KR20190024324A - 딥러닝을 이용한 보험 상품 제공 방법 - Google Patents

Abstract

본 개시의 실시예들에 따른 딥러닝을 이용하여 차량 사진으로부터 보험 차량 정보를 획득하여 보험 정보를 생성하기 위한 방법이 개시된다. 사용자로부터 자동차 보험 가입 차량이 촬영된 적어도 하나의 차량 사진을 수신하는 단계; 및 제 1 딥러닝 모델을 이용하여 상기 차량 사진으로부터 보험 차량 정보를 획득하는 단계-상기 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함함-; 를 포함하는, 딥러닝을 이용하여 보험 정보를 생성하기 위한 방법을 제공할 수 있다.

Description

딥러닝을 이용한 보험 상품 제공 방법{METHOD FOR PROVIDING INSURANCE USING DEEP LEARNING}

본 발명은 보험 상품을 제공하기 위한 방법에 관한 것으로, 보다 구체적으로 딥러닝을 이용하여 최적의 보험 가입 서비스를 제공하는 방법에 관한 것이다.

다이렉트 자동차 보험은 사용자가 PC나 모바일을 이용해 온라인으로 가입하는 자동차 보험이다. 다이렉트 자동차 보험은 컴퓨터나 스마트폰만 있다면 언제 어디서나 가입이 가능하고 설계사를 통한 대면용 상품보다 비용이 저렴하다는 장점이 있다. 그에 반해 사용자가 스스로 가입에 필요한 정보를 입력하고 익숙치 않은 보험 항목을 직접 확인해야 하는 단점이 존재하기도 한다. 이러한 단점을 극복하기 위해, 사용자의 편의를 향상시키기 위한 다양한 기술들이 사용되고 있다. 다만 머신러닝 관련 기술, 특히 딥러닝 알고리즘은 아직 그 활용이 미비하다.

최근 화제가 된 알파고에 사용된 딥러닝(deep learning)은 2000년대 들어서면서 시작된 데이터의 대용량화와 이를 처리할 수 있는 클라우드 기반의 컴퓨팅 능력의 폭발적인 증가에 기반하여 기존의 알고리즘들의 한계를 극복하는 새로운 패러다임으로 기대되고 있다. 딥러닝은 특히 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용되어 탁월한 성능을 보이고 있다. 이에 사용자의 편의를 향상시키기 위한 딥러닝의 활용이 기대되고 있다.

본 발명은 딥러닝을 이용하여 차량 사진으로부터 보험 차량 정보를 획득하여 사용자가 보험 가입을 용이하게 하기 위한 방법을 제공하기 위함이다.

본 개시 내용의 예시적인 일 실시예에 따라, 사용자로부터 자동차 보험 가입 차량이 촬영된 적어도 하나의 차량 사진을 수신하는 단계; 및 제 1 딥러닝(Deep Learning) 모델을 이용하여 상기 차량 사진으로부터 보험 차량 정보를 획득하는 단계-상기 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함함-; 를 포함하는, 딥러닝을 이용하여 보험 정보를 생성하기 위한 방법을 제공할 수 있다.

본 개시 내용의 예시적인 다른 실시예에 따라, 컴퓨팅 장치로서, 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 사용자로부터 자동차 보험 가입 차량이 촬영된 적어도 하나의 차량 사진을 수신하며; 그리고 제 1 딥러닝(Deep Learning) 모델을 이용하여 상기 차량 사진으로부터 보험 차량 정보를 획득하는-상기 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함함-; 컴퓨팅 장치를 제공할 수 있다.

본 개시 내용의 예시적인 또 다른 실시예에 따라, 딥러닝을 이용하여 보험 상품을 생성하기 위한 방법을 수행하기 위한 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 방법은: 사용자로부터 자동차 보험 가입 차량이 촬영된 적어도 하나의 차량 사진을 수신하는 단계; 및 제 1 딥러닝 모델을 이용하여 상기 차량 사진으로부터 보험 차량 정보를 획득하는 단계-상기 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함함-; 를 포함하는, 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.

본 개시된 내용에 의해 사용자는 차량 사진을 송신하여 보험 상품을 추천받을 수 있다. 사용자는 추천받은 보험 상품을 이용하여 간편하게 자동차 보험에 가입할 수 있다.

도 1은 본 발명의 일 실시예에 따른 보험 가입 시스템을 도시한다.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용하여 보험 정보를 생성하기 위한 단계를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 제 1 딥러닝 모델을 생성하는 단계를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 제 2 딥러닝 모델을 생성하는 단계를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 사용자가 사용자 단말(2000)을 이용하여 보험 상품을 추천 받는 것을 설명하기 위한 도면이다.
도 6은 본 개시 내용의 일 실시예에 따라 딥러닝을 이용하여 보험 정보를 생성하기 위한 방법을 구현하기 위한 예시적인 컴퓨팅 장치에 대한 블록도를 도시한다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.

또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.

본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 및 소프트웨어를 의미할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다. 또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.

도 1은 본 발명의 일 실시예에 따른 보험 가입 시스템을 도시한다.

일례로, 본 명세서에서의 보험 가입 시스템은 보험정보를 생성 및 제공하기 위한 시스템일 수 있다.

본 발명의 일 양상에 따라, 도 1에 도시된 바와 같이, 보험 가입 시스템은, 크게 서버(1000), 사용자 단말(2000), 기업 단말(3000) 및 네트워크(미도시)로 구성될 수 있다.

또한, 도 1에 도시된 보험 가입 시스템을 구성하는 컴포넌트들은 예시적인 것이며, 상기 컴포넌트들 중 일부만이 보험 가입 시스템을 구성할 수 있거나 또는 상기 컴포넌트들 이외에 추가적인 컴포넌트(들)가 상기 보험 가입 시스템에 포함될 수도 있다. 예를 들어, 도시되지는 않았지만, 서버(1000)는 EAI(Enterprise ApplicationIntegration) 서버, 보험금 지급 서버, 콜센터 서버 및/또는 과금 서버 등을 포함할 수도 있다. 다른 예시로서, 기업 단말(3000)은 사용자 단말(2000)에 포함될 수도 있다. 서버(1000)는 사용자 단말(2000) 및 기업 단말(3000)과의 통신, 사용자의 식별 정보, 약관 정보, 계약 정보, 상품정보, 보험금지급정보 등의 저장, 단말용 애플리케이션의 생성, 배포 및 저장, 그리고 설계될 보험상품에 대한 결정, 판매할 보험상품에 대한 결정, 보험금 지급 심사의 강도에 대한 조절 등을 수행 할 수 있다. 또한, 서버(1000)는 제 1 딥러닝 모델 및 제 2 딥러닝 모델을 생성하여, 보험 차량 정보 및 추천 보험 상품을 생성할 수 있다.

사용자 단말(2000)은 서버(1000) 및/또는 기업 단말(3000)과의 통신, 각종 정보에 대한 조회, 보험금 청구, 그리고 보험 상품에 대한 계약 정보 생성 및 송수신 등을 수행할 수 있다.

기업 단말(3000)은 서버(1000) 및 사용자 단말(2000)과의 통신 등을 수행할 수 있다. 또한, 기업 단말(3000)은 전술한 서버(1000)에서 수행되는 동작들을 수행할 수도 있다.

더불어, 네트워크는 서버(1000), 사용자 단말(2000) 및 기업 단말(3000) 간의 데이터 통신을 위한 채널을 형성할 수 있다.

본 명세서에서 사용되는 용어 "시스템" 및 "네트워크"는 종종 상호교환가능하게 사용될 수도 있다.

여기서 제시되는 시스템은 공중전화 교환망(PSTN:Public Switiched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 시스템은 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SCFDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 시스템들뿐만 아니라, 다른 시스템들에서도 사용될 수 있다.

본 발명의 일 양상에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN:Personal Area Network), 근거리 통신망(WAN:Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW:World Wide Web)일 수 있으며, 적외선(IrDA:Infrared Data Assoication) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

도 1로 되돌아가면, 사용자 단말(2000)은 서버(1000)로 액세스하여 또는 기업 단말(3000)과 통신하여, 금융상품(예컨대, 보험상품)에 대한 계약을 체결할 수 있거나, 또는 보험 상품 정보, 약관 정보, 계약 정보, 식별 정보, 보험금지급정보, 설계될 보험상품에 대한 정보, 판매할 보험상품에 대한 정보, 보험금 지급 심사의 강도에 대한 정보 등을 조회, 생성 또는 저장할 수 있는 모든 종류의 디바이스를 의미한다. 또한 사용자 단말(2000)은 사용자 단말(2000)에 장착된 카메라를 이용하여 차량 사진을 생성하고 저장할 수도 있다.

이러한 사용자 단말(2000)은, 사용자 장비, 모바일, 무선 통신이 가능한 PC, 핸드폰, 키오스크, 셀룰러 폰, 셀룰러, 셀룰러 단말, 가입자 유닛, 가입자국, 이동국, 단말, 원격국, PDA, 원격 단말, 액세스 단말, 사용자 에이전트, 셀룰러 전화, 무선 전화, 세션 개시 프로토콜(SIP) 전화, 무선 로컬 루프(WLL) 국, 무선 접속 기능을 구비하는 휴대용 장치, 무선 모뎀과 같은, 무선 접속 매커니즘을 사용할 있는 임의의 장치 등으로 지칭될 수 있으나, 이들로 한정되지는 않는다.

또한, 이러한 사용자 단말(2000)은, 유선 팩스, 유선 모뎀을 구비한 PC, 유선 전화, 유선 통신이 가능한 단말 등과 같은 유선 접속 매커니즘을 사용할 수 있는 임의의 장치 등으로 지칭될 수 있으나, 이들로 한정되지는 않는다.

이러한 기업 단말(3000)은 앞서 설명한 사용자 단말과 동일 또는 유사한 타입의 무선 접속 매커니즘 또는 유선 접속 매커니즘을 사용할 수 있는 장치들을 포함할 수 있다.

추가적으로, 전술한 사용 주체에 이외에 다른 사용 주체(예컨대, 보험 회사 이외의 회사의 직원 등)에 의한 추가적인 단말 또한 사용자 단말(2000)에 포함될 수도 있다.

본 발명의 일 양상에서, 기업 단말(3000)은 보험회사와 같은 금융회사와 관련된 자들(예컨대, 보험회사 직원 및/또는 해당 보험회사와 관련된 FC)이 사용할 수 있는 단말을 의미할 수 있다. 즉, 본 발명의 일 양상에 따라, 보험회사(예컨대, 보험회사의 서버(1000))와 관련성이 있는 특정한 단말이 기업 단말(3000)로 지칭될 수 있다.

이러한 기업 단말(3000) 또한 전술한 사용자 단말(2000)과 마찬가지로, 사용자 장비, 모바일, 무선 통신이 가능한 PC, 핸드폰, 키오스크, 셀룰러 폰, 셀룰러, 셀룰러 단말, 가입자 유닛, 가입자국, 이동국, 단말, 원격국, PDA, 원격 단말, 액세스 단말, 사용자 에이전트, 셀룰러 전화, 무선 전화, 세션 개시 프로토콜(SIP) 전화, 무선 로컬 루프(WLL) 국, 무선 접속 기능을 구비하는 휴대용 장치, 무선 모뎀과 같은, 무선 접속 매커니즘을 사용할 있는 임의의 장치 등으로 지칭될 수 있으나, 이들로 한정되지는 않는다. 나아가, 기업 단말(3000)은, 유선 팩스, 유선모뎀을 구비한 PC, 유선 전화, 유선 통신이 가능한 단말 등과 같은 유선 접속 매커니즘을 사용할 수 있는 임의의 장치 등으로 지칭될 수 있으나, 이들로 한정되지는 않는다.

본 발명의 일 양상에서, 서버(1000)는 다양한 사용 주체들에 의한 사용자 단말들 각각에 대하여 상이한 서비스를 제공할 수도 있다. 즉, 고객에 의해 사용되는 사용자 단말과 보험 회사 직원에 의해 사용되는 기업 단말(3000)은 각각 보험회사의 정책 및/또는 사용자 설정에 따라서, 복수의 보험회사 서버들 중 특정 서버에 대한 액세스가 허용 또는 제한될 수 있다. 또는, 사용자 단말(2000)은 보험회사의 정책 및/또는 사용자 설정에 따라서 보험회사 서버의 특정 데이터에 대한 액세스가 허용 또는 제한될 수 있다.

예를 들어, 보험회사의 정책에 따라서, 기업 단말(130)은, 보험 설계, 금융 상품 확인 및 가입, 고객 본인확인, 보험금 청구, 보험금 지급, 보험금 수령, 보험금 청구에 대한 처리, 보험금지급정보 등의 저장, 설계될 보험상품에 대한 결정, 판매할 보험상품에 대한 결정, 보험금 지급 심사의 강도에 대한 조절 등과 같은 업무들을 수행하는데 필요한 모든 데이터에 액세스하도록 설정될 수도 있다.

또는, 사용자 단말(1000) 중 고객에 의해 사용되는 단말은 가입 정보, 약관 정보, 고객 동의 또는 승인관련 정보, 보험금 청구, 보험금 수령, 보험 상품 정보 및/또는 가상 보험 설계와 같은 제한된 데이터에만 액세스할 수 있도록 설정될 수도 있다.

나아가, 보험 설계사(FC)에 의해 사용되는 단말은 보험 설계와 같은 업무들을 수행하는데 필요한 데이터에 액세스할 수는 있으나, 특정 데이터(예컨대, 특정 보험 설계사의 고객 이외의 다른 고객들에 대한 데이터 등)에 대해서는 보험 회사 직원에 의해 사용되는 일반적인 기업 단말(3000)과는 달리 액세스가 제한될 수도 있다.

본 발명의 일 양상에서, 서버(1000), 사용자 단말(2000) 및 기업 단말(3000)은 네트워크를 통해 다양한 정보를 송수신할 수 있다.

이러한 다양한 정보는 예를 들어, 보험 설계, 금융 상품 확인 및 가입, 고객 본인 확인, 보험금 청구, 보험금 지급, 보험금 수령, 보험금 청구에 대한 처리, 경기지표정보 및 보험금지급정보 등의 수집 및 저장, 설계될 보험상품에 대한 결정, 판매할 보험상품에 대한 결정, 보험금 지급 심사의 강도에 대한 조절 등과 같은 업무들을 수행하는데 필요한 정보를 의미할 수 있다. 또한, 다양한 정보는 제 1 딥러닝 모델 및 제 2 딥러닝 모델을 생성하고, 보험 차량 정보 및 추천 보험 상품을 생성하는데 필요한 정보를 의미할 수 있다.

전술한 정보들은, 사용자 단말(2000) 및/또는 기업 단말(3000)을 통해 입력될 수 있거나 또는 서버(1000)에 의해 생성될 수도 있다. 전술한 정보들은 서버(1000)의 데이터베이스 또는 컴퓨터로 판독가능한 저장 매체에 저장될 수도 있다. 본 발명의 일 양상에 따라, 컴퓨터로 판독가능한 저장 매체는 사용자 단말(120) 및/또는 기업 단말(130) 내에 포함될 수도 있다.

전술한 정보들은, 사용자 단말(2000) 및/또는 기업 단말(3000)을 통해 입력될 수 있거나 또는 서버(1000)에 의해 생성될 수도 있다. 전술한 정보들은 서버(1000)의 데이터베이스 또는 컴퓨터로 판독가능한 저장 매체에 저장될 수도 있다. 본 발명의 일 양상에 따라, 컴퓨터로 판독가능한 저장 매체는 사용자 단말(2000) 및/또는 기업 단말(3000) 내에 포함될 수도 있다.

이러한 저장 매체는 컴퓨터 시스템에 의해서 판독될 수 있도록 프로그램 및 데이터가 저장되는 모든 종류의 저장 매체를 포함할 수 있다. 본 발명의 일 양상에 따르면, 이러한 매체는 ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있으며, 또한 캐리어 웨이브(예컨대, 인터넷을 통한 전송)의 형태로 구현되는 것 또한 포함할 수 있다. 추가적으로, 이러한 매체는 네트워크로 연결된 시스템에 분산되어, 분산 방식으로 컴퓨터가 판독가능한 코드들 및/또는 명령들을 저장할 수도 있다.

본 발명의 일 실시예에서, 특정 보험 회사에서 배포한 특정 애플리케이션이 사용자 단말(2000) 및/또는 기업 단말(3000)에 설치되어 실행되는 경우, 고객, 보험 회사 직원 및/또는 보험 설계사(FC)가 각종 해당 서비스들을 향유할 수 있도록 서버(1000)는 사용자 단말(2000) 및/또는 기업 단말(3000)과 네트워크를 통해 서로 통신할 수 있다.

본 발명의 일 실시예에서, 자동차 보험에 가입하고자 하는 사용자는 사용자 단말(2000)을 이용하여 자동차가 촬영된 차량 사진을 서버(1000)로 송신할 수 있다. 서버(1000)는 제 1 딥러닝 모델을 이용하여 수신된 차량 사진으로부터 보험 차량 정보 정보를 획득할 수 있다. 또한 서버(1000)는 획득된 보험 차량 정보에 적어도 부분적으로 기초하여 추천 보험 상품을 생성할 수 있다. 이 경우에 서버(1000)는 제 2 딥러닝 모델을 이용하여 획득된 보험 차량 정보에 적어도 부분적으로 기초하여 추천 보험 상품을 생성할 수 있다. 서버(1000)는 생성된 추천 보험 상품을 사용자 단말(2000)로 송신할 수 있고, 사용자는 수신된 추천 보험 상품을 이용하여 쉽게 보험 상품을 설계할 수 있다.

도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용하여 보험 정보를 생성하기 위한 단계를 설명하기 위한 도면이다.

도 2에서 도시되는 단계들 이외의 추가적인 단계들 또한 본 발명의 일 양상에 포함될 수 있으며, 아울러 도 2에서 도시되는 단계들 중 일부의 단계들은 생략될 수도 있다. 더불어, 도 2에서 도시되는 단계들 중 적어도 일부분은 사용자 단말(2000) 및/또는 기업 단말(3000)에 의해 수행될 수도 있다.

보험 정보란 보험 가입에 필요한 정보를 포함할 수 있다. 구체적으로 설명하면, 보험 정보는 보험 가입을 위해 사용자, 보험사 및 보험설계사 등이 입력하는 보험 가입 정보를 포함할 수 있고, 사용자에게 제공되는 보험 상품에 관한 정보 등일 수 있다. 예를 들어, 보험 정보는 개인정보, 차량정보, 재산정보 등을 포함할 수 있다. 다른 실시예로, 보험 정보는 사용자가 가입할 수 있는 보험사에서 제공되는 보험 상품에 관한 가입조건, 보장내역, 특약 등을 포함할 수 있다. 다만 이에 한정되지않고 보험 정보는 다양한 정보를 포함할 수 있다.

도 2를 참조하면, 본 발명의 일 양상에 따른 서버(1000)는 사용자로부터 자동차 보험 가입 차량이 촬영된 적어도 하나의 차량 사진을 수신할 수 있다(200). 여기서, 차량 사진은 보험 대상이 되는 차량을 촬영한 사진일 수 있다. 예를 들어, 차량 사진은 보험 대상이 되는 차량의 전체를 촬영한 사진일 수 있다. 다른 실시 예로, 차량 사진은 보험 대상이 되는 차량의 일부분을 촬영한 사진일 수 있고, 차량 내부 또는 외부를 촬영한 사진일 수 있다. 구체적으로, 차량 사진은 자동자 전면 사진, 자동차 측면 사진, 자동차 후면 사진 등을 포함할 수 있다. 또 다른 실시 예로, 차량 사진은 보험 대상이 되는 차량의 자동차 모델 또는 자동차 연식을 식별할 수 있는 사진일 수 있다. 또 다른 실시 예로, 차량 사진은 자동차에 설치된 에어백, 블랙박스 등의 자동차 옵션을 식별할 수 있는 사진일 수 있다. 또 다른 실시 예로, 차량 사진은 차량 정보가 적힌 태그일 수 있다. 예를 들면, 차량 정보가 적힌 태그는 차량 제조사, 차량 총중량, 제작년도, 차대번호, 차종, 차명, 변속기 종류, 차축 종류 및 도장 정보 중 적어도 하나 이상을 포함할 수 있다. 다만 이에한정되지 않고, 차량 정보가 적힌 태그는 다양한 정보를 포함할 수 있다.

사용자는 사용자 단말(2000)을 이용하여 차량 사진을 송신할 수 있다. 차량 사진은 사용자 단말(2000)에 의해 촬영된 사진일 수 있고, 다른 장치에 의해 촬영되어 사용자 단말(2000)에 저장된 사진일 수 있다. 사용자는 사용자 단말(2000)을 이용하여 서버(1000)로 복수의 차량 사진을 송신할 수 있고, 서버(1000)는 수신된 복수의 차량 사진을 이용하여 차량 정보를 획득할 수 있다.

본 발명의 일 실시예에서, 서버(1000)는 제 1 딥러닝 모델을 이용하여 수신한 차량 사진으로부터 보험 차량 정보를 획득할 수 있다(210). 여기서 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보 및 자동차 옵션 정보 중 적어도 하나를 포함할 수 있다. 여기서 자동차 옵션 정보는 블랙박스 장착 여부, 에어팩 장착 여부 및 개수, ABS 등 자동차 보험에 관련된 장치일 수 있다.

구체적으로 설명하면, 사용자는 사용자 단말(2000)을 이용하여 복수의 차량 사진을 서버(1000)로 송신할 수 있고, 서버(1000)에 수신된 복수의 차량 사진은 제 1 딥러닝 모델에 입력으로 인가될 수 있다. 제 1 딥러닝 모델은 복수의 차량 사진을 입력으로 사용하여 보험 차량 정보를 출력으로 생성할 수 있다. 보험 차량 정보는 자동차에 관한 정보를 포함할 수 있다. 구체적으로 설명하면, 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보 및 자동차 옵션 정보 등을 포함할 수 있다. 예를 들어, 복수의 차량 사진에 포함되는 일부 사진으로부터 자동차 모델이 'H사 소00'라는 보험 차량 정보를 생성할 수 있다. 또한, 복수의 차량 사진에 포함되는 또 다른 일부 사진으로부터 사진에 찍힌 자동차가 'H사 소00, 2010년식'이라는 보험 차량 정보를 생성할 수도 있다. 다만 이에 한정되지 않고, 제 1 딥러닝 모델은 인가된 복수의 차량 사진을 입력으로 사용하여 다양한 내용의 보험 차량 정보를 생성할 수 있다.

제 1 딥러닝 모델은 수신된 자동차 이미지 트레이닝 셋의 적어도 일부를 사용하여 자동차 모델 정보에 포함되는 적어도 하나의 정보에 특화되도록 훈련될 수 있다. 구체적으로 설명하면, 자동차 이미지 트레이닝 셋이 복수의 차량 사진 및 상기 복수의 차량 사진에 대한 복수의 보험 차량 정보를 포함하는 경우에, 제 1 딥러닝 모델은 복수의 차량 사진 중에서 일부를 입력으로 인가하여 복수의 보험 차량 정보 중 일부를 출력하는데 특화되도록 훈련될 수 있다. 일 실시예로, 제 1 딥러닝 모델은 복수의 차량 사진 중 자동차 전면 사진을 입력으로 인가하여 복수의 보험 차량 정보 중 자동차 모델 정보를 출력하는데 특화되도록 훈련될 수 있다. 다른 실시예로, 제 1 딥러닝 모델은 복수의 차량 사진 중 차량 정보가 적힌 태그를 입력으로 인가하여 복수의 보험 차량 정보 중 자동차 모델 정보 및 자동차 연식 정보를 출력하는데 특화되도록 훈련될 수 있다. 다만 이에 한정되지 않고, 제 1 딥러닝 모델은 다양한 방법으로 훈련될 수 있다.

제 1 딥러닝 모델은 적어도 하나의 심층신경네트워크를 포함할 수 있다. 제 1 딥러닝 모델이 복수 개의 심층신경네트워크를 포함하는 경우에, 각 심층신경네트워크는 보험 차량 정보에 포함되는 자동차 모델 정보, 자동차 연식 정보 및 자동차 옵션 정보 중 어느 하나를 생성하는데 특화되도록 훈련될 수 있다. 예를 들어, 제 1 딥러닝 모델이 3개의 심층신경네트워크를 포함하는 경우에, 제 1 딥러닝 모델의 제 1 심층신경네트워크는 자동차 모델 정보에 특화되도록 훈련될 수 있고, 제 1 딥러닝 모델의 제 2 심층신경네트워크는 자동차 연식 정보에 특화되도록 훈련될 수 있으며, 제 1 딥러닝 모델의 제 3 심층신경네트워크는 자동차 옵션 정보에 특화되도록 훈련될 수 있다. 다른 예로, 복수 개의 심층신경네트워크는 보험 차량 정보에 포함되는 적어도 하나의 정보에 특화되도록 훈련될 수 있다. 제 1 딥러닝 모델이 3개의 심층신경네트워크를 포함하는 경우에, 제 1 딥러닝 모델의 제 1 심층신경네트워크 및 제 2 심층신경네트워크는 자동차 모델 정보에 특화되도록 훈련되고, 제 1 딥러닝 모델의 제 3 심층신경네트워크는 자동차 연식 정보에 특화되도록 훈련될 수 있다. 다만 이에 한정되지 않고, 복수 개의 심층신경네트워크는 다양한 방법으로 보험 차량 정보에 포함되는 모든 정보 또는 일부 정보에 특화되도록 훈련될 수 있다.

제 1 딥러닝 모델은 딥러닝을 이용하여 자동차 이미지 트레이닝 셋으로부터 특징(feature)을 학습할 수 있다. 또한 제 1 딥러닝 모델은 상기 학습을 바탕으로 수신된 차량 사진으로부터 보험 차량 정보를 생성하는 모델일 수 있다. 여기서 딥러닝은 머신 러닝의 일종으로, 계층이 깊은 인공 신경망을 사용하는 알고리즘을 지칭할 수 있다.

본 발명의 일 실시예에서, 제 1 딥러닝 모델은 이하의 단계들을 통해 생성될 수 있다.

본 발명의 일 실시예에서, 제 1 딥러닝 모델을 생성하는 방법은 자동차 이미지 트레이닝 셋(Car image training set)을 생성하는 단계를 포함할 수 있다. 자동차 이미지 트레이닝 셋은 복수의 차량 트레이닝 이미지와 상기 복수의 차량 트레이닝 이미지 각각에 관한 트레이닝 차량 정보를 포함할 수 있다. 여기서 트레이닝 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함할 수 있다.

구체적으로 설명하면, 차량 트레이닝 이미지는 자동차가 촬영된 사진일 수 있다. 차량 사진은 다양한 각도에서 자동차를 촬영한 사진일 수 있고, 자동차의 내부 또는 외부를 촬영한 사진일 수 있다. 차량 트레이닝 이미지는 자동차 모델 또는 자동차 연식을 식별할 수 있는 사진일 수 있다. 또한 차량 트레이닝 이미지는 자동차에 설치된 에어백, 블랙박스 등의 자동차 옵션을 식별할 수 있는 사진일 수 있다.

복수의 차량 트레이닝 이미지 각각에 관한 트레이닝 차량 정보는 차량 트레이닝 이미지 각각에서 얻을 수 있는 정보일 수 있다. 예를 들면, 복수의 차량 트레이닝 사진에 포함되는 일부 이미지로부터 자동차 모델이 'H사 소00'라는 트레이닝 차량 정보를 획득할 수 있다. 또한, 복수의 차량 사진에 포함되는 또 다른 일부 사진으로부터 사진에 찍힌 자동차가 'H사 소00, 2010년식'이라는 트레이닝 차량 정보 정보를 획득할 수도 있다.

자동차 이미지 트레이닝 셋에 포함되는 차량 트레이닝 이미지 및 트레이닝 차량 정보는 인터넷 웹사이트 및 SNS 등에서 획득될 수 있고, 또한 자동차 제조사에서 제공하는 카달로그 등에서 획득될 수 있다. 양질의 훈련을 위해 자동차 이미지 트레이닝에 포함되는 데이터는 선별될 수 있다.

본 발명의 일 실시예에서, 제 1 딥러닝 모델을 생성하는 방법은 자동차 이미지 트레이닝 셋으로부터 상기 보험 차량 정보를 획득하기 위한 제 1 심층신경네트워크(DNN)를 생성하는 단계를 포함할 수 있다.

제 1 딥러닝 모델에 사용되는 제 1 심층신경네트워크는 1개의 네트워크로 생성될 수 있고, 복수 개의 네트워크로도 형성될 수 있다. 제 1 심층신경네트워크가 복수 개로 형성되는 경우에, 각각의 심층신경네트워크는 특정 보험 차량 정보를 얻는데 특화되도록 트레이닝 될 수 있다. 예를 들면, 제 1 심층신경네트워크가 2개의 네트워크로 생성되는 경우에, 어느 한 네트워크는 자동차 모델 정보를 획득하는데 특화되도록 트레이닝 될 수 있고, 다른 네트워크는 자동차 연식 정보를 획득하는데 특화되도록 트레이닝 될 수 있다.

제 1 딥러닝 모델에 사용되는 제 1 심층신경네트워크는 컨볼루션 뉴럴 네트워크(convolutional neural networks; CNN), 딥 빌리프 네트워크(deep belief networks; DBN), 재귀 뉴럴 네트워크(recurrent neural networks; RNN) 및 오토-인코더(auto-encoder) 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않는다.

컨볼루션 뉴럴 네트워크는 여러 겹의 컨볼루션 층(convolution layer) 및 풀링 층(pooling layer)을 포함하는 인공 신경망일 수 있다. 컨볼루션 층은 이전 층에서 근접해 있는 노드들이 다음 층 노드와 연결되는 구조를 가진 신경망을 지칭할 수 있다. 컨볼루션 층은 컨볼루션 연산을 통해 차량 사진으로부터 특징을 추출할 수 있다. 풀링 층은 이전 층의 노드에서 일부분을 선택하여 통합할 수 있는 구조를 가진 신경망을 지칭할 수 있다. 여기서 노드에서 일부분을 선택하는 방식은 최댓값을 취하는 방식인 맥스 풀링(max pooling)일 수 있다.

딥 빌리프 네트워크는 사전훈련(pre-training)을 통해 학습이 잘 되도록 초기 세팅을 하는 방법을 사용할 수 있다. 어느 한 층의 제한된 볼츠만 머신(RBM)의 사전 훈련이 완료되면 첫 번째 층의 입력 데이터 및 매개 변수들이 고정되고, 다음 층의 제한된 볼츠만 머신이 사전 훈련될 수 있다. 딥 빌리프 네트워크는 이러한 방식으로 임의의 층수만큼 복수의 제한된 볼츠만 머신을 쌓아 생성될 수 있다.

재귀 뉴럴 네트워크는 히든 계층(hidden layer)에 포함된 어느 한 노드의 출력값이 다시 그 노드의 입력값으로 사용될 수 있는 재귀적인 구조를 가진 인공 신경망일 수 있다. 재귀 뉴럴 네트워크는 가변적인 길이의 입력값을 처리할 수 있는 딥러닝 알고리즘일 수 있다.

오토-인코더는 입력 계층과 출력 계층의 노드 수가 같은 구조인 인공 신경망일 수 있다. 오토-인코더의 히든 계층은 입력 계층 및 출력 계층의 노드 수보다 작은 노드 수를 가진다. 오토-인코더는 입력값과 출력값을 가급적 동일하게 하도록 각 노드들의 가중치를 조정하는 방식으로 학습될 수 있다.

본 발명의 일 실시예에서, 제 1 딥러닝 모델을 생성하는 방법은 제 1 심층신경네트워크에 포함되는 입력 계층(input layer)에 복수의 차량 트레이닝 이미지를 입력하여, 제 1 심층신경네트워크에 포함되는 출력 계층(ouput layer)으로부터 복수의 제 1 예측값을 획득하는 단계를 포함할 수 있다. 여기서 제 1 예측값은 자동차 모델 예측값, 자동차 연식 예측값 및 자동차 옵션 예측값 중 적어도 하나를 포함할 수 있다.

제 1 심층신경네트워크는 입력 계층, 히든 계층, 출력 계층을 포함할 수 있다. 다만 이에 한정되지 않고, 일부 계층이 변경되거나, 일부 계층이 추가 또는 삭제될 수 있다.

복수의 차량 트레이닝 이미지는 제 1 심층신경네트워크에 포함되는 입력 계층(input layer)에 입력으로 인가될 수 있고, 히든 계층 및 출력 계층을 거쳐 복수의 제 1 예측값으로 출력될 수 있다. 제 1 예측값은 트레이닝 방향에 따라 자동차 모델 예측값, 자동차 연식 예측값 및 자동차 옵션 예측값 중 적어도 하나를 포함하도록 조절 될 수 있다. 제 1 예측값은 트레이닝 차량 정보와 비교하여 제 1 예측값 오류를 획득하는데 사용될 수 있다. 예를 들면, 제 1 예측값을 트레이닝 차량 정보에 포함된 자동차 모델 정보와 비교하여 제 1 예측값 오류를 획득하는 경우에, 제 1 심층신경네트워크는 자동차 모델 정보를 획득하는데 특화될 수 있다. 또 다른 실시예로, 제 1 예측값을 트레이닝 차량 정보에 포함된 자동차 모델 정보 및 자동차 연식 정보와 비교하여 제 1 예측값 오류를 획득하는 경우에, 제 1 심층신경네트워크는 자동차 모델 정보 및 자동차 연식 정보를 획득하는데 특화될 수 있다

본 발명의 일 실시예에서, 제 1 딥러닝 모델을 생성하는 방법은 복수의 제 1 예측값에 기초하여 복수의 제 1 예측값 오류를 획득하고, 상기 제 1 예측값 오류에 기초하여 적어도 하나의 제 1 가중치(Weight)를 업데이트(update)하는 단계를 포함할 수 있다.

제 1 심층신경네트워크는 자동차 이미지 트레이닝 셋을 이용하여 제 1 가중치를 최적화하는 방식으로 트레이닝될 수 있다. 제 1 심층신경네트워크는 오류역전파법을 이용하여 트레이닝될 수 있다. 또한, 제 1 심층신경네트워크는 정밀하게 트레이닝되기 위해서 드랍아웃(dropout), 아다그라드(Adagrad), 아달델타(Adadelta), 아담(Adam) 등의 학습 방법에 의해 트레이닝 될 수 있다.

제 1 예측값 오류는 제 1 예측값과 트레이닝 차량 정보를 이용하여 획득될 수 있다. 예를 들면, 제 1 예측값 오류는 제 1 예측값과 트레이닝 차량 정보의 차의 제곱으로 획득될 수 있다. 또한, 제 1 예측값 오류는 크로스 엔트로피(Cross Entropy) 함수에 의해 획득될 수 있다. 다만 이에 한정되지 않고 제 1 예측값 오류는 다양한 방식으로 획득될 수 있다.

제 1 가중치(Weight)는 제 1 심층신경네트워크에서 서로 연결되어 있는 노드 간의 연결값을 지칭할 수 있다. 제 1 가중치는 제 1 예측값 오류의 합들이 최대한 작아지도록 업데이트될 수 있다. 제 1 가중치를 업데이트 하는 방식은 경사 하강법(gradient method), 확률적 경사 하강법(stochastic Gradient Descent Method), 미니배치법(Mini-Batch) 등이 사용될 수 있다.

상기의 방법으로 생성되어 트레이닝된 제 1 딥러닝 모델은 사용자가 송신한 차량 사진을 이용하여 보험 차량 정보를 획득하는데 사용될 수 있다.

본 발명의 일 실시예에서, 서버(1000)는 사용자로부터 보험 상품과 연관된 개인정보를 포함하는 데이터를 수신하는 단계를 포함할 수 있다. 여기서 보험 상품과 연관된 개인정보는 보험 가입자, 보험자, 피보험자 중 어느 한 사람과 연관된 개인정보일 수 있다. 보험 상품과 연관된 개인정보를 포함하는 데이터는 사진 데이터, 음성 데이터, 영상 데이터 등으로 이루어진 데이터를 포함할 수 있다. 여기서 사진 데이터는 주민등록증, 운전면허증 등을 촬영한 사진을 포함할 수 있다. 다른 실시 예로, 사진 데이터는 개인정보로 수기로 적은 문서를 촬영한 사진일 수 있다. 음성 데이터는 개인정보에 관한 음성을 녹음한 데이터일 수 있다. 예를 들어, 음성 데이터는 보험자의 성명, 나이, 주민등록번호, 운전면허번호, 에 관한 육성을 녹음한 데이터일 수 있다. 영상 데이터는 주민 등록증, 운전면허증 등을 동영상으로 촬영한 데이터일 수 있다. 또한 영상 데이터는 보험자의 성명, 나이, 주민등록번호, 운전면허번호 등에 관한 육성이 녹음된 데이터일 수 있다. 다만 이에 한정되지 않고, 개인정보를 포함하는 데이터는 다양한 데이터를 포함할 수 있다.

사용자는 사용자 단말(2000)을 이용하여 보험 상품과 연관된 개인정보를 포함하는 데이터을 송신할 수 있다. 보험 상품과 연관된 개인정보를 포함하는 데이터는 사용자 단말(2000)에 의해 생성된 데이터일 수 있고, 다른 장치에 의해 생성되어 사용자 단말(2000)에 저장된 데이터일 수 있다. 사용자는 사용자 단말(2000)을 이용하여 서버(1000)로 보험 상품과 연관된 개인정보를 포함하는 데이터을 송신할 수 있고, 서버(1000)는 수신된 보험 상품과 연관된 개인정보를 포함하는 데이터를 이용하여 개인정보를 획득할 수 있다.

본 발명의 일 실시예에서, 서버(1000)는 제 3 딥러닝 모델을 이용하여 보험 상품과 연관된 개인정보를 포함하는 데이터로부터 개인정보를 획득할 수 있다. 개인정보는 보험 가입자, 보험자, 피보험자 중 적어도 하나와 연관된 개인정보 일 수 있다. 또한, 개인정보는 성명, 나이, 주소, 주민등록번호, 운전면허번호, 연락처 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않고, 개인정보는 다양한 정보를 포함할 수 있다.

제 3 딥러닝 모델은 적어도 하나의 심층신경네트워크를 포함할 수 있다. 제 3 딥러닝 모델이 복수 개의 심층신경네트워크를 포함하는 경우에, 각 심층신경네트워크는 개인정보에 포함되는 어느 한 정보를 생성하는데 특화되도록 훈련될 수 있다. 예를 들어, 각 심층신경네트워크는 개인정보에 포함되는 성명, 나이, 주소, 주민등록번호, 운전면허번호, 연락처 중 어느 하나를 생성하는데 특화되도록 훈련될 수 있다.

제 3 딥러닝 모델은 딥러닝을 이용하여 개인정보 트레이닝 셋으로부터 특징(feature)을 학습할 수 있다. 또한 제 3 딥러닝 모델은 상기 학습을 바탕으로 보험 상품과 연관된 개인정보로부터 개인정보를 생성하는 모델일 수 있다. 상술한 바와 같이, 딥러닝은 머신 러닝의 일종으로, 계층이 깊은 인공 신경망을 사용하는 알고리즘을 지칭할 수 있다.

본 발명의 일 실시예에서, 제 3 딥러닝 모델은 이하의 단계들을 통해 생성될 수 있다.

본 발명의 일 실시예에서, 제 3 딥러닝 모델을 생성하는 방법은 개인정보 트레이닝 셋(Personal Data training set)을 생성하는 단계를 포함할 수 있다. 개인정보 트레이닝 셋은 복수의 보험 상품과 연관된 개인정보를 포함하는 데이터와 상기 복수의 보험 상품과 연관된 개인정보를 포함하는 데이터 각각에 관한 트레이닝 개인정보를 포함할 수 있다. 여기서 트레이닝 개인정보는 보험 가입자, 보험자, 피보험자 중 적어도 하나와 연관된 개인정보 일 수 있다. 또한, 트레이닝 개인정보는 성명, 나이, 주소, 주민등록번호, 운전면허번호, 연락처 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않고, 개인정보 트레이닝 셋은 다양한 정보를 포함할 수 있다.

개인정보 트레이닝 셋에 포함되는 복수의 보험 상품과 연관된 개인정보를 포함하는 데이터 및 트레이닝 개인정보는 정보 제공자의 동의하에 보험사에 제공된 데이터로부터 획득될 수 있다. 양질의 훈련을 위해 자동차 이미지 트레이닝에 포함되는 데이터는 선별될 수 있다. 다만 이에 한정되지않고, 개인정보 트레이닝 셋은 다양한 경로를 통해 획득된 데이터로부터 획득될 수 있다.

본 발명의 일 실시예에서, 제 3 딥러닝 모델을 생성하는 방법은 개인정보 트레이닝 셋으로부터 상기 개인정보를 획득하기 위한 제 3 심층신경네트워크를 생성하는 단계를 포함할 수 있다.

제 3 딥러닝 모델에 사용되는 제 3 심층신경네트워크는 1개의 네트워크로 생성될 수 있고, 복수 개의 네트워크로도 형성될 수 있다. 제 3 심층신경네트워크가 복수 개로 형성되는 경우에, 각각의 심층신경네트워크는 특정 개인정보를 얻는데 특화되도록 트레이닝 될 수 있다. 예를 들면, 제 3 심층신경네트워크가 2개의 네트워크로 생성되는 경우에, 어느 한 네트워크는 개인정보에 포함되는 성명을 획득하는데 특화되도록 트레이닝 될 수 있고, 다른 네트워크는 개인정보에 포함되는 주민등록번호를 획득하는데 특화되도록 트레이닝 될 수 있다.

제 3 딥러닝 모델에 사용되는 제 3 심층신경네트워크는 컨볼루션 뉴럴 네트워크, 딥 빌리프 네트워크, 재귀 뉴럴 네트워크 및 오토-인코더 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않는다.

본 발명의 일 실시예에서, 제 3 딥러닝 모델을 생성하는 방법은 제 3 심층신경네트워크에 포함되는 입력 계층에 복수의 보험 상품과 연관된 개인정보를 포함하는 데이터를 입력하여, 제 3 심층신경네트워크에 포함되는 출력 계층으로부터 복수의 제 3 예측값을 획득하는 단계를 포함할 수 있다. 여기서 제 3 예측값은 트레이닝 개인정보는 보험 가입자, 보험자, 피보험자 중 적어도 하나와 연관된 개인정보일 수 있다. 또한, 제 3 예측값는 성명, 나이, 주소, 주민등록번호, 운전면허번호, 연락처 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않고, 제 3 예측값은 다양한 정보를 포함할 수 있다.

제 3 심층신경네트워크는 입력 계층, 히든 계층, 출력 계층을 포함할 수 있다. 다만 이에 한정되지 않고, 일부 계층이 변경되거나, 일부 계층이 추가 또는 삭제될 수 있다.

복수의 보험 상품과 연관된 개인정보를 포함하는 데이터는 제 3 심층신경네트워크에 포함되는 입력 계층에 입력으로 인가될 수 있고, 히든 계층 및 출력 계층을 거쳐 복수의 제 3 예측값으로 출력될 수 있다. 제 3 예측값은 트레이닝 방향에 따라 개인정보에 포함되는 여러 정보 중 적어도 하나를 포함하도록 조절 될 수 있다. 예를 들어, 제 3 예측값은 성명, 나이, 주소, 주민등록번호, 운전면허번호, 연락처 중 적어도 하나를 포함하도록 조절될 수 있다. 제 3 예측값은 트레이닝 개인 정보와 비교하여 제 3 예측값 오류를 획득하는데 사용될 수 있다. 예를 들면, 제 3 예측값을 트레이닝 개인 정보에 포함된 성명 정보와 비교하여 제 3 예측값 오류를 획득하는 경우에, 제 3 심층신경네트워크는 성명 정보를 획득하는데 특화될 수 있다. 또 다른 실시예로, 제 3 예측값을 트레이닝 차량 정보에 포함된 성명 및 나이 정보와 비교하여 제 3 예측값 오류를 획득하는 경우에, 제 3 심층신경네트워크는 성명 및 나이 정보를 획득하는데 특화될 수 있다.

본 발명의 일 실시예에서, 제 3 딥러닝 모델을 생성하는 방법은 복수의 제 3 예측값에 기초하여 복수의 제 3 예측값 오류를 획득하고, 상기 제 3 예측값 오류에 기초하여 적어도 하나의 제 3 가중치를 업데이트하는 단계를 포함할 수 있다.

제 3 심층신경네트워크는 개인정보 트레이닝 셋을 이용하여 제 3 가중치를 최적화하는 방식으로 트레이닝될 수 있다. 제 3 심층신경네트워크는 오류역전파법을 이용하여 트레이닝될 수 있다. 또한, 제 3 심층신경네트워크는 정밀하게 트레이닝되기 위해서 드랍아웃, 아다그라드, 아달델타, 아담 등의 학습 방법에 의해 트레이닝 될 수 있다. 다만 이에 한정되지 않고, 제 3 심층네트워크는 다양한 학습 방법에 의해 트레이닝 될 수 있다.

제 3 예측값 오류는 제 3 예측값과 트레이닝 개인정보를 이용하여 획득될 수 있다. 예를 들면, 제 3 예측값 오류는 제 3 예측값과 트레이닝 개인정보의 차의 제곱으로 획득될 수 있다. 또한, 제 3 예측값 오류는 크로스 엔트로피 함수에 의해 획득될 수 있다. 다만 이에 한정되지 않고 제 3 예측값 오류는 다양한 방식으로 획득될 수 있다.

제 3 가중치(Weight)는 제 3 심층신경네트워크에서 서로 연결되어 있는 노드 간의 연결값을 지칭할 수 있다. 제 3 가중치는 제 3 예측값 오류의 합들이 최대한 작아지도록 업데이트될 수 있다. 제 3 가중치를 업데이트 하는 방식은 경사 하강법, 확률적 경사 하강법, 미니배치법 등이 사용될 수 있다. 다만 이에 한정되지 않는다.

상기의 방법으로 생성되어 트레이닝된 제 3 딥러닝 모델은 사용자가 송신한 보험 상품과 연관된 개인정보를 포함하는 데이터를 이용하여 개인정보를 획득하는데 사용될 수 있다.

본 발명의 일 실시예에서, 서버(1000)는 획득된 보험 차량 정보에 적어도 부분적으로 기초하여 추천 보험 상품을 생성할 수 있다.

구체적으로 설명하면, 서버(1000)는 제 1 딥러닝 모델에 의해 획득된 보험 차량 정보를 이용하여 추천 보험 상품을 생성할 수 있다. 여기서 추천 보험 상품은 담보 내역(대인 I, 대인 II, 대물 등)과 각각에 대한 보장금액 및 보험료 등을 포함할 수 있다. 또한 추천 보험 상품은 운전자/연령 한정 특약에 대한 정보를 포함할 수 있고, 특별 약관에 관한 정보를 포함할 수 있다.

추천 보험 상품은 보험 차량 정보와 함께 운전자 정보를 고려하여 생성될 수 있다. 운전자 정보는 사용자가 송신한 정보일 수 있다. 또는 운전자 정보는 이전에 서버(1000)에 저장된 정보일 수 있다. 운전자 정보는 사용자의 동의 하에 기업 단말(3000)에서 수신된 정보일 수 있다.

추천 보험 상품은 보험 차량 정보 및 운전자 정보에 대하여 기존의 방식으로 결정된 알고리즘에 의해 생성될 수 있다. 또한 추천 보험 상품은 딥러닝을 이용하여 생성될 수 있다.

본 발명의 일 실시예에서, 서버(1000)는 획득된 보험 차량 정보에 적어도 부분적으로 기초하여 제 2 딥러닝 모델에 의해 추천 보험 상품을 생성할 수 있다(220).

구체적으로 설명하면, 추천 보험 상품은 기존의 보험 정보를 이용하여 트레이닝된 제 2 딥러닝 모델을 이용하여 생성될 수 있다. 제 2 딥러닝 모델은 입력된 보험 차량 정보 및 운전자 정보에 적합하게 추천 보험 상품을 생성할 수 있고, 사용자는 추천 보험 상품을 그대로 이용하거나 약간의 수정을 거쳐 손쉽게 자동차 보험에 가입할 수 있다.

제 2 딥러닝 모델은 딥러닝을 이용하여 보험 추천 트레이닝 셋으로부터 특징(feature)을 학습할 수 있다. 또한 제 2 딥러닝 모델은 상기 학습을 바탕으로 획득된 보험 차량 정보에 적어도 부분적으로 기초하여 추천 보험 상품 정보를 생성하는 모델일 수 있다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델은 이하의 단계들을 통해 생성될 수 있다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델을 생성하는 방법은 복수의 보험 가입 정보, 상기 복수의 보험 가입 정보 각각에 대한 보험 상품 정보를 포함하는 보험 추천 트레이닝 셋을 생성하는 단계를 포함할 수 있다. 여기서 보험 가입 정보는 보험 가입 차량 정보 및 상기 보험 가입 차량의 운전자에 관한 정보를 포함할 수 있다.

구체적으로 설명하면, 보험 가입 정보는 기존의 보험 가입자들의 보험 차량 정보 및 운전자 정보를 포함할 수 있다. 보험 가입 정보 대한 보험 상품 정보는 기존의 보험 가입자들이 가입한 보험 상품에 관한 정보일 수 있다. 보험 가입 정보 및 보험 상품 정보는 보험사가 기존의 가입자들의 동의 하에 서버(1000)에 저장된 정보를 이용하여 생성될 수 있다. 다만 이에 한정되지않고, 보험 가입 정보 및 보험 상품 정보는 다양한 정보를 이용하여 생성될 수 있다.

보험 추천 트레이닝 셋은 제 2 딥러닝 모델을 학습시켜 특정한 보험 차량 정보 및 운전자 정보에 대해여 최적의 추천 보험 상품을 생성되도록 이용될 수 있다. 이를 위해, 보험 추천 트레이닝 셋은 보험 가입자의 만족도, FC의 평가, 보험사의 평가들을 참고하여 평가가 좋은 정보를 선별하여 생성될 수 있다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델을 생성하는 방법은 상기 보험 차량 정보에 적어도 부분적으로 기초하여 상기 추천 보험 상품을 생성하기 위한 제 2 심층신경네트워크을 생성하는 단계를 포함할 수 있다.

제 2 딥러닝 모델에 사용되는 제 2 심층신경네트워크는 컨볼루션 뉴럴 네트워크(convolutional neural networks; CNN), 딥 빌리프 네트워크(deep belief networks; DBN), 재귀 뉴럴 네트워크(recurrent neural networks; RNN) 및 오토-인코더(auto-encoder) 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않는다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델을 생성하는 방법은 제 2 심층신경네트워크에 포함되는 입력 계층에 보험 가입 정보를 입력하여, 제 2 심층신경네트워크에 포함되는 출력 계층으로부터 복수의 제 2 예측값을 획득하는 단계를 포함할 수 있다.

구체적으로 설명하면, 제 2 심층신경네트워크는 입력 계층, 히든 계층, 출력 계층을 포함할 수 있다. 다만 경우에 따라, 일부 계층이 변경되거나, 일부 계층이 추가 또는 삭제될 수 있다.

복수의 보험 가입 정보는 제 2 심층신경네트워크에 포함되는 입력 계층에 입력으로 인가될 수 있고, 히든 계층 및 출력 계층을 거쳐 복수의 제 2 예측값으로 출력될 수 있다. 제 2 예측값은 보험 상품 정보와 비교하여 제 2 예측값 오류를 획득하는데 사용될 수 있다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델을 생성하는 방법은 복수의 제 2 예측값에 기초하여 복수의 제 2 예측값 오류를 획득하고, 상기 제 2 예측값 오류에 기초하여 적어도 하나의 제 2 가중치를 업데이트 하는 단계를 포함할 수 있다. 여기서 제 2 예측값은 보험 상품 정보 예측값을 포함할 수 있다.

제 2 심층신경네트워크는 보험 추천 트레이닝 셋을 이용하여 제 2 가중치를 최적화하는 방식으로 트레이닝될 수 있다. 제 2 심층신경네트워크는 오류역전파법을 이용하여 트레이닝될 수 있다. 또한, 제 2 심층신경네트워크는 정밀하게 트레이닝되기 위해서 드랍아웃(dropout), 아다그라드(Adagrad), 아달델타(Adadelta), 아담(Adam) 등의 학습 방법에 의해 트레이닝 될 수 있다.

제 2 예측값 오류는 제 2 예측값과 트레이닝 차량 정보를 이용하여 획득될 수 있다. 예를 들면, 제 2 예측값 오류는 제 2 예측값과 트레이닝 차량 정보의 차의 제곱으로 획득될 수 있다. 또한, 제 2 예측값 오류는 크로스 엔트로피(Cross Entropy) 함수에 의해 획득될 수 있다. 다만 이에 한정되지 않고 제 2 예측값 오류는 다양한 방식으로 획득될 수 있다.

제 2 가중치는 제 2 심층신경네트워크에서 서로 연결되어 있는 노드 간의 연결값을 지칭할 수 있다. 제 2 가중치는 제 2 예측값 오류의 합들이 최대한 작아지도록 업데이트될 수 있다. 제 2 가중치를 업데이트 하는 방식은 경사 하강법, 확률적 경사 하강법, 미니배치법 등이 사용될 수 있다.

도 3은 본 발명의 일 실시예에 따른 제 1 딥러닝 모델을 생성하는 단계를 설명하기 위한 도면이다.

본 발명의 일 실시예에서, 제 1 딥러닝 모델을 생성하는 방법은 자동차 이미지 트레이닝 셋을 생성하는 단계(300)를 포함할 수 있다. 자동차 이미지 트레이닝 셋은 복수의 차량 트레이닝 이미지와 상기 복수의 차량 트레이닝 이미지 각각에 관한 트레이닝 차량 정보를 포함할 수 있다. 여기서 트레이닝 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함할 수 있다.

자동차 이미지 트레이닝 셋은 양질의 트레이닝을 위해 선별될 수 있다. 예를 들어, 차량 트레이닝 이미지가 지나치게 왜곡되거나 꾸밈이 많아 일반적으로 촬영한 사진과 전혀 상이한 경우에는 자동차 이미지 트레이닝 셋에서 제외될 수 있다.

본 발명의 일 실시예에서, 제 1 딥러닝 모델을 생성하는 방법은 자동차 이미지 트레이닝 셋으로부터 상기 보험 차량 정보를 획득하기 위한 제 1 심층신경네트워크을 생성하는 단계(310)를 포함할 수 있다.

제 1 딥러닝 모델에 사용되는 제 1 심층신경네트워크는 1개의 네트워크로 생성될 수 있고, 복수 개의 네트워크로도 형성될 수 있다. 제 1 심층신경네트워크가 복수 개로 형성되는 경우에, 각각의 심층신경네트워크는 특정 보험 차량 정보를 얻는데 특화되도록 트레이닝 될 수 있다. 예를 들면, 제 1 심층신경네트워크가 2개의 네트워크로 생성되는 경우에, 어느 한 네트워크는 자동차 모델 정보를 획득하는데 특화되도록 트레이닝 될 수 있고, 다른 네트워크는 자동차 연식 정보를 획득하는데 특화되도록 트레이닝 될 수 있다. 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보 및 자동차 옵션 정보 등 다양한 정보를 포함할 수 있고, 또한 자동차 옵션 정보는 블랙박스 장착 여부, ABS, 에어백 등 여러 세부 정보를 포함할 수 있다. 따라서 제 1 심층 신경네트워크는 복수 개의 네트워크로 생성되어 각각 획득하고자 하는 보험 차량 정보 항목에 특화되도록 트레이닝될 수 있다.

제 1 딥러닝 모델에 사용되는 제 1 심층신경네트워크는 컨볼루션 뉴럴 네트워크, 딥 빌리프 네트워크, 재귀 뉴럴 네트워크 및 오토-인코더 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않는다.

본 발명의 일 실시예에서, 제 1 딥러닝 모델을 생성하는 방법은 제 1 심층신경네트워크에 포함되는 입력 계층에 복수의 차량 트레이닝 이미지를 입력하여, 제 1 심층신경네트워크에 포함되는 출력 계층으로부터 복수의 제 1 예측값을 획득하는 단계(320)를 포함할 수 있다. 여기서 제 1 예측값은 자동차 모델 예측값, 자동차 연식 예측값 및 자동차 옵션 예측값 중 적어도 하나를 포함할 수 있다.

구체적으로 설명하면, 제 1 심층신경네트워크는 입력 계층, 히든 계층, 출력 계층을 포함할 수 있다. 다만 경우에 따라, 일부 계층이 변경되거나, 일부 계층이 추가 또는 삭제될 수 있다.

복수의 차량 트레이닝는 제 1 심층신경네트워크에 포함되는 입력 계층에 입력으로 인가될 수 있고, 히든 계층 및 출력 계층을 거쳐 복수의 제 1 예측값으로 출력될 수 있다. 제 1 예측값은 트레이닝 방향에 따라 자동차 모델 예측값, 자동차 연식 예측값 및 자동차 옵션 예측값 중 적어도 하나를 포함할 수 있다. 제 1 예측값은 트레이닝 차량 정보와 비교하여 제 1 예측값 오류를 획득하는데 사용될 수 있다.

본 발명의 일 실시예에서, 제 1 딥러닝 모델을 생성하는 방법은 복수의 제 1 예측값에 기초하여 복수의 제 1 예측값 오류를 획득하고, 상기 제 1 예측값 오류에 기초하여 적어도 하나의 제 1 가중치를 업데이트하는 단계(330)를 포함할 수 있다.

제 1 심층신경네트워크는 자동차 이미지 트레이닝 셋을 이용하여 제 1 가중치를 최적화하는 방식으로 트레이닝될 수 있다. 제 1 심층신경네트워크는 오류역전파법을 이용하여 트레이닝될 수 있다. 또한, 제 1 심층신경네트워크는 정밀하게 트레이닝되기 위해서 드랍아웃, 아다그라드, 아달델타, 아담 등의 학습 방법에 의해 트레이닝 될 수 있다.

제 1 예측값 오류는 제 1 예측값과 트레이닝 차량 정보를 이용하여 획득될 수 있다. 예를 들면, 제 1 예측값 오류는 제 1 예측값과 트레이닝 차량 정보의 차의 제곱으로 획득될 수 있다. 또한, 제 1 예측값 오류는 크로스 엔트로피 함수에 의해 획득될 수 있다. 다만 이에 한정되지 않고 제 1 예측값 오류는 다양한 방식으로 획득될 수 있다.

제 1 가중치는 제 1 심층신경네트워크에서 서로 연결되어 있는 노드 간의 연결값을 지칭할 수 있다. 제 1 가중치는 제 1 예측값 오류의 합들이 최대한 작아지도록 업데이트될 수 있다. 제 1 가중치를 업데이트 하는 방식은 경사 하강법, 확률적 경사 하강법, 미니배치법 등이 사용될 수 있다.

도 4는 본 발명의 일 실시예에 따른 제 2 딥러닝 모델을 생성하는 단계를 설명하기 위한 도면이다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델을 생성하는 방법은 복수의 보험 가입 정보, 상기 복수의 보험 가입 정보 각각에 대한 보험 상품 정보를 포함하는 보험 추천 트레이닝 셋을 생성하는 단계(400)를 포함할 수 있다. 여기서 보험 가입 정보는 보험 가입 차량 정보 및 상기 보험 가입 차량의 운전자에 관한 정보를 포함할 수 있다.

구체적으로 설명하면, 보험 가입 정보는 기존의 보험 가입자들의 보험 차량 정보 및 운전자 정보를 포함할 수 있다. 보험 가입 정보 대한 보험 상품 정보는 기존의 보험 가입자들이 가입한 보험 상품에 관한 정보일 수 있다. 보험 가입 정보 및 보험 상품 정보는 보험사가 기존의 가입자들의 동의 하에 서버(1000)에 저장된 정보를 이용하여 생성될 수 있다.

보험 추천 트레이닝 셋은 제 2 딥러닝 모델을 학습시켜 특정한 보험 차량 정보 및 운전자 정보에 대해여 최적의 추천 보험 상품을 생성되도록 이용될 수 있다. 이를 위해, 보험 추천 트레이닝 셋은 보험 가입자의 만족도, FC의 평가, 보험사의 평가들을 참고하여 평가가 좋은 정보를 선별하여 생성될 수 있다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델을 생성하는 방법은 상기 보험 차량 정보에 적어도 부분적으로 기초하여 상기 추천 보험 상품을 생성하기 위한 제 2 심층신경네트워크을 생성하는 단계(410)를 포함할 수 있다.

제 2 딥러닝 모델에 사용되는 제 2 심층신경네트워크는 컨볼루션 뉴럴 네트워크, 딥 빌리프 네트워크, 재귀 뉴럴 네트워크 및 오토-인코더 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않는다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델을 생성하는 방법은 제 2 심층신경네트워크에 포함되는 입력 계층에 보험 가입 정보를 입력하여, 제 2 심층신경네트워크에 포함되는 출력 계층으로부터 복수의 제 2 예측값을 획득하는 단계(420)를 포함할 수 있다.

구체적으로 설명하면, 제 2 심층신경네트워크는 입력 계층, 히든 계층, 출력 계층을 포함할 수 있다. 다만 경우에 따라, 일부 계층이 변경되거나, 일부 계층이 추가 또는 삭제될 수 있다.

복수의 보험 가입 정보는 제 2 심층신경네트워크에 포함되는 입력 계층에 입력으로 인가될 수 있고, 히든 계층 및 출력 계층을 거쳐 복수의 제 2 예측값으로 출력될 수 있다. 제 2 예측값은 보험 상품 정보와 비교하여 제 2 예측값 오류를 획득하는데 사용될 수 있다.

본 발명의 일 실시예에서, 제 2 딥러닝 모델을 생성하는 방법은 복수의 제 2 예측값에 기초하여 복수의 제 2 예측값 오류를 획득하고, 상기 제 2 예측값 오류에 기초하여 적어도 하나의 제 2 가중치를 업데이트 하는 단계(430)를 포함할 수 있다.

제 2 심층신경네트워크는 보험 추천 트레이닝 셋을 이용하여 제 2 가중치를 최적화하는 방식으로 트레이닝될 수 있다. 제 2 심층신경네트워크는 오류역전파법을 이용하여 트레이닝될 수 있다. 또한, 제 2 심층신경네트워크는 정밀하게 트레이닝되기 위해서 드랍아웃, 아다그라드, 아달델타, 아담 등의 학습 방법에 의해 트레이닝 될 수 있다.

제 2 예측값 오류는 제 2 예측값과 트레이닝 차량 정보를 이용하여 획득될 수 있다. 예를 들면, 제 2 예측값 오류는 제 2 예측값과 트레이닝 차량 정보의 차의 제곱으로 획득될 수 있다. 또한, 제 2 예측값 오류는 크로스 엔트로피 함수에 의해 획득될 수 있다. 다만 이에 한정되지 않고 제 2 예측값 오류는 다양한 방식으로 획득될 수 있다.

제 2 가중치는 제 2 심층신경네트워크에서 서로 연결되어 있는 노드 간의 연결값을 지칭할 수 있다. 제 2 가중치는 제 2 예측값 오류의 합들이 최대한 작아지도록 업데이트될 수 있다. 제 2 가중치를 업데이트 하는 방식은 경사 하강법, 확률적 경사 하강법, 미니배치법 등이 사용될 수 있다.

도 5는 본 발명의 일 실시예에 따른 사용자가 사용자 단말(2000)을 이용하여 보험 상품을 추천 받는 것을 설명하기 위한 도면이다.

본 발명의 일 실시예에서, 사용자는 사용자 단말(2000)을 이용하여 보험 가입에 사용할 복수의 차량 사진을 서버(1000)에 송신할 수 있다. 예를 들어, 사용자는 사용자 단말에서 사진을 선택할 수 있는 창(510)에서 복수의 차량 사진을 선택하여 서버(1000)로 송신할 수 있다. 사용자는 보험 상품 정보 생성에 이용되는 운전자 정보(500) 또한 송신할 수 있다.

서버(1000)는 제 1 딥러닝 모델을 이용하여 수신된 복수의 차량 사진으로부터 보험 차량 정보(520)를 획득할 수 있다. 그리고 획득된 보험 차량 정보(520)는 운전자 정보와 함께 추천 보험 상품(530)을 생성하는데 이용될 수 있다.

추천 보험 상품(530)은 기존에 알려진 알고리즘을 이용하여 생성될 수 있다. 또한 추천 보험 상품은 딥러닝을 이용한 제 2 딥러닝 모델을 이용하여 생성될 수 있다.

생성된 추천 보험 상품은 사용자 단말(1000)로 송신될 수 있고, 사용자는 추천 보험 상품을 확인하여 보험 가입에 이용할 수 있다.

도 6은 본 개시내용의 일 실시예에 따라 딥러닝을 이용하여 추천 보험 상품을 생성하기 위한 방법을 구현하기 위한 예시적인 컴퓨팅 장치에 대한 블록도를 도시한다.

본 발명이 일반적으로 하나 이상의 서버 내의 컴퓨터 또는 프로세서 상에서 실행될 수 있는 특징들과 관련하여 전술되었지만, 당업자라면 본 발명이 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 발명의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 발명의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 송수신(통신) 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

도 6에서는 본 발명의 딥러닝을 이용하여 보험 정보를 생성하기 위한 방법을 구현하기 위한 컴퓨팅 장치(602)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경이 나타내어져 있으며, 컴퓨팅 장치(602)는 처리 장치(604), 시스템 메모리(606) 및 시스템 버스(608)를 포함한다. 시스템 버스(608)는 시스템 메모리(606)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(604)에 연결시킨다. 처리 장치(604)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(604)로서 이용될 수 있다.

처리 장치(604)는 딥러닝을 이용하여 추천 보험 상품을 생성하기 위한 방법을 구현하기 위한 모듈을 포함할 수 있다. 또한 처리 장치(604) 제 1 딥러닝 모델을 구현하기 위한 제 1 딥러닝 모듈(700) 및 제 2 딥러닝 모델을 구현하기 위한 제 2 딥러닝 모듈(701)을 포함할 수 있다.

시스템 버스(608)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(606)는 판독 전용 메모리(ROM)(610) 및 랜덤 액세스 메모리(RAM)(612)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(610)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨팅 장치(602) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(612)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨팅 장치(602)는 또한 내장형 하드 디스크 드라이브(HDD)(614)(예를 들어, EIDE, SATA)이 내장형 하드 디스크 드라이브(614)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음), 자기 플로피 디스크 드라이브(FDD)(616)(예를 들어, 이동식 디스켓(618)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(620)(예를 들어, CD-ROM 디스크(622)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(614), 자기 디스크 드라이브(616) 및 광 디스크 드라이브(620)는 각각 하드 디스크 드라이브 인터페이스(624), 자기 디스크 드라이브 인터페이스(626) 및 광 드라이브 인터페이스(628)에 의해 시스템 버스(608)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(624)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독 가능 저장 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨팅 장치(602)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독 가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독 가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(630), 하나 이상의 애플리케이션 프로그램(632), 기타 프로그램 모듈(634) 및 프로그램 데이터(636)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(612)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(612)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용 가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(638) 및 마우스(640) 등의 포인팅 장치를 통해 컴퓨팅 장치(602)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(608)에 연결되어 있는 입력 장치 인터페이스(642)를 통해 처리 장치(604)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(644) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(646) 등의 인터페이스를 통해 시스템 버스(608)에 연결된다. 모니터(644)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨팅 장치(602)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(648) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(648)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨팅 장치(602)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(650)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(652) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(654)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨팅 장치(602)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(656)를 통해 로컬 네트워크(652)에 연결된다. 어댑터(656)는 LAN(652)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(652)은 또한 무선 어댑터(656)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨팅 장치(602)는 모뎀(658)을 포함할 수 있거나, WAN(654) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(654)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(658)은 직렬 포트 인터페이스(642)를 통해 시스템 버스(608)에 연결된다. 네트워크화된 환경에서, 컴퓨팅 장치(602)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(650)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨팅 장치(602)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출 가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.6(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 6Mbps(802.6a) 또는 54 Mbps(802.6b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독 가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독 가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독 가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유할 수 있는 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (10)

1. 사용자로부터 자동차 보험 가입 차량이 촬영된 적어도 하나의 차량 사진을 수신하는 단계;
   제 1 딥러닝(Deep Learning) 모델을 이용하여 상기 차량 사진으로부터 보험 차량 정보를 획득하는 단계-상기 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함함-; 및
   를 포함하는,
   딥러닝을 이용하여 보험 정보를 생성하기 위한 방법.
   
2. 제 1 항에 있어서,
   상기 제 1 딥러닝 모델은 이하의 단계들을 통해 생성되며, 상기 단계들은:
   자동차 이미지 트레이닝 셋(Car image training set)을 생성하는 단계-상기 자동차 이미지 트레이닝 셋은 복수의 차량 트레이닝 이미지와 상기 복수의 차량 트레이닝 이미지 각각에 관한 트레이닝 차량 정보를 포함하고, 상기 트레이닝 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함함-;
   상기 차량 사진으로부터 상기 보험 차량 정보를 획득하기 위한 제 1 심층신경네트워크(DNN)를 생성하는 단계;
   상기 제 1 심층신경네트워크에 포함되는 입력 계층(input layer)에 복수의 차량 트레이닝 이미지를 입력하여, 상기 제 1 심층신경네트워크에 포함되는 출력 계층(ouput layer)으로부터 복수의 제 1 예측값을 획득하는 단계-상기 제 1 예측값은 자동차 모델 예측값, 자동차 연식 예측값 및 자동차 옵션 예측값 중 적어도 하나를 포함함-; 및
   상기 복수의 제 1 예측값에 기초하여 복수의 제 1 예측값 오류를 획득하고, 상기 복수의 제 1 예측값 오류에 기초하여 적어도 하나의 제 1 가중치(Weight)를 업데이트(update)하는 단계;
   를 포함하는,
   딥러닝을 이용하여 보험 정보를 생성하기 위한 방법.
   
3. 제 2 항에 있어서,
   상기 제 1 심층신경네트워크는,
   컨볼루션 뉴럴 네트워크(convolutional neural networks), 딥 빌리프 네트워크(deep belief networks), 리커런트 뉴럴 네트워크(recurrent neural networks) 및 자가 인코더(auto-encoder) 중 적어도 하나를 포함하는,
   딥러닝을 이용하여 보험 정보를 생성하기 위한 방법.
   
4. 제 1 항에 있어서,
   상기 획득된 보험 차량 정보에 적어도 부분적으로 기초하여 추천 보험 상품을 생성하는 단계;
   더 포함하는,
   딥러닝을 이용하여 보험 정보를 생성하기 위한 방법.
   
5. 제 4 항에 있어서,
   상기 추천 보험 상품을 생성하는 단계는:
   상기 획득된 보험 차량 정보에 적어도 부분적으로 기초하여 제 2 딥러닝 모델에 의해 상기 추천 보험 상품을 생성하는,
   딥러닝을 이용하여 보험 정보를 생성하기 위한 방법.
   
6. 제 5 항에 있어서,
   상기 제 2 딥러닝 모델은 이하의 단계들을 통해 생성되며, 상기 단계들은:
   복수의 보험 가입 정보, 상기 복수의 보험 가입 정보 각각에 대한 보험 상품 정보, 상기 보험 상품에 대한 평가 정보를 포함하는 보험 추천 트레이닝 셋을 생성하는 단계-상기 보험 가입 정보는 보험 가입 차량 정보 및 상기 보험 가입 차량의 운전자에 관한 정보를 포함함-;
   상기 보험 차량 정보에 적어도 부분적으로 기초하여 상기 추천 보험 상품을 생성하기 위한 제 2 심층신경네트워크을 생성하는 단계;
   상기 제 2 심층신경네트워크에 포함되는 입력 계층에 상기 보험 가입 정보를 입력하여, 상기 제 2 심층신경네트워크에 포함되는 출력 계층으로부터 복수의 제 2 예측값을 획득하는 단계-상기 제 2 예측값은 보험 상품 정보 예측값을 포함함-; 및
   상기 복수의 제 2 예측값에 기초하여 복수의 제 2 예측값 오류를 획득하고, 상기 제 2 예측값 오류에 기초하여 적어도 하나의 제 2 가중치를 업데이트하는 단계;
   를 포함하는,
   딥러닝을 이용하여 보험 정보를 생성하기 위한 방법.
   
7. 제 6 항에 있어서,
   상기 제 2 심층신경네트워크는,
   컨볼루션 뉴럴 네트워크(convolutional neural networks), 딥 빌리프 네트워크(deep belief networks), 리커런트 뉴럴 네트워크(recurrent neural networks), 자가 인코더(auto-encoder) 및 제한된 볼츠만 머신(Restricted Boltzmann machine; RBM) 중 적어도 하나를 포함하는,
   딥러닝을 이용하여 보험 정보를 생성하기 위한 방법.
   
8. 제 1 항에 있어서,
   사용자로부터 보험 상품과 연관된 개인정보를 포함하는 데이터를 수신하는 단계; 및
   제 3 딥러닝 모델을 이용하여 상기 개인정보를 포함하는 데이터로부터 상기 개인정보를 획득하는 단계;
   를 더 포함하는,
   딥러닝을 이용하여 보험 정보를 생성하기 위한 방법.
   
9. 컴퓨팅 장치로서,
   하나 이상의 프로세서; 및
   상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리;
   를 포함하고,
   상기 하나 이상의 프로세서는,
   사용자로부터 자동차 보험 가입 차량이 촬영된 적어도 하나의 차량 사진을 수신하고; 그리고,
   제 1 딥러닝 모델을 이용하여 상기 차량 사진으로부터 보험 차량 정보를 획득하며-상기 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함함-;
   컴퓨팅 장치.
   
10. 딥러닝을 이용하여 보험 정보를 생성하기 위한 방법을 수행하기 위한 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 방법은:
    사용자로부터 자동차 보험 가입 차량이 촬영된 적어도 하나의 차량 사진을 수신하는 단계; 및
    제 1 딥러닝 모델을 이용하여 상기 차량 사진으로부터 보험 차량 정보를 획득하는 단계-상기 보험 차량 정보는 자동차 모델 정보, 자동차 연식 정보, 자동차 옵션 정보 중 적어도 하나를 포함함-;
    를 포함하는,
    컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
    
    
    

Images