KR102541147B1 - 블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법, 장치 및 시스템 - Google Patents

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 블록체인을 기반으로 매출채권 거래 플랫폼 서비스를 제공하는 방법에 있어서, 제1 판매자가 판매하는 제1 제품에 대한 매출채권인 제1 매출채권의 금액을 산출하는 단계; 상기 제1 매출채권의 금액이 미리 정해진 계약 조건을 충족한 경우, 스마트 계약을 통해 상기 제1 매출채권에 대한 거래 계약을 자동으로 체결하고, 상기 제1 매출채권에 대한 계약 정보와 대응하는 제1 블록을 생성하고, 상기 제1 블록을 블록체인 상에 등록하는 단계; 상기 제1 매출채권에 대한 거래 계약으로 상기 제1 매출채권을 이용한 금융상품인 제1 금융상품이 출시된 경우, 상기 제1 금융상품에 대한 가입 정보와 대응하는 제2 블록을 생성하고, 상기 제2 블록을 상기 제1 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 상기 제1 매출채권에 대한 거래 계약으로 상기 제1 매출채권의 금액 내에서 상기 제1 판매자에게 선정산이 실행된 경우, 상기 제1 매출채권에 대한 정산 정보와 대응하는 제3 블록을 생성하고, 상기 제3 블록을 상기 제2 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 상기 제1 제품의 생산, 출고 및 배송으로 상기 제1 제품의 물류 상태가 변경된 경우, 상기 제1 제품에 대한 물류 정보와 대응하는 제4 블록을 생성하고, 상기 제4 블록을 상기 제3 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 및 상기 제1 제품의 매입 및 판매로 상기 제1 제품의 재고 상태가 변경된 경우, 상기 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성하고, 상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계를 포함하는, 블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법이 제공된다.

Description

블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PROVIDING ACCOUNT RECEIVABLE TRADING PLATFORM SERVICE BASED ON BLOCKCHAIN}

아래 실시예들은 블록체인을 기반으로 매출채권 거래 플랫폼 서비스를 제공하기 위한 기술에 관한 것이다.

현재 판매자가 구매자에게 납품한 대금을 현금화하는 방법의 하나로 매출채권을 담보로 은행 등에서 대출을 받는 매출채권 담보 대출 방법과 매출채권 대금을 어음으로 수령한 후 이를 증권회사 등에 할인해서 양도하며 현금화하는 매출채권 팩토링 방법이 널리 사용되고 있다.

이러한 매출채권 담보 대출 방법과 매출채권 팩토링 방법이 최근 온라인을 통해 서비스가 제공되고 있으며, 이를 통해, 금융회사를 직접 방문 하지 않아도 되도록 편의성이 개선되었다.

그러나, 온라인 상에서 매출채권을 거래하기 위해서는 금융회사, 판매자, 이커머스를 제공하는 쇼핑몰 등 다양한 주체들에 대한 정보 확인이 필요하기 때문에, 매출채권 거래에 대한 히스토리를 관리하는데 어려움이 있다.

따라서, 매출채권 거래 당사자들 간에 정보 제공의 투명성과 신뢰성을 확보하고, 매출채권 거래와 관련된 정보를 디지털 상으로 처리하고자 하는 요구가 증대되고 있으며, 상술한 문제점을 해결할 수 있는 기술의 구현이 요구되고 있다.

한국공개특허 제10-2022-0048880호 한국공개특허 제10-2020-0054904호 한국공개특허 제10-2020-0087598호 한국등록특허 제10-1953162호

일실시예에 따르면, 제1 판매자가 판매하는 제1 제품에 대한 매출채권인 제1 매출채권의 금액을 산출하고, 제1 매출채권의 금액이 미리 정해진 계약 조건을 충족한 경우, 스마트 계약을 통해 제1 매출채권에 대한 거래 계약을 자동으로 체결하고, 제1 매출채권에 대한 계약 정보와 대응하는 제1 블록을 생성하고, 제1 블록을 블록체인 상에 등록하고, 제1 매출채권에 대한 거래 계약으로 제1 매출채권을 이용한 금융상품인 제1 금융상품이 출시된 경우, 제1 금융상품에 대한 가입 정보와 대응하는 제2 블록을 생성하고, 제2 블록을 제1 블록에 연결하여 블록체인 상에 등록하고, 제1 매출채권에 대한 거래 계약으로 제1 매출채권의 금액 내에서 제1 판매자에게 선정산이 실행된 경우, 제1 매출채권에 대한 정산 정보와 대응하는 제3 블록을 생성하고, 제3 블록을 제2 블록에 연결하여 블록체인 상에 등록하고, 제1 제품의 생산, 출고 및 배송으로 제1 제품의 물류 상태가 변경된 경우, 제1 제품에 대한 물류 정보와 대응하는 제4 블록을 생성하고, 제4 블록을 제3 블록에 연결하여 블록체인 상에 등록하고, 제1 제품의 매입 및 판매로 제1 제품의 재고 상태가 변경된 경우, 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성하고, 제5 블록을 제4 블록에 연결하여 블록체인 상에 등록하는, 블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법, 장치 및 시스템을 제공하는 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, 블록체인을 기반으로 매출채권 거래 플랫폼 서비스를 제공하는 방법에 있어서, 제1 판매자가 판매하는 제1 제품에 대한 매출채권인 제1 매출채권의 금액을 산출하는 단계; 상기 제1 매출채권의 금액이 미리 정해진 계약 조건을 충족한 경우, 스마트 계약을 통해 상기 제1 매출채권에 대한 거래 계약을 자동으로 체결하고, 상기 제1 매출채권에 대한 계약 정보와 대응하는 제1 블록을 생성하고, 상기 제1 블록을 블록체인 상에 등록하는 단계; 상기 제1 매출채권에 대한 거래 계약으로 상기 제1 매출채권을 이용한 금융상품인 제1 금융상품이 출시된 경우, 상기 제1 금융상품에 대한 가입 정보와 대응하는 제2 블록을 생성하고, 상기 제2 블록을 상기 제1 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 상기 제1 매출채권에 대한 거래 계약으로 상기 제1 매출채권의 금액 내에서 상기 제1 판매자에게 선정산이 실행된 경우, 상기 제1 매출채권에 대한 정산 정보와 대응하는 제3 블록을 생성하고, 상기 제3 블록을 상기 제2 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 상기 제1 제품의 생산, 출고 및 배송으로 상기 제1 제품의 물류 상태가 변경된 경우, 상기 제1 제품에 대한 물류 정보와 대응하는 제4 블록을 생성하고, 상기 제4 블록을 상기 제3 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 및 상기 제1 제품의 매입 및 판매로 상기 제1 제품의 재고 상태가 변경된 경우, 상기 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성하고, 상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계를 포함하는, 블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법이 제공된다.

상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계는, 상기 제1 판매자의 매입 내역에 기초하여, 상기 제1 판매자가 상기 제1 제품을 매입하는 매입 패턴을 분석하는 단계; 상기 제1 제품의 매입 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 제품의 재고 업데이트 주기인 제1 주기를 설정하는 단계; 상기 제1 주기마다 상기 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 이미지를 획득하는 단계; 제1 시점에 상기 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 제1 이미지가 획득되면, 상기 제1 이미지를 인코딩 하여 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계; 상기 제1 출력 신호를 기초로, 상기 제1 시점에 보관되어 있는 제품의 종류 및 재고량을 분석하는 단계; 상기 제1 시점에 보관되어 있는 상기 제1 제품의 재고량이 제1 수량으로 확인되면, 상기 제1 수량을 통해 상기 제1 제품에 대한 재고 정보를 생성하고, 상기 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성하고, 상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 상기 제1 시점 이후인 제2 시점에 상기 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 제2 이미지가 획득되면, 상기 제2 이미지를 인코딩 하여 제2 입력 신호를 생성하는 단계; 상기 제2 입력 신호를 상기 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계; 상기 제2 출력 신호를 기초로, 상기 제2 시점에 보관되어 있는 제품의 종류 및 재고량을 분석하는 단계; 상기 제2 시점에 보관되어 있는 상기 제1 제품의 재고량이 제2 수량으로 확인되면, 상기 제1 수량 및 상기 제2 수량이 동일한지 여부를 확인하는 단계; 상기 제1 수량 및 상기 제2 수량이 상이한 것으로 확인되어, 상기 제1 시점과 상기 제2 시점 간에 상기 제1 제품의 재고량이 차이가 있는 것으로 확인되면, 상기 제2 수량을 통해 상기 제1 제품에 대한 재고 정보를 갱신하는 단계; 및 상기 제1 제품에 대한 재고 정보가 갱신되면, 상기 제5 블록을 갱신하고, 상기 갱신된 제5 블록을 상기 제4 블록에 연결하여, 상기 제5 블록을 상기 블록체인 상에 다시 등록하는 단계를 포함할 수 있다.

상기 블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법은, 상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계 이후, 상기 제1 주기마다 상기 제1 판매자의 창고에 보관되어 있는 상기 제1 제품을 유통기한 별로 분류하여, 상기 제1 제품 중에서 유통기한까지 남아있는 잔여 기간이 가장 짧은 제품들을 제1 그룹으로 분류하는 단계; 상기 제1 그룹으로 분류된 상기 제1 제품의 재고량을 제1 재고량으로 확인하고, 상기 제1 재고량을 통해 상기 제1 그룹에 대한 재고 정보를 생성하고, 상기 제1 그룹에 대한 재고 정보와 대응하는 제6 블록을 생성하고, 상기 제6 블록을 상기 제5 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 상기 제1 그룹으로 분류된 상기 제1 제품의 유통기한까지 남아있는 잔여 기간을 제1 기간으로 확인하는 단계; 상기 제1 판매자의 판매 내역에 기초하여, 상기 제1 제품의 일일 평균 판매량을 제1 판매량으로 확인하는 단계; 상기 제1 재고량, 상기 제1 기간 및 상기 제1 판매량을 매칭하여 제1 매칭 결과를 생성하는 단계; 상기 제1 매칭 결과를 제3 인공 신경망에 적용하여, 상기 제3 인공 신경망의 출력을 기초로, 상기 제1 기간이 경과할 때까지 상기 제1 재고량이 판매되지 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 제품에 대한 할인을 추천하는 알림 메시지를 제1 판매자 단말로 전송하는 단계; 상기 제1 재고량에 대한 유통관리 상태가 주의 상태로 설정된 경우, 상기 제1 제품에 대한 판촉을 추천하는 알림 메시지를 상기 제1 판매자 단말로 전송하는 단계; 상기 제1 재고량에 대한 유통관리 상태가 정상 상태로 설정된 경우, 상기 제1 제품에 대한 매입을 추천하는 알림 메시지를 상기 제1 판매자 단말로 전송하는 단계; 및 상기 제1 재고량에 대한 유통관리 상태가 설정된 것으로 확인되면, 상기 제1 재고량에 대한 유통관리 상태를 통해 상기 제1 그룹에 대한 상태 정보를 생성하고, 상기 제1 그룹에 대한 상태 정보와 대응하는 제7 블록을 생성하고, 상기 제7 블록을 상기 제6 블록에 연결하여 상기 블록체인 상에 등록하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 제1 판매자가 판매하는 제1 제품에 대한 매출채권인 제1 매출채권의 금액을 산출하고, 제1 매출채권의 금액이 미리 정해진 계약 조건을 충족한 경우, 스마트 계약을 통해 제1 매출채권에 대한 거래 계약을 자동으로 체결하고, 제1 매출채권에 대한 계약 정보와 대응하는 제1 블록을 생성하고, 제1 블록을 블록체인 상에 등록하고, 제1 매출채권에 대한 거래 계약으로 제1 매출채권을 이용한 금융상품인 제1 금융상품이 출시된 경우, 제1 금융상품에 대한 가입 정보와 대응하는 제2 블록을 생성하고, 제2 블록을 제1 블록에 연결하여 블록체인 상에 등록하고, 제1 매출채권에 대한 거래 계약으로 제1 매출채권의 금액 내에서 제1 판매자에게 선정산이 실행된 경우, 제1 매출채권에 대한 정산 정보와 대응하는 제3 블록을 생성하고, 제3 블록을 제2 블록에 연결하여 블록체인 상에 등록하고, 제1 제품의 생산, 출고 및 배송으로 제1 제품의 물류 상태가 변경된 경우, 제1 제품에 대한 물류 정보와 대응하는 제4 블록을 생성하고, 제4 블록을 제3 블록에 연결하여 블록체인 상에 등록하고, 제1 제품의 매입 및 판매로 제1 제품의 재고 상태가 변경된 경우, 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성하고, 제5 블록을 제4 블록에 연결하여 블록체인 상에 등록함으로써, 매출채권 거래 당사자들 간에 정보 제공의 투명성과 신뢰성을 확보하고, 매출채권 거래와 관련된 정보를 디지털 상으로 처리할 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 블록체인의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 3은 일실시예에 따른 제1 블록 내지 제4 블록을 블록체인 상에 등록하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 제5 블록 내지 제7 블록을 블록체인 상에 등록하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 블록체인 상에 등록된 블록들을 나타낸 도면이다.
도 6은 일실시예에 따른 할인율을 적용하여 매출채권의 금액을 산출하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 판매 증감율에 따라 신용 등급을 조정하여 매출채권의 금액을 산출하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 기준 범위를 설정하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 제5 블록을 등록하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 제5 블록을 갱신하여 다시 등록하는 과정을 설명하기 위한 순서도이다.
도 11은 일실시예에 따른 제6 블록을 등록하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 제1 재고량이 판매되지 않고 남아있을 수 있는 확률을 예측하여, 제1 재고량에 대한 유통관리 상태를 설정하는 과정을 설명하기 위한 순서도이다.
도 13은 일실시예에 따른 제7 블록을 등록하는 과정을 설명하기 위한 순서도이다.
도 14는 일실시예에 따른 재고량 및 유통기한에 따라 최적화된 가격으로 할인을 추천하는 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 15는 일실시예에 따른 재고량 및 유통기한에 따라 최적화된 매입량을 추천하는 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 16은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
도 17은 일실시예에 따른 제2 인공 신경망을 설명하기 위한 도면이다.
도 18은 일실시예에 따른 제3 인공 신경망의 학습을 설명하기 위한 도면이다.
도 19는 일실시예에 따른 장치의 구성에 대한 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 사용자 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 블록체인의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 블록체인(100)은 통신망을 통해 서로 통신 가능한 복수의 노드와 복수의 노드를 연결하고 있는 네트워크로 구성될 수 있다.

구체적으로, 블록체인(100)에 대해 설명해보면, 피투피(P2P) 네트워크 분산 환경에서 중앙 관리 서버가 아닌 참여자(피어, peer)들의 디지털 장비에 정보를 분산시켜 저장함으로써, 참여자로 선정된 복수의 노드에서 보안이 필요한 정보를 공동으로 관리할 수 있다.

블록체인(100)의 기본 구조는 블록(block)을 잇따라 연결한(chain) 모음의 형태로, 일정 시간 동안 반수 이상의 참여자들이 보안이 필요한 정보를 서로 교환해 확인하고 승인하는 과정을 거쳐, 승인된 정보만 하나의 블록으로 만든 후, 새로 만들어진 블록을 이전 블록에 연결하고, 그 사본을 만들어 각 참여자들의 장치에 분산시켜 저장함으로써, 보안이 필요한 정보가 분산 저장되어 복수의 노드 간에 공유될 수 있다.

즉, 블록체인(100)이란 블록에 데이터를 담아 체인 형태로 연결하고, 동시에 수많은 장치에 이를 복제해 저장하는 분산형 데이터 저장 기술로, 공공 거래 장부라고 할 수 있으며, 중앙 집중형 서버에 거래 기록을 보관하지 않고 거래에 참여하는 모든 참여자에게 거래 내역을 보내주고, 거래 때마다 모든 거래 참여자들이 정보를 공유하고 이를 대조해 데이터 위조나 변조를 할 수 없도록 되어 있다.

블록체인(100)은 중앙 집중형 서버에 거래 기록을 보관, 관리하지 않고 거래에 참여하는 개별적인 장치들이 모여 네트워크를 유지 및 관리하는데, 이 개별적의 각각의 장치, 즉 참여자를 노드라고 한다. 중앙 관리자가 없기 때문에 블록을 배포하는 노드의 역할이 중요하며, 참여하는 노드들 가운데 절반 이상의 동의가 있어야 새 블록이 생성된다. 노드들은 블록체인(100) 네트워크를 통해 서로 연결될 수 있으며, 일부 노드가 해킹을 당해 기존 내용에 오류가 발생해도 다수의 노드에 데이터가 남아 있어 계속적으로 데이터를 보존할 수 있다.

일실시예에 따르면, 복수의 노드를 참여자로 하여 블록체인(100)을 구현하고 있으며, 복수의 노드 각각은 단말 형태로 구현될 수 있고, 서버 형태로 구현될 수도 있다.

도 2는 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 2를 참조하면, 일실시예에 따른 시스템은 블록체인(100)과 연결된 복수의 판매자 단말(200), 쇼핑몰 서버(300) 및 장치(400)를 포함할 수 있다.

상술한 바와 같이, 블록체인(100)은 복수의 노드로 구성될 수 있는데, 복수의 판매자 단말(200), 쇼핑몰 서버(300) 및 장치(400)는 복수의 노드 중 어느 하나인 참여자로 참여하여 블록체인(100) 상에 직접적으로 연결될 수 있고, 복수의 노드 중 어느 하나와 연결되어 블록체인(100) 상에 간접적으로 연결될 수도 있다.

복수의 판매자 단말(200) 각각은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.

복수의 판매자 단말(200)은 온라인 쇼핑몰을 통해 제품을 판매하는 판매자들이 사용하는 단말로, 제1 판매자가 사용하는 제1 판매자 단말(210), 제2 판매자가 사용하는 제2 판매자 단말(220) 등을 포함할 수 있다.

복수의 판매자 단말(200) 각각은 장치(400)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 사이트에 접속되거나, 장치(400)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션 또는 프로그램이 설치될 수 있다.

복수의 판매자 단말(200) 각각은 장치(400)에서 제공하는 웹 사이트, 애플리케이션, 프로그램 등을 통해 장치(400)에 접속할 수 있다.

이하에서는 설명의 편의상, 제1 판매자 단말(210)의 동작을 위주로 설명하지만, 제2 판매자 단말(220) 등의 다른 판매자 단말에서 제1 판매자 단말(210)의 동작을 대신 수행할 수 있는 것은 물론이다.

쇼핑몰 서버(300)는 이커머스를 위해 온라인 쇼핑몰을 운영하는 서버로, 복수의 판매자 단말(200) 각각으로부터 제품 판매와 관련된 페이지 등록이 요청되면, 제품 판매를 위한 온라인 쇼핑몰을 운영할 수 있다.

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 판매자 단말(200)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 판매자 단말(200) 각각의 동작을 제어하고, 복수의 판매자 단말(200) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.

장치(400)는 쇼핑몰 서버(300)와 유무선으로 통신하도록 구성될 수 있으며, 쇼핑몰 서버(300)와 장치(400)는 다른 서버로 구현되어 각각의 기능을 별도로 수행할 수 있지만, 이에 제한되지 않으며, 쇼핑몰 서버(300)와 장치(400)는 하나의 통합 서버로 구현되어, 통합 서버에서 쇼핑몰 서버(300) 및 장치(400)의 기능을 모두 수행할 수 있다.

한편, 설명의 편의를 위해 도 2에서는 복수의 판매자 단말(200) 중 제1 판매자 단말(210) 및 제2 판매자 단말(220)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(400)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

일실시예에 따르면, 판매자가 온라인 쇼핑몰을 통해 제품을 판매하면, 판매자에게 제품 판매에 대한 매출채권이 발생하게 되는데, 판매자는 매출채권에 대한 선정산을 통해 자금의 유동성을 확보하고자 한다.

이를 위해, 장치(400)는 블록체인(100)을 기반으로 매출채권 거래 플랫폼을 제공할 수 있으며, 해당 플랫폼을 통해 매출채권 거래에서 발생하는 히스토리를 클라우드에 저장하여 관리할 수 있다.

즉, 매출채권 거래에서 발생하는 다양한 정보가 복수의 노드에 분산 저장되어, 블록체인(100) 상에서 공유되고 있는 상태로, 제품 판매자, 쇼핑몰을 운영하는 업체, 매출채권을 통해 생성된 금융 상품 가입자 등 다양한 주체들이 블록체인(100)에 접근하여 매출채권 거래에 대한 이력을 용이하게 확인할 수 있다.

일실시예에 따르면, 판매자는 판매자 단말에 설치된 애플리케이션을 통해 매출채권 플랫폼에 접속할 수 있으며, 매출채권에 대한 선정산 서비스를 신청할 수 있다. 이때, 장치(400)는 쇼핑몰 서버(300)로부터 판매자의 판매 내역을 획득하여, 매출채권에 대한 선정산이 가능한지 심사하고, 심사 결과에 따라 매출채권 거래에 대한 계약을 체결하고, 매출채권에 대한 계약 정보를 블록체인(100) 상에 등록할 수 있다.

이를 위해, 장치(400)는 블록체인(100)을 통해 매출채권 거래와 관련된 이력 정보를 등록하고, 블록체인(100)을 통해 매출채권의 금융 상품화와 관련된 이력 정보를 등록하고, 블록체인(100)을 통해 매출채권의 실행 처리와 관련된 이력 정보를 등록하고, 블록체인(100)을 통해 이커머스 관련 물류 정보를 등록할 수 있다.

도 3은 일실시예에 따른 제1 블록 내지 제4 블록을 블록체인 상에 등록하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(400)는 제1 판매자가 판매하는 제1 제품에 대한 매출채권인 제1 매출채권의 금액을 산출할 수 있다. 이와 관련된 자세한 설명은 도 6을 참조하여 후술하기로 한다.

S302 단계에서, 장치(400)는 제1 매출채권에 대한 거래 계약이 체결되어 있는 것으로 확인되면, 데이터베이스로부터 제1 매출채권에 대한 계약 정보를 획득할 수 있다. 이를 위해, 장치(400)의 데이터베이스에는 제1 판매자 정보와 제1 매출채권에 대한 계약 정보가 연동되어 저장될 수 있으며, 장치(400)는 제1 판매자 계정을 통해 데이터베이스에 저장된 제1 판매자 정보를 조회하여, 데이터베이스로부터 제1 매출채권에 대한 계약 정보를 획득할 수 있다. 여기서, 제1 판매자 정보는 제1 판매자의 식별이 가능한 정보로, 제1 판매자의 이름, 생년월일, 연락처, 주소, 아이디 등을 포함할 있고, 제1 매출채권에 대한 계약 정보는 제1 매출채권의 계약 내용을 나타내는 정보로, 제1 판매자 정보, 제1 제품 정보(이름, 판매가 등), 제1 매출채권의 금액, 계약 조건, 계약일 등을 포함할 수 있다.

구체적으로, 장치(400)는 제1 판매자의 요청으로 제1 매출채권에 대한 선정산 서비스가 신청되면, 제1 매출채권에 대해 심사하기 위해 제1 매출채권의 금액을 산출할 수 있으며, 산출된 제1 매출채권의 금액이 미리 정해진 계약 조건을 충족하는지 여부를 확인하여, 계약 조건을 충족하는 경우, 스마트 계약을 통해 제1 매출채권에 대한 거래 계약을 자동으로 체결할 수 있다. 여기서, 스마트 계약은 블록체인(100) 상에서 거래의 일종 조건을 만족시키면 자동으로 거래가 체결되는 기술로, 예를 들어, 제1 매출채권의 금액이 일정 금액 보다 큰 것으로 확인되면, 계약 조건을 충족하는 것으로 판단하여, 자동으로 제1 매출채권에 대한 계약이 체결될 수 있다.

제1 매출채권에 대한 계약은 제1 판매자가 자신이 판매하는 제1 제품에 대한 매출채권인 제1 매출채권의 선정산에 대한 계약으로, 제1 판매자의 신용 등급에 따라 할인율이 설정되고, 할인율에 따라 정산받을 수 있는 금액이 결정될 수 있다.

장치(400)는 제1 매출채권에 대한 거래 계약이 체결되면, 제1 매출채권에 대한 계약 정보를 생성하여, 생성된 제1 매출채권에 대한 계약 정보를 데이터베이스에 저장할 수 있다.

S303 단계에서, 장치(400)는 제1 매출채권에 대한 계약 정보와 대응하는 제1 블록을 생성할 수 있다.

S304 단계에서, 장치(400)는 제1 블록이 생성되면, 제1 블록을 블록체인(100) 상에 등록할 수 있다.

S305 단계에서, 장치(400)는 제1 매출채권을 이용한 금융상품인 제1 금융상품이 출시되어 있는 것을 확인할 수 있다.

일실시예에 따르면, 장치(400)를 운영하는 업체에서는 제1 매출채권에 대한 선정산 비용을 자체적으로 지급하거나, 제휴 은행을 통해 지급할 수 있으며, 제휴 은행을 통해 지급하는 경우, 제1 매출채권을 이용하여 금융상품을 생성한 후, 해당 금융상품을 출시하여 선정산 비용을 충당할 수 있다.

S306 단계에서, 장치(400)는 제1 매출채권을 이용한 금융상품인 제1 금융상품이 출시되어 있는 것으로 확인되면, 제1 금융상품에 대한 가입 정보를 획득할 수 있다. 여기서, 제1 금융상품에 대한 가입 정보는 제1 금융상품에 가입한 가입자 정보(가입자 이름, 투자 금액 등), 제1 금융상품 정보(출시일, 유효기간, 이익률 등)를 포함할 수 있다.

즉, 장치(400)는 제1 매출채권을 이용한 금융상품인 제1 금융상품이 출시되면, 제1 금융상품을 출시한 은행에서 운영하는 은행 서버로부터 제1 금융상품에 대한 가입 정보를 수신하여 획득할 수 있다. 이때, 제1 금융상품에 대한 가입 정보는 제1 금융상품에 가입한 가입자가 새로 생길 때 마다 주기적으로 갱신될 수 있다.

S307 단계에서, 장치(400)는 제1 금융 상품에 대한 가입 정보와 대응하는 제2 블록을 생성할 수 있다. 이때, 장치(400)는 제1 금융상품에 새로운 가입자가 가입하여 제1 금융상품에 대한 가입 정보가 갱신될 때마다, 제2 블록을 갱신할 수 있다.

S308 단계에서, 장치(400)는 제2 블록이 생성되면, 제2 블록을 제1 블록에 연결하여 블록체인(100) 상에 등록할 수 있다.

S309 단계에서, 장치(400)는 제1 매출채권에 대한 거래 계약으로 제1 매출채권의 금액 내에서 제1 판매자에게 선정산이 실행된 것을 확인할 수 있다.

즉, 제1 판매자의 요청과 제1 매출채권에 대한 거래 계약으로 제1 매출채권의 금액 내에서 제1 판매자에게 선정산이 실행되어 선정산 금액이 정산 처리될 수 있으며, 장치(400)는 선정산 금액이 정산 처리되면, 제1 매출채권에 대한 정산 정보를 생성하여 데이터베이스에 저장할 수 있다. 여기서, 제1 매출채권에 대한 정산 정보는 선정산 실행일, 금액, 입금 계좌 등에 대한 정보를 포함할 수 있고, 제1 판매자에게 선정산이 실행되어 처리될 때마다 주기적으로 갱신될 수 있다.

S310 단계에서, 장치(400)는 제1 매출채권의 금액 내에서 제1 판매자에게 선정산이 실행된 경우, 제1 매출채권에 대한 정산 정보를 획득할 수 있다.

S311 단계에서, 장치(400)는 제1 매출채권에 대한 정산 정보와 대응하는 제3 블록을 생성할 수 있다. 이때, 장치(400)는 제1 판매자에게 선정산이 실행되어 제1 매출채권에 대한 정산 정보가 갱신될 때마다, 제3 블록을 갱신할 수 있다.

S312 단계에서, 장치(400)는 제3 블록이 생성되면, 제3 블록을 제2 블록에 연결하여 블록체인(100) 상에 등록할 수 있다. 이때, 장치(400)는 제1 판매자에게 선정산이 실행되어 제1 매출채권에 대한 정산 정보가 갱신된 경우, 갱신된 제3 블록을 블록체인(100) 상에 다시 등록할 수 있다.

S313 단계에서, 장치(400)는 제1 제품의 생산, 출고 및 배송으로 제1 제품의 물류 상태가 변경된 것을 확인할 수 있다.

구체적으로, 장치(400)는 창고 관리 시스템(Warehouse Management System), 배송 추적 시스템 등을 이용하여, 제1 제품의 물류 상태가 변경된 것을 확인할 수 있다.

S314 단계에서, 장치(400)는 제1 제품의 물류 상태가 변경된 것으로 확인되면, 제1 제품에 대한 물류 정보를 획득할 수 있다. 여기서, 제1 제품에 대한 물류 정보는 제1 제품의 생산 현황, 출고 현황, 배송 현황 등을 포함할 수 있고, 물류 상태가 변경될 때마다 주기적으로 갱신될 수 있다

S315 단계에서, 장치(400)는 제1 제품에 대한 물류 정보와 대응하는 제4 블록을 생성할 수 있다. 이때, 장치(400)는 제1 제품에 대한 물류 상태가 변경되어 제1 제품에 대한 물류 정보가 갱신될 때마다, 제4 블록을 갱신할 수 있다.

S316 단계에서, 장치(400)는 제4 블록이 생성되면, 제4 블록을 제3 블록에 연결하여 블록체인(100) 상에 등록할 수 있다. 이때, 장치(400)는 제1 제품에 대한 물류 상태가 변경되어 제1 제품에 대한 물류 정보가 갱신된 경우, 갱신된 제4 블록을 블록체인(100) 상에 다시 등록할 수 있다.

도 4는 일실시예에 따른 제5 블록 내지 제7 블록을 블록체인 상에 등록하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 4에 도시된 각 단계는 도 3에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(400)는 제1 제품의 매입 및 판매로 제1 제품의 재고 상태가 변경된 것을 확인할 수 있다.

구체적으로, 장치(400)는 창고 관리 시스템, 재고 관리 시스템 등을 이용하여, 제1 판매자의 창고에 보관되어 있는 제1 제품의 재고 상태가 변경된 것을 확인할 수 있다.

S402 단계에서, 장치(400)는 제1 제품의 재고 상태가 변경된 것으로 확인되면, 제1 제품에 대한 재고 정보를 획득할 수 있다. 여기서, 제1 제품에 대한 재고 정보는 제1 제품의 재고 현황, 매입 현황, 판매 현황 등을 포함할 수 있고, 재고 상태가 변경될 때마다 주기적으로 갱신될 수 있다

S403 단계에서, 장치(400)는 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성할 수 있다. 이때, 장치(400)는 제1 제품에 대한 재고 상태가 변경되어 제1 제품에 대한 재고 정보가 갱신될 때마다, 제5 블록을 갱신할 수 있다.

S404 단계에서, 장치(400)는 제5 블록이 생성되면, 제5 블록을 제4 블록에 연결하여 블록체인(100) 상에 등록할 수 있다. 이때, 장치(400)는 제1 제품에 대한 재고 상태가 변경되어 제1 제품에 대한 재고 정보가 갱신된 경우, 갱신된 제5 블록을 블록체인(100) 상에 다시 등록할 수 있다. 제5 블록의 등록과 관련된 자세한 설명은 도 9를 참조하여 후술하기로 한다.

S405 단계에서, 장치(400)는 제1 그룹으로 분류된 제1 제품의 재고량을 제1 재고량으로 확인할 수 있다. 여기서, 제1 그룹은 제1 판매자의 창고에 보관되어 있는 제1 제품을 유통기한 별로 분류한 결과, 제1 제품 중에서 유통기한까지 남아있는 잔여 기간이 가장 짧은 제품들을 선별하여 그룹화될 수 있으며, 이와 관련된 자세한 설명은 도 11을 참조하여 후술하기로 한다.

구체적으로, 장치(400)는 창고 관리 시스템, 재고 관리 시스템 등을 이용하여, 제1 판매자의 창고에 보관되어 있는 제1 제품 중에서 유통기한까지 남아있는 잔여 기간이 가장 짧은 제품들을 제1 그룹으로 분류하고, 제1 그룹으로 분류된 제1 제품의 재고량을 제1 재고량으로 확인할 수 있다.

S406 단계에서, 장치(400)는 제1 재고량이 확인되면, 제1 재고량을 통해 제1 그룹에 대한 재고 정보를 생성할 수 있고, 제1 그룹에 대한 재고 정보를 데이터베이스에 저장할 수 있다. 여기서, 제1 그룹에 대한 재고 정보는 제1 그룹으로 분류된 제1 제품의 재고량, 유통기한 등을 포함할 수 있고, 재고 상태가 변경될 때마다 주기적으로 갱신될 수 있다.

S407 단계에서, 장치(400)는 제1 그룹에 대한 재고 정보와 대응하는 제6 블록을 생성할 수 있다. 이때, 장치(400)는 제1 그룹에 대한 재고 상태가 변경되어 제1 그룹에 대한 재고 정보가 갱신될 때마다, 제6 블록을 갱신할 수 있다.

S408 단계에서, 장치(400)는 제6 블록이 생성되면, 제6 블록을 제5 블록에 연결하여 블록체인(100) 상에 등록할 수 있다. 이때, 장치(400)는 제1 그룹에 대한 재고 상태가 변경되어 제1 그룹에 대한 재고 정보가 갱신된 경우, 갱신된 제6 블록을 블록체인(100) 상에 다시 등록할 수 있다. 제6 블록의 등록과 관련된 자세한 설명은 도 11을 참조하여 후술하기로 한다.

S409 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 설정된 것을 확인할 수 있다. 여기서, 제1 재고량에 대한 유통관리 상태는 경고 상태, 주의 상태 및 정상 상태 중 어느 하나로 설정될 수 있으며, 이와 관련된 자세한 설명은 도 12를 참조하여 후술하기로 한다.

구체적으로, 장치(400)는 창고 관리 시스템, 재고 관리 시스템 등을 이용하여, 제1 재고량이 판매되지 않고 남아있을 수 있는 확률을 예측하고, 예측 결과에 따라 제1 재고량에 대한 유통관리 상태를 설정할 수 있다.

S410 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 설정된 것으로 확인되면, 제1 재고량에 대한 유통관리 상태를 통해 제1 그룹에 대한 상태 정보를 생성할 수 있고, 제1 그룹에 대한 상태 정보를 데이터베이스에 저장할 수 있다. 여기서, 제1 그룹에 대한 상태 정보는 제1 그룹으로 분류된 제1 제품의 유통관리 상태, 유통기한까지 남아있는 기간, 제1 재고량이 판매되지 않고 남아있을 수 있는 확률 등을 포함할 수 있고, 유통관리 상태가 변경될 때마다 주기적으로 갱신될 수 있다.

S411 단계에서, 장치(400)는 제1 그룹에 대한 상태 정보와 대응하는 제7 블록을 생성할 수 있다. 이때, 장치(400)는 제1 재고량에 대한 유통관리 상태가 변경되어 제1 그룹에 대한 상태 정보가 갱신될 때마다, 제7 블록을 갱신할 수 있다.

S412 단계에서, 장치(400)는 제7 블록이 생성되면, 제7 블록을 제6 블록에 연결하여 블록체인(100) 상에 등록할 수 있다. 이때, 장치(400)는 제1 재고량에 대한 유통관리 상태가 변경되어 제1 그룹에 대한 상태 정보가 갱신된 경우, 갱신된 제7 블록을 블록체인(100) 상에 다시 등록할 수 있다. 제7 블록의 등록과 관련된 자세한 설명은 도 13을 참조하여 후술하기로 한다.

도 5는 일실시예에 따른 블록체인 상에 등록된 블록들을 나타낸 도면이다.

도 5를 참조하면, 장치(400)는 제1 매출채권에 대한 계약 정보와 대응하는 제1 블록(501)을 생성하고, 제1 블록(501)을 블록체인 상에 등록할 수 있다.

이후, 장치(400)는 제1 금융상품에 대한 가입 정보와 대응하는 제2 블록(502)을 생성하고, 제2 블록(502)을 제1 블록(501)에 연결하여 블록체인 상에 등록할 수 있다. 이때, 제1 블록(501)이 블록체인 상에 등록되어 있는 상태에서, 제2 블록(502)은 제1 블록(501)에 연결되어 블록체인 상에 등록될 수 있다.

이후, 장치(400)는 제1 매출채권에 대한 정산 정보와 대응하는 제3 블록(503)을 생성하고, 제3 블록(503)을 제2 블록(502)에 연결하여 블록체인 상에 등록할 수 있다. 이때, 제1 블록(501) 및 제2 블록(502)이 블록체인 상에 등록되어 있는 상태에서, 제3 블록(503)은 제2 블록(502)에 연결되어 블록체인 상에 등록될 수 있다.

이후, 장치(400)는 제1 제품에 대한 물류 정보와 대응하는 제4 블록(504)을 생성하고, 제4 블록(504)을 제3 블록(503)에 연결하여 블록체인 상에 등록할 수 있다. 이때, 제1 블록(501), 제2 블록(502) 및 제3 블록(503)이 블록체인 상에 등록되어 있는 상태에서, 제4 블록(504)은 제3 블록(503)에 연결되어 블록체인 상에 등록될 수 있다.

이후, 장치(400)는 제1 제품에 대한 재고 정보와 대응하는 제5 블록(505)을 생성하고, 제5 블록(505)을 제4 블록(504)에 연결하여 블록체인 상에 등록할 수 있다. 이때, 제1 블록(501), 제2 블록(502), 제3 블록(503) 및 제4 블록(504)이 블록체인 상에 등록되어 있는 상태에서, 제5 블록(505)은 제4 블록(504)에 연결되어 블록체인 상에 등록될 수 있다.

이후, 장치(400)는 제1 그룹에 대한 재고 정보와 대응하는 제6 블록(506)을 생성하고, 제6 블록(506)을 제5 블록(505)에 연결하여 블록체인 상에 등록할 수 있다. 이때, 제1 블록(501), 제2 블록(502), 제3 블록(503), 제4 블록(504) 및 제5 블록(505)이 블록체인 상에 등록되어 있는 상태에서, 제6 블록(506)은 제5 블록(505)에 연결되어 블록체인 상에 등록될 수 있다.

이후, 장치(400)는 제1 그룹에 대한 상태 정보와 대응하는 제7 블록(507)을 생성하고, 제7 블록(507)을 제6 블록(506)에 연결하여 블록체인 상에 등록할 수 있다. 이때, 제1 블록(501), 제2 블록(502), 제3 블록(503), 제4 블록(504), 제5 블록(505) 및 제6 블록(506)이 블록체인 상에 등록되어 있는 상태에서, 제7 블록(507)은 제6 블록(506)에 연결되어 블록체인 상에 등록될 수 있다.

도 6은 일실시예에 따른 할인율을 적용하여 매출채권의 금액을 산출하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(400)는 제1 판매자의 신용 정보를 기초로, 제1 판매자의 신용 등급을 결정할 수 있다.

구체적으로, 장치(400)는 크롤링(Crawling) 등 다양한 기법을 통해, 제1 판매자의 신용 정보를 획득할 수 있으며, 획득된 제1 판매자의 신용 정보를 기초로, 미리 정해진 조건에 따라, 제1 판매자의 신용 등급을 결정할 수 있다. 장치(400)는 신용 평가 기관을 통해 제1 판매자의 신용 등급을 조회하여, 제1 판매자의 신용 등급을 확인할 수도 있다.

S603 단계에서, 장치(400)는 제1 판매자의 신용 등급이 제1 등급으로 결정되면, 제1 등급에 설정되어 있는 할인율인 제1 할인율을 확인할 수 있다. 이를 위해, 신용 등급 별로 할인율이 설정되어 등록되어 있으며, 신용등급이 높을수록 더 낮은 수치의 할인율이 설정되어 있고, 신용등급이 낮을수록 더 높은 수치의 할인율이 설정되어 있다.

예를 들어, 신용 등급이 가장 높은 1등급에는 할인율이 10%로 설정되어 있고, 2등급에는 할인율이 15%로 설정되어 있고, 3등급에는 할인율이 20%로 설정되어 있는 경우, 장치(400)는 제1 등급이 1등급으로 확인되면, 제1 할인율을 10%로 확인하고, 제1 등급이 2등급으로 확인되면, 제1 할인율을 15%로 확인하고, 제1 등급이 3등급으로 확인되면, 제1 할인율을 20%로 확인할 수 있다.

한편, S602 단계에서, 장치(400)는 제1 기간 동안 제1 제품에 대한 판매 자료를 수집할 수 있다. 이때, 장치(400)는 쇼핑몰 서버(300)로부터 제1 기간 동안 온라인 쇼핑몰에서 판매된 제1 제품에 대한 판매 자료를 수집할 수 있다. 여기서, 제1 제품에 대한 판매 자료는 구매자, 판매 일자, 판매 수량, 판매 가격 등에 대한 정보를 포함할 수 있다. 또한, 제1 기간은 가장 최근 기간으로, 실시예에 따라 상이하게 설정될 수 있으며, 예를 들어, 제1 기간은 월, 분기, 연도 등 다양하게 설정될 수 있다.

S604 단계에서, 장치(400)는 제1 기간 동안 수집된 제1 제품에 대한 판매 자료를 기반으로, 제1 기간에 대한 제1 제품의 판매 실적을 나타내는 제1 판매 지표를 산출할 수 있다. 여기서, 제1 판매 지표는 제1 기간 동안 제1 제품이 판매된 총 금액을 의미할 수 있다.

S605 단계에서, 장치(400)는 100%에서 제1 할인율을 차감한 비율과 제1 판매 지표를 곱한 값으로, 제1 매출채권의 금액을 산출할 수 있다.

예를 들어, 제1 할인율이 20%이고 제1 판매 지표가 100만원인 경우, 장치(400)는 100만원의 80%인 80만원을 제1 매출채권의 금액으로 산출할 수 있다.

도 7은 일실시예에 따른 판매 증감율에 따라 신용 등급을 조정하여 매출채권의 금액을 산출하는 과정을 설명하기 위한 순서도이다.

도 7을 참조하면, 먼저, S701 단계에서, 장치(400)는 제1 기간 동안 제1 제품에 대한 판매 자료를 수집할 수 있다.

S703 단계에서, 장치(400)는 제1 기간 동안 수집된 제1 제품에 대한 판매 자료를 기반으로, 제1 기간에 대한 제1 제품의 판매 실적을 나타내는 제1 판매 지표를 산출할 수 있다.

한편, S702 단계에서, 장치(400)는 제2 기간 동안 제1 제품에 대한 판매 자료를 수집할 수 있다. 이때, 장치(400)는 쇼핑몰 서버(300)로부터 제2 기간 동안 온라인 쇼핑몰에서 판매된 제1 제품에 대한 판매 자료를 수집할 수 있다. 여기서, 제1 제품에 대한 판매 자료는 구매자, 판매 일자, 판매 수량, 판매 가격 등에 대한 정보를 포함할 수 있다. 또한, 제2 기간은 제1 기간 이전의 기간으로, 제1 기간과 동일한 길이로 설정될 수 있다. 예를 들어, 제1 기간이 2월로 설정되어 있는 경우, 제2 기간은 1월로 설정되고, 제1 기간이 2분기로 설정되어 있는 경우, 제2 기간은 1분기로 설정되고, 제1 기간이 2021년으로 설정되어 있는 경우, 제2 기간은 2020년으로 설정될 수 있다.

S704 단계에서, 장치(400)는 제2 기간 동안 수집된 제1 제품에 대한 판매 자료를 기반으로, 제2 기간에 대한 제1 제품의 판매 실적을 나타내는 제2 판매 지표를 산출할 수 있다. 여기서, 제2 판매 지표는 제2 기간 동안 제1 제품이 판매된 총 금액을 의미할 수 있다.

S705 단계에서, 장치(400)는 제1 판매 지표 및 제2 판매 지표를 비교하여, 제2 기간부터 제1 기간까지 제1 제품의 판매 증감율을 산출할 수 있다.

예를 들어, 제1 판매 지표가 120만원이고, 제2 판매 지표가 100만원인 경우, 장치(400)는 제1 제품의 판매 증감율을 20%로 산출할 수 있다.

S706 단계에서, 장치(400)는 제1 제품의 판매 증감율이 기준 범위 내에 포함되는지 여부를 확인할 수 있다. 여기서, 기준 범위는 실시예에 따라 상이하게 설정될 수 있으며, 이와 관련된 자세한 설명은 도 8을 참조하여 후술하기로 한다.

S706 단계에서 제1 제품의 판매 증감율이 기준 범위 내에 포함되는 것으로 확인되면, S708 단계에서, 장치(400)는 100%에서 제1 할인율을 차감한 비율과 제1 판매 지표를 곱한 값으로, 제1 매출채권의 금액을 산출할 수 있다.

S706 단계에서 제1 제품의 판매 증감율이 기준 범위를 벗어나는 것으로 확인되면, S707 단계에서, 장치(400)는 제1 제품의 판매 증감율이 기준 범위의 최대값 보다 큰지 여부를 확인할 수 있다.

S707 단계에서 제1 제품의 판매 증감율이 기준 범위의 최대값 보다 큰 것으로 확인되면, S709 단계에서, 장치(400)는 제1 판매자의 신용 등급을 제1 등급에서 제2 등급으로 상향 조정할 수 있다.

예를 들어, 제1 판매자의 신용 등급이 2등급인 경우, 장치(400)는 제1 판매자의 신용 등급을 2등급 보다 한 등급 위인 1등급으로 상향 조정할 수 있다.

S711 단계에서, 장치(400)는 제2 등급에 설정되어 있는 할인율인 제2 할인율을 확인할 수 있다.

S713 단계에서, 장치(400)는 100%에서 제2 할인율을 차감한 비율과 제1 판매 지표를 곱한 값으로, 제1 매출채권의 금액을 산출할 수 있다.

한편, S707 단계에서 제1 제품의 판매 증감율이 기준 범위의 최대값 보다 크지 않은 것으로 확인되면, 제1 제품의 판매 증감율이 기준 범위를 벗어난 것으로 확인되어, 제1 제품의 판매 증감율이 기준 범위의 최소값 보다 작은 것으로 확인될 수 있으며, 제1 제품의 판매 증감율이 기준 범위의 최소값 보다 작은 것으로 확인되면, S710 단계에서, 장치(400)는 제1 판매자의 신용 등급을 제1 등급에서 제3 등급으로 하향 조정할 수 있다.

예를 들어, 제1 판매자의 신용 등급이 2등급인 경우, 장치(400)는 제1 판매자의 신용 등급을 2등급 보다 한 등급 아래인 3등급으로 하향 조정할 수 있다.

S712 단계에서, 장치(400)는 제3 등급에 설정되어 있는 할인율인 제3 할인율을 확인할 수 있다.

S714 단계에서, 장치(400)는 100%에서 제3 할인율을 차감한 비율과 제1 판매 지표를 곱한 값으로, 제1 매출채권의 금액을 산출할 수 있다.

도 8은 일실시예에 따른 기준 범위를 설정하는 과정을 설명하기 위한 순서도이다.

도 8을 참조하면, 먼저, S801 단계에서, 장치(400)는 제1 등급에 설정되어 있는 할인율인 제1 할인율이 확인되면, 제1 할인율을 제1 등급으로 나눈 값으로, 기준값을 설정할 수 있다.

예를 들어, 신용 등급이 가장 높은 1등급에는 할인율이 5%로 설정되어 있고, 2등급에는 할인율이 12%로 설정되어 있고, 3등급에는 할인율이 21%로 설정되어 있는 경우, 장치(400)는 제1 등급이 1등급으로 확인되면, 5%를 1로 나눈 값인 5%를 기준값으로 산출할 수 있고, 제1 등급이 2등급으로 확인되면, 12%를 2로 나눈 값인 6%를 기준값으로 산출할 수 있고, 제1 등급이 3등급으로 확인되면, 21%를 3으로 나눈 값인 7%를 기준값으로 산출할 수 있다.

S802 단계에서, 장치(400)는 0%에 기준값을 가산한 값으로, 기준 범위의 최대값을 산출할 수 있다.

S803 단계에서, 장치(400)는 0%에서 기준값을 차감한 값으로, 기준 범위의 최소값을 산출할 수 있다.

S804 단계에서, 장치(400)는 기준 범위의 최대값 및 기준 범위의 최소값을 기반으로, 기준 범위를 설정할 수 있다.

도 9는 일실시예에 따른 제5 블록을 등록하는 과정을 설명하기 위한 순서도이다.

도 9를 참조하면, 먼저, S901 단계에서, 장치(400)는 제1 판매자의 매입 내역에 기초하여, 제1 판매자가 제1 제품을 매입하는 매입 패턴을 분석할 수 있다. 여기서, 매입 내역은 판매자가 제품을 주문하여 매입한 매입 내역이 누적된 정보로, 어느 시점에 어느 제품을 얼마나 많이 매입하였는지 나타내는 리스트로 구성될 수 있고, 제품명, 주문일, 입고일, 매입량 등의 정보를 포함할 수 있다.

일실시예에 따르면, 매입 내역에는 제품명, 주문일, 입고일, 매입량 등의 정보가 기재되며, 판매자가 제품을 주문한 후, 주문된 제품이 판매자의 창고에 입고된 것으로 확인되면, 판매자가 제품을 매입한 것으로 파악될 수 있다. 즉, 입고일이 판매자가 제품을 매입한 매입일로 파악될 수 있다.

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

예를 들어, 제1 판매자의 매입 내역을 통해 제1 판매자가 제1 제품을 매입한 내역을 확인한 결과, 1월 1일에 20개, 1월 11일에 15개, 1월 21일에 25개 매입한 것이 확인되면, 장치(400)는 10일 간격으로 평균 20개씩 제1 제품에 대한 매입이 이루어지는 것을 파악하여, 제1 제품의 매입 패턴을 분석할 수 있다. 여기서, 제1 제품의 매입 패턴은 제1 판매자가 제1 제품을 얼마나 자주 어느 정도의 양으로 매입하였는지 나타내는 매입 패턴을 의미할 수 있다.

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

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

S903 단계에서, 장치(400)는 제1 인공 신경망의 출력을 기초로, 제1 제품의 재고 업데이트 주기인 제1 주기를 설정할 수 있다. 즉, 제1 인공 신경망은 제1 판매자가 제1 제품을 매입하는 매입 패턴을 분석하여, 제1 제품의 매입 패턴에 적합한 제1 제품의 재고 업데이트 주기인 제1 주기에 대한 설정값을 출력할 수 있으며, 장치(400)는 제1 인공 신경망의 출력을 기초로, 제1 제품의 재고 업데이트 주기를 제1 주기로 설정할 수 있다.

이를 위해, 제1 인공 신경망은 제품의 매입 패턴에 대한 분석 결과를 통해 제품의 매입 패턴에 적합한 제품의 재고 업데이트 주기를 선정하여 추출하도록 학습될 수 있다. 이러한 제1 인공 신경망은 도 16을 참조하여 후술되는 방법을 통해 학습될 수 있다.

S904 단계에서, 장치(400)는 제1 주기마다 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 이미지를 획득할 수 있다.

구체적으로, 제1 판매자가 운영하는 업체에는 제품을 보관하는 창고가 구비되어 있으며, 창고 내부에는 제품들을 보관하기 위한 보관함이 구비되어 있고, 창고 내부에는 CCTV가 설치될 수 있다. 창고에 설치된 CCTV는 창고의 보관함에 진열되어 있는 제품에 대한 촬영을 수행하여 이미지를 생성할 수 있다. 장치(400)는 CCTV에서 이미지를 생성하면, CCTV로부터 이미지를 획득할 수 있다. 이를 위해, 장치(400)는 CCTV와 유무선으로 통신하도록 구성될 수 있다.

일실시예에 따르면, CCTV에 포함되어 있는 카메라는 영상 촬영을 위한 Full HD(High Definition) 화질의 카메라 장비로서, 30내지 60프레임을 기준으로 하는 촬영 장비일 수 있다. 카메라는 노출, 셔터스피드, 감도를 자동으로 조절할 수 있으며, 사용자 편의에 따라 수동 조절이 가능할 수 있다.

S905 단계에서, 장치(400)는 제1 주기마다 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 이미지를 획득할 때, 제1 시점에 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 이미지를 제1 이미지로 획득할 수 있다.

구체적으로, 창고에 설치된 CCTV는 제1 시점에 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 제1 이미지를 생성할 수 있고, 장치(400)는 CCTV로부터 제1 이미지를 획득할 수 있다.

S906 단계에서, 장치(400)는 제1 이미지를 인코딩 하여 제1 입력 신호를 생성할 수 있다.

구체적으로, 장치(400)는 제1 이미지의 픽셀을 색 정보로 인코딩 하여 제1 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 장치(400)는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 이미지를 인코딩할 수 있다.

S907 단계에서, 장치(400)는 제1 입력 신호를 제2 인공 신경망에 입력할 수 있다.

일실시예에 따르면, 제2 인공 신경망은 컨볼루션 신경망으로 구현되어, 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며, 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 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. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 인공지능 기반의 제품 반출량 관리 방법을 위한 컨볼루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 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. 컨볼루션 신경망에 대한 자세한 설명은 도 17을 참조하여 후술한다.

S908 단계에서, 장치(400)는 컨볼루션 신경망인 제2 인공 신경망의 입력의 대한 결과에 기초하여, 제2 인공 신경망의 출력값인 제1 출력 신호를 획득할 수 있다.

일실시예에 따르면, 컨볼루션 신경망의 50개 출력층 노드는 상위 25개의 출력층 노드와 하위 25개의 출력층 노드를 포함할 수 있다. 컨볼루션 신경망의 50개 출력층 노드 중 상위 25개의 출력층 노드는 제품의 종류를 지시할 수 있다. 하위 25개의 노드는 상위 25개의 노드에 대응하는 제품의 재고량을 지시할 수 있다. 컨볼루션 신경망의 출력에 관한 자세한 설명은 도 17을 참조하여 후술한다.

S909 단계에서, 장치(400)는 제1 출력 신호를 기초로, 제1 시점에 보관되어 있는 제품의 종류 및 재고량을 분석할 수 있다. 즉, 장치(400)는 제1 시점에 창고에 보관되어 있는 제품의 종류가 어느 것인지 분석하고, 제품의 종류 별로 재고량이 몇 개인지 분석할 수 있다.

S910 단계에서, 장치(400)는 제1 시점에 보관되어 있는 제품의 종류 및 재고량을 분석한 결과, 제1 시점에 보관되어 있는 제1 제품의 재고량을 제1 수량으로 확인할 수 있다.

S911 단계에서, 장치(400)는 제1 수량을 통해 제1 제품에 대한 재고 정보를 생성할 수 있고, 제1 제품에 대한 재고 정보를 데이터베이스에 저장할 수 있다. 여기서, 제1 제품에 대한 재고 정보는 제1 제품의 재고 현황이 제1 수량인 것을 나타내는 정보를 포함할 수 있다.

S912 단계에서, 장치(400)는 제1 제품에 대한 재고 정보가 생성되면, 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성할 수 있다.

S913 단계에서, 장치(400)는 제5 블록을 제4 블록에 연결하여 블록체인(100) 상에 등록할 수 있다.

도 10은 일실시예에 따른 제5 블록을 갱신하여 다시 등록하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 10에 도시된 각 단계는 도 9에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 10을 참조하면, 먼저, S1001 단계에서, 장치(400)는 제1 주기마다 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 이미지를 획득할 수 있다.

S1002 단계에서, 장치(400)는 제1 주기마다 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 이미지를 획득할 때, 제2 시점에 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 이미지를 제2 이미지로 획득할 수 있다.

구체적으로, 창고에 설치된 CCTV는 제2 시점에 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 제2 이미지를 생성할 수 있고, 장치(400)는 CCTV로부터 제2 이미지를 획득할 수 있다. 여기서, 제2 시점은 제1 시점으로부터 제1 주기가 지난 후의 시점을 의미할 수 있다. 예를 들어, 제1 시점이 13시인데, 제1 주기가 5시간으로 설정되어 있는 경우, 제2 시점은 18시일 수 있다.

S1003 단계에서, 장치(400)는 제2 이미지를 인코딩 하여 제2 입력 신호를 생성할 수 있다.

S1004 단계에서, 장치(400)는 제2 입력 신호를 제2 인공 신경망에 입력할 수 있다.

S1005 단계에서, 장치(400)는 제2 인공 신경망의 입력의 대한 결과에 기초하여, 제2 인공 신경망의 출력값인 제2 출력 신호를 획득할 수 있다.

S1006 단계에서, 장치(400)는 제2 출력 신호를 기초로, 제2 시점에 보관되어 있는 제품의 종류 및 재고량을 분석할 수 있다. 즉, 장치(400)는 제2 시점에 창고에 보관되어 있는 제품의 종류가 어느 것인지 분석하고, 제품의 종류 별로 재고량이 몇 개인지 분석할 수 있다.

S1007 단계에서, 장치(400)는 제2 시점에 보관되어 있는 제품의 종류 및 재고량을 분석한 결과, 제2 시점에 보관되어 있는 제1 제품의 재고량을 제2 수량으로 확인할 수 있다.

S1008 단계에서, 장치(400)는 제1 수량 및 제2 수량이 동일한지 여부를 확인할 수 있다.

S1008 단계에서 제1 수량 및 제2 수량이 동일하지 않고 상이한 것으로 확인되면, S1009 단계에서, 장치(400)는 제2 수량을 통해 제1 제품에 대한 재고 정보를 갱신할 수 있고, 갱신된 제1 제품에 대한 재고 정보를 데이터베이스에 저장할 수 있다. 여기서, 갱신된 제1 제품에 대한 재고 정보는 제1 제품의 재고 현황이 제2 수량인 것을 나타내는 정보를 포함할 수 있다.

즉, 장치(400)는 제1 수량 및 제2 수량이 상이한 것으로 확인되어, 제1 시점과 제2 시점 간에 제1 제품의 재고량이 차이가 있는 것으로 확인되면, 제1 제품의 재고량을 제1 수량에서 제2 수량으로 변경하기 위해, 제2 수량을 통해 제1 제품에 대한 재고 정보를 갱신할 수 있다.

S1010 단계에서, 장치(400)는 제1 제품에 대한 재고 정보가 갱신되면, 갱신된 제1 제품에 대한 재고 정보를 이용하여 제5 블록을 갱신할 수 있다.

S1011 단계에서, 장치(400)는 갱신된 제5 블록을 제4 블록에 연결하여, 제5 블록을 블록체인(100) 상에 다시 등록할 수 있다.

도 11은 일실시예에 따른 제6 블록을 등록하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 11에 도시된 각 단계는 도 9에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

S1101 단계에서, 장치(400)는 제1 주기마다 제1 판매자의 창고에 보관되어 있는 제1 제품을 유통기한 별로 분류할 수 있다.

구체적으로, 장치(400)는 제1 판매자의 재고 정보를 기반으로, 제1 주기마다 제1 판매자의 창고에 보관되어 있는 제1 제품을 유통기한 별로 분류할 수 있다. 여기서, 제1 판매자의 재고 정보는 제1 판매자의 창고에 보관되어 있는 제품들 각각의 재고 현황을 포함할 수 있다.

장치(400)는 제1 판매자의 창고에 제품들이 새로 매입되거나, 제1 판매자의 창고에서 제품들이 판매되는 것을 추적하여, 제1 판매자의 재고 정보를 실시간으로 업데이트 할 수 있다. 이를 위해, 제1 판매자가 취급하는 제품에는 바코드가 부착되어 있어, 바코드의 인식을 통해 매입부터 판매까지 추적 관리될 수 있다.

즉, 장치(400)는 복수의 판매자들 각각에서 바코드의 인식을 통해 제품들의 매입부터 판매까지 추적 관리되면, 바코드의 인식을 통해 실시간으로 변화되는 제품들의 재고 현황을 판매자 별로 파악할 수 있으며, 판매자 별로 구분된 재고 정보를 데이터베이스에 저장하여 관리할 수 있다.

일실시예에 따르면, 재고 정보는 제품명, 유통기한, 재고량, 가격 등의 정보를 포함할 수 있으며, 동일한 제품이더라도 유통기한이 상이한 경우, 유통기한 별로 구분되어 관리될 수 있다. 이를 통해, 장치(400)는 제1 판매자의 재고 정보를 기반으로, 제1 제품을 유통기한 별로 구분하여 분류할 수 있다.

S1102 단계에서, 장치(400)는 제1 판매자의 창고에 보관되어 있는 제1 제품을 유통기한 별로 분류한 결과, 제1 제품 중에서 유통기한까지 남아있는 잔여 기간이 가장 짧은 제품들을 제1 그룹으로 분류할 수 있다.

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

S1103 단계에서, 장치(400)는 제1 그룹으로 분류된 제1 제품의 재고량을 제1 재고량으로 확인할 수 있다.

예를 들어, 장치(400)는 1월 20일이 유통기한인 10개의 제1 제품을 제1 그룹으로 분류한 경우, 제1 재고량을 10개로 확인할 수 있다.

S1104 단계에서, 장치(400)는 제1 재고량을 통해 제1 그룹에 대한 재고 정보를 생성할 수 있고, 제1 그룹에 대한 재고 정보를 데이터베이스에 저장할 수 있다. 여기서, 제1 그룹에 대한 재고 정보는 제1 그룹으로 분류된 제1 제품의 재고 현황이 제1 재고량인 것을 나타내는 정보를 포함할 수 있다.

S1105 단계에서, 장치(400)는 제1 그룹에 대한 재고 정보가 생성되면, 제1 그룹에 대한 재고 정보와 대응하는 제6 블록을 생성할 수 있다.

S1106 단계에서, 장치(400)는 제6 블록을 제5 블록에 연결하여 블록체인(100) 상에 등록할 수 있다.

도 12는 일실시예에 따른 제1 재고량이 판매되지 않고 남아있을 수 있는 확률을 예측하여, 제1 재고량에 대한 유통관리 상태를 설정하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 12에 도시된 각 단계는 도 11에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

S1201 단계에서, 장치(400)는 제1 그룹으로 분류된 제1 제품의 유통기한까지 남아있는 잔여 기간을 제1 기간으로 확인할 수 있다.

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

S1202 단계에서, 장치(400)는 제1 판매자의 판매 내역에 기초하여, 제1 제품의 일일 평균 판매량을 제1 판매량으로 확인할 수 있다. 여기서, 판매 내역은 판매자가 제품을 판매한 판매 내역이 누적된 정보로, 어느 시점에 어느 제품을 얼마나 많이 판매하였는지 나타내는 리스트로 구성될 수 있고, 제품명, 판매일, 판매량 등의 정보를 포함할 수 있다.

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

예를 들어, 제1 판매자의 판매 내역을 통해 제1 판매자가 제1 제품을 판매한 내역을 확인한 결과, 1월 1일에 18개, 1월 2일에 20개, 1월 3일에 22개 판매한 것이 확인되면, 장치(400)는 제1 제품의 일일 평균 판매량을 20개로 산출할 수 있고, 20개를 제1 판매량으로 확인할 수 있다.

S1203 단계에서, 장치(400)는 제1 재고량, 제1 기간 및 제1 판매량을 매칭하여 제1 매칭 결과를 생성할 수 있다.

S1204 단계에서, 장치(400)는 제1 재고량, 제1 기간 및 제1 판매량을 매칭한 제1 매칭 결과를 미리 학습된 제3 인공 신경망에 적용할 수 있다. 여기서, 제3 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 판매량을 매칭한 매칭 결과를 입력으로 받아, 유통기한이 경과될 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률을 출력하는 알고리즘일 수 있다.

즉, 제3 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 판매량을 고려하여, 유통기한이 경과할 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률을 예측하여 산정할 수 있다.

예를 들어, 제1 재고량, 제1 기간 및 제1 판매량을 매칭한 제1 매칭 결과가 (60개, 5일, 10개)인 경우, 제3 인공 신경망은 (60개, 5일, 10개)를 입력으로 받아, 5일이 경과한 후 60개의 재고량이 판매되지 않고 남아있을 수 있는 확률을 제1 발생률로 예측하여 산정할 수 있고, 제1 발생률을 지시하는 출력값을 출력할 수 있다.

S1205 단계에서, 장치(400)는 제3 인공 신경망의 출력을 기초로, 제1 기간이 경과할 때까지 제1 재고량이 판매되지 않고 남아있을 수 있는 확률을 제1 발생률로 예측할 수 있다.

일실시예에 따르면, 제3 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 판매량을 매칭한 매칭 결과를 통해, 유통기한이 경과할 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률이 얼마나 되는지 분석하여 출력할 수 있다. 제3 인공 신경망은 도 18을 참조하여 후술되는 방법을 통해 학습될 수 있다.

S1206 단계에서, 장치(400)는 제1 발생률이 제1 기준치 이상인지 여부를 확인할 수 있다. 여기서, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.

S1206 단계에서 제1 발생률이 제1 기준치 이상인 것으로 확인되면, S1207 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 판매되지 않고 남아있을 수 있는 확률이 매우 높은 것으로 판단하여, 제1 재고량에 대한 유통관리 상태를 경고 상태로 설정할 수 있다.

S1208 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 경고 상태로 설정된 경우, 제1 제품에 대한 할인을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 수 있다. 여기서, 알림 메시지는 할인가, 할인율, 할인 전 제품 가격, 할인 후 제품 가격 등에 대한 정보를 포함할 수 있다.

장치(400)는 제1 제품에 대한 할인을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 때, 어느 정도로 할인해야 하는지 제1 제품의 가격을 최적화하여, 최적화된 가격으로 할인을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 수 있으며, 이와 관련된 자세한 설명은 도 14를 참조하여 후술하기로 한다.

S1206 단계에서 제1 발생률이 제1 기준치 미만인 것으로 확인되면, S1209 단계에서, 장치(400)는 제1 발생률이 제2 기준치 이상인지 여부를 확인할 수 있다. 여기서, 제2 기준치는 제1 기준치 보다 작은 값으로 설정될 수 있다.

S1209 단계에서 제1 발생률이 제2 기준치 이상인 것으로 확인되면, S1210 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 판매되지 않고 남아있을 수 있는 확률이 어느 정도 있는 것으로 판단하여, 제1 재고량에 대한 유통관리 상태를 주의 상태로 설정할 수 있다.

S1211 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 주의 상태로 설정된 경우, 제1 제품에 대한 판촉을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 수 있다. 여기서, 알림 메시지는 지면 광고에 사용될 이미지, 온라인 광고에 사용될 영상 콘텐츠 등에 대한 정보를 포함할 수 있다.

S1209 단계에서 제1 발생률이 제2 기준치 미만인 것으로 확인되면, S1212 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 판매되지 않고 남아있을 수 있는 확률이 매우 낮은 것으로 판단하여, 제1 재고량에 대한 유통관리 상태를 정상 상태로 설정할 수 있다.

S1213 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 정상 상태로 설정된 경우, 제1 제품에 대한 매입을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 수 있다. 여기서, 알림 메시지는 매입량 등에 대한 정보를 포함할 수 있다.

장치(400)는 제1 제품에 대한 매입을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 때, 어느 정도로 매입해야 하는지 매입량을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 수 있으며, 이와 관련된 자세한 설명은 도 15를 참조하여 후술하기로 한다.

도 13은 일실시예에 따른 제7 블록을 등록하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 13에 도시된 각 단계는 도 12에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

S1301 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태가 설정된 것을 확인할 수 있다. 이때, 제1 재고량에 대한 유통관리 상태는 S1207 단계, S1210 단계 및 S1212 단계 중 어느 하나를 통해 설정될 수 있다.

S1302 단계에서, 장치(400)는 제1 재고량에 대한 유통관리 상태를 통해 제1 그룹에 대한 상태 정보를 생성할 수 있고, 제1 그룹에 대한 상태 정보를 데이터베이스에 저장할 수 있다. 여기서, 제1 그룹에 대한 상태 정보는 제1 그룹으로 분류된 제1 제품의 유통관리 상태가 어느 상태인지를 나타내는 정보를 포함할 수 있다.

S1303 단계에서, 장치(400)는 제1 그룹에 대한 상태 정보가 생성되면, 제1 그룹에 대한 상태 정보와 대응하는 제7 블록을 생성할 수 있다.

S1304 단계에서, 장치(400)는 제7 블록을 제6 블록에 연결하여 블록체인(100) 상에 등록할 수 있다.

도 14는 일실시예에 따른 재고량 및 유통기한에 따라 최적화된 가격으로 할인을 추천하는 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 14를 참조하면, 먼저, S1401 단계에서, 장치(400)는 제1 재고량이 제1 기준량 미만인지 여부를 확인할 수 있다. 여기서, 제1 기준량은 실시예에 따라 상이하게 설정될 수 있다.

S1401 단계에서 제1 재고량이 제1 기준량 미만인 것으로 확인되면, S1402 단계에서, 장치(400)는 제1 비율을 99%로 설정할 수 있다.

예를 들어, 제1 기준량이 10개인 경우, 장치(400)는 제1 재고량이 9개로 확인되면, 제1 비율을 99%로 설정할 수 있다.

S1401 단계에서 제1 재고량이 제1 기준량 이상인 것으로 확인되면, S1403 단계에서, 장치(400)는 제1 비율을 제1 재고량이 많을수록 99% 보다 더 낮은 값으로 설정할 수 있다.

예를 들어, 제1 기준량이 10개인 경우, 장치(400)는 제1 재고량이 10개로 확인되면, 제1 비율을 98%로 설정하고, 제1 재고량이 11개로 확인되면, 제1 비율을 97%로 설정하고, 제1 재고량이 12개로 확인되면, 제1 비율을 96%로 설정할 수 있다.

즉, 장치(400)는 제1 재고량이 일정 이상으로 많을수록, 재고 풍족으로 인한 가격 할인을 위해 더 낮은 값으로 제1 비율을 설정할 수 있다.

한편, S1404 단계에서, 장치(400)는 제1 기간이 기준 기간 보다 긴지 여부를 확인할 수 있다. 여기서, 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

S1404 단계에서 제1 기간이 기준 기간 보다 긴 것으로 확인되면, S1405 단계에서, 장치(400)는 제2 비율을 99%로 설정할 수 있다.

예를 들어, 기준 기간이 5일인 경우, 장치(400)는 제1 기간이 6일로 확인되면, 제2 비율을 99%로 설정할 수 있다.

S1404 단계에서 제1 기간이 기준 기간 보다 길지 않은 것으로 확인되면, S1406 단계에서, 장치(400)는 제2 비율을 제1 기간이 짧을수록 99% 보다 더 낮은 값으로 설정할 수 있다.

예를 들어, 기준 기간이 5일인 경우, 장치(400)는 제1 기간이 5일로 확인되면, 제2 비율을 98%로 설정하고, 제1 기간이 4일로 확인되면, 제2 비율을 97%로 설정하고, 제1 기간이 3일로 확인되면, 제2 비율을 96%로 설정할 수 있다.

즉, 장치(400)는 제1 기간이 일정 이하로 짧을수록, 유통기한 임박으로 인한 가격 할인을 위해 더 낮은 값으로 제2 비율을 설정할 수 있다.

S1407 단계에서, 장치(400)는 제1 판매자의 재고 정보를 기반으로, 제1 제품의 가격이 제1 가격으로 설정되어 있는 것을 확인할 수 있다. 이때, 제1 가격은 할인 전 제1 제품의 가격을 의미할 수 있다. 제1 가격은 제1 제품을 공급하는 공급사에 의해 자동으로 설정되거나, 제1 판매자의 관리자에 의해 수동으로 설정될 수 있다.

S1408 단계에서, 장치(400)는 제1 제품의 가격이 제1 가격으로 설정되어 있는 경우, 제1 가격, 제1 비율 및 제2 비율을 곱한 값으로 제2 가격을 산출할 수 있다. 이때, 제2 가격은 할인 후 제1 제품의 가격을 의미할 수 있다.

예를 들어, 제1 가격이 10000원인 경우, 장치(400)는 제1 비율이 95%로 설정되고 제2 비율이 90%로 설정되면, “X 0.95 X 0.90”을 통해, 제2 가격을 8550원으로 산출할 수 있다.

S1409 단계에서, 장치(400)는 제1 제품의 가격을 제1 가격에서 제2 가격으로 변경하여, 제1 제품에 대한 할인을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 수 있다. 여기서, 알림 메시지는 제1 가격, 제2 가격, 제1 가격 및 제2 가격의 비교를 통해 산출된 할인가, 할인율 등에 대한 정보를 포함할 수 있다.

도 15는 일실시예에 따른 재고량 및 유통기한에 따라 최적화된 매입량을 추천하는 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 15를 참조하면, 먼저, S1501 단계에서, 장치(400)는 제1 제품 중에서 유통기한까지 남아있는 잔여 기간이 제1 그룹 다음으로 짧은 제품들을 제2 그룹으로 분류할 수 있다.

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

S1502 단계에서, 장치(400)는 제2 그룹으로 분류된 제1 제품의 재고량을 제2 재고량으로 확인하고, 제2 그룹으로 분류된 제1 제품의 유통기한까지 남아있는 잔여 기간을 제2 기간으로 확인할 수 있다.

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

S1503 단계에서, 장치(400)는 제1 재고량 및 제2 재고량을 더한 값에서, 제1 판매량 및 제2 기간의 일수를 곱한 값을 차감하여, 제1 제품의 예상 재고량을 산출할 수 있다.

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

S1504 단계에서, 장치(400)는 제1 제품의 예상 재고량이 제1 제품의 기준 재고량 보다 적은지 여부를 확인할 수 있다. 여기서, 제1 제품의 기준 재고량은 실시예에 따라 상이하게 설정될 수 있다.

S1504 단계에서 제1 제품의 예상 재고량이 제1 제품의 기준 재고량 보다 적은 것으로 확인되면, S1505 단계에서, 장치(400)는 제1 제품의 기준 재고량에서 제1 제품의 예상 재고량을 차감한 값으로, 제1 매입량을 산출할 수 있다.

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

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

S1506 단계에서, 장치(400)는 제1 매입량에 대한 매입을 추천하는 알림 메시지를 제1 판매자 단말(210)로 전송할 수 있다. 여기서, 알림 메시지는 제1 제품의 예상 재고량, 제1 제품의 기준 재고량, 제1 매입량, 제1 제품의 예상 재고량과 제1 매입량을 합산한 매입 후 예상 재고량 등에 대한 정보를 포함할 수 있다.

도 16은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.

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

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

먼저, S1601 단계에서, 학습 장치는 제품의 매입 패턴에 대한 분석 결과를 기초로 입력을 생성할 수 있다.

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

S1602 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 제품의 매입 패턴이 일정 이상 간격으로 매입이 이루어지면, 재고 업데이트 주기를 길게 선정할수록 보상값이 높아질 수 있고, 제2 보상은 제품의 매입 패턴이 일정 미만 간격으로 매입이 이루어지면, 재고 업데이트 주기를 짧게 선정할수록 보상값이 높아질 수 있다.

S1603 단계에서, 학습 장치는 제1 인공 신경망으로부터 출력을 획득할 수 있다. 제1 인공 신경망의 출력은 제품의 매입 패턴에 적합한 재고 업데이트 주기에 대한 정보를 포함할 수 있다. 이때, 제1 인공 신경망은 제품의 매입 패턴에 대한 분석을 통해, 제품의 매입 패턴에 적합한 재고 업데이트 주기를 선정하여, 선정된 재고 업데이트 주기에 대한 정보를 출력할 수 있다.

S1604 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 제품의 매입 패턴이 일정 이상 간격으로 매입이 이루어진 경우, 재고 업데이트 주기를 길게 선정할수록 제1 보상을 많이 수여하고, 제품의 매입 패턴이 일정 미만 간격으로 매입이 이루어진 경우, 재고 업데이트 주기를 짧게 선정할수록 제2 보상을 많이 수여할 수 있다.

S1605 단계에서, 학습 장치는 평가를 기초로 제1 인공 신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 제1 인공 신경망이 제품의 매입 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 제품의 매입 패턴에 대한 분석 결과를 통해, 제1 제품의 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, 제품의 재고 업데이트 주기의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제1 인공 신경망에 적용하여, 제1 제품의 매입 패턴과 유사한 매입 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 제품의 매입 패턴에 대한 분석 결과를 통해, 제품의 매입 패턴에 적합한 재고 업데이트 주기를 출력하는 제1 인공 신경망을 학습시킬 수 있다.

즉, 학습 장치는 제품의 매입 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 17은 일실시예에 따른 제2 인공 신경망을 설명하기 위한 도면이다.

일실시예에 따르면, 장치(400)는 판매자의 창고에 보관되어 있는 제품의 촬영으로 생성된 이미지를 인코딩 하여 제1 입력 신호를 생성할 수 있으며, 제2 인공 신경망(1701)은 제1 입력 신호를 입력으로 하고, 제품의 종류(1702) 및 제품의 재고량(1703)을 출력으로 할 수 있다.

일실시예에 따른 인코딩은 이미지의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장하는 방식으로 이뤄질 수 있는데, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 제2 인공 신경망(1701)은 컨볼루션 신경망으로 구현되어, 제2 인공 신경망(1701)은 특징 추출 신경망(1710)과 분류 신경망(1720)으로 구성될 수 있으며, 특징 추출 신경망(1710)은 제품을 찍은 이미지에서 제품과 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(1720)은 그로부터 제품을 종류별로 분류하고, 제품의 종류별로 각각의 재고량을 파악하는 작업을 수행하도록 할 수 있다. 특징 추출 신경망(1710)이 제품과 배경과 구분하는 방법은, 이미지를 인코딩한 제1 입력 신호의 데이터 시트로부터 색 정보의 각 값들의 변화가 한 픽셀을 포함하는 8개의 픽셀 중 6개 이상에서 30% 이상의 변화가 생긴 것으로 감지되는 픽셀들의 묶음을 제품과 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 특징 추출 신경망(1710)은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 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. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.

일실시예에 따른 분류 신경망(1720)은 특징 추출 신경망(1710)을 통해 배경으로부터 구분된 제품을 그 형태 및 연속성에 따라 종류를 구분하고, 제품의 재고량(1703)을 종류별로 파악할 수 있다. 제품의 비교를 위해 데이터베이스에 저장된 정보들을 활용할 수 있다. 분류 신경망(1720)은 제품의 종류(1702)를 파악하는 작업을 우선으로 하며, 파악된 제품의 형태 및 크기에 따라 제품의 재고량(1703) 파악을 용이하도록 할 수 있다.

일실시예에 따르면, 분류 신경망(1720)은 은닉층과 출력층을 가지고 있다. 장치(400) 내의 제2 인공 신경망(1701)에서는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 80개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 인공 신경망(1701)의 출력층 노드는 총 50개로 할 수 있다.

일실시예에 따른 제2 인공 신경망(1701)의 출력은 출력층의 50개 노드 중 상위 25개의 노드는 제품의 종류(1702)를 지시할 수 있고, 하위 25개의 노드는 상위 노드에 각각 대응하는 제품의 재고량(1703)을 지시할 수 있다. 상위 25개의 노드와 하위 25개의 노드를 대응시키는 방식은 상위 n번 째 노드와 하위 n번 째 노드를 대응시키는 방식으로, 전체에서 n번 째 노드가 전체에서 25+n번 째 노드에 대응하는 방식으로 진행될 수 있다. 예를 들어, 1번 째 노드는 26번 째 노드에 대응하며, 2번 째 노드는 27번 째 노드에, 10번 째 노드는 35번 째 노드에, 25번 재 노드는 50번 째 노드에 대응하는 방식으로 진행될 수 있다. 제품의 종류(1702)는 제품에 대응하는 코드 정보로 출력될 수 있으나, 이에 국한하지 않는다. 제2 인공 신경망(1701)의 50개의 출력층 노드 중 출력값이 없는 출력층 노드는 숫자 “0”을 그 출력값으로 출력할 수 있다. 상위 25개의 노드 중에 이 숫자 “0”이 포함되는 노드들은 해당하는 제품이 없는 것으로 간주될 수 있다. 만약 분류된 제품의 종류가 25개 이상일 경우, 남은 제품은 미리 생성한 출력값이 모두 처리된 후 이어서 자동으로 처리될 수 있다.

일실시예에 따르면, 제2 인공 신경망(1701)은 사용자가 제2 인공 신경망(1701)에 따른 제품 파악의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 제1 학습 신호를 전달받아 학습할 수 있다. 제2 인공 신경망(1701)에 따른 제품 파악의 문제점은 제품의 종류(1702) 및 제품의 재고량(1703)에 문제가 있는 경우를 의미할 수 있다.

일실시예에 따른 제1 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 제1 학습 신호에 의해 제2 인공 신경망(1701)은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.

도 18은 일실시예에 따른 제3 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제3 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 판매량을 매칭한 매칭 결과를 입력으로 받아, 유통기한이 경과될 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률을 출력하는 알고리즘일 수 있다.

제3 인공 신경망의 학습이 이루어지는 학습 장치는 학습된 제3 인공 신경망을 이용하여 유통기한이 경과될 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률을 분석하는 장치(400)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제3 인공 신경망이 학습되는 과정을 설명한다.

먼저, S1801 단계에서, 학습 장치는 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 판매량을 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 판매량을 매칭한 매칭 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 제3 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S1802 단계에서, 학습 장치는 제3 인공 신경망에 입력을 적용할 수 있다. 제3 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제3 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 제3 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제3 보상은 재고량이 많을수록 유통기한이 경과될 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있고, 제4 보상은 유통기한까지 남아있는 잔여 기간이 짧을수록 유통기한이 경과될 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있고, 제5 보상은 일일 평균 판매량이 적을수록 유통기한이 경과될 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있다.

S1803 단계에서, 학습 장치는 제3 인공 신경망으로부터 출력을 획득할 수 있다. 제3 인공 신경망의 출력은, 유통기한이 경과할 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률에 대한 정보일 수 있다. 이때, 제3 인공 신경망은 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 판매량을 고려하여, 유통기한이 경과할 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률을 분석하고, 유통기한이 경과할 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률에 대한 정보를 출력할 수 있다.

S1804 단계에서, 학습 장치는 제3 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 판매되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제3 보상을 많이 수여하고, 유통기한까지 남아있는 잔여 기간이 짧을수록 유통기한이 경과될 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제4 보상을 많이 수여하고, 일일 평균 판매량이 적을수록 유통기한이 경과될 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제5 보상을 많이 수여할 수 있다.

S1805 단계에서, 학습 장치는 평가를 기초로 제3 인공 신경망을 갱신할 수 있다.

구체적으로, 학습 장치는 제3 인공 신경망이, 유통기한이 경과할 때까지 재고량이 판매되지 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 제3 인공 신경망을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 재고량, 제1 기간 및 제1 판매량을 매칭한 제1 매칭 결과를 통해, 제1 기간이 경과할 때까지 상기 제1 재고량이 판매되지 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 판매되지 않고 남아있을 수 있는 확률의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제2 학습 데이터를 생성하고, 제2 학습 데이터를 제3 인공 신경망에 적용하여, 제1 재고량, 제1 기간 및 제1 판매량을 매칭한 제1 매칭 결과와 유사한 매칭 결과를 입력으로 하는 경우, 제1 발생률과 유사한 확률을 선정하도록, 제3 인공 신경망을 학습시키는 과정을 통해, 제3 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 제3 인공 신경망의 학습 과정을 반복함으로써, 제3 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 재고량, 유통기한까지 남아있는 잔여 기간 및 일일 평균 판매량을 고려하여, 유통기한이 경과할 때까지 재고량이 판매되지 않고 남아있을 수 있는 확률을 출력하는 제3 인공 신경망을 학습시킬 수 있다.

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

도 19는 일실시예에 따른 장치의 구성에 대한 예시도이다.

일실시예에 따르면, 장치(400)는 프로세서(410) 및 메모리(420)를 포함한다. 프로세서(410)는 도 1 내지 도 18을 참조하여 전술된 적어도 하나의 장치(400)들을 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 전술된 방법들을 구현하는 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, 블록체인을 기반으로 매출채권 거래 플랫폼 서비스를 제공하는 방법에 있어서,
   제1 판매자가 판매하는 제1 제품에 대한 매출채권인 제1 매출채권의 금액을 산출하는 단계;
   상기 제1 매출채권의 금액이 미리 정해진 계약 조건을 충족한 경우, 스마트 계약을 통해 상기 제1 매출채권에 대한 거래 계약을 자동으로 체결하고, 상기 제1 매출채권에 대한 계약 정보와 대응하는 제1 블록을 생성하고, 상기 제1 블록을 블록체인 상에 등록하는 단계;
   상기 제1 매출채권에 대한 거래 계약으로 상기 제1 매출채권을 이용한 금융상품인 제1 금융상품이 출시된 경우, 상기 제1 금융상품에 대한 가입 정보와 대응하는 제2 블록을 생성하고, 상기 제2 블록을 상기 제1 블록에 연결하여 상기 블록체인 상에 등록하는 단계;
   상기 제1 매출채권에 대한 거래 계약으로 상기 제1 매출채권의 금액 내에서 상기 제1 판매자에게 선정산이 실행된 경우, 상기 제1 매출채권에 대한 정산 정보와 대응하는 제3 블록을 생성하고, 상기 제3 블록을 상기 제2 블록에 연결하여 상기 블록체인 상에 등록하는 단계;
   상기 제1 제품의 생산, 출고 및 배송으로 상기 제1 제품의 물류 상태가 변경된 경우, 상기 제1 제품에 대한 물류 정보와 대응하는 제4 블록을 생성하고, 상기 제4 블록을 상기 제3 블록에 연결하여 상기 블록체인 상에 등록하는 단계; 및
   상기 제1 제품의 매입 및 판매로 상기 제1 제품의 재고 상태가 변경된 경우, 상기 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성하고, 상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계를 포함하고,
   상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계는,
   상기 제1 판매자의 매입 내역에 기초하여, 상기 제1 판매자가 상기 제1 제품을 매입하는 매입 패턴을 분석하는 단계;
   상기 제1 제품의 매입 패턴에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 제품의 재고 업데이트 주기인 제1 주기를 설정하는 단계;
   상기 제1 주기마다 상기 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 이미지를 획득하는 단계;
   제1 시점에 상기 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 제1 이미지가 획득되면, 상기 제1 이미지를 인코딩 하여 제1 입력 신호를 생성하는 단계;
   상기 제1 입력 신호를 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계;
   상기 제1 출력 신호를 기초로, 상기 제1 시점에 보관되어 있는 제품의 종류 및 재고량을 분석하는 단계;
   상기 제1 시점에 보관되어 있는 상기 제1 제품의 재고량이 제1 수량으로 확인되면, 상기 제1 수량을 통해 상기 제1 제품에 대한 재고 정보를 생성하고, 상기 제1 제품에 대한 재고 정보와 대응하는 제5 블록을 생성하고, 상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계;
   상기 제1 시점 이후인 제2 시점에 상기 제1 판매자의 창고에 보관되어 있는 제품을 촬영하여 생성된 제2 이미지가 획득되면, 상기 제2 이미지를 인코딩 하여 제2 입력 신호를 생성하는 단계;
   상기 제2 입력 신호를 상기 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계;
   상기 제2 출력 신호를 기초로, 상기 제2 시점에 보관되어 있는 제품의 종류 및 재고량을 분석하는 단계;
   상기 제2 시점에 보관되어 있는 상기 제1 제품의 재고량이 제2 수량으로 확인되면, 상기 제1 수량 및 상기 제2 수량이 동일한지 여부를 확인하는 단계;
   상기 제1 수량 및 상기 제2 수량이 상이한 것으로 확인되어, 상기 제1 시점과 상기 제2 시점 간에 상기 제1 제품의 재고량이 차이가 있는 것으로 확인되면, 상기 제2 수량을 통해 상기 제1 제품에 대한 재고 정보를 갱신하는 단계; 및
   상기 제1 제품에 대한 재고 정보가 갱신되면, 상기 제5 블록을 갱신하고, 상기 갱신된 제5 블록을 상기 제4 블록에 연결하여, 상기 제5 블록을 상기 블록체인 상에 다시 등록하는 단계를 포함하고,
   상기 제5 블록을 상기 제4 블록에 연결하여 상기 블록체인 상에 등록하는 단계 이후,
   상기 제1 주기마다 상기 제1 판매자의 창고에 보관되어 있는 상기 제1 제품을 유통기한 별로 분류하여, 상기 제1 제품 중에서 유통기한까지 남아있는 잔여 기간이 가장 짧은 제품들을 제1 그룹으로 분류하는 단계;
   상기 제1 그룹으로 분류된 상기 제1 제품의 재고량을 제1 재고량으로 확인하고, 상기 제1 재고량을 통해 상기 제1 그룹에 대한 재고 정보를 생성하고, 상기 제1 그룹에 대한 재고 정보와 대응하는 제6 블록을 생성하고, 상기 제6 블록을 상기 제5 블록에 연결하여 상기 블록체인 상에 등록하는 단계;
   상기 제1 그룹으로 분류된 상기 제1 제품의 유통기한까지 남아있는 잔여 기간을 제1 기간으로 확인하는 단계;
   상기 제1 판매자의 판매 내역에 기초하여, 상기 제1 제품의 일일 평균 판매량을 제1 판매량으로 확인하는 단계;
   상기 제1 재고량, 상기 제1 기간 및 상기 제1 판매량을 매칭하여 제1 매칭 결과를 생성하는 단계;
   상기 제1 매칭 결과를 제3 인공 신경망에 적용하여, 상기 제3 인공 신경망의 출력을 기초로, 상기 제1 기간이 경과할 때까지 상기 제1 재고량이 판매되지 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 제품에 대한 할인을 추천하는 알림 메시지를 제1 판매자 단말로 전송하는 단계;
   상기 제1 재고량에 대한 유통관리 상태가 주의 상태로 설정된 경우, 상기 제1 제품에 대한 판촉을 추천하는 알림 메시지를 상기 제1 판매자 단말로 전송하는 단계;
   상기 제1 재고량에 대한 유통관리 상태가 정상 상태로 설정된 경우, 상기 제1 제품에 대한 매입을 추천하는 알림 메시지를 상기 제1 판매자 단말로 전송하는 단계; 및
   상기 제1 재고량에 대한 유통관리 상태가 설정된 것으로 확인되면, 상기 제1 재고량에 대한 유통관리 상태를 통해 상기 제1 그룹에 대한 상태 정보를 생성하고, 상기 제1 그룹에 대한 상태 정보와 대응하는 제7 블록을 생성하고, 상기 제7 블록을 상기 제6 블록에 연결하여 상기 블록체인 상에 등록하는 단계를 더 포함하는,
   블록체인 기반 매출채권 거래 플랫폼 서비스 제공 방법.
2. 삭제
3. 삭제

Images