KR102506472B1 - 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 - Google Patents
인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102506472B1 KR102506472B1 KR1020220146785A KR20220146785A KR102506472B1 KR 102506472 B1 KR102506472 B1 KR 102506472B1 KR 1020220146785 A KR1020220146785 A KR 1020220146785A KR 20220146785 A KR20220146785 A KR 20220146785A KR 102506472 B1 KR102506472 B1 KR 102506472B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- information
- food
- recommended
- determining
- Prior art date
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 claims abstract description 60
- 230000036760 body temperature Effects 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 235000013376 functional food Nutrition 0.000 claims description 40
- 239000008280 blood Substances 0.000 claims description 21
- 210000004369 blood Anatomy 0.000 claims description 21
- 210000003205 muscle Anatomy 0.000 claims description 17
- 239000002994 raw material Substances 0.000 claims description 17
- 210000000577 adipose tissue Anatomy 0.000 claims description 15
- 238000012552 review Methods 0.000 claims description 15
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 14
- 230000037182 bone density Effects 0.000 claims description 14
- 239000011575 calcium Substances 0.000 claims description 14
- 229910052791 calcium Inorganic materials 0.000 claims description 14
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 14
- 239000011707 mineral Substances 0.000 claims description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 102000004169 proteins and genes Human genes 0.000 claims description 14
- 230000035622 drinking Effects 0.000 claims description 9
- 230000000391 smoking effect Effects 0.000 claims description 9
- 208000008589 Obesity Diseases 0.000 claims description 7
- 230000036651 mood Effects 0.000 claims description 7
- 235000015097 nutrients Nutrition 0.000 claims description 7
- 235000020824 obesity Nutrition 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 235000003715 nutritional status Nutrition 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 235000005911 diet Nutrition 0.000 claims description 3
- 230000037213 diet Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000037323 metabolic rate Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 230000008451 emotion Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 53
- 239000000047 product Substances 0.000 description 50
- 239000003814 drug Substances 0.000 description 32
- 238000012549 training Methods 0.000 description 29
- 238000010801 machine learning Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 20
- 239000004615 ingredient Substances 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000003062 neural network model Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 229940079593 drug Drugs 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 206010020751 Hypersensitivity Diseases 0.000 description 7
- 208000030961 allergic reaction Diseases 0.000 description 6
- 230000003542 behavioural effect Effects 0.000 description 6
- 238000010411 cooking Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 230000037406 food intake Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003278 mimic effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000172 allergic effect Effects 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 235000013402 health food Nutrition 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Educational Technology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Heart & Thoracic Surgery (AREA)
- Child & Adolescent Psychology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Nutrition Science (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
Abstract
일 실시예에 따른 인공지능에 기반하여 초개인화 맞춤형 식품 구매 추천 서비스를 제공하는 방법은 사용자의 혈액형, 사용자의 체질, 사용자의 위치 정보, 사용자의 나이, 사용자의 선호 음식, 음주 정보 및 흡연 정보를 포함하는 사용자의 개인 정보를 입력할 수 있는 가이드를 제공하는 동작; 헬스 어플리케이션 상에서 사용자의 바이오리듬 및 사용자의 평상시 체온 정보를 획득하고, 서버 상에서 사용자의 건강 검진 정보를 수신하는 동작, 수신된 사용자의 건강 검진 정보, 사용자의 바이오리듬, 사용자의 평상시 체온 정보 및 사용자 입력에 기반하여 상기 사용자의 개인 정보를 결정 후 메모리 상에 저장하는 동작; 카메라를 이용하여 상기 사용자의 얼굴을 촬영하고, 촬영된 사용자의 얼굴 이미지 및 미리 학습된 사용자의 평균 얼굴 이미지의 비교 결과에 기반하여 사용자의 기분 또는 컨디션을 포함하는 사용자의 상태 정보를 획득하는 동작, 외부 서버를 이용하여 현재 날씨, 기온 및 계절 정보를 포함하는 환경 정보를 획득하는 동작, 상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작, 추천하기로 결정된 상기 식품의 이전 구매 날짜, 구매 이력, 다른 사용자들의 후기, 다른 사용자들의 점수, 원료의 기능성분, 복용 편리성, 가격 및 가격 대비 성능에 기반하여 추천 상품의 점수를 결정하고 상기 추천 상품의 점수가 지정된 수준을 초과함에 기반하여 사용자에게 재구매하도록 추천하는 가이드를 표시하는 동작 및 상기 재구매 추천 가이드 상에서 사용자의 재구매 의사를 확인하고, 상기 사용자의 위치에 기반하여 추천 식품의 구매처 목록을 결정 후 사용자에게 표시하는 동작을 포함할 수 있다.
Description
아래 실시예들은 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템에 관한 것이다.
정보 통신 기술의 발달로 전자 상거래가 널리 이용되면서 약국이나 병원과 같은 오프라인 경로를 통해 건강기능식품을 구매하던 방식에서 벗어나 온라인 마켓을 통해 건강기능식품을 구매하는 경우가 증가하고 있다.
이에 따라 건강기능식품을 취급하는 온라인 마켓이 다양하게 생겨나고 있다. 사용자는 다양한 온라인 마켓들 중 원하는 온라인 마켓을 이용하여 자신이 원하는 건강기능식품을 검색하고 구매할 수 있다.
종래의 온라인 마켓을 통한 건강기능식품 제공 서비스의 경우, 사용자가 조금 더 쉽게 자신이 원하는 건강기능식품을 선택할 수 있도록 기능과 성분에 따라 카테고리를 분리하거나, 평점이 높은 순서로 건강기능식품을 정렬하여 제공할 수 있다.
그러나 이러한 방식은 개인의 기분이나 선호도 같은 심리적인 정보와, 알레르기, 체질과 같은 신체적인 정보들을 고려하지 않기 때문에 초개인화 맞춤형 식품을 추천하는 데에는 한계가 있다.
선행문헌 1(한국등록특허 10-2278646호)는 고객 맞춤형 식품 추천 시스템을 개시하고 있다. 선행문헌 1은 개인의 유전적 정보나 신체 정보, 건강 상태 정보를 고려하여 고객 맞춤형 식품을 추천하지만, 사용자의 현재 감정이나 현재 환경 정보를 고려하는 특징을 개시하지 않아 사용자의 감정이 달라지거나 계절이나 온도, 날씨가 달라져도 이를 고려하지 못하고 일관된 상품만을 추천하는 한계가 있다.
선행문헌 2(한국공개특허10-2017-0054628호)는 개인 유전형 및 표현형 정보를 고려한 맞춤형 식품정보 추천 시스템을 개시하고 있다. 선행문헌 2는 유전형 정보에 따른 비만 위험도를 고려하고, 개인 유전형 정보를 고려해 고객 맞춤형 식품을 추천하지만, 사용자의 현재 감정이나 현재 환경 정보를 고려하는 특징을 개시하지 않아 사용자의 감정이 달라지거나 계절이나 온도, 날씨가 달라져도 이를 고려하지 못하고 일관된 상품만을 추천하는 한계가 있고, 사용자의 위치에 기반하여 구매처를 추천하거나, 교통 정보를 제공하지 못하는 한계가 있다.
또한, 라이프스타일에 도움이 되는 정보를 추천하는데 있어, 다양한 데이터의 분석 결과를 이용하여 정보를 추천하고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구되고 있다.
이러한 한계를 해결하고 라이프스타일에 도움이 되는 정보를 추천하기 위해 본 발명에서는 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템을 제공할 수 있다. 초개인화는 실시간 데이터와 함께 인공 지능(AI)을 사용하여 개별 사용자에게 맞는 세분화된 제품, 서비스 또는 콘텐츠를 만들어 제공하는 방식을 의미할 수 있다.
일 실시예에 따른 인공지능에 기반하여 초개인화 맞춤형 식품 구매 추천 서비스를 제공하는 방법은 사용자의 혈액형, 사용자의 체질, 사용자의 위치 정보, 사용자의 나이, 사용자의 선호 음식, 음주 정보 및 흡연 정보를 포함하는 사용자의 개인 정보를 입력할 수 있는 가이드를 제공하는 동작; 헬스 어플리케이션 상에서 사용자의 바이오리듬 및 사용자의 평상시 체온 정보를 획득하고, 서버 상에서 사용자의 건강 검진 정보를 수신하는 동작, 수신된 사용자의 건강 검진 정보, 사용자의 바이오리듬, 사용자의 평상시 체온 정보 및 사용자 입력에 기반하여 상기 사용자의 개인 정보를 결정 후 메모리 상에 저장하는 동작; 카메라를 이용하여 상기 사용자의 얼굴을 촬영하고, 촬영된 사용자의 얼굴 이미지 및 미리 학습된 사용자의 평균 얼굴 이미지의 비교 결과에 기반하여 사용자의 기분 또는 컨디션을 포함하는 사용자의 상태 정보를 획득하는 동작, 외부 서버를 이용하여 현재 날씨, 기온 및 계절 정보를 포함하는 환경 정보를 획득하는 동작, 상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작, 추천하기로 결정된 상기 식품의 이전 구매 날짜, 구매 이력, 다른 사용자들의 후기, 다른 사용자들의 점수, 원료의 기능성분, 복용 편리성, 가격 및 가격 대비 성능에 기반하여 추천 상품의 점수를 결정하고 상기 추천 상품의 점수가 지정된 수준을 초과함에 기반하여 사용자에게 재구매하도록 추천하는 가이드를 표시하는 동작 및 상기 재구매 추천 가이드 상에서 사용자의 재구매 의사를 확인하고, 상기 사용자의 위치에 기반하여 추천 식품의 구매처 목록을 결정 후 사용자에게 표시하는 동작을 포함할 수 있다.
일 실시예에 따른 전자 장치는 메모리 및 프로세서를 포함할 수 있다.
프로세서는 사용자의 혈액형, 사용자의 체질, 사용자의 위치 정보, 사용자의 나이, 사용자의 선호 음식, 음주 정보 및 흡연 정보를 포함하는 사용자의 개인 정보를 입력할 수 있는 가이드를 제공하고, 헬스 어플리케이션 상에서 사용자의 바이오리듬 및 사용자의 평상시 체온 정보를 획득하고, 서버 상에서 사용자의 건강 검진 정보를 수신하며, 수신된 사용자의 건강 검진 정보, 사용자의 바이오리듬, 사용자의 평상시 체온 정보 및 사용자 입력에 기반하여 상기 사용자의 개인 정보를 결정 후 메모리 상에 저장할 수 있다. 프로세서는 카메라를 이용하여 상기 사용자의 얼굴을 촬영하고, 촬영된 사용자의 얼굴 이미지 및 미리 학습된 사용자의 평균 얼굴 이미지의 비교 결과에 기반하여 사용자의 기분 또는 컨디션을 포함하는 사용자의 상태 정보를 획득하고, 외부 서버를 이용하여 현재 날씨, 기온 및 계절 정보를 포함하는 환경 정보를 획득하고, 상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하고, 추천하기로 결정된 상기 식품의 이전 구매 날짜, 구매 이력, 다른 사용자들의 후기, 다른 사용자들의 점수, 원료의 기능성분, 복용 편리성, 가격 및 가격 대비 성능에 기반하여 추천 상품의 점수를 결정하고 상기 추천 상품의 점수가 지정된 수준을 초과함에 기반하여 사용자에게 재구매하도록 추천하는 가이드를 표시하고, 재구매 추천 가이드 상에서 사용자의 재구매 의사를 확인하고, 상기 사용자의 위치에 기반하여 추천 식품의 구매처 목록을 결정 후 사용자에게 표시할 수 있다.
일실시예에 따른 전자 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
일 실시예에 따른 전자 장치는 사용자의 현재 감정이나 현재 환경 정보를 고려하여 개인 특성에 맞는 상품을 추천하면서도, 변화하는 상황에 맞춰 다른 상품을 추천할 수도 있다.
일 실시예에 따른 전자 장치는 사용자의 위치에 기반하여 구매처를 추천하거나, 교통 정보를 제공할 수 있다.
일 실시예에 따른 전자 장치는 사용자의 복약 정보 및 인공지능 학습모델에 기반하여 추천 식품이 사용자가 복약중인 약과 알레르기 반응을 일으킬 수 있는지 또는 사용자 신체 특성상 알레르기 반응을 일으킬 수 있는지 미리 판단하여 사용자의 건강을 보호할 수 있다.
도 1은 일실시예에 따른 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 인공지능 모델의 구성을 도시한 도면이다.
도 4는 일실시예에 따른 전자 장치의 구성의 예시도이다.
도 5는 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법의 순서도를 나타낸 것이다.
도 7 내지 도 10은 사용자 개인 정보를 입력 받는 과정을 도시한 것이다.
도 2은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 인공지능 모델의 구성을 도시한 도면이다.
도 4는 일실시예에 따른 전자 장치의 구성의 예시도이다.
도 5는 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법의 순서도를 나타낸 것이다.
도 7 내지 도 10은 사용자 개인 정보를 입력 받는 과정을 도시한 것이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간두뇌의 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, 장면이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행),조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있 다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이 다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인 지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시 각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과 정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경 망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학 습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워 크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서 로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이 어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스 트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사 용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루 어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조 의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고 리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이 터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기 를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 1은 일실시예에 따른 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 시스템을 설명하기 위한 도면이다.
도 1에 도시한 바와 같이, 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 시스템(100)은, 다수의 사용자 단말 (110-1,…), 서버(120) 및 데이터베이스(130)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 서 버(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 서버(120)내에 구비될 수도 있다. 예를 들어, 서버(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 인공지능을 포함할 수 있다. 일 실시예에 따르면, 다수의 사용자 단말(110-1,…서버(120) 및 데이터베이스(130)는 네트워크(N)를 통하여 서 로 통신 가능하도록 연결될 수 있다.
네트워크(N)는, 다수의 사용자 단말(110-1,…, 서버(120), 데이터베이스(130) 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크 (N)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있 다.
데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용 자 단말(110-1,…서버(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다.
본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있 다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이 다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인 지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시 각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과 정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경 망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학 습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워 크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서 로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이 어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스 트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사 용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루 어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조 의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고 리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이 터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기 를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
도 2은 일실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 2에 도시한 바와 같이, 학습 장치는 다수의 사용자 단말(110-1,…로부터 수신된 리뷰 응답을 항목별로 하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 또한, 학습 장치는 사용자의 이동 경로 정보로부터 사용자 체 류 내역을 추출하기 위하여 뉴럴 네트워크(123)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 서버 (120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.
뉴럴 네트워크(123)는 트레이닝 샘플들이 입력되는 입력 레이어(121)와 트레이닝 출력들을 출력하는 출력 레이 어(125)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들 은 리뷰 응답에 대응하는 항목들에 기초하여 정의되고, 이동 경로 정보에 대응하는 사용자 체류 내역에 기초하 여 정의될 수 있다. 뉴럴 네트워크(123)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가 중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.
학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워 크(123)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.
학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(123) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계 될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.
학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있 다. 여기서, 가중치들은 뉴럴 네트워크(123) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱 신할 수 있다.
일 실시예에 따르면, 학습 장치는 리뷰 응답으로부터 제1 객체들을 추출하며, 제1 객체들에 대응하는 항목들인 제1 레이블들을 획득하고, 제1 객체들을 제1 뉴럴 네트워크로 적용하여, 제1 객체들에 대응하는 제1 트레이닝 출력들을 생성하며, 제1 트레이닝 출력들, 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다.
학습 장치는 이동 경로 정보로부터 제2 객체들을 추출하며, 제2 객체들에 대응하는 사용자 체류 내역인 제2 레 이블들을 획득하고, 제2 객체들을 제2 뉴럴 네트워크로 적용하여, 제2 객체들에 대응하는 제2 트레이닝 출력들 을 생성하며, 제2 트레이닝 출력들, 제2 레이블들에 기초하여, 제2 뉴럴 네트워크를 학습시킬 수 있다.
일 실시예에 따르면, 학습 장치는 리뷰 응답의 구성 특징들, 위치 특징들 및 패턴 특징들에 기초하여 제1 트레 이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 이동 경로 정보의 구성 특징들, 길이 특징들 및 패턴 특징들에 기초하여 제2 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.
일 실시예에 따르면, 학습 장치는 제1 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들 을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(123)의 리뷰 항목 추출 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크 (123)의 리뷰 항목 추출 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제1 뉴럴 네트워크를 이용 하여 리뷰 응답으로부터 항목들을 추출할 수 있다. 예를 들어, 추출된 항목들은 친절도, 매장 청결도, 서비스 만족도 등을 포함할 수 있지만, 이에 한정되지 않는다.
일 실시예에 따르면, 학습 장치는 제2 트레이닝 특징 벡터들을 뉴럴 네트워크(123)에 적용하여 트레이닝 출력들 을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제2 레이블들에 기초하여 뉴럴 네트워크(123)의 사용자 체 류 내역 획득 알고리즘을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산 하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(123) 내 노드들의 연결 관계를 최적화하여 뉴럴 네 트워크(123)의 사용자 체류 내역 획득 알고리즘을 학습시킬 수 있다. 서버(120)는 학습이 완료된 제2 뉴럴 네 트워크를 이용하여 이동 경로 정보부터 사용자 체류 내역을 획득할 수 있다.
도 3은 일실시예에 따른 인공지능 모델의 구성을 도시한 도면이다.
일 실시예에 따른 인공지능 모델은 입력 계층(input layer), 은닉 계층(hidden layer) 및 출력 계층(output layer)을 포함할 수 있다.
입력 계층(input layer)은 인공지능 모델에 입력되는 입력 값과 관련된 계층이다.
은닉 계층(hidden layer)에서는 입력 값에 대하여 MAC 연산(multiply-accumulate)과 활성화 연산을 수행하여 피쳐 맵을 출력할 수 있다.
MAC 연산은 입력 값과 대응되는 가중치를 각각 곱하고, 곱한 값들을 합하는 연산일 수 있다.
활성화 연산은 MAC 연산의 결과를 활성화 함수에 입력하여 결과 값을 출력하는 연산일 수 있다. 활성화 함수는, 다양한 유형일 수 있다. 예를 들어, 활성화 함수는, 시그모이드 함수, 탄젠트 함수, 렐루 함수, 리키 렐루 함수, 맥스아웃 함수 및/또는 엘루 함수을 포함할 수 있으나 그 종류에 제한이 없다.
은닉 계층은 적어도 하나의 계층(layer)로 구성될 수 있다. 예를 들어, 은닉 계층이 제 1 은닉 계층 및 제 2 은닉 계층으로 구성된 경우, 제 1 은닉 계층은 입력 계의 입력 값에 기반하여 MAC 연산 및 활성화 연산을 수행하여 피쳐 맵을 출력하고, 제 1 은닉 계층에서의 결과 값인 피쳐 맵이 제 2 은닉 계층에서의 입력 값이 될 수 있다. 제 2 은닉 계층은 제 1 은닉 계층의 결과 값인 피쳐 맵에 기반하여 MAC 연산 및 활성화 연산을 수행할 수 있다.
출력 계층(output layer)은, 은닉 계층에서 수행한 연산의 결과 값과 관련된 계층일 수 있다.
일 실시예에서, 학습 모델은 주어진 말뭉치에서 빈번히 결합하여 사용된 음절(글자) 패턴을 학습 하여 복합어 및 개체명의 경계를 자동으로 학습하고, 제1 UI 소스의 객체 정보와 브라우저에서 렌더링한 객체 정보를 통합하여 학습용 객체 정보 파일을 생성하고, 상기 학습용 객체 정보 파일을 이용하여 딥러닝 네트워크의 학습을 위한 학습 데이터를 생성하고, 지원 시스템의 다양한 도메인들의 데이터를 수신하고, 상기 다양한 도메인들 각각에 대응하는 적어도 하나의 표준화 방법에 기반하여, 상기 다양한 도메인들의 데이터를 통합된 형식으로 표준화하며, 특정 도메인의 데이터를 학습 및 추론하고, 상기 특정 도메인의 데이터에서, 상기 표준화를 위해 전달될 정보를 결정하고,상기 다양한 도메인들로부터의 데이터에 대해 후처리(post processing)를 수행할 수 있다. 제1 UI 소스는 XML 파일을 포함하고, 상기 학습용 객체 정보 파일은 특징(Features) 학습을 위한 입력 JSON 파일과 학습시 정답(Label) 데이터인 출력 JSON 파일을 포함하며, 상기 출력 JSON 파일은 웹표준을 준수하여 구현된 HTML의 DOM Tree 정보가 포함된 파일을 포함하고 상기 다양한 도메인들은 RAN(radio access network), 트랜스포트(transport) 또는 코어(core) 중 적어도 하나를 포함하고, 상기 후처리는 상관(correlation) 기능을 포함할 수 있다.
도 4는 일실시예에 따른 전자 장치의 구성의 예시도이다.
일 실시예에 따른 전자 장치(400)는 프로세서(420) 및 메모리(430)를 포함할 수 있으며, 도시된 구성 중 일부가 생략 또는 치환 될 수도 있다. 일 실시예에 따른 전자 장치(400)는 서버 또는 단말일 수 있다. 일 실시예에 따르면, 프로세서(420)는 전자 장치(400)의 각 구성 요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 수행할 수 있는 구성으로써, 하나 이상의 프로세서들로 구성될 수 있다. 메모리(430)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(430)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 메모리(430)는 다양한 파일 데이터들을 저장할 수 있으며, 프로세서(120)의 동작에 따라 저장된 파일 데이터들은 업데이트 될 수 있다.
일 실시예에 따르면, 프로세서(420)는 프로그램을 실행하고, 장치(400)를 제어할 수 있다. 프로세서(120)에 의하여 실행되는 프로그램의 코드는 메모리(430)에 저장될 수 있다. 프로세서(420)의 동작들은 메모리(430)에 저장된 인스트럭션들을 로딩(loading)함으로써 수행될 수 있다. 전자 장치(400)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
일 실시예에 따르면, 프로세서(420)는 사용자의 혈액형, 사용자의 체질, 사용자의 위치 정보, 사용자의 나이, 사용자의 선호 음식, 음주 정보 및 흡연 정보를 포함하는 사용자의 개인 정보를 입력할 수 있는 가이드를 제공하고, 헬스 어플리케이션 상에서 사용자의 바이오리듬 및 사용자의 평상시 체온 정보를 획득하고, 서버 상에서 사용자의 건강 검진 정보를 수신하며, 수신된 사용자의 건강 검진 정보, 사용자의 바이오리듬, 사용자의 평상시 체온 정보 및 사용자 입력에 기반하여 상기 사용자의 개인 정보를 결정 후 메모리(430) 상에 저장할 수 있다. 프로세서(420)는 카메라를 이용하여 상기 사용자의 얼굴을 촬영하고, 촬영된 사용자의 얼굴 이미지 및 미리 학습된 사용자의 평균 얼굴 이미지의 비교 결과에 기반하여 사용자의 기분 또는 컨디션을 포함하는 사용자의 상태 정보를 획득하고, 외부 서버를 이용하여 현재 날씨, 기온 및 계절 정보를 포함하는 환경 정보를 획득하고, 상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하고, 추천하기로 결정된 상기 식품의 이전 구매 날짜, 구매 이력, 다른 사용자들의 후기, 다른 사용자들의 점수, 원료의 기능성분, 복용 편리성, 가격 및 가격 대비 성능에 기반하여 추천 상품의 점수를 결정하고 상기 추천 상품의 점수가 지정된 수준을 초과함에 기반하여 사용자에게 재구매하도록 추천하는 가이드를 표시하고, 재구매 추천 가이드 상에서 사용자의 재구매 의사를 확인하고, 상기 사용자의 위치에 기반하여 추천 식품의 구매처 목록을 결정 후 사용자에게 표시할 수 있다.
일 실시예에 따르면, 프로세서(420)는 사용자의 유전형 정보, 유전자 정보 및 사용자의 식단 정보를 입력 받아 사용자의 비만 위험도를 계산하고, 상기 사용자의 비만 위험도, 사용자의 지난 구매 물품의 종류, 구매 물품의 양 및 검색 이력에 기반하여 적어도 하나의 추천 상품의 리스트를 결정하고, 상기 사용자가 재구매 의사를 밝힌 상품이 추천 상품의 리스트 상에 포함되지 않음에 기반하여 상기 사용자가 재구매 의사를 밝힌 상품이 사용자에게 적합하지 않을 수 있음을 지시하는 정보를 표시하고, 상기 사용자가 재구매 의사를 밝힌 상품이 추천 상품의 리스트 상에 포함됨에 기반하여 상기 추천 상품의 구매량이나 섭취 주기에 대한 정보를 표시할 수 있다.
프로세서(420)는 사용자의 몸무게, 키, 성별 , 나이, 근육량 및 기초 대사량에 기반하여 목표 체중 또는 권장 체중을 결정하고, 사용자 입력을 통해 상기 목표 체중 또는 권장 체중을 달성하기 위한 목표 달성 기간을 결정하고, 사용자의 선호 음식, 사용자의 체질, 상기 목표 체중, 상기 권장 체중 및 상기 목표 달성 기간에 기반하여 사용자에게 적합한 음식의 종류 및 섭취량을 결정하고, 사용자에게 적합한 음식의 종류 및 섭취량에 대한 정보를 사용자에게 표시할 수 있다.
일 실시예에 따르면, 프로세서(420)는 상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하고, 추천 식품의 영양소 정보와 현재 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량 정보에 기반하여 현재 사용자의 영양소 상태 및 상기 추천 식품 섭취시 변화할 것으로 기대되는 사용자의 영양소 상태를 표시하고, 지정된 시간에 사용자에게 식품 섭취 여부를 묻는 가이드를 표시하고, 사용자가 식품 섭취 전임에 기반하여 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 측정하고, 측정 후 일정 시간 후 사용자에게 식품 섭취 여부를 묻는 가이드를 다시 표시하고, 사용자가 식품을 섭취했음에 기반하여 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 측정하고, 추천 식품의 섭취 전,후 측정된 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 디스플레이 상에 함께 표시할 수 있다.
프로세서(420)는 추천 식품의 섭취 후 수치상으로 개선된 요소를 표시하고, 상기 추천 식품의 섭취 후 의도하지 않은 방향으로 수치가 변한 요소에 대해 분석하고, 상기 추천 식품의 섭취 후 의도하지 않은 방향으로 수치가 변한 요소를 보완할 수 있는 다른 추천 음식을 함께 표시하며, 사용자가 섭취하고 있는 건강 기능 식품의 종류 및 섭취 시작 시점에 대한 정보의 입력을 요청하고, 외부 서버로부터 상기 사용자가 섭취하고 있는 건강 기능 식품의 종류에 기반하여 상기 사용자가 섭취하고 있는 건강 기능 식품의 전체 용량 및 1회당 복용량을 포함하는 복용 정보를 수신하고, 사용자가 섭취하고 있는 건강 기능 식품의 섭취 시작 시점으로부터 지정된 기간이 초과함에 기반하여 상기 복용 정보를 이용하여 상기 건강 기능 식품의 표준 잔여 용량을 결정하고, 사용자에게 상기 건강 기능 식품의 촬영을 요청하고, 촬영된 상기 건강 기능 식품의 이미지에 기반하여 상기 건강 기능 식품의 실제 잔여 용량을 결정하고, 표준 잔여 용량과 비교하여 상기 건강 기능 식품의 실제 잔여 용량이 지정된 수준을 초과하여 많은 경우, 사용자에게 1회당 섭취량을 늘릴 것을 지시하는 정보를 표시하고, 표준 잔여 용량과 비교하여 상기 건강 기능 식품의 실제 잔여 용량이 지정된 수준을 초과하여 적은 경우, 사용자에게 1회당 섭취량을 줄일 것을 지시하는 정보를 표시할 수 있다.
일 실시예에 따르면, 프로세서(420)는 사용자가 현재 복용중인 약에 대한 데이터를 입력 받거나, 서버로부터 사용자의 복약 기록 또는 처방 기록을 수신하고, 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량에 대해서 상기 복용중인 약으로 인해 사용자의 신체에서 소실될 수 있는 성분을 결정하고, 사용자의 개인 정보, 상기 사용자의 상태 정보 및 사용자가 현재 복용중인 약과 병용이 불가능한지 여부에 기반하여 상기 소실될 수 있는 성분을 보충하기 위한 추천 식품을 결정하고, 추천 식품 및 상기 사용자가 복용중인 약에 대한 정보를 표시하고, 상기 추천 식품 및 상기 사용자가 복용중인 약의 혼용이 가능한지 여부를 인공지능 학습모델을 통해 결정할 수 있다.
일 실시예에 따르면, 인공지능 학습모델은 약에 대한 성분 정보, 음식에 대한 영양소 정보 및 사람의 알레르기 성분에 대한 반응 정보를 포함하는 데이터를 지정된 수의 클러스터로 묶어서 평균 알고리즘을 사용하여 학습하고, 사용자가 복용중인 약에 대한 정보 및 상기 추천 식품에 대한 정보를 입력 받아 알레르기 반응을 일으킬 수 있는 가능성을 수치로 판단하고, 알레르기 반응을 일으킬 가능성이 지정된 수준을 초과하는 경우, 추천 상품이 위험할 수 있음을 지시하는 정보를 표시하고, 상기 추천 상품의 가격이나 영양소, 식감을 고려하여 상기 사용자가 복용중인 약과 혼용이 가능한 다른 상품을 추천할 수 있다.
일 실시예에 따르면, 프로세서(420)는 GPS 및 사용자의 교통 정보를 이용하여 위치 정보를 생성하고, 사용자의 상품 구매 이력 및 상기 사용자와 나이, 성별, 신체 정보가 유사한 다른 고객의 구매 이력에 기반하여 상기 사용자의 개인 성향을 분석하고 추천 식품을 결정하며, 해당 위치에서 상기 추천 식품을 판매하는 영업소의 리스트를 사용자에게 표시하고, 영업소의 판매 상품의 원료 순도, 총 정제 함량 중 특정 원료의 비중, 일일 권장량 중 해당 원료의 비율, 현재 복약중인 약과 혼용이 불가능한 성분이 포함되는지 여부 및 현재 사용자가 복약중인 약과 혼용이 불가능한 성분을 제외하고 조리가 가능한지 여부를 사용자에게 표시하고, 영업소의 판매 상품의 원료 순도, 총 정제 함량 중 특정 원료의 비중, 일일 권장량 중 해당 원료의 비율, 현재 복약중인 약과 혼용이 불가능한 성분이 포함되는지 여부 및 현재 사용자가 복약중인 약과 혼용이 불가능한 성분을 제외하고 조리가 가능한지 여부에 대응하는 추천 점수를 결정하고, 추천 점수가 높은 순서대로 영업소 리스트를 생성하고, 사용자가 영업소 리스트 중 어느 하나의 영업소를 선택함에 기반하여 선택된 영업소에 대한 상품 정보, 위치 정보, 다른 사람들의 후기, 평가 및 교통 정보를 제공하고, 영업소의 판매 상품 중 현재 사용자가 복약중인 약과 혼용이 불가능한 성분이 포함됨에 기반하여 현재 사용자가 복약중인 약과 혼용이 불가능한 성분을 제외하고 조리를 할 것을 요청하는 정보를 상기 영업소 상의 서버로 전송할 수 있다.
일 실시예에 따르면, 프로세서(420)가 전자 장치 상에서 구현할 수 있는 연산 및 데이터 처리 기능에는 한정됨이 없을 것이나, 이하에서는 인공지능 기반 초개인화 맞춤형 식품의 구매 추천 기능에 대해 설명될 것이다.
도 5는 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
일실시예에 따르면, 인공 신경망은 개인 정보와 행동 데이터의 매칭 결과를 입력 받은 후, 개인 정보와 행동에 대한 특징을 기반으로 라이프스타일을 예측하여 출력하는 알고리즘일 수 있다.
동작 501에서, 프로세서(예: 도 4의 프로세서(420))는 개인 정보와 행동 데이터의 매칭 결과를 기초로 입력을 생성할 수 있다. 일 실시예에 따르면, 프로세서(420)는 개인 특성과 행동 데이터를 매칭한 후, 매칭된 결과에 대한 전처리를 수행할 수 있다. 전처리가 수행된 매칭 결과를 인공 신경망의 입력으로 사용할 수 있다.
동작 503에서, 프로세서(420)는 생성된 입력을 인공 신경망에 적용시킬 수 있다. 인공 신경망은 강화 학습 (reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network,RL) 구조를 포함할 수 있다.
동작 505에서, 프로세서(420)는 인공 신경망으로부터 출력을 획득할 수 있다. 인공 신경망의 출력은 개인 특성과 행동 데이터의 매칭 결과를 통해 선호하는 식품을 예측한 결과를 포함할 수 있다
동작 507에서, 프로세서(420)는 인공 신경망으로부터 획득한 출력을 평가할 수 있다. 강화 학습에 따라 학습되는 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 특정 개인 정보와 어울리는 음식을 예측하면 보상값이 높아질 수 있으며, 제2 보상은 특정 행동(소비 패턴, 구매 주기, 선호 성향 등)과 어울리는 식품을 예측하면 보상값이 높아질 수 있다.
동작 509에서, 프로세서(420)는 평가에 기반하여 인공 신경망을 갱신할 수 있다. , 프로세서(420)는 인공 신경망이 개인 특성과 행동 데이터의 매칭 결과를 통해 어울리는 음식을 예측하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 인공 신경망을 갱신할 수 있다.
도 6은 일 실시예에 따른 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법의 순서도를 나타낸 것이다.
도 6의 순서도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행 될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러 한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
동작 601에서 프로세서(예: 도 4의 프로세서(420))는 사용자의 개인 정보를 입력 받을 수 있다. 일 실시예에 따르면, 프로세서(420)는 사용자의 혈액형, 사용자의 체질, 사용자의 위치 정보, 사용자의 나이, 사용자의 선호 음식, 음주 정보 및 흡연 정보를 포함하는 사용자의 개인 정보를 입력할 수 있는 가이드를 제공할 수 있다. 프로세서(420)는 헬스 어플리케이션 상에서 사용자의 바이오리듬 및 사용자의 평상시 체온 정보를 획득하고, 서버 상에서 사용자의 건강 검진 정보를 수신할 수 있다.
동작 603에서 프로세서(420)는 사용자의 개인 정보를 결정할 수 있다. 일 실시예에 따르면, 프로세서(420)는 수신된 사용자의 건강 검진 정보, 사용자의 바이오리듬, 사용자의 평상시 체온 정보 및 사용자 입력에 기반하여 상기 사용자의 개인 정보를 결정하고, 메모리(예: 도 4의 메모리(430)) 상에 저장할 수 있다.
동작 605에서 프로세서(420)는 사용자의 상태 정보 및 환경 정보를 획득할 수 있다. 일 실시예에 따르면, 프로세서(420)는 카메라를 이용하여 상기 사용자의 얼굴을 촬영하고, 촬영된 사용자의 얼굴 이미지 및 미리 학습된 사용자의 평균 얼굴 이미지의 비교 결과에 기반하여 사용자의 기분 또는 컨디션을 포함하는 사용자의 상태 정보를 획득하고, 외부 서버를 이용하여 현재 날씨, 기온 및 계절 정보를 포함하는 환경 정보를 획득할 수 있다.
동작 607에서 프로세서(420)는 사용자의 개인 정보, 사용자의 상태 정보 및 환경 정보에 기반하여 사용자에게 추천할 식품을 결정할 수 있다.
동작 609에서 프로세서(420)는 추천 상품의 점수를 결정하고 사용자에게 재구매하도록 추천하는 가이드를 표시할 수 있다. 일 실시예에 따르면, 프로세서(420)는 추천하기로 결정된 상기 식품의 이전 구매 날짜, 구매 이력, 다른 사용자들의 후기, 다른 사용자들의 점수, 원료의 기능성분, 복용 편리성, 가격 및 가격 대비 성능에 기반하여 추천 상품의 점수를 결정하고 상기 추천 상품의 점수가 지정된 수준을 초과함에 기반하여 사용자에게 재구매하도록 추천하는 가이드를 표시할 수 있다.
동작 611에서 프로세서(420)는 사용자의 재구매 의사를 확인하고, 상기 사용자의 위치에 기반하여 추천 식품의 구매처 목록을 결정 후 사용자에게 표시할 수 있다. 일 실시예에 따르면, 프로세서(420)는 재구매 추천 가이드 상에서 사용자의 재구매 의사를 확인하고, 상기 사용자의 위치에 기반하여 추천 식품의 구매처 목록을 결정 후 사용자에게 표시할 수 있다.
도 7 내지 도 10은 사용자 개인 정보를 입력 받는 과정을 도시한 것이다.
도 7에 따르면, 전자 장치(예: 도 4의 전자 장치(400))는 생년월일, 성별, 키 및 체중을 포함하는 개인정보를 입력 받을 수 있다. 전자 장치(400)는 입력된 개인 정보에 기반하여 건강기능식품 체지방 지수(BMI)를 파악하고, 추천 식품 또는 건강기능식품의 종류 및 추천 복용량을 결정할 수 있다.
도 8 내지 도 10에 따르면, 전자 장치(400)는 사용자에게 식사 습관, 음주 및 흡연 여부에 대한 입력을 요청할 수 있다. 전자 장치(400)는 사용자의 사 습관, 음주 및 흡연 여부에 대한 입력 정보에 기반하여 추천 식품 또는 건강기능식품의 종류 및 추천 복용량을 결정할 수 있다. 일 실시예에 따르면, 프로세서(예: 도 4의 프로세서(420))는 사용자의 혈액형, 사용자의 체질, 사용자의 위치 정보, 사용자의 나이, 사용자의 선호 음식, 음주 정보 및 흡연 정보를 포함하는 사용자의 개인 정보를 입력할 수 있는 가이드를 제공할 수 있다.
일 실시예에 따르면, 인공지능에 기반하여 초개인화 맞춤형 식품 구매 추천 서비스를 제공하는 방법은 사용자의 혈액형, 사용자의 체질, 사용자의 위치 정보, 사용자의 나이, 사용자의 선호 음식, 음주 정보 및 흡연 정보를 포함하는 사용자의 개인 정보를 입력할 수 있는 가이드를 제공하는 동작, 헬스 어플리케이션 상에서 사용자의 바이오리듬 및 사용자의 평상시 체온 정보를 획득하고, 서버 상에서 사용자의 건강 검진 정보를 수신하는 동작, 수신된 사용자의 건강 검진 정보, 사용자의 바이오리듬, 사용자의 평상시 체온 정보 및 사용자 입력에 기반하여 상기 사용자의 개인 정보를 결정 후 메모리 상에 저장하는 동작, 카메라를 이용하여 상기 사용자의 얼굴을 촬영하고, 촬영된 사용자의 얼굴 이미지 및 미리 학습된 사용자의 평균 얼굴 이미지의 비교 결과에 기반하여 사용자의 기분 또는 컨디션을 포함하는 사용자의 상태 정보를 획득하는 동작, 외부 서버를 이용하여 현재 날씨, 기온 및 계절 정보를 포함하는 환경 정보를 획득하는 동작, 상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작, 추천하기로 결정된 상기 식품의 이전 구매 날짜, 구매 이력, 다른 사용자들의 후기, 다른 사용자들의 점수, 원료의 기능성분, 복용 편리성, 가격 및 가격 대비 성능에 기반하여 추천 상품의 점수를 결정하고 상기 추천 상품의 점수가 지정된 수준을 초과함에 기반하여 사용자에게 재구매하도록 추천하는 가이드를 표시하는 동작 및 상기 재구매 추천 가이드 상에서 사용자의 재구매 의사를 확인하고, 상기 사용자의 위치에 기반하여 추천 식품의 구매처 목록을 결정 후 사용자에게 표시하는 동작을 포함할 수 있다.
일 실시예에 따르면, 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작은 사용자의 유전형 정보, 유전자 정보 및 사용자의 식단 정보를 입력 받아 사용자의 비만 위험도를 계산하는 동작, 상기 사용자의 비만 위험도, 사용자의 지난 구매 물품의 종류, 구매 물품의 양 및 검색 이력에 기반하여 적어도 하나의 추천 상품의 리스트를 결정하는 동작, 상기 사용자가 재구매 의사를 밝힌 상품이 추천 상품의 리스트 상에 포함되지 않음에 기반하여 상기 사용자가 재구매 의사를 밝힌 상품이 사용자에게 적합하지 않을 수 있음을 지시하는 정보를 표시하는 동작, 상기 사용자가 재구매 의사를 밝힌 상품이 추천 상품의 리스트 상에 포함됨에 기반하여 상기 추천 상품의 구매량이나 섭취 주기에 대한 정보를 표시하는 동작, 상기 사용자의 몸무게, 키, 성별 , 나이, 근육량 및 기초 대사량에 기반하여 목표 체중 또는 권장 체중을 결정하는 동작, 사용자 입력을 통해 상기 목표 체중 또는 권장 체중을 달성하기 위한 목표 달성 기간을 결정하는 동작, 사용자의 선호 음식, 사용자의 체질, 상기 목표 체중, 상기 권장 체중 및 상기 목표 달성 기간에 기반하여 사용자에게 적합한 음식의 종류 및 섭취량을 결정하는 동작 및 상기 사용자에게 적합한 음식의 종류 및 섭취량에 대한 정보를 사용자에게 표시하는 동작을 더 포함할 수 있다.
일 실시예에 따르면, 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작은 상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작; 상기 추천 식품의 영양소 정보와 현재 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량 정보에 기반하여 현재 사용자의 영양소 상태 및 상기 추천 식품 섭취시 변화할 것으로 기대되는 사용자의 영양소 상태를 표시하는 동작; 지정된 시간에 사용자에게 식품 섭취 여부를 묻는 가이드를 표시하고, 사용자가 식품 섭취 전임에 기반하여 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 측정하는 동작, 상기 측정 후 일정 시간 후 사용자에게 식품 섭취 여부를 묻는 가이드를 다시 표시하고, 사용자가 식품을 섭취했음에 기반하여 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 측정하는 동작, 추천 식품의 섭취 전,후 측정된 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 디스플레이 상에 함께 표시하는 동작, 상기 추천 식품의 섭취 후 수치상으로 개선된 요소를 표시하고, 상기 추천 식품의 섭취 후 의도하지 않은 방향으로 수치가 변한 요소에 대해 분석하고, 상기 추천 식품의 섭취 후 의도하지 않은 방향으로 수치가 변한 요소를 보완할 수 있는 다른 추천 음식을 함께 표시하는 동작, 상기 사용자가 섭취하고 있는 건강 기능 식품의 종류 및 섭취 시작 시점에 대한 정보의 입력을 요청하는 동작, 외부 서버로부터 상기 사용자가 섭취하고 있는 건강 기능 식품의 종류에 기반하여 상기 사용자가 섭취하고 있는 건강 기능 식품의 전체 용량 및 1회당 복용량을 포함하는 복용 정보를 수신하는 동작, 상기 사용자가 섭취하고 있는 건강 기능 식품의 섭취 시작 시점으로부터 지정된 기간이 초과함에 기반하여 상기 복용 정보를 이용하여 상기 건강 기능 식품의 표준 잔여 용량을 결정하고, 사용자에게 상기 건강 기능 식품의 촬영을 요청하는 동작, 촬영된 상기 건강 기능 식품의 이미지에 기반하여 상기 건강 기능 식품의 실제 잔여 용량을 결정하는 동작, 상기 표준 잔여 용량과 비교하여 상기 건강 기능 식품의 실제 잔여 용량이 지정된 수준을 초과하여 많은 경우, 사용자에게 1회당 섭취량을 늘릴 것을 지시하는 정보를 표시하는 동작 및 상기 표준 잔여 용량과 비교하여 상기 건강 기능 식품의 실제 잔여 용량이 지정된 수준을 초과하여 적은 경우, 사용자에게 1회당 섭취량을 줄일 것을 지시하는 정보를 표시하는 동작을 더 포함할 수 있다.
일 실시예에 따르면, 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작은 사용자가 현재 복용중인 약에 대한 데이터를 입력 받거나, 서버로부터 사용자의 복약 기록 또는 처방 기록을 수신하는 동작;
사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량에 대해서 상기 복용중인 약으로 인해 사용자의 신체에서 소실될 수 있는 성분을 결정하는 동작;상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 사용자가 현재 복용중인 약과 병용이 불가능한지 여부에 기반하여 상기 소실될 수 있는 성분을 보충하기 위한 추천 식품을 결정하는 동작;및 상기 추천 식품 및 상기 사용자가 복용중인 약에 대한 정보를 표시하고, 상기 추천 식품 및 상기 사용자가 복용중인 약의 혼용이 가능한지 여부를 인공지능 학습모델을 통해 결정하는 동작을 더 포함할 수 있다.
인공지능 학습모델은 약에 대한 성분 정보, 음식에 대한 영양소 정보 및 사람의 알레르기 성분에 대한 반응 정보를 포함하는 데이터를 지정된 수의 클러스터로 묶어서 평균 알고리즘을 사용하여 학습하고, 상기 사용자가 복용중인 약에 대한 정보 및 상기 추천 식품에 대한 정보를 입력 받아 알레르기 반응을 일으킬 수 있는 가능성을 수치로 판단하고, 알레르기 반응을 일으킬 가능성이 지정된 수준을 초과하는 경우, 추천 상품이 위험할 수 있음을 지시하는 정보를 표시하고, 상기 추천 상품의 가격이나 영양소, 식감을 고려하여 상기 사용자가 복용중인 약과 혼용이 가능한 다른 상품을 추천할 수 있다.
일 실시예에 따르면, 상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작은 GPS 및 사용자의 교통 정보를 이용하여 위치 정보를 생성하고, 상기 사용자의 상품 구매 이력 및 상기 사용자와 나이, 성별, 신체 정보가 유사한 다른 고객의 구매 이력에 기반하여 상기 사용자의 개인 성향을 분석하고 추천 식품을 결정하는 동작; 해당 위치에서 상기 추천 식품을 판매하는 영업소의 리스트를 사용자에게 표시하고, 상기 영업소의 판매 상품의 원료 순도, 총 정제 함량 중 특정 원료의 비중, 일일 권장량 중 해당 원료의 비율, 현재 복약중인 약과 혼용이 불가능한 성분이 포함되는지 여부 및 현재 사용자가 복약중인 약과 혼용이 불가능한 성분을 제외하고 조리가 가능한지 여부를 사용자에게 표시하는 동작, 상기 영업소의 판매 상품의 원료 순도, 총 정제 함량 중 특정 원료의 비중, 일일 권장량 중 해당 원료의 비율, 현재 복약중인 약과 혼용이 불가능한 성분이 포함되는지 여부 및 현재 사용자가 복약중인 약과 혼용이 불가능한 성분을 제외하고 조리가 가능한지 여부에 대응하는 추천 점수를 결정하는 동작, 상기 추천 점수가 높은 순서대로 영업소 리스트를 생성하는 동작, 상기 사용자가 영업소 리스트 중 어느 하나의 영업소를 선택함에 기반하여 선택된 영업소에 대한 상품 정보, 위치 정보, 다른 사람들의 후기, 평가 및 교통 정보를 제공하는 동작, 상기 영업소의 판매 상품 중 현재 사용자가 복약중인 약과 혼용이 불가능한 성분이 포함됨에 기반하여 현재 사용자가 복약중인 약과 혼용이 불가능한 성분을 제외하고 조리를 할 것을 요청하는 정보를 상기 영업소 상의 서버로 전송하는 동작을 더 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.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 인공지능에 기반하여 초개인화 맞춤형 식품 구매 추천 서비스를 제공하는 방법에 있어서,
사용자의 혈액형, 사용자의 체질, 사용자의 위치 정보, 사용자의 나이, 사용자의 선호 음식, 음주 정보 및 흡연 정보를 포함하는 사용자의 개인 정보를 입력할 수 있는 가이드를 제공하는 동작;
헬스 어플리케이션 상에서 사용자의 바이오리듬 및 사용자의 평상시 체온 정보를 획득하고, 서버 상에서 사용자의 건강 검진 정보를 수신하는 동작;
수신된 사용자의 건강 검진 정보, 사용자의 바이오리듬, 사용자의 평상시 체온 정보 및 사용자 입력에 기반하여 상기 사용자의 개인 정보를 결정 후 메모리 상에 저장하는 동작;
카메라를 이용하여 상기 사용자의 얼굴을 촬영하고, 촬영된 사용자의 얼굴 이미지 및 미리 학습된 사용자의 평균 얼굴 이미지의 비교 결과에 기반하여 사용자의 기분 또는 컨디션을 포함하는 사용자의 상태 정보를 획득하는 동작;
외부 서버를 이용하여 현재 날씨, 기온 및 계절 정보를 포함하는 환경 정보를 획득하는 동작;
상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작;
추천하기로 결정된 상기 식품의 이전 구매 날짜, 구매 이력, 다른 사용자들의 후기, 다른 사용자들의 점수, 원료의 기능성분, 복용 편리성, 가격 및 가격 대비 성능에 기반하여 추천 상품의 점수를 결정하고 상기 추천 상품의 점수가 지정된 수준을 초과함에 기반하여 사용자에게 재구매하도록 추천하는 가이드를 표시하는 동작;및
상기 재구매 추천 가이드 상에서 사용자의 재구매 의사를 확인하고, 상기 사용자의 위치에 기반하여 추천 식품의 구매처 목록을 결정 후 사용자에게 표시하는 동작을 포함하며,
상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작은
상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작;
상기 추천 식품의 영양소 정보와 현재 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량 정보에 기반하여 현재 사용자의 영양소 상태 및 상기 추천 식품 섭취시 변화할 것으로 기대되는 사용자의 영양소 상태를 표시하는 동작;
지정된 시간에 사용자에게 식품 섭취 여부를 묻는 가이드를 표시하고, 사용자가 식품 섭취 전임에 기반하여 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 측정하는 동작;
상기 측정 후 일정 시간 후 사용자에게 식품 섭취 여부를 묻는 가이드를 다시 표시하고, 사용자가 식품을 섭취했음에 기반하여 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 측정하는 동작;
상기 추천 식품의 섭취 전,후 측정된 사용자의 체지방량, 수분량, 혈당량, 단백질, 무기질, 칼슘, 골밀도 및 근육량을 디스플레이 상에 함께 표시하는 동작;
상기 추천 식품의 섭취 후 수치상으로 개선된 요소를 표시하고, 상기 추천 식품의 섭취 후 의도하지 않은 방향으로 수치가 변한 요소에 대해 분석하고, 상기 추천 식품의 섭취 후 의도하지 않은 방향으로 수치가 변한 요소를 보완할 수 있는 다른 추천 음식을 함께 표시하는 동작;
상기 사용자가 섭취하고 있는 건강 기능 식품의 종류 및 섭취 시작 시점에 대한 정보의 입력을 요청하는 동작;
외부 서버로부터 상기 사용자가 섭취하고 있는 건강 기능 식품의 종류에 기반하여 상기 사용자가 섭취하고 있는 건강 기능 식품의 전체 용량 및 1회당 복용량을 포함하는 복용 정보를 수신하는 동작;
상기 사용자가 섭취하고 있는 건강 기능 식품의 섭취 시작 시점으로부터 지정된 기간이 초과함에 기반하여 상기 복용 정보를 이용하여 상기 건강 기능 식품의 표준 잔여 용량을 결정하고, 사용자에게 상기 건강 기능 식품의 촬영을 요청하는 동작;
촬영된 상기 건강 기능 식품의 이미지에 기반하여 상기 건강 기능 식품의 실제 잔여 용량을 결정하는 동작;
상기 표준 잔여 용량과 비교하여 상기 건강 기능 식품의 실제 잔여 용량이 지정된 수준을 초과하여 많은 경우, 사용자에게 1회당 섭취량을 늘릴 것을 지시하는 정보를 표시하는 동작;및
상기 표준 잔여 용량과 비교하여 상기 건강 기능 식품의 실제 잔여 용량이 지정된 수준을 초과하여 적은 경우, 사용자에게 1회당 섭취량을 줄일 것을 지시하는 정보를 표시하는 동작을 더 포함하는 방법.
- 제 1항에 있어서,
상기 사용자의 개인 정보, 상기 사용자의 상태 정보 및 상기 환경 정보에 기반하여 사용자에게 추천할 식품을 결정하는 동작은
사용자의 유전형 정보, 유전자 정보 및 사용자의 식단 정보를 입력 받아 사용자의 비만 위험도를 계산하는 동작;
상기 사용자의 비만 위험도, 사용자의 지난 구매 물품의 종류, 구매 물품의 양 및 검색 이력에 기반하여 적어도 하나의 추천 상품의 리스트를 결정하는 동작;
상기 사용자가 재구매 의사를 밝힌 상품이 추천 상품의 리스트 상에 포함되지 않음에 기반하여 상기 사용자가 재구매 의사를 밝힌 상품이 사용자에게 적합하지 않을 수 있음을 지시하는 정보를 표시하는 동작;
상기 사용자가 재구매 의사를 밝힌 상품이 추천 상품의 리스트 상에 포함됨에 기반하여 상기 추천 상품의 구매량이나 섭취 주기에 대한 정보를 표시하는 동작;,
상기 사용자의 몸무게, 키, 성별 , 나이, 근육량 및 기초 대사량에 기반하여 목표 체중 또는 권장 체중을 결정하는 동작;
사용자 입력을 통해 상기 목표 체중 또는 권장 체중을 달성하기 위한 목표 달성 기간을 결정하는 동작;
사용자의 선호 음식, 사용자의 체질, 상기 목표 체중, 상기 권장 체중 및 상기 목표 달성 기간에 기반하여 사용자에게 적합한 음식의 종류 및 섭취량을 결정하는 동작;및
상기 사용자에게 적합한 음식의 종류 및 섭취량에 대한 정보를 사용자에게 표시하는 동작을 더 포함하는 방법.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220146785A KR102506472B1 (ko) | 2022-11-07 | 2022-11-07 | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220146785A KR102506472B1 (ko) | 2022-11-07 | 2022-11-07 | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102506472B1 true KR102506472B1 (ko) | 2023-03-07 |
Family
ID=85512373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220146785A KR102506472B1 (ko) | 2022-11-07 | 2022-11-07 | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102506472B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102607449B1 (ko) * | 2023-04-10 | 2023-11-29 | 주식회사 에이팜건강 | 개별인정형 원료를 포함하는 건강기능식품의 맞춤형 추천 방법 및 장치 |
| KR102623723B1 (ko) * | 2023-08-07 | 2024-01-12 | 최형록 | 인공지능을 활용한 맞춤형 건강기능식품 추천 서비스 제공 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170054628A (ko) | 2015-11-09 | 2017-05-18 | 한국식품연구원 | 개인 유전형 및 표현형 정보를 고려한 맞춤형 식품정보 추천 시스템 |
| KR102278646B1 (ko) | 2020-08-12 | 2021-07-19 | 주식회사 디이프 | 고객 맞춤형 식품 추천 시스템 |
| KR102308894B1 (ko) * | 2021-05-06 | 2021-10-05 | 주식회사 닥터밀리그램 | Ai에 기반한 개인 맞춤형 건강기능식품을 제공하는 방법 및 그 장치 |
-
2022
- 2022-11-07 KR KR1020220146785A patent/KR102506472B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170054628A (ko) | 2015-11-09 | 2017-05-18 | 한국식품연구원 | 개인 유전형 및 표현형 정보를 고려한 맞춤형 식품정보 추천 시스템 |
| KR102278646B1 (ko) | 2020-08-12 | 2021-07-19 | 주식회사 디이프 | 고객 맞춤형 식품 추천 시스템 |
| KR102308894B1 (ko) * | 2021-05-06 | 2021-10-05 | 주식회사 닥터밀리그램 | Ai에 기반한 개인 맞춤형 건강기능식품을 제공하는 방법 및 그 장치 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102607449B1 (ko) * | 2023-04-10 | 2023-11-29 | 주식회사 에이팜건강 | 개별인정형 원료를 포함하는 건강기능식품의 맞춤형 추천 방법 및 장치 |
| KR102623723B1 (ko) * | 2023-08-07 | 2024-01-12 | 최형록 | 인공지능을 활용한 맞춤형 건강기능식품 추천 서비스 제공 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102506472B1 (ko) | 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102551997B1 (ko) | 콘텐츠 시청 성향 분석 기반 광고 콘텐츠 기획 자동화 및 커머스 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102533442B1 (ko) | 인공지능 모델을 기반으로 온라인 판매를 위한 제품 기획 및 마케팅 전략 도출 방법, 장치 및 시스템 | |
| KR102447426B1 (ko) | 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템 | |
| KR102494384B1 (ko) | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 | |
| KR102520597B1 (ko) | 시장 분석 및 업체 니즈를 고려한 제품 매칭 방법 | |
| KR102546871B1 (ko) | 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템 | |
| KR102546349B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| KR102564996B1 (ko) | 인공지능 기반 사용자 맞춤형 건강기능식품 큐레이션 서비스 제공 방법, 장치 및 시스템 | |
| KR102564066B1 (ko) | 유통기한 모니터링이 가능한 식품 물류 처리 제공 방법, 장치 및 시스템 | |
| KR102601446B1 (ko) | 인공지능 모델을 활용한 인플루언서 기반 판매 제품매칭 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102530527B1 (ko) | 건강 정보 기반 식당 추천 서비스 제공 방법, 장치 및 시스템 | |
| KR102552856B1 (ko) | 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템 | |
| KR102593868B1 (ko) | 손톱 및 발톱 케어 정보 제공 및 전문가 매칭 플랫폼서비스 구동 방법, 장치 및 시스템 | |
| KR102623723B1 (ko) | 인공지능을 활용한 맞춤형 건강기능식품 추천 서비스 제공 방법 | |
| KR102536069B1 (ko) | 인공지능 기반 반려동물 뷰티 디자이너 및 뷰티샵 매칭 방법, 장치 및 시스템 | |
| KR102565229B1 (ko) | 인공지능 모델을 활용한 사용자 맞춤형 영양 보충 식품 스케쥴링 및 주문 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102552867B1 (ko) | 인공지능 모델을 이용한 사용자 성격 유형 분석 결과 맞춤형 악기, 강사 및 연습곡 추천 방법, 장치 및 시스템 | |
| KR102543570B1 (ko) | 사용자 위치 기반 반려동물 뷰티샵 예약 방법, 장치 및 시스템 | |
| KR102587682B1 (ko) | 인공지능 모델을 이용하여 사용자의 관심사에 기반한 매칭을 수행하는 방법, 장치 및 시스템 | |
| KR102615747B1 (ko) | 인공지능 모델을 활용한 음식의 칼로리 추정 및 사용자 맞춤형 신체 변화 정보 시각화 서비스 제공 방법, 장치 및 시스템 | |
| KR102633434B1 (ko) | 오프라인 상점 데이터 및 ai 딥러닝 알고리즘을 이용하여 프랜차이즈의 마케팅을 기획하는 방법 및 시스템 | |
| KR102662214B1 (ko) | 사용자 개인 성향에 기반한 진주를 포함하는 쥬얼리 제품 추천 방법 | |
| KR102596882B1 (ko) | 안경 제공 방법 및 장치 | |
| KR102528613B1 (ko) | 인공지능 모델을 활용한 렌터카의 중고 가격 산출 방법, 장치 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |