KR20200096109A - 정형정보 및 비정형정보를 바탕으로 생성된 전문가 풀 관리 방법 및 시스템 - Google Patents

Abstract

컴퓨터에 의하여 수행되는 방법에 있어서, 복수의 전문가에 대한 정보를 수집하는 단계, 상기 복수의 전문가에 대한 정보를 하나 이상의 분류기준에 따라 분류하는 단계, 상기 분류 결과에 기초하여 하나 이상의 전문가 풀을 생성하는 단계 및 상기 생성된 전문가 풀에 상기 복수의 전문가를 할당하는 단계를 포함하는, 전문가 플랫폼의 전문가 풀 관리방법이 개시된다.

Description

정형정보 및 비정형정보를 바탕으로 생성된 전문가 풀 관리 방법 및 시스템{METHOD AND SYSTEM FOR MANAGING SPECIALIST POOL ON SPECIALIST PLATFORM BASED ON STRUCTURED INFORMATION AND UNSTRUCTURED INFORMATION}

본 발명은 정형정보 및 비정형정보를 바탕으로 생성된 전문가 풀 관리 방법 및 시스템에 관한 것이다.

4차 산업혁명 시대에서는 초연결 및 초지능을 기반으로, 그 깊이, 속도 및 범위가 크게 확대될 것으로 예상된다. 이에 다양한 산업분야가 생겨날 뿐 아니라, 기존의 산업분야들과 새로운 산업분야들이 서로 융합되는 등 수많은 신규분야가 발생하게 되는데, 해당 분야의 전문가가 없거나 매우 적은 상황이 발생하게 될 것으로 예상된다. 따라서 각 분야의 전문가들을 발굴 및 모집하고, 각 분야의 전문가들이 협업할 수 있는 플랫폼이 필요하게 되었다.

또한, 앞으로 기대수명 연장으로 인해 생산활동 기간이 연장될 것이며, 각 전문가들로 하여금 해당 분야를 단순히 직업이 아닌 평생의 “업”으로 삼을 수 있도록 할 필요가 있다.

또한, 전문가들은 각 분야에서 능력에 기반하여 활동하며 대우받을 수 있도록 하는 것이 바람직하나, 기존의 기업과 같은 조직의 경우 직원들 간의 형평성과, 조직 전체의 안정성을 추구하므로 각 전문가들의 개성을 살리기 어렵고, 능력에 따른 대우가 주어지지 못하며, 경력이 쌓이면 이를 활용하기보다는 관리직으로 전환되는 등의 문제가 있었다.

따라서, 긱(Gig) 경제에 기반하여 전문가들의 자율성을 보장하며 최대한의 효율을 이끌어내되, 최소한의 안정성과 지속성을 보장할 수 있도록 할 필요가 있다.

공개특허공보 제10-2010-0026834호, 2010.03.10 공개

본 발명이 해결하고자 하는 과제는 정형정보 및 비정형정보를 바탕으로 생성된 전문가 풀 관리 방법 및 시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 전문가 플랫폼의 전문가 풀 관리 방법은, 복수의 전문가에 대한 복수의 전문가 정보를 수집하는 단계(S110); 상기 수집된 복수의 전문가 정보를 적어도 하나의 분류 기준에 따라 분류하는 단계(S120); 상기 분류 기준에 기초하여 적어도 하나의 전문가 풀을 생성하는 단계(S130); 및 상기 생성된 전문가 풀에 상기 복수의 전문가를 할당하는 단계(S140); 를 포함한다.

이때, 상기 분류하는 단계는(S120), 상기 복수의 전문가 각각의 전문 분야, 경력 및 배경 정보에 기초하여 상기 복수의 전문가에 대한 정보를 분류하는 단계;를 포함할 수 있다.

이때, 상기 전문가를 할당하는 단계는(S140), 상기 생성된 전문가 풀 각각에 대응되는 전문 분야에 대하여, 상기 복수의 전문가의 전문성을 평가하는 단계(S210); 및 상기 전문성 평가 결과에 기초하여, 상기 전문가의 할당 여부를 결정하는 단계(S220); 를 포함할 수 있다.

이때, 상기 전문성을 평가하는 단계(S210)는, 상기 수집된 전문가 정보를 정형 정보 및 비정형 정보로 분류하는 단계(S410); 상기 정형 정보 및 상기 비정형 정보를 평가하여 상기 정형 정보 및 상기 비정형 정보에 대한 가중치를 획득하는 단계(S420); 상기 가중치 및 상기 정형 정보 및 비정형 정보를 바탕으로 전문성을 평가하는 단계(S430); 를 포함할 수 있다.

이때, 상기 수집하는 단계는(S110), 상기 복수의 전문가로부터 입력된 정보 또는, 상기 복수의 전문가에 대하여 크롤링된 정보를 수집하여 획득하는 단계;

기 저장된 데이터 베이스에 기초하여 상기 데이터 베이스에 저장된 정보에 대응하는 전문가 정보를 정형 정보로 분류하는 단계; 및 상기 정형 정보를 제외한 상기 전문가 정보를 상기 비정형 정보로 분류하는 단계; 를 포함할 수 있다.

이때, 상기 생성하는 단계는(S130), 상기 정형 정보 및 상기 비정형 정보를 평가하여 상기 정형 정보 및 상기 비정형 정보에 대한 가중치를 획득 하는 단계(S510); 상기 획득된 가중치 및 상기 전문가 정보를 바탕으로 적어도 하나의 전문가 풀을 생성하는 단계(S520); 를 포함할 수 있다.

이때, 상기 할당하는 단계는(S140), 상기 전문성 평가 결과가 기 설정된 값 이상인 경우, 상기 전문가를 상기 전문성 평가 결과에 대응되는 전문가 풀에 할당하는 단계(S610); 복수의 전문가 풀에 대응되는 복수의 전문성 평가 결과가 기 설정된 값 이상인 경우, 상기 전문가를 상기 복수의 전문성 평가 결과의 우선순위에 따라 상기 복수의 전문가 풀에 할당하는 단계(S620); 를 포함할 수 있다.

이때, 상기 분류하는 단계는(S120), 상기 수집된 복수의 전문가 정보를 인공 지능 모델에 기반하여 클러스터링 하는 단계(S710); 상기 클러스터링 결과에 기초하여 적어도 하나 이상의 클러스터를 획득하는 단계(S720); 상기 획득된 적어도 하나 이상의 클러스터의 특성을 획득하는 단계(S730); 를 포함하고, 상기 전문가 풀을 생성하는 단계는(S130), 상기 획득된 특성에 기반하여 상기 하나 이상의 클러스터에 각각 대응하는 전문가 풀을 생성하는 단계(S740); 를 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 전문가 플랫폼의 전문가 풀 관리 방법은, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 개시된 실시 예에 따른 전문가 풀 관리 방법을 수행한다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 전문가 플랫폼의 전문가 풀 관리 프로그램은, 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 전문가 풀 관리 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, 전문가 풀을 활용하여 복수의 전문가에 대한 정보를 용이하게 관리하며, 정부, 지방자치단체, 공공기관, 협단체 및 기업과 같은 다양한 단체 및 프로젝트 매칭에 쉽게 활용할 수 있도록 하는 장점이 있다.

또한, 각 전문가들의 정보를 기반으로 복수의 전문가 풀을 자동으로 생성할 수 있고, 복수의 전문가를 분류하는 다양한 기준을 도출해낼 수 있어 목적에 따라 서로 다른 분야의 전문가들을 용이하게 믹스 앤 매치(Mix & Match)할 수 있다.

또한, 각각의 전문가 풀에 소속된 전문가들에 대하여 필요한 교육수단을 제공함으로써, 각 전문가 풀의 전문성을 유지 및 발전시킬 수 있는 장점이 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시 예에 따른 전문가 풀 관리 시스템의 동작을 도시한 개념도이다.
도 2는 일 실시 예에 따른 전문가 풀 관리방법을 도시한 흐름도이다.
도 3은 일 실시 예에 따른 전문가의 전문성 평가 방법 및 전문가 할당방법을 도시한 흐름도이다.
도 4는 일 실시예에 따른 전문가 정보를 분류하는 방법을 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따른 가중치에 따라 전문가의 전문성을 평가하는 방법을 구체적으로 설명하기 위한 흐름도이다.
도 6은 가중치를 이용하여 전문가 풀을 생성하는 방법을 설명하기 위한 흐름도이다.
도 7는 일 실시예에 따른 전문가 할당 방법을 설명하기 위한 흐름도이다.
도 8은 일 실시 예에 따른 인공지능 기반 전문가 풀 생성방법을 도시한 흐름도이다.
도 9는 일 실시 예에 따른 장치의 구성도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터 베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

한편, 본 개시에 따른 다양한 실시예를 설명하기에 앞서, 본 개시에서 사용되는 정보 또는 용어들을 이하에서 정리한다.

본 명세서에서, 전문가는 특정 분야에 대한 소정의 전문성을 갖춘 모든 종류의 사람을 의미하는 것으로 이해될 수 있으며, 그 기준은 제한되지 않는다. 특정 분야의 업무를 수행할 수 있는 모든 종류의 경력자, 혹은 교육을 받은 사람, 혹은 재능을 갖춘 사람을 모두 전문가라 칭할 수 있으나, 바람직하게는 특정 분야의 소정의 경력을 갖춘 사람을 의미하는 것으로 이해될 수 있다.

따라서, 본 개시에 따른 전문가는 기존의 개념적, 통상적, 일반적 기준의 전문가뿐 아니라, 특정 집단에서 요구하는 요구조건을 만족하는 전문가들을 의미할 수 있다.

한편, 본 개시에서의 전문가라 함은 개별적인 단일 전문가를 의미하나 이에 한정되는 것은 아니다. 즉, 특정 집단 자체를 전문가로 볼 수도 있다.

특히, 본 개시에 따른 전문가는 후술하는 다양한 평가 기준을 만족하는 인물을 의미할 수 있다.

본 명세서에서, 전문가 정보라 함은 특정인이 어떤 업무 분야에서의 특정 결과물을 생산하는 경우, 생산된 결과물과 관련된 정보를 의미할 수 있다.

따라서, 전문가 정보라 함은, 각 전문가의 전문성을 평가할 수 있는 모든 종류의 정보를 포함할 수 있으며, 전문가의 전문성을 평가할 수 있는 정보라 함은 전문가의 특정 전문 분야의 전문성과 소정의 기준값 이상의 연관성을 갖는 정보를 의미할 수 있으나, 이에 제한되는 것은 아니다.

나아가, 전문가 정보라 함은 해당 전문가의 경력에 대한 정보를 의미할 수 있으며, 실시 예에 따라 경력은 다양한 정보를 포함할 수 있다. 예를 들어, 각 전문가가 근무한 직장, 각 전문가의 학력, 각 전문가가 발표한 논문, 각 전문가가 참여한 프로젝트 등의 정보를 포함할 수 있고, 나아가 각 전문가가 온라인 커뮤니티나 동호회 등에서 활동한 기록, 개인적으로 수행한 프로젝트나 취미로 작성한 자료 등 다양한 정형 및 비정형 정보들을 모두 포괄하는 의미로 이해될 수 있다.

한편, 본 명세서에서 전문가 정보는 정형 정보 및 비정형 정보로 구분될 수 있다.

일 실시 예에서, 정형 정보는 이미 특정 전문 분야의 전문성과의 연관성이 정량적으로 입증된 정보(또는 수치화 할 수 있는 정보)들을 의미할 수 있다. 예를 들어, 상술한 바와 같이 전문가를 증명할 수 있는 객관적 자료들이 정형 정보에 해당할 수 있다.

예를 들어, 정형 정보는 특정 분야의 업체 혹은 부서에서 근무한 경력이나 특정 전문 분야의 프로젝트나 과제에 참여한 경력, 특정 분야의 학력이나 논문발표정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

일 실시 예에서, 비정형 정보는 정형 정보에 속하지 않으나, 특정 전문 분야와의 연관성을 갖는 모든 종류의 경력정보를 의미할 수 있다. 예를 들어, 상술한 바와 같이 개별적인 노력에 따른 경력정보들이 비정형 정보에 속할 수 있다.

예를 들어, 비정형 정보는 온라인 커뮤니티나 동호회 등에서 활동한 기록, 개인적으로 수행한 프로젝트나 취미로 작성한 자료, 온라인 교육 컨텐츠를 수강한 정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

일 실시 예에서, 기존에 정형 정보가 저장되지 않은 새로운 전문 분야에 대한 전문가 정보가 획득될 수 있다. 이 경우, 해당 전문 분야에 대해서는 평가할 수 있는 기준이 되는 정형 정보가 전혀 저장된 바 없으므로, 모든 전문가 정보가 비정형 정보로 평가될 수 있다.

예를 들어, 특정 전문 분야의 직장이나 부서에서 근무한 정보, 프로젝트나 과제를 수행한 정보라 할지라도 해당 전문 분야에 대하여 기 평가되거나 저장된 정보가 없는 경우, 비정형 정보와 같이 평가하여 해당 전문 분야에 대한 각 전문가의 전문성을 평가하는 데 활용할 수 있다.

이외에도 자문(위원)활동, 심사 및 평가자 활동, 강의 및 강연활동, 멘토링 활동경력, 사외 경력 등이 전문가 정보에 포함될 수 있는데, 이는 정형 정보에 속할 수도, 비정형 정보에 속할 수도 있다. 예를 들어, 분류 기준은 특정 전문 분야의 전문성과의 연관성이 기존에 정량적으로 입증되어 데이터 베이스화 되었는지 여부가 될 수 있으나, 이에 제한되는 것은 아니다.

또한, 전문가의 도덕성을 검증할 수 있는 자료 또한 전문가 정보에 속할 수 있는데, 예를 들어 해당 업계나 업종, SNS 등에서의 활동 인지도 및 평판, 리베이트 여부, 범죄기록, 사기기록 등 다양한 정보가 활용될 수 있으며, 현실적으로 모든 정보를 이용할 수 없더라도, 외부에 공개되어 수집할 수 있는 정보라면 정형 정보 또는 비정형 정보로 구분되는 전문가 정보로 사용될 수 있다.

한편, 상술한 정형 정보 및 비정형 정보 중 일부는, 데이터로 수치화 하기 어려운 경우가 존재할 수 있다. 데이터로 수치화 하기 어려운 경우란, 그 기준이 마련되지 않아 데이터 수치화가 불가능한 경우를 의미할 수 있다. 이 경우, 수치화가 어려운 데이터는 주변 평가를 바탕으로 직접 입력 될 수 있을 뿐만 아니라, 다양한 형태의 알고리즘을 통해 수치화 될 수 있음은 물론이다.

한편, 본 개시에서 가중치는 전문가 정보와 관련하여 획득되는 가중치를 의미한다. 이때, 가중치가 (전문가 정보에) 부여된다고 표현하거나, 가중치가 (전문가 정보에) 매칭 되거나, 가중치가 (전문가 정보에) 부가된다는 표현은 모두 유사한 의미로 해석될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 일 실시 예에 따른 전문가 풀 관리 시스템의 동작을 도시한 개념도이다.

도 1에 도시된 각 구성요소들은 반드시 특정한 장치 혹은 모듈을 나타내는 것은 아니며, 데이터 및 데이터가 포함된 데이터 베이스, 혹은 특정 동작에 대응하는 단계 등을 의미할 수 있으며, 또한 제한되지 않는다.

개시된 실시 예의 시스템(1)에 따르면, 전문가 정보(10)가 개시된다. 전문가 정보(10)는 특정 분야의 전문가에 대한 정보를 포함하며, 예를 들어 전문가의 경력정보를 포함할 수 있으나, 이에 제한되는 것은 아니다. 전문가 정보는 각 전문가의 전문성을 평가할 수 있는 모든 종류의 정보를 포함할 수 있으며, 전문가의 전문성을 평가할 수 있는 정보라 함은 전문가의 특정 전문 분야의 전문성과 소정의 기준값 이상의 연관성을 갖는 정보를 의미할 수 있으나, 이에 제한되는 것은 아니다.

최근에는 온라인 커뮤니티 등의 발달로 인해 기존의 정규 교육기관이나 직장 외에서도 혼자, 혹은 여러 사람들이 프로젝트를 진행하는 경우도 많고, 상대적으로 정보에 접근이 용이해지면서 정보의 불균형이 해소되었고, 비록 정규 교육을 받거나 경력을 쌓은 전문가는 아닐지라도 아마추어 수준에서, 혹은 아마추어 수준을 초월하는 긱(geek)전문가가 다수 발생하게 되었으며, 이들의 전문성이 전통적인 전문가에 비견되거나 오히려 초월하는 경우도 있다.

또한, 전통적인 전문가와 긱 전문가는 이분법적으로 구분될 수 있는 것은 아니고, 전통적인 전문가 또한 긱 전문가적 요소를 함께 갖추고 있을 수 있고, 특정 분야의 전통적인 전문가가 다른 분야 혹은 유사 분야에서는 긱 전문가로 인정될 수도 있다.

특히, 4차 산업혁명 시대에서는 초연결 및 초지능을 기반으로, 그 깊이, 속도 및 범위가 크게 확대될 것으로 예상된다. 이에 다양한 산업분야가 생겨날 뿐 아니라, 기존의 산업분야들과 새로운 산업분야들이 서로 융합되는 등 수많은 신규분야가 발생하게 되는데, 해당 분야의 전문가가 없거나 매우 적은 상황이 발생하게 될 것으로 예상된다. 따라서 각 분야의 전문가들을 발굴 및 모집하고, 각 분야의 전문가들이 협업할 수 있는 플랫폼이 필요하게 되었다.

또한, 앞으로 기대 수명 연장으로 인해 생산 활동 기간이 연장될 것이며, 각 전문가들로 하여금 해당 분야를 단순히 직업이 아닌 평생의 "업"으로 삼을 수 있도록 할 필요가 있다.

또한, 전문가들은 각 분야에서 능력에 기반하여 활동하며 대우받을 수 있도록 하는 것이 바람직하나, 기존의 기업과 같은 조직의 경우 직원들 간의 형평성과, 조직 전체의 안정성을 추구하므로 각 전문가들의 개성을 살리기 어렵고, 능력에 따른 대우가 주어지지 못하며, 경력이 쌓이면 이를 활용하기보다는 관리직으로 전환되는 등의 문제가 있었다.

따라서, 긱(Gig) 경제에 기반하여 전문가들의 자율성을 보장하며 최대한의 효율을 이끌어내되, 최소한의 안정성과 지속성을 보장할 수 있도록 할 필요가 있다.

이에 기반하여 구축되는 플랫폼은 전문가를 발굴, 모집 및 교육하며, 업무를 제공하고 수익을 창출할 수 있는 인프라를 갖추어야 함은 물론이고, 전문가들이 서로 네트워킹하며 교육, 성장 및 협업할 수 있도록 하는 전문가 생태계를 구축하는 것이 무엇보다 중요하다.

이러한 전문가 생태계의 구축을 위해서는, 각각의 전문가를 분류한 전문가 풀을 생성하고, 생성된 전문가 풀에 전문가를 할당하며, 나아가, 할당된 전문가를 검증하고, 각 전문가의 전문성 수준을 평가함으로써 적절한 역할을 부여하는 것이 중요하다.

따라서, 특정 인물이 전문가인지 아닌지를 판단하거나, 어느 정도의 전문성을 가지고 있는지, 또는 어떤 분야에서의 전문가인지 여부를 판단하여 적절한 전문가 풀에 할당하는 방법이 더욱 필요한 시점이 되었다.

본 명세서에서 개시되는 일 실시 예에서, 전문가는 MICE 분야의 전문가를 의미할 수 있다. MICE는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시 박람회와 이벤트(Exhibition & Event) 등의 영문 앞 글자를 딴 용어로, 좁은 의미에서는 국제회의와 전시회를 주축으로 한 유망 산업을 뜻하며, 광의적 개념으로는 참여자 중심의 보상관광과 메가 이벤트 등을 포함하는 융복합산업을 뜻한다.

MICE는 다양한 분야의 융복합 산업이므로, 다양한 분야의 전문가를 필요로 하며, 이들 전문가의 협업이 요구된다. 따라서, 개시된 실시 예에 따른 전문가 플랫폼 및 이를 위한 전문가 풀 관리 방법은 MICE 전문가들을 대상으로 적용될 수 있으며, 이에 제한되는 것은 아니다.

따라서, 개시된 실시 예에 따른 시스템(1)은 기 저장된 데이터 베이스(20)는 물론이고, 이에 기반하여 학습되거나 구성된 모델(30)을 이용하여 전문가 정보(10)로부터 다양한 정형 및 비정형 정보를 추출, 이종분야의 전문가를 분류할 수 있도록 구성되며, 기존에는 경력으로 산입하기 어려웠던 다양한 경력정보들도 해당 분야의 전문성을 입증하는 데에 다양하게 활용할 수 있도록 구성된다.

또한, 분류 결과(40)에 기반하여 전문가 풀 분류 시스템을 운용하되, 실제로 전문가 분류에 대한 분류결과가 획득되는 경우 이에 기반하여 피드백(50)을 생성하고, 이에 따라 해당 전문가의 분류를 업데이트할 수 있고, 이에 기반하여 모델(30) 또한 업데이트하는 것이 가능하다.

도 2는 일 실시 예에 따른 전문가 풀 관리방법을 도시한 흐름도이다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

단계 S110에서, 컴퓨터는 복수의 전문가에 대한 복수의 전문가 정보를 수집한다.

본 명세서에서, 전문가는 특정 분야에 대한 소정의 전문성을 갖춘 모든 종류의 사람을 의미하는 것으로 이해될 수 있으며, 그 기준은 제한되지 않는다. 특정 분야의 업무를 수행할 수 있는 모든 종류의 경력자, 혹은 교육을 받은 사람, 혹은 재능을 갖춘 사람을 모두 전문가라 칭할 수 있으나, 바람직하게는 특정 분야의 소정의 경력을 갖춘 사람을 의미하는 것으로 이해될 수 있다.

따라서, 전문가 정보라 함은 해당 전문가의 경력에 대한 정보를 의미할 수 있으며, 실시 예에 따라 경력은 다양한 정보를 포함할 수 있다. 예를 들어, 각 전문가가 근무한 직장, 각 전문가의 학력, 각 전문가가 발표한 논문, 각 전문가가 참여한 프로젝트 등의 정보를 포함할 수 있고, 나아가 각 전문가가 온라인 커뮤니티나 동호회 등에서 활동한 기록, 개인적으로 수행한 프로젝트나 취미로 작성한 자료 등 다양한 정형 및 비정형 정보들을 모두 포괄하는 의미로 이해될 수 있다.

단계 S120에서, 컴퓨터는 상기 복수의 전문가 정보를 하나 이상의 분류기준에 따라 분류한다.

일 실시 예에서, 컴퓨터는 복수의 전문가 각각의 전문 분야, 경력 및 배경정보에 기초하여 상기 복수의 전문가에 대한 정보를 분류할 수 있다.

일 실시예에서, 분류 기준은 단계 S110에서 획득한 전문가 정보 중 정형 정보를 바탕으로 분류될 수 있다. 이때, 정형 정보라고 하더라도 정보의 중요도가 다를 수 있다. 정형 정보에 가중치가 획득된 경우, 컴퓨터는 가중치가 기 설정된 값 이상인 정형 정보를 바탕으로 전문가에 대한 정보를 분류할 수 있다.

예를 들어, 분류를 위한 정형 정보가 전문가의 전문 분야인 경우, 컴퓨터는 전문 분야와 연관된 정형 및 비정형 데이터를 획득하여 전문가 정보를 분류할 수 있다. 즉, 컴퓨터는 전문 분야에 대한 카테고리(예를 들어, 법률 카테고리, 회계 카테고리 등)를 획득하고, 수집된 전문가 정보가 획득된 카테고리 중 어느 카테고리와 연관이 있는지를 판단하여 전문가 정보를 분류할 수 있다.

일 실시예로, 분류를 위한 정형 정보가 2개 이상인 경우, 컴퓨터는 다양한 방법으로 전문가 정보를 분류할 수 있다. 분류를 위한 정형 정보가 전문 분야 및 경력 정보인 경우, 컴퓨터는 전문 분야 및 경력을 모두 고려하여 전문가 정보를 분류할 수 있다. 이 경우, 분류를 위한 정형 정보가 하나인 경우보다 세분화된 분류가 가능할 수 있다. 예를 들어, 분류를 위한 정형 정보가 전문 분야 하나인 경우, 카테고리는 법률 카테고리, 회계 카테고리 등의 전문 분야별 카테고리로 한정되나, 분류를 위한 정형 정보가 전문 분야 및 경력 정보인 경우, 카테고리는 법률 분야의 10년 이하 전문가, 법률 분야의 10년 이상 전문가, 회계 분야의 10년 이하 전문가, 회계 분야의 10년 이상 전문가와 같이 세분화된 카테고리에 따라 전문가 정보를 분류할 수 있다.

즉, 컴퓨터는 필요에 따라 전문가 풀을 다양한 기준으로 분류할 수 있다.

일 실시예로, 본 발명에 따른 전문가 풀이 MICE 산업 전문가들을 분류하기 위한 전문가 풀인 경우, 컴퓨터는 기업회의(Meeting), 포상관광(Incentive trip), 컨벤션(Convention), 전시 박람회와 이벤트(Exhibition & Event)와 같이 각각의 산업 분야를 기준하여 전문가 풀을 분류할 수 있다.

또 다른 실시예로, 컴퓨터는 기획, 연출, 제작, 운영, 영업 및 행정 등과 같은 기능 분야별 전문가 풀을 분류할 수 있다.

또 다른 실시예로, 컴퓨터는 프로젝트의 유형에 따른 전문가의 유경험 보유 정도에 따라 전문가 풀을 분류할 수 있다. 구체적으로, 동일한 분야의 동일 경력을 가진 전문가라고 하더라도 프로젝트 수행 경험(Know-how)의 차이가 있을 수 있다. 예를 들어, 동일 연차의 기획 또는 연출 전문가라고 해도 국내 또는 해외 프로젝트 수행 유경험 및 정부, 공공기관, 지자체, 기업 등 주최자 또는 발주자별 프로젝트 수행 유경험 및 전시 분야라고 해도 1억 규모, 10억 규모, 30억 규모 등의 규모별 프로젝트 수행 유경험 등에 따라 서로 다른 수행 경험(Know-how)의 정도를 가질 수 있다. 따라서, 컴퓨터는 전문가의 경험의 보유 정도를 기준으로 전문가 풀을 분류할 수 있다.

또 다른 실시예로, 컴퓨터는 전문가의 평판의 정도에 따라 전문가 풀을 분류할 수 있다. 전문가 평판에 대한 전문가 정보는 해당 업계나 업종, SNS 등에서의 활동 인지도, 리베이트 여부, 범죄기록, 사기기록 등 다양한 정보가 활용되거나, 해당 전문가에 대한 추천서, 증빙 서류 등을 통해 획득될 수 있다.

상술한 다양한 실시예들은, 개별적으로 전문가 풀 분류에 사용되는 것이 아니라 복합적으로 사용 될 수 있음은 물론이다. 예를 들어, 컴퓨터는, 전문가의 분야, 기능, 경험 유무 및 보유 정도, 평판 중 적어도 두개의 기준을 이용하여 전문가 풀을 분류할 수 있음은 물론이다.

단계 S130에서, 컴퓨터는 상기 분류 결과에 기초하여 하나 이상의 전문가 풀을 생성한다.

단계 S140에서, 컴퓨터는 상기 생성된 전문가 풀에 상기 복수의 전문가를 할당한다.

구체적으로, 컴퓨터는 전문가와 연관도가 가장 높은 전문가 풀을 획득하는 단계, 획득된 전문가 풀에 설정된 전문성의 정도에 따라 전문가 할당 여부를 결정하는 단계를 포함할 수 있다.

일 실시예로, 컴퓨터는 전문가로부터 전문가 정보를 추출하고, 추출된 전문가 정보와 복수의 전문가 풀을 비교하여 가장 높은 연관도를 가지는 전문가 풀로 전문가를 할당할 수 있다.

한편, 컴퓨터는, 전문가를 할당하는 방법에 있어서, 각각의 전문가의 전문성을 평가하고, 평가된 전문성이 일정 수준 이상인 경우에 한하여 전문가를 전문가 풀에 할당할 수 있다. 예를 들어, 법학 분야의 전문가라고 하더라도, 어떤 전문가는 법학 학위만을 수료(전문성 평가 결과가 낮을 것이다)하였을 수 있고, 또 어떤 전문가는 다양한 실무 경험(전문성 평가 결과가 높을 것이다)을 갖추고 있을 수 있다. 따라서, 컴퓨터는 평가된 전문성을 바탕으로 특정 전문가를 전문가 풀에 할당할 지 여부를 결정할 수 있다.

이때, 컴퓨터는 각각의 전문가 풀에 할당된 복수의 전문가들을 매칭하고, 프로젝트나 업무를 할당할 수 있으며, 실시 예에 따라 구인중인 기업과의 매칭을 수행할 수 있다.

도 3은 일 실시 예에 따른 전문가의 전문성 평가 방법 및 전문가 할당방법을 도시한 흐름도이다.

단계 S210에서, 컴퓨터는 생성된 전문가 풀 각각에 대응하는 전문 분야에 대하여, 상기 복수의 전문가의 전문성을 평가할 수 있다.

전문가의 전문성을 평가함에 있어서, 기존에는 이미 인증된 전문가가 서류 혹은 면접을 통해 전문성을 평가하거나, 소정의 테스트를 통해 전문성을 입증하도록 하곤 했다. 예를 들어, 전문가를 평가함에 있어 자격증, 수료증, 학위증 등의 서류와 평가, 면접 심사 등의 테스트를 통해 그 전문성을 평가하는 것이 일반적이었다.

하지만, 이 경우 전문성을 평가할 수 있는 정보 및 인력이 충분히 갖추어지지 않은 이종분야에 대해서는 전문성을 평가할 수 있는 수단이 없으며, 또한 전문성 평가가 객관적이고 정확하기 어려우며, 실시간으로 업데이트되는 각 전문가들의 전문성을 매번 평가하기 어렵고, 잘못된 평가가 있었던 경우에도 유기적인 피드백을 제공하기 어려운 문제점이 있다.

다양한 전문가들의 전문성을 평가하려면, 전문가 정보를 그 성질에 따라 분류할 필요가 있다.

일 실시 예에서, 전문가 정보는 이미 특정 전문 분야의 전문성과의 연관성이 정량적으로 입증된 정보들을 포함할 수 있다. 예를 들어, 전문가를 증명할 수 있는 객관적 자료들이 이에 해당할 수 있다.

예를 들어, 전문가 정보는 특정 분야의 업체 혹은 부서에서 근무한 경력이나 특정 전문 분야의 프로젝트나 과제에 참여한 경력, 특정 분야의 학력이나 논문발표정보 등을 포함할 수 있으며, 이에 제한되는 것은 아니다.

이외에도 자문(위원)활동, 심사 및 평가자 활동, 강의 및 강연활동, 멘토링 활동경력, 사외 경력, 수상 경력 등이 전문가 정보에 포함될 수 있다.

또한, 전문가의 도덕성을 검증할 수 있는 자료 또한 전문가 정보에 속할 수 있는데, 예를 들어 해당 업계나 업종, SNS 등에서의 활동 인지도 및 평판, 리베이트 여부, 범죄기록, 사기기록 등 다양한 정보가 활용될 수 있으며, 현실적으로 모든 정보를 이용할 수 없더라도, 외부에 공개되어 수집할 수 있는 정보라면 마찬가지로 전문가의 검증에 활용될 수 있다.

또한, 전문가의 현재 소속과 관련된 정보도 전문가 정보에 속할 수 있다. 예를 들어, 전문가가 프리랜서인지인지, 특정 집단에 소속된 전문가인지에 대한 정보도 전문가 정보에 포함될 수 있다. 전문가가 특정 집단에 포함된 경우에는, 전문가 및 전문가가 속한 집단을 모두 고려하여 전문가를 검증할 수 있다. 이때, 전문가가 프리랜서인지 여부는 4대 보험 가입 여부를 통해 확인할 수 있다. 그러나 이에 한정되는 것은 아니고, 각각의 전문가 또는 특정 집단으로부터 직접 입력 받을 수도 있음은 물론이다.

즉, 전문가 검증 방법이란 전문가의 전문성을 검증하는 측면을 포함할 수 있고, 전문가 정보의 진위를 검증하는 측면을 포함할 수 있으며, 전문가에 대한 전반적인 평가를 내리는 측면을 포함할 수 있다.

단계 S220에서, 컴퓨터는 상기 전문성 평가 결과에 기초하여, 상기 전문가의 할당여부를 결정할 수 있다.

일 실시예에서, 컴퓨터는 전문가 정보를 정형 정보 및 비정형 정보로 분류하고, 분류된 정형 정보 및 비정형 정보 각각을 평가할 수 있다. 컴퓨터는 정형 정보 및 비정형 정보에 대한 평가 결과를 바탕으로 전문가의 전문성을 평가할 수 있다.

전문가의 전문성이 평가되면, 컴퓨터는 전문가 풀에 설정된 전문성의 정도를 결정할 수 있다.

즉, 특정인이 특정 분야에 대한 정보가 존재한다고 하더라도, 전문성이 없다면, 전문가 풀에 들어가서는 안될 것이다. 예를 들어, 법학과 학생은 도 2에서 생성한 전문가 풀에 의하면 법학 분야의 전문가로 분류되겠지만, 일정 수준의 전문성을 갖추지 못하였으므로, 전문가 풀에 할당되어서는 안될 것이다. 따라서, 컴퓨터는, 전문가의 전문성을 평가하여, 전문성이 기 설정된 값 이상인 경우에 한하여 전문가를 전문가 풀에 할당할 수 있다.

이때, 전문가 풀이 갖추고 있어야 하는 전문성의 정도(고도)는 다양한 방법을 통해 결정될 수 있다.

일 실시예로, 전문성의 정도는 사용자에 의해 직접 입력 될 수 있다. 그러나 전문성의 정도라는 척도는 구체적으로 수치화되어 직관적으로 이해할 수 있는 척도가 아닌 경우가 많으므로, 컴퓨터는 특정 전문가 풀과 연관된 복수의 전문가들의 전문성을 바탕으로 최고급 전문가, 고급 전문가, 일반 전문가와 같이 전문가의 전문성을 분류하여 제공할 수 있다. 예를 들어, 제1 전문가 풀에 100명의 전문가가 연관되어 있는 경우를 가정할 때, 컴퓨터는 상위 5%의 전문가를 최고급 전문가로, 상위 15%의 전문가를 고급 전문가로, 상위 80%의 전문가를 일반 전문가로 설정할 수 있다. 이 경우, 나머지 20%의 전문가는 전문가 풀에 할당되지 않을 수 있다.

또 다른 실시예로, 전문성의 정도는 진행할 업무의 난이도와 관련하여 결정될 수 있다. 즉, 전문가 풀에 할당된 전문가는 고정적인 것이 아니라, 개별 업무에 따라 유동적으로 구성될 수 있다. 전문가 풀을 구축하는 목적이 전문가를 매칭하기 위한 점이라는 것을 고려할 때, 명확한 방향성과 목적을 가지는 업무들에 대하여는, 업무에 맞는 전문가 풀을 제공할 필요가 있다. 따라서, 컴퓨터는 제공할 업무의 정보(예를 들어, 업무 분야, 발주 금액, 업무 범주, 전문성 요구 수준, 예전 업무 결과물의 퀄리티 등)을 제공받고, 제공된 업무의 정도를 바탕으로 전문가 풀에 적용될 전문성의 정도를 결정할 수 있다.

상술한 전문성의 정도는, 시스템(1)이 직접 설정할 수 있으나 이에 한정되는 것은 아니다. 즉, 전문성의 정도는 전문가가 필요한 플랫폼의 이용자(예를 들어, 정부, 지방자치단체, 공공기관, 협단체, 기업 등 다양한 단체 및 협업을 위한 전문가가 필요한 전문가)가 전문성의 정도를 직접 설정할 수 있음은 물론이다.

도 4는 일 실시예에 따른 전문가 정보를 분류하는 방법을 설명하기 위한 흐름도이다.

구체적으로, 도 4는 전문가의 전문성을 평가하기 위한 전문가 정보를 정형 정보 및 비정형 정보로 분류하는 구체적인 방법을 설명하기 위한 것이다.

단계 S310에서, 컴퓨터는 복수의 전문가 정보를 획득할 수 있다.

상술한 바와 같이 전문가 정보는 복수의 전문가에 대한 복수의 전문가 정보를 의미한다.

단계 S320에서, 컴퓨터는 수집된 전문가 정보를 데이터 베이스에 기초하여 정형 정보 및 비정형 정보로 분류할 수 있다.

구체적으로, 컴퓨터는 전문가 정보를 분류함에 있어서, 기 저장된 데이터 베이스에 기초하여 상기 데이터 베이스에 저장된 정보에 대응하는 전문가 정보를 정형 정보로 분류할 수 있다.

일 실시 예에서, 데이터 베이스에는 각 전문 분야에 대한 정보와, 각 전문 분야에 대응하는 경력정보(즉, 해당 전문 분야와 연관성을 갖는 경력정보)가 미리 저장될 수 있다.

컴퓨터는 데이터 베이스를 이용하여, 해당 데이터 베이스에 이미 저장된 정보를 정형 정보인 것으로 판단할 수 있다. 일 실시 예에서, 컴퓨터는 해당 데이터 베이스에 저장된 정보와, 전문가 정보를 매칭하는 과정을 수행할 수 있다. 예를 들어, 전문가가 입력하거나 크롤링된 전문가 정보와 데이터 베이스에 기 저장된 정보가 정확하게 일치하지는 않을 수도 있으므로, 서로 유사한 정보를 매칭함으로써 정형 정보 여부를 판단하는 과정을 수행할 수 있다. 예를 들어, 데이터 베이스에 저장된 정보와 소정의 기준값 이상의 일치율을 보이는 정보는 정형 정보인 것으로 판단할 수 있다.

일 실시 예에서, 컴퓨터는 전문가에 의한 입력 단계에서 매칭되는 데이터 베이스 정보를 표시하고, 전문가가 직접 대응하는 데이터 베이스 정보를 매칭하도록 함으로써 입력 단계에서 정형 정보를 필터링할 수도 있다.

일 실시 예에서, 컴퓨터는 데이터 베이스에 기반하여 분류된 정형 정보를 제외한 전문가 정보를 비정형 정보로 분류할 수 있다.

즉, 데이터 베이스에 기 저장되어 있는 정보와 매칭되지 않는 정보들을 비정형 정보로 분류하여, 모델 기반 전문성 평가를 수행하도록 할 수 있다.

일 실시 예에서, 복수의 데이터 베이스가 계층적으로 구성될 수도 있다. 예를 들어, 제1 데이터 베이스에는 각 전문 분야에 대한 정보와, 각 전문 분야에 대응하는 경력정보가 저장되며, 제1 데이터 베이스에 저장된 정보에 대응하는 전문가 정보는 정형 정보로 분류되도록 할 수 있다.

또한, 제2 데이터 베이스에도 각 전문 분야에 대한 정보와, 각 전문 분야에 대응하는 경력정보가 저장될 수 있으나, 해당 데이터 베이스에 저장된 정보에 대응하는 전문가 정보는 비정형 정보로 분류되며, 제1 데이터 베이스 및 제2 데이터 베이스에 모두 저장되지 않은 정보는 마찬가지로 비정형 정보로 분류되도록 할 수 있다.

또한, 실시 예에 따라 제2 데이터 베이스에 저장된 정보에 대응하는 전문가 정보는 비정형 정보로 분류하되, 제2 데이터 베이스에 저장된 정보를 해당 비정형 정보의 평가에 활용할 수 있다.

즉, 제2 데이터 베이스에 저장된 정보는 비정형 정보와 정형 정보의 중간 단계에 해당할 수 있으나, 제2 데이터 베이스에 저장된 정보가 정형 정보로 평가되지는 않도록 할 수 있다. 다만 이는 일 실시 예에 해당할 뿐이고, 데이터 베이스의 구성 및 그 활용방법은 제한되지 않는다.

도 5는 일 실시예에 따른 가중치에 따라 전문가의 전문성을 평가하는 방법을 구체적으로 설명하기 위한 흐름도이다.

단계 S410에서, 컴퓨터는 수집된 전문가 정보를 정형 정보 및 비정형 정보로 분류할 수 있다. 상술한 다양한 방법에 따라, 컴퓨터는 수집된 전문가 정보를 정형 정보 및 비정형 정보로 분류할 수 있다.

단계 S420에서, 컴퓨터는 정형 정보 및 비정형 정보에 대한 가중치를 획득할 수 있다.

구체적으로, 컴퓨터는 중요하거나 의미 있는 정보에 대하여는 높은 가중치를 획득하고, 덜 중요하거나 덜 의미 있는 정보에 대하여는 낮은 가중치를 획득할 수 있다.

예를 들어, 컴퓨터는 정형 정보의 가중치를 비정형 정보의 가중치보다 높게 설정할 수 있다. 또는, 컴퓨터는, 제1 데이터 베이스에 저장된 정보의 가중치를 제2 데이터 베이스에 저장된 정보의 가중치보다 높게 설정할 수 있다.

또 다른 예로, 컴퓨터는 동일한 정보라도 속하는 전문가 풀에 따라 다른 가중치를 설정할 수 있다. 예를 들어 '법학 학위'와 관련된 정보에 대한 가중치는 법학 전문가 풀에서는 높게 설정되나, 회계 전문가 풀에서는 법학 전문가 풀에 비하여 가중치가 낮게 설정될 수 있다.

한편, 동일한 정보라도 상황에 따라 가중치가 변경될 수 있음은 물론이다. 일 실시예로, 컴퓨터는, 전문가 정보가 생성 또는 업데이트된 시점에 따라 가중치가 다르게 획득될 수 있다. 즉, 수집되었으나, 시간이 경과하고 업데이트 되지 않은 전문가 정보는 가중치가 낮게 획득될 수 있다.

또 다른 실시예로, 동일한 정보라도 연관되는 다른 전문가 정보에 따라 가중치가 변경될 수도 있다. 예를 들어, 가중치가 획득될 정보가 경력 정보인 경우, 경력과 경력 사이의 경력 단절 기간에 따라 가중치가 다르게 획득될 수 있다. 예를 들어 경력 단절 횟수가 기 설정된 횟수 이상이거나, 경력 단절 기간이 기 설정된 기간 이상인 경우, 컴퓨터는 해당 경력에 대한 가중치를 낮게 설정할 수 있다.

단계 S430에서, 컴퓨터는 전문가의 전문성을 평가할 수 있다.

전문성 평가는 정형 정보 및 비정형 정보를 바탕으로 수행될 수 있다. 일 실시예로, 컴퓨터는 정형 정보 및 비정형 정보를 평가하고, 평가된 정형 정보 및 비정형 정보를 바탕으로 전문성을 평가할 수 있다. 이때, 전문성 평가는 정형 정보 및 비정형 정보에 부가된 가중치를 이용하여 평가될 수 있다.

정형 정보 및 비정형 정보는 다양한 방법으로 평가될 수 있다. 일 실시예로, 컴퓨터는 데이터 베이스에 저장된 평가 정보에 기반하여 정형 정보를 평가할 수 있다. 예를 들어, 데이터 베이스에는 각 정형 정보에 대응하는 전문성 평가정보가 이미 저장되어 있을 수 있으며, 컴퓨터는 데이터 베이스에 저장된 정보에 기반하여 각각의 정형 정보에 대응하는 점수를 정량적으로 산출할 수 있다.

예를 들어, 데이터 베이스에는 특정 전문 분야에 대하여 특정한 경력정보가 어떠한 연관성을 갖는지, 해당 경력정보의 기간 및 해당 경력정보에서 전문가가 수행한 역할에 기반하여 어느 정도의 전문성을 인정할 수 있는가에 대한 정보가 미리 저장될 수 있다.

미리 저장되는 정보는 해당 분야의 전문가에 의하여 입력될 수도 있고, 기 수집된 빅데이터에 기반하여 산출된 정보에 기초하여 결정될 수도 있다. 예를 들어, 해당 분야에 대한 레퍼런스 데이터가 많은 경우, 이를 활용하여 빅 데이터를 구축하고, 기계학습 등 학습방법을 활용하여 각 분야와 경력정보 간의 상관관계를 판단할 수 있으며, 나아가 각 경력정보의 세부정보에 따라 정량적으로 전문성을 평가할 수 있는 정보를 획득할 수 있다.

이러한 정보들은 데이터 베이스에 미리 저장되어, 정형 정보로 분류된 전문가정보들을 평가하는 데 활용될 수 있다.

한편, 컴퓨터는 다양한 방법을 통해 비정형 정보를 평가할 수 있다. 일 실시예로, 컴퓨터는 비정형 정보를 평가함에 있어서, 경력정보와 각 전문 분야의 전문성 간의 연관관계를 도출하도록 학습된 모델을 이용하여 상기 비정형 정보로부터 상기 전문가의 전문 분야에 대한 전문성을 추정할 수 있다.

예를 들어, 도 1에 도시된 바와 같은 모델(30)은 기계학습 방법을 이용하여 학습된 모델일 수 있으나, 이에 제한되는 것은 아니다.

학습된 모델은 특정 경력정보와 각 전문 분야의 전문성 간의 연관관계를 도출하여, 비정형 정보로부터 해당 전문가의 전문성을 추정할 수 있도록 학습된 모델일 수 있다.

일 실시 예에서, 학습된 모델은 데이터 베이스에 기 저장된 특정 전문 분야에 대하여 새로운 비정형 정보가 획득되는 경우, 해당 비정형 정보와 전문 분야 간의 연관성을 추정할 수 있다.

또한, 학습된 모델은 데이터 베이스에 저장되지 않은 새로운 전문 분야와 해당 전문 분야의 새로운 비정형 정보에 대해서도, 상호 연관성을 추정할 수 있다.

일 실시 예에서, 학습된 모델은 데이터 베이스에 저장된 정보에 기반하여 학습된 것일 수 있다. 컴퓨터는 데이터 베이스에 저장된 정보에 기반하여 다양한 학습 데이터를 생성할 수 있으며, 예를 들어 데이터 베이스에 기 저장된 특정 전문 분야와 새로운 비정형 정보 간의 연관성을 추정할 수 있도록, 데이터 베이스에 기 저장된 전문 분야에 대한 연관성이 미리 라벨링된 경력정보들을 포함하는 학습 데이터를 생성하고, 이에 기반하여 모델을 학습시킬 수 있다.

다른 예로, 데이터 베이스에 기 저장되지 않은 특정 전문 분야와 새로운 비정형 정보 간의 연관성을 추정할 수 있도록, 특정 전문 분야에 대하여 추출된 특징 정보와, 특정 경력정보에 대하여 추출된 특징 정보 및 각 특징 정보 간의 상관관계를 미리 라벨링한 학습 데이터를 생성하고, 이에 기반하여 모델을 학습시킬 수 있다.

결론적으로, 컴퓨터는 데이터 베이스 및 데이터 베이스에 기반하여 학습된 모델을 이용하여, 전문가의 정형 정보 및 비정형 정보를 분류하고, 분류된 각각의 정보에 대한 전문성을 평가함으로써 각 전문가의 전문성을 평가할 수 있다.

평가된 전문성은 전문가 풀에 전문가를 할당할 때 사용될 수 있음은 전술한 바와 같다.

도 6은 가중치를 이용하여 전문가 풀을 생성하는 방법을 설명하기 위한 흐름도이다.

상술한 바와 같이, 정형 정보 및 비정형 정보에 부가된 가중치는 전문성 평가에 사용될 수 있으나, 이하에서 설명하는 바와 같이 전문가 풀을 생성하는데 이용될 수도 있음은 물론이다.

단계 S510에서, 컴퓨터는 정형 정보 및 비정형 정보에 대한 가중치를 획득할 수 있다. 일 실시예로, 도 5에서 설명한 방법을 이용하여 정형 정보 및 비정형 정보에 대한 가중치를 획득할 수 있다.

단계 S520에서, 컴퓨터는 가중치 및 전문가 정보를 바탕으로 전문가 풀을 생성할 수 있다.

일 실시예로, 컴퓨터는 기 설정된 값 이상의 가중치를 가지는 전문가 정보만을 이용하여 전문가 풀을 생성할 수 있다. 구체적으로, 컴퓨터는 전문가 정보를 정형 정보와 비정형 정보로 분류하고, 분류된 정형 정보 및 비정형 정보에 대한 가중치를 획득하고, 가중치가 획득된 정형 정보 및 비정형 정보 중 가중치 값이 기 설정된 값 이상인 정형 정보와 비정형 정보를 선별할 수 있다. 컴퓨터는 선별된 정형 정보 및 비정형 정보만을 분류 기준에 따라 분류하여 전문가 풀을 생성할 수 있다.

즉, 전문가에 의해 직접 수집되거나 크롤링 등을 통해 수집된 전문가 정보라고 하더라도, 일부 정보는 효용성이 없는 정보일 경우가 있을 수 있다. 따라서, 전문가 정보를 분류하여 전문가 풀을 생성하는 단계 이전에 의미 있는 정보를 획득하고, 의미 있는 정보만으로 전문가 풀을 생성할 수 있다.

또 다른 실시예로, 컴퓨터는, 전문가 정보 각각에 획득된 가중치를 해당 전문가 정보와 곱한 결과(즉, 가중치가 반영된 전문가 정보)를 바탕으로 전문가 풀을 생성할 수 있다. 즉, 컴퓨터는 수집된 모든 전문가 정보를 이용하여 전문가 풀을 생성하나, 가중치를 고려하여 전문가 풀 생성에 기여하는 중요도를 조절할 수 있다.

도 7는 일 실시예에 따른 전문가 할당 방법을 설명하기 위한 흐름도이다.

단계 S610에서, 컴퓨터는 전문가 평가 결과에 따라 전문가를 할당할 수 있다. 상술한 바와 같이, 기 설정된 수준 이상의 전문가를 적합한 전문가 풀에 할당할 수 있다.

단계 S620에서, 컴퓨터는 전문가를 복수의 전문가 풀에 할당할 수 있다. 즉, 한 명의 전문가는 하나의 전문가 풀에 속하는 것이 아니라, 복수개의 전문가 풀에 속할 수 있음은 물론이다.

구체적으로, 특정 전문가가 전문가 풀에 할당되기 위해서는 전문가 정보를 제공할 필요가 있다. 상술한 바와 같이, 전문가 정보는 전문가로부터 직접 입력 받거나 공개된 정보를 수집하여 획득될 수 있다.

이때, 컴퓨터는 특정 전문가에 대한 전문가 정보와 생성된 복수의 전문가 풀이 포함하는 전문가 정보를 비교하여 복수의 전문가 풀에 전문가를 할당할 수 있다.

구체적으로, 복수의 전문가 풀에 대응되는 복수의 전문성 평가 결과가 기 설정된 값 이상인 경우, 컴퓨터는 전문가를 복수의 전문성 평가 결과의 우선순위에 따라 복수의 전문가 풀에 할당할 수 있다.

즉, 전문가는 제1 전문가 풀에 대한 제1 전문성 평가 결과 및 제2 전문가 풀에 대한 제2 전문성 평가 결과가 모두 기 설정된 값 이상일 수 있다. 이 경우, 전문가는 제1 전문가 풀 및 제2 전문가 풀 모두에 할당될 수 있다. 다만, 컴퓨터는 제1 전문성 평가 결과와 제2 전문성 평가 결과를 비교하여 우선순위를 결정하고, 우선 순위에 따라 전문가를 전문가 풀에 할당할 수 있다. 즉, 컴퓨터는 전문가가 복수의 전문가 풀에 할당되는 경우에도, 전문성이 더 높은 전문가 풀에 우선적으로 전문가를 할당할 수 있다.

도 8은 일 실시 예에 따른 인공지능 기반 전문가 풀 생성방법을 도시한 흐름도이다.

단계 S710에서, 컴퓨터는 상기 수집된 복수의 전문가에 대한 정보를 인공지능 모델에 기반하여 클러스터링 할 수 있다. 이때, 다양한 방법을 통해 클러스터링이 이뤄질 수 있다. 다양한 실시예에 따라, 본 개시에 따른 클러스터링은 K-mean 클러스터링, Mean-Shift 클러스터링, Density-Based Spatial 클러스터링, Gaussian Mixture Models을 이용한 클러스터링, Agglomerative Hierarchical 클러스터링 기법 등 다양한 기법이 적용될 수 있다.

일 실시예로, 컴퓨터는 K-mean 클러스터링 알고리즘을 이용하여 전문가 정보를 클러스터링 할 수 있다. 구체적으로, 1) 전문가 정보의 집합(D) 및 클러스터의 개수(k)가 입력되면, 컴퓨터는 전문가 정보의 집합 D에서 k개의 오브젝트를 임의로 추출하고, 추출된 k개의 전문가 정보를 각각의 클러스터의 중심점(centroid)로 설정할 수 있다. 2) 컴퓨터는 클러스터의 중심점을 기준으로 k개의 클러스터를 획득할 수 있다. 구체적으로, 컴퓨터는 전문가 정보의 집합(D)에 포함된 각각의 전문가 정보와 추출된 k개의 전문가 정보 각각에 대한 거리를 구하고, 각각의 전문가 정보가 어느 중심점과 가장 유사도가 높은지 판단하여, 클러스터를 획득할 수 있다. 3) 컴퓨터는 획득된 클러스터에 포함된 전문가 정보를 기초로, 클러스터의 중심점을 재설정하고, 재설정된 중심점을 기준으로, k개의 클러스터를 재설정 할 수 있다. 즉, 컴퓨터는, 임의의 중심점(k개의 중심점)으로부터 클러스터를 획득하고, 획득된 클러스터의 중심점을 다시 계산하여 새로운 중심점을 결정하고, 새로운 중심점(k개의 중심점)으로부터 새로운 클러스터를 획득하는 과정을 클러스터의 중심점이 변하지 않을 때까지 반복할 수 있다. 상기 방법을 통해 컴퓨터는 입력된 데이터에 대한 클러스터를 획득할 수 있다. 한편, 상술한 실시예 에서는 K-means 클러스터링 알고리즘을 통한 클러스터 획득 방법에 대하여 설명하였으나, GMM 알고리즘 등 기타 다양한 방법에 의해 클러스터가 획득될 수 있음은 물론이다.

단계 S720에서, 컴퓨터는 상기 클러스터링 결과에 기초하여 하나 이상의 클러스터를 획득할 수 있다.

일 실시 예에서, 유사한 특징을 가진 클러스터일수록 서로 가까이 위치할 수 있다. 따라서, 컴퓨터는 거리에 기초하여 각 클러스터 간의 연관도를 판단할 수 있다. 구체적으로, 컴퓨터는 각각의 클러스터의 중심점 사이의 거리를 분석하여 클러스터간의 연관도 정보를 획득할 수 있다.

단계 S730에서, 컴퓨터는 상기 획득된 하나 이상의 클러스터의 특성을 획득하는 단계를 포함할 수 있다.

구체적으로, 컴퓨터는 획득된 클러스터를 라벨링 할 수 있다. 즉, 상술한 클러스터링 과정에 의해 생성된 클러스터는 유사한 성질을 가지는 데이터를 모아놓은 데이터들의 집합일 뿐, 어떠한 전문 분야에 대한 전문가 풀인지에 대한 정보는 존재하지 않는다. 따라서, 컴퓨터는 클러스터링에 의해 생성된 클러스터를 분석하여 전문가 풀에 대응되는 라벨링 과정을 수행할 수 있다.

일 실시 예에서, 컴퓨터는 각각의 클러스터에 대응하는 전문 분야, 경력 및 전문가의 배경정보 등의 특성을 판단할 수 있다.

단계 S740에서, 컴퓨터는 상기 획득된 특성에 기반하여 상기 하나 이상의 클러스터에 각각 대응하는 전문가 풀을 생성할 수 있다.

이로부터 생성되는 전문가 풀들은 전문 분야나 경력별로 전문가를 분류하는 전통적인 방법과 달리 인공지능 모델에 기반하여 다양한 파라미터에 기반하여 분류된 전문가 풀들을 포함하며, 이 경우 하나의 전문가가 복수의 전문가 풀에 동시에 소속될 수도 있고, 서로 다른 전문 분야 간에도 서로 융합될 수 있는 부분이 있는 경우 이를 모두 포함하는 하나의 전문가 풀이 생성되거나, 서로 중첩되는 부분(교집합)이 존재하는 전문가 풀이 생성될 수 있다.

따라서, 목적에 따라 서로 상이한 기술분야 간 융합이 가능하도록 서로 다른 기술분야에 속하지만 상호 공통되거나, 협업할 수 있는 전문가들에 대한 정보를 전문가 풀에 기반하여 용이하게 획득할 수 있고, 이에 따라 매칭을 수행함으로써 4차 산업혁명 시대에 대응할 수 있는 다양한 전문가들의 믹스 앤 매치(Mix & Match)가 가능하도록 하는 효과가 있다.

한편, 전문가 풀에 전문가가 할당되면, 컴퓨터는 전문가 풀을 기초로 전문가에게 업무를 할당할 수 있다. 일 실시예로, 컴퓨터는 할당될 업무를 분석하여 적절한 전문가 풀을 선택하고, 전문가 풀에 포함된 전문가 중 할당될 업무를 가장 잘 수행할 수 있을 것이라고 판단되는 전문가에게 업무를 할당할 수 있다. 구체적으로, 컴퓨터는 업무 수행에 필요한 전문가 정보를 추출하고, 추출된 전문가 정보와 전문가 풀에 포함된 전문가들 각각의 전문가 정보를 비교하여 적합한 전문가를 획득하고, 획득된 전문가에게 업무를 할당할 수 있다.

각 전문가에 대하여 평가된 전문성 정보는 정형 정보에 기반하여 평가된 정보와, 비정형 정보에 기반하여 추정된 정보를 포함할 수 있어, 각 전문가의 실제 전문성과 오차가 발생할 수 있다. 또한, 각 전문가의 경력정보에 비해 해당 전문가의 전문성이 떨어질 수도 있고, 경력정보에 누락이 발생했거나, 경력정보로 표현될 수 없는 전문영역이 있을 수 있으므로, 해당 전문가의 전문성이 평가된 정보에 비해 높을 수도 있다.

전문가에게 업무가 할당되고 전문가가 할당된 업무를 처리하면, 컴퓨터는 전문가의 업무 처리 결과를 획득할 수 있다. 일 실시예로, 업무 처리 결과는 업무 수행 결과를 정량적으로 평가하거나, 업무 수행 결과를 다른 전문가들에 의해 정성적으로 평가할 수 있다.

컴퓨터는, 업무 처리 결과에 기초하여 전문가의 전문성 평가 결과에 대한 피드백을 생성할 수 있으며, 생성된 피드백을 바탕으로 전문가의 전문성을 업데이트 할 수 있다.

컴퓨터는, 전문가 개개인별로 업데이트된 전문성 평가 결과를 바탕으로, 전문가 풀을 업데이트 할 수 있다.

전문가의 전문성 평과 결과를 업데이트 함으로써, 전문가 풀에 할당된 전문가를 체계적으로 관리할 수 있는 효과가 있다. 예를 들어, 전문성 평가 결과 해당 전문가 풀에 부적절한 경우, 컴퓨터는 해당 전문가를 전문가 풀에서 제외시킬 수 있다. 반대로, 최초에는 전문성 평가 결과가 낮아 전문가 풀에 해당하지 않았다고 하더라도, 이후 전문성 평가 결과가 높아짐에 따라 전문가 풀에 할당될 수 도 있다.

한편, 전문가의 전문성을 업데이트하는 단계에서, 컴퓨터는 상기 피드백에 기초하여 상기 학습된 모델의 추정결과를 평가할 수 있다.

예를 들어, 상술한 방법과 같이 학습된 모델을 이용하여 비정형 정보로부터 전문가의 전문성을 추정할 수 있으며, 이는 해당 전문가의 실제 업무 수행결과에 기초하여 평가될 수 있다. 추정된 전문성은 과대평가 혹은 과소평가된 것으로 평가될 수 있고, 또는 알맞게 추정된 것으로 평가될 수도 있다.

또한, 컴퓨터는 상기 추정결과에 대한 평가정보에 기초하여 상기 학습된 모델을 업데이트할 수 있다.

컴퓨터는 해당 전문가의 비정형 정보와, 실제 업무 수행결과를 포함하는 정보를 새로운 학습 데이터로 하거나, 기존의 학습 데이터에 추가하여 학습을 수행함으로써, 학습된 모델을 업데이트할 수 있다.

마찬가지로, 추정 결과 및 이에 대한 피드백에 기초하여, 컴퓨터는 강화학습을 통해 학습된 모델을 업데이트하는 것도 가능하다.

또한, 상술한 학습된 모델을 업데이트 하는 과정에서, 컴퓨터는 상기 학습된 모델을 업데이트한 결과에 따라 제1 비정형 정보와 제1 전문 분야 간의 연관성이 기 설정된 기준값을 초과하는 경우에, 상기 제1 전문 분야에 대한 정보가 상기 데이터 베이스에 저장되어 있지 않은 경우, 상기 제1 전문 분야에 대한 정보를 상기 데이터 베이스에 저장할 수 있다.

또한, 컴퓨터는 상기 학습된 모델을 업데이트한 결과에 따라 제1 비정형 정보와 제1 전문 분야 간의 연관성이 기 설정된 기준 값을 초과하는 경우에, 상기 제1 비정형 정보를 상기 제1 전문 분야에 대한 정형 정보로서 상기 데이터 베이스에 저장할 수 있다.

즉, 비정형 정보라 할지라도 해당 비정형 정보와 연관된 레퍼런스들이 충분히 쌓여서 특정 전문 분야와의 연관성을 기 설정된 기준 값 이상 확인할 수 있는 경우, 해당 비정형 정보 및 이에 대응하는 전문 분야에 대한 정보를 데이터 베이스에 추가함으로써, 해당 비정형 정보를 정형 정보로 등록할 수 있다.

예를 들어, 특정 온라인 커뮤니티 활동은 처음에는 비정형 정보로 취급될 수 있으나, 해당 온라인 커뮤니티에서 활발하게 활동한 전문가들의 전문성이 입증되는 경우, 해당 온라인 커뮤니티의 활동정보는 정형 정보로 등록될 수 있다.

또한, 데이터 베이스에 기 저장되지 않은 전문 분야의 경우에도, 하나 이상의 비정형 정보와 소정의 기준 값 이상의 연관성을 확보하는 경우, 해당 전문 분야에 대한 정보와, 이에 대응하는 비정형 정보를 정형 정보로서 데이터 베이스에 등록하는 것이 가능하다.

도 9는 일 실시 예에 따른 장치의 구성도이다.

프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 8과 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(102)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 상기 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 상기 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 상기 추출된 제1 학습용 데이터를 상기 신규 학습용 데이터로부터 삭제하고, 상기 추출된 학습용 데이터가 삭제된 상기 신규 학습용 데이터를 이용하여 상기 학습된 모델을 다시 학습시킬 수 있다.

한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (1)

1. 프로세서 및 메모리를 포함하는 컴퓨터에 의해 수행되는 방법에 있어서,
   상기 프로세서가, 복수의 전문가에 대한 복수의 전문가 정보를 수집하여 상기 메모리에 저장하는 단계(S110);
   상기 프로세서가, 상기 수집된 복수의 전문가 정보를 적어도 하나의 분류 기준에 따라 분류하는 단계(S120);
   상기 프로세서가, 상기 분류 기준에 기초하여 적어도 하나의 전문가 풀을 생성하는 단계(S130); 및
   상기 프로세서가, 상기 생성된 전문가 풀에 상기 복수의 전문가를 할당하는 단계(S140); 를 포함하고,
   상기 수집하는 단계는(S110),
   상기 프로세서가, 상기 복수의 전문가로부터 입력된 정보 또는 상기 복수의 전문가에 대하여 크롤링된 정보를 수집하여 획득하는 단계;
   상기 프로세서가, 기 저장된 데이터베이스에 기초하여 상기 데이터베이스에 저장된 정보에 대응하는 전문가 정보를 정형 정보로 분류하는 단계; 및
   상기 프로세서가, 상기 정형 정보를 제외한 상기 전문가 정보를 비정형 정보로 분류하는 단계; 를 포함하고,
   상기 전문가를 할당하는 단계는(S140),
   상기 프로세서가, 상기 생성된 전문가 풀 각각에 대응되는 전문 분야에 대하여, 상기 복수의 전문가의 전문성을 평가하는 단계(S210); 및
   상기 프로세서가, 상기 전문성 평가 결과에 기초하여, 상기 전문가의 할당 여부를 결정하는 단계(S220); 를 포함하고,
   상기 전문성을 평가하는 단계(S210)는,
   상기 프로세서가, 상기 수집된 전문가 정보를 정형 정보 및 비정형 정보로 분류하는 단계(S410);
   상기 프로세서가, 상기 정형 정보 및 상기 비정형 정보를 평가하여 상기 정형 정보 및 상기 비정형 정보에 대한 가중치를 획득하는 단계(S420);
   상기 프로세서가, 상기 가중치 및 상기 정형 정보 및 비정형 정보를 바탕으로 전문성을 평가하는 단계(S430); 를 포함하고,
   상기 분류하는 단계는(S120),
   상기 프로세서가, 상기 수집된 복수의 전문가 정보를 인공 지능 모델에 기반하여 클러스터링 하는 단계(S710);
   상기 프로세서가, 상기 클러스터링 결과에 기초하여 적어도 하나 이상의 클러스터를 획득하는 단계(S720);
   상기 프로세서가, 상기 획득된 적어도 하나 이상의 클러스터의 특성을 획득하는 단계(S730); 를 포함하고,
   상기 전문가 풀을 생성하는 단계는(S130),
   상기 프로세서가, 상기 획득된 특성에 기반하여 상기 하나 이상의 클러스터에 각각 대응하는 전문가 풀을 생성하는 단계(S740); 를 포함하고,
   상기 가중치 및 상기 정형 정보 및 비정형 정보를 바탕으로 전문성을 평가하는 단계(S430)는,
   상기 데이터베이스에 저장된 평가정보에 기반하여 상기 정형 정보를 평가하는 단계; 및
   경력정보와 각 전문분야의 전문성 간의 연관관계를 도출하도록 상기 데이터베이스에 저장된 정보에 기반하여 학습된 모델을 이용하여 상기 비정형 정보로부터 상기 전문가의 전문분야에 대한 전문성을 추정하는 단계; 를 포함하고,
   상기 전문가의 전문성 평가 결과에 기초하여 상기 전문가에게 업무를 할당하는 단계;
   상기 전문가의 업무 처리결과를 획득하는 단계;
   상기 업무 처리결과에 기초하여 상기 전문가의 전문성 평가 결과에 대한 피드백을 생성하는 단계; 및
   상기 피드백에 기초하여 상기 전문가의 전문성을 업데이트하는 단계; 를 더 포함하고,
   상기 전문성을 업데이트하는 단계는,
   상기 피드백에 기초하여 상기 학습된 모델의 추정결과를 평가하는 단계; 및
   상기 추정결과에 대한 평가정보에 기초하여 상기 학습된 모델을 업데이트하는 단계; 를 더 포함하고,
   상기 학습된 모델을 업데이트하는 단계는,
   상기 학습된 모델을 업데이트한 결과에 따라 제1 비정형 정보와 제1 전문분야 간의 연관성이 기 설정된 기준값을 초과하는 경우, 상기 제1 비정형 정보를 상기 제1 전문분야에 대한 정형 정보로서 상기 데이터베이스에 저장하고, 상기 제1 전문분야에 대한 정보가 상기 데이터베이스에 저장되어 있지 않은 경우, 상기 제1 전문분야에 대한 정보를 상기 데이터베이스에 저장하는 단계; 를 더 포함하고,
   상기 생성하는 단계는(S130),
   상기 프로세서가, 상기 정형 정보 및 상기 비정형 정보를 평가하여 상기 정형 정보 및 상기 비정형 정보에 대한 가중치를 획득 하는 단계(S510);
   상기 프로세서가, 상기 획득된 가중치 및 상기 전문가 정보를 바탕으로 적어도 하나의 전문가 풀을 생성하는 단계(S520); 를 포함하는 전문가 플랫폼의 전문가 풀 관리 방법.
   
   

Images