KR20180065620A - 기계학습과 온톨로지 기반 사업모델 작성 방법 및 이를 위한 관리 서비스 시스템 - Google Patents

기계학습과 온톨로지 기반 사업모델 작성 방법 및 이를 위한 관리 서비스 시스템 Download PDF

Info

Publication number
KR20180065620A
KR20180065620A KR1020160166738A KR20160166738A KR20180065620A KR 20180065620 A KR20180065620 A KR 20180065620A KR 1020160166738 A KR1020160166738 A KR 1020160166738A KR 20160166738 A KR20160166738 A KR 20160166738A KR 20180065620 A KR20180065620 A KR 20180065620A
Authority
KR
South Korea
Prior art keywords
business model
ontology
unit
machine learning
instance
Prior art date
Application number
KR1020160166738A
Other languages
English (en)
Inventor
박형식
Original Assignee
아크위드 주식회사
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 아크위드 주식회사 filed Critical 아크위드 주식회사
Priority to KR1020160166738A priority Critical patent/KR20180065620A/ko
Publication of KR20180065620A publication Critical patent/KR20180065620A/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2452—Query translation
    • G06F17/30427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N99/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

기계 학습과 온톨리지 기반의 사업모델 관리 서비스 시스템 및 이를 이용한 사용모델 작성방법에 관해 개시한다. 이를 위해 본 발명은, 사업모델 관리 서비스 시스템을 이용하여 사용자가 키워드를 통해 유사 사업모델을 검색하고, 검색된 유사 사업 모델에서 원하는 사업모델을 선택하고, 선택된 사업모델에 대해 세부 구성요소인 9 빌딩 블록을 입력하고 온톨리지 관리부의 온톨리지 추론을 통해 인스턴스를 추천하고, 선택된 사업모델에 대해 기계학습부의 워드2백(word3vec)을 통해 인스턴스를 추천하고, 이렇게 추천된 인스턴스를 중심으로 사용자가 사업모델을 최종적으로 수정하는 단계를 구비하는 것을 특징으로 하는 기계학습과 온톨리지 기반의 사업모델 작성 방법을 제공한다.

Description

기계학습과 온톨로지 기반 사업모델 작성 방법 및 이를 위한 관리 서비스 시스템 {A method for preparation of business model based on machine learning and ontology and management service system therefor}
본 발명은 신생 기업 혹은 기존 사업을 영위하는 기업이 사업 모델을 작성하기 위한 방법 및 이를 위한 관리 서비스 시스템에 관한 것으로, 더욱 상세하게는 경험과 직관에 의하지 않고, 컴퓨터인 기계의 학습과 온톨리지(ontology)를 기반으로 하여 컴퓨터의 관리 서비스 시스템을 이용하여 누구나 손쉽게 사업모델을 작성할 수 있는 사업 모델 작성 방법 및 이를 위한 관리 서비스 시스템에 관한 것이다.
일반적으로 사업모델 또는 비즈니스 모델은 기업 업무, 제품 및 서비스의 전달 방법, 이윤을 창출하는 방법을 나타낸 모형이다. 기업이 지속적으로 이윤을 창출하기 위해 제품 및 서비스를 생산하고, 관리하며, 판매하는 방법을 표현한다. 또한, 사업모델은 제품이나 서비스를 소비자에게 어떻게 제공하고 마케팅하며, 돈을 벌 것인지 계획하는 사업 아이디어로 이야기되기도 한다. 현재 기술의 진화속도가 빠르게 진행되고 그에 발맞춰 새로운 형태의 사업모델이 계속 만들어지고 있다. 또한 새로운 기술이 기존의 기업과 시장, 거시환경을 와해 시키고 있고 그 주체가 새로운 사업모델의 출현 때문이라고 한다. 그래서 기업이 사업모델을 작성 및 유지하는 것은 경쟁과 기회, 그리고 위협에 대처 할 수 있도록 하는 필수 불가결한 요소이다.
기존의 사업모델은 휴리스틱 기법을 적용하여 경험과 직관을 주로 활용하거나 관계형 데이터베이스에 기반한 간단한 정보시스템을 이용하여 작성되거나 관리 유지되고 있다. 기술혁신에 의한 기업의 경영환경 변화가 빠르고 변화의 폭이 크게 나타나는 시장 상황에서는 경험과 직관에 의존하거나 간단한 정보처리에 의존한 시스템만으로는 이러한 변화의 속도와 폭에 부합하는 사업모델을 작성 유지하는 것은 불가능에 가깝기 때문에 새로운 자동화 기술이 요구된다.
한국공개특허공보 10-2015-0053513.
상술한 문제점을 해결하기 위하여 본 발명의 기술적 사상이 이루고자 하는 과제는, 누구나 신속하고 용이하게 컴퓨터의 기계학습과 온톨리지를 이용하여 작성할 수 있는 기계학습과 온톨로지 기반 사업모델 작성 방법을 제공하는데 있다.
상술한 문제점을 해결하기 위하여 본 발명의 기술적 사상이 이루고자 하는 다른 과제는, 상기 기계학습과 온톨로지 기반 사업모델 작성 방법이 기록된 컴퓨터로 판독 가능한 기록매체를 제공하는데 있다.
상술한 문제점을 해결하기 위하여 본 발명의 기술적 사상이 이루고자 하는 또 다른 과제는, 누구나 신속하고 용이하게 컴퓨터의 기계학습과 온톨리지를 이용하여 작성할 수 있는 기계학습과 온톨로지 기반의 관리 서비스 시스템을 제공하는데 있다.
본 발명의 기술적 사상의 일 양태에 의한 기계학습과 온톨리지 기반의 사업모델 작성 방법은, 사용자가 사업모델을 검색하기 위해 인터페이스 처리부의 사업모델 출력부에서 키워드를 입력하여 의미기반 검색을 요청하는 1 단계와, 온톨리지 관리부의 온톨리지 검색부는 상기 키워드 내용을 트리플 조합 질의어로 확장하는 2 단계와, 상기 온톨리지 검색부는 트리플 조합 질의어를 트리플 기반 인덱스로 이용하여 지식베이스에서 유사 사업모델을 획득하여 사업모델 출력부로 보내는 3 단계와, 상기 사용자가 사업모델 출력부의 유사 사업모델 중에서 적합한 사업모델을 선택하는 4 단계와, 상기 사용자가 선택한 사업모델을 사업모델 입력부로 보내 사업모델 세부 구성요소를 입력하는 5 단계와, 상기 사업모델 세부 구성요소에 대해 온톨리지 추론부는 온톨리지 스키마 정보를 활용하여 트리플 질의어를 생성하는 6 단계와, 상기 온톨리지 추론부는 상기 트리플 질의어로 지식베이스에서 결과물을 획득하여 출력 정보 처리부로 전송하는 7 단계와, 상기 출력 정보 처리부는 상기 결과물을 사용자가 볼 수 있도록 사업모델 입력부의 인스턴스 입력창에 표시하는 8 단계 및 상기 결과물을 참조하여 사용자가 사업모델 구성요소의 각각을 수정하여 원하는 사업모델을 작성하는 9 단계를 구비하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 의하면, 상기 6 단계 전에, 상기 사업모델 세부 구성요소에 대해 온톨리지 추출부는 기계학습 처리부를 통해 인스턴스를 추천하는 단계를 더 진행할 수도 있다.
이때, 상기 사업모델 세부 구성요소에 대해 온톨리지 추출부는 기계학습 처리부를 통해 인스턴스를 추천하는 방법은, 워드2백(word3vec) 학습부를 통해 의미기반 검색을 수행하여 인스턴스를 추천하는 것이 적합하다.
또한, 본 발명의 일 실시예에 의하면, 상기 1 단계의 키워드는, 가치제안, 수익모델, 비용구조, 핵심 자원, 협업 계약, 가치활동 구성, 고객관계, 목표 고객, 채널로 이루어진 9 빌딩 블록(9 building block) 중에서 선택된 하나 및 하나 이상 중의 어느 하나인 것이 바람직하다.
한편, 상기 5 단계의 사업모델 세부 구성요소는, 가치제안, 수익모델, 비용구조, 핵심 자원, 협업 계약, 가치활동 구성, 고객관계, 목표 고객, 채널로 이루어진 9 빌딩 블록(9 building block)인 것이 적합하며, 상기 5 단계의 사업모델 세부 구성요소를 입력하는 순서는, 가치제안과 이에 상응하는 목표고객, 채널, 고객관계, 수익모델, 핵심자원, 가치활동 구성, 협업 계약 및 비용 구조 순서로 입력하는 것이 바람직하다.
여기서, 상술한 본 발명에 의한 기계학습과 온톨리지 기반의 사업모델 작성 방법은, 프로그램 실행을 위한 컴퓨터에 의한 판독 가능한 기록매체에 넣어져 사용될 수 있다.
본 발명의 기술적 사상의 다른 양태에 의한 기계학습과 온톨리지 기반의 사업모델 작성 방법은, 사용자가 키워드를 통해 유사 사업모델을 검색하는 단계와, 상기 사용자가 검색된 유사 사업 모델에서 사업모델을 선택하는 단계와, 상기 선택된 사업모델에 대해 사업모델 세부 구성요소을 입력하고 인스턴스 관리부의 온톨리지 추론을 통해 인스턴스를 추천하는 단계와, 선택된 사업모델에 대해 기계학습부의 워드2백(word2vec) 학습부를 통해 인스턴스를 추천하는 단계 및 상기 추천된 인스턴스를 중심으로 사용자가 사업모델을 수정하는 단계를 구비하는 것을 특징으로 한다.
본 발명의 기술적 사상의 또 다른 양태에 의한 기계 학습과 온톨리지 기반의 사업모델 관리 서비스 시스템은, (1) 사용자와 통신하면서 사용자의 필요를 입력받고 작업된 결과물을 외부로 출력하는 통로가 되는 인터페이스 처리부와, (2) 상기 인터페이스 처리부와 연계하여 인스턴스 추론을 위해 동작하며, 내부에 트리플 질의어를 생성하는 온톨리지 추론부와, 유사 사업모델을 가공하는 출력정보 처리부와, 사업모델에 관련된 필요한 모든 정보를 데이터베이스로 구축하여 관리하는 지식 베이스와, 트리플 기반 인덱스를 이용하여 검색하는 온톨리지 검색부와, 사업모델 온톨리지를 완성하고 상기 지식베이스에 저장하는 온톨리지 저장부와, 기계학습을 통해 확보된 인스턴스를 찾는 기능을 요청하는 온톨리지 추출부를 포함하는 온톨리지 관리부, 및 (3) 상기 온톨리지 관리부의 온톨리지 추출부와 연계하여 기계 학습을 수행하며, 이를 위해 내부에 클롤링부, 데이터 준비부, TF*IDF 알고리즘 적용부, 나이브 베이즈 분류부, 워드2백(Word2Vec) 학습부를 포함하는 기계학습 처리부를 구비하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 의하면, 상기 인터페이스 처리부는, 인스턴스 입력부 및 사업모델 출력부를 포함하는 것이 적합하고, 상기 온톨리지 관리부의 온톨리지 추론부는, 9 빌딩 블록(building block) 기반의 온톨리지 스키마를 이용하여 트리플 질의어를 생성하는 것이 바람직하다.
바람직하게는, 상기 기계학습부의 TF*IDF 알고리즘 적용부는, 상기 데이터 준비부에서 추출된 문서 내에서 어떤 어휘가 중요한 것인가를 계산하기 위해 TF-IDF (Term Frequency - Inverse Document Frequency) 분석을 수행하는 것이 적합하다.
따라서, 상술한 본 발명에 의하면, 먼저, 새로운 사업모델을 만들어서 창업하려고 하는 신규 창업자와 스타트업(Start-up) 그리고 기존 사업자로서 사업모델을 혁신하고자 하는 사용자들에게 작성하고자 하는 신규 사업모델과 유사한 기존 사업모델이 자동으로 검색된다. 그러므로 사업모델 작성자는 사업모델에 대한 전문 지식이 없이도 자신의 사업모델과 유사한 사업모델을 참조하여 보다 신속하고 용이하게 작성 할 수 있다는 장점이 있다.
또한 온톨로지 기술에 근거하여 유사 사업모델이 검색되므로 유사사업 모델을 검색하고자 하는 사람은 반드시 정확한 키워드를 입력하지 않아도 사용자 의도를 의미기반으로 확장한 온톨로지에 의한 추론방식에 의해 입력한 검색어 데이터와 관련이 있는 유사사업 모델이 검색된다는 장점이 있다.
마지막으로, 기존에는 린 스타트업(lean startup), 비즈니스 모델 캔버스(business model canverse)와 같은 비즈니스 모델 교육을 통해 교육을 받고 브레인 스토밍(brain storming) 방식으로 오랜 시간을 이용하여 작성하거나, 아예 개념을 이해하지 못하여 활용 자체를 할 수 없는 경우도 많았는데 사업모델 관련 지식을 본 발명에 의한 관리 서비스 시스템을 통해 체계적으로 접근 할 수 있게 하고, 필요한 지식요소를 지식 데이터베이스를 통해 제공함으로써, 누구나 쉽게 자신의 사업 모델을 작성 할 수 있게 된다.
도 1은 본 발명에 의한 사업모델 관리 서비스 시스템 및 상기 사업모델 관리 서비스 시스템이 동작하는 환경을 설명하기 위한 블록도이다.
도 2는 본 발명의 바람직한 실시예에 의해 적용되는 도메인 온톨리지 스키마(Domain Ontology Schema)를 설명하기 위한 개요도이다.
도 3은 도 2의 9 빌딩 블록에 따라 트리플 검색어를 통해 온톨리지를 추출하는 과정을 설명하기 위한 블록도이다.
도 4는 도 1의 인터페이스 처리부의 세부 구성을 설명하기 위한 블록도이다.
도 5는 사용자가 사업모델 세부 구성요소를 입력할 때 참조되는 자료추출을 위한 트리(Tree)를 설명하는 개념도이다.
도 6은 도 1의 온톨리지 관리부의 세부 구성 및 역할을 설명하기 위한 블록도이다.
도 7은 도 1의 기계학습 처리부의 세부 구성 및 역할을 설명하기 위한 블록도이다.
도 8은 본 발명에 바람직한 실시예에 의한 사업모델 작성 방법의 개념을 설명하기 위한 흐름도이다.
도 9는 본 발명에 바람직한 실시예에 의한 사업모델 작성을 위한 구체적인 방법을 설명하기 위한 흐름도이다.
본 발명의 구성 및 효과를 충분히 이해하기 위하여, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예들을 설명한다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 여러 가지 형태로 구현될 수 있고 다양한 변경을 가할 수 있다. 단지, 본 실시예들에 대한 설명은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위하여 제공되는 것이다.
여기서 단수의 표현은 문맥상 명백하게 다르게 표현하지 않는 한, 복수의 표현을 포함한다. 예컨대 "포함한다" 또는 "가진다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하기 위한 것으로, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들이 부가될 수 있는 것으로 해석될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도 1은 본 발명에 의한 사업모델 관리 서비스 시스템 및 상기 사업모델 관리 서비스 시스템이 동작하는 환경을 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 바람직한 실시예에 의한 사업모델 관리 서비스 시스템(110)이 구동되는 환경(100)은, 사업모델 관리 서비스 시스템(110), 상기 사업모델 관리 서비스 시스템(110)과 유무선 통신 네트워크로 연결된 사용자(120), 및 상기 사업모델 관리 서비스 시스템(110)과 유무선 통신 네트워크로 연결된 인터넷페이지(130)를 포함한다.
상기 사업모델 관리 서비스 시스템(110)는, 사업모델을 작성하거나 수정하려고 하는 사업모델 관리 서비스 시스템 사용자(120)에게 의미기반 검색 기술을 통해 유사 사업모델을 검색하게 한다. 그리고 상기 사업모델 관리 서비스 시스템(110)은, 검색된 유사 사업모델에서 일부 구성요소의 수정을 통해 사업모델을 완성시켜서 이를 기반으로 지식 베이스를 구축한다. 상기 사업모델 관리 서비스 시스템(110)은 상기 구축된 지식 베이스에서 의미 기반 검색, 예컨대 추론 기술을 활용하여 사업모델 구성 요소 별 관련 지식을 제공하여 신속하고 차별화된 사업모델을 작성, 유지할 수 있도록 필요한 기능과 방법을 제공한다.
이를 위해, 상기 사업모델 관리 서비스 시스템(110)은 웹 문서 혹은 전자 파일과 같은 인터넷페이지(130)의 사업모델 관련 기업 홈페이지 및 전자파일의 방대한 양의 비정형 데이터 자료에 대해 공개된 정보와 자료를 수집한다. 그리고 수집된 정보/자료의 데이터 전 처리 가공을 통하여 기계학습을 위한 데이터를 준비한다. 그리고 상기 사업모델 관리 서비스 시스템(110)은 상기 준비된 데이터의 군집, 분류, 추론을 위한 지도 또는 비지도 학습의 알고리즘을 활용하는 기계학습을 통해 학습된 모델을 확보한 후 지식베이스로 구축한다.
다음으로 상기 사업모델 관리 서비스 시스템(110)은 도 2 및 도 3과 같은 온톨로지 스키마와 함께 구축된 지식베이스를 활용하여 소프트웨어 에이전트, 즉 기계인 컴퓨터로 하여금 스스로 클래스들의 실제 값을 찾아서 매칭하여 사업모델 도메인 온톨로지를 구축하게 한다.
상기 사업모델 관리 서비스 시스템(110)은, 네트워크에 연결되어 있는 사용자(120), 인터넷페이지(130)들과 유무선 통신을 위한 네트워크를 가질 수 있다. 상기 유무선 통신 네트워크는 하나 또는 그 이상의 회선 교환 네트워크(circuit switched networks) 및/또는 패킷 교환 네트워크(packet switched networks)가 될 수 있다.
상기 사업모델 관리 서비스 시스템(110)의 내부 네트워크는, 기계학습과 온톨로지에 기반한 사업모델 작성을 위하여, 하나 또는 그 이상의 서버(500)와 연결 될 수 있고 랜(LAN) 및/또는 사설 네트워크와 연결될 수 있다. 여기서 상기 서버(500)는 방화벽서버, 웹서버, 서비스중개/통합/동적통합 서버 및 데이터베이스 서버 등이 될 수 있다. 상기 각각의 서버(500)들은 이를 운용하기 위한 단말기(600)들을 구비할 수 있다.
한편, 상기 사용자(120)는 상기 사업모델 관리 서비스 시스템(110)에 접속하기 위한 디바이스로 데스크탑(desktop), 랩탑(laptop), 테블릿(tablet), 휴대용 통신 디바이스(mobile communication device), 및/또는 윈도우, 리눅스, 안드로이드, 운영체제 및/또는 다른 운영체제에서 작동하는 다른 타입의 개인용 컴퓨터 디바이스를 가질 수 있다.
상기 인터넷페이지(130)는 사업모델 관련 기업 홈페이지 및 전자파일 자료들이 될 수 있다. 상기 사업모델 관련 기업은 이러한 상기 인터넷 페이지(130)를 포함하는 웹 서버를 운영하여 정보를 공개하고 있다. 상기 사업모델 관련 기업은 웹 클롤링(web crawling) 방식을 통해 웹 정보를 수집하여 로봇에게 정보제공이 가능한 인터넷 네트워크 상의 공개정보에 대한 제공자들이다.
상술한 예시 적인 구성들 외에 상이하게 배열되는 구성들, 또는 추가적인 구성들을 통하여 본 발명에 의한 사업모델 관리 서비스 시스템(110)은 다르게 변형되어 구현될 수도 있다.
이하, 본 발명의 세부 사항들을 설명하기 앞서 본 발명에서 언급되는 시멘틱 웹과, 온톨로지와, 기계학습 알고리즘이 본 발명에서 말하는 사업모델에 어떻게 적용되는지를 먼저 설명하여 본 발명의 내용의 이해를 돕도록 한다.
먼저, 사업모델의 도메인을 온톨로지 모델로 구축하기 전에 기반 기술로 적용이 될 시멘틱웹과 온톨로지 기술의 내용에 대해 살펴 본다. 시맨틱 웹(Semantic Web)이란 "의미론적인 웹"이라는 뜻으로 컴퓨터가 자동으로 기존의 웹 페이지와 같은 분산 환경에서 자원에 대한 정보와 자원 사이의 관계-의미 정보(Semanteme)를 기계(컴퓨터)가 처리할 수 있는　온톨로지 형태로 표현하고, 이를 자동화된 기계(컴퓨터)가 처리하도록 하는 프레임워크이자 기술이다.
온톨로지는 시맨틱 웹의 가장 핵심이 되는 개념으로 "개념화의 명시적인 명세" 또는 "공유되는 개념"이라고 정의된다. 즉 온톨로지는 특정 도메인 내에서 공유되는 자원들을 명시적이고 형식적인 형태의 계층구조로 표현함으로써 컴퓨터가 지식을 이해하고 처리할 수 있도록 하며 지식의 교환 및 공유가 용이하도록 지원한다.
온톨로지의 구성요소로는 개념 혹은 클래스(Concept or Class), 인디비주얼 혹은 인스턴스(Individual or Instance), 관계 혹은 속성(Relation or Property), 함수(Function), 공리(Axioms)로 구성된다.
개념 혹은 클래스(Concept or Class)는 개념적으로 같은 단어들의 집합을 표현할 수 있는 대표 단어의 의미로 컴퓨터의 개념은 하위 개념으로 개인용 컴퓨터(PC), 메인프레임, 워크스테이션 등이 될 수 있는 것과 같다. 인디비주얼 혹은 인스턴스(Individual or Instance)는 개념을 구체화한 내용 즉 그것에 대한 값으로 사람이라는 개념에 홍길동이라는 인스턴스로 표현되는 것과 같다. 관계 혹은 속성(Relation or Property)은 두 개념 혹은 클래스 간의 관계를 설명하기 위해 사용되며 만약 관계 혹은 속성이 단지 두 개의 개념 간의 관계를 설명한다면 슬롯(slot), 혹은 단관계(binary relation)로 표현 된다. 함수(Function)는 관계 혹은 속성의 특별한 타입으로 하나의 개념이 다른 개념과의 관계에 있어 개수의 제약사항을 가지는 것을 의미한다. 공리(Axioms)는 논리의 전개나 추론의 기저로 "참"이라고 인정되는 문장이다.
본 발명에서는 온톨로지 요소의 의미 정의, 속성값의 제한규정, 관계의 인수(argument) 등은 여러 목적으로 활용되며, 온톨로지에서 정의한 정보의 정확성을 검증하거나 새로운 정보의 추론에 이용된다.
온톨로지 표현언어는 대표적으로 W3C에서 표준화된 RDF/S, OWL이 주로 사용되고 추론을 위해 OWL-DL(OWL-Description Language), SWRL(Semantic Web Rule Language) 등이 사용되고, 그리고 SPARQL(Simple Protocol and RDF Query Language)은 온톨로지 질의(Query)를 위해 사용된다.
도 2는 본 발명의 바람직한 실시예에 의해 적용되는 도메인 온톨리지 스키마(Domain Ontology Schema)를 설명하기 위한 개요도이다.
도 2를 참조하면, 도면의 왼쪽은 도메인 온톨리지 스키마(Domain Ontology Schema)를 설명하기 위한 컴퓨터 화면(700)이다. 기계학습과 온톨로지에 기반한 사업모델 작성 방법 및 시스템에서는 온톨로지 스키마(Ontology Schema) 구축을 위해 온톨로지 표현언어인 OWL을 이용하였다, 상기 온톨로지 스키마(Ontology Schema)는 저작도구로 스텐포드 대학에서 제공하는 프로테제(Protege)를 활용하여 사업모델 도메인 내의 공유되는 자원들을 클래스와 속성으로 정의하여 명시적이고 형식적인 형태의 계층구조로 표현하였다.
또한 상기 온톨로지 스키마(Ontology Schema)는 도메인을 정형화(formalizing)하며, 각 온톨로지 모델의 정보요소 또는 데이터로 표현되는 인스턴스와 선언적 속성을 정의하여 사업모델 도메인 온톨로지 구축을 위한 기반을 제공한다.
도면의 오른쪽은 사업모델을 구성하는 9 빌딩 블록(706)이 사업모델(702)에 구체적으로 적용되는 사례를 보여주는 계층도이다. 이하, 온톨로지(ontology)를 사업모델(702) 도메인에 구체적으로 적용하기에 앞서 사업모델 도메인에 대한 이해와 설명이 필요하다.
사업모델(702)이란 이해 당사자가 사업모델 클라스(704)인 경영 기반, 제품 및 서비스를 고객 인터페이스를 통해, 재무 관점에서 이윤을 창출하는 방법을 나타낸 모형이다. 기업의 경영 기반에 속한 우측의 계층은 지속적으로 이윤을 창출하기 위해 제품 및 서비스를 생산하고, 관리하며, 판매하는 방법을 표현한다. 또한, 사업모델(700)은 제품이나 서비스를 소비자에게 어떻게 제공하고 마케팅하며, 돈을 벌 것인지 계획하는 사업 아이디어로 이야기 되기도 한다.
이것을 종합하면 본 발명에서 사업모텔을 접근하기 위해 사용한 사업모델의 세부 구성요소인, 가치제안, 수익모델, 비용구조, 자원, 협업, 가치활동 구성, 고객관계 및 채널로 이루어진 9 빌딩 블록(9 building blocks)은 그 하위 개념인 제안, 수익항목 가격, 비용 계정 등과 연대하여 상기 사업모델 클라스(704)로 연계된다.
결국, 사업을 하기 위해 필수적인 구성요소들을 모아 놓고 상호 관계를 모델 화 시켜 놓은 것으로 정의되며 좀더 구체적으로는 상품(Product), 유통 채널(Channel), 고객(Customer), 협력자(Cooperator), 수익 모델 (Pro?t Model)을 포함하며 고객 문제와 기업 제안의 매칭을 위한 상호작용과 정합성을 표현한 것이라고 정의 할 수 있다. 또한 사업 전략과 비즈니스 모델과의 관계는 전략이 불확실한 상태에서 하나 이상의 목적을 쟁취하기 위한 높은 차원의 계획으로 정의 될 수 있어 사업모델은 사업을 위한 전략적인 선택들을 모으고 상호 정렬한 것으로 볼 수 있다.
한편, 다양한 사업모델 접근법이 현재 존재하며 소개되고 있다. 구체적으로 Four-Box Model은 고객, 가치 제안, 핵심 자원, 프로세스, 수익모델 공식으로 구성된다. STOF(Service, Technology, Organization, and Finance) Model은 재무, 조직, 서비스, 기술, 고객 가치, 공급사 가치로 구성된다. RCOV(Resources, Competences, Organization, and Value Proposition) Model은 자원과 역량, 제품/서비스, 내외 활동, 매출 구조, 비용 구조, 영업 마진으로 구성된다. 그리고 본 발명에서 주로 사용하는 9 빌딩 블록(9 building Blocks) 모델(Model)은 고객, 가치제안, 채널, 고객관계, 수익원, 핵심자원, 핵심활동, 핵심파트너, 비용구조로 구성된다. 이러한 사업모델 접근법은 일반적인 기업 및 산업 분야의 비즈니스모델 도출을 위한 도구로서 활용되며 각 모델의 구성요소 항목 중에는 고객가치 또는 가치제안(value proposition)이라는 구성요소가 공통적으로 포함되어 있다. 본 발명에 의한 기계학습과 온톨로지에 기반한 사업모델은 9 building Blocks Model을 기반으로 하여 구성되며 이것들이 트리플을 구성하여 검색에 활용되어 온톨로지를 추출하는 과정에 대해서는 후속되는 도 3을 참조하여 상세히 설명하기로 한다.
도 3은 도 2의 9 빌딩 블록에 따라 트리플 검색어를 통해 온톨리지를 추출하는 과정을 설명하기 위한 블록도이다.
도 3을 참조하면, 사업모델 온톨로지의 구성요소인 개념 혹은 클래스(Concept or Class)의 계층구조는 크게 네 가지 요소로 구분한다.
첫째로 고객에게 제공하는 제품과 서비스와 관련된 내용으로 제품서비스(Product, 140), 둘째로 회사의 제품과 서비스를 어떤 고객에게 어떻게 제공 하는 지와 관련된 고객 인터페이스(CustomerInterface, 142), 셋째로 제품 서비스를 제공하고 고객 인터페이스를 제공 유지하는 가치 시스템으로 구성된 경영기반(InfrastructureManagement, 144), 넷째로 수익모델과 비용구조로 구성된 재무관점(FinancialAspects, 146)이다.
보다 상세하게는, 제품서비스(Product, 140) 클래스는 하위 클래스로 목표 고객을 위한 가치를 제공하는 가치제안(ValueProposition, 148)과 이것의 하위 클래스로 가치제안을 좀더 세분화한 제안(Offering, 150) 클래스를 포함한다. 고객 인터페이스(CustomerInterface, 142) 클래스는 하위 클래스로 가치제안으로 만족을 제공하고자 하는 구체적 대상인 세분화된 고객으로 목표고객 (TargetCustomer 152), 가치제안에 대응한 세분화된 고객에 따라 어떠한 경로로 가치를 제공 할지 묘사한 유통경로(Channel, 154), 세분화된 목표고객과 가치 제안간의 관계를 수립하고 유지하는 활동과 관련된 고객관계(Relationship, 156)를 포함하고, 목표고객(TargetCustome, 152) 하위로 세분화된 고객별 특성을 정의한 고객특성(Criterion158), 유통경로(Channel, 154) 하위로 유통경로 선택 사유, 고객구매단계, 제공가치수준, 생명 주기를 포함하는 경로역할(Link, 160), 고객관계(Relationship, 156) 하위로 고객과 가치제안 사이에 개인화 서비스, 신뢰기반 서비스, 브랜드기반 서비스인지를 구분하는 관계특성 (RelationshipMechanism, 162) 클래스를 포함한다.
경영기반(Infrastructure Management, 144) 클래스는 하위 클래스로 사업을 원활하게 진행하는데 가장 필요한 자산으로서 자원(Capability, 164)과, 가치제안을 제공하기 위한 일련의 활동들의 집합인 가치활동구성 (ValueConfiguration, 166), 사업모델을 원활히 작동 시켜줄 "공급자-파트너"간의 네트워크인 협업(Partnership, 168) 클래스와 자원(Capability, 164) 하위 클래스로 가치창출 프로세스의 입력으로 역할을 하는 핵심자원(KeyResource, 170), 가치활동구성(ValueConfiguration, 166) 하위로 회사가 업무를 처리 하거나 사업목표 달성을 위해 수행하는 활동인 핵심활동(KeyActivity, 172), 협업(Partnership, 168)의 하위로 사업 이해 당사자와 수행 내용 및 조건 등을 기술한 협업계약(Agreement, 174) 클래스를 포함한다.
재무관점(FinancialAspects, 146) 클래스는 수익모델(RevenueModel, 176)과 비용구조(CostStructure, 178)를 포함하며, 수익모델의 하위로 수익항목 및 가격(RevenueStreamAndPricing, 180), 비용구조(CostStructure, 178)의 하위로 비용계정(Account, 182) 클래스를 포함하며 사업모델의 내부와 외부의 이해당사자(Actor) 클래스를 포함한다.
이러한 클래스들은 관계 혹은 속성(Relation or Property)을 가지고 있는데 가치제안(ValueProposition, 148)은, 목표고객(TargetCustomer, 152)을 위한 가치를 표현하며 자원(Capability, 164)에 기반을 두고 있다. 목표고객(TargetCustomer, 152)는 가치제안 (ValueProposition, 148)을 받으며 유통경로(Channel, 154)로 가치제안(ValueProposition, 148)을 배달한다. 즉, 유통경로(Channel, 154)를 통해 목표고객(TargetCustomer, 152)에게 배달한다. 상기 경로역할(Link, 160)은 다른 경로역할(Link)과 연결될 수 있고, 이해당사자(Actor, 184)에 의해 배달될 수 있다. 상기 고객관계(Relationship, 156)는 가치제안(ValueProposition, 148)을 촉진하며 목표고객(TargetCustomer, 152)와 함께 유지된다. 상기 자원(Capability, 164)은 가치제안(ValueProposition, 148)의 제공을 가능하게 한다. 상기 핵심자원(KeyResource, 170)은 이해당사자(Actor, 184)로부터 제공 될 수 있고, 핵심활동 (KeyActivity, 172)에 의해 만들어지거나 입력물이 되거나 공유된다.
상기 가치활동구성(ValueConfiguration, 166)은 자원(Capability, 164)에 의존하며 가치제안(ValueProposition, 148)을 만든다. 상기 핵심활동(KeyActivity, 172)은 이해당사자(Actor, 184)에 의해 실행되어 핵심자원(KeyResource, 170)을 만들거나 입력물로 사용하거나 공유한다.
상기 협업(Partnership, 168)은 가치활동구성(ValueConfiguration, 166)에 관여하면서 가치제안(ValueProposition, 148)을 제공하기 위해 개발된다. 상기 협업계약(Agreement, 174)은 이해당사자(Actor, 184)에 의해 만들어지고, 수익모델(RevenueModel, 176)은 가치제안(ValueProposition, 148)에 의존하며, 수익항목 및 가격(RevenueStreamAndPricing, 180)은 제안(Offering, 150)을 위해 필요하다. 상기 경로역할(Link, 160)은 수익항목 및 가격 (RevenueStreamAndPricing, 180)을 연관하게 된다.
이와 같은 사업모델 온톨로지의 속성과, 선언된 관계 속성 중에서 속성의 특별한 형태(type)으로 하나의 클래스가 다른 클래스와의 관계에 있어서 개수의 제약사항을 갖는 함수(Function), 온톨로지 요소의 의미 정의, 속성값의 제한규정, 관계의 인수(argument)등의 목적으로 활용되며, 온톨로지에서 새로운 정보의 추론에 이용되는 공리(Axioms)를 포함한다.
도 4는 도 1의 인터페이스 처리부의 세부 구성을 설명하기 위한 블록도이다.
도 4를 참조하면, 본 발명의 일 실시예에 의한 사업모델 관리 서비스 시스템의 인터페이스 처리부(200)는 인스턴스 입력부(210), 사업모델 출력부(220)를 포함한다.
우선 사업모델 작성과 유지를 위해서 시스템과 상호작용을 하는 데는 온톨로지의 특성을 활용한다. 온톨로지는 트리플(Triple) 형태로 개념과 개념들 그리고 그들 사이에 존재하는 프로퍼티(property)를 정의함으로써 표현되며, 일 예로 주어(Subject)-술어(Predicate)-목적어(Object) 형태로 기술된다. 상기 주어에서 술어를 거쳐 목적어에 이르는 방향성을 가지는 그래프 형태로 트리플을 표현할 수 있다. 예로서 사업모델 온톨로지의 클래스 중 가치제안(ValueProposition)과 목표고객(TargetCustomer)이 있고 두개의 클래스간 관계를 설명하는 속성이 “~을 위한 가치를 표현한다”(representsValueFor TargetCustomer)일 때 트리플 구조는 가치제안이 주어가 되고 “~을 위한 가치를 표현한다”가 술어가 되며 목표고객이 목적어가 되어 “가치제안은 목표고객을 위한 가치를 표현한다”라는 주어-술어-목적의 트리플 구조로 표현된다.
따라서 가치제안의 인스턴스가 입력되면 관계를 설명하는 속성을 이용하여 예상되는 목표고객을 추론하고 추천하여 가치제안의 인스턴스와 가장 부합되는 목표고객의 인스턴스를 선택 할 수 있게 한다.
상기 인스턴스 입력부(210)는 인스턴스 입력 창과 인스턴스 추천 창을 포함하며 이러한 트리플 구조를 활용한 인터페이스가 가능하도록 구성하여 사업모델 작성자의 필요를 파악 할 수 있도록 구성된다. 인스턴스 입력부(210)의 인스턴스 추천 창에는 인스턴스 입력 창의 해당 입력 값에 연동되어 온톨로지 관리부(도1, 300)로부터 온톨로지의 개념과 관계를 기반으로 추론과 질의 검색을 통해 확보한 추천 인스턴스를 제시한다. 또한, 상기 사업모델 출력부(220)는 사업모델 온톨로지의 개념들을 이용한 사업모델 지식 베이스의 검색과 그 결과를 사용자에게 제공하는 통로 역할을 한다.
도 5는 사용자가 사업모델 세부 구성요소를 입력할 때 참조되는 자료추출을 위한 트리(Tree)를 설명하는 개념도이다.
도 5를 참조하면, 도면은 사용자가 사업모델 세부 구성요소를 입력할 때 참조되는 자료추출을 위한 트리(Tree, 708))로서, 가장 외곽에 9 빌딩 블록(706)이 존재하고, 이것들은 각각 그 내부에 사업모델 글라스(704)에 연결되어 사업모델(702)이 구체화되는 것을 표시한다. 이러한 트리(708)는 검색결과에 대해 사업모델의 세부적인 내용을 마인드 맵 사용자 인터페이스의 형태로 표시 될 수 있게 한다.
또한 사업모델 작성자가 지식 베이스의 유사 사업모델을 검색하여 검색된 사업모델 중에서 사업모델 작성자가 참조 수정하여 자신의 사업모델로 재작성할 때는 도 4의 인스턴스 입력부(210)로 보내 져서 일부 내용의 수정만으로 신규 사업모델이 작성 될 수 있어서 신규작성의 어려움을 해소할 수 있다.
도 6은 도 1의 온톨리지 관리부의 세부 구성 및 역할을 설명하기 위한 블록도이다.
도 6을 참조하면, 본 발명의 일 실시예에 의한 사업모델 관리 서비스 시스템의 온톨로지 관리부(300)는 온톨로지 추론부(310), 출력정보 처리부(320), 지식 베이스(330), 온톨로지 검색부(340), 온톨로지 저장부(350), 온톨로지 추출부(360)를 포함한다.
상기 온톨로지 관리부(300)는 사업모델 도메인 온톨로지에 대해 추론하고 검색하며 사업모델 구성 요소인 각각 개념들의 실제 값인 인스턴스를 받아서 온톨로지 스키마와 매핑 결합하여 온톨로지를 구축하거나 또는 기계학습을 통해 축적된 데이터를 온톨로지 스키마와 매핑 결합하여 온톨로지로 구축한다.
이러한 온톨로지 형태로 표현한 영역은 지식을 인간과 기계(소프트웨어)가 모두 이해할 수 있도록 하여 사람에 의한 정보처리와 소프트웨어 에이전트인 컴퓨터에 의한 처리가 모두 가능하게 하는 영역이 된다.
상기 온톨로지 추론부(310)는 인스턴스 추천 요청을 접수하고 온톨로지 스키마 정보를 활용 온톨로지의 개념과 속성 그리고 관계(Relation)와 연동하여 온톨로지 추론기술을 이용 할 수 있도록 트리플 질의어를 생성한다. 그리고 상기 질의어를 통해 지식 베이스(330)로부터 추론된 결과를 획득해서 출력정보 처리부(320)로 전송한다.
온톨로지에서의 추론은 명제들을 기반으로 결론을 얻기 위한 일련의 프로세스를 구성하는 것으로, 결정 가능성에 따라 DL(Description Logic), HL(Horn Logic), FL(Frame Logic) 등이 사용된다. DL 즉 기술논리 기반의 OWL(Ontology Web Langage)추론은 기술 논리를 통해 사업모델의 개념과 인스턴스를 표현하는 하는데 Abox(Assertional Box, 선언적 박스), Tbox(Terminological Box, 술어적 박스)의 구조를 활용하여 사업모델의 개념과 인스턴스를 표현하게 되며 Abox는 선언적 지식 이며, 사업모델의 인스턴스로 구성되어 있고 Tbox는 술어적 지식이며 사업모델 온톨로지의 스키마를 포함하고 있다.
따라서 기술 논리 추론은 Abox추론과 Tbox 추론으로 구분되고 Abox 추론은 인스턴스를 반영한 추론으로, 인스턴스화(Instantiation), 현실화(Realization), 검색(Retrieval) 추론으로 분류되며 인스턴스화 추론은 특정 인스턴스가 어떠한 클래스에 포함되는지를 확인하는 것이고, 현실화 추론은 특정 인스턴스가 속하는 가장 특정한 클래스를 알아내는 것이다.
그리고 검색 추론은 클래스에 속하는 인스턴스를 모두 알아내는 추론이다. 또한 Tbox추론은 개념 또는 클래스간의 관계를 명시하는 추론으로, 포섭(Subsuption) 추론, 분류(Classification) 추론, 일관성(Consistency) 추론으로 나뉜다. 포섭 추론은 임의의 개념이 주어졌을 때 상· 하위 관계를 구축 하는 추론이며, 분류 추론은 주어진 임의의 개념에 대한 포섭 혹은 포함 여부를 결정하는 추론이다. 그리고 일관성 추론은 개념 정의에 대한 일관성을 체크하는 것이다. 예컨대 사업모델 온톨로지의 가치제안(ValueProposition)에 대한 인스턴스를 알고 있을 때 추천 가능한 목표고객(TargetCustomer) 인스턴스는 “~을 위한 가치를 표현한다” 라는 두 개의 클래스간 관계를 설명하는 속성을 이용하여 추론이 가능하고 입력한 가치제안 인스턴스로 나타낼 수 있다. 이와 같이 사업모델 온톨로지의 모든 개념과 속성을 활용하여 기술논리 기반 추론을 실행한다. 그리고 SPARQL을 활용하여 질의어를 만들고 지식 베이스(330)에 질의하여 결과값을 출력정보 처리부(320)로 보낸다. 온톨로지에서 추론을 지원하기 위한 추론 엔진으로는 제나(Jena), 세사메(Sesame)등이 사용될 수 있다.
상기 출력정보 처리부(320)는 추론을 통해 획득한 인스턴스 정보를 인스턴스 입력부(210)의 인스턴스 추천창에 보내고 검색을 통해 확보한 유사 사업모델 온톨로지를 목록 형태로 가공하여 사업모델 출력부(220)로 보낸다. 이때 데이터 오브젝트를 전달하기 위해 텍스트를 사용하는 개방형 표준 포맷 형태의 XML(Extensible Markup Language), JSON (JavaScript Object Notation)등은 상기 온톨로지 추론부(310) 및 온톨로지 검색부(340)로부터 전달 받게 되고 인터페이스 처리부(200)로 보내기 전에 추가적인 가공이 필요할 수도 있다. 즉, 사용자(120)가 사용하는 디바이스에 적합하도록 정보를 가공 처리할 수도 있다.
상기 지식 베이스(330)는 사업모델 온톨로지를 저장 관리하고, 트리플 인덱스를 생성 유지하며, 기계학습을 통해 학습된 학습모델을 관리하고, 인터넷 홈페이지 또는 전자문서로부터 추출된 핵심어 정보와 전 처리된 텍스트 문서 등을 포함하여 사업모델 서비스 관련된 필요한 모든 정보를 데이터베이스로 구축하여 관리하는 역할을 수행한다.
상기 온톨로지 검색부(340)는 사업모델 출력부(220)로 받은 검색요청 키워드를 트리플 조합 질의어로 접수하여 확장하고 트리플 기반 인덱스를 이용하여 검색하고 온톨로지를 확보하여 출력정보 처리부(320)로 보낸다. 또한 상기 지식 베이스(330)에 저장되어 있는 사업모델 온톨로지 정보를 검색하며, 이때 질의를 위한 언어로 SPARQL을 사용할 수 있다. SPARQL은 사용자(120)가 찾고자 하는 사업모델에 관한 조건들을 트리플 구조로 질의할 수 있는 언어이다. 다시 말해, 지식 베이스에 있는 사업모델 정보가 트리플 구조로 저장되어 있기 때문에, SPARQL을 이용하여 사용자(120)가 입력한 질의 조건에 해당되는 사업모델 구성 정보들을 지식 베이스(330)로부터 검색할 수 있다. 이때, 제나(Jena), 세사메(Sesame) 등을 이용하여 지식 베이스(330)로 SPARQL을 전달하고, 해당 결과를 검색하는 기능을 구현할 수 있다. 검색된 사업모델 정보의 결과는 XML(Extensible Markup Language), JSON (JavaScript Object Notation)등을 포함하는 데이터 오브젝트를 전달하기 위해 텍스트를 사용하는 개방형 표준 포맷 형태로 제공 될 수 있다.
상기 온톨로지 저장부(350)는 인스턴스 입력부(210) 또는 온톨로지 추출부(360)로부터 입력받은 인스턴스들을 도2 및 도 3에 설명된 사업모델 온톨로지 스키마와 결합하여 사업모델 온톨로지를 완성하고 상기 지식 베이스(330)에 저장하며 이때 사업모델 온톨로지에 대해 트리플을 추출하여 트리플 인덱스를 구축한다.
마지막으로 상기 온톨로지 추출부(360)는 기계학습을 통해 확보된 제품서비스의 가치제안 핵심어를 기점으로 트리플을 구성하고, 도 1의 기계학습부(400)의 word2vec 학습를 이용하여 의미기반 검색을 통해 가치제안의 목적어인 목표고객을 찾는다. 그리고 다시 목표고객을 주어로 트리플을 구성하여 목적어를 찾는 방법을 다른 개념들의 인스턴스를 찾는데도 반복 적용하여 전체 필요한 인스턴스를 찾은 후 온톨로지 저장부로 보낸다.
이 과정을 보다 더 구체적으로 수학식을 이용하여 설명하면, 가치제안, 목표고객의 클래스와 둘 사이의 속성이 “~을 위한 가치를 표현한다”일 때 가치제안을 v, 목표고객을 c, 가치제안과 목표고객 사이의 속성을 F라하고 하면 F는 F(v,c)의 함수 관계가 성립된다.
또 다른 가치제안 v'와 목표고객 c'도 동일한 관계가 성립되며 만약 a, b, v'의 클래스에 대한 값인 인스턴스를 알고 있으면서 c'의 인스턴스를 몰라서 찾고자 할 때 v:c = v':c'과 같은 비례식이 성립한다. 이때 Word2vec를 통해 a, b, v'의 클래스에 대한 값인 인스턴스의 어휘 벡터 값을 알아내고 연산을 하면 c'의 어휘 벡터 값을 구할 수 있고 그때 다시 Word2vec통해 c'의 어휘 벡터 값을 통해서 c'의 인스턴스를 찾을 수 있다.
이와 같은 방법으로 사업모델 온톨로지의 모든 클래스와 속성에 적용하면 Word2vec를 통해 학습된 상기 지식 베이스(330)로부터 소프트웨어 에이전트인 컴퓨터를 이용하여 계속적으로 기계(컴퓨터) 스스로 새로운 사업모델 온톨로지를 만들 수 있다. 그리고 온톨로지 추론부(310)의 온톨로지 추론기술을 이용한 지식 베이스(330)로부터 추론을 Word2vec로 학습된 학습모델을 활용하는 것으로도 대체가 가능하다.
도 7은 도 1의 기계학습 처리부의 세부 구성 및 역할을 설명하기 위한 블록도이다.
도 7을 참조하면, 본 발명에 의한 기계학습 처리부(400)는, 내부에 클롤링부(410), 데이터 준비부(420), TF*IDF알고리즘 적용부(430), 나이브 베이즈　분류부(440), Word2vec 학습부(450)를 포함한다.
상기 클롤링부(410)는 인터넷페이지(130)의 사업모델 관련 기업 홈페이지 및 전자파일 자료들을 데이터 전처리를 위해 가져오는 기능을 한다. 통상적으로 웹 크롤러(web crawler)라는 것을 활용하는데 이것은 조직적, 자동화된 방법으로 월드 와이드 웹을 탐색하며 웹 페이지를 방문해서 자료를 수집하는 일을 하는 프로그램을 말한다. 이때 한 페이지만 방문하는 것이 아니라 그 페이지에 링크되어 있는 또 다른 페이지를 차례대로 방문하고 이처럼 링크를 따라 웹을 돌아다니는 모습이 마치 거미와 비슷하다고 해서 스파이더라고 부르기도 한다. 엄청난 분량의 웹 문서를 사람이 일일 구별해서 모으는 일은 불가능에 가깝다. 때문에 사업모델 관련 기업 홈페이지 및 전자파일 자료들의 수집에서는 사람이 일일이 하는 대신 이를 활용 자동 또는 반자동으로 수행한다.
상기 데이터 준비부(420)는 클롤링부(410)을 통해 사업모델에 대한 소개가 있는 인터넷 홈페이지와 기타 다양한 정보원의 자유로운 형태의 텍스트 문서에 대해 정보추출이 가능하도록 데이터를 준비하는 역할을 수행한다. 구체적인 역할을 설명하면, 웹 문서의 태그 제거, URL과 타이틀 추출, 형태소 분석, 품사 부착, 구절 단위 분석, 구문 분석 등의 자연어처리 기술체계를 포함하며 사업모델을 구성하는 주제어에 대한 후보 어휘 추출 과정을 포함한다. 결과적으로 이 과정을 통해 TF*IDF알고리즘 적용부(430)와 Word2vec학습부(450)의 기능을 활성화시킬 수 있도록 클롤링부(410)에서 추출된 자료로부터 데이터를 준비한다.
상기 TF*IDF알고리즘 적용(430)을 위한 전 처리 과정을 자세히 살펴보면, 먼저 모든 문서 내에 포함된 단어를 추출하고, 불용어를 제거한다. 불용어는 의미 없는 단어들의 집합이며 관사, 전치사, 조사, 접속사가 그 예이다. 이후, 문서 내에 포함된 기호　및 무의미한 단어는 제거하는데, 예로서 '-', ')', '?'과 같은 기호와, 무의미한 단어들 이다. 그리고 동일한 의미를 가지는 단어의 중복을　피하기 위하여 어간추출을 수행한다.
상기 어간추출은 어형이 변화된 단어로부터 단어가 변하지 않는 부분 즉,　어간을 분리하여 정리하는 과정이다. 이는 인터넷 검색엔진이 질의 어를 통한 검색을 수행할 때, 동일한 어간을 가지는 단어들을 동의어로 취급하여 질의 어를 확장하고, 검색결과의 품질을 향상시키는 방법과 같은 맥락이라고 하겠다.
또한 사업모델을 표현 할 때 단순 명사 이외에 명사구 형태로 표현 되는 경우가 많은데 명사구 인식의 과정을 살펴보면, 우선 전 처리 단계에서 형태소 분석 단계에서 분리된 “명사+접사”,“조사+조사”, “수사+수사”, “수사+의존명사”와 같이 형태소 분석된 결과를 구문 분석을 위한 입력 단위로 변환한다. 또한, 구축된 복합 명사의 통계 정보와 의미 망 사전을 사용하여 복합명사의 결합을 인식한다.
구문 분석을 위한 입력단위로 변환된 결과는 명사구 인식과정에서 관계 장소 및 관계시간, 그리고 구축된 명사구 관련 패턴에 의해 명사구 인식이 수행되는데, 말뭉치와 사전으로부터 통계 정보와 의미 망, 명사구 인식 패턴 등 통사적으로 확실한 패턴, 그리고 제한된 통계 정보와 의미 망을 적용한 명사구 인식 방식을 활용한다.
상기 TF*IDF알고리즘 적용부(430)는 이렇게 추출된 어휘 중, 가중치를 적용하여 어떤 어휘가 특정 문서 내에서 얼마나 중요한 것인지를 계산하기 위한 과정으로 TF-IDF (Term Frequency - Inverse Document Frequency)분석을 수행한다. TF-IDF는 여러 문서로 이루어진 문서의 집합이 존재할 때, 각각의 문서에 포함된 어휘의 중요도를 산출하는 통계적인 수치로써, 문서 내 어휘의 출현양을 나타내는　TF와 총 문서에서의 어휘의 출현비율의 역수를 취한 IDF을 활용하며, 식 (1)과 같이 계산된다.
Figure pat00001
여기서
Figure pat00002
는 어휘 i가 모든 문서에서 관찰되는 양이며, 는
Figure pat00003
　총 문서의 수 N 대비 어휘 i가 출현한 문서의 수
Figure pat00004
출현 비율의　역수를 취한 값이다. 따라서 어휘의 중요도를 나타내는 TF-IDF값은 특정 어휘의 출현 횟수가 많을수록 증가하지만, 모든 문서에서 빈번하게 사용되는 어휘는 그 정도에 따라 값이 낮게 계산된다.　모든 어휘의 중요도를 정렬하여 상위 TF-IDF어휘를 선택하는데 평균 TF-IDF 점수 이상인 어휘만 선정한다. 이러한 중요도를 반영하여 추출된 어휘는 사업모델과 관련된 문서를 분류하는 상기 나이브 베이즈　분류부(440)의 주요 입력으로 활용한다.
상기 나이브 베이즈　분류부(440)는 인터넷페이지(130)로부터 확보하여 데이터 준비부(420)를 통한 준비 과정을 통해 처리된 텍스트 문서를 사업모델 온톨로지의 구성요소인 개념 혹은 클래스(Concept or Class)의 계층구조 중 크게 네 가지 요소로 구분되는 제품서비스, 고객 인터페이스, 경영기반, 재무관점의 네 가지 유형의 문서로 분류하기 위해 활용 된다.
상기 나이브 베이지안(Naive Bayesian) 분류는 기계학습　중　지도학습　분야의　분류　알고리즘으로 사용되고 있는 대표적인 확률적 방법 중의 하나이다.　기본적으로, 가설 H와 주어진 학습(training) 데이터 D로부터 사후확률(posterior probability)을 구하고자 할 때 사용하는 베이즈 이론은 식 (1)과　같다.
Figure pat00005
P(H)는 H의 사전확률(priori probability)이고, P(H|D)는 D가 주어졌을때 H의 사후확률이다. 나이브 베이지안 분류자에서 데이터 D는 벡터로서 d →=< d1, d2, ..., dn >과 같이 표현되며, dn은 Dn의 속성값을 의미한다. 만일, m개의 클래스 < c1, c2, ..., cm >를 갖는 C가 있다고 가정하고,　임의의 데이터 D가 존재할 경우, 분류자는 D에 해당하는 최대의 사후 확률을 갖는 클래스 ci를 예측하게 된다.
P (ci|D) > P (cj|D ) 단, 1 ≤ j ≤ m, j ≠ i 　(2)
식 (2)를 통해서 최대의 사후확률을 갖는 P (ci|D )를 얻을 수 있으며, 따라서 클래스 ci는 식 (1)에 의해서 사후확률이 최대인 가설(MAP: Maximum Posterior)이 된다.
Figure pat00006
식 (3)에서 분모항 P (D )는 ci에 대하여 독립적인 상수 값을 가지므로 생략될 수 있다. 또한 주어진 데이터 D가 m개의 많은 속성들을 가지고 있는　경우 P (D|ci )의 계산을 위한 비용이 커지는 문제가 발생하는데, 이러한　문제를 해결하기 위해서 나이브 베이지안 분류자에서는 각 속성들이 상호　독립적이라 가정한다. 즉, 속성들 사이에서 서로 영향을 주고받는 관계가 없다고 가정하면 식 (4)와 같은 결과를 얻을　수 있다.
Figure pat00007
즉, D의 결합 확률은 각 속성들의 확률의 곱으로 계산될 수 있다. 지도학습을 위한 데이터로는 사업모델 온톨로지의 인스턴스를 활용하여 제품서비스, 고객 인터페이스, 경영기반, 재무관점의 네 가지 분류로 학습한다.
상기 Word2vec학습부(450)는 데이터 준비부(420)부의 준비과정을 통해 처리된 텍스트 문서를 입력으로 받아서 처리하고 학습하여 각 어휘마다 어휘에 해당하는 벡터를 구해주는데 이 벡터는 어휘의 유사성 등 관계를 파악할 수 있게 한다. 자연어 처리를 위한 기계학습의 한 방법으로서 Word2vec학습부(450)는 텍스트를 처리하는 인공 신경망이며 두 개의 층으로 구성되어 있고, 단어를 N차원의 특징벡터로 학습시키는 것으로 통상 말뭉치(corpus)를 입력으로 받아서 말뭉치의 단어를 벡터로 표현 하는 방법을 찾는데, 이 벡터의 값은 말뭉치에서 단어가 가지는 의미나 역할을 잘 표현해주는 값이어야 한다. 학습된 단어의 벡터는 단순히 수치적 의미가 아닌 N차원의 공간에서 단어가 가지고 있는 의미적인 위치를 표현한다. 모델을 학습시킬 때 설정한 윈도우 크기(Window_size)만큼 주변 문맥을 고려하여 학습이 되기 때문에 비슷한 문맥에서 자주 출현하게 되는 유사 단어들의 N차원 벡터는 학습과정에서 점점 비슷한 위치를 가진다. 그리고 이를 이용하면 단어의 뜻뿐만 아니라 여러 단어의 관계를 알아낸다. 예를 들어 단어의 관계를 이용해 '남자':'소년' = '여자:x 같은 관계식을 주면 x='소녀'라는 답을 구할 수 있다. 단어뿐만 아니라 더 큰 단위의 텍스트 또는 문장이나 문서를 분류하는 데에도 상기 Word2vec 학습부(450)를 사용 할 수 있어서 나이브 베이즈　분류부(440)를 대체 할 수도 있다.
따라서 이상의 어휘 간의 관계를 알아내는 방법을 이용하여 사업모델 온톨로지 스키마의 개념과 속성 정보를 이용하여 하나의 개념에 대한 인스턴스가 주어 졌을 때 개념 간의 관계를 나타내는 속성과 결합하여 관계된 다른 개념의 인스턴스를 데이터 준비(420)과정을 통해 만들어진 사업모델관련 텍스트 자료를 입력으로 Word2vec의 학습을 통해 만들어진 학습모델에서 찾을 수 있게 된다. 그렇게 되면 이 학습 모델을 이용하고 나이브 베이즈　분류(440)를 통해 분류된 문서와 주제어 정보를 활용해서 온톨로지 추출부(360)를 통해 사업모델 온톨로지 스키마와 해당되는 인스턴스가 매핑 된 새로운 사업모델 온톨로지를 생성 할 수 있게 된다. 그리고 이러한 과정의 반복을 통해 대량의 다양한 유형의 사업모델 온톨로지를 구축 할 수 있게 되어 사업모델을 작성하려고 하는 사용자(120)에게 다양한 유형의 사업모델을 참조 할 수 있게 하는 것이 가능해 진다.
도 8은 본 발명에 바람직한 실시예에 의한 사업모델 작성 방법의 개념을 설명하기 위한 흐름도이고, 도 9는 본 발명에 바람직한 실시예에 의한 사업모델 작성을 위한 구체적인 방법을 설명하기 위한 흐름도이다.
도 8 및 도 9를 참조하면, 본 발명의 일 실시예에 의한 기계학습과 온톨로지기반의 사업모델 작성 방법은, 개략적으로 상술한 사업모델 관리 서비스 시스템을 이용하여 사용자가 키워드를 통해 유사 사업모델을 검색하고, 상기 검색된 유사 사업 모델에서 원하는 사업모델을 선택하고, 상기 선택된 사업모델에 대해 세부 구성요소인 9 빌딩 블록을 입력하면, 상기 온톨리지 관리부의 온톨리지 추론을 통해 인스턴스를 추천하고, 선택된 사업모델에 대해 기계학습부의 워드2백(word3vec)을 통해 인스턴스를 추천하고, 이렇게 추천된 인스턴스를 중심으로 사용자가 사업모델을 최종적으로 수정하는 단계로 이루어진다.
구체적으로 설명하면, 먼저 사업모델을 작성하고자 하는 사용자가 사업모델 출력부를 통해 사업모델 구성요소, 가치제안 또는 목표고객의 내용을 키워드로 입력하고 유사 사업모델 검색을 요청(P100)한다. 그러면, 온톨로지 검색부(340)는 검색요청의 내용을 트리플 질의로 확장(P102)하고 트리플 기반 인덱스를 이용하여 지식 베이스(330)로부터 사용자 의도를 반영한 의미기반으로 검색된 온톨로지를 확보하여 출력정보 처리부(320)에 보내고 여기서 검색된 사업모델 온톨로지를 목록화 하여 다시 사업모델 출력부(220)로 보낸다(P104). 그리고 상기 사업모델 출력부에 나타난 유사 사업모델 목록 중에서 사용자(120)에게 적합한 사업모델을 선택하게 한다. (P106, S510)
계속해서 사용자(120)가 선택한 사업모델은 인스턴스 입력부(210)로 보내 져서 사업모델의 주요 구성요소인 목표고객, 가치제안, 채널, 고객관계, 수익모델, 핵심자원, 핵심활동, 협업계약, 비용구조 등의 내용을 수정 입력(P108)하게 된다. 이때, 일반적인 입력 순서는 먼저 가치제안과 이에 상응하는 목표고객, 채널, 고객관계, 수익모델, 핵심자원, 핵심활동, 협업계약, 비용 구조 순으로 진행된다. (S520)
이어서, 사용자의 입력을 통해 가치제안을 자신의 사업모델에 맞게 입력하면 온톨로지 추론부(310)는 가치제안과 관계된 클래스들에 대한 인스턴스 추천(P110) 요청으로 접수하고 온톨로지 스키마 정보를 활용 온톨로지의 개념과 속성 그리고 관계(Relation)와 연동하여 온톨로지 추론기술 기반에 관계된 클래스들에 대한 인스턴스의 추론이 가능하도록 트리플 질의어(P112)를 생성한다. 이어서 상기 질의어를 통해 지식 베이스(330)로부터 추론된 결과를 획득(P114)해서 출력정보 처리부(320)로 전송되어 인스턴스 입력부(210)의 인스턴스 추천창에 표시 가능하게 가공되어 표시(P116)되면 이것을 참조하여 사업모델 구성요소 각각을 수정하여 사용자(120)가 원하는 사업모델을 작성(P118)한다. (S530)
또한 이때 온톨로지 추론부(310)를 사용하지 않고 온톨로지 추출부(360)를 활용하여 word2vec이용 기계 학습된 학습모델을 이용하여 word2vec의 의미기반 검색을 통해 인스턴스를 추천해 줄 수도 있다. (S540)
이상과 같은 절차를 통해서 사업모델이 작성되면 이것을 사업모델 온톨로지로 변환하여 저장하여야 하는데 이때 온톨로지 저장부(350)는 인스턴스 입력부(210)로부터 입력 받은 인스턴스들을 사업모델 온톨로지 스키마와 결합하여 사업모델 온톨로지로 완성하고 지식 베이스(330)에 저장한다. 그리고 사업모델 온톨로지에 대해 트리플을 추출하여 트리플 인덱스가 지식 베이스(330)에 구축 될 수 있게 하여 온톨로지 추론부(310)에서 검색 되게 한다. 또한 나이브 베이즈　분류(440)와 Word2vec학습(450)로 보내어져서 기계학습(S550)이 되게 한다.
본 발명은 상술한 실시예에 한정되지 않으며, 본 발명이 속한 기술적 사상 내에서 당 기술 분야의 통상의 지식을 가진 자에 의해 많은 변형이 가능함이 명백하다.
100: 시스템 동작 환경, 110: 사업모델 관리 서비스 시스템,
120: 사용자, 130: 인터넷 페이지,
200: 인터페이스 처리부, 210: 인터페이스 입력부,
220: 사업모델 출력부, 300: 온톨리지 관리부,
310: 온톨리지 추론부, 320: 출력정보 처리부,
330: 지식베이스, 340: 온톨리지 검색부,
350: 온톨리지 저장부, 360: 온톨리지 추출부,
400: 기계학습부, 410: 클로링부,
420: 데이터 준비부, 430: TF*IDF 알고리즘 적용부,
440: 나이브 베이즈 분류부, 450: 워드2백(word2vec) 학습부,
500: 서버, 600: 단말기,
700: 온톨리지 스키마 컴퓨터 화면, 702: 사업모델,
704: 사업모델 클라스, 706: 9 빌딩 블록(building block),
708: 트리(tree).

Claims (11)

  1. 사용자가 사업모델을 검색하기 위해 인터페이스 처리부의 사업모델 출력부에서 키워드를 입력하여 의미기반 검색을 요청하는 1 단계;
    온톨리지 관리부의 온톨리지 검색부는 상기 키워드 내용을 트리플 조합 질의어로 확장하는 2 단계;
    상기 온톨리지 검색부는 트리플 조합 질의어를 트리플 기반 인덱스로 이용하여 지식베이스에서 유사 사업모델을 획득하여 사업모델 출력부로 보내는 3 단계;
    상기 사용자가 사업모델 출력부의 유사 사업모델 중에서 적합한 사업모델을 선택하는 4 단계;
    상기 사용자가 선택한 사업모델을 사업모델 입력부로 보내 사업모델 세부 구성요소를 입력하는 5 단계;
    상기 사업모델 세부 구성요소에 대해 온톨리지 추론부는 온톨리지 스키마 정보를 활용하여 트리플 질의어를 생성하는 6 단계;
    상기 온톨리지 추론부는 상기 트리플 질의어로 지식베이스에서 결과물을 획득하여 출력 정보 처리부로 전송하는 7 단계;
    상기 출력 정보 처리부는 상기 결과물을 사용자가 볼 수 있도록 사업모델 입력부의 인스턴스 입력창에 표시하는 8 단계; 및
    상기 결과물을 참조하여 사용자가 사업모델 구성요소의 각각을 수정하여 원하는 사업모델을 작성하는 9 단계를 구비하는 것을 특징으로 하는 기계학습과 온톨리지 기반의 사업모델 작성 방법.
  2. 제1항에 있어서,
    상기 6 단계 전에,
    상기 사업모델 세부 구성요소에 대해 온톨리지 추출부는 기계학습 처리부를 통해 인스턴스를 추천하는 단계를 더 진행하는 것을 특징으로 하는 기계학습과 온톨리지 기반의 사업모델 작성 방법.
  3. 제1항에 있어서,
    상기 1 단계의 키워드는,
    가치제안, 수익모델, 비용구조, 핵심 자원, 협업 계약, 가치활동 구성, 고객관계, 목표 고객, 채널로 이루어진 9 빌딩 블록(9 building block) 중에서 선택된 하나 및 하나 이상 중의 어느 하나인 것을 특징으로 하는 기계학습과 온톨리지 기반의 사업모델 작성 방법.
  4. 제1항에 있어서,
    상기 5 단계의 사업모델 세부 구성요소는,
    가치제안, 수익모델, 비용구조, 핵심 자원, 협업 계약, 가치활동 구성, 고객관계, 목표 고객, 채널로 이루어진 9 빌딩 블록(9 building block)인 것을 특징으로 하는 기계학습과 온톨리지 기반의 사업모델 작성 방법
  5. 제2항에 있어서,
    상기 사업모델 세부 구성요소에 대해 온톨리지 추출부는 기계학습 처리부를 통해 인스턴스를 추천하는 방법은,
    워드2백(word3vec) 학습부를 통해 의미기반 검색을 수행하여 인스턴스를 추천하는 것을 특징으로 하는 기계학습과 온톨리지 기반의 사업모델 작성 방법.
  6. 제1항 내지 제6항 중의 어느 한 항의 기계학습과 온톨리지 기반의 사업모델 작성 방법을 실행하기 위한 프로그램이 기록된 컴퓨터에 의한 판독 가능한 기록매체.
  7. 사용자가 키워드를 통해 유사 사업모델을 검색하는 단계;
    상기 사용자가 검색된 유사 사업 모델에서 사업모델을 선택하는 단계;
    상기 선택된 사업모델에 대해 사업모델 세부 구성요소을 입력하고 인스턴스 관리부의 온톨리지 추론을 통해 인스턴스를 추천하는 단계;
    선택된 사업모델에 대해 기계학습부의 워드2백(word2vec) 학습부를 통해 인스턴스를 추천하는 단계; 및
    상기 추천된 인스턴스를 중심으로 사용자가 사업모델을 수정하는 단계를 구비하는 것을 특징으로 하는 기계학습과 온톨리지 기반의 사업모델 작성 방법.
  8. 사용자와 통신하면서 사용자의 필요를 입력받고 작업된 결과물을 외부로 출력하는 통로가 되는 인터페이스 처리부;
    상기 인터페이스 처리부와 연계하여 인스턴스 추론을 위해 동작하며, 내부에 트리플 질의어를 생성하는 온톨리지 추론부와, 유사 사업모델을 가공하는 출력정보 처리부와, 사업모델에 관련된 필요한 모든 정보를 데이터베이스로 구축하여 관리하는 지식 베이스와, 트리플 기반 인덱스를 이용하여 검색하는 온톨리지 검색부와, 사업모델 온톨리지를 완성하고 상기 지식베이스에 저장하는 온톨리지 저장부와, 기계학습을 통해 확보된 인스턴스를 찾는 기능을 요청하는 온톨리지 추출부를 포함하는 온톨리지 관리부; 및
    상기 온톨리지 관리부의 온톨리지 추출부와 연계하여 기계 학습을 수행하며, 이를 위해 내부에 클롤링부, 데이터 준비부, TF*IDF 알고리즘 적용부, 나이브 베이즈 분류부, 워드2백(Word2Vec) 학습부를 포함하는 기계학습 처리부를 구비하는 것을 특징으로 하는 기계 학습과 온톨리지 기반의 사업모델 관리 서비스 시스템.
  9. 제8항에 있어서,
    상기 인터페이스 처리부는,
    인스턴스 입력부 및 사업모델 출력부를 포함하는 것을 특징으로 하는 기계 학습과 온톨리지 기반의 사업모델 관리 서비스 시스템.
  10. 제8항에 있어서,
    상기 온톨리지 관리부의 온톨리지 추론부는,
    9 빌딩 블록(building block) 기반의 온톨리지 스키마를 이용하여 트리플 질의어를 생성하는 것을 특징으로 하는 기계 학습과 온톨리지 기반의 사업모델 관리 서비스 시스템.
  11. 제8항에 있어서,
    상기 기계학습부의 TF*IDF 알고리즘 적용부는,
    상기 데이터 준비부에서 추출된 문서 내에서 어떤 어휘가 중요한 것인가를 계산하기 위해 TF-IDF (Term Frequency - Inverse Document Frequency) 분석을 수행하는 것을 특징으로 하는 기계 학습과 온톨리지 기반의 사업모델 관리 서비스 시스템.
KR1020160166738A 2016-12-08 2016-12-08 기계학습과 온톨로지 기반 사업모델 작성 방법 및 이를 위한 관리 서비스 시스템 KR20180065620A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160166738A KR20180065620A (ko) 2016-12-08 2016-12-08 기계학습과 온톨로지 기반 사업모델 작성 방법 및 이를 위한 관리 서비스 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160166738A KR20180065620A (ko) 2016-12-08 2016-12-08 기계학습과 온톨로지 기반 사업모델 작성 방법 및 이를 위한 관리 서비스 시스템

Publications (1)

Publication Number Publication Date
KR20180065620A true KR20180065620A (ko) 2018-06-18

Family

ID=62765550

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160166738A KR20180065620A (ko) 2016-12-08 2016-12-08 기계학습과 온톨로지 기반 사업모델 작성 방법 및 이를 위한 관리 서비스 시스템

Country Status (1)

Country Link
KR (1) KR20180065620A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204667A (zh) * 2021-04-13 2021-08-03 北京百度网讯科技有限公司 音频标注模型的训练与音频标注的方法、装置
CN113222105A (zh) * 2020-02-05 2021-08-06 百度（美国）有限责任公司 元协作训练范式
KR20220072908A (ko) * 2020-11-25 2022-06-03 (주)소프트체인 자산 관리 서버, 방법 및 프로그램
WO2022150838A1 (en) * 2021-01-08 2022-07-14 Schlumberger Technology Corporation Exploration and production document content and metadata scanner
CN114840644A (zh) * 2022-05-17 2022-08-02 抖音视界(北京)有限公司 用于管理机器学习系统的方法、装置、设备和介质
KR102481957B1 (ko) * 2021-11-30 2022-12-28 (주)메인콘텐츠 사업계획서 작성 지원 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150053513A (ko) 2013-11-08 2015-05-18 한국전자통신연구원 클라우드 서비스 브로커 장치 및 이를 이용한 클라우드 서비스 제공 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150053513A (ko) 2013-11-08 2015-05-18 한국전자통신연구원 클라우드 서비스 브로커 장치 및 이를 이용한 클라우드 서비스 제공 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Word2vec을 활용한 문서의 의미 확장 검색방법(2016.10.) 1부. *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222105A (zh) * 2020-02-05 2021-08-06 百度（美国）有限责任公司 元协作训练范式
CN113222105B (zh) * 2020-02-05 2024-07-26 百度（美国）有限责任公司 元协作训练范式
KR20220072908A (ko) * 2020-11-25 2022-06-03 (주)소프트체인 자산 관리 서버, 방법 및 프로그램
WO2022150838A1 (en) * 2021-01-08 2022-07-14 Schlumberger Technology Corporation Exploration and production document content and metadata scanner
CN113204667A (zh) * 2021-04-13 2021-08-03 北京百度网讯科技有限公司 音频标注模型的训练与音频标注的方法、装置
CN113204667B (zh) * 2021-04-13 2024-03-22 北京百度网讯科技有限公司 音频标注模型的训练与音频标注的方法、装置
KR102481957B1 (ko) * 2021-11-30 2022-12-28 (주)메인콘텐츠 사업계획서 작성 지원 시스템
CN114840644A (zh) * 2022-05-17 2022-08-02 抖音视界(北京)有限公司 用于管理机器学习系统的方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
KR20180065620A (ko) 기계학습과 온톨로지 기반 사업모델 작성 방법 및 이를 위한 관리 서비스 시스템
JP5921536B2 (ja) コンピュータ化エージェントのシステムとユーザ指図セマンティックネットワーキング
Justicia De La Torre et al. Text mining: techniques, applications, and challenges
CA2897886C (en) Methods and apparatus for identifying concepts corresponding to input information
US20150058412A1 (en) Methods and systems for auto-generating models of networks for network management purposes
US20140280314A1 (en) Dimensional Articulation and Cognium Organization for Information Retrieval Systems
Sugumaran et al. A.“Applied Semantic Web Technologies: Overview and Future Directions”
Grainger et al. The Semantic Knowledge Graph: A compact, auto-generated model for real-time traversal and ranking of any relationship within a domain
Portmann The FORA framework: a fuzzy grassroots ontology for online reputation management
Zhang et al. Mining and clustering service goals for restful service discovery
WO2014036386A1 (en) Mental modeling method and system
Kumar et al. Sentic computing for aspect-based opinion summarization using multi-head attention with feature pooled pointer generator network
Lin Knowledge management system with nlp-assisted annotations: A brief survey and outlook
Maksimov et al. Semantic search tools based on ontological representations of documentary information
Yanes et al. Ontology-based recommender system for COTS components
Lamba et al. Sentiment analysis
Schellingerhout et al. A Co-design Study for Multi-stakeholder Job Recommender System Explanations
Zhao et al. A dynamic customer requirement mining method for continuous product improvement
Chicaiza et al. Usage of social and semantic web technologies to design a searching architecture for software requirement artefacts
Ye et al. An interpretable mechanism for personalized recommendation based on cross feature
Langevin et al. Distil: A mixed-initiative model discovery system for subject matter experts
KR101132974B1 (ko) 멀티모달 소셜 네트워크의 온톨로지 구축 장치 및 방법
Vairetti et al. A semantic approach for dynamically determining complex composed service behaviour
Jiang et al. Personalized recommendation method of E-commerce based on fusion technology of smart ontology and big data mining
Kaili et al. Improving the Representation Choices of Privacy Policies for End-Users

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application