KR102656184B1 - 반려동물 케어를 위한 정보 제공용 서버 및 방법 - Google Patents
반려동물 케어를 위한 정보 제공용 서버 및 방법 Download PDFInfo
- Publication number
- KR102656184B1 KR102656184B1 KR1020230131842A KR20230131842A KR102656184B1 KR 102656184 B1 KR102656184 B1 KR 102656184B1 KR 1020230131842 A KR1020230131842 A KR 1020230131842A KR 20230131842 A KR20230131842 A KR 20230131842A KR 102656184 B1 KR102656184 B1 KR 102656184B1
- Authority
- KR
- South Korea
- Prior art keywords
- pet
- information
- care
- companion animal
- requester
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000006399 behavior Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000003542 behavioural effect Effects 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 10
- 241000894007 species Species 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 48
- 238000010419 pet care Methods 0.000 abstract description 14
- 235000012054 meals Nutrition 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000016571 aggressive behavior Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
반려동물 케어를 위한 정보 제공용 서버 및 방법은 반려동물 케어 센터에서 케어 서비스를 제공하는 동안, 식사, 수면, 컨디션 등을 포함하는 생활정보를 함께 제공하여 케어 상황에 대한 반려인의 궁금증을 해소할 수 있도록 한다. 또한, 실시예에서는 반려동물의 행동 및 특성 정보를 수집하고 이를 인공신경망 모델을 통해 분석함으로써, 반려동물의 특성정보를 정확히 파악할 수 있다. 또한, 실시예에서는 반려동물의 케어 예약 인터페이스에서 케어 시간대 별로 예약된 다른 반려동물의 종류, 특성 정보를 제공하여, 피하고 싶은 반려동물과 함께 케어 서비스를 받지 않을 수 있도록 함으로써, 반려동물에게 보다 스트레스가 적은 케어 환경을 제공할 수 있다.
Description
본 개시는 반려동물 케어를 위한 정보 제공용 서버 및 방법에 관한 것으로 구체적으로, 반려동물 케어 기관에서 반려동물의 컨디션이나 특이사항 등의 생활정보 또는 이러한 반려동물 동물 기관의 예약 상황 등을 알림장 형태로 제공하는 서버 및 방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
반려동물 케어 기관은 반려동물을 돌보고 훈련시키기 위한 시설과 서비스를 제공하는 장소이며, 반려동물 유치원 등으로 지칭될 수 있다.
이러한 반려동물 케어 기관은 다양한 경우에 이용될 수 있다. 예컨대, 반려동물 소유자가 회사를 가거나 여행을 가는 것과 같이 일정 기간 집을 비우는 경우, 다른 반려동물과의 교감이 필요한 경우 또는 사회화와 같은 특별한 교육 등이 필요한 경우 등에 이용될 수 있으며, 다만 이에 한정되는 것은 아니다.
이러한 반려동물 케어 기관에서는, 반려동물에게 기본적인 생활 습관부터 보다 고도화된 행동 등에 대한 교육 등이 제공될 수 있다. 예를 들어, 식사 습관, 배변 습관 또는 수면 습관은 물론이고, 반려동물 소유자와 교감하면서 특정 명령을 따르는 것 등이 이에 포함될 수 있다.
반려동물 케어 기관은 반려동물을 기르는 인구가 늘어남에 따라 점차 늘어나고 있는 추세이다. 이에, 반려동물 소유자들은 자신의 상황이나 취향에 따라 또는 자신의 반려동물의 성향 등에 맞춰서 원하는 케어 기관을 선택하곤 한다.
여기서, 반려동물 소유자들이 공통적으로 불편함을 느끼는 몇 가지 사항들이 있다.
그 중 하나는 반려동물 케어 기관에 대한 예약 절차이다. 자신이 원하는 시간 대에 자리가 있는지 여부를 알기 위해서는 일일이 각각의 반려동물 케어 기관에 연락을 취해야 하는데, 이는 여간 번거로운 일이 아니다. 추가적으로, 예약 시에는, 자신이 원하는 시간대에 어떤 동물들이 예약되어 있는지 알고 싶을 수도 있는데, 이에 대해 아는 것 역시 쉽지 않다.
다른 하나는 자신이 맡긴 반려동물이 전술한 케어 기관에서 잘 생활하고 있는지 여부를 알고 싶다는 것이다. 그런데, 매번 전술한 케어 기관에 연락해서 정보를 얻는 것은 현실적으로 어려운 일이다. 예컨대, 반려동물의 컨디션, 식사 상태나 배변 여부 등 상세한 생활정보를 매번 전화통화 또는 문자 메시지 등과 같은 형태로 문의해서 답을 받아오는 것은 여간 번거로운 일이 아니다.
실시예에 따른 해결하고자 하는 과제는 전술한 반려동물 케어 센터에 대한 예약의 편의성을 증대시키는 것을 포함한다. 이 과정에서, 예약에 관한 다양한 정보들이 예약에 참조될 수 있도록 하는 것이 이러한 과제에 포함될 수 있다.
뿐만 아니라, 자신의 반려동물이 잘 생활하고 있는지에 대한 정보를 용이하게 전달받는 것 또한 전술한 과제에 포함될 수 있다.
다만, 일 실시예에 따른 해결하고자 하는 과제가 위에 언급된 것에만 한정되는 것은 아니다.
실시예에 따른 반려동물 케어 센터에 대한 정보 제공용 서버는 통신부; 적어도 하나의 명령어 및 상기 반려동물 케어 센터에서의 각 시간대 별 예약 현황 정보를 저장하는 메모리; 및 프로세서를 포함하고, 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써, 상기 정보 제공용 서버는, 반려동물 케어 센터의 케어 서비스를 요청하는 요청자 단말에서 상기 각 시간대 별 예약 현황 정보가 표시되도록 제어하되, 상기 예약 현황 정보에는, 각 시간대 별로, 케어 대상으로 예약되어 있는 반려동물의 종, 크기 및 동일 공간에서 동일 시간대에 함께 케어되기를 원하는 타 반려동물에 대한 정보가 포함되고, 요청자 단말로부터 요청자가 상기 반려동물 케어 센터에서 케어되기를 요청하는 타겟 반려동물에 대한 정보가 상기 통신부를 통해 획득되면, 각 시간대 별 예약 현황 정보 중 하나 이상의 시간대에서, 타겟 반려동물이 상기 케어 서비스를 받으면서 갖게 될 것으로 추론되는 만족도를 기 학습된 만족도 추론 모델을 이용해서 제공하되, 만족도 추론 모델은, 하나 이상의 시간대에서의 상기 예약 현황 정보 및 상기 타겟 반려동물에 대해 획득된 정보를 입력 받으면 상기 추론된 만족도를 제공한다.
또한, 예약 현황 정보에는, 동일 시간대에 동일 공간에서 함께 케어되기를 원하지 않는 타 반려동물에 대한 정보가 더 포함될 수 있다.
또한, 예약 현황 정보에는, 상기 케어 대상으로 예약되어 있는 반려동물의 행동습성 또는 성향 정보가 더 포함될 수 있다.
또한, 행동습성 또는 성향 정보는, 반려동물의 행동을 촬영하는 카메라, 반려동물의 소리를 감지하는 마이크 및 반려동물에 부착되어서 해당 반려동물의 움직임을 감지하는 운동량 측정 센서로부터의 정보를 이용해서 획득된 것일 수 있다.
또한, 행동습성 또는 성향 정보는, 카메라에서 획득된 이미지 정보, 마이크에서 획득된 소리 정보 및 운동량 측정 센서로부터 획득된 움직임 정보를 기 학습된 반려동물 습성 및 성향 정보 추론 모델에 제공함으로써 추론되어서 획득된 것일 수 있다.
또한, 하나 이상의 시간대는, 요청자가 요청자 단말을 통해서 각 시간대 중에서 선택한 시간대일 수 있다.
이상에서와 같은 반려동물 케어를 위한 정보 제공용 서버 및 방법은 반려동물 케어 센터에서 케어 서비스를 제공하는 동안, 식사, 수면 또는 컨디션 등을 포함하는 생활정보를 함께 제공하여 케어 상황에 대한 반려인의 궁금증을 해소할 수 있도록 한다.
또한, 실시예에서는 반려동물의 행동 및 특성 정보를 수집하고 이를 인공신경망 모델을 통해 분석함으로써, 반려동물의 특성정보를 정확히 파악할 수 있다.
또한, 실시예에서는 반려동물의 케어 예약 인터페이스에서 케어 시간대 별로 예약된 다른 반려동물의 종류, 특성 정보를 제공하여, 피하고 싶은 반려동물과 함께 케어 서비스를 받지 않을 수 있도록 함으로써, 반려동물에게 보다 스트레스가 적은 케어 환경을 제공할 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 실시예에 따른 반려동물 케어를 위한 정보 제공 시스템을 나타낸 도면
도 2는 실시예에 따른 반려동물 케어를 위한 정보 제공용 서버의 블록도를 나타낸 도면
도 3은 실시예에 따른 메모리에 저장된 명령어 세트 구성을 나타낸 도면
도 4는 실시예 따른 학습부에 저장되어 데이터를 학습하는 모델의 예를 나타낸 도면
도 5는 실시예에 따른 반려동물 케어를 위한 정보 제공 시스템의 신호흐름을 나타낸 도면
도 6은 실시예에 따른 요청자 단말에서 어플리케이션을 통해 출력되는 반려동물 생활정보를 나타낸 도면
도 7은 실시예에 따른 반려동물 케어 센터에 대한 정보 제공용 서버의 데이터 처리 과정을 나타낸 도면
도 2는 실시예에 따른 반려동물 케어를 위한 정보 제공용 서버의 블록도를 나타낸 도면
도 3은 실시예에 따른 메모리에 저장된 명령어 세트 구성을 나타낸 도면
도 4는 실시예 따른 학습부에 저장되어 데이터를 학습하는 모델의 예를 나타낸 도면
도 5는 실시예에 따른 반려동물 케어를 위한 정보 제공 시스템의 신호흐름을 나타낸 도면
도 6은 실시예에 따른 요청자 단말에서 어플리케이션을 통해 출력되는 반려동물 생활정보를 나타낸 도면
도 7은 실시예에 따른 반려동물 케어 센터에 대한 정보 제공용 서버의 데이터 처리 과정을 나타낸 도면
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 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.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
이하, 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 실시예에 따른 반려동물 케어를 위한 정보 제공 시스템을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 반려동물 케어를 위한 정보 제공 시스템은 요청자 단말(200), 센터 단말(300) 및 반려동물 케어 센터에 대한 정보 제공용 서버(100)를 포함하여 구성될 수 있다.
요청자 단말(200)은 반려동물 케어 서비스를 예약하는 요청자의 스마트 단말이다. 실시예에서 요청자 단말(200)은 반려동물 정보 및 예약 정보를 수집한다. 실시예에서 반려동물 정보는 요청자가 기르는 반려동물의 상세정보로서, 반려동물의 종류, 성별, 나이, 몸무게, 크기 및 성격, 특이사항 등을 포함할 수 있다. 또한, 실시예에서 요청자는, 소유자, 관리인 또는 이러한 소유자나 관리인으로부터 케어 서비스 예약을 부탁받은 자 일 수 있다. 실시예에서는 요청자 단말(200)을 통해, 반려동물의 특성정보를 직접 입력 받을 수 있다. 반려동물 특성 정보는 반려동물의 행동, 습성, 성향 정보를 포함한다. 예약정보는 케어 서비스를 제공받는 날짜, 시간 및 케어 서비스 종류 정보를 포함할 수 있다. 실시예에서 요청자 단말(200)은 케어 서비스 예약 시 예약 인터페이스를 통해 예약 가능한 시간과 케어 서비스 종류를 출력한다. 또한, 실시예에서는 예약 인터페이스에서 예약 시간대에 미리 예약을 완료한 다른 반려동물의 종류, 크기 및 특성정보를 출력한다. 이를 통해, 요청자는 자신의 반려동물과 잘 맞지 않는 반려동물이 예약한 시간대를 피해 케어 서비스를 예약할 수 있다. 또한, 실시예에서 요청자 단말(200)은 요청자의 반려동물이 좋아하는 다른 반려동물을 선호 반려동물을 등록하고, 선호 반려동물의 케어 서비스 예약 정보를 수신할 수 있다. 또한, 실시예에서 요청자 단말(200)은 요청자의 반려동물이 선호하는 다른 반려동물의 특성 정보와, 비선호 하는 반려동물의 특성 정보를 등록할 수 있다.
센터 단말(300)은 반려동물 케어 서비스를 제공하는 센터의 단말로서, 케어 서비스를 받는 반려동물의 생활정보를 수집한다. 실시예에서 생활정보는 케어 서비스가 진행되는 동안의 반려동물의 컨디션, 식사, 수면상태 및 반려동물이 좋아하는 프로그램, 반려동물에게 필요한 프로그램 등이 포함될 수 있다.
반려동물 케어 센터에 대한 정보 제공용 서버(100)는 케어 공간에 설치된 카메라, 마이크 및 반려동물에게 착용된 웨어러블 디바이스로부터 반려동물 모니터링 정보를 수집하고, 모니터링 정보를 분석하여 반려동물 각각의 특성정보를 파악한다. 모니터링 정보는 반려동물의 움직임, 울음소리, 영상, 이미지 등을 포함할 수 있다. 또한, 실시예에서는 모니터링 정보 분석 결과를 통해, 반려동물에게 필요한 프로그램, 반려동물이 좋아하는 프로그램 등을 파악하고 이를 센터 단말(300)로 전송한다.
또한, 실시예에서 반려동물 케어 센터에 대한 정보 제공용 서버(100)는 반려동물 케어 서비스 예약 인터페이스를 제공한다. 실시예에서 반려동물 케어 센터에 대한 정보 제공용 서버(100)는 케어 예약 시간에 미리 등록된 반려동물 각각의 특성정보와 종류, 크기, 성별, 나이 등 반려동물 정보를 제공할 수 있다.
실시예에서 반려동물 케어 센터에 대한 정보 제공용 서버(100)는 요청자 반려동물의 특성정보와 예약 시간에 미리 등록된 다른 반려동물의 특성정보 비교를 통해, 요청자 반려동물의 스트레스 지수를 산출할 수 있다. 또한, 실시예에서는 반려동물 모니터링 정보를 통해, 요청자의 반려동물과 상호작용이 활발한 반려동물의 특성정보를 추출하고, 추출된 특성정보를 기반으로, 케어 예약 시간대 별 상호작용 지수를 산출하여 요청자 단말로 제공할 수 있다. 실시예에서 상호작용 지수는 요청자의 반려동물이 동일한 시간대에 케어 센터에서 케어 서비스를 받는 다른 반려동물과 얼마나 잘 어울리는 지를 수치로 나타낸 지수이다.
실시예에 따른 반려동물 케어를 위한 정보 제공용 서버 및 방법은 반려동물을 돌보는 유치원 등의 센터에서 반려동물 각각의 생활정보를 수집하여 요청자 단말로 전송한다.
실시예에서 요청자는 단말을 통해 반려동물의 생활정보를 확인하고, 케어 센터와 소통할 수 있다.
또한, 실시예에서는 각 시간대 별로 케어가 예정되어 있는 반려동물의 특성을 대시보드로 제공함으로써, 각 시간대에 케어 서비스를 받는 반려동물의 특성과 습성을 확인할 수 있도록 한다.
또한, 실시예에서는 반려동물의 특성, 습성 확인을 위해 CV(Computer Vision) 기반의 인공지능을 통해 반려동물을 인식하고, 각 반려동물의 행동 습성이나 성향 등을 다양한 센싱 수단을 통해 수집한다. 이후 수집된 반려동물의 행동 습성이나 성향을 빅데이터화하고, 빅데이터로 인공신경망 모델을 학습시킨다. 실시예에서는 인공신경망 모델을 이용하여 반려동물의 특성정보를 파악할 수 있다.
또한, 실시예에서는 날짜 별 케어 시간대에 케어가 예정된 반려동물의 종류 및 특성정보를 케어 예약을 하려는 다른 요청자에게 제공하여, 요청자가 자신의 반려동물에게 제공하는 케어 서비스 예약 시 참고할 수 있도록 한다.
도 2는 실시예에 따른 반려동물 케어를 위한 정보 제공용 서버의 블록도를 나타낸 도면이다.
실시예에서 반려동물 케어를 위한 정보 제공용 서버(100)는 컴퓨터 네트워크에서 다른 컴퓨터나 장치들에게 서비스를 제공하거나 데이터를 저장하고 관리하는 컴퓨팅 시스템이다. 서버(100)는 클라이언트(Client)라 불리는 다른 컴퓨터나 장치들로부터 요청을 받아들이고, 해당 요청에 대한 응답이나 데이터를 제공한다. 도 2에 도시된 서버(100) 구성은 간략화하여 나타낸 예시일 뿐이다.
통신부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 통신부(110)는 공지의 월드와이드웹(WWW: World Wide Web) 기반으로 동작할 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 일례로, 통신부(110)는 본 개시의 일 실시예에 따른 기법을 수행하는데 필요한 데이터에 대한 송수신을 담당할 수 있다.
메모리(120)는 임의의 타입의 저장 매체를 의미할 수 있다 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예: SD 또는 XD 메모리 등), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 이러한 메모리(120)는 도 1에 도시되어 있는 데이터베이스를 구성할 수도 있다.
메모리(120)는 프로세서(130)에 의해 실행될 수 있는 적어도 하나의 명령어를 저장할 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 서버(200)가 수신한 임의의 형태의 정보를 저장할 수 있다. 예컨대, 메모리(120)는 후술하겠지만 요청자에 따른 RM 데이터 및 RM 프로토콜을 저장한다. 또한, 메모리(120)는 다양한 종류의 모듈, 명령어 세트 내지 모델을 저장한다.
프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행시킴으로써, 후술될 본 개시내용의 실시예들에 따른 기술적 특징들을 수행할 수 있다. 일 실시예에서, 프로세서(130)는 적어도 하나의 코어로 구성될 수 있으며, 컴퓨터 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및/또는 처리를 위한 프로세서를 포함할 수 있다.
도 3은 실시예에 따른 메모리에 저장된 명령어 세트 구성을 나타낸 도면이다.
도 3을 참조하면, 실시예에 따른 명령어 세트는 수집부(121), 전처리부(122), 학습부(123), 분석부(124) 및 피드백부(125)를 포함하여 구성될 수 있다. 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '부' 라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
수집부(121)는 요청자 단말로부터 반려동물 정보 및 예약정보를 수집하고, 센터 단말로부터 케어 시간에 반려동물이 나타낸 생활정보를 수집한다. 또한, 수집부(121)는 반려동물 케어 정보 제공을 위한 모델의 학습 데이터 셋을 수집한다. 실시예에서 학습 데이터 셋은 반려동물 모니터링 정보와 모니터링 정보에 대한 반려동물의 행동, 습성, 성향에 해당하는 특성정보를 포함할 수 있다. 또한, 모니터링 정보에 따른 반려동물의 스트레스 지수 및 상호작용 지수, 건강상태 등을 포함하고 이에 한정하지 않는다. 실시예에서 수집부(121)는 학습 데이터셋을 빅데이터화 하여 모델의 학습 데이터로 이용할 수 있도록 한다.
전처리부(122)는 수집된 인공지능 학습 데이터 셋 중 편향성이나 차별성을 가진 데이터를 제거하기 위해, 수집된 학습데이터를 전처리한다. 실시예에서 전처리부(122)는 수집된 트레이닝 데이터 셋을 전처리하여 인공지능 모델 학습에 적합한 형태로 가공한다. 예컨대, 전처리부(122)는 노이즈 제거, 이상치 제거, 결측치 처리 등의 과정을 수행할 수 있다. 또한, 전처리부(122)는 데이터 전처리를 통해 데이터를 정규화하거나, 이상치를 제거하거나, 데이터의 배율 조정 등을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지할 수 있다.
학습부(123)는 딥러닝 뉴럴 네트워크를 수집된 트레이닝 데이터 셋으로 학습시켜 딥러닝 모델을 구현한다. 도 4는 실시예 따른 학습부에 저장되어 데이터를 학습하는 모델의 예를 나타낸 도면이다. 도 4를 참조하면, 메모리의 학습부(123)에는 반려동물 습성 및 성향 정보 추론 모델(1) 및 만족도 추론 모델(2)이 저장될 수 있다. 각각의 모듈 내지 모델은 프로세서(130)에 의해 실행 가능한 어플리케이션의 형태일 수 있다.
반려동물 습성 및 성향 정보 추론 모델(1)은 카메라, 마이크 및 웨어러블 센서로부터 반려동물 모니터링 정보를 수집하고, 모니터링 정보를 분석하여 반려동물 각각의 성격, 성향 등의 특성정보를 파악하는 인공신경망 모델이다.
실시예에서 반려동물 모니터링 정보는 카메라로부터 수집된 영상정보와 웨어러블 디바이스로부터 수집된 생체정보를 포함할 수 있고, 생체 정보는 심박수, 맥박, 체온, 운동량, 소모 칼로리, 모션 정보 등을 포함할 수 있고 이에 한정하지 않는다. 실시예에서 반려동물 습성 및 성향 정보 추론 모델(1)은 영상정보 및 생체 정보 분석을 위한 영상정보 분석모델 및 생체정보 분석 모델을 포함하여 구성될 수 있다. 실시예에서 반려동물 습성 및 성향 정보 추론 모델(1)은 수집부(121)로부터 전달된 빅데이터화 된 학습 데이터를 학습하여, 모니터링 정보에 따라 반려동물 각각의 특성정보와 건강상태 등을 파악할 수 있도록 한다.
실시예에서 특성정보는 반려동물의 행동, 습성, 성향정보 등을 포함한다. 행동정보는 반려동물의 동작(motion) 정보이고, 습성정보는 반려동물이 좋아하는 행동이나 주로 하는 행동 정보이다. 성향정보는 반려동물의 성격과 관련된 정보로 활발함의 정도, 공격성 정도 등을 포함할 수 있다.
만족도 추론 모델(2)은 예약 시간대 각각에 대한 케어를 제공받는 요청자 반려동물의 만족도를 추론하는 인공신경망 모델이다. 실시예에서 만족도 추론 모델(2)는 반려동물 예약 시간에 예약된 반려동물 각각의 특성 정보와 요청자가 등록한 반려동물의 특성정보를 기반으로 요청자의 반려동물이 다른 반려동물과 같은 공간에서 케어 서비스를 제공받을 때의 만족도를 추론할 수 있다. 실시예에서 만족도 추론 모델(2)은 반려동물의 만족도를 반려동물의 스트레스 지수 및 상호작용 지수 등으로 산출할 수 있다. 실시예에서 스트레스 지수와 상호작용 지수는 다른 특성정보를 가진 반려동물과 요청자의 반려동물이 함께 생활할 경우, 요청자의 반려동물이 받는 스트레스와 긍정적인 영향에 대한 예측 수치이다. 실시예에서 만족도 추론 모델(2)은 반려동물의 모션, 이동경로, 행동 등을 통해 감정을 예측하는 감정 예측 모델, 행동분석 모델, 생체신호 분석 모델 등을 포함할 수 있다.
본 명세서에서의 모델은 네트워크 함수, 인공신경망 및/또는 뉴럴 네트워크에 기반하여 동작하는 임의의 형태의 컴퓨터 프로그램을 의미할 수 있다. 본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수개의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network), 트랜스포머(transformer) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 지도학습(supervised learning), 비지도학습(unsupervised learning), 준지도학습(semi supervised learning), 자가학습(self-supervised learning) 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 데이터(labelled data)를 사용하며, 비지도학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않은 데이터(unlabeled data)를 사용할 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 또한, 과적합(overfitting)을 막기 위해서 학습 데이터의 증가, 레귤러화(regularization), 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer) 등의 방법이 적용될 수 있다.
일 실시예에서, 모델은 트랜스포머의 적어도 일부분을 차용할 수 있다. 트랜스포머는 임베딩된 데이터들을 인코딩하는 인코더 및 인코딩된 데이터들을 디코딩하는 디코더로 구성될 수 있다. 트랜스포머는 일련의 데이터들을 수신하여, 인코딩 및 디코딩 단계를 거처 상이한 타입의 일련의 데이터들을 출력하는 구조를 지닐 수 있다. 일 실시예에서, 일련의 데이터들은 트랜스포머가 연산가능한 형태로 가공될 수 있다. 일련의 데이터들을 트랜스포머가 연산가능한 형태로 가공하는 과정은 임베딩 과정을 포함할 수 있다. 데이터 토큰, 임베딩 벡터, 임베딩 토큰 등과 같은 표현들은, 트랜스포머가 처리할 수 있는 형태로 임베딩된 데이터들을 지칭하는 것일 수 있다.
트랜스포머가 일련의 데이터들을 인코딩 및 디코딩하기 위하여, 트랜스포머 내의 인코더 및 디코더들을 어텐션(attention) 알고리즘을 활용하여 처리할 수 있다. 어텐션 알고리즘이란 주어진 쿼리(Query)에 대해, 하나 이상의 키(Key)에 대한 유사도를 구하고, 이렇게 주어진 유사도를, 각각의 키(Key)와 대응하는 값(Value)에 반영한 후, 유사도가 반영된 값(Value)들을 가중합하여 어텐션 값을 계산하는 알고리즘을 의미할 수 있다.
쿼리, 키 및 값을 어떻게 설정하느냐에 따라, 다양한 종류의 어텐션 알고리즘이 분류될 수 있다. 예를 들어, 쿼리, 키 및 값을 모두 동일하게 설정하여 어텐션을 구하는 경우, 이는 셀프-어텐션 알고리즘을 의미할 수 있다. 입력된 일련의 데이터들을 병렬로 처리하기 위해, 임베딩 벡터를 차원을 축소하여, 각 분할된 임베딩 벡터에 대해 개별적인 어텐션 헤드를 구하여 어텐션을 구하는 경우, 이는 멀티-헤드(multi-head) 어텐션 알고리즘을 의미할 수 있다.
일 실시예에서, 트랜스포머는 복수개의 멀티-헤드 셀프 어텐션 알고리즘 또는 멀티-헤드 인코더-디코더 알고리즘을 수행하는 모듈들로 구성될 수 있다. 일 실시예에서, 트랜스포머는 임베딩, 정규화, 소프트맥스(softmax) 등 어텐션 알고리즘이 아닌 부가적인 구성요소들 또한 포함할 수 있다. 어텐션 알고리즘을 이용하여 트랜스포머를 구성하는 방법은 Vaswani et al., Attention Is All You Need, 2017 NIPS에 개시된 방법을 포함할 수 있으며, 이는 본 명세서에 참조로 통합된다.
트랜스포머는 임베딩된 자연어, 분할된 이미지 데이터, 오디오 파형 등 다양한 데이터 도메인에 적용하여, 일련의 입력 데이터를 일련의 출력 데이터로 변환할 수 있다. 다양한 데이터 도메인을 가진 데이터들을 트랜스포머에 입력가능한 일련의 데이터들로 변환하기 위해, 트랜스포머는 데이터들을 임베딩할 수 있다. 트랜스포머는 일련의 입력 데이터 사이의 상대적 위치관계 또는 위상관계를 표현하는 추가적인 데이터를 처리할 수 있다. 또는 일련의 입력 데이터에 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 벡터들이 추가적으로 반영되어 일련의 입력 데이터가 임베딩될 수 있다. 일 예에서, 일련의 입력 데이터 사이의 상대적 위치관계는, 자연어 문장 내에서의 어순, 각각의 분할된 이미지의 상대적 위치 관계, 분할된 오디오 파형의 시간 순서 등을 포함할 수 있으나, 이에 제한되지 않는다. 일련의 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 정보를 추가하는 과정은 위치 인코딩(positional encoding)으로 지칭될 수 있다.
일 실시예에서, 모델은 RNN(Recurrent Neural Network), LSTM(Long Short Term Memory) 네트워크, DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함할 수 있고 이에 한정하지 않는다.
일 실시예에서, 모델은 전이학습(transfer learning) 방식으로 학습된 모델일 수 있다. 여기서, 전이학습은 대용량의 라벨링되어 있지 않은 학습용 데이터를 준지도학습 또는 자가학습 방식으로 사전 학습(pre-training)하여 제1 태스크를 갖는 사전 학습된(pre-trained) 모델을 얻고, 사전 학습된 모델을 제2 태스크에 적합하도록 fine-tuning하여 라벨링된 학습용 데이터를 지도학습 방식으로 학습해 타겟으로 하는 모델을 구현하는 학습 방식을 나타낸다.
다시 도 3을 참조하면, 분석부(124)는 반려동물 케어 센터의 케어 서비스를 요청하는 요청자 단말에서 각 시간대 별 예약 현황 정보가 표시되도록 요청자 단말을 제어한다. 실시예에서 예약 현황 정보는, 케어를 제공하는 각 시간대 별로, 케어 대상으로 예약되어 있는 반려동물의 종, 크기 및 동일 공간에서 동일 시간대에 함께 케어되기를 원하는 타 반려동물에 대한 정보를 포함한다.
실시예에서 분석부(124)는 요청자 단말로부터 요청자가 반려동물 케어 센터에서 케어되기를 요청하는 타겟 반려동물에 대한 정보가 통신부(110)를 통해 획득되면, 각 시간대 별 예약 현황 정보 중 하나 이상의 시간대에서, 타겟 반려동물이 케어 서비스를 받으면서 갖게 될 것으로 추론되는 만족도를 기 학습된 만족도 추론 모델(2)을 이용해서 제공한다. 실시예에서 만족도 추론 모델(2)은, 하나 이상의 시간대에서의 예약 현황 정보 및 타겟 반려동물에 대해 획득된 정보를 입력 받으면 추론된 만족도를 제공한다. 실시예에서 예약 현황 정보에는, 동일 시간대에 동일 공간에서 함께 케어되기를 원하지 않는 타 반려동물에 대한 정보가 더 포함될 수 있다. 실시예에서 동일 시간대에 동일 공간에서 함께 케어되기를 원하지 않는 타 반려동물에 대한 정보는 비선호 동물 정보로 설정되고, 비선호 동물 정보는 특성정보와, 품종, 크기 등을 포함할 수 있다. 또한, 실시예에서 예약 현황 정보는, 케어 대상으로 예약되어 있는 반려동물의 행동습성 또는 성향 정보를 더 포함할 수 있다. 실시예에서 행동습성 또는 성향 정보는, 반려동물의 행동을 촬영하는 카메라, 반려동물의 소리를 감지하는 마이크 및 반려동물에 부착되어서 해당 반려동물의 움직임을 감지하는 운동량 측정 센서로부터의 정보를 이용해서 획득될 수 있다.
실시예에서 하나 이상의 시간대는, 요청자가 요청자 단말을 통해서 상기 각 시간대 중에서 선택한 시간대일 수 있다.
실시예에서 행동습성 또는 성향 정보는, 카메라에서 획득된 이미지 정보, 마이크에서 획득된 소리 정보 및 운동량 측정 센서로부터 획득된 움직임 정보를 기 학습된 반려동물 습성 및 성향 정보 추론 모델에 제공함으로써 추론되어서 획득될 수 있다.
실시예에서 분석부(124)는 행동습성 또는 성향 정보 추론을 위해, 반려동물의 행동습성 및 성향 정보를 학습하기 위해 필요한 분석 데이터를 수집한다. 이 데이터에는 카메라로 촬영된 이미지, 마이크로 녹음된 소리, 운동량 측정 센서 데이터 등이 포함될 수 있다. 분석부(124)는 분석 데이터의 각 유형(예컨대, 이미지, 소리, 운동량)에서 특징을 추출한다. 예컨대, 이미지 데이터에서는 특징 추출기를 사용하여 물체, 얼굴, 감정 등을 감지하고, 소리 데이터에서는 음의 주파수, 음량, 주파수 특징을 추출한다. 이후, 분석부(124)는 추출된 특징을 벡터 또는 숫자 형태로 표현한다. 이렇게 특징 벡터로 변환된 데이터는 반려동물 습성 및 성향 정보 추론 모델에 입력으로 사용한다. 실시예에서 분석부(124)는 학습된 모델을 사용하여 새로운 데이터(카메라 이미지, 소리, 운동량 데이터)로부터 반려동물의 행동습성 및 성향 정보를 추론한다. 이것은 모델이 이전에 학습한 패턴을 기반으로 예측되는 것이며, 새로운 데이터에 대한 예측 결과를 출력한다.
또한, 분석부(124)는 카메라, 마이크 및 웨어러블 센서로부터 반려동물 모니터링 정보를 수집하고, 수집된 반려동물 모니터링 정보를 빅데이터로 훈련한 인공신경망 모델에 입력하여, 반려동물 각각의 특성정보를 파악한다.
이를 위해, 분석부(124)는 모니터링 정보에서 특성 파악에 필요한 활동 수준, 식사 습관, 수면 패턴을 포함하는 분석정보를 추출한다. 이후 분석 정보를 반려동물 습성 및 성향 정보 추론 모델에 입력하여, 해당 반려동물의 특성정보를 획득한다. 실시예에서 분석부(124)는 반려동물 습성 및 성향 정보 추론 모델의 예측 결과를 해석하고 반려동물의 상태 및 특성을 인식한다.
분석부(124)는 케어 서비스를 예약하려는 반려동물의 특성정보와 정해진 케어 시간에 이미 등록한 다른 반려동물의 특성정보에 따라, 케어 서비스를 예약하려는 반려동물의 케어 시간대 별 예상 스트레스 지수를 만족도 추론 모델을 통해 산출할 수 있다. 이를 위해, 분석부(124)는 케어 서비스를 예약하려는 반려동물의 특성 정보를 수집한다. 특성정보는 반려동물의 종류, 나이, 건강 상태, 성격, 습관 등을 더 포함할 수 있다. 이후, 이미 등록된 다른 반려동물의 특성 정보 획득한다. 실시예에서 분석부(124)는 만족도 추론 모델에 수집한 특성정보를 입력하여, 출력으로 각 시간 대별 요청자의 반려동물의 스트레스 지수를 획득할 수 있다.
또한, 실시예에서 분석부(124)는 요청자 반려동물이 싫어하는 비선호 반려동물의 종류, 크기, 성향 정보를 포함하는 비선호 반려동물 특성정보를 입력받고, 입력된 정보 각 정보 항목과, 케어 서비스 제공 시간대에 이미 등록된 반려동물의 특성정보를 비교한다. 이후, 비선호 반려동물 특성정보와 등록된 반려동물의 특성 유사도와 비례하도록 스트레스 지수를 산출할 수 있다. 실시예에서 비선호 반려동물 특성정보는 요청자 단말로부터 수집하거나, 반려동물 모니터링 정보를 통해 파악될 수 있다.
구체적으로, 분석부(124)는 케어 서비스 시간대별 요청자 반려동물의 스트레스 지수를 수학식 1에 따라 산출한다. 실시예에서 스트레스 지수는 예약 시간 대 별 요청자 반려동물의 스트레스를 정량적으로 예측한 지표이다.
수학식 1
스트레스 지수=
수학식 1에서 n은 각 케어 시간대에 등록한 반려동물 수, Si는 요청자 반려동물의 비선호 반려동물 특성정보와 케어 시간대에 등록된 반려동물 특성정보의 유사도이다.
실시예에서 분석부(124)는 반려동물의 특성정보 각각을 수치화 하고, 수치화 된 특성정보의 차이값에 따라 유사도를 산출할 수 있다. 구체적으로, 반려동물의 크기는 부피를 기준으로 수치화 하고, 성격은 온순함을 0, 매우 사나움을 10의 스케일로 설정하여 성격 수준 각각에 수치를 매핑한다. 또한, 얌전함은 0 매우 활발함은 10의 스케일로 설정하고, 특정 반려동물의 활발함이 보통으로 파악되는 경우, 활발함 정보를 5로 수치화 할 수 있다. 이에 따라, 분석부(124)는 반려동물 별 특성정보 각각을 차원정보로 설정하고, 특성정보 항목 각각을 수치화 된 좌표로 나타낼 수 있다. 예컨대, 분석부(124)는 반려동물의 특성정보를 (성격, 활발함, 크기)의 3차원 좌표 형식으로 설정하고, 3차원 좌표에 해당하는 반려동물 각각의 특성정보 좌표를 생성할 수 있다. 이후, 분석부(124)는 특성정보를 나타내는 각 좌표간 거리를 유사도로 산출하고, 동일한 시간대 케어 서비스를 등록한 다른 반려동물의 특성정보와 요청자가 등록한 비선호 반려동물의 특성정보를 비교한 유사도를 모두 합하여 스트레스 지수를 산출할 수 있다. 구체적으로, 분석부(124)는 비선호 반려동물의 특성정보좌표와 케어 서비스 제공 시간대에 등록한 반려동물의 특성정보 좌표 간 거리를 유사도로 산출할 수 있다.
실시예에서는 반려동물 별 비선호 반려동물 특성 정보를 통해, 요청자 반려동물의 스트레스 지수를 산출하고, 예약 시간대별 스트레스 지수를 고려하여 케어 서비스를 예약할 수 있도록 한다. 이로써 반려동물의 스트레스를 최소화하고 케어 서비스의 품질을 향상시킬 수 있도록 한다.
또한, 분석부(124)는 반려동물 모니터링 정보 분석 결과에 따라 케어 서비스를 예약하려는 반려동물의 케어 시간대 별 다른 동물과의 상호작용 지수를 산출한다. 실시예에서 상호작용 지수는 예약 시간 대 별 요청자 반려동물이 다른 반려동물과 상호작용하는 정도를 예측한 지표이다.
예컨대, 분석부(124)는 반려동물 모니터링 영상에서 요청자의 반려동물이 다른 반려동물과 상호작용하는 시간 및 주로 상호작용하는 반려동물의 특성정보를 파악하고, 파악된 특성정보를 기반으로 상호작용 지수를 산출한다.
실시예에서 상호작용 지수는 수학식 2를 통해 산출한다.
수학식 2
상호작용 지수=
수학식 2에서, n은 각 케어 시간대에 등록한 반려동물 수, Di는 제1선호 반려동물의 특성정보 좌표와 케어 서비스 제공 시간에 미리 등록된 반려동물 특성정보 좌표 간 거리이다.
실시예에서 주로 상호작용하는 반려동물인 제1선호 반려동물의 특성정보좌표와 케어 서비스 제공 시간에 미리 등록된 반려동물 특성 정보 좌표는 앞서 설명한 좌표 산출 과정을 통해 산출될 수 있다.
실시예에서 분석부(124)는 반려동물 모니터링 영상 분석 결과에 따라 반려동물 습성 및 성향 정보 추론 모델을 통해 상호작용 시간이 가장 긴 반려동물의 특성정보를 획득한다. 이후, 상호작용 시간이 가장 긴 반려동물의 특성정보를 제1선호좌표로 변환하고, 등록된 반려동물의 특성정보 좌표와 제1선호좌표의 거리(Di)를 산출한다. 이후, 케어 서비스 예약 시간에 등록한 반려동물의 특성좌표와의 거리에 반비례하는 수치를 모두 합한 값으로 예약 시간대 별 상호작용 지수를 계산할 수 있다.
또한, 분석부(124)는 요청자의 반려동물과 잘 어울리는 다른 반려동물의 정보를 선호 반려동물 정보로 등록받고, 선호 반려동물의 예약정보가 수신되는 경우, 수신된 선호 반려동물의 예약 정보를 선호 반려동물 정보를 등록한 요청자 단말로 전송한다.
또한, 실시예에서 분석부(124)는 스트레스 지수와 상호작용 지수를 기반으로, 요청자가 선택한 케어 서비스 시간에 미리 케어가 예정되어 있는 다른 반려동물들과 잘 어울릴 수 있는 확률을 인공신경망 모델을 통해 파악할 수 있다.
실시예에서 피드백부(125)는 인공신경망 모델의 정확도를 평가 데이터셋을 사용하여 측정할 수 있다. 평가 데이터셋은 모델이 학습에 사용하지 않은 데이터로 구성되어 있으며, 모델의 성능을 객관적으로 평가하는 데 사용된다. 실시예에서 피드백부(125)는 평가 데이터셋을 사용하여 인공신경망 모델을 실행하고, 각 입력 데이터에 대한 인공신경망 모델의 예측 값과 해당 데이터의 실제 정답 값을 비교한다. 이후, 비교 결과를 통해, 모델이 얼마나 정확하게 예측하는지를 측정할 수 있다. 예컨대, 피드백부(125)에서 정확도는 전체 데이터 중에서 모델이 맞게 예측한 데이터의 비율로 계산될 수 있다.
또한, 피드백부(125)는 정밀도와 재현율의 조화 평균으로 계산되는 지표인 정밀도와 재현율의 균형을 나타내는 지표인 F1 스코어(F1 Score)를 산출하고, 산출된 F1 스코어를 기반으로 인공신경망 모델을 평가하고, 분류 모델의 성능을 그래프로 시각화한 지표인 AUC-ROC 곡선을 생성하고, 생성된 AUC-ROC 곡선을 기반으로 인공신경망 모델을 평가할 수 있다. 실시예에서 피드백부(125)는 ROC 곡선 아래 면적 (AUC)이 1에 가까울수록 모델의 성능이 좋은 것으로 평가할 수 있다.
또한, 피드백부(125)는 인공신경망 모델의 해석 가능성을 평가할 수 있다. 실시예에서 피드백부(125)는 SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations) 방법을 통해, 인공신경망 모델의 해석 가능성을 평가한다. SHAP (SHapley Additive exPlanations)는 모델이 예측한 결과에 대한 해석을 제공하는 라이브러리로서, 피드백부(125)는 라이브러리에서 SHAP 값을 추출한다. 실시예에서 피드백부(125)는 SHAP값 추출을 통해, 모델에 입력된 특성정보가 모델 예측에 얼마나 영향을 미쳤는지를 예측할 수 있다.
LIME (Local Interpretable Model-agnostic Explanations) 방법은 개별 샘플에 대한 모델의 예측을 설명하는 방법이다. 실시예에서 피드백부(125)는 LIME 방법을 통해, 샘플을 해석 가능한 모델로 근사하여 각 특성정보의 중요도를 계산한다. 또한, 피드백부(125)는 모델의 내부 가중치와 편향 값을 분석하여 각 특성 변수의 영향력을 추정할 수 있다.
이하에서는 반려동물 케어를 위한 정보 제공 방법에 대해서 차례로 설명한다. 실시예에 따른 방법의 작용(기능)은 시스템의 기능과 본질적으로 같은 것이므로 도 1 내지 도 4와 중복되는 설명은 생략하도록 한다.
도 5는 실시예에 따른 반려동물 케어를 위한 정보 제공 시스템의 신호흐름을 나타낸 도면이다.
도 5를 참조하면, S100 단계에서는 요청자 단말에서 반려동물정보 및 케어 예약 정보를 수집하여 반려동물 케어 센터에 대한 정보 제공용 서버로 전송한다. S200 단계에서는 센터 단말에서 케어 서비스를 제공하는 동안 반려동물의 생활정보를 수집하여 반려동물 케어 센터에 대한 정보 제공용 서버로 전송한다. S300 단계에서는 반려동물 케어 센터에 대한 정보 제공용 서버에서 케어 중인 반려동물을 모니터링하여 반려동물 각각의 특성정보를 파악하고, 반려동물 케어 서비스 예약 인터페이스 및 생활정보를 요청자 단말로 제공한다.
도 6은 실시예에 따른 요청자 단말에서 어플리케이션을 통해 출력되는 반려동물 생활정보를 나타낸 도면이다.
도 6을 참조하면, 실시예에서는 요청자 단말로 케어 서비스를 제공받은 반려동물의 컨디션, 참여 프로그램, 함께 활동한 다른 반려동물의 컨디션 정보, 참여 프로그램 정보 등을 시각화하여 출력한다.
도 7은 실시예에 따른 반려동물 케어 센터에 대한 정보 제공용 서버의 데이터 처리 과정을 나타낸 도면이다.
도 7을 참조하면, S310 단계에서는 반려동물 케어 센터에 대한 정보 제공용 서버는 상기 반려동물 케어 센터의 케어 서비스를 요청하는 요청자 단말에서 각 시간대 별 예약 현황 정보가 표시되도록 제어한다.
실시예에서 예약 현황 정보에는, 각 시간대 별로, 케어 대상으로 예약되어 있는 반려동물의 종, 크기 및 동일 공간에서 동일 시간대에 함께 케어되기를 원하는 타 반려동물에 대한 정보가 포함된다.
S320 단계에서는 반려동물 케어 센터에 대한 정보 제공용 서버는 상기 요청자 단말로부터 요청자가 반려동물 케어 센터에서 케어되기를 요청하는 타겟 반려동물에 대한 정보를 획득한다. S330 단계에서는 반려동물 케어 센터에 대한 정보 제공용 서버는 각 시간대 별 예약 현황 정보 중 하나 이상의 시간대에서, 타겟 반려동물이 상기 케어 서비스를 받으면서 갖게 될 것으로 추론되는 만족도를 기 학습된 만족도 추론 모델을 이용해서 제공한다. 실시예에서 만족도 추론 모델은, 하나 이상의 시간대에서의 예약 현황 정보 및 타겟 반려동물에 대해 획득된 정보를 입력 받으면 상기 추론된 만족도를 제공한다. 실시예에서 예약 현황 정보는, 동일 시간대에 동일 공간에서 함께 케어되기를 원하지 않는 타 반려동물에 대한 정보와 케어 대상으로 예약되어 있는 반려동물의 행동습성 또는 성향 정보가 더 포함된다. 또한, 실시예에서 행동습성 또는 성향 정보는, 반려동물의 행동을 촬영하는 카메라, 반려동물의 소리를 감지하는 마이크 및 반려동물에 부착되어서 해당 반려동물의 움직임을 감지하는 운동량 측정 센서로부터의 정보를 이용해서 획득된다. 또한, 행동습성 또는 성향 정보는, 카메라에서 획득된 이미지 정보, 상기 마이크에서 획득된 소리 정보 및 운동량 측정 센서로부터 획득된 움직임 정보를 기 학습된 반려동물 습성 및 성향 정보 추론 모델에 제공함으로써 추론되어서 획득된다.
이상에서와 같은 반려동물 케어 센터에 대한 정보 제공용 서버 및 방법은 반려동물 케어 센터에서 케어 서비스를 제공하는 동안, 식사, 수면, 컨디션 등을 포함하는 생활정보를 함께 제공하여 케어 상황에 대한 반려인의 궁금증을 해소할 수 있도록 한다.
또한, 실시예에서는 반려동물의 행동 및 특성 정보를 수집하고 이를 인공신경망 모델을 통해 분석함으로써, 반려동물의 특성정보를 정확히 파악할 수 있다.
또한, 실시예에서는 반려동물의 케어 예약 인터페이스에서 케어 시간대 별로 예약된 다른 반려동물의 종류, 특성 정보를 제공하여, 피하고 싶은 반려동물과 함께 케어 서비스를 받지 않을 수 있도록 함으로써, 반려동물에게 보다 스트레스가 적은 케어 환경을 제공할 수 있다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.
100: 정보 제공용 서버
110: 통신부
120: 메모리
130: 프로세서
200: 요청자 단말
300: 센터 단말
110: 통신부
120: 메모리
130: 프로세서
200: 요청자 단말
300: 센터 단말
Claims (12)
- 반려동물 케어 센터에 대한 정보 제공용 서버로서,
통신부;
적어도 하나의 명령어 및 상기 반려동물 케어 센터에서의 각 시간대 별 예약 현황 정보를 저장하는 메모리; 및
프로세서를 포함하고,
상기 적어도 하나의 명령어가 상기 프로세서에 의해 실행됨으로써, 상기 정보 제공용 서버는,
상기 반려동물 케어 센터의 케어 서비스를 요청하는 요청자 단말에서 상기 각 시간대 별 예약 현황 정보가 표시되도록 제어하되, 상기 예약 현황 정보에는, 각 시간대 별로, 케어 대상으로 예약되어 있는 반려동물의 종, 크기 및 동일 공간에서 동일 시간대에 함께 케어되기를 원하는 타 반려동물에 대한 정보가 포함되고,
상기 요청자 단말로부터 상기 요청자가 상기 반려동물 케어 센터에서 케어되기를 요청하는 타겟 반려동물에 대한 정보가 상기 통신부를 통해 획득되면, 상기 각 시간대 별 예약 현황 정보 중 하나 이상의 시간대에서, 상기 타겟 반려동물이 상기 케어 서비스를 받으면서 갖게 될 것으로 추론되는 만족도를 기 학습된 만족도 추론 모델을 이용해서 제공하고,
상기 만족도 추론 모델은,
상기 하나 이상의 시간대에서의 상기 예약 현황 정보 및 상기 타겟 반려동물에 대해 획득된 정보를 입력받으면 상기 추론된 만족도를 제공하되,
동일한 시간대 케어 서비스를 등록한 다른 반려동물의 특성정보와 요청자가 등록한 비선호 반려동물의 특성정보를 비교한 유사도를 모두 합하여 예약 시간 대 별 요청자 반려동물의 스트레스 지수를 산출하고, 상기 산출된 요청자 반려동물의 스트레스 지수를 고려하여 상기 요청자 단말이 요청한 케어 서비스를 예약하는 것을 특징으로 하는 반려동물 케어 센터에 대한 정보 제공용 서버. - 제1항에 있어서, 예약 현황 정보에는, 동일 시간대에 동일 공간에서 함께 케어되기를 원하지 않는 타 반려동물에 대한 정보가 더 포함되는 것을 특징으로 하는 반려동물 케어 센터에 대한 정보 제공용 서버.
- 제1항에 있어서, 예약 현황 정보에는, 상기 케어 대상으로 예약되어 있는 반려동물의 행동습성 또는 성향 정보가 더 포함되는 것을 특징으로 하는 반려동물 케어 센터에 대한 정보 제공용 서버.
- 제3항에 있어서, 상기 행동습성 또는 성향 정보는,
반려동물의 행동을 촬영하는 카메라, 반려동물의 소리를 감지하는 마이크 및 반려동물에 부착되어서 해당 반려동물의 움직임을 감지하는 운동량 측정 센서로부터의 정보를 이용해서 획득된 것인 반려동물 케어 센터에 대한 정보 제공용 서버. - 제4항에 있어서, 상기 행동습성 또는 성향 정보는,
상기 카메라에서 획득된 이미지 정보, 상기 마이크에서 획득된 소리 정보 및 상기 운동량 측정 센서로부터 획득된 움직임 정보를 기 학습된 반려동물 습성 및 성향 정보 추론 모델에 제공함으로써 추론되어서 획득된 것인 반려동물 케어 센터에 대한 정보 제공용 서버. - 제1항에 있어서, 상기 하나 이상의 시간대는, 상기 요청자가 상기 요청자 단말을 통해서 상기 각 시간대 중에서 선택한 시간대인 것을 특징으로 하는 반려동물 케어 센터에 대한 정보 제공용 서버.
- 삭제
- 제1항에 있어서, 상기 만족도 추론 모델은,
반려동물 모니터링 영상 분석 결과에 따라 반려동물 습성 및 성향 정보 추론 모델을 통해 상호작용 시간이 가장 긴 반려동물의 특성정보를 획득하여 제1선호좌표로 변환하고, 등록된 반려동물의 특성정보 좌표와 상기 제1선호좌표 간의 거리(Di)를 산출하며, 상기 산출된 거리(Di)가 케어 서비스 예약 시간에 등록한 반려동물의 특성좌표와의 거리에 반비례하는 수치를 모두 합한 값으로 예약 시간대 별 상호작용 지수를 계산하는 것을 특징으로 하는 반려동물 케어 센터에 대한 정보 제공용 서버. - 반려동물 케어 센터에 대한 정보 제공용 서버에 의해 수행되는 반려동물 케어 센터에 대한 정보 제공 방법에 있어서,
(A) 상기 반려동물 케어 센터의 케어 서비스를 요청하는 요청자 단말에서 각 시간대 별 예약 현황 정보가 표시되도록 제어하는 단계;
(B) 상기 요청자 단말로부터 상기 요청자가 상기 반려동물 케어 센터에서 케어되기를 요청하는 타겟 반려동물에 대한 정보가 획득하는 단계; 및
(C) 상기 각 시간대 별 예약 현황 정보 중 하나 이상의 시간대에서, 상기 타겟 반려동물이 상기 케어 서비스를 받으면서 갖게 될 것으로 추론되는 만족도를 기 학습된 만족도 추론 모델을 이용해서 제공하는 단계;를 포함하고,
상기 예약 현황 정보에는, 각 시간대 별로, 케어 대상으로 예약되어 있는 반려동물의 종, 크기 및 동일 공간에서 동일 시간대에 함께 케어되기를 원하는 타 반려동물에 대한 정보가 포함되며,
상기 만족도 추론 모델은,
상기 하나 이상의 시간대에서의 상기 예약 현황 정보 및 상기 타겟 반려동물에 대해 획득된 정보를 입력받으면 상기 추론된 만족도를 제공하되,
동일한 시간대 케어 서비스를 등록한 다른 반려동물의 특성정보와 요청자가 등록한 비선호 반려동물의 특성정보를 비교한 유사도를 모두 합하여 예약 시간 대 별 요청자 반려동물의 스트레스 지수를 산출하고, 상기 산출된 요청자 반려동물의 스트레스 지수를 고려하여 상기 요청자 단말이 요청한 케어 서비스를 예약하는 것을 특징으로 하는 반려동물 케어 센터에 대한 정보 제공 방법. - 제9항에 있어서, 예약 현황 정보에는, 동일 시간대에 동일 공간에서 함께 케어되기를 원하지 않는 타 반려동물에 대한 정보가 더 포함되는 것을 특징으로 하는 반려동물 케어 센터에 대한 정보 제공 방법.
- 제9항에 있어서, 예약 현황 정보에는, 상기 케어 대상으로 예약되어 있는 반려동물의 행동습성 또는 성향 정보가 더 포함되는 것을 특징으로 하는 반려동물 케어 센터에 대한 정보 제공 방법.
- 제11항에 있어서, 상기 행동습성 또는 성향 정보는,
반려동물의 행동을 촬영하는 카메라, 반려동물의 소리를 감지하는 마이크 및 반려동물에 부착되어서 해당 반려동물의 움직임을 감지하는 운동량 측정 센서로부터의 정보를 이용해서 획득된 것인 반려동물 케어 센터에 대한 정보 제공 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230131842A KR102656184B1 (ko) | 2023-10-04 | 2023-10-04 | 반려동물 케어를 위한 정보 제공용 서버 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230131842A KR102656184B1 (ko) | 2023-10-04 | 2023-10-04 | 반려동물 케어를 위한 정보 제공용 서버 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102656184B1 true KR102656184B1 (ko) | 2024-04-08 |
Family
ID=90714997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230131842A KR102656184B1 (ko) | 2023-10-04 | 2023-10-04 | 반려동물 케어를 위한 정보 제공용 서버 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102656184B1 (ko) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190019098A (ko) * | 2019-01-21 | 2019-02-26 | 아바드(주) | 반려동물 예약서비스 시스템. |
| KR102106489B1 (ko) | 2019-10-08 | 2020-05-06 | 박선웅 | 소셜 플랫폼 기반의 반려 동물 돌봄 서비스 제공 방법, 장치 및 컴퓨터-판독가능 기록 매체 |
| KR20210058396A (ko) * | 2019-11-14 | 2021-05-24 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| KR102249386B1 (ko) | 2019-08-29 | 2021-06-07 | 주식회사 스페컴 | 반려 동물 보험과 연계하여, 온라인 상에서 구현되는 반려 동물용 생활 서비스 제공 플랫폼의 구축 방법 및 컴퓨터 판독가능 기록 매체 |
| KR102400714B1 (ko) * | 2020-12-14 | 2022-05-20 | 박수인 | 반려동물 토탈 케어 방법 및 시스템 |
| KR20230011576A (ko) * | 2021-07-14 | 2023-01-25 | 정재헌 | 애완동물용 호텔 추천 시스템 및 방법 |
| KR102521694B1 (ko) * | 2021-11-18 | 2023-04-17 | 박채원 | 카메라단에서의 기계학습을 활용하여 동물의 행동을 분석하기 위한 방법 |
| KR20230060786A (ko) * | 2021-10-28 | 2023-05-08 | 주식회사 와이펫 | 반려동물 커뮤니티를 통한 반려동물 정보제공 시스템 |
-
2023
- 2023-10-04 KR KR1020230131842A patent/KR102656184B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190019098A (ko) * | 2019-01-21 | 2019-02-26 | 아바드(주) | 반려동물 예약서비스 시스템. |
| KR102249386B1 (ko) | 2019-08-29 | 2021-06-07 | 주식회사 스페컴 | 반려 동물 보험과 연계하여, 온라인 상에서 구현되는 반려 동물용 생활 서비스 제공 플랫폼의 구축 방법 및 컴퓨터 판독가능 기록 매체 |
| KR102106489B1 (ko) | 2019-10-08 | 2020-05-06 | 박선웅 | 소셜 플랫폼 기반의 반려 동물 돌봄 서비스 제공 방법, 장치 및 컴퓨터-판독가능 기록 매체 |
| KR20210058396A (ko) * | 2019-11-14 | 2021-05-24 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| KR102400714B1 (ko) * | 2020-12-14 | 2022-05-20 | 박수인 | 반려동물 토탈 케어 방법 및 시스템 |
| KR20230011576A (ko) * | 2021-07-14 | 2023-01-25 | 정재헌 | 애완동물용 호텔 추천 시스템 및 방법 |
| KR20230060786A (ko) * | 2021-10-28 | 2023-05-08 | 주식회사 와이펫 | 반려동물 커뮤니티를 통한 반려동물 정보제공 시스템 |
| KR102521694B1 (ko) * | 2021-11-18 | 2023-04-17 | 박채원 | 카메라단에서의 기계학습을 활용하여 동물의 행동을 분석하기 위한 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7020156B2 (ja) | 評価装置、動作制御装置、評価方法、及び評価プログラム | |
| US11664108B2 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
| US20210022657A1 (en) | Systems and Methods for Using Mobile and Wearable Video Capture and Feedback Plat-Forms for Therapy of Mental Disorders | |
| US20200245913A1 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
| JP7422946B2 (ja) | ベイジアングラフ探索を用いたニューラルネットワークアーキテクチャの自動構築 | |
| US11270565B2 (en) | Electronic device and control method therefor | |
| KR102045741B1 (ko) | 반려동물 건강관리데이터 제공장치, 방법 및 프로그램 | |
| KR102330858B1 (ko) | 배변 시트 대변 이미지를 활용한 반려 동물 대변 상태 분석 정보 제공 방법, 장치 및 시스템 | |
| CN112135568B (zh) | 信息处理装置、信息处理方法和程序 | |
| CN113396422A (zh) | 使用生物统计数据训练感知任务的机器学习模型 | |
| US11670421B2 (en) | Method and system enabling digital biomarker data integration and analysis for clinical treatment impact | |
| KR102494384B1 (ko) | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 | |
| KR102463875B1 (ko) | 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템 | |
| Tahir et al. | Modified wild horse optimization with deep learning enabled symmetric human activity recognition model | |
| KR102546807B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| Alshammari et al. | Evaluating machine learning techniques for activity classification in smart home environments | |
| Moosavi et al. | Early mental stress detection using q-learning embedded starling murmuration optimiser-based deep learning model | |
| KR102564996B1 (ko) | 인공지능 기반 사용자 맞춤형 건강기능식품 큐레이션 서비스 제공 방법, 장치 및 시스템 | |
| KR102656184B1 (ko) | 반려동물 케어를 위한 정보 제공용 서버 및 방법 | |
| KR102530527B1 (ko) | 건강 정보 기반 식당 추천 서비스 제공 방법, 장치 및 시스템 | |
| Dhanalakshmi et al. | Early detection of sepsis using LSTM and reinforcement learning | |
| Hernández-Luquin et al. | Dog emotion recognition from images in the wild: Debiw dataset and first results | |
| KR102563687B1 (ko) | 보청기 사용자 및 보호자를 위한 보청기 관리 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
| KR102593868B1 (ko) | 손톱 및 발톱 케어 정보 제공 및 전문가 매칭 플랫폼서비스 구동 방법, 장치 및 시스템 | |
| KR102490320B1 (ko) | 3d 신체 모델을 이용한 사용자 맞춤형 제품 및 행동 추천 방법, 장치 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |