KR102556538B1 - 면접 훈련 제공 장치 및 그 제어방법 - Google Patents

Abstract

본 발명은 회사 입사를 위한 면접 훈련 제공 방법에 있어서, 신규 사용자의 행동 성향 데이터 및 업무처리 능력과 관련된 조건 데이터를 획득하는 단계; 기계학습 모델을 이용하여, 상기 행동 성향 데이터 및 상기 조건 데이터와 매칭되는 적어도 하나의 회사 후보를, 상기 신규 사용자에게 적합한 회사로 제공하는 단계; 상기 신규 사용자로부터 상기 제공된 적어도 하나의 회사에 대한 우선순위를 획득하는 단계; 상기 기계학습 모델을 이용하여, 상기 우선순위를 기초로, 면접 훈련 커리큘럼을 생성하는 단계; 및 상기 생성된 면접 훈련 커리큘럼에 기초하여 면접 훈련을 제공하는 단계;를 포함한다.

Description

면접 훈련 제공 장치 및 그 제어방법 {INTERVIEW TRAINING PROVIDING DEVICE AND THE CONTROL METHOD THEREOF}

본 발명은 면접 훈련을 제공하기 위한 것으로, 보다 구체적으로 기계학습 모델을 이용하여, 사용자에 적합한 면접 훈련을 제공하는 면접 훈련 제공 장치 및 그 제어방법에 관한 것이다.

최근, 직원 채용을 위한 면접 유형이 업종별로 다양해지고, 취업에 대한 경쟁이 심화되면서, 면접을 사전에 연습하고 부족한 부분을 파악할 수 있도록 하는 모의면접 서비스 및 면접 코칭 서비스에 대한 관심이 급증하고 있다.

하지만, 기존의 면접 코칭 서비스에서는 구직자의 업무처리 능력이나 행동 성향을 정확히 파악한 이후 해당 구직자와 매칭되는 회사들을 추천하지 못하는 문제점이 있었다.

또한, 구직자 역시 본인의 현재 능력과 성향을 고려하였을 때 어느 회사에 지원하는 것이 유리한 것인지 알지 못한 채 대기업 또는 유명한 회사에만 지원하였다. 또한, 구직자 본인이 지원했었던 회사에서 불합격한 경우, 본인의 경쟁자들이 본인과 능력이나 성향에서 어떤 차이가 있었는지 알지 못한 채 동일한 회사에 다시 지원하여 불합격하기도 하였다.

따라서, 구직자의 행동 성향 및 업무처리 능력을 판단하여 해당 구직자에게 현재 적합한 회사들을 추천해주고, 특정 회사에 합격하였던 다른 구직자들의 행동 성향 및 업무처리 능력과 추천된 회사들 중, 구직자가 선택한 우선순위를 고려하여, 원하는 회사에 합격하기 위한 면접 훈련을 제공할 필요가 있다.

상술한 문제점을 해결하기 위한 본 발명의 목적은, 기계학습 모델을 이용하여, 구직자의 행동 성향 및 업무처리 능력을 기초로, 구직자가 원하는 회사에 합격하기 위한 면접 훈련을 제공하는 면접 훈련 제공 장치 및 그 제어방법을 제공하는데 있다.

상술한 과제를 해결하기 위한 본 발명의 회사 입사를 위한 면접 훈련 제공 방법은, 신규 사용자의 행동 성향 데이터 및 업무처리 능력과 관련된 조건 데이터를 획득하는 단계; 기계학습 모델을 이용하여, 상기 행동 성향 데이터 및 상기 조건 데이터와 매칭되는 적어도 하나의 회사 후보를, 상기 신규 사용자에게 적합한 회사로 제공하는 단계; 상기 신규 사용자로부터 상기 제공된 적어도 하나의 회사에 대한 우선순위를 획득하는 단계; 상기 기계학습 모델을 이용하여, 상기 우선순위를 기초로, 면접 훈련 커리큘럼을 생성하는 단계; 및 상기 생성된 면접 훈련 커리큘럼에 기초하여 면접 훈련을 제공하는 단계;를 포함할 수 있다.

또한, 본 발명의 상기 기계학습 모델을 위한 학습데이터는, 상기 신규 사용자 이전에 면접 훈련을 제공받았던 적어도 하나의 기존 사용자에 대한 행동 성향 데이터, 업무처리 능력과 관련된 조건 데이터, 상기 면접 훈련의 훈련결과 데이터 및 특정 회사 합격결과 데이터 중 적어도 하나를 포함할 수 있다.

또한, 본 발명의 상기 면접 훈련을 제공하는 단계는, 상기 면접 훈련 중 상기 신규 사용자의 중간 훈련결과 데이터를 획득하는 단계; 및 상기 중간 훈련결과 데이터에 기초하여, 상기 면접 훈련 커리큘럼을 수정하는 단계;를 포함할 수 있다.

또한, 본 발명의 중간 훈련결과 데이터는 상기 면접 훈련 중 측정되는 상기 신규 사용자의 뇌파 신호의 분석 정보, 음성 신호의 분석 정보 및 몸짓의 분석 정보 중 적어도 하나를 포함할 수 있다.

본 발명에 개시된 실시예들에 따르면, 기계학습 모델을 이용하여, 구직자의 행동 성향 및 업무처리 능력을 기초로 구직자가 원하는 회사에 합격하기 위한 면접 훈련을 제공할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 면접 훈련을 제공하는 예를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 면접 훈련 제공 장치를 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 면접 훈련 제공 방법을 나타낸 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 면접 훈련 제공 방법을 나타낸 흐름도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제 1", "제 2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 구성요소는 본 발명의 기술적 사상 내에서 제 2 구성요소일 수도 있음은 물론이다.

"예시적인"이라는 단어는 본 명세서에서 "예시 또는 예증으로서 사용된"의 의미로 사용된다. 본 명세서에서 "예시적인"것으로 설명된 임의의 실시예는 반드시 바람직한 것으로서 해석되거나 다른 실시예들보다 이점을 갖는 것으로 해석되어서는 안된다.

또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 엘리먼트를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 엘리먼트들, 객체지향 소프트웨어 엘리먼트들, 클래스 엘리먼트들 및 태스크 엘리먼트들과 같은 엘리먼트들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 엘리먼트들과 "부"들 안에서 제공되는 기능은 더 작은 수의 엘리먼트들 및 "부"들로 결합되거나 추가적인 엘리먼트들과 "부"들로 더 분리될 수 있다.

또한, 본 명세서에서 모든 “부”는 적어도 하나의 프로세서에 의해 제어될 수 있으며 본 개시의 “부”가 수행하는 동작을 적어도 하나의 프로세서가 수행할 수도 있다.

본 명세서의 실시예들은 기능 또는 기능을 수행하는 블록의 관점에서 설명될 수 있다. 본 개시의 ‘부’ 또는 ‘모듈’ 등으로 지칭될 수 있는 블록은 논리 게이트, 집적 회로, 마이크로 프로세서, 마이크로 컨트롤러, 메모리, 수동 전자 부품, 능동 전자 부품, 광학 컴포넌트, 하드와이어드 회로(hardwired circuits) 등과 같은 아날로그 또는 디지털 회로에 의해 물리적으로 구현되고, 선택적으로 펌웨어 및 소프트웨어에 의해 구동될 수 있다.

본 명세서의 실시예는 적어도 하나의 하드웨어 디바이스 상에서 실행되는 적어도 하나의 소프트웨어 프로그램을 사용하여 구현될 수 있고 엘리먼트를 제어하기 위해 네트워크 관리 기능을 수행할 수 있다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

본 발명에서, '행동 성향 데이터'는 사용자 (또는 구직자)의 성격과 관련된 데이터일 수 있다. 예를 들어, 행동 성향 데이터는 "명랑", "쾌할", "적극적", "소극적", "신중함" 및 "쉽게 흥분" 등을 포함할 수 있다.

본 발명에서, '업무처리 능력과 관련된 조건 데이터'는 사용자가 특정 업무를 처리할 역량이 갖춰진 것인지 판단하기 위한 데이터로, 언어 능력, 수리 사고력 등을 포함할 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 면접 훈련을 제공하는 예를 나타낸 도면이다.

도 1에 도시된 바와 같이, 면접 훈련 제공 장치(120, 150)는 사용자(110)에게 면접 훈련을 제공할 수 있다. 이 경우, 면접 훈련 제공 장치(120)는 디스플레이를 통해 사용자(110)에게 면접 훈련에 대한 영상 자료를 출력할 수 있으며, 카메라와 같은 촬영 장치(130)를 통해 사용자(110)의 눈이나 몸짓 등을 촬영할 수 있다. 또한, 면접 훈련 제공 장치(120)는 마이크와 같은 음향 장치(130)를 통해 사용자(110)의 음성을 획득하여 획득된 음성을 분석할 수 있다.

또한, 면접 훈련 제공 장치(120)는 뇌파 측정 장치(미도시)를 통해 면접 훈련을 제공하는 동안 사용자(110)로부터 훈련 중 변화되는 뇌파를 획득할 수도 있다.

본 발명의 일 실시예에 따르면, 면접 훈련 제공 장치(120)와 같이 촬영 장치(130) 및 음향 장치(130)를 통해 사용자(110)와 관련된 정보를 획득할 수 있으며 면접 훈련 제공 장치(150)와 같이 디스플레이 기능, 촬영 기능, 음향 획득기능 등을 모두 포함하는 VR 장치일 수도 있다. 이 경우, 면접 훈련 제공 장치(150)는 카메라와 같은 촬영 장치(130)을 통해 사용자(110)의 몸짓을 측정할 수도 있다.

따라서, 사용자(110)는 도 1의 (a)에 도시된 바와 같이, 면접 훈련 제공 장치(120)의 디스플레이를 마주 보면서 면접 훈련을 제공받으며, 촬영 장치(130) 및 음향 장치(140)를 통해 사용자(110)와 관련된 정보를 입력할 수 있다.

또한, 본 발명의 다른 실시예에 따르면, 사용자(110)는 도 1의 (b)에 도시된 바와 같이, 면접 훈련 제공 장치(150)를 머리에 착용한 상태로 면접 훈련을 제공받으며, 사용자(110)와 관련된 정보를 입력할 수도 있다.

도 2는 본 발명의 일 실시예에 따른 면접 훈련 제공 장치(200)를 나타낸 블록도이다. 면접 훈련 제공 장치(200)는 입력부(210), 메모리(22), 프로세서(230) 및 출력부(240)를 포함할 수 있다.

도 2의 면접 훈련 제공 장치(200)는 도 1의 면접 훈련 제공 장치(120, 150)와 대응될 수 있다.

또한, 입력부(210)는 촬영 장치(130) 및 음향 장치(140) 또는 촬영 기능 및 음향 획득기능을 갖는 엘리먼트로부터 사용자(110)의 음성 신호, 눈의 움직임 및 몸짓 신호를 입력받을 수 있다. 또한, 입력부(210)는 뇌파 측정 장치(미도시)를 통해 사용자(110)의 면접 훈련 중 변화되는 뇌파를 획득할 수도 있다. 또한, 입력부(210)는 다른 사용자의 특정 회사 합격결과 데이터를 획득할 수도 있다.

본 발명에서, 입력부(210)는 통신부(미도시)를 통해 면접 훈련 제공 장치(200)의 외부로부터 여러 정보를 획득할 수 있으며, 상기 통신부는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행할 수 있다. 통신부는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩 중 적어도 하나를 포함할 수 있다.

와이파이 칩, 블루투스 칩은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행할 수 있다. 와이파이 칩 또는 블루투스 칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다. NFC 칩은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 동작하는 칩을 의미한다.

본 발명의 메모리(220)는 입력부(210)가 획득한 데이터 및 프로세서(230)가 처리한 데이터를 저장할 수 있는 로컬 저장 매체이다. 또한, 메모리(220)는 사용자(110)에게 적어도 하나의 회사를 추천하기 위해 적어도 하나의 회사의 이전 합격자들의 업무 능력과 같은 회사 정보를 저장할 수 있다.

필요한 경우 프로세서(230)는 메모리(220)에 저장된 데이터를 이용하여 면접 훈련 커리큘럼을 생성할 수 있다. 또한, 본 발명의 메모리(220)는 프로세서(230)가 동작하기 위한 인스트럭션 등을 저장할 수 있다.

또한, 본 발명의 메모리(220)는 면접 훈련 제공 장치(200)에 공급되는 전원이 차단되더라도 데이터들이 남아있어야 하며, 변동사항을 반영할 수 있도록 쓰기 가능한 비휘발성 메모리(Writable Rom)로 구비될 수 있다. 즉, 메모리(220)는 플래쉬메모리(Flash Memory) 또는 EPROM 또는 EEPROM 중 어느 하나로 구비될 수 있다. 본 발명에서 설명의 편의를 위해 하나의 메모리(220)에 모든 인스트럭션 정보가 저장되는 것으로 설명하고 있으나, 이에 한정되는 것은 아니며, 면접 훈련 제공 장치(200)는 복수의 메모리를 구비할 수 있다.

본 발명의 프로세서(230)는 입력부(210)를 통해 획득된 데이터 또는 메모리(220)에 저장된 데이터를 통해 면접 훈련 커리큘럼을 생성할 수 있다.

본 발명의 일 실시예에 따르면, 프로세서(230)는 사용자(110)가 신규 사용자로써 면접 훈련 장치(200)를 사용하면, 사용자(110)의 행동 성향 데이터 및 업무처리 능력과 관련된 조건 데이터에 기초하여, 적어도 하나의 회사 후보를, 상기 신규 사용자에게 적합한 회사로 제공할 수 있다. 이 경우, 프로세서(130)는 기계학습 모델을 이용하여 사용자(110)의 행동 성향 데이터 및 상기 조건 데이터와 매칭되는 적어도 하나의 회사 후보를, 사용자(110)에게 적합한 회사로 제공할 수 있다.

또한, 프로세서(230)는 사용자(110)로부터 획득된 적어도 하나의 회사에 대한 우선순위에 기초하여, 기계학습 모델을 이용하여 사용자(110)를 위한 면접 훈련 커리큘럼을 생성할 수 있다. 면접 훈련 커리큘럼이 생성되면 프로세서(230)는 상기 생성된 면접 훈련 커리큘럼에 기초하여 출력부(240)을 통해 사용자(110)에게 면접 훈련을 제공할 수 있다.

본 발명의 출력부(240)는 사용자(110)에게 면접 훈련을 제공하기 위한 엘리먼트로써, 영상을 출력하기 위한 디스플레이(미도시), 음향을 출력하기 위한 스피커나 헤드셋과 같은 음향 장치 등을 포함할 수 있다. 따라서, 면접 훈련 제공 장치(200)는 프로세서(230)가 생성한 면접 훈련 커리큘럼에 따른 면접 훈련을 출력부(240)를 통해 사용자(110)에게 제공할 수 있다.

도 3은 본 발명의 일 실시예에 따른 면접 훈련 제공 방법을 나타낸 흐름도이다.

본 발명의 면접 훈련 제공 장치(100)의 제어 방법의 각 단계들은 입력부(210), 메모리(220), 프로세서(230) 및 출력부(240)를 포함하는 다양한 형태의 전자 장치에 의해 수행될 수 있다.

이하에서는 도 3을 참조하여 프로세서(230)가 본 발명에 따른 면접 훈련을 제공하는 과정을 중심으로 상세히 설명한다.

면접 훈련 제공 장치(200)에 대해 설명된 실시예들은 면접 훈련 제공 장치(200)의 제어 방법에 적어도 일부 또는 모두 적용이 가능하고, 반대로 면접 훈련 제공 장치(200)의 제어 방법에 대해 설명된 실시예들은 면접 훈련 제공 장치(200)에 대한 실시예들에 적어도 일부 또는 모두 적용이 가능하다. 또한, 개시된 실시예들에 따른 면접 훈련 제공 장치(200)의 제어 방법은 본 명세서에 개시된 면접 훈련 제공 장치(200)에 의해 수행되는 것으로 그 실시 예가 한정되지 않고, 다양한 형태의 전자장치에 의해 수행될 수 있다.

먼저 프로세서(230)는 입력부(210)를 통해 신규 사용자(110)의 행동 성향 데이터 및 업무처리 능력과 관련된 조건 데이터를 획득할 수 있다[S310].

본 발명의 일 실시예에 따르면, 사용자(110)의 행동 성향 데이터는 면접 훈련 제공 전 설문지 조사 또는 상담을 통해 획득할 수 있다.

또한, 본 발명의 일 실시예에 따르면, 프로세서(130)는 MBTI(Myers-Briggs Type Indicator), 아이젱크 성격검사, 캘리포니아 성격검사 및 MMPI(Minnesota Multiphasic Personality Inventory) 등을 포함하는 다양한 심리 또는 성격검사를 통해 획득될 수 있다.

또한, 본 발명의 일 실시예에 따르면, 프로세서(130)는 면접 훈련 제공 장치(200)를 통해 예비 면접 상황을 사용자(110)에게 제공하고, 예비 면접 동안 획득되는 사용자의 뇌파 신호, 음성 신호, 및 몸짓 중 적어도 하나를 분석함으로써 행동 성향 데이터를 획득할 수도 있다.

따라서, 획득되는 사용자(110)의 행동 성향 데이터는 "명랑", "쾌할", "적극적", "소극적", "신중함" 및 "쉽게 흥분" 등을 포함하는 사람의 일반적인 성격을 나타낼 수 있으며, MBTI 검사의 결과물인 ESTJ(외향형적 에너지, 감각형적 인식, 사고형적 판단, 판단형적 생활양식)와 같은 복잡하고 구체적인 성격 유형을 나타낼 수도 있다.

본 발명의 일 실시예에 따르면, 프로세서(230)는 업무처리 능력과 관련된 조건 데이터를 면접 훈련 제공 전 언어 능력 검사, 수리 사고력 검사 등을 통해 획득할 수 있다.

또한, 프로세서(230)는 외국어 능력시험 성적, 대학수학능력 시험 성적 등과 같은 공인 시험 성적을 통해 업무처리 능력과 관련된 조건 데이터를 획득할 수 있다.

또한, 프로세서(230)는 사용자(110)의 회사 경력을 사용자(110)에게 요청하여 획득할 수 있다. 사용자(110)가 이전 회사 경력이 있다면, 유사 업종의 회사에 근무할 경우 업무 처리 능력이 높을 수 있으며, 면접에서도 유리할 수 있으므로, 프로세서(230)는 사용자(110)에게 적합한 회사를 추천할 수 있다. 그러나, 사용자(110)가 다른 업종에서 근무하길 원할 수 있으므로, 사용자(110)의 요청이 있다면, 이전 회사 경력과 관련된 데이터는 후술할 S320인 회사 추천을 위한 매칭과정에서 고려되지 않을 수 있다.

다음으로, 프로세서(230)는 기계학습 모델을 이용하여, 행동 성향 데이터 및 조건 데이터와 매칭되는 적어도 하나의 회사 후보를, 사용자(110)에게 적합한 회사로 제공할 수 있다[S320].

본 발명의 실시예들에 따른 기계학습 모델을 위한 학습데이터는 다양한 기계학습 모델에 기초하여 생성될 수 있다.

일 예로, 본 발명의 심층신경망(Deep Neural Network; DNN)은, 하나 이상의 컴퓨터 내에 하나 이상의 레이어(Layer)를 구축하여 복수의 데이터를 바탕으로 판단을 수행하는 시스템 또는 네트워크를 포함할 수 있다.

상기 심층신경망은 컨볼루션 풀링 층(Convolutional Pooling Layer), 로컬 접속 층(a locally-connected layer) 및 완전 연결 층(fully-connected layer)을 포함하는 층들의 세트로 구현될 수 있다.

상기 컨볼루션 풀링 층 또는 로컬 접속 층은 영상 내 특징들을 추출하도록 구성될 수 있다.

상기 완전 연결 층은 영상의 특징 간의 상관 관계를 결정할 수 있다.

다른 예로, 본 발명의 심층신경망의 전체적인 구조는 컨볼루션 풀링 층에 로컬 접속 층이 이어지고, 로컬 접속 층에 완전 연결 층이 이러지는 형태로 이루어질 수 있다. 심층신경망은 다양한 판단기준(즉, 파라미터(Parameter))를 포함할 수 있고, 입력되는 영상 분석을 통해 새로운 판단기준(즉, 파라미터)를 추가할 수 있다.

본 발명의 실시예들에 따른 심층신경망은, 영상분석에 적합한 콘볼루셔널 신경망이라고 부르는 구조로서, 주어진 영상 데이터들로부터 가장 분별력(Discriminative Power)이 큰 특징을 스스로 학습하는 특징 추출층(Feature Extraction Layer)과 추출된 특징을 기반으로 가장 높은 예측 성능을 내도록 예측 모델을 학습하는 예측층(Prediction Layer)이 통합된 구조로 구성될 수도 있다.

상기 특징 추출층은 영상의 각 영역에 대해 복수의 필터를 적용하여 특징 지도(Feature Map)를 만들어 내는 콘볼루션 층(Convolution Layer)과 특징 지도를 공간적으로 통합함으로써 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 통합층(Pooling Layer)을 번갈아 수 차례 반복하는 구조로 형성될 수 있다. 이를 통해, 점, 선, 면 등의 낮은 수준의 특징에서부터 복잡하고 의미 있는 높은 수준의 특징까지 다양한 수준의 특징을 추출해낼 수 있다.

상기 콘볼루션 층은 입력 영상의 각 패치에 대하여 필 터와 국지 수용장(Local Receptive Field)의 내적에 비선형 활성 함수(Activation Function)을 취함으로 서 특징지도(Feature Map)을 구하게 되는데, 다른 네트워크 구조와 비교하여, CNN은 희소한 연결성 (Sparse Connectivity)과 공유된 가중치(Shared Weights)를 가진 필터를 사용하는 특징이 있다. 이러한 연결구조는 학습할 모수의 개수를 줄여주고, 역전파 알고리즘을 통한 학습을 효율적으로 만들어 결과적으로 예측 성능을 향상시킨다.

상기 통합 층(Pooling Layer 또는 Sub-sampling Layer)은 이전 콘볼루션 층에서 구해진 특징 지도의 지역 정보를 활용하여 새로운 특징 지도를 생성한다. 일반적으로 통합 층에 의해 새로 생성된 특징지도는 원래의 특징 지도보다 작은 크기로 줄어드는데, 대표적인 통합 방법으로는 특징 지도 내 해당 영역의 최대값을 선택하는 최대 통합(Max Pooling)과 특징 지도 내 해당 영역의 평균값을 구하는 평균 통합(Average Pooling) 등이 있다. 상기 통합 층의 특징지도는 일반적으로 이전 층의 특징 지도보다 입력 영상에 존재하는 임의의 구조나 패턴의 위치에 영향을 적게 받을 수 있다. 즉, 상기 통합층은 입력 영상 혹은 이전 특징 지도에서의 노이즈나 왜곡과 같은 지역적 변화에 보다 강인한 특징을 추출할 수 있게 되고, 이러한 특징은 분류 성능에 중요한 역할을 할 수 있다. 또 다른 통합 층의 역할은, 깊은 구조상에서 상위의 학습 층으로 올라갈수록 더 넓은 영역의 특징을 반영할 수 있게 하는 것으로서, 특징 추출 층이 쌓이면서, 하위 층에서는 지역적인 특징을 반영하고 상위 층으로 올라 갈수록 보다 추상적인 전체 영상의 특징을 반영하는 특징 생성할 수 있다.

이와 같이, 콘볼루션 층과 통합 층의 반복을 통해 최종적으로 추출된 특징은 다중 신경망(MLP: Multi-layer Perception)이나 서포트 벡터 머신(SVM: Support Vector Machine)과 같은 분류 모델이 완전 연결 층(Fully-connected Layer)의 형태로 결합되어 분류 모델 학습 및 예측에 사용될 수 있다.

또한, 본 발명의 일 실시예에 따르면, 기계학습을 위한 학습 데이터는 U-Net-dhSgement 모델에 기초하여 생성될 수 있다. 여기서, U-Net-dhSgement 모델은 종단 간(end-to-end)의 완전 연결 컨벌루션 네트워크 (Fully Convolutional Networks. FCN)를 기초로, 확장(expansive) 경로를 수축(contracting) 경로와 대칭(symmetric)으로 설정하여 각 레벨에 대한 스킵(skip) 연결이 있는 U 자형 아키텍처를 생성한 모델일 수 있다.

본 발명의 일 실시예에 따르면, 상기 기계학습 모델을 위한 학습데이터는 사용자(110) 이전에 면접 훈련을 제공받았던 적어도 하나의 기존 사용자에 대한 행동 성향 데이터, 업무처리 능력과 관련된 조건 데이터, 면접 훈련의 훈련결과 데이터 및 특정 회사 합격결과 데이터 중 적어도 하나를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 사용자(110)에게 추천하기 위한 적어도 하나의 회사에 대한 정보는 사람인(등록 상표), 잡코리아(등록 상표)와 같은 취업정보 사이트로부터 획득할 수 있다. 여기서, 상기 회사에 대한 정보는 현재 신규 채용 중인 회사의 리스트, 우대 사항, 접수 기간 및 지원 조건 중 적어도 하나를 포함할 수 있다. 또한, 상기 회사에 대한 정보는 특정 회사에 합격하였던 사람들의 행동 성향 및 업무처리 능력과 관련된 조건 데이터를 포함할 수 있다.

따라서, 프로세서(230)는 학습된 기계학습 모델을 이용하여, 사용자(110)의 행동 성향 데이터 및 조건 데이터와 매칭되는 적어도 하나의 회사 후보를, 사용자(110)에게 적합한 회사로 제공(추천)할 수 있다.

다음으로, 프로세서(230)는 사용자(110)로부터 입력부(210)를 통해 상기 제공된 적어도 하나의 회사 후보에 대한 우선순위를 획득할 수 있다[S330].

본 발명에서 우선순위는 사용자(110)가 선호하여 궁극적으로 입사하고자 하는 내심으로 매겨진 회사의 순위를 지칭할 수 있다.

본 발명의 일 실시예에 따르면, 상기 우선순위는 면접 훈련 제공 장치(200)가 사용자(110)에게 적어도 하나의 회사 후보를 제공하면 사용자(110)가 음성 및 뇌파 신호를 통해 입력할 수 있다. 또한, 사용자(110)는 마우스 및 키보드 등과 같은 전자 입력 장치(미도시)를 통해 우선순위를 입력할 수도 있다.

본 발명의 일 실시예에 따르면, 우선순위는 사용자(110)가 입력하는 것과는 별개로, 프로세서(230)가 사용자(110)의 행동 성향 데이터 및 조건 데이터에 기초하여 매칭율이 높은 회사 순서대로 우선순위를 정하여 적어도 하나의 회사 후보를 제공할 수도 있다. 이 경우, 사용자(110)는 프로세서(230)가 제공한 우선순위가 본인이 선호하는 우선순위와 일치하는 경우, 제공된 우선순위를 수용한다는 신호를 입력하고, 본인이 선호하는 우선순위와 일치하지 않는 경우, 다시 본인이 우선순위를 입력할 수도 있다.

다음으로, 기계학습 모델을 이용하여, 획득된 우선순위를 기초로, 면접 훈련 커리큘럼을 생성할 수 있다[S340].

선호하는 직원들의 성격이나 업무 처리 능력은 회사마다 다양할 수 있다. 그러므로, 사용자(110)의 행동 성향 데이터, 업무처리 능력과 관련된 조건 데이터, 사용자(110) 이전의 다른 사용자들에 대한 행동 성향 데이터, 조건 데이터, 훈련결과 데이터 및 특정 회사 합격결과 데이터 등을 이용하여 우선순위 중 높은 순위에 위치한 회사의 면접 합격 확률을 높이기 위한 면접 훈련 커리큘럼을 생성할 필요가 있다.

따라서, 프로세서(230)는 사용자(110)의 우선순위를 기초로, 학습데이터를 통해 학습한 기계학습 모델을 이용하여 면접 훈련 커리큘럼을 생성할 수 있다.

본 발명의 일 실시예에 따르면, 사용자(110)가 높은 우선순위(예를 들어, 3위 안)를 매긴 회사들이 일반적으로 면접에서 구직자의 심리를 압박하는 면접을 실시하는 경우, 프로세서(230)는 꼬리 물기 질문이나, 대답하기 곤란한 질문 등을 포함하는 면접 훈련을 면접훈련 커리큘럼으로 생성할 수 있다.

본 발명의 일 실시예에 따르면, 사용자(110)가 높은 우선순위를 매긴 회사들이 일반적으로 면접에서 자기 소개를 많이 요구하는 경우, 프로세서(230)는 자기 PR(public relation) 연습을 위한 면접훈련 커리큘럼을 생성할 수 있다.

또한, 본 발명의 일 실시예에 따르면, 사용자(110)가 높은 우선순위를 매긴 회사들이 면접에서 외국어로 대화를 하는 등 언어 능력을 중요시하는 경우, 외국어 능력 향상을 위한 면접훈련 커리큘럼을 생성할 수 있다.

또한, 본 발명의 일 실시예에 따르면, 사용자(110)가 높은 우선순위를 매긴 회사들이 면접에서 단정한 자세를 중요시하는 경우, 프로세서(230)는 면접관을 똑바로 쳐다보는 등 시선 처리를 위한 면접훈련 커리큘럼을 생성하거나 사용자(110)에 대해 좋지 않은 인상을 심어줄 가능성 있는 행동을 방지하기 위한 면접훈련 커리큘럼을 생성할 수 있다. 여기서, 좋지 않은 인상을 심어줄 가능성 있는 행동은 면접 중 다리를 꼬는 행위, 다리를 떠는 행위 및 머리를 자주 만지는 행위 등을 포함할 수 있다. 이 경우, 프로세서(230)는 촬영 장치(130)를 사용자(110)의 시선 처리 또는 몸짓을 관찰할 수 있다.

다음으로, 프로세서(230)는 생성된 면접 훈련 커리큘럼에 기초하여, 면접 훈련을 제공할 수 있다[S350].

본 발명의 일 실시예에 따르면, 프로세서(230)는 면접 훈련을 제공하는 경우, 훈련 효과를 극대화시키기 위해 면접 상황 내의 상황변수를 변경할 수 있다. 여기서, 상황변수는 실제 면접장 내에서 발생할 수 있는 환경변수들을 포함할 수 있다. 예를 들어 상황변수는 면접장 장소의 크기, 면접관의 수, 면접관의 연령이나 성별, 사용자(110)의 답변에 대한 반응 등을 포함할 수 있다. 또한, 면접관의 질문에 대한 답변으로 훈련이 진행되어야 하므로 다양한 질문이 있고, 갑작스러운 압박면접과 같이 다양한 면접의 질문형태나 방식 등이 상황변수가 될 수도 있다.

본 발명의 일 실시예에 따르면, 프로세서(230)는 면접의 상황변수 중 면접관의 수는 1인 면접이나 3인 면접 또는 5인 이상의 다인 면접을 설정할 수 있으며, 면접관의 연령이나 성별 및 면접관의 표정이나 반응에 대한 분위기에 대한 상황변수도 선택할 수 있다.

특히, 프로세서(230)는 면접관으로부터 받게되는 질문의 종류나 형태가 있는데, 인성을 평가하기 위한 인성평가 관련 질문, 또는 특정 직업군의 직무관련 평가를 위한 질문 등 다양한 질문에 대한 데이터가 저장되어 있고, 선택된 평가 질문을 랜덤으로 제시할 수 있다. 나아가, 압박면접과 같은 특정 형태의 면접에 대한 대비가 가능하도록 특정 형태의 질문도 저장되어 선택할 수 있다.

도 4는 본 발명의 일 실시예에 따른 면접 훈련 제공 방법을 나타낸 흐름도이다. 도 4의 단계는 도 3의 S350의 예시일 수 있다.

프로세서(230)는 면접 훈련 중 사용자(110)의 중간 훈련결과 데이터를 획득할 수 있다[S410].

본 발명에서, 중간 훈련결과 데이터는 사용자(110)가 제공된 면접 훈련 커리큘럼을 잘 따라오고 있는지 평가할 수 있는 정보를 포함할 수 있다. 이 경우, 프로세서(230)는 면접 훈련 중 측정되는 사용자(110)의 뇌파 신호의 분석 정보, 음성 신호의 분석 정보 및 몸짓의 분석 정보 중 적어도 하나를 통해 사용자(110)가 제공된 면접 훈련 커리큘럼을 잘 따라오고 있는지 평가할 수 있다.

다음으로, 프로세서(230)는 중간 훈련결과 데이터에 기초하여, 면접 훈련 커리큘럼을 수정할 수 있다[S420].

본 발명의 일 실시예에 따르면, 프로세서(230)는 중간 훈련결과 데이터를 기초로, 사용자(110)가 제공된 면접 훈련 커리큘럼을 잘 따라오고 있지 않다면, 높은 우선순위에 위치한 회사에 합격할 확률을 더 높이기 위해 기존에 제공하였던 면접 환경과 관련된 면접 난이도를 완하하도록 면접 훈련 커리큘럼을 수정할 수 있다.

본 발명의 일 실시예에 따르면, 프로세서(230)는 중간 훈련결과 데이터를 기초로, 사용자(110)가 제공된 면접 훈련 커리큘럼을 잘 따라오고 있고 사용자(110)의 중간 훈련결과 데이터와 높은 우선순위에 위치한 회사에 합격하였던 다른 사용자들의 중간 훈련결과 데이터를 비교하여, 양자가 큰 차이가 없다면, 합격확률을 높이기 위해 면접 환경과 관련된 면접 난이도를 증가하도록 면접 훈련 커리큘럼을 수정할 수 있다.

본 발명의 일 실시예에 따르면, 프로세서(230)는 사용자(110)가 제공된 면접 훈련 커리큘럼을 잘 따라오고 있지 않고, 사용자(110)의 중간 훈련결과 데이터와 높은 우선순위에 위치한 회사에 합격하였던 다른 사용자들의 중간 훈련결과 데이터를 비교하여, 양자의 차이가 큰 경우라면, 합격 확률이 현저히 낮다는 경고 메시지와 함께 사용자(110)에게 우선순위를 수정할 것을 요청할 수도 있다. 이 경우, 프로세서(230)는 사용자(110)로부터 수정된 우선선위가 획득되면, 다시 기계학습 모델을 이용하여 수정된 면접 훈련 커리큘럼을 생성한 후 사용자(110)에게 수정된 면접 훈련을 제공할 수 있다.

본 발명의 다양한 실시예들은 기기(machine)(예를 들어, 면접 훈련 제공 장치(200) 또는 컴퓨터)에 의해 읽을 수 있는 저장 매체(storage medium)(예를 들어, 메모리)에 저장된 하나 이상의 인스트럭션들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기의 프로세서(예를 들어, 프로세서(230))는, 저장 매체로부터 저장된 하나 이상의 인스트럭션들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 인스트럭션에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 인스트럭션들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예를 들어, 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예를 들어, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.

일 실시예에 따르면, 본 명세서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예를 들어, compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해만 한다.

110 : 사용자
120 : 면접 훈련 제공 장치
130 : 촬영 장치
140 : 음향 장치
150 : 면접 훈련 제공 장치

Claims (4)

1. 면접 훈련 제공 장치에 의해 수행되는, 회사 입사를 위한 면접 훈련 제공 방법에 있어서,
   신규 사용자의 행동 성향 데이터 및 업무처리 능력과 관련된 조건 데이터를 획득하는 단계;
   기계학습 모델을 이용하여, 상기 행동 성향 데이터 및 상기 조건 데이터와 매칭되는 적어도 하나의 회사 후보를, 상기 신규 사용자에게 적합한 회사로 제공하는 단계;
   상기 신규 사용자로부터 상기 제공된 적어도 하나의 회사에 대한 우선순위를 획득하는 단계;
   상기 기계학습 모델을 이용하여, 상기 우선순위를 기초로, 면접 훈련 커리큘럼을 생성하는 단계; 및
   상기 생성된 면접 훈련 커리큘럼에 기초하여 면접 훈련을 제공하는 단계;를 포함하며,
   상기 기계학습 모델을 위한 학습데이터는, 상기 신규 사용자 이전에 면접 훈련을 제공받았던 적어도 하나의 기존 사용자에 대한 행동 성향 데이터, 업무처리 능력과 관련된 조건 데이터, 상기 면접 훈련의 훈련결과 데이터 및 특정 회사 합격결과 데이터를 포함하고,
   상기 면접 훈련 제공 장치는,
   상기 면접 훈련 중 상기 신규 사용자의 중간 훈련결과 데이터를 획득하고, 상기 신규 사용자의 중간 훈련결과 데이터를 상기 우선순위에 해당하는 회사에 합격하였던 다른 사용자들의 중간 훈련결과 데이터를 비교하고, 상기 비교 결과를 기반으로 상기 면접 훈련 커리큘럼을 수정하고,
   상기 획득된 우선순위에 해당되는 회사에서 실시하는 면접 유형을 기반으로 상기 면접 훈련 커리큘럼을 생성하고,
   상기 획득된 우선순위에 해당되는 회사가 면접 자세를 중요시하는 경우, 촬영 장치를 통해 상기 신규 사용자의 시선 처리 또는 몸짓을 촬영하고,
   상기 중간 훈련결과 데이터의 비교 결과가 기 설정된 기준 이상 차이가 나는 경우, 상기 사용자에게 상기 우선순위의 회사에 대한 수정을 요청하고,
   상기 신규 사용자로부터 수정된 우선순위가 획득되면, 상기 기계학습 모델을 이용하여 수정된 면접 훈련 커리큘럼을 생성한 후 상기 신규 사용자에게 제공하는 것을 특징으로 하는,
   면접 훈련 제공 방법.
   
2. 삭제
3. 삭제
4. 신규 사용자의 행동 성향 데이터 및 업무처리 능력과 관련된 조건 데이터를 획득하는 입력부; 및
   기계학습 모델을 이용하여, 상기 행동 성향 데이터 및 조건 데이터와 매칭되는 적어도 하나의 회사 후보를 상기 신규 사용자에게 적합한 회사로 제공하고,
   상기 입력부를 통해 상기 신규 사용자로부터 상기 제공된 적어도 하나의 회사에 대한 우선순위를 획득하고,
   상기 기계학습 모델을 이용하여 상기 우선순위를 기초로 면접 훈련 커리큘럼을 생성하고,
   상기 생성된 면접 훈련 커리큘럼에 기초하여 면접 훈련을 제공하는 프로세서를 포함하며,
   상기 기계학습 모델을 위한 학습데이터는, 상기 신규 사용자 이전에 면접 훈련을 제공받았던 적어도 하나의 기존 사용자에 대한 행동 성향 데이터, 업무처리 능력과 관련된 조건 데이터, 상기 면접 훈련의 훈련결과 데이터 및 특정 회사 합격결과 데이터 중 적어도 하나를 포함하고,
   상기 프로세서는,
   상기 면접 훈련을 제공할 때, 상기 면접 훈련 중 상기 신규 사용자의 중간 훈련결과 데이터를 획득하고, 상기 중간 훈련결과 데이터에 기초하여, 상기 면접 훈련 커리큘럼을 수정하고,
   상기 획득된 우선순위에 해당되는 회사에서 실시하는 면접 유형을 기반으로 상기 면접 훈련 커리큘럼을 생성하고,
   상기 획득된 우선순위에 해당되는 회사가 면접 자세를 중요시하는 경우, 촬영 장치를 통해 상기 신규 사용자의 시선 처리 또는 몸짓을 촬영하고,
   상기 중간 훈련결과 데이터의 비교 결과가 기 설정된 기준 이상 차이가 나는 경우, 상기 사용자에게 상기 우선순위의 회사에 대한 수정을 요청하고,
   상기 신규 사용자로부터 수정된 우선순위가 획득되면, 상기 기계학습 모델을 이용하여 수정된 면접 훈련 커리큘럼을 생성한 후 상기 신규 사용자에게 제공하는 것을 특징으로 하는,
   면접 훈련 제공 장치.

Images