KR102547491B1 - Ｂ２ｂ 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템 - Google Patents

Abstract

B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템이 제공되며, 적어도 하나의 종류의 식자재를 기 구축된 판매가격 결정 알고리즘에 의해 도출된 가격으로 주문 및 결제하는 적어도 하나의 가맹점 단말 및 경매정보, 뉴스정보, 날씨정보 및 통계청 데이터를 포함하는 공개용 외부 API와, 식당 상품별 식자재 정보 및 중매인 매입정보를 포함하는 대외비 API를 포함하는 외부정보를 수집하는 외부정보 수집부, 기 설정된 기간 동안 누적된 적어도 하나의 종류의 식자재의 매입가격 정보, 주문정보 및 식당 상품별 식자재 정보를 포함하는 내부정보를 수집하는 내부정보 수집부, 내부정보 및 외부정보를 기반으로 기 설정된 마진율이 보장되도록 기 구축된 판매가격 결정 알고리즘을 통하여 판매가격을 결정하는 결정부, 결정부에서 결정된 판매가격으로 적어도 하나의 가맹점 단말로부터 주문 및 결제를 받는 주문관리부를 포함하는 결정 서비스 제공 서버를 포함한다.

Description

Ｂ２Ｂ 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템{SYSTEM FOR PROVIDING ARTIFICIAL INTELLIGENCE BASED PRICE DECISION SERVICE FOR BUSINESS-TO-BUSINESS MARKET}

본 발명은 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템에 관한 것으로, 내부정보 및 외부정보를 데이터셋으로 인공지능 알고리즘을 학습시켜 모델링함으로써 식자재의 판매가격을 정확히 결정할 수 있는 플랫폼을 제공한다.

국내 소상공인 사업체 개수는 전체 사업체의 90%에 육박하고 있고, 소상공인은 전체 사업자 종사자의 40%에 이른다. 이들은 국가경제의 근간이나 베이비부머 세대의 은퇴와 상대적으로 낮은 진입장벽 등으로 소상공인의 비중이 주요 선진국에 비해 너무 크다. 소상공인 실태조사에 의하면 소상공인의 생계유지를 위한 창업동기가 가장 높게 나타났다. 최근 O2O(Online to Offline) 서비스들의 급성장으로 인해 서비스에 의존할 수밖에 없는 소상공인들의 수수료 부담이 커지고 있다. 소상공인들의 질적 성장을 위해 디지털 시스템 도입이 요구되고 있다. 특히, 식자재에서도 기후에 영향을 많이 받는 채소들은 생산량과 가격 변동이 생기는데, 선물 및 옵션이 발생할만큼 다양한 변수와 요인으로 인하여 예측이 쉽지 않은 것이 현 실정이다.

이때, 식자재를 주문할 수 있는 B2B(Business-to-Business) 플랫폼과 식자재 가격을 예측하여 주문할 수 있도록 하는 플랫폼이 각각 연구 및 개발되었는데, 이와 관련하여, 선행기술인 한국공개특허 제2020-0132650호(2020년11월25일 공개) 및 한국등록특허 제10-1994607호(2019년06월28일 공고)에는, 식자재 주문 요청이 접수되면, 식자재 공급 업체로부터 가격 정보를 수신하며, 수신된 가격 정보를 이용하여 식자재 비교 견적 리스트를 생성하고, 주문자에게 제공한 후, 주문자가 식자재 비교 견적 리스트 중에서 어느 하나의 식자재를 선택하면 온라인 결제를 진행하는 구성과, 식자재 유통 서버로부터 배송 오더를 받은 경우 재고를 조회한 후, 가격 및 배송 조건을 비교하여 발주 오더를 생성하며, 발주 오더 각각에 대하여 배송 과정의 시뮬레이션 결과를 적용하여 발주 오더 가격과 배송완료일 정보를 결합하여 계약조건으로 제시하는 구성이 각각 개시되어 있다.

다만, 상술한 구성에서 예측이라는 용어를 사용하고는 있지만, 실질적인 의미의 예측이 아니라, 단순히 역경매 방식과 같이 정보를 조합하여 사업자에게 제공하는 것일 뿐이어서 진정한 의미의 예측일 수 없다. 식자재는 매일 경매가 이루어지기 때문에 매일 가격이 변동되는 상품으로 특히 기후에 영향을 많이 받는 채소들은 생산량과 가격 변동이 생긴다. 신속하고 정확한 시장의 물가 파악은 소비자 개인을 넘어 정부와 관련 기업의 주요 관심 사항이지만, 물가 지표 파악은 일 혹은 주 단위로 지연되어 국가의 정책 결정에 필요한 주요한 데이터의 부재가 있을 뿐만 아니라 투자 잠재성을 저하시킨다. 정부 발표의 공식 경제 지표도 현재 시점이 아닌 과거 시점의 소비자 물가에 대한 정보만을 파악할 수 있다. 이에, 판매가격을 예측하여 예측된 판매가격으로 식자재를 B2B 기반으로 결제 및 구매할 수 있는 플랫폼의 연구 및 개발이 요구된다.

본 발명의 일 실시예는, 중매인 매입가격을 수집하여 매출원가를 수집하고, 과거 시세 변동데이터를 수집하여 시세 정보를 파악하며, 도매시장 경매 데이터, 날씨 및 특정일 정보나 뉴스와 같은 정보를 수집하고 수집된 데이터를 데이터셋(DataSet)으로 하여 인공지능 알고리즘을 모델링함으로써 정확한 가격 예측이 되도록 하고, 중간가격에 기 설정된 마진율을 붙여 최종 가격을 산정하도록 함으로써 실질적인 판매가격 예측으로 B2B 기반 식자재 주문을 받을 수 있도록 하고, 외부 API를 연동시킴으로써 신뢰성을 향상시키며, 최소 마진율을 설정하여 중매인의 마진을 보장할 수 있는, B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 적어도 하나의 종류의 식자재를 기 구축된 판매가격 결정 알고리즘에 의해 도출된 가격으로 주문 및 결제하는 적어도 하나의 가맹점 단말 및 경매정보, 뉴스정보, 날씨정보 및 통계청 데이터를 포함하는 공개용 외부 API와, 식당 상품별 식자재 정보 및 중매인 매입정보를 포함하는 대외비 API를 포함하는 외부정보를 수집하는 외부정보 수집부, 기 설정된 기간 동안 누적된 적어도 하나의 종류의 식자재의 매입가격 정보, 주문정보 및 식당 상품별 식자재 정보를 포함하는 내부정보를 수집하는 내부정보 수집부, 내부정보 및 외부정보를 기반으로 기 설정된 마진율이 보장되도록 기 구축된 판매가격 결정 알고리즘을 통하여 판매가격을 결정하는 결정부, 결정부에서 결정된 판매가격으로 적어도 하나의 가맹점 단말로부터 주문 및 결제를 받는 주문관리부를 포함하는 결정 서비스 제공 서버를 포함한다.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 중매인 매입가격을 수집하여 매출원가를 수집하고, 과거 시세 변동데이터를 수집하여 시세 정보를 파악하며, 도매시장 경매 데이터, 날씨 및 특정일 정보나 뉴스와 같은 정보를 수집하고 수집된 데이터를 데이터셋(DataSet)으로 하여 인공지능 알고리즘을 모델링함으로써 정확한 가격 예측이 되도록 하고, 중간가격에 기 설정된 마진율을 붙여 최종 가격을 산정하도록 함으로써 실질적인 판매가격 예측으로 B2B 기반 식자재 주문을 받을 수 있도록 하고, 외부 API를 연동시킴으로써 신뢰성을 향상시키며, 최소 마진율을 설정하여 중매인의 마진을 보장할 수 있다.

도 1은 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 결정 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.

본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템(1)은, 적어도 하나의 가맹점 단말(100), 결정 서비스 제공 서버(300), 적어도 하나의 정보 제공 서버(400)를 포함할 수 있다. 다만, 이러한 도 1의 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.

이때, 도 1의 각 구성요소들은 일반적으로 네트워크(Network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 가맹점 단말(100)은 네트워크(200)를 통하여 결정 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 결정 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 가맹점 단말(100), 적어도 하나의 정보 제공 서버(400)와 연결될 수 있다. 또한, 적어도 하나의 정보 제공 서버(400)는, 네트워크(200)를 통하여 결정 서비스 제공 서버(300)와 연결될 수 있다.

여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.

하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.

적어도 하나의 가맹점 단말(100)은, B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 식자재를 주문하는 가맹점의 단말일 수 있다. 이때, 가맹점 단말(100)은, 결정 서비스 제공 서버(300)에서 결정한 판매가격에 식자재를 주문하는 단말일 수 있다.

여기서, 적어도 하나의 가맹점 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 가맹점 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 가맹점 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

결정 서비스 제공 서버(300)는, B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 결정 서비스 제공 서버(300)는, 내부정보 및 외부정보를 누적 및 수집함으로써 데이터셋(DataSet)을 생성하는 서버일 수 있다. 또한, 결정 서비스 제공 서버(300)는, 데이터셋으로 식자재의 가격을 예측하는 인공지능 알고리즘을 학습 및 테스트로 모델링하는 서버일 수 있다. 그리고, 결정 서비스 제공 서버(300)는, 모델링된 인공지능 알고리즘을 가격 결정 알고리즘으로 구축하고 오차가 발생하는 예측에 대해서는 지속적으로 재학습을 하도록 하는 서버일 수 있다.

여기서, 결정 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.

적어도 하나의 정보 제공 서버(400)는, B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하거나 이용하지 않고 결정 서비스 제공 서버(300)로 외부정보를 제공하는 서버일 수 있다. 여기서, 적어도 하나의 정보 제공 서버(400)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.

도 2는 도 1의 시스템에 포함된 결정 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.

도 2를 참조하면, 결정 서비스 제공 서버(300)는, 외부정보 수집부(310), 내부정보 수집부(320), 결정부(330), 주문관리부(340), 체크부(350), 모델링부(360), 빅데이터화부(370) 및 오류파악부(380)를 포함할 수 있다.

본 발명의 일 실시예에 따른 결정 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 가맹점 단말(100) 및 적어도 하나의 정보 제공 서버(400)로 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 가맹점 단말(100) 및 적어도 하나의 정보 제공 서버(400)는, B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 가맹점 단말(100) 및 적어도 하나의 정보 제공 서버(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.

도 2를 참조하면, 외부정보 수집부(310)는, 경매정보, 뉴스정보, 날씨정보 및 통계청 데이터를 포함하는 공개용 외부 API와, 식당 상품별 식자재 정보 및 중매인 매입정보를 포함하는 대외비 API를 포함하는 외부정보를 수집할 수 있다. 이때, 외부정보 수집부(310)는, 외부정보를 수집할 때 웹 크롤러를 이용할 수 있다. 웹 크롤링을 위한 웹 크롤러란 조직적, 자동화된 방법으로 월드 와이드 웹을 탐색하는 컴퓨터 프로그램이다. 웹 크롤러가 하는 작업을 웹 크롤링(WebCrawling) 혹은 스파이더링(Spidering)이라 부르며 봇이나 소프트웨어 에이전트의 한 형태이다. 웹 크롤러는 크게 일반 웹 크롤러와 분산 웹 크롤러가 있다.

웹 크롤러의 기본 동작을 설명하면, 우선 URL 프론티어(Frontier) 모듈에서 URL을 가져와 HTTP 프로토콜을 사용해 해당 URL의 웹 페이지를 가져오는 것으로 시작한다. 그런 다음 패치(Fetch) 모듈에서 임시 저장소에 웹 페이지를 저장하고, 파서(Parser) 모듈에서 텍스트와 링크를 추출을 하고 텍스트는 인덱서(Indexer)에 보내진다. 링크의 경우는 URL 프론티어에 추가되어야 하는지에 대해 Content Seen, URL Filter, Duplication URL Element 모듈들을 거치면서 판단하게 된다. 이때, 웹 문서를 전부를 일반 웹 크롤러로 크롤링 한다는 것은 사실상 불가능하기 때문에 분산 웹 크롤러를 더 사용할 수 있다.

분산 웹 크롤러는 크게 2가지로 나누어지는데 그 중 하나가 중앙 집중식(Centralized) 방식이고 다른 하나는 P2P(or Fully-Distributed) 방식이다. 중앙 집중식 분산 웹 크롤러는 URL 매니저가 서버와 같은 역을 수행하고, 크롤러가 클라이언트 역을 하는 구조이다. 크롤러에서 문서를 다운로드 받고 아웃링크(OutLink) URL을 추출하여 URL 매니저에게 넘겨주면 URL 매니저는 다운로드 받은 문서의 URL인지 검사하여 URL 중복을 제거를 한다. 즉 일반 웹 크롤러에서 URL 중복과 URL 관리를 하는 부분을 URL 매니저가 대신 해 주는 것이다. 한편, P2P 방식은 각 Crawler가 완전 독립적인 구조를 가진다. P2P 방식은 각각의 크롤러가 일반 웹 크롤러처럼 동작을 한다. 각각의 크롤러는 문서를 다운로드 받고 OutLink URL을 추출하고 URL 중복제거까지 모두 각각의 크롤러가 독립적으로 동작한다. 이렇게 하기 위해서는 각각의 크롤러에서 관리하는 다운로드 받은 URL 목록은 서로 배타적이어야 한다. 그렇지 않으면 서로 다른 크롤러에서 같은 문서를 다운로드 받는 현상이 발생할 것이다. 이것을 해결하는 방법으로 각각의 크롤러는 다운로드 받을 URL 도메인(Domain)을 서로 배타적으로 나눠서 관리할 수 있다. 즉, 자신이 다운로드 도메인에 속하는 것만 관리하고 나머지 URL은 다른 크롤러에게 넘기는 방법인데, 이러한 방법을 이용하는 경우 각각의 크롤러가 독립적으로 동작할 수 있다.

그 다음은 웹 콘텐츠를 추출해야 하는데, 웹 콘텐츠 추출 기술은 웹 문서로부터 정보 분석에 활용될 콘텐츠 등을 자동으로 추출하는 기능을 제공한다. 웹 콘텐츠 추출 시스템은 콘텐츠를 추출하는 규칙을 자동 생산해 콘텐츠만을 추출하는 장치로 콘텐츠 추출 규칙을 자동 생성하는 규칙 생성기(Rule Generator), 주어진 웹 문서에서 내비게이션 콘텐츠를 제거하는 네비게이션 콘텐츠 제거기(Navigation Content Eliminator), 콘텐츠 추출 규칙 키워드 유사도 비교를 통해 콘텐츠를 추출하는 콘텐츠 추출기(Core Context Extractor)로 구성될 수 있다. 물론, 상술한 크롤링 방법 이외에도 다양한 방법으로 실시간 자료를 수집하는 것도 가능하며 나열된 것들로 한정되지 않으며 열거되지 않은 이유로 배제되지 않는다.

내부정보 수집부(320)는, 기 설정된 기간 동안 누적된 적어도 하나의 종류의 식자재의 매입가격 정보, 주문정보 및 식당 상품별 식자재 정보를 포함하는 내부정보를 수집할 수 있다. 이때, 식당 상품별 식자재 정보는, 예를 들어, 낙지볶음 2인분 2만원인 상품(메뉴)이라면, 낙지 1 마리, 양파 1/2개 , 당근 1/6개, 양배추 1/4조각, 대파 1대, 식용유 1T, 참기름 3방울, 통깨 1T, 간장 3T, 설탕 1T, 맛술 1T, 고춧가루 2T, 다진마늘 1T의 재료(식자재)가 필요하므로, 낙지볶음 2 인분에 상술한 재료의 양 및 종류를 매핑한 것일 수 있다. 이때, 주문정보를 입력받는 이유는, 어떠한 주문이 얼마나 들어오는지를 알아야, 그 다음 주문정보의 종류 및 수량을 예측해서, 그 주문정보(메뉴)에 포함될 식자재 정보를 상술한 바와 같이 추출할 수 있기 때문이다. 다만, 대부분의 식당에서 레시피는 영업노하우로 비밀로 유지되기 때문에 이 정보를 모두 공개할 수는 없다. 따라서, 해당 정보를 프라이빗 블록체인을 이루는 하나의 블록을 생성 및 분기시켜 넣어두고, 제3신뢰기관(The 3rd Trust Party)에서 이를 조회한 후, 식자재만 계산할 때 엑세스하도록 할 수 있다.

결정부(330)는, 내부정보 및 외부정보를 기반으로 기 설정된 마진율이 보장되도록 기 구축된 판매가격 결정 알고리즘을 통하여 판매가격을 결정할 수 있다. 이때, 판매가격 결정 알고리즘은 인공지능 알고리즘의 한 종류로 딥러닝(Deep Learning)이 이용될 수 있다. 인공지능이 가장 넓은 개념이며, 인공지능의 중요한 구현 방법 중 하나가 머신러닝(Machine Learning)이고 머신러닝 중 하나의 방법론이 딥러닝(Deep Learning)이다. 딥러닝은 심층 신경망(DNN, Deep Neural Network) 이라고도 하는데 신경망(Neural Network)은 입력 계층(Input layer), 은닉 계층(Hidden layer), 출력 계층(Output layer)으로 구성된다. 은닉 계층을 2개 이상 쌓아 올려 구성한 신경망이 심층 신경망이다. 머신러닝이나 딥러닝을 위한 라이브러리로는 텐서플로우(TensorFlow), 토치(Torch), 카페(Caffe), MXNet, 체이너(Chainer) 등 많은 라이브러리가 있으므로 알고리즘의 성능이 좋은 라이브러리를 이용할 수 있다.

텐서플로우(TensorFlow)는 데이터 플로우 그래프(Data flow graph)를 사용하여 수치 연산을 하는 오픈소스 소프트웨어 라이브러리이다. 텐서플로우는 원래 머신러닝과 심층 신경망 연구를 목적으로 구글의 인공지능 연구 조직인 구글 브레인 팀의 연구자와 엔지니어들에 의해 개발되었다. 또, 선형 회귀(Linear Regression)는, 기본적인 머신러닝 기법 중의 하나로 변수(Variable)가 하나인 것을 선형 회귀(Linear Regression)이라 하고 선형 상관관계로 모델링해 값을 예측하는 방식이다. 가설(Hypotheses)은 이하 수학식 1과 같다.

빅데이터 기반의 식자재 가격결정 플랫폼에서는 여러 개의 변수가 하나의 결과와 연계되어야 한다. 이러한 경우 다변량 선형 회귀(Multi-variate Linear Regression)라고 부른다. 예를 들어, 기후에 따라 가격이 변하는 데이터를 오픈소스 딥러닝 프레임워크 중에서 많은 기업이 활용하고 있는 텐서플로우(Tensorflow)을 이용해 다변량 선형 회귀(Multi-variate Linear Regression)를 구현하여 가격 예측을 위한 딥러닝 학습 모델을 설계할 수 있게 된다.

빅데이터는 빅데이터화부(370)에서 수집되므로, 예를 들어, 기상 데이터와 식자재 가격 데이터 간의 관계를 파악하고자 하는 경우, 기상 데이터와 식자재 가격 데이터를 데이터셋으로 구축한 후, 딥러닝 모델을 설계 및 구현하면 된다. 이때, 정형 데이터와 비정형 데이터를 얻을 수 있는 Open API를 통해 수시로 변동되는 식자재 가격에 최적의 가격을 구매할 수 있게 유도할 수 있다. 식자재 가격 변동을 분석하기 위해 예년 기상 데이터와 식자재 가격이 필요하다. 한국에서 Open API로 제공하는 기상청 기상자료 개방 포털과 KAMIS 농산물 유통정보에서 무료로 데이터를 제공받을 수 있다. 예를 들어, 농산물 유통정보 사이트에서 10년간 월간 채소 평균 도매가격을 수집할 수 있다. 다수의 종류의 식자재 정보를 도매가격을 기준으로 수집하고, 기상자료 개방 포털에서 10년간 월간 기상 평균 데이터를 수집할 수 있다.

기상 데이터와 평균 가격 데이터를 병합하고 정제하는 과정을 거친 후 분석 데이터 구성에 대한 데이터 시트를 생성할 수 있는데, 예를 들어, 평균기온, 최고기온 평균, 최저기온 평균, 강수량에 따라 가격에 영향을 미치기 때문에 가중치(Weight)를 각각 할당하여 가설(Hypotheses)을 이하 수학식 2와 같이 세울 수 있다.

편의상 bias를 제외하고 계산을 편하게 표현하기 위해 행렬(Matrix) 표현을 사용하고 행렬곱으로 표현하면 이하 수학식 3과 같이 간단하게 계산할 수 있다.

위 가설(Hypotheses)을 텐서플로우 라이브러리를 활용해 다변량 선형 회귀 모델을 파이썬(Python)코드로 구현하여 실험할 수 있다. 예를 들어, 상술한 데이터 시트를 읽어 와서 평균 기상 데이터 4개의 값을 x변수에 입력하고 평균 가격 데이터를 y 변수에 입력하고, 텐서플로우 함수를 이용하여 가설(Hypotheses)을 설정하고 최적화는 경사 하강법(Gradient Descent Optimizer)을 사용하며, 예를 들어, 10만 epoch까지 반복 학습을 진행하는 과정에서 1000 epoch마다 출력해서 손실값(Cost)과 가설(Hypotheses)을 확인할 수 있는데, 이때 가설은 최적 가격(Price)이 될 수 있다. 또, 학습을 통해 도출한 손실값(Cost)을 시각화한 그래프를 생성할 수도 있다. 손실 값은 점점 줄어들며 0 으로 수렴하는 형태를 보여줄 수 있다.

학습한 결과 모델을 체크포인트(Checkpoint) 파일에 저장을 하고 식자재 가격이 필요한 시기의 기상 데이터를 변수로 입력받아 저장된 체크포인트 파일에서 모델을 불러와서 최적 가격을 예측하여 실험을 수행할 수 있다. 이와 같이, 도매시장 가격정보, 기상 데이터와 같은 다양한 빅데이터의 연결을 통해 분석 결과의 질을 높일 수 있고, 상술한 방법에서 변수를 늘리고 시계열 데이터를 학습하는 알고리즘을 추가하는 경우 예측이 더욱 정확해질 수 있다. 또한 이러한 식자재의 최저 금액일 때 물량을 확보해서 납품단가를 낮춰서 납품할 수 있게 할 수도 있고, 월간 또는 일간 평균 기후별로 다르게 나타나는 식자재 가격과 고려사항을 반영하여 추천이 이루어질 수도 있으며, 소상공인들이 많이 사용할 수 있는 유통 플랫폼에 접목을 시켜 실시간 기상 예보를 받아 와서 예측된 식자재 가격들을 시각적으로 쉽고 편하게 볼 수 있도록 할 수도 있다.

여기서, 머신러닝 기법 중 시계열 데이터 학습 및 예측에 적합한 순환신경망(Recurrent Neural Network)를 이용하여 가격예측모델을 더 적용할 수 있는데, 순환신경망은 특정 시점의 상태가 새롭게 입력되는 데이터와 함께 다음 시점 상태를 생성하는 입력 지점으로 전달되도록 개발된 인공신경망 모델이다. 이에 따라, 데이터 간의 시간 정보를 고려할 수 있기 때문에 시계열 데이터의 학습 및 예측에 적합한 모델이다. 특히, 순환신경망 모델의 데이터 학습시 기울기 소실 문제를 보완하기 위해 개발된 순환신경망의 변환 모델인 RNN-LSTM(Long Term Memory) 등 여러 변형 기법이 개발되어 다양한 문제에 적용되고 있는데, 본 발명의 일 실시예에 따른 방법에서는 순환신경망의 여러 변형기법을 적용하고 평가함으로써 가격예측 비교 서비스를 제공할 수 있다.

순환신경망은, 각 시간 단계마다 입력되는 데이터와 이전 시간 단계의 상태가 입력되어 새로운 상태를 만들고 이를 활용하여 가격을 예측한다. 이를 이용하여 가격을 예측한다. 이러한 가격 예측에 있어 각 시간 단계마다 입력되는 과거의 일 수는 가격 예측 성능에 중요한 영향을 미친다. 이 외에도, 순환신경망 모델의 학습률과 학습횟수 역시 학습에 영향을 미치는 변수이다. 이에 따라, 매개변수(가격변동요인 파라미터) 값들을 변경시켜가면서 성능 척도로 사용되는 RMSE(Root Mean Square Error)가 가장 적게 나오는 값을 본 발명의 일 실시예에 따른 순환신경망 모델의 매개변수 값들로 선정할 수 있다. 또한, 기울기 소실 문제를 해결하기 위하여, 순환신경망 모델인 LSTM Cell과 GRU Cell 중 하나를 선정할 수 있다. 두 기법 모두 순환신경망의 장기기억손상 문제를 보완하는 기법으로, GRU Cell의 경우에는 학습시키는 데이터 종류의 수가 많을수록 LSTM보다는 학습속도와 예측의 성능면에서 우수하다. 물론, 인공지능 알고리즘을 모델링하는 방법은 상술한 방법이나 변수에 한정되지 않으며, 열거되지 않은 이유로 배제되지 않는다.

주문관리부(340)는, 결정부(330)에서 결정된 판매가격으로 적어도 하나의 가맹점 단말(100)로부터 주문 및 결제를 받을 수 있다. 적어도 하나의 가맹점 단말(100)은, 적어도 하나의 종류의 식자재를 기 구축된 판매가격 결정 알고리즘에 의해 도출된 가격으로 주문 및 결제할 수 있다. 이때, 기 구축된 판매가격 결정 알고리즘은, 내부정보 및 외부정보에 포함된 각각의 항목을 변수로 하는 데이터셋으로 하며, 이를 질의(Query)로 입력하면 판매가격이 출력으로 나오는 인공지능 알고리즘을 모델링한 결과이다. 이때 내부정보 및 외부정보에는 다양한 항목이 포함될 수 있고, 상술한 내부정보 및 외부정보에 포함된 항목으로 한정되지는 않으므로, 각각의 실시예에 따라 변경될 수도 있고 수정 또는 업데이트될 수도 있다. 또, 후술할 예에서 오류를 파악한 경우에도 오류를 보정하고 정확도를 높이기 위하여 재학습될 수도 있다. 초기에는 누적된 내부정보가 상대적으로 적을 수 있으므로 충분한 데이터셋이 수집되지 못하여 발생하는 오류가 있을 수 있지만, 지속적으로 데이터를 수집하고 학습을 진행하고 오류를 줄이는 방향으로 재학습을 하다보면 정확도는 자연히 증가할 수 있다.

이에 따라, A 식자재를 주문하는 시점이 경매 전이라서 A 식자재의 정확한 가격을 알 수 없었던 사례를 제거할 수 있다. 예를 들어, 경매는 매일 아침(월-금) 5시에 행해지고, 주문을 하는 가맹점주는 식당 마감을 한 그 전날 오후 9시에 주문을 한다고 가정하면, 내일 들어올 식자재의 정확한 가격을 모를 수 있다. 이때, 본 발명의 일 실시예에 따른 예측 시스템을 이용하는 경우, 그 전날이라도 높은 정확도를 가지고 예측된 가격으로 식자재를 구매할 수 있으며, 언제 사야 식자재가 싼 지에 대해서도 그래프 등으로 알 수 있게 되므로 식자재의 공급을 확보하거나 단가를 싸게 하는 경우에도 유리할 수 있다.

체크부(350)는, 당일에 대하여 중매인 매입가격과 비교하였을 시 판매가격이 기 설정된 중매인 최소 마진율을 보장했는지에 대한 정확도를 체크할 수 있다. 이때, 최소 마진율은 예를 들어 20%일 수 있지만 실시예에 따라 변경가능할 수 있다.

모델링부(360)는, 내부정보 및 외부정보를 입력으로 데이터베이스를 구축한 후, 데이터베이스의 분류(DB Classification), 오피니언 마이닝(Opinion Mining) 및 데이터 처리(Data Processing)를 수행하여 데이터셋(DataSet)을 생성하고, 데이터셋으로 학습 세그먼트(Learning) 및 판단 세그먼트(Judgement Segment)를 통하여 인공지능 알고리즘의 모델링을 수행한 후, 판매가격 결정 알고리즘을 구축할 수 있다. 이때, 학습 세그먼트는, 특징 추출기(Feature Extraction) 및 모델 학습(Model Learning)을 포함하고, 판단 세그먼트는, 센싱 엘리먼트(Sensing Element) 및 모델 판단(Model Judgement)을 포함할 수 있다.

이때, 전처리된 데이터를 오피니언 마이닝(Opinion Mining)을 적용하여 감성 점수를 계산할 수 있고, 이때 형태소 분석기(Lexical Analyzer)와 머신러닝을 통해 비속어, 은어, 줄임말을 분석하여 사전을 구축하는 감성 사전 구축기(Sentiment Dictionary Builder)를 사용할 수 있다. 이를 기반으로 감성분석(Sentiment Analysis)을 진행하게 되는데, 이 과정에서 감성을 세부적으로 분석하기 위한 세부 분석 알고리즘을 추가할 수도 있다.

온라인 리뷰는 텍스트, 이미지, 비디오 등과 같은 멀티미디어 형태로 생성되는데, 텍스트 내의 중요한 단어를 선택하기 위해 머신러닝을 이용한 속성선택(Feature Selection)을 이용할 수도 있다. FS는 불필요한 단어를 걸러내고 중요한 단어를 선택에 분류성능을 높일 수 있다. 또는, 감성분석을 위한 효과적인 오피니언 마이닝 모델을 위하여, 학습 분류기와 속성선택 방법인 FS의 조합을 이용할 수도 있다. 여기서, FS는, CFS(Correlation based Feature Selection), IG(Information gain) 등일 수 있고, 분류에 사용한 분류기는 로지스틱 회귀(Logistic Regression), 의사결정 트리(Decision Tree), 신경망(Neural Network), 서포트 벡터 머신(Support Vector Machine), 나이브 베이지안 네트워크(Naive Bayesian Network), 랜덤 포레스트(Random Forest), 배깅(Bagging), ㅅ스스태킹(Stacking), 랜덤 부분공간(Random Subspace) 중 어느 하나 또는 적어도 하나의 조합일 수 있다.

FS는, 수십만 개의 속성을 포함하는 데이터 세트의 출현으로 나타난 것으로, 데이터 생성 및 관리의 프로세스를 모델링하고 변수를 확보할 수 있는데, 머신러닝 알고리즘의 관점에서 속성 선택은 차원수를 줄이면서 알고리즘의 성능을 유지하거나 성능을 향상시키는 방법이다. 속성 선택을 위해서는, 데이터의 일반적인 속성에 의존하고 유도 알고리즘이 독립적인 전처리 단계로 학습하는 필터(Filter) 학습, 알고리즘을 블랙박스로 간주하여 사용하며, 예측 성능을 사용하여 변수 하위 집합의 상대적 유용성을 평가하고, 속성 선택 알고리즘을 호출하여 각 피쳐(특징)의 서브 세트를 평가하는 서브 루틴으로서 학습 방법을 사용하는 래퍼(Wrapper) 학습, 교육과정에서 FS를 수행하며 대게 지정된 학습 시스템에 적용되어 최적의 하위 집합이 분류 기준 구성에 포함되어 표시되고, 속성의 부분집합과 가설의 결합된 공간에서 검색하고 종속성을 찾을 수 있는 임베딩(Embedding)을 포함할 수 있다.

IG는, 평가 속성의 단일 변수 방법 중 하나이다. 이 방법은 정보획득에 따라 기능을 평가하고 한 번에 하나의 기능만 고려하는데, 엔트로피 측정은 이하 수학식 4와 같다.

여기서, p(y)는 확률변수(Y)에 대한 한계확률 밀도 함수이다. 학습 데이터 세트인 S에서 관측된 Y 값이 두 번째 속성인 X 값에 따라 분할될 경우, X에 의해 유도된 파티션에 대해 Y의 엔트로피가 나누어지기 이전의 Y의 엔트로피보다 작다면, X와 Y의 특징 사이에 관계가 있다. 이때, X를 관찰한 후에 Y는 이하 수학식 5와 같다.

여기서, p(y|x)는 주어진 x의 조건부 확률이다. 엔트로피가 훈련 집합 S에서 불순물을 기준으로 주어지면, Y의 엔트로피가 감소하는 양을 나타내는 X에 의해 제공된 Y에 관한 추가 정보를 반영하는 측정을 정의할 수 있다. 이 측정은 X와 Y 사이의 종속성을 나타내는 지표로, IG라 하고, 이에 따른 수학식은 이하 수학식 6과 같다. 이때, 모든 속성의 규칙적인 분류를 제공하고, 얻어진 순서에 따라 속성의 수를 선택하기 위한 임계값이 미리 설정될 수도 있다.

CFS는, 상관관계 기반 휴리스틱 평가 함수에 따라 속성 서브 세트를 랭킹하는 다변수 필터 알고리즘이다. 이는 포함된 속성들 간에 부분 집합이 서로 상관관계가 있는지 혹은 없는지에 대한 오류를 평가하는 방법이다. 휴리스틱 평가는 목표 변수에 대한 분류의 성능을 저해시키는 관련성이 낮은 변수를 다룬다. 관련성이 낮은 속성은 클래스와 상관관계가 낮기 때문에 배제한다. 속성선택은 독립적으로 수행될 수 있다.

로지스틱 회귀는, 선형 또는 비선형 형태의 분류를 목적으로 사용되는 회귀 분석 방법이다. 이 방법은 각 클래스에 속한 트레이닝 인스턴스의 출력을 1로 설정하고 비 소속 인스턴스의 출력을 0으로 설정하여 클래스에 대해 회귀를 수행한다. 이러한 결과로 선형 방정식이 도출되는데, 그 다음에 미지의 클래스 검증을 할 때, 각 선형 방정식의 결과를 계산하고 가장 큰 값을 선택하는 방법으로 분류하는 분류기이다. 나이브 베이지안은, 클래스 정보가 포함되어 있는 트레이닝 인스턴스를 학습시켜 테스트 인스턴스의 클래스를 정확하게 예측하는 것이 목표이다. 이때, 나이브 베이지안은, 두 가지 중요한 단순화 가정에 의존하기 때문에 베이지안 네트워크가 나이브의 형태로 특화할 수 있다. 특히, 예측 속성은 주어진 클래스 별로 조건적으로 독립적이라고 가정하고, 파악된 속성 또는 잠재된 속성은 예측 프로세스에 영향을 미친다.

신경망은, 인간 뇌의 뉴런을 모방한 알고리즘으로, 다층 신경망(Multilayer Perceptron)으로 입력층(Input Layer), 은닉층(Hidden Layer), 출력층(Output Layer)로 구성되는데, 입력층에서는 각 변수에 대응하는 노드(Node)들로 구성되어 있다. 다음 은닉층은 입력층으로부터 전달되는 변수 값들을 비선형함수로 처리하여 출력층에 전달한다. 출력층은 목표변수에 대응하는 노드를 갖게 된다. 렌덤 포레스트는, 회귀 및 기타 작업을 수행하기 위한 앙상블 학습 방법으로, 훈련 기간 동안 다수의 의사결정 나무가 구성되며, 분류 모드 또는 개별 트리의 평균 예측인 클래스 출력에 의해 작동될 수 있다.

랜덤 포레스트는, 텍스트 분류의 많은 중첩 값으로 인해 다양한 앙상블 분류기와 비교할 때, 정서 분류에 더 적합한 분류기이므로, 감정 분류에 적합하다. 무작위 공간에서 교육 데이터 세트는 배깅(Bagging)과 같은 알고리즘을 사용하여 수정될 수 있는데, 이때 수정은 인스턴스 공간이 아닌 속성 공간에서 진행될 수 있다. 랜덤 포레스트는, 기본 분류기를 구성하고 집계하기 위해 임의의 부분 공간을 사용할 수 있으며, 데이터 집합에 다수의 중복 또는 관련이 없는 속성이 있는 경우 원래의 기능 공간과 비교하여 임의의 부분 공간에서 보다 효과적인 기본 분류기를 선택할 수 있다. 이 기본 분류기의 결합된 결정은 전체 속성 세트의 학습 데이터 세트에서 작성된 단일 분류기 보다 성능이 좋을 수 있다.

의사결정 트리는, 분류 또는 회귀작업에 적용할 수 있는 비모수적 방법이다. 종속 변수를 예측하기 위해 입력 공간이 지역 영역으로 분리되는 감독학습을 위한 계층적 데이터 구조인데, 유한한 비공유 노드 집합과 모서리 집합으로 구성된 그래프일 수 있다. 서포트 벡터 머신은, 분류 작업을 해결하기 위한 최적의 분리 초평면 상태를 제공한다. 수리적 분석은 높은 차원의 분리된 초평면에서 선형문제로 입력 공간과 관련된 비선형 문제를 나타낼 수 있고다.

배깅은, Bootstrap aggregating의 약자로 균일한 확률 분포에 따라 반복적으로 샘플링을 한 후, 의사 결정트리 모형을 조합하여 투표(Voting)에 따라서 분류 예측을 한다. 배깅은 주로 회귀분석에서 사용되며 안정성과 정확도를 향상시키고 분산을 줄일 수 있다. 스태킹은, 동일한 타입의 모델을 조합하는 배깅과는 달리, 다양한 학습 알고리즘을 학습하여 다른 여러 알고리즘의 예측을 결합하는 작업이다. 특히, 메타 학습기를 이용해서 어떤 분류기를 신뢰할 수 있는지를 성능을 추정 후 최고의 성능을 내는 분류기를 찾아내서 조합할 수 있다.

빅데이터화부(370)는, 내부정보 및 외부정보를 포함한 로우 데이터(Raw Data)를 병렬 및 분산하여 저장하고, 저장된 로우 데이터 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터 및 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시하며, 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시하고, 분석된 데이터를 시각화하여 출력할 수 있다. 이때, 데이터 마이닝은, 전처리된 데이터 간의 내재된 관계를 탐색하여 클래스가 알려진 훈련 데이터 셋을 학습시켜 새로운 데이터의 클래스를 예측하는 분류(Classification) 또는 클래스 정보 없이 유사성을 기준으로 데이터를 그룹짓는 군집화(Clustering)를 수행할 수 있다. 빅데이터를 수집하는 예는 상술한 바와 같으므로 중복되는 설명은 생략하기로 한다.

오류파악부(380)는 기 구축된 판매가격 결정 알고리즘에서 결정한 판매가격과 당일 판매가격의 차이에 대한 오류 검증을 실시하고, 오류 검증을 통하여 오류 부분 및 오류 원인을 파악하며, 파악된 오류 부분 및 오류 원인에 대한 패턴을 발견하고 분류를 통하여 오류율을 예측하기 위하여, 인공신경망을 이용한 딥러닝을 실시하며, 딥러닝으로 도출된 데이터를 기 구축된 판매가격 결정 알고리즘에 반영되도록 오류를 파악할 수 있다.

이하, 상술한 도 2의 결정 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.

도 3a를 참조하면, 본 발명의 일 실시예에 따른 플랫폼은 외식업 식자재 구매 부담 완화를 위한 도매시장 직거래 인공지능 플랫폼이며, 복수의 시스템 중 본 발명의 일 실시예는 2 번째 시스템, 즉 인공지능 알고리즘 기반 판매가격 결정 시스템이다. 매입가 대비 마진율 20%를 보장한 판매가격을 결정하며, 내부정보 및 외부정보를 기준으로 책정할 수 있다. 도 3b 및 도 3c는 본 발명의 시스템 구조도인데, 도 3c의 데이터는 인공지능 알고리즘의 결과를 도출하기 위한 정보로 내부정보 및 외부정보의 수집을 바탕으로 이루어져 있고, DB/DataSet은 수집된 정보를 전처리 후 마이닝을 통하여 시각화별 데이터를 분류하는 것이고, 모델링은, 특징 추출, 가중치 및 고정변수값을 각 알고리즘에 맞춰 모델링을 통해 결과를 도출하기 위한 것이며, 시각화는, 모델링의 결과값을 모바일 또는 웹 페이지 등을 통하여 관리자나 사용자(가맹점)가 볼 수 있도록 하는 시각화 자료이다.

도 3d를 참조하면, 본 발명의 서비스를 도시하는데, 도매시장은 매일 식자재에 대한 경매가 발생하고, 이에 따라 동일한 식자재의 경우에도 특정 변수(날씨, 특정일 등)에 따라 가격차이가 극심한 양상을 보이고 있다. 이에 본 발명의 일 실시예에 따른 플랫폼에서 누적한 7 년간의 데이터와 노하우 등을 바탕으로 가격 결정 알고리즘을 개발했으며, 중매인 마진을 20% 보장하고, 도매시장 등 외부 API 연동을 통하여 신뢰성을 향상시킬 수 있다. 가격 결정 내부 알고리즘은, 가격 결정을 위한 내부정보 및 외부정보 기반한 알고리즘이며, 마진율 보장 시스템을 적용하고, 내부정보(과거 시세 변동, 날씨, 특정일, 노하우) 등을 이용한다. 또, 가격 결정 외부 API는, 외부 정보 수집을 위한 API이며, 외부 정보, 예를 들어, 농수산물 유통공사 공공 API나, 도매시장 경매 자료 등이 포함될 수 있다.

이때, 마진율 보장 정확도는, 당일에 대하여 중매인 매입 가격과 비교했을 때 판매가격이 중매인 최소 마진율 20%를 보장했는지에 대한 정확도이고, 결정된 가격 적용률은, 판매가격 결정 시스템을 통해 결정된 가격이 모바일 애플리케이션에서 나타났는지에 대한 정확도이다.

도 4a를 참조하면, 본 발명의 일 실시예에 따르면 모바일 애플리케이션을 통하여 도매시장 직거래가 가능한데, 오프라인 구매만 가능했던 도매시장 식자재를 모바일 애플리케이션을 통하여 합리적인 구매가 가능하도록 하고, 판매가격 대비 당일 경매 시세 공개를 통하여 투명한 거래 환경을 제공할 수 있다. 또한, 인공지능 알고리즘을 통하여 도매시장 및 식장의 효율을 극대화할 수 있는데, 인공지능 알고리즘을 기반으로 가격 및 수요 예측을 할 수 있으므로, 도매시장의 가격을 안정화시킬 수 있고, 자동 발주, 견적 비교를 통하여 식당점주들은 식당운영에만 집중할 수 있도록 도와줄 수 있고, 도매시장은 마진율 보장과 영업, 고객 응대에 대한 리소스를 줄여준다.

도 4b를 참조하면, 본 발명의 일 실시예에 따른 서비스는, 오프라인 유통과 채소가게를 운영하면서 터득한 노하우를 가지고, 상품별 시세변동, 급등락 상품 원인 정보, 식당별 주요 구매상품 정보, 업종별 주요 판매 상품 정보, 지역별 주요 판매 상품 정보, 상품별 판매량 정보, 도매시장 중매인별 매출 현황 정보, 식당별 주문 패턴 및 금액 정보, 시간대별 물류 경로 실제 효율 정보 등을 이용하여 빅데이터를 확보 및 구축해왔으므로, 이를 모델링, 즉 인공지능 알고리즘을 만들기 위한 모델링을 수행하면 정확한 예측도를 가진 알고리즘을 생성할 수 있다.

도 4c를 참조하면, 시세 변동과 날씨 데이터, 카테고리별 상품 추천 데이터, 업체별 주문 패턴 데이터, 농산물 과거 데이터와 환경 변수 관계 분석 알고리즘, 농산물 작황 및 성장 특성 관계 분석 알고리즘, 고객별 사용 상품 및 구매 변수에 따른 주문 예측 알고리즘, 다른 유통채널 판매가격 수집 및 가격 관계 분석 알고리즘, 매출 정보아 환경변수 관계 예측 알고리즘이 도출될 수 있고, 고객 업종 분류에 따른 가격정보를 제시하거나, 고객별 상품 추천, 공급자 재고부담을 위한 수요예측, 주문패턴 분석 및 매출 추정 및 수요예측이 가능해진다.

도 4d를 참조하면, 현재 본 발명의 일 실시예에 따른 플랫폼은 공영 도매시장을 통하여 직접 물건을 가져오기 때문에 중간 유통단계를 거치지 않을 수 있고, 각종 신선식품이나 공산품을 공급받을 수 있는 인프라를 구축했기 때문에 즉시 공급 및 직접 공급이 가능해진다. 또, 도 4e와 같이 4 개의 공영 도매시장을 물류 거점으로 전국에 물류 인프라 효율성을 확보했다.

이와 같은 도 2 내지 도 4의 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.

도 5는 본 발명의 일 실시예에 따른 도 1의 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.

도 5를 참조하면, 결정 서비스 제공 서버는, 경매정보, 뉴스정보, 날씨정보 및 통계청 데이터를 포함하는 공개용 외부 API와, 식당 상품별 식자재 정보 및 중매인 매입정보를 포함하는 대외비 API를 포함하는 외부정보를 수집한다(S5100).

그리고, 결정 서비스 제공 서버는, 기 설정된 기간 동안 누적된 적어도 하나의 종류의 식자재의 매입가격 정보, 주문정보 및 식당 상품별 식자재 정보를 포함하는 내부정보를 수집하고(S5200), 내부정보 및 외부정보를 기반으로 기 설정된 마진율이 보장되도록 기 구축된 판매가격 결정 알고리즘을 통하여 판매가격을 결정한다(S5300).

또, 결정 서비스 제공 서버는, 결정된 판매가격으로 적어도 하나의 가맹점 단말로부터 주문 및 결제를 받는다(S5400).

상술한 단계들(S5100~S5400)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5400)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.

이와 같은 도 5의 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.

도 5를 통해 설명된 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

전술한 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (7)

1. 적어도 하나의 종류의 식자재를 기 구축된 판매가격 결정 알고리즘에 의해 도출된 가격으로 주문 및 결제하는 적어도 하나의 가맹점 단말;
   경매정보, 뉴스정보, 날씨정보 및 통계청 데이터를 포함하는 공개용 외부 API와, 식당 상품별 식자재 정보 및 중매인 매입정보를 포함하는 대외비 API를 포함하는 외부정보를 수집하는 외부정보 수집부, 기 설정된 기간 동안 누적된 적어도 하나의 종류의 식자재의 매입가격 정보, 주문정보 및 식당 상품별 식자재 정보를 포함하는 내부정보를 수집하는 내부정보 수집부, 상기 내부정보 및 외부정보를 기반으로 기 설정된 마진율이 보장되도록 상기 기 구축된 판매가격 결정 알고리즘을 통하여 판매가격을 결정하는 결정부, 상기 결정부에서 결정된 판매가격으로 상기 적어도 하나의 가맹점 단말로부터 주문 및 결제를 받는 주문관리부를 포함하는 결정 서비스 제공 서버; 및
   상기 내부정보 및 외부정보를 입력으로 데이터베이스를 구축한 후, 상기 데이터베이스의 분류(DB Classification), 오피니언 마이닝(Opinion Mining) 및 데이터 처리(Data Processing)를 수행하여 데이터셋(DataSet)을 생성하고, 상기 데이터셋으로 학습 세그먼트(Learning) 및 판단 세그먼트(Judgement Segment)를 통하여 인공지능 알고리즘의 모델링을 수행한 후, 상기 판매가격 결정 알고리즘을 구축하는 모델링부를 포함하고,
   상기 모델링부는,
   일정 기간 동안의 월 별 평균기온, 최고기온 평균, 최저기온 평균 및 강수량을 포함하는 기상 평균 데이터와 식자재 평균 가격 데이터를 데이터셋으로 구성한 후, 평균기온(x1), 최고기온 평균(x2), 최저기온 평균(x3) 및 강수량(x4)에 미리 설정된 가중치(

   

   )를 각각 할당하여

   

   의 수식에 따른 가설(Hypotheses)을 생성하고, 상기 가설을

   

   의 수식에 따른 행렬 곱으로 표현한 후, 텐서플로우(Tensorflow) 라이브러리를 이용해 다변량 선형 회귀(Multi-variate Linear Regression)를 구현하여 기상 데이터에 따른 식자재 가격을 예측하기 위한 상기 판매가격 결정 알고리즘을 구축하고,
   상기 오피니언 마이닝을 적용하여 감성 점수를 계산하고, 상기 감성 점수의 계산을 위해 형태소 분석기(Lexical Analyzer)와 머신러닝을 통해 비속어, 은어 및 줄임말을 분석하여 사전을 구축하는 감성 사전 구축기(Sentiment Dictionary Builder)를 사용하여 텍스트 내의 중요 단어 선택을 위한 감성분석(Sentiment Analysis)을 진행하는, B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템.
   
2. 제 1 항에 있어서,
   상기 결정 서비스 제공 서버는,
   당일에 대하여 중매인 매입가격과 비교하였을 시 상기 판매가격이 기 설정된 중매인 최소 마진율을 보장했는지에 대한 정확도를 체크하는 체크부;
   를 더 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템.
   
3. 삭제
4. 제 1 항에 있어서,
   상기 학습 세그먼트는, 특징 추출기(Feature Extraction) 및 모델 학습(Model Learning)을 포함하고,
   상기 판단 세그먼트는, 센싱 엘리먼트(Sensing Element) 및 모델 판단(Model Judgement)을 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템.
   
5. 제 1 항에 있어서,
   상기 결정 서비스 제공 서버는,
   상기 내부정보 및 외부정보를 포함한 로우 데이터(Raw Data)를 병렬 및 분산하여 저장하고, 상기 저장된 로우 데이터 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터 및 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시하며, 상기 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시하고, 상기 분석된 데이터를 시각화하여 출력하는 빅데이터화부;
   를 더 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템.
   
6. 제 5 항에 있어서,
   상기 데이터 마이닝은, 상기 전처리된 데이터 간의 내재된 관계를 탐색하여 클래스가 알려진 훈련 데이터 셋을 학습시켜 새로운 데이터의 클래스를 예측하는 분류(Classification) 또는 클래스 정보 없이 유사성을 기준으로 데이터를 그룹짓는 군집화(Clustering)를 수행하는 것을 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템.
   
7. 제 1 항에 있어서,
   상기 결정 서비스 제공 서버는,
   상기 기 구축된 판매가격 결정 알고리즘에서 결정한 판매가격과 당일 판매가격의 차이에 대한 오류 검증을 실시하고, 상기 오류 검증을 통하여 오류 부분 및 오류 원인을 파악하며, 상기 파악된 오류 부분 및 오류 원인에 대한 패턴을 발견하고 분류를 통하여 오류율을 예측하기 위하여, 인공신경망을 이용한 딥러닝을 실시하며, 상기 딥러닝으로 도출된 데이터를 상기 기 구축된 판매가격 결정 알고리즘에 반영되도록 하는 오류파악부;
   를 더 포함하는 것을 특징으로 하는 B2B 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템.

Images