KR102565211B1 - 인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치 - Google Patents

인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102565211B1
KR102565211B1 KR1020220172240A KR20220172240A KR102565211B1 KR 102565211 B1 KR102565211 B1 KR 102565211B1 KR 1020220172240 A KR1020220172240 A KR 1020220172240A KR 20220172240 A KR20220172240 A KR 20220172240A KR 102565211 B1 KR102565211 B1 KR 102565211B1
Authority
KR
South Korea
Prior art keywords
fixed cargo
cargo
fixed
job
user
Prior art date
Application number
KR1020220172240A
Other languages
English (en)
Inventor
강우영
Original Assignee
강우영
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 강우영 filed Critical 강우영
Priority to KR1020220172240A priority Critical patent/KR102565211B1/ko
Application granted granted Critical
Publication of KR102565211B1 publication Critical patent/KR102565211B1/ko

Links

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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
    • G06Q10/083—Shipping
    • G06Q10/0834—Choice of carriers

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 전자 장치가 전자장치가 인공지능 모델 기반 고정화물 일자리를 제공하는 방법에 관한 것이다. 상기 방법은 고정화물 일자리 제공자로부터 고정화물 일자리 속성을 획득하는 단계; 고정화물 사용자 속성 및 고정화물 운송수단 속성을 획득하는 단계; 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력하면 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성에 따른 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델에, 상기 고정화물 일자리 속성, 상기 고정화물 사용자 속성, 및 상기 고정화물 운송수단 속성을 입력함으로써 상기 고정화물 일자리 최적 인공지능 모델로부터 출력된 최적 고정화물 일자리를 획득하는 단계; 및 상기 최적 고정화물 일자리를 제공하는 단계; 를 포함할 수 있다.

Description

인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING FIXED-CARGO JOB BASED ON ARTIFICIAL INTELLIGENCE MODEL}
본 발명은 인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치에 관한 것이다.
코로나19 이후, 온라인 쇼핑 확대 등으로 화물 배송물량은 더욱 증가하였으나, 화물 운송기사들의 이직은 매우 빈번하게 발생한다.
특히, 고정화물 일자리는 일회성 화물 일자리와 비교하여 보다 높은 신뢰도를 갖는 화물 운송기사가 필요하다.
화물 일자리는 일회성으로 제공되는 일회성 일자리와 일회성이 아닌 수주, 수개월, 또는 수년의 장기 근무(운송업무)를 수행하는 것을 전제로 미리 결정된 운송조건(운송시간, 운송일자, 기타 운송조건)에 따라 화주와 화물 운송기사 사이에 다회성으로 체결되는 고정화물 일자리로 구분될 수 있다.
이에 따라, 화주 입장에서는 보다 높은 신뢰도를 갖는 화물 운송기사를 찾아야 하고, 화물 운송기사 입장에서는 자신이 노력하여 구축한 신뢰도를 이용하여 보다 높은 이익 또는 보다 낮은 난이도를 갖는 고정화물 일자리를 찾는 것이 필요하다.
그러나, 종래에는 고정화물 일자리는 단순히 온라인 카페나 밴드, 단체 채팅방 등을 통해서 제공되거나 운수회사를 통해 제공되었기 때문에, 이러한 구조에서는 화물 운송기사의 신뢰도가 적절하게 고려되지 못하는 문제 또는 저가운임 문제가 발생하였다.
일 실시예에 따르면, 전자 장치가 인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
보다 구체적으로, 인공지능을 이용하여 고정화물 일자리를 수행하는 사용자(예를 들어, 화물 운송기사 등)의 신뢰도를 고려, 사용자 맞춤형 고정화물 일자리를 제공하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 개시의 일 실시예에 따르면, 전자 장치가 인공지능 모델 기반 고정화물 일자리를 제공하는 방법이 제공될 수 있다. 상기 방법은 고정화물 일자리 제공자로부터 고정화물 일자리 속성을 획득하는 단계; 고정화물 사용자 속성 및 고정화물 운송수단 속성을 획득하는 단계; 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력하면 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성에 따른 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델에, 상기 고정화물 일자리 속성, 상기 고정화물 사용자 속성, 및 상기 고정화물 운송수단 속성을 입력함으로써 상기 고정화물 일자리 최적 인공지능 모델로부터 출력된 최적 고정화물 일자리를 획득하는 단계; 및 상기 최적 고정화물 일자리를 제공하는 단계; 를 포함할 수 있다.
본 개시의 특징에 따르면, 상기 고정화물 사용자 속성은 상기 사용자의 고정화물 운송이력, 사고이력, 고용이력, 의료정보, 금융정보, 및 범죄이력 중 적어도 하나를 포함할 수 있다.
본 개시의 다른 특징에 따르면, 상기 고정화물 운송수단 속성은 고정화물 운송수단의 차고지, 장비 정보, 고정화물 운송이력, 및 사고이력 중 적어도 하나를 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 상기 고정화물 일자리 최적 인공지능 모델은 상기 사용자의 사고이력과 상기 고정화물 운송수단의 사고이력을 서로 상이한 가중치를 적용하여 상기 최적 고정화물 일자리를 출력하도록 학습될 수 있다.
본 개시의 또 다른 특징에 따르면, 상기 고정화물 사용자 속성 및 상기 고정화물 운송수단 속성은 상기 사용자로부터 입력되어 획득된 제 1 고정화물 사용자 속성 및 제 1 고정화물 운송수단 속성과 상기 사용자로부터 입력되어 획득되지 않거나 다른 데이터베이스로부터 유도되거나 획득된 제 2 고정화물 사용자 속성 및 제 2 고정화물 운송수단 속성을 포함할 수 있다.
본 개시의 또 다른 특징에 따르면, 상기 고정화물 일자리 최적 인공지능 모델은 일 사용자의 고정화물 운행시간 또는 운행일자가 다른 사용자의 고정화물 운행시간 또는 운행일자보다 규칙적인 경우, 상기 일 사용자에게 상기 다른 사용자보다 우선하거나 상기 일 사용자에게만 보다 유리한 고정화물 일자리를 출력하도록 학습될 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 개시의 다른 실시예에 따르면, 인공지능 모델 기반 고정화물 일자리를 제공하는 방법을 수행하기 위한 전자 장치가 제공될 수 있다. 상기 전자 장치는 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 고정화물 일자리 제공자로부터 고정화물 일자리 속성을 획득하고; 고정화물 사용자 속성 및 고정화물 운송수단 속성을 획득하고; 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력하면 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성에 따른 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델에, 상기 고정화물 일자리 속성, 상기 고정화물 사용자 속성, 및 상기 고정화물 운송수단 속성을 입력함으로써 상기 고정화물 일자리 최적 인공지능 모델로부터 출력된 최적 고정화물 일자리를 획득하고; 그리고 상기 최적 고정화물 일자리를 제공할 수 있다.
기타 실시예의 구체적인 사항들은 발명을 실시하기 위한 구체적인 내용 및 도면들에 포함되어 있다.
도 1은 일 실시예에 따른 전자 장치가 인공지능 모델 기반 고정화물 일자리를 제공하는 과정을 나타내는 도면이다.
도 2는 일 실시예에 따른 전자 장치가 인공지능 모델 기반 고정화물 일자리를 제공하는 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 전자 장치가 고정화물 일자리 속성 학습 데이터, 고정화물 사용자 속성 학습 데이터, 및 고정화물 운송수단 속성 학습 데이터를 기초로 학습되어, 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델의 학습과정을 설명하기 위한 흐름도이다.
도 4은 일 실시예에 따른 전자 장치의 블록도이다.
도 5은 다른 실시예에 따른 전자 장치의 블록도이다.
도 6은 일 실시예에 따른 서버의 블록도이다.
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 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것 만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 개시에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시예들을 배제하도록 해석될 수 없다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 노드들과 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 또한, 손실값 또는 코스트 값을 최소화하기 위해, 손실값 또는 코스트값과 관련된 그래디언트를 최소화하는 방향으로 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
한편, 본 개시에서, 사용자, 판매자, 구매자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세하게 설명한다.
도 1은 일 실시예에 따른 전자 장치가 인공지능 모델 기반 고정화물 일자리를 제공하는 과정을 나타내는 도면이다.
일 실시 예에 따른 전자 장치(1000)는 인공지능 기술을 고정화물 일자리 최적 인공지능 모델을 이용하여 다양한 동작을 수행하는 장치로서, 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자 장치(1000)는, 데스크탑 컴퓨터(desktop computer), 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
본 개시의 따른 전자 장치(1000)는 외부 단말(1100, 1200, 또는 1300)과 연동하여 인공지능 모델 기반 고정화물 일자리를 제공하는 방법을 수행할 수 있다.
일 실시예에 따른 전자 장치(1000)는 스마트 폰(1100), 다른 전자 장치(1200) 또는 서버(1300)와 연동함으로써 데이터를 송신 및 수신할 수 있다.
도 2는 일 실시예에 따른 전자 장치가 인공지능 모델 기반 고정화물 일자리를 제공하는 방법을 나타내는 흐름도이다.
S210에서, 전자 장치(1000)는 고정화물 일자리 제공자로부터 고정화물 일자리 속성을 획득할 수 있다.
본 개시에서, '고정화물 일자리 속성(fixed-cargo job attributes)'은 고정화물 일자리 제공자에 의해 제공된 고정화물 일자리와 연관된 특성, 특징, 관계, 요소 등을 의미한다. 고정화물 일자리 속성은 운송 정보, 고정화물 정보, 운송료 정보 등을 포함할 수 있다. 운송 정보는 상차지의 주소, 상차 시간, 하차지의 주소, 하차 시간, 운송 종류(편도, 왕복, 경유, 다구간), 운송 경로 등을 포함할 수 있다. 고정화물 정보는 화물 종류, 화물 크기, 화물 무게, 화물 취급 주의사항 등을 포함할 수 있다. 특히, 고정화물 정보는 화물 종류가 콜드체인이 요구되는 경우에는 보관온도, 유통기한, TOR(time out of Refrigeration) 등을 포함할 수 있다. 운송료 정보는 운송료, 운송료 관련 특약 등을 포함할 수 있다.
S220에서, 전자 장치(1000)는 고정화물 사용자 속성 및 고정화물 운송수단 속성을 획득할 수 있다.
본 개시에서, '고정화물 사용자 속성(fixed-cargo user attributes)'은 고정화물 일자리를 제공받아 수행하는 사용자와 연관된 특성, 특징, 관계, 요소 등을 의미한다. 고정화물 사용자 속성은 사용자의 고정화물 운송이력, 사용자의 사고이력, 사용자의 고용이력, 사용자의 의료정보, 사용자의 금융정보, 사용자의 범죄이력 등을 포함할 수 있다.
고정화물 사용자 속성은 단순히 사용자의 고정화물 운송이력만이 아니라, 해당 고정화물 일자리를 수행하는 사용자에 대한 신뢰도에 직접적으로 또는 간접적으로 영향을 미칠 수 있는 사용자의 사고이력, 사용자의 고용이력, 사용자의 의료정보, 사용자의 금융정보, 사용자의 범죄이력 등을 포함하기 때문에, 고정화물 사용자 속성을 통해 특정 고정화물 일자리가 신뢰도 높은 사용자에게 추천 또는 제공될 수 있다.
일 실시예에 따르면, 고정화물 운송이력은 운행일자, 상차지의 주소, 상차 시간, 하차지의 주소, 하차 시간, 운송 동선정보(차량 GPS 등을 통해 추적된 운행동선 등), 근태정보(출퇴근 시간, 운송시간 준수 여부 등), 운송 스타일(차량 진동 센서 등을 통해 측정된 운행 중 차량 진동 정도 등) 등을 포함할 수 있다. 또한, 고정화물 운송이력은 과거 고정화물 운송이력 중 운행일자에 기초하여, 운행일 또는 운행시간의 규칙성, 기상특보(주의보 또는 경보)가 있는 일자에 운행여부 및 운행일수, 휴일 또는 공휴일에 운행여부 및 운행일수 등을 포함할 수 있다.
일 실시예에 따르면, 전자 장치는 사용자의 사고이력, 사용자의 고용이력, 사용자의 의료정보, 사용자의 금융정보, 및 사용자의 범죄이력 중 적어도 하나를 고정화물 일자리 추천에 영향을 미치는 부정적인 요인 또는 긍정적인 요인으로 식별할 수 있다.
고정화물 사용자 속성이 고정화물 일자리 최적 인공지능 모델에서 부정적인 요인 또는 긍정적인 요인으로 이용되는 방법에 대해서는 후술한다.
본 개시에서, '고정화물 운송수단 속성(fixed-cargo vehicle attributes)'은 사용자 화물 운송수단과 연관된 특성, 특징, 관계, 요소 등을 의미한다. 고정화물 운송수단 속성은 고정화물 운송수단의 차고지, 장비 정보, 고정화물 운송이력, 사고이력 등을 포함할 수 있다. 사용자 화물 운송수단은 화물차량 등을 포함하나, 이에 제한되는 것은 아니다. 운송수단의 장비 정보는 운송수단의 연식, 톤수, 콜드체인 장비 유무 등을 포함할 수 있다.
고정화물 운송수단 속성이 고정화물 일자리 최적 인공지능 모델에서 부정적인 요인 또는 긍정적인 요인으로 이용되는 방법에 대해서는 후술한다.
일 실시예에 따르면, 고정화물 사용자 속성 또는 고정화물 운송수단 속성은 사용자로부터 입력되어 획득된 제 1 고정화물 사용자 속성 또는 제 1 고정화물 운송수단 속성과 사용자로부터 입력되지 않거나 다른 데이터베이스로부터 유도되거나 획득된 제 2 고정화물 사용자 속성 또는 제 2 고정화물 운송수단 속성을 포함할 수 있다. 고정화물 사용자 속성 중 범죄이력, 의료정보, 고용이력, 사고이력 등이나 고정화물 운송수단 속성 중 사고이력 등은 사용자로부터 직접 획득하기 어려울 수 있기 때문에, 이러한 데이터 또는 정보들은 다른 데이터베이스로부터 유도되거나 획득될 수 있다.
일 실시예에 따르면, 전자 장치(1000)는 사용자 입력으로부터 제 1 고정화물 사용자 속성 또는 제 1 고정화물 운송수단 속성을 획득할 수 있다. 전자 장치(1000)는 다른 데이터베이스로부터 유도되거나 획득된 제 2 고정화물 사용자 속성 또는 제 2 고정화물 운송수단 속성을 획득할 수 있다. 예를 들어, 전자장치(1000)는 경찰청에서 제공하는 데이터베이스(범죄경력시스템, 경찰청교통민원24 등)을 통해 사용자의 전과, 벌금 등을 포함하는 범죄이력을 획득할 수 있다. 예를 들어, 전자장치(1000)는 국민건강보험 데이터베이스 등을 통해 사용자의 의료정보를 획득할 수 있다. 예를 들어, 전자장치(1000)는 근로복지공단 데이터베이스 등을 통해 사용자의 고용이력을 획득할 수 있다. 예를 들어, 전자장치(1000)는 국토교통부 데이터베이스 등을 통해 사용자의 고정화물 운송수단의 사고이력 또는 사용자의 사고이력을 획득할 수 있다.
일 실시예에 따르면, 고정화물 사용자 속성 및 고정화물 운송수단 속성은 모두 운송이력 및 사고이력을 포함할 수 있다. 운송수단의 소유자 또는 관리자는 변동될 수 있기 때문에, 고정화물 사용자 속성을 통해서는 해당 고정화물 일자리를 수행하는 사용자에 대한 안정성이 고려될 수 있고, 고정화물 운송수단 속성을 통해서는 해당 고정화물 일자리를 수행하는 사용자 화물 운송수단에 대한 안정성이 고려될 수 있다.
고정화물 사용자 속성 및 고정화물 운송수단 속성 사이의 운송이력 및 사고이력의 차이가 고정화물 일자리 최적 인공지능 모델에서 부정적인 요인 또는 긍정적인 요인으로 이용되는 방법에 대해서는 후술한다.
S230에서, 전자 장치(1000)는 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력하면 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성에 따른 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델에, 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력함으로써 고정화물 일자리 최적 인공지능 모델로부터 출력된 최적 고정화물 일자리를 획득할 수 있다.
S230에서, 전자 장치(1000)는 고정화물 일자리 최적 인공지능 모델로부터 출력되어 획득된 최적 고정화물 일자리를 사용자에게 제공할 수 있다.
일 실시예에 다르면, 전자 장치(1000)이 의해 제공되는 최적 고정화물 일자리를 통해, 화주 입장에게는 보다 높은 신뢰도를 갖는 화물 운송기사에 고정화물 일자리를 제공할 수 있고, 화물 운송기사 입장(사용자)에서는 자신이 노력하여 구축한 신뢰도를 이용하여 보다 높은 이익 또는 보다 낮은 난이도를 갖는 후보 고정화물 일자리를 찾을 수 있다.
도 3는 일 실시예에 따른 고정화물 일자리 속성 학습 데이터, 고정화물 사용자 속성 학습 데이터, 및 고정화물 운송수단 속성 학습 데이터를 기초로 학습되어, 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델을 학습하는 과정을 설명하기 위한 흐름도이다.
도 3을 참조하면, 고정화물 일자리 최적 인공지능 모델은 고정화물 일자리 속성 학습 데이터, 고정화물 사용자 속성 학습 데이터, 및 고정화물 운송수단 속성 학습 데이터를 기초로 학습되어, 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 모두 고려하여, 사용자에게 최적 고정화물 일자리를 제공할 수 있다. 고정화물 일자리 최적 인공지능 모델은 전자장치(1000)에 의해 학습된 모델일 수도 있으며, 다른 전자장치에 의해 학습되어 전자장치(1000)에 저장된 모델일 수도 있다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 일 사용자의 고정화물 운행시간 또는 운행일자가 다른 사용자의 고정화물 운행시간 또는 운행일자보다 규칙적인 경우, 일 사용자에게 다른 사용자보다 우선하거나 일 사용자에게만 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습될 수 있다. 본 개시에서, 운행시간 또는 운행일자가 보다 규칙적이란 것은 사용자가 수행한 복수의 고정화물 일자리들 사이의 운행시간의 시간대 차이가 상대적으로 작거나 운행일자 사이의 간격이 상대적으로 일정한 것을 의미한다. 본 개시에서, 보다 유리한 고정화물 일자리라는 것은 (다른 고정화물 일자리보다) 운송료 조건이 보다 유리하거나 차고지와 상차지 또는 하차지 사이의 거리가 가까운 과정화물 일자리를 의미한다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 일 사용자의 고정화물 운행시간 또는 운행일자에 기상특보(주의보 또는 경보)가 있었던 경우나 이러한 경우의 횟수가 많은 경우, 일 사용자에게 다른 사용자보다 우선하거나 일 사용자에게만 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습될 수 있다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 일 사용자의 고정화물 운행시간 또는 운행일자에 휴일 또는 공휴일이 있었던 경우나 이러한 경우의 횟수가 많은 경우, 일 사용자에게 다른 사용자보다 우선하거나 일 사용자에게만 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습될 수 있다
본 개시에서, 일 사용자에게 다른 사용자보다 우선하여 고정화물 일자리를 추천하여 출력하는 경우는 고정화물 일자리 최적 인공지능 모델에서 고정화물 일자리 추천을 위한 긍정적인 요인으로 상대적으로 높은 가중치가 적용되는 경우를 의미한다.
이에 따라, 전자 장치(1000)는, 사용자가 노력하여 구축한 신뢰도를 반영하는 고정화물 일자리 최적 인공지능 모델을 이용하여, 보다 규칙적으로 고정화물 일자리를 수행하거나 보다 어려운 조건, 즉 기상특보 조건, 휴일 또는 공유일 조건, 긴급 건 조건에서도 고정화물 일자리를 수행한 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천할 수 있다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 고용이력에 있어서 이직횟수가 적거나 재직기간이 긴 사용자에게 상대적으로 우선하거나 보다 유리한 고정화물 일자리를 추천하도록 학습될 수 있다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 의료정보에 있어서 현재 또는 과거에 미리 결정된 특정 질환이 없거나 미리 결정된 기간 이내에 입원, 수술 등의 이력이 없는 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습될 수 있다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 금융정보에 있어서 보다 신용도가 높거나, 회생 또는 파산 이력이 없거나, 보다 자산이 높은 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습될 수 있다.
현재 또는 과거에 미리 결정된 특정 질환이 없거나 미리 결정된 기간 이내에 입원, 수술 등의 이력이 없는 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습될 수 있다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 범죄이력에 있어서 전과 또는 벌금 이력이 없는 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습될 수 있다.
이에 따라, 전자 장치(1000)는, 사용자의 현재 신뢰도를 직접적 또는 간접적으로 반영하는 고정화물 일자리 최적 인공지능 모델을 이용하여, 고정화물 일자리를 수행에 있어서 보다 신뢰도가 높은 조건, 즉 보다 안정적인 고용이력, 보다 건강한 신체 상태, 보다 건전한 재무 상태, 또는 범죄이력 없는 상태를 갖는 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천할 수 있다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 운송수단의 사고이력에 있어서, 사고이력의 횟수가 적거나 사고에서 운송수단의 손상 정도(초경미 손상, 경미손상, 중손상, 대손상, 전손)가 보다 약한 고정화물 운송수단을 갖는 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습될 수 있다.
일 실시예에 따르면, 고정화물 일자리 최적 인공지능 모델은 사용자의 사고이력과 운송수단의 사고이력에 있어서, 운송수단의 사고이력보다 사용자의 사고이력을 고정화물 일자리 추천을 위한 부정적인 요인으로 상대적으로 낮은 가중치가 적용되게 결정하도록 학습될 수 있다.
이에 따라, 전자 장치(1000)는, 사용자 및 사용자의 고정화물 운송수단 모두의의 현재 신뢰도를 직접적 또는 간접적으로 반영하는 고정화물 일자리 최적 인공지능 모델을 이용하여, 고정화물 일자리를 수행에 있어서 보다 신뢰도가 높은 조건, 즉 사용자에 대한 인적 리스크를 우선하여 최소화하면서 사용자의 고정화물 운송수단의 물적 리스크를 최소화하는 방식으로 고정화물 일자리를 추천할 수 있다.
도 4은 일 실시예에 따른 전자 장치의 블록도이다.
도 4을 참조하면, 일 실시예에 따른 전자 장치(1000)는 프로세서(400) 및 메모리(410)를 포함할 수 있다. 그러나 도시된 구성 요소가 모두 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 전자 장치(1000)는 구현될 수 있다. 예를 들어, 도 8에 도시된 바와 같이, 일 실시예에 따른 전자 장치(1000)는 사용자 입력부(510), 통신부(520), 디스플레이(530)를 더 포함할 수도 있다.
프로세서(400)는 메모리(410)내 하나 이상의 인스트럭션을 실행함으로써 전자 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(400)는 메모리(1402)에 저장된 하나 이상의 인스트럭션을 실행함으로써 사용자 입력부(510), 통신부(520), 디스플레이(530) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(400)는 메모리(410)에 저장된 하나 이상의 인스트럭션을 실행함으로써 도 1 내지 도 3과 관련하여 기술된 전자 장치(1000)의 동작 및 기능을 수행할 수 있다.
프로세서(400)는 하나 또는 복수의 프로세서로 구성될 수 있고, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능(AI) 전용 프로세서일 수 있다. 일 실시예에 따르면, 프로세서(400)가 복수의 프로세서 또는 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서로 구현될 때, 복수의 프로세서 또는 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서 중 적어도 일부는 전자 장치(1000) 및 전자 장치(1000)와 연결된 다른 전자 장치 또는 서버에 탑재될 수도 있다.
일 실시예에 따르면, 프로세서(400)는 하나 이상의 인스트럭션을 실행함으로써, 고정화물 일자리 제공자로부터 고정화물 일자리 속성을 획득하고; 고정화물 사용자 속성 및 고정화물 운송수단 속성을 획득하고; 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력하면 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성에 따른 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델에, 상기 고정화물 일자리 속성, 상기 고정화물 사용자 속성, 및 상기 고정화물 운송수단 속성을 입력함으로써 상기 고정화물 일자리 최적 인공지능 모델로부터 출력된 최적 고정화물 일자리를 획득하고; 그리고 상기 최적 고정화물 일자리를 제공할 수 있다.
메모리(410)는 전자 장치(1000)의 동작을 제어하기 위한 하나 이상의 인스트럭션을 포함할 수 있다. 메모리(410)는 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력하면 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성에 따른 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델을 포함할 수 있다.
일 실시 예에 따르면, 메모리(410)는 예를 들어, 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 있으나, 이에 제한되지 않는다.
사용자 입력부(510)는 전자 장치(1000)의 동작을 제어하기 위한 사용자 입력을 수신할 수 있다. 예를 들어, 사용자 입력부(510)는, 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
통신부(520)는 서버(4000)와의 통신을 위한 하나 이상의 통신 모듈을 포함할 수 있다. 예를 들어, 통신부(520)는, 근거리 통신부 또는 이동 통신부 중 적어도 하나를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.
이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
디스플레이(530)는 전자 장치(1000)에서 처리되는 정보를 표시 출력할 수 있다. 예를 들어, 디스플레이(530)는 전자 장치(1000)의 제어를 위한 인터페이스, 전자 장치(1000)의 상태 표시를 위한 인터페이스 등을 디스플레이할 수 있다.
도 6은 일 실시예에 따른 서버의 블록도이다.
일 실시예에 따르면, 전자 장치(1000)가 수행하는 인공지능 모델 기반 고정화물 일자리를 제공하는 방법은 전자 장치(1000)에 연결되어 통신 가능한 서버(4000)에서 수행될 수 있다.
서버(2000)는 통신 인터페이스(2100), 데이터 베이스(2200), 및 프로세서(2300)를 포함할 수 있다. 예를 들어, 본 개시에 따른 서버(2000)의 통신 인터페이스(2100)는 전자 장치(2000)의 통신부(520)에 대응될 수 있고, 서버(2000)의 데이터베이스(2200)는 전자 장치(1000)의 메모리(510)에 대응될 수 있고, 서버(2000)의 프로세서(2300)는 전자 장치(2000)의 프로세서(400)에 대응될 수 있다. 또한, 서버(2000)의 프로세서(2300)는 도 1 내지 3와 관련하여 기술된 인공지능 모델 기반 고정화물 일자리를 제공하는 방법을 수행할 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 일 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.

Claims (12)

  1. 전자장치가 인공지능 모델 기반 고정화물 일자리를 제공하는 방법에 있어서,
    고정화물 일자리 제공자로부터 고정화물 일자리 속성을 획득하는 단계;
    고정화물 사용자 속성 및 고정화물 운송수단 속성을 획득하는 단계;
    고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력하면 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성에 따른 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델에, 상기 고정화물 일자리 속성, 상기 고정화물 사용자 속성, 및 상기 고정화물 운송수단 속성을 입력함으로써 상기 고정화물 일자리 최적 인공지능 모델로부터 출력된 최적 고정화물 일자리를 획득하는 단계; 및
    상기 최적 고정화물 일자리를 제공하는 단계; 를 포함하고,
    상기 고정화물 사용자 속성은 상기 사용자의 고정화물 운송이력, 사고이력, 고용이력, 의료정보, 금융정보, 및 범죄이력 중 적어도 하나를 포함하고,
    상기 고정화물 운송수단 속성은 고정화물 운송수단의 차고지, 장비 정보, 고정화물 운송이력, 및 사고이력 중 적어도 하나를 포함하고,
    상기 고정화물 일자리 최적 인공지능 모델은 고정화물 일자리 속성 학습 데이터, 고정화물 사용자 속성 학습 데이터, 및 고정화물 운송수단 속성 학습 데이터를 기초로 학습되고,
    상기 고정화물 일자리 최적 인공지능 모델은 일 고정화물 사용자의 고정화물 운행시간 또는 운행일자에 기상특보가 있었던 경우나 상기 기상특보의 횟수가 많은 경우, 상기 일 고정화물 사용자에게 다른 고정화물 사용자보다 우선하거나 상기 일 고정화물 사용자에게만 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습되고,
    상기 고정화물 일자리 최적 인공지능 모델은 상기 사용자의 사고이력과 상기 고정화물 운송수단의 사고이력을 서로 상이한 가중치를 적용하여 상기 최적 고정화물 일자리를 출력하도록 학습되는, 방법.
  2. 제 1 항에 있어서,
    상기 고정화물 일자리 최적 인공지능 모델은, 상기 금융정보에 있어서, 보다 신용도가 높거나, 회생 또는 파산 이력이 없거나, 또는 보다 자산이 높은 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습되는, 방법.
  3. 제 1 항에 있어서,
    상기 고정화물 일자리 최적 인공지능 모델은, 상기 사고이력에 있어서, 사고이력의 횟수가 적거나 사고에서 운송수단의 손상 정도가 보다 약한 고정화물 운송수단을 갖는 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습되는, 방법.
  4. 제 1 항에 있어서,
    상기 고정화물 일자리 속성은 운송 정보, 고정화물 정보, 운송료 정보 등을 포함하고,
    상기 고정화물 정보는 화물 종류, 화물 크기, 화물 무게, 및 화물 취급 주의사항 중 적어도 하나를 포함하고,
    상기 고정화물 정보는 화물 종류가 콜드체인이 요구되는 경우에는 보관온도, 유통기한, 및 TOR(time out of Refrigeration) 중 적어도 하나를 포함하는, 방법.
  5. 제 1 항에 있어서,
    상기 고정화물 사용자 속성 및 상기 고정화물 운송수단 속성은 상기 사용자로부터 입력되어 획득된 제 1 고정화물 사용자 속성 및 제 1 고정화물 운송수단 속성과 상기 사용자로부터 입력되어 획득되지 않거나 다른 데이터베이스로부터 유도되거나 획득된 제 2 고정화물 사용자 속성 및 제 2 고정화물 운송수단 속성을 포함하는, 방법.
  6. 제 2 항에 있어서,
    상기 고정화물 일자리 최적 인공지능 모델은 일 사용자의 고정화물 운행시간 또는 운행일자가 다른 사용자의 고정화물 운행시간 또는 운행일자보다 규칙적인 경우, 상기 일 사용자에게 상기 다른 사용자보다 우선하거나 상기 일 사용자에게만 보다 유리한 고정화물 일자리를 출력하도록 학습된, 방법.
  7. 인공지능 모델 기반 고정화물 일자리를 제공하는 방법을 수행하기 위한 전자 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    고정화물 일자리 제공자로부터 고정화물 일자리 속성을 획득하고;
    고정화물 사용자 속성 및 고정화물 운송수단 속성을 획득하고;
    고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성을 입력하면 고정화물 일자리 속성, 고정화물 사용자 속성, 및 고정화물 운송수단 속성에 따른 최적 고정화물 일자리를 출력하는 고정화물 일자리 최적 인공지능 모델에, 상기 고정화물 일자리 속성, 상기 고정화물 사용자 속성, 및 상기 고정화물 운송수단 속성을 입력함으로써 상기 고정화물 일자리 최적 인공지능 모델로부터 출력된 최적 고정화물 일자리를 획득하고; 그리고
    상기 최적 고정화물 일자리를 제공하고,
    상기 고정화물 사용자 속성은 상기 사용자의 고정화물 운송이력, 사고이력, 고용이력, 의료정보, 금융정보, 및 범죄이력 중 적어도 하나를 포함하고,
    상기 고정화물 운송수단 속성은 고정화물 운송수단의 차고지, 장비 정보, 고정화물 운송이력, 및 사고이력 중 적어도 하나를 포함하고,
    상기 고정화물 일자리 최적 인공지능 모델은 고정화물 일자리 속성 학습 데이터, 고정화물 사용자 속성 학습 데이터, 및 고정화물 운송수단 속성 학습 데이터를 기초로 학습되고,
    상기 고정화물 일자리 최적 인공지능 모델은 일 고정화물 사용자의 고정화물 운행시간 또는 운행일자에 기상특보가 있었던 경우나 상기 기상특보의 횟수가 많은 경우, 상기 일 고정화물 사용자에게 다른 고정화물 사용자보다 우선하거나 상기 일 고정화물 사용자에게만 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습되고,
    상기 고정화물 일자리 최적 인공지능 모델은 상기 사용자의 사고이력과 상기 고정화물 운송수단의 사고이력을 서로 상이한 가중치를 적용하여 상기 최적 고정화물 일자리를 출력하도록 학습되는, 전자 장치.
  8. 제 7 항에 있어서,
    상기 고정화물 일자리 최적 인공지능 모델은, 상기 금융정보에 있어서, 보다 신용도가 높거나, 회생 또는 파산 이력이 없거나, 또는 보다 자산이 높은 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습되는, 전자 장치.
  9. 제 7 항에 있어서,
    상기 고정화물 일자리 최적 인공지능 모델은, 상기 사고이력에 있어서, 사고이력의 횟수가 적거나 사고에서 운송수단의 손상 정도가 보다 약한 고정화물 운송수단을 갖는 사용자에게 보다 우선하거나 보다 유리한 고정화물 일자리를 추천하여 출력하도록 학습되는, 전자 장치.
  10. 제 7 항에 있어서,
    상기 고정화물 일자리 속성은 운송 정보, 고정화물 정보, 운송료 정보 등을 포함하고,
    상기 고정화물 정보는 화물 종류, 화물 크기, 화물 무게, 및 화물 취급 주의사항 중 적어도 하나를 포함하고,
    상기 고정화물 정보는 화물 종류가 콜드체인이 요구되는 경우에는 보관온도, 유통기한, 및 TOR(time out of Refrigeration) 중 적어도 하나를 포함하는, 전자 장치.
  11. 제 7 항에 있어서,
    상기 고정화물 사용자 속성 및 상기 고정화물 운송수단 속성은 상기 사용자로부터 입력되어 획득된 제 1 고정화물 사용자 속성 및 제 1 고정화물 운송수단 속성과 상기 사용자로부터 입력되어 획득되지 않거나 다른 데이터베이스로부터 유도되거나 획득된 제 2 고정화물 사용자 속성 및 제 2 고정화물 운송수단 속성을 포함하는, 전자 장치.
  12. 제 8 항에 있어서,
    상기 고정화물 일자리 최적 인공지능 모델은 일 사용자의 고정화물 운행시간 또는 운행일자가 다른 사용자의 고정화물 운행시간 또는 운행일자보다 규칙적인 경우, 상기 일 사용자에게 상기 다른 사용자보다 우선하거나 상기 일 사용자에게만 보다 유리한 고정화물 일자리를 출력하도록 학습된, 전자 장치.
KR1020220172240A 2022-12-12 2022-12-12 인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치 KR102565211B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220172240A KR102565211B1 (ko) 2022-12-12 2022-12-12 인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220172240A KR102565211B1 (ko) 2022-12-12 2022-12-12 인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102565211B1 true KR102565211B1 (ko) 2023-08-10

Family

ID=87560684

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220172240A KR102565211B1 (ko) 2022-12-12 2022-12-12 인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102565211B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160119633A (ko) * 2015-04-06 2016-10-14 (주)한국화물운송 화물 연계 운송 관리 방법 및 시스템, 컴퓨터 프로그램, 그 기록매체
KR20180097722A (ko) * 2016-01-04 2018-08-31 그랩택시 홀딩스 피티이. 엘티디. 멀티-라운드 운전기사 선택을 위한 시스템 및 방법
KR102207659B1 (ko) * 2020-02-28 2021-01-26 (주)퓨처피플 인공지능 기반의 화물운송 배차 스케쥴링 장치
KR102324121B1 (ko) * 2021-05-24 2021-11-11 금파콜트럭공차정보 주식회사 스마트 배차를 이용한 화물 운송 주선 플랫폼 시스템
KR20220044473A (ko) * 2020-06-12 2022-04-08 코코넛사일로(주) 딥러닝에 기반한 화물 운송 가격 결정 방법 및 장치
KR20220128201A (ko) * 2021-03-12 2022-09-20 유성찬 외부 운송 기사를 매칭하는 방법 및 디바이스
KR20220152844A (ko) * 2021-05-10 2022-11-17 오픈마일 주식회사 지능형 iot 기반의 물류 통합 관리 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160119633A (ko) * 2015-04-06 2016-10-14 (주)한국화물운송 화물 연계 운송 관리 방법 및 시스템, 컴퓨터 프로그램, 그 기록매체
KR20180097722A (ko) * 2016-01-04 2018-08-31 그랩택시 홀딩스 피티이. 엘티디. 멀티-라운드 운전기사 선택을 위한 시스템 및 방법
KR102207659B1 (ko) * 2020-02-28 2021-01-26 (주)퓨처피플 인공지능 기반의 화물운송 배차 스케쥴링 장치
KR20220044473A (ko) * 2020-06-12 2022-04-08 코코넛사일로(주) 딥러닝에 기반한 화물 운송 가격 결정 방법 및 장치
KR20220128201A (ko) * 2021-03-12 2022-09-20 유성찬 외부 운송 기사를 매칭하는 방법 및 디바이스
KR20220152844A (ko) * 2021-05-10 2022-11-17 오픈마일 주식회사 지능형 iot 기반의 물류 통합 관리 시스템
KR102324121B1 (ko) * 2021-05-24 2021-11-11 금파콜트럭공차정보 주식회사 스마트 배차를 이용한 화물 운송 주선 플랫폼 시스템

Similar Documents

Publication Publication Date Title
CA2944165C (en) Systems and methods for context-based event triggered product and/or services offerings
US20200302376A1 (en) Systems and methods of controlling delivery of retail products
US20230088950A1 (en) Method and system for intelligent load optimization for vehicles
US20170255868A1 (en) Systems and methods for predicting user behavior based on location data
US11113770B1 (en) Machine-learning driven data analysis based on demographics, risk, and need
CN113287136A (zh) 物品的自动列出
US20210407672A1 (en) Clinical assessment tool
US20200342380A1 (en) Method and apparatus for predictive management and distribution of charitable goods
US10652703B1 (en) Push-based communications systems and methods for transmitting push-based communications associated with products moving geographically
US11983230B2 (en) Systems and methods for data aggregation and cyclical event prediction
US20170220765A1 (en) System, method, and non-transitory computer-readable storage media for mobile check-out in retail store
KR20190114581A (ko) 근태정보를 이용한 인사관리 및 정보제공 시스템
US11544713B1 (en) Fraud detection using augmented analytics
US20210407682A1 (en) Clinical assessment tool
US20240144278A1 (en) Systems and methods for fraud monitoring
US20190294983A1 (en) Machine learning inference routing
WO2022026713A2 (en) Compliance with use of personal data
WO2023075984A1 (en) Tracking time-based conditions relative to events for secure electronic document agreements
KR20190106609A (ko) 예약부도 및 예약이행의 확률통계 기반 예약부도 가능성 예측을 이용한 예약부도 관리 서비스 제공 방법
US20150193779A1 (en) Method and system of monitoring driver information
KR102565211B1 (ko) 인공지능 모델 기반 고정화물 일자리를 제공하는 방법 및 장치
US20210201262A1 (en) Freight load matching system
CN115774813A (zh) 产品推荐方法、装置、计算机设备和存储介质
CA3215338A1 (en) Machine-learining driven data analysis based on demographics, risk and need
US11982537B2 (en) Systems and methods for generating dynamic transit routes

Legal Events

Date Code Title Description
GRNT Written decision to grant