KR20200108521A - 전자 장치 및 이의 제어 방법 - Google Patents

전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
KR20200108521A
KR20200108521A KR1020190024874A KR20190024874A KR20200108521A KR 20200108521 A KR20200108521 A KR 20200108521A KR 1020190024874 A KR1020190024874 A KR 1020190024874A KR 20190024874 A KR20190024874 A KR 20190024874A KR 20200108521 A KR20200108521 A KR 20200108521A
Authority
KR
South Korea
Prior art keywords
monthly
sales
products
artificial intelligence
product
Prior art date
Application number
KR1020190024874A
Other languages
English (en)
Inventor
김하영
강서영
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190024874A priority Critical patent/KR20200108521A/ko
Priority to PCT/KR2019/018493 priority patent/WO2020179995A1/ko
Priority to US17/432,802 priority patent/US20220129924A1/en
Publication of KR20200108521A publication Critical patent/KR20200108521A/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions

Landscapes

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

Abstract

전자 장치 및 이의 제어 방법이 제공된다. 본 전자 장치는 제1 인공지능 모델 및 제2 인공지능 모델이 저장된 메모리 및 제1 인공지능 모델을 이용하여 현재 시점 이후의 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하고, 제2 인공지능 모델을 이용하여 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 인공지능 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하며, 획득된 데이터를 바탕으로 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출하는 프로세서;를 포함한다.

Description

전자 장치 및 이의 제어 방법 {ELECTRONIC APPARATUS AND CONTROLLING METHOD THEREOF}
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 더욱 상세하게는 제품의 판매와 관련된 다양한 데이터를 이용하여 제품의 판매 비율을 예측하는 전자 장치 및 이의 제어 방법에 관한 것이다.
또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.
오늘날 소비자의 니즈(needs)가 다양해짐에 따라 다양한 전자 제품이 출시되고 있으며, 새로운 전자 제품의 출시 및 판매 주기도 짧아지고 있다.
이에 따라, 경제적, 효율적으로 제품을 판매, 유통하기 위하여는 제품의 판매량을 정확히 예측하고 그에 따라 제품을 생산하도록 하는 기술이 요구되고 있다.
반면, 오늘날 전자 상거래의 발달로 판매 경로, 판매 전략, 판매 가격 등이 다양해짐에 따라 대량의 판매 데이터가 축적되고 있으며, 축적된 데이터를 기초로 제품의 판매 및 공급망 관리 기술이 더욱 복잡해지고 있다.
한편, 근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
이와 같이 인공 지능 기술이 적용되는 분야가 다양해지고, 제품의 판매 및 공급망 관리가 복잡해짐에 따라, 인공 지능 기술을 제품의 판매 및 공급망 관리 시스템에 적용하려는 시도가 등장하고 있다.
본 개시는 상술한 니즈에 따라 안출된 것으로, 본 개시의 목적은 제품의 판매와 관련된 다양한 데이터를 이용하여 학습된 인공지능 모델을 기반으로 좀 더 효율적이고 정확하게 현재 이후의 제품의 판매량 또는 판매 비율을 예측할 수 있는 전자 장치 및 그의 제어 방법을 제공함에 있다.
본 개시의 일 실시 예에 따른 전자 장치는, 제1 인공지능 모델 및 제2 인공지능 모델이 저장된 메모리; 및 현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터를 상기 제1 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 상기 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하고, 현재 시점 이전의 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터를 상기 제2 인공지능 모델의 입력으로 하여, 상기 현재 시점 이후의 특정 기간 내의 상기 복수의 제품의 전체 예측 판매량에 대한 상기 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하고, 상기 획득된 데이터를 바탕으로 상기 특정 기간에서 상기 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출하는 프로세서;를 포함한다.
여기에서, 제1 인공지능 모델은, 상기 제2 인공지능 모델과 다른 신경망 모델을 포함할 수 있다.
그리고, 상기 제1 인공지능 모델은, 특정 월에서의 상기 복수의 제품의 판매량에 대한 상기 각 제품의 판매 비율과 관련된 데이터 및 상기 특정 월 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량에 대한 상기 각 제품의 월별 판매 비율과 관련된 데이터에 기초하여, 상기 특정 기간 내의 각 제품의 월별 판매 비율을 예측하도록 학습된 모델일 수 있다.
또한, 상기 복수의 제품 각각의 월별 판매 비율과 관련된 데이터는, 상기 일정 기간 동안 각 제품의 월별 판매 비율, 상기 일정 기간 동안 판매처에 월별로 판매한 상기 각 제품의 판매 비율 및 상기 판매처에서 상기 월별로 판매될 것으로 전망한 상기 각 제품의 판매 비율 중 적어도 하나를 나타내는 데이터를 포함할 수 있다.
그리고, 상기 제2 인공지능 모델은, 특정 년 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터에 기초하여 상기 특정 기간 내의 상기 복수의 제품의 월별 판매 비율을 예측하도록 학습될 수 있다.
또한, 상기 제1 인공지능 모델로부터 획득된 상기 특정 기간 내의 상기 각 제품의 월별 예측 판매 비율을 상기 제2 인공지능 모델로부터 획득된 상기 복수의 제품의 월별 예측 판매 비율에 곱하여, 상기 특정 기간에서 상기 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출할 수 있다.
그리고, 상기 제1 모델은, CNN(Convolution Neural Network)에 기반한 모델을 포함하고, 상기 제2 모델은, RNN(Recurrent Neural Network)에 기반한 모델을 포함할 수 있다.
한편, 본 개시의 또 다른 실시 예에 따른 전자 장치의 제어 방법은, 현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터를 제1 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 상기 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하는 단계; 현재 시점 이전의 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터를 제2 인공지능 모델의 입력으로 하여, 상기 현재 시점 이후의 특정 기간 내의 상기 복수의 제품의 전체 예측 판매량에 대한 상기 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하는 단계; 및 상기 획득된 데이터를 바탕으로 상기 특정 기간에서 상기 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 인공지능 판매 비율을 산출하는 단계;를 포함한다.
여기에서, 제1 인공지능 모델은, 상기 제2 인공지능 모델과 다른 신경망 모델을 포함할 수 있다.
그리고, 상기 제1 인공지능 모델은, 특정 월에서의 상기 복수의 제품의 판매량에 대한 상기 각 제품의 판매 비율과 관련된 데이터 및 상기 특정 월 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량에 대한 상기 각 제품의 월별 판매 비율과 관련된 데이터에 기초하여, 상기 특정 기간 내의 각 제품의 월별 판매 비율을 예측하도록 학습된 모델일 수 있다.
그리고, 상기 복수의 제품 각각의 월별 판매 비율과 관련된 데이터는, 상기 일정 기간 동안 각 제품의 월별 판매 비율, 상기 일정 기간 동안 판매처에 월별로 판매한 상기 각 제품의 판매 비율 및 상기 판매처에서 상기 월별로 판매될 것으로 전망한 상기 각 제품의 판매 비율 중 적어도 하나를 나타내는 데이터를 포함할 수 있다.
또한, 상기 제2 인공지능 모델은, 특정 년 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터에 기초하여 상기 특정 기간 내의 상기 복수의 제품의 월별 판매 비율을 예측하도록 학습될 수 있다.
그리고, 상기 제1 인공지능 모델로부터 획득된 상기 특정 기간 내의 상기 각 제품의 월별 예측 판매 비율을 상기 제2 인공지능 모델로부터 획득된 상기 복수의 제품의 월별 예측 판매 비율에 곱하여, 상기 특정 기간에서 상기 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출하는 단계;를 더 포함할 수 있다.
또한, 상기 제1 모델은, CNN(Convolution Neural Network)에 기반한 모델을 포함하고, 상기 제2 모델은, RNN(Recurrent Neural Network)에 기반한 모델을 포함할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 도면,
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도,
도 3(a) 및 도 3(b)는 제1 인공지능 모델의 학습 데이터를 설명하기 위한 도면,
도 4(a) 및 도 4(b)는 제2 인공지능 모델의 학습 데이터를 설명하기 위한 도면,
도 5는 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 도면,
도 6은 학습된 제1 인공지능 모델로부터 획득된 데이터를 설명하기 위한 도면,
도 7은 학습된 제2 인공지능 모델로부터 획득된 데이터를 설명하기 위한 도면,
도 8은 학습된 제1 및 제2 인공지능 모델로부터 획득된 데이터를 기초로 생성된 데이터를 설명하기 위한 도면,
도 9는 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 도면,
도 10은 인공지능 모델을 학습하고 이용하기 위한 전자 장치를 설명하기 위한 블록도,
도 11 및 도 12는 본 개시의 일 실시 예에 따른 학습부 및 분석부를 설명하기 위한 블록도, 및
도 13은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.
본 개시에서 "a, b 또는 c 중 적어도 하나"는 a만, b만, c만, a 와 b 모두, a와 c 모두, b와 c 모두, a, b 및 c 모두 또는 이들의 변형을 나타내는 것으로 해석될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하에서는 본 개시의 다양한 실시 예에 따른, 복수의 제품의 판매 비율을 예측하는 전자 장치에 대하여 설명하도록 한다.
도 1은 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 도면이다.
전자 장치(100)는 인공지능 모델을 이용하여 현재 시점 이후의 특정 기간내의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출하고, 도 1에 도시된 바와 같이, 이를 나타낼 수 있다. 이를 위해, 전자 장치(100)는 산출된 판매 비율을 표시하기 위한 디스플레이(미도시)를 구비할 수 있다.
여기에서, 복수의 제품은, 사용자가 판매하는 제품 또는 사용자가 판매하고자 하는 제품을 나타내는 것으로, 제품의 크기, 형태, 칼라 등과 같은 사양 또는 제품의 식별 번호에 따라 서로 다른 제품으로 구분될 수 있다. 가령, 사용자가 TV를 판매하는 경우, 동일한 TV라고 하더라도, HD(High Definition) TV, UHD(Ultra High Definition) TV, Full HD TV, LED(Light Emitting Diode) TV, QLED(Quantum dot Light Emitting Diode) TV는 서로 다른 제품으로 구분될 수 있다. 또한, 동일한 HD TV라고 하더라도, 디스플레이의 크기에 따라, HD 32, HD 43, HD 55 등 서로 다른 제품으로 구분될 수 있다.
구체적으로, 전자 장치(100)는 복수의 제품의 월별 판매 비율과 관련된 데이터를 기초로 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 판매 비율을 예측하도록 학습된 인공지능 모델을 이용하여, 현재 시점 이후의 특정 기간 동안 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 판매 비율을 예측할 수 있다.
예를 들어, 전자 장치(100)는 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 판매 비율을 예측하도록 학습된 인공지능 모델을 이용하여, 현재 시점 이후의 시간인 2019년 2월에 예측된 복수의 TV 제품의 판매량을 1이라 할 때, 32인치 HD TV를 나타내는 HD 32의 2019년 2월 예측 판매량은 0.02, 43인치 HD TV를 나타내는 HD 43의 2019년 2월 예측 판매량은 0.03, 55인치 LED TV인 LED 55의 2019년 2월 예측 판매량은 0.3 등과 같이, 각 제품의 월별 판매 비율을 판단할 수 있다.
한편, 전자 장치(100)는 복수의 제품의 전체 판매량에 대한 복수의 제품의 월별 판매 비율을 예측하도록 학습된 인공지능 모델을 이용하여, 현재 시점 이후의 특정 기간 동안의 복수의 제품 전체 판매량에 대한 복수의 제품의 월별 판매 비율을 예측할 수 있다. 가령, 사용자가 2019년 1월에 판매할 복수의 TV 제품의 판매량이 100만대로 예측되고, 2019년 전체 판매량이 1000만대로 예측되는 경우, 전자 장치(100)는 복수의 TV 제품의 1월 판매 비율을 100/1000 = 0.1로 산출할 수 있다.
그리고, 전자 장치(100)는 학습된 인공지능 모델들을 이용하여 예측된 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율 및 특정 기간내의 복수의 제품 전체의 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 기초로, 특정 기간내의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출할 수 있다. 여기에서, 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율은 특정 기간 내의 복수의 제품의 전체 예측 판매량을 1이라 할 경우, 각 제품의 월별 예측 판매량을 나타낸다.
예를 들어, 복수의 제품의 2019년 1월 예측 판매량에 대한 LED 55의 2019년 1월 예측 판매 비율이 0.02이고, 2019년 1월부터 2019년 12월까지의 복수의 제품 전체의 예측 판매량에 대한 복수의 제품의 1월 판매 비율이 0.2이라고 가정하자. 이 경우 전자 장치(100)는 2019년 1월부터 2019년 12월까지의 복수의 제품의 전체 판매량을 1로 할 경우, 2019년 1월의 LED 55의 판매 비율이 0.02 X 0.2 = 0.004임을 산출할 수 있다.
그리고, 전자 장치(100)는 도 1에 도시된 바와 같이, 산출된 특정 기간내의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 그래프의 형태로 나타낼 수 있다. 이때, 전자 장치(100)는 서로 다른 제품에 대하여 서로 다른 식별 표시를 하여, 사용자가 각 제품별로 각 제품의 월별 예측 판매 비율을 용이하게 판단할 수 있도록 할 수 있다.
한편, 도 1에는 특정 기간내의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율이 막대 그래프의 형태로 표시된 것으로 도시하였으나, 반드시 이에 한하는 것은 아니다. 특정 기간내의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율은 표, 원그래프 등과 같이 다양한 형태로 도시될 수 있다.
한편, 전자 장치(100)는 학습된 인공지능 모델을 이용하여 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출할 수 있는 모든 물품이 될 수 있다. 가령, 전자 장치(100)는 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), TV, 데스크톱 PC(desktop personal computer), 랩톱 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에 따르면, 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식형(예: implantable circuit) 중 적어도 하나를 포함할 수 있다.
본 개시의 다양한 실시 예에 따른 전자 장치(100)는 학습된 인공지능 모델을 이용하여, 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출할 수 있다. 이하, 도 2를 참조하여 본 개시의 일 실시 예에 따른 전자 장치(100)를 설명하도록 한다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 2를 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.
메모리(110)는 예를 들면, 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는, 예를 들면, 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나를 포함할 수 있다.
외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 또는 메모리 스틱(memory stick) 등을 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 전자 장치(100)와 기능적으로 및/또는 물리적으로 연결될 수 있다.
메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(예를 들어, micro SD 카드, 메모리 스틱) (미도시)를 포함할 수 있다.
메모리(110)는 제1 인공지능 모델 및 제2 인공지능 모델을 저장할 수 있다.
본 개시에서 설명되는 인공지능 모델은 인공지능 알고리즘 기반으로 학습된 판단 모델로서, 예로, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 학습된 인공지능 모델은 인간의 뇌 구조를 컴퓨터상에서 모의하도록 설계될 수 있으며 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 또한, 학습된 인공지능 모델은, 일 예로, 신경망 모델, 또는 신경망 모델에서 발전한 딥 러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다.
메모리(110)에 저장된 인공지능 모델들 중 제1 인공지능 모델(111)은, 과거의 특정 월에서의 각 제품의 판매 비율을 나타내는 데이터를 기초로 학습된 모델일 수 있다.
제1 인공지능 모델(111)은, 과거의 특정 월에서의 각 제품의 판매 비율과 관련된 데이터 및 그보다 더 이전 과거의 각 제품의 판매 비율 데이터를 이용하여 학습될 수 있다.
구체적으로, 제1 인공지능 모델(111)은, 특정 월에서의 복수의 제품의 판매량에 대한 각 제품의 판매 비율을 나타내는 데이터 및 특정 월 이전의 과거 일정 기간 동안 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율과 관련된 데이터에 기초하여, 특정 기간 내의 각 제품의 월별 판매 비율을 예측하도록 학습된 모델일 수 있다.
이와 관련하여, 도 3(a) 및 도 3(b)는 본 개시의 일 실시 예에 따른 제1 인공지능 모델의 학습 데이터를 설명하기 위한 도면이다.
구체적으로, 도 3(a)는 특정 월 이전의 과거 일정 기간 동안 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율과 관련된 데이터로, 제1 인공지능 모델(111)의 학습을 위해 제1 인공지능 모델(111)에 입력되는 학습 데이터를 나타내는 도면이고, 도 3(b)는 특정 월에서의 복수의 제품의 판매량에 대한 각 제품의 판매 비율을 나타내는 데이터로, 제1 인공지능 모델(111)이 도 3(a)의 학습 데이터로 학습한 결과 출력되는 데이터를 나타내는 도면이다.
또한, 도 3(a)에서의 data Ⅰ, Ⅱ 및 Ⅲ은 과거의 복수의 제품의 판매 비율과 관련된 데이터일 수 있다.
구체적으로, data Ⅰ은 판매자(또는 사용자)가 판매한 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율 데이터, data Ⅱ는 판매자(또는 사용자)가 복수의 판매처(예를 들면, 법인 유통업체)에 판매한 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율 데이터 및 data Ⅲ은 판매자(또는 사용자)가 복수의 판매처에 월별로 판매될 것으로 전망한 각 제품의 판매 비율 데이터를 나타낼 수 있다. 다만, 이는 일 예일 뿐이며, 반드시 이에 한하는 것은 아니다. 즉, 복수의 제품의 판매 비율과 관련된 다양한 데이터라면 제1 인공지능 모델(111)의 학습 데이터로 사용될 수 있다.
그리고, 도 3(b)의 data Ⅰ은 도 3(a)의 data Ⅰ의 판매자(또는 사용자)가 판매한 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율 데이터를 나타낼 수 있다.
즉, 제1 인공지능 모델(111)은 도 3(a)의 2017년 8월 내지 2017년 10월의 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율과 관련된 데이터에 기초하여, 도 3 (b)의 2017년 11월의 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율을 예측하도록 학습될 수 있다. 이때, 2017년 11월은 현재 시점을 기준으로 과거이며, 2017년 11월의 데이터는 이미 생성된 데이터이다. 즉, 2017년 11월의 각 제품의 월별 판매 비율에 관한 데이터는 이미 존재한다는 점에서, 제1 인공지능 모델(111)은 2017년 8월 내지 2017년 10월의 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율과 관련된 데이터 및 2017년 11월의 각 제품의 월별 판매 비율에 관한 데이터 간의 상관 관계를 학습할 수 있다.
한편, 도 3(a)에는 2017년 8월 내지 2017년 10월의 데이터만이 도시되어 있으나, 반드시 이에 한하는 것은 아니며, 제1 인공지능 모델(111)은 2017년 8월 이전의 데이터 또는 2017년 10월 이후의 데이터를 이용할 수도 있다. 그리고, 제1 인공지능 모델(111)의 학습 데이터로 다른 기간에서의 각 제품의 월별 판매 비율과 관련된 데이터가 사용될 수 있으며, 3개월 기간이 아닌 그 이상의 기간 동안 또는 그 이하의 기간 동안의 데이터가 사용될 수도 있다.
예를 들어, 제1 인공지능 모델(111)은 2017년 7월 내지 2017년 9월의 복수의 TV 판매량에 대한 각 제품(가령, UHD 55, UHD 60, LED 65, LED 75 등)의 월별 판매 비율과 관련된 데이터를 기초로, 2017년 10월의 복수의 TV 판매량에 대한 각 제품의 월별 판매 비율과 2017년 7월 내지 2017년 9월의 복수의 TV 판매량에 대한 각 제품의 월별 판매 비율 간의 상관관계를 학습할 수 있다.
마찬가지로, 제1 인공지능 모델(111)은 2017년 6월 내지 2017년 8월의 복수의 TV 판매량에 대한 각 제품(가령, UHD 55, UHD 60, LED 65, LED 75 등)의 월별 판매 비율과 관련된 데이터를 기초로, 2017년 9월의 복수의 TV 판매량에 대한 각 제품의 월별 판매 비율과 2017년 6월 내지 2017년 8월의 복수의 TV 판매량에 대한 각 제품의 월별 판매 비율 간의 상관관계를 학습할 수 있다.
이와 같이, 제1 인공지능 모델(111)은 과거의 특정 월 이전의 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율과 관련된 데이터 및 과거의 특정 월에서의 복수의 제품의 판매량에 대한 각 제품의 판매 비율을 나타내는 데이터를 기초로 학습될 수 있다.
한편, 메모리(110)에 저장된 인공지능 모델들 중 제2 인공지능 모델(112)는, 과거의 복수의 제품의 월별 판매량을 나타내는 데이터를 기초로 학습된 모델일 수 있다.
제2 인공지능 모델(112)은, 과거의 특정 월에서의 복수의 제품의 월별 판매량 데이터 및 그보다 더 이전 과거의 복수의 제품의 월별 판매량 데이터를 이용하여 학습될 수 있다.
구체적으로, 제2 인공지능 모델(112)은, 특정 년에서의 복수의 제품의 월별 판매량 및 특정 년 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터에 기초하여 특정 기간 내의 복수의 제품의 월별 판매 비율을 예측하도록 학습된 모델일 수 있다.
이와 관련하여, 도 4(a) 및 도 4(b)는 본 개시의 일 실시 예에 따른 제2 인공지능 모델의 학습 데이터를 설명하기 위한 도면이다.
도 4(a) 특정 년도 이전의 과거 일정 기간 동안 복수의 제품의 월별 판매량을 나타내는 데이터로, 제2 인공지능 모델(112)의 학습을 위해 제2 인공지능 모델(112)에 입력되는 학습 데이터를 나타낸 도면이고, 도 4(b)는 특정 기간 내의 복수의 제품의 월별 판매량 및 월별 판매 비율을 나타내는 데이터로, 제2 인공지능 모델(112)이 도 4(a)의 학습 데이터로 학습한 결과 출력되는 데이터를 나타낸 도면이다.
예를 들어, 제2 인공지능 모델(112)은 도 4(a)의 2016년도 및 2017년도의 복수의 제품의 월별 판매량에 관한 데이터에 기초하여, 도 4(b)의 2018년 1월부터 12월까지의 복수의 제품의 월별 판매 비율을 예측하도록 학습될 수 있다. 이때, 2018년 1월부터 12월까지의 기간은 현재 시점을 기준으로 과거일 수 있다. 즉, 2018년 1월부터 12월까지의 각 제품의 월별 판매량 및 월별 판매 비율과 관련된 데이터가 이미 존재한다는 점에서, 제2 인공지능 모델(112)는 2016년도 및 2017년도의 복수의 제품의 월별 판매량에 대한 데이터와 2018년 1월부터 12월까지의 각 제품의 월별 판매량과 관련된 데이터 간의 상관 관계를 학습할 수 있다.
한편, 도 4(a)에는 2016년 및 2017년도의 복수의 제품의 월별 판매량에 관한 데이터만이 도시되어 있으나, 반드시 이에 한하는 것은 아니며, 제2 인공지능 모델(112)은 2016년 이전의 데이터 또는 2018년 이후의 데이터를 이용하여 학습될 수도 있음은 물론이다. 또한, 제2 인공지능 모델(112)의 학습데이터로는 2년 분량의 데이터뿐 만 아니라 그 이상의 데이터가 사용될 수도 있다.
예를 들어, 제2 인공지능 모델(112)은 2014년 및 2015년의 복수의 제품의 월별 판매량에 관한 데이터를 기초로, 2016년의 복수의 제품의 월별 판매량을 예측하도록 학습될 수 있다.
이와 같이, 제2 인공지능 모델(112)은 특정 년도 이전의 과거 일정 기간 동안 복수의 제품의 월별 판매량을 나타내는 데이터 및 복수의 제품의 월별 판매량을 나타내는 데이터를 기초로 학습될 수 있다.
한편, 제1 인공지능 모델은 제2 인공지능 모델과 다른 신경망 모델을 포함할 수 있다. 구체적으로, 제1 인공지능 모델은 CNN(Convolution Neural Network)에 기반한 인공지능 모델을 포함하고, 제2 인공지능 모델은 RNN(Recurrent Neural Network)에 기반한 인공지능 모델을 포함할 수 있다. 특히, 특정 기간 내의 복수의 제품의 월별 판매 비율과 같이 시간에 따라 변하는 데이터를 얻기 위해 제2 인공 지능 모델이 이용되는데, 따라서, 제2 인공지능 모델은 시변적 특징을 가지는 데이터를 처리하는 RNN 기반 인공지능 모델을 포함할 수 있다.
다만, 이는 일 실시 예이며, 제1 인공지능 모델 또한 RNN에 기반한 인공지능 모델일 수 있다. 또한, 제2 인공지능 모델 또한 반드시 RNN에 기반한 인공지능 모델이여야 하는 것은 아니다. 즉, 제1 인공지능 모델 및 제2 인공지능 모델은 다양한 뉴럴 네트워크(Neural Network)에 기반한 인공지능 모델일 수 있다.
그 밖에, 메모리(110)는 제1 인공지능 모델(111) 및 제2 인공지능 모델(112)을 학습시키기 위한 복수의 학습 데이터가 저장되어 있을 수도 있다.
한편, 프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어할 수 있다. 예를 들면, 프로세서(120)는 운영 체제 또는 응용 프로그램을 구동하여 프로세서(120)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(120)는 CPU(central processing unit) 또는 GPU(graphics-processing unit)이거나 둘 다일 수 있다. 프로세서(120)는 적어도 하나의 범용 프로세서(general processor), 디지털 신호 프로세서(digital signal processor), ASIC(Application specific integrated circuit), SoC(system on chip), MICOM(Microcomputer) 등으로 구현될 수 있다.
도 5을 참조하면, 프로세서(120)는 현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터(111-1)를 제1 인공지능 모델(111)의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율(111-2)을 나타내는 데이터를 획득할 수 있다.
상술한 바와 같이 제1 인공지능 모델(111)은 과거의 특정 월에서의 각 제품의 판매 비율과 관련된 데이터를 얻기 위하여, 그보다 더 이전 과거의 각 제품의 판매 비율 데이터를 이용하여 학습하는 모델이라는 점에서, 프로세서(120)는 현재 시점 이후의 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하기 위하여, 상기 특정 기간 이전 또는 현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터를 제1 인공지능 모델의 입력으로 할 수 있다.
여기에서, 복수의 제품 각각의 월별 판매 비율과 관련된 데이터는, 일정 기간 동안 각 제품의 월별 판매 비율, 일정 기간 동안 판매처에 월별로 판매한 각 제품의 판매 비율 및 판매처에서 월별로 판매될 것으로 전망한 각 제품의 판매 비율 중 적어도 하나를 나타내는 데이터를 포함할 수 있다.
일정 기간 동안 각 제품의 월별 판매 비율 데이터는 일 예로, 도 3에서 상술한 data Ⅰ과 대응되는 데이터일 수 있으며, 일정 기간 동안 판매처에 월별로 판매한 각 제품의 판매 비율 데이터는 일 예로, 도 3에서 상술한 data Ⅱ와 대응되는 데이터일 수 있고, 판매처에서 월별로 판매될 것으로 전망한 각 제품의 판매 비율 중 적어도 하나를 나타내는 데이터는 일 예로, 도 3에서 상술한 data Ⅲ과 대응될 수 있다.
예를 들어, 2018년 12월이 현재 시점이라고 가정하자. 프로세서(120)는 현재 시점 이후의 2019년 1월의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 획득하기 위하여, 2018년 12월, 2018년 11월, 2018년 10월 등 현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터(즉, 현재 시점 이전의 data Ⅰ, Ⅱ 및 Ⅲ 데이터)를 제1 인공지능 모델(111)의 입력으로 할 수 있다.
그리고, 프로세서(120)는 학습된 제1 인공지능 모델(111)로부터 현재 시점 이후인 2019년 1월 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 획득할 수 있다.
이와 관련하여, 도 6은 학습된 제1 인공지능 모델(111)로부터 획득된 2019년 1월 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율 데이터를 나타낸다.
도 6을 참조하면, 프로세서(130)는 학습된 제1 인공지능 모델(111)로부터 2019년 1월 UHD 55의 예측 판매 비율은 0.05, 2019년 1월 UHD 60의 예측 판매 비율은 0.035, 2019년 1월 LED 67의 예측 판매 비율은 0.06, 2019년 1월 QLED 105의 예측 판매 비율은 0.0002라는 데이터를 획득할 수 있다. 여기에서, 2019년 1월의 복수의 제품의 판매 비율의 합은 1이 될 수 있다.
다시 도 5로 돌아가서, 프로세서(120)는 제2 인공지능 모델을 이용하여 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득할 수 있다.
구체적으로, 프로세서(120)는 현재 시점 이전의 일정 기간 동안 복수의 제품의 월별 판매량을 나타내는 데이터를 제2 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매량을 나타내는 데이터를 획득할 수 있으며, 획득된 데이터를 통하여 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 비율을 나타내는 데이터를 산출할 수 있다.
가령, 현재 시점이 2018년 12월이라고 가정하자. 프로세서(120)는 현재 시점 이전의 일정 기간(가령, 2017년 1월 내지 12월, 2016년 1월 내지 12월) 동안 복수의 제품의 월별 판매량을 나타내는 데이터를 제2 인공지능 모델(112)의 입력으로 할 수 있다.
그리고, 프로세서(120)는 학습된 제2 인공지능 모델(112)로부터 현재 시점 이후인 2019년 1월부터 12월까지의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득할 수 있다.
도 7을 참조하면, 프로세서(120)가 학습된 제2 인공지능 모델(112)로부터 획득한 2019년 1월부터 12월까지의 복수의 제품의 월별 예측 판매량, 복수의 제품의 전체 예측 판매량, 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터가 도시되어 있다.
프로세서(120)는 도 4에서 설명한 제2 인공지능 모델(112)로부터 2019년 1월부터 12월까지의 복수의 제품의 월별 예측 판매 비율을 획득할 수 있다.
구체적으로, 도 4에서 상술한 바와 같이, 학습된 제2 인공지능 모델(112)은 2019년 이전의 복수의 제품의 월별 예측 판매량 데이터를 기초로 2019년 1월부터 12월까지 복수의 제품의 월별 예측 판매량을 획득하고, 획득한 월별 예측 판매량을 기초로 2019년의 전체 예측 판매량을 산출할 수 있다. 이에 따라, 프로세서(120)는 제2 인공지능 모델(112)로부터 2019년의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득할 수 있다.
한편, 상술한 예시에서 특정 기간 및 일정 기간을 특정 년도의 1월부터 12월로 하여 서술하였으나, 반드시 이에 한하는 것은 아니다. 가령, 프로세서(120)는 제2 인공지능 모델(112)로부터 2019년 3월부터 2020년 2월까지의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득할 수도 있다.
다시 도 5를 참조하면, 프로세서(120)는 제1 모델로부터 획득한 현재 시점 이후의 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터 및 제2 모델로부터 획득한 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 기초로, 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출할 수 있다.
구체적으로, 프로세서(120)는 제1 인공지능 모델(111)로부터 획득된 특정 기간 내의 각 제품의 월별 예측 판매 비율을 제2 인공지능 모델로부터 획득한 복수의 제품의 월별 예측 판매 비율에 곱하여, 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출할 수 있다.
구체적으로, 제1 인공지능 모델(111)로부터 획득된 복수의 제품의 월별 예측 판매량에 대한 특정 기간 내의 각 제품의 월별 예측 판매 비율은 복수의 제품의 월별 예측 판매량을 기준으로 획득된 비율 값이라는 점에서, 복수의 제품의 월별 예측 판매량의 비율을 1로 볼 수 있다. 그리고, 제2 인공지능 모델(112)로부터는 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율이 출력된다는 점에서, 프로세서(120)는 제1 인공지능 모델(111)로부터 획득된 데이터와 제2 인공지능 모델(112)로부터 획득된 데이터를 곱하여 전체 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 얻을 수 있게 된다.
이와 관련하여, 도 8은 본 개시의 일 실시 예에 따라 획득된 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 설명하기 위한 도면이다.
예를 들어, 도 8에 도시된 바와 같이, 프로세서(120)는 2019년 1월부터 12월까지의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출할 수 있다. 그리고, 프로세서(120)가 2019년 1월부터 12월까지의 복수의 제품의 전체 예측 판매량을 기준으로 산출하였다는 점에서, 2019년 1월부터 12월까지의 각 제품의 월별 예측 판매 비율의 합은 1일 될 수 있다.
이때, 도 8에서의 2019년 각각의 월에 속한 복수의 제품 각각의 예측 판매 비율의 합은, 제2 인공지능 모델에 의해 획득된 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율과 동일한 값이 될 수 있다. 가령, 도 8의 2019년 1월의 UHD 55 의 비율 0.002, UHD 60의 비율 0.003,…, QLED 77의 비율 0.002, 및 QLED 105의 비율 0.00002 의 합은 도 7에서 획득된 2019년 1월의 예측 판매 비율 0.1과 같을 수 있다.
한편, 본 개시의 일 실시 예에 따라 프로세서(120)는 판매와 관련된 데이터로부터 제1 인공지능 모델(111)의 입력 데이터인 현재 시점 이전의 일정 기간 동안의 복수의 제품 각각의 데이터(111-1) 및 제2 인공지능모델(112)의 입력 데이터인 현재 시점 이전의 일정 기간 동안 복수의 제품의 월별 판매량 데이터(112-1)를 획득할 수 있다.
여기에서, 판매와 관련된 데이터는 과거 판매량 데이터, 판매량 예측 데이터를 비롯하여 타사 데이터(third party data), 거시경제 데이터(Macroeconomic data), 마케팅/전략 활동(Marketing/Strategy Activities) 데이터, 가격 책정 계획(Priceing plans) 데이터 등 다양한 데이터가 포함될 수 있다.
이때, 판매와 관련된 데이터는 전자 장치(100)의 메모리(110)에 저장된 데이터이거나, 전자 장치(100)가 통신부(미도시)를 통하여 다른 전자 장치(미도시)로부터 수신한 데이터일 수 있다.
이와 관련하여, 도 9는 본 개시의 일 실시 예에 따른 전자 장치를 설명하기 위한 도면이다.
우선, 프로세서(120)는 판매와 관련된 데이터를 전처리(preprocess) 할 수 있다(S910). 이때 프로세서(120)는 전처리 모듈을 이용하여 판매와 관련된 데이터를 전처리할 수 있다.
프로세서(120) 전처리 모듈(미도시)을 이용하여 판매와 관련된 데이터에 대하여 데이터 정제(data cleaning), 데이터 통합(data integration), 데이터 정리(data reduction) 및 데이터 변환(data transformation) 등을 수행하여 판매와 관련된 데이터를 전처리할 수 있다. 이와 관련하여, 데이터 정제(data cleaning), 데이터 통합(data integration), 데이터 정리(data reduction) 및 데이터 변환(data transformation) 등의 데이터 전처리 기술은 널리 알려진 기술이라는 점에서 구체적인 설명은 생략하도록 한다.
구체적으로, 프로세서(120)는 전처리 모듈(미도시)를 이용하여 판매와 관련된 데이터로부터 제품명, 식별번호, 사이즈, 색깔, 판매량, 판매기간, 판매 이벤트 등의 변수에 관한 정보를 획득할 수 있으며, 획득된 변수에 관한 정보에 대하여, 데이터 정제(data cleaning), 데이터 통합(data integration), 데이터 정리(data reduction) 및 데이터 변환(data transformation) 등을 수행하여 현재 시점 이전의 일정 기간 동안의 복수의 제품 각각의 데이터(111-1) 및 현재 시점 이전의 일정 기간 동안 복수의 제품의 월별 판매량 데이터(112-1)에 사용되는 변수 및 변수에 관한 정보를 획득할 수 있다. 그리고, 프로세서(120)는 획득된 변수 및 변수에 관한 정보를 기초로, 현재 시점 이전의 일정 기간 동안의 복수의 제품 각각의 데이터(111-1) 및 현재 시점 이전의 일정 기간 동안 복수의 제품의 월별 판매량 데이터(112-1)를 획득할 수 있다(S920 및 S940).
프로세서(120)는 획득된 현재 시점 이전의 일정 기간 동안의 복수의 제품 각각의 데이터(111-1)을 제1 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율과 관련된 데이터를 획득할 수 있다(S930).
프로세서(120)는 현재 시점 이전의 일정 기간 동안 복수의 제품의 월별 판매량 데이터(112-1)를 제2 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율과 관련된 데이터를 획득할 수 있다(S950).
그리고, 프로세서(120)는 S930 및 S950 단계에서 획득된 데이터를 이용하여, 현재 시점 이후의 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율 데이터를 획득할 수 있다(S960).
S930, S950 및 S960 에서 획득된 데이터에 관한 설명은 도 5 내지 도 8의 설명과 중복되는바, 설명의 편의상 이에 대한 구체적인 설명은 생략하기로 한다.
프로세서(120)는 S960에서 획득된 현재 시점 이후의 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율 데이터를 기 설정된 값과 비교할 수 있다(S970). 여기에서, 기 설정된 값은 사용자가 입력한 각 제품의 월별 예측 판매 비율이 될 수 있다.
프로세서(120)는 S960에서 획득된 현재 시점 이후의 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율 데이터를 기 설정된 값과 비교할 수 있다(S970). 여기에서, 기 설정된 값은 사용자에 의해 설정된 값으로, 사용자가 현재 시점 이후의 특정 기간 동안 판매하고자 하는, 특정 기간 동안의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율이 될 수 있다.
프로세서(120)는 S960에서 획득된 현재 시점 이후의 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율 데이터가 기 설정된 값 이상인 경우, 획득된 현재 시점 이후의 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율 데이터를 출력할 수 있다(S980).
한편, S960에서 획득된 현재 시점 이후의 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율 데이터가 기 설정된 값 이하인 경우, 프로세서(120)는 판매와 관련된 데이터를 변경할 수 있다(S990).
구체적으로, 프로세서(120)는 메모리(110)에 저장되어 있으나 전처리 과정에서 사용되지 않은 다른 데이터를 판매와 관련된 데이터로 추가하거나 외부로부터 판매와 관련된 데이터를 추가적으로 획득할 수 있다.
예를 들어, 현재 시점 이후의 특정 기간 내에 올림픽과 같은 스포츠 행사가 개최되어 특정 월에 TV의 매출이 증가할 것으로 예측되는 상황을 반영하여 기 설정된 값이 설정되었다고 가정한다.
이 경우, 전자 장치(100)의 제1 인공 지능 모델(111) 및 제2 인공 지능 모델(112)이 스포츠 행사가 개최되는 점을 고려하지 않고 학습된다면, 즉, 스포츠 행사가 있는 경우의 복수의 제품의 월별 판매 비율 데이터 및 스포츠 행사가 있는 경우의 복수의 제품의 월별 판매량 데이터를 기초로 학습되지 않는다면, 프로세서(120)는 스포츠 행사를 고려하지 않고 현재 시점 이후의 특정 기간에서의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출하게 된다. 그리고, 산출된 예측 판매 비율 값은 스포츠 행사가 고려되지 않은 값이라는 점에서, 사용자가 설정한 기 설정된 값 보다 작을 수 있다.
가령, 전자 장치(100)의 사용자는 스포츠 행사가 8월에 개최되는 점을 고려하여 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 5월, 6월 및 7월의 예측 판매 비율이 예년보다 증가할 것으로 판단하고 기 설정된 값을 설정할 수 있으나, 프로세서(120)는 스포츠 행사가 존재하지 않는 해의 데이터를 기초로 학습된 제1 인공지능 모델(111) 및 제2 인공지능 모델(112)을 기초로 특정 기간에서의 복수의 제품의 전체 예측 판매량에 대한 각 제품의 5월, 6월 및 7월의 예측 판매 비율이 예년과 비슷하다고 판단할 수 있으며, 이에 따라 판단된 값은 기 설정된 값보다 작을 수 있다.
이 경우, 프로세서(120)는 판매와 관련된 데이터를 변경할 수 있다. 그리고, 프로세서(120)는 변경된 판매와 관련된 데이터를 다시 전처리 하여 S920의 현재 시점 이전의 일정 기간 동안의 복수의 제품 각각의 월별 판매 비율과 관련된 데이터 및 S940의 현재 시점 이전의 일정 기간 동안 복수의 제품의 월별 판매량과 관련된 데이터를 획득할 수 있으며, 이를 기초로, 제1 인공지능 모델(111) 및 제 2 인공지능 모델(112)을 재 학습시킬 수 있다.
즉, 프로세서(120)는 비슷한 시기에 스포츠 행사가 있었던 해의 데이터를 추가하여 판매와 관련된 데이터를 전처리 하고, 제1 인공지능 모델(111) 및 제2 인공지능 모델(112)을 재 학습시켜, S960 단계에서 획득되는 현재 시점 이후의 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율이 스포츠 행사가 있는 현재 시점 이후의 상황을 반영한 결과가 되도록 할 수 있다. 도 10는 본 개시의 일 실시 예에 따른, 인공지능 모델을 학습하고 이용하기 위한 전자 장치를 설명하기 위한 블록도이다.
프로세서(120)는 학습부(121) 및 판단부(122) 중 적어도 하나를 포함할 수 있다.
학습부(121)는 학습데이터를 이용하여 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 판매 비율을 나타내는 데이터를 획득하도록 제1 인공지능 모델을 생성, 학습 또는 재학습시킬 수 있다.
그리고 학습부(121)는 학습데이터를 이용하여 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하도록 제2 인공지능 모델을 생성, 학습 또는 재학습시킬 수 있다.
판단부(122)는 제품의 판매 비율과 관련된 적어도 하나의 데이터를 학습된 제1 인공지능 모델의 입력 데이터로 사용하여, 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 판매 비율을 나타내는 데이터를 생성할 수 있다. 또 다른 실시 예로, 판단부(122)는 제품의 판매량과 관련된 적어도 하나의 데이터를 학습된 제2 인공지능 모델의 입력 데이터로 사용하여, 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 생성할 수 있다.
학습부(121)의 적어도 일부 및 판단부(122)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다. 예를 들어, 학습부(121) 및 판단부(122) 중 적어도 하나는 인공지능을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 각종 전자 장치에 탑재될 수도 있다. 이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(121) 및 판단부(122)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
한편, 학습부(121) 및 판단부(122)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 또한, 학습부(121) 및 판단부(122)는 유선 또는 무선으로 통하여, 학습부(121)가 구축한 모델 정보를 판단부(122)로 제공할 수도 있고, 학습부(121)로 입력된 데이터가 추가 학습 데이터로서 학습부(122)로 제공될 수도 있다.
도 11 및 도 12는 다양한 실시 예에 따른 학습부(121) 및 판단부(122)의 블록도이다.
도 11을 참조하면, 학습부(121)는 학습 데이터 획득부(121-1) 및 모델 학습부(121-4)를 포함할 수 있다. 또한, 학습부(121)는 학습 데이터 전처리부(121-2), 학습 데이터 선택부(121-3) 및 모델 평가부(121-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(121-1)은 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 획득하기 위한 제1 인공지능 모델에 필요한 학습 데이터를 획득할 수 있다. 이 경우, 제 1 인공지능 모델(111)의 학습 데이터는 현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터일 수 있다. 가령, 제1 인공지능 모델(111)의 학습 데이터는 일정 기간 동안의 각 제품의 월별 판매 비율, 일정 기간 동안 판매처에 월별로 판매한 각 제품의 판매 비율 및 판매처에서 월별로 판매될 것으로 전망한 각 제품의 판매 비율 중 적어도 하나가 될 수 있다.
또한, 학습 데이터 획득부(121-1)는 제2 인공지능 모델(112)을 학습시키기 위하여 현재 시점 이전의 특정 기간동안 복수의 제품의 판매량과 관련된 데이터를 획득할 수 있다. 구체적으로, 학습 데이터 획득부(121-1)은 특정 년도에서의 복수의 제품의 월별 판매량을 나타내는 데이터 및 특정 년도 이전의 과거 일정 기간 동안 복수의 제품의 월별 판매량을 나타내는 데이터를 제2 인공지능 모델의 학습데이터로 획득할 수 있다.
모델 학습부(121-4)는 학습 데이터를 이용하여, 제1 인공지능 모델(111)이 현재 시점 이후의 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 생성하는 기준을 갖도록 학습시킬 수 있다.
또한, 모델 학습부(121-4)는 학습 데이터를 이용하여, 제2 인공지능 모델(112)이 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 생성하는 기준을 갖도록 학습시킬 수 있다.
모델 학습부(121-4)는 지도 학습(supervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또는, 모델 학습부(131-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습하는 비지도 학습(unsupervisedlearning)을 통하여, 인공지능 모델을 학습시킬 수 있다.
또한, 모델 학습부(121-4)는, 예를 들어, 학습에 따른 판단 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(121-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능 모델을 학습시킬 수 있다.
또한, 모델 학습부(121-4)는 어떤 학습 데이터를 이용해야 하는지에 대한 선별 기준을 학습할 수도 있다.
모델 학습부(121-4)는 미리 구축된 인공지능 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 모델을 학습할 인공지능 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 인공지능 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 미리 분류되어 있을 수 있다.
인공지능 모델이 학습되면, 모델 학습부(121-4)는 학습된 인공지능 모델을 저장할 수 있다. 예컨대, 모델 학습부(121-4)는 학습된 인공지능 모델을 전자 장치(100)의 메모리(110)에 저장할 수 있다.
학습부(121)는 인공지능 모델의 판단 결과를 향상시키거나, 인공지능 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(121-2) 및 학습 데이터 선택부(121-3)을 더 포함할 수도 있다.
학습 데이터 전처리부(121-2)는 제1 인공지능 모델(111) 및 제2 인공지능 모델(112)의 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다.
학습 데이터 선택부(121-3)은 학습 데이터 획득부(121-1)에서 획득된 데이터 또는 학습 데이터 전처리부(121-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(121-4)에 제공될 수 있다.
학습 데이터 선택부(121-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(121-3)는 모델 학습부(121-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(121)는 인공지능 모델의 판단 결과를 향상시키기 위하여, 모델 평가부(121-5)를 더 포함할 수도 있다.
모델 평가부(121-5)는 인공지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 판단 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(121-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(121-5)는 평가 데이터에 대한 학습된 인공지능 모델의 판단 결과 중에서, 판단 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인공지능 모델이 복수 개가 존재하는 경우, 모델 평가부(121-5)는 각각의 학습된 인공지능 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공지능 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(121-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 모델로서 결정할 수 있다.
도 12를 참조하면, 본 개시의 일부 실시 예에 따른 판단부(122)는 입력 데이터 획득부(122-1) 및 판단 결과 제공부(122-4)를 포함할 수 있다.
또한 판단부(122)는 입력 데이터 전처리부(122-2), 입력 데이터 선택부(122-3) 및 모델 갱신부(122-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(122-1)는 현재 시점 이후의 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하기 위해 필요한 데이터를 획득할 수 있다. 즉, 입력 데이터 획득부(122-1)은 현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터를 획득할 수 있다.
그리고, 입력 데이터 획득부(122-1)은 현재 시점 이후의 특정 기간 내의 복수의 제품이 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하기 위하여 필요한 데이터를 획득할 수 있다. 즉 입력 데이터 획득부(122-1)은 현재 시점 이전의 일정 기간 동안 복수의 제품의 월별 판매량을 나타내는 데이터를 획득할 수 있다.
판단 결과 제공부(122-4)는 입력 데이터 획득부(122-1)에서 획득된 입력 데이터를 입력 값으로 학습된 제1 인공지능 모델(111)에 적용하여 현재 시점 이후의 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 판단할 수 있다.
또한, 판단 결과 제공부(122-4)는 입력 데이터 획득부(122-1)에서 획득된 입력 데이터를 입력 값으로 학습된 제2 인공지능 모델(112)에 적용하여 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 판단할 수 있다.
판단부(122)는 인공지능 모델의 판단 결과를 향상시키거나, 판단 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(122-2) 및 입력 데이터 선택부(122-3)을 더 포함할 수도 있다.
입력 데이터 전처리부(122-2)는 입력 데이터 획득부(122-1)에서 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 구체적으로, 입력 데이터 전처리부(122-2)는 결함이 존재하지 않는 객체의 이미지를 획득하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다. 또는 입력 데이터 전처리부(122-2)는 객체의 결함 유무 및 결함의 종류를 판단하기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다.
입력 데이터 선택부(122-3)은 입력 데이터 획득부(122-1)에서 획득된 데이터 또는 입력 데이터 전처리부(122-2)에서 전처리된 데이터 중에서 응답 제공에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 판단 결과 제공부(122-4)에게 제공될 수 있다. 입력 데이터 선택부(122-3)는 응답 제공을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(122-3)는 모델 학습부(121-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(122-5)는 판단 결과 제공부(122-4)에 의해 제공되는 판단 결과에 대한 평가에 기초하여, 인공지능 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(122-5)는 판단 결과 제공부(122-4)에 의해 제공되는 판단 결과를 모델 학습부(122-4)에게 제공함으로써, 모델 학습부(122-4)가 인공지능 모델을 추가 학습 또는 갱신하도록 요청할 수 있다. 특히, 모델 갱신부(122-5)는 사용자 입력에 따른 피드백 정보를 바탕으로 인공지능 모델을 재 학습할 수 있다.
도 13은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
우선, 현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터를 제1 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득한다(S1301).
여기에서, 제1 인공지능 모델은, 특정 월에서의 복수의 제품의 판매량에 대한 각 제품의 판매 비율과 관련된 데이터 및 특정 월 이전의 과거 일정 기간 동안 복수의 제품의 월별 판매량에 대한 각 제품의 월별 판매 비율과 관련된 데이터에 기초하여, 특정 기간 내의 각 제품의 월별 판매 비율을 예측하도록 학습된 모델일 수 있다.
그리고, 복수의 제품 각각의 월별 판매 비율과 관련된 데이터는, 일정 기간 동안 각 제품의 월별 판매 비율, 일정 기간 동안 판매처에 월별로 판매한 각 제품의 판매 비율 및 판매처에서 월별로 판매될 것으로 전망한 각 제품의 판매 비율 중 적어도 하나를 나타내는 데이터를 포함할 수 있다.
한편, 현재 시점 이전의 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터를 제2 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 복수의 제품의 전체 예측 판매량에 대한 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득할 수 있다(S1302).
여기에서, 제2 인공지능 모델은 특정 년 이전의 과거 일정 기간 동안 복수의 제품의 월별 판매량을 나타내는 데이터에 기초하여 특정 기간 내의 복수의 제품의 월별 판매 비율을 예측하도록 학습될 수 있다.
이때, 제1 모델은 CNN(Convolution Neural Network)에 기반한 모델을 포함하고, 상기 제2 모델은 RNN(Recurrent Neural Network)에 기반한 모델을 포함할 수 있다.
획득된 데이터를 바탕으로 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 인공지능 판매 비율을 산출할 수 있다(S1303).
이때, 제1 인공지능 모델로부터 획득된 특정 기간 내의 각 제품의 월별 예측 판매 비율을 제2 인공지능 모델로부터 획득된 복수의 제품의 월별 예측 판매 비율에 곱하여, 특정 기간에서 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출할 수 있다.
그리고, 산출된 값을 디스플레이에 표시할 수 있다. 이때, 산출된 값은 그래프, 표, 도형 등과 같은 다양한 형태로 표시될 수 있다.
이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합으로 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
본 개시의 다양한 실시 예들에 따른 방법은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장될 수 있는 명령어를 포함하는 소프트웨어로 구현될 수 있다. 상기 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비 일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 애플리케이션 스토어(예: 플레이 스토어™)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 애플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: 전자 장치 110: 메모리
120: 프로세서

Claims (12)

  1. 전자 장치에 있어서,
    제1 인공지능 모델 및 제2 인공지능 모델이 저장된 메모리; 및
    현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터를 상기 제1 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 상기 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하고,
    현재 시점 이전의 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터를 상기 제2 인공지능 모델의 입력으로 하여, 상기 현재 시점 이후의 특정 기간 내의 상기 복수의 제품의 전체 예측 판매량에 대한 상기 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하고,
    상기 획득된 데이터를 바탕으로 상기 특정 기간에서 상기 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출하는 프로세서;를 포함하며,
    상기 제1 인공지능 모델은, 상기 제2 인공지능 모델과 다른 신경망 모델을 포함하는, 전자 장치.
  2. 제1항에 있어서,
    상기 제1 인공지능 모델은,
    특정 월에서의 상기 복수의 제품의 판매량에 대한 상기 각 제품의 판매 비율과 관련된 데이터 및 상기 특정 월 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량에 대한 상기 각 제품의 월별 판매 비율과 관련된 데이터에 기초하여, 상기 특정 기간 내의 각 제품의 월별 판매 비율을 예측하도록 학습된 모델인, 전자 장치.
  3. 제1항에 있어서,
    상기 복수의 제품 각각의 월별 판매 비율과 관련된 데이터는,
    상기 일정 기간 동안 각 제품의 월별 판매 비율, 상기 일정 기간 동안 판매처에 월별로 판매한 상기 각 제품의 판매 비율 및 상기 판매처에서 상기 월별로 판매될 것으로 전망한 상기 각 제품의 판매 비율 중 적어도 하나를 나타내는 데이터를 포함하는, 전자 장치.
  4. 제1항에 있어서,
    상기 제2 인공지능 모델은,
    특정 년 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터에 기초하여 상기 특정 기간 내의 상기 복수의 제품의 월별 판매 비율을 예측하도록 학습된, 전자 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 인공지능 모델로부터 획득된 상기 특정 기간 내의 상기 각 제품의 월별 예측 판매 비율을 상기 제2 인공지능 모델로부터 획득된 상기 복수의 제품의 월별 예측 판매 비율에 곱하여, 상기 특정 기간에서 상기 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출하는, 전자 장치.
  6. 제1항에 있어서,
    상기 제1 모델은, CNN(Convolution Neural Network)에 기반한 모델을 포함하고,
    상기 제2 모델은, RNN(Recurrent Neural Network)에 기반한 모델을 포함하는, 전자 장치.
  7. 전자 장치의 제어 방법에 있어서,
    현재 시점 이전의 일정 기간 동안 획득된 복수의 제품 각각의 월별 판매 비율과 관련된 데이터를 제1 인공지능 모델의 입력으로 하여, 현재 시점 이후의 특정 기간 내의 상기 복수의 제품의 월별 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하는 단계;
    현재 시점 이전의 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터를 제2 인공지능 모델의 입력으로 하여, 상기 현재 시점 이후의 특정 기간 내의 상기 복수의 제품의 전체 예측 판매량에 대한 상기 복수의 제품의 월별 예측 판매 비율을 나타내는 데이터를 획득하는 단계; 및
    상기 획득된 데이터를 바탕으로 상기 특정 기간에서 상기 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 인공지능 판매 비율을 산출하는 단계; 를 포함하고,
    상기 제1 인공지능 모델은, 상기 제2 인공지능 모델과 다른 신경망 모델을 포함하는, 제어 방법.
  8. 제7항에 있어서,
    상기 제1 인공지능 모델은,
    특정 월에서의 상기 복수의 제품의 판매량에 대한 상기 각 제품의 판매 비율과 관련된 데이터 및 상기 특정 월 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량에 대한 상기 각 제품의 월별 판매 비율과 관련된 데이터에 기초하여, 상기 특정 기간 내의 각 제품의 월별 판매 비율을 예측하도록 학습된 모델인, 제어 방법.
  9. 제7항에 있어서,
    상기 복수의 제품 각각의 월별 판매 비율과 관련된 데이터는,
    상기 일정 기간 동안 각 제품의 월별 판매 비율, 상기 일정 기간 동안 판매처에 월별로 판매한 상기 각 제품의 판매 비율 및 상기 판매처에서 상기 월별로 판매될 것으로 전망한 상기 각 제품의 판매 비율 중 적어도 하나를 나타내는 데이터를 포함하는, 제어 방법.
  10. 제7항에 있어서,
    상기 제2 인공지능 모델은,
    특정 년 이전의 과거 일정 기간 동안 상기 복수의 제품의 월별 판매량을 나타내는 데이터에 기초하여 상기 특정 기간 내의 상기 복수의 제품의 월별 판매 비율을 예측하도록 학습된, 제어 방법.
  11. 제7항에 있어서,
    상기 제1 인공지능 모델로부터 획득된 상기 특정 기간 내의 상기 각 제품의 월별 예측 판매 비율을 상기 제2 인공지능 모델로부터 획득된 상기 복수의 제품의 월별 예측 판매 비율에 곱하여, 상기 특정 기간에서 상기 복수의 제품의 전체 예측 판매량에 대한 각 제품의 월별 예측 판매 비율을 산출하는 단계;를 더 포함하는, 제어 방법.
  12. 제7항에 있어서,
    상기 제1 모델은, CNN(Convolution Neural Network)에 기반한 모델을 포함하고,
    상기 제2 모델은, RNN(Recurrent Neural Network)에 기반한 모델을 포함하는,
    제어 방법.
KR1020190024874A 2019-03-04 2019-03-04 전자 장치 및 이의 제어 방법 KR20200108521A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190024874A KR20200108521A (ko) 2019-03-04 2019-03-04 전자 장치 및 이의 제어 방법
PCT/KR2019/018493 WO2020179995A1 (ko) 2019-03-04 2019-12-26 전자 장치 및 이의 제어 방법
US17/432,802 US20220129924A1 (en) 2019-03-04 2019-12-26 Electronic device and control method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190024874A KR20200108521A (ko) 2019-03-04 2019-03-04 전자 장치 및 이의 제어 방법

Publications (1)

Publication Number Publication Date
KR20200108521A true KR20200108521A (ko) 2020-09-21

Family

ID=72338720

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190024874A KR20200108521A (ko) 2019-03-04 2019-03-04 전자 장치 및 이의 제어 방법

Country Status (3)

Country Link
US (1) US20220129924A1 (ko)
KR (1) KR20200108521A (ko)
WO (1) WO2020179995A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102259945B1 (ko) * 2021-03-03 2021-06-02 (주)플랜아이 인공지능 기반의 예측을 활용하는 a/b 테스팅 시스템 및 방법
KR20220134173A (ko) 2021-03-26 2022-10-05 주식회사 비주얼 상품의 판매량을 예측하는 전자 장치 및 이를 이용한 판매량을 예측하는 방법
KR102556922B1 (ko) * 2023-03-06 2023-07-19 (주)이코스 코리아 인공지능 기반 수입 상품 판매를 위한 가격 산정 및 수요량 예측 방법, 장치 및 시스템
KR102566897B1 (ko) * 2023-04-05 2023-08-14 (주)오션팜메디 의약품 및 의료소모품의 도소매 판매를 위한 온라인 전자상거래 서비스 제공 방법, 장치 및 시스템
KR102653142B1 (ko) * 2023-11-27 2024-04-01 주식회사 워커스하이 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841343B (zh) * 2022-12-16 2024-01-30 广州飞狮数字科技有限公司 一种销售额度的确定方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3767954B2 (ja) * 1996-11-07 2006-04-19 富士通株式会社 需要予測装置
JP2003122895A (ja) * 2001-08-08 2003-04-25 Toyota Motor Corp 商品販売数予測システム及びその方法
US7472097B1 (en) * 2005-03-23 2008-12-30 Kronos Talent Management Inc. Employee selection via multiple neural networks
JP4911996B2 (ja) * 2006-03-08 2012-04-04 株式会社 日立東日本ソリューションズ 需要予測支援システム、需要予測支援方法および需要予測支援プログラム
JP2009015465A (ja) * 2007-07-02 2009-01-22 Mitsubishi Electric Corp 販売数量予測装置および販売数量予測方法
US8458012B2 (en) * 2009-10-02 2013-06-04 Truecar, Inc. System and method for the analysis of pricing data including a sustainable price range for vehicles and other commodities
US20130346150A1 (en) * 2012-06-21 2013-12-26 Data Ventures, Inc. System, method, and computer program product for forecasting sales
TWI612488B (zh) * 2016-12-05 2018-01-21 財團法人資訊工業策進會 用於預測商品的市場需求的計算機裝置與方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102259945B1 (ko) * 2021-03-03 2021-06-02 (주)플랜아이 인공지능 기반의 예측을 활용하는 a/b 테스팅 시스템 및 방법
KR20220134173A (ko) 2021-03-26 2022-10-05 주식회사 비주얼 상품의 판매량을 예측하는 전자 장치 및 이를 이용한 판매량을 예측하는 방법
KR102556922B1 (ko) * 2023-03-06 2023-07-19 (주)이코스 코리아 인공지능 기반 수입 상품 판매를 위한 가격 산정 및 수요량 예측 방법, 장치 및 시스템
KR102566897B1 (ko) * 2023-04-05 2023-08-14 (주)오션팜메디 의약품 및 의료소모품의 도소매 판매를 위한 온라인 전자상거래 서비스 제공 방법, 장치 및 시스템
KR102653142B1 (ko) * 2023-11-27 2024-04-01 주식회사 워커스하이 멀티 도메인 변수를 활용한 인공지능 모델 기반 수요 예측 및 구독 솔루션 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
WO2020179995A1 (ko) 2020-09-10
US20220129924A1 (en) 2022-04-28

Similar Documents

Publication Publication Date Title
KR20200108521A (ko) 전자 장치 및 이의 제어 방법
CN111418198B (zh) 提供文本相关图像的电子装置及其操作方法
KR102548732B1 (ko) 신경망 학습 방법 및 이를 적용한 장치
US11887215B2 (en) Image processing apparatus and method for style transformation
KR20190111278A (ko) 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법
KR102289256B1 (ko) 자가진단 기반 건강기능식품 추천 서비스 제공 방법, 장치 및 시스템
Panigrahi et al. Deep learning approach for image classification
US20210027172A1 (en) Learning method of ai model and electronic apparatus
KR20190140519A (ko) 전자 장치 및 그의 제어방법
KR102506472B1 (ko) 인공지능 기반 초개인화 맞춤형 식품 구매 추천 서비스 제공 방법, 장치 및 시스템
CN112633463A (zh) 用于建模序列数据中长期依赖性的双重递归神经网络架构
KR102546871B1 (ko) 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템
US20220114836A1 (en) Method for processing image, and apparatus therefor
KR102552856B1 (ko) 커머스 연계 콘텐츠 제공 플랫폼 서비스를 위한 키워드 추출 및 콘텐츠 템플릿 생성 자동화 방법, 장치 및 시스템
KR102447426B1 (ko) 초개인화를 위한 퍼스널 컬러와 타임라인 기반 행동 데이터를 분석하여 라이프스타일 가이드 정보를 추천하는 방법, 장치 및 시스템
KR20220075623A (ko) 구매상품 리뷰 큐레이션 및 라이브커머스를 통한 상품 구매 방법, 장치 및 프로그램
KR102601135B1 (ko) 전자 장치 및 이의 제어 방법
KR102365783B1 (ko) 인공지능 기반의 맞춤형 처방 데이터 생성 방법 및 장치
KR102615445B1 (ko) 대변 이미지 분석 기반 영양 정보 제공 방법,　장치 및 시스템
KR102321408B1 (ko) 개인화된 메모패드 서비스 제공 방법, 장치 및 시스템
Pias et al. Perfect storm: DSAs embrace deep learning for GPU-based computer vision
KR102593868B1 (ko) 손톱 및 발톱 케어 정보 제공 및 전문가 매칭 플랫폼서비스 구동 방법, 장치 및 시스템
KR102619389B1 (ko) 별자리 기반 메타버스 추모관 서비스의 인터페이스 제공 방법, 장치 및 시스템
KR102528613B1 (ko) 인공지능 모델을 활용한 렌터카의 중고 가격 산출 방법, 장치 및 시스템
KR102587682B1 (ko) 인공지능 모델을 이용하여 사용자의 관심사에 기반한 매칭을 수행하는 방법, 장치 및 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal