KR102650597B1

KR102650597B1 - Order processing and inventory management methods, devices and systems for online distribution and sales agricultural and marine products and processed foods

Info

Publication number: KR102650597B1
Application number: KR1020230152399A
Authority: KR
Inventors: 임옥자
Original assignee: 주식회사 순수스토리
Priority date: 2023-11-07
Filing date: 2023-11-07
Publication date: 2024-03-22

Abstract

본 개시의 일 실시예에 따른, 장치에 의해 수행되는 인공지능 기반 농수산물 및 가공식품의 온라인 유통 판매를 위한 주문 처리 및 재고 관리 방법은, 사용자의 식품 주문 내역을 추출하는 단계, 상기 식품 주문 내역을 제1 인공지능 모델에 입력하고, 상기 제1 인공지능 모델의 입력에 대한 출력으로, 상기 사용자에게 추천할 농수산물 및 가공식품을 포함하는 제1 추천 식품에 대한 정보를 생성하는 단계, 상기 사용자의 상기 식품 주문 내역에서 같은 카테고리에 속하는 식품별로 제1 식품 그룹을 생성하는 단계, 상기 제1 식품 그룹과 상기 제1 추천 식품의 상관 관계 수치를 연산하는 단계, 상기 상관 관계 수치가 가장 높은 값을 가지는 상기 제1 추천 식품을 상기 제1 식품 그룹과 매칭하는 단계, 상기 사용자의 상기 식품 주문 내역에 기초하여 주문 횟수가 많은 순서로 상기 제1 식품 그룹의 우선 순위 정보를 생성하는 단계, 상기 사용자에게 추천할 상기 제1 추천 식품의 추천 순서를 상기 제1 식품 그룹의 우선 순위 정보에 기초하여 결정하는 단계 및 상기 추천 순서로 상기 제1 추천 식품에 대한 정보를 포함하는 메세지를 상기 사용자의 단말기에 전송하는 단계를 포함하는, 장치에 의해 수행되는 인공지능 기반 농수산물 및 가공식품의 온라인 유통 판매를 위한 주문 처리 및 재고 관리 방법.According to an embodiment of the present disclosure, an order processing and inventory management method for online distribution and sales of artificial intelligence-based agricultural and marine products and processed food performed by a device includes extracting the user's food order details, and extracting the food order details. inputting information to a first artificial intelligence model, and generating information about a first recommended food including agricultural and marine products and processed foods to be recommended to the user as an output of the input of the first artificial intelligence model, Creating a first food group for each food belonging to the same category in the food order history, calculating a correlation value between the first food group and the first recommended food, and calculating a correlation value between the first food group and the first recommended food, the correlation value having the highest value. Matching a first recommended food with the first food group, generating priority information of the first food group in order of the number of orders based on the food order history of the user, recommending to the user Determining a recommendation order of the first recommended foods based on priority information of the first food group and transmitting a message containing information about the first recommended foods to the user's terminal in the recommendation order. An order processing and inventory management method for online distribution and sales of artificial intelligence-based agricultural and marine products and processed foods performed by a device, including.

Description

Order processing and inventory management method, device and system for online distribution and sales of agricultural and marine products and processed food {ORDER PROCESSING AND INVENTORY MANAGEMENT METHODS, DEVICES AND SYSTEMS FOR ONLINE DISTRIBUTION AND SALES AGRICULTURAL AND MARINE PRODUCTS AND PROCESSED FOODS}

본 문서에 개시된 다양한 실시예들은, 농수산물 및 가공식품의 온라인 유통 판매를 위한 주문 처리 및 재고 관리 방법, 장치 및 시스템에 관한 것이다.Various embodiments disclosed in this document relate to order processing and inventory management methods, devices, and systems for online distribution and sales of agricultural and marine products and processed foods.

최근의 상품 유통시장은 대형마트, 백화점 등에 의해 대형화, 집약화 되고 있으며, 상대적으로 대형 유통 업체에 납품하지 못하는 기업은 영세성을 면하지 못하는 상황이 계속되고 있다. 앞으로도 이러한 흐름을 계속될 것으로 예상되며, 상대적으로 열악한 재정, 인력 자원을 갖는 중소기업은 그 경쟁이 더욱 치열해지고, 판로 개척에 지속적인 어려움이 계속될 것으로 예상된다. Recently, the product distribution market has become larger and more concentrated through large supermarkets and department stores, and companies that cannot supply to large distribution companies continue to face small business. This trend is expected to continue in the future, and competition among small and medium-sized businesses with relatively poor financial and human resources is expected to become more intense and continued difficulties in developing sales channels are expected to continue.

또한, 다양한 업체의 상품을 유통하는 유통업자 입장에서도 모든 기업의 제품 정보를 알기는 어려우며, 더욱이 각각의 제품을 모두 평가하기는 더욱 어려워 우수한 상품을 선택하여 유통시키는 데에는 한계가 있는 실정이다. 따라서, 중소기업은 중소기업 간의 경쟁이 더욱 치열해지는 상황에서 좋은 제품을 개발하더라도 적합한 유통업자를 찾아 접촉하기가 매우 어려우며, 유통업자 측에서도 중소기업의 상품이 다른 상품과 비교하여 얼마나 우수 성이 있는지를 객관적으로 판단하기 어려워 중소기업 상품의 구매결정에 어려움을 겪고 있고, 이에 따라, 중소 기업의 경영 악화는 더욱 심화되고 있다.In addition, it is difficult for distributors who distribute products from various companies to know the product information of all companies, and it is even more difficult to evaluate each product, so there are limitations in selecting and distributing excellent products. Therefore, it is very difficult for small and medium-sized businesses to find and contact suitable distributors even if they develop good products in a situation where competition among small and medium-sized businesses is becoming more intense, and it is difficult for distributors to objectively judge how superior their products are compared to other products. It is difficult to make purchasing decisions for small and medium-sized businesses, and as a result, the deterioration in the management of small and medium-sized businesses is worsening.

한편, 최근 몇 년간 국내 식자재 산업의 성장과 함께 주요 식자재 유통물류 기업들은 저마다 크고 작은 성장을 하고 있다. 식자재 유통물류 기업들은 공급망 관리 시스템을 구축하고자 하는 노력이 이루어지고 있다.Meanwhile, along with the growth of the domestic food ingredients industry in recent years, major food ingredients distribution and logistics companies are each growing in large or small ways. Food material distribution and logistics companies are making efforts to establish a supply chain management system.

공급망 관리(供給網管理, supply chain management, SCM)란 부품 제공업자로부터 생산자, 배포자, 고객에 이르는 물류의 흐름을 하나의 가치사슬 관점에서 파악하고 필요한 정보가 원활히 흐르도록 지원하는 시스템을 말한다. 기업 내에 부문별 최적화나 개별 기업단위의 최적화에서 탈피하여 공급망의 구성요소들 간에 이루어지는 전체프로세스 최적화를 달성하고자 하는 경영혁신기법이다.Supply chain management (SCM) refers to a system that understands the flow of logistics from parts providers to producers, distributors, and customers from a single value chain perspective and supports the smooth flow of necessary information. It is a management innovation technique that seeks to achieve overall process optimization among supply chain components by breaking away from sector-specific optimization or individual company-level optimization within a company.

한국특허출원 10-2023-0051307 호Korean Patent Application No. 10-2023-0051307 한국특허출원 10-2022-0175469호Korean Patent Application No. 10-2022-0175469 한국특허출원 10-2023-0049767호Korean Patent Application No. 10-2023-0049767 한국특허출원 10-2021-0122265호Korean Patent Application No. 10-2021-0122265

농수산물 및 가공식품을 판매하는 도, 소매업자들이 온라인 유통 판매를 할 때 사용자의 니즈(needs, 요구)에 맞는 물품을 제공하여야 할 필요성이 있다. 도, 소매업자들이 농수산물 및 가공식품을 온라인 유통 플랫폼에 등록한 물품이 사용자가 찾지 않는 물품이라면, 농수산물 및 가공식품을 생산, 가공, 판매하는 도, 소매업자들에게 손해가 발생될 수 있다. When provinces and retailers selling agricultural and marine products and processed food distribute and sell online, there is a need to provide products that meet the needs of users. If the products that provinces and retailers register on online distribution platforms for agricultural and marine products and processed foods are products that users are not looking for, losses may occur to provinces and retailers that produce, process and sell agricultural and marine products and processed foods.

본 개시의 일 실시예에 따르면, 사용자(예: 소비자)가 온라인 플랫폼에서 주문한 식품 주문 내역을 인공지능 모델에 학습시켜 사용자에게 필요할 농수산물 및 가공식품을 추천하는 방법을 제시할 수 있다. 이를 통해, 농수산물 및 가공식품을 판매하는 도, 소매업자들은 온라인 유통 판매를 사용자의 니즈에 맞는 물품을 쉽게 제공할 수 있다.According to an embodiment of the present disclosure, a method of recommending agricultural and marine products and processed foods that a user (e.g., a consumer) may need by training an artificial intelligence model on food order details ordered from an online platform can be presented. Through this, provinces and retailers selling agricultural and marine products and processed foods can easily provide products that meet the needs of users through online distribution and sales.

도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른, 장치와 사용자 단말기가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
도 2는 본 개시의 일 실시예에 따른, 장치의 프로세서와 메모리의 관계를 설명하는 도면이다.
도 3은 본 개시의 일 실시예에 따른, 제1 인공지능 모델이 사용자의 식품 주문 내역에 기초하여 사용자에게 추천할 농수산물 및 가공식품을 포함하는 제1 추천 식품에 대한 정보를 생성하는 일련의 과정을 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른, 수학식 1을 통해 제1 식품 그룹과 제1 추천 식품의 상관 관계 수치를 연산하는 과정을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따른, 제1 추천 식품의 구매 횟수에 기초한 교정 수치를 수학식 1에 곱한 값을 통해 제1 추천 식품의 추천 우선 순위를 재설정하는 과정을 설명하는 도면이다.
도 6은 본 개시의 일 실시예에 따른, 제2 인공지능 모델이 사용자의 식품 주문 내역에 기초하여 사용자에게 추천할 음식과 음식의 조리법에 대한 정보를 생성하고, 음식의 조리법에 필요한 제2 추천 식품을 우선 순위를 정하여 사용자에게 제공하는 일련의 과정을 설명하는 도면이다.
도 7은 본 개시의 일 실시예에 따른, 수학식 2를 통해 제2 추천 식품의 추천 우선 순위를 결정하는 일련의 과정을 설명하는 도면이다.
도 8은 본 개시의 일 실시예에 따른, 제2 추천 식품의 구매 횟수에 기초한 교정 수치를 수학식 2에 곱한 값을 통해 제2 추천 식품의 추천 우선 순위를 재설정하는 과정을 설명하는 도면이다.In relation to the description of the drawings, identical or similar reference numerals may be used for identical or similar components.
1 is a diagram illustrating a state in which a device and a user terminal are communicatively connected through a network, according to an embodiment of the present disclosure.
FIG. 2 is a diagram illustrating the relationship between a processor and a memory of a device according to an embodiment of the present disclosure.
Figure 3 shows a series of processes in which a first artificial intelligence model generates information about first recommended foods including agricultural and marine products and processed foods to be recommended to a user based on the user's food order history, according to an embodiment of the present disclosure. This is a drawing explaining.
FIG. 4 is a diagram illustrating a process of calculating a correlation value between a first food group and a first recommended food through Equation 1, according to an embodiment of the present disclosure.
FIG. 5 is a diagram illustrating a process of resetting the recommendation priority of the first recommended food through Equation 1 multiplied by a correction value based on the number of purchases of the first recommended food, according to an embodiment of the present disclosure.
Figure 6 shows that, according to an embodiment of the present disclosure, a second artificial intelligence model generates information about food and food recipes to recommend to the user based on the user's food order history, and provides a second recommendation necessary for the food recipe. This is a diagram explaining the series of processes that prioritize food and provide it to users.
Figure 7 is a diagram illustrating a series of processes for determining the recommendation priority of a second recommended food through Equation 2, according to an embodiment of the present disclosure.
FIG. 8 is a diagram illustrating a process of resetting the recommendation priority of a second recommended food by multiplying Equation 2 by a correction value based on the number of purchases of the second recommended food, according to an embodiment of the present disclosure.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다. Hereinafter, embodiments will be described in detail with reference to the attached drawings. However, various changes can be made to the embodiments, so the scope of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents, or substitutes for the embodiments are included in the scope of rights.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for illustrative purposes only and may be modified and implemented in various forms. Accordingly, the embodiments are not limited to the specific disclosed form, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical spirit.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Terms such as first or second may be used to describe various components, but these terms should be interpreted only for the purpose of distinguishing one component from another component. For example, a first component may be named a second component, and similarly, the second component may also be named a first component.

어떤 구성요소가 다른 구성요소에 “연결되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.When a component is referred to as being “connected” to another component, it should be understood that it may be directly connected or connected to the other component, but that other components may exist in between.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the examples are for descriptive purposes only and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as “include” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as generally understood by a person of ordinary skill in the technical field to which the embodiments belong. Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and unless explicitly defined in the present application, should not be interpreted in an ideal or excessively formal sense. No.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, when describing with reference to the accompanying drawings, identical components will be assigned the same reference numerals regardless of the reference numerals, and overlapping descriptions thereof will be omitted. In describing the embodiments, if it is determined that detailed descriptions of related known technologies may unnecessarily obscure the gist of the embodiments, the detailed descriptions are omitted.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.Embodiments may be implemented in various types of products such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent vehicles, kiosks, and wearable devices.

일 실시예에서 인공지능(Artificial Intelligence, AI) 시스템(예: 도 3의 제1 인공지능 모듈, 도 6의 제2 인공지능 모듈)은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.In one embodiment, an artificial intelligence (AI) system (e.g., the first artificial intelligence module in FIG. 3 and the second artificial intelligence module in FIG. 6) is a computer system that implements human-level intelligence and uses existing rules (Rule). )-based smart system, this is a system in which the machine learns and makes decisions on its own. As artificial intelligence systems are used, recognition rates improve and sellers' tastes can be more accurately understood, and existing rule-based smart systems are gradually being replaced by deep learning-based artificial intelligence systems.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제 어 등의 기술 분야로 구성된다.Artificial intelligence technology consists of machine learning and element technologies using machine learning. Machine learning is an algorithmic technology that classifies/learns the characteristics of input data on its own, and elemental technology is a technology that mimics the functions of the human brain such as cognition and judgment by utilizing machine learning algorithms such as deep learning, including linguistic understanding and visual It consists of technical areas such as understanding, reasoning/prediction, knowledge expression, and movement control.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술 로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험 정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.The various fields where artificial intelligence technology is applied are as follows. Linguistic understanding is a technology that recognizes and applies/processes human language/characters and includes natural language processing, machine translation, conversation systems, question and answer, and voice recognition/synthesis. Visual understanding is a technology that recognizes and processes objects like human vision, and includes object recognition, object tracking, image search, person recognition, scene understanding, spatial understanding, and image improvement. Inferential prediction is a technology that judges information to make logical inferences and predictions, and includes knowledge/probability-based inference, optimization prediction, preference-based planning, and recommendation. Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data creation/classification) and knowledge management (data utilization). Motion control is a technology that controls the autonomous driving of vehicles and the movement of robots, and includes motion control (navigation, collision, driving), operation control (behavior control), etc.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.Generally, in order to apply machine learning algorithms to real life, learning is performed using a trial and error method due to the nature of the basic methodology of machine learning. In particular, deep learning requires hundreds of thousands of iterations. It is impossible to execute this in an actual physical external environment, so instead, the actual physical external environment is virtually implemented on a computer and learning is performed through simulation.

도 1은 본 개시의 일 실시예에 따른, 장치와 사용자 단말기가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다. 1 is a diagram illustrating a state in which a device and a user terminal are communicatively connected through a network, according to an embodiment of the present disclosure.

일 실시예에 따르면, 도 1에 도시된 것과 같이, 장치(100) 및 사용자 단말기(200)는 네트워크를 통해 통신적으로 연결될 수 있다. 일 실시예에서, 장치(100)는 통신 기능을 갖춘 연산 장치로 구현될 수 있다. 예를 들어, 장치(100)는 PC, 서버, 네트워크 라우터 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결되어 통신을 수행할 수 있는 다양한 형태의 장치로 구현될 수도 있다. According to one embodiment, as shown in FIG. 1, the device 100 and the user terminal 200 may be communicatively connected through a network. In one embodiment, device 100 may be implemented as a computing device with communication capabilities. For example, the device 100 may be implemented as a PC, a server, a network router, etc., but is not limited thereto, and may be implemented as various types of devices that can be connected to an external server and perform communication.

일 실시예에서, 장치(100)는 식자재를 온라인 유통 및 판매 플랫폼을 제공할 수 있다. 일 실시예에서, 사용자(예: 소비자)는 사용자 단말기(200)에 설치된 온라인 유통 및 판매 플랫폼을 통해 식자재를 구매할 수 있다. 일 실시예에서, 온라인 유통 및 판매 플랫폼은 농수산물 및 가공식품에 대한 식자재를 거래하는 플랫폼일 수 있다. In one embodiment, the device 100 may provide an online distribution and sales platform for food ingredients. In one embodiment, a user (eg, a consumer) may purchase food ingredients through an online distribution and sales platform installed on the user terminal 200. In one embodiment, the online distribution and sales platform may be a platform for trading food ingredients for agricultural and marine products and processed foods.

일 실시예에 따르면, 사용자 단말기(200)는 다양한 종류의 단말기일 수 있다. 일 실시예에서, 단말기는 PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트 폰(smartphone), 스마트 패드(smart pad), 타블렛 PC(Tablet PC) 등과 같이 통신 가능한 휴대통신기기를 포함할 수도 있다.According to one embodiment, the user terminal 200 may be various types of terminals. In one embodiment, the terminal includes Personal Communication System (PCS), Global System for Mobile communications (GSM), Personal Digital Cellular (PDC), Personal Handyphone System (PHS), Personal Digital Assistant (PDA), and International Mobile Telecommunication (IMT). -2000, CDMA (Code Division Multiple Access)-2000, W-CDMA (W-Code Division Multiple Access), Wibro (Wireless Broadband Internet) terminal, smart phone, smart pad, tablet PC It may also include portable communication devices capable of communication, such as a PC).

일 실시예에서, 사용자(예: 소비자)는In one embodiment, a user (e.g., consumer)

일 실시예에서, 네트워크는 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다. In one embodiment, the network may be configured regardless of the communication mode, such as wired or wireless, and may be implemented in various forms to enable communication between servers and between servers and terminals.

일 실시예에서, 네트워크는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망일 수 있으며, 인터넷(internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다. 예를 들어, 네트워크(10)는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5rd Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.In one embodiment, the network may be a communication network that is a high-speed backbone network of a large communication network capable of high-capacity, long-distance voice and data services, and may be a next-generation wired or wireless network for providing the Internet or high-speed multimedia services. For example, the network 10 may include RF, 3rd Generation Partnership Project (3GPP) network, Long Term Evolution (LTE) network, 5th Generation Partnership Project (5GPP) network, World Interoperability for Microwave Access (WIMAX) network, and Internet. ), LAN (Local Area Network), Wireless LAN (Wireless Local Area Network), WAN (Wide Area Network), PAN (Personal Area Network), Bluetooth network, NFC network, satellite broadcasting network, analog broadcasting network, DMB (Digital Multimedia Broadcasting) network, etc., but is not limited thereto.

도 2는 본 개시의 일 실시예에 따른, 장치의 프로세서와 메모리의 관계를 설명하는 도면이다.FIG. 2 is a diagram illustrating the relationship between a processor and a memory of a device according to an embodiment of the present disclosure.

일 실시예에서, 장치(100)는 장치(100)를 이용하여 서비스를 제공하는 개인 및/또는 단체가 보유한 자체 서버일수 있다. 일 실시예에서, 장치(100)는 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 일 실시예에서, 장치(100)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 일 실시예에서, 장치(100)는 적어도 하나의 전자 장비(예: 사용자 단말기(200))와 유무선으로 통신하도록 구성될 수 있다. 일 실시예에서, 장치(100)는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망(예: 도 3의 제1 인공지능 모델 및/또는 도 6의 제2 인공지능 모델)을 구비할 수 있다. 예를 들어, 장치(100)는 후술할 바와 같이, 사용자의 식품 주문 내역이 입력됨에 따라 사용자에게 추천할 농수산물 및 가공식품을 포함하는 제1 추천 식품에 대한 정보를 출력하도록 학습된 제1 인공지능 모델과, 사용자의 식품 주문 내역이 입력됨에 따라 사용자에게 추천할 음식 및 상기 음식의 조리법에 대한 정보를 생성하고, 음식의 조리법에 필요한 농수산물 및 가공식품을 포함하는 제2 추천 식품에 대한 정보를 출력하도록 학습된 제2 인공지능 모델을 포함할 수 있다.In one embodiment, device 100 may be its own server owned by an individual and/or organization that provides services using device 100. In one embodiment, device 100 may be a cloud server or a peer-to-peer (p2p) set of distributed nodes. In one embodiment, the device 100 may be configured to perform all or part of the calculation function, storage/reference function, input/output function, and control function of a typical computer. In one embodiment, device 100 may be configured to communicate wired or wirelessly with at least one electronic device (eg, user terminal 200). In one embodiment, the device 100 may be provided with at least one artificial neural network (eg, the first artificial intelligence model in FIG. 3 and/or the second artificial intelligence model in FIG. 6) that performs an inference function. For example, as will be described later, the device 100 uses a first artificial intelligence that is trained to output information about the first recommended food including agricultural and marine products and processed foods to be recommended to the user as the user's food order details are input. As the model and the user's food order details are entered, information about the food to be recommended to the user and the recipe for the food is generated, and information about the second recommended food including agricultural and marine products and processed foods required for the food recipe is output. It may include a second artificial intelligence model trained to do so.

일 실시예에서, 장치(100)는 프로세서(110) 및 메모리(120)를 포함한다. 프로세서(110)는 장치(100)의 동작을 실행시키는 구성일 수 있다. 메모리(220)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 프로세서(110)는 프로그램을 실행하고, 장치(100)를 제어할 수 있다. 프로세서(110)에 의하여 실행되는 프로그램의 코드는 메모리(120)에 저장될 수 있다. 장치(100)는 입출력 장치(미도시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.In one embodiment, device 100 includes processor 110 and memory 120. The processor 110 may be a component that executes the operation of the device 100. Memory 220 may be volatile memory or non-volatile memory. The processor 110 can execute programs and control the device 100. The code of the program executed by the processor 110 may be stored in the memory 120. The device 100 is connected to an external device (eg, a personal computer or a network) through an input/output device (not shown) and can exchange data through wired or wireless communication.

일 실시예에서, 장치(100)는 인공지능 모델을 학습시키거나, 학습된 인공지능 모델을 이용하는데 사용될 수 있다. 메모리(120)는 학습 중인 또는 학습된 인공지능 모델(예: 도 3의 제1 인공지능 모델 및 도 6의 제2 인공지능 모델)을 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 인공지능 모델의 알고리즘을 학습시키거나 실행시킬 수 있다. 인공지능 모델을 학습시키는 학습 장치와 학습된 인공 지능 모델을 이용하는 장치(100)는 동일할 수도 있고 개별적일 수도 있다.In one embodiment, device 100 may be used to train an artificial intelligence model or use a learned artificial intelligence model. The memory 120 may include an artificial intelligence model that is being learned or has been learned (eg, the first artificial intelligence model in FIG. 3 and the second artificial intelligence model in FIG. 6). The processor 110 may learn or execute the algorithm of the artificial intelligence model stored in the memory 120. The learning device that trains the artificial intelligence model and the device 100 that uses the learned artificial intelligence model may be the same or may be separate.

일 실시예에서, 인공지능(Artificial Intelligence, AI)(예: 도 3의 제1 인공지능 모델 및 도6의 제2 인공지능 모델))은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시 각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.In one embodiment, artificial intelligence (AI) (e.g., the first artificial intelligence model in Figure 3 and the second artificial intelligence model in Figure 6) imitates human learning ability, reasoning ability, perception ability, etc. , refers to technology that implements this on a computer, and may include concepts such as machine learning and symbolic logic. Machine Learning (ML) is an algorithmic technology that classifies or learns the characteristics of input data on its own. Artificial intelligence technology is a machine learning algorithm that analyzes input data, learns the results of the analysis, and makes judgments or predictions based on the results of the learning. Additionally, technologies that mimic the functions of the human brain, such as cognition and judgment, using machine learning algorithms can also be understood as the category of artificial intelligence. For example, technical fields such as verbal understanding, visual understanding, reasoning/prediction, knowledge representation, and motion control may be included.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.Machine learning can refer to the process of training a neural network model using experience processing data. Machine learning can mean that computer software improves its own data processing capabilities. A neural network model is built by modeling the correlation between data, and the correlation can be expressed by a plurality of parameters. A neural network model extracts and analyzes features from given data to derive correlations between data, and repeating this process to optimize the parameters of the neural network model can be called machine learning. For example, a neural network model can learn the mapping (correlation) between input and output for data given as input-output pairs. Alternatively, a neural network model may learn the relationships by deriving regularities between given data even when only input data is given.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스 트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.An artificial intelligence learning model or neural network model may be designed to implement the human brain structure on a computer, and may include a plurality of network nodes with weights that simulate neurons of a human neural network. A plurality of network nodes may have a connection relationship with each other by simulating the synaptic activity of neurons in which neurons exchange signals through synapses. In an artificial intelligence learning model, multiple network nodes are located in layers of different depths and can exchange data according to convolutional connection relationships. The artificial intelligence learning model may be, for example, an artificial neural network model (Artificial Neural Network), a convolution neural network (CNN) model, etc. As an example, an artificial intelligence learning model may be machine-learned according to methods such as supervised learning, unsupervised learning, and reinforcement learning. Machine learning algorithms for performing machine learning include Decision Tree, Bayesian Network, Support Vector Machine, Artificial Neural Network, and Ada-boost. ), Perceptron, Genetic Programming, Clustering, etc. can be used.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성 곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드 포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.Among them, CNN is a type of multilayer perceptrons designed to use minimal preprocessing. CNN consists of one or several convolution layers and general artificial neural network layers on top of them, and additionally utilizes weights and pooling layers. Thanks to this structure, CNN can fully utilize input data with a two-dimensional structure. Compared to other deep learning structures, CNN shows good performance in both video and audio fields. CNNs can also be trained via standard back propagation. CNNs have the advantage of being easier to train and using fewer parameters than other feed-forward artificial neural network techniques.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고 리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이 터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.Convolutional networks are neural networks that contain sets of nodes with bound parameters. The increasing size of available training data and the availability of computational power, combined with algorithmic advances such as piecewise linear unit and dropout training, have led to significant improvements in many computer vision tasks. For extremely large data sets, such as those available for many tasks today, overfitting is not critical, and increasing the size of the network improves test accuracy. Optimal use of computing resources becomes a limiting factor. For this purpose, distributed, scalable implementations of deep neural networks can be used.

도 3은 본 개시의 일 실시예에 따른, 제1 인공지능 모델이 사용자의 식품 주문 내역에 기초하여 사용자에게 추천할 농수산물 및 가공식품을 포함하는 제1 추천 식품에 대한 정보를 생성하는 일련의 과정을 설명하는 도면이다. Figure 3 shows a series of processes in which a first artificial intelligence model generates information about first recommended foods including agricultural and marine products and processed foods to be recommended to a user based on the user's food order history, according to an embodiment of the present disclosure. This is a drawing explaining.

일 실시예에 따르면, 도 3에 도시된 것과 같이, 사용자(예: 소비자)는 사용자 단말기(200)에 설치된 식품 온라인 유통 플랫폼을 통해 필요한 식자재를 구매할 수 있다. 일 실시예에서, 장치(100)에는 사용자의 식품 주문 내역이 저장될 수 있다. 예를 들어, 장치(100)의 데이터베이스에는 사용자의 식품 주문 내역이 저장될 수 있다. 일 실시예에서, 식품은 식자재, 농수산물, 가공식품 등 다양한 식품을 의미할 수 있다. 일 실시예에서, 장치(100)는 사용자의 식품 주문 내역을 추출하여 제1 인공지능 모델에 입력할 수 있다(S301). 일 실시예에서, 제1 인공지능 모델은 식품 주문 내역의 입력에 대한 출력으로써, 사용자에게 추천할 농수산물 및 가공식품을 포함하는 제1 추천 식품에 대한 정보를 생성할 수 있다(S302). 일 실시예에서, 제1 추천 식품은 사용자의 식품 주문 내역을 토대로 사용자가 자주 구입하는 식품과 관련도가 높은 식품일 수 있다. 예를 들어, 장치(100)는 사용자의 식품 주문 내역을 확인한 결과, 소고기에 대한 소비가 많은 경우, 돼지고기를 사용자에게 추천할 제1 추천 식품으로 선정할 수 있다. 또는, 사용자의 식품 주문 내역을 확인한 결과, 야채 소비를 하는 비건 스타일의 소비인 경우, 두부를 사용자에게 추천할 제1 추천 식품으로 선정할 수 있다.According to one embodiment, as shown in FIG. 3, a user (eg, consumer) may purchase necessary food ingredients through an online food distribution platform installed on the user terminal 200. In one embodiment, device 100 may store the user's food order details. For example, the user's food order details may be stored in the database of the device 100. In one embodiment, food may refer to various foods such as food ingredients, agricultural and marine products, and processed foods. In one embodiment, the device 100 may extract the user's food order details and input them into the first artificial intelligence model (S301). In one embodiment, the first artificial intelligence model may generate information about the first recommended food including agricultural and marine products and processed foods to be recommended to the user as an output in response to the input of food order details (S302). In one embodiment, the first recommended food may be a food that is highly related to food that the user frequently purchases based on the user's food order history. For example, as a result of checking the user's food order history, the device 100 may select pork as the first recommended food to recommend to the user if the user consumes a lot of beef. Alternatively, as a result of checking the user's food order history, if the consumer consumes vegetables in a vegan style, tofu may be selected as the first recommended food to be recommended to the user.

일 실시예에 따르면, 도 3에 도시된 것과 같이, 장치(100)는 식품 주문 내역에 포함된 식품 정보를 추출하고 같은 카테고리에 속하는 식품별로 제1 식품 그룹을 생성할 수 있다(S303). 일 실시예에서, 제1 식품 그룹은 사용자가 소비한 식품을 카테고리 별로 그룹화한 것일 수 있다. 예를 들어, 제1 식품 그룹은 고기 그룹, 어류 그룹, 구황작물 그룹으로 그룹핑될 수 있다. According to one embodiment, as shown in FIG. 3, the device 100 may extract food information included in the food order details and create a first food group for each food belonging to the same category (S303). In one embodiment, the first food group may be food consumed by the user grouped by category. For example, the first food group may be grouped into a meat group, a fish group, and a nine-year-old crop group.

일 실시예에서, 장치(300)(또는, 제1 인공지능 모델)는 제1 식품 그룹과 제1 추천 식품의 상관 관계 수치를 연산할 수 있다(S304). 일 실시예에서, 상관 관계 수치는 제1 식품 그룹과 제1 추천 식품의 유사도를 나타내는 수치일 수 있다. 예를 들어, 상관 관계 수치가 높을수록 제1 식품 그룹과 제1 추천 식품의 유사도가 높을 수 있다. 일 실시예에서, 장치(100)는 상관 관계 수치가 가장 높은 값을 가지는 제1 추천 식품을 제1 식품 그룹과 매칭할 수 있다(S305). 예를 들어, 제1 식품 그룹에 고기 그룹, 어류 그룹, 구황작물 그룹으로 카테고리화 된 경우, 유사도를 고려하여 고기 그룹과 매칭되는 제1 추천 식품으로서 장조림 캔, 돼지고기, 소고기, 닭고기를 선정하고, 어류 그룹과 매칭되는 제1 추천 식품으로서 참치캔, 고등어 구이를 선정하고 및 구황작물 그룹과 매칭되는 제1 추천 식품으로서 감자, 고구마, 당근이 선정되어 매칭될 수 있다. 상술한 제1 추천 식품은 예시이며, 다양한 추천 식품이 존재할 수 있다. 일 실시예에서, 장치(100)(또는, 제1 인공지능 모델)는 사용자의 식품 주문 내역에 기초하여 주문 횟수가 많은 순서로 제1 식품 그룹의 우선 순위 정보를 생성할 수 있다(S306). 예를 들어, 제1 식품 그룹에 고기 그룹, 어류 그룹, 구황작물 그룹이 있는 상태에서, 어류 그룹, 구황작물 그룹, 고기 그룹 순으로 주문 횟수가 많은 경우, 제1 식품 그룹의 우선 순위는 어류 그룹, 구황작물 그룹, 고기 그룹 순일 수 있다. 이후, 장치(100)(또는, 제1 인공지능 모델)는 사용자에게 추천할 제1 추천 식품의 추천 순서를 제1 식품 그룹의 우선 순위 정보에 기초하여 결정할 수 있다(S307). 예를 들어, 제1 식품 그룹의 우선 순위가 어류 그룹, 구황작물 그룹, 고기 그룹 순인 경우, 제1 추천 식품의 추천 순서는 참치캔, 감자, 장조림 캔 순일 수 있다. 장치(100)(또는, 제1 인공지능 모델)는 제1 추천 식품의 추천 순서에 기초하여 제1 추천 식품 정보를 포함하는 메시지를 사용자 단말기(200)에 전송할 수 있다(S308). 예를 들어, 사용자 단말기(200)에 설치된 식품 온라인 유통 플랫폼에 순차적으로 제1 추천 식품의 추천 순서에 기초하여 제1 추천 식품에 대한 정보를 순차적으로 알림 메시지를 제공할 수 있다.In one embodiment, the device 300 (or the first artificial intelligence model) may calculate a correlation value between the first food group and the first recommended food (S304). In one embodiment, the correlation value may be a value indicating the similarity between the first food group and the first recommended food. For example, the higher the correlation value, the higher the similarity between the first food group and the first recommended food. In one embodiment, the device 100 may match the first recommended food with the highest correlation value with the first food group (S305). For example, if the first food group is categorized into a meat group, a fish group, and a dried vegetable group, canned soybean paste, pork, beef, and chicken are selected as the first recommended food that matches the meat group by considering similarity; , canned tuna and grilled mackerel may be selected as the first recommended foods that match the fish group, and potatoes, sweet potatoes, and carrots may be selected and matched as the first recommended foods that match the nine-year-old crop group. The first recommended food described above is an example, and various recommended foods may exist. In one embodiment, the device 100 (or the first artificial intelligence model) may generate priority information for the first food group in order of the highest number of orders based on the user's food order history (S306). For example, if the first food group includes meat, fish, and fish group, and the number of orders is high in the order of fish group, fish group, and meat group, the priority of the first food group is the fish group. , nine yellow crop group, and meat group. Thereafter, the device 100 (or the first artificial intelligence model) may determine the recommendation order of the first recommended food to be recommended to the user based on the priority information of the first food group (S307). For example, if the priority of the first food group is the fish group, the nine-star crop group, and the meat group, the recommendation order of the first recommended foods may be canned tuna, potatoes, and canned soybean paste. The device 100 (or the first artificial intelligence model) may transmit a message containing first recommended food information to the user terminal 200 based on the recommendation order of the first recommended food (S308). For example, notification messages with information about the first recommended food may be sequentially provided to the food online distribution platform installed on the user terminal 200 based on the recommendation order of the first recommended food.

도 4는 본 개시의 일 실시예에 따른, 수학식 1을 통해 제1 식품 그룹과 제1 추천 식품의 상관 관계 수치를 연산하는 과정을 설명하는 도면이다. FIG. 4 is a diagram illustrating a process of calculating a correlation value between a first food group and a first recommended food through Equation 1, according to an embodiment of the present disclosure.

일 실시예에 따르면, 도 4에 도시된 것과 같이, 장치(100)(또는, 제1 인공지능 모델)는 제1 추천 식품을 같은 카테고리에 속하는 식품별로 제2 식품 그룹을 생성할 수 있다(S401). 예를 들어, 제2 식품 그룹은 고기 그룹(예: 장조림 캔, 돼지고기, 소고기, 닭고기), 어류 그룹(예: 참치캔, 고등어 구이), 구황작물 그룹(예: 감자, 고구마, 당근)과 같이, 카테고리화 되어 그룹핑될 수 있다. 일 실시예에서, 장치(100)(또는, 제1 인공지능 모델)는 제1 식품 그룹과 제2 식품 그룹의 카테고리의 유사도에 기초하여 유사도가 높을수록 1 부터 10까지 범위에서 높은 값을 제1 가중치로 설정할 수 있다(S402). 예를 들어, 제1 식품 그룹의 고기 그룹과 제2 식품 그룹의 고기 그룹은 유사도가 10이고, 제1 식품 그룹의 고기 그룹과 제2 식품 그룹의 구황 작물 그룹은 유사도가 1일 수 있다. 식품 그룹 간 유사도는 장치(100)의 데이터베이스에 미리 저장될 수 있다. According to one embodiment, as shown in FIG. 4, the device 100 (or the first artificial intelligence model) may create a second food group for each food belonging to the same category as the first recommended food (S401 ). For example, the second food group is the meat group (e.g., canned soybean paste, pork, beef, chicken), the fish group (e.g., canned tuna, grilled mackerel), and the vegetable group (e.g., potatoes, sweet potatoes, carrots). , can be categorized and grouped. In one embodiment, the device 100 (or the first artificial intelligence model) is based on the similarity of the categories of the first food group and the second food group, and the higher the similarity, the higher the value in the range from 1 to 10 is assigned to the first food group. It can be set as a weight (S402). For example, the similarity between the meat group of the first food group and the meat group of the second food group may be 10, and the similarity of the meat group of the first food group and the bean curd crop group of the second food group may be 1. The similarity between food groups may be stored in advance in the database of the device 100.

일 실시예에서, 장치(100)(또는, 제1 인공지능 모델)는 제1 추천 식품에 대한 정보를 생성하는 시점을 제1 시점으로 할 수 있다. 장치(100)(또는, 제1 인공지능 모델)는 제1 시점으로부터 제1 추천 식품의 유통 기한까지 남은 잔여 기간을 확인하고, 잔여 기간이 짧을수록 1 부터 10까지 범위에서 높은 값을 제2 가중치로 설정할 수 있다(S403). 예를 들어, 장치(100)의 데이터베이스에는 물류 창고에 식품이 입고된 시점에 식품들의 유통 기한에 대한 정보가 저장될 수 있다. 장치(100)(또는, 제1 인공지능 모델)는 제1 시점과 데이터베이스에 저장된 제1 추천 식품의 유통 기한을 확인하여 잔여 기간을 연산할 수 있다. 장치(100)는 물류 창고에 해당 식품이 입고된 시점부터 유통 기한까지의 기간을 10등분하여, 입고된 시점부터 유통 기한까지 기간 중 제1 시점이 어느 구간에 속하는지 확인하여 1부터10까지 범위에서 제2 가중치를 설정할 수 있다. 예를 들어, 물류 창고에 식품이 입고된 시점부터 유통기한까지 60일이라 할 때, 10등 분 시, 6일 단위로 기간이 설정되고, 제1 시점이 식품의 입고 시점부터 5일에 해당하는 날짜라면, 제2 가중치는 1일 수 있다. 또한, 제1 시점이 식품의 입고 시점부터 56일에 해당하는 날짜라면, 제2 가중치는 10일 수 있다. 일 실시예에서, 제1 시점으로부터 '돼지고기'의 유통 기한이 '소고기'의 유통 기한보다 짧은 경우, '돼지고기'는 '소고기'보다 제2 가중치의 값이 높을 수 있다. 또는 제1 시점으로부터 '돼지고기'의 유통 기한이 '감자'의 유통 기한보다 짧은 경우, '돼지고기'는 '감자'보다 제2 가중치의 값이 높을 수 있다. 일 실시예에서, 장치(100)는 데이터 베이스에 저장된 제1 추천 식품의 재고 수량을 확인할 수 있다. 예를 들어, 제1 추천 식품이 감자라면 해당 제품의 재고 수량을 데이터 베이스로부터 확인할 수 있다. 일 실시예에서, 장치(100)(또는, 제1 인공지능 모델)는 제1 추천 식품의 재고 수량이 많을수록 1부터 10까지 범위에서 높은 값을 제3 가중치로 설정할 수 있다(S404). 예를 들어, 물류 창고에 식품이 입고된 시점에 입고 수량을 10등분하여 제1 시점에 제1 추천 식품의 재고 수량을 확인하여 제3 가중치를 설정할 수 있다. 예를 들어, '감자'의 입고 수량이 1000개인 경우, 10등 분 시, 100개 단위로 설정되고, 제1 시점에 '감자'의 재고 수량이 99개인 경우, 제3 가중치는 1일 수 있다. 또는, 제1 시점에 '감자'의 재고 수량이 999개인 경우, 제3 가중치는 10일 수 있다. 일 실시예에서, 데이터베이스에 저장된 값을 기초로 '감자'의 재고 수량이 '소고기'의 재고 수량보다 많을 경우, '감자'는 '소고기'보다 제3 가중치의 값이 높을 수 있다.In one embodiment, the device 100 (or the first artificial intelligence model) may set the time at which it generates information about the first recommended food as the first time. The device 100 (or the first artificial intelligence model) checks the remaining period from the first point in time to the expiration date of the first recommended food, and as the remaining period is shorter, a higher value in the range from 1 to 10 is used as the second weight. It can be set as (S403). For example, the database of the device 100 may store information about the expiration date of food at the time the food is received in the warehouse. The device 100 (or the first artificial intelligence model) may calculate the remaining period by checking the expiration date of the first recommended food stored in the first point in time and the database. The device 100 divides the period from the time the food is received in the warehouse to the expiration date into 10 equal parts, and determines which section the first point in the period from the time of receipt to the expiration date falls into, ranging from 1 to 10. You can set the second weight in . For example, if it is 60 days from the time food is received at the warehouse to the expiration date, for 10th place, the period is set in 6-day increments, and the first time is 5 days from the time the food is received. If it is a date, the second weight may be 1. Additionally, if the first time point is a date corresponding to 56 days from the time of receipt of the food, the second weight may be 10. In one embodiment, if the shelf life of 'pork' from the first point in time is shorter than the shelf life of 'beef', 'pork' may have a higher value of the second weight than 'beef'. Alternatively, if the shelf life of 'pork' from the first point in time is shorter than the shelf life of 'potatoes', 'pork' may have a higher second weight value than 'potatoes'. In one embodiment, the device 100 may check the inventory quantity of the first recommended food stored in the database. For example, if the first recommended food is potatoes, the inventory quantity of that product can be checked from the database. In one embodiment, the device 100 (or the first artificial intelligence model) may set the third weight to a higher value in the range from 1 to 10 as the inventory quantity of the first recommended food increases (S404). For example, when food is received in a warehouse, the quantity received can be divided into 10 and the inventory quantity of the first recommended food at the first time can be checked to set the third weight. For example, if the stocked quantity of 'potatoes' is 1000, the 10th division is set in units of 100, and if the stock quantity of 'potatoes' at the first time is 99, the third weight may be 1. . Alternatively, if the inventory quantity of 'potatoes' at the first point in time is 999, the third weight may be 10. In one embodiment, if the inventory quantity of 'potatoes' is greater than the inventory quantity of 'beef' based on the value stored in the database, 'potatoes' may have a higher third weight value than 'beef'.

일 실시예에서, 도 4를 참조하면, 장치(100)(또는, 제1 인공지능 모델)는 제1 식품 그룹과 제1 추천 식품의 상관 관계 수치를 아래의 수학식 1을 통하여 결정할 수 있다(S405).In one embodiment, referring to FIG. 4, the device 100 (or the first artificial intelligence model) may determine the correlation value between the first food group and the first recommended food through Equation 1 below ( S405).

수학식 1: C = 1 + (X²- Y - Z)Equation 1: C = 1 + (X ² - Y - Z)

C는 상관 관계 수치이고, X는 제1 가중치, Y는 제2 가중치, Z는 제3 가중치일 수 있다. 수학식 1의 값이 높을수록 제1 식품 그룹과 제1 추천 식품의 상관 관계 수치가 높은 것으로 결정될 수 있다(S406). 예를 들어, 수학식1을 통해 계산된 제1 식품 그룹의 고기 그룹과 제1 추천 식품의 장조림 캔의 상관 관계 수치는 제1 식품 그룹의 고기 그룹과 감자의 상관 관계 수치보다 높을 수 있다. 따라서, 제1 식품 그룹의 고기 그룹과 제1 추천 식품의 장조림 캔은 서로 매칭될 수 있다.C is a correlation value, X may be the first weight, Y may be the second weight, and Z may be the third weight. It can be determined that the higher the value of Equation 1, the higher the correlation value between the first food group and the first recommended food (S406). For example, the correlation value between the meat group of the first food group and the can of soybean paste of the first recommended food calculated through Equation 1 may be higher than the correlation value between the meat group of the first food group and potatoes. Accordingly, the meat group of the first food group and the can of stewed soybean paste of the first recommended food may be matched with each other.

도 5는 본 개시의 일 실시예에 따른, 제1 추천 식품의 구매 횟수에 기초한 교정 수치를 수학식 1에 곱한 값을 통해 제1 추천 식품의 추천 우선 순위를 재설정하는 과정을 설명하는 도면이다. FIG. 5 is a diagram illustrating a process of resetting the recommendation priority of the first recommended food through Equation 1 multiplied by a correction value based on the number of purchases of the first recommended food, according to an embodiment of the present disclosure.

일 실시예에 따르면, 도 5에 도시된 것과 같이, 제1 인공지능 모델은 사용자의 식품 주문 내역에서 제1 기간동안 제1 추천 식품의 주문 내역을 추출하여 사용자의 구매 패턴을 추출할 수 있다(S501). 일 실시예에서, 제1 기간은 미리 정해진 기간일 수 있다. 예를 들어, 제1 기간은 1일, 1 주, 1달과 같이 일정 단위 기간일 수 있다. 일 실시예에서, 제1 인공지능 모델은 제1 기간동안 제1 추천 식품의 구매 횟수를 추출하고, 구매 횟수가 높을수록 1 부터 5까지 범위에서 높은 값을 교정 수치로 설정할 수 있다(S502). 일 실시예에서, 제1 인공지능 모델은 수학식 1에 상기 교정 수치를 곱한 값이 높을수록 제1 추천 식품의 추천 우선 순위가 높은 것으로 설정할 수 있다(S503). 장치(100)는 추천 우선 순위가 높은 순으로 사용자 단말기(200)에 설치된 식품 온라인 유통 플랫폼에 순차적으로 제1 추천 식품에 대한 정보에 대한 알림 메시지를 제공할 수 있다.According to one embodiment, as shown in FIG. 5, the first artificial intelligence model may extract the user's purchase pattern by extracting the order details of the first recommended food during the first period from the user's food order details ( S501). In one embodiment, the first period of time may be a predetermined period of time. For example, the first period may be a certain unit period such as 1 day, 1 week, or 1 month. In one embodiment, the first artificial intelligence model may extract the number of purchases of the first recommended food during the first period, and set the correction value to a higher value in the range from 1 to 5 as the number of purchases increases (S502). In one embodiment, the first artificial intelligence model may set the recommendation priority of the first recommended food to be higher as the value of Equation 1 multiplied by the correction value is higher (S503). The device 100 may sequentially provide notification messages about information about the first recommended food to the online food distribution platform installed on the user terminal 200 in order of high recommendation priority.

도 6은 본 개시의 일 실시예에 따른, 제2 인공지능 모델이 사용자의 식품 주문 내역에 기초하여 사용자에게 추천할 음식과 음식의 조리법에 대한 정보를 생성하고, 음식의 조리법에 필요한 제2 추천 식품을 우선 순위를 정하여 사용자에게 제공하는 일련의 과정을 설명하는 도면이다. Figure 6 shows that, according to an embodiment of the present disclosure, a second artificial intelligence model generates information about food and food recipes to recommend to the user based on the user's food order history, and provides a second recommendation necessary for the food recipe. This is a diagram explaining the series of processes that prioritize food and provide it to users.

일 실시예에 따르면 도 6에 도시된 것과 같이, 장치(100)는 사용자의 식품 주문 내역을 추출하여 제2 인공지능 모델에 입력할 수 있다(S601). 일 실시예에서, 제2 인공지능 모델은 식품 주문 내역의 입력에 대한 출력으로써, 사용자에게 추천할 음식과 음식의 조리법에 대한 정보를 생성할 수 있다(S602). 예를 들어, 제2 인공지능 모델은 사용자의 식품 주문 내역을 확인한 결과, 육류 소비가 많은 경우, 추천할 음식으로써 '갈비찜'을 출력하고, '갈비찜'에 대한 조리법 정보를 생성하여 출력할 수 있다. 일 실시예에서, 제2 인공지능 모델은 음식의 조리법에 필요한 농수산물 및 가공식품을 포함하는 제2 추천 식품에 대한 정보를 생성할 수 있다(S603). 예를 들어, 제2 인공지능 모델은 '갈비찜'에 대한 조리법으로서 제2 추천 식품에는 돼지 갈비, 감자, 밤, 당근, 시판 소스에 대한 정보를 출력할 수 있다. 일 실시예에서, 장치(100)(또는, 제1 인공지능 모델)는 사용자에게 추천할 제2 추천 식품의 우선 순위를 결정할 수 있다(S604). 제2 추천 식품의 우선 순위를 결정하는 방법에 대해서는 후술할 도 7을 통해 설명하도록 한다. 이후, 장치(100)는 우선 순위가 높은 순으로 제2 추천 식품에 대한 정보를 포함하는 메세지를 사용자의 단말기(200)에 전송할 수 있다(S605).According to one embodiment, as shown in FIG. 6, the device 100 may extract the user's food order details and input them into the second artificial intelligence model (S601). In one embodiment, the second artificial intelligence model may generate information about food and food recipes to recommend to the user as output in response to input of food order details (S602). For example, as a result of checking the user's food order history, the second artificial intelligence model outputs 'galbijjim' as a recommended food if the user consumes a lot of meat, and generates and outputs recipe information for 'galbijjim'. . In one embodiment, the second artificial intelligence model may generate information about the second recommended food including agricultural and marine products and processed foods required for food recipes (S603). For example, the second artificial intelligence model is a recipe for 'galbijjim', and the second recommended food can output information about pork ribs, potatoes, chestnuts, carrots, and commercially available sauces. In one embodiment, the device 100 (or the first artificial intelligence model) may determine the priority of the second recommended food to be recommended to the user (S604). The method of determining the priority of the second recommended food will be explained with reference to FIG. 7, which will be described later. Thereafter, the device 100 may transmit a message containing information about the second recommended food to the user's terminal 200 in order of priority (S605).

도 7은 본 개시의 일 실시예에 따른, 수학식 2를 통해 제2 추천 식품의 추천 우선 순위를 결정하는 일련의 과정을 설명하는 도면이다. Figure 7 is a diagram illustrating a series of processes for determining the recommendation priority of a second recommended food through Equation 2, according to an embodiment of the present disclosure.

일 실시예에 따르면, 도 7에 도시된 것과 같이, 장치(100)(또는 제2 인공지능모델)는 데이터베이스에 저장된 음식의 조리법에 필요한 식자재의 우선 순위 정보를 확인할 수 있다. 예를 들어, 장치(100)의 데이터베이스에는 '갈비찜'의 조리법에 필요한 식자재로써 돼지 갈비(300g), 갈비찜 시판 소스 한 통, 감자, 파 한단, 당근 등의 순으로 우선 순위가 저장될 수 있다. 장치(100)는 우선 순위가 높을수록 1 부터 10까지 범위에서 높은 값을 제4 가중치로 설정할 수 있다(S701). 예를 들어, '갈비찜'의 조리법에서 돼지 갈비의 제4 가중치는 10이고, 요리용 술의 제4 가중치는 1일 수 있다. 일 실시예에서, 장치(100)(또는 제2 인공지능 모델)는 제2 추천 식품에 대한 정보를 생성하는 시점을 제2 시점으로 하여, 제2 시점으로부터 제2 추천 식품의 유통 기한까지 남은 잔여 시간을 확인하고, 잔여 시간이 짧을수록 1 부터 10까지 범위에서 높은 값을 제5 가중치로 설정할 수 있다(S702). 장치(100)는 물류 창고에 식품이 입고된 시점부터 유통 기한까지의 기간을 10등분하여, 입고된 시점부터 유통 기한까지 기간 중 제2 시점이 어느 구간에 속하는지 확인하여 1부터10까지 범위에서 제5 가중치를 설정할 수 있다. 예를 들어, 물류 창고에 '감자' 식품이 입고된 시점부터 유통기한까지 60일이라 할 때, 10등 분 시, 6일 단위로 기간이 설정되고, 제2 시점이 식품의 입고 시점부터 5일에 해당하는 날짜라면, 제5 가중치는 1일 수 있다. 또한, 제2 시점이 식품의 입고 시점부터 56일에 해당하는 날짜라면, 제5 가중치는 10일 수 있다. 일 실시예에서, 제2 시점으로부터 '갈비찜'에 필요한 '감자'의 유통 기한이 '파'의 유통 기한보다 짧은 경우, '감자'는 '파'보다 제5 가중치의 값이 높을 수 있다. 장치(100)(또는 제2 인공지능 모델)는 제2 추천 식품의 재고 수량을 확인하고, 제2 추천 식품의 재고 수량이 많을수록 1 부터 10까지 범위에서 높은 값을 제6 가중치로 설정할 수 있다(S703). 예를 들어, 물류 창고에 식품이 입고된 시점에 입고 수량을 10등분하여 제2 시점에 제2 추천 식품의 재고 수량을 확인하여 제6 가중치를 설정할 수 있다. 예를 들어, '감자'의 입고 수량이 1000개인 경우, 10등 분 시, 100개 단위로 설정되고, 제2 시점에 '감자'의 재고 수량이 99개인 경우, 제6 가중치는 1일 수 있다. 또는, 제2 시점에 '감자'의 재고 수량이 999개인 경우, 제6 가중치는 10일 수 있다. 일 실시예에서, 데이터베이스에 저장된 값을 기초로 '갈비찜'에 필요한 '감자'의 재고 수량이 '파'의 재고 수량보다 많을 경우, '감자'는 '파'보다 제6 가중치의 값이 높을 수 있다. 일 실시예에서, 장치(100)(또는 제2 인공지능 모델)는 사용자에게 추천할 제2 추천 식품의 우선 순위를 아래의 수학식 2를 통하여 결정할 수 있다(S704). According to one embodiment, as shown in FIG. 7, the device 100 (or the second artificial intelligence model) may check priority information of food ingredients required for food recipes stored in the database. For example, in the database of the device 100, the priorities may be stored in the following order as ingredients required for the recipe of 'galbijjim': pork ribs (300g), a can of commercially available rib jjim sauce, potatoes, a bunch of green onions, carrots, etc. The device 100 may set a higher value in the range from 1 to 10 as the fourth weight as the priority increases (S701). For example, in the recipe for 'galbijjim', the fourth weight of the pork ribs may be 10, and the fourth weight of the cooking alcohol may be 1. In one embodiment, the device 100 (or the second artificial intelligence model) sets the time point of generating information about the second recommended food as the second time point, and determines the remaining time from the second time point to the expiration date of the second recommended food. Check the time, and as the remaining time is shorter, a higher value in the range from 1 to 10 can be set as the fifth weight (S702). The device 100 divides the period from the time the food is received into the warehouse to the expiration date into 10 equal parts, checks which section the second point in the period from the time the food is received to the expiration date falls into, and divides the period from the time the food is received into 10 to the expiration date. A fifth weight can be set. For example, if it is 60 days from the time the 'potato' food is received at the warehouse until the expiration date, the period is set in 6-day increments for the 10th place, and the second time is 5 days from the time the food is received. If the date corresponds to , the fifth weight may be 1. Additionally, if the second time point is a date corresponding to 56 days from the time of receipt of the food, the fifth weight may be 10. In one embodiment, if the expiration date of 'potatoes' required for 'braised ribs' from the second time point is shorter than the expiration date of 'green onions', 'potatoes' may have a higher value of the fifth weight than 'green onions'. The device 100 (or the second artificial intelligence model) may check the stock quantity of the second recommended food, and set the sixth weight to a higher value in the range from 1 to 10 as the stock quantity of the second recommended food increases ( S703). For example, at the time when food is received in the warehouse, the quantity received can be divided into 10 and the inventory quantity of the second recommended food can be checked at the second time to set the sixth weight. For example, if the stock quantity of 'potatoes' is 1000, the 10th division is set to 100 units, and if the stock quantity of 'potatoes' at the second time is 99, the sixth weight may be 1. . Alternatively, if the inventory quantity of 'potatoes' at the second time point is 999, the sixth weight may be 10. In one embodiment, based on the value stored in the database, if the inventory quantity of 'potatoes' required for 'galbijjim' is greater than the inventory quantity of 'green onions', 'potatoes' may have a higher value of the sixth weight than 'green onions'. there is. In one embodiment, the device 100 (or the second artificial intelligence model) may determine the priority of the second recommended food to be recommended to the user through Equation 2 below (S704).

수학식 2: P = (X')²- Y' - Z'Equation 2: P = (X') ² - Y' - Z'

P는 제2 추천 식품의 우선 순위이고, X'는 제4 가중치, Y'는 제5 가중치, Z'는 제6 가중치일 수 있다. 일 실시예에서, 수학식 2의 값이 높을수록 제2 추천 식품의 추천 우선 순위가 높은 것으로 결정될 수 있다(S705). 예를 들어, 갈비찜'에 필요한 '감자'에 대한 수학식 2의 값이 '파'에 대한 수학식 2의 값보다 높은 경우, 장치(100)는 '갈비찜'을 만듬에 있어서, '감자'가 '파'보다 우선 순위가 높은 것으로 결정할 수 있다. 장치(100)는 추천 우선 순위가 높은 순으로 사용자 단말기(200)에 설치된 식품 온라인 유통 플랫폼에 순차적으로 제2 추천 식품에 대한 정보에 대한 알림 메시지를 제공할 수 있다.P may be the priority of the second recommended food, X' may be the fourth weight, Y' may be the fifth weight, and Z' may be the sixth weight. In one embodiment, the higher the value of Equation 2, the higher the recommendation priority of the second recommended food may be determined (S705). For example, if the value of Equation 2 for 'potato' required for 'galbijjim' is higher than the value of equation 2 for 'green onion', the device 100 may use 'potato' in making 'galbijjim'. It can be decided that it has higher priority than 'pa'. The device 100 may sequentially provide notification messages about information about the second recommended food to the online food distribution platform installed on the user terminal 200 in order of high recommendation priority.

도 8은 본 개시의 일 실시예에 따른, 제2 추천 식품의 구매 횟수에 기초한 교정 수치를 수학식 2에 곱한 값을 통해 제2 추천 식품의 추천 우선 순위를 재설정하는 과정을 설명하는 도면이다.FIG. 8 is a diagram illustrating a process of resetting the recommendation priority of a second recommended food by multiplying Equation 2 by a correction value based on the number of purchases of the second recommended food, according to an embodiment of the present disclosure.

일 실시예에 따르면, 도 8에 도시된 것과 같이, 제2 인공지능 모델은 사용자의 식품 주문 내역에서 제2 기간동안 제2 추천 식품의 주문 내역을 추출하여 사용자의 구매 패턴을 추출할 수 있다(S801). 일 실시예에서, 제2 기간은 미리 정해진 기간일 수 있다. 예를 들어, 제2 기간은 1일, 1 주, 1달과 같이 일정 단위 기간일 수 있다. 일 실시예에서, 제2 인공지능 모델은 제2 기간동안 제2 추천 식품의 구매 횟수를 추출하고, 구매 횟수가 높을수록 1 부터 5까지 범위에서 높은 값을 교정 수치로 설정할 수 있다(S802). 일 실시예에서, 제2 인공지능 모델은 수학식 2에 상기 교정 수치를 곱한 값이 높을수록 제2 추천 식품의 추천 우선 순위가 높은 것으로 설정할 수 있다(S803). 장치(100)는 추천 우선 순위가 높은 순으로 사용자 단말기(200)에 설치된 식품 온라인 유통 플랫폼에 순차적으로 제2 추천 식품에 대한 정보에 대한 알림 메시지를 제공할 수 있다.According to one embodiment, as shown in FIG. 8, the second artificial intelligence model may extract the user's purchase pattern by extracting the order details of the second recommended food during the second period from the user's food order details ( S801). In one embodiment, the second period of time may be a predetermined period of time. For example, the second period may be a unit period such as 1 day, 1 week, or 1 month. In one embodiment, the second artificial intelligence model may extract the number of purchases of the second recommended food during the second period, and set the correction value to a higher value in the range from 1 to 5 as the number of purchases increases (S802). In one embodiment, the second artificial intelligence model may set the recommendation priority of the second recommended food to be higher as the value of Equation 2 multiplied by the correction value is higher (S803). The device 100 may sequentially provide notification messages about information about the second recommended food to the online food distribution platform installed on the user terminal 200 in order of high recommendation priority.

일 실시예에서, 프로세서(110)는 도 1 내지 도 8을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(120)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다.In one embodiment, the processor 110 may perform at least one method described above with reference to FIGS. 1 to 8 . The memory 120 may store information related to the above-described method or store a program implementing the above-described method.

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.The embodiments described above may be implemented with hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods, and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, and a field programmable gate (FPGA). It may be implemented using one or more general-purpose or special-purpose computers, such as an array, programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. A processing device may execute an operating system (OS) and one or more software applications that run on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software. For ease of understanding, a single processing device may be described as being used; however, those skilled in the art will understand that a processing device includes multiple processing elements and/or multiple types of processing elements. It can be seen that it may include. For example, a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are possible.

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.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and available to those skilled in the art of computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Includes optical media (magneto-optical media) and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc. Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

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.Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device. Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

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.Although the embodiments have been described with limited drawings as described above, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques are performed in a different order than the described method, and/or components of the described system, structure, device, circuit, etc. are combined or combined in a different form than the described method, or other components are used. Alternatively, appropriate results may be achieved even if substituted or substituted by an equivalent.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims also fall within the scope of the following claims.

100: 장치
110: 프로세서
120: 메모리
200: 사용자 단말기100: device
110: processor
120: memory
200: user terminal

Claims

In the order processing and inventory management method for online distribution and sales of artificial intelligence-based agricultural and marine products and processed food performed by a device,
Extracting the user's food order details;
Inputting the food order details into a first artificial intelligence model, and generating information about a first recommended food including agricultural and marine products and processed foods to be recommended to the user as an output of the input of the first artificial intelligence model. ;
creating a first food group for each food belonging to the same category in the user's food order history;
calculating a correlation value between the first food group and the first recommended food;
Matching the first recommended food having the highest correlation value with the first food group;
generating priority information for the first food group in order of the number of orders based on the user's food order history;
determining a recommendation order of the first recommended foods to be recommended to the user based on priority information of the first food group;
transmitting a message containing information about the first recommended food in the recommendation order to the user's terminal;
Inputting the food order details into a second artificial intelligence model, and generating information about a food to be recommended to the user and a recipe for the food as an output of the input of the second artificial intelligence model;
Generating information about a second recommended food including agricultural and marine products and processed foods necessary for cooking the food in the second artificial intelligence model; and
A step of determining the priority of the second recommended food to be recommended to the user,
The step of generating information about the first recommended food to be recommended to the user in the first artificial intelligence model,
Creating a second food group for each food belonging to the same category as the first recommended food,
Setting a first weight based on the similarity of the categories of the first food group and the second food group,
Using the time of generating information about the first recommended food as a first time, confirming the remaining period from the first time to the expiration date of the first recommended food,
setting a second weight based on the remaining period;
Confirming the stock quantity of the first recommended food at the first time point,
Setting a third weight based on the inventory quantity of the first recommended food,
The correlation value between the first food group and the first recommended food is,
It is determined through Equation 1 below,
Equation 1: C = 1 + (X ² - Y - Z)
C is the correlation value, X is the first weight, Y is the second weight, Z is the third weight,
It is determined that the higher the value of Equation 1, the higher the correlation value between the first food group and the first recommended food.
An artificial intelligence-based order processing and inventory management method for online distribution and sales of agricultural, marine and processed foods performed by a device.

delete