KR102607631B1

KR102607631B1 - 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템

Info

Publication number: KR102607631B1
Application number: KR1020220130858A
Authority: KR
Inventors: 박영일
Original assignee: 주식회사 글로벌미트플랫폼
Priority date: 2022-10-12
Filing date: 2022-10-12
Publication date: 2023-11-29
Also published as: KR20240050957A; KR20240051068A

Abstract

실시예들은 인공지능 기반의 직거래 플랫폼 서비스 제공 방법 및 시스템을 제공한다. 실시예에 따른 인공지능 기반의 직거래 플랫폼 서비스 제공 방법은, 프로세서에 의해, 데이터베이스로부터 제1 상품의 생산량, 판매가격, 수요량 중 적어도 하나에 대응하는 정보를 포함하는 판매정보를 수신하는 단계; 상기 프로세서에 의해, 인증모듈로부터 상기 제1 상품의 품질점수를 수신하는 단계; 상기 프로세서에 의해, 상기 제1 상품의 상기 품질점수, 및 상기 제1 상품의 제1 시점의 판매가격을 기초로 상기 제1 상품의 판매기준가격을 산출하는 단계; 상기 프로세서에 의해, 상기 제1 상품의 판매정보를 기초로 상기 데이터베이스에 저장된 복수의 상품의 판매정보 각각에 대하여 복수의 제1 상관점수를 생성하는 단계; 상기 프로세서에 의해, 상기 복수의 제1 상관점수를 기초로 상기 제1 상품의 대체재 상품군을 결정하는 단계; 상기 프로세서에 의해, 상기 대체재 상품군에 속하는 하나 이상의 상품의 판매정보를 상기 데이터베이스로부터 수신하고, 수신한 상기 판매정보를 기초로 상기 제1 상품의 판매기준가격을 보정하여 상기 제1 상품의 판매결정가격을 생성하는 단계;를 포함할 수 있다.

Description

인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템{METHOD AND SYSTEM FOR PROVIDING AGRICULTURAL AND LIVESTOCK PRODUCTS DIRECT TRANSACTION PLATFORM SERVICE BASED ON ARTIFICIAL INTELLIGENCE}

본 발명의 실시예들은 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템에 관한 것으로, 보다 구체적으로는 Farm to Home 농축산물 유통센터를 구축하여 물품의 거래, 품질 검사, 배송 관리 등 모든 거래 과정을 컨트롤하고, 농축산물의 유통 환경 및 레시피 정보들에 관한 NFT를 구현하여 관리하는 플랫폼 서비스의 제공 방법 및 시스템에 대한 것이다.

특히 신선 식품에 대한 수요가 증가함에 따라, 전국 각지에서 다품종 소량생산 방식으로 생산하는 농축산물 중 최고 품질의 농축산물을 NFT로 관리하고자 한다. 다품종 소량생산 방식의 경우, 단일 품종을 대량생산하는 방식에 비해 농축산물의 생산성이 낮아 가격 책정 시 마진 확보에 상대적으로 불리하다. 또한, 신선 식품 유통에 있어서는 생산된 농축산물의 품질에 대한 소비자들의 신뢰 또한 중요한 문제인데, 다품종 소량생산 방식으로 운영하는 소규모 농가들의 경우 생산된 농축산물의 신선도를 보장할 수 있는 방법이 미비한 실정이다.

더불어, 세계 각국에서는 제4차 산업혁명이 일어나면서 한 시대를 지배하던 패러다임이 완전히 사라지고 상호 간 보완과 경쟁 관계에 있던 패러다임이 새로운 패러다임으로 자리를 대신하고 있다. 제4차 산업혁명은 현실세계에서 데이터를 수집하여(데이터 확보), 가상세계에서 이를 분석하여 지식을 추출하고(데이터분석), 이를 다시 현실세계에 활용(현실에 적용)하는 가치창출 방식에 주목하면서, 종전의 정보통신기술(ICT)을 넘어서는 다양한 SW분야로서 AI, 빅데이터, IoT, 블록체인, 클라우드 컴퓨팅, 모바일 등에 관한 지능정보기술의 개발이 진행되고 있다. 특히 제4차 산업혁명의 중심지표는 기술적으로 발전한 각종 기술들이 상호 간 융합하면서 컴퓨터의 소프트웨어(SW)를 기반으로 한 AI가 가장 중요한 지위에 있다.
이와 관련된 선행문헌으로는, 공개특허공보 제10-2018-0117803호(2018.10.30.), 공개특허공보 제10-2014-0057228호(2014.05.12.), 등록특허공보 제10-2284216호(2021.07.30.), 등록특허공보 제10-1941594호(2019.01.23.), 등록특허공보 제10-2425057호(2022.07.27.) 등이 있다.

전술한 문제점들을 해결하기 위해, 실시예들은 인공지능을 기반으로 하여 다품종 소량생산 방식으로 생산되는 농축산물의 유통을 관장하는 거점별 농축산물유통센터를 구축하고, 유통되는 농축산물의 품질 검사 및 인공지능 기반의 배송 관리 시스템을 구축하는 직거래 플랫폼 서비스 제공 방법 및 시스템을 제공한다.

또한, 실시예들은 농축산물 거래방식에 있어 최고 품질의 농축산물에 한하여 특별 생산이력을 추적할 수 있는 NFT를 생성하여 농축산물 유통 과정의 투명성을 보장하고 소비자와 생산자의 상호 신뢰를 확보할 수 있는 직거래 플랫폼 서비스 제공 방법 및 시스템을 제공한다.

실시 예 들에서 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.

본 발명의 일 실시예에 따른 인공지능 기반의 직거래 플랫폼 서비스 제공 방법은, 프로세서에 의해, 데이터베이스로부터 제1 상품의 생산량, 판매가격, 수요량 중 적어도 하나에 대응하는 정보를 포함하는 판매정보를 수신하는 단계; 상기 프로세서에 의해, 인증모듈로부터 상기 제1 상품의 품질점수를 수신하는 단계; 상기 프로세서에 의해, 상기 제1 상품의 상기 품질점수, 및 상기 제1 상품의 제1 시점의 판매가격을 기초로 상기 제1 상품의 판매기준가격을 산출하는 단계; 상기 프로세서에 의해, 상기 제1 상품의 판매정보를 기초로 상기 데이터베이스에 저장된 복수의 상품의 판매정보 각각에 대하여 복수의 제1 상관점수를 생성하는 단계; 상기 프로세서에 의해, 상기 복수의 제1 상관점수를 기초로 상기 제1 상품의 대체재 상품군을 결정하는 단계; 상기 프로세서에 의해, 상기 대체재 상품군에 속하는 하나 이상의 상품의 판매정보를 상기 데이터베이스로부터 수신하고, 수신한 상기 판매정보를 기초로 상기 제1 상품의 판매기준가격을 보정하여 상기 제1 상품의 판매결정가격을 생성하는 단계;를 포함할 수 있다.

상기 제1 상관점수는, 상기 제1 상품의 시간에 대한 제1 판매가격 변화율과, 상기 데이터베이스에 저장된 복수의 상품 중 어느 하나의 상품의 시간에 대한 제1 수요량 변화율을 기초로 산출되고, 상기 제1 판매가격 변화율은, 상기 제1 상품의 제1 판매가격 변화량을 상기 제1 상품의 제1 시점의 판매가격으로 나눈 값을 의미하고, 상기 제1 판매가격 변화량은, 상기 제1 상품의 상기 제1 시점의 판매가격과 상기 제1 상품의 상기 제1 시점에 후속하는 제2 시점의 판매가격의 차를 의미하고, 상기 제1 수요량 변화율은, 상기 상품의 제1 수요량 변화량을 상기 상품의 상기 제1 시점의 수요량으로 나눈 값을 의미하고, 상기 상품의 상기 제1 수요량 변화량은, 상기 상품의 상기 제1 시점의 수요량과 상기 상품의 상기 제2 시점의 수요량의 차를 의미할 수 있다.

상기 프로세서에 의해, 시간에 대한 상기 판매가격 변화율을 기초로 제1 요소 벡터를 산출하고, 시간에 대한 상기 수요량 변화율을 기초로 제2 요소 벡터를 산출하고, 상기 제1 요소 벡터와 상기 제2 요소 벡터의 유사도를 기초로 상기 제1 상관점수를 생성하는 단계를 더 포함할 수 있다.

[수학식]

상기 제1 상관점수는, 상기 [수학식]에 의해 산출되고, 상기 [수학식]에서, Ri,1은 데이터베이스에 저장된 복수의 상품 중 i번째 상품과 제1 상품에 관한 제1 상관점수, P1은 제1 시점의 제1 상품의 판매가격, di,1은 데이터베이스에 저장된 복수의 상품 중 i번째 상품의 제1 시점의 수요량, t는 시간, 및 i는 상품을 식별하는 자연수를 의미할 수 있다.

상기 프로세서는, 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 다층 신경망; 및 상기 다층 신경망을 학습시켜 상기 제1 상관점수의 최적화된 하이퍼파라미터(hyperparameter)를 산출하는 학습 엔진;을 포함하고, 상기 입력 레이어는, 상기 판매가격 변화율과 상기 수요량 변화율을 입력값으로 하고 상기 제1 상관점수를 출력값으로 하는 학습 데이터를 입력받고, 상기 하나 이상의 히든 레이어는, 상기 입력 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하고, 상기 출력 레이어는, 상기 히든 레이어의 출력값을 입력받아 활성화 함수를 이용하여 출력 벡터를 출력하고, 상기 다층 신경망은, 상기 출력 레이어에 연결된 손실함수 레이어를 포함하고, 상기 출력 벡터는 상기 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 다층 신경망의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다.

상기 대체재 상품군은, 상기 데이터베이스에 저장된 상기 복수의 상품 중, 상기 제1 상관점수가 미리 설정된 임계값 이상인 상품들로 구성되고, 상기 프로세서에 의해, 상기 대체재 상품군에 포함된 상기 하나 이상의 상품 각각의 상기 제2 시점의 판매 가격을 기초로, 상기 제1 상품의 판매기준가격을 보정하여 상기 제1 상품의 판매결정가격을 생성하는 단계;를 더 포함할 수 있다.

실시예들에 따르면, 본 발명의 농축산물 직거래 플랫폼 서비스는 대체재의 수요, 가격 등을 인공지능을 이용하여 처리하고, 이를 통해 획득한 데이터를 기초로 다품종 소량생산 방식의 소형 농가들이 높은 가격 경쟁력을 확보할 수 있도록 도울 수 있다.

다른 실시예에 따르면, 본 발명의 농축산물 직거래 플랫폼 서비스는 거래 내역을 NFT로 구현하여 구매자와 판매자 간 거래 과정을 투명하게 확인할 수 있도록 하여 거래 과정의 높은 신뢰도를 보장할 수 있다. 또한, 다품종 소량생산 방식으로 생산된 농축산물에 대해 높은 품질을 보장할 수 있는 인증 시스템 또한 제공할 수 있다.

실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.

실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 직거래 플랫폼 서비스 제공 시스템을 개략적으로 도시한 도면이다.
도 4는 도 3의 서버의 구조를 설명하기 위한 블록도이다.
도 5는 본 발명의 직거래 플랫폼 서비스의 제공 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 직거래 플랫폼 서비스의 제공 방법에 따른 상관점수를 설명하기 위한 도면이다.
도 7은 도 4의 프로세서의 다층 신경망을 설명하기 위한 도면이다.
도 8은 본 발명의 다른 실시예에 따른 직거래 플랫폼 서비스의 서버 및 메타버스 구현 장치를 설명하기 위한 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 본 발명의 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 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 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 도스(DOS), 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 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 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 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 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 본 발명의 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 갱신될 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.

도 3은 본 발명의 일 실시예에 따른 직거래 플랫폼 서비스 제공 시스템을 개략적으로 도시한 도면이다.

도 3을 참조하면, 서버(300)는 농축산물 직거래 플랫폼을 구축할 수 있다. 이를 위해, 서버(300)는 판매단말(400) 및 복수의 구매단말(500)과 데이터를 주고받을 수 있다. 복수의 구매단말(500)에 포함되는 구매단말의 수는 다양할 수 있다. 비록 도 3에는 제1 구매단말(510), 제2 구매단말(520)만이 도시되었으나, 이는 예시적인 것으로, 본 발명의 실시예는 이에 제한되지 않는다. 본 발명의 농축산물 직거래 플랫폼 서비스를 통해 농축산물을 구매하고자 하는 사용자는, 자신의 구매단말을 통해 서버(300)에 구매정보를 제공하여 농축산물 직거래 플랫폼에서 농축산물을 구매할 수 있다.

판매단말(400)은 서버(300)에 의해 구축된 농축산물 직거래 플랫폼을 통해 농축산물을 판매하고자 하는 사용자가 조작하는 단말일 수 있다. 판매자는, 자신의 판매단말을 서버(300)에 연결(등록)하고, 판매단말(400)을 통해 서버(300)에 판매정보를 제공하여 농축산물 직거래 플랫폼에서 농축산물을 판매할 수 있다.

판매단말(400)과 구매단말(500)은 각각 스마트폰, 태블릿(tablet) PC(personal computer), 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑(desktop) PC, 랩탑(laptop) PC, 넷북(netbook) 컴퓨터, 워크스테이션(workstation), 서버(server), PDA(personal digital assistant), 미디어 박스, 게임 콘솔, 전자사전 또는 웨어러블 장치(wearable device) 중 어느 하나로 구성될 수 있다.

복수의 판매정보 각각은 판매 시점, 판매 상품, 판매 수량, 판매 가격에 대응하는 정보들을 포함할 수 있다. 즉, 복수의 판매정보는 판매단말(400)을 통해 서버(300)에 제공되는 농축산물 판매에 관한 정보들을 포함할 수 있다. 여기서, '판매 상품'에 대응하는 정보는 농축산물에 대한 품종, 품질점수, 원산지, 용도, 보관방법 등에 대응하는 정보들을 포함할 수 있다.

또한, 서버(300)는 복수의 구매단말(500)로부터 제공받은 복수의 구매정보를 기초로 복수의 사용자 정보를 생성할 수 있다. 복수의 사용자 정보는 제1 사용자 정보, 제2 사용자 정보, 제3 사용자 정보를 포함할 수 있다. 각각의 사용자 정보는 복수의 구매단말(500)에 포함된 구매단말 각각에 대응하는 사용자(구매자)를 식별하기 위한 정보를 포함할 수 있다. 예를 들면, 제1 사용자 정보는 제1 구매단말(500)을 식별하기 위한 제1 구매단말(500)의 고유 식별 정보를, 제2 사용자 정보는 제2 구매단말(500)을 식별하기 위한 제2 구매단말(500)의 고유 식별 정보를 포함할 수 있다. 각각의 구매단말의 고유 식별 정보는, 예를 들면 각각의 구매단말의 ID(Identification), 또는 고유 IP(Internet Protocol) 주소 중 어느 하나일 수 있다.

서버(300)는 네트워크(800)를 통하여 블록체인(700)과 통신할 수 있다. 블록체인(700)은 복수의 노드를 포함할 수 있다. 블록체인(700)은 서버(300)로부터 본 발명의 농축산물 직거래 플랫폼 서비스에서 이루어지는 거래 내역에 관한 트랜잭션(Transaction)을 처리하고, 그 처리 내역을 블록(Block)에 분산하여 저장할 수 있다. 또한, 블록체인(700)은 가상 자산 관리 장치(300)로부터 스마트 컨트랙트를 전달받아 각 노드에 저장할 수 있다.

또한, 서버(300)는 농축산물 직거래 플랫폼 서비스에서 이루어지는 거래 내역을 기초로 NFT를 생성할 수 있다. NFT(Non-Fungible Token)이란, 대체 불가 토큰이라고도 하며, 블록체인에 저장된 데이터 단위로 고유하면서 상호 교환할 수 없는 토큰을 의미한다. NFT는 사진, 비디오, 오디오 및 기타 유형의 디지털 파일을 나타내는데 사용할 수 있어, 스마트 컨트랙션 등 무형적인 거래 내역을 가상화하여 거래의 진위 여부를 증명하고 블록체인을 통해 상호 신뢰가 보장된 거래를 가능하게 한다.

서버(300)는 하드웨어적으로 통상적인 웹서버(Web Server) 또는 네트워크 서버와 동일한 하드웨어 모듈을 포함할 수 있다. 서버(300)는 웹서버 또는 네트워크 서버의 형태로 구현될 수도 있고, 유형의 저장 장치 내부에 구축되어 있는 각종 데이터베이스를 포함하여 웹서버상에서 동작하는 일련의 응용 프로그램(Application Program)으로 구현될 수도 있다. 따라서 서버(300)는 전술한 내용 중 어느 하나의 형태로 국한되지 않는 넓은 개념으로 이해되어야 할 것이다.

서버(300)는 물리적인 서버를 통해 구현되는 것일 수도 있다. 즉, 서버(300)가 통신 장치를 포함하는 서버로 구현되어, 판매단말(400) 및 구매단말(500)로부터 데이터를 수신하고, 또한 판매단말(400) 및 구매단말(500)에 데이터를 송신할 수도 있다. 서버(300)는 워크스테이션(workstation), 데이터 센터, 인터넷 데이터 센터(internet data center(IDC)), DAS(direct attached storage) 시스템, SAN(storage area network) 시스템, NAS(network attached storage) 시스템, RAID(redundant array of inexpensive disks, or redundant array of independent disks) 시스템, 및 EDMS(Electronic Document Management) 시스템 중 적어도 하나로 구현될 수 있으나, 본 실시예가 이에 제한되는 것은 아니다.

서버(300)가 물리적인 서버를 통해 구현되는 것인 경우, 서버(300)는 무선 또는 유선으로 연결된 네트워크(340)를 통해 데이터를 송신하거나 수신할 수 있다. 네트워크(340)는 유선 인터넷 기술, 무선 인터넷 기술 및 근거리 통신 기술에 의한 네트워크를 포함할 수 있다. 유선 인터넷 기술은 예를 들어, 근거리 통신망(LAN, Local area network) 및 광역 통신망(WAN, wide area network) 중 적어도 하나를 포함할 수 있다.

무선 인터넷 기술은 예를 들어, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 및 5G NR(New Radio) 기술 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.

서버(300)가 무선 통신 방식으로 데이터를 송/수신하는 경우, 서버(300)는 이동통신을 위한 기술표준 및 표준 통신 방식을 준수할 수 있다. 예를 들어, 표준 통신 방식은 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTEA(Long Term Evolution-Advanced) 및 5G NR(New Radio) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.

데이터베이스(600)는 구매단말(500)로부터 구매정보를 제공받고, 및 판매단말(400)로부터 판매정보를 제공받아 이를 저장할 수 있다. 데이터베이스(600)는 데이터베이스 관리 프로그램(DBMS)을 이용하여 서버(300)의 저장공간에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스(600)는 데이터베이스 관리 프로그램을 이용하여, 외부 장치 또는 프로세서(310)의 제어 신호에 응답하여, 데이터베이스(600) 내에 저장된 하나 이상의 구매정보 및 구매 예측 정보 중 어느 하나를 선택할 수 있다. 구체적으로, 데이터베이스(600)는 프로세서(310)의 제어에 기초하여 데이터베이스(600)에 저장된 하나 이상의 구매정보 및 구매 예측 정보를 선택하여 출력할 수 있다.

도 4는 도 3의 서버(300)의 구조를 설명하기 위한 블록도이다.

도 4를 참조하면, 서버(300)는 프로세서(310), 통신부(320) 및 메모리(330)를 포함할 수 있다. 그러나, 도 4에 도시된 구성 요소 모두가 서버(300)의 필수 구성 요소인 것은 아니다. 도 4에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(300)가 구현될 수도 있고, 도 4에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(300)가 구현될 수도 있다.

프로세서(310)는, 복수의 구매단말(500)로부터 제공받은 구매정보에 대응하는 제1 상품에 대하여, 데이터베이스(600)로부터 제1 상품의 판매정보를 수신하여 처리할 수 있다. 여기서, 제1 상품의 판매정보는 제1 상품의 요소정보에 대응하는 정보를 포함할 수 있다. 또한, 판매정보는 각 시점에서의 요소정보에 대응하는 정보를 포함할 수 있다. 요소정보는, 생산량, 판매가격, 수요량 중 적어도 하나에 대응하는 정보를 포함할 수 있다. 예를 들면, 판매정보는 제1 상품의 제1 시점의 판매가격에 대응하는 정보, 제1 상품의 제2 시점에 판매가격에 대응하는 정보를 모두 포함할 수 있다.

프로세서(310)는 복수의 시점의 제1 상품의 판매가격에 대응하는 정보들을 기초로, 제1 상품의 판매가격 변화율을 산출할 수 있다. 예를 들면, 제1 상품의 판매가격 변화량은, 제1 상품의 제1 시점의 판매가격과 제1 상품의 제2 시점의 판매가격의 차를 의미할 수 있다. 이 경우, 제1 상품의 제1 판매가격 변화율은 제1 상품의 판매가격 변화량을 제1 상품의 제1 시점의 판매가격으로 나눈 값을 의미할 수 있다. 마찬가지로, 프로세서(310)는 복수의 시점의 상품의 수요량에 대응하는 정보들을 기초로, 상품의 수요량 변화율을 산출할 수 있다. 예를 들면, 상품의 제1 수요량 변화량은, 상품의 제1 시점의 수요량과 상품의 제2 시점의 수요량의 차를 의미할 수 있다. 이 경우, 상품의 제1 수요량 변화율은 상품의 제1 수요량 변화량을 상품의 제1 시점의 수요량으로 나눈 값을 의미할 수 있다.

프로세서(310)는 인증모듈로부터 제1 상품의 품질점수를 수신하고, 제1 상품의 품질점수와, 제1 상품의 제1 시점의 판매가격을 기초로 제1 상품의 판매기준가격을 산출할 수 있다. 판매기준가격은, 제1 상품의 제1 시점의 판매가격에 품질점수를 변환한 값을 곱한 값으로 산출될 수 있다.

프로세서(310)는 제1 상품의 판매정보를 기초로 데이터베이스(600)에 저장된 복수의 상품의 판매정보 각각에 대하여 복수의 제1 상관점수를 생성할 수 있다. 제1 상관점수는, 제1 상품의 제1 판매가격 변화율 및 데이터베이스(600)에 저장된 복수의 상품 중 어느 하나의 상품의 제1 수요량 변화율을 기초로 산출될 수 있다. 상관점수는 데이터베이스(600)에 저장된 복수의 상품들 간 관계에 따라 산출될 수 있다.

프로세서(310)는 시간에 대한 판매가격 변화율을 기초로 제1 요소 벡터를 산출할 수 있다. 또한 프로세서(310)는, 시간에 대한 수요량 변화율을 기초로 제2 요소 벡터를 산출할 수 있다. 프로세서(310)는 제1 요소 벡터와 제2 요소 벡터의 유사도를 기초로 제1 상관점수를 생성할 수 있다.

프로세서(310)는 복수의 제1 상관점수를 기초로 제1 상품의 대체재 상품군을 결정할 수 있다. 대체재 상품군은, 데이터베이스(600)에 저장된 복수의 상품 중, 제1 상관점수가 미리 설정된 임계값 이상인 상품들로 구성될 수 있다. 프로세서(310)는 대체재 상품군에 포함된 하나 이상의 상품 각각의 제2 시점의 판매 가격을 기초로, 제1 상품의 판매기준가격을 보정하여 제1 상품의 판매결정가격을 생성할 수 있다.

프로세서(310)는 대체재 상품군에 속하는 하나 이상의 상품의 판매정보를 데이터베이스(600)로부터 수신하고, 수신한 판매정보를 기초로 제1 상품의 판매기준가격을 보정하여 제1 상품의 판매결정가격을 생성하여 구매단말(500) 및 판매단말(400)에 전달할 수 있다.

프로세서(310)는, 실물 화폐 또는 거래소에 상장된 기준 자산과 교환가치를 가지고 위탁 자산에 대응하는 가상 자산을 발행하고, 발행한 가상 자산을 블록체인(700)에 기록할 수 있다. 일 실시예에서, 프로세서(310)가 발행한 가상 자산은 NFT(Non-Fungible Token)일 수 있다. 즉, 프로세서(310)는 농축산물에 관한 거래 내역을 기초로 가상 자산을 발행하여 블록체인에 기록 및 저장하고, 발행한 가상 자산을 기초로 스마트 컨트랙트를 생성할 수 있다. 또한, 프로세서(310)는 생성된 스마트 컨트랙트를 블록체인에 기록하여 저장하고, 발행한 가상 자산의 거래 체결 조건을 포함하는 스마트 컨트랙트를 생성하여 블록체인에 기록하여 저장할 수 있다. 이를 통해, 사용자의 실물 농축산물에 대응하는 가상 자산(예를 들면, NFT)을 기초로 거래 내역을 안전하게 관리할 수 있다.

그 밖에 프로세서(310)는, 통상적으로 서버(300)의 전반적인 동작을 제어한다. 프로세서(310)는 하나 이상의 프로세서를 구비하여, 서버(300)에 포함된 다른 구성요소들을 제어할 수 있다. 예를 들어, 프로세서(310)는, 메모리(330)에 저장된 프로그램들을 실행함으로써, 통신부(320) 및 메모리(330) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(310)는 메모리(330)에 저장된 프로그램들을 실행함으로써, 후술할 도 5 및 도 6에 기재된 가상 자산 관리 장치와 관련된 서버(300)의 기능 또는 동작을 수행할 수 있다.

통신부(320)는, 서버(300)가 다른 장치와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 여기서 다른 장치는, 서버(300)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 예를 들면, 다른 장치는, 도 3의 판매단말(400), 구매단말(500), 데이터베이스(600), 인증모듈, 블록체인(700) 중 어느 하나를 지칭하는 것으로 이해될 수 있다. 통신부(320)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.

예를 들어, 통신부(320)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(320)는 프로세서(310)에서 생성된 정보를 서버(300)와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(320)는 서버(300)와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(320)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 관련된 동작 정보를 상기 적어도 하나의 장치에게 전송할 수 있다.

메모리(330)는, 프로세서(310)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(330)는 사용자에 의해 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(330)는 프로세서(310)에서 획득된 데이터를 저장할 수 있다.

메모리(330)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.

인증모듈(미도시)는 품질점수를 산출할 수 있다. 프로세서(310)는 품질점수의 변환값을 산출할 수 있다.

인증모듈은 외부 서버(미도시)로부터 특정 상품의 품질에 대한 평가서 또는 품질등급에 대응하는 정보를 수신하고, 이를 기초로 특정 상품의 품질점수를 산출할 수 있다. 인증모듈은 미리 저장된 알고리즘에 기초하여 외부 서버로부터 수신한 정보를 기초로 특정 상품에 대한 품질점수를 산출할 수 있다. 여기서, 품질점수는 0 이상 100 이하의 실수값을 가질 수 있다.

서버(300)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신할 수 있다. 서버(300)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.

도 4에 도시된 서버(300)의 구성은 반드시 필수적인 것은 아니고, 필요에 따라 몇몇 구성을 생략하거나, 도 4에 도시되지 않은 다른 구성을 추가할 수 있을 것이다. 즉, 도 4에 도시된 구성은 설명의 편의를 위한 것이지, 실시예들이 이에 제한되는 것은 아니다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 본 발명의 실시예들을 변형하여 실시할 수 있을 것이다.

도 5는 본 발명의 직거래 플랫폼 서비스의 제공 방법을 설명하기 위한 흐름도이다. 도 6은 본 발명의 직거래 플랫폼 서비스의 제공 방법에 따른 상관점수를 설명하기 위한 도면이다.

먼저, 도 5를 참조하면, 프로세서(310)는 복수의 구매단말(500)로부터 제공받은 구매정보에 대응하는 제1 상품에 대하여, 데이터베이스(600)로부터 제1 상품의 판매정보를 수신한다(S510). 여기서, 제1 상품의 판매정보는 제1 상품의 요소정보에 대응하는 정보를 포함할 수 있다. 요소정보는, 생산량, 판매가격, 수요량 중 적어도 하나에 대응하는 정보를 포함할 수 있다.

또한, 제1 상품의 판매정보는 시간에 대한 요소정보의 변화량을 포함할 수 있다. 예를 들면, 제1 상품의 판매정보는 특정 시각의 생산량 또는 수요량, 또는 특정 시각의 판매가격에 대응하는 정보를 포함할 수 있다.

여기서, 특정 시각의 판매가격에 대응하는 정보는, 복수의 시점의 제1 상품의 판매가격에 대응하는 정보를 포함할 수 있다. 즉, 제1 상품의 판매정보는 제1 상품의 제1 시점의 판매가격에 대응하는 정보, 제1 상품의 제2 시점의 판매가격에 대응하는 정보, 제1 상품의 제3 시점의 판매가격에 대응하는 정보, ??, 제n 시점의 판매가격에 대응하는 정보를 포함할 수 있다. 이 때, 제2 시점은 제1 시점에 후속하는 시점이고, 제3 시점은 제2 시점에 후속하는 시점이다.

프로세서(310)는 복수의 시점의 제1 상품의 판매가격에 대응하는 정보들을 기초로, 제1 상품의 판매가격 변화율을 산출할 수 있다. 예를 들면, 제1 상품의 판매가격 변화량은, 제1 상품의 제1 시점의 판매가격과 제1 상품의 제2 시점의 판매가격의 차를 의미할 수 있다. 이 경우, 제1 상품의 제1 판매가격 변화율은 제1 상품의 판매가격 변화량을 제1 상품의 제1 시점의 판매가격으로 나눈 값을 의미할 수 있다.

마찬가지로, 프로세서(310)는 복수의 시점의 상품의 수요량에 대응하는 정보들을 기초로, 상품의 수요량 변화율을 산출할 수 있다. 예를 들면, 상품의 제1 수요량 변화량은, 상품의 제1 시점의 수요량과 상품의 제2 시점의 수요량의 차를 의미할 수 있다. 이 경우, 상품의 제1 수요량 변화율은 상품의 제1 수요량 변화량을 상품의 제1 시점의 수요량으로 나눈 값을 의미할 수 있다.

이어, 프로세서(310)는 인증모듈로부터 제1 상품의 품질점수를 수신한다(S520).

다음으로, 프로세서(310)는 제1 상품의 품질점수와, 제1 상품의 제1 시점의 판매가격을 기초로 제1 상품의 판매기준가격을 산출한다(S530).

판매기준가격은, 제1 상품의 제1 시점의 판매가격에 품질점수를 변환한 값을 곱한 값으로 산출될 수 있다.

프로세서(310)는 제1 상품의 판매정보를 기초로 데이터베이스(600)에 저장된 복수의 상품의 판매정보 각각에 대하여 복수의 제1 상관점수를 생성한다(S540).

제1 상관점수는, 제1 상품의 제1 판매가격 변화율 및 데이터베이스(600)에 저장된 복수의 상품 중 어느 하나의 상품의 제1 수요량 변화율을 기초로 산출될 수 있다.

상관점수는 데이터베이스(600)에 저장된 복수의 상품들 간 관계에 따라 산출될 수 있다. 예를 들어, 도 6을 참조하면, 제1 상품(A1)과 제2 상품(A2)의 관계에서, 프로세서(310)는 제1 상관점수(R1,2 또는 R2,1)를 산출할 수 있다. 또한, 제1 상품(A1)과 제3 상품(A3)의 관계에서, 프로세서(310)는 제1 상관점수(R1,3 또는 R3,1)를 산출할 수 있다. 마찬가지로, 제1 상품(A1)과 제4 상품(A4)의 관계에서, 프로세서(310)는 제1 상관점수(R1,4 또는 R4,1)를 산출할 수 있다.

데이터베이스(600)에 저장된 상품의 수는 다양할 수 있으므로, 제1 상품(A1)의 제1 상관점수의 개수 또한 다양할 수 있을 것이다.

제1 상관점수는, [수학식 1]에 의해 산출될 수 있다. [수학식 1]에서, Ri,1은 데이터베이스(600)에 저장된 복수의 상품 중 i번째 상품과 제1 상품에 관한 제1 상관점수, P1은 제1 시점의 제1 상품의 판매가격, di,1은 데이터베이스에 저장된 복수의 상품 중 i번째 상품의 제1 시점의 수요량, t는 시간, 및 i는 상품을 식별하는 자연수를 의미할 수 있다.

프로세서(310)는 복수의 제1 상관점수를 기초로 제1 상품의 대체재 상품군을 결정한다(S550).

대체재 상품군은, 데이터베이스(600)에 저장된 복수의 상품 중, 제1 상관점수가 미리 설정된 임계값 이상인 상품들로 구성될 수 있다. 프로세서(310)는 대체재 상품군에 포함된 하나 이상의 상품 각각의 제2 시점의 판매 가격을 기초로, 제1 상품의 판매기준가격을 보정하여 제1 상품의 판매결정가격을 생성할 수 있다.

프로세서(310)는 대체재 상품군에 속하는 하나 이상의 상품의 판매정보를 데이터베이스(600)로부터 수신하고, 수신한 판매정보를 기초로 제1 상품의 판매기준가격을 보정하여 제1 상품의 판매결정가격을 생성한다(S560).

예를 들면, 프로세서(310)는 제1 상품의 대체재 상품군에 속하는 제2 상품의 판매정보 중 제1 시점의 판매가격과 제2 시점의 판매가격을 기초로 제1 상품의 판매기준가격을 보정할 수 있다. 프로세서(310)는 제2 상품의 제1 시점의 판매가격보다 제2 시점의 판매가격이 높은 경우, 제1 상품의 판매기준가격을 상향 보정할 수 있다. 또는, 프로세서(310)는 제2 상품의 제1 시점의 판매가격보다 제2 시점의 판매가격이 낮은 경우, 제1 상품의 판매기준가격을 하향 보정할 수 있다.

다른 예시로서, 프로세서(310)는 제1 상품의 대체재 상품군에 속하는 제2 상품의 판매정보 중 제1 시점의 수요량 및 제2 시점의 수요량을 기초로 제1 상품의 판매기준가격을 보정할 수 있다. 프로세서(310)는 제2 상품의 제1 시점의 수요량보다 제2 시점의 수요량이 높은 경우, 제1 상품의 판매기준가격을 상향 보정할 수 있다. 또는, 프로세서(310)는 제2 상품의 제1 시점의 수요량보다 제2 시점의 수요량이 낮은 경우, 제1 상품의 판매기준가격을 하향 보정할 수 있다.

프로세서(310)는 제1 상품의 판매기준가격을 보정하여 생성된 제1 상품의 판매결정가격을 구매단말(500) 및 판매단말(400)에 전달할 수 있다.

도 7은 도 4의 프로세서(310)의 다층 신경망(311)을 설명하기 위한 도면이다.

프로세서(310)는 인공지능 모듈을 이용하여 판매가격 변화율과 수요량 변화율을 포함하는 데이터를 기초로 상관점수를 산출할 수 있다. 이를 위해, 프로세서(310)는 다층 신경망(311), 및 학습 엔진(미도시)을 포함할 수 있다.

학습 엔진은 복수의 학습 데이터를 사용하여 다층 신경망(311)을 미리 지도학습시킬 수 있다. 다층 신경망(Multilayer Neural Network)은 많은 수의 인공 뉴런(또는, 노드)들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 예측 모델이다.

학습 엔진은, 다층 신경망(311)이 판매가격 변화율과 수요량 변화율을 포함하는 데이터를 입력 받고 적절한 상관점수를 생성할 수 있도록, 판매가격 변화율과 수요량 변화율을 입력값으로 하고, 제1 상관점수를 출력값으로 하는 학습 데이터를 사용하여 다층 신경망(311)을 지도학습시킬 수 있다. 이때, 지도학습이란, 입력값과 그에 따른 출력값이 있는 데이터를 학습 데이터로 이용하여 주어진 입력값에 따른 출력값을 찾는 학습을 의미하며, 정답을 알고 있는 상태에서 이루어지는 학습을 의미한다. 지도 학습에서 주어지는 입력값과 출력값 세트를 학습 데이터(Training Data)라고 한다. 즉, 상술한 영상 분석 데이터의 이미지를 분석하여 획득한 오브젝트 벡터와 임계값은 각각 입력값과 출력값으로서, 다층 신경망(311)의 지도학습을 위한 학습 데이터로 사용될 수 있다.

도 7을 참조하면, 다층 신경망(311)은 입력 레이어(311_1), 하나 이상의 히든 레이어(311_2), 및 출력 레이어(311_3)을 포함할 수 있다.

일 실시예에서, 다층 신경망(311)은, 입력값을 입력받고 제1 특징 벡터의 성분 개수에 상응하는 노드들을 갖는 입력 레이어(311_1), 입력 레이어(311_1)의 출력값 각각에 대하여 가중치를 곱하고, 바이어스(bias)를 더하여 출력하는 제1 히든 레이어, 및 제1 히든 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하는 제2 히든 레이어, 및 제2 히든 레이어의 출력값 각각에 대하여 가중치를 곱하고, 그 결과를 활성화 함수를 이용하여 출력하는 출력 레이어(output layer)(311_3)를 포함할 수 있다. 비록 도 7에서는 2개의 히든 레이어만이 도시되었으나, 하나 이상의 히든 레이어(311_2)는, 제1 히든 레이어, 제2 히든 레이어외에 더 많은 수의 히든 레이어를 포함할 수 있다.

예를 들어, 활성화 함수는 Softmax 함수일 수 있으나, 본 발명의 실시예는 이에 제한되는 것은 아니고, 활성화 함수는 LeRU 함수 등 다른 다양한 함수일 수 있다. 가중치와 바이어스는 지도학습에 의해 지속적으로 갱신될 수 있다.

구체적으로, 출력 벡터는 출력 레이어(311_3)에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 다층 신경망(311)의 파라미터는 손실값이 작아지는 방향으로 지도학습될 수 있다.

예를 들어, 손실함수 레이어는 [수학식 2]를 따라 손실 값을 계산할 수 있다. [수학식 2]에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.

또는, 손실함수 레이어는 [수학식 3]을 따라 손실 값을 계산할 수 있다. [수학식 3]에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.

이를 위해, 프로세서(310)는 인공지능 기계학습 모델을 포함할 수 있다. 서버(300)가 하드웨어로 구현되는 경우, 프로세서(310)는 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 있다.

기계 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.

도 8은 본 발명의 다른 실시예에 따른 직거래 플랫폼 서비스의 서버(1010) 및 메타버스 구현 장치(1040)를 설명하기 위한 블록도이다.

도 8을 참조하면, 서버(1010)는 메타버스 구현 장치(1040)와 연결되어 농축산물 직거래 플랫폼을 구축할 수 있다. 서버(1010)는 제1 클라이언트, 제2 클라이언트, 및 메타버스 구현 장치(1040)와 데이터를 주고받을 수 있다. 서버(1010)에 의해 구축된 농축산물 직거래 플랫폼을 통해 농축산물을 구매하고자 하는 주문자는, 자신의 구매단말(1020)를 통해 서버(1010)에 구매정보를 제공하여 농축산물 직거래 플랫폼에서 농축산물을 주문할 수 있다.

메타버스 구현 장치(1040)는 서버(1010)로부터 제공받은 데이터를 기초로 메타버스를 구현할 수 있다. 메타버스 구현 장치(1040)가 구현하는 메타버스는 농축산물 직거래 메타버스 플랫폼에 관한 것일 수 있다. 즉, 메타버스 구현 장치(1040)는 클라이언트(1020)에 연결된 구매단말로부터 제공받은 구매정보와, 판매단말(1030)에 연결된 판매자 단말로부터 제공받은 판매정보를 기초로 농축산물 직거래에 대한 메타버스를 구현할 수 있다.

도 8을 참조하면, 서버(1010)는 추출 모듈(1011), 사용자 관리 모듈(1012), 보안 모듈(1013), 블록체인 모듈(1014), 객체 데이터 수집 모듈(1015)를 포함할 수 있다.

객체 데이터 수집 모듈(1015)는 농축산물에 관한 이미지, 농축산물 정보, 농축산물 거래 정보 등을 포함하는 객체 데이터를 수집할 수 있다. 이를 위해, 객체 데이터 수집 모듈(1015)은 하나 이상의 카메라를 포함할 수 있다. 즉, 객체 데이터 수집 모듈(1015)은 하나 이상의 카메라를 이용하여 농축산물을 촬영하거나 농축산물이 거래에 제공되는 환경 등을 촬영하여 객체 데이터를 생성할 수 있다. 객체 데이터 수집 모듈(1015)은 촬영한 농축산물, 농축산물이 거래에 제공되는 환경 등의 이미지 및/또는 영상을 기초로 객체 데이터를 생성할 수 있다. 이를 위해, 객체 데이터 수집 모듈(1015)은 인공지능 기계학습 모델을 포함할 수 있다. 객체 데이터 수집 모듈(1015)은 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 있다. 객체 데이터 수집 모듈(1015)은 생성한 객체 데이터를 데이터베이스(미도시)에 저장할 수 있다.

메타버스 구현 장치(1040)는 증강현실 구현 모듈(1041), 영상 출력부(1042), 증강현실 증강현실 프로세서(1043), 피드백 처리부(1044)를 포함할 수 있다.

증강현실 구현 모듈(1041)은 전술한 프로세서(310)과 마찬가지로 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.

증강현실 구현 모듈(1041)은 전처리 모듈 및 딥러닝 모듈을 포함할 수 있다. 전처리 모듈은 구매정보 및 판매정보를 포함하는 객체 데이터를 전처리(preprocessing)하여 객체 데이터에서 객체 이미지를 생성할 수 있다. 전처리 모듈은 증강현실 프로세서(1043)의 제어에 의해, 데이터베이스(미도시)로부터 객체 데이터를 수신할 수 있다. 즉, 객체 데이터는 데이터베이스(미도시)로부터 제공될 수 있다. 전처리 모듈은 객체 데이터를 전처리(preprocessing)하여 객체 데이터에서 객체 이미지를 생성할 수 있다.

또한, 증강현실 구현 모듈(1041)은 증강현실 프로세서(1043)의 제어에 의해, 서버(1010)의 블록체인 모듈(1014)로부터 대체 불가 토큰을 객체 데이터로서 수신할 수 있다. 즉, 객체 데이터는 대체 불가 토큰을 포함할 수 있다.

딥러닝 모듈은 추출된 객체 이미지 특성 벡터를 이용하여, 농축산물 거래 정보에 관한 AR 영상을 생성할 수 있다. 딥러닝 모듈은 제공받은 객체 이미지에 대한 특성 벡터를 추출할 수 있다. 딥러닝 모듈은 데이터베이스(미도시)에 저장된 객체 데이터를 기초로 미리 학습된 것일 수 있다. 즉, 딥러닝 모듈은 객체 인식을 통해, 객체 이미지를 특성별로 분류할 수 있다.

딥러닝 모듈은 추출된 객체 이미지 특성 벡터를 이용하여, 농축산물 거래 정보에 관한 AR 영상을 생성할 수 있다. 즉, 딥러닝 모듈은 객체 이미지에서 객체의 모양, 형태, 움직임을 참조하여 객체와 유사한 가상 객체 이미지를 생성할 수 있다.

딥러닝 모듈은 특성 벡터의 위치를 고려하여 가상 객체 이미지와 객체 이미지를 조합할 수 있다. 즉, 딥러닝 모듈은 객체 이미지 특성 벡터를 이용하여 생성한 가상 객체 이미지와, 데이터베이스(미도시)에 저장된 객체 데이터를 조합하여 객체 이미지 영상을 농축산물 거래 정보에 관한 AR 영상으로 생성할 수 있다. 딥러닝 모듈은 생성한 농축산물 거래 정보에 관한 AR 영상을 영상 출력부(1042)에 제공할 수 있다.

증강현실 구현 모듈(1041)은, 객체 데이터를 기초로 농축산물 거래 정보에 관한 AR 영상을 생성할 수 있다. 예를 들면, 증강현실 구현 모듈(1041)은 트윈 팩토리(Twin Factory)로 구현되는 객체 데이터를 기초로 농축산물 거래 정보에 관한 AR 영상을 생성할 수 있다. 즉, 증강현실 구현 모듈(1041)은 소매점에 관한 객체 데이터를 기초로 소매점으로부터 제공되는 다양한 농축산물에 관한 가격 정보, 외형 정보, 포장 이미지 정보 등을 포함하는 농축산물 거래 정보에 관한 AR 영상을 생성할 수 있다.

영상 출력부(1042)는 증강현실 구현 모듈(1041)로부터 농축산물 거래 정보에 관한 AR 영상을 제공받아, 홀로그램 영상을 출력할 수 있다. 홀로그램 영상이란, 홀로그래피 원리를 이용하여 만들어지는 3차원 영상으로, 실물과 똑같이 입체적으로 보이는 영상을 의미할 수 있다. 홀로그래피의 원리는 레이저에서 나온 광선을 2개로 나눠 하나의 빛은 직접 스크린을 비추게 하고, 다른 하나의 빛은 우리가 보려고 하는 물체에 비추는 것이다.

이를 위해, 영상 출력부(1042)는 프로젝터를 포함할 수 있으나, 실시예들이 이에 제한되지는 않는다. 영상 출력부(1042)는 실제 환경에 대해 농축산물 거래 정보에 관한 홀로그램 영상을 출력할 수 있으며, 이를 통해 시각적 효과를 증가시킴으로써, 사용자에게 실제 백화점 등의 배경에 농축산물이 전시된 것과 같은 시각적 효과를 제공할 수 있다.

증강현실 프로세서(1043)는 메타버스 구현 장치(1020)에 연결된 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 예를 들면, 증강현실 프로세서(1043)는 증강현실 구현 모듈(1041)로부터 출력된 농축산물 거래 정보에 관한 AR 영상을 출력하도록 영상 출력부(1042)를 제어할 수 있다.

일 실시예에서, 증강현실 프로세서(1043)는 중앙 처리 장치, 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서를 포함할 수 있다.

피드백 처리부(1044)는 영상 출력부(1042)에 의해 출력된 AR 영상에 반응하는 사람의 동작을 촬영하여 피드백 이미지를 수집할 수 있다. 피드백 처리부(1044)는 미리 학습된 동작 인식 모델을 사용하여 피드백 이미지를 기초로 피드백 정보를 생성할 수 있다. 이 경우, 증강현실 프로세서(1043)는 데이터베이스(미도시)에 미리 저장된 트리거 정보 중 상기 피드백 정보에 대응하는 트리거 정보를 선택하고, 트리거 정보를 기초로 상기 농축산물 거래 정보에 관한 AR 영상을 생성하도록 증강현실 구현 모듈(1041)을 제어할 수 있다. 피드백 정보에 대응하는 트리거 정보란, 피드백 정보에 저장된 사람의 특정한 동작이나 행동과 관련한 특정 이벤트에 관한 정보를 의미할 수 있다.

도 8에 도시된 서버(1010) 및 메타버스 구현 장치(1040)의 하드웨어 구성은 반드시 필수적인 것은 아니고, 필요에 따라 몇몇 하드웨어 구성을 생략하거나, 도 8에 도시되지 않은 다른 하드웨어 구성을 추가할 수 있을 것이다. 즉, 도 8에 도시된 하드웨어 구성은 설명의 편의를 위한 것이지, 실시예들이 이에 제한되는 것은 아니다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 본 발명의 실시예들을 변형하여 실시할 수 있을 것이다.

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

프로세서에 의해, 데이터베이스로부터 제1 상품의 생산량, 판매가격, 수요량 중 적어도 하나에 대응하는 정보를 포함하는 판매정보를 수신하는 단계;
상기 프로세서에 의해, 인증모듈로부터 상기 제1 상품의 품질점수를 수신하는 단계;
상기 프로세서에 의해, 상기 제1 상품의 상기 품질점수, 및 상기 제1 상품의 상기 판매정보 중 제1 시점의 판매가격에 대응하는 정보를 기초로 상기 제1 상품의 판매기준가격을 산출하는 단계;
상기 프로세서에 의해, 상기 제1 상품의 판매정보를 기초로 상기 데이터베이스에 저장된 복수의 상품의 판매정보 각각에 대하여 복수의 제1 상관점수를 생성하는 단계;
상기 프로세서에 의해, 상기 복수의 제1 상관점수를 기초로 상기 제1 상품의 대체재 상품군을 결정하는 단계;
상기 프로세서에 의해, 상기 대체재 상품군에 속하는 하나 이상의 상품의 판매정보를 상기 데이터베이스로부터 수신하고, 수신한 상기 판매정보를 기초로 상기 제1 상품의 판매기준가격을 보정하여 상기 제1 상품의 판매결정가격을 생성하는 단계;를 포함하고,
상기 제1 상관점수는, 상기 제1 상품의 시간에 대한 제1 판매가격 변화율과, 상기 데이터베이스에 저장된 복수의 상품 중 어느 하나의 상품의 시간에 대한 제1 수요량 변화율을 기초로 산출되고,
상기 제1 판매가격 변화율은, 상기 제1 상품의 제1 판매가격 변화량을 상기 제1 상품의 제1 시점의 판매가격으로 나눈 값을 의미하고, 상기 제1 판매가격 변화량은, 상기 제1 상품의 상기 제1 시점의 판매가격과 상기 제1 상품의 상기 제1 시점에 후속하는 제2 시점의 판매가격의 차를 의미하고,
상기 제1 수요량 변화율은, 상기 상품의 제1 수요량 변화량을 상기 상품의 상기 제1 시점의 수요량으로 나눈 값을 의미하고, 상기 상품의 상기 제1 수요량 변화량은, 상기 상품의 상기 제1 시점의 수요량과 상기 상품의 상기 제2 시점의 수요량의 차를 의미하고,
상기 프로세서에 의해, 시간에 대한 상기 판매가격 변화율을 기초로 제1 요소 벡터를 산출하고, 시간에 대한 상기 수요량 변화율을 기초로 제2 요소 벡터를 산출하고, 상기 제1 요소 벡터와 상기 제2 요소 벡터의 유사도를 기초로 상기 제1 상관점수를 생성하는 단계를 더 포함하고,
[수학식]

상기 제1 상관점수는, 상기 [수학식]에 의해 산출되고,
상기 [수학식]에서, Ri,1은 데이터베이스에 저장된 복수의 상품 중 i번째 상품과 제1 상품에 대한 제1 상관점수, P1은 제1 시점의 제1 상품의 판매가격, di,1은 데이터베이스에 저장된 복수의 상품 중 i번째 상품의 제1 시점의 수요량, t는 시간, 및 i는 상품을 식별하는 자연수를 의미하는,
인공지능 기반의 직거래 플랫폼 서비스 제공 방법.
삭제
삭제
제1항에 있어서,
상기 프로세서는, 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 다층 신경망; 및 상기 다층 신경망을 학습시켜 상기 제1 상관점수의 최적화된 하이퍼파라미터(hyperparameter)를 산출하는 학습 엔진;을 포함하고,
상기 입력 레이어는, 상기 판매가격 변화율과 상기 수요량 변화율을 입력값으로 하고 상기 제1 상관점수를 출력값으로 하는 학습 데이터를 입력받고, 상기 하나 이상의 히든 레이어는, 상기 입력 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하고, 상기 출력 레이어는, 상기 히든 레이어의 출력값을 입력받아 활성화 함수를 이용하여 출력 벡터를 출력하고,
상기 다층 신경망은, 상기 출력 레이어에 연결된 손실함수 레이어를 포함하고, 상기 출력 벡터는 상기 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 다층 신경망의 파라미터는 상기 손실값이 작아지는 방향으로 학습되는,
인공지능 기반의 직거래 플랫폼 서비스 제공 방법.
제1항에 있어서,
상기 대체재 상품군은,
상기 데이터베이스에 저장된 상기 복수의 상품 중, 상기 제1 상관점수가 미리 설정된 임계값 이상인 상품들로 구성되고,
상기 프로세서에 의해, 상기 대체재 상품군에 포함된 상기 하나 이상의 상품 각각의 상기 제2 시점의 판매가격을 기초로, 상기 제1 상품의 상기 판매기준가격을 보정하여 상기 제1 상품의 상기 판매결정가격을 생성하는 단계;를 더 포함하는,
인공지능 기반의 직거래 플랫폼 서비스 제공 방법.