KR102668843B1 - 인공지능을 이용한 스마트 주문 시스템 - Google Patents

인공지능을 이용한 스마트 주문 시스템 Download PDF

Info

Publication number
KR102668843B1
KR102668843B1 KR1020240007724A KR20240007724A KR102668843B1 KR 102668843 B1 KR102668843 B1 KR 102668843B1 KR 1020240007724 A KR1020240007724 A KR 1020240007724A KR 20240007724 A KR20240007724 A KR 20240007724A KR 102668843 B1 KR102668843 B1 KR 102668843B1
Authority
KR
South Korea
Prior art keywords
information
user terminal
complaint
menu
application
Prior art date
Application number
KR1020240007724A
Other languages
English (en)
Inventor
이종훈
Original Assignee
이종훈
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이종훈 filed Critical 이종훈
Priority to KR1020240007724A priority Critical patent/KR102668843B1/ko
Application granted granted Critical
Publication of KR102668843B1 publication Critical patent/KR102668843B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
    • G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q50/50—Business processes related to the communications industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information

Landscapes

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

Abstract

실시예들은 인공지능을 이용한 스마트 주문 시스템을 제공한다. 상기 스마트 주문 시스템은, 식당에 대한 예약, 상기 식당의 메뉴에 대한 주문 및 상기 식당의 메뉴에 대한 결제를 수행하는 제1 어플리케이션이 설치된 사용자 단말; 상기 제1 어플리케이션과 연동되어 상기 식당의 고객과 상기 식당의 매출을 관리하는 제2 어플리케이션이 설치된 관리자 단말; 및 상기 제1 어플리케이션을 통한 서비스 및 상기 제2 어플리케이션을 통한 서비스를 제공하는 서버를 포함할 수 있다.
상기 사용자 단말은, 사용자 정보 및 식당 예약 정보를 포함하는 예약 요청 메시지를 상기 제1 어플리케이션을 통해 상기 서버에게 전송하고, 예약 승인 메시지를 상기 제1 어플리케이션을 통해 상기 서버로부터 수신하고, 상기 식당에 구비된 QR 코드를 상기 제1 어플리케이션을 통해 인식하는 것을 기반으로 상기 QR 코드에 대한 정보 및 상기 사용자 단말의 위치 정보를 포함하는 메뉴 요청 메시지를 상기 서버에게 전송할 수 있다.
상기 서버는, 상기 사용자 단말의 위치 정보 및 상기 QR 코드에 대한 정보를 기반으로 상기 사용자 단말에 대한 메뉴 정보 및 상기 사용자 단말에 대한 프로모션 정보를 상기 제1 어플리케이션을 통해 상기 사용자 단말에게 전송하고, 상기 사용자 단말에 대한 메뉴 정보는 기본 메뉴 정보, 상기 식당의 매출 정보, 상기 사용자 정보, 상기 사용자 단말의 이용 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 메뉴 설정 모델을 통해 결정되고, 상기 사용자 단말에 대한 프로모션 정보는 기본 프로모션 정보, 상기 식당의 매출 정보, 상기 사용자 정보 및 상기 사용자 단말의 이용 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 프로모션 설정 모델을 통해 결정되고, 상기 사용자 단말로부터 주문 정보 및 결제 정보를 포함하는 결제 요청 메시지를 상기 제1 어플리케이션을 통해 수신하고, 상기 주문 정보 및 상기 결제 정보를 포함하는 결제 승인 요청 메시지를 상기 제2 어플리케이션을 통해 상기 관리자 단말에게 전송하고, 상기 관리자 단말로부터 결제 승인 메시지를 상기 제2 어플리케이션을 통해 수신하고, 상기 결제 승인 메시지에 기반하여 상기 사용자 단말에 대한 특이사항 정보를 상기 관리자 단말에게 전송할 수 있다. 예를 들어, 사용자 단말에 대한 특이사항 정보는 상기 사용자 단말의 이용 정보를 기반으로 결정될 수 있다.

Description

인공지능을 이용한 스마트 주문 시스템{SMART ORDERING SYSTEM UTILIZING ARTIFICIAL INTELLIGENCE}
본 개시의 실시예들은 스마트 주문 시스템에 관한 것으로, 인공지능을 이용한 스마트 주문 시스템에 대한 것이다.
한편, 정보 통신 기술의 발달로 인해, 대부분의 음식점들이 아날로그 방식의 종이 메뉴판과 종이 주문서를 키오스크 또는 태블릿을 이용한 음식료에 대한 주문 서비스로 대체하고 있다.
기존 키오스크 또는 태블릿을 이용한 주문 서비스는 단순히 메뉴를 선택하여 주문하기 위한 기능을 제공할 뿐, 음식점에 대한 예약은 사용자의 스마트폰을 통해 별도로 수행하여야 하고, 메뉴에 대한 결제 또한 고객이 카드를 통해 수행하여야 하는 불편함이 존재한다. 따라서, 음식점의 예약과 대기 및 음식점의 메뉴에 대한 주문과 결제를 한번에 제공하는 스마트 주문 시스템이 필요하다.
또한, 기존 키오스크 또는 태블릿을 이용한 주문 서비스는 식당의 특성 및 사용자의 특성을 고려하지 않고, 음식료의 메뉴 및 이에 따른 프로모션을 모든 사용자에게 동일하게 적용하고 있기 때문에, 사용자마다 차별적인 서비스를 제공하기 어려운 문제가 있다. 즉, 음식점의 관리자는 고객들의 니즈와 고객들의 컴플레인을 체크하기 위해서는 고객들과 직접적으로 소통해야 하며, 서비스를 제공하는 과정에서 파악한 고객들의 특성을 기억해야 하는 번거로움이 있다.
이에, 식당의 매출 정보 및 사용자 단말의 이용 정보를 기반으로 학습된 인공지능을 이용하여 식당의 매출과 사용자의 성향을 고려한 사용자 전용 메뉴판과 사용자의 니즈에 맞는 프로모션을 제공하고, 식당을 이용하는 사용자들의 주문 패턴과 식사 패턴을 고려하여 사용자의 특이 사항 정보를 제공하는 스마트 주문 시스템이 필요하다.
본 개시의 실시예들은, 인공지능을 이용한 스마트 주문 시스템을 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 인공지능을 이용한 스마트 주문 시스템은, 식당에 대한 예약, 상기 식당의 메뉴에 대한 주문 및 상기 식당의 메뉴에 대한 결제를 수행하는 제1 어플리케이션이 설치된 사용자 단말; 상기 제1 어플리케이션과 연동되어 상기 식당의 고객과 상기 식당의 매출을 관리하는 제2 어플리케이션이 설치된 관리자 단말; 및 상기 제1 어플리케이션을 통한 서비스 및 상기 제2 어플리케이션을 통한 서비스를 제공하는 서버를 포함할 수 있다.
상기 사용자 단말은, 사용자 정보 및 식당 예약 정보를 포함하는 예약 요청 메시지를 상기 제1 어플리케이션을 통해 상기 서버에게 전송하고, 예약 승인 메시지를 상기 제1 어플리케이션을 통해 상기 서버로부터 수신하고, 상기 식당에 구비된 QR 코드를 상기 제1 어플리케이션을 통해 인식하는 것을 기반으로 상기 QR 코드에 대한 정보 및 상기 사용자 단말의 위치 정보를 포함하는 메뉴 요청 메시지를 상기 서버에게 전송할 수 있다.
상기 서버는, 상기 사용자 단말의 위치 정보 및 상기 QR 코드에 대한 정보를 기반으로 상기 사용자 단말에 대한 메뉴 정보 및 상기 사용자 단말에 대한 프로모션 정보를 상기 제1 어플리케이션을 통해 상기 사용자 단말에게 전송하고, 상기 사용자 단말에 대한 메뉴 정보는 기본 메뉴 정보, 상기 식당의 매출 정보, 상기 사용자 정보, 상기 사용자 단말의 이용 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 메뉴 설정 모델을 통해 결정되고, 상기 사용자 단말에 대한 프로모션 정보는 기본 프로모션 정보, 상기 식당의 매출 정보, 상기 사용자 정보 및 상기 사용자 단말의 이용 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 프로모션 설정 모델을 통해 결정되고, 상기 사용자 단말로부터 주문 정보 및 결제 정보를 포함하는 결제 요청 메시지를 상기 제1 어플리케이션을 통해 수신하고, 상기 주문 정보 및 상기 결제 정보를 포함하는 결제 승인 요청 메시지를 상기 제2 어플리케이션을 통해 상기 관리자 단말에게 전송하고, 상기 관리자 단말로부터 결제 승인 메시지를 상기 제2 어플리케이션을 통해 수신하고, 상기 결제 승인 메시지에 기반하여 상기 사용자 단말에 대한 특이사항 정보를 상기 관리자 단말에게 전송할 수 있다. 예를 들어, 사용자 단말에 대한 특이사항 정보는 상기 사용자 단말의 이용 정보를 기반으로 결정될 수 있다.
실시예들에 따르면, 스마트 주문 시스템은 기본 메뉴 정보, 식당의 매출 정보, 사용자 정보 및 사용자 단말의 이용 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 메뉴 설정 모델을 통해 사용자 단말에 대한 메뉴 정보를 결정함으로써, 사용자 단말마다 커스터마이징된 메뉴판을 표시하는 차별적인 서비스를 제공할 수 있다.
실시예들에 따르면, 스마트 주문 시스템은 기본 프로모션 정보, 식당의 매출 정보, 사용자 정보 및 사용자 단말의 이용 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 프로모션 설정 모델을 통해 사용자 단말에 대한 프로모션 정보를 결정함으로써, 사용자 단말이 이용하는 식당과 사용자 단말의 특성을 고려하여 사용자에게 최적화된 프로모션을 제공할 수 있다.
실시예들에 따르면, 스마트 주문 시스템은 사용자 단말의 이용 정보를 기반으로 사용자 단말에 대한 특이사항 정보를 관리자 단말에게 전송함으로써, 해당 식당이 보다 좋은 품질의 서비스를 제공하도록 보조할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 인공지능을 이용한 스마트 주문 시스템 구성의 연결 모식도이다.
도 4는 일 실시예에 따른 인공지능을 이용한 스마트 주문 시스템에 대한 신호 교환도이다.
도 5는 일 실시예에 따른 스마트 주문 시스템이 사용자 단말의 컴플레인 메시지에 대응하는 방법을 나타낸 신호 교환도이다.
도 6은 일 실시예에 따른 메뉴 설정 모델이 사용하는 뉴럴 네트워크를 나타낸 도면이다.
도 7은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다. 도 1의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다. 도 2의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 인공지능을 이용한 스마트 주문 시스템 구성의 연결 모식도이다. 도 3의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 인공지능을 이용한 스마트 주문 시스템(300)(이하, 스마트 주문 시스템)은 사용자 단말(310), 관리자 단말(320) 및 서버(330)를 포함할 수 있다.
스마트 주문 시스템(300)은 식당을 이용하는 고객이 자신이 사용하는 단말에 고객용 어플리케이션을 설치하여 식당의 예약, 주문 및 결제를 수행하고, 식당의 관리자가 자신이 사용하는 단말에 관리자 전용 어플리케이션을 설치하여 식당의 고객 관리와 식당의 매출 관리를 수행하기 위한 시스템일 수 있다. 예를 들어, 스마트 주문 시스템(300)은 제1 어플리케이션을 통해 사용자 단말(310)이 식당을 예약하는 기능, 인공지능을 통해 커스터마이징된 식당의 메뉴와 프로모션을 사용자 단말(310)에게 제공하는 기능과 사용자 단말(310)이 직접 주문 및 결제를 수행하는 기능을 수행하고, 제1 어플리케이션과 연동된 제2 어플리케이션을 통해 관리자 단말(320)이 식당의 고객과 식당의 매출을 관리하는 기능과 인공지능을 통해 식당의 고객별 특이사항 정보 및 식당의 업무 가이드를 생성하여 제공하는 기능을 수행할 수 있다. 여기서, 제1 어플리케이션은 식당을 이용하는 고객이 사용하는 고객용 어플리케이션일 수 있다. 제2 어플리케이션은 식당을 관리하는 관리자가 사용하는 관리자 전용 어플리케이션일 수 있다.
예를 들어, 스마트 주문 시스템(300)은 사용자 단말(310)이 제1 어플리케이션을 통해 선결제를 수행하는 기능을 제공할 수 있다. 스마트 주문 시스템(300)은 사용자 단말(310)에 대해 기 설정된 결제 수단을 기반으로 사용자 단말(310)이 제1 어플리케이션을 통해 결제를 요청한 제1 결제 금액에 대한 선결제를 수행할 수 있다. 이러한 선결제가 수행된 후, 스마트 주문 시스템(300)은 관리자 단말(320)이 승인한 메뉴들에 대한 제2 결제 금액으로 최종 결제를 수행할 수 있다. 예를 들어, 서버는 제1 결제 금액이 제2 결제 금액보다 큰 경우, 제1 결제 금액과 제2 결제 금액의 금액 차이만큼 결제를 취소할 수 있다. 예를 들어, 서버는 제1 결제 금액이 제2 결제 금액보다 작은 경우, 제1 결제 금액과 제2 결제 금액의 금액 차이만큼 결제를 추가적으로 수행할 수 있다.
예를 들어, 스마트 주문 시스템(300)은 사용자 단말(310)이 제1 어플리케이션을 통해 후결제를 수행하는 기능을 제공할 수 있다. 스마트 주문 시스템(300)은 사용자 단말(310)에 대해 기 설정된 결제 수단을 기반으로 관리자 단말(320)이 승인한 메뉴들에 대한 결제 금액으로 결제를 수행할 수 있다.
예를 들어, 스마트 주문 시스템(300)은 사용자 단말(310)이 제1 어플리케이션을 통해 결제를 위한 포인트를 구매하는 기능 및 사용자 단말(310)이 제1 어플리케이션을 통해 구매한 포인트를 이용하여 메뉴를 결제하는 기능과 사용자 단말(310)이 이용한 포인트에 해당하는 금액을 제2 어플리케이션을 통해 관리자 단말(320)에게 제공하는 기능을 수행할 수 있다. 사용자 단말(310)은 제1 어플리케이션을 통해 주문한 메뉴를 결제할 때, 사용자 단말이 사전 구매한 포인트에서 결제 금액에 해당하는 포인트만큼 차감하는 방식으로 결제를 진행할 수 있다.
예를 들어, 스마트 주문 시스템(300)은 사용자 단말(310)이 제1 어플리케이션을 통해 결제를 위한 포인트를 구매하는 기능 및 사용자 단말(310)이 제1 어플리케이션을 통해 구매한 포인트를 이용하여 메뉴를 결제하는 기능과 사용자 단말(310)이 이용한 포인트에 해당하는 금액을 제2 어플리케이션을 통해 관리자 단말(320)에게 제공하는 기능을 수행할 수 있다. 사용자 단말(310)은 제1 어플리케이션을 통해 주문한 메뉴를 결제할 때, 사용자 단말이 사전 구매한 포인트에서 결제 금액에 해당하는 포인트만큼 차감하는 방식으로 결제를 진행할 수 있다.
사용자 단말(310)은 식당을 이용하는 고객이 사용하는 단말일 수 있다. 사용자 단말(310)은 식당에 대한 예약, 식당의 메뉴에 대한 주문 및 식당의 메뉴에 대한 결제를 수행하는 제1 어플리케이션이 설치된 단말일 수 있다. 예를 들어, 사용자 단말(310)은 도 1의 전자 장치(101)를 포함할 수 있다.
관리자 단말(320)은 식당의 관리자가 사용하는 단말일 수 있다. 관리자 단말(320)은 제1 어플리케이션과 연동되어 식당의 고객과 식당의 매출을 관리하는 제2 어플리케이션이 설치된 단말일 수 있다. 예를 들어, 관리자 단말(320)은 도 1의 전자 장치(101)를 포함할 수 있다.
서버(330)는 제1 어플리케이션과 제2 어플리케이션을 통한 스마트 주문 서비스를 제공하는 서버일 수 있다. 서버(330)는 제1 어플리케이션을 통해 사용자 단말(310)과 식당의 예약, 주문 및 결제와 관련된 정보를 송수신할 수 있고, 제2 어플리케이션을 통해 관리자 단말(320)과 식당의 고객 관리 및 식당의 매출 관리와 관련된 정보를 송수신할 수 있다. 예를 들어, 서버(330)는 도 1의 서버(108)를 포함할 수 있다.
예를 들어, 서버(330)는 사용자 단말(310)이 제1 어플리케이션을 통해 식당을 예약하고, 식당의 메뉴를 주문하고 결제한 경우, 식당을 예약한 정보, 식당의 메뉴를 주문한 정보 및 식당의 메뉴를 결제한 정보를 제2 어플리케이션에 반영할 수 있다. 이를 통해, 관리자 단말(320)이 사용자 단말(310)이 식당을 예약한 정보, 식당의 메뉴를 주문한 정보 및 식당의 메뉴를 결제한 정보를 제2 어플리케이션을 통해 확인하고, 식당의 고객 및 매출을 관리할 수 있다.
도 4는 일 실시예에 따른 인공지능을 이용한 스마트 주문 시스템에 대한 신호 교환도이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 단계 S410에서, 관리자 단말은 서버와 사전 연결되어 서버에게 기본 메뉴 정보 및 기본 프로모션 정보를 전송할 수 있다.
예를 들어, 관리자 단말은 서버와 사전 연결되어 관리자 단말의 식당에 대한 정보를 제2 어플리케이션을 통해 서버에 등록될 수 있다. 식당에 대한 정보는 식당의 이름, 식당의 위치 및 식당의 연락처를 포함할 수 있다. 예를 들어, 제2 어플리케이션은 관리자 단말이 식당에 대한 정보를 입력할 수 있는 인터페이스를 포함할 수 있다.
기본 메뉴 정보는 식당에서 판매하는 복수의 메뉴에 대한 정보를 포함할 수 있다. 예를 들어, 복수의 메뉴에 대한 정보는 각 메뉴의 카테고리, 각 메뉴의 이름, 각 메뉴의 가격, 각 메뉴의 평균 조리 시간, 각 메뉴의 설명을 위한 텍스트 및 각 메뉴에 대한 복수의 샘플 이미지를 포함할 수 있다. 예를 들어, 복수의 샘플 이미지는 해당 메뉴에 대한 사진 이미지, 해당 메뉴에 대한 그림 이미지 및 해당 메뉴에 대한 로고 이미지를 포함할 수 있다. 예를 들어, 제2 어플리케이션은 관리자 단말이 기본 메뉴 정보를 입력할 수 있는 인터페이스를 관리자 단말에게 제공할 수 있다.
부가적으로, 예를 들어, 관리자 단말은 제2 어플리케이션을 통해 메뉴판에 대한 이미지를 촬영하고, 촬영된 메뉴판 이미지를 서버에게 전송할 수 있다. 서버는 메뉴판 이미지에 대한 OCR(optical character recognition)을 수행하여, 메뉴판의 카테고리와 해당 카테고리에 포함된 각 메뉴의 이름, 가격, 설명을 위한 텍스트를 추출할 수 있다.
기본 프로모션 정보는 식당에서 제공하는 복수의 프로모션에 대한 정보를 포함할 수 있다. 프로모션에 대한 정보는 식당에서 판매를 촉진하기 위한 마케팅에 대한 정보일 수 있다. 예를 들어, 복수의 프로모션에 대한 정보는 복수의 프로모션 종류에 대한 정보 및 복수의 프로모션 각각에 대한 설정 정보를 포함할 수 있다. 예를 들어, 프로모션 종류는 가격 할인 프로모션, 쿠폰 제공 프로모션, 적립금 제공 프로모션 및 리뷰 이벤트에 따른 메뉴 무료 제공 프로모션을 포함할 수 있다. 여기서, 리뷰 이벤트는 사용자 단말이 제1 어플리케이션을 통해 식당을 이용한 후 리뷰를 작성하면 식당에서 특정 메뉴를 무료로 제공하는 이벤트일 수 있다. 본 개시의 실시예들에 따른 프로모션의 종류는 이에 한정되지 않으며, 더 많은 종류를 프로모션을 포함할 수 있다. 예를 들어, 복수의 프로모션 종류에 대한 정보는 둘 이상의 프로모션 종류를 포함할 수 있다. 프로모션에 대한 설정 정보는 프로모션이 적용되는 메뉴에 대한 정보 및 프로모션을 통해 제공되는 보상에 대한 허용 범위를 포함할 수 있다. 예를 들어, 프로모션에 대한 설정 정보는 프로모션의 종류마다 상이할 수 있다. 예를 들어, 프로모션 종류가 가격 할인 프로모션인 경우, 프로모션에 대한 설정 정보는 가격이 할인되는 메뉴에 대한 정보 및 할인율에 대한 허용 범위를 포함할 수 있다. 예를 들어, 프로모션 종류가 쿠폰 제공 프로모션인 경우, 프로모션에 대한 설정 정보는 쿠폰이 제공되는 결제 금액에 대한 정보 및 쿠폰 개수에 따른 보상 정보를 포함할 수 있다. 여기서, 쿠폰 개수에 따른 보상 정보는 보상이 제공되는 쿠폰의 개수 및 보상에 대한 허용 가액의 범위를 포함할 수 있다. 예를 들어, 프로모션 종류가 적립금 제공 프로모션인 경우, 프로모션에 대한 설정 정보는 결제 금액에 대한 적립율의 허용 범위 및 사용 가능한 최소 적립금의 허용 범위를 포함할 수 있다. 예를 들어, 프로모션 종류가 리뷰 이벤트에 따른 메뉴 무료 제공 프로모션인 경우, 프로모션에 대한 설정 정보는 무료로 제공되는 메뉴에 대한 정보를 포함할 수 있다.
예를 들어, 제2 어플리케이션은 관리자 단말이 기본 프로모션 정보를 입력할 수 있는 인터페이스를 관리자 단말에게 제공할 수 있다.
단계 S420에서, 사용자 단말은 사용자 정보 및 식당 예약 정보를 포함하는 예약 요청 메시지를 제1 어플리케이션을 통해 서버에게 전송할 수 있다.
예약 요청 메시지는 사용자 단말이 식당에 대한 예약을 요청하는 메시지일 수 있다. 사용자 정보는 식당을 이용하는 고객에 대한 정보이며, 예를 들어, 사용자 정보는 사용자의 이름, 사용자의 나이 및 사용자의 성별을 포함할 수 있다. 식당 예약 정보는 고객이 식당을 예약한 정보이며, 예를 들어, 식당 예약 정보는 식당의 이름, 식당의 위치, 예약 인원, 예약 날짜 및 예약 시간을 포함할 수 있다. 예를 들어, 제1 어플리케이션은 사용자 단말이 사용자 정보와 식당 예약 정보를 입력할 수 있는 인터페이스를 사용자 단말에게 제공할 수 있다. 이때, 제1 어플리케이션은 해당 식당의 이용 가능한 날짜 및 시간과 이용 가능한 인원에 대한 정보를 사용자 단말에게 제공함으로써, 사용자 단말이 해당 식당에 대해 예약이 가능한 날짜 및 시간에 예약 인원을 제1 어플리케이션을 통해 입력할 수 있다.
단계 S430에서, 사용자 단말은 예약 승인 메시지를 제1 어플리케이션을 통해 서버(330)로부터 수신할 수 있다.
예약 승인 메시지는 서버가 사용자 단말에게 식당에 대한 예약이 승인된 것을 알리는 메시지일 수 있다. 제1 어플리케이션은 예약이 승인된 것을 확인할 수 있는 인터페이스를 사용자 단말에게 제공할 수 있다.
예를 들어, 서버는 사용자 단말로부터 수신한 예약 요청 메시지를 관리자 단말에게 제2 어플리케이션을 통해 전달하고, 관리자 단말의 예약 승인을 수신할 수 있다. 이후, 서버는 관리자 단말의 예약 승인에 기반하여 예약 승인 메시지를 제1 어플리케이션을 통해 사용자 단말에게 전송할 수 있다.
단계 S440에서, 사용자 단말은 식당에 구비된 QR(quick response) 코드를 제1 어플리케이션을 통해 인식하는 것을 기반으로 QR 코드에 대한 정보 및 사용자 단말의 위치 정보를 포함하는 메뉴 요청 메시지를 서버에게 전송할 수 있다.
QR 코드는 2차원 매트릭스 형태로 정보를 표시한 코드를 지칭한다. 예를 들어, QR 코드는 식당의 테이블에 구비될 수 있다.
메뉴 요청 메시지는 사용자 단말이 서버에게 메뉴를 요청하는 메시지일 수 있다. QR 코드에 대한 정보는 QR 코드가 부착된 테이블에 대한 정보를 포함할 수 있다. 예를 들어, QR 코드가 부착된 테이블에 대한 정보는 테이블의 식별 번호를 포함할 수 있다. 사용자 단말의 위치 정보는 사용자 단말에 구비된 GPS(global positioning system) 모듈을 통해 측정된 사용자 단말의 현재 위치 정보일 수 있다. 제1 어플리케이션은 QR 코드를 인식할 수 있는 인터페이스를 사용자 단말에게 제공할 수 있다.
예를 들어, 사용자 단말이 제1 어플리케이션을 통해 QR 코드를 인식하여 사용자 단말에 표시된 URL(uniform resource locator)을 클릭한 경우, QR 코드에 대한 정보 및 사용자 단말의 위치 정보를 포함하는 메뉴 요청 메시지가 서버에게 전송될 수 있다.
단계 S450에서, 서버는 사용자 단말의 위치 정보 및 QR 코드에 대한 정보를 기반으로 사용자 단말에 대한 메뉴 정보 및 사용자 단말에 대한 프로모션 정보를 제1 어플리케이션을 통해 사용자 단말에게 전송할 수 있다.
예를 들어, QR 코드가 인식된 식당의 위치로부터 사용자 단말의 위치가 사전 설정된 범위 이내인 경우, 서버는 사용자 단말에 대한 메뉴 정보 및 사용자 단말에 대한 프로모션 정보를 제1 어플리케이션을 통해 사용자 단말에게 전송할 수 있다.
예를 들어, QR 코드가 인식된 식당의 위치로부터 사용자 단말의 위치가 사전 설정된 범위 이내인 경우, 서버는 QR 코드를 인식하여 사용자 단말에 표시된 URL에 대한 접속을 허용할 수 있다. 예를 들어, 사용자 단말은 URL에 대한 접속을 통해 사용자 단말에 대한 메뉴 정보 및 사용자 단말에 대한 프로모션 정보를 수신할 수 있다.
사용자 단말에 대한 메뉴 정보는 사용자 단말에 대해 커스터마이징된 메뉴 정보일 수 있다. 메뉴 정보는 해당 식당의 복수의 메뉴 각각이 제1 어플리케이션을 통해 사용자 단말에 디스플레이되는 정보일 수 있다. 예를 들어, 사용자 단말에 대한 메뉴 정보는 기본 메뉴 정보, 식당의 매출 정보, 사용자 정보, 사용자 단말의 이용 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 메뉴 설정 모델을 통해 결정될 수 있다.
식당의 매출 정보는 서버가 사용자 단말로부터 예약 요청 메시지를 수신한 시점 이전까지 식당의 매출에 대한 정보일 수 있다. 예를 들어, 식당의 매출 정보는, 서버가 사용자 단말로부터 예약 요청 메시지를 수신한 시점 이전에 대한, 복수의 메뉴 각각에 대한 일별 판매량, 복수의 메뉴 각각에 대한 마진율 및 복수의 메뉴 각각에 대한 시간 구간별 판매량을 포함할 수 있다. 복수의 메뉴 각각에 대한 마진율은 해당 메뉴를 판매한 경우에 대한 순이익이며, 상술한 제1 이익과 동일할 수 있다.
사용자 단말의 이용 정보는 서버가 사용자 단말로부터 예약 요청 메시지를 수신한 시점 이전까지 사용자 단말이 제1 어플리케이션을 이용한 정보일 수 있다. 예를 들어, 사용자 단말의 이용 정보는, 서버가 사용자 단말로부터 예약 요청 메시지를 수신한 시점 이전까지, 모든 메뉴 각각에 대한 주문 횟수, 모든 메뉴 각각에 대한 주문 시각, 모든 메뉴 각각에 대한 식사 시간, 결제를 취소한 횟수, 서비스와 관련된 컴플레인 정보, 컴플레인 메시지의 타입별 전송 횟수, 컴플레인 메시지의 레벨별 전송 횟수 및 컴플레인 메시지에 대한 대응 만족도를 포함할 수 있다. 여기서, 모든 메뉴는 제1 어플리케이션에 등록된 식당들에 대해서 사용자 단말이 주문한 모든 메뉴일 수 있다. 컴플레인 메시지는 사용자 단말이 제1 어플리케이션을 통해 서비스와 관련된 컴플레인 정보를 서버에게 전송한 메시지일 수 있다. 서비스와 관련된 컴플레인 정보는 컴플레인 메시지의 텍스트 정보와 컴플레인 메시지를 전송한 날짜 및 시간을 포함할 수 있다. 컴플레인 메시지의 타입은 음식의 품질에 대한 제1 컴플레인 타입, 서비스의 지연에 대한 제2 컴플레인 타입, 청결 상태에 대한 제3 컴플레인 타입, 가격에 대한 제4 컴플레인 타입, 서빙 태도 및 응대에 대한 제5 컴플레인 타입 및 식당 내부 시설의 불편함에 대한 제6 컴플레인 타입을 포함할 수 있다. 예를 들어, 컴플레인 메시지의 레벨은 컴플레인 메시지에 포함된 텍스트의 개수 및 사전 설정된 단어의 포함 여부에 기반하여 결정될 수 있다. 예를 들어, 컴플레인 메시지의 레벨은 경미한 수준에 해당하는 제1 레벨, 일반적인 수준에 해당하는 제2 레벨 및 심각한 수준에 해당하는 제3 레벨을 포함할 수 있다. 예를 들어, 컴플레인 메시지의 레벨은 3개의 레벨보다 더 큰 개수의 레벨로 분류될 수도 있다. 컴플레인 메시지에 대한 대응 만족도는 컴플레인 메시지를 전달받은 식당 측에서 제공한 대응책에 대한 사용자 단말의 만족도일 수 있다. 예를 들어, 컴플레인 메시지에 대한 대응 만족도는 1점에서 5점 사이의 값을 가질 수 있고, 만족도가 높을수록 높은 점수로 결정될 수 있다. 예를 들어, 식사 시간은 사용자 단말이 제1 어플리케이션을 통해 식당의 QR 코드가 인식된 시점부터 사용자 단말의 위치가 해당 식당의 위치로부터 사전 설정된 범위 밖으로 변경된 시점 사이의 시간으로 결정될 수 있다.
일 실시예에 따르면, 서버는 기본 메뉴 정보에 대한 데이터 전처리를 통해 복수의 메뉴 각각에 대한 식별 값, 복수의 메뉴 각각에 대한 가격 및 복수의 메뉴 각각에 대한 평균 조리 시간을 포함하는 메뉴 벡터를 생성할 수 있다. 여기서, 복수의 메뉴 각각에 대한 식별 값은 해당 메뉴의 카테고리 및 해당 메뉴의 이름에 매칭되는 식별 값으로 결정될 수 있다. 예를 들어, 복수의 메뉴의 카테고리 및 복수의 메뉴의 이름의 조합별로 식별 값이 서버에 사전 설정될 수 있다.
서버는 식당의 매출 정보에 대한 데이터 전처리를 통해 복수의 메뉴 각각에 대한 일별 판매량, 복수의 메뉴 각각에 대한 마진율 및 복수의 메뉴 각각에 대한 시간 구간별 판매량을 포함하는 매출 벡터를 생성할 수 있다. 예를 들어, 복수의 메뉴 각각에 대한 일별 판매량은 사용자 단말로부터 예약 요청 메시지를 수신한 시점 이전까지 해당 식당의 복수의 메뉴 각각에 대한 판매량을 일별로 평균한 판매량일 수 있다. 예를 들어, 복수의 메뉴 각각에 대한 마진율은 사용자 단말로부터 예약 요청 메시지를 수신한 시점 이전까지 해당 식당의 복수의 메뉴 각각에 대한 마진율을 평균한 값일 수 있다. 예를 들어, 복수의 메뉴 각각에 대한 시간 구간별 판매량은 사용자 단말로부터 예약 요청 메시지를 수신한 시점 이전까지 해당 식당의 복수의 메뉴 각각에 대한 판매량을 시간 구간별로 평균한 판매량일 수 있다.
부가적으로, 예를 들어, 제1 어플리케이션에 식당이 등록된 시점부터 사용자 단말로부터 예약 요청 메시지를 수신한 시점까지의 기간이 사전 설정된 기간보다 짧은 경우, 서버는 기본 매출 벡터를 매출 벡터로 결정할 수 있다. 예를 들어, 기본 매출 벡터는 복수의 메뉴 각각에 대한 일별 기본 판매량, 복수의 메뉴 각각에 대한 기본 마진율 및 복수의 메뉴 각각에 대한 시간 구간별 기본 판매량을 포함할 수 있다. 복수의 메뉴 각각에 대한 일별 기본 판매량은 제1 어플리케이션에 등록된 모든 메뉴 중에서 메뉴에 대한 식별 값이 해당 식당의 메뉴와 동일한 적어도 하나의 메뉴를 결정하고, 적어도 하나의 메뉴에 대한 일별 판매량을 평균한 값으로 결정될 수 있다. 복수의 메뉴 각각에 대한 일별 기본 마진율은 제1 어플리케이션에 등록된 모든 메뉴 중에서 메뉴에 대한 식별 값이 해당 식당의 메뉴와 동일한 적어도 하나의 메뉴를 결정하고, 적어도 하나의 메뉴에 대한 마진율을 평균한 값으로 결정될 수 있다. 복수의 메뉴 각각에 대한 시간 구간별 기본 판매량은 제1 어플리케이션에 등록된 모든 메뉴 중에서 메뉴에 대한 식별 값이 해당 식당의 메뉴와 동일한 적어도 하나의 메뉴를 결정하고, 적어도 하나의 메뉴에 대한 기본 판매량을 평균한 값으로 결정될 수 있다.
서버는 사용자 정보 및 사용자 단말의 이용 정보에 대한 데이터 전처리를 통해 사용자의 나이, 사용자의 성별, 복수의 메뉴 각각에 대한 주문 횟수, 복수의 메뉴 각각에 대한 주문 시각, 복수의 메뉴 각각에 대한 식사 시간 및 사용자의 성향과 관련된 값을 포함하는 사용자 벡터를 생성할 수 있다.
복수의 메뉴 각각에 대한 주문 횟수는 해당 식당의 복수의 메뉴 각각에 대해 사용자 단말이 주문한 횟수를 나타낼 수 있다. 복수의 메뉴 각각에 대한 주문 시각은 해당 식당의 복수의 메뉴 각각에 대해 사용자 단말이 주문한 시각을 나타낼 수 있다. 복수의 메뉴 각각에 대한 식사 시간은, 해당 식당의 복수의 메뉴 각각에 대해, 사용자 단말이 제1 어플리케이션을 통해 해당 식당의 QR 코드가 인식된 시점부터 사용자 단말의 위치가 해당 식당의 위치로부터 사전 설정된 범위 밖으로 변경된 시점 사이의 시간을 평균한 시간일 수 있다.
사용자의 성향과 관련된 값은 사용자의 응대 난이도 및 서비스 우선 순위에 대한 값을 포함할 수 있다. 사용자의 응대 난이도는 사용자를 응대하는 난이도를 나타내며, 1점부터 10점 사이의 값을 가질 수 있다. 예를 들어, 사용자의 응대 난이도는 결제를 취소한 횟수, 컴플레인 메시지의 레벨별 전송 횟수 및 컴플레인 메시지에 대한 대응 만족도를 기반으로 결정될 수 있다.
부가적으로, 예를 들어, 사용자의 응대 난이도는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Dlevel은 상기 사용자의 응대 난이도이고, 상기 nc는 결제를 취소한 횟수이고, 상기 nd는 기준 횟수이고, 상기 L은 컴플레인 메시지의 레벨의 개수이고, 상기 ni는 i번째 레벨의 컴플레인 메시지에 대한 전송 횟수이고, Ps는 컴플레인 메시지에 대한 대응 만족도의 평균 값이고, 상기 K는 보정 상수일 수 있다.
예를 들어, 기준 횟수 및 보정 상수는 서버에 사전 설정될 수 있다.
예를 들어, min 함수는 괄호 안의 두 값 중 더 작은 값을 선택하는 함수일 수 있다. 예를 들어, floor 함수는 괄호 안의 소수점을 내려서 정수 값을 반환하는 함수이며, 내림 함수로 지칭될 수 있다.
이를 통해, 결제를 취소한 횟수, 컴플레인 메시지의 레벨별 전송 횟수 및 컴플레인 메시지에 대한 대응 만족도를 고려하여 사용자의 응대 난이도를 미리 예측함으로써, 관리자 단말은 사용자의 응대 난이도를 반영하여 최적화된 서비스를 제공할 수 있다.
서비스 우선 순위는 복수의 서비스 항목에 대한 사용자의 우선 순위를 나타낼 수 있다. 예를 들어, 복수의 서비스 항목은 음식의 맛에 대한 제1 항목, 서비스 속도에 대한 제2 항목, 청결함에 대한 제3 항목, 가격에 대한 제4 항목, 서빙 태도에 대한 제5 항목 및 편의성에 대한 제6 항목을 포함할 수 있다. 예를 들어, 서비스 우선 순위는 복수의 서비스 항목 각각에 대한 우선 순위 값을 포함할 수 있다. 여기서, 우선 순위가 높을수록 우선 순위 값이 큰 값으로 결정될 수 있다.
예를 들어, 특정 서비스 항목에 대한 사용자의 우선 순위 값은 하기 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, Spriority는 상기 특정 서비스 항목에 대한 사용자의 우선 순위 값이고, 상기 N은 상기 특정 서비스 항목에 매칭되는 컴플레인 메시지의 개수이고, 상기 Lj는 j번째 컴플레인 메시지의 레벨에 대한 값이고, 상기 wj는 j번째 컴플레인 메시지의 시간 가중치에 대한 값일 수 있다.
예를 들어, 제1 항목 내지 제6 항목은 각각 제1 컴플레인 타입 내지 제6 컴플레인 타입 각각에 일대일로 매칭될 수 있다.
예를 들어, 컴플레인 메시지의 레벨에 대한 값은 제1 레벨인 경우에는 1 값, 제2 레벨인 경우에는 2 값, 제3 레벨인 경우에는 3 값을 가질 수 있다.
예를 들어, 컴플레인 메시지의 시간 가중치에 대한 값은 현재 시점으로부터 컴플레인 메시지가 전송된 시점 사이의 기간에 따라 상이하게 설정될 수 있다. 즉, 컴플레인 메시지의 시간 가중치에 대한 값은 최근에 전송된 컴플레인 메시지에 대해 더 큰 값이 설정될 수 있다. 예를 들어, 컴플레인 메시지의 시간 가중치에 대한 값은 0보다 크고 1 이하인 값을 가질 수 있다. 예를 들어, 현재 시점으로부터 컴플레인 메시지가 전송된 시점 사이의 기간이 일주일 이내인 경우에는 1 값을 가질 수 있고, 현재 시점으로부터 컴플레인 메시지가 전송된 시점 사이의 기간이 일주일보다 길고 1개월 이내인 경우에는 0.9 값을 가질 수 있고, 현재 시점으로부터 컴플레인 메시지가 전송된 시점 사이의 기간이 1개월보다 길고 3개월 이내인 경우에는 0.8 값을 가질 수 있다. 즉, 복수의 설정 범위 중에서 현재 시점으로부터 컴플레인 메시지가 전송된 시점 사이의 기간이 포함되는 설정 범위에 매칭된 값이 컴플레인 메시지의 시간 가중치에 대한 값으로 결정될 수 있다.
이를 통해, 컴플레인 메시지의 타입별 전송 횟수, 컴플레인 메시지의 레벨별 전송 횟수 및 컴플레인 메시지를 전송한 시각을 고려하여 서비스 우선 순위를 미리 예측함으로써, 관리자 단말은 서비스 우선 순위를 반영하여 최적화된 서비스를 제공할 수 있다.
부가적으로, 예를 들어, 사용자 단말이 해당 식당에 메뉴를 주문한 횟수가 사전 설정된 제1 횟수 미만인 경우, 서버는 제1 어플리케이션을 통해 메뉴를 주문한 총 횟수가 사전 설정된 제2 횟수 이상인지 여부를 결정할 수 있다.
예를 들어, 사용자 단말이 해당 식당에 메뉴를 주문한 횟수가 사전 설정된 제1 횟수 미만이고, 제1 어플리케이션을 통해 메뉴를 주문한 총 횟수가 사전 설정된 제2 횟수 이상인 경우, 서버는 대체 사용자 벡터를 사용자 벡터로 결정할 수 있다.
예를 들어, 대체 사용자 벡터는 사용자의 나이, 사용자의 성별, 복수의 메뉴 각각에 대한 대체 주문 횟수, 복수의 메뉴 각각에 대한 대체 주문 시각, 복수의 메뉴 각각에 대한 대체 식사 시간 및 사용자의 성향과 관련된 값을 포함할 수 있다.
예를 들어, 서버는, 해당 식당의 복수의 메뉴 각각에 대해, 제1 어플리케이션에 등록된 복수의 메뉴 중에서 유사도가 기준 유사도 이상인 적어도 하나의 메뉴를 결정할 수 있다. 서버는, 해당 식당의 복수의 메뉴 각각에 대해, 기준 유사도 이상인 적어도 하나의 메뉴에 대한 주문 횟수를 평균한 값을 복수의 메뉴 각각에 대한 대체 주문 횟수로 결정할 수 있다. 서버는, 해당 식당의 복수의 메뉴 각각에 대해, 기준 유사도 이상인 적어도 하나의 메뉴에 대한 주문 시각을 평균한 값을 복수의 메뉴 각각에 대한 대체 주문 시각으로 결정할 수 있다. 서버는, 해당 식당의 복수의 메뉴 각각에 대해, 기준 유사도 이상인 적어도 하나의 메뉴에 대한 식사 시간을 평균한 값을 복수의 메뉴 각각에 대한 대체 식사 시간으로 결정할 수 있다.
예를 들어, 제1 어플리케이션에 등록된 복수의 메뉴 중에서 유사도가 기준 유사도 이상인 적어도 하나의 메뉴는 복수의 메뉴에 대한 식별 값 사이에 사전 설정된 유사도를 기반으로 결정될 수 있다. 예를 들어, 서버는 해당 식당의 메뉴별로 기준 유사도를 상이하게 설정할 수 있다. 예를 들어, 서버는 해당 식당의 메뉴에 대해 제1 어플리케이션에 등록된 복수의 메뉴 중에서 유사도가 기준 유사도 이상인 적어도 하나의 메뉴를 탐색할 때까지 해당 메뉴에 대한 기준 유사도를 특정 값만큼 단계별로 감소시킬 수 있다. 예를 들어, 기준 유사도가 80으로 설정된 경우, 제1 어플리케이션에 등록된 복수의 메뉴 중에서 해당 식당의 메뉴 A에 대한 유사도가 80 이상인 메뉴가 존재하지 않는 경우, 서버는 기준 유사도를 70으로 감소시킬 수 있다. 서버는 제1 어플리케이션에 등록된 복수의 메뉴 중에서 해당 식당의 메뉴 A에 대한 유사도가 기준 유사도 이상인 메뉴를 탐색할 때까지 기준 유사도를 단계별로 감소시킬 수 있다.
예를 들어, 사용자 단말이 해당 식당에 메뉴를 주문한 횟수가 사전 설정된 제1 횟수 미만이고, 제1 어플리케이션을 통해 메뉴를 주문한 총 횟수가 사전 설정된 제2 횟수 미만인 경우, 서버는 기본 사용자 벡터를 사용자 벡터로 결정할 수 있다.
기본 사용자 벡터는 제1 어플리케이션을 이용하는 복수의 사용자 단말 중에서 사용자의 나이와 사용자의 성별이 동일하고, 사용자 단말이 해당 식당에 메뉴를 주문한 횟수가 사전 설정된 제1 횟수이상인 적어도 하나의 사용자 단말에 대한 사용자 벡터를 기반으로 결정될 수 있다. 예를 들어, 기본 사용자 벡터는 사용자의 나이, 사용자의 성별, 복수의 메뉴 각각에 대한 기본 주문 횟수, 복수의 메뉴 각각에 대한 기본 주문 시각, 복수의 메뉴 각각에 대한 기본 식사 시간 및 사용자의 성향과 관련된 기본 값을 포함할 수 있다.
예를 들어, 복수의 메뉴 각각에 대한 기본 주문 횟수는 적어도 하나의 사용자 단말의 복수의 메뉴 각각에 대한 주문 횟수를 평균한 값일 수 있다.
예를 들어, 복수의 메뉴 각각에 대한 기본 주문 시각은 적어도 하나의 사용자 단말의 복수의 메뉴 각각에 대한 주문 시각을 평균한 값일 수 있다.
예를 들어, 복수의 메뉴 각각에 대한 기본 식사 시간은 적어도 하나의 사용자 단말의 복수의 메뉴 각각에 대한 기본 식사 시간을 평균한 값일 수 있다.
예를 들어, 사용자의 성향과 관련된 기본 값은 적어도 하나의 사용자 단말의 사용자의 성향과 관련된 값을 평균한 값일 수 있다.
서버는 메뉴 벡터, 매출 벡터 및 사용자 벡터를 메뉴 설정 모델에 입력시킴으로써, 메뉴 설정과 관련된 값을 획득할 수 있다.
메뉴 설정과 관련된 값은 복수의 메뉴 각각의 배치 위치와 관련된 값, 복수의 메뉴 각각의 설명을 위한 텍스트와 관련된 값 및 복수의 메뉴 각각의 샘플 이미지와 관련된 값을 포함할 수 있다. 복수의 메뉴 각각의 배치 위치와 관련된 값은 메뉴 정보에서 복수의 메뉴 각각이 배치되는 위치 좌표를 포함할 수 있다. 예를 들어, 위치 좌표는 2차원 좌표 값일 수 있다. 복수의 메뉴의 각각의 설명을 위한 텍스트와 관련된 값은 텍스트의 크기에 대한 값 및 텍스트의 글꼴에 대한 값을 포함할 수 있다. 복수의 메뉴 각각의 샘플 이미지와 관련된 값은 샘플 이미지의 크기에 대한 값 및 샘플 이미지의 종류에 대한 값을 포함할 수 있다. 예를 들어, 샘플 이미지의 종류는 사진, 그림 및 로고를 포함할 수 있다.
예를 들어, 사용자 단말에 대한 메뉴 정보는 메뉴 설정과 관련된 값을 기반으로 사용자 단말에 표시될 수 있다.
예를 들어, 메뉴 설정 모델은 복수의 메뉴 벡터, 복수의 매출 벡터, 복수의 사용자 벡터 및 복수의 정답 메뉴 설정과 관련된 값을 기반으로 학습될 수 있다.
사용자 단말에 대한 프로모션 정보는 사용자 단말에 대해 커스터마이징된 프로모션 정보일 수 있다. 예를 들어, 사용자 단말에 대한 프로모션 정보는 사용자 단말에게 적용되는 프로모션 종류에 대한 정보와 사용자 단말에게 적용되는 프로모션 종류에 따른 보상 정보를 포함할 수 있다.
예를 들어, 사용자 단말에 대한 프로모션 정보는 기본 프로모션 정보, 식당의 매출 정보, 사용자 정보 및 사용자 단말의 이용 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 프로모션 설정 모델을 통해 결정될 수 있다.
일 실시예에 따르면, 서버는 기본 프로모션 정보에 대한 데이터 전처리를 통해 복수의 프로모션 종류에 대한 식별 값 및 복수의 프로모션 종류에 따른 설정 값을 포함하는 프로모션 벡터를 생성할 수 있다. 예를 들어, 복수의 프로모션 종류에 대한 식별 값은 가격 할인 프로모션, 쿠폰 제공 프로모션, 적립금 제공 프로모션 및 리뷰 이벤트에 따른 메뉴 무료 제공 프로모션 각각에 대한 식별 값 중 둘 이상의 식별 값을 포함할 수 있다. 예를 들어, 복수의 프로모션 종류 각각에 대한 식별 값은 서버에 사전 저장될 수 있다. 예를 들어, 복수의 프로모션 종류에 따른 설정 값은 해당 프로모션의 보상에 대한 허용 범위 값을 포함할 수 있다. 예를 들어, 복수의 프로모션 종류에 대한 설정 값은 프로모션 종류에 따라 상이하게 결정될 수 있다. 예를 들어, 프로모션 종류가 가격 할인 프로모션인 경우, 프로모션의 보상에 대한 허용 범위 값은 메뉴별 할인율의 최소 허용 값과 최대 허용 값을 포함할 수 있다. 예를 들어, 프로모션 종류가 쿠폰 제공 프로모션인 경우, 프로모션의 보상에 대한 허용 범위 값은 쿠폰이 제공되는 결제 금액의 최소 허용 값과 최대 허용 값, 보상으로 제공되는 최소 가액 값과 최대 가액 값을 포함할 수 있다. 예를 들어, 프로모션 종류가 적립금 제공 프로모션인 경우, 프로모션의 보상에 대한 허용 범위 값은 결제 금액에 대한 적립율의 최소 허용 값과 최대 허용 값, 사용 가능한 최소 적립금의 최소 허용 값과 최대 허용 값을 포함할 수 있다. 예를 들어, 프로모션 종류가 리뷰 이벤트에 따른 메뉴 무료 제공 프로모션인 경우, 프로모션의 보상에 대한 허용 범위 값은 무료로 제공되는 메뉴의 최소 가액 값과 최대 가액 값을 포함할 수 있다.
예를 들어, 서버는 프로모션 벡터, 매출 벡터 및 사용자 벡터를 프로모션 설정 모델에 입력시킴으로써, 추천 프로모션 설정과 관련된 값을 획득할 수 있다. 추천 프로모션 설정과 관련된 값은 추천 프로모션 종류에 대한 식별 값 및 추천 프로모션 종류에 따른 설정 값을 포함할 수 있다.
예를 들어, 추천 프로모션의 종류에 따른 설정 값은 추천 프로모션의 보상에 대한 값을 포함할 수 있다. 예를 들어, 추천 프로모션의 보상에 대한 값은 프로모션 종류에 따라 상이하게 결정될 수 있다. 예를 들어, 프로모션 종류가 가격 할인 프로모션인 경우, 추천 프로모션의 보상에 대한 값은 메뉴별 할인율에 대한 값을 포함할 수 있다. 예를 들어, 프로모션 종류가 쿠폰 제공 프로모션인 경우, 추천 프로모션의 보상에 대한 값은 쿠폰이 제공되는 결제 금액 값과 보상으로 제공되는 가액 값을 포함할 수 있다. 예를 들어, 프로모션 종류가 적립금 제공 프로모션인 경우, 추천 프로모션의 보상에 대한 값은 결제 금액에 대한 적립율 값 및 사용 가능한 적립금 값을 포함할 수 있다. 예를 들어, 프로모션 종류가 리뷰 이벤트에 따른 메뉴 무료 제공 프로모션인 경우, 추천 프로모션의 보상에 대한 값은 무료로 제공되는 메뉴의 가액 값을 포함할 수 있다.
예를 들어, 서버는 추천 프로모션 설정과 관련된 값을 기반으로 사용자 단말에 대한 프로모션 정보를 결정할 수 있다.
예를 들어, 사용자 단말에게 적용되는 프로모션 종류에 대한 정보는 추천 프로모션 종류에 대한 식별을 포함할 수 있다. 사용자 단말에게 적용되는 프로모션 종류에 따른 보상 정보는 추천 프로모션의 보상에 대한 값을 포함할 수 있다.
예를 들어, 프로모션 설정 모델은 복수의 프로모션 벡터, 복수의 매출 벡터, 복수의 사용자 벡터 및 복수의 추천 프로모션 설정과 관련된 값을 기반으로 학습될 수 있다.
단계 S460에서, 서버는 사용자 단말로부터 주문 정보 및 결제 정보를 포함하는 결제 요청 메시지를 제1 어플리케이션을 통해 수신할 수 있다.
결제 요청 메시지는 사용자 단말이 제1 어플리케이션을 통해 주문한 메뉴들에 대한 결제를 서버에게 요청하는 메시지일 수 있다. 주문 정보는 적어도 하나의 메뉴에 대한 식별 값 및 적어도 하나의 메뉴에 대한 주문 개수를 포함할 수 있다. 결제 정보는 결제 수단에 대한 정보 및 결제 금액에 대한 정보를 포함할 수 있다. 제1 어플리케이션은 사용자 단말이 주문 정보와 결제 정보를 입력할 수 있는 인터페이스를 사용자 단말에게 제공할 수 있다. 예를 들어, 결제 수단에 대한 정보는 사용자 단말이 서버로부터 사전 구매한 포인트에 대한 정보, 사용자 단말이 서버에 사전 등록한 계좌에 대한 정보 및 사용자 단말이 서버에 사전 등록한 신용 카드에 대한 정보를 포함할 수 있다.
예를 들어, 서버는 사용자 단말이 결제 요청 메시지를 통해 요청한 제1 결제 금액을 사전 등록된 결제 수단을 기반으로 선결제를 수행한 후, 관리자 단말이 결제 승인 메시지를 통해 승인한 메뉴들에 대한 제2 결제 금액으로 최종 결제를 수행할 수 있다.
단계 S470에서, 서버는 주문 정보 및 결제 정보를 포함하는 결제 승인 요청 메시지를 제2 어플리케이션을 통해 관리자 단말에게 전송할 수 있다.
결제 승인 요청 메시지는 서버가 관리자 단말에게 사용자 단말이 제1 어플리케이션을 통해 주문한 메뉴들에 대한 결제의 승인을 요청하는 메시지일 수 있다.
단계 S480에서, 서버는 관리자 단말로부터 결제 승인 메시지를 제2 어플리케이션을 통해 수신할 수 있다.
결제 승인 메시지는 관리자 단말이 사용자 단말이 제1 어플리케이션을 통해 주문한 메뉴들에 대한 결제를 서버에게 승인하는 메시지일 수 있다.
단계 S490에서, 서버는 결제 승인 메시지에 기반하여 사용자 단말에 대한 특이사항 정보를 관리자 단말에게 전송할 수 있다.
예를 들어, 사용자 단말에 대한 특이사항 정보는 사용자 단말의 이용 정보를 기반으로 결정될 수 있다. 예를 들어, 사용자 단말에 대한 특이사항 정보는 컴플레인 이력 정보, 사용자의 응대 난이도 및 서비스 우선 순위를 포함할 수 있다. 컴플레인 이력 정보는 사전 설정된 기간동안 사용자 단말이 전송한 컴플레인 메시지에 대한 이력 정보일 수 있다. 예를 들어, 컴플레인 이력 정보는 사용자 단말이 컴플레인 메시지를 전송한 날짜와 시간, 컴플레인 메시지의 타입별 전송 횟수, 컴플레인 메시지의 레벨별 전송 횟수, 컴플레인 메시지에 대한 대응 만족도 및 컴플레인 메시지에 포함된 텍스트를 포함할 수 있다. 여기서, 사전 설정된 기간은 관리자 단말로부터 결정 승인 메시지를 수신한 시점 이전의 기간일 수 있다.
도 5는 일 실시예에 따른 스마트 주문 시스템이 사용자 단말의 컴플레인 메시지에 대응하는 방법을 나타낸 신호 교환도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S510에서, 서버는 사용자 단말로부터 서비스와 관련된 컴플레인 정보를 포함하는 컴플레인 메시지를 제1 어플리케이션을 통해 수신할 수 있다.
단계 S520에서, 서버는 서비스와 관련된 컴플레인 정보를 기반으로 제3 뉴럴 네트워크를 이용하는 대응 추천 모델을 통해 사용자 단말에 대한 추천 대응책 정보를 결정할 수 있다.
예를 들어, 서버는 서비스와 관련된 컴플레인 정보에 대한 데이터 전처리를 통해 컴플레인 타입에 대한 값 및 컴플레인에 대한 레벨 값을 포함하는 컴플레인 벡터를 생성할 수 있다.
컴플레인 타입에 대한 값은 사용자 단말이 컴플레인 메시지를 전송할 때 제1 어플리케이션을 통해 선택한 컴플레인 메시지의 타입에 대한 값일 수 있다. 예를 들어, 컴플레인 타입에 대한 값은 복수의 컴플레인 메시지의 타입마다 상이한 값으로 설정될 수 있다. 컴플레인에 대한 레벨 값은 컴플레인 메시지에 포함된 텍스트의 개수 및 컴플레인 메시지에 사전 설정된 단어가 포함된 개수를 기반으로 결정된 값일 수 있다. 예를 들어, 사전 설정된 단어는 비속어를 포함할 수 있다. 즉, 컴플레인에 대한 레벨 값은 컴플레인 메시지에 포함된 텍스트의 개수와 컴플레인 메시지에 사전 설정된 단어가 포함된 개수가 많을수록 큰 값으로 설정될 수 있다. 예를 들어, 컴플레인에 대한 레벨 값은 컴플레인 메시지에 포함된 텍스트의 개수와 컴플레인 메시지에 사전 설정된 단어가 포함된 개수에 비례하여 설정될 수 있다. 예를 들어, 컴플레인 대한 레벨이 제1 레벨 내지 제3 레벨로 구성된 경우, 컴플레인에 대한 레벨 값은 제1 레벨인 경우에는 1 값, 제2 레벨인 경우에는 2 값, 제3 레벨인 경우에는 3 값으로 설정될 수 있다.
예를 들어, 서버는 컴플레인 벡터 및 사용자 벡터를 제3 뉴럴 네트워크를 이용하는 대응 추천 모델에 입력함으로써, 추천 대응책과 관련된 값을 획득할 수 있다.
예를 들어, 추천 대응책과 관련된 값은 대응책의 종류에 대한 식별 값 및 대응책의 종류에 따른 설정 값을 포함할 수 있다. 예를 들어, 대응책의 종류는 재조리 서비스, 가격 환불 서비스, 무료 서비스 제공, 가격 할인 서비스, 쿠폰 서비스 및 적립금 서비스를 포함할 수 있다. 본 개시의 다양한 실시예에서 대응책의 종류는 이에 한정되지 않고, 다양한 종류를 더 포함할 수 있다. 예를 들어, 재조리 서비스의 경우, 대응책의 종류에 따른 설정 값은 재조리에 소요되는 시간에 대한 값을 포함할 수 있다. 예를 들어, 가격 환불 서비스의 경우, 대응책의 종류에 따른 설정 값은 환불 비율에 대한 값을 포함할 수 있다. 예를 들어, 무료 서비스 제공의 경우, 대응책의 종류에 따른 설정 값은 무료 서비스 메뉴의 가액에 대한 값을 포함할 수 있다. 예를 들어, 가격 할인 서비스의 경우, 대응책의 종류에 따른 설정 값은 할인율 및 할인이 적용되는 기간에 대한 값을 포함할 수 있다. 예를 들어, 쿠폰 제공 서비스의 경우, 대응책의 종류에 따른 설정 값은 제공되는 쿠폰의 가액에 대한 값 및 쿠폰의 유효 시간에 대한 값을 포함할 수 있다. 예를 들어, 적립금 제공 서비스의 경우, 대응책의 종류에 따른 설정 값은 적립율에 대한 값 및 적립금의 유효 시간에 대한 값을 포함할 수 있다.
예를 들어, 추천 대응책에 대한 정보는 추천 대응책과 관련된 값을 포함할 수 있다.
예를 들어, 대응 추천 모델은 복수의 컴플레인 벡터, 복수의 사용자 벡터 및 복수의 정답 추천 대응책과 관련된 값을 기반으로 학습될 수 있다.
단계 S530에서, 서버는 서비스와 관련된 컴플레인 정보 및 추천 대응책에 대한 정보를 포함하는 컴플레인 알림 메시지를 제2 어플리케이션을 통해 관리자 단말에게 전송할 수 있다.
컴플레인 알림 메시지는 사용자 단말이 제1 어플리케이션을 통해 컴플레인 메시지를 전송한 것을 관리자 단말에게 알리는 메시지일 수 있다.
단계 S540에서, 서버는 사용자 단말에게 컴플레인 메시지에 대한 대응 만족도를 수집하기 위한 만족도 요청 메시지를 제1 어플리케이션을 통해 전송할 수 있다.
단계 S550에서, 서버는 사용자 단말로부터 컴플레인 메시지에 대한 대응 만족도를 제1 어플리케이션을 통해 수신할 수 있다.
단계 S560에서, 서버는 컴플레인 메시지에 대한 대응 만족도를 제2 어플리케이션을 통해 관리자 단말에게 전송할 수 있다.
단계 S570에서, 서버는 관리자 단말로부터 대응 정보를 상기 제2 어플리케이션을 통해 수신할 수 있다.
대응 정보는 해당 식당의 관리자가 실제 컴플레인에 대응한 대응책에 대한 정보일 수 있다. 예를 들어, 대응 정보는 추천 대응책에 대한 정보와 상이할 수 있다. 예를 들어, 대응 정보는 대응책의 종류에 대한 값 및 대응책의 종류에 따른 설정 값을 포함할 수 있다.
부가적으로, 예를 들어, 제1 어플리케이션에 해당 식당이 등록된 기간이 사전 설정된 기간을 초과하는 경우, 서버는 해당 식당에 대한 업무 가이드를 생성하여 제2 어플리케이션을 통해 관리자 단말에게 전송할 수 있다.
예를 들어, 업무 가이드는 주된 사용자 단말의 패턴 정보, 복수의 메뉴 각각에 대한 요일별 판매량, 복수의 메뉴 각각에 대한 시간별 판매량, 복수의 메뉴 각각에 대한 사용자의 나이별 판매량, 복수의 메뉴 각각에 대한 사용자의 성별에 따른 판매량 및 사용자의 평균 식사 시간을 포함할 수 있다.
예를 들어, 주된 사용자 단말은 제1 어플리케이션을 통해 해당 식당의 메뉴를 주문한 횟수가 사전 설정된 횟수 이상인 사용자 단말일 수 있다. 주된 사용자 단말의 패턴 정보는 주문 패턴 정보, 식사 패턴 정보 및 특이사항 정보를 포함할 수 있다. 주문 패턴 정보는 각각의 요일에 대한 시간대별 주문 횟수 및 각각의 요일에 대한 시간대별 선호 메뉴에 대한 식별 값을 포함할 수 있다. 식사 패턴 정보는 각각의 요일에 대한 시간대별 평균 식사 시간 및 선호 메뉴별 평균 식사 시간을 포함할 수 있다. 특이사항 정보는 컴플레인 이력 정보, 사용자의 응대 난이도 및 서비스 우선 순위를 포함할 수 있다. 선호 메뉴는 사용자 단말이 선호하는 메뉴일 수 있다. 예를 들어, 선호 메뉴는 복수의 메뉴 중에서 주문 횟수가 가장 많은 순서대로 사전 설정된 개수만큼 결정될 수 있다. 사전 설정된 개수는 3개 또는 5개일 수 있다.
도 6은 일 실시예에 따른 메뉴 설정 모델이 사용하는 뉴럴 네트워크를 나타낸 도면이다. 도 6의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
예를 들어, 메뉴 설정 모델은 CNN(convolutional neural network) 기반의 뉴럴 네트워크가 사용될 수 있다.
도 6을 참조하면, 메뉴 설정 모델에 사용되는 제1 뉴럴 네트워크는 제1 입력 레이어(610), 하나 이상의 제1 히든 레이어(620) 및 제1 출력 레이어(630)를 포함할 수 있다. 예를 들어, 복수의 메뉴 벡터, 복수의 매출 벡터, 복수의 사용자 벡터 및 복수의 정답 메뉴 설정과 관련된 값으로 구성된 각각의 학습 데이터가 제1 입력 레이어(610)에 입력되어 하나 이상의 제1 히든 레이어(620) 및 제1 출력 레이어(630)를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 제1 출력 레이어(630)에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 메뉴 설정 모델의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
하나 이상의 제1 히든 레이어(620)는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다. 예를 들어, 컨벌루션 레이어에서 복수의 메뉴 벡터, 복수의 매출 벡터 및 복수의 사용자 벡터가 필터링될 수 있고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다.
예를 들어, 풀링 레이어에서 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 시계열 데이터에서 복수의 정답 메뉴 설정과 관련된 값에 대한 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 풀링 레이어는 평균 값을 추출하는 평균 풀링 레이어일 수 있다. 예를 들어, 이때, 제1 뉴럴 네트워크의 파라미터는 상기 컨벌루션 레이어 및 상기 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다.
예를 들어, 하나 이상의 히든 레이어(620)는 학습의 효율을 높이기 위해 정규화 기법 중 하나인 배치 정규화 레이어(batch normalization layer)(이하, BN 레이어)를 포함함으로써, 과적합의 위험을 감소시킬 수 있다. 여기서, 배치 정규화 레이어는 학습 과정에서 각 배치 단위 별로 데이터가 다양한 분포를 가져도, 각 배치 별로 평균과 분산을 이용해 정규화하는 동작을 수행할 수 있다. 배치는 모델의 가중치를 한번 업데이트시킬 때 사용되는 샘플들의 묶음을 지칭한다. 이때, BN 레이어에 사용되는 활성화 함수는 PReLU(Parametric Rectified Linear Unit) 함수일 수 있다. PReLU 함수는 가중치 값이 0 이하일 경우에 기울기가 0으로 고정되는 문제를 해결하기 위해, 파라미터 a를 추가하여 가중치 값이 0 이하일 때의 기울기를 학습시킬 수 있다.
예를 들어, 하나 이상의 히든 레이어(620)는 맥스-풀링 레이어(max-pooling layer)와 같은 서브-샘플링 레이어(sub-sampling layer)를 포함하지 않고, 컨벌루셔널 레이어(convolutional layer), BN 레이어, 풀링 레이어 및 완전 연결 레이어(fully-connected layer)를 포함할 수 있다. 이때, 입력 데이터의 양이 줄어들지 않는 점을 고려하여, 짝수 번째 컨벌루셔널 레이어(convolutional layer)의 스트라이드(stride)의 크기를 홀수 번째와 다르게 2로 설정할 수 있다. 예를 들어, 스트라이드를 2로 설정할 경우, 픽셀 하나씩을 뛰어 넘으면서 컨벌루션 처리가 수행될 수 있다. 이를 통해, 서브-샘플링의 윈도우 사이즈가 2인 경우와 동일하게 입력 데이터의 양의 절반으로 줄어드는 효과가 발생할 수 있다. 서브-샘플링을 적용할 경우 단순히 입력 데이터의 양만 줄어들지만 컨벌루션을 적용할 경우에는 데이터의 양도 감소시키면서 글로벌한 특징 점들을 마스크의 계수를 통해 그 특징을 더욱 차별화할 수 있다.
예를 들어, 하나의 메뉴 벡터, 하나의 매출 벡터 및 하나의 사용자 벡터는 하나의 정답 메뉴 설정과 관련된 값과 하나의 학습 데이터 세트로 구성될 수 있다. 이때, 복수의 학습 데이터 세트가 사전 저장될 수 있다.
정답 메뉴 설정과 관련된 값은, 복수의 메뉴에 각각에 대한, 배치 위치와 관련된 값, 텍스트와 관련된 값 및 샘플 이미지와 관련된 값을 포함할 수 있다. 여기서, 복수의 메뉴는 하나의 학습 데이터로 구성된 메뉴 벡터에 해당하는 메뉴일 수 있다. 이때, 배치 위치와 관련된 값, 텍스트와 관련된 값 및 샘플 이미지와 관련된 값은 복수의 사용자 그룹 중에서 하나의 학습 데이터로 구성된 사용자 벡터와 유사한 사용자 그룹이 가장 많이 선택한 값들로 결정될 수 있다. 예를 들어, 서버는 학습 데이터를 수집하기 위해 복수의 사용자 단말에게 복수의 배치 위치와 관련된 값, 복수의 텍스트와 관련된 값 및 복수의 샘플 이미지와 관련된 값을 제공하고, 복수의 사용자 단말이 선택한 배치 위치와 관련된 값, 텍스트와 관련된 값 및 샘플 이미지와 관련된 값을 수신할 수 있다.
예를 들어, 사용자 벡터와 유사한 사용자 그룹은 복수의 사용자 그룹 중에서 사용자 그룹의 중심 벡터와 사용자 벡터 사이의 거리 값이 가장 작은 값을 가진 사용자 그룹으로 결정될 수 있다. 사용자 그룹의 중심 벡터와 사용자 벡터 사이의 거리 값은 사용자 그룹을 구성하는 복수의 차원 축소 벡터의 무게 중심 벡터와 사용자 벡터에 대한 차원 축소 벡터 사이의 거리 값일 수 있다.
부가적으로, 예를 들어, 복수의 사용자 그룹은 복수의 사용자 벡터를 기반으로 클러스터링(clustering)을 통해 분류될 수 있다. 여기서, 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다. 구체적으로, 복수의 사용자 벡터는 다양한 차원 축소 기법을 통해 3차원 이하의 벡터로 축소될 수 있다. 예를 들어, 서버는 다양한 차원 축소 기법을 통해 복수의 사용자 벡터를 3차원 이하의 차수로 차원을 축소시킬 수 있다. 예를 들어, 서버는 주성분 분석(principal component analysis, PCA) 기법을 통해 사용자 벡터를 3차원 이하의 차수로 축소시킬 수 있다. 예를 들어, 서버는 복수의 사용자 벡터를 주성분 축에 사영했을 때 가장 높은 분산을 가지는 데이터의 축을 결정하고, 결정된 축으로 차원을 축소시킬 수 있다. 예를 들어, 서버는 복수의 사용자 벡터 중에서 가장 큰 분산을 기반으로 첫 번째 축을 생성할 수 있고, 두 번째 축은 첫 번째 벡터 축에 직각이 되는 벡터를 축으로 생성할 수 있다. 이후, 서버는 세 번째 축을 다시 두 번째 축과 직각이 되는 벡터를 축으로 생성할 수 있다. 서버가 생성된 3개의 벡터 축에 원본 데이터를 투영하면, 서버는 벡터 축의 개수만큼의 차원으로 원본 데이터를 차원 축소시킬 수 있다. 이하, 복수의 사용자 벡터가 생성되고, 상기 생성된 사용자 벡터를 다양한 차원 축소 기법을 통해 차원 축소시킨 벡터를 차원 축소 벡터라고 지칭할 수 있다. 예를 들어, 복수의 차원 축소 벡터에 기반하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 복수의 그룹이 결정될 수 있다. 예를 들어, DBSCAN은 특정 요소(point)가 클러스터에 속하는 경우, 해당 클러스터 내 다른 많은 요소와 가까운 위치에 있어야 하는 것을 전제로 하며, 이러한 계산을 위해 직경(radius)과 최소 요소(minimum points)가 사용될 수 있다. 예를 들어, 직경은 특정 데이터 요소를 기준으로 하는 반경일 수 있고, 이를 밀도 영역(dense area)이라 지칭할 수 있다. 예를 들어, 최소 요소는 핵심 요소(core point)를 지정하기 위해 핵심 요소 주변으로 요소가 몇 개 필요한 지를 나타낼 수 있다. 또한, 데이터 세트의 각 요소는 핵심(core), 경계(border), 이상치 요소(outlier point)로 구분될 수 있다. 예를 들어, 서버는 요소별로 직경의 크기를 체크하고, 주변의 요소가 몇 개 있는지를 탐색할 수 있다. 이후, 서버는 직경의 범위 내에 k개 이상의 요소가 존재하면, 해당 요소를 핵심 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함된 요소를 경계 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함되지 않은 요소는 이상치 요소로 결정할 수 있고, 상기 이상치 요소는 해당 클러스터에서 제외될 수 있다. 또한, 서버는 핵심 요소들 사이의 거리가 직경보다 작을 경우, 해당 요소들을 동일한 클러스터로 분류할 수 있다.
이를 통해, 메뉴 설정 모델은 기본 메뉴 정보, 식당의 매출 정보, 사용자 정보, 사용자 단말의 이용 정보를 기반으로 메뉴 설정과 관련된 값을 결정하도록 학습될 수 있다.
예를 들어, 컨벌루션 레이어의 개수 및 풀링 레이어의 개수는 수학식 3에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 NC는 상기 컨벌루션 레이어의 개수이고, 상기 NP는 상기 풀링 레이어의 개수이고, 상기 N1max는 컨벌루션 레이어의 최대 개수이고, 상기 N2max는 풀링 레이어의 최대 개수이고, 상기 navg는 상기 제1 뉴럴 네트워크에 입력되는 변수의 총 개수에 대한 평균 값이고, 상기 nin는 상기 제1 뉴럴 네트워크에 입력된 변수의 총 개수이고, 상기 wc은 컨벌루션 레이어에 대한 가중치이고, 상기 wp는 풀링 레이어에 대한 가중치일 수 있다.
예를 들어, 컨벌루션 레이어의 최대 개수 및 풀링 레이어의 최대 개수는 서버가 사용 가능한 컨벌루션 레이어의 최대 개수 및 서버가 사용 가능한 풀링 레이어의 최대 개수이며, 서버의 성능에 따라 상이하게 설정될 수 있다. 이때, 변수의 총 개수가 많을수록 컨벌루션 레이어의 개수와 풀링 레이어의 개수를 감소시킴으로써, 제1 뉴럴 네트워크의 처리 속도가 급격하게 감소하는 것을 방지할 수 있다.
예를 들어, navg는 과거 제1 네트워크에 입력된 변수의 총 개수들에 대한 평균 값일 수 있다. 예를 들어, wc 및 wp는 독립적인 값으로, 변수의 총 개수가 많을수록 큰 값을 가지며, 0.5에서 1 사이의 값일 수 있다.
예를 들어, ceil 함수는 괄호 안의 값에 소수점을 올려서 다음 정수 값으로 반환하는 함수이며, 올림 함수로 지칭될 수 있다.
이를 통해, 제1 뉴럴 네트워크의 정확도와 속도를 결정하는 컨벌루션 레이어의 개수와 풀링 레이어의 개수를 제1 네트워크에 입력되는 변수의 총 개수에 따라 효과적으로 결정할 수 있다.
예를 들어, 프로모션 설정 모델은 CNN 기반의 뉴럴 네트워크가 사용될 수 있다. 프로모션 설정 모델에 사용되는 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 프로모션 벡터, 복수의 매출 벡터, 복수의 사용자 벡터 및 복수의 정답 추천 프로모션 설정과 관련된 값으로 구성된 각각의 학습 데이터가 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 프로모션 설정 모델의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
하나 이상의 히든 레이어는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다. 예를 들어, 컨벌루션 레이어에서 복수의 프로모션 벡터, 복수의 매출 벡터 및 복수의 사용자 벡터가 필터링될 수 있고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다.
예를 들어, 풀링 레이어에서 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 시계열 데이터에서 정답 추천 프로모션 설정과 관련된 값에 대한 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 풀링 레이어는 평균 값을 추출하는 평균 풀링 레이어일 수 있다. 예를 들어, 이때, 제2 뉴럴 네트워크의 파라미터는 상기 컨벌루션 레이어 및 상기 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다.
예를 들어, 하나의 프로모션 벡터, 하나의 매출 벡터 및 하나의 사용자 벡터는 하나의 정답 추천 프로모션 설정과 관련된 값과 하나의 학습 데이터 세트로 구성될 수 있다. 이때, 복수의 학습 데이터 세트가 사전 저장될 수 있다.
정답 추천 프로모션 설정과 관련된 값은 추천 프로모션 종류에 대한 식별 값 및 추천 프로모션의 종류에 따른 설정 값을 포함할 수 있다. 이때, 추천 프로모션 종류에 대한 식별 값 및 추천 프로모션의 종류에 따른 설정 값은 제1 어플리케이션에 등록된 복수의 식당에서 사전 설정된 기간동안 사용자 단말에게 제공한 프로모션 정보를 기반으로 가장 재주문율이 높은 값으로 설정될 수 있다. 예를 들어, 사전 설정된 기간은 1년으로 설정될 수 있다. 프로모션 설정 모델의 학습 시점 이전의 1년동안 복수의 식당에서 사용자 단말에게 제공한 프로모션 정보를 기반으로 정답 추천 프로모션 설정과 관련된 값이 결정될 수 있다.
이를 통해, 프로모션 설정 모델은 기본 프로모션 정보, 식당의 매출 정보, 사용자 정보, 사용자 단말의 이용 정보를 기반으로 추천 프로모션 설정과 관련된 값을 결정하도록 학습될 수 있다.
예를 들어, 대응 추천 모델은 CNN 기반의 뉴럴 네트워크가 사용될 수 있다. 프로모션 설정 모델에 사용되는 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 컴플레인 벡터, 복수의 사용자 벡터 및 복수의 정답 추천 대응책과 관련된 값으로 구성된 각각의 학습 데이터가 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 대응 추천 모델의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습될 수 있다.
하나 이상의 히든 레이어는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다. 예를 들어, 컨벌루션 레이어에서 복수의 컴플레인 벡터 및 복수의 사용자 벡터가 필터링될 수 있고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다.
예를 들어, 풀링 레이어에서 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 시계열 데이터에서 정답 추천 대응책과 관련된 값에 대한 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 풀링 레이어는 평균 값을 추출하는 평균 풀링 레이어일 수 있다. 예를 들어, 이때, 제3 뉴럴 네트워크의 파라미터는 상기 컨벌루션 레이어 및 상기 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다.
예를 들어, 하나의 컴플레인 벡터 및 하나의 사용자 벡터는 하나의 정답 추천 대응책과 관련된 값과 하나의 학습 데이터 세트로 구성될 수 있다. 이때, 복수의 학습 데이터 세트가 사전 저장될 수 있다.
정답 추천 대응책과 관련된 값은 대응책의 종류에 대한 값 및 대응책의 종류에 따른 설정 값을 포함할 수 있다. 이때, 대응책의 종류에 대한 값 및 대응책의 종류에 따른 설정 값은 제1 어플리케이션에 등록된 복수의 식당으로부터 사전 설정된 기간동안 서버가 수신한 대응 정보를 기반으로 가장 대응 만족도가 높은 값으로 설정될 수 있다. 예를 들어, 사전 설정된 기간은 1년으로 설정될 수 있다. 대응 추천 모델의 학습 시점 이전의 1년동안 서버가 관리자 단말로부터 수신한 대응 정보를 기반으로 정답 추천 대응책과 관련된 값이 결정될 수 있다.
이를 통해, 대응 추천 모델은 컴플레인 메시지와 사용자 정보 및 사용자 단말의 이용 정보를 기반으로 추천 대응책과 관련된 값을 결정하도록 학습될 수 있다.
일 실시예에 따르면, 상술한 프로모션 설정 모델 및 대응 추천 모델 또한 메뉴 설정 모델의 BN 레이어가 추가될 수 있다. 또한, 예를 들어, 프로모션 설정 모델 및 대응 추천 모델 또한 맥스-풀링 레이어와 같은 서브-샘플링 레이어를 포함하지 않고, 컨벌루셔널 레이어(convolutional layer), BN 레이어, 풀링 레이어 및 완전 연결 레이어를 포함할 수 있다. 이때, 입력 데이터의 양이 줄어들지 않는 점을 고려하여, 짝수 번째 컨벌루셔널 레이어의 스트라이드(stride)의 크기를 홀수 번째와 다르게 2로 설정할 수 있다. 예를 들어, 스트라이드를 2로 설정할 경우, 픽셀 하나씩을 뛰어 넘으면서 컨벌루션 처리가 수행될 수 있다.
도 7은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 7의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 7에 도시된 바와 같이, 서버(700)는 프로세서(710), 통신부(720) 및 메모리(730)를 포함할 수 있다. 그러나, 도 7에 도시된 구성 요소 모두가 서버(700)의 필수 구성 요소인 것은 아니다. 도 7에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(700)가 구현될 수도 있고, 도 7에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(700)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(700)는 프로세서(710), 통신부(720) 및 메모리(730) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(710)는, 통상적으로 서버(700)의 전반적인 동작을 제어한다. 프로세서(710)는 하나 이상의 프로세서를 구비하여, 서버(700)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(710)는, 메모리(730)에 저장된 프로그램들을 실행함으로써, 통신부(720) 및 메모리(730) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(710)는 메모리(730)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 6에 기재된 서버(700)의 기능을 수행할 수 있다.
통신부(720)는, 서버(700)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(700)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(720)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(720)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(720)는 프로세서(710)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(720)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(720)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(730)는, 프로세서(710)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(730)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(730)는 프로세서(710)에서 생성된 데이터를 저장할 수 있다. 메모리(730)는 서버(700)로 입력되거나 서버(700)로부터 출력되는 정보를 저장할 수도 있다.
메모리(730)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 식당에 대한 예약, 상기 식당의 메뉴에 대한 주문 및 상기 식당의 메뉴에 대한 결제를 수행하는 제1 어플리케이션이 설치된 사용자 단말;
    상기 제1 어플리케이션과 연동되어 상기 식당의 고객과 상기 식당의 매출을 관리하는 제2 어플리케이션이 설치된 관리자 단말; 및
    상기 제1 어플리케이션을 통한 서비스 및 상기 제2 어플리케이션을 통한 서비스를 제공하는 서버를 포함하되,
    상기 사용자 단말은,
    사용자 정보 및 식당 예약 정보를 포함하는 예약 요청 메시지를 상기 제1 어플리케이션을 통해 상기 서버에게 전송하고,
    예약 승인 메시지를 상기 제1 어플리케이션을 통해 상기 서버로부터 수신하고,
    상기 식당에 구비된 QR 코드를 상기 제1 어플리케이션을 통해 인식하는 것을 기반으로 상기 QR 코드에 대한 정보 및 상기 사용자 단말의 위치 정보를 포함하는 메뉴 요청 메시지를 상기 서버에게 전송하고,
    상기 서버는,
    상기 사용자 단말의 위치 정보 및 상기 QR 코드에 대한 정보를 기반으로 상기 사용자 단말에 대한 메뉴 정보 및 상기 사용자 단말에 대한 프로모션 정보를 상기 제1 어플리케이션을 통해 상기 사용자 단말에게 전송하고,
    상기 QR 코드가 인식된 식당의 위치로부터 상기 사용자 단말의 위치가 사전 설정된 범위 이내인 것에 기반하여, 상기 사용자 단말에 표시된 URL에 대한 접속이 허용되고,
    상기 사용자 단말에 대한 메뉴 정보는 기본 메뉴 정보, 상기 식당의 매출 정보, 상기 사용자 정보 및 상기 사용자 단말의 이용 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 메뉴 설정 모델을 통해 결정되고,
    상기 사용자 단말에 대한 프로모션 정보는 기본 프로모션 정보, 상기 식당의 매출 정보, 상기 사용자 정보 및 상기 사용자 단말의 이용 정보를 기반으로 제2 뉴럴 네트워크를 이용하는 프로모션 설정 모델을 통해 결정되고,
    상기 사용자 단말로부터 주문 정보 및 결제 정보를 포함하는 결제 요청 메시지를 상기 제1 어플리케이션을 통해 수신하고,
    상기 주문 정보 및 상기 결제 정보를 포함하는 결제 승인 요청 메시지를 상기 제2 어플리케이션을 통해 상기 관리자 단말에게 전송하고,
    상기 관리자 단말로부터 결제 승인 메시지를 상기 제2 어플리케이션을 통해 수신하고,
    상기 결제 승인 메시지에 기반하여 상기 사용자 단말에 대한 특이사항 정보를 상기 관리자 단말에게 전송하고,
    상기 사용자 단말에 대한 특이사항 정보는 상기 사용자 단말의 이용 정보를 기반으로 결정되고,
    상기 관리자 단말은, 상기 서버와 사전 연결되어 상기 기본 메뉴 정보 및 상기 기본 프로모션 정보를 상기 서버에게 전송하고,
    상기 서버는, 상기 기본 메뉴 정보에 대한 데이터 전처리를 통해 복수의 메뉴 각각에 대한 식별 값, 복수의 메뉴 각각에 대한 가격 및 복수의 메뉴 각각에 대한 평균 조리 시간을 포함하는 메뉴 벡터를 생성하고,
    상기 식당의 매출 정보에 대한 데이터 전처리를 통해 복수의 메뉴 각각에 대한 일별 판매량, 복수의 메뉴 각각에 대한 마진율 및 복수의 메뉴 각각에 대한 시간 구간별 판매량을 포함하는 매출 벡터를 생성하고,
    상기 사용자 정보 및 상기 사용자 단말의 이용 정보에 대한 데이터 전처리를 통해 사용자의 나이, 사용자의 성별, 복수의 메뉴 각각에 대한 주문 횟수, 복수의 메뉴 각각에 대한 주문 시각, 복수의 메뉴 각각에 대한 식사 시간 및 사용자의 성향과 관련된 값을 포함하는 사용자 벡터를 생성하고,
    상기 메뉴 벡터, 상기 매출 벡터 및 상기 사용자 벡터를 상기 메뉴 설정 모델에 입력시킴으로써, 메뉴 설정과 관련된 값을 획득하고,
    상기 메뉴 설정과 관련된 값은 복수의 메뉴 각각의 배치 위치, 복수의 메뉴 각각의 설명을 위한 텍스트와 관련된 값 및 복수의 메뉴 각각의 샘플 이미지와 관련된 값을 포함하고,
    상기 메뉴 설정과 관련된 값을 기반으로 상기 사용자 단말에 대한 메뉴 정보를 결정하되,
    상기 메뉴 설정 모델은 복수의 메뉴 벡터, 복수의 매출 벡터, 복수의 사용자 벡터 및 복수의 정답 메뉴 설정과 관련된 값을 기반으로 학습되고,
    상기 사용자 단말로부터 식당과 관련된 컴플레인 정보를 포함하는 컴플레인 메시지를 상기 제1 어플리케이션을 통해 수신하고,
    상기 식당과 관련된 컴플레인 정보에 대한 데이터 전처리를 통해 컴플레인 타입에 대한 값 및 컴플레인에 대한 레벨 값을 포함하는 컴플레인 벡터를 생성하고,
    상기 컴플레인 메시지의 타입에 대한 값은 복수의 컴플레인 메시지의 타입마다 상이한 값으로 결정되고,
    상기 컴플레인 메시지의 타입은 음식의 품질에 대한 제1 컴플레인 타입, 서비스의 지연에 대한 제2 컴플레인 타입, 청결 상태에 대한 제3 컴플레인 타입, 가격에 대한 제4 컴플레인 타입, 서빙 태도 및 응대에 대한 제5 컴플레인 타입 및 식당 내부 시설의 불편함에 대한 제6 컴플레인 타입을 포함하고,
    상기 컴플레인에 대한 레벨 값은 컴플레인 메시지에 포함된 텍스트의 개수 및 컴플레인 메시지에 사전 설정된 단어가 포함된 개수를 기반으로 결정되고,
    상기 컴플레인 벡터 및 상기 사용자 벡터를 제3 뉴럴 네트워크를 이용하는 대응 추천 모델에 입력함으로써, 추천 대응책과 관련된 값을 획득하고,
    상기 추천 대응책과 관련된 값은 대응책의 종류에 대한 식별 값 및 상기 대응책의 종류에 따른 설정 값을 포함하고,
    상기 추천 대응책과 관련된 값을 기반으로 상기 사용자 단말에 대한 추천 대응책에 대한 정보를 결정하고,
    상기 식당과 관련된 컴플레인 정보 및 상기 추천 대응책에 대한 정보를 포함하는 컴플레인 알림 메시지를 상기 관리자 단말에게 전송하되,
    상기 대응 추천 모델은 복수의 컴플레인 벡터, 복수의 사용자 벡터 및 복수의 정답 추천 대응책과 관련된 값을 기반으로 학습되고,
    상기 사용자 단말에게 상기 컴플레인 메시지에 대한 대응 만족도를 수집하기 위한 만족도 요청 메시지를 상기 제1 어플리케이션을 통해 전송하고,
    상기 사용자 단말로부터 상기 컴플레인 메시지에 대한 대응 만족도를 포함하는 만족도 메시지를 상기 제1 어플리케이션을 통해 수신하고,
    상기 컴플레인 메시지에 대한 대응 만족도를 상기 제2 어플리케이션을 통해 상기 관리자 단말에게 전송하고,
    상기 관리자 단말로부터 대응 정보를 상기 제2 어플리케이션을 통해 수신하되,
    상기 대응 정보는 대응책의 종류에 대한 값 및 대응책의 종류에 따른 설정 값을 포함하고,
    상기 사용자 단말에 대한 특이사항 정보는 컴플레인 이력 정보, 사용자 단말의 평균 식사시간, 사용자의 응대 난이도 및 서비스 우선 순위를 포함하고,
    상기 컴플레인 이력 정보는 사용자 단말이 컴플레인 메시지를 전송한 날짜와 시간, 컴플레인 메시지의 타입별 전송 횟수, 컴플레인 메시지의 레벨별 전송 횟수, 컴플레인 메시지에 대한 대응 만족도 및 컴플레인 메시지에 포함된 텍스트를 포함하는,
    스마트 주문 시스템.
  2. 삭제
  3. 제 1항에 있어서,
    상기 서버는, 상기 기본 프로모션 정보에 대한 데이터 전처리를 통해 복수의 프로모션 종류에 대한 식별 값 및 복수의 프로모션 종류에 따른 설정 값을 포함하는 프로모션 벡터를 생성하고,
    상기 프로모션 벡터, 상기 매출 벡터 및 상기 사용자 벡터가 상기 프로모션 설정 모델에 입력시킴으로써, 추천 프로모션 설정과 관련된 값을 획득하고,
    상기 추천 프로모션 설정과 관련된 값은 추천 프로모션 종류에 대한 식별 값 및 상기 추천 프로모션의 종류에 따른 설정 값을 포함하고,
    상기 추천 프로모션 설정과 관련된 값을 기반으로 상기 사용자 단말에 대한 프로모션 정보를 결정하되,
    상기 프로모션 설정 모델은 복수의 프로모션 벡터, 복수의 매출 벡터, 복수의 사용자 벡터 및 복수의 정답 추천 프로모션 설정과 관련된 값을 기반으로 학습되는,
    스마트 주문 시스템.

  4. 삭제
  5. 삭제
KR1020240007724A 2024-01-18 2024-01-18 인공지능을 이용한 스마트 주문 시스템 KR102668843B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020240007724A KR102668843B1 (ko) 2024-01-18 2024-01-18 인공지능을 이용한 스마트 주문 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020240007724A KR102668843B1 (ko) 2024-01-18 2024-01-18 인공지능을 이용한 스마트 주문 시스템

Publications (1)

Publication Number Publication Date
KR102668843B1 true KR102668843B1 (ko) 2024-05-23

Family

ID=91283340

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020240007724A KR102668843B1 (ko) 2024-01-18 2024-01-18 인공지능을 이용한 스마트 주문 시스템

Country Status (1)

Country Link
KR (1) KR102668843B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101656457B1 (ko) * 2015-10-26 2016-09-22 이준희 음식점 예약 플랫폼 시스템 장치 및 그 동작 방법
KR20170137419A (ko) * 2016-06-03 2017-12-13 오영재 실시간 답변 메시지 생성을 이용한 고객 상담 서비스 제공 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
KR101876371B1 (ko) * 2017-01-03 2018-07-09 (주)복스유니버스 고객 민원/불만에 대한 사전방어 가능한 콜 라우팅 시스템 및 방법
KR102024722B1 (ko) * 2018-10-31 2019-11-04 이승보 인공지능 추천을 이용한 ｏ２ｏ 마케팅을 위한 시스템 및 방법
KR20230070156A (ko) * 2021-11-12 2023-05-22 주식회사 마켓테크 디지털 메뉴판 제공 시스템
KR102557760B1 (ko) * 2023-02-27 2023-07-19 김준경 인공지능에 기반한 사용자 맞춤형 메뉴 추천 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101656457B1 (ko) * 2015-10-26 2016-09-22 이준희 음식점 예약 플랫폼 시스템 장치 및 그 동작 방법
KR20170137419A (ko) * 2016-06-03 2017-12-13 오영재 실시간 답변 메시지 생성을 이용한 고객 상담 서비스 제공 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
KR101876371B1 (ko) * 2017-01-03 2018-07-09 (주)복스유니버스 고객 민원/불만에 대한 사전방어 가능한 콜 라우팅 시스템 및 방법
KR102024722B1 (ko) * 2018-10-31 2019-11-04 이승보 인공지능 추천을 이용한 ｏ２ｏ 마케팅을 위한 시스템 및 방법
KR20230070156A (ko) * 2021-11-12 2023-05-22 주식회사 마켓테크 디지털 메뉴판 제공 시스템
KR102557760B1 (ko) * 2023-02-27 2023-07-19 김준경 인공지능에 기반한 사용자 맞춤형 메뉴 추천 시스템

Similar Documents

Publication Publication Date Title
KR102434342B1 (ko) 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치
KR102467890B1 (ko) 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
KR102439204B1 (ko) 학습된 뉴럴 네트워크를 이용한 임대차 관리 서비스 제공 방법 및 시스템
KR102491357B1 (ko) 뉴럴 네트워크를 이용하여 의료기관의 경영 현황에 대한 정보를 단말에게 제공하는 방법 및 장치
KR102402848B1 (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102407241B1 (ko) 렌탈 마켓 시스템
KR102573295B1 (ko) 뉴럴 네트워크를 이용하여 무인 카페 내부의 복수의 좌석 영역을 관리하는 방법 및 장치
KR20240102788A (ko) 뉴럴 네트워크를 이용하여 온라인 마켓에 대한 접근이 허용되는 셀러 단말에게 상품 정보를 제공하는 방법 및 장치
KR102668843B1 (ko) 인공지능을 이용한 스마트 주문 시스템
KR102687740B1 (ko) 인공지능을 이용한 스마트 웨이팅 시스템
KR102439212B1 (ko) 학습된 뉴럴 네트워크를 이용하여 온라인상에서 임대차 통합 서비스를 제공하는 시스템
KR102384679B1 (ko) 뉴럴 네트워크를 이용한 제품의 중간 유통을 위한 서버
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치
KR102644779B1 (ko) 온라인 쇼핑몰의 컨셉에 맞는 상품의 추천 방법
KR102610945B1 (ko) B2b 서비스 통합 관리 방법
KR102638246B1 (ko) 다중 신경망을 이용하여 필드레슨을 제공하는 프로 골퍼 매칭 서비스
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치
KR102718310B1 (ko) 뉴럴 네트워크를 이용하여 마케팅 전략에 따라 마케팅과 관련된 컨텐츠를 제공하는 방법 및 장치
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102517884B1 (ko) 온라인 결제 서버 및 그 방법, 그리고 온라인 결제 시스템
KR102699078B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 랜덤박스 판매 서비스를 제공하는 방법 및 장치
KR102561611B1 (ko) 뉴럴 네트워크를 이용하여 한우육에 대한 추천 정보를 고객 단말에게 전송하는 방법 및 장치
KR102564511B1 (ko) 사용자 커스터마이징 기반의 메뉴판 인터페이스 제공 장치 및 방법
KR102534638B1 (ko) 소비자 분석 알고리즘을 이용한 인공지능 기반의 전자상거래 수출 플랫폼 시스템
KR102602589B1 (ko) 뉴럴 네트워크를 사용하여 오프라인 팝업 스토어와 관련된 정보를 기반으로 메타버스 팝업 스토어를 관리하는 방법 및 장치

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant