KR102491607B1 - 인공 지능 기반 미술 작품 가격 예측 방법 및 장치 - Google Patents
인공 지능 기반 미술 작품 가격 예측 방법 및 장치 Download PDFInfo
- Publication number
- KR102491607B1 KR102491607B1 KR1020220135898A KR20220135898A KR102491607B1 KR 102491607 B1 KR102491607 B1 KR 102491607B1 KR 1020220135898 A KR1020220135898 A KR 1020220135898A KR 20220135898 A KR20220135898 A KR 20220135898A KR 102491607 B1 KR102491607 B1 KR 102491607B1
- Authority
- KR
- South Korea
- Prior art keywords
- price
- auction
- specific
- predicted
- artwork
- Prior art date
Links
- 238000000034 method Methods 0.000 title abstract description 28
- 238000013473 artificial intelligence Methods 0.000 title abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 48
- 230000007423 decrease Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
일 실시예는 인공 지능 기반 미술 작품 가격 예측 방법 및 장치에 대한 것이다.
Description
일 실시예는 인공 지능 기반 미술 작품 가격 예측 방법 및 장치에 대한 것이다.
미술 작품에 대한 경매에서는 예측 추정가가 경매 참여자들에게 제공될 수 있다. 그런데 현재 예측 추정가는 사람에 의하여 추정되어 신뢰도가 낮다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
일 실시예에 따르면, 인공 지능 기반 미술 작품 가격 예측 방법 및 장치가 제공될 수 있다.
일 실시예에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 일 실시예로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따르면, 전자 장치에 의하여 수행되는 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 방법은: 복수의 미술 작품 경매들을 포함하는 미술 작품 경매 리스트 정보를 제공; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 방법은: 상기 복수의 미술 작품 경매들 중 특정 미술 작품 경매가 선택됨에 기초하여, 상기 특정 미술 작품 경매의 대상인 특정 미술 작품과 상기 특정 미술 작품 경매의 특정 경매 일정을 식별; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 방법은: 상기 특정 미술 작품과 상기 특정 경매 일정이 입력됨에 따른 미리 학습된 예측 모델의 출력에 기초하여, 상기 특정 미술 작품에 대응되는 예측 가격 관련 정보를 제공; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 예측 가격 관련 정보는 제1 가격과 제2 가격을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 가격은: 상기 특정 미술 작품 경매에서의 상기 특정 미술 작품의 낙찰 가격으로 예측되는 예측 낙찰 가격일 수 있다.
일 실시예에 따르면, 상기 제2 가격은: 상기 특정 경매 일정에 대응되는 제1 시점에서의 상기 특정 미술 작품의 감정 가격으로 예측되는 예측 감정 가격일 수 있다.
일 실시예에 따르면, 상기 예측 가격 관련 정보는 제3 가격과 제4 가격을 포함할 수 있다.
일 실시예에 따르면, 상기 제3 가격은 상기 제1 시점에서의 상기 특정 미술 작품의 평가 가격으로 예측되는 제1 시점 예측 평가 가격일 수 있다.
일 실시예에 따르면, 상기 제4 가격은 상기 제1 시점으로부터 미리 설정된 시간 이후의 제2 시점에서의 상기 특정 미술 작품의 평가 가격으로 예측되는 제2 시점 예측 평가 가격일 수 있다.
일 실시예에 따르면, 상기 제1 가격, 상기 제2 가격, 상기 제3 가격 및 상기 제4 가격에 기초하여, 상기 특정 미술 작품 경매에 대한 참여 추천도와 관련된 평가 점수가 획득될 수 있다.
일 실시예에 따르면, 상기 평가 점수가 획득됨에 있어서, 상기 제1 가격, 상기 제2 가격, 상기 제3 가격 및 상기 제4 가격 각각에 대하여 가중치 요소 (weight factor) 가 적용될 수 있다.
일 실시예에 따르면, 상기 가중치 요소는 상기 제1 가격, 상기 제2 가격, 상기 제3 가격 및 상기 제4 가격 간의 비교 결과에 기초하여 획득되는 0 이상 1 이하의 실수일 수 있다.
일 실시예에 따르면, 상기 방법은: 상기 평가 점수 및 상기 참여 추천도를 포함하는 정보를 제공; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 가격이 상기 제2 가격 보다 큼에 기초하여, 상기 제1 가격과 상기 제2 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 작아질 수 있다.
일 실시예에 따르면, 상기 제1 가격이 상기 제2 가격 보다 작음에 기초하여, 상기 제1 가격과 상기 제2 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 커질 수 있다.
일 실시예에 따르면, 상기 제1 가격이 상기 제3 가격 보다 큼에 기초하여, 상기 제1 가격과 상기 제3 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 작아질 수 있다.
일 실시예에 따르면, 상기 제1 가격이 상기 제3 가격 보다 작음에 기초하여, 상기 제1 가격과 상기 제3 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 커질 수 있다.
일 실시예에 따르면, 상기 제1 가격이 상기 제4 가격보다 큼에 기초하여, 상기 제1 가격과 상기 제4 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 작아질 수 있다.
일 실시예에 따르면, 상기 제1 가격이 상기 제4 가격 보다 작음에 기초하여, 상기 제1 가격과 상기 제4 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 커질 수 있다.
일 실시예에 따르면, 상기 제2 시점은 복수의 제2 시점들이고, 상기 복수의 제2 시점들에서의 복수의 제2 시점 예측 평가 가격들에 기초하여 시간에 따른 제2 시점 예측 평가 가격 증가율이 획득될 수 있다.
일 실시예에 따르면, 상기 복수의 미술 작품 경매들 중 상기 특정 미술 작품 경매가 선택되는 명령을 입력한 사용자의 가용 최대 예산에 대한 정보가 입력됨, 상기 제1 가격이 상기 가용 최대 예산 이하임 및 상기 제2 시점 예측 평가 가격 증가율이 미리 설정된 임계치 이상임에 기초하여, 상기 평가 점수가 미리 정의된 최대값으로 획득되도록 상기 가중치 요소가 획득될 수 있다.
일 실시예에 따르면, 상기 복수의 미술 작품 경매들은, 상기 전자 장치에 기초한 하나 이상의 제1 미술 작품 경매와 상기 전자 장치가 아닌 외부 전자 장치에 기초한 하나 이상의 제2 미술 작품 경매를 포함할 수 있다.
일 실시예에 따르면, 상기 하나 이상의 제2 미술 작품 경매에 대한 정보의 획득을 위하여, 미리 설정된 주기에 따라 외부 검색 엔진을 이용한 미술 작품 경매 관련 검색이 수행될 수 있다.
일 실시예에 따르면, 상기 미리 학습된 예측 모델은: 수집된 데이터를 미리 설정된 18 가지 종류의 미술 작품 가격 예측 필요 특징 (feature) 으로 필터링함에 기초하여 획득되는 학습 데이터로 학습될 수 있다.
일 실시예에 따르면, 상기 미리 설정된 18 가지 종류의 미술 작품 가격 예측 필요 특징은: 경매 회사, 경매 종류, 경매가 수행되는 장소, 경매 날짜, 미술 작품 작가, 미술 작품 제작 연도, 미술 작품 재료, 미술 작품 크기, 미술 작품의 상하위 추정가, 미술 작품 상태, 미술 작품 출처, 미술 작품 에디션 개수, 특정 국가의 주식 시세, 특정 국가의 기준 금리, 기준 국가에 대한 특정 국가의 환율, 특정 지역의 부동산 시세, 미술 작품 도상 등급 및 미술 작품 구분일 수 있다.
일 실시예에 따르면, 상기 미술 작품 에디션 개수는, 대응되는 미술 작품의 제작 개수와 관련될 수 있다.
일 실시예에 따르면, 상기 미술 작품 도상 등급은, 대응되는 미술 작품의 도상 (iconography) 에 대한 평가 결과와 관련될 수 있다.
일 실시예에 따르면, 상기 학습은, 상기 미리 설정된 18 가지 종류의 미술 작품 가격 예측 필요 특징이 관측 인풋 (observed input) 과 노운 인풋 (known input) 으로 구별됨에 기초한 TFT (temporal fusion transformer) 알고리즘에 기초하여 수행될 수 있다.
일 실시예에 따르면, 상기 미술 작품 도상 등급은: 상기 수집된 데이터 중 상기 미술 작품 도상 등급에 대응되는 제1 로 (row) 데이터에 대한 제1 전처리에 기초하여 획득될 수 있다.
일 실시예에 따르면, 상기 미술 작품 구분은: 상기 수집된 데이터 중 상기 미술 작품 구분에 대응되는 제2 로 데이터에 대한 제2 전처리에 기초하여 획득될 수 있다.
일 실시예에 따르면, 상기 제1 전처리는, 미술 작품 사진 및 미술 작품 등급을 포함하는 상기 제1 로 데이터에 대한 CNN (convolutional neural network) 알고리즘에 기초하여 수행될 수 있다.
일 실시예에 따르면, 상기 제2 전처리는, 상기 미술 작품 작가, 미술 작품명, 상기 미술 작품 제작 연도, 상기 미술 작품 재료, 상기 미술 작품 크기를 포함하는 상기 제2 로 데이터에 대한 DBSCAN (density-based spatial clustering of applications with noise) 알고리즘에 기초하여 수행될 수 있다.
일 실시예에 따르면, 상기 방법은: 상기 예측 가격 관련 정보를 제공한 이후, 상기 특정 미술 작품 경매에서의 상기 특정 미술 작품에 대한 실제 낙찰 가격에 대한 정보를 획득; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 방법은: 상기 실제 낙찰 가격과 상기 제1 가격 간의 차이에 기초하여 피드백 정보를 생성하여 상기 미리 학습된 예측 모델을 업데이트; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 전자 장치가 제공될 수 있다.
일 실시예에 따르면, 상기 전자 장치는: 메모리 (memory); 및 상기 메모리와 연결된 하나 이상의 프로세서 (processor) 를 포함할 수 있다.
일 실시예에 따르면, 상기 하나 이상의 프로세서는: 복수의 미술 작품 경매들을 포함하는 미술 작품 경매 리스트 정보를 제공; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 하나 이상의 프로세서는: 상기 복수의 미술 작품 경매들 중 특정 미술 작품 경매가 선택됨에 기초하여, 상기 특정 미술 작품 경매의 대상인 특정 미술 작품과 상기 특정 미술 작품 경매의 특정 경매 일정을 식별; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 특정 미술 작품과 상기 특정 경매 일정이 입력됨에 따른 미리 학습된 예측 모델의 출력에 기초하여, 상기 특정 미술 작품에 대응되는 예측 가격 관련 정보를 제공; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 예측 가격 관련 정보는 제1 가격과 제2 가격을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 가격은: 상기 특정 미술 작품 경매에서의 상기 특정 미술 작품의 낙찰 가격으로 예측되는 예측 낙찰 가격일 수 있다.
일 실시예에 따르면, 상기 제2 가격은: 상기 특정 경매 일정에 대응되는 제1 시점에서의 상기 특정 미술 작품의 감정 가격으로 예측되는 예측 감정 가격일 수 있다.
일 실시예에 따르면, 전자 장치가 제공될 수 있다.
일 실시예에 따르면, 상기 전자 장치는; 메모리 (memory); 및 상기 메모리와 연결된 하나 이상의 프로세서 (processor) 를 포함할 수 있다.
일 실시예에 따르면, 상기 하나 이상의 프로세서는: 복수의 미술 작품 경매들을 포함하는 미술 작품 경매 리스트 정보를 수신; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 하나 이상의 프로세서는: 상기 복수의 미술 작품 경매들 중 특정 미술 작품 경매를 선택하는 정보를 송신; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 하나 이상의 프로세서는: 상기 특정 미술 작품에 대응되는 예측 가격 관련 정보를 수신; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 특정 미술 작품 경매는, 상기 특정 미술 작품 경매의 대상인 특정 미술 작품과 상기 특정 미술 작품 경매의 특정 경매 일정과 관련될 수 있다.
일 실시예에 따르면, 상기 예측 가격 관련 정보는, 상기 특정 미술 작품과 상기 특정 경매 일정이 입력됨에 따른 미리 학습된 예측 모델의 출력에 기초하여 획득될 수 있다.
일 실시예에 따르면, 상기 예측 가격 관련 정보는 제1 가격과 제2 가격을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 가격은: 상기 특정 미술 작품 경매에서의 상기 특정 미술 작품의 낙찰 가격으로 예측되는 예측 낙찰 가격일 수 있다.
일 실시예에 따르면, 상기 제2 가격은: 상기 특정 경매 일정에 대응되는 제1 시점에서의 상기 특정 미술 작품의 감정 가격으로 예측되는 예측 감정 가격일 수 있다.
일 실시예에 따르면, 시스템이 제공될 수 있다.
일 실시예에 따르면, 상기 시스템은; 전자 장치; 및 상기 전자 장치와 통신하는 서버; 를 포함할 수 있다.
일 실시예에 따르면, 상기 서버는: 상기 전자 장치로, 복수의 미술 작품 경매들을 포함하는 미술 작품 경매 리스트 정보를 제공; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 서버는: 상기 전자 장치로부터 상기 복수의 미술 작품 경매들 중 특정 미술 작품 경매가 선택됨과 관련된 정보를 수신함에 기초하여, 상기 특정 미술 작품 경매의 대상인 특정 미술 작품과 상기 특정 미술 작품 경매의 특정 경매 일정을 식별; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 서버는: 상기 전자 장치로, 상기 특정 미술 작품과 상기 특정 경매 일정이 입력됨에 따른 미리 학습된 예측 모델의 출력에 기초하여, 상기 특정 미술 작품에 대응되는 예측 가격 관련 정보를 제공; 하도록 설정될 수 있다.
일 실시예에 따르면, 상기 예측 가격 관련 정보는 제1 가격과 제2 가격을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 가격은: 상기 특정 미술 작품 경매에서의 상기 특정 미술 작품의 낙찰 가격으로 예측되는 예측 낙찰 가격일 수 있다.
일 실시예에 따르면, 상기 제2 가격은: 상기 특정 경매 일정에 대응되는 제1 시점에서의 상기 특정 미술 작품의 감정 가격으로 예측되는 예측 감정 가격일 수 있다.
일 실시예에 따르면, 하나 이상의 프로세서 (processor) 가 동작을 수행하도록 하는 하나 이상의 인스트럭션 (instruction) 을 저장하는 비-휘발성 (non-transitory) 프로세서-판독 가능 매체 (processor-readable medium) 가 제공될 수 있다.
일 실시예에 따르면, 상기 동작은: 복수의 미술 작품 경매들을 포함하는 미술 작품 경매 리스트 정보를 제공; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 동작은: 상기 복수의 미술 작품 경매들 중 특정 미술 작품 경매가 선택됨에 기초하여, 상기 특정 미술 작품 경매의 대상인 특정 미술 작품과 상기 특정 미술 작품 경매의 특정 경매 일정을 식별; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 특정 미술 작품과 상기 특정 경매 일정이 입력됨에 따른 미리 학습된 예측 모델의 출력에 기초하여, 상기 특정 미술 작품에 대응되는 예측 가격 관련 정보를 제공; 하는 것을 포함할 수 있다.
일 실시예에 따르면, 상기 예측 가격 관련 정보는 제1 가격과 제2 가격을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 가격은: 상기 특정 미술 작품 경매에서의 상기 특정 미술 작품의 낙찰 가격으로 예측되는 예측 낙찰 가격일 수 있다.
일 실시예에 따르면, 상기 제2 가격은: 상기 특정 경매 일정에 대응되는 제1 시점에서의 상기 특정 미술 작품의 감정 가격으로 예측되는 예측 감정 가격일 수 있다.
상술한 일 실시예는 일 실시예 중 일부에 불과하며, 본 개시의 일 실시예의 기술적 특징들이 반영된 여러 가지 실시예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 상세한 설명을 기반으로 도출되고 이해될 수 있다.
일 실시예에 따르면, 인공 지능 기반 미술 작품 가격 예측 방법 및 장치가 제공될 수 있다.
일 실시예에 따르면, 미술 작품 경매 참여자 및/또는 참여 희망자에게 정확한 가격 정보가 제공될 수 있다.
일 실시예에 따르면, 하나의 인공지능 모델로부터 다양한 가격 정보가 제공될 수 있어 미술 작품 경매 참여자 및/또는 참여 희망자의 만족도가 향상될 수 있다.
일 실시예에 따르면, 국내 경제 상황/세계 경제 상황에 따른 미술 시장 흐름이 예측될 수 있다.
일 실시예로부터 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.
일 실시예에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 일 실시예를 제공하고, 상세한 설명과 함께 일 실시예의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 서비스 제공을 위한 장치의 동작 방법이 구현될 수 있는 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 제1 디바이스 및/또는 제2 디바이스의 구성을 도시한 도면이다.
도 3 은 일 실시예에 따른 전자 장치와 서버의 동작의 일 예를 나타낸 도면이다.
도 4 는 일 실시예에 따른 전자 장치의 동작의 일 예를 나타낸 도면이다.
도 5 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 6 은 일 실시예에 따른 미리 학습된 예측 모델일 이용한 예측 가격 관련 정보 획득의 일 예를 나타낸 도면이다.
도 7 은 일 실시예에 따른 미리 학습된 예측 모델의 획득 동작의 일 예를 나타낸 도면이다.
도 8 은 일 실시예에 따른 미술 작품 경매 관련 유저 인터페이스의 일 예이다.
도 1은 일 실시예에 따른 서비스 제공을 위한 장치의 동작 방법이 구현될 수 있는 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 제1 디바이스 및/또는 제2 디바이스의 구성을 도시한 도면이다.
도 3 은 일 실시예에 따른 전자 장치와 서버의 동작의 일 예를 나타낸 도면이다.
도 4 는 일 실시예에 따른 전자 장치의 동작의 일 예를 나타낸 도면이다.
도 5 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 6 은 일 실시예에 따른 미리 학습된 예측 모델일 이용한 예측 가격 관련 정보 획득의 일 예를 나타낸 도면이다.
도 7 은 일 실시예에 따른 미리 학습된 예측 모델의 획득 동작의 일 예를 나타낸 도면이다.
도 8 은 일 실시예에 따른 미술 작품 경매 관련 유저 인터페이스의 일 예이다.
이하의 실시예들은 일 실시예의 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 일 실시예를 구성할 수도 있다. 일 실시예에서 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, 일 실시예의 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 일 실시예를 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, 일 실시예에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 일 실시예의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 일 실시예에서 사용되는 특정(特定) 용어들은 일 실시예의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 일 실시예의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
1. 시스템 구현
도 1은 일 실시예에 따른 서비스 제공을 위한 장치의 동작 방법이 구현될 수 있는 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 시스템은 다양한 종류의 장치들에 구현될 수 있다. 일 실시예에 대한 설명에서, 일 실시예에 따른 시스템은 전자 장치에 의하여 구현될 수 있다. 예를 들어, 시스템은 제1 디바이스(100) 및/또는 제2 디바이스(200) 에 구현될 수 있다. 달리 말해, 제1 디바이스(100) 및/또는 제2 디바이스(200)는 각각의 장치에 구현된 시스템을 기반으로, 일 실시예에 따른 동작을 수행할 수 있다. 한편, 일 실시예에 따른 시스템은, 상기 도 1에 도시된 바에 국한되지 않고, 더 다양한 장치들 및/또는 서버들에 구현될 수도 있을 것이다.
일 실시예에 따른 제1 디바이스(100)는 시스템 및/또는 시스템에 의하여 운용되는 서비스 플랫폼을 이용하고자 하는 고객이 보유한 스마트 디바이스 등이 제1 디바이스(100)가 될 수 있으며, 이 경우, 후술되는 일 실시예에 따른 동작은 스마트 디바이스에 동작 가능한 어플리케이션 형태로 구현될 수 있다. 다만, 일 실시예에 따른 제1 디바이스(100)가 이에 국한되는 것은 아니다.
일 실시예에 따른 제2 디바이스(200)는, 제1 디바이스(100)들과 무선 및/또는 유선 통신을 수행하며, 대단위의 저장 용량을 갖는 데이터베이스를 포함하는 장치일 수 있다. 예를 들어, 제2 디바이스(200)는 복수 개의 제1 디바이스(100)들과 연동될 수도 있다. 도시되지는 않았으나, 제2 디바이스를 제어/관리하기 위한 별도의 디바이스가 마련될 수도 있다.
일 실시예에 따른 시스템은 동작을 위한 다양한 모듈들을 포함할 수 있다. 시스템에 포함된 모듈들은 시스템이 구현되는(또는, 물리적 장치에 포함되는) 물리적 장치(예: 제1 디바이스(100) 및/또는 제2 디바이스(200))가 지정된 동작을 수행할 수 있도록 구현된 컴퓨터 코드 내지는 하나 이상의 인스트럭션 (instruction) 일 수 있다. 다시 말해, 시스템이 구현되는 물리적 장치는 복수 개의 모듈들을 컴퓨터 코드 형태로 메모리에 저장하고, 메모리에 저장된 복수 개의 모듈들이 실행되는 경우 복수 개의 모듈들은 물리적 장치가 복수 개의 모듈들에 대응하는 지정된 동작들을 수행하도록 할 수 있다.
도 2는 일 실시예에 따른 제1 디바이스 및/또는 제2 디바이스의 구성을 도시한 도면이다.
도 2를 참조하면, 제1 디바이스 및/또는 제2 디바이스는 입/출력부(210), 통신부(220), 데이터베이스(230) 및 프로세서(240)를 포함할 수 있다.
입/출력부(210)는 사용자 입력을 받거나 또는 사용자에게 정보를 출력하는 각종 인터페이스나 연결 포트 등일 수 있다. 입/출력부(210)는 입력 모듈과 출력 모듈로 구분될 수 있는데, 입력 모듈은 사용자로부터 사용자 입력을 수신한다. 사용자 입력은 키 입력, 터치 입력, 음성 입력을 비롯한 다양한 형태로 이루어질 수 있다. 이러한 사용자 입력을 받을 수 있는 입력 모듈의 예로는 전통적인 형태의 키패드나 키보드, 마우스는 물론, 사용자의 터치를 감지하는 터치 센서, 음성 신호를 입력 받는 마이크, 영상 인식을 통해 제스처 등을 인식하는 카메라, 사용자 접근을 감지하는 조도 센서나 적외선 센서 등으로 구성되는 근접 센서, 가속도 센서나 자이로 센서 등을 통해 사용자 동작을 인식하는 모션 센서 및 그 외의 다양한 형태의 사용자 입력을 감지하거나 입력 받는 다양한 형태의 입력 수단을 모두 포함하는 포괄적인 개념이다. 여기서, 터치 센서는 디스플레이 패널에 부착되는 터치 패널이나 터치 필름을 통해 터치를 감지하는 압전식 또는 정전식 터치 센서, 광학적인 방식에 의해 터치를 감지하는 광학식 터치 센서 등으로 구현될 수 있다. 이외에도 입력 모듈은 자체적으로 사용자 입력을 감지하는 장치 대신 사용자 입력을 입력 받는 외부의 입력 장치를 연결시키는 입력 인터페이스(USB 포트, PS/2 포트 등)의 형태로 구현될 수도 있다. 또 출력 모듈은 각종 정보를 출력해 사용자에게 이를 제공할 수 있다. 출력 모듈은 영상을 출력하는 디스플레이, 소리를 출력하는 스피커, 진동을 발생시키는 햅틱 장치 및 그 외의 다양한 형태의 출력 수단을 모두 포함하는 포괄적인 개념이다. 이외에도 출력 모듈은 상술한 개별 출력 수단을 연결시키는 포트 타입의 출력 인터페이스의 형태로 구현될 수도 있다.
일 예로, 디스플레이 형태의 출력 모듈은 텍스트, 정지 영상, 동영상을 디스플레이 할 수 있다. 디스플레이는 액정 디스플레이(LCD: Liquid Crystal Display), 발광 다이오드(LED: light emitting diode) 디스플레이, 유기 발광 다이오드(OLED: Organic Light Emitting Diode) 디스플레이, 평판 디스플레이(FPD: Flat Panel Display), 투명 디스플레이(transparent display), 곡면 디스플레이(Curved Display), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 홀로그래픽 디스플레이(holographic display), 프로젝터 및 그 외의 영상 출력 기능을 수행할 수 있는 다양한 형태의 장치를 모두 포함하는 광의의 영상 표시 장치를 의미하는 개념이다. 이러한 디스플레이는 입력 모듈의 터치 센서와 일체로 구성된 터치 디스플레이의 형태일 수도 있다.
통신부(220)는 외부 기기와 통신할 수 있다. 따라서, 제1 디바이스 및/또는 제2 디바이스는 통신부를 통해 외부 기기와 정보를 송수신할 수 있다. 예를 들어, 제1 디바이스 및/또는 제2 디바이스는 통신부를 이용해 시스템에 저장 및 생성된 정보들이 공유되도록 외부 기기와 통신을 수행할 수 있다.
여기서, 통신, 즉 데이터의 송수신은 유선 또는 무선으로 이루어질 수 있다. 이를 위해 통신부는 LAN(Local Area Network)를 통해 인터넷 등에 접속하는 유선 통신 모듈, 이동 통신 기지국을 거쳐 이동 통신 네트워크에 접속하여 데이터를 송수신하는 이동 통신 모듈, 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 블루투스(Bluetooth), 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용하는 근거리 통신 모듈, GPS(Global Positioning System)과 같은 GNSS(Global Navigation Satellite System)을 이용하는 위성 통신 모듈 또는 이들의 조합으로 구성될 수 있다. 통신에 사용되는 무선 통신 기술은 저전력 통신을 위한 NB-IoT (Narrowband Internet of Things) 를 포함할 수 있다. 이때, 예를 들어 NB-IoT 기술은 LPWAN (Low Power Wide Area Network) 기술의 일례일 수 있고, LTE Cat (category) NB1 및/또는 LTE Cat NB2 등의 규격으로 구현될 수 있으며, 상술한 명칭에 한정되는 것은 아니다. 추가적으로 또는 대체적으로, 일 실시예에 따른 무선 기기에서 구현되는 무선 통신 기술은 LTE-M 기술을 기반으로 통신을 수행할 수 있다. 이때, 일 예로, LTE-M 기술은 LPWAN 기술의 일례일 수 있고, eMTC (enhanced Machine Type Communication) 등의 다양한 명칭으로 불릴 수 있다. 예를 들어, LTE-M 기술은 1) LTE CAT 0, 2) LTE Cat M1, 3) LTE Cat M2, 4) LTE non-BL(non-Bandwidth Limited), 5) LTE-MTC, 6) LTE Machine Type Communication, 및/또는 7) LTE M 등의 다양한 규격 중 적어도 어느 하나로 구현될 수 있으며 상술한 명칭에 한정되는 것은 아니다. 추가적으로 또는 대체적으로, 일 실시예에 따른 무선 기기에서 구현되는 무선 통신 기술은 저전력 통신을 고려한 지그비(ZigBee), 블루투스(Bluetooth) 및 저전력 광역 통신망(Low Power Wide Area Network, LPWAN) 중 적어도 어느 하나를 포함할 수 있으며, 상술한 명칭에 한정되는 것은 아니다. 일 예로 ZigBee 기술은 IEEE 802.15.4 등의 다양한 규격을 기반으로 소형/저-파워 디지털 통신에 관련된 PAN(personal area networks)을 생성할 수 있으며, 다양한 명칭으로 불릴 수 있다.
데이터베이스(230)는 각종 정보를 저장할 수 있다. 데이터베이스는 데이터를 임시적으로 또는 반영구적으로 저장할 수 있다. 예를 들어, 데이터베이스에는 제1 디바이스 및/또는 제2 디바이스를 구동하기 위한 운용 프로그램(OS: Operating System), 웹 사이트를 호스팅하기 위한 데이터나 점자 생성을 위한 프로그램 내지는 어플리케이션(예를 들어, 웹 어플리케이션)에 관한 데이터 등이 저장될 수 있다. 또, 데이터베이스는 상술한 바와 같이 모듈들을 컴퓨터 코드 형태로 저장할 수 있다.
데이터베이스(230)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 이러한 데이터베이스는 내장 타입 또는 탈부착 가능한 타입으로 제공될 수 있다.
프로세서(240)는 제1 디바이스(100) 및/또는 제2 디바이스(200)의 전반적인 동작을 제어한다. 이를 위해 프로세서(340)는 각종 정보의 연산 및 처리를 수행하고 제1 디바이스 및/또는 제2 디바이스의 구성요소들의 동작을 제어할 수 있다. 예를 들어, 프로세서(340)는 서비스 제공을 위한 프로그램 내지 어플리케이션을 실행시킬 수 있을 것이다. 프로세서(240)는 하드웨어 소프트웨어 또는 이들의 조합에 따라 컴퓨터나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 프로세서(240)는 전기적인 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적인 프로세서(240)를 구동시키는 프로그램 형태로 제공될 수 있다. 한편, 이하의 설명에서 특별한 언급이 없는 경우에는 제1 디바이스 및/또는 제2 디바이스의 동작은 프로세서(240)의 제어에 의해 수행되는 것으로 해석될 수 있다. 즉, 시스템에 구현되는 모듈들이 실행되는 경우, 모듈들은 프로세서(240)가 제1 디바이스 및/또는 제2 디바이스를 이하의 동작들을 수행하도록 제어하는 것으로 해석될 수 있다.
요약하면, 일 실시예는 다양한 수단을 통해 구현될 수 있다. 예를 들어, 일 실시예는 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 일 실시예에 따른 방법은 하나 또는 그 이상의 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 일 실시예에 따른 방법은 이하에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 예를 들어, 소프트웨어 코드는 메모리에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리는 상기 프로세서 내부 또는 외부에 위치할 수 있으며, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
일 실시예에 따르면, 프로세서 판독가능한(readable) 저장(storage) 매체(medium) (예를 들어, 비-휘발성 (non-transitory) 프로세서-판독 가능 매체 (processor-readable medium) 는 하나 이상의 지시 또는 컴퓨터 프로그램을 저장할 수 있으며, 하나 이상의 지시 또는 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행될 경우 상기 하나 이상의 프로세서로 하여금 일 실시예 또는 구현들에 따른 동작들을 수행하도록 할 수 있다.
2. 일 실시예에 따른 장치의 구성/동작
이하에서는, 상기와 같은 기술적 사상에 기초하여 일 실시예에 대해 보다 상세히 설명한다. 이하에서 설명되는 일 실시예는 상호 배척되지 않는 한 전부 또는 일부가 결합되어 또 다른 일 실시예를 구성할 수도 있으며, 이는 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
이하에서 설명되는 일 실시예에 대해서는 앞서 설명한 제 1 절의 내용들이 적용될 수 있다. 예를 들어, 이하에서 설명되는 일 실시예에서 정의되지 않은 동작, 기능, 용어 등은 제 1 절의 내용들에 기초하여 수행되고 설명될 수 있다.
특별히 달리 언급되지 않은 한, 일 실시예에 대한 설명에서, A/B/C 는 A 및/또는 B 및/또는 C 를 의미할 수 있다.
특별히 달리 언급되지 않은 한, 일 실시예에 대한 설명에서, A 초과/이상인 것은 A 이상/초과인 것으로 대체될 수 있다.
특별히 달리 언급되지 않은 한, 일 실시예에 대한 설명에서, B 미만/이하인 것은 B 이하/미만인 것으로 대체될 수 있다.
특별히 달리 언급되지 않은 한, 일 실시예에 대한 설명에서, 미술 작품은 시각적/청각적 요소로 표현된 예술품을 의미하며, 예를 들어, 회화 작품, 조소 작품, 건축 작품, 공예 작품, 서예 작품 등이 있으며, 이에 제한되지 않을 수 있다.
이하에서는, 일 실시예에 따른 제1 디바이스(100)의 일 구현 예에 따른 전자 장치가 설명되나, 이외에도 유사한 기능을 수행하는 다른 장치들도 제1 디바이스가 될 수 있다. 예를 들어, 제1 디바이스는 단말, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), PC (personal computer), 키오스크 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
이하에서는, 일 실시예에 따른 제2 디바이스(200)의 일 구현 예에 따른 서버가 설명되나, 이외에도 유사한 기능을 수행하는 다른 장치들도 제2 디바이스가 될 수 있다. 예를 들어, 서버 또한 일반적인 용어로 전자 장치로 명명될 수 있다.
특별히 달리 언급되지 않은 한, 이하의 일 실시예에 대한 설명에서 이용/획득/출력/표시되는 정보 등은 제1 디바이스 및/또는 제2 디바이스가 직접 식별/획득한 정보이거나, 제1 디바이스 및/또는 제2 디바이스에 포함된 데이터베이스에 저장된 정보이거나, 서버 및/또는 기타 외부 기기로부터 제1 디바이스 및/또는 제2 디바이스가 수신 받은 정보 중 하나 이상일 수 있다.
도 3 은 일 실시예에 따른 전자 장치와 서버의 동작의 일 예를 나타낸 도면이다.
도 4 는 일 실시예에 따른 전자 장치의 동작의 일 예를 나타낸 도면이다.
도 5 는 일 실시예에 따른 서버의 동작의 일 예를 나타낸 도면이다.
도 3 내지 도 5 를 참조하면, 일 실시예에 따른 동작 301, 401, 501 에서, 서버는 미술 작품 경매 리스트 정보를 송신할 수 있으며, 전자 장치는 이를 수신할 수 있다.
일 실시예에 따르면, 미술 작품 경매 리스트 정보는, 복수의 미술 작품 경매들을 포함할 수 있다. 일 실시예에 따르면, 각 미술 작품 경매는 (1) 경매의 대상이 되는 미술 작품과 (2) 경매 수행이 예정된 경매 일정에 기초하여 특정/정의될 수 있다.
일 실시예에 따르면, 복수의 미술 작품 경매들은 하나 이상의 제1 미술 작품 경매와 하나 이상의 제2 미술 작품 경매를 포함할 수 있다.
일 실시예에 따르면, 하나 이상의 제1 미술 작품 경매는 서버에 의하여 운용되는 것일 수 있다. 일 실시예에 따르면, 하나 이상의 제2 미술 작품 경매는 서버가 아닌 외부 전자 장치 (예를 들어, 외부 서버) 에 의하여 운용되는 것일 수 있다. 일 실시예에 따르면, 하나 이상의 제1 미술 작품 경매는 서버에 의하여 운용되는 웹 (web) 에 기초할 수 있으며, 하나 이상의 제2 미술 작품 경매는 외부 전자 장치에 의하여 운용되는 웹에 기초할 수 있다. 다만, 일 실시예에 따르면, 웹에 기반한 온라인 미술 작품 경매 외, 오프라인에 기반한 미술 작품 경매도 지원될 수 있다. 이 경우, 하나 이상의 제1 미술 작품 경매는 서버를 운용하는 경매 회사와 관련될 수 있으며, 하나 이상의 제2 미술 작품 경매는 외부 전자 장치를 운용하는 외부 경매 회사와 관련될 수 있다.
일 실시예에 따르면, 서버는 (웹을 통하여) 일 실시예에 따른 경매 관련 가격 예측 서비스를 제공하는 것에 더하여, 직접 하나 이상의 제1 미술 작품 경매와 관련된 서비스를 운용할 수 있다. 예를 들어, 하나 이상의 제1 미술 작품 경매의 대상이 되는 미술 작품과 관련된 정보 및/또는 경매 일정 관련 정보 및/또는 경매 참여 및/또는 경매 입찰과 관련된 유저 인터페이스 및/또는 유저 인터페이스 생성을 위한 정보를 전자 장치에 제공할 수 있다.
일 실시예에 따르면, 서버는 자신이 직접 운용하는 하나 이상의 제1 미술 작품 경매 뿐만 아니라, 외부 전자 장치로부터 운용되는 하나 이상의 제2 미술 작품 경매에 대해서도, 관련 정보를 수집하여 제2 미술 작품 경매와 관련된 서비스를 운용할 수 있다. 예를 들어, 하나 이상의 제2 미술 작품 경매의 대상이 되는 미술 작품과 관련된 정보 및/또는 경매 일정 정보 및/또는 외부 전자 장치가 운용하는 웹으로의 다이렉트 링크 및/또는 다이렉트 링크 생성을 위한 정보를 전자 장치에 제공할 수 있다.
일 실시예에 따르면, 서버는 하나 이상의 제2 하나 이상의 제2 미술 작품 경매에 대한 정보의 획득을 위하여, 미리 설정된 주기에 따라 외부 검색 엔진을 이용하여 미술 작품 관련 검색을 수행하고, 검색 결과에 기초하여 하나 이상의 제2 하나 이상의 제2 미술 작품 경매에 대한 정보를 획득/업데이트할 수 있다.
일 실시예에 따르면, 미술 작품 경매 리스트 정보는 전자 장치의 사용자가 복수의 미술 작품 경매들 중 어느 미술 작품 경매를 선택할 수 있도록 하는 유저 인터페이스 및/또는 유저 인터페이스 생성을 위한 정보를 포함할 수 있다.
일 실시예에 따른 동작 303, 403, 503 에서, 전자 장치는 특정 미술 작품 경매 선택 정보를 송신할 수 있으며, 서버는 이를 수신할 수 있다. 일 실시예에 따르면, 특정 미술 작품 경매 선택 정보는 미술 작품 경매 리스트에 포함된 복수의 미술 작품 경매들 중 특정 미술 작품 경매에 대한 정보일 수 있으며, 전자 장치의 사용자에 의하여 선택된 것일 수 있다.
일 실시예에 따른 동작 305, 505 에서, 서버는 특정 미술 작품 및 특정 경매 일정을 식별할 수 있다. 일 실시예에 따르면, 서버는 각 미술 작품 경매와 대응되는 (1) 경매의 대상이 되는 미술 작품과 (2) 경매 수행이 예정된 경매 일정을 저장하고 있으며, 이에 기초하여 특정 미술 작품 경매 선택 정보로부터 식별된, 특정 미술 작품 경매의 대상인 특정 미술 작품, 특정 미술 작품 경매의 경매 일정을 식별할 수 있다.
일 실시예에 따른 동작 307, 407, 507 에서, 서버는 예측 가격 관련 정보를 송신할 수 있으며, 전자 장치는 이를 수신할 수 있다. 일 실시예에 따르면, 예측 가격 관련 정보는 특정 미술 작품의 가격과 관련된 정보를 포함할 수 있다. 일 실시예에 따르면, 예측 가격 관련 정보는 미리 학습된 예측 모델에 기초하여 획득될 수 있다.
도 6 은 일 실시예에 따른 미리 학습된 예측 모델일 이용한 예측 가격 관련 정보 획득의 일 예를 나타낸 도면이다.
도 6 을 참조하면, 일 실시예에 따른 미리 학습된 예측 모델은, 특정 미술 작품 경매에 대응되는 특정 미술 작품, 특정 미술 작품 경매의 특정 경매 일정이 입력되면, 예측 가격 관련 정보를 제공하도록 미리 학습된 인공지능 모델일 수 있다. 일 실시예에 따르면, 미리 학습된 예측 모델은 서버에 미리 저장되거나 및/또는 외부 전자 장치 (예를 들어, 외부 서버) 등에 저장되고, 서버-외부 전자 장치 간의 통신에 따라 서버가 접근 가능하도록 설정될 수 있다.
일 실시예에 따르면, 예측 가격 관련 정보는 제1 가격 내지 제4 가격을 포함할 수 있다.
1) 제1 가격: 특정 미술 작품 경매에서의 특정 미술 작품의 낙찰 가격으로 예측되는 예측 낙찰 가격
2) 제2 가격: 특정 경매 일정에 대응되는 제1 시점에서의 특정 미술 작품의 감정 가격으로 예측되는 예측 감정 가격 (즉, 예측 경매 시작 가격). 예를 들어, 제1 시점은 특정 경매 일정과 동일하거나 및/또는 그 이전의 시점일 수 있다. 예를 들어, 현재 시점 (예측 가격 관련 정보 획득을 위한 동작을 서버가 수행하는 시점) 에 이미 경매 시작 가격이 공개된 경우, 제2 가격의 획득은 생략될 수 있다.
3) 제3 가격: 제1 시점에서의 특정 미술 작품의 평가 가격으로 예측되는 제1 시점 예측 평가 가격. 일 실시예에 따르면, 제2 가격과 제3 가격은 동일 시점을 기준으로 획득된 예측 가격일 수 있다. 일 실시예에 대한 설명에서, “예측 평가 가격” 은 실제 시장에서 미술 작품의 시세에 대한 평가일 수 있다.
4) 제4 가격: 제1 시점으로부터 미리 설정된 시간 이후의 제2 시점에서의 특정 미술 작품의 평가 가격으로 예측되는 제2 시점 예측 평가 가격. 일 실시예에 따르면, 미리 설정된 시간은 미리 정의된 길이 (예를 들어, 일/주/월/년 단위로 정의된 시간 길이, 예를 들어, 1-3달) 로 고정되거나, 및/또는 전자 장치로부터 미리 설정된 시간 길이를 설정하는 정보를 수신 받고, 수신된 정보에 기초하여 미리 설정된 시간 길이가 설정될 수 있다.
일 실시예에 따르면, 제1 가격 내지 제4 가격에 기초하여, 특정 미술 작품 경매에 참여할 메리트가 있는 지가 평가되고, 그에 기초하여 추천 여부가 결정 및/또는 추천 정보가 송수신될 수 있다.
일 실시예에 따르면, 특정 미술 작품 경매에 대한 메리트 평가, 즉, 특정 미술 작품 경매에 대한 참여 추천도와 관련된 평가 점수가 정의될 수 있다. 일 실시예에 따르면, 서버는 평가 점수를 획득 및 평가 점수/평가 점수에 대응되는 참여 추천도 (예를 들어, 상/중/하) 를 포함하는 정보를 송신하고, 전자 장치는 이를 수신할 수 있다.
일 실시예에 따르면, 서버는 수학식 1 에 기초하여 평가 점수를 산출/획득할 수 있다.
[수학식 1]
Sk : 특정 미술 작품 k 에 대한 평가 점수 (및/또는 그에 대응되는 값)
Xi : 복수의 가격들 중 i 번째 가격
ωi : 복수의 가격들 각각에 부여된 가중치 요소 (weight factor) 중 i 번째 가격에 부여된 i 번째 가중치 요소 (
)
일 실시예에 따르면, 복수의 가격들은 제1 가격 내지 제4 가격을 포함할 수 있다. (N=4) 다만, 상술된 바와 같이, 현재 시점에 이미 경매 시작 가격이 공개된 경우, 제2 가격의 획득은 생략될 수 있으므로, 이 경우, 복수의 가격들은 제1 가격, 제3 가격, 제4 가격일 수 있다. (N=3). 또한, 일 실시예에 따르면, 제4 가격은 복수의 서로 다른 제2 시점에서의 복수의 제4 가격들일 수 있으며, 이 경우, N > 4 일 수 있다. 제4 가격이 복수의 제4 가격들인 경우, 복수의 제4 가격들 각각에 대하여 가중치 요소가 별개로 설정될 수 있으며, 복수의 제4 가격들 각각에 대하여 설정된 가중치 요소 중 복수의 제4 가격들 중 최대값에 대응되는 가중치 요소가 가장 클 수 있다.
일 실시예에 따르면, i 번째 가중치 요소는 대응되는 i 번째 가격에 대한 메리트 정도를 의미할 수 있다. 예를 들어, i 번째 가중치 요소가 0 에 가까울수록 i 번째 가격은 메리트가 적은 것으로 평가되고, i 번째 가중치 요소가 1 에 가까울수록 i 번째 가격은 메리트가 높은 것으로 평가될 수 있다.
일 실시예에 따르면, 가중치 요소는 제1 가격, 제2 가격, 제3 가격 및 제4 가격 간의 비교 결과에 기초하여 획득될 수 있다.
CASE 1)
제1 가격 > 제2 가격 (예측 낙찰 가격 > 예측 감정 가격)
이 경우, 제1 가격과 제2 가격 간의 가격 간의 차이가 커질수록 메리트가 적어지므로, 차이가 커질수록 제1 가격에 대한 가중치 요소가 작아질 수 있다.
CASE 2)
제1 가격 < 제2 가격 (예측 낙찰 가격 < 예측 감정 가격)
이 경우, 제1 가격과 제2 가격 간의 가격 간의 차이가 커질수록 메리트가 커지므로, 차이가 커질수록 제1 가격에 대한 가중치 요소가 커질 수 있다.
CASE 3)
제1 가격 > 제3 가격 (예측 낙찰 가격 > 제1 시점 예측 평가 가격)
이 경우, 제1 가격과 제3 가격 간의 가격 간의 차이가 커질수록 메리트가 적어지므로, 차이가 커질수록 제1 가격에 대한 가중치 요소가 작아질 수 있다.
CASE 4)
제1 가격 < 제3 가격 (예측 낙찰 가격 < 제1 시점 예측 평가 가격)
이 경우, 제1 가격과 제3 가격 간의 가격 간의 차이가 커질수록 메리트가 커지므로, 차이가 커질수록 제1 가격에 대한 가중치 요소가 커질 수 있다.
CASE 5)
제1 가격 > 제4 가격 (예측 낙찰 가격 > 제2 시점 예측 평가 가격)
이 경우, 제1 가격과 제4 가격 간의 가격 간의 차이가 커질수록 메리트가 적어지므로, 차이가 커질수록 제1 가격에 대한 가중치 요소가 작아질 수 있다.
CASE 6)
제1 가격 < 제4 가격 (예측 낙찰 가격 < 제2 시점 예측 평가 가격)
이 경우, 제1 가격과 제4 가격 간의 가격 간의 차이가 커질수록 메리트가 커지므로, 차이가 커질수록 제1 가격에 대한 가중치 요소가 커질 수 있다.
CASE 7)
일 실시예에 따르면, 제4 가격은 복수의 서로 다른 제2 시점에서의 복수의 제4 가격들일 수 있다. 일 실시예에 따르면, 서버는 복수의 제4 가격들과 복수의 제2 시점들에 기반한 분석에 기초하여 제2 시점 예측 평가 가격 증가율을 획득할 수 있다.
예를 들어, 함수 플로팅에 기초하여 1차 함수를 획득할 수 있다.
y=a*x+b 를 획득
x: 제2 시점
y: 제4 가격
a: 제2 시점 예측 평가 가격 증가율
b: y축 절편. 플로팅 결과로 획득되는 값
일 실시예에 따르면, 제2 시점 예측 평가 가격 증가율이 높은 것은 대응되는 미술 작품의 예측 미래 가치가 지속적으로 증가하는 것이므로, 메리트가 있는 것일 수 있다.
일 실시예에 따르면, 전자 장치는 사용자가 경매에서 사용 가능한 예산 범위에 대한 가용 최대 예산을 포함하는 정보를 송신할 수 있으며, 서버는 이를 수신할 수 있다. 일 실시예에 따르면, 서버는, 제1 가격이 가용 최대 예산 이하이고, 미리 설정된 임계치 이상인 경우, 평가 점수가 미리 정의된 최대값으로 획득되도록 각 가중치 요소를 조절할 수 있다. 예를 들어, 평가 점수가 0~100 사이의 실수값으로 정의되고 CASE 7 의 조건이 만족되는 경우, 평가 점수=100 으로 획득될 수 있다.
일 실시예에 따른 미리 학습된 예측 모델의 획득/학습 방법의 일 예에 대하여 설명한다.
인공지능 기술은 기계 학습(딥러닝) 및 기계 학습을 활용한 요소 기술들로 구성된다.
기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소 기술은 딥러닝 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.
이하의 설명에서는 서버가 추천 모델 획득 동작을 수행함을 전제로 다양한 실시예들에 대하여 설명하였으나, 일 실시예에 따르면, 서버 외부의 다른 서버 디바이스가 추천 모델 획득 동작을 수행할 수도 있다. 또는, 일 실시예에 따르면, 복수의 사용자 디바이스(200)들 및/또는 복수의 서버들이 마련되어, 복수의 사용자 디바이스(200)들 및/또는 복수의 서버들 간에 추천 모델 획득 동작의 각 동작이 분배되어, 별개로 실시될 수도 있다.
일 실시예에 따르면, 학습에는 CNN (Convolutional Neural Network) 알고리즘, DNN (Deep Neural Network) 알고리즘, RNN (Recurrent Neural Network) 알고리즘, RBM (Restricted Boltzmann Machine) 알고리즘, DBN (Deep Belief Network) 알고리즘, BRDNN(Bidirectional Recurrent Deep Neural Network) 알고리즘, TFT (Temporal Fusion Transformer) 알고리즘 등이 사용될 수 있으며, 이에 한정되는 것은 아니다. 일 실시예에 따르면, 각 용도 맞는 최적화된 알고리즘이 적용될 수 있다.
도 7 은 일 실시예에 따른 미리 학습된 예측 모델의 획득 동작의 일 예를 나타낸 도면이다.
도 7 을 참조하면, 일 실시예에 따르면, TFT 알고리즘은 시계열 예측 모델에 효율적인 것이고, 미리 학습된 예측 모델이 미술 작품 경매에서의 가격 예측을 위한 것인 점이 고려되어, 미리 학습된 예측 모델은 TFT (Temporal Fusion Transformer) 알고리즘에 기초하여 획득/학습될 수 있다.
일 실시예에 따르면, TFT 알고리즘에 이용될 학습 데이터가 획득될 수 있다. 일 실시예에 따르면, 미리 수집된 빅데이터 중에서, 미리 설정된 18 가지 종류의 미술 작품 가격 예측 필요 특징 (feature) 이 필터링됨에 기초하여, 학습 데이터가 획득될 수 있으며, 이로부터 미술 작품 가격 (label) 획득에 대한 학습이 수행될 수 있다.
일 실시예에 따르면, 빅데이터 중, 미리 설정된 18 가지 종류의 미술 작품 가격 예측 필요 특징을 분류하기 위한 미리 학습된 분류 모델이 이용될 수도 있다. 일 실시예에 따르면, 빅데이터가 입력되면, 미리 학습된 분류 모델은 빅데이터에 포함된 18 가지 종류의 미술 작품 가격 예측 필요 특징을 추출/출력할 수 있다.
일 실시예에 따르면, 미리 설정된 18 가지 종류의 미술 작품 가격 예측 필요 특징은 아래와 같을 수 있다.
1) 경매 회사
일 실시예에 따르면, 경매 회사는, 상술된 하나 이상의 제1/제2 미술 작품 경매를 운용하는 서버/외부 전자 장치에 대응될 수 있다. 경매 회사의 인기도 (인기/주류 경매 회사/비-인기/비-주류 경매 회사) 에 따라 평균 가격 (예를 들어, 평균 낙찰 가격) 간의 차이가 발생될 수 있는 점이 고려된 것일 수 있다.
2) 경매 종류
일 실시예에 따르면, 이는 오프라인 경매가 온라인 경매 대비 일반적으로 높은 가격 (예를 들어, 높은 낙찰 가격) 이 형성되는 점이 고려된 것일 수 있다.
3) 경매가 수행되는 장소
예를 들어, 경매가 수행되는 나라/도시 등일 수 있다.
4) 경매 날짜
미술 작품의 가격/가치가 시변함 (time-varying) 이 고려된 것일 수 있다.
5) 미술 작품 작가
6) 미술 작품 제작 연도
일 실시예에 따르면, 이는 작품 제작 연도에 따라 도상/가격 차이가 발생될 수 있는 점이 고려된 것일 수 있다.
7) 미술 작품 재료
일 실시예에 따르면, 이는 페인팅 작품이 다른 작품 대비 더 높은 가격 (예를 들어, 높은 낙찰 가격) 이 형성되는 점이 고려된 것일 수 있다.
8) 미술 작품 크기
일 실시예에 따르면, 이는 미술 작품의 크기가 클수록 일반적으로 더 높은 가격 (예를 들어, 높은 낙찰 가격) 이 형성되는 점이 고려된 것일 수 있다.
9) 미술 작품의 상하위 추정가
일 실시예에 따르면, 경매 회사의 추정가 정보가 학습에 고려될 수 있다.
10) 미술 작품 상태
일 실시예에 따르면, 이는 미술 작품의 상태가 좋을 수록 일반적으로 더 높은 가격 (예를 들어, 높은 낙찰 가격) 이 형성되는 점이 고려된 것일 수 있다.
11) 미술 작품 출처
일 실시예에 따르면, 이는 미술 작품의 출처가 불명확하면 일반적으로 더 낮은 가격 (예를 들어, 높은 낙찰 가격) 이 형성되는 점이 고려된 것일 수 있다.
12) 미술 작품 에디션 개수
미술 작품 에디션은 동일한 작품을 한정된 수량으로 제작하여 전시/판매되는 것과 관련될 수 있다. 미술 작품 에디션 개수는, 한정 제작된 동일 작품의 수량을 의미할 수 있다.
일 실시예에 따르면, 이는 제작된 미술 작품의 개수가 작을수록 가치가 높아지는 점이 고려된 것일 수 있다. 이는 예를 들어, 프린트 작품의 경우, 에디션의 개수가 많을수록 일반적으로 더 낮은 가격 (예를 들어, 높은 낙찰 가격) 이 형성되는 점이 고려된 것일 수 있다.
13) 특정 국가(예를 들어, 한국/미국 등이며 이에 한정되지 않음, 이하 동일)의 주식 시세
14) 특정 국가의 기준 금리
15) 기준 국가에 대한 특정 국가의 환율
16) 특정 지역(예를 들어, 서울 등이며 이에 한정되지 않음)의 부동산 시세
일 실시예에 따르면, 13) 내지 16) 은 경제 지수와 관련될 수 있다. 일 실시예에 따르면, 이는 미술 작품 시장은 경재 지수에 후행 지표를 따르는 것이 고려된 것일 수 있다.
17) 미술 작품 도상 등급
미술 작품의 도상 (iconography) 은 미술 작품이 담고 있는 뜻, 의미 등을 의미할 수 있다. 일반적으로 도상이 좋은 것은 작품 작가의 철학이 좀 더 깊게 담겨 있고, 균형을 갖추어, 더 품질 높은 미술 작품인 것으로 이해될 수 있다. 미술 작품의 도상은 미술 작품의 품질 (quality) 와 관련될 수 있다.
일 실시예에 따르면, 미술 작품의 도상/품질에 대한 평가와 관련된 도상 등급/품질 등급이 학습에 이용될 수 있다. 예를 들어, 미술 작품의 도상/품질에 대한 A급, B급, C급으로 평가가 수행될 수 있으며 (C->A 로 갈수록 높은 도상/품질에 대응됨), 구분된 도상 등급을 Lable 로 딥러닝 학습이 수행될 수 있다. 이러한 학습 결과로, 일 실시예에 따르면, 미리 학습된 예측 모델은 새로운 작품의 도상/도상 등급을 출력할 수 있다.
18) 미술 작품 구분
일 실시예에 따르면, 상술된 18 가지 종류의 미술 작품 가격 예측 필요 특징은 상술된 관측 인풋 (observed input) 과 노운 인풋 (known input) 으로 구별되어 TFT 알고리즘에 사용될 수 있다. 일 실시예에 따르면, 관측 변수는 forecast time 기준 이후 (즉, 미래 시점) 에 알 수 없는 변수이고, 노운 인풋은 미래 시점에 미리 알 수 있는 변수일 수 있다.
일 실시예에 따르면, 상술된 18 가지 종류의 미술 작품 가격 예측 필요 특징 중 적어도 일부는 학습 전에 전처리될 수 있다. 일 실시예에 따르면, 전처리 방법은 18 가지 종류의 미술 작품 가격 예측 필요 특징 각각에 대하여 다르게 적용될 수 있다.
일 실시예에 따르면, 미술 작품 도상 등급은 수집된 데이터 중 미술 작품 도상 등급에 대응되는 제1 로 (row) 데이터에 대한 제1 전처리에 기초하여 획득될 수 있다. 일 실시예에 따르면, 제1 전처리는, 미술 작품 사진 및 미술 작품 등급을 포함하는 제1 로 데이터에 대한 CNN (convolutional neural network) 알고리즘에 기초하여 수행될 수 있다. 일 실시예에 따르면, 제1 전처리를 통하여 작품들의 도상 별 등급으로 예측 가격의 오차에 따른 문제가 해소될 수 있다.
일 실시예에 따르면, 미술 작품 구분은 수집된 데이터 중 미술 작품 구분에 대응되는 제2 로 데이터에 대한 제2 전처리에 기초하여 획득될 수 있다. 일 실시예에 따르면, 제2 전처리는, 미술 작품 작가, 미술 작품명, 미술 작품 제작 연도, 미술 작품 재료, 미술 작품 크기를 포함하는 제2 로 데이터에 대한 DBSCAN (density-based spatial clustering of applications with noise) 알고리즘에 기초하여 수행될 수 있다.
일 실시예에 따르면, 미술 작품 구분을 위해서는 DBSCAN 알고리즘이 수행되는데, 이는 비지도학습 기반이므로 별도의 레이블이 필요 없으며, 클러스터의 개수를 별도 지정해줄 필요 없이 미술 작가 별/도상 별 종류 등으로 개수가 랜덤 지정될 수 있으며, 유사 특징들이 잘 묶이는 클러스터 알고리즘임이 고려된 것일 수 있다.
일 실시예에 따르면, 미리 학습된 예측 모델에 대한 피드백/업데이트가 수행될 수 있다. 일 실시예에 따르면, 서버는 예측 가격 관련 정보를 제공한 이후, 특정 미술 작품 경매에서의 특정 미술 작품에 대한 실제 낙찰 가격에 대한 정보를 획득할 수 있다. 일 실시예에 따르면, 실제 낙찰 가격에 대한 정보는 전자 장치로부터 제공되거나 및/또는 특정 경매를 운영한 주체 (상술된 서버/외부 전자 장치) 로부터 제공될 수 있다.
일 실시예에 따르면, 서버는 실제 낙찰 가격과 제1 가격 간의 차이에 기초하여 피드백 정보를 생성하여 미리 학습된 예측 모델을 업데이트할 수 있다. 예를 들어, 차이가 미리 설정된 임계치 이하이면, 피드백 정보 생성 및/또는 업데이트 동작은 수행되지 않을 수 있다. 예를 들어, 차이가 미리 설정된 임계치 초과이면, 차이값을 포함하는 및/또는 차이값에 대응되는 피드백 정보를 생성하여 미리 학습된 예측 모델을 업데이트/재학습시킬 수 있다.
도 8 은 일 실시예에 따른 미술 작품 경매 관련 유저 인터페이스의 일 예이다.
도 8 을 참조하면, 일 실시예에 따른 미술 작품 경매 관련 유저 인터페이스는 서버로부터 수신 받은 정보에 기초하여 전자 장치에 의하여 디스플레이될 수 있다.
일 실시예에 따른 미술 작품 경매 관련 유저 인터페이스는 아래 정보를 포함할 수 있다.
1) 미술 작품 경매 대상인 미술 작품의 사진/이미지
2) 미술 작품 경매 수행일
3) 미술 작품 경매 대상인 미술 작품 작가 정보
4) 미술 작품 경매 대상인 미술 작품의 작품명 (없는 경우, “무제” 로 표시됨)
5) 미술 작품 경매 대상인 미술 작품의 작품 재료
6) 미술 작품 경매 대상인 미술 작품의 재질
7) 미술 작품 경매 대상인 미술 작품의 크기
8) 미술 작품 경매 대상인 미술 작품의 제작 연도
9) 예측 낙찰 가격 (추정가)
10) 실제 낙찰가 (낙찰가)
일 실시예는 그 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 일 실시예의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 일 실시예의 등가적 범위 내에서의 모든 변경은 일 실시예의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
Claims (5)
- 전자 장치에 있어서,
메모리 (memory); 및 상기 메모리와 연결된 하나 이상의 프로세서 (processor); 를 포함하고,
상기 하나 이상의 프로세서는:
복수의 미술 작품 경매들을 포함하는 미술 작품 경매 리스트 정보를 제공;
상기 복수의 미술 작품 경매들 중 특정 미술 작품 경매가 선택됨에 기초하여, 상기 특정 미술 작품 경매의 대상인 특정 미술 작품과 상기 특정 미술 작품 경매의 특정 경매 일정을 식별; 및
상기 특정 미술 작품과 상기 특정 경매 일정이 입력됨에 따른 미리 학습된 예측 모델의 출력에 기초하여, 상기 특정 미술 작품에 대응되는 예측 가격 관련 정보를 제공; 하도록 설정되고,
상기 예측 가격 관련 정보는 제1 가격과 제2 가격을 포함하고,
상기 제1 가격은: 상기 특정 미술 작품 경매에서의 상기 특정 미술 작품의 낙찰 가격으로 예측되는 예측 낙찰 가격이고,
상기 제2 가격은: 상기 특정 경매 일정에 대응되는 제1 시점에서의 상기 특정 미술 작품의 감정 가격으로 예측되는 예측 감정 가격이고,
상기 예측 가격 관련 정보는 제3 가격과 제4 가격을 포함하고,
상기 제3 가격은 상기 제1 시점에서의 상기 특정 미술 작품의 평가 가격으로 예측되는 제1 시점 예측 평가 가격이고,
상기 제4 가격은 상기 제1 시점으로부터 미리 설정된 시간 이후의 제2 시점에서의 상기 특정 미술 작품의 평가 가격으로 예측되는 제2 시점 예측 평가 가격이고,
상기 제1 가격, 상기 제2 가격, 상기 제3 가격 및 상기 제4 가격에 기초하여, 상기 특정 미술 작품 경매에 대한 참여 추천도와 관련된 평가 점수가 획득되고,
상기 평가 점수가 획득됨에 있어서, 상기 제1 가격, 상기 제2 가격, 상기 제3 가격 및 상기 제4 가격 각각에 대하여 가중치 요소(weight factor)가 적용되고,
상기 가중치 요소는 상기 제1 가격, 상기 제2 가격, 상기 제3 가격 및 상기 제4 가격 간의 비교 결과에 기초하여 획득되는 0 이상 1 이하의 실수이고,
상기 하나 이상의 프로세서는, 상기 평가 점수 및 상기 참여 추천도를 포함하는 정보를 제공하고,
상기 제2 시점은 복수의 제2 시점들이고, 상기 복수의 제2 시점들에서의 복수의 제2 시점 예측 평가 가격들에 기초하여 시간에 따른 제2 시점 예측 평가 가격 증가율이 획득되고,
상기 복수의 미술 작품 경매들 중 상기 특정 미술 작품 경매가 선택되는 명령을 입력한 사용자의 가용 최대 예산에 대한 정보가 입력됨, 상기 제1 가격이 상기 가용 최대 예산 이하임 및 상기 제2 시점 예측 평가 가격 증가율이 미리 설정된 임계치 이상임에 기초하여, 상기 평가 점수가 미리 정의된 최대값으로 획득되도록 상기 가중치 요소가 획득되는, 전자 장치. - 삭제
- 삭제
- 제 1 항에 있어서,
상기 제1 가격이 상기 제2 가격 보다 큼에 기초하여, 상기 제1 가격과 상기 제2 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 작아지고,
상기 제1 가격이 상기 제2 가격 보다 작음에 기초하여, 상기 제1 가격과 상기 제2 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 커지고,
상기 제1 가격이 상기 제3 가격 보다 큼에 기초하여, 상기 제1 가격과 상기 제3 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 작아지고,
상기 제1 가격이 상기 제3 가격 보다 작음에 기초하여, 상기 제1 가격과 상기 제3 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 커지고,
상기 제1 가격이 상기 제4 가격보다 큼에 기초하여, 상기 제1 가격과 상기 제4 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 작아지고,
상기 제1 가격이 상기 제4 가격 보다 작음에 기초하여, 상기 제1 가격과 상기 제4 가격 간의 차이가 커질수록 상기 제1 가격에 대한 가중치 요소가 커지는, 전자 장치. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220135898A KR102491607B1 (ko) | 2022-10-20 | 2022-10-20 | 인공 지능 기반 미술 작품 가격 예측 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220135898A KR102491607B1 (ko) | 2022-10-20 | 2022-10-20 | 인공 지능 기반 미술 작품 가격 예측 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102491607B1 true KR102491607B1 (ko) | 2023-01-27 |
Family
ID=85101442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220135898A KR102491607B1 (ko) | 2022-10-20 | 2022-10-20 | 인공 지능 기반 미술 작품 가격 예측 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102491607B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180063574A (ko) | 2016-12-02 | 2018-06-12 | 김성국 | 머신 러닝을 이용한 중고 자동차 ｐ2ｐ 거래를 위한 중고 자동차 거래가격 결정 방법, 장치 및 컴퓨터-판독가능 매체 |
| KR102091417B1 (ko) * | 2019-07-04 | 2020-03-20 | (주)크래프트테크놀로지스 | 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 |
| KR102234821B1 (ko) | 2020-10-12 | 2021-04-01 | 주식회사 브랜드쉐어 | 빅 데이터 및 머신 러닝 모델을 이용한 제품의 가격 예측을 수행하는 전자장치 및 그 동작 방법 |
| KR102384728B1 (ko) * | 2020-11-03 | 2022-04-08 | 장세훈 | 산지 경매가 기반의 농산물 공급자 중심 역경매 가격 산출 방법 및 시스템 |
| KR20220048575A (ko) * | 2020-10-13 | 2022-04-20 | 주식회사 블루인덱스 | 예술품 시세 추정 방법 및 장치 |
-
2022
- 2022-10-20 KR KR1020220135898A patent/KR102491607B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180063574A (ko) | 2016-12-02 | 2018-06-12 | 김성국 | 머신 러닝을 이용한 중고 자동차 ｐ2ｐ 거래를 위한 중고 자동차 거래가격 결정 방법, 장치 및 컴퓨터-판독가능 매체 |
| KR102091417B1 (ko) * | 2019-07-04 | 2020-03-20 | (주)크래프트테크놀로지스 | 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 |
| KR102234821B1 (ko) | 2020-10-12 | 2021-04-01 | 주식회사 브랜드쉐어 | 빅 데이터 및 머신 러닝 모델을 이용한 제품의 가격 예측을 수행하는 전자장치 및 그 동작 방법 |
| KR20220048575A (ko) * | 2020-10-13 | 2022-04-20 | 주식회사 블루인덱스 | 예술품 시세 추정 방법 및 장치 |
| KR102384728B1 (ko) * | 2020-11-03 | 2022-04-08 | 장세훈 | 산지 경매가 기반의 농산물 공급자 중심 역경매 가격 산출 방법 및 시스템 |
Non-Patent Citations (2)
| Title |
|---|
| '미술시장 활성화를 위한 AI 기반 미술품 가격 예측 및 빅데이터를 활용한 거래 트렌드 분석 기술 개발', NTIS(2021년 8월 게재)* * |
| 이지인 외 1명. '다변수 LSTM 순환신경망 딥러닝 모형을 이용한 미술품 가격 예측에 관한 실증연구'. 한국콘텐츠학회 논문지. 한국콘텐츠학회. 제21권 제6호. 2021년 6월, pp.552-560* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107004408B (zh) | 用于基于将语义知识图的至少一部分转换为概率状态图来确定口语对话中的用户意图的方法和系统 | |
| US20190213522A1 (en) | System and method for determining user metrics | |
| CN108241520B (zh) | 提供用户的待办事项列表的系统和方法 | |
| US11127066B2 (en) | Multi-layer optimization for a multi-sided network service | |
| US20220318698A1 (en) | Systems and methods for task determination, delegation, and automation | |
| US20230022198A1 (en) | Systems and methods for user interfaces including task delegation controls | |
| US20230085225A1 (en) | Systems and methods for generating and curating tasks | |
| KR102491607B1 (ko) | 인공 지능 기반 미술 작품 가격 예측 방법 및 장치 | |
| KR102507508B1 (ko) | 바이럴 마케팅 방법 및 이를 지원하는 장치 | |
| US20230041255A1 (en) | Systems and methods for user interfaces for enabling task delegation controls | |
| US20230048441A1 (en) | Representative task generation and curation | |
| US20220366352A1 (en) | Automated recommendation and curation of tasks for experiences | |
| CA3223815A1 (en) | Systems and methods for determining likelihood of task delegation | |
| KR102455296B1 (ko) | 니트의류 상품을 추천하는 방법 및 이를 지원하는 장치 | |
| KR102586819B1 (ko) | 의류 상품 관련 정보 제공 방법 | |
| KR102643145B1 (ko) | 광고 계약 중개 기능을 제공하는 서버, 시스템 및 그 동작 방법 | |
| US20220405813A1 (en) | Price comparison and adjustment application | |
| KR102584732B1 (ko) | 언어 블록에 기반한 언어 학습 서비스 제공 방법 및 장치 | |
| US20220405687A1 (en) | Automated generation and recommendation of goal-oriented tasks | |
| US11457074B2 (en) | Using outcome-targeted gap predictions to identify a digital resource | |
| TW202338650A (zh) | 用於推斷使用者意向以在建築環境中製定最佳解決方案的系統和方法 | |
| WO2023240123A1 (en) | Communication interface for identification of service providers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |