KR102596451B1 - 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치 - Google Patents
뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치 Download PDFInfo
- Publication number
- KR102596451B1 KR102596451B1 KR1020220184797A KR20220184797A KR102596451B1 KR 102596451 B1 KR102596451 B1 KR 102596451B1 KR 1020220184797 A KR1020220184797 A KR 1020220184797A KR 20220184797 A KR20220184797 A KR 20220184797A KR 102596451 B1 KR102596451 B1 KR 102596451B1
- Authority
- KR
- South Korea
- Prior art keywords
- counselor
- information
- client
- terminal
- counseling
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000009223 counseling Methods 0.000 claims abstract description 146
- 238000013515 script Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 20
- 238000012797 qualification Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 56
- 238000012545 processing Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 17
- 238000007726 management method Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 206010012335 Dependence Diseases 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000004630 mental health Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 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
- 238000004458 analytical method Methods 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
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 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
- 239000011159 matrix material Substances 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
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect 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
- 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
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/33—User authentication using certificates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06Q10/0631—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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- 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
-
- 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
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Bioethics (AREA)
- Game Theory and Decision Science (AREA)
- Child & Adolescent Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
실시예들은 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 복수의 제1 상담사 단말로부터 상담사와 관련된 정보를 수신하고, 상기 상담사와 관련된 정보는 상담사의 개인 정보, 증명서와 관련된 정보 및 상담 스크립트에 대한 정보를 포함하고, 상기 증명서와 관련된 정보는 졸업 증명서에 대한 정보, 상담 경력 증명서에 대한 정보, 임상 경력 증명서에 대한 정보 및 자격증에 대한 정보를 포함하고, 상기 상담사의 개인 정보를 암호화하여 외부 서버에 전송하고, 상기 외부 서버로부터 상기 복수의 제1 상담사 단말에 대한 범죄 이력과 관련된 정보를 수신하고, 상기 복수의 제1 상담사 단말 중에서 상기 범죄 이력과 관련된 정보가 범죄 이력이 존재하지 않는 것을 나타내는 값을 포함하고, 상기 상담 스크립트에 대한 정보의 데이터 크기가 사전 설정된 크기 이상인 제1 상담사 단말을 복수의 제2 상담사 단말로 결정하고, 상기 복수의 제2 상담사 단말의 증명서와 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용한 검증 모델을 통해 상기 복수의 제2 상담사 단말 중에서 복수의 제3 상담사 단말을 결정하고, 내담자 단말로부터 내담자와 관련된 정보를 포함하는 상담 요청 메시지를 수신하고, 상기 내담자와 관련된 정보는 내담자의 개인 정보, 내담자의 위치 정보, 내담자의 상담 분야에 대한 정보 및 내담자의 상담 이력에 대한 정보를 포함하고, 상기 내담자와 관련된 정보 및 상기 복수의 제3 상담사 단말의 상담사와 관련된 정보를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 제3 상담사 단말 중에서 적어도 하나의 제3 상담사 단말을 상기 내담자 단말과 매칭시키고, 상기 내담자 단말에게 상기 적어도 하나의 제3 상담사 단말에 대한 정보를 전송하는 단계를 포함할 수 있다.
Description
본 개시의 실시예들은 상담사 단말과 내담자 단말을 매칭시키는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 기술에 대한 것이다.
급격한 산업의 발달과 함께 많은 현대인들이 다양한 스트레스로 인해 심리적인 어려움을 경험하고 있으며, 이러한 현대인들을 위한 심리 상담 서비스의 수요가 증가하고 있다.
심리 상담은 전문적인 상담사와 진행되는 경우에 효과적으로 내담자의 심리를 치료할 수 있으며, 비전문적인 상담사와 진행 시에는 오히려 내담자에게 부정적인 영향을 줄 수 있기 때문에, 검증된 전문적인 상담사와 심리 상담을 진행하는 것이 중요하다.
다만, 심리 상담과 관련된 수많은 자격증이 발급되고 있기 때문에, 국가에서 공인된 자격증인지 또는 신뢰할 수 있는 기관에서 발급된 자격증이 어떤 것인지 내담자들이 판단하기 어려울 수 있다.
또한, 지적재산을 상품화하여 거래하는 오픈마켓인 재능 마켓의 유행으로 인해 검증되지 않은 비전문적인 상담사가 무분별하게 내담자와 심리 상담을 진행함으로써, 내담자가 피해를 받는 사례가 증가하고 있다.
이에, 상담사의 학위, 자격증 및 경력 등과 같이 상담사의 전문성을 검증할 수 있는 정보와 상담사의 범죄 이력 등과 같이 상담사의 도덕성을 검증할 수 있는 정보를 통해, 다수의 상담사 중에서 뉴럴 네트워크를 이용하여 검증된 상담사를 결정하고, 내담자의 상담 분야에 적합한 상담사를 매칭시키는 방법이 필요할 수 있다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 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 뉴럴 네트워크를 이용하여 서버가 상담사 단말과 내담자 단말을 매칭시키는 방법은, 복수의 제1 상담사 단말로부터 상담사와 관련된 정보를 수신하고, 상기 상담사와 관련된 정보는 상담사의 개인 정보, 증명서와 관련된 정보 및 상담 스크립트에 대한 정보를 포함하고, 상기 증명서와 관련된 정보는 졸업 증명서에 대한 정보, 상담 경력 증명서에 대한 정보, 임상 경력 증명서에 대한 정보 및 자격증에 대한 정보를 포함하고, 상기 상담사의 개인 정보를 암호화하여 외부 서버에 전송하고, 상기 외부 서버로부터 상기 복수의 제1 상담사 단말에 대한 범죄 이력과 관련된 정보를 수신하고, 상기 복수의 제1 상담사 단말 중에서 상기 범죄 이력과 관련된 정보가 범죄 이력이 존재하지 않는 것을 나타내는 값을 포함하고, 상기 상담 스크립트에 대한 정보의 데이터 크기가 사전 설정된 크기 이상인 제1 상담사 단말을 복수의 제2 상담사 단말로 결정하고, 상기 복수의 제2 상담사 단말의 증명서와 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용한 검증 모델을 통해 상기 복수의 제2 상담사 단말 중에서 복수의 제3 상담사 단말을 결정하고, 내담자 단말로부터 내담자와 관련된 정보를 포함하는 상담 요청 메시지를 수신하고, 상기 내담자와 관련된 정보는 내담자의 개인 정보, 내담자의 위치 정보, 내담자의 상담 분야에 대한 정보 및 내담자의 상담 이력에 대한 정보를 포함하고, 상기 내담자와 관련된 정보 및 상기 복수의 제3 상담사 단말의 상담사와 관련된 정보를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 제3 상담사 단말 중에서 적어도 하나의 제3 상담사 단말을 상기 내담자 단말과 매칭시키고, 상기 내담자 단말에게 상기 적어도 하나의 제3 상담사 단말에 대한 정보를 전송하는 단계를 포함할 수 있다.
예를 들어, 상기 복수의 제2 상담사 단말의 증명서와 관련된 정보에 대한 데이터 전처리를 통해 제1 입력 벡터가 생성될 수 있다. 상기 제1 입력 벡터는 졸업 증명서에 대한 제1 이미지, 상담 경력 확인서에 대한 제2 이미지, 임상 경력 증명서에 대한 제3 이미지 및 자격증에 대한 제4 이미지 각각에 대해 설정된 복수의 영역에 대한 픽셀 값들을 포함할 수 있다. 상기 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력될 수 있다. 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 제1 이미지, 복수의 제2 이미지, 복수의 제3 이미지, 복수의 제4 이미지 및 정답 이미지로 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 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 상기 복수의 제3 상담사 단말의 증명서와 관련된 정보에 기반하여 제3 상담사 단말의 석사 과정 이수 여부와 관련된 값, 제3 상담사 단말의 박사 과정 이수 여부와 관련된 값, 제3 상담사 단말의 상담 경력 및 임상 경력과 관련된 가중치가 적용된 자격증에 대한 값을 포함하는 변수들이 결정될 수 있다. 상기 변수들에 기반하여 상기 복수의 제3 상담사 단말 각각에 대해 제1 점수가 결정될 수 있다. 상기 서버로부터 상기 복수의 제3 상담사 단말의 상담 스크립트에 대한 정보가 복수의 평가자 단말마다 할당된 제3 상담사 단말의 개수만큼 상기 복수의 평가자 단말 각각에게 전송될 수 있다. 상기 복수의 평가자 단말로부터 수신한 상기 복수의 제3 상담사 단말 각각에 대한 제2 점수가 상기 서버에게 전송될 수 있다. 상기 제1 점수 및 상기 제2 점수를 합산한 값으로 상기 복수의 제3 상담사 단말 각각에 대해 전문성에 대한 점수가 결정될 수 있다.
예를 들어, 상기 전문성에 대한 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 SE는 상기 전문성에 대한 점수이고, 상기 D1은 석사 과정 이수 여부에 대한 값이고, 상기 D2는 박사 과정 이수 여부에 대한 값이고, 상기 α는 석사 과정과 관련된 졸업 학교에 대한 가중치이고, 상기 β는 박사 과정과 관련된 졸업 학교에 대한 가중치이고, 상기 n은 상기 서버에 등록된 제3 상담사 단말의 수이고, 상기 CR은 해당 제3 상담사 단말의 상담 경력에 대한 값이고, 상기 CC는 해당 제3 상담사 단말의 임상 경력에 대한 값이고, 상기 CRi는 i번째 제3 상담사 단말의 상담 경력에 대한 값이고, 상기 CCi는 i번째 제3 상담사 단말의 임상 경력에 대한 값이고, 상기 CERmax는 해당 제3 상담사 단말의 자격증 중에서 가장 높은 급수의 자격증에 대한 값이고, 상기 SC는 해당 제3 상담사 단말의 상담 스크립트와 관련된 점수일 수 있다.
예를 들어, 상기 내담자와 관련된 정보, 상기 복수의 제3 상담사 단말의 상담사의 개인 정보, 상기 복수의 제3 상담사 단말 각각에 대한 전문성에 대한 점수에 대한 데이터 전처리를 통해 제2 입력 벡터가 생성될 수 있다. 상기 제2 입력 벡터는 내담자의 나이에 대한 값, 내담자의 성별에 대한 값, 내담자의 위치에 대한 값, 내담자의 상담 분야와 관련된 값, 내담자의 상담 이력과 관련된 값, 내담자의 사진 이미지에 대한 픽셀 값들, 상담사의 나이에 대한 값, 상담사의 성별에 대한 값, 상담사의 근무 위치에 대한 값, 상담사의 상담 분야와 관련된 값, 상담사의 전문성에 대한 점수 및 상담사의 사진 이미지에 대한 픽셀 값들을 포함할 수 있다. 상기 제2 입력 벡터가 상기 제2 뉴럴 네트워크에 입력될 수 있다. 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 제2 입력 벡터 및 정답 추천 점수로 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 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, 정답 추천 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 SR은 상기 정답 추천 점수이고, 상기 x1, y1, z1은 상기 내담자 단말의 위치에 대한 경도, 위도, 고도 값이고, 상기 x2, y2, z2는 해당 제3 상담사 단말의 근무 위치에 대한 경도, 위도, 고도 값이고, 상기 SE는 해당 제3 상담사 단말의 전문성에 대한 점수이고, 상기 O1은 상기 내담자 단말의 나이에 대한 값이고, 상기 O2는 해당 제3 상담사 단말의 나이에 대한 값이고, 상기 S1은 상기 내담자 단말의 성별에 대한 값이고, 상기 S2는 해당 제3 상담사 단말의 나이에 대한 값이고, 상기 SP는 상기 내담자의 사진 이미지와 상기 상담사의 사진 이미지 사이의 유사도이고, 상기 은 전문성과 관련된 제1 가중치이고, 상기 는 나이와 관련된 제2 가중치이고, 상기 는 성별과 관련된 제3 가중치일 수 있다.
예를 들어, 해당 제3 상담사 단말은 내담자 단말과 상담 분야와 관련된 값이 동일한 상담사 단말일 수 있다. 제1 가중치는 0보다 크고 1 이하의 값일 수 있다. 제2 가중치는 0 이상이고 1보다 작은 값일 수 있다. 제3 가중치는 0 또는 1 값일 수 있다. floor 함수는 내림 함수로서, 괄호 안의 값에서 소수점 이하의 값이 생략될 수 있다.
부가적으로, 예를 들어, 서버는 사전 설정된 기간이 경과된 후 상기 서버에 등록된 제3 상담사 단말에 대해 범죄 이력이 부존재하는지 여부를 결정할 수 있다. 예를 들어, 서버는 사전 설정된 기간마다 상기 서버에 등록된 제3 상담사 단말에 대해 범죄 이력이 부존재하는지 여부를 결정할 수 있다.
예를 들어, 사전 설정된 기간은 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 Period는 상기 사전 설정된 기간이고, 상기 navg는 서버가 수신하는 상담 요청 메시지의 평균 개수이고, 상기 rref는 기준 범죄율이고, 상기 nm은 상기 사전 설정된 기간 이전의 기간동안 서버가 수신한 상담 요청 메시지의 개수이고, 상기 rc는 상기 사전 설정된 기간 이전의 기간에 대한 범죄율이고, 상기 nt는 상기 서버에 등록된 제3 상담사 단말의 개수이고, 상기 Pd는 상기 사전 설정된 기간에 대한 기본 값일 수 있다.
실시예들에 따르면, 서버는 상담사 단말 중에서 범죄 이력이 존재하지 않는 상담사 단말을 대상으로 상담사 단말의 증명서와 관련된 정보에 따라 뉴럴 네트워크를 이용한 검증 모델을 통해 검증을 수행함으로써, 범죄이력이 존재하지 않는 상담사를 1차적으로 필터링한 후, 해당 상담사에 대한 각 증명서의 진위 여부를 구별하고, 자격 조건을 만족하는 상담사 단말을 결정할 수 있다.
실시예들에 따르면, 서버는 내담자와 관련된 정보와 상담사와 관련된 정보를 기반으로 뉴럴 네트워크를 이용한 매칭 모델을 통해 적어도 하나의 상담사를 내담자 단말과 매칭시킴으로써, 다양한 변수들(위치, 상담 분야, 학위, 경력 및 자격증 등)을 기반으로 내담자의 위치와 인접한 상담사 중에서 전문성이 높은 상담사를 내담자와 매칭시킬 수 잇다.
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 서버가 뉴럴 네트워크를 이용하여 서버가 상담사 단말과 내담자 단말을 매칭시키는 방법을 나타낸다.
도 4는 일 실시예에 따른 검증 모델을 나타낸 도면이다.
도 5는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 서버가 상담사 단말과 내담자 단말을 매칭시키는 방법을 나타낸 흐름도이다.
도 6은 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 서버가 뉴럴 네트워크를 이용하여 서버가 상담사 단말과 내담자 단말을 매칭시키는 방법을 나타낸다.
도 4는 일 실시예에 따른 검증 모델을 나타낸 도면이다.
도 5는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 서버가 상담사 단말과 내담자 단말을 매칭시키는 방법을 나타낸 흐름도이다.
도 6은 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 서버가 뉴럴 네트워크를 이용하여 서버가 상담사 단말과 내담자 단말을 매칭시키는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 서버(예: 도 1의 서버(108))는 복수의 제1 상담사 단말(예: 도 1의 전자 장치(101))로부터 상담사와 관련된 정보를 수신할 수 있다.
여기서, 서버는 복수의 상담사 단말로부터 상담사와 관련된 정보를 수신하여 복수의 상담사 단말에 대한 검증을 수행하고, 검증이 완료된 상담사 단말과 내담자 단말을 매칭시키고, 매칭된 상담사 단말과 내담자 단말을 관리하는 서버일 수 있다. 상담사 단말은 심리 상담을 수행하는 상담사가 사용하는 단말일 수 있다. 내담자 단말은 심리 상담이 필요한 내담자가 사용하는 단말일 수 있다.
상담사와 관련된 정보는 상담사의 개인 정보, 증명서와 관련된 정보 및 상담 스크립트에 대한 정보를 포함할 수 있다.
예를 들어, 상담사의 개인 정보는 상담사의 이름, 상담사의 주민등록번호, 상담사의 근무 위치, 상담사의 상담 분야 및 상담사의 사진 이미지를 포함할 수 있다. 여기서, 상담사의 사진은 상담사의 얼굴을 촬영한 사진일 수 있다.
예를 들어, 증명서와 관련된 정보는 졸업 증명서에 대한 정보, 상담 경력 증명서에 대한 정보, 임상 경력 증명서에 대한 정보 및 자격증에 대한 정보를 포함할 수 있다. 졸업 증명서에 대한 정보는 상담사가 졸업한 대학교 등의 교육 기관에서 필요한 과정을 이수하고 졸업했다는 사실을 증명하는 문서에 대한 정보이며, 졸업을 이수한 학과 및 학교에 대한 정보 및 졸업 증명서에 대한 이미지를 포함할 수 있다. 상담 경력 증명서에 대한 정보는 상담 기관에서 상담사의 경력을 증명하는 문서에 대한 정보이며, 상담 기관, 상담사의 업무 내용, 상담사의 총 사례 수, 상담사의 총 상담 시간 및 상담 경력 증명서에 대한 이미지를 포함할 수 있다. 임상 경력 증명서에 대한 정보는 상담사가 상담 임상을 수행한 경력을 증명하는 문서에 대한 정보이며, 상담 임상을 수행한 기관에 대한 정보, 상담 임상을 수행한 기간, 상담 임상에 대한 내용, 상담 임상을 감독한 지도자 및 임상 수련 증명서에 대한 이미지를 포함할 수 있다. 자격증에 대한 정보는 상담사가 취득한 상담과 관련된 자격증에 대한 정보이며, 자격증을 발급한 기관, 자격증의 명칭 및 자격증에 대한 이미지를 포함할 수 있다.
예를 들어, 상담 스크립트에 대한 정보는 상담사가 사전 설정된 기간(예: 6개월) 내에 내담자와 진행한 상담 내용에 대한 정보이며, 상담사가 사전 설정된 기간 내에 내담자와 진행한 상담을 녹음한 오디오 데이터를 포함할 수 있다.
단계 S302에서, 서버는 상기 상담사의 개인 정보를 암호화하여 외부 서버에 전송할 수 있다. 여기서, 외부 서버는 범죄 이력을 관리하는 서버이고, 외부 서버에는 암호화된 개인 정보를 복호화할 수 있는 키(key)가 사전 저장될 수 있다.
예를 들어, 서버는 복수의 제1 상담사 단말 각각에 대해 상담사의 이름 및 상담사의 주민등록번호를 암호화할 수 있다. 서버는 상담사의 이름과 상담사의 주민등록번호를 KSA(Key-scheduling Algorithm)과 PRGA(psuedo-random generation)를 이용하는 암호화 알고리즘을 통해 암호문을 결정하고, 암호문을 외부 서버에게 전송할 수 있다. 예를 들어, 서버는 유사 난수를 생성하고, 생성된 유사 난수와 상담사의 이름과 상담사의 주민등록번호를 비트로 표현한 값을 XOR 연산을 수행함으로써, 암호문을 결정할 수 있다. 여기서, 유사 난수는 난수로 취급이 가능한 수열이다. XOR 연산은 두 개의 피연산자 중 하나만이 1일 때 1을 반환하는 연산이다. 이때, 키 값을 기반으로 동일한 유사 난수가 생성될 수 있다.
단계 S303에서, 서버는 상기 외부 서버로부터 상기 복수의 제1 상담사 단말에 대한 범죄 이력과 관련된 정보를 수신할 수 있다.
범죄 이력과 관련된 정보는 해당 상담사에 대한 범죄 이력을 조회한 정보로서, 범죄 이력이 있는지 여부를 나타내는 값(예: 0 또는 1)을 포함할 수 있다. 예를 들어, 0 값은 범죄 이력이 존재하는 것을 나타내고, 1 값은 범죄 이력이 존재하지 않는 것을 나타낼 수 있다.
또는, 예를 들어, 외부 서버는 범죄 이력이 존재하는 경우에만 범죄 이력과 관련된 정보를 상기 서버에 전송할 수 있다.
단계 S304에서, 서버는 상기 복수의 제1 상담사 단말 중에서 상기 범죄 이력과 관련된 정보가 범죄 이력이 존재하지 않는 것을 나타내는 값을 포함하고, 상기 상담 스크립트에 대한 정보의 데이터 크기가 사전 설정된 크기 이상인 제1 상담사 단말을 복수의 제2 상담사 단말로 결정할 수 있다.
예를 들어, 범죄 이력이 존재하지 않는 것을 나타내는 값이 1 값을 나타내는 경우, 서버는 외부 서버로부터 범죄 이력과 관련된 정보를 수신한 제1 상담사 단말에 대해서는 범죄 이력이 존재하지 않는 것으로 결정할 수 있다.
또는, 예를 들어, 외부 서버는 범죄 이력이 존재하는 경우에만 범죄 이력과 관련된 정보를 상기 서버에 전송하는 경우, 서버는 외부 서버로부터 범죄 이력과 관련된 정보를 수신한 제1 상담사 단말에 대해서는 범죄 이력이 존재하는 것으로 결정할 수 있다.
상기 복수의 제1 상담사 단말 중에서 상기 범죄 이력과 관련된 정보가 범죄 이력이 존재하지 않는 것을 나타내는 값을 포함하는 제1 상담사 단말에 대해, 서버는 해당 제1 상담사 단말로부터 수신한 상담 스크립트에 대한 정보의 크기를 결정할 수 있다. 예를 들어, 해당 제1 상담사 단말로부터 수신한 상담 스크립트에 대한 정보의 크기가 사전 설정된 크기 이상인 경우, 서버는 해당 제1 상담사 단말을 제2 상담사 단말로 결정할 수 있다. 즉, 제2 상담사 단말은 1차적인 필터링을 통과한 제1 상담사 단말일 수 있다. 예를 들어, 사전 설정된 크기는 상담사와 내담자의 상담 진행을 평가할 수 있는 최소 시간에 대응하는 오디오 데이터의 크기로서, 특정 시간(예: 5분)을 녹음할 때 필요한 오디오 데이터의 크기일 수 있다.
단계 S305에서, 서버는 상기 복수의 제2 상담사 단말의 증명서와 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용한 검증 모델을 통해 상기 복수의 제2 상담사 단말 중에서 복수의 제3 상담사 단말을 결정할 수 있다.
예를 들어, 상기 복수의 제2 상담사 단말의 증명서와 관련된 정보에 대한 데이터 전처리를 통해 제1 입력 벡터가 생성될 수 있다. 제1 입력 벡터는 졸업 증명서에 대한 제1 이미지, 상담 경력 확인서에 대한 제2 이미지, 임상 경력 증명서에 대한 제3 이미지 및 자격증에 대한 제4 이미지 각각에 대해 설정된 복수의 영역에 대한 픽셀 값들을 포함할 수 있다. 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력될 수 있다. 예를 들어, 이미지 각각에 대해 설정된 복수의 영역은 상기 이미지의 진위 여부를 판단하기 위한 영역과 상기 이미지의 정보를 판단하기 위한 영역일 수 있다. 예를 들어, 졸업 증명서의 경우, 제1 이미지에 대해 설정된 복수의 영역은 졸업 증명서의 진위 여부를 판단하기 위한 영역, 학교의 명칭과 학과의 명칭을 판단하기 위한 영역, 학위를 판단하기 위한 영역을 포함할 수 있다. 예를 들어, 상담 경력 증명서 또는 임상 경력 증명서의 경우, 제2 이미지 또는 제3 이미지에 설정된 복수의 영역은 상담 경력 증명서 또는 임상 경력 증명서의 진위 여부를 판단하기 위한 영역, 수행 기관을 판단하기 위한 영역, 상담 기간 및 상담 시간을 판단하기 위한 영역을 포함할 수 있다. 예를 들어, 자격증의 경우, 이미지 각각에 대해 설정된 복수의 영역은 자격증의 진위 여부를 판단하기 위한 영역, 발급처를 판단하기 위한 영역, 자격증의 명칭을 판단하기 위한 영역 및 자격증의 급수를 판단하기 위한 영역을 포함할 수 있다. 예를 들어, 자격증의 급수는 1급, 2급 및 3급을 포함할 수 있고, 가장 높은 급수는 1급일 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 제1 이미지, 복수의 제2 이미지, 복수의 제3 이미지, 복수의 제4 이미지 및 정답 이미지로 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 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 서버는 복수의 제2 상담사 단말에 대해 검증 모델을 통해 석사 또는 박사 이상의 학위, 3년 이상의 상담 경력 또는 3년 이상의 임상 경력, 사전 설정된 자격증에 해당하는지 여부를 검증함으로써, 해당 조건들을 만족하는 제2 상담사 단말을 제3 상담사 단말로 결정할 수 있다. 예를 들어, 사전 설정된 자격증은 한국심리학회에서 발급한 자격증, 한국심리상담학회에서 발급한 자격증, 여성가족부에서 발급한 자격증 및 보건복지부에서 발급한 자격증을 포함할 수 있다.
또는, 예를 들어, 서버는 웹 크롤링을 통해 상담과 관련된 기관에 가입한 회원 수에 대한 정보를 획득하고, 회원 수에 대한 정보를 기반으로 상위 3개의 상담과 관련된 기관을 결정할 수 있다. 서버는 상위 3개의 상담과 관련된 기관이 발급한 자격증에 해당하는지 여부를 결정할 수 있다.
단계 S306에서, 서버는 내담자 단말로부터 내담자와 관련된 정보를 포함하는 상담 요청 메시지를 수신할 수 있다. 예를 들어, 내담자 단말은 상담 받기를 원하는 사용자가 사용하는 단말일 수 있다. 예를 들어, 내담자 단말은 도 1의 전자 장치(101) 또는 전자 장치(102)일 수 있다.
내담자와 관련된 정보는 내담자의 개인 정보, 내담자의 위치 정보, 내담자의 상담 분야에 대한 정보 및 내담자의 상담 이력에 대한 정보를 포함할 수 있다.
내담자의 개인 정보는 내담자의 나이, 내담자의 성별 및 내담자의 사진 이미지를 포함할 수 있다. 여기서, 내담자의 사진은 내담자의 얼굴을 촬영한 사진일 수 있다.
내담자의 위치 정보는 내담자 단말의 위치 정보이며, GNSS(Global Navigation Satellite System)로부터 내담자 단말에 구비된 통신부에게 수신된 위치 정보일 수 있다. 예를 들어, 위치 정보는 내담자 단말의 경도, 위도 및 고도를 포함할 수 있다.
내담자의 상담 분야에 대한 정보는 내담자가 상담을 원하는 분야에 대한 정보일 수 있다. 예를 들어, 상담 분야는 정신 건강 분야, 진로 분야, 성 분야, 비행 분야, 학습 분야, 중독 분야 및 인간 관계 분야를 포함할 수 있다.
내담자의 상담 이력에 대한 정보는 내담자가 상담사와 상담을 진행한 이력에 대한 정보로서, 내담자가 상담을 진행한 횟수, 내담자가 상담을 진행한 상담 센터 및 상담사에 대한 정보, 내담자가 상담을 진행한 상담 분야에 대한 정보를 포함할 수 있다.
단계 S307에서, 서버는 상기 내담자와 관련된 정보 및 상기 복수의 제3 상담사 단말의 상담사와 관련된 정보를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 제3 상담사 단말 중에서 적어도 하나의 제3 상담사 단말을 상기 내담자 단말과 매칭시킬 수 있다.
예를 들어, 상기 복수의 제3 상담사 단말의 증명서와 관련된 정보에 기반하여 제3 상담사 단말의 석사 과정 이수 여부와 관련된 값, 제3 상담사 단말의 박사 과정 이수 여부와 관련된 값, 제3 상담사 단말의 상담 경력 및 임상 경력과 관련된 가중치가 적용된 자격증에 대한 값을 포함하는 변수들이 결정될 수 있다. 상기 변수들에 기반하여 상기 복수의 제3 상담사 단말 각각에 대해 제1 점수가 결정될 수 있다.
상기 서버로부터 상기 복수의 제3 상담사 단말의 상담 스크립트에 대한 정보가 복수의 평가자 단말마다 할당된 제3 상담사 단말의 개수만큼 상기 복수의 평가자 단말 각각에게 전송될 수 있다. 예를 들어, 평가자 단말마다 3개의 서로 다른 제3 상담사 단말이 할당될 수 있고, 이러한 경우, 서버는 3개의 서로 다른 제3 상담사 단말로부터 수신한 상담 스크립트에 대한 정보를 하나의 평가자 단말에게 전송할 수 있다. 상기 복수의 평가자 단말로부터 수신한 상기 복수의 제3 상담사 단말 각각에 대한 제2 점수가 상기 서버에게 전송될 수 있다. 예를 들어, 제2 점수는 상담 스크립트와 관련된 점수로서, 상담 스크립트에 대한 정보에 대해 평가자 단말에 의해 평가된 점수일 수 있다. 여기서, 평가자 단말은 상기 서버에 사전 등록된 단말일 수 있다. 예를 들어, 평가자 단말은 상담 스크립트를 통해 해당 상담사를 평가하는 평가자가 사용하는 단말일 수 있다. 예를 들어, 평가자 단말은 도 1의 전자 장치(101) 또는 전자 장치(102)일 수 있다.
상기 제1 점수 및 상기 제2 점수를 합산한 값으로 상기 복수의 제3 상담사 단말 각각에 대해 전문성에 대한 점수가 결정될 수 있다.
예를 들어, 상기 전문성에 대한 점수는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 SE는 상기 전문성에 대한 점수이고, 상기 D1은 석사 과정 이수 여부에 대한 값이고, 상기 D2는 박사 과정 이수 여부에 대한 값이고, 상기 α는 석사 과정과 관련된 졸업 학교에 대한 가중치이고, 상기 β는 박사 과정과 관련된 졸업 학교에 대한 가중치이고, 상기 n은 상기 서버에 등록된 제3 상담사 단말의 수이고, 상기 CR은 해당 제3 상담사 단말의 상담 경력에 대한 값이고, 상기 CC는 해당 제3 상담사 단말의 임상 경력에 대한 값이고, 상기 CRi는 i번째 제3 상담사 단말의 상담 경력에 대한 값이고, 상기 CCi는 i번째 제3 상담사 단말의 임상 경력에 대한 값이고, 상기 CERmax는 해당 제3 상담사 단말의 자격증 중에서 가장 높은 급수의 자격증에 대한 값이고, 상기 SC는 해당 제3 상담사 단말의 상담 스크립트와 관련된 점수일 수 있다.
예를 들어, α및 β는 0보다 크고 1보다 작은 값일 수 있고, 상기 서버에 학교별로 상이한 값으로 사전 저장될 수 있다. 예를 들어, 상담 경력에 대한 값은 상담 경력이 길수록 높은 값을 가지고, 임상 경력에 대한 값은 임상 경력이 길수록 높은 값을 가질 수 있다. 또는 임상 경력이 길수 예를 들어, 상기 SC는 해당 제3 상담사 단말의 상담 스크립트와 관련된 점수는 평가자 단말로부터 수신한 제2 점수일 수 있다.
예를 들어, 상담사 단말과 관련된 상담사가 가중치가 큰 값을 갖는 학교에서 박사 과정을 이수한 경우, 전문성에 대한 점수가 큰 값으로 결정될 수 있다. 상담사 단말과 관련된 상담사가 상담 경력과 임상 경력이 다른 상담사들에 대한 평균 경력보다 긴 경우, 자격증 취득에 의한 값에 가중치를 높게 적용함으로써, 전문성에 대한 점수가 큰 값으로 결정될 수 있다. 상담사 단말과 관련된 상담사의 상담 스크립트와 관련된 점수가 높을수록 전문성에 대한 점수는 큰 값으로 결정될 수 있다.
이를 통해, 서버는 범죄이력이 존재하지 않는 상담사에 대해 학위, 경력 및 자격증 등을 기반으로 평가한 점수뿐만 아니라 실제 상담 내용을 녹음한 오디오 데이터를 평가한 점수까지 반영하여 해당 상담사의 전문성을 평가할 수 있다.
예를 들어, 상기 내담자와 관련된 정보, 상기 복수의 제3 상담사 단말의 상담사의 개인 정보, 상기 복수의 제3 상담사 단말 각각에 대한 전문성에 대한 점수에 대한 데이터 전처리를 통해 제2 입력 벡터가 생성될 수 있다.
예를 들어, 제2 입력 벡터는 내담자의 나이에 대한 값, 내담자의 성별에 대한 값, 내담자의 위치에 대한 값, 내담자의 상담 분야와 관련된 값, 내담자의 상담 이력과 관련된 값, 내담자의 사진 이미지에 대한 픽셀 값들, 상담사의 나이에 대한 값, 상담사의 성별에 대한 값, 상담사의 근무 위치에 대한 값, 상담사의 상담 분야와 관련된 값, 상담사의 전문성에 대한 점수 및 상담사의 사진 이미지에 대한 픽셀 값들을 포함할 수 있다. 상기 제2 입력 벡터가 상기 제2 뉴럴 네트워크에 입력될 수 있다.
상담 분야와 관련된 값은 상담 분야마다 상이하게 결정될 수 있다. 예를 들어, 정신 건강 분야는 1 값으로 결정되고, 진로 분야는 2 값으로 결정되고, 성 분야는 3 값으로 결정되고, 비행 분야는 4 값으로 결정되고, 학습 분야는 5 값으로 결정되고, 중독 분야는 6 값으로 결정되고, 인간 관계 분야는 7 값으로 결정도리 수 있다.
예를 들어, 제2 뉴럴 네트워크는 CNN 모델일 수 있고, 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 제2 입력 벡터 및 정답 추천 점수로 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 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, 정답 추천 점수는 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 SR은 상기 정답 추천 점수이고, 상기 x1, y1, z1은 상기 내담자 단말의 위치에 대한 경도, 위도, 고도 값이고, 상기 x2, y2, z2는 해당 제3 상담사 단말의 근무 위치에 대한 경도, 위도, 고도 값이고, 상기 SE는 해당 제3 상담사 단말의 전문성에 대한 점수이고, 상기 O1은 상기 내담자 단말의 나이에 대한 값이고, 상기 O2는 해당 제3 상담사 단말의 나이에 대한 값이고, 상기 S1은 상기 내담자 단말의 성별에 대한 값이고, 상기 S2는 해당 제3 상담사 단말의 나이에 대한 값이고, 상기 SP는 상기 내담자의 사진 이미지와 상기 상담사의 사진 이미지 사이의 유사도이고, 상기 은 전문성과 관련된 제1 가중치이고, 상기 는 나이와 관련된 제2 가중치이고, 상기 는 성별과 관련된 제3 가중치일 수 있다.
예를 들어, 해당 제3 상담사 단말은 내담자 단말과 상담 분야와 관련된 값이 동일한 상담사 단말일 수 있다. 제1 가중치는 0보다 크고 1 이하의 값일 수 있다. 제2 가중치는 0 이상이고 1보다 작은 값일 수 있다. 제3 가중치는 0 또는 1 값일 수 있다. floor 함수는 내림 함수로서, 괄호 안의 값에서 소수점 이하의 값이 생략될 수 있다.
예를 들어, 상기 내담자 단말의 성별에 대한 값은 남자인 경우 10, 여자인 경우 20일 수 있다. 상기 상담사 단말의 성별에 대한 값은 남자인 경우 20, 여자인 경우 10일 수 있다.
상기 내담자의 사진 이미지와 상기 상담사의 사진 이미지 사이의 유사도는 상기 내담자의 사진 이미지의 픽셀 값들의 분포와 상기 상담사의 사진 이미지의 픽셀 값들의 분포를 비교함으로써 결정될 수 있다. 예를 들어, 상기 내담자의 사진 이미지의 픽셀 값 및 상기 상담사의 사진 이미지의 픽셀 값은 색도(Hue) 및 채도(Saturation)로 구성된 2차원 좌표 값(이하, HS 값)일 수 있다. 예를 들어, 서버는 상기 내담자의 사진 이미지의 HS 값들에 대한 히스토그램과 상기 상담사의 사진 이미지의 HS 값들에 대한 히스토그램의 유사도를 상기 내담자의 사진 이미지와 상기 상담사의 사진 이미지 사이의 유사도로 결정할 수 있다.
제1 가중치 내지 제3 가중치는 상담 분야와 관련된 값에 따라 상이한 값으로 설정될 수 있다. 예를 들어, 상담 분야와 관련된 값이 1인 경우, 즉, 상담 분야가 정신 건강 분야이면, 제1 가중치는 1, 제2 가중치 및 제3 가중치는 0으로 결정될 수 있다. 예를 들어, 상담 분야와 관련된 값이 2인 경우, 즉, 상담 분야가 진로 분야이면, 제1 가중치는 0.9, 제2 가중치는 0.8, 제3 가중치는 0으로 결정될 수 있다. 예를 들어, 상담 분야와 관련된 값이 3인 경우, 즉, 상담 분야가 성 분야이면, 제1 가중치는 0.8, 제2 가중치는 0.6, 제3 가중치는 1로 결정될 수 있다. 예를 들어, 상담 분야와 관련된 값이 4인 경우, 즉, 상담 분야가 비행 분야이면, 제1 가중치는 0.9, 제2 가중치는 0.6, 제3 가중치는 0으로 결정될 수 있다. 예를 들어, 상담 분야와 관련된 값이 5인 경우, 즉, 상담 분야가 학습 분야이면, 제1 가중치는 0.8, 제2 가중치는 0.5, 제3 가중치는 0으로 결정될 수 있다. 예를 들어, 상담 분야와 관련된 값이 6인 경우, 즉, 상담 분야가 중독 분야이면, 제1 가중치는 1, 제2 가중치 및 제3 가중치는 0으로 결정될 수 있다. 예를 들어, 상담 분야와 관련된 값이 7인 경우, 즉, 상담 분야가 인간 관계 분야이면, 제1 가중치는 0.8, 제2 가중치 및 제3 가중치는 0으로 결정될 수 있다.
예를 들어, 전문성에 대한 점수가 높고, 내담자 단말의 위치와 상담사 단말의 근무 위치의 차이 값이 작을수록 정답 추천 점수가 높게 결정될 수 있다.
이를 통해, 서버는 내담자 단말과 인접한 상담사 중에서 전문성이 높은 상담사를 추천할 수 있을 뿐만 아니라, 상담 분야마다 변수에 대한 가중치를 상이하게 설정함으로써, 내담자 단말이 상담을 원하는 상담 분야에 적합한 상담사를 매칭시킬 수 있다.
예를 들어, 매칭 모델을 통해 상기 복수의 제3 상담사 단말에 대한 추천 점수가 결정되고, 서버는 상기 복수의 제3 상담사 단말 중에서 추천 점수가 사전 설정된 값 이상인 제3 상담사 단말을 상기 적어도 하나의 제3 상담사 단말로 결정할 수 있다.
단계 S308에서, 서버는 상기 내담자 단말에게 상기 적어도 하나의 제3 상담사 단말에 대한 정보를 전송할 수 있다.
예를 들어, 적어도 하나의 제3 상담사 단말에 대한 정보는 상담사의 이름, 상담사의 사진 이미지, 상담사에 대한 추천 점수 및 상담사의 근무 위치를 포함할 수 있다.
도 4는 일 실시예에 따른 검증 모델을 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
검증 모델(410)은 기존 CNN(convolutional neural network)의 분석 속도를 향상시키기 위해 바이너리 트리(binary tree)를 이용한 ANNOY(Approximate Nearest Neighbors Oh Yeah) 기술을 적용하여 유사 이미지를 탐색하는 모델일 수 있다.
CNN은 딥러닝 알고리즘의 한 종류이며, 격자 형태로 배열된 데이터를 처리하는 것에 특화되어 데이터의 패턴을 식별하는데 효과적일 수 있다. 여기서, 컨벌루션은 CNN의 필터가 원본 데이터 위에서 움직이는 과정이다.
ANNOY 기술은 이미지의 픽셀을 분석하여 이미지별 유사도에 따라 바이너리 트리 기법을 사용하여 유사도를 탐색하고 해당 이미지와 가장 가까운 벡터 값을 갖는 영역에 할당하는 기술이다. ANNOY 기술은 CNN 기술을 통해 획득된 유사 이미지 결과를 바탕으로 ANNOY의 유사도 영역 레이아웃을 구성할 수 있고, 새로운 입력 이미지에 대해 바이너리 트리를 통해 기존 이미지와의 유사도를 탐색하여 유사도에 따른 이미지 영역을 구성할 수 있다. 따라서, 이미지들의 유사도에 따라 영역별로 트리가 구성되어 있기 때문에, 새로운 이미지가 입력되었을 때, 이미지 사이의 유사도가 높은 영역을 선택할 수 있고, 새로운 입력 이미지가 배치된 영역에서의 거리 값(노드)을 측정함으로써 바이너리 트리 노드(binary tree node)를 통해 유사한 이미지 영역을 탐색할 수 있다. 즉, ANNOY 기술을 이용함으로써, 유사 이미지 검색이 필요한 위한 시간을 크게 단축할 수 있다.
예를 들어, 상기 복수의 제2 상담사 단말의 증명서와 관련된 정보에 대한 데이터 전처리를 통해 제1 입력 벡터가 생성될 수 있다. 제1 입력 벡터는 졸업 증명서에 대한 제1 이미지, 상담 경력 확인서에 대한 제2 이미지, 임상 경력 증명서에 대한 제3 이미지 및 자격증에 대한 제4 이미지 각각에 대해 설정된 복수의 영역에 대한 픽셀 값들을 포함할 수 있다. 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력될 수 있다.
도 4를 참조하면, 검증 모델(400)은 제1 뉴럴 네트워크가 사용되고, 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 히든 레이어(420)는 컨벌루션 레이어(421), 풀링 레이어(pooling layer)(422), 완전 연결 레이어(fully connected layer)(423), ANNOY(424) 레이어를 포함할 수 있다.
예를 들어, 제1 입력 레이어(410)에 제1 입력 벡터가 입력되고, 컨벌루션 레이어(421)를 통해 특징 맵(feature map)이 형성될 수 있다. 특징 벡터는 특징 맵의 좌측에서 우측으로 생성될 수 있고, i번째 특징 벡터가 모든 특징 맵의 i번째 열의 집합일 수 있고, 각 열의 너비는 단일 픽셀로 고정될 수 있다. 즉, 특징 벡터의 시퀀스에 포함된 각각의 특징 벡터는 각 이미지의 사전 설정된 영역에 대한 특징을 나타낼 수 있다. 이때, 학습의 효율을 높이기 위해 정규화 기법 중 하나인 배치 정규화 레이어(batch normalization layer)를 추가함으로써, 과적합의 위험을 감소시킬 수 있다. 여기서, 배치 정규화 레이어는 학습 과정에서 각 배치 단위 별로 데이터가 다양한 분포를 가져도, 각 배치 별로 평균과 분산을 이용해 정규화하는 동작을 수행할 수 있다. 배치는 모델의 가중치를 한번 업데이트시킬 때 사용되는 샘플들의 묶음을 지칭한다.
풀링 레이어(422)에서 상기 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 이미지의 픽셀 값들에서 중요한 특징을 추출할 수 있다. 예를 들어, 풀링 레이어(422)는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 이때, 상기 제1 뉴럴 네트워크의 파라미터는 컨벌루션 레이어(421) 및 풀링 레이어(422)와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다. 완전 연결 레이어(423)는 1차원 배열의 형태로 평탄화된 행렬을 통해 이미지를 분류하기 위해 사용될 수 있다.
예를 들어, 제1 뉴럴 네트워크에서 CNN 모델은 복수 개의 컨벌루션 레이어 및 풀링 레이어를 이용하여 사전 설정된 횟수(예: 100번)의 반복 수행을 통해 검증 모델을 학습시킬 수 있다. CNN 모델에 입력되는 이미지는 사전 설정된 제1 크기(예: 224X224)이며, 입력된 이미지를 사전 설정된 제2 크기(예: 3X3)크기의 픽셀 단위로 분해함으로써, 특징을 연산할 수 있다. 상기 CNN 모델은 이전 단계 레이어의 결과 값을 ReLU(Rectified Linear Unit) 함수를 이용하여 0 이상의 값을 필터링할 수 있다.
예를 들어, 제1 뉴럴 네트워크에서 CNN 모델을 통해 1차적으로 출력된 유사 이미지에 대해, ANNOY 레이어(424)에서 유클리드 거리(Euclidean distance) 기법을 사용하여 기존 영역에 구성된 이미지와 새로운 이미지 간의 유사도 거리가 측정될 수 있다. 바이너리 트리 기법을 통한 각 입력 이미지 유사도에 따라 반복하여 탐색하고, 이미지들의 영역 레이아웃이 생성될 수 있다. 이때, 보다 빠른 이미지 유사도 검색을 위해 분류된 이미지에 문서 이미지의 특성을 나타내는 태그 작업이 수행될 수 있다. 그리고, 입력 이미지에 대한 유사도를 기반으로 최종 이미지 영역을 판단함으로써, 제1 이미지 내지 제4 이미지 각각에 대한 최종 이미지가 출력될 수 있다.
예를 들어, 복수의 제1 이미지, 복수의 제2 이미지, 복수의 제3 이미지, 복수의 제4 이미지 및 정답 이미지로 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 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다. 여기서, 정답 이미지는 각 이미지에 대해 진위 여부를 구별하고, 검증 조건을 만족하는지 판단하기 위해 상기 서버에 사전 저장된 이미지일 수 있다. 예를 들어, 정답 복수의 졸업 증명서에 대한 이미지, 정답 복수의 상담 경력 증명서에 대한 이미지, 정답 복수의 임상 경력 증명서에 대한 이미지 및 복수의 정답 자격증에 대한 이미지가 상기 서버에 사전 저장될 수 있다. 정답 복수의 졸업 증명서는 심리 상담과 관련된 학과에 대한 석사 또는 박사 이상의 학위에 대한 증명서일 수 있다. 정답 복수의 상담 경력 증명서에 대한 이미지 또는 정답 복수의 임상 경력 증명서 3년 이상의 상담 경력 또는 3년 이상의 임상 경력에 대한 경력 증명서일 수 있다. 예를 들어, 정답 자격증에 대한 이미지는 한국심리학회에서 발급한 자격증, 한국심리상담학회에서 발급한 자격증, 여성가족부에서 발급한 자격증 및 보건복지부에서 발급한 자격증을 포함할 수 있다.
따라서, 서버는 검증 모델을 통해 제2 상담사 단말로부터 수신한 증명서와 관련된 정보를 기반으로 각 증명서에 대한 진위 여부를 구별하고, 검증 조건을 만족하는 것에 따라 제2 상담사 단말을 제3 상담사 단말로 결정할 수 있다.
도 5는 일 실시예에 따른 서버가 뉴럴 네트워크를 이용하여 서버가 상담사 단말과 내담자 단말을 매칭시키는 방법을 나타낸 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 복수의 제1 상담사 단말로부터 상담사와 관련된 정보를 수신할 수 있다.
단계 S502에서, 서버는 복수의 제1 상담사 단말 각각에 대해 범죄 이력이 부존재하는지 여부를 결정할 수 있다.
예를 들어, 서버는 복수의 제1 상담사 단말 각각에 대한 상담사의 개인 정보를 암호화하여 외부 서버에 전송하고, 외부 서버로부터 상기 복수의 제1 상담사 단말에 대한 범죄 이력과 관련된 정보를 수신할 수 있다. 서버는 상기 범죄 이력과 관련된 정보가 범죄 이력이 존재하지 않는 것을 나타내는 값(예: 1)을 포함하는 것에 기반하여 해당 제1 상담사 단말에 대해 범죄 이력이 부존재하는 것으로 결정할 수 있다.
단계 S503에서, 제1 상담사 단말이 범죄 이력이 존재하는 것으로 결정된 경우, 서버는 범죄 이력이 존재하는 제1 상담사 단말을 제2 상담사 단말로 평가할 대상에서 제외할 수 있다. 즉, 서버는 범죄 이력이 존재하는 제1 상담사 단말을 필터링할 수 있다. 여기서, 제2 상담사 단말은 1차 필터링을 통과한 제1 상담사 단말일 수 있다.
예를 들어, 서버는 상기 범죄 이력과 관련된 정보가 범죄 이력이 존재하는 것을 나타내는 값(예: 0)을 포함하는 것에 기반하여 해당 제1 상담사 단말에 대해 범죄 이력이 존재하는 것으로 결정할 수 있다.
단계 S504에서, 제1 상담사 단말이 범죄 이력이 부존재하는 것으로 결정된 경우, 서버는 범죄 이력이 부존재하는 제1 상담사 단말로부터 수신된 상담 스크립트에 대한 정보의 데이터 크기가 사전 설정된 크기보다 큰 지 여부를 결정할 수 있다.
단계 S505에서, 제1 상담사 단말로부터 수신된 상담 스크립트에 대한 정보의 데이터 크기가 사전 설정된 크기보다 작거나 같은 경우, 서버는 해당 제1 상담사 단말에게 새로운 상담 스크립트에 대한 정보를 요청할 수 있다.
예를 들어, 해당 제1 상담사 단말로부터 새로운 상담 스크립트에 대한 정보를 수신하지 못한 경우, 서버는 해당 제1 상담사 단말을 제2 상담사 단말로 평가할 대상에서 제외할 수 있다. 즉, 서버는 새로운 상담 스크립트에 대한 정보를 수신하지 못한 제1 상담사 단말을 필터링할 수 있다.
단계 S506에서, 제1 상담사 단말로부터 수신된 상담 스크립트에 대한 정보의 데이터 크기가 사전 설정된 크기보다 큰 경우, 서버는 해당 제1 상담사 단말을 제2 상담사 단말로 결정하고, 제2 상담사 단말에 대해 자격 조건을 만족하는지 여부를 검증 모델을 통해 결정할 수 있다.
예를 들어, 서버는 복수의 제2 상담사 단말의 증명서와 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용한 검증 모델을 통해 상기 복수의 제2 상담사 단말 중에서 자격 조건을 만족하는 제2 상담사 단말을 제3 상담사 단말로 결정할 수 있다.
여기서, 자격 조건은 석사 또는 박사 이상의 학위, 3년 이상의 상담 경력 또는 3년 이상의 임상 경력, 사전 설정된 자격증에 해당하는 것일 수 있다. 예를 들어, 서버는 복수의 제2 상담사 단말의 증명서와 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용한 검증 모델을 통해 복수의 제2 상담사 단말 각각이 석사 또는 박사 이상의 학위, 3년 이상의 상담 경력 또는 3년 이상의 임상 경력, 사전 설정된 자격증을 갖고 있는지 여부를 검증할 수 있다. 서버는 해당 자격 조건을 만족하는 제2 상담사 단말을 제3 상담사 단말로 결정할 수 있다. 예를 들어, 서버는 해당 자격 조건을 만족하는 제2 상담사 단말을 제3 상담사 단말로 결정하고, 복수의 제3 상담사 단말이 등록된 리스트를 저장할 수 있다.
단계 S507에서, 서버는 복수의 제2 상담사 단말 중에서 자격 조건을 만족하지 못하는 제2 상담사 단말을 제3 상담사 단말에서 제외할 수 있다.
단계 S508에서, 서버는 제3 상담사 단말에 대해 제1 점수를 결정할 수 있다.
예를 들어, 서버는 제3 상담사 단말의 증명서와 관련된 정보에 기반하여 제3 상담사 단말의 석사 과정 이수 여부와 관련된 값, 제3 상담사 단말의 박사 과정 이수 여부와 관련된 값, 제3 상담사 단말의 상담 경력 및 임상 경력과 관련된 가중치가 적용된 자격증에 대한 값을 포함하는 변수들이 결정할 수 있다. 서버는 상기 변수들에 기반하여 제3 상담사 단말에 대해 제1 점수를 결정할 수 있다.
단계 S509에서, 서버는 평가자 단말에게 제3 상담사 단말의 상담 스크립트에 대한 정보를 전송할 수 있다.
단계 S510에서, 서버는 평가자 단말로부터 제2 점수를 획득할 수 있다. 예를 들어, 서버는 평가자 단말이 제3 상담사 단말의 상담 스크립트에 대한 정보를 평가한 점수인 제2 점수를 수신할 수 있다.
단계 S511에서, 서버는 제3 상담사 단말의 전문성에 대한 점수를 결정할 수 있다. 예를 들어, 서버는 제1 점수 및 제2 점수를 합산한 값에 기반하여 제3 상담사 단말의 전문성에 대한 점수를 결정할 수 있다. 예를 들어, 서버는 상술한 수학식 1에 의해 제3 상담사 단말의 전문성에 대한 점수를 결정할 수 있다.
단계 S512에서, 서버는 상담 요청 메시지를 수신한 내담자 단말과 제3 상담사 단말을 매칭시킬 수 있다.
예를 들어, 서버는 내담자 단말로부터 내담자와 관련된 정보를 포함하는 상담 요청 메시지를 수신할 수 있다. 서버는 내담자와 관련된 정보 및 복수의 제3 상담사 단말의 상담사와 관련된 정보를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 제3 상담사 단말 중에서 적어도 하나의 제3 상담사 단말을 상기 내담자 단말과 매칭시킬 수 있다.
예를 들어, 서버는 매칭 모델을 통해 제3 상담사 단말에 대한 추천 점수를 결정하고, 상기 제3 상담사 단말에 대한 추천 점수가 사전 설정된 값 이상인 경우, 해당 제3 상담사 단말을 내담자 단말과 매칭시킬 수 있다.
부가적으로, 예를 들어, 사전 설정된 값은 내담자의 상담분야와 관련된 값과 동일한 값을 가진 제3 상담사 단말의 수가 증가하는 것에 따라 증가할 수 있다.
단계 S513에서, 서버는 사전 설정된 기간이 경과된 후 상기 서버에 등록된 제3 상담사 단말에 대해 범죄 이력이 부존재하는지 여부를 결정할 수 있다. 예를 들어, 서버는 사전 설정된 기간마다 상기 서버에 등록된 제3 상담사 단말에 대해 범죄 이력이 부존재하는지 여부를 결정할 수 있다.
예를 들어, 사전 설정된 기간은 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 Period는 상기 사전 설정된 기간이고, 상기 navg는 서버가 수신하는 상담 요청 메시지의 평균 개수이고, 상기 rref는 기준 범죄율이고, 상기 nm은 상기 사전 설정된 기간 이전의 기간동안 서버가 수신한 상담 요청 메시지의 개수이고, 상기 rc는 상기 사전 설정된 기간 이전의 기간에 대한 범죄율이고, 상기 nt는 상기 서버에 등록된 제3 상담사 단말의 개수이고, 상기 Pd는 상기 사전 설정된 기간에 대한 기본 값일 수 있다.
예를 들어, 서버가 수신하는 상담 요청 메시지의 평균 개수는 상기 서버가 복수의 내담자 단말로부터 수신한 상담 요청 메시지의 평균적인 개수로서, 상기 서버에 사전 설정될 수 있다. 기준 범죄율은 서버가 외부 서버로부터 수신한 범죄율에 대한 기준 값으로서, 3년동안의 국내 범죄율에 대한 평균 값일 수 있다. 상기 사전 설정된 기간 이전의 기간은 상기 사전 설정된 기간이 조정되기 이전의 사전 설정된 기간, 즉, 과거의 사전 설정된 기간일 수 있다. 사전 설정된 기간 이전의 기간에 대한 범죄율은 외부 서버로부터 상기 서버에게 수신된 값일 수 있다. 상기 사전 설정된 기간에 대한 기본 값은 상기 서버에 사전 저장될 수 있다.
이를 통해, 서버는 복수의 제3 상담사 단말을 관리하는 관리 주기를 일정하게 고정된 주기가 아닌 다양한 변수들을 고려하여 설정된 주기로 조정함으로써, 적응적으로 관리 주기를 조절할 수 있다.
예를 들어, 서버는 사전 설정된 기간이 경과된 후 외부 서버에게 상기 서버에 등록된 제3 상담사 단말에 대한 범죄 이력과 관련된 정보를 요청할 수 있다. 서버는 외부 서버로부터 수신한 범죄 이력과 관련된 정보가 범죄 이력이 존재하지 않는 것을 나타내는 값(예: 1)을 포함하는 것에 기반하여 해당 제3 상담사 단말에 대해 범죄 이력이 부존재하는 것으로 결정할 수 있다.
이를 통해, 서버는 검증이 완료된 제3 상담사 단말에 대해서도 주기적으로 관리할 수 있다.
단계 S514에서, 제3 상담사 단말이 범죄 이력이 존재하는 것으로 결정된 경우, 서버는 해당 제3 상담사 단말을 제외할 수 있다. 즉, 예를 들어, 3 상담사 단말이 범죄 이력이 존재하는 것으로 결정된 경우, 서버는 해당 제3 상담사 단말을 상기 서버에 등록된 리스트에서 삭제할 수 있다.
단계 S515에서, 사전 설정된 기간이 경과된 후 제3 상담사 단말이 범죄 이력이 부존재하는 것으로 결정된 경우, 서버는 제3 상담사 단말에게 새로운 상담 스크립트에 대한 정보를 요청할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)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 (5)
- 뉴럴 네트워크를 이용하여 서버가 상담사 단말과 내담자 단말을 매칭시키는 방법에 있어서,
복수의 제1 상담사 단말로부터 상담사와 관련된 정보를 수신하는 단계;
상기 상담사와 관련된 정보는 상담사의 개인 정보, 증명서와 관련된 정보 및 상담 스크립트에 대한 정보를 포함하고,
상기 증명서와 관련된 정보는 졸업 증명서에 대한 정보, 상담 경력 증명서에 대한 정보, 임상 경력 증명서에 대한 정보 및 자격증에 대한 정보를 포함하고,
상기 상담사의 개인 정보를 암호화하여 외부 서버에 전송하는 단계;
상기 외부 서버로부터 상기 복수의 제1 상담사 단말에 대한 범죄 이력과 관련된 정보를 수신하는 단계;
상기 복수의 제1 상담사 단말 중에서 상기 범죄 이력과 관련된 정보가 범죄 이력이 존재하지 않는 것을 나타내는 값을 포함하고, 상기 상담 스크립트에 대한 정보의 데이터 크기가 사전 설정된 크기 이상인 제1 상담사 단말을 복수의 제2 상담사 단말로 결정하는 단계;
상기 복수의 제2 상담사 단말의 증명서와 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용한 검증 모델을 통해 상기 복수의 제2 상담사 단말 중에서 복수의 제3 상담사 단말을 결정하는 단계;
내담자 단말로부터 내담자와 관련된 정보를 포함하는 상담 요청 메시지를 수신하는 단계;
상기 내담자와 관련된 정보는 내담자의 개인 정보, 내담자의 위치 정보, 내담자의 상담 분야에 대한 정보 및 내담자의 상담 이력에 대한 정보를 포함하고,
상기 내담자와 관련된 정보 및 상기 복수의 제3 상담사 단말의 상담사와 관련된 정보를 기반으로 제2 뉴럴 네트워크를 이용한 매칭 모델을 통해 상기 복수의 제3 상담사 단말 중에서 적어도 하나의 제3 상담사 단말을 상기 내담자 단말과 매칭시키는 단계; 및
상기 내담자 단말에게 상기 적어도 하나의 제3 상담사 단말에 대한 정보를 전송하는 단계를 포함하고,
상기 복수의 제2 상담사 단말의 증명서와 관련된 정보에 대한 데이터 전처리를 통해 제1 입력 벡터가 생성되고,
상기 제1 입력 벡터는 졸업 증명서에 대한 제1 이미지, 상담 경력 확인서에 대한 제2 이미지, 임상 경력 증명서에 대한 제3 이미지 및 자격증에 대한 제4 이미지 각각에 대해 설정된 복수의 영역에 대한 픽셀 값들을 포함하고,
상기 제1 입력 벡터가 상기 제1 뉴럴 네트워크에 입력되고,
상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
복수의 제1 이미지, 복수의 제2 이미지, 복수의 제3 이미지, 복수의 제4 이미지 및 정답 이미지로 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 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는,
방법.
- 삭제
- 제 1항에 있어서,
상기 복수의 제3 상담사 단말의 증명서와 관련된 정보에 기반하여 제3 상담사 단말의 석사 과정 이수 여부와 관련된 값, 제3 상담사 단말의 박사 과정 이수 여부와 관련된 값, 제3 상담사 단말의 상담 경력 및 임상 경력과 관련된 가중치가 적용된 자격증에 대한 값을 포함하는 변수들이 결정되고,
상기 변수들에 기반하여 상기 복수의 제3 상담사 단말 각각에 대해 제1 점수가 결정되고,
상기 서버로부터 상기 복수의 제3 상담사 단말의 상담 스크립트에 대한 정보가 복수의 평가자 단말마다 할당된 제3 상담사 단말의 개수만큼 상기 복수의 평가자 단말 각각에게 전송되고,
상기 복수의 평가자 단말로부터 수신한 상기 복수의 제3 상담사 단말 각각에 대한 제2 점수가 상기 서버에게 전송되고,
상기 제1 점수 및 상기 제2 점수를 합산한 값으로 상기 복수의 제3 상담사 단말 각각에 대해 전문성에 대한 점수가 결정되는,
방법.
- 제 3항에 있어서,
상기 전문성에 대한 점수는 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 SE는 상기 전문성에 대한 점수이고, 상기 D1은 석사 과정 이수 여부에 대한 값이고, 상기 D2는 박사 과정 이수 여부에 대한 값이고, 상기 α는 석사 과정과 관련된 졸업 학교에 대한 가중치이고, 상기 β는 박사 과정과 관련된 졸업 학교에 대한 가중치이고, 상기 n은 상기 서버에 등록된 제3 상담사 단말의 수이고, 상기 CR은 해당 제3 상담사 단말의 상담 경력에 대한 값이고, 상기 CC는 해당 제3 상담사 단말의 임상 경력에 대한 값이고, 상기 CRi는 i번째 제3 상담사 단말의 상담 경력에 대한 값이고, 상기 CCi는 i번째 제3 상담사 단말의 임상 경력에 대한 값이고, 상기 CERmax는 해당 제3 상담사 단말의 자격증 중에서 가장 높은 급수의 자격증에 대한 값이고, 상기 SC는 해당 제3 상담사 단말의 상담 스크립트와 관련된 점수인,
방법.
- 제 3항에 있어서,
상기 내담자와 관련된 정보, 상기 복수의 제3 상담사 단말의 상담사의 개인 정보, 상기 복수의 제3 상담사 단말 각각에 대한 전문성에 대한 점수에 대한 데이터 전처리를 통해 제2 입력 벡터가 생성되고,
상기 제2 입력 벡터는 내담자의 나이에 대한 값, 내담자의 성별에 대한 값, 내담자의 위치에 대한 값, 내담자의 상담 분야와 관련된 값, 내담자의 상담 이력과 관련된 값, 내담자의 사진 이미지에 대한 픽셀 값들, 상담사의 나이에 대한 값, 상담사의 성별에 대한 값, 상담사의 근무 위치에 대한 값, 상담사의 상담 분야와 관련된 값, 상담사의 전문성에 대한 점수 및 상담사의 사진 이미지에 대한 픽셀 값들을 포함하고,
상기 제2 입력 벡터가 상기 제2 뉴럴 네트워크에 입력되고,
상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
복수의 제2 입력 벡터 및 정답 추천 점수로 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 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는,
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220184797A KR102596451B1 (ko) | 2022-12-26 | 2022-12-26 | 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220184797A KR102596451B1 (ko) | 2022-12-26 | 2022-12-26 | 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102596451B1 true KR102596451B1 (ko) | 2023-11-02 |
Family
ID=88747572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220184797A KR102596451B1 (ko) | 2022-12-26 | 2022-12-26 | 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102596451B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130067952A (ko) * | 2011-12-15 | 2013-06-25 | 유석호 | 검증된 이용자 데이터베이스 구축 시스템, 상기 이용자 데이터베이스를 이용한 이용자 간 매칭 시스템 및 그 방법 |
| KR101638897B1 (ko) * | 2015-04-15 | 2016-07-12 | (주)피플벤처스 | 네트워크 상의 상담자 중개 서비스 제공 방법 및 이에 사용되는 관리 서버 |
| KR101768813B1 (ko) * | 2016-07-29 | 2017-08-30 | 주식회사 비씨엘소프트 | 원격 상담 서비스 제공 시스템 및 시스템 보안방법 |
| KR20200023259A (ko) * | 2018-08-24 | 2020-03-04 | 김보언 | 인공지능 모델을 이용한 전문가 매칭 서비스 제공방법, 장치 및 프로그램 |
| KR102257427B1 (ko) * | 2021-01-29 | 2021-06-01 | 전다정 | 실시간 감정분석이 가능한 심리 상담 시스템 및 그 방법 |
| KR20220026378A (ko) * | 2020-08-25 | 2022-03-04 | 웰스파크 주식회사 | 심리 상담사 추천 시스템 및 심리 상담사 추천 방법 |
| KR20220060839A (ko) * | 2020-11-05 | 2022-05-12 | 주식회사 됴이 | 언택트 기반 심리상담 서비스를 제공하는 방법 |
| KR102413770B1 (ko) * | 2021-09-06 | 2022-06-29 | 배정환 | 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치 |
-
2022
- 2022-12-26 KR KR1020220184797A patent/KR102596451B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130067952A (ko) * | 2011-12-15 | 2013-06-25 | 유석호 | 검증된 이용자 데이터베이스 구축 시스템, 상기 이용자 데이터베이스를 이용한 이용자 간 매칭 시스템 및 그 방법 |
| KR101638897B1 (ko) * | 2015-04-15 | 2016-07-12 | (주)피플벤처스 | 네트워크 상의 상담자 중개 서비스 제공 방법 및 이에 사용되는 관리 서버 |
| KR101768813B1 (ko) * | 2016-07-29 | 2017-08-30 | 주식회사 비씨엘소프트 | 원격 상담 서비스 제공 시스템 및 시스템 보안방법 |
| KR20200023259A (ko) * | 2018-08-24 | 2020-03-04 | 김보언 | 인공지능 모델을 이용한 전문가 매칭 서비스 제공방법, 장치 및 프로그램 |
| KR20220026378A (ko) * | 2020-08-25 | 2022-03-04 | 웰스파크 주식회사 | 심리 상담사 추천 시스템 및 심리 상담사 추천 방법 |
| KR20220060839A (ko) * | 2020-11-05 | 2022-05-12 | 주식회사 됴이 | 언택트 기반 심리상담 서비스를 제공하는 방법 |
| KR102257427B1 (ko) * | 2021-01-29 | 2021-06-01 | 전다정 | 실시간 감정분석이 가능한 심리 상담 시스템 및 그 방법 |
| KR102413770B1 (ko) * | 2021-09-06 | 2022-06-29 | 배정환 | 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102582594B1 (ko) | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 | |
| KR20240013020A (ko) | 뉴럴 네트워크를 이용하여 보험금 청구와 관련된 정보에 따라 의료기관의 경영 정보를 단말에게 제공하는 방법 및 장치 | |
| KR102576380B1 (ko) | 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템 | |
| KR102550862B1 (ko) | 뉴럴 네트워크를 이용하여 영상 제작과 관련된 프리랜서들을 매칭시키는 방법 및 장치 | |
| KR102484291B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 구직자 리스트를 단말에게 제공하는 방법 및 장치 | |
| KR20230151425A (ko) | 뉴럴 네트워크를 이용하여 색상 이미지 및 색상 이미지를 선택한 순서에 기반한 심리 상태와 관련된 정보를 제공하는 방법 및 장치 | |
| KR102596451B1 (ko) | 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치 | |
| KR102422153B1 (ko) | 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치 | |
| KR20230168097A (ko) | 웹툰의 장르 값에 기반하여 웹툰의 유사도를 결정하는 방법 및 장치 | |
| KR102585090B1 (ko) | 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치 | |
| KR102591113B1 (ko) | 바이너리 트리 기반의 컨벌루션 신경망을 활용한 의류 이미지 검색 기능을 가진 맞춤형 인터페이스를 제공하는 방법 및 장치 | |
| KR102602130B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 채색용도안을 제공하는 방법 및 장치 | |
| KR102486525B1 (ko) | 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치 | |
| KR102633788B1 (ko) | 뉴럴 네트워크를 이용하여 댄스 대회를 관리하는 방법 및 시스템 | |
| KR102638246B1 (ko) | 다중 신경망을 이용하여 필드레슨을 제공하는 프로 골퍼 매칭 서비스 | |
| KR102602241B1 (ko) | 블록체인 기반의 인공지능 헬스케어 플랫폼 시스템 | |
| KR102590839B1 (ko) | 뉴럴 네트워크 기반의 컨텍스트 분석을 통한 진로 상담 컨텐츠 제공 시스템 | |
| KR102573319B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 가상 공간에 생성된 추모 공간을 제공하는 방법 및 장치 | |
| KR102651497B1 (ko) | 텍스트마이닝 기반의 인력 중개 플랫폼 시스템 및 방법 | |
| KR102642567B1 (ko) | 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치 | |
| KR102632300B1 (ko) | 뉴럴 네트워크를 기반으로 기업의 환경 분야와 관련된 정보를 관리하는 방법 및 시스템 | |
| KR102554242B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치 | |
| KR102607631B1 (ko) | 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템 | |
| KR102622114B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 | |
| KR102536674B1 (ko) | 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |