KR102647892B1 - 인공지능 기반의 제품 발주 예측 방법 및 서버 - Google Patents

인공지능 기반의 제품 발주 예측 방법 및 서버 Download PDF

Info

Publication number
KR102647892B1
KR102647892B1 KR1020220115384A KR20220115384A KR102647892B1 KR 102647892 B1 KR102647892 B1 KR 102647892B1 KR 1020220115384 A KR1020220115384 A KR 1020220115384A KR 20220115384 A KR20220115384 A KR 20220115384A KR 102647892 B1 KR102647892 B1 KR 102647892B1
Authority
KR
South Korea
Prior art keywords
data
product
order
ordering
predicted
Prior art date
Application number
KR1020220115384A
Other languages
English (en)
Inventor
박재민
Original Assignee
주식회사트렉시
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사트렉시 filed Critical 주식회사트렉시
Priority to KR1020220115384A priority Critical patent/KR102647892B1/ko
Application granted granted Critical
Publication of KR102647892B1 publication Critical patent/KR102647892B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

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

Abstract

본 발명은 인공지능 기반의 제품 발주 예측 방법으로서, 샘플에 대응되는 제품 데이터와 제품 발주에 연관된 제품 연관 데이터를 획득하는 단계 및 발주처 별로 기 학습된 신경망 모델들에 제품 데이터를 각각 입력하여 샘플 중 발주 대상이 되는 제품을 선택한 예측 선택 데이터 및 예측 선택 데이터에 대응되는 제품의 예측 발주 데이터를 발주처 별로 산출하는 단계를 포함할 수 있다.

Description

인공지능 기반의 제품 발주 예측 방법 및 서버{Artificial intelligence-based product order prediction method and server}
본 발명은 인공지능 기반의 제품 발주 예측 방법 및 서버에 관한 것이다.
일반적으로, 온라인 상에서 이루어지는 인터넷 쇼핑 서비스는 소비자가 인터넷망에 접속하여 시간 및 장소에 구애됨이 없이 간편하게 다양한 종류의 상품을 검색하고, 상대적으로 저렴한 가격으로 물품을 구입한 후 일정 장소에서 편리하게 배송 받을 수가 있으므로, 소비자들의 이용이 나날이 증가함과 더불어 그 시장 규모 또한 급격히 커지고 있는 실정이다.
일반적인 인터넷 쇼핑 서비스의 형태로는 오픈 마켓, 소셜 커머스, 대기업에서 운영하는 온라인 마켓, 홈쇼핑 및 개인이 직접 운영하는 소규모 쇼핑몰 등이 있으며, 이에 다수의 소비자들이 각종 인터넷 쇼핑 서비스에 등록된 상품을 선택적으로 검색하며, 필요 시에 구매행위를 수행함에 따라 판매자는 주문된 해당 물품을 소비자에게 배송하는 방식으로 운영된다.
종래의 인터넷 쇼핑 서비스는 오픈 마켓, 소셜 커머스에 입점한 각 판매자들이나 소규모 쇼핑몰의 운영자가 온라인 판매를 위한 특정 상품들을 일정 장소에 구비한 상태에서 해당 제품을 판매하는 구조(예를 들어, 1PL(First party Logistics))로 이루어져 있으므로, 판매자는 온라인 판매를 위한 상품을 미리 다량으로 제작하거나 확보해야만 하는 문제점 및 다량의 상품을 보관하는데 따른 공간적인 제약이 따르게 되는 문제점이 발생하게 되었다. 또한, 판매가 이루어지지 못한 상품에 대한 재고 처리의 문제점도 발생하게 되었다.
이에, 최근에는 소규모 쇼핑몰을 운영하는 판매자가 판매하고자 하는 상품을 직접 구비하지 않은 상태에서 대형 매장이나 창고 등을 소지한 업체와 연계하여 인터넷 쇼핑 서비스를 제공하는 네트워크 쇼핑몰들이 증가하고 있으며, 이러한 물류 대행 서비스(예를 들어, 3PL(Third party Logistics), 4PL(Fourth Party Logistics) 등)를 제공하는 물류 대행 업체들도 증가하고 있다.
한편, 이러한 물류 전문 업체는 발주처가 증가함에 따라 제품의 관리 및 재고 관리에 어려움을 겪고 있다.
또한, 물류 전문 업체는 다양해진 발주처들의 반복적인 발주 요청으로 인해 제품 발주 및 제품 확보에 어려움을 겪고 있다.
이에 따라, 물류 전문 업체의 제품 관리 및 제품 발주를 용이하게 하기 위한 방법이 요구되고 있다.
본 발명은 인공지능 기반의 제품 발주 예측 방법 및 서버를 제공하는 것을 목적으로 한다.
보다 구체적으로, 본 발명은 신경망 모델을 이용하여 샘플 중 발주처 별로 발주 대상이 되는 제품을 예측하고, 예측된 제품의 발주량을 예측하는 방법 및 서버를 제공하는 것을 목적으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 인공지능 기반의 제품 발주 예측 방법은 샘플에 대응되는 제품 데이터와 제품 발주에 연관된 제품 연관 데이터를 획득하는 단계 및 발주처 별로 기 학습된 신경망 모델들에 상기 제품 데이터를 각각 입력하여 상기 샘플 중 발주 대상이 되는 제품을 선택한 예측 선택 데이터 및 상기 예측 선택 데이터에 대응되는 제품의 예측 발주 데이터를 상기 발주처 별로 산출하는 단계를 포함할 수 있다.
또한, 상기 발주처 별로 산출된 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 외부 업체에 상기 제품을 발주하는 단계를 더 포함할 수 있다.
또한, 상기 제품 데이터에는 대응되는 제품의 이미지, 종류 및 브랜드가 포함되고, 상기 제품 연관 데이터에는 시즌 정보, 기상 정보 및 날짜 정보가 포함될 수 있다.
또한, 상기 신경망 모델은 발주처 별로 과거 선택 데이터, 과거 제품 데이터, 과거 발주 데이터 및 과거 제품 연관 데이터를 하나의 학습 데이터 셋으로 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 산출하도록 학습될 수 있다.
또한, 상기 신경망 모델은 과거 판매 데이터와 과거 발주 데이터의 차이가 기준값 이하인 경우, 발주 가중치가 반영된 과거 발주 데이터를 이용하여 학습될 수 있다.
또한, 발주처 별로 생성된 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 트렌드 가중치를 산출하는 단계 및 상기 산출된 트렌드 가중치를 상기 예측 선택 데이터 및 상기 예측 발주 데이터에 반영하는 단계를 더 포함할 수 있다.
또한, 상기 발주하는 단계는 상기 트렌드 가중치가 반영된 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 상기 제품을 발주할 수 있다.
한편, 본 발명의 인공지능 기반의 제품 발주 예측 서버는 샘플에 대응되는 제품 데이터와 제품 발주에 연관된 제품 연관 데이터를 획득하는 데이터 획득부 및 기 학습된 신경망 모델에 상기 제품 데이터와 상기 제품 연관 데이터를 입력하여 상기 샘플 중 발주 대상이 되는 제품을 선택한 예측 선택 데이터 및 상기 예측 선택 데이터에 대응되는 제품의 예측 발주 데이터를 산출하는 AI 프로세서를 포함할 수 있다.
또한, 상기 발주처 별 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 외부 업체에 상기 제품을 발주하는 제품 발주 요청부를 더 포함할 수 있다.
또한, 상기 신경망 모델은 과거 선택 데이터, 과거 제품 데이터, 과거 발주 데이터 및 과거 제품 연관 데이터를 하나의 학습 데이터 셋으로 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 산출하도록 학습될 수 있다.
또한, 상기 신경망 모델은 과거 판매 데이터와 과거 발주 데이터의 차이가 기준값 이하인 경우, 발주 가중치가 반영된 과거 발주 데이터를 이용하여 학습될 수 있다.
또한, 발주처 별로 생성된 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 트렌드 가중치를 산출하는 가중치 산출부를 더 포함하고, 상기 AI 프로세서는 상기 산출된 트렌드 가중치를 상기 예측 선택 데이터 및 상기 예측 발주 데이터에 반영할 수 있다.
또한, 상기 제품 발주 요청부는 상기 트렌드 가중치가 반영된 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 상기 제품을 발주할 수 있다.
본 발명에 따르면, 신경망 모델을 이용하여 제품의 예측 선택 데이터 및 예측 발주 데이터를 산출하여 매 시즌 별 제품의 수요를 예측할 수 있다.
또한, 예측 발주 데이터를 기초로 선주문하여 제품의 물량 확보 및 가격 경쟁력을 확보할 수 있다.
또한, 예측된 발주 데이터를 기초로 효율적으로 제품의 재고 관리를 수행할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 제품 발주 예측 방법을 수행하는 시스템의 구성을 나타낸 개념도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 제품 발주 예측 방법을 나타낸 흐름도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 신경망 모델을 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반의 제품 발주 예측 방법을 나타낸 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 발주 예측 서버의 구성을 나타낸 블록도이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시 되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이외같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
또한, 발명을 설명함에 있어서 발명과 관련된 공지 기술에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하에는 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예에 대해 상세하게 설명한다.
또한, 본 발명에서 제품은 오픈 마켓, 소셜 커머스, 온라인 마켓, 홈쇼핑 등에서 판매될 수 있는 의류, 신발, 전자 기기 등과 같은 다양한 제품들을 의미할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 제품 발주 예측 방법을 수행하는 시스템의 구성을 나타낸 개념도이다.
도 1을 참조하면, 따른 인공지능 기반의 제품 발주 예측 방법을 수행하는 시스템에는 발주처(200)의 발주 요청에 따라 제품의 구매 대행 및 배송 대행 등을 수행하는 발주 예측 서버(100), 제품을 선택하여 발주 요청하여 해당 제품을 제공받는 발주처(200) 및 제품을 생산하거나 생산된 제품을 판매하는 외부 업체(300)로 구성될 수 있다. 이때, 발주처(200)는 제1 발주처(200-1), 제2 발주처(200-2) 및 제N 발주처(200-N)등의 복수의 발주처로 구성될 수 있다.
구체적으로, 발주 예측 서버(100)는 향후 판매될 제품에 대한 여러 샘플들을 외부 업체(300)로부터 요청하여 획득할 수 있다.
그리고, 발주 예측 서버(100)는 획득된 샘플들을 발주처(200)로 제공하며, 샘플에 대응되는 제품 데이터를 기 학습된 신경망 모델에 입력하여 샘플 중 발주 대상이 되는 제품을 선택한 예측 선택 데이터 및 예측 선택 데이터에 대응되는 제품의 예측 발주 데이터를 산출할 수 있다.
또한, 발주 예측 서버(100)는 예측 선택 데이터 및 예측 발주 데이터를 기초로 외부 업체(300)로 제품을 발주하여 제품을 획득할 수 있다.
그리고, 발주 예측 서버(100)는 발주처(200)로부터 샘플에 대한 발주 데이터를 수신하고, 수신된 발주 데이터를 기초로 기 주문된 제품을 발주처(200)로 제공할 수 있다.
즉, 발주 예측 서버(100)는 신경망 모델을 기초로 샘플 중 발주 대상이 되는 제품을 예측하고, 예측된 제품을 선주문하여 추후 발주처(200)의 발주 요청에 따라 제품을 제공할 수 있다.
이하에서는 발주 예측 서버(100)의 인공지능 기반의 제품 발주 예측 방법에 대해 설명한다.
도 2는 본 발명의 일 실시예에 따른 인공지능 기반의 제품 발주 예측 방법을 나타낸 흐름도이다.
도 2를 참조하면, 발주 예측 서버(100)는 샘플에 대응되는 제품 데이터와 제품 발주에 연관된 제품 연관 데이터를 획득할 수 있다(S100). 여기서, 제품 데이터에는 대응되는 제품에 관한 여러 데이터들로써, 대응되는 제품의 이미지, 제품의 종류, 제품의 크기, 색상 및 제품의 브랜드 등이 포함될 수 있다. 또한, 제품 연관 데이터는 발주처(200)의 제품 선택 및 제품 발주에 영향을 주는 여러 데이터로써, 제품의 판매될 시즌 정보, 기상 정보 및 날짜 정보 등이 포함될 수 있다.
구체적으로, 발주 예측 서버(100)는 외부 업체(300)로부터 제품의 샘플을 요청하여 제공받고, 제공받은 샘플을 기초로 제품 데이터를 획득할 수 있다.
또한, 발주 예측 서버(100)는 유관 기관으로부터 제품 연관 데이터를 요청하여 획득하거나 자체적으로 제품 연관 데이터를 생성할 수도 있다. 여기서, 유관 기관은 기상 서버일 수도 있다.
다음, 발주 예측 서버(100)는 발주처 별로 기 학습된 신경망 모델들에 제품 데이터 및 제품 연관 데이터를 각각 입력하여 샘플 중 발주 대상이 되는 제품을 선택한 예측 선택 데이터 및 예측 선택 데이터에 대응되는 제품의 예측 발주 데이터를 발주처 별로 산출할 수 있다(S200).
구체적으로, 발주 예측 서버(100)는 제품 데이터(제품의 종류, 제품의 크기, 색상 및 제품의 브랜드 등) 및 제품 연관 데이터(제품의 판매될 시즌 정보, 기상 정보 및 날짜 정보 등)이 레이블링된 제품 이미지를 발주처 별로 기 학습된 신경망 모델들에 각각 입력하여, 발주처 별로 예측 선택 데이터 및 예측 발주 데이터를 산출할 수 있다. 여기서, 예측 발주 데이터는 제품의 예측된 발주량을 나타낸 데이터이며, 예측 선택 데이터는 샘플 중 발주 대상으로 선택될 것으로 예측되는 제품을 나타내는 데이터로써, 예측 선택 데이터에는 샘플 중 적어도 하나 이상의 제품이 포함될 수 있다.
예를 들어, 샘플이 A 제품, B 제품 및 C 제품인 경우, 예측 선택 데이터에는 B 제품이 포함될 수 있다.
이때, 신경망 모델은 각 발주처로부터 수신된 과거 데이터를 학습 데이터 셋으로 기 학습되며, 신경망 모델은 복수의 합성곱 연산을 수행하는 레이어로 구성된 CNN(Convolution Neural Network) 모델로 구성될 수 있다.
여기서, 과거 데이터에는 과거 샘플 중 과거 발주 대상으로 선택된 제품을 나타낸 과거 선택 데이터, 과거 제품에 관한 정보를 나타낸 과거 제품 데이터, 과거 샘플 중 발주 대상으로 선택된 과거 제품의 발주량을 나타낸 과거 발주 데이터 및 과거 제품의 선택 및 발주에 영향을 준 과거 제품 연관 데이터가 포함될 수 있다.
이하, 상술한 신경망 모델의 학습과 관련하여 도 3 및 도 4를 참조하여 설명한다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 신경망 모델을 나타낸 예시도이다.
도 3을 참조하면, 발주 예측 서버(100)는 과거 제품 이미지에 각각 대응되는 과거 제품 데이터, 과거 발주 데이터 및 과거 제품 연관 데이터를 레이블링한 후, 레이블링된 제품 이미지들을 하나의 학습 데이터 셋(31)으로 이용될 수 있다.
또한, 제1 신경망 모델(30-1)에 레이블링된 제품 이미지들이 학습 데이터 셋(31)으로 입력되면, 입력된 제품 이미지에 포함된 다양한 특징 값들은 각각의 합성곱 레이어(Convolution layer) 별로 결정된 필터와의 연산을 통해 새로운 특징 맵의 형태로 출력되며, 레이어 별 반복 연산을 통해 생성된 최종 특징 맵은 완전 연결 레이어(Fully-connected layer)로 입력되어 평탄화 되며, 소프트맥스(softmax) 함수를 이용해 예측 데이터를 산출하도록 학습될 수 있다. 여기서, 예측 데이터에는 예측 선택 데이터 및 예측 발주 데이터가 포함되며, 예측 선택 데이터는 샘플 마다 발주 대상 제품으로 선택될 확률 값들이 포함된 예측 선택 데이터와 제품의 예측된 발주량이 포함된 예측 발주 데이터가 포함될 수 있다.
즉, 제1 신경망 모델(30-1)은 과거 제품 데이터(과거 제품의 종류, 크기, 색상 및 브랜드 등), 과거 제품 연관 데이터(과거 제품이 판매된 시즌 정보, 기상 정보 및 날짜 정보 등), 과거 선택 데이터 및 과거 발주 데이터가 제품 이미지 내 특징화되어 시각화된 기준 정보를 추출하는 레이어와 추출된 기준 정보와 제품 이미지와의 상관 관계를 통해 발주 대상이 되는 제품 선택 및 제품의 발주량에 영향 정도를 학습하여 출력하는 레이어로 구성되어 예측 선택 데이터와 예측 발주 데이터를 포함하는 예측 데이터를 산출하도록 발주처 별로 학습될 수 있다.
또한, 발주 예측 서버(100)는 제품의 종류별로 구분된 학습 데이터 셋을 이용하여 신경망 모델을 학습시킬 수도 있다.
이와 관련하여 도 4를 참조하면, 발주 예측 서버(100)는 과거 제품 이미지에 각각 대응되는 과거 제품 데이터, 과거 발주 데이터 및 과거 제품 연관 데이터를 레이블링한 후, 레이블링된 제품 이미지들을 제품의 종류 별로 구분된 학습 데이터 셋(41, 42)을 이용하여 신경망 모델(30-2)을 학습시킬 수 있다.
즉, 신경망 모델은 제품의 종류를 구분하지 않고 학습된 제1 신경망 모델(30-1)과 제품의 종류를 구분하여 학습된 제2 신경망 모델(30-2)로 구성될 수 있다.
한편, 발주 예측 서버(100)는 과거 판매 데이터와 과거 발주 데이터의 차이가 기준값 이하인 경우, 기 결정된 기준에 따라 발주 가중치를 산출하여 과거 발주 데이터에 반영할 수 있다. 여기서, 기준값은 과거 발주 데이터의 크기에 따라 가변적으로 결정될 수 있으며, 기 결정된 기준은 과거 판매 데이터와 과거 발주 데이터 간의 차이 정도에 따라 가변적으로 결정될 수 있다.
즉, 신경망 모델은 과거 판매 데이터와 과거 발주 데이터의 차이가 기준값 이하인 경우, 발주 가중치가 반영된 과거 발주 데이터를 이용하여 학습될 수 있다.
다시, 도 2를 참조하면, 예측 데이터 산출 단계(S200)에서 발주 예측 서버(100)는 제품 간의 상관 관계 여부에 따라 제1 신경망 모델(30-1) 또는 제2 신경망 모델(30-2)을 택일적으로 선택할 수 있다. 여기서, 제품 간의 상관 관계 여부는 제1 신경망 모델(30-1) 또는 제2 신경망 모델(30-2)을 선택하는 기준으로, 제품의 구성에 따라 가변적으로 결정될 수 있다.
또한, 예측 데이터 산출 단계(S200)에서 제2 신경망 모델(30-2)이 선택된 경우, 발주 예측 서버(100)는 구분하여 제2 신경망 모델(30-2)에 입력하여 제품의 종류별로 예측 선택 데이터와 예측 발주 데이터를 산출할 수 있다.
예를 들어, 샘플 내 제품이 상의와 하의로 구성된 경우, 발주 예측 서버(100)는 각 제품 간의 상관 관계가 있다고 판단하여 제1 신경망 모델(30-1)을 선택할 수 있으며, 샘플 내 제품이 속옷과 모자로 구성된 경우, 발주 예측 서버(100)는 각 제품 간의 상관 관계가 없다고 판단하여 제2 신경망 모델(30-2)을 선택할 수 있다.
즉, 발주 예측 서버(100)는 제품이 의류인 경우에는 코디할 때 함께 고려되는 제품들은 서로 상관 관계가 있다고 판단할 수 있으며, 제품이 전자제품인 경우에는 함께 이용되는 제품들은 서로 상관 관계가 있다고 판단할 수 있다.
그리고, 발주 예측 서버(100)는 발주처 별로 생성된 예측 선택 데이터 및 예측 발주 데이터를 기초로 트렌드 가중치를 산출할 수 있다(S300). 여기서, 트렌드 가중치는 여러 발주처(200) 마다 예측된 제품 선택 및 발주량의 방향성에 따라 결정된 가중치를 의미한다.
구체적으로, 발주 예측 서버(100)는 발주처 별로 생성된 예측 선택 데이터 및 예측 발주 데이터 간의 평균값이 높을수록 트렌드 가중치를 높게 산출하고, 낮을수록 트렌드 가중치를 낮게 산출할 수 있다.
즉, 발주 예측 서버(100)는 여러 발주처(200)에서 선택될 것으로 예측되는 제품이나 발주량이 많을 것으로 예측되는 제품일수록 트렌드 가중치를 높게 산출할 수 있다.
그리고, 발주 예측 서버(100)는 산출된 트렌드 가중치를 예측 선택 데이터 및 예측 발주 데이터에 반영할 수 있다(S400).
다음, 발주 예측 서버(100)는 발주처 별로 산출된 예측 선택 데이터 및 예측 발주 데이터를 기초로 외부 업체에 상기 제품을 발주할 수 있다(S500). 여기서, 예측 선택 데이터 및 예측 발주 데이터에는 트렌드 가중치가 반영된 데이터일 수 있다.
구체적으로, 발주 예측 서버(100)는 예측 선택 데이터 및 예측 발주 데이터를 기초로 샘플 중 발주할 제품을 선택하고, 해당 제품의 발주량을 결정하여 외부 업체(300)에 발주할 수 있다. 이때, 발주 예측 서버(100)는 예측 선택 데이터 내 제품 선택 확률값이 기준값 이하인 제품에 대해서는 발주하지 않을 수 있다.
이어서, 도 5를 참조하여, 발주 예측 서버(100)의 발주 예측 방법을 보다 구체적으로 설명한다.
도 5는 본 발명의 일 실시예에 따른 인공지능 기반의 제품 발주 예측 방법을 나타낸 흐름도이다.
도 5를 참조하면, 발주 예측 서버(100)는 발주처들(200)로부터 과거 제품에 관련된 과거 데이터들을 전송받을 수 있다(S1010). 구체적으로, 발주처들(200)로부터 과거 선택 데이터, 과거 제품 데이터 및 과거 발주 데이터 등을 전송받을 수 있으며, 발주 예측 서버(100)는 유관 기관으로부터 과거 제품 연관 데이터를 요청하여 전송받을 수 있다.
그리고, 발주 예측 서버(100)는 과거 데이터들을 기초로 신경망 모델을 학습시킬 수 있다(S1020).
다음, 발주 예측 서버(100)는 외부 업체(300)로부터 제품의 샘플을 요청(S1030)하여 샘플을 제공받을 수 있다(S1040).
그리고, 발주 예측 서버(100)는 제공받은 샘플을 발주처들(200)로 제공(S1050)하고, 샘플에 대응되는 제품 데이터와 제품 발주에 연관된 제품 연관 데이터를 획득할 수 있다(S1060). 구체적으로, 발주 예측 서버(100)는 샘플을 기초로 제품 데이터를 획득하거나 외부 업체(300)로부터 샘플에 대응되는 제품 데이터를 제공받을 수 있다. 또한, 발주 예측 서버(100)는 유관 기관으로부터 제품 연관 데이터를 획득할 수 있다.
다음, 발주 예측 서버(100)는 기 학습된 신경망 모델을 이용하여 예측 선택 데이터 및 예측 발주 데이터를 산출할 수 있다(S1070).
그리고, 발주 예측 서버(100)는 발주처 별로 생성된 예측 선택 데이터 및 예측 발주 데이터를 기초로 트렌드 가중치를 산출(S1080)하고, 생성된 예측 선택 데이터 및 예측 발주 데이터에 반영할 수 있다(S1090).
다음, 발주 예측 서버(100)는 트렌드 가중치가 반영된 예측 선택 데이터 및 예측 발주 데이터를 기초로 외부 업체(300)로 제품을 발주(S1100)하고, 발주 요청된 제품을 제공받을 수 있다(S1110).
그리고, 발주 예측 서버(100)는 발주처(200)로부터 샘플에 대한 선택 데이터 및 발주 데이터를 전송(S1120)받고, 전송받은 발주처(200) 별 선택 데이터 및 발주 데이터를 기초로 제품을 제공할 수 있다(S1130).
즉, 발주 예측 서버(100)는 발주처(200)의 제품 요청에 따라 산출된 예측 데이터를 기초로 선주문된 제품을 발주처(200)로 제공할 수 있다.
이하, 도 6을 참조하여, 발주 예측 서버(100)의 구성에 대해 설명한다.
도 6은 본 발명의 일 실시예에 따른 발주 예측 서버(100)의 구성을 나타낸 블록도이다.
도 6을 참조하면, 발주 예측 서버(100)는 데이터 획득부(110), 가중치 산출부(120), 저장부(130), AI 프로세서(140) 및 제품 발주 요청부(150)을 모두 또는 일부를 포함할 수 있다.
데이터 획득부(110)는 발주 예측 서버(100)에 필요한 여러 데이터를 획득할 수 있다.
구체적으로, 데이터 획득부(110)는 샘플에 대응되는 제품 데이터와 제품 발주에 연관된 제품 연관 데이터를 획득하거나 과거 제품에 대한 과거 데이터들을 획득할 수 있다.
가중치 산출부(120)는 발주 예측 서버(100)에 필요한 여러 가중치를 산출할 수 있다.
구체적으로, 가중치 산출부(120)는 과거 판매 데이터와 과거 발주 데이터의 차이가 기준값 이하인 경우, 발주 가중치를 산출할 수 있다.
또한, 가중치 산출부(120)는 발주처 별로 생성된 예측 선택 데이터 및 예측 발주 데이터를 기초로 트렌드 가중치를 산출할 수 있다.
저장부(130)에는 발주 예측 서버(100)의 동작에 필요한 여러 데이터가 저장될 수 있다.
구체적으로, 저장부(130)에는 과거 데이터, 제품 데이터, 제품 연관 데이터와 같이 획득된 데이터가 저장될 수 있다.
또한, 저장부(130)에는 산출된 트렌드 가중치, 발주 가중치, 발주처 별 산출된 예측 선택 데이터 및 예측 발주 데이터가 저장될 수 있다.
또한, 저장부(140)에는 학습데이터와 여러 신경망 모델이 저장될 수 있으며, 신경망 모델 기반의 제품 발주 예측 방법을 실행하기 위한 프로그램 코드가 기록된 컴퓨터가 판독 가능한 기록 매체에 기록된 프로그램이 저장될 수도 있다.
AI 프로세서(140)는 신경망 모델을 학습시키고, 학습된 신경망 모델을 이용하여 여러 예측 데이터를 산출할 수 있다.
구체적으로, AI 프로세서(140)는 과거 제품 이미지에 각각 대응되는 과거 제품 데이터, 과거 발주 데이터 및 과거 제품 연관 데이터를 레이블링한 후, 레이블링된 제품 이미지들을 하나의 학습 데이터 셋 또는 제품 종류에 따라 구분된 학습 데이터 셋을 이용하여 예측 데이터를 산출하도록 신경망 모델을 학습시킬 수 있다.
또한, AI 프로세서(140)는 제품 간의 상관 관계 여부에 따라 제1 신경망 모델(30-1) 또는 제2 신경망 모델(30-2)을 택일적으로 선택하고, 선택된 신경망 모델에 제품 데이터 및 제품 연관 데이터를 입력하여 샘플 중 발주 대상이 되는 제품을 선택한 예측 선택 데이터와 예측 선택 데이터에 대응되는 제품의 예측 발주 데이터를 산출할 수 있다. 이때, AI 프로세서(140)는 산출된 트렌드 가중치를 예측 선택 데이터 및 상기 예측 발주 데이터에 반영할 수 있다.
제품 발주 요청부(150)는 발주처 별 예측 선택 데이터 및 예측 발주 데이터를 기초로 외부 업체(300)에 제품을 발주할 수 있다.
한편, 발주 예측 서버(100)의 각 구성의 동작과 관련한 상세한 설명은 상술한 바 생략한다.
상술한 본 발명에 따르면, 신경망 모델을 이용하여 제품의 예측 선택 데이터및 예측 발주 데이터를 산출하여 매 시즌 별 발주처 들의 수요를 예측할 수 있다.
또한, 본 발명은 발주처(200) 별 과거 데이터를 기초로 학습된 신경망 모델을 이용함으로써, 발주처(200) 별로 선택될 제품 및 발주량을 보다 정확하게 예측할 수 있다.
또한, 본 발명은 예측 발주 데이터를 기초로 외부 업체(300)에 선주문하여 제품의 물량 확보할 수 있으며, 제품의 가격 경쟁력을 확보할 수도 있다.
또한, 본 발명은 예측 선택 데이터 및 예측 발주 데이터를 기초로 효율적인 재고 관리를 수행할 수 있다.
나아가, 여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어 모듈 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 씌여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리 모듈에 저장되고, 제어모듈에 의해 실행될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 인공지능 기반의 제품 발주 예측 방법에 있어서,
    샘플에 대응되는 제품 데이터를 획득하는 단계;
    상기 제품 데이터를 기초로 제품의 종류에 따라 결정된 기능 또는 코디(coordination) 상의 상관 관계의 여부에 따라 제1 신경망 모델 및 제2 신경망 모델을 중 적어도 하나를 선택하는 단계;
    발주처 별로 기 학습된 신경망 모델들 중 선택된 상기 제1 신경망 모델 또는 제2 신경망 모델에 상기 제품 데이터를 입력하여 상기 샘플 중 발주 대상이 되는 제품을 선택한 예측 선택 데이터 및 상기 예측 선택 데이터에 대응되는 제품의 예측 발주 데이터를 상기 발주처 별로 산출하는 단계;
    발주처 별로 생성된 상기 예측 선택 데이터 내 제품 선택 확률값에 따라 상관 관계를 갖는 제품의 상기 예측 발주 데이터의 발주량의 평균값에 따라 트렌드 가중치를 산출하는 단계; 및
    상기 산출된 트렌드 가중치를 상기 예측 선택 데이터 및 상기 예측 발주 데이터에 반영하는 단계;를 포함하고,
    상기 제1 신경망 모델과 제2 신경망 모델은 발주처 별로 과거 선택 데이터, 과거 제품 데이터, 과거 발주 데이터 및 과거 제품 연관 데이터를 하나의 학습 데이터 셋으로 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 산출하도록 학습된 것이고,
    상기 제1 신경망 모델은 제품의 종류 별로 구분되지 않은 학습 데이터 셋으로 학습되고, 제2 신경망 모델은 제품의 종류 별로 구분된 학습 데이터 셋으로 학습되며, 상기 제1 신경망 모델 및 제2 신경망 모델은 과거 판매 데이터와 과거 발주 데이터의 차이가 기준값 이하인 경우, 기 설정된 기준에 따라 발주 가중치가 반영된 과거 발주 데이터를 이용하여 학습되며,
    상기 기준값은 과거 발주 데이터의 발주량 크기에 따라 가변적으로 결정되는 것을 특징으로 하는 인공지능 기반의 제품 발주 예측 방법.
  2. 제 1 항에 있어서,
    상기 발주처 별로 산출된 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 외부 업체에 상기 제품을 발주하는 단계;를 더 포함하는 것을 특징으로 하는 인공지능 기반의 제품 발주 예측 방법.
  3. 제 2 항에 있어서,
    상기 제품 데이터에는 대응되는 제품의 이미지, 종류 및 브랜드가 포함되고,
    상기 제품 연관 데이터에는 시즌 정보, 기상 정보 및 날짜 정보가 포함되는 것을 특징으로 하는 인공지능 기반의 제품 발주 예측 방법.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제 1 항에 있어서,
    상기 발주하는 단계는
    상기 트렌드 가중치가 반영된 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 상기 제품을 발주하는 것을 특징으로 하는 인공지능 기반의 제품 발주 예측 방법.
  8. 인공지능 기반의 제품 발주 예측 서버에 있어서,
    샘플에 대응되는 제품 데이터를 획득하는 데이터 획득부;
    상기 제품 데이터를 기초로 제품의 종류에 따라 결정된 기능 또는 코디(coordination) 상의 상관 관계의 여부에 따라 제1 신경망 모델 및 제2 신경망 모델을 중 적어도 하나를 선택하고,
    발주처 별로 기 학습된 신경망 모델 중 선택된 상기 제1 신경망 모델 또는 제2 신경망 모델에 상기 제품 데이터를 입력하여 상기 샘플 중 발주 대상이 되는 제품을 선택한 예측 선택 데이터 및 상기 예측 선택 데이터에 대응되는 제품의 예측 발주 데이터를 산출하는 AI 프로세서; 및
    발주처 별로 생성된 상기 예측 선택 데이터 내 제품 선택 확률값에 따라 상관 관계를 갖는 제품의 상기 예측 발주 데이터의 발주량의 평균값에 따라 트렌드 가중치를 산출하는 가중치 산출부;를 포함하고,
    상기 AI 프로세서는 상기 산출된 트렌드 가중치를 상기 예측 선택 데이터 및 상기 예측 발주 데이터에 반영하며,
    상기 제1 신경망 모델과 제2 신경망 모델은 발주처 별로 과거 선택 데이터, 과거 제품 데이터, 과거 발주 데이터 및 과거 제품 연관 데이터를 하나의 학습 데이터 셋으로 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 산출하도록 학습된 것이고,
    상기 제1 신경망 모델은 제품의 종류 별로 구분되지 않은 학습 데이터 셋으로 학습되고, 제2 신경망 모델은 제품의 종류 별로 구분된 학습 데이터 셋으로 학습되며, 상기 제1 신경망 모델 및 제2 신경망 모델은 과거 판매 데이터와 과거 발주 데이터의 차이가 기준값 이하인 경우, 기 결정된 기준에 따라 발주 가중치가 반영된 과거 발주 데이터를 이용하여 학습되며,
    상기 기준값은 과거 발주 데이터의 발주량 크기에 따라 가변적으로 결정되는 것을 특징으로 하는 인공지능 기반의 제품 발주 예측 서버.
  9. 제 8 항에 있어서,
    발주처 별 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 외부 업체에 상기 제품을 발주하는 제품 발주 요청부;를 더 포함하는 것을 특징으로 하는 인공지능 기반의 제품 발주 예측 서버.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제 8 항에 있어서,
    상기 제품 발주 요청부는
    상기 트렌드 가중치가 반영된 상기 예측 선택 데이터 및 상기 예측 발주 데이터를 기초로 상기 제품을 발주하는 것을 특징으로 하는 인공지능 기반의 제품 발주 예측 서버.
  14. 제 1 항 내지 제 3 항 및 제 7 항 중 어느 한 항에 따른 인공지능 기반의 제품 발주 예측 방법을 수행하는 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체.
  15. 제 1 항 내지 제 3 항 및 제 7 항 중 어느 한 항에 따른 인공지능 기반의 제품 발주 예측 방법을 실행시키기 위한 프로그램 코드를 포함하는 컴퓨터 판독 가능한 기록 매체에 저장된 프로그램.
KR1020220115384A 2022-09-14 2022-09-14 인공지능 기반의 제품 발주 예측 방법 및 서버 KR102647892B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220115384A KR102647892B1 (ko) 2022-09-14 2022-09-14 인공지능 기반의 제품 발주 예측 방법 및 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220115384A KR102647892B1 (ko) 2022-09-14 2022-09-14 인공지능 기반의 제품 발주 예측 방법 및 서버

Publications (1)

Publication Number Publication Date
KR102647892B1 true KR102647892B1 (ko) 2024-03-15

Family

ID=90272643

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220115384A KR102647892B1 (ko) 2022-09-14 2022-09-14 인공지능 기반의 제품 발주 예측 방법 및 서버

Country Status (1)

Country Link
KR (1) KR102647892B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102196554B1 (ko) * 2019-09-09 2020-12-29 최병록 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치
KR20220043003A (ko) * 2020-09-28 2022-04-05 주식회사 굿플레이스 무인매장의 상품 자동발주 서비스 제공방법, 서버 및 컴퓨터프로그램
KR20220076013A (ko) * 2020-11-30 2022-06-08 푸드팡 주식회사 Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템
JP2022108172A (ja) * 2021-01-12 2022-07-25 株式会社野村総合研究所 商品発注支援システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102196554B1 (ko) * 2019-09-09 2020-12-29 최병록 인공지능 모델을 이용한 물류창고의 아이템별 출고량 예측 방법 및 장치
KR20220043003A (ko) * 2020-09-28 2022-04-05 주식회사 굿플레이스 무인매장의 상품 자동발주 서비스 제공방법, 서버 및 컴퓨터프로그램
KR20220076013A (ko) * 2020-11-30 2022-06-08 푸드팡 주식회사 Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템
JP2022108172A (ja) * 2021-01-12 2022-07-25 株式会社野村総合研究所 商品発注支援システム

Similar Documents

Publication Publication Date Title
CN112487278A (zh) 推荐模型的训练方法、预测选择概率的方法及装置
Şen et al. Pre-selection of suppliers through an integrated fuzzy analytic hierarchy process and max-min methodology
Chan et al. Global supplier development considering risk factors using fuzzy extended AHP-based approach
Mastrocinque et al. A multi-objective optimization for supply chain network using the bees algorithm
Wen A knowledge-based intelligent electronic commerce system for selling agricultural products
US20160140519A1 (en) Aggregating system
CN107766547A (zh) 电子书推荐方法、电子设备及计算机存储介质
CN113508378A (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
US20210264448A1 (en) Privacy preserving ai derived simulated world
CN107437137A (zh) 供应链中的风险识别
Becker et al. ANP-based analysis of ICT usage in Central European enterprises
KR102445457B1 (ko) 물품 구매 요청에 대한 판매 제안 방식을 기반으로 한 구매자 및 판매자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
US20220138686A1 (en) System and methods for transfer path optimization
KR102546871B1 (ko) 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템
KR102554580B1 (ko) 인공지능 모델 기반 식자재 및 부자재의 유통 주문 히스토리의 패턴 분석을 통한 물류 창고의 안전 재고량의 추정 및 주문 알람 서비스 제공 방법, 장치 및 시스템
Nanda et al. A multi-agent coalition-based approach for order fulfilment in e-commerce
Jinturkar et al. Fuzzy-AHP approach to improve effectiveness of supply chain
KR102647892B1 (ko) 인공지능 기반의 제품 발주 예측 방법 및 서버
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
KR20220001618A (ko) 빅데이터 기반의 그룹 단위의 상품 추천 방법, 장치 및 시스템
CN116595390A (zh) 商品信息处理方法及电子设备
CN115049437A (zh) 家居资源交互方法、装置、计算机设备
US20210200983A1 (en) Information Processing Apparatus, Information Processing Method and Non-Transitory Computer-Readable Storage Medium
Chen et al. Identifying ambient service location problems and its application using a humanized computing model
JP6686208B1 (ja) 情報処理装置、情報処理方法、及びプログラム

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant