KR102557257B1 - 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치 - Google Patents
뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102557257B1 KR102557257B1 KR1020220113060A KR20220113060A KR102557257B1 KR 102557257 B1 KR102557257 B1 KR 102557257B1 KR 1020220113060 A KR1020220113060 A KR 1020220113060A KR 20220113060 A KR20220113060 A KR 20220113060A KR 102557257 B1 KR102557257 B1 KR 102557257B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- store
- ingredient
- ingredients
- output
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 81
- 235000012041 food component Nutrition 0.000 title claims abstract description 39
- 239000005417 food ingredient Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000004615 ingredient Substances 0.000 claims abstract description 236
- 235000013305 food Nutrition 0.000 claims abstract description 29
- 239000000463 material Substances 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 60
- 238000004891 communication Methods 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 11
- 230000007306 turnover Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 24
- 238000012545 processing Methods 0.000 description 20
- 238000007726 management method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 238000012217 deletion Methods 0.000 description 6
- 230000037430 deletion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000009193 crawling Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007786 learning performance Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000014102 seafood Nutrition 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예들은 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 제1 서버에 입력된 정보를 기반으로 본사와 관련된 정보를 획득하고, 복수의 제2 서버 각각으로부터 매장과 관련된 정보를 수신하고, 상기 본사와 관련된 정보 및 상기 매장과 관련된 정보에 포함된 복수의 변수를 기반으로 제1 뉴럴 네트워크를 이용한 중요도 결정 모델을 통해 상기 복수의 변수 각각에 대한 제1 중요도 및 제2 중요도를 결정하고, 상기 제1 중요도는, 상기 복수의 변수 중에서 어느 하나의 변수에 사전 설정된 가중치를 적용한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 결정되고, 상기 제2 중요도는, 상기 복수의 변수 중에서 어느 하나의 변수를 제거한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 결정되고, 적어도 하나의 중요 변수를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 각각의 매장에 대한 예측 매출액을 결정하고, 상기 적어도 하나의 중요 변수는 상기 복수의 변수 중에서 상기 제1 중요도 및 상기 제2 중요도에 대한 평균 값이 중간 값 이상인 변수이고, 상기 예측 매출액, 상기 매장과 관련된 정보 및 식재료에 대한 정보를 기반으로 식재료에 대한 주문량을 결정하고, 상기 식재료에 대한 주문량을 포함하는 주문 메시지를 상기 복수의 제2 서버 각각에게 전송하는 단계를 포함할 수 있다.
Description
본 개시의 실시예들은 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 기술에 대한 것이다.
한편, 프렌차이즈 사업에서 프렌차이즈 본사가 각 매장에게 매장의 매출액과 연관된 정보를 알려주지 않아 다양한 문제들이 발생할 수 있다. 여기서, 프렌차이즈 사업은 경쟁력이 검증된 사업 아이템을 일정한 비용을 대가로 영업을 원하는 매장에게 제공하고, 계속적으로 매장을 관리해주는 사업을 지칭한다. 이때, 본사는 각 매장의 매출액에 영향을 주는 요인들을 분석하고, 각 매장의 매출액이 증가할 수 있는 방안과 각 매장에 대한 지속적인 관리 서비스를 제공하기 위해 각 매장의 매출액을 예상할 필요가 있다.
이에, 매장의 매출액에 영향을 미칠 수 있는 다양한 변수, 즉 본사와 관련된 변수 및 매장과 관련된 변수 중에서, 매장의 매출액에 큰 영향을 미치는 중요 변수를 뉴럴 네트워크를 통해 결정하고, 중요 변수를 통해 각 매장의 매출액을 예측함으로써, 예측된 매출액을 기반으로 각 매장에서 필요한 식재료에 대한 주문량을 결정하는 방법이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법은, 상기 제1 서버에 입력된 정보를 기반으로 본사와 관련된 정보를 획득하고, 복수의 제2 서버 각각으로부터 매장과 관련된 정보를 수신하고, 상기 본사와 관련된 정보 및 상기 매장과 관련된 정보에 포함된 복수의 변수를 기반으로 제1 뉴럴 네트워크를 이용한 중요도 결정 모델을 통해 상기 복수의 변수 각각에 대한 제1 중요도 및 제2 중요도를 결정하고, 상기 제1 중요도는, 상기 복수의 변수 중에서 어느 하나의 변수에 사전 설정된 가중치를 적용한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 결정되고, 상기 제2 중요도는, 상기 복수의 변수 중에서 어느 하나의 변수를 제거한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 결정되고, 적어도 하나의 중요 변수를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 각각의 매장에 대한 예측 매출액을 결정하고, 상기 적어도 하나의 중요 변수는 상기 복수의 변수 중에서 상기 제1 중요도 및 상기 제2 중요도에 대한 평균 값이 중간 값 이상인 변수이고, 상기 예측 매출액, 상기 매장과 관련된 정보 및 식재료에 대한 정보를 기반으로 식재료에 대한 주문량을 결정하고, 상기 식재료에 대한 주문량을 포함하는 주문 메시지를 상기 복수의 제2 서버 각각에게 전송하는 단계를 포함할 수 있다.
일 실시 예에 따라, 상기 식재료에 대한 정보는 매장에서 판매되는 각각의 메뉴에서 기존에 사용되는 복수의 제1 식재료들에 대한 정보, 매장에서 판매되는 각각의 메뉴에서 사용가능한 식재료에 대한 정보 및 식재료에 대한 계층 정보를 포함할 수 있다. 예를 들어, 상기 예측 매출액 및 상기 매장과 관련된 정보에 기반하여 메뉴별 예상 판매량이 결정될 수 있다. 예를 들어, 상기 메뉴별 예상 판매량 및 상기 식재료에 대한 정보에 기반하여 상기 복수의 제1 식재료들에 대한 예상 주문량이 결정될 수 있다. 예를 들어, 상기 식재료에 대한 정보를 기반으로 상기 복수의 제1 식재료들을 대체할 수 있는 복수의 제2 식재료들이 결정될 수 있다.
일 실시 예에 따라, 상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에서 상기 제1 식재료의 안전 재고량을 뺀 제1 값에 대해 상기 제1 식재료의 공급 가능량을 합한 제2 값보다 상기 제1 식재료의 예상 주문량이 작거나 같은 것에 기반하여, 상기 식재료에 대한 정보를 기반으로 상기 제1 식재료에 대한 제1 적합도 및 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 제2 적합도가 결정될 수 있다. 예를 들어, 상기 제2 적합도가 상기 제1 적합도보다 큰 것에 기반하여, 상기 식재료에 대한 주문량에 상기 제2 식재료에 대한 주문량이 추가될 수 있다.
예를 들어, 상기 제1 적합도 및 상기 제2 적합도는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 f는 상기 제1 적합도 또는 상기 제2 적합도이고, 상기 k는 해당 식재료를 대체할 수 있는 식재료의 개수이고, 상기 p0는 해당 식재료의 평균 가격이고, 상기 pri는 i번째 대체할 수 있는 식재료에 대한 평균 가격이고, 상기 n0는 해당 식재료의 평균 거래량이고, 상기 nri는 i번째 대체할 수 있는 식재료에 대한 평균 거래량이고, 상기 m은 제2 서버의 개수이고, 상기 gj는 j번째 제2 서버로부터 수신된 해당 식재료에 대한 평점일 수 있다.
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 본사와 관련된 정보, 복수의 매장과 관련된 정보 및 정답 매장의 매출액으로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 상기 적어도 하나의 중요 변수에 해당하는 데이터 및 정답 예측 매출액으로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
일 실시 예에 따라, 상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에 상기 제1 식재료의 공급 가능량을 합한 제3 값보다 상기 제1 식재료의 예상 주문량이 큰 것에 기반하여, 상기 식재료에 대한 주문량은 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량을 포함할 수 있다. 예를 들어, 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량은 상기 제1 식재료의 예상 주문량에서 상기 제3 값을 뺀 값으로 결정될 수 있다.
부가적으로, 예를 들어, 상기 제1 중요도는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 imp1은 상기 제1 중요도이고, 상기 RX10+는 상기 제2 추정 값과 실제 값 사이의 차이 값이고, 상기 RX0는 상기 제1 추정 값과 실제 값 사이의 차이 값이고, 상기 RX10-는 상기 제3 추정 값과 실제 값 사이의 차이 값일 수 있다. 이때, 상기 imp1은 0보다 큰 정수일 수 있다. 여기서, 실제 값은 종속 변수이며, 상기 매장의 매출액에 대한 값일 수 있다.
부가적으로, 예를 들어, 상기 제2 중요도는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 imp2은 상기 제2 중요도이고, 상기 RXe는 상기 제4 추정 값과 실제 값 사이의 차이 값이고, 상기 RX0는 상기 제1 추정 값과 실제 값 사이의 차이 값일 수 있다. 이때, 상기 imp2은 0보다 큰 정수일 수 있다. 여기서, 실제 값은 종속 변수이며, 상기 매장의 월별 매출액에 대한 값일 수 있다.
부가적으로, 예를 들어, 제1 서버는 상기 식재료에 대한 계층 정보를 기반으로 각각의 메뉴에 대한 식재료들 중에서 상기 제2 식재료를 결정할 수 있다. 예를 들어, 제1 식재료가 제1 메뉴에 포함되는 경우, 제1 서버는 상기 식재료에 대한 계층 정보에서 제1 식재료의 위치를 결정하고, 상기 제1 메뉴에 포함된 식재료들 중에서 상기 제1 식재료의 위치에서 가장 가까운 식재료를 제2 식재료로 결정할 수 있다.
실시예들에 따르면, 제1 서버는 매장의 매출액에 영향을 미치는 다양한 변수들에 대해 여러 추정치들을 반영하여 결정하기 때문에, 각 변수가 매장의 매출액에 영향에 미치는 정도를 정확하게 결정할 수 있다. 또한, 제1 서버는 모든 변수를 기반으로 매장의 매출액을 예측하지 않고, 중요 변수를 기반으로 매장의 매출액을 예측함으로써, 매장의 매출액을 예측하기 위한 연산량을 감소시킬 수 있다.
실시예들에 따르면, 제1 서버는 제1 뉴럴 네트워크를 구성하는 잔차 블록(residual block)을 4개의 콘벌루션 레이어가 쌓여서 구성함으로써, 유용한 특징을 추출하는 블록의 개수를 증가시키고 최종 특징 추출에 영향을 주는 정보를 공유할 수 있도록 하여, 네트워크의 학습 성능을 증가시킬 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 예측된 매출액을 기반으로 식재료를 주문하는 방법을 나타낸다.
도 4는 일 실시예에 따른 중요도 결정 모델에 대한 예이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5는 일 실시예에 따른 예측 모델에 대한 예이다.
도 6은 일 실시예에 따른 식재료에 대한 계층적 구조를 특정 메뉴에 대해 나타낸다.
도 7은 일 실시예에 따른 적어도 하나의 중요 변수를 결정하는 방법에 대한 흐름도이다.
도 7은 일 실시예에 따른 서버가 재의뢰를 위한 진행 메시지를 전송하는 방법에 대한 흐름도이다.
도 8은 일 실시예에 따른 제1 식재료를 대체할 수 있는 제2 식재료를 결정하는 방법에 대한 흐름도이다.
도 9는 일 실시예에 따른 식재료에 대한 주문량을 결정하는 방법에 대한 흐름도이다.
도 10은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 예측된 매출액을 기반으로 식재료를 주문하는 방법을 나타낸다.
도 4는 일 실시예에 따른 중요도 결정 모델에 대한 예이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5는 일 실시예에 따른 예측 모델에 대한 예이다.
도 6은 일 실시예에 따른 식재료에 대한 계층적 구조를 특정 메뉴에 대해 나타낸다.
도 7은 일 실시예에 따른 적어도 하나의 중요 변수를 결정하는 방법에 대한 흐름도이다.
도 7은 일 실시예에 따른 서버가 재의뢰를 위한 진행 메시지를 전송하는 방법에 대한 흐름도이다.
도 8은 일 실시예에 따른 제1 식재료를 대체할 수 있는 제2 식재료를 결정하는 방법에 대한 흐름도이다.
도 9는 일 실시예에 따른 식재료에 대한 주문량을 결정하는 방법에 대한 흐름도이다.
도 10은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 예측된 매출액을 기반으로 식재료를 주문하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 제1 서버(예: 도 1의 서버(108))는 상기 제1 서버에 입력된 정보를 기반으로 본사와 관련된 정보를 획득할 수 있다. 예를 들어, 본사와 관련된 정보는 본사의 사업 개월, 본사의 직원수에 대한 정보, 본사의 자산에 대한 정보, 본사의 부채에 대한 정보, 본사의 매출액에 대한 정보, 본사의 영업 이익에 대한 정보, 매장의 개점 및 폐점에 대한 정보 및 본사의 법 위반 횟수에 대한 정보를 포함할 수 있다. 여기서, 본사의 사업 개월은 본사가 사업을 시작한 날짜부터 본사와 관련된 정보를 제1 서버가 획득한 날짜까지의 기간일 수 있다. 예를 들어, 본사와 관련된 정보는 사전 설정된 기간에 대한 정보를 포함할 수 있다. 예를 들어, 본사의 직원수에 대한 정보, 본사의 자산에 대한 정보, 본사의 부채에 대한 정보, 본사의 매출액에 대한 정보, 본사의 영업 이익에 대한 정보, 매장의 개점 및 폐점에 대한 정보 및 본사의 법 위반 횟수에 대한 정보 각각은 본사에 대한 지난 5년간의 월별 정보일 수 있다.
단계 S302에서, 제1 서버는 복수의 제2 서버 각각으로부터 매장과 관련된 정보를 수신할 수 있다. 예를 들어, 매장과 관련된 정보는 매장의 사업 개월, 매장의 직원 수에 대한 정보, 매장의 명의 변경 횟수, 매장의 매출액에 대한 정보, 매장의 보증금에 대한 정보, 매장의 교육비에 대한 정보, 매장의 인테리어 비용에 대한 정보, 매장의 재고 정보, 고객 만족도에 대한 정보 및 매장의 법 위반 횟수에 대한 정보를 포함할 수 있다. 여기서, 매장의 사업 개월은 매장이 사업을 시작한 날짜부터 매장과 관련된 정보를 상기 제1 서버가 수신한 날짜까지의 기간일 수 있다. 예를 들어, 매장과 관련된 정보는 사전 설정된 기간에 대한 정보를 포함할 수 있다. 예를 들어, 매장의 직원 수에 대한 정보, 매장의 명의 변경 횟수, 매장의 매출액에 대한 정보, 매장의 보증금에 대한 정보, 매장의 교육비에 대한 정보, 매장의 인테리어 비용에 대한 정보, 매장의 재고 정보, 고객 만족도에 대한 정보 및 매장의 법 위반 횟수에 대한 정보 각각은 매장에 대한 지난 5년간의 월별 정보일 수 있다. 예를 들어, 매장의 매출액에 대한 정보는 매장에서 제공하는 복수의 메뉴에 대한 판매량에 대한 정보를 포함할 수 있다.
예를 들어, 제2 서버는 도 1의 서버(108)와 같이 전자 장치(101)와 무선 통신을 수행할 수 있다. 제2 서버는 해당 매장의 주방장과 관련된 단말로부터 고객 만족도에 대한 정보를 수신할 수 있다.
단계 S303에서, 제1 서버는 상기 본사와 관련된 정보 및 상기 매장과 관련된 정보에 포함된 복수의 변수를 기반으로 제1 뉴럴 네트워크를 이용한 중요도 결정 모델을 통해 상기 복수의 변수 각각에 대한 중요도를 결정할 수 있다. 여기서, 복수의 변수는 각 매장의 매출에 영향을 미치는 변수일 수 있다. 예를 들어, 상기 본사와 관련된 정보 및 상기 매장과 관련된 정보를 기반으로 각 매장의 매출에 대한 영향을 미치는 복수의 변수가 결정될 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 본사와 관련된 정보, 복수의 매장과 관련된 정보 및 정답 매장의 월별 매출액으로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
단계 S304에서, 제1 서버는 적어도 하나의 중요 변수를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 각각의 매장에 대한 예측 매출액을 결정할 수 있다. 예를 들어, 상기 적어도 하나의 중요 변수는 상기 복수의 변수 중에서 상기 중요도가 중간 값 이상인 변수일 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 적어도 하나의 중요 변수에 해당하는 데이터 및 정답 예측 매출액으로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
부가적으로, 예를 들어, 제1 서버는 사전 설정된 주기를 기반으로 상기 복수의 변수 각각에 대한 제1 중요도 및 제2 중요도를 결정할 수 있다. 따라서, 사전 설정된 주기에 따라 상기 복수의 각각에 대한 상기 제1 중요도 및 제2 중요도가 상이하게 결정되는 경우, 제1 서버는 상기 적어도 하나의 중요 변수를 다른 변수로 변경할 수 있다.
단계 S305에서, 제1 서버는 상기 예측 매출액, 상기 매장과 관련된 정보 및 식재료에 대한 정보를 기반으로 식재료에 대한 주문량을 결정할 수 있다. 여기서, 식재료에 대한 정보는 상기 제1 서버에 사전 입력될 수 있다. 예를 들어, 상기 식재료에 대한 정보는 매장에서 판매되는 각각의 메뉴에서 기존에 사용되는 복수의 제1 식재료들에 대한 정보, 매장에서 판매되는 각각의 메뉴에서 사용가능한 식재료에 대한 정보 및 식재료에 대한 계층 정보를 포함할 수 있다. 예를 들어, 매장에서 판매되는 각각의 메뉴에서 기존에 사용되는 복수의 제1 식재료들에 대한 정보는 상기 복수의 제2 서버로부터 수신될 수 있다. 예를 들어, 매장에서 판매되는 각각의 메뉴에서 사용가능한 식재료에 대한 정보 및 식재료에 대한 계층 정보는 제1 서버에 의한 웹 크롤링을 기반으로 획득될 수 있다.
예를 들어, 상기 예측 매출액 및 상기 매장과 관련된 정보에 기반하여 메뉴별 예상 판매량이 결정될 수 있다. 즉, 예측 매출액에서 매장에서 판매되는 메뉴별 판매량에 따른 비율로 메뉴별 예상 판매량이 결정될 수 있다. 예를 들어, 상기 메뉴별 예상 판매량 및 상기 식재료에 대한 정보에 기반하여 상기 복수의 제1 식재료들에 대한 예상 주문량이 결정될 수 있다. 즉, 특정 메뉴에 대한 예상 판매량에서 해당 메뉴에 포함된 제1 식재료가 필요한 양을 기반으로 복수의 제1 식재료들에 대한 예상 주문량이 결정될 수 있다.
예를 들어, 상기 식재료에 대한 정보를 기반으로 상기 복수의 제1 식재료들을 대체할 수 있는 복수의 제2 식재료들이 결정될 수 있다.
예를 들어, 제1 서버는 매장에서 판매되는 각각의 메뉴에 대한 레시피 데이터를 웹 크롤링을 통해 획득할 수 있다. 제1 서버는 상기 레시피 데이터를 기반으로 문자열을 의미하는 형태소로 파싱(parsing)하고, 각 형태소에 대한 품사를 결정하고, 각 형태소에 대한 품사를 기반으로 조리 동작, 식재료, 양, 단위, 도구, 설명 등으로 사전 저장된 태그들로 분류함으로써, 의미 단위로 그룹화할 수 있다. 그리고, 제1 서버는 그룹화된 데이터를 기반으로 각각의 메뉴에 대한 식재료를 결정할 수 있다.
예를 들어, 제1 서버는 웹 크롤링을 통해 식재료와 관련된 복수의 웹 페이지로부터 식재료 데이터를 획득할 수 있고, 제1 서버는 상기 식재료 데이터를 기반으로 하향식 방식으로 총 6단계의 계층적 구조를 갖는 식재료에 대한 계층 정보를 결정할 수 있다. 이때, 계층적 구조는 농임산물, 축산물, 해산물, 가공물, 기타를 기준으로 분류될 수 있다.
부가적으로, 예를 들어, 제1 서버는 상기 식재료에 대한 계층 정보를 기반으로 각각의 메뉴에 대한 식재료들 중에서 상기 제2 식재료를 결정할 수 있다. 예를 들어, 제1 식재료가 제1 메뉴에 포함되는 경우, 제1 서버는 상기 식재료에 대한 계층 정보에서 제1 식재료의 위치를 결정하고, 상기 제1 메뉴에 포함된 식재료들 중에서 상기 제1 식재료의 위치에서 가장 가까운 식재료를 제2 식재료로 결정할 수 있다.
일 실시예에 따라, 상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에서 상기 제1 식재료의 안전 재고량을 뺀 제1 값에 대해 상기 제1 식재료의 공급 가능량을 합한 제2 값보다 상기 제1 식재료의 예상 주문량이 작거나 같은 것에 기반하여, 상기 식재료에 대한 정보를 기반으로 상기 제1 식재료에 대한 제1 적합도 및 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 제2 적합도가 결정될 수 있다. 예를 들어, 상기 제2 적합도가 상기 제1 적합도보다 큰 것에 기반하여, 상기 식재료에 대한 주문량에 상기 제2 식재료에 대한 주문량이 추가될 수 있다. 여기서, 현재 재고량은 현재 매장에 보관 중인 식재료의 재고량이다. 안전 재고량은 예상치 못한 수요나 공급의 변동에 대응하기 위한 여유 재고량이다. 공급 가능량은 매장이 해당 식재료를 외부로부터 공급받을 수 있는 양이다. 예를 들어, 현재 재고량 및 안전 재고량은 상기 매장의 재고 정보에 포함될 수 있다. 예를 들어, 공급 가능량은 상기 제1 서버에 사전 입력되거나 외부 서버로부터 사전에 수신할 수 있다.
예를 들어, 상기 제1 적합도 및 상기 제2 적합도는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식에서, 상기 f는 상기 제1 적합도 또는 상기 제2 적합도이고, 상기 k는 해당 식재료를 대체할 수 있는 식재료의 개수이고, 상기 p0는 해당 식재료의 평균 가격이고, 상기 pri는 i번째 대체할 수 있는 식재료에 대한 평균 가격이고, 상기 n0는 해당 식재료의 평균 거래량이고, 상기 nri는 i번째 대체할 수 있는 식재료에 대한 평균 거래량이고, 상기 m은 제2 서버의 개수이고, 상기 gj는 j번째 제2 서버로부터 수신된 해당 식재료에 대한 평점일 수 있다.
예를 들어, 대체할 수 있는 식재료의 개수가 작고, 식재료의 평균 가격이 상대적으로 낮고, 식재료의 평균 거래량이 상대적으로 많고, 식재료에 대한 평점이 높을수록, 상기 제1 적합도 또는 상기 제2 적합도가 클 수 있다. 즉, 제1 서버는 기존의 식재료를 대체할 수 있는 대체 식재료를 결정함으로써, 기존의 식재료에 비해 대체 식재료가 더 적합한 경우에 한하여 메뉴에 사용되는 식재료를 적합한 식재료로 자동 변경할 수 있다. 또한, 제1 서버는 기존의 식재료에 대한 공급이 어려울 경우에는, 기존의 식재료가 부족한 만큼 대체 식재료를 자동 주문할 수 있다.
일 실시예에 따라, 상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에 상기 제1 식재료의 공급 가능량을 합한 제3 값보다 상기 제1 식재료의 예상 주문량이 큰 것에 기반하여, 상기 식재료에 대한 주문량은 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량을 포함할 수 있다. 예를 들어, 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량은 상기 제1 식재료의 예상 주문량에서 상기 제3 값을 뺀 값으로 결정될 수 있다.
단계 S306에서, 제1 서버는 상기 식재료에 대한 주문량을 포함하는 주문 메시지를 상기 복수의 제2 서버 각각에게 전송할 수 있다.
도 4는 일 실시예에 따른 중요도 결정 모델에 대한 예이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 중요도 결정 모델은 제1 뉴럴 네트워크(400)에 의해 학습된 모델일 수 있다. 이때, 제1 뉴럴 네트워크는 제1 입력 레이어(410), 하나 이상의 제1 히든 레이어(420) 및 제1 출력 레이어(430)를 포함할 수 있다.
예를 들어, 제1 뉴럴 네트워크(400)는 하나 이상의 제1 히든 레이어(420)가 4개의 콘벌루션 레이어가 쌓여서 구성되는 잔차 블록(residual block) (450) 및 잔차 블록(residual block)(450)에 기반한 병목 구조를 포함하는 CNN 모델일 수 있다.
컨벌루션 레이어는 깊게 쌓아 학습할수록 학습 데이터에 존재하는 대표적인 특징을 잘 추출할 수 있기 때문에, 학습 성능이 증가할 수 있으나, 기울기 소실 및 증폭 현상과 파라미터의 수의 증가에 의한 에러 문제로 성능이 저하될 수 있다. 따라서, 본 개시에서 CNN 모델에 대해 기울기의 영향을 감소시키기 위해 잔차 학습을 도입하고, 네트워크의 깊이가 깊어지면 파라미터의 증가로 속도가 저하되는 문제를 해결하기 위해 병목 구조(bottle neck)가 적용된다. 여기서, 병목 구조는 채널을 압축시키면서 연산량을 감소시키고, 압축된 채널에서 압축되기 이전의 채널의 특징을 추출하고, 다시 채널을 증가시키는 구조이다. 이로 인해, 정보의 손실이 발생하지만 연산량을 감소시킴으로써, 학습 속도를 증가시킬 수 있다.
예를 들어, 잔차 블록(450)은 4개의 콘벌루션 레이어가 쌓여서 구성되며, 입력 값을 출력 값에 더해줄 수 있는 숏컷(shortcut)을 포함할 수 있다. 즉, 입력과 출력의 차이가 최적이 되도록 학습하는 잔차 학습의 개념과 입력을 그대로 출력에 더하는 숏컷 연결을 추가함으로써, 잔차 블록(450)이 구성될 수 있다.
즉, 기존의 잔차 블록(450)에서는 2개의 콘벌루션 레이어가 쌓여서 구성되는 반면, 본 개시에서는 4개의 콘벌루션 레이어가 쌓여서 구성됨으로써, 유용한 특징을 추출하는 블록의 개수를 증가시키고 최종 특징 추출에 영향을 주는 정보를 보다 공유할 수 있도록 하여, 네트워크의 학습 성능을 증가시킬 수 있다.
구체적으로, 제1 서버는 복수의 본사와 관련된 정보 및 복수의 매장과 관련된 정보를 기반으로 복수의 변수를 데이터 전처리를 통해 벡터화할 수 있다. 예를 들어, 제1 서버는 본사의 직원수에 대한 정보, 본사의 자산에 대한 정보, 본사의 부채에 대한 정보, 본사의 매출액에 대한 정보, 본사의 영업 이익에 대한 정보, 매장의 개점 및 폐점에 대한 정보, 본사의 법 위반 횟수에 대한 정보 각각은 본사에 대한 과거의 사전 설정된 기간에 대한 월별 정보와 매장의 사업 개월, 매장의 직원 수에 대한 정보, 매장의 명의 변경 횟수, 매장의 매출액에 대한 정보, 매장의 보증금에 대한 정보, 매장의 교육비에 대한 정보, 매장의 인테리어 비용에 대한 정보, 매장의 재고 정보, 고객 만족도에 대한 정보 및 매장의 법 위반 횟수에 대한 정보에 대한 과거의 사전 설정된 기간에 대한 월별 정보를 독립 변수로 입력 벡터를 결정할 수 있다. 제1 서버는 종속 변수로 각 매장의 월별 매출액을 결정할 수 있다.
제1 서버는 상기 입력 벡터에 포함된 각각의 독립 변수의 변화에 기반하여 중요도를 결정할 수 있다. 예를 들어, 각각의 독립 변수들로 구성된 입력 벡터를 제1 입력 값, 상기 제1 입력 값 중에서 특정한 하나의 독립 변수에 대해서만 1.1배한 제2 입력 값, 상기 제1 입력 값 중에서 상기 특정한 하나의 독립 변수에 대해서만 0.9배한 제3 입력 값이 결정될 수 있다. 또한, 상기 제1 입력 값 중에서 상기 특정한 하나의 독립 변수를 제외한 나머지 독립 변수들로 구성된 제4 입력 값이 결정될 수 있다.
예를 들어, 상기 특정한 하나의 독립 변수에 대해, 제1 입력 값이 상기 중요도 결정 모델에 입력되어 학습된 경우의 제1 추정 값, 제2 입력 값이 상기 중요도 결정 모델에 입력되어 학습된 경우의 제2 추정 값, 제3 입력 값이 상기 중요도 결정 모델에 입력되어 학습된 경우의 제3 추정 값이 획득될 수 있다. 그리고, 실제 값, 상기 제1 추정 값, 상기 제2 추정 값 및 상기 제3 추정 값에 기반하여 상기 특정한 하나의 독립 변수에 대해 제1 중요도가 결정될 수 있다. 즉, 상기 제1 추정 값에 대한 상기 제2 추정 값과 상기 제3 추정 값의 영향에 따라 제1 중요도가 결정될 수 있다.
부가적으로, 예를 들어, 상기 제1 중요도는 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 imp1은 상기 제1 중요도이고, 상기 RX10+는 상기 제2 추정 값과 실제 값 사이의 차이 값이고, 상기 RX0는 상기 제1 추정 값과 실제 값 사이의 차이 값이고, 상기 RX10-는 상기 제3 추정 값과 실제 값 사이의 차이 값일 수 있다. 이때, 상기 imp1은 0보다 큰 정수일 수 있다. 여기서, 실제 값은 종속 변수이며, 상기 매장의 매출액에 대한 값일 수 있다.
또한, 상기 특정한 하나의 독립 변수에 대해, 제4 입력 값이 상기 중요도 결정 모델에 입력되어 학습된 경우의 제4 추정 값이 결정될 수 있다. 그리고, 실제 값 및 상기 제4 추정 값에 기반하여 상기 특정한 하나의 독립 변수에 대해 제2 중요도가 결정될 수 있다.
부가적으로, 예를 들어, 상기 제2 중요도는 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 imp2은 상기 제2 중요도이고, 상기 RXe는 상기 제4 추정 값과 실제 값 사이의 차이 값이고, 상기 RX0는 상기 제1 추정 값과 실제 값 사이의 차이 값일 수 있다. 이때, 상기 imp2은 0보다 큰 정수일 수 있다. 여기서, 실제 값은 종속 변수이며, 상기 매장의 월별 매출액에 대한 값일 수 있다.
제1 서버는 상기 제1 중요도와 상기 제2 중요도의 평균 값이 중간 값보다 큰 경우, 상기 특정한 하나의 독립 변수를 중요 변수로 결정할 수 있다. 그리고, 제1 서버는 상기 독립 변수 각각에 대해 상술한 과정을 적용함으로써, 복수의 변수 중에서 중요 변수를 결정할 수 있다.
따라서, 제1 서버는 매장의 매출액에 영향을 미치는 다양한 변수들에 대해 여러 추정치들을 반영하여 결정하기 때문에, 각 변수가 매장의 매출액에 영향에 미치는 정도를 정확하게 결정할 수 있다. 또한, 제1 서버는 모든 변수를 기반으로 매장의 매출액을 예측하지 않고, 중요 변수를 기반으로 매장의 매출액을 예측함으로써, 매장의 매출액을 예측하기 위한 연산량을 감소시킬 수 있다.
도 5는 일 실시예에 따른 예측 모델에 대한 예이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 예를 들어, 예측 모델에 사용되는 상기 제2 뉴럴 네트워크는 다변량 LSTM(long short term memory networks) 모델일 수 있다. 일반적으로 RNN(recurrent neural netowork)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어(510), 하나 이상의 제2 히든 레이어(520), 제2 출력 레이어(530)를 포함할 수 있다.
예를 들어, 상기 하나 이상의 제2 히든 레이어(520)는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.
예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.
예를 들어, 입력 게이트(522), 삭제 게이트(521) 및 출력 게이트(523)는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트(522), 삭제 게이트(521) 및 출력 게이트(523)를 통해 셀 스테이트(524)가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
예를 들어, 상기 적어도 하나의 중요 변수에 해당하는 데이터는 데이터 전처리를 통해 벡터화될 수 있다. 예를 들어, 적어도 하나의 중요 변수에 해당하는 데이터는 각각의 중요 변수에 대한 월별 값으로 구성된 입력 벡터로 변환될 수 있다. 예를 들어, 적어도 하나의 중요 변수가 본사의 매출액, 신규 개점 및 폐점의 개수, 본사의 직원 수 및 본사의 자산인 경우, 제1 서버는 사전 설정된 기간 내 본사의 매출액, 신규 개점 및 폐점의 개수, 본사의 직원 수 및 본사의 자산에 대한 월별 값을 입력 벡터로 결정할 수 있다.
예를 들어, 입력 벡터가 상기 제2 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 입력 벡터를 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다.
예를 들어, 상기 입력 게이트(522)는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트(524)에 저장시킬 수 있다. tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 즉, 셀 스테이트(524)에 대해 상기 ft를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다.
예를 들어, 출력 게이트(523)는 시그모이드 레이어에서 제1 입력 벡터 및 제2 입력 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트(523)는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다.
예를 들어, 예측 모델은 상기 삭제 게이트(521)와 상기 입력 게이트(522)가 합쳐진 LSTM 모델일 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.
따라서, 제1 서버가 상기 예측 모델을 통해 학습된 제2 뉴럴 네트워크의 파라미터를 사용할 수 있고, 제1 서버는 사전 설정된 기간 내 중요 변수를 고려하여 각각의 매장에 예측 매출액을 결정할 수 있다.
도 6은 일 실시예에 따른 식재료에 대한 계층적 구조를 특정 메뉴에 대해 나타낸다. 도 6의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
제1 서버는 웹 크롤링을 통해 식재료와 관련된 복수의 웹 페이지로부터 식재료 데이터를 획득할 수 있고, 제1 서버는 상기 식재료 데이터에 대해 농임산물, 축산물, 해산물, 가공물, 기타를 기준으로 하향식 방식으로 총 6단계의 계층적 구조를 결정할 수 있다.
제1 서버는 상기 계층적 구조를 기반으로 도 6과 같이 특정 메뉴에 대한 식재료들을 계층적 구조로 나타낼 수 있다. 이때, 예를 들어, 매장에서 사용하는 제1 식재료가 일반미인 경우, 제1 서버는 일반미와 가장 가까운 위치의 청결미를 제2 식재료로 결정할 수 있다.
도 7은 일 실시예에 따른 적어도 하나의 중요 변수를 결정하는 방법에 대한 흐름도이다. 도 7의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 7을 참조하면, 단계 S701에서, 제1 서버는 복수의 변수 중에서 어느 하나의 변수를 선택할 수 있다.
단계 S702에서, 제1 서버는 해당 변수에 대한 제1 중요도 및 제2 중요도를 결정할 수 있다. 예를 들어, 제1 서버는 상술한 수학식 2에 의해 제1 중요도를 결정하고, 상술한 수학식 3에 의해 제2 중요도를 결정할 수 있다.
단계 S703에서, 제1 서버는 상기 제1 중요도와 상기 제2 중요도의 평균 값이 중간 값 이상인지 여부를 결정할 수 있다. 예를 들어, 중간 값은 50일 수 있다.
단계 S704에서, 상기 제1 중요도와 상기 제2 중요도의 평균 값이 중간 값 이상이면, 제1 서버는 해당 변수를 중요 변수로 결정할 수 있다.
단계 S705에서, 상기 제1 중요도와 상기 제2 중요도의 평균 값이 중간 값 미만이면, 제1 서버는 해당 변수를 중요 변수에서 제외할 수 있다.
단계 S706에서, 제1 서버는 복수의 변수 전체에 대해 상기 제1 중요도 및 상기 제2 중요도를 결정했는지 여부를 결정할 수 있다.
단계 S707에서, 복수의 변수 전체에 대해 상기 제1 중요도 및 상기 제2 중요도를 결정하지 않은 경우, 제1 서버는 상기 제1 중요도 및 상기 제2 중요도가 결정된 변수를 제외하고, 다시 단계 S701부터 수행할 수 있다.
도 8은 일 실시예에 따른 제1 식재료를 대체할 수 있는 제2 식재료를 결정하는 방법에 대한 흐름도이다. 도 8의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 8을 참조하면, 단계 S801에서, 제1 서버는 식재료에 대한 계층 정보를 기반으로 매장에서 판매되는 복수의 메뉴 중에서 어느 하나의 메뉴에 대한 식재료들에 대해, 계층적 구조를 결정할 수 있다.
단계 S802에서, 제1 서버는 상기 계층적 구조에서 상기 메뉴에 대해 현재 매장에서 사용되는 복수의 제1 식재료들 중에서 어느 하나의 제1 식재료의 위치를 결정할 수 있다.
단계 S803에서, 제1 서버는 상기 제1 식재료의 위치와 가장 근접한 위치의 식재료를 제2 식재료로 결정할 수 있다.
단계 S804에서, 제1 서버는 복수의 제1 식재료들 전체에 대해 제2 식재료를 결정했는지 여부를 결정할 수 있다.
단계 S805에서, 복수의 제1 식재료들 전체에 대해 제2 식재료를 결정하지 않은 경우, 제1 서버는 제2 식재료가 결정된 제1 식재료를 제외하고, 다시 단계 S802를 수행할 수 있다.
단계 S806에서, 복수의 제1 식재료들 전체에 대해 제2 식재료를 결정한 경우, 제1 서버는 복수의 메뉴 전체에 대해 제2 식재료를 결정했는지 여부를 결정할 수 있다.
단계 S807에서, 복수의 메뉴 전체에 대해 제2 식재료를 결정하지 않은 경우, 제1 서버는 복수의 제1 식료들에 대해 제2 식재료가 결정된 메뉴를 제외하고, 다시 단계 S801를 수행할 수 있다.
도 9는 일 실시예에 따른 식재료에 대한 주문량을 결정하는 방법에 대한 흐름도이다. 도 9의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 9를 참조하면, 단계 S901에서, 제1 서버는 메뉴별 예상 판매량 및 식재료에 대한 정보에 기반하여 제1 식재료에 대한 예상 주문량을 결정할 수 있다. 예를 들어, 제1 서버는 예측 매출액 및 매장과 관련된 정보에 기반하여 대한 메뉴별 예상 판매량을 결정할 수 있다.
단계 S902에서, 제1 서버는 제1 식재료에 대한 예상 주문량이 제2 값 이하인지 여부를 결정할 수 있다.
단계 S903에서, 제1 식재료에 대한 예상 주문량이 제2 값 이하인 경우, 제1 서버는 제1 식재료에 대한 제1 적합도 및 제2 식재료에 대한 제2 적합도를 결정할 수 있다. 상술한 바와 같이, 제2 식재료는 제1 식재료를 대체할 수 있는 식재료일 수 있다. 제1 적합도 및 제2 적합도는 상술한 수학식 1에 의해 결정될 수 있다.
단계 S904에서, 제1 서버는 제2 적합도가 제1 적합도보다 큰 값인지 여부를 결정할 수 있다.
단계 S905에서, 제2 적합도가 제1 적합도보다 큰 값인 경우, 제1 서버는 제1 식재료에 대한 예상 주문량을 제1 식재료에 대한 주문량으로 결정하고, 제2 식재료에 대한 주문량을 제1 식재료의 안전 재고량만큼 결정할 수 있다.
단계 S906에서, 제2 적합도가 제1 적합도보다 작거나 같은 값인 경우, 제1 서버는 제1 식재료에 대한 예상 주문량을 제1 식재료에 대한 주문량으로 결정할 수 있다.
단계 S907에서, 제1 식재료에 대한 예상 주문량이 제2 값을 초과하는 경우, 제1 식재료에 대한 예상 주문량이 제3 값 이하인지 여부를 결정할 수 있다.
단계 S908에서, 제1 식재료에 대한 예상 주문량이 제3 값 이하인 경우, 제1 서버는 제1 식재료에 대한 예상 주문량을 제1 식재료에 대한 주문량으로 결정하고, 제2 식재료에 대한 주문량을 제1 식재료의 안전 재고량이 줄어든 값으로 결정할 수 있다.
단계 S909에서, 제1 식재료에 대한 예상 주문량이 제3 값을 초과하는 경우, 제1 서버는 제1 식재료에 대한 예상 주문량을 제1 식재료에 대한 주문량으로 결정하고, 제2 식재료에 대한 주문량을 제1 식재료에 대한 예상 주문량에서 제3 값을 뺀 값으로 결정할 수 있다.
도 10은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 10의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 10에 도시된 바와 같이, 서버(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030)를 포함할 수 있다. 그러나, 도 10에 도시된 구성 요소 모두가 서버(1000)의 필수 구성 요소인 것은 아니다. 도 10에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(1000)가 구현될 수도 있고, 도 10에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(1000)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(1010)는, 통상적으로 서버(1000)의 전반적인 동작을 제어한다. 프로세서(1010)는 하나 이상의 프로세서를 구비하여, 서버(1000)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(1010)는, 메모리(1030)에 저장된 프로그램들을 실행함으로써, 통신부(1020) 및 메모리(1030) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1010)는 메모리(1030)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 9에 기재된 서버(1000)의 기능을 수행할 수 있다.
일 실시예에 따라, 프로세서(1010)는 메모리(1030)를 통해 상기 제1 서버에 입력된 정보를 기반으로 본사와 관련된 정보를 획득할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 복수의 제2 서버 각각으로부터 매장과 관련된 정보를 수신할 수 있다. 프로세서(1010)는 메모리(1030)를 통해 상기 본사와 관련된 정보 및 상기 매장과 관련된 정보에 포함된 복수의 변수를 기반으로 제1 뉴럴 네트워크를 이용한 중요도 결정 모델을 통해 상기 복수의 변수 각각에 대한 제1 중요도 및 제2 중요도를 결정할 수 있다. 예를 들어, 프로세서(1010)는 메모리(1030)를 통해 상기 복수의 변수 중에서 어느 하나의 변수에 사전 설정된 가중치를 적용한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 상기 제1 중요도를 결정할 수 있다. 예를 들어, 프로세서(1010)는 메모리(1030)를 통해 상기 복수의 변수 중에서 어느 하나의 변수를 제거한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 상기 제2 중요도를 결정할 수 있다. 프로세서(1010)는 메모리(1030)를 통해 적어도 하나의 중요 변수를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 각각의 매장에 대한 예측 매출액을 결정할 수 있다. 예를 들어, 상기 적어도 하나의 중요 변수는 상기 복수의 변수 중에서 상기 제1 중요도 및 상기 제2 중요도에 대한 평균 값이 중간 값 이상인 변수일 수 있다. 프로세서(1010)는 메모리(1030)를 통해 상기 예측 매출액, 상기 매장과 관련된 정보 및 식재료에 대한 정보를 기반으로 식재료에 대한 주문량을 결정할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 상기 식재료에 대한 주문량을 포함하는 주문 메시지를 상기 복수의 제2 서버 각각에게 전송할 수 있다.
예를 들어, 상기 식재료에 대한 정보는 매장에서 판매되는 각각의 메뉴에서 기존에 사용되는 복수의 제1 식재료들에 대한 정보, 매장에서 판매되는 각각의 메뉴에서 사용가능한 식재료에 대한 정보 및 식재료에 대한 계층 정보를 포함할 수 있다. 프로세서(1010)는 상기 예측 매출액 및 상기 매장과 관련된 정보에 기반하여 메뉴별 예상 판매량을 결정할 수 있다. 프로세서(1010)는 상기 메뉴별 예상 판매량 및 상기 식재료에 대한 정보에 기반하여 상기 복수의 제1 식재료들에 대한 예상 주문량을 결정할 수 있다. 프로세서(1010)는 상기 식재료에 대한 정보를 기반으로 상기 복수의 제1 식재료들을 대체할 수 있는 복수의 제2 식재료들을 결정할 수 있다.
프로세서(1010)는 메모리(1030)를 통해 상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에서 상기 제1 식재료의 안전 재고량을 뺀 제1 값에 대해 상기 제1 식재료의 공급 가능량을 합한 제2 값보다 상기 제1 식재료의 예상 주문량이 작거나 같은 것에 기반하여, 상기 식재료에 대한 정보를 기반으로 상기 제1 식재료에 대한 제1 적합도 및 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 제2 적합도를 결정할 수 있다. 예를 들어, 프로세서(1010)는 메모리(1030)를 통해 상기 제1 적합도 및 상기 제2 적합도를 상술한 수학식 1에 의해 결정할 수 있다.
프로세서(1010)는 상기 제2 적합도가 상기 제1 적합도보다 큰 것에 기반하여, 상기 식재료에 대한 주문량에 상기 제2 식재료에 대한 주문량을 추가시킬 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 프로세서(1010)는 메모리(1030)를 통해 복수의 본사와 관련된 정보, 복수의 매장과 관련된 정보 및 정답 매장의 매출액으로 구성된 각각의 학습 데이터를 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력시키고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과시켜 제1 출력 벡터를 출력시키고, 상기 제1 출력 벡터를 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력시키고, 상기 제1 손실함수 레이어를 통해 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터를 상기 제1 손실 값이 작아지는 방향으로 학습시킬 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 프로세서(1010)는 메모리(1030)를 통해 상기 적어도 하나의 중요 변수에 해당하는 데이터 및 정답 예측 매출액으로 구성된 각각의 학습 데이터를 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력시키고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과시켜 제2 출력 벡터를 출력시키고, 상기 제2 출력 벡터를 상기 제2 출력 레이어에 연결된 제1 손실함수 레이어에 입력시키고, 상기 제2 손실함수 레이어를 통해 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터를 상기 제1 손실 값이 작아지는 방향으로 학습시킬 수 있다.
프로세서(1010)는 상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에 상기 제1 식재료의 공급 가능량을 합한 제3 값보다 상기 제1 식재료의 예상 주문량이 큰 것에 기반하여, 상기 식재료에 대한 주문량에 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량을 포함시킬 수 있다. 프로세서(1010)는 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량을 상기 제1 식재료의 예상 주문량에서 상기 제3 값을 뺀 값으로 결정할 수 있다.
통신부(1020)는, 서버(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(1020)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(1020)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(1020)는 프로세서(1010)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(1020)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(1020)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(1030)는, 프로세서(1010)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(1030)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(1030)는 프로세서(1010)에서 생성된 데이터를 저장할 수 있다. 메모리(1030)는 서버(1000)로 입력되거나 서버(1000)로부터 출력되는 정보를 저장할 수도 있다.
메모리(1030)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 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.
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.
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.
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 특허청구범위의 범위에 속한다.
Claims (12)
- 제1 서버가 뉴럴 네트워크(neural network)를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법에 있어서,
상기 제1 서버에 입력된 정보를 기반으로 본사와 관련된 정보를 획득하는 단계;
상기 본사와 관련된 정보는 본사의 사업 개월, 본사의 직원수에 대한 정보, 본사의 자산에 대한 정보, 본사의 부채에 대한 정보, 본사의 매출액에 대한 정보, 본사의 영업 이익에 대한 정보, 매장의 개점 및 폐점에 대한 정보 및 본사의 법 위반 횟수에 대한 정보를 포함하고,
복수의 제2 서버 각각으로부터 매장과 관련된 정보를 수신하는 단계;
상기 매장과 관련된 정보는 매장의 사업 개월, 매장의 직원 수에 대한 정보, 매장의 명의 변경 횟수, 매장의 매출액에 대한 정보, 매장의 보증금에 대한 정보, 매장의 교육비에 대한 정보, 매장의 인테리어 비용에 대한 정보, 매장의 재고 정보, 고객 만족도에 대한 정보 및 매장의 법 위반 횟수에 대한 정보를 포함하고,
상기 본사와 관련된 정보 및 상기 매장과 관련된 정보에 포함된 복수의 변수를 기반으로 제1 뉴럴 네트워크를 이용한 중요도 결정 모델을 통해 상기 복수의 변수 각각에 대한 제1 중요도 및 제2 중요도를 결정하는 단계;
상기 제1 중요도는, 상기 복수의 변수 중에서 어느 하나의 변수에 사전 설정된 가중치를 적용한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 결정되고,
상기 제2 중요도는, 상기 복수의 변수 중에서 어느 하나의 변수를 제거한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 결정되고,
적어도 하나의 중요 변수를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 각각의 매장에 대한 예측 매출액을 결정하는 단계;
상기 적어도 하나의 중요 변수는 상기 복수의 변수 중에서 상기 제1 중요도 및 상기 제2 중요도에 대한 평균 값이 중간 값 이상인 변수이고,
상기 예측 매출액, 상기 매장과 관련된 정보 및 식재료에 대한 정보를 기반으로 식재료에 대한 주문량을 결정하는 단계; 및
상기 식재료에 대한 주문량을 포함하는 주문 메시지를 상기 복수의 제2 서버 각각에게 전송하는 단계를 포함하고,
상기 식재료에 대한 정보는 매장에서 판매되는 각각의 메뉴에서 기존에 사용되는 복수의 제1 식재료들에 대한 정보, 매장에서 판매되는 각각의 메뉴에서 사용가능한 식재료에 대한 정보 및 식재료에 대한 계층 정보를 포함하고,
상기 예측 매출액 및 상기 매장과 관련된 정보에 기반하여 메뉴별 예상 판매량이 결정되고,
상기 메뉴별 예상 판매량 및 상기 식재료에 대한 정보에 기반하여 복수의 제1 식재료들에 대한 예상 주문량이 결정되고,
상기 식재료에 대한 정보를 기반으로 상기 복수의 제1 식재료들을 대체할 수 있는 복수의 제2 식재료들이 결정되고,
상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에서 상기 제1 식재료의 안전 재고량을 뺀 제1 값에 대해 상기 제1 식재료의 공급 가능량을 합한 제2 값보다 상기 제1 식재료의 예상 주문량이 작거나 같은 것에 기반하여, 상기 식재료에 대한 정보를 기반으로 상기 제1 식재료에 대한 제1 적합도 및 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 제2 적합도가 결정되고,
상기 제2 적합도가 상기 제1 적합도보다 큰 것에 기반하여, 상기 식재료에 대한 주문량에 상기 제2 식재료에 대한 주문량이 추가되고,
상기 제1 적합도 및 상기 제2 적합도는 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 f는 상기 제1 적합도 또는 상기 제2 적합도이고, 상기 k는 해당 식재료를 대체할 수 있는 식재료의 개수이고, 상기 p0는 해당 식재료의 평균 가격이고, 상기 pri는 i번째 대체할 수 있는 식재료에 대한 평균 가격이고, 상기 n0는 해당 식재료의 평균 거래량이고, 상기 nri는 i번째 대체할 수 있는 식재료에 대한 평균 거래량이고, 상기 m은 제2 서버의 개수이고, 상기 gj는 j번째 제2 서버로부터 수신된 해당 식재료에 대한 평점이고,
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
복수의 본사와 관련된 정보, 복수의 매장과 관련된 정보 및 정답 매장의 매출액으로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되고,
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
상기 적어도 하나의 중요 변수에 해당하는 데이터 및 정답 예측 매출액으로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되고,
상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에 상기 제1 식재료의 공급 가능량을 합한 제3 값보다 상기 제1 식재료의 예상 주문량이 큰 것에 기반하여, 상기 식재료에 대한 주문량은 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량을 포함하고,
상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량은 상기 제1 식재료의 예상 주문량에서 상기 제3 값을 뺀 값으로 결정되는,
방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 적어도 하나의 프로세서, 적어도 하나의 메모리 및 통신부를 포함하는 제1 서버에 있어서,
상기 적어도 하나의 프로세서는:
상기 제1 서버에 입력된 정보를 기반으로 본사와 관련된 정보를 획득하고,
상기 본사와 관련된 정보는 본사의 사업 개월, 본사의 직원수에 대한 정보, 본사의 자산에 대한 정보, 본사의 부채에 대한 정보, 본사의 매출액에 대한 정보, 본사의 영업 이익에 대한 정보, 매장의 개점 및 폐점에 대한 정보 및 본사의 법 위반 횟수에 대한 정보를 포함하고,
복수의 제2 서버 각각으로부터 매장과 관련된 정보를 수신하고,
상기 매장과 관련된 정보는 매장의 사업 개월, 매장의 직원 수에 대한 정보, 매장의 명의 변경 횟수, 매장의 매출액에 대한 정보, 매장의 보증금에 대한 정보, 매장의 교육비에 대한 정보, 매장의 인테리어 비용에 대한 정보, 매장의 재고 정보, 고객 만족도에 대한 정보 및 매장의 법 위반 횟수에 대한 정보를 포함하고,
상기 본사와 관련된 정보 및 상기 매장과 관련된 정보에 포함된 복수의 변수를 기반으로 제1 뉴럴 네트워크를 이용한 중요도 결정 모델을 통해 상기 복수의 변수 각각에 대한 제1 중요도 및 제2 중요도를 결정하고,
상기 제1 중요도는, 상기 복수의 변수 중에서 어느 하나의 변수에 사전 설정된 가중치를 적용한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 결정되고,
상기 제2 중요도는, 상기 복수의 변수 중에서 어느 하나의 변수를 제거한 입력 값을 기반으로 상기 중요도 결정 모델을 통해 출력된 추정 값과 실제 값을 기반으로 결정되고,
적어도 하나의 중요 변수를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 각각의 매장에 대한 예측 매출액을 결정하고,
상기 적어도 하나의 중요 변수는 상기 복수의 변수 중에서 상기 제1 중요도 및 상기 제2 중요도에 대한 평균 값이 중간 값 이상인 변수이고,
상기 예측 매출액, 상기 매장과 관련된 정보 및 식재료에 대한 정보를 기반으로 식재료에 대한 주문량을 결정하고,
상기 식재료에 대한 주문량을 포함하는 주문 메시지를 상기 복수의 제2 서버 각각에게 전송하고,
상기 식재료에 대한 정보는 매장에서 판매되는 각각의 메뉴에서 기존에 사용되는 복수의 제1 식재료들에 대한 정보, 매장에서 판매되는 각각의 메뉴에서 사용가능한 식재료에 대한 정보 및 식재료에 대한 계층 정보를 포함하고,
상기 예측 매출액 및 상기 매장과 관련된 정보에 기반하여 메뉴별 예상 판매량이 결정되고,
상기 메뉴별 예상 판매량 및 상기 식재료에 대한 정보에 기반하여 복수의 제1 식재료들에 대한 예상 주문량이 결정되고,
상기 식재료에 대한 정보를 기반으로 상기 복수의 제1 식재료들을 대체할 수 있는 복수의 제2 식재료들이 결정되고,
상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에서 상기 제1 식재료의 안전 재고량을 뺀 제1 값에 대해 상기 제1 식재료의 공급 가능량을 합한 제2 값보다 상기 제1 식재료의 예상 주문량이 작거나 같은 것에 기반하여, 상기 식재료에 대한 정보를 기반으로 상기 제1 식재료에 대한 제1 적합도 및 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 제2 적합도가 결정되고,
상기 제2 적합도가 상기 제1 적합도보다 큰 것에 기반하여, 상기 식재료에 대한 주문량에 상기 제2 식재료에 대한 주문량이 추가되고,
상기 제1 적합도 및 상기 제2 적합도는 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 f는 상기 제1 적합도 또는 상기 제2 적합도이고, 상기 k는 해당 식재료를 대체할 수 있는 식재료의 개수이고, 상기 p0는 해당 식재료의 평균 가격이고, 상기 pri는 i번째 대체할 수 있는 식재료에 대한 평균 가격이고, 상기 n0는 해당 식재료의 평균 거래량이고, 상기 nri는 i번째 대체할 수 있는 식재료에 대한 평균 거래량이고, 상기 m은 제2 서버의 개수이고, 상기 gj는 j번째 제2 서버로부터 수신된 해당 식재료에 대한 평점이고,
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
복수의 본사와 관련된 정보, 복수의 매장과 관련된 정보 및 정답 매장의 매출액으로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되고,
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
상기 적어도 하나의 중요 변수에 해당하는 데이터 및 정답 예측 매출액으로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되고,
상기 복수의 제1 식재료들 중 어느 하나의 제1 식재료의 현재 재고량에 상기 제1 식재료의 공급 가능량을 합한 제3 값보다 상기 제1 식재료의 예상 주문량이 큰 것에 기반하여, 상기 식재료에 대한 주문량은 상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량을 포함하고,
상기 제1 식재료를 대체할 수 있는 제2 식재료에 대한 주문량은 상기 제1 식재료의 예상 주문량에서 상기 제3 값을 뺀 값으로 결정되는,
제1 서버.
- 삭제
- 삭제
- 삭제
- 삭제
- 하드웨어와 결합되어 제1항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 하드웨어와 결합되어 제1항의 방법을 실행시키기는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230091625A KR20230114232A (ko) | 2022-08-30 | 2023-07-14 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로식재료에 대한 정보를 전송하는 방법 및 장치 |
| KR1020230091621A KR20230114231A (ko) | 2022-08-30 | 2023-07-14 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로식재료에 대한 정보를 전송하는 방법 및 장치 |
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220109352 | 2022-08-30 | ||
| KR20220109352 | 2022-08-30 | ||
| KR1020220111805 | 2022-09-05 | ||
| KR20220111805 | 2022-09-05 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230091625A Division KR20230114232A (ko) | 2022-08-30 | 2023-07-14 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로식재료에 대한 정보를 전송하는 방법 및 장치 |
| KR1020230091621A Division KR20230114231A (ko) | 2022-08-30 | 2023-07-14 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로식재료에 대한 정보를 전송하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102557257B1 true KR102557257B1 (ko) | 2023-07-20 |
Family
ID=87426111
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220113060A KR102557257B1 (ko) | 2022-08-30 | 2022-09-06 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치 |
| KR1020230091621A KR20230114231A (ko) | 2022-08-30 | 2023-07-14 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로식재료에 대한 정보를 전송하는 방법 및 장치 |
| KR1020230091625A KR20230114232A (ko) | 2022-08-30 | 2023-07-14 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로식재료에 대한 정보를 전송하는 방법 및 장치 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230091621A KR20230114231A (ko) | 2022-08-30 | 2023-07-14 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로식재료에 대한 정보를 전송하는 방법 및 장치 |
| KR1020230091625A KR20230114232A (ko) | 2022-08-30 | 2023-07-14 | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로식재료에 대한 정보를 전송하는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (3) | KR102557257B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170132448A (ko) * | 2016-05-24 | 2017-12-04 | 최천욱 | 예상매출을 근거로 가맹비를 산출하고 실제 매출로 가맹비를 조정하는 프랜차이즈 가맹 시스템 |
| KR20210132853A (ko) * | 2020-04-28 | 2021-11-05 | 이진행 | 확률적 경사 하강법을 이용한 변수 선택 장치 및 방법 |
| KR20210149550A (ko) * | 2020-06-02 | 2021-12-09 | (주)이암허브 | 기상정보를 활용한 외식기업의 매출 추정 시스템 및 매출 추정액의 산출 방법 |
| KR20210152274A (ko) * | 2020-06-08 | 2021-12-15 | 주식회사 프레시앤텍 | 대체 식자재 추천을 위한 지능형 식자재 중개 시스템, 그리고 이를 기반한 대체 식자재 추천 방법 |
| KR102437103B1 (ko) * | 2022-03-14 | 2022-08-30 | 주식회사 글로벌미트플랫폼 | 뉴럴 네트워크 기반의 축산물 유통 시스템 및 방법, 축산물 유통 메타버스 플랫폼 |
-
2022
- 2022-09-06 KR KR1020220113060A patent/KR102557257B1/ko active IP Right Grant
-
2023
- 2023-07-14 KR KR1020230091621A patent/KR20230114231A/ko active Application Filing
- 2023-07-14 KR KR1020230091625A patent/KR20230114232A/ko active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170132448A (ko) * | 2016-05-24 | 2017-12-04 | 최천욱 | 예상매출을 근거로 가맹비를 산출하고 실제 매출로 가맹비를 조정하는 프랜차이즈 가맹 시스템 |
| KR20210132853A (ko) * | 2020-04-28 | 2021-11-05 | 이진행 | 확률적 경사 하강법을 이용한 변수 선택 장치 및 방법 |
| KR20210149550A (ko) * | 2020-06-02 | 2021-12-09 | (주)이암허브 | 기상정보를 활용한 외식기업의 매출 추정 시스템 및 매출 추정액의 산출 방법 |
| KR20210152274A (ko) * | 2020-06-08 | 2021-12-15 | 주식회사 프레시앤텍 | 대체 식자재 추천을 위한 지능형 식자재 중개 시스템, 그리고 이를 기반한 대체 식자재 추천 방법 |
| KR102437103B1 (ko) * | 2022-03-14 | 2022-08-30 | 주식회사 글로벌미트플랫폼 | 뉴럴 네트워크 기반의 축산물 유통 시스템 및 방법, 축산물 유통 메타버스 플랫폼 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230114232A (ko) | 2023-08-01 |
| KR20230114231A (ko) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102360727B1 (ko) | 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치 | |
| KR102491357B1 (ko) | 뉴럴 네트워크를 이용하여 의료기관의 경영 현황에 대한 정보를 단말에게 제공하는 방법 및 장치 | |
| KR102553169B1 (ko) | 브랜드의 개선을 위한 솔루션을 제공하는 방법 및 장치 | |
| KR102557257B1 (ko) | 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치 | |
| KR102407241B1 (ko) | 렌탈 마켓 시스템 | |
| KR102422153B1 (ko) | 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치 | |
| KR20230168097A (ko) | 웹툰의 장르 값에 기반하여 웹툰의 유사도를 결정하는 방법 및 장치 | |
| CN114528994A (zh) | 一种识别模型的确定方法和相关装置 | |
| KR102504950B1 (ko) | 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치 | |
| KR102509392B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 품목별 예측 주문량에 따라 원자재 요청 메시지를 전송하는 방법 및 장치 | |
| KR102478964B1 (ko) | 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치 | |
| KR102602241B1 (ko) | 블록체인 기반의 인공지능 헬스케어 플랫폼 시스템 | |
| KR102536674B1 (ko) | 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치 | |
| KR102481347B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 예측 판매량에 따라 hmr 식품의 주문량을 결정하는 방법 및 장치 | |
| KR102561611B1 (ko) | 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치 | |
| KR102497016B1 (ko) | 농산물 추천 방법 및 장치 | |
| KR102465106B1 (ko) | 뉴럴 네트워크를 이용한 주식 종목 분석 방법 및 장치 | |
| KR102610945B1 (ko) | B2b 서비스 통합 관리 방법 | |
| KR102513048B1 (ko) | 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치 | |
| KR102501576B1 (ko) | 뉴럴 네트워크를 이용하여 도표에 대한 정보를 사용자 단말에게 전송하는 방법 및 장치 | |
| KR102493490B1 (ko) | 인공 지능을 이용한 데이터 크롤링 시스템 | |
| KR102534638B1 (ko) | 소비자 분석 알고리즘을 이용한 인공지능 기반의 전자상거래 수출 플랫폼 시스템 | |
| KR102642567B1 (ko) | 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치 | |
| KR102572321B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치 | |
| KR102644779B1 (ko) | 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |