송하는 단계; 및
   상기 제1 의뢰자의 제1 의뢰 디자인 작품의 구매 의사가 없는 경우, 상기 제1 의뢰자 단말로 새로운 작품인 제2 작품의 제작 필요 여부에 대한 작품 제작 필요 문의 메시지를 전송하는 단계
   를 더 포함하는
   인공지능 기반 디자인 작업 비용 추정 및 디자인 작업 의뢰 중개 플랫폼 서비스 제공 방법.
2. 삭제
3. 삭제

Images