KR102481347B1 - 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 - Google Patents
뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102481347B1 KR102481347B1 KR1020220101765A KR20220101765A KR102481347B1 KR 102481347 B1 KR102481347 B1 KR 102481347B1 KR 1020220101765 A KR1020220101765 A KR 1020220101765A KR 20220101765 A KR20220101765 A KR 20220101765A KR 102481347 B1 KR102481347 B1 KR 102481347B1
- Authority
- KR
- South Korea
- Prior art keywords
- menu
- data
- hmr
- food
- information
- Prior art date
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 162
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010411 cooking Methods 0.000 claims abstract description 108
- 239000004615 ingredient Substances 0.000 claims abstract description 82
- 235000012054 meals Nutrition 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 65
- 238000004891 communication Methods 0.000 claims description 62
- 239000013598 vector Substances 0.000 claims description 52
- 230000008859 change Effects 0.000 claims description 23
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 8
- 230000003370 grooming effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 description 50
- 210000004027 cell Anatomy 0.000 description 23
- 238000012545 processing Methods 0.000 description 20
- 238000007726 management method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012217 deletion Methods 0.000 description 7
- 230000037430 deletion Effects 0.000 description 7
- 230000014759 maintenance of location Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000009966 trimming Methods 0.000 description 6
- 235000012041 food component Nutrition 0.000 description 5
- 239000005417 food ingredient Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000009193 crawling Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013611 frozen food Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 235000021067 refined food Nutrition 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/40—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight
- G01G19/42—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups with provisions for indicating, recording, or computing price or other quantities dependent on the weight for counting by weighing
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
Abstract
실시예들은 뉴럴 네트워크(neural network)를 이용하여 제1 서버가 예측 판매량에 따라 HMR(home meal replacement) 식품의 주문량을 포함하는 메시지를 전송하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 복수의 제2 서버로부터 판매와 관련된 정보를 수신하고, 상기 판매와 관련된 정보는 메뉴별 판매량에 대한 데이터, 메뉴별 고객 만족도에 대한 데이터 및 메뉴별 조리 난이도에 대한 데이터를 포함하고, 상기 메뉴별 판매량에 대한 데이터는 메뉴별 매장 판매량에 대한 데이터, 메뉴별 배달 판매량에 대한 데이터 및 메뉴별 포장 판매량에 대한 데이터를 포함하고, 상기 메뉴별 판매량에 대한 데이터 및 상기 메뉴별 고객 만족도에 대한 데이터를 기반으로 제1 뉴럴 네트워크를 이용한 추천 모델을 통해 HMR 식품과 관련된 메뉴를 결정하고, 상기 HMR 식품과 관련된 메뉴에 대한 조리 난이도에 대한 데이터 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보를 기반으로 상기 HMR 식품의 유형을 결정하고, 상기 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 HMR 식품에 대한 예측 판매량을 결정하고, 상기 예측 판매량 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보에 기반하여 상기 HMR 식품의 주문량을 결정하고, 상기 HMR 식품의 주문량이 포함된 승인 요청 메시지를 사용자 단말에게 전송하는 단계를 포함할 수 있다.
Description
본 개시의 실시예들은 예측 판매량에 따라 HMR(home meal replacement) 식품의 주문량을 결정하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 HMR 식품의 주문량을 결정하는 기술에 대한 것이다.
한편, 코로나로 인해 재택 근무를 하는 인구가 증가하고, 유통 산업의 발달과 함께 밀키트의 산업 규모가 점점 증가하고 있다. 밀키트는 손질된 식재료 및 양념을 포함하는 조리 직전 단계의 간편식으로, 식사(meal) + 키트(kit)의 합성어이다. 이러한 밀키트는 HMR(home meal replacement) 중 하나의 유형으로 볼 수 있고, HMR은 레토르트 식품 또는 냉동 식품을 더 포함할 수 있다.
이에 반해, 코로나로 인한 거리 두기와 같이, 비대면이 권장되는 시기에는 외식 산업의 매출이 감소될 수 있고, 감소한 매출을 보완하기 위해 많은 업체들이 외식 산업을 통해 제공되는 메뉴를 밀키트로 생산하여 판매할 수 있다.
이때, 외식 업체는 다양한 메뉴 중에서 어떠한 메뉴를 HMR 식품으로 생산할지 결정하기가 어려울 수 있고, HMR 식품으로 생산할 메뉴를 결정하기 위한 객관적인 데이터를 확보할 필요가 있다.
또한, HMR 식품으로 생산할 메뉴가 결정된 경우에도, 해당 메뉴를 밀키트로 생산할지 또는 레토르트 식품으로 어느 정도의 양을 생산할지 결정하기가 어려울 수 있다.
이에, 서버가 제1 뉴럴 네트워크를 이용한 추천 모델을 통해 메뉴별 판매량에 대한 데이터 및 메뉴별 고객 만족도에 대한 데이터를 기반으로 HMR 식품과 관련된 메뉴를 추천해주고, 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 HMR 식품과 관련된 메뉴에 대한 다양한 데이터를 기반으로 예측 판매량을 결정하고, 예측 판매량에 따라 HMR 식품의 주문량을 전달하는 방법이 필요하다.
(특허문헌 1) KR 10-2022-0076013 A
(특허문헌 2) KR 10-2022-0075139 A
(특허문헌 3) KR 10-2376301 B1
(특허문헌 4) KR 10-2021-0120934 A
(특허문헌 2) KR 10-2022-0075139 A
(특허문헌 3) KR 10-2376301 B1
(특허문헌 4) KR 10-2021-0120934 A
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 HMR(home meal replacement) 식품의 주문량을 결정하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 제1 서버가 예측 판매량에 따라 HMR(home meal replacement) 식품의 주문량을 포함하는 메시지를 전송하는 방법은, 복수의 제2 서버로부터 판매와 관련된 정보를 수신하고, 상기 판매와 관련된 정보는 메뉴별 판매량에 대한 데이터, 메뉴별 고객 만족도에 대한 데이터 및 메뉴별 조리 난이도에 대한 데이터를 포함하고, 상기 메뉴별 판매량에 대한 데이터는 메뉴별 매장 판매량에 대한 데이터, 메뉴별 배달 판매량에 대한 데이터 및 메뉴별 포장 판매량에 대한 데이터를 포함하고, 상기 메뉴별 판매량에 대한 데이터 및 상기 메뉴별 고객 만족도에 대한 데이터를 기반으로 제1 뉴럴 네트워크를 이용한 추천 모델을 통해 HMR 식품과 관련된 메뉴를 결정하고, 상기 HMR 식품과 관련된 메뉴에 대한 조리 난이도에 대한 데이터 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보를 기반으로 상기 HMR 식품의 유형을 결정하고, 상기 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 HMR 식품에 대한 예측 판매량을 결정하고, 상기 예측 판매량 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보에 기반하여 상기 HMR 식품의 주문량을 결정하고, 상기 HMR 식품의 주문량이 포함된 승인 요청 메시지를 사용자 단말에게 전송하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 고객 만족도는 메뉴에 대한 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 기반으로 결정될 수 있다. 예를 들어, 상기 메뉴에 대한 평점은 메뉴를 주문한 고객과 관련된 단말로부터 제2 서버에게 수신될 수 있다. 예를 들어, 상기 메뉴가 담겨진 용기에 대한 무게는 메뉴에 매칭되는 용기에 부착된 센서를 통해 측정될 수 있다. 예를 들어, 측정된 무게에 대한 값이 상기 센서에 구비된 통신 모듈을 통해 상기 제2 서버에게 수신될 수 있다. 예를 들어, 상기 고객에 대한 정보는 상기 고객과 관련된 단말로부터 상기 제2 서버에게 수신될 수 있다. 예를 들어, 상기 고객에 대한 정보는 고객의 나이, 고객의 심박수에 대한 정보 및 고객의 BMI(body mass index)에 대한 값을 포함할 수 있다.
일 실시예에 따라, 상기 조리 난이도는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점에 기반하여 결정될 수 있다. 예를 들어, 상기 조리 시간은 메뉴에 대한 주문이 제2 서버에 수신된 시점부터 상기 메뉴가 상기 용기에 담겨진 시간이 상기 제2 서버에게 수신된 시점까지의 시간일 수 있다. 예를 들어, 상기 식재료에 대한 손질 시간에 대한 정보 및 상기 메뉴를 조리하기 위해 요구되는 기술에 대한 평점은 메뉴를 조리한 주방장과 관련된 단말로부터 상기 제2 서버에게 수신될 수 있다. 예를 들어, 상기 조리 기구에 대한 정보 및 상기 메뉴를 조리하기 위한 식재료에 대한 정보는 상기 제2 서버에 사전 저장될 수 있다.
일 실시예에 따라, 상기 고객의 심박수에 대한 정보는 사전 설정된 시간 내 복수의 구간에 대한 심박수를 포함할 수 있다. 상기 고객 만족도는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 s는 상기 고객 만족도이고, 상기 hmax는 사전 설정된 시간 내 심박수의 최대 변화량이고, 상기 havg는 사전 설정된 시간 내 심박수의 평균 변화량이고, 상기 g는 상기 메뉴에 대한 평점이고, 상기 c는 상기 메뉴가 담겨진 용기에 대한 무게의 변화율이고, 상기 BMI는 상기 고객의 BMI에 대한 값일 수 있다.
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 메뉴별 판매량에 대한 데이터 및 복수의 메뉴별 고객 만족도에 대한 데이터 및 정답 HMR 식품과 관련된 메뉴와 관련된 데이터로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 상기 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습될 수 있다.
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터 및 정답 예측 판매량으로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 상기 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습될 수 있다.
부가적으로, 예를 들어, 부가적으로, 예를 들어, 상기 조리 난이도는 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 d는 상기 조리 난이도이고, 상기 ct1은 해당 메뉴의 평균 조리 시간이고, 상기 ctavg는 각각의 메뉴에 대한 평균 조리 시간을 평균한 값이고, 상기 n1은 조리 도구의 개수이고, 상기 tt1은 해당 메뉴의 식재료들을 손질하기 위해 필요한 평균 손질 시간이고, 상기 ttavg는 각각의 메뉴에 대한 평균 손질 시간을 평균한 값이고, 상기 n2는 해당 메뉴에 사용되는 식재료의 개수일 수 있다. 여기서, round 함수는 괄호 내의 숫자를 반올림하는 함수이다.
예를 들어, 상기 ctavg 및 상기 ttavg는 메뉴의 개수가 사전 설정된 개수보다 작은 경우에는 디폴트 조리 시간 및 디폴트 손질 시간으로 대체될 수 있다. 예를 들어, 디폴트 조리 시간 및 디폴트 손질 시간은 각각의 메뉴에 대해 제2 서버에 사전 저장될 수 있다.
부가적으로, 예를 들어, HMR 식품과 관련된 메뉴의 식재료에 대한 점수는 식재료에 대한 신선도 유지 기간 및 개수에 기반하여 결정될 수 있다. 식재료에 대한 신선도 유지 기간은 웹 크롤링을 통해 식재료와 관련된 복수의 웹 사이트들로부터 획득될 수 있고, 상기 식재료에 대해 수집된 복수의 기간들을 평균한 값일 수 있다. 예를 들어, HMR 식품과 관련된 메뉴의 식재료에 대한 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 p는 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 점수이고, 상기 n은 상기 HMR 식품과 관련된 메뉴의 식재료의 개수이고, 상기 x1 내지 xn은 각각의 식재료에 대한 신선도 유지 기간일 수 있다. 여기서, min 함수는 복수의 값에서 가장 작은 값을 추출하는 함수이다.
실시예들에 따르면, 제1 서버는 제1 뉴럴 네트워크를 이용한 추천 모델을 통해 메뉴별 판매량에 대한 데이터 및 메뉴별 고객 만족도에 대한 데이터를 기반으로 HMR 식품과 관련된 메뉴를 결정함으로써, 객관적인 데이터를 기반으로 가장 적합한 HMR 식품과 관련된 메뉴를 선택할 수 있다. 여기서, 고객 만족도는 고객들의 평점 이외에 객관적으로 판단할 수 있는 변수에 기반하여 결정되므로, 고객 만족도를 합리적으로 결정할 수 있다.
실시예들에 따르면, 제1 서버는 HMR 식품과 관련된 메뉴에 대한 조리 난이도에 대한 데이터 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보를 기반으로 HRM 식품의 유형을 결정함으로써, HRM 식품과 관련된 메뉴를 여러 측면에서 분석하여 해당 메뉴에 맞는 형태의 식품 유형을 결정할 수 있다.
실시예들에 따르면, 제1 서버는 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 예측 판매량을 결정함으로써, 시계열적인 판매량 데이터 이외에 다양한 경제 지표 또한 고려하여 판매량에 대한 예측율을 높일 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 제1 서버가 예측 판매량에 따라 HMR 식품의 주문량을 포함하는 메시지를 사용자 단말에게 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 제1 서버가 예측 판매량에 따라 HMR 식품의 주문량을 결정하는 방법을 나타낸 흐름도이다.
도 5는 일 실시예에 따른 제1 서버의 구성을 나타내는 블록도이다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 제1 서버가 예측 판매량에 따라 HMR 식품의 주문량을 포함하는 메시지를 사용자 단말에게 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 제1 서버가 예측 판매량에 따라 HMR 식품의 주문량을 결정하는 방법을 나타낸 흐름도이다.
도 5는 일 실시예에 따른 제1 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 제1 서버가 예측 판매량에 따라 HMR 식품의 주문량을 포함하는 메시지를 사용자 단말에게 전송하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 제1 서버(예: 도 1의 서버(108))는 복수의 제2 서버로부터 판매와 관련된 정보를 수신할 수 있다. 여기서, 제1 서버는 복수의 가맹점을 관리하는 본사의 서버일 수 있다. 제2 서버는 가맹점에서 사용하는 서버일 수 있다. 제2 서버는 도 1의 서버(108)와 같이 전자 장치(101)와 무선 통신을 수행할 수 있다.
예를 들어, 상기 판매와 관련된 정보는 메뉴별 판매량에 대한 데이터, 메뉴별 고객 만족도에 대한 데이터 및 메뉴별 조리 난이도에 대한 데이터를 포함할 수 있다.
예를 들어, 상기 메뉴별 판매량에 대한 데이터는 메뉴별 매장 판매량에 대한 데이터, 메뉴별 배달 판매량에 대한 데이터 및 메뉴별 포장 판매량에 대한 데이터를 포함할 수 있다. 메뉴별 매장 판매량에 대한 데이터는 각각의 메뉴가 특정 기간(예: 1 개월)동안 가맹점에서 고객에게 판매된 횟수에 대한 데이터일 수 있다. 메뉴별 배달 판매량에 대한 데이터는 각각의 메뉴가 특정 기간(예: 1 개월)동안 가맹점에서 고객에게 배달을 통해 판매된 횟수에 대한 데이터일 수 있다. 메뉴별 포장 판매량에 대한 데이터는 각각의 메뉴가 특정 기간(예: 1 개월)동안 가맹점에서 포장을 통해 고객에게 판매된 횟수에 대한 데이터일 수 있다. 예를 들어, 상기 특정 기간은 제1 서버 및 제2 서버에 사전 설정될 수 있다. 예를 들어, 상기 메뉴별 판매량에 대한 데이터는 각각의 메뉴에 대한 사전 설정된 기간 내 월별 판매량에 대한 데이터일 수 있다.
예를 들어, 메뉴별 고객 만족도에 대한 데이터는 특정 기간(예: 1 개월)동안 가맹점에서 각각의 메뉴에 대한 고객 만족도를 결정하기 위한 데이터일 수 있다. 상기 고객 만족도는 메뉴에 대한 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 기반으로 결정될 수 있다. 여기서, 메뉴에 대한 평점은 메뉴에 대한 만족도가 클수록 높은 점수를 가질 수 있다. 예를 들어, 제2 서버는 메뉴에 대한 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 기반으로 결정된 고객 만족도를 메뉴별로 제1 서버에게 전송할 수 있다. 부가적으로, 예를 들어, 제2 서버의 개수가 사전 설정된 개수 이상인 경우, 제2 서버는 메뉴에 대한 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 기반으로 고객 만족도를 메뉴별로 결정하고, 메뉴별 고객 만족도에 대한 데이터를 제1 서버에게 전송할 수 있다. 제2 서버의 개수가 사전 설정된 개수 미만인 경우, 제1 서버가 제2 서버로부터 수신한 메뉴별 고객 만족도에 대한 데이터를 기반으로 고객 만족도를 메뉴별로 결정할 수 있다. 즉, 제2 서버의 개수에 따라 메뉴별 고객 난이도에 대한 데이터에 포함된 정보가 상이할 수 있다.
또는, 예를 들어, 제1 서버는 메뉴에 대한 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 기반으로 메뉴에 대한 고객 만족도를 결정할 수 있다. 이때, 예를 들어, 메뉴별 고객 만족도에 대한 데이터는 메뉴에 대한 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 포함할 수 있다.
예를 들어, 상기 메뉴에 대한 평점은 메뉴를 주문한 고객과 관련된 단말로부터 상기 제2 서버에게 수신될 수 있다. 여기서, 고객과 관련된 단말은 고객이 사용하는 단말이며, 가맹점 내 식탁에 설치된 전자 장치(예를 들어, 테블릿 PC) 또는 고객이 사용하는 전자 장치(예를 들어, 스마트폰) 중 적어도 하나를 포함할 수 있다. 예를 들어, 상기 메뉴가 담겨진 용기에 대한 무게는 메뉴에 매칭되는 용기에 부착된 센서를 통해 측정될 수 있다. 여기서, 용기는 가맹점에서 고객에게 서빙되는 용기 또는 배달 및 포장을 위해 사용되는 용기 중 적어도 하나를 포함할 수 있다. 예를 들어, 측정된 무게에 대한 값이 상기 센서에 구비된 통신 모듈을 통해 상기 제2 서버에게 수신될 수 있다. 예를 들어, 상기 고객에 대한 정보는 상기 고객과 관련된 단말로부터 상기 제2 서버에게 수신될 수 있다. 예를 들어, 상기 고객에 대한 정보는 고객의 나이, 고객의 심박수에 대한 정보 및 고객의 BMI(body mass index)에 대한 값을 포함할 수 있다. 여기서, BMI는 키와 몸무게로 계산된 체질량 지수이다. 또한, 메뉴가 담겨진 용기에 대한 무게의 변화량은 실제 고객이 섭취한 양이므로, 고객의 만족도에 따라 그 양이 상이할 수 있다.
예를 들어, 상기 고객의 심박수에 대한 정보는 사전 설정된 시간 내 복수의 구간에 대한 심박수를 포함할 수 있다. 상기 고객 만족도는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 s는 상기 고객 만족도이고, 상기 hmax는 사전 설정된 시간 내 심박수의 최대 변화량이고, 상기 havg는 사전 설정된 시간 내 심박수의 평균 변화량이고, 상기 g1은 해당 메뉴에 대한 평점이고, 상기 c는 해당 메뉴가 담겨진 용기에 대한 무게의 변화율이고, 상기 BMI는 상기 고객의 BMI에 대한 값일 수 있다. 여기서, g1은 1부터 5 사이의 값일 수 있다.
예를 들어, 메뉴에 대한 평점이 높고, 고객의 심박수의 최대 변화량이 평균 변화량에 비해 큰 값을 가지며, 고객의 BMI에 대한 값에 대한 용기에 대한 무게의 변화율이 클수록, 고객 만족도는 큰 값으로 결정될 수 있다. 즉, 고객들의 평점 이외에 객관적으로 판단할 수 있는 변수를 추가함으로써, 고객 만족도를 합리적으로 결정할 수 있다. 따라서, HMR 식품과 관련된 메뉴를 결정하기 위한 객관적인 데이터가 수집될 수 있다.
예를 들어, 메뉴별 조리 난이도에 대한 데이터는 특정 기간(예: 1 개월)동안 가맹점에서 각각의 메뉴에 대한 조리 난이도를 결정하기 위한 데이터일 수 있다. 예를 들어, 상기 조리 난이도는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점에 기반하여 결정될 수 있다. 여기서, 메뉴를 조리하기 위한 식재료에 대한 정보는 메뉴에 필요한 식재료의 종류 및 개수, 식재료의 신선도가 유지되는 기간 및 식재료의 가격에 대한 정보를 포함할 수 있다. 메뉴를 조리하기 위해 요구되는 기술에 대한 평점은 기술이 어려울수록 높은 평점을 가질 수 있다. 예를 들어, 제2 서버는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점을 기반으로 결정된 조리 난이도를 메뉴별로 제1 서버에게 전송할 수 있다. 부가적으로, 예를 들어, 제2 서버의 개수가 사전 설정된 개수 이상인 경우, 제2 서버는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점을 기반으로 조리 난이도를 메뉴별로 결정하고, 조리 난이도만이 포함된 메뉴별 조리 난이도에 대한 데이터를 제1 서버에게 전송할 수 있다. 제2 서버의 개수가 사전 설정된 개수 미만인 경우, 제1 서버가 제2 서버로부터 수신한 메뉴별 조리 난이도에 대한 데이터를 기반으로 조리 난이도를 메뉴별로 결정할 수 있다. 이때, 메뉴별 조리 난이도에 대한 데이터는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점을 포함할 수 있다. 즉, 제2 서버의 개수에 따라 메뉴별 조리 난이도에 대한 데이터에 포함된 정보가 상이할 수 있다.
또는, 예를 들어, 제1 서버는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점을 기반으로 메뉴에 대한 조리 난이도를 결정할 수 있다. 이때, 예를 들어, 메뉴별 조리 난이도에 대한 데이터는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점을 포함할 수 있다.
예를 들어, 상기 조리 시간은 메뉴에 대한 주문이 상기 제2 서버에 수신된 시점부터 상기 메뉴가 상기 용기에 담겨진 시간이 상기 제2 서버에게 수신된 시점까지의 시간일 수 있다. 예를 들어, 상기 식재료에 대한 손질 시간에 대한 정보 및 상기 메뉴를 조리하기 위해 요구되는 기술에 대한 평점은 메뉴를 조리한 주방장과 관련된 단말로부터 상기 제2 서버에게 수신될 수 있다. 여기서, 주방장과 관련된 단말은 주방장이 사용하는 전자 장치(예를 들어, 스마트폰)일 수 있다. 예를 들어, 상기 조리 기구에 대한 정보 및 상기 메뉴를 조리하기 위한 식재료에 대한 정보는 상기 제2 서버에 사전 저장될 수 있다.
부가적으로, 예를 들어, 상기 조리 난이도는 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 d는 상기 조리 난이도이고, 상기 ct1은 해당 메뉴의 평균 조리 시간이고, 상기 ctavg는 각각의 메뉴에 대한 평균 조리 시간을 평균한 값이고, 상기 n1은 조리 도구의 개수이고, 상기 tt1은 해당 메뉴의 식재료들을 손질하기 위해 필요한 평균 손질 시간이고, 상기 ttavg는 각각의 메뉴에 대한 평균 손질 시간을 평균한 값이고, 상기 n2는 해당 메뉴에 사용되는 식재료의 개수일 수 있다. 여기서, round 함수는 괄호 내의 숫자를 반올림하는 함수이다.
예를 들어, 상기 ctavg 및 상기 ttavg는 메뉴의 개수가 사전 설정된 개수보다 작은 경우에는 디폴트 조리 시간 및 디폴트 손질 시간으로 대체될 수 있다. 예를 들어, 디폴트 조리 시간 및 디폴트 손질 시간은 각각의 메뉴에 대해 제2 서버에 사전 저장될 수 있다.
예를 들어, 해당 메뉴를 조리하기 위한 기술의 난이도가 높고, 해당 메뉴의 조리 시간이 다른 메뉴의 평균 조리 시간보다 길고, 조리 도구의 개구가 많고, 해당 메뉴의 식재료들을 손질하기 위해 필요한 시간이 길고, 식재료의 종류가 많을수록, 상기 조리 난이도가 큰 값을 가질 수 있다. 즉, 메뉴를 조리하기 위한 난이도에 대해 주방장이 판단하는 평점 이외에 조리 시간, 손질을 위해 필요한 시간 및 식재료의 개수를 종합적으로 판단하여, 조리 난이도를 보다 객관적으로 결정할 수 있다. 따라서, HMR 식품과 관련된 메뉴를 결정하기 위한 객관적인 데이터가 수집될 수 있고, HMR 식품의 유형도 객관적인 기준을 기반으로 결정될 수 있다.
단계 S302에서, 제1 서버는 상기 메뉴별 판매량에 대한 데이터 및 상기 메뉴별 고객 만족도에 대한 데이터를 기반으로 제1 뉴럴 네트워크를 이용한 추천 모델을 통해 HMR 식품과 관련된 메뉴를 결정할 수 있다. 여기서, HMR 식품과 관련된 메뉴는 복수의 메뉴 중에서 HMR 식품으로 생산하기 위한 메뉴이다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 메뉴별 판매량에 대한 데이터 및 복수의 메뉴별 고객 만족도에 대한 데이터 및 정답 HMR 식품과 관련된 메뉴와 관련된 데이터로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 상기 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습될 수 있다. 여기서, 정답 HMR 식품과 관련된 메뉴와 관련된 데이터는 이전에 HMR 식품으로 사용된 메뉴에 대한 매장 판매량, 배달 판매량, 포장 판매량 및 고객 만족도에 대한 데이터일 수 있다.
단계 S303에서, 제1 서버는 상기 HMR 식품과 관련된 메뉴에 대한 조리 난이도 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보를 기반으로 상기 HMR 식품의 유형을 결정할 수 있다. 여기서, HMR 식품의 유형은 조리를 하기 이전의 식재료들로 구성된 제1 유형과 이미 조리가 완료된 형태로 유통되는 제2 유형을 포함할 수 있다. 예를 들어, 제1 유형은 밀 키트(meal kit) 형태일 수 있다. 예를 들어, 제2 유형은 레토르트 식품 또는 냉동 식품 중 적어도 하나를 포함할 수 있다.
예를 들어, 상기 HMR 식품의 유형은 메뉴에 대한 조리 난이도, 메뉴의 식재료들에 대한 신선도 유지 기간 및 메뉴의 식재료들의 개수에 기반하여 결정될 수 있다. 여기서, 신선도 유지 기간은 식재료의 신선도가 유지될 수 있는 기간이다. 예를 들어, 식재료에 대한 신선도 유지 기간은 웹 크롤링을 통해 복수의 웹 사이트들에서 획득될 수 있고, 상기 식재료에 대해 수집된 복수의 기간들을 평균한 값일 수 있다. 예를 들어, 제1 서버는 조리 난이도가 사전 설정된 값보다 작고, 메뉴의 식재료들에 대한 점수가 사전 설정된 점수 이상이면, 상기 HMR 식품의 유형을 제1 유형으로 결정할 수 있다.
단계 S304에서, 제1 서버는 상기 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 HMR 식품에 대한 예측 판매량을 결정할 수 있다. 여기서, 복수의 경제 지수 데이터는 제1 서버에 의해 통계와 관련된 복수의 웹 사이트에 대한 웹 크롤링을 통해 획득될 수 있다. 예를 들어, 복수의 경제 지수 데이터는 외식 산업의 월별 경기 전망 지수, 외식 산업의 월별 매출액, 식품 제조업의 월별 매출액 및 소비자 물가지수를 포함할 수 있다. 여기서, 예측 판매량은 사전 설정된 기간에 대해 예측된 HMR 식품의 판매량일 수 있다. 예를 들어, 예측 판매량은 다음 달에 대해 예측된 HMR 식품의 판매량일 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터 및 정답 예측 판매량으로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 상기 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습될 수 있다.
단계 S305에서, 제1 서버는 상기 예측 판매량 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보에 기반하여 상기 HMR 식품의 주문량을 결정할 수 있다.
단계 S306에서, 제1 서버는 상기 HMR 식품의 주문량이 포함된 승인 요청 메시지를 사용자 단말(예: 도 1의 전자 장치(101))에게 전송할 수 있다.
예를 들어, 제1 서버는 사용자 단말로부터 승인 메시지를 수신하면, 상기 HMR 식품의 주문량을 포함하는 주문 메시지를 제3 서버에게 전송할 수 있다. 예를 들어, 상기 HMR 식품이 제1 유형인 경우, 제3 서버는 식재료와 관련된 서버일 수 있다. 예를 들어, 상기 HMR 식품이 제2 유형인 경우, 제3 서버는 가공 식품과 관련된 서버일 수 있다.
도 4는 일 실시예에 따른 제1 서버가 예측 판매량에 따라 HMR 식품의 주문량을 결정하는 방법을 나타낸 흐름도이다. 도 4의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 단계 S401에서, 제1 서버는 상기 메뉴별 판매량에 대한 데이터 및 상기 메뉴별 고객 만족도에 대한 데이터를 기반으로 제1 뉴럴 네트워크를 이용한 추천 모델을 통해 HMR 식품과 관련된 메뉴를 결정할 수 있다.
구체적으로, 예를 들어, 제1 서버는 복수의 메뉴별 판매량에 대한 데이터 및 복수의 메뉴별 고객 만족도에 대한 데이터에 대해 데이터 전처리를 수행할 수 있다. 즉, 제1 서버는 복수의 메뉴별 판매량에 대한 데이터 및 복수의 메뉴별 고객 만족도에 대한 데이터를 기반으로 각각의 메뉴에 대한 월별 매장 판매량, 월별 배달 판매량, 월별 포장 판매량 및 월별 고객 만족도를 벡터화할 수 있다. 상기 각각의 메뉴에 대한 월별 매장 판매량, 월별 배달 판매량, 월별 포장 판매량 및 월별 고객 만족도는 과거의 데이터일 수 있다. 예를 들어, 각각의 메뉴에 대한 [월별 매장 판매량, 월별 배달 판매량, 월별 포장 판매량, 월별 고객 만족도]가 입력 벡터로 결정될 수 있다. 또한, 예를 들어, 이전에 HMR 식품으로 사용된 메뉴에 대한 매장 판매량, 배달 판매량, 포장 판매량 및 고객 만족도에 대한 벡터가 정답 벡터로 사용될 수 있다.
예를 들어, 제1 서버는 상술한 입력 벡터와 정답 벡터로 구성된 각각의 학습 데이터를 제1 뉴럴 네트워크의 제1 입력 레이어에 입력시키고, 상기 하나 이상의 제1 히든 레이어 및 상기 제1 출력 레이어를 통과시켜 제1 출력 벡터를 출력할 수 있다. 그리고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습됨으로써, 상기 추천 모델이 학습될 수 있다. 제1 서버는 학습된 추천 모델에 상기 메뉴별 판매량에 대한 데이터 및 상기 메뉴별 고객 만족도에 대한 데이터를 입력함으로써, 복수의 메뉴들 중에서 HMR 식품과 관련된 메뉴를 결정할 수 있다.
단계 S402에서, 제1 서버는 HMR 식품과 관련된 메뉴에 대한 조리 난이도가 사전 설정된 값 미만인지 여부를 결정할 수 있다. 예를 들어, 사전 설정된 값은 상기 제1 서버에 대해 사전에 입력될 수 있다.
단계 S403에서, HMR 식품과 관련된 메뉴에 대한 조리 난이도가 사전 설정된 값 미만인 경우, 제1 서버는 HMR 식품과 관련된 메뉴의 식재료에 대한 점수가 사전 설정된 점수 이상인지 여부를 결정할 수 있다.
예를 들어, HMR 식품과 관련된 메뉴의 식재료에 대한 점수는 식재료에 대한 신선도 유지 기간 및 개수에 기반하여 결정될 수 있다. 식재료에 대한 신선도 유지 기간은 웹 크롤링을 통해 식재료와 관련된 복수의 웹 사이트들로부터 획득될 수 있고, 상기 식재료에 대해 수집된 복수의 기간들을 평균한 값일 수 있다. 예를 들어, HMR 식품과 관련된 메뉴의 식재료에 대한 점수는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 p는 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 점수이고, 상기 n은 상기 HMR 식품과 관련된 메뉴의 식재료의 개수이고, 상기 x1 내지 xn은 각각의 식재료에 대한 신선도 유지 기간일 수 있다. 여기서, min 함수는 복수의 값에서 가장 작은 값을 추출하는 함수이다.
예를 들어, 가장 작은 신선도 유지 기간이 상대적으로 큰 값을 가지고, 식재료의 개수가 작을수록, 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 점수가 큰 값으로 결정될 수 있다. 즉, 신선도가 오래 유지되고, 유통하는 식재료의 개수가 작으면, 상대적으로 식재료 그대로 유통하기가 용이하므로, 제1 서버는 HMR 식품을 제1 유형, 즉 밀 키트의 형태로 결정할 수 있다. 따라서, 제1 서버는 유통하기가 상대적으로 쉬운 메뉴인지 여부에 따라 제1 유형과 제2 유형을 분류할 수 있다.
부가적으로, 예를 들어, 제1 서버는 현재 HMR 식품의 생산 및 배송 기간과 HMR 식품에 사용되는 식재료에 대해 유통할 수 있는 개수에 기반하여 상기 사전 설정된 점수를 조정할 수 있다. 즉, 현재 HMR 식품의 생산 및 배송 기간이 짧아지고, HMR 식품에 사용되는 식재료에 대해 유통할 수 있는 개수가 증가할수록 상기 사전 설정된 점수를 감소시킬 수 있다. HMR 식품의 생산 및 배송 기간과 HMR 식품에 사용되는 식재료에 대해 유통할 수 있는 개수는 주기적으로 제1 서버에 입력될 수 있다. 이로 인해, HMR 식품의 생산 및 배송 기간과 유통할 수 있는 식재료의 개수에 따라 사전 설정된 점수를 적응적으로 조정함으로써, 제1 유형과 제2 유형의 비율을 조정할 수 있다.
단계 S404에서, HMR 식품과 관련된 메뉴에 대한 조리 난이도가 사전 설정된 값 미만이고, HMR 식품과 관련된 메뉴의 식재료에 대한 점수가 사전 설정된 점수 이상인 경우, 제1 서버는 HMR 식품의 유형을 제1 유형으로 결정할 수 있다.
단계 S405에서, HMR 식품과 관련된 메뉴에 대한 조리 난이도가 사전 설정된 값 이상인 경우, 또는 HMR 식품과 관련된 메뉴에 대한 조리 난이도가 사전 설정된 값 미만이고 HMR 식품과 관련된 메뉴의 식재료에 대한 점수가 사전 설정된 점수 미만인 경우, 제1 서버는 HMR 식품의 유형을 제2 유형으로 결정할 수 있다.
단계 S406에서, 상기 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 HMR 식품에 대한 예측 판매량을 결정할 수 있다.
구체적으로, 예를 들어, 상기 제2 뉴럴 네트워크는 다변량 LSTM(long short term memory networks) 모델일 수 있다. 일반적으로 RNN(recurrent neural netowork)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다.
예를 들어, 상기 하나 이상의 제2 히든 레이어는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.
예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.
예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수(
)가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트를 통해 셀 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
예를 들어, 복수의 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터는 데이터 전처리를 통해 벡터화될 수 있다. 여기서, 제2 뉴럴 네트워크를 학습시키기 위한, 복수의 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터는 과거의 데이터일 수 있다. 예를 들어, 상기 HMR 식품과 관련된 메뉴에 대한 판매량 데이터는 월별 매장 판매량, 월별 포장 판매량, 월별 배달 판매량을 포함한 제1 입력 벡터로 변환될 수 있다. 상기 복수의 경제 지수 데이터는 외식 산업의 월별 경기 전망 지수, 월별 외식 산업의 매출액, 월별 식품 제조업의 매출액 및 월별 소비자 물가지수로 구성된 제2 입력 벡터로 변환될 수 있다.
예를 들어, 제1 입력 벡터 및 제2 입력 벡터가 상기 제2 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 제1 입력 벡터 및 상기 제2 입력 벡터를 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다. 예를 들어, 상기 삭제 게이트는 하기 수학식 4에 의한 과정을 수행할 수 있다.
예를 들어, 상기 입력 게이트는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트에 저장시킬 수 있다. 예를 들어, 상기 입력 게이트는 하기 수학식 5에 의한 과정을 수행할 수 있다. 예를 들어, σ는 비선형 활성화 함수(시그모이드 함수)를 의미한다. 예를 들어, W는 가중치를 의미한다. b는 바이어스를 의미한다.
예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 즉, 하기 수학식 6과 같이, 셀 스테이트에 대해 상기 ft를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
예를 들어, 출력 게이트는 시그모이드 레이어에서 제1 입력 벡터 및 제2 입력 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다. 예를 들어, 상기 출력 게이트는 하기 수학식 7의 과정을 수행할 수 있다.
부가적으로, 예를 들어, 상기 삭제 게이트와 상기 입력 게이트가 합쳐진 LSTM 모델이 사용될 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.
예를 들어, 제1 서버는 상술한 바와 같이 학습된 예측 모델에 이번 달에 대한 상기 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터를 입력시킴으로써, 다음 달에 대한 상기 HMR 식품과 관련된 메뉴의 예측 판매량을 결정할 수 있다.
따라서, 제1 서버는 상기 예측 모델을 통해 학습된 제2 뉴럴 네트워크의 파라미터를 사용할 수 있고, 판매량 이외에 다양한 변수를 고려하여 예측 판매량을 결정할 수 있다.
단계 S407에서, 제1 서버는 상기 예측 판매량 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보에 기반하여 상기 HMR 식품의 주문량을 결정할 수 있다.
예를 들어, HMR 식품이 제1 유형으로 결정된 경우, 제1 서버는 HMR 식품에 대한 예측 판매량 및 HMR 식품에 필요한 식재료 정보에 따라 식재료별로 필요한 주문량을 결정할 수 있다. 이후, 제1 서버는 상기 HMR 식품의 주문량이 포함된 승인 요청 메시지를 사용자 단말에게 전송하고, 상기 사용자 단말로부터 승인 메시지를 수신하는 것에 기반하여, 제1 서버는 상기 HMR 식품의 주문량이 포함된 주문 메시지를 제3 서버에게 전송할 수 있다.
예를 들어, HMR 식품이 제2 유형으로 결정된 경우, 제1 서버는 HMR 식품에 대한 예측 판매량에 따라 상기 HMR 식품에 대한 주문량을 결정할 수 있다. 하나의 메뉴에 필요한 식재료 정보를 전송할 수 있다. 이후, 제1 서버는 상기 HMR 식품의 주문량이 포함된 승인 요청 메시지를 사용자 단말에게 전송하고, 상기 사용자 단말로부터 승인 메시지를 수신하는 것에 기반하여, 제1 서버는 상기 HMR 식품의 주문량 및 상기 HMR 식품에 사용되는 식재료에 대한 정보가 포함된 주문 메시지를 제3 서버에게 전송할 수 있다.
도 5는 일 실시예에 따른 제1 서버의 구성을 나타내는 블록도이다. 도 5의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5에 도시된 바와 같이, 제1 서버(500)는 프로세서(510), 통신부(520) 및 메모리(530)를 포함할 수 있다. 그러나, 도 5에 도시된 구성 요소 모두가 제1 서버(500)의 필수 구성 요소인 것은 아니다. 도 5에 도시된 구성 요소보다 많은 구성 요소에 의해 제1 서버(500)가 구현될 수도 있고, 도 5에 도시된 구성 요소보다 적은 구성 요소에 의해 제1 서버(500)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 제1 서버(500)는 프로세서(510), 통신부(520) 및 메모리(530) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(510)는, 통상적으로 제1 서버(500)의 전반적인 동작을 제어한다. 프로세서(510)는 하나 이상의 프로세서를 구비하여, 제1 서버(500)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(510)는, 메모리(530)에 저장된 프로그램들을 실행함으로써, 통신부(520) 및 메모리(530) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(510)는 메모리(530)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 4에 기재된 제1 서버(500)의 기능을 수행할 수 있다.
일 실시예에 따라, 프로세서(510)는 프로세서(510)는 통신부(520)를 통해 복수의 제2 서버로부터 판매와 관련된 정보를 수신할 수 있다. 예를 들어, 상기 판매와 관련된 정보는 메뉴별 판매량에 대한 데이터, 메뉴별 고객 만족도에 대한 데이터 및 메뉴별 조리 난이도에 대한 데이터를 포함할 수 있다. 예를 들어, 상기 메뉴별 판매량에 대한 데이터는 메뉴별 매장 판매량에 대한 데이터, 메뉴별 배달 판매량에 대한 데이터 및 메뉴별 포장 판매량에 대한 데이터를 포함할 수 있다.
프로세서(510)는 메모리(530)를 통해 상기 메뉴별 판매량에 대한 데이터 및 상기 메뉴별 고객 만족도에 대한 데이터를 기반으로 제1 뉴럴 네트워크를 이용한 추천 모델을 통해 HMR 식품과 관련된 메뉴를 결정할 수 있다. 예를 들어, 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 프로세서(510)는 메모리(620)를 통해 복수의 메뉴별 판매량 데이터, 복수의 메뉴별 고객 만족도에 대한 데이터 및 정답 HRM 식품과 관련된 메뉴와 관련된 데이터로 구성된 각각의 학습 데이터를 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력시키고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과시켜 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터를 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력시키고, 상기 제1 손실함수 레이어를 통해 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터를 상기 제1 손실값이 작아지는 방향으로 학습시킬 수 있다.
프로세서(510)는 메모리(620)를 통해 상기 HMR 식품과 관련된 메뉴에 대한 조리 난이도에 대한 데이터 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보를 기반으로 상기 HMR 식품의 유형을 결정할 수 있다. 프로세서(510)는 메모리(620)를 통해 상기 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 HMR 식품에 대한 예측 판매량을 결정할 수 있다. 예를 들어, 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 프로세서(510)는 메모리(620)를 통해 복수의 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터 및 정답 예측 판매량으로 구성된 각각의 학습 데이터를 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력시키고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과시켜 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터를 상기 제1 출력 레이어에 연결된 제2 손실함수 레이어에 입력시키고, 상기 제2 손실함수 레이어를 통해 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터를 상기 제2 손실값이 작아지는 방향으로 학습시킬 수 있다.
프로세서(510)는 메모리(620)를 통해 상기 예측 판매량 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보에 기반하여 상기 HMR 식품의 주문량을 결정할 수 있다.
프로세서(510)는 통신부(520)를 통해 상기 HMR 식품의 주문량이 포함된 승인 요청 메시지를 사용자 단말에게 전송할 수 있다.
프로세서(510)는 메모리(620)를 통해 상기 고객 만족도를 메뉴에 대한 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 기반으로 결정할 수 있다. 프로세서(510)는 메모리(620)를 통해 상기 고객 만족도를 상술한 수학식 1에 의해 결정할 수 있다. 상기 메뉴에 대한 평점은 메뉴를 주문한 고객과 관련된 단말로부터 제2 서버에게 수신될 수 있다. 상기 메뉴가 담겨진 용기에 대한 무게는 메뉴에 매칭되는 용기에 부착된 센서를 통해 측정될 수 있다. 측정된 무게에 대한 값이 상기 센서에 구비된 통신 모듈을 통해 상기 제2 서버에게 수신될 수 있다. 상기 고객에 대한 정보는 상기 고객과 관련된 단말로부터 상기 제2 서버에게 수신될 수 있다. 예를 들어, 상기 고객에 대한 정보는 고객의 나이, 고객의 심박수에 대한 정보 및 고객의 BMI(body mass index)에 대한 값을 포함할 수 있다. 예를 들어, 메뉴별 고객 만족도에 대한 데이터는 메뉴별로 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 포함할 수 있다. 예를 들어, 상기 고객의 심박수에 대한 정보는 사전 설정된 시간 내 복수의 구간에 대한 심박수를 포함할 수 있다.
프로세서(510)는 메모리(620)를 통해 상기 조리 난이도를 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점에 기반하여 결정할 수 있다. 예를 들어, 상기 조리 시간은 메뉴에 대한 주문이 제2 서버에 수신된 시점부터 상기 메뉴가 상기 용기에 담겨진 시간이 상기 제2 서버에게 수신된 시점까지의 시간일 수 있다. 상기 식재료에 대한 손질 시간에 대한 정보 및 상기 메뉴를 조리하기 위해 요구되는 기술에 대한 평점은 메뉴를 조리한 주방장과 관련된 단말로부터 상기 제2 서버에게 수신될 수 있다. 상기 조리 기구에 대한 정보 및 상기 메뉴를 조리하기 위한 식재료에 대한 정보는 상기 제2 서버에 사전 저장될 수 있다. 예를 들어, 메뉴별 조리 난이도에 대한 데이터는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점을 포함할 수 있다.
통신부(520)는, 제1 서버(500)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 제1 서버(500)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(520)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(520)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(520)는 프로세서(510)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(520)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(520)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(530)는, 프로세서(510)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(530)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(530)는 프로세서(510)에서 생성된 데이터를 저장할 수 있다. 메모리(530)는 제1 서버(500)로 입력되거나 제1 서버(500)로부터 출력되는 정보를 저장할 수도 있다.
메모리(530)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 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.
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.
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.
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 특허청구범위의 범위에 속한다.
Claims (5)
- 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 예측 판매량에 따라 HMR(home meal replacement) 식품의 주문량을 포함하는 메시지를 전송하는 방법에 있어서,
복수의 제2 서버로부터 판매와 관련된 정보를 수신하는 단계;
상기 판매와 관련된 정보는 메뉴별 판매량에 대한 데이터, 메뉴별 고객 만족도에 대한 데이터 및 메뉴별 조리 난이도에 대한 데이터를 포함하고,
상기 메뉴별 판매량에 대한 데이터는 메뉴별 매장 판매량에 대한 데이터, 메뉴별 배달 판매량에 대한 데이터 및 메뉴별 포장 판매량에 대한 데이터를 포함하고,
상기 메뉴별 판매량에 대한 데이터 및 상기 메뉴별 고객 만족도에 대한 데이터를 기반으로 제1 뉴럴 네트워크를 이용한 추천 모델을 통해 HMR 식품과 관련된 메뉴를 결정하는 단계;
상기 HMR 식품과 관련된 메뉴에 대한 조리 난이도에 대한 데이터 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보를 기반으로 상기 HMR 식품의 유형을 결정하는 단계;
상기 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 HMR 식품에 대한 예측 판매량을 결정하는 단계;
상기 예측 판매량 및 상기 HMR 식품과 관련된 메뉴의 식재료에 대한 정보에 기반하여 상기 HMR 식품의 주문량을 결정하는 단계; 및
상기 HMR 식품의 주문량이 포함된 승인 요청 메시지를 사용자 단말에게 전송하는 단계를 포함하되,
상기 고객 만족도는 메뉴에 대한 평점과 메뉴가 담겨진 용기에 대한 무게의 변화율 및 고객에 대한 정보를 기반으로 결정되고,
상기 메뉴에 대한 평점은 메뉴를 주문한 고객과 관련된 단말로부터 제2 서버에게 수신되고,
상기 메뉴가 담겨진 용기에 대한 무게는 메뉴에 매칭되는 용기에 부착된 센서를 통해 측정되고,
측정된 무게에 대한 값이 상기 센서에 구비된 통신 모듈을 통해 상기 제2 서버에게 수신되고,
상기 고객에 대한 정보는 상기 고객과 관련된 단말로부터 상기 제2 서버에게 수신되고,
상기 고객에 대한 정보는 고객의 나이, 고객의 심박수에 대한 정보 및 고객의 BMI(body mass index)에 대한 값을 포함하고,
상기 고객의 심박수에 대한 정보는 사전 설정된 시간 내 복수의 구간에 대한 심박수를 포함하고,
상기 고객 만족도는 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 s는 상기 고객 만족도이고, 상기 hmax는 사전 설정된 시간 내 심박수의 최대 변화량이고, 상기 havg는 사전 설정된 시간 내 심박수의 평균 변화량이고, 상기 g는 상기 메뉴에 대한 평점이고, 상기 c는 상기 메뉴가 담겨진 용기에 대한 무게의 변화율이고, 상기 BMI는 상기 고객의 BMI에 대한 값인,
방법.
- 삭제
- 제 1항에 있어서,
상기 조리 난이도는 조리 시간에 대한 정보, 조리 기구에 대한 정보, 메뉴를 조리하기 위한 식재료에 대한 정보, 식재료에 대한 손질 시간에 대한 정보 및 메뉴를 조리하기 위해 요구되는 기술에 대한 평점에 기반하여 결정되고,
상기 조리 시간은 메뉴에 대한 주문이 제2 서버에 수신된 시점부터 상기 메뉴가 상기 용기에 담겨진 시간이 상기 제2 서버에게 수신된 시점까지의 시간이고,
상기 식재료에 대한 손질 시간에 대한 정보 및 상기 메뉴를 조리하기 위해 요구되는 기술에 대한 평점은 메뉴를 조리한 주방장과 관련된 단말로부터 상기 제2 서버에게 수신되고,
상기 조리 기구에 대한 정보 및 상기 메뉴를 조리하기 위한 식재료에 대한 정보는 상기 제2 서버에 사전 저장되는,
방법.
- 삭제
- 제 1항에 있어서,
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
복수의 메뉴별 판매량에 대한 데이터 및 복수의 메뉴별 고객 만족도에 대한 데이터 및 정답 HMR 식품과 관련된 메뉴와 관련된 데이터로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 상기 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는,
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
복수의 HMR 식품과 관련된 메뉴에 대한 판매량 데이터 및 복수의 경제 지수 데이터 및 정답 예측 판매량으로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 상기 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는,
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220101765A KR102481347B1 (ko) | 2022-08-16 | 2022-08-16 | 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220101765A KR102481347B1 (ko) | 2022-08-16 | 2022-08-16 | 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102481347B1 true KR102481347B1 (ko) | 2022-12-27 |
Family
ID=84568070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220101765A KR102481347B1 (ko) | 2022-08-16 | 2022-08-16 | 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102481347B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210120934A (ko) * | 2020-10-16 | 2021-10-07 | 바이두 인터내셔널 테크놀로지 (센젠) 코., 엘티디. | 추천 모델 및 물품 가격을 확정하는 방법, 장치, 전자 장비, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램 |
| KR102376301B1 (ko) * | 2021-08-06 | 2022-03-18 | 티오더 주식회사 | 빅데이터 기반의 음식 추천 및 마케팅 서비스를 제공하는 플랫폼을 위한 시스템 |
| KR20220075139A (ko) * | 2020-11-27 | 2022-06-07 | ㈜자연이꾸는꿈 | 사용자 맞춤형 레시피 및 이를 이용한 밀키트 상품 제공 방법 |
| KR20220076013A (ko) * | 2020-11-30 | 2022-06-08 | 푸드팡 주식회사 | Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 |
-
2022
- 2022-08-16 KR KR1020220101765A patent/KR102481347B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210120934A (ko) * | 2020-10-16 | 2021-10-07 | 바이두 인터내셔널 테크놀로지 (센젠) 코., 엘티디. | 추천 모델 및 물품 가격을 확정하는 방법, 장치, 전자 장비, 컴퓨터 판독 가능 저장 매체 및 컴퓨터 프로그램 |
| KR20220075139A (ko) * | 2020-11-27 | 2022-06-07 | ㈜자연이꾸는꿈 | 사용자 맞춤형 레시피 및 이를 이용한 밀키트 상품 제공 방법 |
| KR20220076013A (ko) * | 2020-11-30 | 2022-06-08 | 푸드팡 주식회사 | Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템 |
| KR102376301B1 (ko) * | 2021-08-06 | 2022-03-18 | 티오더 주식회사 | 빅데이터 기반의 음식 추천 및 마케팅 서비스를 제공하는 플랫폼을 위한 시스템 |
Non-Patent Citations (1)
| Title |
|---|
| (특허문헌 1) KR 10-2022-0076013 A(특허문헌 2) KR 10-2022-0075139 A(특허문헌 3) KR 10-2376301 B1 (특허문헌 4) KR 10-2021-0120934 A |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102434342B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치 | |
| KR102360727B1 (ko) | 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치 | |
| KR102582594B1 (ko) | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 | |
| KR102594697B1 (ko) | 뉴럴 네트워크를 이용하여 가상 자산 시장의 상태에 따라 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 방법 및 장치 | |
| KR102625772B1 (ko) | 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치 | |
| KR20220131499A (ko) | 렌탈 마켓 시스템 | |
| KR102553169B1 (ko) | 브랜드의 개선을 위한 솔루션을 제공하는 방법 및 장치 | |
| KR102481347B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 | |
| KR102484291B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 구직자 리스트를 단말에게 제공하는 방법 및 장치 | |
| KR20230151425A (ko) | 뉴럴 네트워크를 이용하여 색상 이미지 및 색상 이미지를 선택한 순서에 기반한 심리 상태와 관련된 정보를 제공하는 방법 및 장치 | |
| KR102497016B1 (ko) | 농산물 추천 방법 및 장치 | |
| KR102509392B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 품목별 예측 주문량에 따라 원자재 요청 메시지를 전송하는 방법 및 장치 | |
| KR102504950B1 (ko) | 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치 | |
| KR102557257B1 (ko) | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치 | |
| KR102642567B1 (ko) | 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치 | |
| KR102561611B1 (ko) | 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치 | |
| KR102573285B1 (ko) | 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치 | |
| KR102563097B1 (ko) | 뉴럴 네트워크를 이용하는 뷰티 서비스를 위한 온라인 결제 시스템 | |
| KR102465106B1 (ko) | 뉴럴 네트워크를 이용한 주식 종목 분석 방법 및 장치 | |
| KR102513048B1 (ko) | 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치 | |
| KR102594696B1 (ko) | 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱 기준 값에 따라 리밸런싱을 수행하는 방법 및 장치 | |
| KR102579810B1 (ko) | 인공지능 기반 가정용 건강 보조 기기 유통 플랫폼 시스템 | |
| KR102603159B1 (ko) | 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 예측된 평가 점수에 기반하여 리밸런싱을 수행하는 방법 및 장치 | |
| KR102622114B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 | |
| KR102478964B1 (ko) | 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |