KR102538698B1 - 인공지능 기반 특허사무소 관리 방법 - Google Patents

인공지능 기반 특허사무소 관리 방법 Download PDF

Info

Publication number
KR102538698B1
KR102538698B1 KR1020210085978A KR20210085978A KR102538698B1 KR 102538698 B1 KR102538698 B1 KR 102538698B1 KR 1020210085978 A KR1020210085978 A KR 1020210085978A KR 20210085978 A KR20210085978 A KR 20210085978A KR 102538698 B1 KR102538698 B1 KR 102538698B1
Authority
KR
South Korea
Prior art keywords
neural network
input
information
server
customer
Prior art date
Application number
KR1020210085978A
Other languages
English (en)
Other versions
KR20230004118A (ko
Inventor
김기종
Original Assignee
(주) 애니파이브
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 애니파이브 filed Critical (주) 애니파이브
Priority to KR1020210085978A priority Critical patent/KR102538698B1/ko
Publication of KR20230004118A publication Critical patent/KR20230004118A/ko
Application granted granted Critical
Publication of KR102538698B1 publication Critical patent/KR102538698B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services
    • G06Q50/184—Intellectual property management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

인공지능 기반 특허사무소 관리 방법은 실무자의 업무 처리에 관한 업무 이력 정보와, 고객의 업무 요청에 관한 고객 지시 정보를 실무자 단말로부터 획득하는 단계와, 실무자 급여액과 업무 수임료를 포함하는 비용 정보를 관리자 단말로부터 획득하는 단계와, 업무 이력 정보, 고객 지시 정보 및 비용 정보를 기초로 입력 신호를 생성하는 단계와, 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계와, 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계와, 뉴럴 네트워크의 입력 결과에 기초하여 경영자 단말에 경영 평가 정보를 전송하는 단계를 포함한다.

Description

인공지능 기반 특허사무소 관리 방법{ARTIFICIAL INTELLIGENCE BASED PATENT LAW FIRM MANAGEMENT METHOD}
이하의 실시예들은 인공지능 기반 특허사무소 관리 방법에 관한 것이다.
지식재산권을 확보하기 위한 기업의 수요가 증가함에 따라 해마다 특허청에 제출되는 출원 건수가 급증하고 있다. 지식재산권의 출원 업무는 통상 특허사무소 또는 특허법인에서 고객을 대리하여 이루어지고 있다.
지식재산권의 출원과 관련된 업무의 경우 출원일의 선점을 하고 절차별 기한 준수를 위해 신속하게 처리되어야 하고 철저한 관리가 필요하다. 관리자 또는 실무자의 업무 소홀로 인한 고객 피해를 사전에 방지하기 위해 특허사무소들은 체계적인 업무 프로세스를 갖추고자 많은 노력을 기울이고 있다.
기존의 특허사무소 관리 시스템은 매사건마다 수반되는 각종 데이터와 정보를 저장하고 간편하게 불러올 수 있는 기능을 갖추고 있다. 이러한 관리 시스템을 통해 사건 진행 현황, 사건 정보, 비용 정보 등을 체계적으로 관리하여 사고 가능성을 크게 낮추고 있다.
이러한 기존의 관리 시스템의 경우 하나의 출원 번호 또는 관리 번호에 대응하는 사건 단위로 관리가 이루어지고 있으나, 각각의 사건의 진행을 위해 다수의 실무자, 관리자, 검수자 등이 일련의 절차를 통해 진행하는 개별 업무에 대한 관리가 충분히 이루어지고 있지 않다. 특히, 사무 행정 업무를 담당하는 관리자 외에 기타 실무자, 검수자, 경영자의 시스템 활용도가 매우 낮다.
사건마다 고객, 실무자 등 담당자에 의해 생성되는 데이터가 상당한 점에서 이러한 데이터를 활용하여 고객 관리, 실적 관리 등 특허사무소 경영에 적극적으로 활용할 수 있는 특허사무소 관리 방법이 요구된다.
한국 등록 특허 공보 제10-0676693호
본 발명은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 실무자의 업무 처리에 관한 업무 이력 정보와, 고객의 업무 요청에 관한 고객 지시 정보와, 실무자 급여액과 업무 수임료를 포함하는 비용 정보를 기초로 실무자별 실적 평가 정보, 고객별 수익성 평가 정보 등 경영 평가 정보를 도출할 수 있는 인공지능 기반 특허사무소 관리 방법을 제공함에 그 목적이 있다.
본 발명의 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능 기반 특허사무소 관리 방법은 실무자의 업무 처리에 관한 업무 이력 정보와, 고객의 업무 요청에 관한 고객 지시 정보를 실무자 단말로부터 획득하는 단계와, 실무자 급여액과 업무 수임료를 포함하는 비용 정보를 관리자 단말로부터 획득하는 단계와, 업무 이력 정보, 고객 지시 정보 및 비용 정보를 기초로 입력 신호를 생성하는 단계와, 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계와, 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계와, 뉴럴 네트워크의 입력 결과에 기초하여 경영자 단말에 경영 평가 정보를 전송하는 단계를 포함한다.
본 발명의 일 실시예에 따르면, 상기 입력 신호를 생성하는 단계는 상기 업무 이력 정보 및 상기 비용 정보를 기초로 제1 입력 신호를 생성하는 단계; 및 상기 고객 지시 정보 및 상기 비용 정보를 기초로 제2 입력 신호를 생성하는 단계를 포함하고, 상기 신경망에 입력하는 단계는 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 실적 평가 신경망에 입력하는 단계; 및 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 수익성 평가 신경망에 입력하는 단계를 포함하며, 상기 뉴럴 네트워크에 입력하는 단계는 상기 실적 평가 신경망의 입력 결과에 기초하여, 상기 실적 평가 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계; 및 상기 수익성 평가 신경망의 입력 결과에 기초하여, 상기 수익성 평가 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계를 포함하고, 상기 경영 평가 정보를 전송하는 단계는 상기 제1 뉴럴 네트워크의 입력 결과에 기초하여 실적 평가 정보를 생성하는 단계; 및 상기 제2 뉴럴 네트워크의 입력 결과에 기초하여 수익성 평가 정보를 생성하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 실적 평가 신경망은 실무자의 업무 처리 소요 시간, 업무 종류, 잔여 기한 및 기타 업무 처리와 관련된 정보 중 하나 이상을 포함하는 상기 업무 이력 정보와 상기 실무자 급여액을 인코딩한 제1 입력 신호와, 실무자의 고객 대응 소요 시간, 지시 종류, 요청 기한 및 기타 고객의 업무 요청과 관련된 정보 중 하나 이상을 포함하는 상기 고객 지시 정보와 상기 업무 수임료를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 실무자에 대한 고유의 실적 분류값을 출력하며 상기 수익성 평가 신경망은 상기 제1 입력 신호와 상기 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 고객에 대한 고유의 수익성 분류값을 출력할 수 있다.
본 발명의 일 실시예에 따르면, 상기 제1 뉴럴 네트워크는 상기 실적 평가 신경망의 출력값과, 상기 데이터베이스에 저장된 실무자 정보 중 해당 실무자에 대한 실적 분류값과 미리 설정된 범위 내의 실적 분류값을 가지는 실무자들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 실적 평가 신경망의 출력값의 비교를 통해 해당 실무자의 실적 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고, 상기 제2 뉴럴 네트워크는 상기 수익성 평가 신경망의 출력값과 상기 데이터베이스에 저장된 고객 정보 중 해당 고객에 대한 수익성 분류값과 미리 설정된 범위 내의 수익성 분류값을 가지는 고객들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 수익성 평가 신경망의 출력값의 비교를 통해 해당 고객의 수익성 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습할 수 있다.
본 발명의 일 실시예에 따르면, 상기 실적 평가 신경망은 실무자 업무의 검수에 대해 검수자 단말로부터 획득한 검수 정보를 기초로 생성한 제3 입력 신호를 입력으로 더 포함할 수 있다.
본 발명에 의하면, 하나의 사건에 수반되는 개별 업무에 대한 정보를 수집하고 이를 기초로 실무자들의 실적 관리, 고객 관리에 활용 가능한 다양한 경영 정보를 도출함으로써 자원을 효율적으로 관리하여 수익을 극대화할 수 있을 뿐만 아니라 고객 대응 또는 업무 처리에 적합한 실무자를 매칭하기 위한 근거로써 활용하여 일시적인 업무 적체를 사전에 방지하고 업무 사고를 사전에 방지할 수 있다.
다만, 본 발명의 효과들은 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 인공지능 기반 특허사무소 관리 방법을 설명하기 위한 순서도이다.
도 2는 일 실시예에 따른 실적 평가 신경망 및 수익성 평가 신경망을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 인공지능 기반 특허사무소 관리 방법을 설명하기 위한 구성도이다.
도 4는 일 실시예에 따른 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 장치의 구성의 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 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 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우 '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다.
도 1은 일 실시예에 따른 인공지능 기반 특허사무소 관리 방법을 설명하기 위한 순서도이다.
인공지능 기반 특허사무소 관리를 위한 제어 장치(이하, 제어 장치)는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.
일실시예에 따르면, 실무자 단말, 관리자 단말, 검수자 단말, 경영자 단말을 포함하는 사용자 단말은 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 사용자 단말은 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 특허사무소 관리 시스템은 특허사무소 관리를 위한 제어 장치를 포함하는 서버 및 사용자 단말을 포함할 수 있다. 일 실시예에 따른 서버는 평가자가 보유한 자체 서버일 수 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능, 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 서버는 사용자 단말의 사용자를 위한 웹 페이지 또는 어플리케이션과 연동될 수 있다. 서버는 사용자 단말과 유무선으로 통신하도록 구성될 수 있다.
일 실시예에 따른 인공지능 기반 특허사무소 관리 방법은 실무자 단말로부터 실무자의 업무 처리에 관한 업무 이력 정보 및 고객의 업무 요청에 관한 고객 지시 정보를 획득하고 관리자 단말로부터 실무자 급여액과 업무 수임료를 포함하는 비용 정보를 획득하는 단계(110), 업무 이력 정보 및 고객 지시 정보를 기초로 입력 신호를 생성하는 단계(120), 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계(130), 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계(140), 뉴럴 네트워크 각각의 입력 결과에 기초하여 경영자 단말에 경영 평가 정보를 전송하는 단계(150)를 포함한다.
본 발명의 일 실시예에 따르면, 상기 입력 신호를 생성하는 단계(120)는, 상기 업무 이력 정보 및 비용 정보를 기초로 제1 입력 신호를 생성하는 단계(121), 상기 고객 지시 정보 및 비용 정보를 기초로 제2 입력 신호를 생성하는 단계(122) 및 실무자 업무에 대해 검수자 단말로부터 획득한 검수 정보를 기초로 제3 입력 신호를 생성하는 단계(123)를 포함할 수 있다.
상기 신경망에 입력하는 단계(130)는, 상기 제1 입력 신호, 제2 입력 신호 및 제3 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 실적 평가 신경망에 입력하는 단계(131) 및 상기 제1 입력 신호, 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 수익성 평가 신경망에 입력하는 단계(132)를 포함할 수 있다.
상기 뉴럴 네트워크에 입력하는 단계(140)는 상기 실적 평가 신경망의 입력 결과에 기초하여, 상기 실적 평가 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계(141) 및 상기 수익성 평가 신경망의 입력 결과에 기초하여, 상기 수익성 평가 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계(142)를 포함할 수 있다.
상기 경영 평가 정보를 전송하는 단계(150)는, 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 경영 평가 정보를 생성하는 단계(151)를 포함할 수 있다.
일 실시예에 따른 서버는 실무자 단말로부터 고객 지시 정보 및 업무 이력 정보를 획득한다(110). 고객 지시 정보는 실무자가 업무를 진행하기 전에 고객으로부터 요청받은 업무에 대한 정보 등을 포함할 수 있다. 고객 지시 정보는 실무자의 고객 대응 소요 시간, 명세서, 의견서 등의 작성 또는 수정이나 증빙 등의 자료의 전달 등 고객이 요청한 업무 종류, 이메일, 유선 전화, 무선 전화, 메시지 등 업무를 요청한 수단에 대응하는 지시 종류, 요청 기한 및 기타 고객의 업무 요청과 관련된 정보 중 하나 이상을 포함할 수 있다. 고객 지시 정보는 업무 요청자의 인적사항, 요청 일시, 업무 기한, 요청 종류, 연락 시간, 대응 난이도 등의 정보를 포함할 수 있다. 업무 이력 정보는 해당 업무의 담당 실무자가 업무를 진행하며 수반되는 업무 관련 정보를 포함할 수 있다. 업무 이력 정보는 실무자의 업무 처리 소요 시간, 업무 종류, 잔여 기한 및 기타 업무 처리와 관련된 정보 중 하나 이상을 포함할 수 있다. 업무 이력 정보는 실무자의 인적사항, 업무 시작 일시, 업무 종료 일시, 총 소요 시간, 업무 종류, 업무 난이도 등을 포함할 수 있다. 일 실시예에서 서버는 사용자 단말로부터 고객, 실무자 등을 식별할 수 있는 식별 정보를 획득하고 해당 식별 정보를 기초로 제어 장치 내 데이터베이스에 기저장된 고객 지시 정보 및 업무 이력 정보를 불러올 수 있다.
일 실시예에 따르면, 서버는 업무 이력 정보 및 고객 지시 정보를 기초로 입력 신호를 생성할 수 있다(120). 일 실시예에 따르면, 서버는 업무 이력 정보 및 비용 정보를 기초로 제1 입력 신호를 생성하고(121), 고객 지시 정보 및 비용 정보를 기초로 제2 입력 신호를 생성하며(122), 검수 정보를 기초로 제3 입력 신호를 생성할 수 있다(122).
일 실시예에 따르면, 서버는 생성된 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력할 수 있다(130). 일 실시예에 따르면, 서버는 제1 입력 신호 내지 제3 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 실적 평가 신경망에 입력하고(131), 제1 입력 신호, 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 수익성 평가 신경망에 입력할 수 있다(132).
일실시예에 따른 각각의 실적 평가 신경망과 수익성 평가 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행할 수 있다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함할 수 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절될 수 있다. 활성 함수는 통상적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행될 수 있다.
일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 실적 평가 신경망 및 수익성 평가 신경망에서는 은닉층이 3개 이상 존재할 수 있으며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다.
일 실시예에 따르면, 서버는 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력할 수 있다(140). 일 실시예에 따르면, 서버는 실적 평가 신경망의 입력 결과에 기초하여, 실적 평가 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하고(141), 상기 수익성 평가 신경망의 입력 결과에 기초하여, 수익성 평가 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력할 수 있다(142).
일실시예에 따르면, 서버는 데이터베이스 내에 기저장된 출력 신호를 뉴럴 네트워크에 입력으로 사용할 수 있다. 입력으로 사용되는 제1 비교 신호 및 제2 비교 신호를 포함하는 출력 신호는 실적 평가 신경망 및 수익성 평가 신경망의 연산을 통해 출력된 출력값을 비교를 통해 분석하고, 출력 신호에 누적된 정보를 활용하기 위하여 사용될 수 있다.
일 실시예에 따르면, 서버는 뉴럴 네트워크 각각의 입력 결과에 기초하여 경영자 단말에 경영 평가 정보를 전송할 수 있다(150). 서버는 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 경영 평가 정보를 생성할 수 있다(151).
도 2는 일 실시예에 따른 실적 평가 신경망 및 수익성 평가 신경망을 설명하기 위한 도면이고, 도 3은 일 실시예에 따른 인공지능 기반 특허사무소 관리 방법을 설명하기 위한 구성도이며, 도 4는 일 실시예에 따른 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 설명하기 위한 도면이다.
일 실시예에 따르면, 상기 실적 평가 신경망은, 실무자의 업무 처리 소요 시간, 업무 종류, 잔여 기한 및 기타 업무 처리와 관련된 정보 중 하나 이상을 포함하는 상기 업무 이력 정보와 실무자 급여액을 인코딩한 제1 입력 신호와, 실무자의 고객 대응 소요 시간, 지시 종류, 요청 기한 및 기타 고객의 업무 요청과 관련된 정보 중 하나 이상을 포함하는 상기 고객 지시 정보와 업무 수임료를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 실무자에 대한 고유의 실적 분류값을 출력하며, 상기 수익성 평가 신경망은 제1 입력 신호와, 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 고객에 대한 고유의 수익성 분류값을 출력할 수 있다.
본 발명의 일 실시예에 따르면, 상기 제1 뉴럴 네트워크는, 상기 실적 평가 신경망의 출력값과, 상기 데이터베이스에 저장된 실무자 정보 중 해당 실무자에 대한 실적 분류값과 미리 설정된 범위 내의 실적 분류값을 가지는 실무자들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 실적 평가 신경망의 출력값의 비교를 통해 해당 실무자의 실적 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고, 상기 제2 뉴럴 네트워크는, 상기 수익성 평가 신경망의 출력값과 상기 데이터베이스에 저장된 고객 정보 중 해당 고객에 대한 수익성 분류값과 미리 설정된 범위 내의 수익성 분류값을 가지는 고객들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 수익성 평가 신경망의 출력값의 비교를 통해 해당 고객의 수익성 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습할 수 있다.
본 발명의 일 실시예에 따르면, 상기 실적 평가 신경망은, 실무자 업무의 검수에 대해 검수자 단말로부터 획득한 검수 정보를 기초로 생성한 제3 입력 신호를 입력으로 더 포함할 수 있다. 검수 정보는 검수자의 인적사항, 단순 오기 정정이나 작성 내용 수정 등 검수 항목, 검수 소요 시간, 검수 난이도 등의 정보를 포함할 수 있다.
각각의 실적 평가 신경망과 수익성 평가 신경망을 통해 획득한 고유의 실적 분류값과 고유의 수익성 분류값은 각각의 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크의 입력이 될 수 있다. 실적 분류값은 제1 입력 신호 내지 제3 입력 신호를 기초로 실적 평가 신경망을 통해 출력됨으로써 실무자의 업무 처리 관련 고유 특성과 업무 처리 및 검수에 투입되는 비용 및 시간과 관련된 특성을 함께 내포할 수 있다. 수익성 분류값은 제1 입력 신호 및 제2 입력 신호를 기초로 수익성 평가 신경망을 통해 출력됨으로써 고객의 업무 지시 관련 고유 특성과 고객 대응에 투입되는 비용 및 시간과 관련된 특성을 함께 내포할 수 있다.
제1 뉴럴 네트워크는 고유의 실적 분류값과 함께, 실무자에 대한 실적 분류값과 미리 설정된 범위 내의 실적 분류값을 가지는 실무자들에 대한 제1 비교 신호를 입력받음으로써 해당 실무자의 실적 평가 지표를 산출할 수 있다. 제1 비교 신호는 실적 분류값이 일정 범위 내에 포함된 실무자들에 대한 정보로서, 해당 범위 내의 실무자들과 비교하여 상대적인 지표를 도출할 수 있다. 이러한 실적 평가 지표는 실무자의 업무 처리도, 실적 달성률 등에 대해 표준 정규 분포를 이루는 통계적 수치로 산출될 수 있다.
제2 뉴럴 네트워크는 고유의 수익성 분류값과 함께, 고객에 대한 수익성 분류값과 미리 설정된 범위 내의 수익성 분류값을 가지는 고객들에 대한 제2 비교 신호를 입력받음으로써 해당 고객의 수익성 평가 지표를 산출할 수 있다. 제2 비교 신호는 수익성 분류값이 일정 범위 내에 포함된 고객들에 대한 정보로서, 범위 내 포함된 다른 고객들과 비교하여 해당 고객의 상대적인 지표를 도출할 수 있다. 이러한 수익성 평가 지표는 해당 고객 관련 업무 효율, 수익 기여도 등에 대해 표준 정규 분포를 이루는 통계적 수치로 산출될 수 있다.
전술한 바와 같이, 하나의 사건에 수반되는 개별 업무에 대한 정보를 수집하고 이를 기초로 실무자들의 실적 관리, 고객 관리에 활용 가능한 다양한 경영 정보를 도출함으로써 자원을 효율적으로 관리하여 수익을 극대화할 수 있을 뿐만 아니라 고객 대응 또는 업무 처리에 적합한 실무자를 매칭하기 위한 근거로써 활용하여 일시적인 업무 적체를 사전에 방지하고 업무 사고를 사전에 방지할 수 있다.
일실시예에 따르면, 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크는 사용자가 이미 검증받았거나 별도로 산출한 경영 평가 정보와 상당한 차이를 파악한 경우 사용자에 의해 입력된 수정 정보에 의해 생성되는 제1 학습 신호 및 제2 학습 신호를 각각 전달받아 학습할 수 있다.
일실시예에 따른 제1 학습 신호 및 제2 학습 신호는 수정 정보와 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제1 학습 신호에 의해 각각의 뉴럴 네트워크는 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.
일실시예에 따르면, 실무자의 실적 평가 지표 및 고객의 수익성 평가 지표를 획득하는 데에 있어서, 컴퓨터는 내부의 인공지능(인공 신경망)을 제어하여, 데이터베이스를 검색하고, 실무자 및 고객에 대한 정보를 갱신할 수 있다. 이 때에 사용되는 인공지능은 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크로 구성될 수 있다.
일 실시예에서, 제1 뉴럴 네트워크는 은닉층과 출력층을 가지고 있다. 제1 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 뉴럴 네트워크의 출력층 노드는 총 100개로 할 수 있다. 제1 뉴럴 네트워크의 출력층 활성함수는 소프트맥스 함수를 사용할 수 있으나, 이에 국한하지 않는다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 소프트맥스 함수를 통해 100개의 출력 중 하나의 출력만을 선택하는 것이 가능할 수 있다.
학습 장치는 제1 뉴럴 네트워크를 제1 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제1 뉴럴 네트워크는 제1 레이블드 트레이닝 입력 벡터들을 입력해 얻은 제1 트레이닝 출력들을 제1 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제1 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제1 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일 실시예에서, 제2 뉴럴 네트워크는 은닉층과 출력층을 가지고 있다. 제2 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 30개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 뉴럴 네트워크의 출력층 노드는 총 10개로 할 수 있다. 제2 뉴럴 네트워크의 출력층 활성함수는 소프트맥스 함수를 사용할 수 있으나, 이에 국한하지 않는다.
학습 장치는 제2 뉴럴 네트워크를 제2 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제2 뉴럴 네트워크는 제2 레이블드 트레이닝 입력 벡터들을 입력해 얻은 제2 트레이닝 출력들을 제2 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제2 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제2 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
도 5는 일 실시예에 따른 장치의 구성의 예시도이다.
일 실시예에 따른 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 프로세서(702)는 도 1 내지 도 4를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(701)는 서버(100), 사용자 단말(110), 또는 인공 신경망 학습 장치 등일 수 있다.
메모리(703)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)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(701)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(703)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(702)는 메모리(703)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(701)와 학습된 인공 신경망을 이용하는 장치(701)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 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 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. 된 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.
본 발명의 실시예들에 따른 시스템 및 방법에서의 통신 연결은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서의 통신 연결은 공지의 인터넷 또는 월드와이드웹(WWW; World Wide Web)일 수 있다. 그러나, 통신 연결은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다. 예를 들면, 통신 연결은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE, Long Term Evolution) 통신, 블루투스 통신(더 구체적으로는, 저전력 블루투스(BLE; Bluetooth Low Energy)), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신 연결은 광 통신망으로서, 라이파이(LiFi, Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (5)

  1. 인공지능 기반 특허사무소 관리 방법으로서,
    서버가 실무자의 업무 처리에 관한 업무 이력 정보와, 고객의 업무 요청에 관한 고객 지시 정보를 실무자 단말로부터 획득하는 단계;
    상기 서버가 실무자 급여액과 업무 수임료를 포함하는 비용 정보를 관리자 단말로부터 획득하는 단계;
    상기 서버가 상기 업무 이력 정보, 상기 고객 지시 정보 및 상기 비용 정보를 기초로 입력 신호를 생성하는 단계;
    상기 서버가 상기 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계;
    상기 서버가 상기 신경망의 입력 결과에 기초하여, 상기 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계; 및
    상기 서버가 상기 뉴럴 네트워크의 입력 결과에 기초하여 경영자 단말에 경영 평가 정보를 전송하는 단계;
    를 포함하고,
    상기 입력 신호를 생성하는 단계는,
    상기 서버가 상기 업무 이력 정보 및 상기 비용 정보를 기초로 제1 입력 신호를 생성하는 단계; 및
    상기 서버가 상기 고객 지시 정보 및 상기 비용 정보를 기초로 제2 입력 신호를 생성하는 단계;
    를 포함하고,
    상기 신경망에 입력하는 단계는,
    상기 서버가 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 실적 평가 신경망에 입력하는 단계; 및
    상기 서버가 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 수익성 평가 신경망에 입력하는 단계;
    를 포함하며,
    상기 뉴럴 네트워크에 입력하는 단계는,
    상기 서버가 상기 실적 평가 신경망의 입력 결과에 기초하여, 상기 실적 평가 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계; 및
    상기 서버가 상기 수익성 평가 신경망의 입력 결과에 기초하여, 상기 수익성 평가 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계;
    를 포함하고,
    상기 경영 평가 정보를 전송하는 단계는,
    상기 서버가 상기 제1 뉴럴 네트워크의 입력 결과에 기초하여 실적 평가 정보를 생성하는 단계; 및
    상기 서버가 상기 제2 뉴럴 네트워크의 입력 결과에 기초하여 수익성 평가 정보를 생성하는 단계;
    를 포함하며,
    상기 실적 평가 신경망은,
    실무자의 업무 처리 소요 시간, 업무 종류, 잔여 기한 및 기타 업무 처리와 관련된 정보 중 하나 이상을 포함하는 상기 업무 이력 정보와 상기 실무자 급여액을 인코딩한 제1 입력 신호와, 실무자의 고객 대응 소요 시간, 지시 종류, 요청 기한 및 기타 고객의 업무 요청과 관련된 정보 중 하나 이상을 포함하는 상기 고객 지시 정보와 상기 업무 수임료를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 실무자에 대한 고유의 실적 분류값을 출력하며,
    상기 수익성 평가 신경망은,
    상기 제1 입력 신호와 상기 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 고객에 대한 고유의 수익성 분류값을 출력하고,
    상기 제1 뉴럴 네트워크는,
    상기 실적 평가 신경망의 출력값과, 상기 데이터베이스에 저장된 실무자 정보 중 해당 실무자에 대한 실적 분류값과 미리 설정된 범위 내의 실적 분류값을 가지는 실무자들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 실적 평가 신경망의 출력값의 비교를 통해 해당 실무자의 실적 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고,
    상기 제2 뉴럴 네트워크는,
    상기 수익성 평가 신경망의 출력값과 상기 데이터베이스에 저장된 고객 정보 중 해당 고객에 대한 수익성 분류값과 미리 설정된 범위 내의 수익성 분류값을 가지는 고객들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 수익성 평가 신경망의 출력값의 비교를 통해 해당 고객의 수익성 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습하는,
    인공지능 기반 특허사무소 관리 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1 항에 있어서,
    상기 실적 평가 신경망은,
    실무자 업무의 검수에 대해 검수자 단말로부터 획득한 검수 정보를 기초로 생성한 제3 입력 신호를 입력으로 더 포함하는,
    인공지능 기반 특허사무소 관리 방법.
KR1020210085978A 2021-06-30 2021-06-30 인공지능 기반 특허사무소 관리 방법 KR102538698B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210085978A KR102538698B1 (ko) 2021-06-30 2021-06-30 인공지능 기반 특허사무소 관리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210085978A KR102538698B1 (ko) 2021-06-30 2021-06-30 인공지능 기반 특허사무소 관리 방법

Publications (2)

Publication Number Publication Date
KR20230004118A KR20230004118A (ko) 2023-01-06
KR102538698B1 true KR102538698B1 (ko) 2023-05-31

Family

ID=84924391

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210085978A KR102538698B1 (ko) 2021-06-30 2021-06-30 인공지능 기반 특허사무소 관리 방법

Country Status (1)

Country Link
KR (1) KR102538698B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102108979B1 (ko) * 2019-12-30 2020-05-11 로타임비즈텍(주) 법률업무 관리 토탈 솔루션 플랫폼 시스템
KR102175183B1 (ko) * 2020-06-09 2020-11-05 이창근 기업 데이터 통합 관리 방법, 장치, 및 시스템
KR102198904B1 (ko) * 2020-01-09 2021-01-06 기술보증기금 분산 딥러닝 모델 기반 기술력평가용 인공지능 모듈을 생성하는 방법 및 인공지능모듈을 적용한 기술력예측방법과 이를 구현하는 시스템, 상기 방법이 구현된 프로그램을 기록한 컴퓨터가 읽을 수 있는 기록매체

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100676693B1 (ko) 2005-01-31 2007-02-02 주식회사 애니파이브시스템 특허관리 포탈 서비스 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102108979B1 (ko) * 2019-12-30 2020-05-11 로타임비즈텍(주) 법률업무 관리 토탈 솔루션 플랫폼 시스템
KR102198904B1 (ko) * 2020-01-09 2021-01-06 기술보증기금 분산 딥러닝 모델 기반 기술력평가용 인공지능 모듈을 생성하는 방법 및 인공지능모듈을 적용한 기술력예측방법과 이를 구현하는 시스템, 상기 방법이 구현된 프로그램을 기록한 컴퓨터가 읽을 수 있는 기록매체
KR102175183B1 (ko) * 2020-06-09 2020-11-05 이창근 기업 데이터 통합 관리 방법, 장치, 및 시스템

Also Published As

Publication number Publication date
KR20230004118A (ko) 2023-01-06

Similar Documents

Publication Publication Date Title
US20230252592A1 (en) Artificial Intelligence Control of Mining Operations
CN103999049B (zh) 用于预测虚拟机需求的方法和装置
Taroun et al. Construction risk modelling and assessment: Insights from a literature review
CN104424354B (zh) 使用用户操作生成模型检测异常用户行为的方法和系统
Rajagopal et al. [Retracted] Human Resource Demand Prediction and Configuration Model Based on Grey Wolf Optimization and Recurrent Neural Network
US10346782B2 (en) Adaptive augmented decision engine
AU2021200434A1 (en) Optimizing Neural Networks For Risk Assessment
CN113302638A (zh) 用于改进自动执行能源、计算、存储和其他资源的现货和远期市场中的分布式账本和其他交易的机器和系统的方法和系统
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
WO2018013475A1 (en) Systems and methods for optimizing parallel task completion
JP2015222596A (ja) 将来の損失に関連する頻度を予測し、損失決定ユニットの関連する自動処理のためのシステム及び方法
KR101856478B1 (ko) 인사데이터의 분석을 통한 특정행위 발생 예측방법 및 예측프로그램
KR102502271B1 (ko) 인공지능을 기반으로 한 특허 평가 방법
Wang et al. TVD-RA: A truthful data value discovery based reverse auction incentive system for mobile crowd sensing
US11500340B2 (en) Performance evaluation based on resource dynamics
KR102271560B1 (ko) 공사 현장 안전 감시 방법
KR102538698B1 (ko) 인공지능 기반 특허사무소 관리 방법
Ivanov et al. Workflow-based collaborative decision support for flood management systems
Huang et al. Deriving factors influencing the acceptance of Pad Phones by using the DNP based UTAUT2 framework
CN116561647A (zh) 基于人工智能的保单分类方法、装置、设备及存储介质
Ding et al. Computational experiment study on selection mechanism of project delivery method based on complex factors
KR101927317B1 (ko) 부채 관리 능력 평가 방법 및 장치
CN114792097A (zh) 预训练模型提示向量的确定方法、装置及电子设备
CN110362981B (zh) 基于可信设备指纹判断异常行为的方法及系统
CN109145379B (zh) 一种建筑物层高图智能化绘制系统及管理方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant