KR102536360B1 - 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법에 있어서, 제1 컨테이너에 설치되어 있는 무게 센서를 통해 측정된 제1 센서 정보를 획득하고, 상기 제1 컨테이너에 설치되어 있는 비전 센서를 통해 측정된 제2 센서 정보를 획득하는 단계; 제1 시점에 측정된 상기 제1 센서 정보 및 상기 제2 센서 정보를 기초로, 상기 제1 시점에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출하는 단계; 상기 제1 시점에 상기 제1 컨테이너 내에 수납되어 있는 상품들 중 어느 하나인 제1 상품의 잔여 수량이 미리 설정된 상기 제1 상품의 최소 필요 수량인 제1 수량 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 주문이 필요한 것으로 판단하는 단계; 상기 제1 상품에 대한 주문이 필요한 것으로 판단되면, 상기 제1 컨테이너의 사용자로 등록되어 있는 제1 사용자를 확인하고, 상기 제1 사용자가 사용하는 제1 사용자 단말로 상기 제1 상품에 대한 주문 추천 알림 메시지를 전송하는 단계; 상기 제1 사용자 단말로부터 상기 제1 상품에 대한 추가 주문 요청이 수신되면, 상기 제1 수량에서 상기 제1 상품의 잔여 수량을 차감하여 상기 제1 상품의 주문량을 산출하는 단계; 상기 제1 상품의 공급자로 등록되어 있는 제1 공급자를 확인하고, 상기 제1 공급자가 사용하는 제1 공급자 단말로 상기 제1 상품의 주문량에 대한 입고 요청 알림 메시지를 전송하는 단계; 미리 설정된 기간마다 측정된 상기 제2 센서 정보를 기초로, 상기 제1 컨테이너에 상품이 입고되는지 여부를 확인하는 단계; 상기 제1 시점 이후인 제2 시점에 측정된 상기 제2 센서 정보를 기초로, 상기 제1 컨테이너에 상기 제1 상품이 입고된 것으로 확인되면, 상기 제2 시점의 직전에 측정된 상기 제1 센서 정보를 기초로, 상기 제1 상품이 입고되기 전에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 무게인 제1 무게를 확인하고, 상기 제2 시점의 직후에 측정된 상기 제1 센서 정보를 기초로, 상기 제1 상품이 입고된 후에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 무게인 제2 무게를 확인하는 단계; 상기 제2 무게에서 상기 제1 무게를 차감한 값으로 제3 무게를 산출하는 단계; 상기 제1 상품 하나의 무게와 상기 제1 상품의 주문량을 곱한 값으로 제4 무게를 산출하는 단계; 및 상기 제3 무게 및 상기 제4 무게를 비교한 결과, 일치하는 것으로 확인되면, 상기 제1 상품에 대한 추가 주문이 정상적으로 완료된 것으로 판단하는 단계를 포함하는, 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법이 제공된다.

Description

컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법, 장치 및 시스템{METHOD, DEVICE AND SYSTEM FOR PROVIDING PERSONALIZED AUTOMATIC ORDERING SERVICE FOR DAILY CONSUMPTION GOODS BASED ON SENSOR INFORMATION OF CONTAINERS}

아래 실시예들은 컨테이너의 센서 정보를 기초로 하여 일상 소비 상품의 개인화된 자동 주문 서비스를 제공하기 위한 기술에 관한 것이다.

일반적으로 일상 소비 상품은 일상에서 필요하여 꾸준히 소비되는 상품을 의미하고, 예를 들어, 생필품, 생수, 음료, 식품, 문구류 등이 있다. 가정이나 회사 내 일상 소비 상품의 재고 상태 점검에는 많은 노력이 필요하다. 또한, 다양한 종류의 상품들의 재고를 일일이 파악하여 재고가 부족한 상품은 인터넷을 통해 추가 주문하거나 혹은 수동으로 직접 구매를 해야 한다는 번거로움이 있다.

이러한 일상 소비 상품들은 종류가 다양하고, 꾸준히 소비되기 때문에 주기적으로 반복하여 구매하는 패턴을 갖는다. 따라서, 보관함에 보관된 개인이 사용하고 있는 상품의 종류와 잔여 재고량을 파악하여, 자동적으로 추가 주문을 할 수 있는 기술의 개발이 요구된다.

대한민국 등록특허 제10-1441418호(2014.10.13 공고) 대한민국 등록특허 제10-2136338호(2020.07.21 공고) 대한민국 공개특허 제10-2021-0079965호(2021.06.30 공개) 대한민국 공개특허 제10-2021-0152166호(2021.12.15 공개)

일실시예에 따르면, 컨테이너의 센서 정보를 기초로 하여 일상 소비 상품의 개인화된 자동 주문 서비스를 제공하는 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

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

일실시예에 따르면, 장치에 의해 수행되는, 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법에 있어서, 제1 컨테이너에 설치되어 있는 무게 센서를 통해 측정된 제1 센서 정보를 획득하고, 상기 제1 컨테이너에 설치되어 있는 비전 센서를 통해 측정된 제2 센서 정보를 획득하는 단계; 제1 시점에 측정된 상기 제1 센서 정보 및 상기 제2 센서 정보를 기초로, 상기 제1 시점에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출하는 단계; 상기 제1 시점에 상기 제1 컨테이너 내에 수납되어 있는 상품들 중 어느 하나인 제1 상품의 잔여 수량이 미리 설정된 상기 제1 상품의 최소 필요 수량인 제1 수량 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 주문이 필요한 것으로 판단하는 단계; 상기 제1 상품에 대한 주문이 필요한 것으로 판단되면, 상기 제1 컨테이너의 사용자로 등록되어 있는 제1 사용자를 확인하고, 상기 제1 사용자가 사용하는 제1 사용자 단말로 상기 제1 상품에 대한 주문 추천 알림 메시지를 전송하는 단계; 상기 제1 사용자 단말로부터 상기 제1 상품에 대한 추가 주문 요청이 수신되면, 상기 제1 수량에서 상기 제1 상품의 잔여 수량을 차감하여 상기 제1 상품의 주문량을 산출하는 단계; 상기 제1 상품의 공급자로 등록되어 있는 제1 공급자를 확인하고, 상기 제1 공급자가 사용하는 제1 공급자 단말로 상기 제1 상품의 주문량에 대한 입고 요청 알림 메시지를 전송하는 단계; 미리 설정된 기간마다 측정된 상기 제2 센서 정보를 기초로, 상기 제1 컨테이너에 상품이 입고되는지 여부를 확인하는 단계; 상기 제1 시점 이후인 제2 시점에 측정된 상기 제2 센서 정보를 기초로, 상기 제1 컨테이너에 상기 제1 상품이 입고된 것으로 확인되면, 상기 제2 시점의 직전에 측정된 상기 제1 센서 정보를 기초로, 상기 제1 상품이 입고되기 전에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 무게인 제1 무게를 확인하고, 상기 제2 시점의 직후에 측정된 상기 제1 센서 정보를 기초로, 상기 제1 상품이 입고된 후에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 무게인 제2 무게를 확인하는 단계; 상기 제2 무게에서 상기 제1 무게를 차감한 값으로 제3 무게를 산출하는 단계; 상기 제1 상품 하나의 무게와 상기 제1 상품의 주문량을 곱한 값으로 제4 무게를 산출하는 단계; 및 상기 제3 무게 및 상기 제4 무게를 비교한 결과, 일치하는 것으로 확인되면, 상기 제1 상품에 대한 추가 주문이 정상적으로 완료된 것으로 판단하는 단계를 포함하는, 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법이 제공된다.

상기 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법은, 상기 제1 컨테이너의 입고 내역에 기초하여, 상기 제1 컨테이너에 상기 제1 상품이 입고되는 입고 패턴을 분석하는 단계; 상기 제1 상품의 입고 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 상품의 재고 업데이트 주기인 제1 주기를 설정하는 단계; 상기 제1 주기마다 상기 제1 컨테이너에 보관되어 있는 상기 제1 상품을 유통기한 별로 분류하여, 상기 제1 상품 중에서 유통기한까지 남아있는 잔여 기간이 가장 짧은 상품들을 제1 그룹으로 분류하는 단계; 상기 제1 그룹으로 분류된 상기 제1 상품의 재고량을 제1 재고량으로 확인하고, 상기 제1 그룹으로 분류된 상기 제1 상품의 유통기한까지 남아있는 잔여 기간을 제1 기간으로 확인하는 단계; 및 상기 제1 기간이 미리 설정된 제1 기준 기간 보다 짧은 것으로 확인되면, 상기 제1 상품의 재고 중 상기 제1 재고량에 대한 유통기한이 임박한 것을 알려주는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계를 더 포함할 수 있다.

상기 제1 재고량에 대한 유통기한이 임박한 것을 알려주는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계는, 상기 제1 컨테이너의 출고 내역에 기초하여, 상기 제1 상품의 일일 평균 출고량을 제1 출고량으로 확인하는 단계; 상기 제1 재고량, 상기 제1 기간 및 상기 제1 출고량을 매칭하여 제1 매칭 결과를 생성하는 단계; 상기 제1 매칭 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 기간이 경과할 때까지 상기 제1 재고량이 출고되지 않고 남아있을 수 있는 확률을 제1 발생률로 예측하는 단계; 상기 제1 발생률이 미리 설정된 제1 기준치 이상인 것으로 확인되면, 상기 제1 재고량에 대한 유통관리 상태를 경고 상태로 설정하는 단계; 상기 제1 발생률이 상기 제1 기준치 미만 미리 설정된 제2 기준치 이상인 것으로 확인되면, 상기 제1 재고량에 대한 유통관리 상태를 주의 상태로 설정하는 단계; 상기 제1 발생률이 상기 제2 기준치 미만인 것으로 확인되면, 제1 재고량에 대한 유통관리 상태를 정상 상태로 설정하는 단계; 상기 제1 재고량에 대한 유통관리 상태가 경고 상태로 설정된 경우, 상기 제1 상품에 대한 대량 소비를 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계; 상기 제1 재고량에 대한 유통관리 상태가 주의 상태로 설정된 경우, 상기 제1 상품에 대한 소비를 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계; 및 상기 제1 재고량에 대한 유통관리 상태가 정상 상태로 설정된 경우, 상기 제1 상품에 대한 추가 주문을 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계를 포함할 수 있다.

상기 제1 상품에 대한 추가 주문을 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계는, 상기 제1 상품 중에서 유통기한까지 남아있는 잔여 기간이 상기 제1 그룹 다음으로 짧은 상품들을 제2 그룹으로 분류하는 단계; 상기 제2 그룹으로 분류된 상기 제1 상품의 재고량을 제2 재고량으로 확인하고, 상기 제2 그룹으로 분류된 상기 제1 상품의 유통기한까지 남아있는 잔여 기간을 제2 기간으로 확인하는 단계; 상기 제1 재고량 및 상기 제2 재고량을 더한 값에서, 상기 제1 출고량 및 상기 제2 기간의 일수를 곱한 값을 차감하여, 상기 제1 상품의 예상 재고량을 산출하는 단계; 상기 제1 상품의 예상 재고량이 미리 설정된 상기 제1 상품의 기준 재고량 보다 적은 것으로 확인되면, 상기 제1 상품의 기준 재고량에서 상기 제1 상품의 예상 재고량을 차감한 값으로, 제1 주문량을 산출하는 단계; 및 상기 제1 주문량에 대한 주문을 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계를 포함할 수 있다.

일실시예에 따르면, 컨테이너에 설치되어 있는 무게 센서를 통해 측정된 제1 센서 정보를 획득하고, 컨테이너에 설치되어 있는 비전 센서를 통해 측정된 제2 센서 정보를 획득하고, 제1 시점에 측정된 제1 센서 정보 및 상기 제2 센서 정보를 기초로, 제1 시점에 컨테이너 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출하고, 제1 시점에 컨테이너 내에 수납되어 있는 상품들 중 어느 하나인 제1 상품의 잔여 수량이 미리 설정된 제1 상품의 최소 필요 수량인 제1 수량 보다 적은 것으로 확인되면, 제1 상품에 대한 주문이 필요한 것으로 판단하고, 제1 상품에 대한 주문이 필요한 것으로 판단되면, 컨테이너의 사용자로 등록되어 있는 제1 사용자 단말로 제1 상품에 대한 주문 추천 알림 메시지를 전송함으로써, 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스를 제공할 수 있는 효과가 있다.

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

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 복수의 센서가 설치된 제1 컨테이너를 도시한 도면이다.
도 3은 일실시예에 따른 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 컨테이너에 입고되는 물품의 수량을 확인하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 사용자의 주문 패턴을 통해 상품에 대한 주문의 필요여부를 판단하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 컨테이너에 보관된 상품에 대한 잔여 수량에 따라 상품을 자동으로 주문하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제2 상품의 주문량을 산출하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 상품의 주문량에 따라 상품의 이미지를 분할하여 표시하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 컨테이너에 수납된 상품의 유통관리를 수행하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 상품의 재고량이 출고되지 않고 남아있을 수 있는 확률을 예측하여 상품의 유통관리 상태를 설정하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 재고량 및 유통기한에 따라 최적화된 주문량을 추천하는 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
도 13은 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.
도 14는 일실시예에 따른 전자 장치 간의 메모리를 동기화하는 과정을 설명하기 위한 순서도이다.
도 15는 일실시예에 따른 파일들을 상태에 따라 분류하는 과정을 설명하기 위한 순서도이다.
도 16은 일실시예에 따른 파일 상태에 따라 메모리 동기화 여부를 결정하는 과정을 설명하기 위한 순서도이다.
도 17은 일실시예에 따른 메모리 잔여 용량에 따라 메모리 동기화 여부를 결정하는 과정을 설명하기 위한 순서도이다.
도 18은 일실시예에 따른 파일 실행 횟수에 따라 메모리 동기화 여부를 결정하는 과정을 설명하기 위한 순서도이다.
도 19는 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 복수의 사용자 단말(100), 복수의 컨테이너(200), 복수의 공급자 단말(300) 및 장치(400)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

먼저, 복수의 사용자 단말(100)은 복수의 컨테이너(200)를 사용하는 사용자들이 사용하는 단말로, 예를 들어, 스마트폰과 같은 모바일 기기나 컴퓨터일 수 있다. 여기서 컴퓨터는 웹 브라우저가 탑재된 노트북, 데스크톱, 랩톱 등을 포함할 수 있다. 모바일 기기는 스마트폰, 태블릿 PC 등을 포함한, 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다.

복수의 사용자 단말(100)은 제1 사용자가 사용하는 제1 사용자 단말(110), 제2 사용자가 사용하는 제2 사용자 단말(120) 등을 포함할 수 있다.

복수의 사용자 단말(100) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 사용자 단말(100)은 장치(400)와 유무선을 통해 통신하도록 구성될 수 있다.

복수의 컨테이너(200)는 사용자들이 사용하는 일상 소비 상품을 보관하고, 컨테이너 내에 수납되어 있는 상품들의 재고 현황을 파악하여 자동으로 주문을 요청하는 보관함일 수 있으며, 예를 들면, 냉장고, 미니바 등 상품의 수납이 가능하다면 다양한 형태로 구현될 수 있다.

복수의 컨테이너(200)는 복수의 사용자들에게 각각 제공될 수 있으며, 예를 들면, 제1 컨테이너(210)는 제1 사용자가 지정한 장소에 배치되어 제1 사용자 전용으로 사용되고, 제2 컨테이너(220)는 제2 사용자가 지정한 장소에 배치되어 제2 사용자 전용으로 사용될 수 있다.

복수의 컨테이너(200) 각각에는 복수의 센서들이 설치되어 있으며, 복수의 컨테이너(200) 각각은 복수의 센서를 통해 보관된 상품의 종류와 수량을 파악하는 기능을 수행할 수 있다. 여기서, 복수의 센서는 비전 센서, 무게 센서 등 다양한 형태의 센서를 포함할 수 있다.

복수의 컨테이너(200) 각각은 적어도 하나의 상품을 수납하기 위한 수납부를 구비하고 있으며, 수납부는 복수의 칸으로 구성될 수 있다. 예를 들어, 제1 컨테이너(210)의 제1 칸에 제1 상품이 수납되어 있는 경우, 제1 컨테이너(210)는 제1 칸에 수납되어 있는 제1 상품에 대한 재고 현황을 파악할 수 있다.

복수의 컨테이너(200)는 장치(400)와 유무선을 통해 통신하도록 구성될 수 있다. 복수의 컨테이너(200) 각각의 구성과 관련된 자세한 설명은 제1 컨테이너(210)를 대표로 하여 도 2를 참조하여 후술하기로 한다.

복수의 컨테이너(200)와 장치(400)는 직접적으로 연결될 수 있고, 복수의 컨테이너(200) 각각이 복수의 사용자 단말(100)과 연결되고 복수의 사용자 단말(100)이 장치(400)와 연결되어, 복수의 컨테이너(200)와 장치(400)는 간접적으로 연결될 수도 있다. 이를 위해, 복수의 컨테이너(200)는 복수의 사용자 단말(100)과 대응 관계를 가질 수 있다. 예를 들어, 제1 컨테이너(210)는 제1 사용자 단말(110)과 연결되어 있는 상태에서, 제1 사용자 단말(110)은 장치(400)와 연결될 수 있다.

복수의 공급자 단말(300)은 복수의 컨테이너(200)를 사용하는 사용자들에게 상품을 공급하는 공급자가 사용하는 단말로, 예를 들어, 스마트폰과 같은 모바일 기기나 컴퓨터일 수 있으며, 제1 공급자가 사용하는 제1 공급자 단말(310), 제2 공급자가 사용하는 제2 공급자 단말(320) 등을 포함할 수 있다.

복수의 공급자 단말(300) 각각은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 복수의 공급자 단말(300)은 장치(400)와 유무선을 통해 통신하도록 구성될 수 있다.

복수의 공급자 단말(300) 각각은 장치(400)에서 제공하는 웹 사이트 등을 통해 장치(400)에 접속할 수 있다.

이하에서는 설명의 편의상, 제1 사용자 단말(110), 제1 컨테이너(210) 및 제1 공급자 단말(310)의 동작을 위주로 설명하지만, 제2 사용자 단말(120) 등의 다른 사용자 단말에서 제1 사용자 단말(110)의 동작을 대신 수행하고, 제2 컨테이너(220) 등의 다른 컨테이너에서 제1 컨테이너(210)의 동작을 대신 수행하고, 제2 공급자 단말(320) 등의 다른 공급자 단말에서 제1 공급자 단말(310)의 동작을 대신 수행할 수 있는 것은 물론이다.

장치(400)는 장치(400)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(400)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(400)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 장치(400)는 복수의 사용자 단말(100), 복수의 컨테이너(200) 및 복수의 공급자 단말(300)과 유무선으로 통신하도록 구성될 수 있다.

장치(400)는 복수의 컨테이너(200) 각각에 대한 전체적인 동작을 제어하여, 복수의 컨테이너(200) 각각을 자동 주문 서비스를 제공하기 위한 컨테이너로 활용할 수 있으며, 이를 위해, 복수의 컨테이너(200) 각각으로부터 센서 정보를 획득한 후, 획득된 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스를 제공할 수 있다.

장치(400)는 복수의 컨테이너(200) 각각에 설치되어 있는 복수의 센서를 통해 센서 정보를 획득할 수 있으며, 획득된 센서 정보를 기초로 복수의 컨테이너(200) 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 파악하여, 최소 필요 수량보다 적게 남아 있는 상품에 대한 주문 요청을 복수의 컨테이너(200)를 사용하는 사용자들에게 추천하도록 하는 동작을 제어할 수 있다. 이와 관련된 자세한 설명은 도 3을 참조하여 후술하기로 한다.

한편, 설명의 편의를 위해 도 1에서는 복수의 사용자 단말(100) 중 제1 사용자 단말(110) 및 제2 사용자 단말(120)만을 도시하고, 복수의 컨테이너(200) 중 제1 컨테이너(210) 및 제2 컨테이너(220) 만을 도시하고, 복수의 공급자 단말(300) 중 제1 공급자 단말(310) 및 제2 공급자 단말(320)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(400)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

도 2는 일실시예에 따른 복수의 센서가 설치된 제1 컨테이너를 도시한 도면이다.

일실시예에 따르면, 제1 컨테이너(210)는 복수의 상품을 수납하고, 수납된 상품들의 종류와 수량을 자동으로 파악하도록 활용될 수 있다.

제1 컨테이너(210)는 하나 또는 하나 이상의 상품을 보관할 수 있는 수납부가 구비하고 있으며 제1 컨테이너(210)에 제1 상품, 제2 상품 등의 복수의 상품을 수납할 수 있다. 제1 컨테이너(210)는 물건을 수납할 수 있는 박스 형태 혹은 선반 구조물 등의 형태로 구현될 수 있다. 예를 들면, 제1 컨테이너(210)는 냉장고, 미니바 등 상품의 수납이 가능하다면 다양한 형태로 구현될 수 있다.

일실시예에 따르면, 제1 컨테이너(210) 내에는 복수의 선반이 구비되어 있으며, 각 선반에는 수납되어 있는 상품의 위치를 고정시키기 위한 디바이더가 설치되어 있다. 여기서, 디바이더는 상품 별로 공간을 분리하기 위해 사용되는 장치로, 제1 컨테이너(210) 내에서 복수의 상품을 종류 별로 보관하기 위해 공간을 분리할 수 있는 막의 형태로 구현될 수 있다.

제1 컨테이너(210) 내에는 복수의 디바이더가 설치될 수 있으며, 복수의 디바이더를 통해 제1 컨테이너(210) 내의 공간이 복수의 공간으로 분리될 수 있다. 이때, 분리된 각각의 공간을 컬럼이라고 칭한다.

즉, 제1 컨테이너(210)는 디바이더를 통해 복수의 컬럼으로 분리될 수 있으며, 상품의 종류에 따라 분류된 상품들이 각각의 컬럼에 보관될 수 있다.

제1 컨테이너(210)에는 비전 센서(211)와 무게 센서(212)가 설치되어 있을 수 있으며, 제1 컨테이너(210)의 형태에 따라 비전 센서(211)와 무게 센서(212)의 위치가 변경될 수 있다.

비전 센서(211)는 제1 컨테이너(210)에 수납되어 있는 상품을 인식하여 센서 정보를 생성할 수 있으며, 제1 컨테이너(210)에 입고되거나 출고되는 상품을 인식하여 센서 정보를 생성할 수도 있다.

비전 센서(211)는 제1 컨테이너(210)의 상부에 설치되거나, 제1 컨테이너(210)에 수납된 상품을 조망할 수 있도록 컨테이너 상부의 전방에 설치될 수 있다. 또한, 제1 컨테이너(210)와 연결된 별도의 연결도구를 통하여 컨테이너의 전방에 설치될 수도 있다. 또한, 제1 컨테이너(210)가 각각 여러 개의 수납부를 갖는 경우 각 수납부에 대응하는 개수로 비전 센서(211)가 설치될 수 있다.

비전 센서(211)는 산업용 카메라의 일종으로 사람의 눈처럼 물체의 형태, 크기, 문자, 패턴 등을 판별할 수 있는 센서를 의미한다. 일반적으로, 비전 센서(211)는 레이저와 렌즈(촬영수단) 등으로 구성되어 특정 물체에 대한 이미지를 분석하여 상품 정보를 생성할 수 있다. 이때, 비전 센서(211)는 제1 컨테이너(210)에 수납되어 있는 상품들의 텍스트, 패턴, 색상 등을 인식하여 상품들의 종류, 이름, 위치 등을 포함하는 상품 정보를 생성할 수 있다.

무게 센서(212)는 제1 컨테이너(210)에 수납되어 있는 상품들의 무게를 측정하여 센서 정보를 생성할 수 있다.

무게 센서(212)는 제1 컨테이너(210)의 형태에 따라 주로 제1 컨테이너(210)의 하부에 설치될 수 있다. 또한, 제1 컨테이너(210)가 각각 여러 개의 수납부를 갖는 경우 각 수납부에 대응하는 개수로 무게 센서(212)가 설치될 수 있다.

무게 센서(212)는 제1 컨테이너(210)에 상품을 수납하게 되면, 상품의 무게를 측정하여 상품의 무게 및 상품의 개수 등을 포함하는 무게 정보를 생성할 수 있다.

제1 컨테이너(210)는 비전 센서(211) 및 무게 센서(212)를 통해 측정된 센서 정보를 이용하여, 제1 컨테이너(210) 내부에 수납되어 있는 상품의 종류 및 잔여 수량을 파악할 수 있다.

이하에서는, 무게 센서(212)를 통해 측정되어 생성된 센서 정보를 제1 센서 정보로 칭하고, 비전 센서(211)를 통해 측정되어 생성된 센서 정보를 제2 센서 정보로 칭하기로 한다. 이때, 제1 센서 정보는 무게 정보를 포함하고, 제2 센서 정보는 상품 정보를 포함할 수 있다.

도 3은 일실시예에 따른 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저 S301 단계에서, 장치(400)는 제1 컨테이너(210)에 설치되어 있는 무게 센서(212)를 통해 측정된 제1 센서 정보를 획득하고, 제1 컨테이너(210)에 설치되어 있는 비전 센서(211)를 통해 측정된 제2 센서 정보를 획득할 수 있다.

구체적으로, 제1 컨테이너(210)에는 상품을 수납하는 각 수납부마다 무게 센서(212)와 비전 센서(211)가 설치되어 있으며, 무게 센서(212)는 수납된 상품들의 무게를 측정하여 제1 센서 정보를 생성하고, 비전 센서(211)는 수납된 상품들의 이미지를 인식하여 제2 센서 정보를 생성할 수 있다.

예를 들면, 제1 상품이 제1 컨테이너(210)에 수납되어 있는 경우, 무게 센서(212)는 제1 상품의 무게를 측정하여 제1 센서 정보를 생성하고, 비전 센서(211)는 제1 상품을 촬영한 이미지로 제2 센서 정보를 생성할 수 있다.

무게 센서(212)는 제1 센싱 기간마다 제1 센서 정보를 생성할 수 있고, 비전 센서(211)는 제2 센싱 기간마다 제2 센서 정보를 생성할 수 있다. 여기서, 제1 센싱 기간 및 제2 센싱 기간은 실시예에 따라 상이하게 설정될 수 있다. 제1 센싱 기간과 제2 센싱 기간은 동일한 기간으로 설정될 수 있고, 서로 상이한 기간으로 설정될 수도 있다.

예를 들어, 무게 센서(212)는 2분마다 제1 컨테이너(210)에 수납되어 있는 상품들의 무게를 측정하여 제1 센서 정보를 생성하고, 비전 센서(211)는 1분마다 제1 컨테이너(210)에 수납되어 있는 상품들을 촬영하여 제2 센서 정보를 생성할 수 있다.

무게 센서(212)에서 제1 센서 정보를 생성한 경우, 장치(400)는 제1 컨테이너(210)로부터 제1 센서 정보를 획득할 수 있다. 이때, 장치(400)는 제1 컨테이너(210)에 구비되어 있는 통신 모듈로부터 제1 센서 정보를 획득할 수 있고, 무게 센서(212)로부터 직접 제1 센서 정보를 획득할 수도 있다.

비전 센서(211)에서 제2 센서 정보를 생성한 경우, 장치(400)는 제1 컨테이너(210)로부터 제2 센서 정보를 획득할 수 있다. 이때, 장치(400)는 제1 컨테이너(210)에 구비되어 있는 통신 모듈로부터 제2 센서 정보를 획득할 수 있고, 비전 센서(211)로부터 직접 제2 센서 정보를 획득할 수도 있다.

S302 단계에서, 장치(400)는 제1 시점에 측정된 제1 센서 정보 및 제2 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210) 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출할 수 있다.

구체적으로, 장치(400)는 제1 시점에 비전 센서(211)를 통해 측정된 제2 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210) 내에 어느 상품이 수납되어 있는지 분석할 수 있으며, 제1 시점에 무게 센서(212)를 통해 측정된 제1 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210) 내에 어느 상품이 몇 개씩 수납되어 있는지 분석할 수 있다. 이를 통해, 장치(400)는 제1 시점에 제1 컨테이너(210) 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출할 수 있다.

일실시예에 따르면, 장치(400)는 제1 시점에 측정된 제2 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210) 내에 제1 상품만 수납되어 있는 것을 확인할 수 있으며, 제1 시점에 측정된 제1 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210) 내에 제1 상품이 몇 개 수납되어 있는지를 분석하여, 제1 상품의 잔여 수량을 산출할 수 있다.

예를 들어, 장치(400)는 비전 센서(211)를 통해 측정된 제2 센서 정보를 기초로, 제1 컨테이너(210) 내에 제1 상품만 수납되어 있는 것으로 확인된 경우, 제1 상품 하나의 무게를 확인할 수 있다. 이후, 장치(400)는 제1 상품의 무게가 40g으로 확인되고, 무게 센서(212)를 통해 측정된 제1 센서 정보를 기초로, 제1 컨테이너(210) 내에 수납되어 있는 상품들의 무게가 200g로 확인된 경우, 제1 컨테이너(210) 내에 수납되어 있는 상품들의 무게에서 제1 상품의 무게를 나눈 값으로, 제1 상품의 잔여 수량을 5개로 산출할 수 있다.

다른 실시예에 따르면, 장치(400)는 제1 시점에 측정된 제2 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210) 내에 제1 상품 및 제2 상품이 수납되어 있는 것을 확인할 수 있으며, 제1 시점에 측정된 제1 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210) 내에 제1 상품과 제2 상품이 각각 몇 개씩 수납되어 있는지를 분석하여, 제1 상품의 잔여 수량 및 제2 상품의 잔여 수량을 각각 산출할 수 있다.

예를 들면, 장치(400)는 비전 센서(211)를 통해 측정된 제2 센서 정보를 기초로, 제1 컨테이너(210) 내에 제1 상품 및 제2 상품이 같이 수납되어 있는 것으로 확인된 경우, 제1 상품 하나의 무게와 제2 상품 하나의 무게를 각각 확인할 수 있다. 이후, 장치(400)는 제1 상품의 무게가 40g으로 확인되고, 제2 상품의 무게가 30g으로 확인되고, 무게 센서(212)를 통해 측정된 제1 센서 정보를 기초로, 제1 컨테이너(210) 내에 수납되어 있는 상품들의 무게가 110g로 확인된 경우, 제1 컨테이너(210) 내에 수납되어 있는 상품들의 무게, 제1 상품의 무게 및 제2 상품의 무게를 모두 고려하여, 제1 상품의 잔여 수량을 2개로, 제2 상품의 잔여 수량을 1개로 산출할 수 있다.

한편, 장치(400)는 비전 센서(211)를 통해 측정된 제2 센서 정보를 기초로, 제1 컨테이너(210) 내에 수납되어 있는 상품들의 종류와 잔여 수량까지 한번에 분석할 수 있으며, 무게 센서(212)를 통해 측정된 제1 센서 정보를 기초로, 이미 분석된 잔여 수량이 맞는지 확인할 수 있다.

S303 단계에서, 장치(400)는 제1 시점에 제1 컨테이너(210)에 수납되어 있는 제1 상품의 잔여 수량을 확인할 수 있다.

구체적으로, 장치(400)는 제1 시점에 측정된 제1 센서 정보 및 제2 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210)에 수납되어 있는 상품들의 종류 별로 잔여 수량을 각각 산출한 후, 제1 시점에 제1 컨테이너(210)에 수납되어 있는 상품들 중 어느 하나인 제1 상품의 잔여 수량을 확인할 수 있다.

S304 단계에서, 장치(400)는 제1 상품의 잔여 수량이 제1 수량 보다 적은지 여부를 확인할 수 있다. 여기서, 제1 수량은 제1 상품의 최소 필요 수량을 의미하는 것으로, 실시예에 따라 상이하게 설정될 수 있다.

S304 단계에서 제1 상품의 잔여 수량이 제1 수량 보다 적은 것으로 확인되면, S305 단계에서, 장치(400)는 제1 상품에 대한 주문이 필요한 것으로 판단할 수 있다.

즉, 장치(400)는 제1 컨테이너(210)에 수납되어 있는 제1 상품의 잔여 수량이 제1 상품의 최소 필요 수량 보다 적은 것으로 확인되면, 제1 상품에 대한 주문이 필요한 것으로 판단할 수 있다.

S305 단계 이후, S307 단계에서, 장치(400)는 제1 상품에 대한 주문이 필요한 것으로 판단되면, 제1 컨테이너(210)의 사용자로 등록되어 있는 제1 사용자를 확인하고, 제1 사용자가 사용하는 제1 사용자 단말(110)로 제1 상품에 대한 주문 추천 알림 메시지를 전송할 수 있다. 여기서, 제1 상품에 대한 주문 추천 알림 메시지는 제1 상품의 잔여 수량이 얼마 남지 않아 제1 상품의 주문이 필요한 것을 알려주는 알림 메시지로, 제1 사용자 단말(110)의 화면에 표시될 수 있다.

한편, S304 단계에서 제1 상품의 잔여 수량이 제1 수량 보다 많은 것으로 확인되면, S306 단계에서, 장치(400)는 제1 상품에 대한 주문이 필요하지 않은 것으로 판단할 수 있다.

즉, 장치(400)는 제1 컨테이너(210)에 수납되어 있는 제1 상품의 잔여 수량이 제1 상품의 최소 필요 수량 보다 많은 것으로 확인되면, 제1 상품에 대한 주문이 필요하지 않은 것으로 판단할 수 있다.

S306 단계 이후, S302 단계로 되돌아가, 장치(400)는 제1 시점 이후인 제2 시점에 측정된 제1 센서 정보 및 제2 센서 정보를 기초로, 제2 시점에 제1 컨테이너(210) 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출할 수 있다. 이를 위해, 장치(400)는 미리 설정된 기간마다 제1 센서 정보 및 제2 센서 정보를 주기적으로 획득할 수 있다.

도 4는 일실시예에 따른 컨테이너에 입고되는 물품의 수량을 확인하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(400)는 제1 사용자 단말(110)로부터 제1 상품의 추가 주문 요청을 수신할 수 있다. 여기서, 제1 상품의 추가 주문 요청은 제1 상품의 주문 추천 알림 메시지에 대한 응답으로, 제1 사용자의 선택으로 요청될 수 있다.

S402 단계에서, 장치(400)는 제1 사용자 단말(110)로부터 제1 상품에 대한 추가 주문 요청이 수신되면, 제1 수량에서 제1 상품의 잔여 수량을 차감하여 제1 상품의 주문량을 산출할 수 있다. 여기서, 제1 수량은 제1 상품의 최소 필요 수량을 의미하고, 제1 상품의 잔여 수량은 제1 컨테이너(210)에 수납되어 있는 제1 상품의 재고량을 의미할 수 있다.

S403 단계에서, 장치(400)는 제1 상품의 공급자로 등록되어 있는 제1 공급자를 확인하고, 제1 공급자가 사용하는 제1 공급자 단말(310)로 제1 상품의 주문량에 대한 입고 요청 알림 메시지를 전송할 수 있다. 여기서, 제1 상품의 주문량에 대한 입고 요청 알림 메시지는 제1 상품의 주문량에 대해 제1 컨테이너(210)로 입고시킬 것을 알려주는 알림 메시지로, 제1 공급자 단말(310)의 화면에 표시될 수 있다.

S404 단계에서, 장치(400)는 제2 센서 정보를 기초로, 제1 컨테이너(210)에 상품이 입고되는지 여부를 확인할 수 있다. 이를 위해, 장치(400)는 미리 설정된 기간마다 제2 센서 정보를 획득할 수 있다.

S404 단계에서 제1 컨테이너(210)에 상품이 입고되지 않은 것으로 확인되면, S403 단계로 되돌아가, 장치(400)는 제1 상품의 주문량에 대한 입고 요청 알림 메시지를 제1 공급자 단말(310)로 다시 전송할 수 있다.

S404 단계에서 제1 컨테이너(210)에 상품이 입고된 것으로 확인되면, S405 단계에서, 장치(400)는 제1 시점 이후인 제2 시점에 측정된 제2 센서 정보를 기초로, 제2 시점에 제1 컨테이너(210)에 제1 상품이 입고된 것을 확인할 수 있다.

S406 단계에서, 장치(400)는 제2 시점에 제1 컨테이너(210)에 제1 상품이 입고된 것으로 확인되면, 제2 시점의 직전에 측정된 제1 센서 정보를 기초로, 제1 상품이 입고되기 전에 제1 컨테이너(210) 내에 수납되어 있는 상품들의 무게인 제1 무게를 확인할 수 있다. 이를 위해, 장치(400)는 미리 설정된 기간마다 제1 센서 정보를 획득할 수 있으며, 제2 시점에 제1 상품이 입고된 것으로 확인되면, 제2 시점의 직전에 획득된 제1 센서 정보를 기초로, 제1 무게를 확인할 수 있다.

S407 단계에서, 장치(400)는 제2 시점에 제1 컨테이너(210)에 제1 상품이 입고된 것으로 확인되면, 제2 시점의 직후에 측정된 제1 센서 정보를 기초로, 제1 상품이 입고된 후에 제1 컨테이너(210) 내에 수납되어 있는 상품들의 무게인 제2 무게를 확인할 수 있다. 이를 위해, 장치(400)는 미리 설정된 기간마다 제1 센서 정보를 획득할 수 있으며, 제2 시점에 제1 상품이 입고된 것으로 확인되면, 제2 시점의 직후에 획득된 제1 센서 정보를 기초로, 제2 무게를 확인할 수 있다.

S408 단계에서, 장치(400)는 제2 무게에서 제1 무게를 차감한 값으로 제3 무게를 산출할 수 있다. 즉, 장치(400)는 제1 상품의 입고 전후에 제1 컨테이너(210) 내에 수납되어 있는 상품들의 무게가 얼마나 변동되었는지 확인하기 위해, 제2 무게에서 제1 무게를 차감한 값으로 제3 무게를 산출할 수 있다.

상술한 바와 같이, 장치(400)는 제1 컨테이너(210)에 설치된 비전 센서(211)을 통해 측정된 제2 센서 정보를 기초로, 제1 컨테이너(210)에 상품이 입고되는지 여부를 확인한 후, 제1 컨테이너(210)에 설치된 무게 센서(212)를 통해 측정된 제1 센서 정보를 기초로, 제1 컨테이너(210) 내에 수납되어 있는 상품들의 무게가 얼마나 변동되었는지 확인할 수 있다.

즉, 장치(400)는 제1 컨테이너(210)에 설치된 비전 센서(211)을 통해 각 컬럼 별로 입고되는 상품의 재고량을 1차로 파악하고, 입고되는 상품의 재고량에 대한 정확도를 높이기 위해, 제1 컨테이너(210)에 설치된 무게 센서(212)를 통해 입고되는 상품의 재고량을 2차로 파악할 수 있다.

추가적으로, 장치(400)는 제1 컨테이너(210)를 촬영하는 카메라로부터 제1 컨테이너(210)의 촬영으로 생성된 이미지를 획득할 수 있으며, 생성된 이미지를 제1 사용자 단말(110)로 전송하여, 실시간 모니터링을 통해 입고되는 상품의 재고량이 파악될 수 있도록 처리할 수 있다.

S409 단계에서, 장치(400)는 제1 상품 하나의 무게와 제1 상품의 주문량을 곱한 값으로 제4 무게를 산출할 수 있다.

S410 단계에서, 장치(400)는 제3 무게 및 제4 무게를 비교하여, 제3 무게와 제4 무게가 일치하는지 여부를 확인할 수 있다.

S410 단계에서 제3 무게 및 제4 무게를 비교한 결과, 일치하는 것으로 확인되면, S411 단계에서, 장치(400)는 제1 상품에 대한 추가 주문이 정상적으로 완료된 것으로 판단할 수 있다.

즉, 장치(400)는 실제로 제1 컨테이너(210)에 입고된 제1 상품의 무게와 주문된 제1 상품의 무게를 비교하여, 일치하는 경우, 제1 상품에 대한 추가 주문이 정상적으로 이루어진 것으로 판단할 수 있다. 이때, 장치(400)는 제1 상품의 주문량에 대한 입고 완료 알림 메시지를 제1 사용자 단말(110)로 전송할 수 있다. 여기서, 제1 상품의 주문량에 대한 입고 완료 알림 메시지는 제1 상품의 주문량이 제1 컨테이너(210)로 입고된 것을 알려주는 알림 메시지로, 제1 사용자 단말(110)의 화면에 표시될 수 있다.

S410 단계에서 제3 무게 및 제4 무게를 비교한 결과, 일치하지 않는 것으로 확인되면, S412 단계에서, 장치(400)는 제1 상품에 대한 추가 주문에 문제가 있는 것으로 판단할 수 있다.

즉, 장치(400)는 실제로 제1 컨테이너(210)에 입고된 제1 상품의 무게와 주문된 제1 상품의 무게를 비교하여, 일치하지 않는 경우, 제1 상품에 대한 추가 주문이 정상적으로 이루어지지 않은 것으로 판단할 수 있다. 이때, 장치(400)는 제1 상품의 주문량에 대한 확인 요청 알림 메시지를 제1 공급자 단말(310)로 전송할 수 있다. 여기서, 제1 상품의 주문량에 대한 확인 요청 알림 메시지는 제1 상품의 주문량이 제1 컨테이너(210)에 정상적으로 입고되지 않아 확인이 필요한 것을 알려주는 알림 메시지로, 제1 공급자 단말(310)의 화면에 표시될 수 있다.

도 5는 일실시예에 따른 사용자의 주문 패턴을 통해 상품에 대한 주문의 필요여부를 판단하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(400)는 제1 사용자의 주문 이력에 기초하여, 제1 상품에 대한 주문 패턴을 분석할 수 있다. 이를 위해, 장치(400)의 데이터베이스에는 사용자 별로 구분된 주문 이력 정보가 저장되어 있으며, 장치(400)는 데이터베이스에 저장된 정보를 조회하여 제1 사용자의 주문 이력을 획득할 수 있다. 여기서, 주문 이력 정보는 주문일, 상품 별 주문량 등의 정보를 포함할 수 있으며, 주문일 순으로 정렬되어 가장 최근에 주문된 내역이 먼저 확인될 수 있다.

예를 들어, 제1 사용자의 주문 이력을 통해, 제1 상품이 1월 1일에 20개, 1월 11일에 15개, 1월 21일에 25개 주문된 것이 확인되면, 장치(400)는 10일 간격으로 평균 10개씩 제1 상품의 주문이 이루어지는 것을 파악하여, 제1 상품의 주문 패턴을 분석할 수 있다.

S502 단계에서, 장치(400)는 제1 상품의 주문 패턴에 기초하여, 제1 상품에 대한 예상 주문일 및 예상 주문량을 예측할 수 있다.

예를 들어, 제1 상품의 주문 패턴이 10일 간격으로 평균 10개씩 주문이 이루어지는 패턴으로 분석되고, 가장 최근에 주문이 이루어진 날짜가 1월 21일인 경우, 장치(400)는 제1 상품에 대한 예상 주문일을 1월 31일로 예측하고, 예상 주문량을 10개로 예측할 수 있다.

S503 단계에서, 장치(400)는 제1 시점에 제1 상품의 예상 주문일이 기준 기간 보다 짧게 남아있는지 여부를 확인하여, 제1 사용자에게 제1 상품의 주문이 필요한지 여부를 판단할 수 있다. 여기서, 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

구체적으로, 장치(400)는 제1 상품의 예상 주문일이 기준 기간 보다 짧게 남아있는 것으로 확인되면, 제1 사용자에게 제1 상품의 주문이 필요한 것으로 판단하고, 제1 상품의 예상 주문일이 기준 기간 보다 길게 남아있는 것으로 확인되면, 제1 사용자에게 제1 상품의 주문이 필요하지 않은 것으로 판단할 수 있다.

예를 들어, 제1 상품의 예상 주문일이 1월 31일이고 기준 기간이 5일인 경우, 장치(400)는 제1 시점이 1월 28일로 확인되면, 예상 주문일까지 남은 기간이 3일이기 때문에 제1 사용자에게 제1 상품의 주문이 필요한 것으로 판단할 수 있으며, 제1 시점이 1월 23일로 확인되면, 예상 주문일까지 남은 기간이 8일이기 때문에 제1 사용자에게 제1 상품의 주문이 필요하지 않은 것으로 판단할 수 있다.

S503 단계에서 제1 시점에 제1 상품의 예상 주문일이 기준 기간 보다 길게 남아있는 것으로 확인되면, S501단계로 되돌아가, 장치(400)는 일정 기간이 지난 이후, 제1 고객의 주문 이력을 다시 획득한 후, 제1 사용자의 주문 이력에 기초하여, 제1 상품에 대한 주문 패턴을 다시 분석할 수 있다.

S503 단계에서 제1 시점에 제1 상품의 예상 주문일이 기준 기간 보다 짧게 남아있는 것으로 확인되면, S504 단계에서, 장치(400)는 제1 상품의 잔여 수량이 제1 수량 보다 적은 지 여부를 판단할 수 있다. 여기서, 제1 상품의 잔여 수량은 제1 컨테이너(210)에 수납되어 있는 제1 상품의 재고량을 의미하고, 제1 수량은 제1 상품의 최소 필요 수량을 의미할 수 있다.

S504 단계에서 제1 상품의 잔여 수량이 제1 수량 보다 적은 것으로 확인되면, S505 단계에서, 장치(400)는 예상 주문량에 대한 주문이 필요한 것으로 판단할 수 있다. 즉, 장치(400)는 제1 컨테이너(210)에 수납되어 있는 제1 상품의 잔여 수량이 제1 상품의 최소 필요 수량 보다 적은 것으로 확인되면, 예상 주문량에 대한 제1 상품의 주문이 필요한 것으로 판단할 수 있다.

S504 단계에서 제1 상품의 잔여 수량이 제1 수량 보다 많은 것으로 확인되면, S506 단계에서, 장치(400)는 제1 상품의 잔여 수량이 제2 수량 보다 적은지 여부를 확인할 수 있다. 여기서, 제2 수량은 제1 상품의 최대 필요 수량을 의미하는 것으로, 실시예에 따라 상이하게 설정될 수 있다.

S506 단계에서 제1 상품의 잔여 수량이 제2 수량 보다 많은 것으로 확인되면, S501단계로 되돌아가, 장치(400)는 일정 기간이 지난 이후, 제1 고객의 주문 이력을 다시 획득한 후, 제1 사용자의 주문 이력에 기초하여, 제1 상품에 대한 주문 패턴을 다시 분석할 수 있다.

S506 단계에서 제1 상품의 잔여 수량이 제2 수량 보다 적은 것으로 확인되면, S507 단계에서, 장치(400)는 예상 주문량에서 제1 상품의 잔여 수량을 차감한 값으로 제3 수량을 산출할 수 있다.

S508 단계에서, 장치(400)는 제3 수량이 산출되면, 제3 수량에 대한 주문이 필요한 것으로 판단할 수 있다. 즉, 장치(400)는 제1 컨테이너(210)에 수납되어 있는 제1 상품의 잔여 수량이 제1 상품의 최소 필요 수량 보다 많지만 제1 상품의 최대 필요 수량 보다 적은 것으로 확인되면, 제3 수량에 대한 제1 상품의 주문이 필요한 것으로 판단할 수 있다.

도 6은 일실시예에 따른 컨테이너에 보관된 상품에 대한 잔여 수량에 따라 상품을 자동으로 주문하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(400)는 제1 기준량과 제1 상품의 잔여 수량을 비교할 수 있다. 여기서, 제1 기준량은 제1 사용자의 요청으로 설정될 수 있으며, 제1 수량 보다 작은 값으로 설정될 수 있다.

S602 단계에서, 장치(400)는 제1 기준량과 제1 상품의 잔여 수량을 비교한 결과, 제1 상품의 잔여 수량이 제1 기준량 보다 많은지 여부를 확인할 수 있다.

S602 단계에서 제1 상품의 잔여 수량이 제1 기준량 보다 많은 것으로 확인되면, S603 단계에서, 장치(400)는 제1 상품에 대한 자동 주문이 필요하지 않은 상태로 판단할 수 있다. 즉, 장치(400)는 제1 컨테이너(210)에 수납되어 있는 제1 상품의 잔여 수량이 제1 수량 보다 적지만 제1 기준량 보다 많은 것으로 확인되면, 제1 상품에 대한 자동 주문이 필요하지 않은 상태로 판단할 수 있다.

예를 들어, 제1 수량이 100개, 제1 기준량이 50개로 설정되어 있는 경우, 장치(400)는 제1 상품의 잔여 수량이 70개로 확인되면, 제1 상품에 대한 주문은 필요하지만, 제 1 상품에 대한 자동 주문은 필요하지 않은 상태로 판단할 수 있다.

S604 단계에서, 장치(400)는 제1 상품에 대한 자동 주문이 필요하지 않은 경우, 제1 사용자 단말(110)로 제1 상품에 대한 주문 추천 알림 메시지를 전송할 수 있다.

한편, S602 단계에서 제1 상품의 잔여 수량이 제1 기준량 보다 적은 것으로 확인되면, S605 단계에서, 장치(400)는 제1 상품에 대한 자동 주문이 필요한 상태로 판단할 수 있다. 즉, 장치(400)는 제1 컨테이너(210)에 수납되어 있는 제1 기준량보다 적은 것으로 확인되면, 제1 상품에 대한 자동 주문이 필요한 상태로 판단할 수 있다.

예를 들어, 제1 수량이 100개, 제1 기준량이 50개로 설정되어 있는 경우, 장치(400)는 제1 상품의 잔여 수량이 30개로 확인되면, 제 1 상품에 대한 자동 주문이 필요한 상태로 판단할 수 있다.

S606 단계에서, 장치(400)는 제1 상품에 대한 자동 주문이 필요한 경우, 제1 사용자 단말(110)로 제1 상품에 대한 자동 주문 알림 메시지를 전송할 수 있다. 여기서, 제1 상품에 대한 자동 주문 알림 메시지는 제1 상품의 잔여 수량이 매우 적은 상태여서 제1 상품에 대한 자동 주문이 이루어진 것을 알려주는 알림 메시지로, 제1 사용자 단말(110)의 화면에 표시될 수 있다.

S607 단계에서, 장치(400)는 제1 상품에 대한 자동 주문이 필요한 경우, 제1 공급자 단말(310)로 제1 상품에 대한 입고 요청 알림 메시지를 전송할 수 있다. 여기서, 제1 상품에 대한 입고 요청 알림 메시지는 제1 상품의 잔여 수량이 매우 적은 상태여서 제1 상품에 대한 자동 주문을 진행하기 위해 제1 상품을 제1 컨테이너(210)로 입고시킬 것을 알려주는 알림 메시지로, 제1 공급자 단말(310)의 화면에 표시될 수 있다. 이때, 장치(400)는 제1 공급자 단말(310)로 예상 주문량에 대한 입고 요청 알림 메시지를 전송할 수 있다.

일실시예에 따르면, S606단계 이후에 S607단계가 수행될 수 있고, S607 단계 이후에 S606단계가 수행될 수 있고, S606단계 및 S607 단계가 동시에 수행될 수도 있다.

도 7은 일실시예에 따른 제2 상품의 주문량을 산출하는 과정을 설명하기 위한 순서도이다.

도 7을 설명하는데 있어, 도 3 및 도 4에 대한 설명과 중복되는 내용은 생략하기로 한다.

도 7을 참조하면, 먼저, S701 단계에서, 장치(400)는 제1 컨테이너(210)에 설치되어 있는 무게 센서(212)과 비전 센서(211)를 통해 제1 센서 정보와 제2 센서 정보를 획득할 수 있다.

S702 단계에서, 장치(400)는 제1 시점에 측정된 제1 센서 정보 및 제2 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210)에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출할 수 있다.

S703 단계에서, 장치(400)는 제1 시점에 제1 컨테이너(210)에 수납되어 있는 제2 상품의 잔여 수량 확인할 수 있다.

구체적으로, 장치(400)는 제1 시점에 측정된 제1 센서 정보 및 제2 센서 정보를 기초로, 제1 시점에 제1 컨테이너(210)에 수납되어 있는 상품들의 종류 별로 잔여 수량을 각각 산출한 후, 제1 시점에 제1 컨테이너(210)에 수납되어 있는 상품들 중 어느 하나인 제2 상품의 잔여 수량을 확인할 수 있다.

S704 단계에서, 장치(400)는 제2 상품의 잔여 수량이 제4 수량보다 적은지 여부를 확인할 수 있다. 여기서, 제4 수량은 제2 상품의 최소 필요 수량을 의미하는 것으로, 실시예에 따라 상이하게 설정될 수 있다.

S704 단계에서 제2 상품의 잔여 수량이 제4 수량 보다 적은 것으로 확인되면, S705 단계에서, 장치(400)는 제2 상품에 대한 주문이 필요한 것으로 판단할 수 있다. 즉, 장치(400)는 제1 컨테이너(210)에 수납되어 있는 제2 상품의 잔여 수량이 제2 상품의 최소 필요 수량 보다 적은 것으로 확인되면, 제2 상품에 대한 주문이 필요한 것으로 판단할 수 있다.

S704 단계에서 제2 상품의 잔여 수량이 제4 수량 보다 많은 것으로 확인되면, S706 단계에서, 장치(400)는 제2 상품에 대한 주문이 필요하지 않은 것으로 판단할 수 있다. 즉, 장치(400)는 제1 컨테이너(210)에 수납되어 있는 제2 상품의 잔여 수량이 제2 상품의 최소 필요 수량 보다 많은 것으로 확인되면, 제2 상품에 대한 주문이 필요하지 않은 것으로 판단할 수 있다.

S706 단계 이후, S702 단계로 되돌아가, 장치(400)는 제1 시점 이후인 제2 시점에 측정된 제1 센서 정보 및 제2 센서 정보를 기초로, 제2 시점에 제1 컨테이너(210) 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출할 수 있다.

S705 단계 이후, S707 단계에서, 장치(400)는 제2 상품에 대한 주문이 필요한 것으로 판단되면, 제1 사용자 단말(110)로 제2 상품에 대한 주문 추천 알림 메시지를 전송할 수 있다. 여기서, 제2 상품에 대한 주문 추천 알림 메시지는 제2 상품의 잔여 수량이 얼마 남지 않아 제2 상품의 주문이 필요한 것을 알려주는 알림 메시지로, 제1 사용자 단말(110)의 화면에 표시될 수 있다.

S708 단계에서, 장치(400)는 제1 사용자 단말(110)로부터 제2 상품에 대한 추가 주문 요청이 수신할 수 있다. 여기서, 제2 상품의 추가 주문 요청은 제2 상품의 주문 추천 알림 메시지에 대한 응답으로, 제1 사용자의 선택으로 요청될 수 있다.

S709 단계에서, 장치(400)는 제1 사용자 단말(110)로부터 제2 상품에 대한 추가 주문 요청이 수신되면, 제4 수량에서 제2 상품의 잔여 수량을 차감하여 제2 상품의 주문량을 산출할 수 있다. 여기서, 제4 수량은 제2 상품의 최소 필요 수량을 의미하고, 제2 상품의 잔여 수량은 제1 컨테이너(210)에 수납되어 있는 제2 상품의 재고량을 의미할 수 있다.

도 8은 일실시예에 따른 상품의 주문량에 따라 상품의 이미지를 분할하여 표시하는 과정을 설명하기 위한 순서도이다.

도 8을 참조하면, 먼저, S801 단계에서, 장치(400)는 제1 수량에서 제1 상품의 잔여 수량을 차감한 값으로 제1 상품의 주문량을 산출할 수 있다. 이때, 장치(400)는 제1 상품의 잔여 수량이 제1 수량 보다 적은 것으로 확인되어, 제1 상품에 대한 주문이 필요한 것으로 판단되면, 제1 상품의 주문량을 산출할 수 있다.

예를 들어, 장치(400)는 제1 수량이 50이고, 제1 상품의 잔여 수량이 20인 경우, 제1 상품의 주문량을 30으로 산출할 수 있다.

S802 단계에서, 장치(400)는 제4 수량에서 제2 상품의 잔여 수량을 차감한 값으로 제2 상품의 주문량을 산출할 수 있다. 이때, 장치(400)는 제2 상품의 잔여 수량이 제4 수량 보다 적은 것으로 확인되어, 제2 상품에 대한 주문이 필요한 것으로 판단되면, 제2 상품의 주문량을 산출할 수 있다.

예를 들어, 장치(400)는 제4 수량이 100이고, 제2 상품의 잔여 수량이 30인 경우, 제2 상품의 주문량을 70으로 산출할 수 있다.

S803 단계에서, 장치(400)는 제1 공급자가 제1 상품 및 제2 상품을 제1 사용자에게 공급하는 경우, 제1 상품의 주문량 및 제2 상품의 주문량을 합한 값으로, 총 주문량을 산출할 수 있다.

예를 들어, 장치(400)는 제1 상품의 주문량이 30이고, 제2 상품의 주문량이 70인 경우, 총 주문량을 100으로 산출할 수 있다.

S804 단계에서, 장치(400)는 제1 상품의 주문량을 총 주문량으로 나눈 값으로, 제1 비율을 산출할 수 있다.

예를 들어, 장치(400)는 제1 상품의 주문량이 30이고, 총 주문량이 100인 경우, 제1 비율을 30%로 산출할 수 있다.

S805 단계에서, 장치(400)는 제1 비율로 제1 영역의 크기를 설정할 수 있다. 여기서, 제1 영역은 제1 상품의 주문량에 대한 입고 요청 알림 메시지가 표시되는 영역을 의미할 수 있다.

S806 단계에서, 장치(400)는 제2 상품의 주문량을 총 주문량으로 나눈 값으로, 제2 비율을 산출할 수 있다.

예를 들어, 장치(400)는 제2 상품의 주문량이 70이고, 총 주문량이 100인 경우, 제2 비율을 70%로 산출할 수 있다.

S807 단계에서, 장치(400)는 제2 비율로 제2 영역의 크기를 설정할 수 있다. 여기서, 제2 영역은 제2 상품의 주문량에 대한 입고 요청 알림 메시지가 표시되는 영역을 의미할 수 있다.

S808 단계에서, 장치(400)는 제1비율을 통해 제1 영역의 크기가 설정되고, 제2 비율을 통해 제2 영역의 크기가 설정되면, 제1 상품의 주문량에 대한 입고 요청 알림 메시지가 제1 영역에서 표시되고 제2 상품의 주문량에 대한 입고 요청 알림 메시지가 제2 영역에서 표시되어, 제1 상품의 주문량 및 제2 상품의 주문량에 대한 입고 요청 알림 메시지가 제1 공급자 단말(310)의 화면에서 분할되어 표시되도록 제어할 수 있다.

즉, 제1 비율을 통해 화면의 크기가 설정된 제1 영역에서는 제1 상품의 주문량에 대한 입고 요청 알림 메시지가 표시되고, 제2 비율을 통해 화면의 크기가 설정된 제2 영역에서는 제2 상품의 주문량에 대한 입고 요청 알림 메시지가 표시되어, 제1 상품의 주문량 및 제2 상품의 주문량에 대한 입고 요청 알림 메시지가 제1 공급자 단말(310)의 화면에서 분할되어 표시될 수 있다.

일실시예에 따르면, 장치(400)는 인공지능을 기반으로 상품의 재고 업데이트 주기를 설정할 수 있다. 이와 관련된 자세한 설명은 도 9를 참조하여 후술하기로 한다.

또한, 장치(400)는 인공지능을 기반으로 상품의 재고량이 출고되지 않고 남아있을 수 있는 확률을 예측할 수 있다. 이와 관련된 자세한 설명은 도 10을 참조하여 후술하기로 한다.

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 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 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 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 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. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 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 학습할 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 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 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), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 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 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 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 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

도 9는 일실시예에 따른 컨테이너에 수납된 상품의 유통관리를 수행하는 과정을 설명하기 위한 순서도이다.

도 9를 참조하면, 먼저, S901 단계에서, 장치(400)는 제1 컨테이너(210)의 입고 내역에 기초하여, 제1 컨테이너(210)에 제1 상품이 입고되는 입고 패턴을 분석할 수 있다. 여기서, 입고 내역은 컨테이너에 입고된 상품 내역이 누적된 정보로, 어느 시점에 어느 상품이 얼마나 많이 입고되었는지 나타내는 리스트로 구성될 수 있고, 상품명, 입고일, 입고량 등의 정보를 포함할 수 있다.

장치(400)의 데이터베이스에는 컨테이너 별로 구분되어 있는 입고 내역이 저장되어 있으며, 장치(400)는 데이터베이스에 저장된 정보를 조회하여 제1 컨테이너(210)의 입고 내역을 획득할 수 있다.

예를 들어, 제1 컨테이너(210)의 입고 내역을 통해 제1 컨테이너(210)에 제1 상품이 입고된 내역을 확인한 결과, 1월 1일에 20개, 1월 11일에 15개, 1월 21일에 25개 입고된 것이 확인되면, 장치(400)는 10일 간격으로 평균 20개씩 제1 상품에 대한 입고가 이루어지는 것을 파악하여, 제1 상품의 입고 패턴을 분석할 수 있다. 여기서, 제1 상품의 입고 패턴은 제1 컨테이너(210)에 제1 상품이 얼마나 자주 어느 정도의 양으로 입고되었는지 나타내는 입고 패턴을 의미할 수 있다.

S902 단계에서, 장치(400)는 제1 상품의 입고 패턴에 대한 분석 결과를 미리 학습된 제1 인공 신경망에 적용할 수 있다.

일실시예에 따르면, 제1 인공 신경망은 상품의 입고 패턴에 대한 분석 결과를 입력 받은 후, 상품의 입고 패턴에 적합한 상품의 재고 업데이트 주기를 출력하는 알고리즘일 수 있다. 예를 들어, 제1 상품의 입고 패턴이 10일 간격으로 입고가 이루어지는 패턴으로 분석된 경우, 제1 인공 신경망은 10일 간격으로 입고가 이루어지는 것으로 분석된 제1 상품의 입고 패턴에 대한 분석 결과를 입력으로 받아, 10일 간격으로 이루어지는 입고 패턴에 적합한 상품의 재고 업데이트 주기를 10일로 출력할 수 있다.

S903 단계에서, 장치(400)는 제1 인공 신경망의 출력을 기초로, 제1 상품의 재고 업데이트 주기인 제1 주기를 설정할 수 있다. 즉, 제1 인공 신경망은 제1 컨테이너(210)에 제1 상품이 입고되는 입고 패턴을 분석하여, 제1 상품의 입고 패턴에 적합한 제1 상품의 재고 업데이트 주기인 제1 주기에 대한 설정값을 출력할 수 있으며, 장치(400)는 제1 인공 신경망의 출력을 기초로, 제1 상품의 재고 업데이트 주기를 제1 주기로 설정할 수 있다.

이를 위해, 제1 인공 신경망은 상품의 입고 패턴에 대한 분석 결과를 통해 상품의 입고 패턴에 적합한 상품의 재고 업데이트 주기를 선정하여 추출하도록 학습될 수 있다. 이러한 제1 인공 신경망은 도 12를 참조하여 후술되는 방법을 통해 학습될 수 있다.

S904 단계에서, 장치(400)는 제1 주기마다 제1 컨테이너(210)에 보관되어 있는 제1 상품을 유통기한 별로 분류할 수 있다.

구체적으로, 장치(400)는 제1 컨테이너(210)의 재고 정보를 기반으로, 제1 주기마다 제1 컨테이너(210)에 보관되어 있는 제1 상품을 유통기한 별로 분류할 수 있다. 여기서, 제1 컨테이너(210)의 재고 정보는 제1 컨테이너(210)에 보관되어 있는 상품들 각각의 재고 현황을 포함할 수 있다.

장치(400)는 제1 컨테이너(210)에 상품들이 새로 입고되거나, 제1 컨테이너(210)에서 상품들이 출고되는 것을 추적하여, 제1 컨테이너(210)의 재고 정보를 실시간으로 업데이트 할 수 있다. 이를 위해, 제1 컨테이너(210)에 입출고되는 상품에는 바코드가 부착되어 있어, 바코드의 인식을 통해 입고부터 출고까지 추적 관리될 수 있다.

즉, 장치(400)는 복수의 컨테이너(200) 각각에서 바코드의 인식을 통해 상품들의 입고부터 출고까지 추적 관리되면, 바코드의 인식을 통해 실시간으로 변화되는 상품들의 재고 현황을 컨테이너 별로 파악할 수 있으며, 컨테이너 별로 구분된 재고 정보를 데이터베이스에 저장하여 관리할 수 있다.

일실시예에 따르면, 재고 정보는 상품명, 유통기한, 재고량, 가격 등의 정보를 포함할 수 있으며, 동일한 상품이더라도 유통기한이 상이한 경우, 유통기한 별로 구분되어 관리될 수 있다. 이를 통해, 장치(400)는 제1 컨테이너(210)의 재고 정보를 기반으로, 제1 상품을 유통기한 별로 구분하여 분류할 수 있다.

S905 단계에서, 장치(400)는 제1 컨테이너(210)에 보관되어 있는 제1 상품을 유통기한 별로 분류한 결과, 제1 상품 중에서 유통기한까지 남아있는 잔여 기간이 가장 짧은 상품들을 제1 그룹으로 분류할 수 있다.

예를 들어, 제1 컨테이너(210)의 재고 정보에 “제1 상품, 유통기한 1월 20일, 재고량 10개”, “제1 상품, 유통기한 1월 25일, 재고량 15개”, “제1 상품, 유통기한 1월 30일, 재고량 30개”라는 정보가 포함되어 있는 경우, 장치(400)는 제1 상품 중에서 1월 20일을 유통기한까지 남아있는 잔여기간이 가장 짧은 것으로 확인하여, 1월 20일이 유통기한인 10개의 제1 상품을 제1 그룹으로 분류할 수 있다.

S906 단계에서, 장치(400)는 제1 그룹으로 분류된 제1 상품의 재고량을 제1 재고량으로 확인하고, 제1 그룹으로 분류된 제1 상품의 유통기한까지 남아있는 잔여 기간을 제1 기간으로 확인할 수 있다.

예를 들어, 장치(400)는 1월 20일이 유통기한인 10개의 제1 상품을 제1 그룹으로 분류한 경우, 제1 재고량을 10개로 확인하고, 현재 일자가 1월 15일로 확인되면, 제1 기간을 5일로 확인할 수 있다.

S907 단계에서, 장치(400)는 제1 기간이 제1 기준 기간 보다 짧은지 여부를 확인할 수 있다. 여기서, 제1 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

S907 단계에서 제1 기간이 제1 기준 기간 보다 짧지 않은 것으로 확인되면, 일정 기간이 지난 이후, S901 단계로 되돌아가, 장치(400)는 제1 상품의 입고 패턴을 분석하는 과정부터 다시 수행할 수 있다.

예를 들어, 제1 기준 기간이 5일이고 제1 기간이 8일인 경우, 장치(400)는 제1 기간이 제1 기준 기간 보다 긴 것으로 확인되기 때문에, 유통기한이 임박하지 않은 것으로 판단하여, 유통기한이 임박한 것을 알려주는 알림 서비스의 제공이 필요하지 않은 것으로 판단할 수 있다.

S907 단계에서 제1 기간이 제1 기준 기간 보다 짧은 것으로 확인되면, S908 단계에서, 장치(400)는 제1 상품의 재고 중 제1 재고량에 대한 유통기한이 임박한 것을 알려주는 알림 메시지를 제1 사용자 단말(110)로 전송할 수 있다. 여기서, 알림 메시지는 제1 상품의 상품명, 제1 재고량, 제1 그룹으로 분류된 제1 상품의 유통기한, 제1 기간 등에 대한 정보를 포함할 수 있다.

예를 들어, 제1 기준 기간이 5일이고 제1 기간이 3일인 경우, 장치(400)는 제1 기간이 제1 기준 기간 보다 짧은 것으로 확인되기 때문에, 유통기한이 임박한 것으로 판단하여, 유통기한이 임박한 것을 알려주는 알림 서비스의 제공이 필요한 것으로 판단할 수 있으며, 이를 통해, 제1 상품의 재고 중 제1 재고량에 대한 유통기한이 임박한 것을 알려주는 알림 메시지를 제1 사용자 단말(110)로 전송할 수 있다.

장치(400)는 제1 상품의 재고 중 제1 재고량에 대한 유통기한이 임박한 것을 알려주는 알림 메시지를 제1 사용자 단말(110)로 전송하면서, 제1 상품에 대한 대량 소비, 소비 또는 추가 주문을 추천하는 알림 메시지를 제1 사용자 단말(110)로 더 전송할 수 있으며, 이와 관련된 자세한 설명은 도 10을 참조하여 후술하기로 한다.

도 10은 일실시예에 따른 상품의 재고량이 출고되지 않고 남아있을 수 있는 확률을 예측하여 상품의 유통관리 상태를 설정하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(400)는 제1 컨테이너(210)의 출고 내역에 기초하여, 제1 상품의 일일 평균 출고량을 제1 출고량으로 확인할 수 있다. 여기서, 출고 내역은 컨테이너에서 출고된 상품 내역이 누적된 정보로, 어느 시점에 어느 상품이 얼마나 많이 출고되었는지 나타내는 리스트로 구성될 수 있고, 상품명, 출고일, 출고량 등의 정보를 포함할 수 있다.

장치(400)의 데이터베이스에는 컨테이너 별로 구분되어 있는 출고 내역이 저장되어 있으며, 장치(400)는 데이터베이스에 저장된 정보를 조회하여 제1 컨테이너(210)의 출고 내역을 획득할 수 있다.

예를 들어, 제1 컨테이너(210)의 출고 내역을 통해 제1 컨테이너(210)에서 제1 상품이 출고된 내역을 확인한 결과, 1월 1일에 18개, 1월 2일에 20개, 1월 3일에 22개 출고된 것이 확인되면, 장치(400)는 제1 상품의 일일 평균 출고량을 20개로 산출할 수 있고, 20개를 제1 출고량으로 확인할 수 있다.

S1002 단계에서, 장치(400)는 제1 재고량, 제1 기간 및 제1 출고량을 매칭하여 제1 매칭 결과를 생성할 수 있다.

S1003 단계에서, 장치(400)는 제1 재고량, 제1 기간 및 제1 출고량을 매칭한 제1 매칭 결과를 미리 학습된 제2 인공 신경망에 적용할 수 있다. 여기서, 제2 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 매칭한 매칭 결과를 입력으로 받아, 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률을 출력하는 알고리즘일 수 있다.

즉, 제2 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 고려하여, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률을 예측하여 산정할 수 있다.

예를 들어, 제1 재고량, 제1 기간 및 제1 출고량을 매칭한 제1 매칭 결과가 (60개, 5일, 10개)인 경우, 제2 인공 신경망은 (60개, 5일, 10개)를 입력으로 받아, 5일이 경과한 후 60개의 재고량이 출고되지 않고 남아있을 수 있는 확률을 제1 발생률로 예측하여 산정할 수 있고, 제1 발생률을 지시하는 출력값을 출력할 수 있다.

S1004 단계에서, 장치(400)는 제2 인공 신경망의 출력을 기초로, 제1 기간이 경과할 때까지 제1 재고량이 출고되지 않고 남아있을 수 있는 확률을 제1 발생률로 예측할 수 있다.

일실시예에 따르면, 제2 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 매칭한 매칭 결과를 통해, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률이 얼마나 되는지 분석하여 출력할 수 있다. 제2 인공 신경망은 도 13을 참조하여 후술되는 방법을 통해 학습될 수 있다.

S1005 단계에서, 장치(400)는 제1 발생률이 제1 기준치 이상인지 여부를 확인할 수 있다. 여기서, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.

S1005 단계에서 제1 발생률이 제1 기준치 이상인 것으로 확인되면, S1006 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태를 경고 상태로 설정할 수 있다.

예를 들어, 제1 기준치가 60%인 경우, 장치(400)는 제1 발생률이 70%로 확인되면, 제1 재고량이 출고되지 않고 남아있을 수 있는 확률이 매우 높은 것으로 판단하여, 제1 재고량에 대한 유통관리 상태를 경고 상태로 설정할 수 있다.

S1007 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 경고 상태로 설정된 경우, 제1 상품에 대한 대량 소비를 추천하는 알림 메시지를 제1 사용자 단말(110)로 전송할 수 있다.

S1005 단계에서 제1 발생률이 제1 기준치 미만인 것으로 확인되면, S1008 단계에서, 장치(400)는 제1 발생률이 제2 기준치 이상인지 여부를 확인할 수 있다. 여기서, 제2 기준치는 제1 기준치 보다 작은 값으로 설정될 수 있다.

S1008 단계에서 제1 발생률이 제2 기준치 이상인 것으로 확인되면, S1009 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태를 주의 상태로 설정할 수 있다.

예를 들어, 제1 기준치가 60%이고 제2 기준치가 30%인 경우, 장치(400)는 제1 발생률이 40%로 확인되면, 제1 재고량이 출고되지 않고 남아있을 수 있는 확률이 어느 정도 있는 것으로 판단하여, 제1 재고량에 대한 유통관리 상태를 주의 상태로 설정할 수 있다.

S1010 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 주의 상태로 설정된 경우, 제1 상품에 대한 소비를 추천하는 알림 메시지를 제1 사용자 단말(110)로 전송할 수 있다.

S1008 단계에서 제1 발생률이 제2 기준치 미만인 것으로 확인되면, S1011 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태를 정상 상태로 설정할 수 있다.

예를 들어, 제1 기준치가 60%이고 제2 기준치가 30%인 경우, 장치(400)는 제1 발생률이 20%로 확인되면, 제1 재고량이 출고되지 않고 남아있을 수 있는 확률이 매우 낮은 것으로 판단하여, 제1 재고량에 대한 유통관리 상태를 정상 상태로 설정할 수 있다.

S1012 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 정상 상태로 설정된 경우, 제1 상품에 대한 추가 주문을 추천하는 알림 메시지를 제1 사용자 단말(110)로 전송할 수 있다. 여기서, 알림 메시지는 주문량 등에 대한 정보를 포함할 수 있다.

장치(400)는 제1 상품에 대한 추가 주문을 추천하는 알림 메시지를 제1 사용자 단말(110)로 전송할 때, 어느 정도로 주문해야 하는지 주문량을 추천하는 알림 메시지를 제1 사용자 단말(110)로 전송할 수 있으며, 이와 관련된 자세한 설명은 도 11을 참조하여 후술하기로 한다.

도 11은 일실시예에 따른 재고량 및 유통기한에 따라 최적화된 주문량을 추천하는 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 11을 참조하면, 먼저, S1101 단계에서, 장치(400)는 제1 상품 중에서 유통기한까지 남아있는 잔여 기간이 제1 그룹 다음으로 짧은 상품들을 제2 그룹으로 분류할 수 있다.

예를 들어, 제1 컨테이너(210)의 재고 정보에 “제1 상품, 유통기한 1월 20일, 재고량 10개”, “제1 상품, 유통기한 1월 25일, 재고량 15개”, “제1 상품, 유통기한 1월 30일, 재고량 30개”라는 정보가 포함되어 있는 경우, 장치(400)는 제1 상품 중에서 1월 20일을 유통기한까지 남아있는 잔여기간이 가장 짧은 것으로 확인하여, 1월 20일이 유통기한인 10개의 제1 상품을 제1 그룹으로 분류할 수 있고, 제1 상품 중에서 1월 25일을 유통기한까지 남아있는 잔여기간이 두 번째로 짧은 것으로 확인하여, 1월 25일이 유통기한인 15개의 제1 상품을 제2 그룹으로 분류할 수 있다.

S1102 단계에서, 장치(400)는 제2 그룹으로 분류된 제1 상품의 재고량을 제2 재고량으로 확인하고, 제2 그룹으로 분류된 제1 상품의 유통기한까지 남아있는 잔여 기간을 제2 기간으로 확인할 수 있다.

예를 들어, 장치(400)는 1월 25일이 유통기한인 15개의 제1 상품을 제2 그룹으로 분류한 경우, 제2 재고량을 15개로 확인하고, 현재 일자가 1월 15일로 확인되면, 제2 기간을 10일로 확인할 수 있다.

S1103 단계에서, 장치(400)는 제1 재고량 및 제2 재고량을 더한 값에서, 제1 출고량 및 제2 기간의 일수를 곱한 값을 차감하여, 제1 상품의 예상 재고량을 산출할 수 있다.

예를 들어, 제1 재고량이 10개, 제2 재고량이 15개, 제1 출고량이 5개, 제2 기간이 4일인 경우, 장치(400)는 “(10 + 15) - (5 X 4)”를 통해, 제1 상품의 예상 재고량을 5개로 산출할 수 있다.

S1104 단계에서, 장치(400)는 제1 상품의 예상 재고량이 제1 상품의 기준 재고량 보다 적은지 여부를 확인할 수 있다. 여기서, 제1 상품의 기준 재고량은 실시예에 따라 상이하게 설정될 수 있다.

S1104 단계에서 제1 상품의 예상 재고량이 제1 상품의 기준 재고량 보다 적은 것으로 확인되면, S1105 단계에서, 장치(400)는 제1 상품의 기준 재고량에서 제1 상품의 예상 재고량을 차감한 값으로, 제1 주문량을 산출할 수 있다.

예를 들어, 제1 상품의 예상 재고량이 3개, 제1 상품의 기준 재고량이 5개인 경우, 장치(400)는 “5 - 3”을 통해, 제1 주문량을 2개로 산출할 수 있다.

또한, 제1 상품의 예상 재고량이 -2개, 제1 상품의 기준 재고량이 5개인 경우, 장치(400)는 “5 - (-2)”를 통해, 제1 주문량을 7개로 산출할 수 있다.

S1106 단계에서, 장치(400)는 제1 주문량에 대한 주문을 추천하는 알림 메시지를 제1 사용자 단말(110)로 전송할 수 있다. 여기서, 알림 메시지는 제1 상품의 예상 재고량, 제1 상품의 기준 재고량, 제1 주문량, 제1 상품의 예상 재고량과 제1 주문량을 합산한 주문 후 예상 재고량 등에 대한 정보를 포함할 수 있다.

도 12는 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제1 인공 신경망은 상품의 입고 패턴에 대한 분석 결과를 입력 받은 후, 상품의 입고 패턴에 적합한 상품의 재고 업데이트 주기를 출력하는 알고리즘일 수 있다.

제1 인공 신경망의 학습이 이루어지는 학습 장치는 학습된 제1 인공 신경망을 이용하여 상품의 입고 패턴에 적합한 상품의 재고 업데이트 주기를 분석하는 장치(400)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1201 단계에서, 학습 장치는 상품의 입고 패턴에 대한 분석 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 상품의 입고 패턴에 대한 분석 결과를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 상품의 입고 패턴에 대한 분석 결과를 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S1202 단계에서, 학습 장치는 제1 인공 신경망에 입력을 적용할 수 있다. 제1 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제1 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 상품의 입고 패턴이 일정 이상 간격으로 입고가 이루어지면, 재고 업데이트 주기를 길게 선정할수록 보상값이 높아질 수 있고, 제2 보상은 상품의 입고 패턴이 일정 미만 간격으로 입고가 이루어지면, 재고 업데이트 주기를 짧게 선정할수록 보상값이 높아질 수 있다.

S1203 단계에서, 학습 장치는 제1 인공 신경망으로부터 출력을 획득할 수 있다. 제1 인공 신경망의 출력은 상품의 입고 패턴에 적합한 재고 업데이트 주기에 대한 정보를 포함할 수 있다. 이때, 제1 인공 신경망은 상품의 입고 패턴에 대한 분석을 통해, 상품의 입고 패턴에 적합한 재고 업데이트 주기를 선정하여, 선정된 재고 업데이트 주기에 대한 정보를 출력할 수 있다.

S1204 단계에서, 학습 장치는 제1 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 상품의 입고 패턴이 일정 이상 간격으로 입고가 이루어진 경우, 재고 업데이트 주기를 길게 선정할수록 제1 보상을 많이 수여하고, 상품의 입고 패턴이 일정 미만 간격으로 입고가 이루어진 경우, 재고 업데이트 주기를 짧게 선정할수록 제2 보상을 많이 수여할 수 있다.

S1205 단계에서, 학습 장치는 평가를 기초로 제1 인공 신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 제1 인공 신경망이 상품의 입고 패턴을 통해, 재고 업데이트 주기를 선정하여 추출하는 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 제1 인공 신경망을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 상품의 입고 패턴에 대한 분석 결과를 통해, 제1 상품의 재고 업데이트 주기가 제1 주기로 설정되면, 제1 주기의 분석 결과에 대해 문제가 없는지 여부를 확인할 수 있고, 제1 주기의 분석 결과에 대해 문제가 없는 경우, 상품의 재고 업데이트 주기의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제1 인공 신경망에 적용하여, 제1 상품의 입고 패턴과 유사한 입고 패턴을 입력으로 하는 경우, 제1 주기와 유사한 주기를 선정하도록, 제1 인공 신경망을 학습시키는 과정을 통해, 제1 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상기와 같은 제1 인공 신경망의 학습 과정을 반복함으로써, 제1 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 상품의 입고 패턴에 대한 분석 결과를 통해, 상품의 입고 패턴에 적합한 재고 업데이트 주기를 출력하는 제1 인공 신경망을 학습시킬 수 있다.

즉, 학습 장치는 상품의 입고 패턴에 대한 분석 결과를 통해 재고 업데이트 주기를 추출할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.

도 13은 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제2 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 매칭한 매칭 결과를 입력으로 받아, 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률을 출력하는 알고리즘일 수 있다.

제2 인공 신경망의 학습이 이루어지는 학습 장치는 학습된 제2 인공 신경망을 이용하여 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률을 분석하는 장치(400)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1301 단계에서, 학습 장치는 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 매칭한 매칭 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 제2 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S1302 단계에서, 학습 장치는 제2 인공 신경망에 입력을 적용할 수 있다. 제2 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제2 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제2 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제3 보상은 재고량이 많을수록 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있고, 제4 보상은 유통기한까지 남아있는 잔여 기간이 짧을수록 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있고, 제5 보상은 일일 평균 출고량이 적을수록 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있다.

S1303 단계에서, 학습 장치는 제2 인공 신경망으로부터 출력을 획득할 수 있다. 제2 인공 신경망의 출력은, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률에 대한 정보일 수 있다. 이때, 제2 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 고려하여, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률을 분석하고, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률에 대한 정보를 출력할 수 있다.

S1304 단계에서, 학습 장치는 제2 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제3 보상, 제4 보상, 제5 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 재고량이 많을수록 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제3 보상을 많이 수여하고, 유통기한까지 남아있는 잔여 기간이 짧을수록 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제4 보상을 많이 수여하고, 일일 평균 출고량이 적을수록 유통기한이 경과될 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제5 보상을 많이 수여할 수 있다.

S1305 단계에서, 학습 장치는 평가를 기초로 제2 인공 신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 제2 인공 신경망이, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률을 분석하는 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 제2 인공 신경망을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 재고량, 제1 기간 및 제1 출고량을 매칭한 제1 매칭 결과를 통해, 제1 기간이 경과할 때까지 상기 제1 재고량이 출고되지 않고 남아있을 수 있는 확률이 제1 발생률로 예측되면, 제1 발생률의 분석 결과에 대해 문제가 없는지 여부를 확인할 수 있고, 제1 발생률의 분석 결과에 대해 문제가 없는 경우, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제2 학습 데이터를 생성하고, 제2 학습 데이터를 제2 인공 신경망에 적용하여, 제1 재고량, 제1 기간 및 제1 출고량을 매칭한 제1 매칭 결과와 유사한 매칭 결과를 입력으로 하는 경우, 제1 발생률과 유사한 확률을 선정하도록, 제2 인공 신경망을 학습시키는 과정을 통해, 제2 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

학습 장치는 상술한 제2 인공 신경망의 학습 과정을 반복함으로써, 제2 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 고려하여, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률을 출력하는 제2 인공 신경망을 학습시킬 수 있다.

즉, 학습 장치는 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 출고량을 매칭한 매칭 결과를 통해, 유통기한이 경과할 때까지 재고량이 출고되지 않고 남아있을 수 있는 확률을 분석할 때, 제3 보상, 제4 보상, 제5 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공 신경망을 학습시킬 수 있다.

일실시예에 따르면, 제1 사용자가 제1 컨테이너(210) 및 제2 컨테이너(220)를 사용하고 있고, 제1 컨테이너(210)에 제1 전자 장치가 연결되어 있고 제2 컨테이너(220)에 제2 전자 장치가 연결되어 있는 경우, 제1 사용자는 전자 장치들의 관리를 백업 및 관리를 위해, 복수의 전자 장치들 간의 메모리 동기화를 요청할 수 있다. 이와 관련된 자세한 설명은 도 14 내지 도 18을 참조하여 후술하기로 한다.

도 14는 일실시예에 따른 전자 장치 간의 메모리를 동기화하는 과정을 설명하기 위한 순서도이다.

도 14를 참조하면, 먼저, S1401 단계에서, 장치(400)는 제1 사용자 단말(110)로부터 제1 전자 장치 및 제2 전자 장치 간의 메모리 동기화 요청을 수신할 수 있다. 이를 위해, 장치(400)는 제1 전자 장치 및 제2 전자 장치와 직접적으로 연결되어 통신하도록 구성될 수 있고, 제1 사용자 단말(110)을 통해 제1 전자 장치 및 제2 전자 장치와 간접적으로 연결되어 통신하도록 구성될 수도 있다.

구체적으로, 제1 사용자는 제1 사용자 단말(110)을 통해 제1 전자 장치 및 제2 전자 장치 간의 메모리를 동기화하고자 하는 요청을 입력할 수 있고, 제1 전자 장치 및 제2 전자 장치 간의 메모리 동기화 요청이 입력되면, 장치(400)는 제1 사용자 단말(110)로부터 제1 전자 장치 및 제2 전자 장치 간의 메모리 동기화 요청을 수신할 수 있다.

S1402 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 파일들의 리스트인 제1 리스트를 획득할 수 있다.

구체적으로, 제1 전자 장치는 제1 전자 장치의 메모리에 저장되어 있는 파일들을 확인한 후, 제1 전자 장치의 메모리에 저장되어 있는 파일들의 리스트인 제1 리스트를 생성할 수 있고, 장치(400)는 제1 전자 장치로부터 제1 리스트를 획득할 수 있다.

S1403 단계에서, 장치(400)는 제2 전자 장치의 메모리에 저장되어 있는 파일들의 리스트인 제2 리스트를 획득할 수 있다.

구체적으로, 제2 전자 장치는 제2 전자 장치의 메모리에 저장되어 있는 파일들을 확인한 후, 제2 전자 장치의 메모리에 저장되어 있는 파일들의 리스트인 제2 리스트를 생성할 수 있고, 장치(400)는 제2 전자 장치로부터 제2 리스트를 획득할 수 있다.

S1404 단계에서, 장치(400)는 제1 리스트 및 제2 리스트를 비교할 수 있다. 즉, 장치(400)는 S1402 단계에서 획득된 제1 리스트와 S1403 단계에서 획득된 제2 리스트를 비교할 수 있다. 이때, 장치(400)는 제1 리스트에 포함되어 있는 파일들과 제2 리스트에 포함되어 있는 파일들을 비교하여, 각 리스트에 포함되어 있는 파일들이 서로 일치하는지 여부를 확인할 수 있다.

S1405 단계에서, 장치(400)는 제1 리스트에 포함된 파일들 중 제1 파일이 제2 리스트에 포함되어 있지 않은 것으로 확인할 수 있다.

예를 들어, 제1 리스트에는 제1 파일, 제2 파일 및 제3 파일이 포함되어 있고, 제2 리스트에는 제2 파일 및 제3 파일이 포함되어 있는 경우, 장치(400)는 제1 리스트 및 제2 리스트를 비교한 결과, 제1 리스트에 포함된 파일들 중 제1 파일이 제2 리스트에 포함되어 있지 않은 것으로 확인할 수 있다.

S1406 단계에서, 장치(400)는 제1 전자 장치와 제2 전자 장치 간의 데이터 전송 속도인 제1 전송 속도를 확인할 수 있다.

S1407 단계에서, 장치(400)는 제1 전송 속도가 제1 기준 속도 보다 빠른지 여부를 확인할 수 있다. 여기서, 제1 기준 속도는 실시예에 따라 상이하게 설정될 수 있다.

S1407 단계에서 제1 전송 속도가 제1 기준 속도 보다 빠른 것으로 확인되면, S1408 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 제1 파일이 제2 전자 장치로 전송되도록 제어할 수 있다. 이때, 제1 전자 장치는 제1 파일을 제2 전자 장치로 전송할 수 있다.

장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 제1 파일이 제2 전자 장치로 전송되면, 제2 전자 장치로 전송된 제1 파일이 제2 전자 장치의 메모리에 저장되도록 제어할 수 있다. 이때, 제2 전자 장치는 제1 전자 장치로부터 수신된 제1 파일을 제2 전자 장치의 메모리에 저장할 수 있다.

S1407 단계에서 제1 전송 속도가 제1 기준 속도 보다 느린 것으로 확인되면, S1409 단계에서, 장치(400)는 제1 전송 속도가 제1 기준 속도 보다 빨라질 때까지 제1 전자 장치의 메모리에 저장되어 있는 제1 파일이 제2 전자 장치로 전송되지 않고 대기하도록 제어할 수 있다. 이때, 제1 전자 장치는 제1 파일을 제2 전자 장치로 전송하지 않고 대기할 수 있다.

도 15는 일실시예에 따른 파일들을 상태에 따라 분류하는 과정을 설명하기 위한 순서도이다.

도 15를 참조하면, 먼저, S1501 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 파일들을 확인할 수 있다.

S1502 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 파일들 중에서 제1 기준 기간 동안 실행된 파일들을 제1 파일 그룹으로 분류할 수 있다. 여기서, 제1 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

S1503 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 파일들 중에서 제1 기준 기간 동안 실행되지 않은 파일들을 제2 파일 그룹으로 분류할 수 있다.

예를 들어, 제1 기준 기간이 최근 1주일로 설정되어 있는 경우, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 파일들 중에서 최근 1주일 동안 한 번이라도 실행된 파일들을 제1 파일 그룹으로 분류할 수 있고, 제1 전자 장치의 메모리에 저장되어 있는 파일들 중에서 최근 1주일 동안 한 번도 실행되지 않은 파일들을 제2 파일 그룹으로 분류할 수 있다.

S1504 단계에서, 장치(400)는 제1 파일 그룹으로 분류된 파일들 중에서 제1 기준 기간 동안 제1 기준 횟수 이상 실행된 파일들을 제1-1 파일 그룹으로 분류할 수 있다. 여기서, 제1 기준 횟수는 실시예에 따라 상이하게 설정될 수 있다.

S1505 단계에서, 장치(400)는 제1 파일 그룹으로 분류된 파일들 중에서 제1 기준 기간 동안 제1 기준 횟수 미만 실행된 파일들을 제1-2 파일 그룹으로 분류할 수 있다.

예를 들어, 제1 기준 기간이 최근 1주일로 설정되어 있고, 제1 기준 횟수가 5회로 설정되어 있는 경우, 장치(400)는 제1 파일 그룹으로 분류된 파일들 중에서 최근 1주일 동안 5회 이상 실행된 파일들을 제1-1 파일 그룹으로 분류할 수 있고, 제1 파일 그룹으로 분류된 파일들 중에서 최근 1주일 동안 5회 미만 실행된 파일들을 제1-2 파일 그룹으로 분류할 수 있다.

도 16은 일실시예에 따른 파일 상태에 따라 메모리 동기화 여부를 결정하는 과정을 설명하기 위한 순서도이다.

도 16을 참조하면, 먼저, S1601 단계에서, 장치(400)는 제1 전송 속도가 제1 기준 속도 보다 느린 것으로 확인할 수 있다.

S1602 단계에서, 장치(400)는 제1 파일이 제1-1 파일 그룹으로 분류된 것으로 확인할 수 있다. 여기서, 제1 파일은 S1504 단계를 통해 제1-1 파일 그룹으로 분류될 수 있다.

S1602 단계에서 제1 파일이 제1-1 파일 그룹으로 분류된 것으로 확인되면, S1606 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 제1 파일이 제2 전자 장치로 전송되도록 제어할 수 있다.

한편, S1603 단계에서, 장치(400)는 제1 파일이 제1-2 파일 그룹으로 분류된 것으로 확인할 수 있다. 여기서, 제1 파일은 S1505 단계를 통해 제1-2 파일 그룹으로 분류될 수 있다.

S1603 단계에서 제1 파일이 제1-2 파일 그룹으로 분류된 것으로 확인되면, S1605 단계에서, 장치(400)는 제1 전송 속도가 제2 기준 속도 보다 빠른지 여부를 확인할 수 있다. 여기서, 제2 기준 속도는 제1 기준 속도 보다 작은 값으로 설정될 수 있다.

S1605 단계에서 제1 전송 속도가 제2 기준 속도 보다 빠른 것으로 확인되면, S1606 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 제1 파일이 제2 전자 장치로 전송되도록 제어할 수 있다.

S1605 단계에서 제1 전송 속도가 제2 기준 속도 보다 느린 것으로 확인되면, S1607 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 제1 파일이 제2 전자 장치로 전송되지 않고 대기하도록 제어할 수 있다.

한편, S1604 단계에서, 장치(400)는 제1 파일이 제2 파일 그룹으로 분류된 것으로 확인할 수 있다. 여기서, 제1 파일은 S1503 단계를 통해 제2 파일 그룹으로 분류될 수 있다.

S1604 단계에서 제1 파일이 제2 파일 그룹으로 분류된 것으로 확인되면, S1607 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 제1 파일이 제2 전자 장치로 전송되지 않고 대기하도록 제어할 수 있다.

도 17은 일실시예에 따른 메모리 잔여 용량에 따라 메모리 동기화 여부를 결정하는 과정을 설명하기 위한 순서도이다.

도 17을 참조하면, 먼저, S1701 단계에서, 장치(400)는 제1 전자 장치의 메모리에 저장되어 있는 제1 파일이 제2 전자 장치로 전송되도록 제어할 수 있다.

S1702 단계에서, 장치(400)는 제2 전자 장치의 메모리에서 사용 가능한 잔여 공간의 용량인 제1 잔여 용량을 확인할 수 있다.

S1703 단계에서, 장치(400)는 제1 잔여 용량이 제1 기준 용량 보다 많은지 여부를 확인할 수 있다. 여기서, 제1 기준 용량은 실시예에 따라 상이하게 설정될 수 있다.

S1703 단계에서 제1 잔여 용량이 제1 기준 용량 보다 많은 것으로 확인되면, S1705 단계에서, 장치(400)는 제2 전자 장치로 전송된 제1 파일이 제2 전자 장치의 메모리에 저장되도록 제어할 수 있다.

S1703 단계에서 제1 잔여 용량이 제1 기준 용량 보다 적은 것으로 확인되면, S1704 단계에서, 장치(400)는 제2 기준 기간 동안 제1 전자 장치에서 제1 파일이 실행된 횟수인 제1 실행 횟수를 확인할 수 있다. 여기서, 제2 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

S1706 단계에서, 장치(400)는 제1 실행 횟수가 제2 기준 횟수 보다 많은지 여부를 확인할 수 있다. 여기서, 제2 기준 횟수는 실시예에 따라 상이하게 설정될 수 있다.

S1706 단계에서 제1 실행 횟수가 제2 기준 횟수 보다 많은 것으로 확인되면, S1705 단계에서, 장치(400)는 제2 전자 장치로 전송된 제1 파일이 제2 전자 장치의 메모리에 저장되도록 제어할 수 있다.

즉, 장치(400)는 제1 잔여 용량이 제1 기준 용량 보다 적은 것으로 확인되면, 제1 파일이 제2 기준 횟수 보다 많이 실행된 경우에만 제2 전자 장치로 전송된 제1 파일이 제2 전자 장치의 메모리에 저장되도록 제어할 수 있다.

S1706 단계에서 제1 실행 횟수가 제2 기준 횟수 보다 적은 것으로 확인되면, S1801 단계가 실행될 수 있으며, 이와 관련된 자세한 설명은 도 18을 참조하여 후술하기로 한다.

도 18은 일실시예에 따른 파일 실행 횟수에 따라 메모리 동기화 여부를 결정하는 과정을 설명하기 위한 순서도이다.

도 18을 참조하면, 먼저, S1801 단계에서, 장치(400)는 제1 실행 횟수가 제2 기준 횟수 보다 적은 것으로 확인되면, 제1 리스트 및 제2 리스트에 중복으로 포함되어 있는 파일들이 제2 기준 기간 동안 제1 전자 장치 및 제2 전자 장치 각각에서 실행된 실행 횟수를 파일 별로 확인할 수 있다.

예를 들어, 제1 리스트에는 제1 파일, 제2 파일 및 제3 파일이 포함되어 있고, 제2 리스트에는 제2 파일 및 제3 파일이 포함되어 있는 경우, 장치(400)는 제1 리스트 및 제2 리스트를 비교한 결과, 제2 파일 및 제3 파일이 제1 리스트 및 제2 리스트에 중복으로 포함되어 있는 것으로 확인할 수 있고, 제2 파일이 제2 기준 기간 동안 제1 전자 장치에서 실행된 실행 횟수와 제2 파일이 제2 기준 기간 동안 제2 전자 장치에서 실행된 실행 횟수를 각각 확인할 수 있고, 제3 파일이 제2 기준 기간 동안 제1 전자 장치에서 실행된 실행 횟수와 제3 파일이 제2 기준 기간 동안 제2 전자 장치에서 실행된 실행 횟수를 각각 확인할 수 있다.

S1802 단계에서, 장치(400)는 제2 기준 기간 동안 제1 전자 장치에서 실행된 실행 횟수와 제2 기준 기간 동안 제2 전자 장치에서 실행된 실행 횟수의 평균 횟수를 파일 별로 산출할 수 있다.

예를 들어, 제2 파일 및 제3 파일이 제1 리스트 및 제2 리스트에 중복으로 포함되어 있는 경우, 장치(400)는 제2 파일이 제2 기준 기간 동안 제1 전자 장치에서 실행된 실행 횟수가 2회로 확인되고, 제2 파일이 제2 기준 기간 동안 제2 전자 장치에서 실행된 실행 횟수가 4회로 확인되면, 제2 파일의 평균 실행 횟수를 3회로 산출할 수 있고, 제3 파일이 제2 기준 기간 동안 제1 전자 장치에서 실행된 실행 횟수가 4회로 확인되고, 제3 파일이 제2 기준 기간 동안 제2 전자 장치에서 실행된 실행 횟수가 6회로 확인되면, 제3 파일의 평균 실행 횟수를 5회로 산출할 수 있다.

S1803 단계에서, 장치(400)는 제1 리스트 및 제2 리스트에 중복으로 포함되어 있는 파일들 각각의 평균 실행 횟수를 비교할 수 있다.

S1804 단계에서, 장치(400)는 제2 파일의 평균 실행 횟수가 제2 실행 횟수로 가장 적은 것으로 확인할 수 있다.

예를 들어, 제2 파일 및 제3 파일이 제1 리스트 및 제2 리스트에 중복으로 포함되어 있는 경우, 장치(400)는 제2 파일의 평균 실행 횟수가 3회로 확인되고, 제3 파일의 평균 실행 횟수가 5회로 확인되면, 제2 파일의 평균 실행 횟수가 3회로 가장 적은 것으로 확인할 수 있다.

S1805 단계에서, 장치(400)는 제1 실행 횟수가 제2 실행 횟수 보다 많은지 여부를 확인할 수 있다.

S1805 단계에서 제1 실행 횟수가 제2 실행 횟수 보다 많은 것으로 확인되면, S1806 단계에서, 장치(400)는 제2 파일이 제2 전자 장치의 메모리에서 삭제되도록 제어하고, 제2 전자 장치로 전송된 제1 파일이 제2 전자 장치의 메모리에 저장되도록 제어할 수 있다. 이때, 제2 전자 장치는 제2 전자 장치의 메모리의 저장되어 있는 제2 파일을 삭제하고, 제1 전자 장치로부터 수신된 제1 파일을 제2 전자 장치의 메모리에 저장할 수 있다.

S1805 단계에서 제1 실행 횟수가 제2 실행 횟수 보다 적은 것으로 확인되면, S1807 단계에서, 장치(400)는 제2 전자 장치로 전송된 제1 파일이 제2 전자 장치의 메모리에 저장되지 않도록 제어할 수 있다. 이때, 제2 전자 장치 제1 전자 장치로부터 수신된 제1 파일을 삭제할 수 있다.

도 19는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(400)는 프로세서(410) 및 메모리(420)를 포함한다. 프로세서(410)는 도 1 내지 도 18을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 18을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(400)를 이용하는 자 또는 단체는 도 1 내지 도 18을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(420)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(420)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(410)는 프로그램을 실행하고, 장치(400)를 제어할 수 있다. 프로세서(410)에 의하여 실행되는 프로그램의 코드는 메모리(420)에 저장될 수 있다. 장치(400)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(400)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(420)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(410)는 메모리(420)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 학습 장치와 학습된 인공 신경망을 이용하는 장치(400)는 동일할 수도 있고 개별적일 수도 있다.

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

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

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

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

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

Claims (3)

1. 장치에 의해 수행되는, 컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법에 있어서,
   제1 컨테이너에 설치되어 있는 무게 센서를 통해 측정된 제1 센서 정보를 획득하고, 상기 제1 컨테이너에 설치되어 있는 비전 센서를 통해 측정된 제2 센서 정보를 획득하는 단계;
   제1 시점에 측정된 상기 제1 센서 정보 및 상기 제2 센서 정보를 기초로, 상기 제1 시점에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 종류 별로 잔여 수량을 산출하는 단계;
   상기 제1 시점에 상기 제1 컨테이너 내에 수납되어 있는 상품들 중 어느 하나인 제1 상품의 잔여 수량이 미리 설정된 상기 제1 상품의 최소 필요 수량인 제1 수량 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 주문이 필요한 것으로 판단하는 단계;
   상기 제1 상품에 대한 주문이 필요한 것으로 판단되면, 상기 제1 컨테이너의 사용자로 등록되어 있는 제1 사용자를 확인하고, 상기 제1 사용자가 사용하는 제1 사용자 단말로 상기 제1 상품에 대한 주문 추천 알림 메시지를 전송하는 단계;
   상기 제1 사용자 단말로부터 상기 제1 상품에 대한 추가 주문 요청이 수신되면, 상기 제1 수량에서 상기 제1 상품의 잔여 수량을 차감하여 상기 제1 상품의 주문량을 산출하는 단계;
   상기 제1 상품의 공급자로 등록되어 있는 제1 공급자를 확인하고, 상기 제1 공급자가 사용하는 제1 공급자 단말로 상기 제1 상품의 주문량에 대한 입고 요청 알림 메시지를 전송하는 단계;
   미리 설정된 기간마다 측정된 상기 제2 센서 정보를 기초로, 상기 제1 컨테이너에 상품이 입고되는지 여부를 확인하는 단계;
   상기 제1 시점 이후인 제2 시점에 측정된 상기 제2 센서 정보를 기초로, 상기 제1 컨테이너에 상기 제1 상품이 입고된 것으로 확인되면, 상기 제2 시점의 직전에 측정된 상기 제1 센서 정보를 기초로, 상기 제1 상품이 입고되기 전에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 무게인 제1 무게를 확인하고, 상기 제2 시점의 직후에 측정된 상기 제1 센서 정보를 기초로, 상기 제1 상품이 입고된 후에 상기 제1 컨테이너 내에 수납되어 있는 상품들의 무게인 제2 무게를 확인하는 단계;
   상기 제2 무게에서 상기 제1 무게를 차감한 값으로 제3 무게를 산출하는 단계;
   상기 제1 상품 하나의 무게와 상기 제1 상품의 주문량을 곱한 값으로 제4 무게를 산출하는 단계;
   상기 제3 무게 및 상기 제4 무게를 비교한 결과, 일치하는 것으로 확인되면, 상기 제1 상품에 대한 추가 주문이 정상적으로 완료된 것으로 판단하는 단계;
   상기 제1 컨테이너의 입고 내역에 기초하여, 상기 제1 컨테이너에 상기 제1 상품이 입고되는 입고 패턴을 분석하는 단계;
   상기 제1 상품의 입고 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 상품의 재고 업데이트 주기인 제1 주기를 설정하는 단계;
   상기 제1 주기마다 상기 제1 컨테이너에 보관되어 있는 상기 제1 상품을 유통기한 별로 분류하여, 상기 제1 상품 중에서 유통기한까지 남아있는 잔여 기간이 가장 짧은 상품들을 제1 그룹으로 분류하는 단계;
   상기 제1 그룹으로 분류된 상기 제1 상품의 재고량을 제1 재고량으로 확인하고, 상기 제1 그룹으로 분류된 상기 제1 상품의 유통기한까지 남아있는 잔여 기간을 제1 기간으로 확인하는 단계; 및
   상기 제1 기간이 미리 설정된 제1 기준 기간 보다 짧은 것으로 확인되면, 상기 제1 상품의 재고 중 상기 제1 재고량에 대한 유통기한이 임박한 것을 알려주는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계를 포함하고,
   상기 제1 재고량에 대한 유통기한이 임박한 것을 알려주는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계는,
   상기 제1 컨테이너의 출고 내역에 기초하여, 상기 제1 상품의 일일 평균 출고량을 제1 출고량으로 확인하는 단계;
   상기 제1 재고량, 상기 제1 기간 및 상기 제1 출고량을 매칭하여 제1 매칭 결과를 생성하는 단계;
   상기 제1 매칭 결과를 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 기간이 경과할 때까지 상기 제1 재고량이 출고되지 않고 남아있을 수 있는 확률을 제1 발생률로 예측하는 단계;
   상기 제1 발생률이 미리 설정된 제1 기준치 이상인 것으로 확인되면, 상기 제1 재고량에 대한 유통관리 상태를 경고 상태로 설정하는 단계;
   상기 제1 발생률이 상기 제1 기준치 미만 미리 설정된 제2 기준치 이상인 것으로 확인되면, 상기 제1 재고량에 대한 유통관리 상태를 주의 상태로 설정하는 단계;
   상기 제1 발생률이 상기 제2 기준치 미만인 것으로 확인되면, 제1 재고량에 대한 유통관리 상태를 정상 상태로 설정하는 단계;
   상기 제1 재고량에 대한 유통관리 상태가 경고 상태로 설정된 경우, 상기 제1 상품에 대한 대량 소비를 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계;
   상기 제1 재고량에 대한 유통관리 상태가 주의 상태로 설정된 경우, 상기 제1 상품에 대한 소비를 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계; 및
   상기 제1 재고량에 대한 유통관리 상태가 정상 상태로 설정된 경우, 상기 제1 상품에 대한 추가 주문을 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계를 포함하고,
   상기 제1 상품에 대한 추가 주문을 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계는,
   상기 제1 상품 중에서 유통기한까지 남아있는 잔여 기간이 상기 제1 그룹 다음으로 짧은 상품들을 제2 그룹으로 분류하는 단계;
   상기 제2 그룹으로 분류된 상기 제1 상품의 재고량을 제2 재고량으로 확인하고, 상기 제2 그룹으로 분류된 상기 제1 상품의 유통기한까지 남아있는 잔여 기간을 제2 기간으로 확인하는 단계;
   상기 제1 재고량 및 상기 제2 재고량을 더한 값에서, 상기 제1 출고량 및 상기 제2 기간의 일수를 곱한 값을 차감하여, 상기 제1 상품의 예상 재고량을 산출하는 단계;
   상기 제1 상품의 예상 재고량이 미리 설정된 상기 제1 상품의 기준 재고량 보다 적은 것으로 확인되면, 상기 제1 상품의 기준 재고량에서 상기 제1 상품의 예상 재고량을 차감한 값으로, 제1 주문량을 산출하는 단계; 및
   상기 제1 주문량에 대한 주문을 추천하는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계를 포함하고,
   상기 제1 상품에 대한 주문이 필요한 것으로 판단하는 단계는,
   제1 사용자의 주문 이력에 기초하여, 상기 제1 상품에 대한 주문 패턴을 분석하는 단계;
   상기 제1 상품의 주문 패턴에 기초하여, 상기 제1 상품에 대한 예상 주문일 및 예상 주문량을 예측하는 단계;
   상기 제1 시점에 상기 제1 상품의 예상 주문일이 미리 설정된 기준 기간 보다 짧게 남아있는 것으로 확인되면, 상기 제1 상품의 잔여 수량이 상기 제1 수량 보다 적은지 여부를 확인하는 단계;
   상기 제1 상품의 잔여 수량이 상기 제1 수량 보다 적은 것으로 확인되면, 상기 예상 주문량에 대한 주문이 필요한 것으로 판단하는 단계;
   상기 제1 상품의 잔여 수량이 상기 제1 수량 보다 많은 것으로 확인되면, 상기 제1 상품의 잔여 수량이 미리 설정된 상기 제1 상품의 최대 필요 수량인 제2 수량 보다 적은지 여부를 확인하는 단계; 및
   상기 제1 상품의 잔여 수량이 상기 제2 수량 보다 적은 것으로 확인되면, 상기 예상 주문량에서 상기 제1 상품의 잔여 수량을 차감한 값으로 제3 수량을 산출하고, 상기 제3 수량에 대한 주문이 필요한 것으로 판단하는 단계를 포함하고,
   상기 제1 상품에 대한 주문 추천 알림 메시지를 전송하는 단계는,
   상기 제1 수량 보다 작은 값으로 설정된 제1 기준량과 상기 제1 상품의 잔여 수량을 비교하여, 상기 제1 상품의 잔여 수량이 상기 제1 기준량 보다 많은지 여부를 확인하는 단계;
   상기 제1 상품의 잔여 수량이 상기 제1 기준량 보다 많은 것으로 확인되면, 상기 제1 상품에 대한 자동 주문이 필요하지 않은 상태로 판단하는 단계;
   상기 제1 상품의 잔여 수량이 상기 제1 기준량 보다 적은 것으로 확인되면, 상기 제1 상품에 대한 자동 주문이 필요한 상태로 판단하는 단계;
   상기 제1 상품에 대한 자동 주문이 필요하지 않은 경우, 상기 제1 사용자 단말로 상기 제1 상품에 대한 주문 추천 알림 메시지를 전송하는 단계; 및
   상기 제1 상품에 대한 자동 주문이 필요한 경우, 상기 제1 사용자 단말로 상기 제1 상품에 대한 자동 주문 알림 메시지를 전송하고, 제1 상품을 공급하는 제1 공급자 단말로 상기 제1 상품에 대한 입고 요청 알림 메시지를 전송하는 단계를 포함하는,
   컨테이너의 센서 정보를 기초로 일상 소비 상품의 개인화된 자동 주문 서비스 제공 방법.
2. 삭제
3. 삭제

Images