KR102546871B1

KR102546871B1 - 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템

Info

Publication number: KR102546871B1
Application number: KR1020230049767A
Authority: KR
Inventors: 김석운
Original assignee: 뉴통 주식회사
Priority date: 2023-04-17
Filing date: 2023-04-17
Publication date: 2023-06-23

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능 모델 기반 B2B 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법에 있어서, 제1 가맹점의 자재 주문 내역에서 제1 자재의 주문 내역을 추출하는 단계; 상기 제1 자재의 주문 내역을 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델의 입력에 대한 출력으로, 상기 제1 가맹점에서 상기 제1 자재를 주문하는 주문 패턴인 제1 주문 패턴을 설정하는 단계; 상기 제1 주문 패턴에 기초하여, 상기 제1 자재에 대한 예상 주문일 및 예상 주문량을 예측하는 단계; 현재 시점이 제1 시점으로 확인되면, 상기 제1 시점으로부터 상기 예상 주문일까지 남아있는 잔여 기간을 제1 잔여 기간으로 확인하는 단계; 및 상기 제1 잔여 기간이 미리 설정된 제1 기준 기간 보다 짧은 것으로 확인되면, 상기 예상 주문량에 대한 상기 제1 자재의 주문을 추천하는 알림 메시지를 제1 가맹점 단말로 전송하는 단계를 포함하는, 인공지능 모델 기반 B2B 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법이 제공된다.

Description

인공지능 모델 기반 B2B 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR RECOMMENDING ORDER INFORMATION THROUGH PATTERN ANALYSIS OF ORDER HISTORY REGARDING DISTRIBUSTION OF FOOD MATERIALS AND SUBSIDIARY MATERIALS FOR BUSINESS TO BUSINESS BASED ON ARTIFICIAL INTELLIGENCE MODEL}

아래 실시예들은 인공지능 모델을 기반으로 B2B 전용으로 식자재 및 부자재의 유통에 대한 주문 히스토리의 패턴 분석을 통해 주문 정보를 추천하기 위한 기술에 관한 것이다.

식자재는 음식을 만드는데 사용하는 재료를 통틀어 이르는 말로, 식자재를 유통하는 일은 신선식품에서 가공식품, 주방기구까지 모든 식자재를 생산자로부터 최종 소비자에게 제공하는 것이다.

식자재 유통 시장은 최종 소비자에 따라 기업용인 B2B와 가정용인 B2C로 구분될 수 있다.

B2B 유통 시장은 외식, 단체급식, 식품 제조 업체 등에 식자재를 공급하는 채널이 있다.

기업형 식자재 유통 물류 서비스는 매년 높은 성장률을 보이고 있으며, 식자재 유통 물류 산업의 성장에는 프랜차이즈 산업의 성장이 절대적으로 기여하였으며, 외식 프랜차이즈 산업은 계속 증가하는 추세이다.

하지만, B2B 전문 식자재 유통물류 서비스의 수요 대비 공급 기업이 부족한 상태이고, 외식 프랜차이즈 산업의 지속적인 성장에 따라 중소형 프랜차이즈 기업들의 유통물류 서비스를 제공하는 기업의 부족 현상이 심화되고 있다.

특히, 중소형 프랜차이즈를 운영하는 업체들은 식자재 수급에 따른 어려움을 겪고 있고 있으며, 식자재 거래와 같은 분야에서는 전자상거래의 확산이 충분히 이루어지지 못하고 있다.

이에 따라, 식자재 유통물류 서비스에 대한 니즈가 증가하고 있으며, 식자재를 주문하는데 있어 주문 필요를 자동으로 알려주는 서비스에 대한 요구가 증대되고 있다.

따라서, 식자재 뿐만 아니라 부자재까지 주문 패턴을 분석하여 주문을 추천할 수 있는 기술의 구현이 요구되고 있다.

한국등록특허 제10-2082551호 한국등록특허 제10-1975750호 한국공개특허 제10-2022-0073653호 한국공개특허 제10-2020-0104592호

일실시예에 따르면, 인공지능 모델을 기반으로 B2B 전용으로 식자재 및 부자재의 유통에 대한 주문 히스토리의 패턴 분석을 통해 주문 정보를 추천하는 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.

상기 제1 인공지능 모델은, 상기 제1 자재의 주문 내역에서 제1 기간 동안의 주문 내역을 제1 주문 내역으로 추출하고, 상기 제1 기간 이전인 제2 기간 동안의 주문 내역을 제2 주문 내역으로 추출하고, 상기 제1 주문 내역에 기초하여, 상기 제1 기간 동안 상기 제1 자재에 대한 주문 패턴을 분석한 결과를 제1 분석 결과로 생성하고, 상기 제2 주문 내역에 기초하여, 상기 제2 기간 동안 상기 제1 자재에 대한 주문 패턴을 분석한 결과를 제2 분석 결과로 생성하고, 상기 제1 기간이 최근 기간일수록 더 높은 값으로 제1 가중치를 설정하고, 상기 제2 기간이 최근 기간일수록 더 높은 값으로 제2 가중치를 설정하고, 상기 제1 분석 결과에 상기 제1 가중치를 적용하고, 상기 제2 분석 결과에 상기 제2 가중치를 적용하고, 상기 제1 시점을 통해 제1 계절을 위한 주문이 필요한 것으로 판단되면, 상기 제1 자재의 주문 내역에서 상기 제1 계절 동안의 주문 내역을 제3 주문 내역으로 추출하고, 상기 제3 주문 내역에 기초하여, 상기 제1 계절 동안 상기 제1 자재에 대한 주문 패턴을 분석한 결과를 제3 분석 결과로 생성하고, 상기 제1 시점으로부터 상기 제1 계절의 시작 시점까지 남아있는 잔여 기간을 제2 잔여 기간으로 확인하고, 상기 제2 잔여 기간이 짧을수록 더 높은 값으로 제3 가중치를 설정하고, 상기 제3 분석 결과에 상기 제3 가중치를 적용하고, 상기 제1 가중치가 적용된 제1 분석 결과, 상기 제2 가중치가 적용된 제2 분석 결과 및 상기 제3 가중치가 적용된 제3 분석 결과를 기반으로, 제4 분석 결과를 생성하고, 상기 제4 분석 결과를 출력할 수 있다.

상기 인공지능 모델 기반 B2B 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법은, 상기 제1 자재에 대한 예상 주문일 및 예상 주문량을 예측하는 단계 이후, 상기 제1 가맹점 단말로부터 자재 주문 요청이 수신되면, 제1 가맹점의 자재 주문 내역을 기반으로, 상기 제1 가맹점에서 가장 최근에 주문한 자재들의 주문량을 각각 확인하는 단계; 상기 제1 가맹점에서 가장 최근에 주문한 자재들의 주문량을 기본값으로 설정하여 자재 주문 페이지를 생성하고, 상기 자재 주문 페이지를 상기 제1 가맹점 단말로 제공하는 단계; 상기 제1 가맹점 단말로부터 상기 제1 자재를 제1 주문량 주문하는 주문 요청이 수신되면, 상기 제1 주문량에 대한 주문 요청이 수신된 시점을 제2 시점으로 확인하는 단계; 상기 제2 시점과 상기 예상 주문일 간의 차이를 차이 기간으로 산출하고, 상기 제1 주문량과 상기 예상 주문량 간의 차이를 차이 주문량으로 산출하는 단계; 상기 차이 기간이 미리 설정된 제2 기준 기간 보다 짧은 것으로 확인되고, 상기 차이 주문량이 미리 설정된 기준 주문량 보다 적은 것으로 확인되면, 상기 제2 시점에 요청된 상기 제1 주문량에 대한 주문 요청에 문제가 없는 것으로 판단하는 단계; 상기 차이 기간이 상기 제2 기준 기간 보다 긴 것으로 확인되거나, 상기 차이 주문량이 상기 기준 주문량 보다 많은 것으로 확인되면, 상기 제2 시점에 요청된 상기 제1 주문량에 대한 주문 요청에 문제가 있는 것으로 판단하는 단계; 및 상기 제2 시점에 요청된 상기 제1 주문량에 대한 주문 요청에 문제가 있는 것으로 판단되면, 상기 제1 주문량에 대한 주문 확인이 필요한 것을 안내하는 알림 메시지를 상기 제1 가맹점 단말로 전송하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 식자재 및 부자재의 유통에 대한 주문 히스토리의 패턴 분석을 통해 주문 정보를 추천함으로써, 주문 필요 시점을 파악하여 식자재 및 부자재의 재고를 용이하게 관리하는데 도움을 줄 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 인공지능 모델을 기반으로 B2B 식자재 및 부자재의 유통의 주문 히스토리에 대한 분석을 통해 주문 정보를 추천하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 최근 데이터 및 계절 변수를 고려하여 주문 패턴을 분석하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 원클릭 주문을 위한 자재 주문 페이지를 제공하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 오발주 및 과발주에 대한 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 자재의 재고량이 소진되지 않고 남아있을 수 있는 확률을 예측하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 것이라 예측되는 확률에 따라 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 자재의 재고를 관리하는 과정을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 자재의 재고 중량을 산출하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 자재의 보정 중량을 산출하는 과정을 설명하기 위한 순서도이다.
도 11은 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 시스템은 통신망을 통해 서로 통신 가능한 복수의 가맹점 단말(100) 및 장치(200)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.

복수의 가맹점 단말(100) 각각은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰, POS 단말 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.

복수의 가맹점 단말(100)은 매장을 운영하는 가맹점에서 사용하는 단말로, 제1 가맹점에서 사용하는 제1 가맹점 단말(110), 제2 가맹점에서 사용하는 제2 가맹점 단말(120) 등을 포함할 수 있다.

이하에서는 설명의 편의상, 제1 가맹점 단말(110)의 동작을 위주로 설명하지만, 제2 가맹점 단말(120) 등의 다른 가맹점 단말에서 제1 가맹점 단말(110)의 동작을 대신 수행할 수 있는 것은 물론이다.

복수의 가맹점 단말(100) 각각은 장치(200)에서 제공하는 웹 페이지, 애플리케이션 등을 통해 장치(200)로 접속할 수 있다. 이를 위해, 복수의 가맹점 단말(100) 각각에는 가맹점 운영을 위해 다양한 서비스를 제공하는 애플리케이션이 설치될 수 있다. 해당 애플리케이션은 장치(200)와 연동하여 동작할 수 있다.

장치(200)는 장치(200)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(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 추론 기능을 수행하는 적어도 하나 이상의 인공지능 모델을 구비할 수 있다.

장치(200)는 복수의 가맹점 단말(100)과 유무선으로 통신하도록 구성될 수 있으며, 복수의 가맹점 단말(100) 각각의 동작을 제어하고, 복수의 가맹점 단말(100) 각각의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.

장치(200)는 가맹점 운영을 위한 재고 관리, 주문 처리 등의 다양한 서비스를 제공하는 서버로 구현되어, 가맹점 운영을 위한 플랫폼 서비스를 제공할 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 가맹점 단말(100) 중 제1 가맹점 단말(110) 및 제2 가맹점 단말(120)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

장치(200)는 식자재 및 부자재의 유통의 주문 히스토리에 대한 패턴을 분석하고, 분석 결과를 통해 주문 정보를 추천할 수 있다. 여기서, 식자재는 음식을 만드는데 사용되는 재료로, 예를 들면, 소스, 야채, 고기 등을 포함할 수 있고, 부자재는 매장을 운영하는데 사용되는 재료로, 예를 들면, 휴지, 수저, 앞치마 등을 포함할 수 있다. 주문 정보의 추천은 식자재 또는 부자재를 얼마나 많이 주문해야 하는지에 대해 추천하는 알림 메시지의 형태로 제공될 수 있다. 이와 관련된 자세한 설명은 도 2를 참조하여 후술하기로 한다.

장치(200)는 식자재 및 부자재의 유통의 주문 히스토리에 대한 패턴을 분석하기 위해, 제1 인공지능 모델을 기반으로 가맹점에서 식자재 또는 부자재를 주문하는 주문 패턴을 설정할 수 있다. 이를 위해, 인공지능 모델은 매장별 주문 내역, 품목, 주문량, 사용량, 주문 시점, 판매 데이터 등을 통해 학습되어 있는 상태이다.

제1 인공지능 모델은 식자재 또는 부자재의 주문 패턴을 분석하는 과정에서, 최근 데이터와 계절 변수를 고려하여, 주문 패턴을 분석할 수 있다. 예를 들어, 제1 인공지능 모델은 최근 3개월 이내의 주문 내역에 더 높은 가중치를 부여하여 주문 패턴을 분석하거나, 여름이 다가오는 시점인 경우 작년 여름의 주문 내역에 더 높은 가중치를 부여하여 주문 패턴을 분석할 수 있다. 이와 관련된 자세한 설명은 도 3을 참조하여 후술하기로 한다.

장치(200)는 정기적으로 동일한 주문이 이루어지는 경우, 동일한 주문에 대해 원클릭으로 주문이 가능하도록, 지난 주문에 대한 품목과 주문량이 기본적으로 설정되어 있는 주문 페이지를 제공하여, 주문 작업을 간소화시켜 편의성을 증대시킬 수 있다. 이와 관련된 자세한 설명은 도 4를 참조하여 후술하기로 한다.

장치(200)는 주문 패턴을 분석한 결과를 이용하여, 주문 패턴과 차이가 큰 주문이 요청된 경우, 데이터 분석을 통해 오발주 또는 과발주인지 확인하고, 오발주 또는 과발주로 확인되면, 알림 메시지를 전송하여 오발주와 과발주를 방지할 수 있다. 이와 관련된 자세한 설명은 도 5를 참조하여 후술하기로 한다.

장치(200)는 제2 인공지능 모델을 기반으로 가맹점에서 보관되고 있는 식자재 또는 부자재의 재고량이 소진되지 않고 남아있을 수 있는 확률을 예측할 수 있다. 이와 관련된 자세한 설명은 도 6을 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 2는 일실시예에 따른 인공지능 모델을 기반으로 B2B 식자재 및 부자재의 유통의 주문 히스토리에 대한 분석을 통해 주문 정보를 추천하는 과정을 설명하기 위한 순서도이다.

도 2를 참조하면, 먼저, S201 단계에서, 장치(200)는 제1 가맹점의 주문 내역에서 제1 자재의 주문 내역을 추출할 수 있다. 여기서, 주문 내역은 가맹점에서 식자재 및 부자재를 주문한 주문 내역이 누적된 정보로, 어느 시점에 어느 식자재 또는 어느 부자재를 얼마나 많이 주문하였는지 나타내는 리스트로 구성될 수 있고, 자재명, 주문일, 주문량 등의 정보를 포함할 수 있다.

장치(200)의 데이터베이스에는 가맹점 별로 구분되어 있는 주문 내역이 저장되어 있으며, 장치(200)는 데이터베이스에 저장된 정보를 조회하여 제1 가맹점의 주문 내역을 획득할 수 있고, 제1 가맹점의 주문 내역에서 제1 자재가 주문된 내역을 확인하여, 제1 자재가 주문된 내역만 제1 자재의 주문 내역으로 추출할 수 있다. 여기서, 제1 자재는 식자재 중 어느 하나일 수 있고, 부자재 중 어느 하나일 수도 있다.

S202 단계에서, 장치(200)는 제1 자재의 주문 내역을 장치(200) 내에서 미리 학습된 제1 인공지능 모델에 입력할 수 있다.

일실시예에 따르면, 제1 인공지능 모델은 자재의 주문 내역을 입력 받은 후, 자재의 주문 패턴을 출력하는 알고리즘일 수 있다. 여기서, 제1 인공지능 모델은 주문 패턴을 분석하도록 미리 학습된 상태일 수 있다.

제1 인공지능 모델의 학습이 이루어지는 학습 장치는 학습된 제1 인공지능 모델을 이용하여 자재의 주문 패턴을 분석하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공지능 모델이 학습되는 과정을 설명한다.

먼저, 학습 장치는 자재의 주문 내역을 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 자재의 주문 내역을 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 자재의 주문 내역을 제1 인공지능 모델의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델에 입력을 적용할 수 있다. 제1 인공지능 모델은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공지능 모델은 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 인공지능 모델은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 어느 간격으로 주문하였는지에 대한 평균치와 가깝게 주문 패턴을 분석할수록 보상값이 높아질 수 있고, 제2 보상은 주문할 때마다 얼마나 많이 주문하였는지에 대한 평균치와 가깝게 주문 패턴을 분석할수록 보상값이 높아질 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델로부터 출력을 획득할 수 있다. 제1 인공지능 모델의 출력은 자재의 주문 패턴에 대한 정보를 포함할 수 있다. 이때, 제1 인공지능 모델은 자재의 주문 내역을 통해, 자재의 주문 패턴을 분석하여, 분석된 주문 패턴에 대한 정보를 출력할 수 있다. 여기서, 주문 패턴에 대한 정보는 가맹점에서 자재를 얼마나 자주 어느 정도의 양으로 주문하였는지 나타내는 정보를 포함할 수 있다.

다음으로, 학습 장치는 제1 인공지능 모델의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 주문 간격의 평균치와 가깝게 주문이 이루어진 것으로 주문 패턴을 분석할수록 제1 보상을 많이 수여하고, 주문량의 평균치와 가깝게 주문이 이루어진 것으로 주문 패턴을 분석할수록 제2 보상을 많이 수여할 수 있다.

다음으로, 학습 장치는 평가를 기초로 제1 인공지능 모델을 갱신할 수 있다.

구체적으로, 학습 장치는 제1 인공지능 모델이 자재의 주문 내역을 통해, 주문 패턴을 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 제1 인공지능 모델을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 자재의 주문 내역을 통해, 제1 자재의 주문 패턴이 분석되면, 제1 자재의 주문 패턴에 대해 문제가 없는지 여부를 확인할 수 있고, 제1 자재의 주문 패턴에 대해 문제가 없는 경우, 제1 자재의 주문 패턴의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제1 인공지능 모델에 적용하여, 제1 자재의 주문 내역과 유사한 주문 내역을 입력으로 하는 경우, 제1 자재의 주문 패턴과 유사한 주문 패턴으로 분석하도록, 제1 인공지능 모델을 학습시키는 과정을 통해, 제1 인공지능 모델을 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 인공지능 모델의 학습 과정을 반복함으로써, 제1 인공지능 모델을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 자재의 주문 내역을 통해, 자재의 주문 패턴을 분석하여 출력하는 제1 인공지능 모델을 학습시킬 수 있다.

즉, 학습 장치는 자재의 주문 내역을 통해 자재의 주문 패턴을 분석할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공지능 모델을 학습시킬 수 있다.

S203 단계에서, 장치(200)는 제1 인공지능 모델의 입력에 대한 출력으로, 제1 가맹점에서 제1 자재를 주문하는 주문 패턴인 제1 주문 패턴을 설정할 수 있다. 여기서, 제1 주문 패턴은 제1 가맹점에서 제1 자재를 얼마나 자주 어느 정도의 양으로 주문하였는지 나타내는 주문 패턴을 의미할 수 있다.

일실시예에 따르면, 제1 인공지능 모델은 자재의 주문 내역을 통해 자재의 주문 패턴을 분석하여 출력할 수 있고, 자재의 주문 패턴을 분석하는 과정에서, 최근 데이터와 계절 변수를 고려하여, 주문 패턴을 분석할 수 있다. 이와 관련된 자세한 설명은 도 3을 참조하여 후술하기로 한다.

S204 단계에서, 장치(200)는 제1 주문 패턴에 기초하여, 제1 자재에 대한 예상 주문일 및 예상 주문량을 예측할 수 있다.

예를 들어, 제1 주문 패턴이 평균 10일 간격으로 평균 10개씩 제1 자재의 주문이 이루어지는 패턴으로 설정된 경우, 가장 최근에 제1 자재의 주문이 이루어진 날짜가 1월 10일인 경우, 장치(200)는 제1 자재에 대한 예상 주문일을 1월 20일로 예측하고, 제1 자재에 대한 예상 주문량을 10개로 예측할 수 있다.

S205 단계에서, 장치(200)는 현재 시점을 제1 시점으로 확인할 수 있다.

S206 단계에서, 장치(200)는 제1 시점으로부터 예상 주문일까지 남아있는 잔여 기간을 제1 잔여 기간으로 확인할 수 있다.

예를 들어, 제1 시점이 1월 15일이고 제1 자재의 예상 주문일이 1월 20일인 경우, 장치(200)는 제1 시점과 제1 자재의 예상 주문일 간의 차이인 5일을 제1 잔여 기간으로 확인할 수 있다.

S207 단계에서, 장치(200)는 제1 잔여 기간이 제1 기준 기간 보다 짧은지 여부를 확인할 수 있다. 여기서, 제1 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

S207 단계에서 제1 잔여 기간이 제1 기준 기간 보다 짧지 않고 긴 것으로 확인되면, 일정 기간이 지난 이후, S205 단계로 되돌아가, 장치(200)는 현재 시점을 제1 시점으로 확인하는 과정부터 다시 수행할 수 있다.

S207 단계에서 제1 잔여 기간이 제1 기준 기간 보다 짧은 것으로 확인되면, S208 단계에서, 장치(200)는 예상 주문량에 대한 제1 자재의 주문을 추천하는 알림 메시지를 제1 가맹점 단말(110)로 전송할 수 있다. 이때, 알림 메시지는 제1 자재의 예상 주문일, 제1 잔여 기간, 제1 자재의 예상 주문량 등에 대한 정보를 포함할 수 있다.

도 3은 일실시예에 따른 최근 데이터 및 계절 변수를 고려하여 주문 패턴을 분석하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 제1 인공지능 모델은 제1 자재의 주문 내역을 입력 받은 후, 제1 자재의 주문 내역에서 제1 기간 동안의 주문 내역을 제1 주문 내역으로 추출하고, 제1 자재의 주문 내역에서 제2 기간 동안의 주문 내역을 제2 주문 내역으로 추출할 수 있다. 여기서, 제1 기간은 가장 최근 기간으로 제2 기간 이후의 기간이고, 제2 기간은 제1 기간 이전의 기간일 수 있다. 예를 들어, 제2 기간이 3월이고, 제1 기간은 4월일 수 있다.

S302 단계에서, 제1 인공지능 모델은 제1 주문 내역에 기초하여, 제1 기간 동안 제1 자재에 대한 주문 패턴을 분석한 결과를 제1 분석 결과로 생성하고, 제2 주문 내역에 기초하여, 제1 자재에 대한 주문 패턴을 분석한 결과를 제2 분석 결과로 생성할 수 있다.

즉, 제1 인공지능 모델은 제1 주문 내역에 기초하여, 제1 기간 동안 제1 자재에 대한 주문이 평균 몇 일 간격으로 평균 몇 개씩 주문하였는지 패턴을 분석하여 제1 분석 결과를 생성하고, 제1 주문 내역에 기초하여, 제2 기간 동안 제1 자재에 대한 주문이 평균 몇 일 간격으로 평균 몇 개씩 주문하였는지 패턴을 분석하여 제2 분석 결과를 생성할 수 있다.

S303 단계에서, 제1 인공지능 모델은 제1 기간이 최근 기간일수록 더 높은 값으로 제1 가중치를 설정하고, 제2 기간이 최근 기간일수록 더 높은 값으로 제2 가중치를 설정할 수 있다. 이때, 제1 기간은 제2 기간 이후의 기간이기 때문에, 제1 가중치는 제2 가중치 보다 높은 값으로 설정될 수 있다.

예를 들어, 제1 시점이 6월 1일이고, 제1 기간이 5월, 제2 기간이 4월인 경우, 제1 인공지능 모델은 제1 가중치를 1.5로 설정하고, 제2 가중치를 1로 설정할 수 있다.

S304 단계에서, 제1 인공지능 모델은 제1 분석 결과에 제1 가중치를 적용하고, 제2 분석 결과에 제2 가중치를 적용할 수 있다.

한편, S305 단계에서, 제1 인공지능 모델은 제1 시점을 통해 제1 계절을 위한 주문이 필요한 것으로 판단할 수 있다. 예를 들어, 제1 시점이 6월 1일인 경우, 제1 인공지능 모델은 여름이 다가오고 있어, 여름을 위한 주문이 필요한 것으로 판단할 수 있다.

S306 단계에서, 제1 인공지능 모델은 제1 자재의 주문 내역에서 제1 계절 동안의 주문 내역을 제3 주문 내역으로 추출할 수 있다. 이때, 제3 주문 내역은 작년 제1 계절 동안의 주문 내역을 포함할 수 있다.

S307 단계에서, 제1 인공지능 모델은 제3 주문 내역에 기초하여, 제1 계절 동안 제1 자재에 대한 주문 패턴을 분석한 결과를 제3 분석 결과로 생성할 수 있다.

즉, 제1 인공지능 모델은 제3 주문 내역에 기초하여, 제1 계절 동안 제1 자재에 대한 주문이 평균 몇 일 간격으로 평균 몇 개씩 주문하였는지 패턴을 분석하여 제3 분석 결과를 생성할 수 있다.

S308 단계에서, 제1 인공지능 모델은 제1 시점으로부터 제1 계절의 시작 시점까지 남아있는 잔여 기간을 제2 잔여 기간으로 확인할 수 있다. 이때, 제1 계절의 시작 시점은 관리자에 의해 수동으로 설정되거나, 외부 서버로부터 획득된 데이터에 의해 자동으로 설정될 수 있다.

예를 들어, 제1 시점이 6월 1일이고 제1 계절의 시작 시점이 6월 11일인 경우, 장치(200)는 제1 시점과 제1 계절의 시작 시점 간의 차이인 10일을 제2 잔여 기간으로 확인할 수 있다.

S309 단계에서, 제1 인공지능 모델은 제2 잔여 기간이 짧을수록 더 높은 값으로 제3 가중치를 설정할 수 있다.

예를 들어, 제1 인공지능 모델은 제2 잔여 기간이 10일인 경우, 제3 가중치를 1로 설정하고, 제2 잔여 기간이 9일인 경우, 제3 가중치를 1.1로 설정할 수 있다.

S310 단계에서, 제1 인공지능 모델은 제3 분석 결과에 제3 가중치를 적용할 수 있다.

S311 단계에서, 제1 인공지능 모델은 제1 가중치가 적용된 제1 분석 결과, 제2 가중치가 적용된 제2 분석 결과 및 제3 가중치가 적용된 제3 분석 결과를 기반으로, 제4 분석 결과를 생성할 수 있다.

즉, 제1 인공지능 모델은 최근 데이터에 더 높은 가중치를 적용하고, 계절 변수를 고려하여 가중치를 추가로 적용하여, 제4 분석 결과를 생성할 수 있다.

S312 단계에서, 제1 인공지능 모델은 제4 분석 결과를 출력할 수 있다.

도 4는 일실시예에 따른 원클릭 주문을 위한 자재 주문 페이지를 제공하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 제1 가맹점 단말(110)로부터 자재 주문 요청을 수신할 수 있다. 여기서, 자재 주문 요청은 자재를 주문하기 위해 자재 주문 페이지의 제공을 요청하는 것으로, 자재 주문 메뉴의 선택으로 요청될 수 있다.

S402 단계에서, 장치(200)는 제1 가맹점의 자재 주문 내역을 기반으로, 제1 가맹점에서 가장 최근에 주문한 자재들의 주문량을 각각 확인할 수 있다.

S403 단계에서, 장치(200)는 제1 가맹점에서 가장 최근에 주문한 자재들의 주문량을 기본값으로 설정하여 자재 주문 페이지를 생성할 수 있다.

예를 들어, 장치(200)는 제1 가맹점의 자재 주문 내역을 기반으로, 가장 최근에 주문이 이루어진 날짜가 1월 10일로 확인되고, 1월 10일에 제1 자재를 10개, 제2 자재를 15개, 제3 자재를 20개 주문한 것으로 확인되면, 제1 자재의 주문량을 10개로 설정하고 제2 자재의 주문량을 15개로 설정하고 제3 자재의 주문량을 20재로 설정하여, 자재 주문 페이지를 생성할 수 있다.

S404 단계에서, 장치(200)는 자재 주문 페이지를 제1 가맹점 단말(110)로 제공할 수 있다. 이를 통해, 지난 주문에 대한 품목과 주문량이 기본적으로 설정되어 있는 주문 페이지를 제공하여, 주문 작업을 간소화시키는데 도움을 줄 수 있다.

도 5는 일실시예에 따른 오발주 및 과발주에 대한 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 장치(200)는 제1 가맹점 단말(110)로부터 제1 자재를 제1 주문량 주문하는 주문 요청을 수신할 수 있다. 이때, 주문 요청은 자재 주문 페이지를 통해 요청될 수 있고, 제1 주문량은 기본값으로 설정된 주문량일 수 있고, 제1 가맹점을 운영하는 점주에 의해 설정된 주문량일 수도 있다.

S502 단계에서, 장치(200)는 제1 주문량에 대한 주문 요청이 수신된 시점을 제2 시점으로 확인할 수 있다. 즉, 장치(200)는 제1 가맹점 단말(110)로부터 주문 요청이 수신된 시점을 제2 시점으로 확인할 수 있다.

S503 단계에서, 장치(200)는 제2 시점과 제1 자재의 예상 주문일 간의 차이를 차이 기간으로 산출할 수 있다.

예를 들어, 제2 시점이 1월 20일이고 제1 자재의 예상 주문일이 1월 30일인 경우, 장치(200)는 제2 시점과 제1 자재의 예상 주문일 간의 차이인 10일을 차이 기간으로 산출할 수 있다.

S504 단계에서, 장치(200)는 제1 주문량과 제1 자재의 예상 주문량 간의 차이를 차이 주문량으로 산출할 수 있다.

예를 들어, 제1 주문량이 10개이고 제1 자재의 예상 주문량이 20개인 경우, 장치(200)는 제1 주문량과 제1 자재의 예상 주문량 간의 차이인 10개를 차이 주문량으로 산출할 수 있다.

S505 단계에서, 장치(200)는 차이 기간이 제2 기준 기간 보다 짧은지 여부를 확인할 수 있다. 여기서, 제2 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

S505 단계에서 차이 기간이 제2 기준 기간 보다 짧은 것으로 확인되면, S506 단계에서, 장치(200)는 차이 주문량이 기준 주문량 보다 적은지 여부를 확인할 수 있다. 여기서, 기준 주문량은 실시예에 따라 상이하게 설정될 수 있다.

S506 단계에서 차이 주문량이 기준 주문량 보다 적은 것으로 확인되면, S507 단계에서, 장치(200)는 제2 시점에 요청된 제1 주문량에 대한 주문 요청에 문제가 없는 것으로 판단할 수 있다.

즉, 장치(200)는 차이 기간이 제2 기준 기간 보다 짧은 것으로 확인되고, 차이 주문량이 기준 주문량 보다 적은 것으로 확인되면, 제2 시점에 요청된 제1 주문량에 대한 주문 요청에 문제가 없는 것으로 판단할 수 있다.

S505 단계에서 차이 기간이 제2 기준 기간 보다 짧지 않고 긴 것으로 확인되거나, S506 단계에서 차이 주문량이 기준 주문량 보다 적지 않고 많은 것으로 확인되면, S508 단계에서, 장치(200)는 제2 시점에 요청된 제1 주문량에 대한 주문 요청에 문제가 있는 것으로 판단할 수 있다.

즉, 장치(200)는 차이 기간이 제2 기준 기간 보다 긴 것으로 확인되거나, 차이 주문량이 기준 주문량 보다 많은 것으로 확인되면, 제2 시점에 요청된 제1 주문량에 대한 주문 요청에 문제가 있는 것으로 판단할 수 있다.

S509 단계에서, 장치(200)는 제2 시점에 요청된 제1 주문량에 대한 주문 요청에 문제가 있는 것으로 판단되면, 제1 주문량에 대한 주문 확인이 필요한 것을 안내하는 알림 메시지를 제1 가맹점 단말(110)로 전송할 수 있다.

도 6은 일실시예에 따른 자재의 재고량이 소진되지 않고 남아있을 수 있는 확률을 예측하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제1 자재의 주문 내역을 기반으로, 제1 자재에 대한 최근 주문일과 최근 주문량을 확인할 수 있다.

예를 들어, 제1 자재의 주문 내역에 제1 자재가 1월 10일에 20개, 1월 15일에 10개, 1월 20일에 15개 주문된 내역들이 포함되어 있는 경우, 장치(200)는 제1 자재의 주문 내역을 기반으로, 제1 자재에 대한 최근 주문일을 1월 20일로 확인하고, 제1 자재에 대한 최근 주문량을 15개로 확인할 수 있다.

S602 단계에서, 장치(200)는 제1 자재가 제1 음식의 재료로 사용되는 것을 확인할 수 있다. 이때, 장치(200)는 제1 음식의 음식 정보를 기반으로, 제1 음식에 사용되는 재료가 어느 재료인지 확인하여, 제1 음식의 재료로 제1 자재가 사용되는 것을 확인할 수 있다. 여기서, 음식 정보는 데이터베이스 또는 외부 서버를 통해 획득될 수 있다.

S603 단계에서, 장치(200)는 제1 자재가 제1 음식의 재료로 사용되는 것이 확인되면, 제1 가맹점의 매출 내역에서 제1 음식의 판매 내역을 추출할 수 있다. 여기서, 매출 내역은 가맹점에서 음식을 판매하여 발생한 매출 내역이 누적된 정보로, 어느 시점에 어느 음식을 얼마나 많이 판매하였는지 나타내는 리스트로 구성될 수 있고, 음식명, 판매일, 판매량 등의 정보를 포함할 수 있다.

장치(200)의 데이터베이스에는 가맹점 별로 구분되어 있는 매출 내역이 저장되어 있으며, 장치(200)는 데이터베이스에 저장된 정보를 조회하여 제1 가맹점의 매출 내역을 획득할 수 있고, 제1 가맹점의 매출 내역에서 제1 음식이 판매된 내역을 확인하여, 제1 음식이 판매된 내역만 제1 음식의 판매 내역으로 추출할 수 있다.

S604 단계에서, 장치(200)는 제1 자재의 최근 주문일 이후부터 제1 시점까지 제3 기간으로 설정할 수 있다.

예를 들어, 제1 자재의 최근 주문일이 1월 10일이고 제1 시점이 1월 15일인 경우, 장치(200)는 제1 자재의 최근 주문일과 제1 시점 간의 차이인 5일을 제3 기간으로 설정할 수 있다.

S605 단계에서, 장치(200)는 제1 음식의 판매 내역을 기반으로, 제3 기간 동안 제1 음식이 판매된 수량을 제1 수치로 산출할 수 있다.

즉, 장치(200)는 제3 기간 동안 제1 가맹점에서 제1 음식이 몇 개 판매되었는지 수량을 확인한 후, 확인된 수량을 제1 수치로 산출할 수 있다.

S606 단계에서, 장치(200)는 제1 음식을 만들기 위해 필요한 제1 자재의 수량이 제2 수치인 것을 확인할 수 있다. 이때, 장치(200)는 제1 음식의 음식 정보를 기반으로, 제1 음식을 만들기 위해 필요한 제1 자재의 수량이 몇 개인지 확인하여, 제1 음식을 만들기 위해 제1 자재의 수량이 제2 수치 필요한 것을 확인할 수 있다.

S607 단계에서, 장치(200)는 제1 수치 및 제2 수치를 곱한 값으로, 제1 자재의 사용량을 산출할 수 있다.

S608 단계에서, 장치(200)는 제1 자재의 최근 주문량에서 제1 자재의 사용량을 뺀 값으로, 제1 자재의 재고량을 산출할 수 있다.

S609 단계에서, 장치(200)는 제1 자재의 사용량을 제3 기간의 일수로 나눈 값으로, 제1 자재의 일평균 사용량을 산출할 수 있다.

예를 들어, 제1 자재의 사용량이 70개이고, 제3 기간이 10일인 경우, 장치(200)는 “/ 10”을 통해 산출된 7개를 제1 자재의 일평균 사용량으로 산출할 수 있다.

S610 단계에서, 장치(200)는 제1 자재의 재고량, 제1 자재의 일평균 사용량 및 제1 잔여 기간을 매칭하여 매칭 결과를 생성할 수 있다.

S611 단계에서, 장치(200)는 매칭 결과를 장치(200) 내에서 미리 학습된 제2 인공지능 모델에 입력할 수 있다.

일실시예에 따르면, 제2 인공지능 모델은 재고량, 일평균 사용량 및 잔여 기간을 매칭한 매칭 결과를 입력으로 받아, 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률을 출력하는 알고리즘일 수 있다.

제2 인공지능 모델은 재고량, 일평균 사용량 및 잔여 기간을 고려하여, 잔여기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률을 예측하여 산정할 수 있다.

예를 들어, 재고량, 일평균 사용량 및 잔여 기간을 매칭한 매칭 결과가 (50개, 6개, 10일)인 경우, 제2 인공지능 모델은 (50개, 6개, 10일)을 입력으로 받아, 10일이 경과한 후 50개의 재고량이 소진되지 않고 남아있을 수 있는 확률을 예측하여 산정할 수 있다.

즉, 제2 인공지능 모델은 재고량, 일평균 사용량 및 잔여 기간을 매칭한 매칭 결과를 통해, 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률이 얼마나 되는지 분석하여 출력할 수 있다. 여기서, 제2 인공지능 모델은 재고량이 소진되지 않고 남아있을 수 있는 확률을 분석하도록 미리 학습된 상태일 수 있다.

제2 인공지능 모델의 학습이 이루어지는 학습 장치는 학습된 제2 인공지능 모델을 이용하여 잔여 기간이 경과될 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률을 분석하는 장치(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공지능 모델이 학습되는 과정을 설명한다.

먼저, 학습 장치는 재고량, 일평균 사용량 및 잔여 기간을 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.

구체적으로, 학습 장치는 재고량, 일평균 사용량 및 잔여 기간을 매칭한 매칭 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 제2 인공지능 모델의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

다음으로, 학습 장치는 제2 인공지능 모델에 입력을 적용할 수 있다. 제2 인공지능 모델은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제2 인공지능 모델은 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 인공지능 모델은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제3 보상은 재고량이 많을수록 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있고, 제4 보상은 잔여 기간이 짧을수록 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있고, 제5 보상은 일평균 사용량이 적을수록 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있다.

다음으로, 학습 장치는 제2 인공지능 모델로부터 출력을 획득할 수 있다. 제2 인공지능 모델의 출력은, 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률에 대한 정보일 수 있다. 이때, 제2 인공지능 모델은 재고량, 일평균 사용량 및 잔여 기간을 고려하여, 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률을 분석하고, 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률에 대한 정보를 출력할 수 있다.

다음으로, 학습 장치는 제2 인공지능 모델의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제3 보상, 제4 보상, 제5 보상 등으로 나뉠 수 있다.

구체적으로, 학습 장치는 재고량이 많을수록 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제3 보상을 많이 수여하고, 잔여 기간이 짧을수록 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제4 보상을 많이 수여하고, 일평균 사용량 적을수록 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률이 높은 것으로 분석하면 제5 보상을 많이 수여할 수 있다.

다음으로, 학습 장치는 평가를 기초로 제2 인공지능 모델을 갱신할 수 있다.

구체적으로, 학습 장치는 제2 인공지능 모델이, 잔여 기간이 경과할 때까지 재고량이 소진되지 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 인공지능 모델을 갱신할 수 있다.

예를 들어, 학습 장치는 제1 자재의 재고량, 제1 자재의 일평균 사용량 및 제1 잔여 기간을 매칭한 매칭 결과를 통해, 제1 잔여 기간이 경과할 때까지 제1 자재의 재고량이 소진되지 않고 남아있을 수 있는 확률이 제1 확률로 예측되면, 제1 확률의 분석 결과에 대해 문제가 없는지 여부를 확인할 수 있고, 제1 확률의 분석 결과에 대해 문제가 없는 경우, 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제2 학습 데이터를 생성하고, 제2 학습 데이터를 제2 인공지능 모델에 적용하여, 제1 자재의 재고량, 제1 자재의 일평균 사용량 및 제1 잔여 기간을 매칭한 매칭 결과와 유사한 매칭 결과를 입력으로 하는 경우, 제1 확률과 유사한 확률을 선정하도록, 제2 인공지능 모델을 학습시키는 과정을 통해, 제2 인공지능 모델을 갱신할 수 있다.

학습 장치는 상술한 제2 인공지능 모델의 학습 과정을 반복함으로써, 제2 인공지능 모델을 점진적으로 갱신시킬 수 있다. 이를 통해, 학습 장치는 재고량, 일평균 사용량 및 잔여 기간을 고려하여, 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률을 출력하는 제2 인공지능 모델을 학습시킬 수 있다.

즉, 학습 장치는 재고량, 일평균 사용량 및 잔여 기간을 매칭한 매칭 결과를 통해, 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 수 있는 확률을 분석할 때, 제3 보상, 제4 보상, 제5 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공지능 모델을 학습시킬 수 있다.

S612 단계에서, 장치(200)는 제2 인공지능 모델의 입력에 대한 출력으로, 제1 잔여 기간이 경과할 때까지 제1 자재의 재고량이 소진되지 않고 남아있을 것이라 예측되는 확률인 제1 확률을 설정할 수 있다.

도 7은 일실시예에 따른 잔여 기간이 경과할 때까지 재고량이 소진되지 않고 남아있을 것이라 예측되는 확률에 따라 알림 서비스를 제공하는 과정을 설명하기 위한 순서도이다.

일실시예에 따르면, 도 7에 도시된 각 단계는 도 6에 도시된 각 단계가 수행된 이후에 수행될 수 있다.

도 7을 참조하면, 먼저, S701 단계에서, 장치(200)는 제1 확률이 제1 기준 비율 보다 높은지 여부를 확인할 수 있다. 여기서, 제1 기준 비율은 실시예에 따라 상이하게 설정될 수 있다.

S701 단계에서 제1 확률이 제1 기준 비율 보다 높은 것으로 확인되면, S702 단계에서, 장치(200)는 예상 주문량에 대한 제1 자재의 주문을 추천하는 알림 메시지를 제1 가맹점 단말(110)로 전송할 수 있다.

즉, 장치(200)는 제1 잔여 기간이 경과할 때까지 제1 자재의 재고량이 소진되지 않고 남아있을 것이라 예측되는 확률이 제1 기준 비율 보다 높은 것으로 확인되면, 제1 자재의 재고량이 소진될 확률이 낮은 것으로 판단하여, 제1 자재의 재고량의 상태를 정상 상태로 설정할 수 있고, 제1 자재의 재고량이 정상 상태인 경우, 예상 주문량에 대한 제1 자재의 주문을 추천하는 알림 메시지를 제1 가맹점 단말(110)로 전송할 수 있다.

S701 단계에서 제1 확률이 제1 기준 비율 보다 높지 않고 낮은 것으로 확인되면, S703 단계에서, 장치(200)는 제1 확률이 제2 기준 비율 보다 높은지 여부를 확인할 수 있다. 여기서, 제2 기준 비율은 제1 기준 비율 보다 낮은 값으로 설정될 수 있다.

S703 단계에서 제1 확률이 제2 기준 비율 보다 높은 것으로 확인되면, S704 단계에서, 장치(200)는 예상 주문량에 대한 제1 자재의 주문이 필요한 것을 경고하는 알림 메시지를 제1 가맹점 단말(110)로 전송할 수 있다.

즉, 장치(200)는 제1 잔여 기간이 경과할 때까지 제1 자재의 재고량이 소진되지 않고 남아있을 것이라 예측되는 확률이 제1 기준 비율 보다 낮지만 제2 기준 비율 보다 높은 것으로 확인되면, 제1 자재의 재고량이 소진될 확률이 중간 정도인 것으로 판단하여, 제1 자재의 재고량의 상태를 주의 상태로 설정할 수 있고, 제1 자재의 재고량이 주의 상태인 경우, 예상 주문량에 대한 제1 자재의 주문이 필요한 것을 경고하는 알림 메시지를 제1 가맹점 단말(110)로 전송할 수 있다.

S703 단계에서 제1 확률이 제2 기준 비율 보다 높지 않고 낮은 것으로 확인되면, S705 단계에서, 장치(200)는 예상 주문량에 대한 제1 자재의 발주를 요청하는 알림 메시지를 제1 공급처 단말로 전송할 수 있다. 여기서, 제1 공급처는 제1 자재를 제1 가맹점에 공급하는 공급처로, 장치(200)는 제1 공급처 단말과 유무선으로 통신하도록 구성될 수 있다.

즉, 장치(200)는 제1 잔여 기간이 경과할 때까지 제1 자재의 재고량이 소진되지 않고 남아있을 것이라 예측되는 확률이 제2 기준 비율 보다 낮은 것으로 확인되면, 제1 자재의 재고량이 소진될 확률이 높은 것으로 판단하여, 제1 자재의 재고량의 상태를 위험 상태로 설정할 수 있고, 제1 자재의 재고량이 위험 상태인 경우, 제1 가맹점에서 제1 자재의 주문을 요청하지 않아도, 예상 주문량에 대한 제1 자재의 발주를 요청하는 알림 메시지를 제1 공급처 단말로 전송하여, 제1 자재의 주문이 자동으로 수행되도록 처리할 수 있다.

도 8은 일실시예에 따른 자재의 재고를 관리하는 과정을 설명하기 위한 순서도이다.

도 8을 참조하면, 먼저, S801 단계에서, 장치(200)는 제1 가맹점의 자재 재고 내역을 기초로, 제1 자재의 재고 중량을 제1 중량으로 산출할 수 있다. 여기서, 자재 재고 내역은 가맹점에 보관되어 있는 자재별 재고 현황이 누적된 정보로, 자재별 재고량, 입고량, 출고량 등에 대한 정보를 포함할 수 있다. 제1 자재의 재고 중량을 산출하는 과정에 대한 자세한 설명은 도 9를 참조하여 후술하기로 한다.

S802 단계에서, 장치(200)는 제1 가맹점에 보관되어 있는 제1 자재의 실제 중량을 제2 중량으로 확인할 수 있다. 여기서, 제1 자재의 실제 중량은 제1 가맹점에 보관되어 실제로 보유하고 있는 제1 자재의 총 무게를 의미할 수 있다.

예를 들어, 장치(200)는 자재의 실제 중량에 대한 정보를 입력하기 위한 페이지를 제1 가맹점 단말(110)로 제공할 수 있으며, 제공된 페이지를 통해 제1 자재의 실제 중량에 대한 정보가 입력되면, 제1 가맹점 단말(110)로부터 제1 자재의 실제 중량에 대한 정보를 수신하여, 제1 자재의 실제 중량을 확인할 수 있다.

S803 단계에서, 장치(200)는 제1 중량 및 제2 중령 간의 차이를 제1 차이 중량으로 산출할 수 있다. 이때, 장치(200)는 제1 중량 및 제2 중량을 비교하여, 비교 결과 더 무거운 중량에서 더 가벼운 중량을 차감하여 제1 차이 중량을 산출할 수 있다.

S804 단계에서, 장치(200)는 제1 차이 중량이 제1 기준 중량 보다 무거운지 여부를 확인할 수 있다. 여기서, 제1 기준 중량은 실시예에 따라 상이하게 설정될 수 있다.

S804 단계에서 제1 차이 중량이 제1 기준 중량 보다 무겁지 않고 가벼운 것으로 확인되면, 일정 기간이 지난 이후, S801 단계로 되돌아가, 갱신된 제1 가맹점의 자재 재고 내역을 기초로, 제1 중량을 산출하는 과정부터 다시 수행될 수 있다.

S804 단계에서 제1 차이 중량이 제1 기준 중량 보다 무거운 것으로 확인되면, S805 단계에서, 장치(200)는 오차 정보를 생성할 수 있다.

즉, 장치(200)는 제1 자재의 재고 중량과 제1 자재의 실제 중량을 비교하여, 제1 자재의 재고 중량과 제1 자재의 실제 중량이 제1 기준 중량 이상 차이나는 경우, 오차 정보를 생성할 수 있다. 이때, 오차 정보를 생성하는 과정에 대한 자세한 설명은 도 10을 참조하여 후술하기로 한다.

S806 단계에서, 장치(200)는 오차 정보를 이용하여, 제1 자재의 발주 정보를 생성할 수 있다.

구체적으로, 장치(200)는 제1 자재의 재고 중량과 제1 자재의 실제 중량이 제1 기준 중량 이상 차이나면서, 제1 자재의 재고 중량이 제1 자재의 실제 중량 보다 제1 차이 중량만큼 더 큰 경우, 제1 자재의 재고 중량이 제1 자재의 실제 중량 보다 제1 차이 중량만큼 더 큰 것을 나타내는 오차 정보를 생성할 수 있으며, 오차 정보를 이용하여, 제1 자재의 재고 중량과 제1 자재의 실제 중량을 일치시키기 위해, 제1 차이 중량에 대한 발주를 나타내는 발주 정보를 생성할 수 있다.

S807 단계에서, 장치(200)는 제1 자재의 발주 정보를 제1 공급처 단말로 전송할 수 있다.

도 9는 일실시예에 따른 자재의 재고 중량을 산출하는 과정을 설명하기 위한 순서도이다.

도 9를 참조하면, 먼저, S901 단계에서, 장치(200)는 제1 자재의 자재 정보를 기초로, 제1 자재의 포장 단위를 확인할 수 있다. 이때, 포장 단위는 자재를 포장하는 단위로서, 예를 들면, kg, 단, 개수, 무게, 부피 등 자재를 계량할 수 있는 포장 단위를 의미할 수 있다. 여기서, 자재 정보는 자재의 종류, 크기, 가격, 무게, 포장 단위, 포장 방법, 보관 온도, 소비 기한 등에 대한 정보를 포함할 수 있다.

S902 단계에서, 장치(200)는 제1 가맹점의 자재 재고 내역을 기초로, 제1 자재의 포장 단위에 따라 포장 가능한 제1 자재의 개수를 산출할 수 있다.

예를 들어, 장치(200)는 제1 가맹점의 자재 재고 내역을 통해 제1 가맹점에 보관된 제1 자재의 재고량이 100kg인 것으로 확인되고, 제1 자재의 포장 단위가 3kg인 것으로 확인된 경우, 100kg의 제1 자재에 대해 3kg 단위로 포장해야 하기 때문에, 포장 가능한 제1 자재의 개수를 33개로 산출할 수 있다.

S903 단계에서, 장치(200)는 제1 자재의 개수 및 제1 자재의 포장 단위를 곱한 값으로, 제1 중량을 산출할 수 있다.

예를 들어, 장치(200)는 제1 자재의 포장 단위가 3kg이고, 포장 가능한 제1 자재의 개수가 33개인 경우, 제1 중량을 99kg로 산출할 수 있다.

도 10은 일실시예에 따른 자재의 보정 중량을 산출하는 과정을 설명하기 위한 순서도이다.

도 10을 참조하면, 먼저 S1001 단계에서, 장치(200)는 미리 설정된 기간 동안 제1 자재가 폐기된 폐기량을 제3 중량으로 확인할 수 있다. 이때, 미리 설정된 기간은 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 미리 설정된 기간이 1개월인 경우, 장치(200)는 1개월 동안 폐기된 자재의 폐기량에 대한 정보를 입력하기 위한 페이지를 제1 가맹점 단말(110)로 제공할 수 있으며, 제공된 페이지를 통해 제1 자재의 폐기량에 대한 정보가 입력되면, 제1 가맹점 단말(110)로부터 제1 자재의 폐기량에 대한 정보를 수신하여, 제3 중량을 확인할 수 있다.

S1002 단계에서, 장치(200)는 제3 중량을 제1 중량으로 나눈 값으로, 제1 비율을 산출할 수 있다.

즉, 장치(200)는 미리 설정된 기간 동안 폐기된 제1 자재의 폐기량이 제1 자재의 재고 중량에서 차지하는 비율을 제1 비율로 산출할 수 있다.

S1003 단계에서, 장치(200)는 제1 가맹점에 설치된 제1 카메라로부터 제1 가맹점에 보관되어 있는 제1 자재를 촬영하여 생성된 제1 이미지를 획득할 수 있다. 이를 위해, 자재가 보관되어 있는 제1 가맹점에는 자재를 촬영하기 위한 제1 카메라가 구비될 수 있다. 장치(200)는 제1 카메라로부터 제1 가맹점에 보관되어 있는 자재를 촬영하여 생성된 이미지를 획득할 수 있다. 장치(200)는 제1 카메라와 유무선으로 통신하도록 구성될 수 있다.

즉, 장치(200)는 제1 가맹점에 설치된 제1 카메라를 통해 제1 가맹점에 보관되어 있는 제1 자재들에 대한 촬영이 수행되고 있는 경우, 제1 카메라로부터 제1 가맹점에 보관되어 있는 제1 자재를 촬영하여 생성된 제1 이미지를 획득할 수 있다.

S1004 단계에서, 장치(200)는 제1 이미지에서 제1 자재를 제1 객체로 추출하고 제1 이미지에서 이물질을 제2 객체로 추출할 수 있다. 이때, 이물질은 잔뿌리, 흙, 진흙, 먼지, 벌레 등을 의미할 수 있으나, 이에 한정되지는 않는다.

S1005 단계에서, 장치(200)는 제1 이미지에서 제1 객체가 차지하는 면적을 제1 면적으로 산출하고, 제1 이미지에서 제2 객체가 차지하는 면적을 제2 면적으로 산출할 수 있다.

S1006 단계에서, 장치(200)는 제2 면적을 제1 면적으로 나눈 값으로, 제2 비율을 산출할 수 있다.

즉, 장치(200)는 제1 이미지에서 이물질이 제1 자재에 대하여 차지하는 비율을 제2 비율로 산출할 수 있다.

S1007 단계에서, 장치(200)는 제1 자재의 자재 정보를 기초로, 제1 자재를 포장하는 포장 방법을 확인할 수 있다. 여기서, 포장 방법은 비닐 포장 방법, 묶음 포장 방법, 망 포장 방법, 스티로폼 포장 방법, 박스 포장 방법 등을 포함할 수 있으나, 이에 한정되지는 않는다.

S1008 단계에서, 장치(200)는 제1 자재의 포장 방법에 따라 포장 가중치를 설정할 수 있다.

구체적으로, 장치(200)는 제1 자재의 포장 방법에 사용되는 포장지가 무거울수록 포장 가중치를 더 높은 값으로 설정할 수 있으며, 제1 자재의 포장 방법에 사용되는 포장지가 가벼울수록 포장 가중치를 더 낮은 값으로 설정할 수 있다. 예를 들어, 장치(200)는 비닐 포장 방법, 묶음 포장 방법, 망 포장 방법, 스티로폼 포장 방법, 박스 포장 방법 순으로 포장 가중치를 높은 값으로 설정할 수 있다.

S1009 단계에서, 장치(200)는 제1 비율, 제2 비율 및 포장 가중치를 이용하여 보정 가중치를 설정할 수 있다.

장치(200)는 제1 비율, 제2 비율 및 포장 가중치 각각에 정비례하여 보정 가중치를 설정할 수 있으며, 제1 비율, 제2 비율 및 포장 가중치를 모두 곱한 값으로, 보정 가중치를 설정할 수도 있다.

S1010 단계에서, 장치(200)는 제1 중량 및 보정 가중치를 곱한 값으로, 제1 자재의 보정 중량을 제4 중량으로 산출할 수 있다.

예를 들어, 장치(200)는 제1 중량이 99kg이고, 보정 가중치가 0.9인 경우, 제4 중량을 89.1kg으로 산출할 수 있다.

S1011 단계에서, 장치(200)는 제4 중량 및 제2 중량 간의 차이를 제2 차이 중량으로 산출할 수 있다. 이때, 장치(200)는 제4 중량 및 제2 중량을 비교하여, 비교 결과 더 무거운 중량에서 더 가벼운 중량을 차감하여 제2 차이 중량을 산출할 수 있다.

S1012 단계에서, 장치(200)는 제2 차이 중량이 제2 기준 중량 보다 가벼운지 여부를 확인할 수 있다. 여기서, 제2 기준 중량은 실시예에 따라 상이하게 설정될 수 있다.

S1012 단계에서 제2 차이 중량이 제2 기준 중량 보다 가벼운 것으로 확인되면, S1013 단계에서, 장치(200)는 보정 가중치를 유지할 수 있다.

즉, 장치(200)는 제1 자재의 보정 중량과 제1 자재의 실제 중량을 비교하여, 제1 자재의 보정 중량과 제1 자재의 실제 중량이 제2 기준 중량 미만 차이나는 경우, 보정 가중치를 유지할 수 있다.

S1012 단계에서 제2 차이 중량이 제2 기준 중량 보다 가볍지 않고 무거운 것으로 확인되면, S1014 단계에서, 장치(200)는 제1 자재에 대한 재고 확인을 요청하는 알림 메시지를 제1 가맹점 단말(110)로 전송할 수 있다.

즉, 장치(200)는 제1 자재의 보정 중량과 제1 자재의 실제 중량을 비교하여, 제1 자재의 보정 중량과 제1 자재의 실제 중량이 제2 기준 중량 이상 차이나는 경우, 제1 자재에 대한 재고 확인을 요청하는 알림 메시지를 제1 가맹점 단말(110)로 전송할 수 있다.

도 11은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220)를 포함한다. 프로세서(210)는 도 1 내지 도 10을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 10을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 10을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(220)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220)에 저장될 수 있다. 장치(200)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(200)는 인공지능 모델을 학습시키거나, 학습된 인공지능 모델을 이용하는데 사용될 수 있다. 메모리(220)는 학습 중인 또는 학습된 인공지능 모델을 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 인공지능 모델의 알고리즘을 학습시키거나 실행시킬 수 있다. 인공지능 모델을 학습시키는 학습 장치와 학습된 인공지능 모델을 이용하는 장치(200)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

장치에 의해 수행되는, 인공지능 모델 기반 B2B 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법에 있어서,
제1 가맹점의 자재 주문 내역에서 제1 자재의 주문 내역을 추출하는 단계;
상기 제1 자재의 주문 내역을 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델의 입력에 대한 출력으로, 상기 제1 가맹점에서 상기 제1 자재를 주문하는 주문 패턴인 제1 주문 패턴을 설정하는 단계;
상기 제1 주문 패턴에 기초하여, 상기 제1 자재에 대한 예상 주문일 및 예상 주문량을 예측하는 단계;
현재 시점이 제1 시점으로 확인되면, 상기 제1 시점으로부터 상기 예상 주문일까지 남아있는 잔여 기간을 제1 잔여 기간으로 확인하는 단계; 및
상기 제1 잔여 기간이 미리 설정된 제1 기준 기간 보다 짧은 것으로 확인되면, 상기 예상 주문량에 대한 상기 제1 자재의 주문을 추천하는 알림 메시지를 제1 가맹점 단말로 전송하는 단계를 포함하고,
상기 제1 인공지능 모델은,
상기 제1 자재의 주문 내역에서 제1 기간 동안의 주문 내역을 제1 주문 내역으로 추출하고, 상기 제1 기간 이전인 제2 기간 동안의 주문 내역을 제2 주문 내역으로 추출하고,
상기 제1 주문 내역에 기초하여, 상기 제1 기간 동안 상기 제1 자재에 대한 주문 패턴을 분석한 결과를 제1 분석 결과로 생성하고, 상기 제2 주문 내역에 기초하여, 상기 제2 기간 동안 상기 제1 자재에 대한 주문 패턴을 분석한 결과를 제2 분석 결과로 생성하고,
상기 제1 기간이 최근 기간일수록 더 높은 값으로 제1 가중치를 설정하고, 상기 제2 기간이 최근 기간일수록 더 높은 값으로 제2 가중치를 설정하고,
상기 제1 분석 결과에 상기 제1 가중치를 적용하고, 상기 제2 분석 결과에 상기 제2 가중치를 적용하고,
상기 제1 시점을 통해 제1 계절을 위한 주문이 필요한 것으로 판단되면, 상기 제1 자재의 주문 내역에서 상기 제1 계절 동안의 주문 내역을 제3 주문 내역으로 추출하고,
상기 제3 주문 내역에 기초하여, 상기 제1 계절 동안 상기 제1 자재에 대한 주문 패턴을 분석한 결과를 제3 분석 결과로 생성하고,
상기 제1 시점으로부터 상기 제1 계절의 시작 시점까지 남아있는 잔여 기간을 제2 잔여 기간으로 확인하고, 상기 제2 잔여 기간이 짧을수록 더 높은 값으로 제3 가중치를 설정하고,
상기 제3 분석 결과에 상기 제3 가중치를 적용하고,
상기 제1 가중치가 적용된 제1 분석 결과, 상기 제2 가중치가 적용된 제2 분석 결과 및 상기 제3 가중치가 적용된 제3 분석 결과를 기반으로, 제4 분석 결과를 생성하고,
상기 제4 분석 결과를 출력하는,
인공지능 모델 기반 B2B 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법.
삭제
제1항에 있어서,
상기 제1 자재에 대한 예상 주문일 및 예상 주문량을 예측하는 단계 이후,
상기 제1 가맹점 단말로부터 자재 주문 요청이 수신되면, 제1 가맹점의 자재 주문 내역을 기반으로, 상기 제1 가맹점에서 가장 최근에 주문한 자재들의 주문량을 각각 확인하는 단계;
상기 제1 가맹점에서 가장 최근에 주문한 자재들의 주문량을 기본값으로 설정하여 자재 주문 페이지를 생성하고, 상기 자재 주문 페이지를 상기 제1 가맹점 단말로 제공하는 단계;
상기 제1 가맹점 단말로부터 상기 제1 자재를 제1 주문량 주문하는 주문 요청이 수신되면, 상기 제1 주문량에 대한 주문 요청이 수신된 시점을 제2 시점으로 확인하는 단계;
상기 제2 시점과 상기 예상 주문일 간의 차이를 차이 기간으로 산출하고, 상기 제1 주문량과 상기 예상 주문량 간의 차이를 차이 주문량으로 산출하는 단계;
상기 차이 기간이 미리 설정된 제2 기준 기간 보다 짧은 것으로 확인되고, 상기 차이 주문량이 미리 설정된 기준 주문량 보다 적은 것으로 확인되면, 상기 제2 시점에 요청된 상기 제1 주문량에 대한 주문 요청에 문제가 없는 것으로 판단하는 단계;
상기 차이 기간이 상기 제2 기준 기간 보다 긴 것으로 확인되거나, 상기 차이 주문량이 상기 기준 주문량 보다 많은 것으로 확인되면, 상기 제2 시점에 요청된 상기 제1 주문량에 대한 주문 요청에 문제가 있는 것으로 판단하는 단계; 및
상기 제2 시점에 요청된 상기 제1 주문량에 대한 주문 요청에 문제가 있는 것으로 판단되면, 상기 제1 주문량에 대한 주문 확인이 필요한 것을 안내하는 알림 메시지를 상기 제1 가맹점 단말로 전송하는 단계를 더 포함하는,
인공지능 모델 기반 B2B 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법.