KR20220007063A - 동물 데이터 예측 시스템 - Google Patents
동물 데이터 예측 시스템 Download PDFInfo
- Publication number
- KR20220007063A KR20220007063A KR1020217036970A KR20217036970A KR20220007063A KR 20220007063 A KR20220007063 A KR 20220007063A KR 1020217036970 A KR1020217036970 A KR 1020217036970A KR 20217036970 A KR20217036970 A KR 20217036970A KR 20220007063 A KR20220007063 A KR 20220007063A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- animal
- computing subsystem
- betting
- animal data
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 288
- 230000005540 biological transmission Effects 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims description 107
- 238000000034 method Methods 0.000 claims description 103
- 239000000047 product Substances 0.000 claims description 83
- 230000009471 action Effects 0.000 claims description 69
- 238000011156 evaluation Methods 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000013473 artificial intelligence Methods 0.000 claims description 17
- 239000013060 biological fluid Substances 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 14
- 239000013589 supplement Substances 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 210000003205 muscle Anatomy 0.000 claims description 8
- 230000008520 organization Effects 0.000 claims description 8
- 230000036772 blood pressure Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000036571 hydration Effects 0.000 claims description 6
- 238000006703 hydration reaction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000017531 blood circulation Effects 0.000 claims description 4
- 230000003155 kinesthetic effect Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000036757 core body temperature Effects 0.000 claims description 3
- 230000000926 neurological effect Effects 0.000 claims description 3
- 238000006213 oxygenation reaction Methods 0.000 claims description 3
- 231100000430 skin reaction Toxicity 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 210000000115 thoracic cavity Anatomy 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 230000003362 replicative effect Effects 0.000 claims description 2
- 230000036541 health Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000008827 biological function Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 230000003190 augmentative effect Effects 0.000 description 12
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 10
- 208000010125 myocardial infarction Diseases 0.000 description 10
- 238000013179 statistical model Methods 0.000 description 10
- 230000009466 transformation Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 238000000844 transformation Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002349 favourable effect Effects 0.000 description 6
- 238000009532 heart rate measurement Methods 0.000 description 6
- 238000013349 risk mitigation Methods 0.000 description 6
- 241000282412 Homo Species 0.000 description 5
- 102000004877 Insulin Human genes 0.000 description 5
- 108090001061 Insulin Proteins 0.000 description 5
- 210000001124 body fluid Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 210000004209 hair Anatomy 0.000 description 5
- 229940125396 insulin Drugs 0.000 description 5
- 230000000116 mitigating effect Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 210000004243 sweat Anatomy 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 4
- 210000002683 foot Anatomy 0.000 description 4
- 230000001976 improved effect Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000036387 respiratory rate Effects 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 241000283086 Equidae Species 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000001351 cycling effect Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000001747 exhibiting effect Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 239000006187 pill Substances 0.000 description 3
- 235000018102 proteins Nutrition 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 210000003296 saliva Anatomy 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 230000001755 vocal effect Effects 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 2
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 2
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 2
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 2
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- OVBPIULPVIDEAO-UHFFFAOYSA-N N-Pteroyl-L-glutaminsaeure Natural products C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)NC(CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-UHFFFAOYSA-N 0.000 description 2
- 241000288906 Primates Species 0.000 description 2
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 2
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 2
- 101150049278 US20 gene Proteins 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 210000004958 brain cell Anatomy 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 229960000304 folic acid Drugs 0.000 description 2
- 235000019152 folic acid Nutrition 0.000 description 2
- 239000011724 folic acid Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 244000144993 groups of animals Species 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 239000011295 pitch Substances 0.000 description 2
- 238000011045 prefiltration Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010050013 Abulia Diseases 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- 239000000275 Adrenocorticotropic Hormone Substances 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 239000004382 Amylase Substances 0.000 description 1
- 102000013142 Amylases Human genes 0.000 description 1
- 108010065511 Amylases Proteins 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000700198 Cavia Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 102400000739 Corticotropin Human genes 0.000 description 1
- 101800000414 Corticotropin Proteins 0.000 description 1
- 238000001712 DNA sequencing Methods 0.000 description 1
- 208000032953 Device battery issue Diseases 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000295146 Gallionellaceae Species 0.000 description 1
- 102400000921 Gastrin Human genes 0.000 description 1
- 108010052343 Gastrins Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 102000004882 Lipase Human genes 0.000 description 1
- 108090001060 Lipase Proteins 0.000 description 1
- 239000004367 Lipase Substances 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 206010027525 Microalbuminuria Diseases 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000003559 RNA-seq method Methods 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 150000001413 amino acids Chemical group 0.000 description 1
- 235000019418 amylase Nutrition 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- AOXOCDRNSPFDPE-UKEONUMOSA-N chembl413654 Chemical compound C([C@H](C(=O)NCC(=O)N[C@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@H](CCSC)C(=O)N[C@H](CC(O)=O)C(=O)N[C@H](CC=1C=CC=CC=1)C(N)=O)NC(=O)[C@@H](C)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H]1N(CCC1)C(=O)CNC(=O)[C@@H](N)CCC(O)=O)C1=CC=C(O)C=C1 AOXOCDRNSPFDPE-UKEONUMOSA-N 0.000 description 1
- FDJOLVPMNUYSCM-WZHZPDAFSA-L cobalt(3+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+3].N#[C-].N([C@@H]([C@]1(C)[N-]\C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C(\C)/C1=N/C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C\C1=N\C([C@H](C1(C)C)CCC(N)=O)=C/1C)[C@@H]2CC(N)=O)=C\1[C@]2(C)CCC(=O)NC[C@@H](C)OP([O-])(=O)O[C@H]1[C@@H](O)[C@@H](N2C3=CC(C)=C(C)C=C3N=C2)O[C@@H]1CO FDJOLVPMNUYSCM-WZHZPDAFSA-L 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- IDLFZVILOHSSID-OVLDLUHVSA-N corticotropin Chemical compound C([C@@H](C(=O)N[C@@H](CO)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(N)=O)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1C=CC=CC=1)C(O)=O)NC(=O)[C@@H](N)CO)C1=CC=C(O)C=C1 IDLFZVILOHSSID-OVLDLUHVSA-N 0.000 description 1
- 229960000258 corticotropin Drugs 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000013503 de-identification Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 229940099472 immunoglobulin a Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003434 inspiratory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 235000019421 lipase Nutrition 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004439 pupillary reactions Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/40—Data acquisition and logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/34—Betting or bookmaking, e.g. Internet betting
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
- G07F17/3225—Data transfer within a gaming system, e.g. data sent between gaming machines and users
- G07F17/323—Data transfer within a gaming system, e.g. data sent between gaming machines and users wherein the player is informed, e.g. advertisements, odds, instructions
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
- G07F17/3286—Type of games
- G07F17/3288—Betting, e.g. on live events, bookmaking
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Finance (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Epidemiology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- Operations Research (AREA)
Abstract
동물 데이터 및 그 예측 지표를 제공하기 위한 추측 시스템은 표적 개체로부터 동물 데이터를 수집하는 하나 이상의 소스 센서를 포함한다. 특징적으로 동물 데이터는 전자적으로 전송될 수 있다. 컴퓨팅 서브시스템은 동물 데이터를 수신한다. 동물 데이터의 적어도 일부는 컴퓨팅 서브시스템 또는 하나 이상의 센서에 의해 선택된 표적 개체 또는 표적 개체의 그룹에 대한 예측 지표로 변환된다. 컴퓨팅 서브시스템은 예측 지표 및 선택적으로 동물 데이터의 적어도 일부분을 사용자에게 제공하도록 작동 가능하다. 유리하게는, 전송 서브시스템은 상기 동물 데이터의 상기 컴퓨팅 서브시스템으로의 전송을 제공한다.
Description
관련 출원에 대한 교차 참조
본 출원은 2019년 4월 15일에 출원된 미국 가출원 제 62/833,970호 및 2019년 10월 9일에 출원된 미국 가출원 제 62/912,822호의 이익을 주장하며, 이들의 개시 내용은 인용에 의해 본원에 포함된다.
기술분야
적어도 하나의 양태에서, 본 발명은 예측을 하기 위한 동물 데이터로부터의 정보를 위한 시스템에 관한 것이다.
인터넷을 통한 정보 가용성의 지속적인 발전은 비즈니스가 수행되는 방식을 실질적으로 변화시켰다. 이러한 정보폭발과 동시에 센서기술, 특히 바이오센서 기술도 발전하고 있다. 특히 심전도 신호, 혈류량, 체온, 발한량, 또한 호흡율을 측정하는 초소형 바이오센서가 출시되었다. 무선 및 인터넷을 통해 이러한 센서의 데이터를 전송할 수 있는 능력은 데이터 세트 수집을 위한 잠재적인 새로운 응용 프로그램을 열었다.
따라서, 내기(wagering) 및 확률 평가 시스템을 포함하지만 이에 제한되지 않는 새로운 애플리케이션을 위한 센서 데이터를 수집, 구성 및 분석하는 시스템이 필요하다.
적어도 하나의 양태에서, 동물 데이터 및 그 예측 지표를 제공하기 위한 추측 시스템(speculation system)이 제공된다. 추측 시스템은 한 명 이상의 표적 개체로부터 동물 데이터를 수집하는 하나 이상의 소스 센서를 포함한다. 특징적으로, 동물 데이터는 무선 또는 유선 연결로 전송할 수 있다. 컴퓨팅 서브시스템은 동물 데이터의 적어도 일부가 컴퓨팅 서브시스템 또는 하나 이상의 소스 센서에 의해 선택된 표적 개체(selected targeted individual) 또는 표적 개체의 그룹에 할당된 적어도 하나의 계산된 자산으로 변환되는 동물 데이터를 수신한다. 하나 이상의 소스 센서 또는 컴퓨팅 서브시스템은 적어도 하나의 계산된 자산을 예측 지표로 변환하고 예측 지표, 적어도 하나의 계산된 자산 및/또는 동물 데이터의 적어도 일부를 한 명 이상의 사용자에게 제공한다. 전송 서브시스템은 동물 데이터의 적어도 일부를 컴퓨팅 서브시스템으로 전송한다.
도 1은 예측 지표와 함께 동물 데이터를 사용자에게 제공하는 추측 시스템의 개략도를 제공한다.
도 2는 도 1의 시스템에서 사용될 수 있는 예시적인 전송 서브시스템의 개략도를 제공한다.
도 3은 스포츠에서 내기에 적용되는 추측 시스템의 개략도를 제공한다.
도 4는 Iframe에 표시될 수 있는 광고에 대한 소스 페이지의 일 예를 제공한다.
도 5a, 도 5b, 도 5c, 도 5d, 도 5e, 도 5f, 및 도 5g는 추측 시스템과 관련된 기회에 대한 Iframe의 광고 예를 제공한다.
도 6은 사용자가 하나 이상의 베팅(betting)을 하도록 요청하는 동안 사용자가 라이브 스포츠 이벤트와 같은 미디어를 보고 있을 때 표시될 수 있는 팝업(pop-up) 또는 내장형 미디어와 같은 사용자 소비를 위한 매체의 예를 제공한다.
도 7은 내기 애플리케이션(wagering application)의 홈페이지의 일 예이다.
도 8은 사용자가 하나 이상의 확률을 평가하고 및/또는 하나 이상의 베팅을 하기 위해 방문하는 내기 인터페이스의 예를 제공한다.
도 9는 추측 시스템으로부터의 출력물(output)을 사용하여 생성될 수 있는 마켓(market) 유형의 예를 제공한다(명확성을 위해 "인간 데이터 베팅(Human Data Bets)"으로 표시됨).
도 10은 사용자가 베팅을 하기 위해 새로운 마켓을 선택할 때의 일 예를 제공한다.
도 11은 추측 시스템으로부터의 하나 이상의 출력물을 사용하여 생성될 수 있는 건강 모니터링 인터페이스의 예를 제공한다.
도 2는 도 1의 시스템에서 사용될 수 있는 예시적인 전송 서브시스템의 개략도를 제공한다.
도 3은 스포츠에서 내기에 적용되는 추측 시스템의 개략도를 제공한다.
도 4는 Iframe에 표시될 수 있는 광고에 대한 소스 페이지의 일 예를 제공한다.
도 5a, 도 5b, 도 5c, 도 5d, 도 5e, 도 5f, 및 도 5g는 추측 시스템과 관련된 기회에 대한 Iframe의 광고 예를 제공한다.
도 6은 사용자가 하나 이상의 베팅(betting)을 하도록 요청하는 동안 사용자가 라이브 스포츠 이벤트와 같은 미디어를 보고 있을 때 표시될 수 있는 팝업(pop-up) 또는 내장형 미디어와 같은 사용자 소비를 위한 매체의 예를 제공한다.
도 7은 내기 애플리케이션(wagering application)의 홈페이지의 일 예이다.
도 8은 사용자가 하나 이상의 확률을 평가하고 및/또는 하나 이상의 베팅을 하기 위해 방문하는 내기 인터페이스의 예를 제공한다.
도 9는 추측 시스템으로부터의 출력물(output)을 사용하여 생성될 수 있는 마켓(market) 유형의 예를 제공한다(명확성을 위해 "인간 데이터 베팅(Human Data Bets)"으로 표시됨).
도 10은 사용자가 베팅을 하기 위해 새로운 마켓을 선택할 때의 일 예를 제공한다.
도 11은 추측 시스템으로부터의 하나 이상의 출력물을 사용하여 생성될 수 있는 건강 모니터링 인터페이스의 예를 제공한다.
지금부터 본 발명자들에게 현재 공지된 본 발명을 실시하는 최상의 모드를 구성하는 본 발명의 현재 바람직한 실시예 및 방법에 대해 상세히 참조할 것이다. 도면은 반드시 축척대로 도시된 것은 아니다. 그러나, 개시된 실시예는 다양하고 대안적인 형태로 구현될 수 있는 본 발명의 예시일 뿐이라는 것이 이해되어야 한다. 따라서, 본 명세서에 개시된 특정 세부사항은 제한하는 것으로 해석되어서는 안 되며, 단지 본 발명의 임의의 양태에 대한 대표적인 근거로서 및/또는 본 발명을 다양하게 적용하기 위하여 당업자를 교시하기 위한 대표적인 기초로서 해석되어야 한다.
또한, 본 발명은 특정 구성요소 및/또는 조건이 물론 변할 수 있기 때문에 아래에 설명된 특정 실시예 및 방법으로 제한되지 않는다는 것이 이해되어야 한다. 또한, 본 명세서에서 사용된 용어는 단지 본 발명의 특정한 실시 예를 설명하기 위해 사용된 것으로, 어떠한 방식으로든 한정하려는 의도가 아니다.
"확률(probability)"과 "배당률(odds)"이라는 용어는 수학적으로 다르지만(예를 들어, "확률"은 발생할 수 있는 모든 이벤트의 비율로 표현되는 특정 이벤트의 발생 횟수로 정의될 수 있는 반면, "배당률"은 특정 이벤트가 발생하지 않은 횟수에 대한 비율로 표현되는 특정 이벤트의 발생 횟수로 정의될 수 있다), 둘 다 이벤트가 발생할 가능성을 나타낸다. 중복을 피하기 위해 상호 교환적으로 사용되며 한 용어에 대한 참조는 둘 다에 대한 참조를 의미하는 것으로 해석되어야 한다.
"베팅(bet)" 및 "내기(wager)"라는 용어와 관련하여, 두 용어 모두 미래 이벤트의 결과에 대해 위험(예: 돈, 비금전적 대가)을 감수하는 행위를 의미한다. 위험에는 재정적 위험(예: 금전)과 비재무적 위험(예: 건강, 생명)이 모두 포함된다. 다른 하나 이상의 당사자(예: 보험 제공 여부를 결정하는 보험 회사) 또는 자신(예: 보험 가입 여부를 결정하는 개체)에 대해, 결과 또는 미래 이벤트의 가능성에 기초하여, 위험이 감수될 수 있다. "베팅(bet)" 및 "내기(wager)"를 하는 행위는 위험이 게임화된 시스템(예: 내기, 스포츠 베팅)을 포함하여 하나 이상의 위험을 감수할 수 있는 시스템 또는 서브시스템 내에서 또는 그 일부로 발생할 수 있다. "베팅(bet)" 및 "내기(wager)"라는 용어가 여기에서 사용되는 경우, 현재 개시되고 청구된 요지는 다른 두 용어 중 하나를 상호 교환적으로 사용할 수 있다.
명세서 및 첨부된 특허청구범위에 사용된 바와 같이, 단수 형태 "a", "an" 및 "the"는 문맥에서 명백하게 달리 나타내지 않는 한 복수 지시 대상을 포함한다는 점에 유의해야 한다. 예를 들어, 단수의 구성요소에 대한 언급은 복수의 구성요소를 포함하도록 의도된다.
"포함하는(comprising)"이라는 용어는 "포함하는(including)", "갖는(having)", "함유하는(containing)" 또는 "~를 특징으로 하는(characterized by)"과 동의어이다. 이러한 용어는 포괄적이고 개방 단부형(open-ended)이며 추가의 인용되지 않은 요소 또는 방법 단계를 배제하지 않는다.
"~로 구성된(consisting of)"이라는 문구는 청구범위에 명시되지 않은 임의의 요소, 단계 또는 성분을 배제한다. 이 문구가 서문 바로 다음에 오는 것이 아니라 청구 본문의 절에 나타날 때 해당 절에 명시된 요소만 제한한다; 다른 요소는 전체적으로 청구항에서 제외되지 않는다.
"필수 구성으로 하는(consisting essentially of)"이라는 문구는 특정 재료 또는 단계, 및 청구된 요지의 기본 및 신규 특성(들)에 실질적으로 영향을 미치지 않는 재료 또는 단계에 대한 청구 범위를 제한한다.
컴퓨팅 디바이스가 동작 또는 방법 단계를 수행하는 것으로 설명될 때, 컴퓨팅 디바이스는 일반적으로 소스 코드의 하나 이상의 라인을 실행함으로써 동작 또는 방법 단계를 수행하도록 작동 가능하다는 것이 이해된다. 동작 또는 방법 단계는 비일시적 메모리(예: 하드 드라이브, 광학 드라이브, 플래시 드라이브 등)에 인코딩될 수 있다.
"포함하는(comprising)", "구성되는(consisting of)" 및 "필수 구성으로 하는(consisting essentially of)"이라는 용어와 관련하여, 이러한 세 가지 용어 중 하나가 본 명세서에 사용되는 경우, 현재 개시되고 청구된 요지는 다른 두 개의 용어 중 어느 하나의 사용을 포함할 수 있다.
용어 "하나 이상(one or more)"는 "적어도 하나(at least one)"를 의미하고 용어 "적어도 하나"는 "하나 이상"를 의미한다. "하나 이상" 및 "적어도 하나"라는 용어는 하위 집합으로서 "복수(plurality)" 및 "다수(multiple)"를 포함한다.
본 출원 전반에 걸쳐, 공보가 참조되는 경우, 이들 공보의 개시 내용 전체가 본 발명이 속하는 기술 상태를 보다 완전하게 설명하기 위해 인용에 의해 본원에 포함된다.
"서버(server)"라는 용어는 모든 컴퓨터 또는 컴퓨팅 디바이스(데스크톱 컴퓨터, 노트북 컴퓨터, 랩톱 컴퓨터, 메인프레임, 휴대폰, 스마트 시계/안경, AR/VR 헤드셋 등을 포함하지만 이에 제한되지 않음), 분산 시스템, 블레이드, 게이트웨이, 스위치, 처리 장치, 또는 여기에 설명된 방법 및 기능을 수행하도록 구성된 이들의 조합을 지칭한다.
"컴퓨팅 디바이스(computing device)"라는 용어는 일반적으로 다른 컴퓨팅 디바이스와 통신하는 것을 포함하여 적어도 하나의 기능을 수행할 수 있는 임의의 디바이스를 지칭한다. 개선예에서, 컴퓨팅 디바이스는 프로그램 단계를 실행할 수 있는 중앙 처리 유닛 및 데이터 및 프로그램 코드를 저장하기 위한 메모리를 포함한다. 본 명세서에서 사용되는 바와 같이, 컴퓨팅 서브시스템은 컴퓨팅 디바이스다.
본 명세서에 개시된 프로세스, 방법, 또는 알고리즘은 임의의 기존의 프로그램 가능한 전자 제어 유닛 또는 전용 전자 제어 유닛을 포함할 수 있는 컴퓨팅 디바이스, 컨트롤러, 또는 컴퓨터에 전달/구현될 수 있다. 유사하게, 프로세스, 방법, 또는 알고리즘은 ROM 디바이스와 같은 쓰기 불가능한 저장 매체에 영구적으로 저장된 정보 및 플로피 디스크, 자기 테이프, CD, RAM 디바이스, 기타 자기 및 광학 미디어, 및 공유 또는 전용 클라우드 컴퓨팅 리소스와 같은 쓰기 가능한 저장 매체에 변경 가능하게 저장된 정보를 포함하는(이에 제한되지 않음) 다수의 형태로 컨트롤러 또는 컴퓨터에 의해 실행가능한 명령 및 데이터로서으로서 저장될 수 있다. 프로세스, 방법, 또는 알고리즘은은 실행 가능한 소프트웨어 개체에서도 구현될 수 있다. 대안적으로, 프로세스, 방법, 또는 알고리즘은은 응용 주문형 집적 회로(Application Specific Integrated Circuits; ASIC), 필드 프로그램 가능 게이트 어레이(Field-Programmable Gate Arrays; FPGA), 상태 머신, 컨트롤러 또는 기타 하드웨어 구성 요소 또는 장치 또는 하드웨어, 소프트웨어 및 펌웨어 구성 요소의 조합과 같은 적절한 하드웨어 구성 요소를 사용하여 전체적으로 또는 부분적으로 구현될 수 있다.
용어 "대상(subjec)" 또는 "개체(individual)"는 동의어이며 조류 및 물고기를 비롯한 사람 또는 기타 동물뿐만 아니라 영장류(특히 고등 영장류), 말, 양, 개, 설치류, 기니피그, 고양이, 고래, 토끼, 및 소를 비롯한 모든 포유동물을 지칭한다. 하나 이상의 대상은 예를 들어 운동 훈련 또는 경쟁에 참여하는 사람, 트랙에서 경주하는 말, 비디오 게임을 하는 사람, 개체 건강을 모니터링하는 사람, 제 3자에게 데이터를 제공하는 사람, 연구 또는 임상 연구에 참여하는 사람, 또는 피트니스 수업에 참여하는 사람일 수 있다. 대상 또는 개체는 또한 사람 또는 기타 동물의 파생 상품(예: 사람 또는 다른 동물로부터 적어도 부분적으로 유래된 실험실 생성 유기체), 사람 또는 기타 동물을 포함하는 사람, 다른 동물의 하나 이상의 개별 구성 요소, 요소 또는 프로세스(예: 세포, 단백질, 생물학적 유체, 아미노산 서열, 조직, 모발, 팔다리), 또는 사람 또는 다른 동물과 하나 이상의 특성을 공유하는 하나 이상의 인공 창조물(예: 사람 뇌 세포와 유사한 전기 신호를 생성하는 실험실 배양 사람 뇌 세포)일 수 있다. 개선예에서, 대상 또는 개체는 사람 또는 다른 동물과 적어도 하나의 생물학적 기능을 공유하는 하나 이상의 컴퓨팅 디바이스에 의해 프로그래밍 가능한 기계(예: 로봇, 자율 차량, 기계 팔) 또는 기계 네트워크일 수 있으며, 상기 기계로부터 하나 이상의 유형의 생물학적 데이터가 유도될 수 있으며, 이는 적어도 부분적으로는 본질적으로 인공적일 수 있다(예: 생물학적 뇌 활동을 모방하는 인공 지능 유도 활동의 데이터).
"동물 데이터(animal data)"라는 용어는 서버 또는 다른 컴퓨팅 디바이스로 전송될 수 있는 형태로 변환될 수 있는 대상으로부터 얻을 수 있거나 직접 또는 간접적으로 생성된 모든 데이터를 의미한다. 일반적으로 동물 데이터는 유선 또는 무선 연결을 통해 전자적으로 전송된다. 동물 데이터에는 하나 이상의 센서 또는 감지 장비/시스템, 특히 생물학적 센서(바이오센서)에서 얻을 수 있는 모든 데이터가 포함된다. 동물 데이터에는 또한 설명 데이터, 청각 데이터, 시각적으로 캡처한 데이터, 신경학적으로 생성된 데이터(예: 뉴런의 뇌 신호), 대상과 관련하여 수동으로 입력할 수 있는 데이터(예: 대상의 병력, 사회적 습관, 감정) 및 실제 동물 데이터의 적어도 일부분을 포함하는 데이터를 포함할 수 있다. 개선예에서, "동물 데이터"라는 용어에는 동물 데이터의 파생 상품이 포함된다. 또 다른 개선예에서, 동물 데이터는 동물 데이터와 함께 수집된 메타데이터를 포함한다. 다른 개선예에서, 동물 데이터는 시뮬레이션된 데이터의 적어도 일부를 포함한다. 또 다른 개선예에서, 동물 데이터에는 시뮬레이션된 데이터가 포함된다.
용어 "통찰(insight)"은 표적 개체의 상태 또는 상황을 설명하는 표적 개체에게 할당될 수 있는 하나 이상의 설명을 나타낸다. 예로는 스트레스 수준(예: 높은 스트레스, 낮은 스트레스), 에너지 수준, 피로 수준 등에 대한 설명이 포함된다. 통찰은 하나 이상의 숫자 또는 복수의 숫자로 정량화될 수 있으며 확률 또는 유사한 배당률 기반 지표로 표시될 수 있다. 통찰은 또한 미리 결정된(예: 색상과 같은 시각적 또는 진동과 같은 물리적) 하나 이상의 다른 측정 기준(metrics) 또는 성능 지표를 특징으로 할 수 있다.
"계산된 자산(computed asset)"이라는 용어는 동물 데이터 또는 동물 데이터의 하나 이상의 파생 상품의 적어도 일부에서 유도된 하나 이상의 숫자, 복수의 숫자, 값, 측정 기준, 판독값, 통찰, 그래프, 차트, 또는 플롯을 나타낸다. 여기에서 사용된 하나 이상의 센서는 초기에 전자 신호를 제공한다. 계산된 자산은 하나 이상의 전자 신호 또는 그 하나 이상의 파생 상품에서 적어도 부분적으로 추출되거나 유도된다. 계산된 자산은 하나 이상의 표적 개체의 해석 가능한 속성을 설명하거나 수량화한다. 예를 들어, 심전도 판독값은 아날로그 프런트 엔드 신호(센서의 전자 신호)에서 유도될 수 있고, 심박수 데이터(예: 분당 심박수)는 심전도 또는 PPG 센서에서 유도될 수 있고, 체온 데이터는 온도 센서로부터 유도될 수 있고, 발한 데이터는 발한 센서에서 유도될 수 있고, 포도당 정보는 생물학적 유체 센서에서 유도될 수 있고, DNA 및 RNA 시퀀싱 정보는 게놈 및 유전 데이터를 얻는 센서에서 유도될 수 있고, 뇌 활동 데이터는 신경 센서로부터 유도될 수 있고, 수화 데이터는 구강 내 타액 센서에서 유도될 수 있고, 위치 데이터는 GPS 또는 RFID 센서에서 유도될 수 있고, 생체 역학 데이터는 광학 또는 변형(translation) 센서에서 유도될 수 있고, 호흡율 데이터는 호흡 센서에서 유도될 수 있다. 개선예에서, 계산된 자산은 하나 이상의 계산 또는 산출에서 하나 이상의 입력으로서 하나 이상의 비동물 데이터 소스로부터의 하나 이상의 신호 또는 판독값을 포함할 수 있다. 다른 개선예에서, 계산된 자산은 복수의 계산된 자산으로 구성된다.
"예측 지표(predictive indicator)"라는 용어는 측정 기준 또는 기타 지표(예: 하나 이상의 색상, 코드, 숫자, 값, 그래프, 차트, 도표, 판독값, 수치 표현, 설명, 텍스트, 물리적 반응, 청각적 반응, 시각적 반응, 운동 감각 반응)를 지칭하고, 이로부터 하나 이상의 표적 개체 또는 표적 개체의 하나 이상의 그룹을 포함하는 하나 이상의 미래 사건에 대한 하나 이상의 결과와 관련된 하나 이상의 예상, 예측, 확률, 가능성 또는 권장 사항이 산출, 계산, 유도, 추출, 외삽, 시뮬레이션, 생성, 수정, 향상, 추정, 평가, 추론, 확립, 결정, 추론, 관찰, 전달 또는 실행될 수 있다. 개선예에서, 예측 지표는 동물 데이터 또는 하나 이상의 파생 상품의 적어도 일부에서 유도되고 산출된 계산 자산이다. 또 다른 개선예에서, 예측 지표는 하나 이상의 산출, 계산, 유도, 추출, 외삽, 시뮬레이션, 생성, 수정, 향상, 추정, 평가, 추론, 설정, 결정, 추론, 관찰 또는 하나 이상의 예상, 예측, 확률, 가능성, 또는 권장 사항의 통신에서 하나 이상의 입력으로서 하나 이상의 비동물 데이터 소스로부터의 하나 이상의 신호 또는 판독값을 포함한다. 또 다른 개선예에서, 예측 지표는 복수의 예측 지표로 구성된다.
"인공 데이터(artificial data)"라는 용어는 실제 동물 데이터 또는 그 하나 이상의 파생 상품에서 적어도 부분적으로 유도되거나 이를 사용하여 생성된 인공적으로 생성된 데이터를 의미한다. 하나 이상의 인공 지능 기술 또는 통계 모델을 사용하여 하나 이상의 시뮬레이션을 실행하여 생성할 수 있으며 하나 이상의 입력으로 하나 이상의 비동물 데이터 소스의 판독 또는 하나 이상의 신호를 포함할 수 있다. 인공 데이터에는 사람이나 다른 동물과 적어도 하나의 생물학적 기능을 공유하는 인공적으로 생성된 데이터도 포함된다(예: 인공적으로 생성된 시각 데이터, 인공적으로 생성된 움직임 데이터). 여기에는 직접 측정으로 얻을 수 없는 주어진 상황에 적용할 수 있는 모든 생산 데이터가 될 수 있는 "합성 데이터(synthetic data)"가 포함된다. 합성 데이터는 원본 데이터를 통계적으로 모델링한 다음 해당 모델을 사용하여 원본 데이터의 통계적 속성 중 적어도 하나를 재현하는 새로운 데이터 값을 생성함으로써 생성될 수 있다. 현재 개시되고 청구된 요지의 목적을 위해, "시뮬레이션된 데이터(simulated data)" 및 "합성 데이터(synthetic data)"라는 용어는 동의어이며 "인공 데이터(artificial data)"와 상호 교환 가능하게 사용되며, 용어 중 어느 하나에 대한 언급은 제한적인 것으로 해석되어서는 안 되며 오히려 모든 용어의 가능한 모든 의미를 포함한다.
도 1을 참조하면, 동물 데이터 및 그 예측 지표를 제공하기 위한 시스템의 개략도가 제공된다. 추측 시스템(10)은 전자적으로 전송될 수 있는 동물 데이터(14i)의 소스(source; 12)를 포함한다. 특징적으로, 동물 데이터의 소스(12)는 하나 이상의 센서(18i)를 포함한다. 표적 개체 또는 대상(16i)은 해당 동물 데이터(14i)가 수집되는 대상이다. 라벨 i는 각각의 표적 개체와 관련된 1에서 i max 까지의 정수 라벨일 뿐이며, 여기서 i max 는 1에서 수천 또는 그 초과가 될 수 있는 개체의 총 수이다. 이와 관련해서, 동물 데이터는 센서, 특히 생물학적 센서(바이오센서)에서 유도된 대상의 신체와 관련된 데이터를 의미한다. 많은 유용한 애플리케이션에서 대상은 사람(예: 운동선수, 군인, 병원 환자 또는 원격 의료 환자, 피트니스 수업 참가자, 비디오 게이머)이고 동물 데이터는 인간 데이터다. 동물 데이터는 표적 개체, 다중 표적 개체, 다중 개체의 표적 그룹 또는 다중 개체의 다중 표적 그룹에서 유도될 수 있다. 동물 데이터는 각각의 표적 개체의 단일 소스 센서 또는 각각의 표적 개체의 여러 소스 센서에서 얻을 수 있다. 어떤 경우에는, 단일 소스 센서가 여러 개체, 여러 개체의 표적 그룹 또는 여러 개체의 여러 표적 그룹에서 데이터를 캡처할 수 있다(예: 개체의 표적 그룹에 대해 이동된 거리의 위치를 찾고 측정하는 광학 기반 카메라 센서). 각각의 소스 센서는 단일 유형의 동물 데이터 또는 여러 유형의 동물 데이터를 제공할 수 있다. 개선예에서, 하나 이상의 소스 센서는 적어도 하나의 바이오센서로 구성된다.
바이오센서는 본 실시예와 관련하여, 전기적 및 비 전기적 신호 모두, 측정, 및 인공적으로 생성된 정보를 포함하여, 연속적으로 또는 간헐적으로 측정, 모니터링, 관찰, 산출, 계산, 입력 또는 해석될 수 있는 동물에서 또는 동물에서 유도된 임의의 신호 또는 특성인 생체 신호를 수집한다. 생물학적 센서는 생리학적, 생체 인식, 화학적, 생체역학, 유전, 게놈, 위치 또는 기타 생물학적 데이터와 같은 생물학적 데이터(예: 판독값 및 신호 포함)를 하나 이상의 표적 개체로부터 수집할 수 있다. 예를 들어, 일부 바이오센서는 눈 추적 데이터(예: 동공 반응, 움직임, EOG 관련 데이터), 혈류/체적 데이터(예: PPG 데이터, 맥박 통과 시간, 맥박 도달 시간), 생물학적 유체 데이터(예: 혈액, 소변, 타액, 땀, 뇌척수액에서 유도된 분석), 체성분 데이터(예: BMI, 체지방률, 단백질/근육), 생화학 구성 데이터, 생화학적 구조 데이터, 맥박 데이터, 산소화 데이터(예: SpO2), 코어 체온 데이터, 피부 온도 데이터, 전기 피부 반응 데이터, 발한 데이터(예: 속도, 구성), 혈압 데이터(예: 수축기, 확장기, MAP), 수화 데이터(예: 체액 균형 I/O), 심장-기반 데이터(예: 심박수, 평균 HR, HR 범위, 심박수 변동성, HRV 시간 영역, HRV 주파수 영역, 자율신경 톤, PR, QRS, QT, RR 간격을 포함한 ECG-관련 데이터), 신경학적 관련 데이터(예: EEG 관련 데이터), 유전자 관련 데이터, 게놈 관련 데이터, 골격 데이터, 근육 데이터(예: 표면 EMG, 진폭을 포함한 EMG 관련 데이터), 호흡 데이터(예: 호흡수, 호흡 패턴, 흡기/호기 비율, 조석 부피, 구면 분석 데이터), 흉부 전기 생체 임피던스 데이터, 또는 이들의 조합과 같은 생물학적 데이터로 변환되거나 유도될 수 있는 정보를 측정하거나 제공할 수 있다. 일부 바이오센서는 예를 들어 각속도, 관절 경로, 보행 설명, 걸음 수, 또는 표적 대상의 움직임이 특징지어질 수 있는 다양한 방향의 위치 또는 가속도를 포함할 수 있는 생체 역학 데이터와 같은 생물학적 데이터를 검출할 수 있다. 일부 바이오센서는 위치 및 위치 데이터(예: GPS, RFID-기반 데이터, 자세 데이터), 얼굴 인식 데이터, 운동 감각 데이터(예: 신발 바닥에 위치한 센서에서 캡처한 물리적 압력), 또는 하나 이상의 표적 개체와 관련된 청각 데이터를 모을 수 있다. 일부 생물학적 센서는 이미지 또는 비디오를 기반으로 하며 비디오 또는 기타 시각적 데이터(예: 비디오, MRI, 컴퓨터 단층 촬영 스캔, 초음파, X선을 포함한 정지 또는 동영상)를 수집, 제공 및/또는 분석하며, 이때 생물학적 데이터가 감지, 측정, 모니터링, 관찰, 외삽, 산출, 또는 계산될 수 있다(예: 생체역학적 움직임, 위치, X-레이에 기반한 골절, 또는 대상의 비디오 또는 이미지-기반 시각적 분석에 기반한 스트레스 또는 질병). 일부 바이오센서는 중성지방 수치, 적혈구 수치, 백혈구 수치, 부신피질 자극 호르몬 수치, 헤마토크릿 수치, 혈소판 수치, ABO/Rh 혈액형, 혈액 요소 질소 수치, 칼슘 수치, 이산화탄소 수치, 염화물 수치, 크레아티닌 수치, 포도당 수치, 헤모글로빈 A1c 수치, 젖산 수치, 나트륨 수치, 칼륨 수치, 빌리루빈 수치, 알칼리성 인산분해효소(ALP) 수준, 알라닌 트랜스아미나제(ALT) 수준, 및 아스파르테이트 아미노전이효소(AST) 수준, 알부민 수준, 총 단백질 수준, 전립선 특이 항원(PSA) 수준, 미세알부민뇨 수준, 면역글로불린 A 수준, 엽산 수준, 코티솔 수준, 아밀라제 수준, 리파제 수준, 가스트린 수준, 중탄산염 수준, 철 수준, 마그네슘 수준, 요산 수준, 엽산 수준, 비타민 B-12 수준 등을 포함하는 를 포함한 혈액(예: 정맥, 모세혈관), 타액, 소변, 땀 등과 같은 생물학적 유체로부터 정보를 얻을 수 있다. 하나 이상의 표적 개체와 관련된 생물학적 데이터 외에도, 일부 바이오센서는 주변 온도 및 습도, 고도 및 기압과 같은 비생물학적 데이터 조건을 측정할 수 있다. 개선예에서, 하나 이상의 센서는 바이오센서 데이터로부터 적어도 부분적으로 유도되는 하나 이상의 산출, 계산, 예측, 확률, 가능성, 추정, 평가, 추론, 결정, 추론, 관찰, 또는 예측을 포함하는 생물학적 데이터를 제공한다. 다른 개선예에서, 하나 이상의 바이오센서는 2개 이상의 유형의 데이터를 제공할 수 있으며, 그 중 적어도 하나는 생물학적 데이터(예: 심박수 데이터 및 VO2 데이터, 근육 활동 데이터 및 가속도계 데이터, VO2 데이터 및 고도 데이터임)이다.
적어도 하나의 센서(18i) 및/또는 그것의 하나 이상의 부가물은 대상에 내장, 대상에 삽입 또는 이식, 대상에 의해 섭취 또는 대상의 적어도 일부를 포함하도록 통합되는 대상의 피부, 안구, 생체 기관, 근육, 모발, 정맥, 생물학적 유체, 혈관, 조직 또는 골격계를 포함하는 대상에 부착되거나, 접촉하거나, 대상과 관련하여 하나 이상의 전자 통신을 보낼 수 있거나 이 대상으로부터 유도될 수 있다. 예를 들어, 치아, 치아 세트 또는 하나 이상의 치아와 접촉하는 장치에 부착된 타액 센서, 대상의 체액 또는 모발에서 유도된 DNA 정보를 추출하는 센서,(예를 들어, 인체) 착용할 수 있는 센서, 뉴런으로부터 뇌 신호를 감지할 수 있는 대상의 뇌에 부착되거나 이식된 센서, 하나 이상의 생물학적 기능을 추적하기 위해 개체가 섭취하는 센서, 적어도 하나의 특성을 동물과 공유하는 기계(예: 로봇)(예: 사람의 팔과 유사한 하나 이상의 작업을 수행할 수 있는 능력을 갖는 로봇 팔, 사람의 정보와 유사한 정보를 처리하기 위한 능력을 갖는 로봇)에 부착되거나 이와 통합된 센서, 등. 유리하게는, 기계 자체는 하나 이상의 센서로 구성될 수 있으며, 센서와 대상 모두로 분류될 수 있다. 개선예에서, 하나 이상의 센서(18i)는 표적 개체와 접촉하거나 직접 또는 하나 이상의 매개물 또는 전면 광고 항목을 통해 통신하는 직물(textile), 패브릭(fabric), 천, 재료, 고정물, 물체 또는 장치에 통합되거나 그 일부로서, 부착되거나 그 안에 내장된다. 예로는 접착제를 통해 피부에 부착된 센서, 시계 또는 헤드셋에 통합된 센서, 셔츠 또는 저지(jersey)에 통합되거나 내장된 센서, 핸들에 통합된 센서, 비디오 게임 컨트롤러에 통합된 센서, 대상의 손과 접촉하는 농구공에 통합된 센서, 대상이 잡고 있는 매개물과 간헐적으로 접촉하는 하키 스틱 또는 하키 퍽에 통합된 센서(예: 하키 스틱), 피트니스 기계(예: 트레드밀, 자전거, 벤치 프레스)의 하나 이상의 핸들 또는 그립 내로 통합되거나 내장되는 센서, 표적 개체에 의해 제어되는 로봇(예: 로봇 팔) 내에 통합된 센서, 중간 양말 및/또는 표적 개체의 발목을 감싸는 접착 테이프를 통해 표적 개체와 접촉할 수 있는 신발에 통합되거나 내장된 센서 등을 포함한다. 다른 개선예에서, 하나 이상의 센서가 마루 또는 지면(예: 인조 잔디, 농구 바닥, 축구장, 제조/조립 라인 바닥), 좌석/의자, 헬멧, 침대, 또는 대상과 직접적으로 또는 하나 이상의 매개물을 통해 접촉하는 물체(예: 의류 중간을 통해 좌석의 센서와 접촉하는 대상)에 짜여지거나 내장되거나 통합되거나 부착될 수 있다. 또 다른 개선예에서, 센서 및/또는 그 하나 이상의 부속물은 대상의 신체(예: 장기의 조직, 대상의 머리카락)에서 유도된 하나 이상의 입자 또는 물체와 접촉할 수 있으며, 이를 통해, 생물학적 데이터로 변환할 수 있는 정보를 유도하거나 제공한다. 또 다른 개선예에서, 하나 이상의 센서는 광학 기반(예: 카메라 기반)일 수 있고 이로부터 생물학적 데이터가 검출, 측정, 모니터링, 관찰, 추출, 외삽, 추론, 연역, 추정, 결정, 산출 또는 계산될 수 있는 출력물을 제공할 수 있다. 또 다른 개선예에서, 하나 이상의 센서는 광 기반일 수 있고 적외선 기술(예를 들어, 온도 센서 또는 열 센서)을 사용하여 개체의 온도 또는 개체의 다른 부분의 상대 열을 산출할 수 있다.
도 1에 도시된 변형예에서, 각각의 개체(16i)는 표적 개체(16i)로부터 동물 데이터(14i)를 수집하는 적어도 하나의 센서(18i)를 갖는다. 컴퓨팅 서브시스템(22)은 전송 서브시스템(24)을 통해 동물 데이터(14i)를 수신하고 수집한다. 전송 서브시스템(24)은 하나 이상의 소스 센서(18i)가 하나 이상의 전송(예를 들어, 통신) 프로토콜을 통해 데이터를 무선으로 전송할 수 있게 한다. 유리하게는, 센서 통신은 실시간 또는 거의 실시간으로 일어날 수 있다. 이와 관련하여, 거의 실시간이란 센서 및 컴퓨팅 서브시스템에서 필요한 처리를 제외하고 전송이 의도적으로 지연되지 않음을 의미한다. 컴퓨팅 서브시스템(22)은 단일 표적 개체 또는 다중 표적 개체로부터 동물 데이터 또는 동물 데이터 그룹을 원시 또는 처리된(예를 들어, 조작된) 동물 데이터로서 수신하도록 작동 가능하다. 개선예에서, 컴퓨팅 서브시스템(22)은 단일 센서 및/또는 단일 표적 개체 및/또는 다중 표적 개체에서 유도된 다중 센서로부터의 단일 유형의 동물 데이터(예: 심박수 데이터) 및/또는 다중 유형(예: 그룹/데이터 세트 포함)의 동물 데이터(예: 원시 아날로그 프런트 엔드 데이터, 심박수 데이터, 근육 활동 데이터, 가속도계 데이터, 수화 데이터)를 수용하도록 작동 가능하다. 다른 개선예에서, 전송 서브시스템(24)은 동물 데이터(14i)를 중간 서버(22)로 보내는 것을 중재하는 컴퓨팅 디바이스(26i)를 포함한다, 즉, 데이터를 수집하여 컴퓨팅 서브시스템(22)으로 전송한다. 예를 들어, 컴퓨팅 디바이스(26i)는 스마트폰 또는 컴퓨터일 수 있다. 그러나, 컴퓨팅 디바이스(26i)는 임의의 컴퓨팅 디바이스일 수 있다. 전형적으로, 컴퓨팅 디바이스(26i)는 본 발명에 대한 요구사항은 아니지만, 표적 개체 또는 표적 개체의 그룹에 국소적이다. 추가 개선예에서, 컴퓨팅 서브시스템(22)은 클라우드(40) 또는 로컬 서버(예를 들어, 로컬화된 또는 네트워크화된 서버/저장, 로컬화된 저장 디바이스, 컴퓨팅 디바이스의 분산 네트워크)를 통해 동물 데이터의 소스(12)와 통신한다. 클라우드(40)는 인터넷, 퍼블릭 클라우드, 중간 서버(22)를 운영하는 조직에 의해 활용되는 프라이빗 클라우드 또는 기타 제 3자일 수 있다. 따라서, 이러한 맥락에서, 클라우드(40) 및/또는 로컬 서버는 전송 서브시스템(24)의 일부이다. 다른 개선예에서, 전송 서브시스템(24)은 직접 통신 링크를 포함한다. 따라서, 이러한 개선예에서, 컴퓨팅 서브시스템(22)은 센서(18i)와의 통신 링크(34) 또는 컴퓨팅 디바이스(26i)와의 통신 링크(36)에 의해 도시된 바와 같이 동물 데이터의 소스와 직접 통신한다. 하나의 개선예에서, 센서(18i)와의 통신은 하나 이상의 지정된 전송 프로토콜 또는 네트워크(예를 들어, 유선, WIFI, BLE, Zigbee, NFC, 셀룰러 네트워크)를 통해 이루어질 수 있다. 다른 개선예에서, 센서(18i)와의 통신은 센서의 네이티브(native) 애플리케이션 또는 다른 데이터 수집 매체(예: 클라우드, 서버)를 통해 이루어질 수 있다. 다른 개선예에서, 하나 이상의 센서와의 통신은 센서(예를 들어, 신발 바닥)와 수신 기술(예를 들어, 바닥 또는 지면의 일부로 통합됨) 사이의 직접 접촉을 통해 이루어질 수 있다.
여전히 도 1을 참조하면, 컴퓨팅 서브시스템(22) 및/또는 하나 이상의 센서(18i)는 동물 데이터의 적어도 일부를 선택된 표적 개체 또는 표적 개체의 그룹에 할당된 적어도 하나의 계산된 자산으로 변환한다. 더욱이, 컴퓨팅 서브시스템(22) 및/또는 하나 이상의 센서(18i)는 적어도 하나의 계산된 자산을 예측 지표로 변환하도록 작동 가능하다. 컴퓨팅 서브시스템(22) 및/또는 하나 이상의 센서(18i)는 한 명 이상의 사용자에게 하나 이상의 출력물을 제공하도록 추가로 작동 가능하다. 사용자는 예를 들어, 데이터의 고객 또는 획득자(예를 들어, 스포츠 내기와 같은 분야의 하나 이상의 출력물에 기초한 하나 이상의 내기를 하는 사람 또는 사람의 그룹, 또는 자신의 건강 모니터링을 위해 하나 이상의 출력물을 사용하는 사람 또는 사람 그룹)와 같은 컴퓨팅 서브시스템(22)를 통한 하나 이상의 출력물의 최종 사용자일 수 있다. 이와 관련하여, 사용자는 한 명 이상의 사람, 조직 등일 수 있다. 개선예에서, 사용자는 복수의 사용자로 구성될 수 있다. 사용자는 하나 이상의 시스템 또는 서브시스템일 수도 있다. 시스템은 하나 이상의 공통 목표를 달성하거나 하나 이상의 원하는 출력물을 생성하기 위해 함께 작동하는 하나 이상의 상호 관련되거나 상호 작용하는 구성 요소의 하나 이상의 세트일 수 있다. 시스템의 하나 이상의 구성 요소는 하나 이상의 애플리케이션, 프레임워크, 플랫폼 또는 기타 서브시스템을 포함할 수 있으며, 이는 시스템에 통합되거나 시스템과 분리되지만 네트워크의 일부이거나 시스템과 연결되고 하나 이상의 공통 목표를 달성하거나 하나 이상의 원하는 출력물을 생성한다. 예를 들어, 컴퓨팅 서브시스템(22)은 하나 이상의 출력물에 기초하여 보험 상품을 제공하는 플랫폼, 하나 이상의 출력물에 기초하여 실시간 건강 통계를 제공하는 원격 의료 애플리케이션, 또는 내기 시스템(28) 또는 확률 평가 시스템(30)과 같은 사용자(시스템)로 하나 이상의 출력물을 제공할 수 있다. 이러한 예에서, 컴퓨팅 서브시스템(22)에 의해 제공되는 하나 이상의 출력물은 하나 이상의 제 3자 시스템 또는 서브시스템, 또는 컴퓨팅 서브시스템(22)의 직접적인 또는 간접적인 부분인 하나 이상의 시스템 또는 서브시스템일 수 있다(예를 들어, 컴퓨팅 서브시스템(22)에 통합되고, 컴퓨팅 서브시스템(22)을 실행하는 하나 이상의 엔티티에 의해 분리되고 작동됨). 개선예에서, 하나 이상의 시스템은 컴퓨팅 서브시스템(22)을 작동하는 동일한 엔티티 또는 하나 이상의 엔티티에 의해 작동될 수 있다. 다른 개선예에서, 하나 이상의 시스템은 컴퓨팅 서브시스템(22)의 일부가 아니지만 컴퓨팅 서브시스템을 작동하는 동일한 엔티티 또는 하나 이상의 상이한 엔티티에 의해 작동되는 다른 시스템이다.
일부 변형예에서, 동물 데이터의 적어도 일부를 계산된 자산으로 변환하고 계산된 자산을 예측 지표로 변환하는 것은 컴퓨팅 서브시스템(22) 또는 하나 이상의 소스 센서를 통해 발생할 수 있다. 변환은 모든 동물 데이터를 활용하여 발생할 수 있다. 예를 들어, 심박수를 측정하는 맥락에서, 생물학적 센서는 대상의 신체에서 전기 신호를 측정하고 아날로그 측정값을 디지털 판독값으로 변환(예: 전환)하고 디지털 판독값을 전송하도록 구성할 수 있다. 컴퓨팅 서브시스템은(i) 중첩 세그먼트 내에서 R-피크를 식별하고,(ii) 인접한 R-피크 사이의 시간을 기반으로 하는 샘플 값의 수를 계산하고,(iii) 잘못된 피크 검출 또는 누락된 피크 검출에 의해 영향을 받는 샘플을 폐기하고,(iv) 가중될 수 있는 나머지 샘플 값의 평균을 계산하는 것에 의해 디지털 판독값을 수신하고 디지털 판독값의 중복 세그먼트에 기초하여 하나 이상의 계산을 통해 디지털 판독값을 하나 이상의 심박수로 변환할 수 있다. 컴퓨팅 서브시스템은 제 1 임계값 이상으로 이전의 심박수와 상이한 샘플 값에 응답하여 잘못된 피크 검출 또는 놓친 피크 검출에 의해 샘플이 영향을 받는다고 결정할 수 있다. 샘플 간의 차이의 표준 편차가 제 2 임계값보다 크면, 서버는 이전의 심박수 값과 제 2 임계값보다 작은 제 3 임계값 이상 차이가 나는 샘플 값에 대한 응답으로 잘못된 피크 감지 또는 놓친 피크 감지에 의해 샘플이 영향을 받는 것으로 결정할 수 있다. 개선예에서, 데이터에 대해 하나 이상의 행위를 취하는 프로세스의 각각의 단계는 본 발명의 목적을 위한 변환으로 간주될 수 있다. 이러한 맥락에서, 하나 이상의 행위는 하나 이상의 산출, 계산, 유도, 통합, 시뮬레이션, 추출, 외삽, 수정, 향상, 생성, 추정, 연역, 추론, 결정, 프로세스, 통신 등을 포함할 수 있다. 다른 개선예에서, 하나 이상의 신호 또는 비동물 데이터로부터 판독을 이용하여 하나 이상의 변환이 발생한다.
심박수 측정과 관련된 하나 이상의 변환의 개선예에서, 적어도 하나의 생물학적 센서는 대상의 신체에서 전기 신호를 측정하고, 하나 이상의 아날로그 측정값을 하나 이상의 디지털 판독값으로 변환하고, 하나 이상의 디지털 판독값을 전송하도록 구성된다. 컴퓨팅 서브시스템은 하나 이상의 디지털 판독값을 수신하고 하나 이상의 중첩 세그먼트 내에서 R-피크를 식별하고 하나 이상의 샘플 값을 계산하고, 잘못된 피크 검출 또는 누락된 피크 검출에 의해 영향을 받는 하나 이상의 샘플을 폐기하고, 나머지 샘플 값의 하나 이상의 평균을 계산함으로써 하나 이상의 디지털 판독값의 하나 이상의 중첩 세그먼트에 기초하여 심박수를 계산하도록 구성된다. 컴퓨팅 서브시스템은 나머지 샘플 값의 하나 이상의 평균을 전달하도록 동작할 수 있다.
심박수 측정과 관련된 하나 이상의 변환의 또 다른 개선예에서, 적어도 하나의 생물학적 센서는 대상의 피부에 고정되도록 구성되고 피부의 전기 신호를 측정하고 아날로그 측정값을 디지털 판독값으로 변환하고 디지털 판독값을 전송하도록 구성된다. 컴퓨팅 시스템은 디지털 판독값을 수신하고(i) 하나 이상의 중첩 세그먼트 내에서 R-피크를 식별하고,(ii) 인접한 R-피크 사이의 시간에 기초한 다수의 샘플 값을 계산하고,(iii) 이전 심박수 값의 제 1 임계값 내의 샘플을 선택하고,(iv) 현재 심박수 값을 가중될 수 있는 선택된 샘플의 평균으로 설정함으로써 디지털 판독값의 하나 이상의 중첩 세그먼트에 기초하여 하나 이상의 심박수를 계산한다. 각각의 샘플 값은 인접한 R-피크 사이의 시간의 역수에 비례할 수 있다. 컴퓨팅 시스템은 제 3 임계값보다 큰 연속 샘플 간의 차이의 표준 편차에 응답하여 이전 심박수 값의 제 2 임계값 내의 샘플을 선택할 수 있다. 컴퓨팅 서브시스템은 샘플의 수가 제 4 임계값 미만인 것에 응답하여 또는 샘플이 선택되지 않은 것에 응답하여 현재 심박수 값을 이전 심박수 값과 동일하게 설정할 수 있다. 컴퓨팅 시스템은 하나 이상의 현재 심박수 값을 한 명 이상의 사용자에게 통신하도록 작동 가능할 수 있다. 상기 시스템은 실시간 또는 거의 실시간으로 작동할 수 있으며, 여기서 컴퓨팅 시스템은 각각의 후속 심박수 값이 계산되기 전에 각각의 현재 심박수 값을 표시하도록 작동 가능하고 컴퓨팅 시스템은 센서가 후속 심박수 값을 계산하는 데 사용되는 판독값의 적어도 일부 또는 전체의 측정을 완료하기 전에 각각의 현재 심박수 값을 계산한다. 컴퓨팅 시스템은 중첩 세그먼트보다 긴 디지털 판독값의 예비 세그먼트를 수신하고, 예비 세그먼트 내에서 R-피크를 식별하고, 인접한 R-피크 사이의 시간을 기반으로 샘플 값을 계산하고, 가중될 수 있는 샘플의 평균을 계산함으로써 초기 심박수 값을 계산할 수 있다.
심박수 측정과 관련된 하나 이상의 변환의 또 다른 개선예에서, 적어도 하나의 생물학적 센서는 대상의 신체에서 하나 이상의 전기 신호를 측정하고, 아날로그 측정값을 하나 이상의 디지털 판독값을 전송하고 디지털 판독값을 전송하도록 구성된다. 컴퓨팅 서브시스템은 하나 이상의 디지털 판독값을 수신하고 하나 이상의 디지털 판독값 내의 R-피크를 식별하고 인접한 R-피크 사이의 시간을 기반으로 하나 이상의 샘플 값을 계산하고 이전 심박수 값의 제 1 임계값 내에서 하나 이상의 샘플을 선택하고, 현재 심박수 값을 선택된 샘플의 평균으로 설정함으로써 하나 이상의 디지털 판독값의 하나 이상의 중첩 세그먼트에 기초하여 하나 이상의 심박수 값을 변환(예를 들어, 계산)하도록 구성된다.
심박수 측정과 관련된 하나 이상의 변환의 또 다른 개선예에서, 컴퓨팅 서브시스템이 하나 이상의 판독값을 처리하도록 작동 가능하면서, 적어도 하나의 생물학적 센서로부터 컴퓨팅 서브시스템에 의해 하나 이상의 판독값이 수신된다. 예를 들어, 판독의 제 1 세그먼트는 하나 이상의 센서로부터 컴퓨팅 서브시스템에 의해 수신된다. 이어서 제 1 세그먼트 내의 R-피크는 컴퓨팅 서브시스템에 의해 식별된다. 그 다음, 제 1 복수의 샘플 값은 인접한 R-피크 사이의 시간에 기초하여 컴퓨팅 서브시스템에 의해 계산된다. 예를 들어, 상수는 인접한 R-피크 사이의 시간으로 나눌 수 있다. 제 1 복수의 샘플 값의 제 1 서브세트는 이전 심박수 값의 제 1 임계값 내의 샘플 값만을 포함하여 선택된다. 그 다음, 제 1 업데이트된 심박수 값은 샘플 값의 제 1 서브세트의 평균에 기초하여 컴퓨팅 서브시스템에 의해 계산된다. 제 1의 업데이트된 심박수 값은 컴퓨팅 서브시스템에 의해 표시될 수 있다. 나중의 반복에서, 디지털 판독값의 제 2 세그먼트는 하나 이상의 센서로부터 컴퓨팅 서브시스템에 의해 수신될 수 있다. 디지털 판독값의 제 3 세그먼트는 제 2 세그먼트를 제 1 세그먼트에 추가하여 형성될 수 있다. 제 3 세그먼트 내의 R-피크가 식별될 수 있다. 제 2 복수의 샘플 값은 인접한 R-피크 사이의 시간에 기초하여 계산될 수 있다. 그 다음, 연속된 샘플들 사이의 복수의 차이가 계산될 수 있다. 제 2 임계값을 초과하는 차이의 표준 편차에 응답하여, 제 1 업데이트된 심박수 값의 제 3 임계값 내의 샘플 값만을 포함하는 제 2 복수의 샘플 값의 제 2 서브세트가 선택될 수 있다. 그 다음, 제 2 업데이트된 심박수 값이 컴퓨팅 서브시스템에 의해 계산될 수 있고 가중될 수 있는 샘플 값의 제 2 서브세트의 평균에 기초하여 디스플레이될 수 있다. 초기 심박수 값은 디지털 판독값의 예비 세그먼트를 기반으로 계산될 수 있다.
심박수 측정과 관련된 하나 이상의 변환의 또 다른 개선예에서, 신호 품질과 관련된 문제를 다룰 때 변환이 발생할 수 있다. 원시 데이터의 신호 대 잡음비가 극히 낮은 경우, 심박수 값을 계산하기 전에 데이터를 변환하기 위해 추가 사전-필터 로직(pre-filter logic)이 적용될 수 있다. 사전-필터 프로세스는 이상값을 감지하고 예측 접근 방식을 사용하여 하나 이상의 이상값을 생성된 값의 시계열에 정렬되고 미리 설정된 임계값/범위 내에 맞는 값으로 대체한다. 미리 설정된 임계값/범위에 맞는 이러한 생성된 값은 하나 이상의 심박수 값의 계산을 위해 시스템을 통해 전달될 수 있다.
심박수 측정과 관련된 하나 이상의 변환의 또 다른 개선예에서, 변환은 하나 이상의 생물학적 센서로부터 생성된 하나 이상의 이상값을 검출하고 대체할 때 발생할 수 있다. 컴퓨팅 서브시스템은 하나 이상의 생물학적 센서에 의해 직접 또는 간접적으로 생성된 하나 이상의 값을 수신하도록 동작할 수 있다. 하나 이상의 통계적 테스트는 각각의 값에 대한 허용 가능한 상한 및/또는 하한을 결정하기 위해 컴퓨팅 서브시스템에 의해 적용될 수 있다. 역 충전 방법(backward filling method)을 사용하여 하나 이상의 이상값을 현재 샘플 윈도우에 설정된 허용 범위 내에 있는 다음 사용 가능한 값으로 바꿀 수 있다.
심박수 및 기타 생물학적 데이터를 측정하기 위한 시스템과 관련된 추가 세부사항은 2019년 1월 14일에 출원된 미국 특허 출원 제 16/246,923호 및 2020년 1월 14일에 출원된 미국 특허 PCT/US20/13461호에 개시되며; 그 전체 개시 내용은 인용에 의해 본원에 포함된다. 본 발명은 동물 데이터 및/또는 그 하나 이상의 파생 상품을 변환하는 데 사용되는 방법 또는 시스템으로 제한되지 않으며, 본 발명은 변환되는 데이터의 유형으로 제한되지 않는다.
추측 시스템(10)에 의해 제공되는 하나 이상의 출력물은 하나 이상의 예측 지표, 계산된 자산, 동물 데이터(신호 및 판독값 포함), 그 하나 이상의 파생 상품, 및/또는 이들의 조합을 포함할 수 있다. 이러한 맥락에서, "제공된(provided)"에는 "송신된(sent)", "사용 가능하게 된(made available)" 및 "액세스 권한이 부여된(granted access to)"이 포함된다. 예를 들어, 컴퓨팅 서브시스템은 하나 이상의 출력물을 플랫폼 및 애플리케이션(예: 내기 애플리케이션, 건강/원격의료 애플리케이션, 피트니스 애플리케이션, 보험 애플리케이션, 예측 애플리케이션, 재활 애플리케이션)을 포함하는 다른 하나 이상의 시스템 또는 서브시스템으로 보낼 수 있거나 하나 이상의 출력물에 대한 액세스 부여는 다른 시스템 또는 서브시스템이 하나 이상의 메커니즘(예: 클라우드(40)을 통한 액세스)을 통해 데이터에 액세스해야 한다. 컴퓨팅 서브시스템(22)은 다음 애플리케이션을 위해 직접 또는 간접적으로 컴퓨팅 서브시스템(22)으로부터의 하나 이상의 출력물의 적어도 일부를 사용하도록 작동 가능하다: (1) 하나 이상의 내기가 놓이거나 수락되는 마켓으로서; (2) 하나 이상의 내기를 수락하기 위해; (3) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공 또는 배포하기 위해; (4) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하기 위해; (5) 하나 이상의 전략을 수립하기 위해; (6) 하나 이상의 행위를 취하기 위해; (7) 하나 이상의 위험을 완화하거나 방지하기 위해; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에 사용되는 하나 이상의 신호 또는 판독값(예: 판독값 신호 세트 포함)으로; (9) 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (10) 하나 이상의 행위를 권장하고; (11) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (12) 하나 이상의 판촉 내에서; 또는(13) 이들의 조합. 이와 관련해서, 조합은 가능한 모든 반복뿐만 아니라 2개 이상을 포함할 수 있다. 더욱이, 간접 사용은 하나 이상의 출력물의 파생 상품, 또는 하나 이상의 출력물의 비직접적 적용을 포함할 수 있다. 예를 들어, 예측 지표 X를 기반으로 대상 X에 대한 확률이 생성되고 예측 지표 Y를 기반으로 대상 Y에 대한 확률이 생성되는 경우의 예측 지표 X 및 Y의 직접적인 사용 없이 그룹 Z(대상 X 및 Y로 구성됨)에 대한 확률이 생성될 수 있다. 하나 이상의 출력물을 간접적으로 사용하면 데이터에서 직접 유도되지 않은 하나 이상의 작업도 포함될 수 있다. 예를 들어, 간접 사용은 컴퓨팅 서브시스템(22) 또는 내기 시스템(28) 또는 확률 평가 시스템(30)이 데이터와 사용자의 상호작용을 관찰하는 것을 포함할 수 있으며, 이로부터 계산 서브시스템(22) 또는 내기 시스템(28) 또는 확률 평가 시스템(30)은 수집 또는 소비된 전략, 예측, 추천 등은 데이터 자체가 아니라 데이터와의 사용자 상호 작용을 기반으로 한다. 마지막으로, 하나 이상의 용도가 상호 연결되거나 상호 관련될 수 있다. 예를 들어, 행위는 또한 위험을 완화할 수 있고, 확률의 생성은 전략의 공식화를 가능하게 할 수 있고, 제품 생성은 판촉에 활용될 수 있고, 시뮬레이션 결과는 예측 또는 추천의 기초를 제공할 수 있다.
애플리케이션(1)에 대한 변형예에서, 마켓은 특정 이벤트에 대한 특정 유형 또는 범주의 베팅일 수 있다. 마켓은 모든 이벤트를 위한 것일 수 있다. 종종 하나 이상의 베팅을 수락하는 조직은 각 마켓에 대해 나열된 배당률과 함께 각 이벤트에 대해 복수의 베팅 마켓을 제공한다. 특정 유형 또는 범주에는 제안 베팅(proposition bet), 스프레드 베팅(spread bet), 라인 베팅(line bet), 퓨처 베팅(future bet), 팔레이 베팅(parlay bet), 라운드-로빈 베팅(round-robin bet), 핸디캡 베팅(handicap bet), 오버/언더 베팅(over/under bet), 풀 커버 베팅(full cover bet) 또는 티저 베팅(teaser bet)이 포함될 수 있다.
애플리케이션(2)에 대한 변형예에서, 내기의 수락은 예를 들어 하나 이상의 출력물(예를 들어, 예측 지표에서 유도된 베팅 유형)을 사용하는 내기 시스템에 의한 베팅의 수락, 하나 이상의 출력물을 기초로 하여 보험 제공자에 의해 받아진 위험과 연관되는 개체로부터의 지불의 보험 시스템(예: 보험 제공자)에 의한 수락(예: 개체가 예측 지표에 의해 예측된 주어진 생물학적 사건을 경험할 가능성에 따라 회사에 더 많은 비용을 지출할 수도 있고 지출하지 않을 수 있는, 개체에게 제공되는 보험 증권)일 수 있다.
애플리케이션(3)에 대한 변형예에서, 하나 이상의 제품은 판매 또는 배포되도록 설계된 하나 이상의 상품 또는 서비스일 수 있다. 제품이 직접 또는 간접적으로 하나 이상의 출력물 중 적어도 일부를 사용하는 한, 제품은 생성, 수정, 향상, 제공 또는 배포될 수 있는 임의의 산업 또는 버티컬(vertical)에서 임의의 제품일 수 있다. 여기에는 제품 생성으로 이어지는(또는 결과적으로) 하나 이상의 출력물이 포함된다. 예를 들어, 제품은 하나 이상의 출력물 자체(예: 예측 지표), 베팅할 마켓, 보험 상품, 하나 이상의 출력물을 표시하는 건강 애플리케이션, 대상, 스포츠 베팅 애플리케이션, 하나 이상의 출력물(예: 음료, 식품)을 활용하는 소비자 제품과 관련된 특정 통찰을 제공하도록 설계된 알고리즘 모음일 수 있다. 명확히 하기 위해, "향상(enhance)"에는 강화가 가치를 추가해야 하는 제품의 "일부가 되는(to be part of)"이 포함될 수 있다. 또한 많은 경우 "생성(create)"은 "유도(derive)"을 포함할 수 있으며 그 반대의 경우도 마찬가지이다. 유사하게, "생성(create)"은 "발생(generate)"을 포함할 수 있으며 그 반대의 경우도 마찬가지이다. 또한, "수정하다(modify)"는 "개정하다(revise)", "수정하다(amend)", "조정하다(adjust)", "변경하다(change)" 및 "개선하다(refine)"를 포함할 수 있다. 마지막으로, 제품의 "획득자(acquirer)"는 예를 들어 소비자, 조직, 다른 시스템, 제품을 소비할 수 있는 다른 종점 등이 될 수 있다.
적용(4)에 대한 변형예에서, 하나 이상의 예측, 확률 또는 가능성은 연결된 하나 이상의 예측, 확률 또는 가능성과 함께 미래의 결과 또는 발생과 관련될 수 있다. 예를 들어, 선수의 현재 심박수, 평균 심박수, 최대 심박수, 유사한 조건에 대한 이력 심박수, 생물학적 유체 수준, sEMG 데이터, 코트에서의 시간(분), 총 거리 달리기 등을 포함하는 다양한 타입의 데이터를 이용하는 임의의 주어진 농구 경기에서 임의의 주어진 선수의 분당 200비트 초과의 심박수를 상승시키는 가능성을 결정하도록 계산될 수 있다. 이 확률을 이용하여, 선수가 50%를 초과하는 비율로 25피트 밖에서 득점할 가능성을 결정하기 위해 또 다른 확률이 계산될 수 있다. 또한, "커뮤니케이션(communication)"은 하나 이상의 예측, 확률 또는 가능성의 시각화(예: 애플리케이션을 통한 확률 표시, AR 또는 VR 시스템 내에서 다른 개체에 대한 출력물 기반 확률 표시), 하나 이상의 예측, 확률 또는 가능성의 구두 연락(예: 하나 이상의 출력물을 기반으로 이벤트가 발생할 가능성 또는 이벤트가 발생할 가능성을 개체에게 알려주는 음성 활성화 가상 비서, 특정 행위를 취하지 않을 경우 저혈당이 발생할 가능성, 수집된 생물학적 데이터를 기반으로 향후 120일 동안 뇌졸중이 발생할 가능성, 또는 하나 이상의 출력물을 기반으로 생물학적 관련 이벤트가 발생할 가능성일 수 있다)을 포함할 수 있다. 마지막으로, 예측, 확률 또는 가능성의 수정은 이벤트에 대해 미리 결정된 예측, 확률 또는 가능성을 수정하는 것을 포함할 수 있다.
애플리케이션(5)에 대한 변형예에서, 전략은 하나 이상의 출력물을 사용하는 임의의 전략을 포함할 수 있다. 전략은 예를 들어 개체를 보장할지 여부, 베팅할지 여부, 특정 행위를 취할지 여부 등을 결정하기 위한 행위 계획일 수 있다.
애플리케이션(6)에 대한 변형예에서, 행위는 하나 이상의 출력물의 적어도 일부와 직접적으로 또는 간접적으로 관련된 임의의 행위일 수 있다. 행위에는 하나 이상의 출력물에서 유도된(또는 초래되는) 행위를 포함한다. 예를 들어, 누군가를 보장하기 위한 행위(예: 사람이 향후 24개월 동안 심장마비에 걸릴 확률은 X이므로 보험료는 Y가 됨), 개체의 생물학과 관련된 행위(예: 자동차의 승객은 가장 가까운 병원으로 운전하기 위해 자율 운전 자동차를 트리거하는 출력물 판독값을 가지고 있음), 내기를 하기 위한 행위(예: 운동 선수의 에너지 수준이 X퍼센트이므로 사용자가 내기를 하는 경우), 특정 행위를 취하기 위한 행위(예: "베팅하기(place a bet)", "오늘 20분 동안 뛰기(run for 20 minutes today)", "오늘 X 칼로리 섭취(eat X number of calories today)"와 같은 특정 행위를 취하기 위한 행위를 전달하는 시스템), 아무 행위도 전혀 취하지 않는 행위, 등을 포함한다.
적용(7)에 대한 변형예에서, 위험의 완화 또는 예방은 위험 감소 또는 예방과 관련된 임의의 행위, 비-행위, 전략, 권고 등을 포함할 수 있다. 추가 위험을 감수하는 것도 포함될 수 있다.
애플리케이션(8)에 대한 변형예에서, 신호 또는 판독은 임의의 형태 및 임의의 형식의 정보(예를 들어, 하나 이상의 데이터 세트를 포함함)를 포함할 수 있다.
애플리케이션(9)에 대한 변형예에서, 시뮬레이션은 하나 이상의 컴퓨터 모델의 생성 뿐만 아니라 하나 이상의 상황 또는 프로세스의 모방을 모두 포함한다. 시뮬레이션은 광범위의 참여 사용이 있으며, 출력물의 임의의 사용이 직접 또는 간접 참여가 고려될 수 있는 하나 이상의 출력물을 생성하도록 이용되는 시뮬레이션 뿐만 아니라 한 명 이상의 사용자가 참여할 수 있는 하나 이상의 시뮬레이션 내의 하나 이상의 출력물의 포함(예를 들면, 비디오 게임, AR/VR 시스템)을 포함한다.
애플리케이션(10)에 대한 변형예에서, 하나 이상의 행위를 추천하는 것은 하나 이상의 출력물에 의해 추론되는 추천(예를 들어, 발생 확률을 제공하는 예측 지표는 취해야 할 행위를 추론할 수 있다) 뿐만 아니라 하나 이상의 출력물에 기초하여 직접적으로 언급된 권장 사항(예를 들어, 발생 확률로부터 유도된 예측 지표에 기초하여 행위가 취해져야 한다는 권고) 모두를 포함한다. 개선예에서, 추천은 복수의 추천으로 구성될 수 있다.
애플리케이션(11)에 대한 변형예에서, 사용자 소비의 하나 이상의 매체는 사용자가 하나 이상의 출력물을 직접적으로 또는 간접적으로 소비할 수 있는 임의의 매체일 수 있다. 매체는 예를 들어 하나 이상의 출력물을 통해 심장 상태 확인을 전달하는 건강 모니터링 애플리케이션, 원격 의료 전문가 또는 재활 전문가가 통합형 비디오 디스플레이를 통해 환자를 보는 것을 가능하게 하면서, 활동(예: 원격 운동) 동안 플랫폼에 하나 이상의 출력물을 전달하는 원격 재활 또는 원격 건강 플랫폼, 동물 데이터에 적어도 부분적으로 기초한 보험 조정을 전달하는 보험 애플리케이션, 스포츠 내기 플랫폼 등을 포함할 수 있다. 매체는 또한 하나 이상의 출력물을 통합하는 미디어 방송, 시청 중인 라이브 스포츠 이벤트에 대한 보충으로서 하나 이상의 출력물을 통합하는 스포츠 스트리밍 콘텐츠 플랫폼(예를 들어, 비디오 플랫폼)(예를 들어, 사용자가 라이브 콘텐츠를 보면서 내기를 가능하게 함), 등을 포함할 수 있다.
애플리케이션(12)에 대한 변형예에서, 하나 이상의 판촉은 하나 이상의 제품의 수용 및 수집(예를 들어, 판매)을 촉진하는 지원을 제공하는 임의의 판촉일 수 있다. 상기 판촉은 하나 이상의 광고, 하나 이상의 출력물을 사용하는 제안(예: 하나 이상의 출력물을 제공하여 보험료를 낮출 가능성이 있는 보험에 가입하기 위한 제안), 하나 이상의 출력물을 사용하는 할인 메커니즘, 등을 포함한다.
변형예에서, 컴퓨팅 서브시스템(22)은 하나 이상의 시스템(예를 들어, 내기 시스템(28), 확률 평가 시스템(30), 기타 시스템)에 하나 이상의 데이터 출력물을 제공하도록 작동 가능하고, 하나 이상의 시스템은: (1) 하나 이상의 내기를 하거나 수락되는 마켓으로서; (2) 하나 이상의 내기를 수락하도록; (3) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공 또는 배포하도록; (4) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (5) 하나 이상의 전략을 수립하도록; (6) 하나 이상의 행위를 취하도록; (7) 하나 이상의 위험을 완화하거나 방지하도록; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 사용되는 하나 이상의 신호 또는 판독값으로서; (9) 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (10) 하나 이상의 행위를 권장하도록; (11) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (12) 하나 이상의 판촉 내에서; 또는(13) 이들의 조합에 적접적으로 또는 간접적으로 하나 이상의 출력물의 적어도 일부를 이용하도록 작동 가능하다.
다른 변형예에서, 하나 이상의 출력물은 컴퓨팅 서브시스템(22)에 의해 동적으로 생성, 수정 또는 향상되며, 동적으로 생성, 수정 또는 강화된 하나 이상의 출력물의 적어도 일부는: (1) 하나 이상의 내기를 하거나 수락되는 마켓으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공 또는 배포하도록; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (4) 하나 이상의 전략을 수립하도록; (5) 하나 이상의 행위를 취하도록; (6) 하나 이상의 위험을 완화하거나 방지하도록; (7) 하나 이상의 시뮬레이션, 계산, 또는 분석에 사용되는 하나 이상의 신호 또는 판독값으로서; (8) 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (9) 하나 이상의 행위를 권장하도록; (10) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (11) 하나 이상의 판촉 내에서; 또는(12) 이들의 조합에 직접 또는 간접적으로 활용된다. 개선예에서, 다른 시스템(예: 관련 시스템 네트워크 내의 시스템, 타사 시스템)에서 동적 생성, 수정 또는 향상이 발생할 수 있다.
다른 변형예에서, 컴퓨팅 서브시스템에 의한 하나 이상의 직접 또는 간접 사용은 적어도 부분적으로 동적이며, 하나 이상의 출력물과의 하나 이상의 사용자 상호작용에 기초한다. 예를 들어, 컴퓨팅 서브시스템(22)은 내기 마켓 또는 배당률, 수집 또는 소비되는 제품, 확률의 평가 또는 계산, 전략, 예측, 컴퓨팅 서브시스템(22)으로부터의 하나 이상의 출력물의 적어도 일부에 기초하여 위험을 완화하거나 방지하기 위한 권장 또는 행위중 적어도 하나를 동적을 생성, 강화, 또는 변형하도록 작동 가능할 수 있다. 이러한 생성, 강화, 또는 변형은 데이터가 컴퓨팅 서브시스템(22)에 의해 수집되거나 시스템에 의해 새로운 데이터가 수집될 때 하나 이상의 간접 또는 직접적인 사용자 참여의 관측을 초래할 수 있다. 이 경우 동적은 하나 이상의 요인이나 입력을 기반으로 변경할 수 있는 능력이 있는 정적이 아님을 나타낸다. 이러한 사용 사례에는 스포츠 베팅(예: 제안 베팅, 스프레드 베팅, 팔레이, 퓨처, 라인 베팅, 라운드 로빈, 티저), 비스포츠 베팅 제품(예: 건강 모니터링 애플리케이션, 원격 건강 애플리케이션, 피트니스 애플리케이션, 보험 애플리케이션, 재활 애플리케이션과 같은 동물 데이터 기반 예측 지표를 활용하는 플랫폼), 데이터와 사용자 상호 작용 기반 전략, 수집된 데이터를 기반으로 한 추천 등과 같은 영영에서의 제품의 생성, 강화, 또는 변형을 포함할 수 있다. 예를 들어 개체가 팀(Team) X의 심박수와 관련된 데이터를 구매하는 경우, 제안 베팅이 생성되어 팀 X의 심박수와 관련된 개체에게 제공될 수 있다. 다른 예에서, 데이터 사용자가 건강 애플리케이션을 통해 다른 유형의 동물 데이터(예: 스트레스 수준, 피로)와 결합된 자신의 심장 건강 통계(예: ECG 판독값)를 보고 있는 경우, 컴퓨팅 서브시스템은 사용자와 건강 상태와의 사용자의 상호 작용을 기초로 한 추천 제품을 동적으로 생성 또는 조정할 수 있다(예: 불규칙한 ECG 패턴과 극도로 높은 스트레스 수준을 기반으로, 제품은 이전에 수집된 데이터에 대한 시스템 분석을 기반으로 "사용자는 다음 30일 동안 심장마비에 걸릴 확률이 7%이다. 병원에 가시오."를 전달할 수 있다). 그러한 하나 이상의 기능은 또한 내기 시스템(28) 및/또는 확률 평가 시스템(30)에 의해 전시될 수 있다.
또 다른 변형예에서, 추측 시스템(10)은 내기 시스템(28) 또는 확률 평가 시스템(30)과 상호작용한다. 내기 시스템(28)은 예를 들어 내기 시스템으로 데이터(예를 들어, 동물 데이터 및/또는 이의 하나 이상의 파생 상품)를 송신하는 컴퓨팅 서브시스템(22)으로 한 명 이상의 개체로부터 하나 이상의 내기를 수신하도록 설정될 수 있다. 내기 시스템은 일반적으로 내기 애플리케이션을 실행하는 하나 이상의 컴퓨팅 디바이스를 포함한다. 유사하게, 확률 평가 시스템(30)은 예를 들어 하나 이상의 확률을 평가 또는 계산하고, 하나 이상의 예측을 하고, 하나 이상의 위험을 완화 또는 방지하거나, 데이터(예를 들어, 동물 데이터 및/또는 그 하나 이상의 파생품)를 확률 평가 시스템으로 전송하는 컴퓨팅 서브시스템(22)으로 수집 또는 소비를 위한 하나 이상의 제품을 생성, 강화, 또는 변형하도록 설정될 수 있다. 내기 시스템 또는 확률 평가 시스템은 추측 시스템의 제어 엔티티 또는 제 3자에 의해 운영될 수 있다. 개선예에서, 내기 시스템(28) 또는 확률 평가 시스템(30), 또는 이들의 조합은 컴퓨팅 서브시스템(22)의 일부이다. 특징적으로, 컴퓨팅 서브시스템(22)은 동일하거나 실질적으로 유사한 하나 이상의 데이터 출력물을 복수의 사용자(예: 여러 시스템 또는 베팅자(bettor)와 같은 최종 사용자를 포함할 수 있음)에게 제공하도록 작동 가능하다. 유리하게는, 복수의 사용자에게 데이터를 제공하는 것은 동시에 일어날 수 있다. 예를 들어, 컴퓨팅 서브시스템은 선수 X에 대한 동일한 "에너지 레벨" 출력물을 여러 시스템(예: 방송 파트너)에 제공할 수 있지만 출력물 중 하나는 다른 그래픽 패키지를 포함하거나 다른 메타데이터 또는 형식화(예: 상이한 방식으로 표시된 타임 스탬프)를 포함할 수 있다. 다른 예에서, 컴퓨팅 서브시스템은 다양한 제품이 생성될 수 있는 다수의 사용자(예를 들어, 다수의 시스템)에 심박수 출력물을 제공할 수 있다. 또 다른 예에서, 컴퓨팅 서브시스템은 선수 X에 대한 심박수 출력물에 대한 내기 기회를 제공할 수 있지만 이를 한 명 이상의 사용자(예를 들어, 이 경우에는 한 명 이상의 베팅자에게 여러 방식으로 표시하거나 전달할 수 있다(예: 분당 비트 수는 베팅자 A에게 표시되고, 분당 비트 진동 알림 경고는 베팅자 B에 대해 스마트 시계로 전송되며, 가상 비서가 베팅자 C에게 구두로 전달한 분당 비트 수이다). 변형예에서, 베팅 유형은 선수 X의 동일한 심박수 출력물을 기반으로 할 수 있지만 한 명 이상의 베팅자와 선호하는 내기 제품을 수용하기 위해 다른 방식으로 제품화될 수 있다(예: 숫자를 직접적으로 기본으로 하는, 베팅자에게 숫자로서 심박수 대 색상으로서 심박수에 대한 내기를 제공하는 것). 개선예에서, 컴퓨팅 서브시스템(22)의 하나 이상의 출력물은 하나 이상의 유형의 비동물 데이터 및/또는 하나 이상의 소비 매체와 동기화된다. 예를 들어, 하나 이상의 출력물은 비디오 콘텐츠(예를 들어, 데이터는 스포츠 경기를 시청하는 동안 하나 이상의 내기를 할 수 있는 능력을 제공하기 위해 스포츠 이벤트의 하나 이상의 라이브 스트림과 동기화될 수 있고, 데이터는 실시간 원격 의료 또는 원격 모니터링 또는 재활 세션 동안 환자의 스트리밍 비디오와 동기화될 수 있고, 데이터는 스마트 안경 또는 AR/VR 시스템에서 유도되고 그 안에서 사용되는 시각적 콘텐츠와 동기화될 수 있음), 오디오 콘텐츠, 추가 데이터 판독값(예: 포인트 승/패, 대결 승/패, 득점, 어시스트, 골, 득점 비율 등의 스포츠 통계), 시뮬레이션 게임(예: 비디오 게임) 등을 포함할 수 있는 미디어 콘텐츠와 동기화될 수 있다. 다른 개선예에서, 컴퓨팅 서브시스템(22) 또는 내기 시스템(28) 또는 확률 평가 시스템(30)은 동물 데이터로부터 하나 이상의 베팅 제품을 생성하도록 작동 가능하다.
또한, 하나 이상의 내기 시스템 및 확률 평가 시스템은 하나 이상의 기능 및/또는 특성을 공유할 수 있다(예를 들어, 두 유형의 시스템 모두 하나 이상의 확률을 평가하고, 하나 이상의 전략을 공식화하고, 한 명 이상의 사용자가 하나 이상의 작업을 수행하고, 하나 이상의 권장 사항을 제공하고, 하나 이상의 위험을 완화하고, 하나 이상의 제품을 생성 또는 수정한다). 유사하게, 하나 이상의 내기 시스템은 확률 평가 시스템의 하나 이상의 기능 또는 특성을 가질 수 있으며 그 반대의 경우도 마찬가지이다. 개선예에서, 내기 시스템 및 확률 평가 시스템은(예를 들어, 동일한 하나 이상의 네트워크 내에서 또는 동일한 사용 사례를 해결하기 위해 다른 작업을 수행하는) 함께 작동하여 동일하거나 유사한 사용 사례에 대해 동일한 데이터를 기초하여 하나 이상의 상이한 오퍼링(offering)을 제공한다. 어떤 경우에는 하나 이상의 내기 시스템이 하나 이상의 확률 평가 시스템과 직접 통신할 수 있으며 그 반대의 경우도 마찬가지이다. 예를 들어, 컴퓨팅 서브시스템(22)으로부터 데이터를 수신할 때, 확률 평가 시스템은(예를 들어, 스포츠 베팅, 보험, 의료에서) 발생하는 임의의 주어진 결과의 하나 이상의 확률을 제공하는 제품을 생성할 수 있고, 내기 시스템은 하나 이상의 배당률을 기초로 하여 내기를 수락할 수 있다(예: 제 3자 분석 회사의 예측 지표를 기반으로 생성된 확률로 내기를 생성하고 수락하는 스포츠 베팅 플랫폼, 제 3자 보험 분석 회사에서 생성한 예측 지표를 기반으로 한 보험료 조정을 통해 누군가를 보장하기 위해 위험을 생성하고 수용하는 보험 회사, 제 3자가 제공한 예측 지표를 기반으로 환자에게 디지털 서비스 제품을 제공할 위험을 감수하는 원격 의료 또는 원격 건강 모니터링 회사).
위에 설명된 바와 같이, 예측 지표는 새로운 내기 마켓 및 상품에 대한 기초로서 뿐만 아니라 미래 발생과 관련된 예측 및 관련 결정(예: 확률, 가능성)을 설정하는 것을 포함하여 가치 창출을 위한 복수의 기회를 제공한다. 예측 지표는 예를 들어, 하나 이상의 통계 모델 활용, 하나 이상의 인공 지능 기술(예: 머신 러닝, 딥 러닝 기술), 또는 하나 이상의 산출 또는 계산에 의해, 다양한 방법으로 유도될 수 있다. 예를 들어, 하나 이상의 기계 학습 방법을 활용하여 시스템은 이전에 수집된 데이터 세트와 현재 데이터 세트를 분석하여 하나 이상의 예측을 생성, 수정 또는 향상할 수 있다. 기계 학습 기반 시스템이 명시적으로 프로그래밍된 지침을 요구하지 않고 수집된 데이터에서 학습하도록 설정되어 있다는 점을 감안할 때, 하나 이상의 데이터 세트 내에 숨겨져 있을 수 있는 패턴을 검색하고 인식하는 기능을 통해 기계 학습 기반 시스템은 예측을 가능하게 하는 수집된 데이터로부터 통찰을 발견할 수 있도록 한다. 유리하게도 기계 학습 기반 시스템은 학습을 위해 데이터를 사용하기 때문에 새로운 데이터가 시스템에 입력될 때 모델 예측과 정확도를 개선하기 위해 반복적인 접근 방식을 취하는 경우가 많다(신뢰할 수 있고 반복 가능한 결과 생성 가능).
또한, 예측 지표는 n개의 방식으로 표현될 수 있다. 예를 들어, 예측 지표는 백분율(예: 대상 X가 향후 n년 동안 심장마비에 걸릴 확률이 75%임), 텍스트 또는 진술(예: "다음 n분 안에 물을 마시지 않으면 대상 X가 탈수될 것이다"와 같은 예측 지표, "대상 X는 향후 n일 동안 y 건강 상태를 경험하게 될 것이다"와 같은 진술를 기초로 한 추천 행위), 물리적 반응(예: 진동을 통한 진동 예측 지표에 기초하여 베팅을 하도록 사용자에게 경고하도록 프로그래밍된 시계 등)등으로서 나타난다. 예측 지표는 단일 동물 데이터 유형 또는 여러 동물 데이터 유형에서 유도될 수 있다. 동물 데이터 또는 그 일부의 신호, 판독값 또는 파생 상품에서 유도될 수 있다. 개선예에서 예측 지표는 동물 데이터의 적어도 일부에서 산출된 계산 자산 또는 2개 이상의 신호 또는 하나 이상의 소스 센서의 판독값에서 계산된 복합물(composite)이다. 예를 들어, 하나 이상의 생리학적 측정 기준은 표적 개체의 피로 수준을 예측할 수 있으므로 해당 개체가 특정 시간에 특정 작업을 수행하는 성공을 예측할 수 있다(예: 스포츠에서 자유투를 하거나 필드 골을 차거나, 조종사로서, 목적지까지 안전하게 운전하거나 비행하거나, 외과의사로서, 수술을 수행). 이 상황에서 예측 지표는 예를 들어 베팅 여부를 결정하고, 이벤트에 대한 결과가 발생할 확률을 결정하고, 이벤트에 대해 이전에 결정된 확률을 수정하거나, 이에 대한 개체가 내기를 하거나 행위를 취하기 위해 마켓이 생성되는 전략을 공식화하는 데 사용할 수 있다. 따라서 사용자는 금전적 이득을 위해 위험을 평가하거나 위험을 감수하는 조직(예: 북메이커, 보험 회사), 분석 회사, 선수의 경기력을 분석하는 스포츠 팀, 베팅을 하는 사람 또는 베팅 제품을 만드는 회사일 수 있다. 변형예에서, 예측 지표는 얼굴 인식 데이터, 시선 추적 데이터, 혈류 데이터, 혈액량 데이터, 혈압 데이터, 생물학적 유체 데이터, 체성분 데이터, 생화학 성분 데이터, 생화학 구조 데이터, 펄스 데이터, 산소화 데이터, 코어 체온 데이터, 피부 온도 데이터, 전기 피부 반응 데이터, 땀 데이터, 로케이션 데이터(location data), 위치 데이터(positional data), 오디오 데이터, 생체 역학 데이터, 수화 데이터, 심장 기반 데이터, 신경학적 데이터, 유전 데이터, 게놈 데이터, 골격 데이터, 근육 데이터, 호흡 데이터, 운동감각 데이터, 흉부 전기 생체 임피던스 데이터, 또는 이들의 조합으로 구성된 그룹에서 선택된 생물학적 데이터를 포함하는 계산된 자산에서 계산된다. 다른 개선예에서, 예측 지표는 하나 이상의 신호 또는 비동물 데이터로부터의 판독값을 포함한다. 하나 이상의 비동물 신호 또는 판독값은 예를 들어 주변 온도 데이터, 습도 데이터, 기압 데이터, 고도 데이터, 풍속, 영양 데이터, 가족력 데이터, 심리적 데이터, 비동물 통계 데이터(예: 스포츠의 맥락에서 볼 수 있는 예로는 포인트, 리바운드, 어시스트, 터치다운, 슛, 골, 턴오버, 야드 패스, 야드 런, 승/패, 승률, 및 정면 승부 정보), 기타 과거 데이터, 등을 포함할 수 있다.
다른 개선예에서, 예측 지표의 적어도 일부가: (1) 하나 이상의 내기를 하거나 수락하는 마켓으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공 또는 배포하도록; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (4) 하나 이상의 전략을 수립하도록; (5) 하나 이상의 행위를 취하도록; (6) 하나 이상의 위험을 완화하거나 방지하도록; (7) 하나 이상의 시뮬레이션, 계산, 또는 분석에 사용되는 하나 이상의 판독값으로서; (8) 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (9) 하나 이상의 행위를 권장하도록; (10) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (11) 하나 이상의 판촉 내에서, 또는 (12) 이들의 조합에 직접적으로 또는 간접적으로 사용된다. 설명을 위해 이러한 맥락에서, 하나 이상의 행위가 하나 이상의 내기 수락이 포함될 수 있다. 의료 시나리오에서, 사용자(예: 환자)는 의료 전문가(예: 의사)가 작성한 약품 또는 처방전 비용을 지불하는데 동의할 수 있으며, 처방전 또는 약품은 예측 지표(예: 예측 지표는 환자가 의학적 상태를 경험할 확률이 퍼센트일 수 있음을 나타낼 수 있으므로 의사는 예측 지표를 기반으로 의학적 사건의 가능성을 줄이기 위해 알약 x를 처방한다)에 기초하여 처방된다. 예측 지표에 적어도 부분적으로 기초하여 처방된 알약 x를 받는 환자의 행위와 건강을 개선하기 위해 약품 및 처방전을 받는 이점에 대한 대가로 위험(예: 알약 x의 비용, 잠재적인 건강 관련 문제)을 수용하는 행위는 환자/사용자가 수락하고 이에 따라 행동하는 내기가 될 수 있다.
다른 개선예에서, 예측 지표는 복수의 예측 지표를 포함할 수 있다. 예를 들어, 예측 지표는 단일 지표 내에서 여러 예측 평가를 제공할 수 있다(예: n개월 이내에 X가 발생할 확률 또는 n+3개월 이내에 Y가 발생할 확률을 나타내는 지표). 다른 개선예에서, 하나 이상의 예측 지표는 표적 개체, 다중 표적 개체, 다중 표적 개체로 구성된 표적화된 그룹, 및/또는 다중 표적 개체로 구성된 다중 표적화된 그룹으로부터 유도되거나 이와 관련될 수 있다. 여기에는 적용 가능, 연관, 할당 등이 포함된다. 예를 들어, 하나 이상의 예측 지표는 표적 개체, 각각의 개체가 자신의 하나 이상의 예측 지표를 갖는 다중 표적 개체, 자체 하나 이상의 예측 지표를 갖는 표적 개체로 구성되는 표적 그룹 및/또는 자체 또는 그 초과의 예측 지표를 갖는 개체, 또는 다수의 표적 개체로 구성된 다수의 그룹에 귀속될 수 있고, 다수의 표적 그룹은 자체의 하나 이상의 예측 지표를 갖고 및/또는 다수의 표적 그룹 내의 각각의 표적 그룹이 자체의 하나 이상의 예측 지표를 갖고 및/또는 복수의 그룹의 각각의 표적 그룹 내에 표적 개체는 자체의 하나 이상의 예측 지표를 갖는다. 예를 들어, 농구 팀의 맥락에서, 선수 A는 리그 C에서 농구 팀 B의 가드이다. 선수 A는 자신의 성과와 관련된 예측 지표를 가질 수 있고, 팀 B는 최소한 부분적으로는 팀 구성원(선수 A 포함)으로부터 유도된 팀 성과와 관련된 예측 지표를 가질 수 있으며, 리그 C에는 리그(선수 A 포함)의 모든 가드에서 적어도 부분적으로 유도되는 리그의 모든 가드에 대한 예측 지표가 있을 수 있다. 다른 개선예에서, 하나 이상의 표적 개체 또는 표적 개체의 표적 그룹은 하나 이상의 익명화된 개체를 포함한다.
또 다른 개선예에서, 예측 지표는 하나 이상의 소스 센서로부터 유도된 생물학적 데이터의 적어도 일부를 포함하고, 기대 수명에 관한 피드백, 의학적 치료(예: 수술, 약물 치료 등) 또는 스트레스 또는 에너지 수준을 포함한 일반적인 건강 지표와 관련된 위험을 포함할 수 있는 표적 개인의 건상 상태에 대한 예측을 제공한다. 이러한 정보의 사용자는 항공 회사, 의료 시설(예: 병원), 제약 회사, 자동차 회사, 운송 회사, 재활 시설, 군사 조직, 스포츠 단체, 지방 자치 그룹(예: 경찰), 석유 및 가스 회사, 건설 회사, 의료 회사, 금융 그룹, 보험 회사, 기업 웰빙, 기타 기술 회사, 개체 등을 포함한다. 예를 들어, 항공사나 운송 회사는 예측 지표를 사용하여 조종사나 운전자의 피로를 모니터링하고 예측할 수 있다. 보험사는 예측 지표를 적용하여 수집 및 분석된 동물 데이터를 기반으로 개체의 보험료를 조정할 수 있다. 금융 거래 회사는 예측 지표를 적용하여 의사 결정 능력에 영향을 미칠 수 있는 거래 규모와 거래량에 따라 사람의 스트레스 수준을 예측할 수 있다. 은퇴 시설이나 요양원은 예측 지표를 적용하여 주어진 환자에게 예상되는 미래의 치료 요구를 결정할 수 있으므로 개체를 돌보는 데 필요한 비용을 조정할 수 있다. 원격 의료 또는 원격 건강 모니터링 회사는 예측 지표를 적용하여 주어진 건강 결과의 가능성을 결정하고 환자에게 피드백과 하나 이상의 권장 행위(예: 처방된 약물 복용, 위험을 예방하기 위한 특정 행위를 취함)를 제공할 수 있다). 가정용 체육관 장비 또는 피트니스 제공자는 예측 지표를 사용하여 운동과 관련된 권장 사항을 제공하는 것을 목표로 특정 개체의 운동 결과를 결정할 수 있다(예: 계속해서 달리기를 하면 몸이 n초 안에 피로해질 것이다. 가정용 체육관 장비 또는 피트니스 제공자는 예측 지표를 사용하여 운동과 관련된 권장 사항을 제공하는 것을 목표로 특정 개인의 운동 결과를 결정할 수 있다(예: z mph에서, 계속해서 달리기를 하면 몸이 n초 안에 피로해질 것이다. 다음 운동 전에 y분/초의 회복 시간이 필요한다). 스포츠 베팅자는 예측 지표를 적용하여 한 명 이상의 개체의 현재 또는 미래의 생물학적 상태를 평가할 수 있으며, 이는 베팅하려는 욕구에 영향을 미칠 수 있다. 다른 개선예에서, 예측 지표는 하나 이상의 동작이 발생할 수 있도록 하는 지표로 사용될 수 있다. 예를 들어, 택시 회사는 개체가 안전하게 운전할 수 있는지 확인하기 위해 예측 지표를 활용하는 시스템을 구현할 수 있으며, 이는 개체가 차량을 운전하게 할 수 있다. 군사 조직은 전투 또는 기타 작업에 대한 병사의 "준비(readiness)"를 결정하기 위해 예측 지표를 사용하여 병사에게 또는 병사가 취한 행위를 취할 수 있다. 재활 플랫폼은 예측 지표를 활용하여 대상이 주어진 부상에서 얼마나 잘 회복할 수 있는지를 예측할 수 있을 뿐만 아니라 어떤 운동(또는 운동들) 및/또는 재활 기술이 회복을 위한 가장 높은 확률을 보장하기 위해 대상에게 가장 효과적인지를 예측할 수 있다. 항공사 또는 조합은 예측 지표를 사용하여 조종사가 특정 날짜에 비행할 준비가 되었는지 확인하거나 생리적 특성 또는 기타 수집된 동물 데이터를 기반으로 특정 조종사의 퇴직 연령을 연장할 수 있다. 이 예에서 문제는 시스템에 의해 데이터가 수집된 주어진 n세 조종사(예: 65세)가 특정 연령을 초과하거나 생리적, 생체역학적, 신경학적 특성을 포함할 수 있는, 특정 생물학적 특성을 나타내면서 계속 비행할 수 있는 능력을 허용할지 여부일 수 있다. 보다 구체적으로, 사람의 나이와 같은 지표로 인해 작업 중단(예: 의무적 퇴직)을 명령하는 것보다 조종사의 생물학적 "적절함(fitness)"을 결정하고 미래의 생물학적 적합성을 예측하는 것이 항공사의 최선의 이익일 수 있고 조종사의 경험은 전반적으로 더 안전한 비행 경험으로 이어질 수 있고 및/또는 비즈니스를 증가시키기 위해 더 많은 노선을 운항할 수 있다. 따라서 시스템은 수집된 동물 데이터(예: 심장/ECG 데이터, 연령, 체중, 습관, 병력)에 대한 임의의 주어진 조종사에 대해 하나 이상의 기술(예: 통계 모델, 하나 이상의 인공 지능 기술을 통해 하나 이상의 시뮬레이션 실행)을 사용할 수 있어, 하나 이상의 예측 지표(예: 권장이 도출될 수 있는 정의된 시간에 걸쳐 미래의 생물학적 " 적절함(fitness)" 및 미래의 "비행 적합성(fitness for flying)"을 결정하기 위해 미래 연령 66-80세의 조종사 심장 활동을 보기 위한 예측 데이터 세트, 이로부터 권장이 도출됨)를 생성한다. 개선예에서, 컴퓨팅 서브시스템(22) 또는 하나 이상의 내기 시스템은 예측 지표로부터 하나 이상의 내기 기회를 생성하도록 작동 가능한다.
상술한 바와 같이, 추측 시스템(10)은 전송 서브시스템(24)을 포함한다. 일반적으로, 전송 서브시스템(24)은 송신기 및 수신기, 또는 이들의 조합(예를 들어, 트랜시버)을 포함한다. 전송 서브시스템(24)은 단일 안테나 또는 다중 안테나(예를 들어, 메시 네트워크의 일부로서 구성될 수 있음)를 갖는 하나 이상의 수신기, 송신기 및/또는 트랜시버를 포함할 수 있다. 전송 서브시스템 및/또는 그 하나 이상의 구성요소는 컴퓨팅 서브시스템 내에 수용될 수 있거나 컴퓨팅 서브시스템의 외부에 있을 수 있다(예: 무선 통신을 용이하게 하며 전송 서브시스템의 일부인 하나 이상의 하드웨어 및/또는 소프트웨어 구성요소로 구성된 컴퓨팅 디바이스에 연결된 동글). 개선예에서, 전송 서브시스템 및/또는 그 구성요소 중 하나 이상는 하나 이상의 센서에 통합되거나 그 안에 포함된다. 도 2는 표적 개체(16)에 부착된 센서(18)로부터 신호를 수신하는 컴퓨팅 디바이스(26)(또는 컴퓨팅 서브시스템(22))를 도시한다. 센서(18)는 일체형 송신기, 수신기 또는 트랜시버(46)를 포함한다. 유리하게는, 전송 서브시스템은 하나 이상의 소스 센서가 실시간 또는 거의 실시간 통신을 위해 무선으로 데이터를 전송한다. 또한, 전송 서브시스템은 하나 이상의 전송 프로토콜을 사용하여 하나 이상의 소스 센서와 통신할 수 있다. 본 발명은 센서(18)가 신호를 전송 및/또는 수신하기 위해 사용하는 기술에 의해 제한되지 않는다. 현재 이러한 전송 기술 및 인프라에는 Bluetooth, Bluetooth Low Energy, Zigbee, Ant+, NFC, WIFI, 셀룰러 네트워크 등이 포함되지만 이에 국한되지 않습니다. 수신기(48)는 송신기(46)로부터 신호를 수신한다.
도시된 변형예에서, 수신기(48)는 안테나 및/또는 동글(예를 들어, 블루투스 트랜시버)(50) 및 컴퓨팅 디바이스(26)(또는 컴퓨팅 서브시스템(22))를 포함한다. 개선예에서, 안테나/동글(50)은 컴퓨팅 디바이스(26)로부터 먼 거리(예를 들어, 100피트, 1000피트, 또는 그 초과)에 위치될 수 있다. 따라서, 연결 라인(52)은 필요한 경우 더 긴 라인이 실행되도록 하는 변환기(54)(예를 들어, 필요한 경우 USB에서 이더넷으로)를 포함할 수 있다. 마지막으로, 어댑터(56)는 클라우드(40) 또는 로컬 서버를 통해 도 1의 컴퓨팅 서브시스템(22)에 동물 데이터를 전송하기 위해 컴퓨팅 디바이스(26)에 의해 사용된다. 클라우드(40)는 인터넷, 퍼블릭 클라우드 또는 추측 시스템을 운영하는 회사 또는 제 3자가 소유한 클라우드일 수 있다.
많은 경우에, 센서와 센서 신호의 수신기 사이의 통신 거리는 실시간 또는 거의 실시간 통신을 위해 전송 서브시스템에 의해 연장될 수 있으며, 이에 의해 하나 이상의 센서 및 해당하는 하나 이상의 전송 프로토콜의 범위 한계를 연장한다. 개선예에서, 컴퓨팅 서브시스템은 컴퓨팅 서브시스템(22)과 통신하는 하나 이상의 센서에 대한 통신 및 실시간 또는 거의 실시간 스트리밍을 동기화한다. 유리하게는, 전송 서브시스템은 잠재적인 무선 주파수(RF) 간섭이 발생하는 환경에서 실시간 또는 거의 실시간 스트리밍을 가능하게 한다. 개선예에서, 컴퓨팅 서브시스템(22)은 동물 데이터의 적어도 일부를 다른 위치(예를 들어, 시스템 또는 다른 시스템 내의 미리 결정된 위치)로 전송하거나 나중에 사용하기 위해 동물 데이터를 저장한다. 변형예에서, 시스템은 실시간 또는 거의 실시간 전송에 대한 영향을 최소화하면서 하나 이상의 소스 센서로부터 들어오는 데이터에 대한 실시간 또는 거의 실시간 백업 메커니즘을 제공할 수 있다.
다른 개선예에서, 하나 이상의 전송 서브시스템, 또는 안테나 및/또는 동글과 같은 전송 서브시스템의 하나 이상의 구성요소는 직접 또는 한 명 이상의 매개물(예: 의복)을 통해 대상에 의해 착용가능할 수 있고, 부착되거나, 접촉하거나, 통합될 수 있다. 전송 서브시스템, 또는 전송 서브시스템의 구성요소는 또한 한 명 이상의 개체에게 모바일이거나 퍼스널일 수 있다. 다른 개선예에서, 전송 서브시스템(24)은 선택적으로 다른 센서로서 작용하거나 선택적으로 생물학적 센서 내에 통합되는 온 또는 바디 트랜시버(60)("온바디 트랜시버(on-body transceiver)")를 포함한다. 온-바디 트랜시버(60)는 표적 대상 상의 또는 하나 이상의 표적 대상에 걸쳐 하나 이상의 센서(18)와 통신하도록 작동 가능하고, 그 자체가 하나 이상의 유형의 생물학적 데이터(예를 들어, 위치 또는 위치 데이터)를 추적할 수 있다. 개선예에서, 온바디 트랜시버는 대상의 피부, 머리카락, 중요한 기관, 근육, 골격계, 안구, 의복, 물체 또는 대상의 기타 장치에 부착, 통합 또는 접촉한다. 유리하게는, 온바디 트랜시버는 특정 센서의 전송 프로토콜을 사용하여 각 센서와 통신하여 대상의 신체에 있는 하나 이상의 센서로부터 실시간 또는 거의 실시간으로 하나 이상의 데이터 스트림을 수집한다. 온바디 트랜시버는 데이터 수집 허브 역할도 할 수 있다. 개선예에서, 온바디 트랜시버는 전송 오버헤드를 최소화하면서 전송 기능을 향상시킬 수 있다(예: 속도 증가, 대기 시간 감소). 다른 개선예에서, 온-바디 트랜시버는 온-바디 트랜시버가 수집, 정규화, 타임 스탬핑, 집계, 태깅(tagging), 저장, 조작, 소음 제거, 제품화, 향상, 조직화, 시각화, 분석, 요약, 복제, 합성, 익명화, 동기화 또는 동물 데이터 배포로 구성된 그룹으로부터의 동물 데이터에 대해 적어도 하나의 액션을 수행할 수 있게 하는 로직(logic)을 포함할 수 있다. 특징적으로, 온-바디 트랜시버는 수집 및 선택된 데이터(예: 동물 데이터, 계산된 자산, 예측 지표, 파생 상품 등)를 실시간 또는 거의 실시간으로 n개의 종점으로 전송하도록 작동할 수 있으며, 선택하지 않은 데이터는 나중에 다운로드할 수 있도록 트랜시버에 저장할 수 있다. 또한, 요약 기능을 통해 예를 들어 고주파수 속도(예: 250-1000hz)로 샘플링될 수 있는 데이터를 요약하고 요약된 형식(예: 1hz에서 처리 및/또는 요약된 데이터)으로 전송할 수 있어 여러 사용 사례 또는 제약 조건(예: 제한된 대역폭)을 수용한다.
다른 변형예에서, 전송 서브시스템(24)은 하나 이상의 표적 대상 또는 물체에 위치한 하나 이상의 센서로부터의 연속 스트리밍 및/또는 간헐적 통신을 위한 공중 송수신기(62)를 포함한다. 공중 트랜시버(62)의 예는 하나 이상의 통신 위성 또는 트랜시버가 부착된 무인 항공기(예를 들어, 고-고도 의사 위성, 드론)를 포함하지만 이에 제한되지 않는다. 무인 항공기 기반 데이터 수집 및 배포 시스템의 추가 세부 사항은 2019년 7월 19일에 출원된 미국 특허 제 16/517,012호에서 개시되며, 이의 전체 개시 내용은 인용에 의해 본원에 포함된다. 다른 변형예에서, 전송 서브시스템(24)은 바닥 또는 지면(필드 포함)의 일부로 내장되거나 통합된 트랜시버(63)를 포함하며, 전송은 표면과의 직접 접촉을 통해 발생한다(예를 들어, 센서가 신발 바닥 또는 그 근처에 위치되는 경우).
변형예에서, 컴퓨팅 서브시스템(22)은 동물 데이터가 수집되는 하나 이상의 표적 개체와 관련된 정보(예: 특성)(예: 이름, 나이, 체중, 키, 활동 및/또는 연관된 그룹) 및 하나 이상의 소스 센서의 적어도 하나의 특성을 포함하는 하나 이상의 소스 센서를 동물 데이터와 동기화하고, 타임-스탬핑(time-stamp)하고, 태그(tag)한다. 적어도 하나의 특성은 적어도 센서 유형, 하나 이상의 센서 설정, 센서 브랜드, 센서 모델, 센서 펌웨어 등을 포함한다. 개선예에서, 동물 데이터는 동물 데이터 및 하나 이상의 소스 센서의 하나 이상의 특성을 식별하는 메타데이터를 포함한다. 일부 변형예에서, 컴퓨팅 서브시스템(22) 및/또는 내기 시스템(28) 및/또는 확률 평가 시스템(30)은 수신될 때 동물 데이터에 대해 하나 이상의 추가 행위를 취한다. 이러한 추가 행위의 예에는 동물 데이터를 정규화, 타임 스탬프, 집계, 저장, 조작, 노이즈 제거, 향상, 구성, 시각화, 분석, 익명화, 합성, 요약, 복제, 제품화 및 동기화하는 단계가 포함되지만 이에 국한되지 않는다. 개선예에서, 하나 이상의 행위는 동물 데이터 및/또는 하나 이상의 파생 상품로 변환된다. 다른 개선예에서, 컴퓨팅 서브시스템(22)은 대기 시간을 줄이고, 오류 검사 및 보안 계층을 제공하고, 동물 데이터 또는 그 일부를 암호화하는 실시간 또는 거의 실시간 데이터 전송에 적합한 개요를 적용한다. 또 다른 개선예에서, 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은: (1) 예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터에 대한 적어도 하나의 요청을 모니터링, 수신 및 기록하기 위해 하나 이상의 시스템과 직접 통신하고, (2) 예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터에 대한 액세스를 요청하는 한 명 이상의 사용자(예: 시스템)에 데이터(예: 대상 또는 대상 그룹별, 하나 이상의 특성, 데이터 유형, 시간 등)에 하나 이상의 요청을 할 수 있는 능력을 제공하고; 그리고 (3) 데이터를 전송 및/또는 수신하도록 작동 가능한다. 이는 블록체인과 같은 기술을 활용하여 달성할 수 있다. 블록체인과 같은 기술을 활용하여 시스템은 데이터가 시스템에 의해 수집되는 시점부터 시작하여 동물 데이터 및 데이터와 관련된 모든 거래를 모니터링하는 기능을 가질 수 있다. 주어진 시간에, 데이터 제공자 또는 시스템 내의 승인된 사용자는 해당 개체의 데이터에 대한 경쟁 기록 트리와 데이터가 전송된 위치, 데이터에 첨부된 제한 사항 및 각각의 데이터와 관련된 다른 메타데이터를 포함할 수 있는 데이터의 주어진 사용을 볼 수 있다. 다른 개선예에서, 컴퓨팅 서브시스템(22) 및/또는 내기 시스템(28) 및/또는 확률 평가 시스템(30)은 예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터에 대한 적어도 하나의 요청을 적어도 하나의 사용자, 사용자 그룹 또는 사용자 클래스와 연관시키도록 작동 가능하다. 예를 들어, 연관은 컴퓨팅 서브시스템, 내기 시스템 또는 시스템(예: 자체 시스템)과 데이터(예: 베팅을 하기 위해)를 요청하는 개체 또는 그룹 또는 사용자 클래스 또는 다른 시스템(예: 제 3자 시스템) 간의 확률 평가 시스템에 의해 이루어질 수 있다. 다른 개선예에서, 컴퓨팅 서브시스템, 내기 시스템, 또는 확률 평가 시스템은 동물 데이터 및 제 3자 시스템으로부터의 하나 이상의 요청을 내기를 하는 사람과 연관시킬 수 있다. 또한, 컴퓨팅 서브시스템, 내기 시스템, 또는 확률 평가 시스템은 데이터에 대한 적어도 하나의 요청을 동물 데이터가 유도되는 하나 이상의 표적 개체 또는 그룹 또는 표적 개체와 관련될 수 있다. 예를 들어, 표적 개체의 실시간 혈압 및 심박수 활력 또는 표적 개체가 향후 n개월 동안 심장마비를 경험할 확률을 보기 위해 표적 개체로부터 동물 데이터에 대한 요청이 이루어진 경우, 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은 특정 요청을 동물 데이터, 해당 표적 개체 및 요청을 수행하는 데 필요한 기타 데이터 또는 메타데이터와 연관시킬 수 있다. 다른 개선예에서, 동물 데이터는 각각의 분류가 연관된 계산된 자산 또는 가치를 갖는 하나 이상의 분류로 그룹화된다.
변형예에서, 컴퓨팅 서브시스템(22)은 조직, 센서 유형, 센서 매개변수, 데이터 유형, 데이터 품질, 타임 스탬프, 위치, 활동, 표적 개체, 표적 개체 그룹화, 및 데이터 판독으로 구성된 그룹으로부터의 적어도 하나의 특성에 의해 하나 이상의 소스 센서, 및 하나 이상의 소스 센서로부터의 하나 이상의 데이터 스트림을 관리하도록 작동 가능하다. 개선예에서, 센서의 관리 및/또는 처리는 하나 이상의 센서에 대한 스캐닝 및 시스템과의 페어링, 하나 이상의 센서(필요한 경우)를 시스템 내의 하나 이상의 개체에게 할당하는 것, 하나 이상의 센서 및/또는 개체를 조직 또는 이벤트로의 할당, 하나 이상의 소스 센서가 대상에 정확히 놓이는 것의 확인 및 대상 등에 인가될 때 원하는 데이터의 스트리밍과 같은 기능성을 포함할 수 있다. 또한 하나 이상의 센서가 연결 해제되거나 스트리밍 지연이 발생할 때 자동 재연결 기능을 포함하여 시스템에 대한 하나 이상의 센서의 실시간 또는 거의 실시간 스트리밍을 지원하는 기능을 포함할 수 있다. 또한, 시스템은 센서 단절, 센서 고장(배터리 고장 포함), 센서 성능 저하(예를 들어, 설정된 최소 기준 또는 임계값을 충족하지 않는 데이터 품질 생성) 등에 기초하여 하나 이상의 경고를 제공할 수 있다. 개선예에서, 컴퓨팅 서브시스템은 하나 이상의 소스 센서, 그와 관련된 클라우드, 또는 하나 이상의 소스 센서와 관련된 네이티브 애플리케이션과 직접 통신함으로써 하나 이상의 소스 센서로부터 정보를 수집하도록 작동 가능한다. 다른 개선예에서, 컴퓨팅 서브시스템은 하나 이상의 센서 설정을 변경하기 위해 하나 이상의 명령을 하나 이상의 센서에 전송하도록 작동 가능하다. 예를 들어, 이러한 명령은 개별 소스 센서를 켜거나 끄거나, 에너지 절약을 위한 배터리 절약 모드로, 스트리밍을 시작 또는 중지하거나, 스트리밍에 사용할 수 있는 대역폭을 수용하기 위해 데이터 처리량을 늘리거나 줄일 수 있다. 다른 예로서, 이러한 명령은 데이터 수집 주파수 및/또는 적어도 하나의 소스 센서의 센서 감도 이득을 증가 또는 감소시킬 수 있다. 다른 개선예에서, 컴퓨팅 서브시스템(22)은 표적 개체 상의 복수의 소스 센서 또는 다수의 표적 개체 상의 하나 이상의 소스 센서와 동시에 통신하도록 작동 가능하다. 다른 개선예에서, 컴퓨팅 서브시스템(22)은 컴퓨팅 서브시스템과 통신하는 다수의 센서로부터의 판독값 또는 하나 이상의 데이터 신호 및 통신을 동기화한다. 여기에는 센서에서 시스템으로 전송된 하나 이상의 명령이 포함되며, 여기에는 암호화 프로토콜뿐만 아니라 양 당사자의 신뢰성을 보장하기 위해 센서와 시스템 간의 사전 스트리밍 핸드셰이크와 같은 예가 포함될 수 있다. 여기에는 하나 이상의 데이터 신호 또는 판독값과의 동기화 문제도 포함된다. 예를 들어, 각 센서가 사용하는 타이밍에 불일치가 있을 수 있다. 컴퓨팅 서브시스템이 수신한 센서의 출력물은 컴퓨팅 서브시스템이 동시에 수신하더라도 다른 센서와 다를 수 있다(예: 밀리초 단위). 따라서 컴퓨팅 서브시스템은 두 스트림이 모두 정렬되도록 데이터 스트림을 동기화해야 할 수 있다.
다른 변형예에서, 컴퓨팅 서브시스템(22) 내에 있지 않은 데이터 유형 또는 데이터 세트에 대한 요청이 사용자로부터 이루어질 때, 컴퓨팅 서브시스템(22)은 하나 이상의 제 3자 조직으로부터 데이터를 수집하고, 한 명 이상의 사용자에게 제공하도록 요청된 데이터를 생성하도록 수집된 또는 획득된 데이터 세트 상에 하나 이상의 분석 도구(제 3 자 또는 사내)을 적용하거나 이용하거나 인공적으로 하나 이상의 자극을 통해 발생할 수 있는 하나 이상의 데이터 유형 또는 데이터 세트를 생성할 수 있다. 대안적으로, 컴퓨팅 서브시스템(22)은 동물 데이터를 다른 시스템(예를 들어, 분석을 위한 제 3자 분석 시스템)으로 보낼 수 있으며, 컴퓨팅 서브시스템은 제 3자로부터 분석된 데이터를 수신하고 이를 한 명 이상의 사용자에게 제공한다. 데이터를 다른 시스템 또는 소스(예: 제 3자 내기 시스템, 제 3자 확률 평가 시스템, 제 3자 분석 회사, 내기 시스템 또는 확률 평가 시스템 또는 컴퓨팅 서브시스템의 일부인 분석 시스템)로 전송할 때, 컴퓨팅 서브시스템은 하나 이상의 배포판의 일부로 제공된 동물 데이터의 하나 이상의 특성을 기록하도록 작동 가능한다. 동물 데이터의 이러한 특성에는 동물 데이터의 소스, 한 명 이상의 개체의 특정 개체 속성(예: 이름, 체중, 키, 해당 식별 번호 또는 참조 번호), 사용된 센서 유형, 특정 센서 구성, 위치, 활동, 데이터 형식, 데이터 유형, 사용된 알고리즘, 데이터 품질, 데이터 수집 시기, 관련 조직, 관련 이벤트 및 데이터 제공 속도 중 적어도 하나가 포함될 수 있다. 대안적으로, 수신 당사자는 컴퓨팅 서브시스템에 의해 전송되고 수신 당사자에 의해 분석된 동물 데이터를 사용자에게 직접 보낼 수 있다. 다른 예에서, 다른 데이터(예: 비생물학적 통계)를 포함하는 동물 데이터를 얻어 분석에 사용할 수 있다. 예를 들어, 게임에서 선수가 득점한 점수는 제 3자로부터 얻을 수 있으며 통찰 또는 기타 지표를 도출하기 위해 선수의 심장, 호흡수 및 생물학적 체액을 조사하는 분석의 일부로 활용될 수 있다. 개선예에서, 컴퓨팅 서브시스템은 개체 또는 개체 그룹에 대한 식별 또는 연관 없이 익명화된 데이터 출력물을 제공할 수 있다. 동물 데이터는 종종 식별 가능한 한 명 이상의 표적 개체 또는 표적 개체 그룹과 연결되지만 동물 데이터 및 파생 상품(계산된 자산 및 예측 지표를 포함할 수 있음)과 관련된 하나 이상의 입력 또는 출력물이 익명화되거나 비식별화될 수 있는 것이 인식되어야 한다. 비식별화는 개체 프라이버시를 보호하기 위해 개체 식별 정보를 제거하는 것을 포함하지만 데이터를 유용하게 만드는 특성(예: 사람의 맥락에서 나이, 체중, 키, 건강 상태, 출신 국가와 같은 특성, 혈액형, 체액 유래 정보 등)을 유지한다. 본 발명의 맥락에서, 익명화된 것과 비식별화된 것은 동의어로 간주된다.
다른 변형예에서, 컴퓨팅 서브시스템(22)은 한 명 이상의 사용자가 예측 지표, 계산된 자산, 동물 데이터, 및/또는 그 하나 이상의 파생 상품이 제공되는 빈도(예를 들어, 지정된 데이터를 포함하는 각각의 데이터 패킷과 함께, 1 또는 그 초과의 초당 데이터 패킷)를 선택하도록 작동 가능하다. 더욱이, 컴퓨팅 서브시스템(22)은 사용자가 대기 시간(예를 들면, 실시간 또는 거의 실시간 대 실시간이 아닌 시간) 및 사용자가 구체적인 사용 사례에 대한 임의의 주어진 데이터의 값을 최대화하는 것을 가능하게 하는 기간과 같은 하나 또는 매개변수를 선택하는 것을 허용하도록 작동 가능할 수 있다. 어떤 경우에는 컴퓨팅 서브시스템에서 수집된 데이터가 충분하지 않아 초기에 유도될 의미 있는 예측 지표가 없을 수 있지만, 시스템은 이와 같이 작동 가능하다. 동물 데이터, 특히 예측 지표를 실시간 또는 거의 실시간으로 제공하는 기능은 내기 및 확률 평가 애플리케이션 모두에 특히 유용한다. 이러한 실시간 또는 거의 실시간 데이터는 컴퓨팅 서브시스템(22) 및/또는 내기 시스템(28) 및/또는 확률 평가 시스템(30)이 제안 베팅(prop bets), 생성 또는 예측 또는 하나 이상의 배당률 수정, 확률 평가의 조정 또는 수정, 위험을 완화하거나 방지하기 위한 전략, 또는 기타 사용 사례(예: 실시간 건강 피드백).를 제공하는 것이 필요하다. 또 다른 개선예에서, 컴퓨팅 서브시스템(22) 및/또는 내기 시스템 및/또는 확률 평가 시스템은 사용자가 예측 지표, 계산된 자산, 동물 데이터 및/또는 하나 또는 파생 상품이 제공되는 적어도 하나의 특성을 선택하는 것을 허용한다. 특성에는 동물 데이터의 하나 이상의 소스, 하나 이상의 개체 또는 개체 그룹의 특정 개체 속성, 사용된 센서 유형, 센서 속성, 분류, 특정 센서 구성, 위치, 활동, 데이터 형식, 데이터의 유형, 사용된 알고리즘, 데이터 품질, 데이터 수집 시기, 관련 조직, 관련 이벤트 및 데이터 제공 속도을 포함할 수 있다.
일부 상황에서, 컴퓨팅 서브시스템(22)은 과거 동물 데이터를 제공 및/또는 사용한다. 개선예에서, 개체 또는 유사한 개체(들)에 대한 하나 이상의 유사한 이벤트로부터의 이력 데이터는 임의의 주어진 이벤트와 관련된 성능을 예측하기 위해 사용자에게 유용할 수 있다. 예를 들어, 체육관 장비 제조업체가 제품(예: 가정용 사이클링 장비) 사용자의 피로(또는 운동 패턴에 따라 주어진 시간에 피로가 발생할 가능성)를 예측하기 위한 예측 지표를 생성하려는 경우. 플랫폼 구독 제공의 일부분으로서, 사이클링 중심 피트니스 수업에서 사용자로부터 유도된 과거 동물 데이터를 사용하는 것은 제조업체가 장비를 사용하는 동안 현재 또는 미래의 생물학적 성능을 예측하기 위해 특정 사용자에 대한 예측 지표를 생성할 수 있도록 하는 데 유용할 수 있다. 유리하게는, 주어진 하나 이상의 대상 또는 대상의 그룹에 대한 과거 데이터는 시스템이 해당 정보로부터 학습하고 더 정확한 결과를 제공하기 위해 해당 학습을 사용할 수 있게 한다(예: 주어진 활동에 대해 대상의 심박수가 어떻게 수행되는지 학습하면 시스템에 보다 정확한 판독값을 제공하기 위해 심박수 알고리즘을 미세 조정한다). 다른 개선예에서, 하나 이상의 유사한 개체로부터의 이력 데이터는 임의의 주어진 대상에 대한 수행을 예측하는 데 사용자에게 유용할 수 있다. 예를 들어, 보험 회사가 사전 정의된 기간 내에 특정 대상이 특정 의학적 상태(예: 심장 마비)를 가질 가능성을 이해하려는 경우, 보험 회사는 개체가 가진 하나 이상의 특성(예: 나이, 키, 개체력, 사회적 습관, 혈액형, 병력, 처방 이력, ECG 데이터 이력, 심박수 이력, 혈압 이력, 게놈/유전적 이력, 체액 유래 데이터 이력)을 공유하는 개체로부터 대상이 필요한 기간 내에 의료 상태를 경험하든지 않든지 간에 유사한 결과를 결정하도록 하나 이상의 시뮬레이션을 실행하도록 데이터를 이용할 수 있다. 또 다른 개선예에서, 동물 데이터에서 유도되지 않은 과거 데이터(예: 스포츠의 맥락에서 포인트, 리바운드, 어시스트, 골, 슛, 승/패 비율 등과 같은 기존 통계)도 사용될 수 있다.
추측 시스템(10)은 사용자가 베팅을 할 것인지 여부를 결정할 수 있는(또는 지원하는 정보를 제공할 수 있는) 하나 이상의 시뮬레이션을 실행하고 이벤트의 결과의 발생 확률을 평가 또는 계산하고, 예측을 하고, 이벤트에 대해 이전에 결정된 확률을 수정하고, 내기를 하도록 하나 이상의 개체를 위해 마켓이 생성되는 전략을 세우고 또는 행위를 추천하기 위해 하나 이상의 데이터 세트 내에서 하나 이상의 매개변수를 조정할 수 있게 하도록 작동될 수 있다. 개선예에서, 추측 시스템(10)은 실제 데이터 세트에 대한 대안으로서 하나 이상의 센서로부터 적어도 부분적으로 유도된 하나 이상의 인공적으로 생성된 데이터 세트를 제공한다. 인공 데이터는 사용자가 이전의 과거 데이터/이벤트에서 데이터를 재생성(예: 생성)하여 추세선을 설정하고, 미래의 발생을 예측하기 위해 주어진 하나 이상의 입력(예: 변수)에 대한 수정(예: 변경)의 면에서 임의의 주어진 대상에 대한 임의의 주어진 성능 변화의 연구와 이해에 도움이 되도록 한다. 이러한 하나 이상의 성능 변경 및 변경과 관련된 변수(예: 하나 이상의 신경망을 통해 발생할 수 있음)를 이해하도록 시스템을 훈련하면, 사용자는 데이터를 다시 생성할 수 있어(예: 하나 이상의 시뮬레이션 시나리오를 포함하는 하나 이상의 방법론을 사용하여) 예를 들어, 대상에 대한 역사적 성과 이해, 하나 이상의 입력의 역사적 영향, 현재 성능, 하나 이상의 입력의 현재 영향, 유사한 이벤트, 대상 및 입력에 대해 시스템에서 본 추세를 기반으로 미래 이벤트 또는 발생을 예측한다. 유리하게는, 하나 이상의 입력은 생물학적 데이터일 수 있다. 특히, 컴퓨팅 서브시스템(22) 또는 내기 시스템(28) 또는 확률 평가 시스템(30)은 예측 지표, 컴퓨터 자산, 실제로 수집된 동물 데이터, 및/또는 이의 하나 이상의 파생 상품의 적어도 일부분을 이용하는 하나 이상의 시뮬레이션을 통해 발생할 수 있는, 하나 이상의 인공적으로 생성된 동물 데이터 세트, 컴퓨터 자산, 또는 예측 지표를 생성할 수 있다. 이것은 하나 이상의 인공 지능 기술(예: 하나 이상의 훈련된 신경망, 기계 학습 시스템) 또는 통계 모델을 사용하여 발생할 수 있다. 추가 개선예에서, 시뮬레이션은 복수의 시뮬레이션(예를 들어, 단일 시뮬레이션 출력물을 도출하기 위해 동시에 또는 연속적으로 n개의 시뮬레이션을 실행)으로 구성될 수 있다. 변형예에서, 컴퓨팅 서브시스템(22) 또는 내기 시스템(28) 또는 확률 평가 시스템(30)은 예측 지표의 적어도 일부, 적어도 하나의 계산된 자산, 및/또는 하나 이상의 표적 개체 또는 표적 개체의 그룹의 동물 데이터(하나 이상의 익명화된 개체 또는 익명화된 개체의 그룹) 중 적어도 일부분으로부터 도출된 시뮬레이션된 데이터를 생성할 수 있다. 이러한 맥락에서 "발생(Generate)"은 "생성(create)"을 포함할 수 있으며 그 반대의 경우도 마찬가지이다. "발생"은 "유도(derive)"을 포함할 수도 있고 그 반대의 경우도 마찬가지이다. 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은: (1) 하나 이상의 내기를 하거나 수락되는 마켓으로서; (2) 하나 이상의 내기를 수락하도록; (3) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공 또는 배포하도록; (4) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (5) 하나 이상의 전략을 수립하도록; (6) 하나 이상의 행위를 취하도록; (7) 하나 이상의 위험을 완화하거나 방지하도록; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 사용되는 하나 이상의 신호 또는 판독값으로서; (9) 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (10) 하나 이상의 행위를 권장하도록; (11) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (12) 하나 이상의 판촉 내에서; 또는(13) 이들의 조합에 직접적으로 또는 간접적으로 시뮬레이션된 데이터의 적어도 일부분을 사용하도록 작동 가능할 수 있다.
센서 데이터에 추가하여, 수집된 동물 또는 비동물 데이터의 다른 유형이 사용 사례에 따라 하나 이상의 시뮬레이션에 통합될 수 있다. 예를 들어, 개인 정보가 포함될 수 있으며 여기에는 나이, 키, 인종, 출신 국가/지역, 민족, 성별, 의료 기록 정보, 개인 이력, 사회력, 건강 기록, 사회 습관, 교육 기록, 범죄 기록, 감정, 심리적 평가 등을 포함할 수 있다. 스포츠의 경우 정보에는 승/패 기록 및 기타 통계(예: 승/패, 결과, 포인트, 리바운드, 슛, 포핸드, 백핸드 등과 같은 개별 통계)가 포함될 수 있다. 스포츠 베팅의 경우, 여기에는 과거 내기, 사용자 행동, 베팅 추세 또는 기타 사용자 데이터도 포함될 수 있다. 특징적으로, 요청된 데이터 세트 내에서 하나 이상의 입력(예: 변수)을 추가하거나 변경할 수 있는 기능은 사용자가 인공 데이터 출력물이 생성되는 하나 이상의 매개변수를 결정할 수 있도록 하는 동시에 출력물을 하나 또는 사용자의 더 많은 사양에 맞춘다. 하나 이상의 입력은 동물 데이터 및 비동물 데이터 모두에서 하나 이상의 신호 또는 판독값을 포함하여 미래 수행을 예측하기 위해 과거 행동을 이해하는 것과 관련된 임의의 데이터를 포함할 수 있다. 인공 데이터 출력물은 예를 들어 인공 동물 데이터, 계산된 자산, 및/또는 예측 지표일 수 있다. 변형예에서, 컴퓨팅 서브시스템, 내기 시스템, 확률 평가 시스템, 또는 기타 시스템은 시뮬레이션된 데이터의 적어도 일부를 직접 또는 간접적으로 사용하거나 적용하여 예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터(이의 파생 상품을 포함할 수 있음)를 생성, 향상 또는 수정할 수 있다. 생성, 향상, 또는 수정된 예측 지표의 적어도 일부분, 적어도 하나의 계산된 자산 및/또는 동물 데이터는 이후에: (1) 하나 이상의 내기가 이루어지거나 수락되는 마켓으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공 또는 배포하도록; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (4) 하나 이상의 전략을 수립하도록; (5) 하나 이상의 행위를 취하도록; (6) 하나 이상의 위험을 완화하거나 방지하도록; (7) 하나 이상의 시뮬레이션, 계산, 또는 분석에 사용되는 하나 이상의 신호 또는 판독값으로서; (8) 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (9) 하나 이상의 행위를 권장하도록; (10) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (11) 하나 이상의 판촉 내에서; 또는 (12) 이들의 조합에 직접적으로 또는 간접적으로 이용될 수 있다. 개선예에서, 하나 이상의 생성, 향상 또는 수정은 동적이다. 유리하게는, 하나 이상의 시뮬레이션뿐만 아니라 하나 이상의 사용 사례에 대한 출력물의 하나 이상의 애플리케이션은 실시간 또는 거의 실시간으로 발생할 수 있다.
개선예에서, 하나 이상의 새로운 시뮬레이션된 데이터 세트를 제공하기 위해 시뮬레이션 내에서 하나 이상의 입력/매개변수가 변경(예를 들어, 무작위화)될 수 있다. 추가 개선예에서, 생성된 인공 데이터 출력물의 적어도 일부는 하나 이상의 데이터 세트로서 또는 하나 이상의 시뮬레이션, 계산, 또는 분석 내에서 활용되는 다른 하나 이상의 데이터 세트의 일부로서 사용될 수 있다. 예를 들어, 하나 이상의 시뮬레이션을 실행하여 주어진 경기에서 선수의 미래 생물학적 데이터(예: 생리학적 데이터, 생체역학 데이터, 위치 데이터)가 어떻게 보일지 결정할 수 있다. 인공 데이터가 생성되면, 인공 데이터는 선수가 경기에서 승리할 것인지 여부와 관련된 하나 이상의 예측을 결정하기 위해 추가의 하나 이상의 시뮬레이션에서 활용될 수 있다. 이러한 결정은 실시간 또는 거의 실시간으로 발생할 수 있다. 다른 개선예에서, 동물 데이터의 적어도 하나의 유형을 통합하는 시뮬레이션된 데이터는 예측 지표를 미세 조정하기 위해 활용될 수 있다. 유리하게는, 새로운 데이터가 수집되고 추가 시뮬레이션 또는 통계 모델이 조정됨에 따라 하나 이상의 예측이 실시간 또는 거의 실시간으로 수정되거나 향상될 수 있다. 예를 들어, 시스템은 과거 데이터를 기반으로 결과가 발생할 수 있다는 결론을 내릴 수 있고 시스템은 발생하는 결과와 관련된 예측을 생성할 수도 있다. 적어도 한 가지 유형의 동물 데이터를 포함하는 인공 데이터의 적어도 일부를 사용하여 하나 이상의 시뮬레이션을 실행함으로써, 시스템은 예측 지표를 조정하거나 향상시켜 다양한 데이터를 기반으로 결과가 발생할 가능성이 더 높은 확률을 결정할 수 있으며 상기 데이터는 예를 들어 테니스 선수의 현재 경기 상태(예: 선수 A가 세트 2의 게임 4에 있고 6-4, 3-2로 지고 있음), 과거 데이터(예: 선수 A가 세트 2의 게임 4에 있을 때, 6-4, 3-2로 지고 있음), 현재 조건(예: 습도, 온도, 고도), 이전 경기가 진행되었을 때와 동일한 조건(예: 습도, 온도, 고도), 관련 동물 데이터(예: 생리적 특성, 생체역학적 특성, 생물학적 유체 기반 특성, 위치 기반 특성 등을 보임) 및 기타 유형의 비동물 데이터를 포함할 수 있다. 다른 예에서, 보험 회사는 한 명 이상의 개체의 특성과 관련된 가설을 가질 수 있고 동물 데이터의 적어도 일부를 활용하여 해당 개체에 대한 가능한 생물학적 결과를 결정하기 위해 하나 이상의 시뮬레이션을 실행할 수 있다. 결과는 예를 들어 사람이 다음 n개월 이내에 질병에 걸릴 가능성, 주어진 부상이 주어진 회복률을 달성할 가능성, 개체가 의료 에피소드(예: 발작, 심장 마비) 등을 경험할 수 있다. 하나 이상의 시뮬레이션을 기반으로, 인공 데이터가 생성될 수 있으며, 이에 따라 임의의 주어진 결과에 대한 확률이 생성 또는 조정되고 추측 시스템에 제공될 수 있다(예: 개체의 하나 이상의 특성을 기반으로 뇌졸중이 발생할 가능성). 보험의 예에서, 보험 회사는 그러한 특성을 가진 개체에 대해 보험료를 조정할 수 있다. 다른 예에서, 노인 요양원은 동물 데이터의 적어도 일부를 활용하여 하나 이상의 시뮬레이션을 실행하여 임의의 주어진 개체에 대한 가능한 건강 결과를 결정하고, 따라서 그 특정 개체에게 필요한 미래 돌봄의 양을 결정할 수 있다. 미래에 필요할 가능성이 있는 보살핌의 양을 기반으로 가정은 개체의 프로필을 기반으로 각각의 개체에 대한 가격을 조정할 수 있다. 다른 예에서, 자동차 또는 항공기 제조업체는 위험을 완화하거나 방지하기 위해 차량 또는 항공기 내의 대상과 관련된 하나 이상의 응답을 제공하기 위해 예측 지표를 미세 조정하기 위해 시뮬레이션을 실행하기를 원할 수 있다. 보다 구체적으로, 자동차 제조업체는 차량을 운전하는 동안 특정한 생리학적 또는 생체역학적 특성을 보이는 사람이 사고를 일으킬 위험이 있는지 여부를 확인하기를 원할 수 있다. 동물 데이터 및/또는 그 하나 이상의 파생 상품을 활용함으로써, 차량은 예측 지표 및 기타 동물 데이터를 기반으로 하나 이상의 행위(예를 들면, 자동차 정지, 차를 빼고 병원으로 운전)를 취할 수 있어 위험을 완화하거나 방지한다(예: 수집된 센서 데이터를 기반으로 사람이 심장마비를 일으켰다고 판단되면 차량이 스스로 병원으로 운전할 수 있으며; 특정 연령, 체중 범위, 신장 범위, 심장 상태, 심박수 증가, 혈압 상승, 스트레스 수준 상승, 불규칙한 생체 역학적 움직임과 같은 특정 프로필과 특성을 가진 심장 마비을 일으키는 사람의 가능성이 있음을 결정된 경우 차량이 스스로 정지할 수 있으며, 핸들을 잡고 운전하는 동안 미리 결정된 백분율보다 더 클 수 있으며, 또는 예측 지표를 통한 더 절대적인 예측으로 특성 및 매개변수의 주어진 세트를 가지고 심장 마비가 일어날 수 있다). 다른 예에서, 항공사는 비행하는 동안 하나 이상의 소스 센서를 통해 한 명 이상의 조종사의 실시간 생물학적 특성을 모니터링하고 동물 데이터의 적어도 일부와 관련하여 발생할 확률을 기반으로 하나 이상의 행위를 취할 수 있다(예: 항공사에 알리고, 조종사로부터 제어권을 빼앗고, 비행기를 자동 조종 상태로 되게 하고, 항공사 또는 항공사 제조업체가 비행기를 원격으로 조종할 수 있도록 한다).
또 다른 개선예에서, 동물 데이터의 적어도 일부를 통합하는 시뮬레이션된 데이터는 시뮬레이션된 이벤트에 대한 하나 이상의 제안(prop) 베팅을 생성하는 데 사용될 수 있다. 예를 들어, 시스템이 이전에 팀 A와 팀 B의 심박수를 수집한 경우 시스템은 하나 이상의 시뮬레이션의 일부로 통합된 이전에 수집된 데이터를 활용하는 하나 이상의 새로운 베팅을 생성할 수 있다. 베팅은 "팀 A의 평균 최대 심박수가 10,000개의 시뮬레이션된 경기에서 팀 B와의 경기 기간 동안 분당 170회를 초과할 것인가"일 수 있다. 또 다른 개선예에서, 동물 데이터의 적어도 일부를 통합하는 시뮬레이션된 데이터는 가상 이벤트(시뮬레이트된 이벤트 포함)에 대한 새로운 제안 베팅을 생성하거나 가상 베팅에 대한 베팅 전략의 일부로 활용되는 정보로 활용될 수 있다. 예를 들어, 시스템이 하나 이상의 실제 경주에서 하나 이상의 실제 대상(예: 실제 말)에 대한 호흡수를 수집한 경우 시스템은 시스템이 하나 이상의 가상 경주에서 생성된 시뮬레이션된 동물 데이터의 적어도 일부를 활용하는 하나 이상의 가상 대상(예: 가상 말)에 대한 하나 이상의 제안 베팅 또는 베팅 제품을 생성할 수 있게 하는 하나 이상의 시뮬레이션된 경주(예: "가상 경주에서 가상 말의 최대 호흡률이 지표 X 이상에 도달하는 것"이라는 내기가 될 수 있음). 변형예에서, 생성된 시뮬레이션된 데이터는 유도된 것과 동일한 특성을 공유하지 않을 수 있다. 예를 들어, 가상 말에 대한 인공 호흡수를 생성하는 경우, 시뮬레이션은 생성된 인공 호흡수를 다른 지표(예: 색상, "피로"와 같은 다른 이름, 등)로 특성화하여 표시할 수 있다. 추가 개선예에서, 하나 이상의 가상 대상은 하나 이상의 실제 대상과 적어도 하나의 공통 특성을 공유하고 가상 이벤트는 실제 동물 데이터가 수집된 이벤트(예: 말 Z는 실제 경주에서 달렸고, 가상 말 Z는 가상 경주에서 뛰고 있으며, 실제 말과 시스템의 이벤트 중 적어도 하나의 특성이 있다. 이러한 특성은 예를 들어 호흡수일 수 있고 이벤트는 베팅: "가상 경주에서 가상 말 Z의 최대 호흡률이 지표 X 이상에 도달하는 것"). 대상 특성은 생물학적 특성, 신체적 특성, 프로필 특성(예: 동명, 등번호, 팀 이름, 팀 색상) 등을 포함할 수 있다. 다른 예에서, 시뮬레이션 게임(예를 들어, 비디오 게임) 또는 가상 세계 비디오 게임은 게임(예: 가상 비디오 게임의 일부로 통합된 사용자의 실제 동물 데이터 활용, 동물 데이터의 적어도 일부를 통합하는 시뮬레이션된 데이터를 활용하면서 목표에 도달한 사용자에 대한 게임 내 보상 생성 게임 내에서 사용자가 동물 데이터로부터 적어도 부분적으로 생성된 인공 데이터 기반 가상 제품을 구매할 수 있도록 하는 것 비디오 게임에서 활용되는 인공 동물 데이터를 기반으로 하는 배팅 유형 또는 제품을 생성하는 것)을 플레이하는 한 명 이상의 사용자의 실제 동물 데이터와 관련된 하나 이상의 내기 또는 제품(예를 들어, 구매를 위한 게임 내 가상 제품)을 생성할 수 있다. 또 다른 개선예에서, 동물 데이터의 적어도 일부에 기초하여 가상 이벤트 또는 시뮬레이션 게임(예를 들어, 비디오 게임)을 위한 시뮬레이션된 데이터가 생성되며, 이는 베팅 및/또는 확률 평가 시스템에 새로운 가치 또는 자산을 생성할 수 있다. 예를 들어 위의 시나리오에서 사용자는 시뮬레이션된 호흡률이 지표 X보다 높을 때 시뮬레이션된 이벤트에서 말 Z가 경주에서 이길 확률과 주어진 시뮬레이션된 경주에서 이것이 얼마나 자주 발생하는지 알고 싶어할 수 있다. 시스템은 시뮬레이션된 데이터(예: 사용 가능한 모든 인종에 대해 하나 이상의 소스 센서에서 수집된 말 Z의 호흡수, 하나 이상의 소스 센서에서 다른 말의 호흡수 가능한 경우 하나 이상의 시뮬레이션된 레이스에서 생성된 시뮬레이션된 호흡수 데이터 시뮬레이션된 레이스에 대한 입력으로 활용될 수 있는 실제 세계에서 수집된 기타 요인 - 날씨 또는 온도, 부상, 생물학적 유체 데이터와 같은 환경 조건)를 생성하기 위해 동물 데이터의 적어도 일부를 포함하는 다양한 데이터를 활용할 수 있다. 이 정보를 기반으로 사용자는 가상 경마에 베팅할 수 있다. 또 다른 개선예에서, 적어도 하나의 유형의 동물 데이터를 통합하는 시뮬레이션된 데이터는 더 정밀하게 베팅 라인을 생성 또는 조정(예를 들어, 확률 조정)하기 위해 사용될 수 있다. 예를 들어, 특정 경기에 대해 선수 A 대 선수 B에 대한 라인이 설정되면 컴퓨팅 서브시스템은 유사한 경기 조건(예: 코트 내 온도, 이전 승패 기록) 및 다음과 같은 선수의 적어도 하나의 동물 데이터 입력을 통합하는 입력을 사용하여 하나 이상의 시뮬레이션을 실행할 수 있어(예: 모든 선수 A 동물 데이터 대 선수 B 동물 데이터) 시스템이 더 큰 정밀도를 가지고 결과의 확률을 결정할 수 있도록 한다. 상기 확률은 이어서 실시간 또는 거의 실시간을 발생할 수 있는 하나 이상의 배당률을 생성 또는 조정하기 위해 이용될 수 있다.
개선예에서, 사용자에 의해 설정된 하나 이상의 매개변수에 따라 무작위로 또는 그렇지 않으면 하나 이상의 인공 데이터 세트가 생성될 수 있다. 이는 예를 들어 사용자가 원하는 실제 데이터를 수집, 캡처 또는 생성할 수 없는 경우에 유용할 수 있다. 사용자가 실제 데이터를 수집하는 것이 불가능할 수 있는 요청을 가지고 있는 경우(예: 요청된 데이터를 요청된 시간 프레임에 수집할 수 없거나 실제 데이터 세트와 관련된 비용이 너무 많이 드는 경우, 다음에서 요구하는 사용 사례 획득자가 시스템 내에서 발견되지 않거나 수집할 수 없는 하나 이상의 데이터 세트를 필요로 하는 경우), 추측 시스템(10)은 사용자가 설정한 하나 이상의 매개변수를 준수하는 인공 데이터를 생성할 수 있으며, 이는 제품 생성, 조정, 향상, 수집, 배포 및/또는 소비에 사용할 수 있다. 새로운 하나 이상의 인공 데이터 세트는 획득자가 요구하는 특성 중 적어도 하나와 일치하는 하나 이상의 이전에 캡처된 데이터 세트를 분석할 수 있는 하나 이상의 인공 지능 기술의 적용에 의해 생성될 수 있다. 하나 이상의 인공 지능 기술(예: 기계 학습 기반 엔진, 하나 이상의 신경망)은 하나 이상의 실제 데이터 세트의 패턴을 인식하고 사용자(예: 내기 엔티티, 베팅자, 확률을 평가하거나 위험을 완화 또는 방지하기 위한 전략을 만드는 조직, 행위를 취하기 위한 권장 사항 또는 정보를 제공하는 플랫폼)의 최소 요청과 정합하거나 충족하는 인공 데이터를 생성한다. 하나 이상의 데이터 세트는 단일 개체, 하나 이상의 유사한 특성을 가진 하나 이상의 개체 그룹, 하나 이상의 특성의 정의된 그룹 내에서 하나 이상의 개체의 무작위 선택, 하나 이상의 개체의 정의된 그룹 내의 하나 이상의 특성 무작위 선택, 하나 이상의 특성의 정의된 그룹 내 하나 이상의 개체의 정의된 선택, 또는 하나 이상의 정의된 그룹 내의 하나 이상의 특성의 정의된 선택을 기반으로 생성될 수 있다. 개선예에서, 그룹은 복수의 그룹을 포함할 수 있다. 사용자의 요구 사항에 따라 추측 시스템은 데이터를 관련성 있고 무작위로 유지하기 위해 하나 이상의 인공 데이터 세트를 생성할 때 반복성을 위해 단일 변수 또는 여러 변수를 분리하는 기능을 가질 수 있다.
인공 데이터 세트를 생성하기 위한 다른 방법은 이전에 수집된 실제 데이터 세트의 데이터 세트를 시뮬레이션된 데이터로 확장하는 것을 포함한다. 예를 들어, 다른 유형의 데이터 및 메타데이터(스포츠의 맥락에서, 코트 내 온도, 습도, 심박수, 마일 런(miles run), 스윙 속도, 에너지 수준, 호흡수, 근육 활동, 수분 수준, 생물학적 유체 데이터, 슛 파워, 포인트 길이, 코트 포지셔닝, 상대, 특정 환경 조건에서 상대의 성능, 상대에 대한 승률, 유사한 환경 조건에서 상대에 대한 승률, 현재 경기 통계, 경기의 성능 추세를 기반으로 한 이력 경기 통계, 날짜, 타임 스탬프, 승/패, 점수)를 포함하는 선수 A에 대한 지정된 양의 인-플레이(in-play)는 경기 데이터(예: 10, 100, 1000 또는 그 초과 시간), 주어진 선수가 플레이하지 않았을 수 있는 이벤트(예: 경기)의 적어도 일부를 재생성함으로써 하나 이상의 인공 지능 기술을 이용하여 데이터 세트를 연장할 수 있고 및/또는 재생성된 이벤트(예: 선수 A가 캡처된 심박수 데이터로 2시간 동안 테니스 경기를 했으나 사용자가 한 번도 플레이하지 않았고 앞으로 플레이할 경기의 3번째 시간에 대한 심박수 데이터를 원한다. 따라서 컴퓨팅 서브시스템은 하나 이상의 시뮬레이션을 실행하여 데이터를 생성할 수 있다)에서 결코 플레이하지 않고 나중에 플레이할 것이다. 보다 구체적으로, 하나 이상의 신경망은 이러한 데이터 세트 중 하나 이상로 훈련되어 선수 A의 생물학적 기능과 하나 이상의 변수가 주어진 생물학적 기능에 어떻게 영향을 미칠 수 있는지 이해할 수 있다. 신경망은 하나 이상의 생물학적 기능과 하나 이상의 변수의 영향을 기반으로 어떤 결과(또는 결과)가 발생했는지 이해하도록 추가 훈련될 수 있으므로 상관 및 원인 분석이 가능한다. 예를 들어, 현재 시나리오, 주어진 시나리오 내에서 선수 A의 하나 이상의 생물학적 기능에 영향을 미칠 수 있는 하나 이상의 변수, 선수 A가 나타내는 하나 이상의 생물학적 기능 및/또는 존재하는 하나 이상의 변수에 기초하여 현재 시나리오를 포함하는 임의의 주어진 시나리오에서 이전에 발생한 하나 이상의 결과, 현재 시나리오와 유사한 시나리오를 포함하여 주어진 시나리오에서 선수 A와 유사하거나 유사하지 않은 선수의 하나 이상의 생물학적 기능, 현재 시나리오와 유사한 시나리오를 포함하여 주어진 시나리오에서 선수 A의 하나 이상의 생물학적 기능에 영향을 미칠 수 있는 하나 이상의 다른 변수, 현재 시나리오와 유사한 시나리오를 포함하는 주어진 시나리오의 선수 A와 유사하거나 유사하지 않은 다른 운동선수의 하나 이상의 생물학적 기능에 영향을 미칠 수 있는 하나 이상의 변수, 그리고 선수 A 및/또는 하나 이상의 변수에 대해 유사하거나 유사하지 않은 선수가 나타내는 하나 이상의 생물학적 기능을 기반으로 한 현재 시나리오와 유사한 시나리오를 포함하여 주어진 시나리오에서 이전에 발생한 하나 이상의 결과를 포함하는 주어진 시나리오 내에서 선수 A의 하나 이상의 생물학적 기능과 같은 정보를 이해하도록 훈련될 때, 데이터 획득자는 인공적으로 생성된 데이터로 현재 수집된 데이터 세트를 확장하기 위해 하나 이상의 시뮬레이션을 실행할 것을 요청할 수 있다(예: 선수 A가 다양한 생물학적 데이터로 방금 2시간 플레이 캡처된 위치 기반 데이터를 포함한다). 획득자는 동일한 경기 조건에서 제 3 시간에 대해 위치 기반 데이터를 원하므로 시스템은 이전에 수집된 데이터를 기반으로 데이터를 생성하기 위해 하나 이상의 시뮬레이션을 실행하거나 주어진 활동에 대해 발생하는 결과를 예측 지표를 통해 예측하도록 한다(예: 선수 A의 데이터만 보고 선수 B와의 마지막 세트의 경기에서 선수 A가 승리할 가능성). 변형예에서, 하나 이상의 신경망은 팀, 그룹 또는 서로 경쟁할 수 있는 여러 동물(예: 운동선수)과 함께 훈련될 수 있으며, 하나 이상의 신경망은 훈련될 수 있어 하나 이상의 결과를 예측하기 위한 예측 지표를 보다 정확하게 생성하기 위해 각각의 동물의 하나 이상의 데이터 세트를 사용한다(예: 선수 A가 선수 B와의 경기에서 승리할지 여부). 이 예에서, 하나 이상의 시뮬레이션은 먼저 각각의 운동선수에 대한 실제 센서 데이터에 기초하여 인공 센서 데이터를 생성하고, 그 다음 임의의 주어진 결과의 가능성을 결정하고 및/또는 예측하기 위해 하나 이상의 추가 시뮬레이션에서 생성된 인공 센서 데이터의 적어도 일부를 활용하도록 실행될 수 있다.
또 다른 예에서, 스포츠 팀은 경기 중에 선수를 코트 밖으로 데려갈 적절한 시간을 결정하기를 원할 수 있고, 병원은 외과의가 하루 또는 일주일에 몇 시간을 일한 후에 수술을 계속하도록 허용해야 하는지 여부를 결정하기를 원할 수 있다. 실제 동물 데이터의 적어도 일부를 활용하여 하나 이상의 시뮬레이션을 실행함으로써 스포츠 팀 또는 병원은 스포츠 팀 또는 병원에 의한 행위를 취해야 하는지 여부에 대해 결정을 가능하게 하는 하나 이상의 예측 지표가 도출될 수 있는 하나 이상의 인공 데이터 세트를 생성할 수 있다(예: 스포츠 팀의 경우, 선수가 여전히 높은 수준으로 수행하는 동안 코트에 머물도록 허용할지 여부를 고려하여, 피로가 차선의 미래 시간에 부상이나 성능 저하를 초래하는지 이 선수를 게임에서 제외시키는 지를 알고; 병원의 경우 외과 의사가 일정 시간 동안 연속적으로 일한 후 계속 수술을 할 수 있도록 허용할지 여부가 내기고 또는 특정 특성을 나타내면서 하나의 위험은 사람의 생명이고 하나의 이점은 더 많은 생명을 구할 수 있는 경험이다). 또 다른 예에서, 원격 환자 모니터링 또는 원격 의료 플랫폼은 하나 이상의 소스 센서를 통해 애플리케이션에 제공된 하나 이상의 실시간 바이탈(예: 심박수, ECG, 혈압, 피로, 스트레스, 수면 데이터) 및 기타 데이터(예: 영양, 연령, 체중, 키, 병력, 체액 기반 데이터 이력, 유전/유전체 이력, 처방 이력)을 기초로 하여 의료 전문가(예: 의사)와 환자 모두에게 환자가 미래의 의학적 상태(예: 독감, 심장마비, 당뇨병, 뇌졸중)를 경험할 가능성을 제공하기를 원할 수 있다. 실제 동물 데이터의 적어도 일부를 활용하여 하나 이상의 시뮬레이션을 실행함으로써, 의료 전문가 또는 기타 관리자(예: 추측 시스템)는 하나 이상의 예측 지표가 도출될 수 있는 하나 이상의 인공 데이터 세트를 생성할 수 있다. 예측 지표는 예를 들어 의료 전문가와 환자에게 발생 가능성(예: 동물 데이터 및 기타 데이터 분석에 기반하여 환자가 다음 6개월 동안 뇌졸중에 걸릴 가능성 %; 환자의 하나 이상의 특성에 기초하여, x, y, z 단계를 수행하지 않는 한 환자는 다음 30일 동안 p개의 의학적 상태를 경험할 것이다) 및 위험을 완화하기 위한 권장 행위(예: 하루에 n분을 걸어 스트레스를 줄이고; 혈압을 낮추기 위해 특정 음식을 계속 섭취한다)를 제공할 수 있다. 개선예에서, 추측 시스템은 예측 지표, 계산된 자산, 동물 데이터, 및/또는 그 하나 이상의 파생 상품과 관련된 하나 이상의 판독값에 기초하여 하나 이상의 경고를 제공하도록 프로그래밍될 수 있다. 예를 들어, 최대 심박수에 도달하거나 경고를 보장하는 사전 정의된 "에너지 수준(energy level)"에 도달하는 대상을 기반으로 한 경고 또는 시스템이 ECG 데이터의 불규칙성을 감지한다. 이 예에서, 대상으로부터 그러한 변칙의 탐지는 시스템에 의해 대상으로부터 수집된 과거 ECG 정보뿐만 아니라 대상과 하나 이상의 특성(예: 연령, 체중, 키, 의학적 상태 등)의 이용이 발생할 수 있다. 시스템은 과거 데이터를 기준으로 사용하여 주어진 대상의 이상을 감지하고 형태 또는 기타 관련 발견의 변화와 관련된 통찰을 제공하도록 작동할 수 있다. 다른 개선예에서, 의료 전문가 또는 시스템은 예측 지표에 기초하여 하나 이상의 행위를 취할 수 있다. 예를 들어, 시스템이 특정 당뇨병 환자와 웨어러블 센서(예: 인슐린 펌프)가 생물학적 요인에 따라 상당한 신체적 반응(예: 혼수 상태)을 경험할 가능성이 상대적으로 높다는 생성된 예측 지표를 제공하는 경우 적어도 부분적으로 센서에 의해 시스템에 전달된 해당 데이터의 체액 판독값(예: 낮은 혈당 수치) 또는 인슐린이 투여되지 않는 경우 다음 n시간 내에 상당한 물리적 반응을 겪을 경우 시스템은 인슐린 펌프와 직접 통신하고 펌프를 통해 신체에 인슐린을 투여하는 하나 이상의 명령을 제공하거나 혈당 조절을 유지하기 위해 예측 지표를 기반으로 영양 계획을 생성하도록 작동 가능한다. 웹 브라우저 기반 애플리케이션을 활용하는 생물학적 데이터 추적 시스템과 관련된 추가 세부 사항은 2019년 2월 13일에 출원된 미국 특허 제 16/274,701호 및 2020년 2월 13일에 출원된 미국 특허 제 PCT/US20/18063호에 개시되며, 이들의 전체 개시 내용은 인용에 의해 본원에 포함된다.
시뮬레이션된 데이터 세트를 생성하기 위한 다른 방법에서, 이전에 캡처된 데이터는 하나 이상의 새로운 데이터 세트를 생성하기 위해 하나 이상의 시뮬레이션을 통해 재실행된다. 예를 들어, 컴퓨팅 시스템이 장단기 기억(Long Short-Term Memory; LSTM)과 같은 신경망 또는 통계 모델을 활용하고 사용자가 선수 A의 심박수 데이터 중 적어도 일부를 활용하는 인공 심박수 데이터를 생성하여 시뮬레이션(예: 비디오 게임과 같은 시뮬레이션 게임)으로 통합하려는 경우(예: 선수 A의 심박수 데이터 또는 다양한 시나리오에 대한 분당 비트의 특성), 추측 서브시스템은 선수 A의 실제 심박수 데이터를 활용하여 훈련될 수 있어 시뮬레이션 게임에 통합될 수 있는 선수 A의 실제 심박수 데이터의 적어도 일부에 부분적으로 기초하여 인공 데이터 세트를 생성한다. 시뮬레이션 게임은 예를 들어, 선수 A의 실제 동물 데이터 및/또는 하나 이상의 파생 상품의 적어도 일부에서 유도된 선수 A에 대한 하나 이상의 생물학적 지표(예: 심박수, 발 속도, 스윙 속도)를 특징으로 할 수 있다. 가상 대상에 대한 시뮬레이션된 데이터(예: 시뮬레이션된 생물학적 측정 기준)는 현실 세계 대상으로부터 수집된 이력 데이터를 기반으로 할 수 있거나 실시간 또는 거의 실시간 기반 가상 대상에 대해 실시간 또는 거의 실시간으로 표시될 수 있거나 현실 세계 대상에 의해 추측 시스템에 제공되고 추측 시스템에 의해 새로운 인공 데이터 세트로 변환된다. 변형예에서, 하나 이상의 시뮬레이션에 의해 설정된 지수는 실제 세계 데이터와 다를 수 있지만 시뮬레이션에 적용 가능하도록 변환될 수 있다(예: 심박수 데이터가 게임 내에서 색상으로 변환될 수 있거나 가상 통화가 특정 구역 내에서 심박수를 유지하거나 초과하는 것과 관련됨). 유리하게는, 예측 지표가 시뮬레이션 게임 내에서 사용자에게 이용 가능하게 될 수 있다(예를 들어, 가상 대상이 피곤할 때를 표시할 수 있고 게임 내의 대상이 에너지가 고갈될 때 또는 사건이 발생할 가능성에 기초하여 사용자에 의한 행위가 취해져야 하는 것이 필요 할때를 예측할 수 있는 "에너지 레벨(energy level)" 막대). 개선예에서, 예측 지표는 게임 내에서 구매(또는 대가와 연계)할 수 있다. 어떤 경우에는 예측 지표를 조정하거나 수정하여 시뮬레이션의 하나 이상의 매개변수를 따르고 데이터를 시뮬레이션에 통합해야 할 수도 있다. 이 방법을 활용하면 다양한 결과의 확률도 조사될 수 있다. 예를 들어, 선수 A의 기존 데이터(예: 이전에 수집 또는 캡처) 및 특정 결과의 확률을 결정하는 데 사용할 수 있는 하나 이상의 새로운 데이터 세트를 생성하기 위해 하나 이상의 시뮬레이션을 실행하는 시스템의 능력. 개선예에서, 하나 이상의 시뮬레이션은 결과를 예측하거나 확률을 생성하기 위해 다른 하나 이상의 시뮬레이션 내에 미래 지향적인 데이터(예: 인공적으로 생성된 데이터)를 통합하여 실행될 수 있다. 예를 들어, 주어진 시나리오에서 사람의 미래 심박수 데이터 또는 생물학적 유체 기반 데이터는 수집된 데이터를 기반으로 생성될 수 있으며, 그 인공 심장박동수 데이터 또는 생물학적 유체 기반 데이터는 또 다른 미래 결과를 예측하기 위해 추가 하나 이상의 시뮬레이션에서 활용된다.(예를 들어, 미래의 심박수 데이터 및/또는 하나 이상의 생물학적 유체 기반 판독값에 기초하여 결과가 발생하는지 여부에 따라).
하나 이상의 시뮬레이션된 데이터 세트를 생성하기 위한 변형예에서, 하나 이상의 랜덤화된 변수를 갖는 기존 데이터는 시스템에 의해 이전에 볼 수 없었던 새로운 데이터 세트를 생성하기 위해 하나 이상의 시뮬레이션을 통해 재실행된다. 이 방법과 앞서 설명한 입력 예를 활용하여, 하나 이상의 예측 지표를 생성할 수 있다. 예를 들어, 추측 시스템이 특정 개체(예: 운동선수) 및 특정 이벤트(예: 운동선수가 플레이한 경기)에 대한 데이터 세트를 가질 때, 추측 시스템은 하나 또는 데이터 세트 내에서 더 많은 변수(예: 고도, 코트 내 온도, 습도)를 추가하고 하나 이상의 시뮬레이션을 통해 하나 이상의 이벤트를 재실행하여 타겟 시뮬레이션된 데이터 출력물을 생성한다. 예를 들어, 테니스와 관련하여 획득자는 2시간 경기 전체에서 온도가 95도 이상일 때 선수 A의 심박수 데이터 1시간을 원할 수 있다. 시스템은 유사한 조건의 선수 A 뿐만 아니라 유사 및 유사하지 않은 조건의 다른 유사 및 유사하지 않은 운동선수에 대한 입력뿐만 아니라 상이한 온도(예: 85, 91, 94)에서의 하나 이상의 심박수 데이터 세트를 가질 수 있다. 95도 이상의 선수 A에 대한 심박수 데이터는 수집된 적이 없으므로 시스템에서 하나 이상의 시뮬레이션을 실행하여 생성한 다음 해당 데이터를 하나 이상의 추가 시뮬레이션에서 활용할 수 있다. 다른 예에서, 획득자는 선수 A가 경기에서 승리할 가능성을 제공하는 예측 지표를 원할 수 있다. 개선예에서, 시스템은 하나 이상의 새로운 데이터 세트를 생성하거나 재생성하기 위해 서로 다른 데이터 세트를 결합하도록 프로그래밍될 수도 있다. 예를 들어, 사용자는 특정 토너먼트의 2시간 경기 전체에서 온도가 95도 이상일 때 선수 A의 심박수 데이터 1시간을 원할 수 있으며, 여기서 고도와 같은 하나 이상의 기능이 성능에 영향을 미칠 수 있다. 이 데이터가 완전히 수집된 적은 없지만 다른 데이터 세트가 요청된 데이터를 구성할 수 있다(예: 심박수를 나타내는 선수 A의 하나 이상의 데이터 세트, 95도 초과의 온도에서 테니스를 하는 선수 A의 하나 이상의 데이터 세트, 고도와 같은 요청된 기능이 있는 필수 토너먼트에서 하나 이상의 데이터 세트). 시스템은 데이터 세트 내에서 그리고 데이터 세트 전반에 걸쳐 이러한 요청된 매개변수를 식별하고 하나 이상의 시뮬레이션을 실행하여 이러한 서로 다른 데이터 세트를 기반으로 사용자의 요청을 이행하는 하나 이상의 새로운 인공 데이터 세트(예: 예측 지표, 계산된 자산, 또는 인공 동물 데이터)를 생성한다. 변형예에서, 하나 이상의 새로운 데이터 세트를 생성하거나 재작성하는 데 사용되는 유사하지 않은 데이터 세트는 표적 대상(예: 연령 범위, 체중 범위, 키 범위, 성별, 유사하거나 유사하지 않은 생물학적 특성 등)과 적어도 하나의 공통 특성을 공유하는 하나 이상의 상이한 대상을 특징으로 한다. 위의 예를 사용하여 심박수 데이터가 선수 A에 대해 활용될 수 있지만 시스템은 원하는 데이터 세트(예: 일부 또는 모든 선수가 선수 A와 유사한 심박수 패턴을 보였을 수 있음; 일부 또는 모든 선수가 선수 A와 유사한 생체액 유래 판독값을 가질 수 있음; 일부 또는 모든 선수가 95도 이상의 온도에서 테니스를 치는 것을 특징으로 하는 시스템에서 수집한 데이터 세트를 갖고 있을 수 있음).에 대한 관련성을 기초로 하여 선택될 수 있는 선수 b, c, d로부터의 하나 이상의 다른 데이터 세트를 이용할 수 있다. 이러한 하나 이상의 데이터 세트는 원하는 조건에서 선수 A의 심박수를 보다 정확하게 예측하기 위해 하나 이상의 시뮬레이션 내에서 입력으로서 작용할 수 있다.
시뮬레이션된 데이터를 위한 또 다른 방법에서, 본질적으로 일반적인(예를 들어, 공유된 생물학적 매개변수가 없는) 인공 데이터 세트가 생성된다. 변형예에서 하나 이상의 무작위 데이터 세트가 생성되며 하나 이상의 변수는 획득자가 아닌 시스템에 의해 선택된다. 이는 예를 들어 보험 회사가 무작위 샘플(예: 시스템에서 무작위로 선택할 수 있는 정의된 연령 또는 병력 없음) 중에서 특정 데이터 세트(예: 1,000,000명의 흡연자)를 찾고 있는 경우, 또는 내기 회사가 존재하지 않은 이벤트(예: 비디오 게임 시뮬레이션 결과에 대한 제안 베팅)에 대해 하나 이상의 새로운 마켓(예: 제안 베팅)을 만들려고 하는 경우에 특히 유용할 수 있다. 개선예에서, 시스템의 주어진 사용자에 의해 선택된 미리 결정된 수의 개체에 기초하여 하나 이상의 인공 데이터 세트가 생성된다. 다른 개선예에서, 추측 시스템에 의해 무작위로 선택된 미리 결정된 수의 개체로부터 하나 이상의 인공 데이터 세트가 생성된다.
시뮬레이션된 동물 데이터 및 모델을 생성하기 위한 시스템과 관련된 추가 세부사항은 2019년 9월 6일에 출원된 미국 특허 제62/897,064호에서 개시되며, 그 전체 개시 내용은 인용에 의해 본원에 포함된다. 본 발명은 이용되는 하나 이상의 통계 모델 또는 인공 지능 기술(예를 들어, 기계 학습 모델, 딥 러닝 기술)의 유형으로 제한되지 않는다. 본 발명이 시뮬레이션된 데이터를 사용하기 위한 임의의 특정 애플리케이션에 의해 제한되지 않는다는 점을 감안할 때, 이러한 데이터는 하나 이상의 센서, 알고리즘, 출력물 및/또는 가설을 테스트, 변경 및/또는 수정하기 위한 기준선 또는 입력으로 사용될 수 있다. 또한, 하나 이상의 시뮬레이션에서 생성된 데이터는 실제 데이터의 문제/패턴을 식별하기 위한 제어 세트, 추가 시뮬레이션의 입력 또는 인공 지능 또는 테스트 세트, 훈련 세트 또는 식별 가능한 패턴이 있는 세트로서 기계 학습 모델에 대한 입력을 포함하여 광범위한 사용 사례에 사용할 수 있다. 이러한 인공 데이터는 시뮬레이션 시나리오를 실행하는 데 사용할 수 있으며, 그 사용 사례는 훈련에서 성능 향상 등에 이르기까지 다양한다. 예를 들어, 특정 운동선수의 실제 동물 데이터를 기반으로 생성된 인공 데이터 세트는 추측 시스템을 사용하여 수정되어 피로 또는 빠른 심박수 변화와 같은 특성에 해당하는 데이터에 하나 이상의 편차를 도입할 수 있다. 이 수정된 데이터를 사용하여 하나 이상의 시뮬레이션을 실행하여 개체(예: 운동선수, 군인, 환자)가 일 예로서 스트레스가 높은 상황이나 특정 환경 조건(예: 높은 고도, 높은 코트 온도)에서 수행할 것이다. 이것은 피트니스 애플리케이션, 보험 애플리케이션 등에 특히 유용할 수 있다. 사람(예: 운동선수) 또는 기타 동물의 경우 생물학적 측정 기준(예: 심박수, 호흡, 위치 데이터, 생체역학 데이터)과 사건 발생 가능성(예: 특정 시합 우승, 특정 또는 특정 수준에서 생물학적 기능 유지) 사이의 패턴을 설정하는 시스템으로, 추측 시스템은 특정 조건 시나리오(예: "가정(what-if)" 시나리오 및 가능한 결과)의 하나 이상의 확률을 계산할 수 있다. 예를 들어, 인공 데이터를 생성하는 시스템은 하나 이상의 시뮬레이션에서 n개의 데이터 입력을 사용하여 주어진 시간에 실시간으로 발생할 수 있는 임의의 주어진 이벤트(예: 테니스 경기)에 대해 실시간 또는 거의 실시간으로 다중 시뮬레이션을 실행하도록 작동할 수 있다. 이러한 시뮬레이션의 결과를 기반으로 시스템은 발생하는 주어진 결과에 확률을 할당할 수 있다. 예를 들어, 원하는 분석이 "현재 경기에서 선수 A의 HR이 200에 도달할 것인가"인 경우 시스템은 하나 이상의 시뮬레이션을 실행하여 이러한 결과가 발생할 확률을 생성할 수 있으며 여기에는 여러 시나리오가 포함될 수 있다(예: 선수 B가 제 1 세트를 승리하고 선수 A가 신체의 특정 부분에서 스트레스, 피로, 신체의 특정 영역에서 근육 긴장을 느끼기 시작하고 경기 중 기온과 습도가 n도 상승하여 선수 A에 영향을 미친다). 이러한 시뮬레이션 시나리오는 n개일 수 있으며 추가로 시뮬레이션 시나리오는 예를 들어 과거의 유사한 경기를 기반으로 하는 추측 시스템의 ML/AI 엔진을 통해 즉석에서(즉, 동적으로) 생성될 수 있다. 시뮬레이션이 실행되면 출력물이 수집되고 분석되면 연구 중인 결과와 관련된 하나 이상의 확률을 제공하도록 시스템이 설정될 수 있다. 변형예에서, 하나 이상의 입력 또는 요인(예: 시간)의 변경에 따라 다른 출력물(예: 확률)이 발생하여 이벤트가 진행되는 동안 2개 이상의 시뮬레이션이 발생할 수 있다. 예를 들어, 선수 A에게 경기에서 승리할 확률을 %로 제공하기 위해 하나 이상의 시뮬레이션을 실행하는 시스템은 미래의 시간(예: 제 1 시뮬레이션 후 10초, 제 1 시뮬레이션 후 5분, 제 1 시뮬레이션 후 1시간, 등)에 하나 이상의 미래 시뮬레이션을 실행할 수 있으며 다른 확률(예: 제 1 시뮬레이션 후 30초 동안 실행되고 "점수(score)" 및 "스트레스(stress)를 이용하고 하나 이상의 입력 부분이 선수 A가 상기 기간 내에 게임을 졌기 때문에 선수 A가 경기에서 수정된 이길 확률 53%를 초래하고 이는 이전 경기에서 성능 저하를 유발한다)이 제공될 수 있다.
다른 실시예에서, 추론 시스템은 센서 또는 연결된 장치의 정확성, 일관성 및/또는 신뢰성을 테스트, 설정 및/또는 검증하기 위한 도구로서 활용될 수 있다. 유사하게 라벨이 지정된 출력물(예: 심박수)을 생성하는 센서는 출력물을 도출하기 위해 다른 구성요소(예: 하드웨어, 알고리즘)를 사용할 수 있다(예: 다른 제조업체의 심박수 센서 또는 "동일한(same)" 출력물을 생성하기 위한 다른 데이터 수집 방법 또는 알고리즘을 활용하는 동일한 제조업체의 다른 심박수 센서). 이는 예를 들어 한 장치의 심박수와 같은 출력물이 다른 장치의 심박수와 같지 않을 수 있음을 의미한다. 데이터 정규화 및/또는 동기화를 포함하여 네이티브 애플리케이션을 우회하거나 데이터를 집계하고 데이터에 따라 행동하는 추측 시스템의 기능은 사용자가 원하는 경우 상대적인 "애플-대-애플(apples-to-apples)" 비교를 수행할 수 있는 능력을 보장하고, 각각의 센서 출력물과 각 출력물(예: 원시 데이터, 처리된 데이터)을 도출하는 해당 하드웨어/펌웨어 및 알고리즘을 비교하면서 데이터(예: 데이터가 수집된 활동)에 대한 내용을 제공하고 출력물에 영향을 미칠 수 있는 기타 변수(예: 전송 관련, 소프트웨어 관련)를 제거한다. 각각의 센서 또는 연결된 디바이스 하드웨어, 알고리즘(들) 또는 출력물을 공정하게(예: 지정된 표준과 비교하여) 테스트 및 비교하면 평가 중인 특정 구성 요소로 분리된 정량화 가능한 결과가 보장된다. 각각의 센서 유형 및 해당 구성 요소에 대한 정량화된 결과를 얻을 수 있는 기능을 통해 사용자는 주어진 요구 사항 또는 사용 사례(예: 내기, 확률 평가 또는 계산, 제품 생성 또는 수집 또는 위험 완화 사용 사례)를 기반으로 지정된 그룹의 모든 참가자에 대해 특정 센서 및/또는 알고리즘을 선택할 수 있다. 예를 들어, 하나의 센서 제조업체는 다른 센서 제조업체와 비교하여 특정 사용 사례에 사용하기에 더 적합한 센서를 제공할 수 있다. 구성 요소를 선택하는 기능(예: 센서 유형 해당 알고리즘)은 다르거나 열등한 구성 요소(예: "동일한(same)" 출력물을 캡처하는 다른 센서 또는 다른 알고리즘)를 사용할 때 일반적으로 발견되는 주요 센서 관련 변수를 제거한다. 이 방법론은 또한 하나 이상의 다른 변수(예: 하나 이상의 개별 대상 간의 차이)를 분리할 수 있는 능력을 보장한다. 이 방법론은 사용자의 데이터 신뢰를 보장하고 요구 사항에 적합한 센서를 선택하는 정량화 가능한 방법으로 마켓 또는 내기 전략, 확률 평가, 제품, 권장 사항 또는 위험 완화 또는 예방 전략을 생성하는 조직에 제공한다.
도 3은 스포츠 내기를 포함하는 이벤트에 적용되는 추측 시스템의 높은 수준의 기본 개요이다. 스포츠 추측 시스템(60)은 도 1 및 도 2와 관련하여 위의 설명에 설명된 시스템의 예이다. 스포츠 추측 시스템(60)은 스포츠 활동에 참여하는 하나 이상의 표적 개체로부터 동물 데이터를 수집하는 하나 이상의 소스 센서(62)를 포함한다. 또한, 테니스 경기장이 도 3에 도시되어 있지만, 본 설계는 모든 스포츠 경기장을 포함하여 모든 경기장에 적용할 수 있고 임의의 수의 산업에 적용할 수 있다. 이러한 스포츠 경기장의 예로는 야구 경기장, 축구 경기장, 농구 경기장, 축구 경기장, 아이스하키 경기장, 육상 경기장, 오픈 레이스 경기장 또는 사이클링, 철인 3종 경기 또는 자동차 경주, 배구 경기장, 경마장, 개 경주장 등을 포함한 코스가 포함되지만 이에 국한되지는 않는다. 개선예에서, 경기장(64)은 체육관, 가정, 피트니스 스튜디오, 제조 공장, 병원, 건설 현장 등을 포함하는 비스포츠 경기장일 수 있다. 위에서 설명한 바와 같이, 동물 데이터는 무선 및 유선 연결을 통해 전자적으로 전송될 수 있다. 전송 서브시스템(76)은 동물 데이터의 전송을 컴퓨팅 서브시스템(66)으로 제공한다. 이전에 언급된 바와 같이, 전송 서브시스템(76) 및/또는 그 하나 이상의 구성요소는 컴퓨팅 서브시스템(66)의 일부일 수 있거나, 컴퓨팅 서브시스템의 외부에 있을 수 있거나, 하나 이상의 소스 센서에 통합될 수 있다. 컴퓨팅 서브시스템(66)은 동물 데이터를 수신한다. 위에서 설명된 바와 같이, 동물 데이터의 적어도 일부는 컴퓨팅 서브시스템(66) 및/또는 하나 이상의 소스 센서(62)에 의해 선택된 표적 개체 또는 표적 개체의 그룹에 할당된 적어도 하나의 계산 자산으로 변환된다. 컴퓨팅 서브시스템(66)은 적어도 하나의 계산된 자산을 예측 지표로 변환하도록 작동 가능하다. 동물 데이터를 계산된 자산 또는 예측 지표로 변환하는 것은 분석 기능(84)을 통해 발생할 수 있다. 분석 기능(84)은 컴퓨팅 서브시스템 및 추측 시스템을 운영하는 엔터티에 의해 운영되고 컴퓨팅 서브시스템과 분리되어 추측 시스템을 운영하는 엔터티와 다른 엔터티(예: 제 3자)에 의해 운영되거나 데이터를 분석하는 엔터티(예: 제 3자)에 의해 운영되고 데이터 및/또는 그 하나 이상의 파생 상품의 적어도 일부를 컴퓨팅 서브시스템에 다시 제공한다. 분석 기능(84)은 하나 이상의 통계 모델 및/또는 인공 지능 기술을 활용하여 이러한 데이터를 변환할 수 있다. 개선예에서, 분석 기능(84)은 출력물 정보의 적어도 일부로부터 하나 이상의 제품을 생성, 수정 또는 향상시키고 하나 이상의 제품을 한 명 이상의 사용자에게 제공하도록 작동 가능할 수 있다. 다른 개선예에서, 분석 기능(84)은 출력물 정보의 적어도 일부를 한 명 이상의 사용자에게 제공하도록 작동 가능할 수 있다.
여전히 도 3을 참조하면, 컴퓨팅 서브시스템(66)은 예측 지표, 적어도 하나의 계산된 자산, 동물 데이터의 적어도 일부, 하나 이상의 파생 상품 및/또는 이들의 조합(집합적으로 "출력물 정보(Output Information)"라고 함)을 제공(예를 들어, 제공, 배포, 이용 가능하게 만드는 등)하도록 작동 가능하여 데이터 배포 기능(72)을 통해 한 명 이상의 사용자에게 제공한다. 컴퓨팅 서브시스템(66)은 데이터를 한 명 이상의 사람, 또는 이벤트에 직접 관련된 시스템(예: 플랫폼, 애플리케이션)에 제공하도록 작동 가능하다. 스포츠의 맥락에서, 코치와 의료진(78), 분석가, 관리자, 선수, 트레이너, 영양사 및 기타 관련 직원이 여기에 포함될 수 있다. 유리하게는, 출력물 정보는 실시간 또는 거의 실시간으로 제공될 수 있다. 개선예에서, 컴퓨팅 서브시스템(66)으로부터의 출력물 정보는 내기 또는 확률 평가 제품을 개발하는 데 사용되거나 제품 기능(86)을 통해 묘사된 바와 같이 내기 또는 확률 평가 제품을 개발하기 위해 다른 엔티티에 제공될 수 있다. 제품은 확률 기반 제품, 위험 완화 제품, 동물 모니터링 응용 프로그램(예: 사람 성과 모니터링 응용 프로그램), 추천 제품, 내기 자극 제품, 베팅 정보 제품, 새로운 베팅 유형 등을 포함할 수 있다. 제품 기능(86)은 컴퓨팅 서브시스템(66)의 일부인 하나 이상의 제품 서브시스템, 도구 등일 수 있으며, 이는 컴퓨팅 서브시스템과 분리되고 추론 시스템을 운영하는 엔티티에 의해 작동되고, 컴퓨팅 서브시스템과 분리되고 추측 시스템을 운영하는 엔터티보다 다른 엔티티(예를 들어, 제 3자)에 의해 작동되거나 하나 이상의 제품 또는 시스템(예: 애플리케이션)을 생성하고 하나 이상의 제품을 배포용 컴퓨팅 서브시스템에 다시 제공하는 엔터티(예: 제 3자)에 의해 운영된다. 다른 개선예에서, 하나 이상의 제품 서브시스템은 하나 이상의 제품 및/또는 출력물 정보의 적어도 일부를 한 명 이상의 사용자에게 제공하도록 작동 가능할 수 있다. 마지막으로, 도 3은 동물 데이터를 생성, 수집, 수정, 향상, 분석, 제공, 배포 및/또는 제품화하거나 추측 시스템 또는 그 구성 요소를 운영하는 데 기여한 한 명 이상의 이해관계자(stakeholder)에게 대가가 분배될 수 있는 수익 조정 기능(90)을 보여준다. 개선예에서, 전송 서브시스템(76), 분석 기능(84), 제품 기능(86), 배포 기능(72), 배포 엔드 포인트(78), 및 수익 조정 기능(90), 또는 이들의 임의의 조합은 컴퓨팅 서브시스템(66)의 일부일 수 있다.
도 3에 도시된 바와 같이, 컴퓨팅 시스템(66)은 추론 프로그램을 실행한다. 구현 시, 추론 프로그램은 통합 계층, 전송 계층, 및 데이터 관리 계층으로 정의된다. 통합 계층과 관련하여, 하나 이상의 센서의 사용자 또는 관리자는 시스템이 다음 두 가지 방법 중 하나로 하나 이상의 센서에서 정보를 수집할 수 있도록 한다: (1) 시스템은 센서와 직접 통신하므로 센서와 연결된 네이티브 시스템을 우회하고; 또는 (2) 시스템이 시스템의 데이터베이스에 데이터를 수집하기 위해 API 또는 기타 메커니즘을 통해 센서 또는 센서 데이터를 저장하는 다른 시스템과 연관된 클라우드 또는 네이티브 시스템과 통신한다. 직접 센서 통신은 센서와 통신하기 위한 새 코드를 생성하거나 센서 제조업체가 시스템과 함께 작동하는 코드를 작성하여 이루어진다. 시스템은 여러 센서 제조업체가 따를 수 있는 시스템과의 통신을 위한 표준을 만들 수 있다. 시스템과 센서 간의 통신은 시스템이 데이터를 수신하고 센서에 하나 이상의 명령을 보낼 수 있는 양방향 통신일 수 있다. 예를 들어, 시스템은 센서의 하나 이상의 기능을 변경하기 위해 하나 이상의 명령을 하나 이상의 센서에 보낼 수 있다(예를 들어, 이득, 전력 모드 또는 샘플링 속도 변경, 스트리밍 시작/중지, 펌웨어 업데이트). 경우에 따라 센서에는 시스템에서 제어할 수 있는 장치(예: 가속도계, 자이로스코프, ECG 등) 내에 여러 센서가 있을 수 있다. 여기에는 켜지거나 꺼지는 하나 이상의 센서, 샘플링 주파수 또는 감도 이득 증가 또는 감소가 포함된다. 유리하게는, 하나 이상의 센서와 직접 통신하는 시스템의 능력은 또한 센서에서 시스템으로 센서 데이터의 실시간 또는 거의 실시간 수집을 가능하게 한다. 시스템은 임의의 수의 센서, 임의의 수의 기능을 제어하고 단일 시스템을 통해 임의의 수의 표적 개체에 대해 임의의 수의 센서를 스트리밍할 수 있는 능력을 가질 수 있다.
전송 계층과 관련하여, 시스템과 센서의 직접 통신의 부산물은 시스템이 실시간 또는 거의 실시간 통신을 위해 센서의 전송 신호를 연장하여 센서와 시스템 사이 통신 거리를 증가, 수신 연결 증폭, 하나 이상의 센서 하나 이상의 전송 프로토콜의 범위 제한 확장시키도록 작동할 수 있다는 것이다. 이는 시스템이 센서 자체 내에서 발견되는 모든 저전력 또는 표준 전송 하드웨어(예: Bluetooth, BLE, Zigbee, WIFI, 셀룰러 통신, Ant+, 등)와 통신하고 이용하는 전송 시스템을 이용함으로써 달성될 수 있다. 센서와 시스템의 직접 통신의 또 다른 부산물은 단일 전송 시스템이 시스템과 직접 통신하는 여러 센서에 대한 실시간 또는 거의 실시간 스트리밍의 통신을 동기화하고 데이터 자체에 대해 작동할 수 있거나, 어딘가에 송신하거나 나중에 사용하기 위해 저장한다. 이것은 한 개체 또는 다수의 개체에 대해 발생할 수 있다. 전송 시스템은 다양한 방식으로 구성할 수 있고, 다양한 폼 팩터를 사용하고, 여러 위치에 배치할 수 있으며, 하나 이상의 전송/통신 프로토콜 또는 네트워크(예: Bluetooth, ZigBee, WIFI, 셀룰러 네트워크, 등)를 사용할 수 있다, 다양한 환경에서 활용되고, 단순히 센서에서 시스템으로 데이터를 전송하는 것 외에도 기능을 갖는다(예: 사용 사례 요구 사항에 따라 데이터 요약, 합성 또는 분석). 유리하게도, 전송 시스템을 통한 센서와의 시스템의 직접 통신은 실시간 또는 거의 실시간 스트리밍을 가능하게 하며, 특히 잠재적인 간섭 또는 다른 통신의 무선 주파수가 문제가 될 수 있는 적대적인 환경에서 더욱 그렇다.
데이터 관리 계층과 관련하여, 데이터 관리 계층은 모든 데이터(하나 이상의 파생 상품 포함), 속성, 관련(예: 데이터가 연결된 대상/사물) 및 데이터 관련 기능(예: 정규화, 동기화, 배포 등) 을 관리한다. 시스템에 입력되는 센서 데이터는 원시(데이터 조작 없음) 또는 처리(조작됨) 구조 중 하나이다. 시스템은 수집된 모든 센서 데이터("좋은(good)" 및 "나쁜(bad)") 모두에서 관련 "좋은(good)" 센서 데이터를 추출하기 위해 데이터 노이즈 필터링, 데이터 복구 기술 및/또는 추출 또는 예측 기술을 배포하거나 센서 데이터의 적어도 일부가 "나쁜(bad)" 경우 인공적인 "좋은(good)" 값을 생성하는 하나 이상의 알고리즘 또는 기타 논리를 수용할 수 있다. 시스템은 단일 대상 또는 다수의 대상에 대해 동시에 하나 이상의 센서와 통신하도록 프로그래밍될 수 있을 뿐만 아니라 데이터가 어디서 오는지 및 누가 어떤 센서를 작용하고 있는지를 수신 당사자가 재구성할 수 있도록 충분한 정보를 전송하기 위해 중복을 제거하는 기능을 가질 수 있다. 명확히 하기 위해, 이는 데이터를 수신하는 시스템에 데이터의 특성을 식별하기 위한 메타데이터를 제공하는 것을 의미하며, 예를 들어 주어진 데이터 세트는 타임 스탬프 A, 센서 B 및 대상 C에 속한다. 또한 시스템은 한 명 이상의 사용자에게 하나 이상의 센서를 연관시키는 기능을 가질 수 있다. 컴퓨팅 서브시스템에서 수신하면, 센서 데이터는 요청에 따라 시스템 클라우드로 전송되거나 시스템 서버에 로컬로 유지된다. 시스템에 입력되는 센서 데이터는 사용자와 관련된 정보(예: 메타데이터) 또는 타임 스탬프, 센서 유형 및 센서 설정을 비롯한 센서 특성과 시스템 내의 하나 이상의 다른 특성과 함께 시스템에 의해 동기화되고 태그가 지정된다. 예를 들어, 센서 데이터는 특정 사용자에게 할당될 수 있다. 센서 데이터는 또한 사용자가 참여하는 특정 이벤트(예: 시즌 Z의 리그 Y의 게임 X에서 농구를 하는 사람) 또는 데이터 획득자가 수집(예: 그룹 사이클링 데이터)하는데 관심을 가질 일반적인 활동 클래스에 할당될 수 있다. 시스템은 하나 이상의 타임 스탬프를 다른 데이터 소스(예를 들어, 농구 경기의 공식 타임 게임 시계와 관련된 타임 스탬프, 득점과 관련된 타임 스탬프 등)와 동기화할 수 있다. 윤곽 없이 모든 유형의 데이터를 수집하도록 설계된 시스템은 데이터 유형(예: ECG, EMG) 및 데이터 구조를 포함한 하나 이상의 특성으로 데이터를 분류한다. 상기 시스템은 정규화, 타임 스탬프, 집계, 저장, 조작, 노이즈 제거, 향상, 구성, 분석, 익명화, 합성, 복제, 요약, 제품화 및/또는 동기화를 포함하여 센서 데이터가 시스템에 입력되면 하나 이상의 추가 변형 작업을 수행할 수 있다. 이렇게 하면 서로 다른 데이터 세트 간에 일관성이 보장된다. 이러한 프로세스는 사용 사례 및 사용자 요구 사항에 따라 실시간, 거의 실시간 또는 비실시간 기반으로 발생할 수 있다. 하나 이상의 센서로부터 제공되거나 스트리밍되는 데이터의 대량 유입을 감안할 때, 이는 상당한 양일 수 있으며, 시스템은 구조화되지 않은 데이터와 구조화된 데이터 윤곽 및 형식의 하이브리드 접근 방식을 포함할 수 있는 데이터 관리 프로세스를 활용할 수도 있다. 또한 모든 수신 데이터의 동기화는 실시간 또는 거의 실시간 데이터 전송에 적합한 특정 스키마를 사용하여 대기 시간을 줄이고 오류 검사 및 데이터 패킷의 일부 또는 전체 데이터 패킷을 암호화할 수 있는 기능을 갖춘 보안 계층을 제공할 수 있다. 시스템은 센서 데이터에 대한 모든 요청을 모니터링, 수신 및 기록하기 위해 다른 시스템과 직접 통신하고 센서 데이터에 대한 액세스를 원하는 조직에 사용 사례에 필요한 데이터에 대해 하나 이상의 특정 요청을 할 수 있는 기능을 제공한다. 예를 들어, 하나의 요청은 초당 1x의 속도로 특정 개체에 대한 10분의 실시간 심박수에 대한 것일 수 있다. 시스템은 또한 이러한 요청을 한 명 이상의 사용자 또는 한 명 이상의 사용자 그룹/클래스와 연관시킬 수 있다.
효과적인 추측 시스템의 또 다른 양태는 상거래에서 동물 데이터의 사용이며, 여기에는 시스템 또는 한 명 이상의 사용자를 참여시키는 하나 이상의 제 3자에 의해 생성 및/또는 제공되는(예를 들어, 제공, 배포, 이용 가능 등) 하나 이상의 동물 데이터 파생 상품 또는 서비스와 관련된 하나 이상의 판촉(예: 광고, 계약)을 포함한다. 예를 들어, 동물 데이터는 사용자가 웹 페이지(예: 제 3자 웹 페이지) 또는 동물 데이터를 직간접적으로 활용하는 다른 디지털 목적지를 통해 클릭하도록 이끄는 목적을 위해 웹 페이지 또는 다른 디지털 플랫폼에 대한 판촉 내에서 직접적으로 또는 간접적으로 활용될 수 있다. 웹 서비스의 경우 이를 수행하는 한 가지 방법은 인라인 프레임(Iframe)을 사용하는 것이고, 인라인 프레임은 웹 사이트의 다른 HTML 문서 안에 포함된 HTML 문서일 수 있다. Iframe은 광고 또는 참여(예: 내기 기회, 정보 문헌)와 같은 다른 소스의 콘텐츠를 웹 페이지에 삽입하는 데 사용될 수 있다. 경우에 따라, Iframe 또는 위젯은 지정된 기간(예: 15초마다) 새로고침되는 디스플레이 광고가 있는 웹페이지 또는 기타 디지털 대상에서 보내는 사용자의 시간을 늘리고 사용자가 대가 대신 서비스, 제품 또는 혜택을 사용자에게 제공(예: 판매)하기 위해 일부 경우 사용자가 제 3자 사이트인 다른 목적지를 통하여 대상으로 클릭연결한다. 또한 페이지에서 보낸 시간이 증가하면 일반적으로 참여도가 높은 사용자가 생겨 사이트를 반복적으로 방문하고 더 많은 클릭이 발생할 수 있다. 제 3자 위젯에서 제공하는 다른 방법(예: JavaScript)이 있으며, 본 발명은 사용된 이러한 다른 방법론에 의해 제한되지 않는다. 도 4는 Iframe에 표시할 수 있는 광고의 예를 제공한다. 도 4에 추가하여 도 5a 내지 도 5g는 위에 설명된 추측 시스템에 의해 수집된 동물 데이터에 대한 특정 유형의 판촉의 예를 제공한다. 본 발명은 판촉을 표시하는 데 사용되는 디스플레이 장치의 유형으로 제한되지 않으며 판촉이 시각화될 수 있는 하나 이상의 모니터, 모바일 장치, 스마트워치, 또는 스마트 안경 또는 안경류 내부를 포함할 수 있다. 이러한 판촉의 특정 예는 웹 페이지에서 시각적 형태로 전달되지만 판촉은 오디오 또는 청각적 형식(예: 광고의 구두 전달)을 통해 전달되는 것을 포함하여 다른 방식으로 전달될 수 있다. 다른 실시예에서, 광고 또는 사용자 참여 목적(예를 들어, 내기)을 위해 동물 데이터의 적어도 일부를 활용하는 다른 디지털 플랫폼은 가상 현실 시스템 및 증강 현실 시스템을 포함한다.
증강 현실 시스템 또는 가상 현실 시스템과 같은 사용자(예를 들어, 팬) 참여 시스템의 경우, 추측 시스템은 미디어에 참여하는 사람(예를 들어, 스포츠 이벤트와 같은 라이브 이벤트 시청)에 동물 데이터를 보고 상호 작용할 수 있는 능력을 제공할 수 있다. 예를 들어, 이것은 현장 경험이나 재택 경험의 일부일 수 있다. 동물 데이터는 팬 참여 시스템 내에서 하나 이상의 베팅을 하기 위해 활용될 수 있고(예: 선수가 피곤해 보일 때 경기 동안과 같이, 임의의 주어진 시간에 팬 참여 시스템을 통해 선수가 경기에서 플레이하고 사용자가 팬 참여 시스템 내에서 사용자가 베팅할 때 팬 참여 시스템 내에서 선수의 에너지 수준을 볼 수 있다), 팬 참여 시스템 내에서 활용되어 팬 참여 시스템 외부에 하나 이상의 베팅을 할 수 있고(예: 사용자가 증강 현실 시스템을 통한 선수의 에너지 수준 및 사용자가 사용자의 모바일 장치에서 경기에 베팅을 하고), 또는 사람이 베팅을 하도록 자극하는 정보를 제공한다(예: 사용자가 증강 현실 시스템을 통하여 선수에 대한 예측 지표를 보고 베팅을 하기로 결정한다). 동물 데이터는 팬 참여 시스템 내에서 동물 데이터의 가치를 추가로 활용하기 위해 팬 참여 시스템과 관련된 다른 시각 자료(예: 후원의 브랜드)를 가질 수도 있다.
추측 시스템이 내기를 위한 증강 현실 시스템과 같은 팬 참여 시스템에 동물 데이터를 제공하기 위해, 시스템은 먼저 지정된 영역(예를 들어, 알려진 경계와 고정된 물체가 있는 스타디움과 경기장을 포함한 경기장의 필드 주변, 스포츠 컨텍스트 내에서) 주변의 객체 인식 및 추적을 사용할 수 있다. 그런 다음 시스템은 필요할 때 이 정보를 업데이트하는 기능과 함께 알려진 식별된 장면 및 추적 정보의 인벤토리(inventory)를 생성할 수 있다. 시스템은 이 인벤토리의 공백을 채우는 데 도움이 되는 알려진 이미지 데이터 세트를 수집할 수 있다. 예로서, 스포츠를 사용하면(스포츠에 국한되지 않음), AR 시스템은 선수 및 보조 물체에 대한 3D 추적(예: 공 움직임 추적)을 사용할 수 있다. 경기장 및 다른 선수에 대한 선수의 위치를 기반으로, 시각화가 플레이와 관련되도록 증강 개체를 배치할 수 있다. 위치 기반 데이터(GPS), 방향 센서, 가속도계 등과 같은 센서의 추가 데이터를 사용하여 선수의 위치를 미세 조정하고 고도 및 위도와 같은 기타 데이터 요소를 3D 모델 계산에 사용할 수 있다. 시스템은 또한 고정된 알려진 개체 주변의 환경에서 기능을 찾을 수 있으며 일부 고정된 지점과 관련하여 해당 개체의 변경 사항을 추적하여 오버레이에서 관련 가상 개체를 인식하고 대체하려고 시도한다. 시스템은 렌더링이 실시간 또는 거의 실시간이 되도록 컴퓨팅 디바이스(예: 모바일 장치)로 전송되는 데이터를 최적화한다. 이 시스템은 지상, 항공 또는 클라우드 기반 시스템을 통해 시스템 리소스를 사용하여 복잡한 데이터 세트를 렌더링하고 모든 3D 산출을 계산한다. 증강 객체는 하나 이상의 대상과 관련된 정보를 제공하는 하나 이상의 동물 데이터 유형(예: 시뮬레이션된 데이터 포함) 또는 동물 데이터의 하나 이상의 파생 상품을 포함할 수 있다. 증강 현실 시스템은 또한 사용자가 베팅을 하고, 확률을 평가하거나 계산하고, 예측 또는 가능성을 보고, 및/또는 위험을 완화 또는 예방하기 위한 터미널을 포함할 수 있다. 개선예에서, 증강 현실 시스템은 또한 권고 및/또는 취해야 할 행위를 제공할 수 있다. 베팅을 하고, 확률을 평가 또는 산출하고, 예측 또는 가능성을 보고, 위험을 완화하고, 행위를 취하는 터미널 및/또는 사용자의 능력은 오디오 제어(예: 음성 제어), 물리적 신호(예를 들어, 머리 움직임, 눈 움직임, 또는 손 제스처), 신경 신호, AR 하드웨어 내에서 또는 국부화된 장치(예를 들어, 이동 전화)에서 발견되는 제어를 포함한 다양한 메커니즘을 통해 제어될 수 있지만, 이에 제한되지 않는다.
내기 시스템의 경우, 추측 시스템은 동적 베팅을 제공하는 것과 관련하여 다수의 신규 기회를 제공하며, 이는 하나 이상의 통계 모델 및/또는 인공 지능 기술에 의해 적어도 부분적으로 지원될 수 있다. 동물 데이터와의 사용자 상호 작용을 기반으로 하나 이상의 새로운 제안 베팅이 동적으로 생성될 수 있다. 예를 들어, 스포츠와 관련하여, 한 명 이상의 사용자가 하나 이상의 유사한 특성(예: 사용자가 자주 사용하는 동물 데이터의 예로 심박수, 선수 A의 심박수 또는 팀 B의 모든 가드에 대한 심박수 사용)을 특징으로 하는 동물 데이터(예: 애플리케이션에서 동물 데이터 보기)를 자주 사용하는 경우, 시스템은 동적으로 제안 베팅을 생성하고 한 명 이상의 특정 사용자를 대상으로 할 수 있다(예: 베팅은: 선수 A의 최대 심박수 게임에서 180bpm 이상이어야 함, 4쿼터 마지막 5분 동안 B팀의 모든 가드의 평균 심박수는 150bpm 미만임). 내기 및 확률 평가와 관련된 베팅 및 제품(위험 완화/예방 제품, 추천 제품 등 포함)은 모든 유형의 동물 데이터 및/또는 하나 이상의 파생 상품을 사용하여 생성할 수 있다. 시스템은 또한 내부적으로 또는 하나 이상의 제 3자에 의해 생성된 배당률을 계산하고, 배당률을 할당하고, 배당률을 수정하고, 배당률을 높이거나, 배당률을 이용하고 이러한 베팅을 수반할 수 있도록 내부적으로 생성하거나 한 명 이상의 제 3 자에 의해 생성할 수 있다. 개인화된 베팅은 동물 데이터와의 하나 이상의 사용자 상호작용을 기반으로 동적으로 생성될 수도 있다. 예를 들어, 특정 사용자가 하나 이상의 매개변수 또는 특성과 관련된 동물 데이터를 자주 사용하는 경우(예: 사용자 A가 모든 테니스 경기에서 세트 #2에 대한 과거 심박수 데이터를 자주 사용하는 경우) 해당 동물 데이터의 적어도 일부를 베팅의 적어도 일부로 활용하는 특정 사용자와 상호 작용하는 시스템 또는 제 3자에 의해 제안 베팅이 생성될 수 있다(예: 사용자가 경기 #1의 세트 #2에서 선수 A의 심박수가 180bpm 초과인지 여부 또는 경기 #7의 세트 #2에서 선수 B의 심박수가 186bpm 초과인지 여부에 베팅할 수 있도록 하는 베팅이 생성된다). 시스템은 또한 내부적으로 또는 하나 이상의 제 3자가 생성한 배당률을 산출하거나 배당률을 할당하거나 배당률을 수정하거나 배당률을 높이거나 배당률이 하나 이상의 베팅을 수반하도록 한 명 이상의 제 3 자에 의해 또는 내부적으로 생성된 배당률을 이용할 수 있다.
동적 가격 책정은 또한 동물 데이터와의 사용자 상호작용에 기초하여 도입될 수 있다. 예를 들어, 하나 이상의 특성을 공유하는 동물 데이터를 자주 사용하는 사용자가 한 명 이상 있는 경우(예: 사용자가 자주 사용하는 동물 데이터의 예로서 심박수, 선수 A의 심박수 사용) 시스템은 동적으로 더 나은 가격 및/또는 사용자가 관심을 갖는 하나 이상의 특성과 관련된 보충 동물 데이터 주변의 특정 사용자를 위한 모델(제품용) 및/또는 제품을 제공할 수 있다. 예를 들어 선수 A의 승률에 액세스하기 위해 10달러를 지불하는 대신, 심박수가 분당 180회 초과인 경우, 시스템이 조정되어 $5를 청구할 수 있다.
웹 광고 내기 또는 팬 참여 애플리케이션(예를 들어, 웹 애플리케이션, 스마트 디바아스용 모바일 애플리케이션, 가상 현실 시스템, 증강 현실 시스템) 내의 내기를 포함하는 "팝업(Pop Up)" 내기가 또한 제공될 수 있다. 도 6은 사용자가 스포츠 이벤트를 스트리밍하고 애플리케이션이 사용자에게 하나 이상의 베팅을 하거나 하나 이상의 제품 수집을 요청할 때 표시될 수 있는 팝업 또는 내장될 수 있는 내기 시스템의 예를 제공한다. 개선예에서, 팝업은 주어진 미디어 상단에 오버레이 기능으로 표시될 수 있다(예: 주어진 미디어 상단에 투명 디스플레이). 예를 들어, IFrame과 같은 광고 내 내기는 (1) 동물 데이터를 기반으로 직간접적으로 제공되는 하나 이상의 확률, (2) 동물 데이터를 기반으로 한 직접 또는 간접적으로 하나 이상의 베팅 유형 또는 기타 제품, (3) 베팅을 할 수 있는 하나 이상의 기회, (4) 동물 데이터 및/또는 하나 이상의 파생 상품을 수집할 수 있는 하나 이상의 기회, (5) 결과에 관련된 하나 이상의 확률 또는 예측, (6) 행위를 취하기 위한 하나 이상의 권장 사항, (7) 적어도 하나의 위험 완화 또는 예방 전략, 및/또는 (8) 동물 데이터 사용과 관련된 적어도 하나의 판촉을 특징으로 할 수 있다. 예를 들어, 사용자는 웹 페이지 내에서 생명 보험에 대한 광고를 볼 수 있다. 동물 데이터의 적어도 일부를 업로드하거나 액세스를 제공하도록 요청함으로써, 보험 회사는 동물 데이터에 적어도 부분적으로 기반하여 개체에게 조정되거나 조정 가능한 실시간 또는 거의 실시간 보험 견적을 제공하도록 주어진 대상(또는 대상 그룹)에 대해 주어진 생명 보험 증권에 대한 보험료를 평가하는 데 사용되는 하나 이상의 예측 지표를 생성할 수 있다. 도 5g에 도시된 다른 실시예에서, 하나 이상의 베팅 또는 참여는 임의의 특정 대상, 대상 그룹 등에 대한 웹 페이지 또는 애플리케이션에 표시될 수 있다(예를 들어, 스포츠의 맥락에서, 특정 운동선수, 그룹, 팀, 리그, 연맹 또는 조직).
링크(예: 뉴스 기사 링크)를 클릭하여 대상 또는 대상 그룹(예: 특정 사람, 팀, 리그)과 관련된 더 많은 콘텐츠를 볼 때 시스템은 대상(예: 특정 선수) 또는 웹사이트 내의 대상 그룹(예: IFrame을 통해)과 관련된 하나 이상의 베팅 또는 제품을 제안할 수 있다. 개선예에서, 웹 페이지 또는 애플리케이션을 통해 표시되는 기사 또는 콘텐츠에서 하나 이상의 대상 이름(예: 선수 이름, 팀 이름) 위로 컨트롤 마우스를 스크롤하거나 콘텐츠의 특정 영역(예를 들어 선수 이름, 팀 이름)이 화면에서 손가락이나 기타 제스처로 스크롤되거나 터치된 영역과 관련된 하나 이상의 베팅 또는 제품을 제공하도록 시스템을 트리거할 수 있다(예: 제어 마우스가 선수 A의 이름 위에 있는 경우, 선수 A에 대한 베팅이 나타난다). 추가 개선예에서, 오디오 제어(예를 들어, 음성 활성화) 또는 눈 움직임 제어 또는 감지 장치를 사용하는 것도 베팅 또는 제품이 제시되도록 트리거할 수 있다. 다른 실시예에서, "팝업(pop up)" 베팅 또는 제품은 사용자가 읽고 있는 특정 콘텐츠를 표적으로 하는 디지털 목적지(예: 웹 페이지) 내에서 발생할 수 있다. 예를 들어, 사용자가 웹 페이지에서 특정 팀에 대해 읽고 있는 경우, 해당 팀과 관련된 하나 이상의 베팅이 팝업될 수 있으며 하나 이상의 베팅을 할 수 있는 기능이 디지털 목적지 내에서 사용 가능하거나 사용자가 베팅을 하기 위해 다른 디지털 목적지(예: 다른 웹 페이지)에 링크될 수 있다. 이러한 예는 스포츠에 국한되지 않으며 예측 지표, 계산된 자산, 동물 데이터의 적어도 일부 및/또는 건강 관리, 보험, 웰빙, 피트니스, 교통 등을 이용할 수 있는 다양한 산업에 적용 가능할 수 있다. 다른 개선예에서, 가상 어시스턴트는 사용자(예를 들어, 텍스트, 오디오, 이메일)에 하나 이상의 베팅, 베팅 유형, 제품, 추천, 예측, 및/또는 사용자가 설정한 하나 이상의 매개변수(예: 사용자는 홈 게임의 4쿼터에서 "에너지 수준"과 관련하여 팀 A의 선수 D가 사용할 수 있는 베팅 또는 제품에 대해서만 알고 싶어한다)를 기반으로 사용자가 관심을 갖거나 사용할 수 있는 데이터 유형(예: 예측 지표) 또는 사용자가 관심을 갖거나 시스템이 결정하거나 사용자가 입력하여 결정될 수 있는 콘텐트를 알릴 수 있다. 또 다른 개선예에서, 베팅은 다른 콘텐츠와 함께 또는 다른 콘텐츠와 통합된 가상 현실 또는 증강 현실 시스템 내에 나타날 수 있다. 또 다른 개선예에서, 동물 데이터 및/또는 관련 내기 또는 제품은 시간에 민감할 수 있으며, 시스템은 내기(또는 제품 수집) 능력을 거부하거나 하나 이상의 시간 조건(예: 웹 페이지가 30초 초과의 유휴 상태임). 이러한 시나리오에서, 동물 데이터는 연속적, 간헐적 또는 정적 방식으로(예: 디스플레이를 통해) 렌더링될 수 있다. 연속 또는 간헐적인 렌더링의 경우, 콘텐츠가 실시간 또는 거의 실시간으로 업데이트될 수 있다. 제 3자 사이트를 클릭하면 게시자(예: 광고가 등장한 사이트 또는 플랫폼) 및 센서 회사, 플랫폼 회사, 분석 회사, 데이터가 유도된 개체 또는 데이터 소유자는 클릭연결 및/또는 데이터와의 사용자 상호작용에서 생성된 수익에 대한 수익 공유에 참여할 수 있다(예: 디지털 목적지가 광고 내에서 베팅을 할 수 있도록 프로그래밍된 경우). 사용자가 구매 시점까지 광고와 상호 작용하는 경우, 데이터 제공자는 제 3자 사이트(예: 모바일 앱)와의 추가 수익 공유 기회에 참여할 수 있다.
앞서 언급한 바와 같이, 제안 베팅은 베팅 볼륨과 수익 모두를 자극하는 데 사용된다. 예는 베팅 회사에서 사용하는 10분 마켓을 포함한다. "다음 10분 안에 3개 또는 그 초과의 코너킥" 또는 "팀 A가 다음 10분 안에 득점". 이러한 제안 베팅은 더 다양한 제안을 제공하고 북메이커를 차별화하여 고객 유지 및 고정성을 보장하는 새로운 베팅 제품/기회를 만든다. 동물 데이터는 북메이커가 베팅자가 아직 보지 못한 동물 데이터로 소품 배팅을 만들 수 있도록 하는 새롭고 혁신적인 배팅 유형의 드라이버로 사용할 수 있다. 심박수를 기반으로 한 몇 가지 예(시스템이 모든 유형의 동물 데이터 및/또는 하나 이상의 파생 상품을 활용하여 제공할 수 있는 잠재적인 베팅 유형의 샘플만 나타냄)에는 다음이 포함될 수 있다:
경기 w에 대한 선수 A의 분당 평균 심박수
경기 w에 대한 선수 A의 분당 최대 심박수
경기 w의 게임 z에 대한 선수 A의 평균 분당 심박수(BPM)는 경기 w의 게임 z에 대한 선수 A의 과거 평균 심박수보다 높을 것이다.
경기 w의 게임 z(예: 2세트의 게임 4)에 대한 선수 A의 최대 심박수(최대 BPM)는 지금까지 플레이한 모든 게임 z(예: 매 제 2 세트에 대해 매 4게임 플레이)에 대한 선수 A의 과거 최대 심박수보다 높을 것이다.
경기 x에 대한 선수 A의 평균 심박수(BPM)는 이전 모든 경기에 대한 선수 A의 과거 평균 심박수보다 높을 것이다.
경기 x에 대한 선수 A의 최대 심박수(최대 BPM)는 이전 모든 경기에 대한 선수 A의 과거 최대 심박수보다 높을 것이다.
선수 A의 최대 심박수(최대 BPM)는 세트 x의 처음 n개 지점에서 선수 B보다 높을 것이다.
선수 A의 게임 x에 대한 평균 "효율(Efficiency)"(예: 선수 A의 심장 박동수가 최대 심박수와 비교하여 주어진 시간에 얼마나 가까운지를 조사하여 설정될 수 있는 계산. 이 계산을 산출하는 한 가지 방법은 설정된 최대 심박수에 의해 나누어진 평균 심박수일 수 있다)은 게임 x에서 선수 B보다 높을 것입니다.
세트 y에 대한 선수 A의 최대 "효율"(예: 설정된 최대 심박수에 의해 나누어진 최대 심박수에 의해 설정될 수 있는 계산)은 세트 y의 선수 B보다 높다.
경기 t에서 선수 A의 평균 "효율"(예: 설정된 최대 심박수로 나누어진 평균 심박수를 계산)은 경기 t에서 선수 B보다 높을 것이다.
경기 t에 대한 선수 A의 최대 "효율"(예: 설정된 최대 심박수에 의해 나누어진 최대 심박수로 나누어질 수 있는 계산)은 경기 t의 선수 B보다 높을 수 있다.
선수 A는 게임 x와 y 사이에 선수 B보다 더 빠른 회복 속도(예: 선수 효율성을 비교하여 설정할 수 있는 계산)를 가질 것이다.
선수 A의 안정시 심박수(예: 안정시 BPM을 캡처하여 설정할 수 있는 계산)는 게임 x와 y 사이에 미리 결정된 BPM보다 낮지 않을 것이다.
도 7 내지 도 10은 전용 프로그램 또는 다른 애플리케이션(예를 들어, 스마트 디바아스 앱)을 위한 웹 페이지 또는 윈도우에 배치될 수 있는 도 1의 추측 시스템의 기능을 도시한다. "윈도우(window)"라는 용어는 프로그램 또는 컴퓨팅 디바이스(예: 스마트 디바아스, 스마트폰, 태블릿, 가상 현실 헤드셋, 증강 현실 헤드셋 등) 애플리케이션에 대한 웹 페이지 및/또는 윈도우를 나타내는 데 사용될 것이다. 도 7은 내기 애플리케이션의 홈페이지 예시이다. 내기 애플리케이션은 추측 시스템을 운영하는 주체("추측 오퍼레이터") 또는 추측 시스템에서 출력물 정보를 수신하는 제 3자가 소유/운영할 수 있다. 홈페이지 윈도우(100)는 사용자가 내기할 이벤트(예를 들어, 스포츠)를 선택할 수 있게 하는 이벤트 선택 섹션(102)을 포함한다. 이벤트 선택 섹션(104)은 배치될 수 있는 하나 이상의 내기의 서브세트를 나열한다(이 예에서 "가장 유리한 실시간 배당률(Most Favorable Real-Time Odds)"을 특징으로 함). 섹션(104)은 시스템이 제공할 수 있는 잠재적인 내기의 샘플만을 나타낸다. 현재 최고의 배당률 섹션(106)은 특정 이벤트 결과(예: 제안 베팅 포함)에 대한 내기를 수락하는 제 3자 내기 시스템("내기 엔티티")이 제공하는 최고의 원래 배당률을 나열한다. 배당률 섹션(106)은 새로운 배당률 정보가 시스템에 입력됨에 따라 업데이트(예를 들어, 새로고침)될 수 있다. 개선예에서 내기 엔티티는 추측 시스템의 운영자이다. 또 다른 개선예에서, 내기 엔티티는 추측 시스템의 일부이다. 이 도 7의 예에서 "제임스 스미스 승리(James Smith to Win)"에 대해 타사 사이트에서 제공되는 가장 유리한 배당률(현재 최고의 배당률 106)은 3/1이므로, 높은 성공 지표를 갖는 선호하는 배당률이 되도록 시스템에 의해 결정된, 이 특정 베팅은 "가장 선호하는 실시간 배당률"을 갖는 베팅으로서 강조된다. 사람에 국한되지 않고 모든 동물에서 유도될 수 있는 "인간 데이터 지표(Human Data Indicator)" 섹션(108)은 위에 명시된 대로 동물 데이터에서 유도된 예측 지표를 제공한다(예: 한 명 이상의 개체 또는 팀과 같은 하나 이상의 개체 그룹). "인간 데이터 지표" 섹션(108)은 결과가 발생할 확률, 주어진 베팅에서 더 나은 승리 가능성에 대한 더 큰 이해를 베팅자에게 제공할 수 있는 정보를 베팅자에게 제공할 수 있고 하나 이상의 베팅을 하기 위해 베팅자에게 확신을 제공하는 예측 통찰을 전달하는 한 가지 방법을 보여주기 위한 것이다. 도 7에 도시된 예에서, "인간 데이터 지표" 박스(108)는 가능한 결과가 발생할 백분율을 나타낸다(예: 실시간 및 비-실시간 데이터 모두를 포함할 수 있는, 현 동물 데이터를 기반으로 하면 74%가 내기에서 이길 기능성이 있다). 이는 모든 유형의 동물 데이터 및/또는 하나 이상의 파생 상품(예: 심박수, 생물학적 유체 데이터, 선수가 이동한 거리 및 각 지점에서 이동하는 위치와 같은 위치 기반 데이터, 결과 데이터(예: 포인트 수집 여부), 과거 데이터 등)로부터 유도될 수 있다. 유리하게는, 인간 데이터 표시자(108)는 새로운 데이터가 수집 및 분석됨에 따라 실시간 또는 거의 실시간으로 업데이트될 수 있다. 도 7에서, 예측 지표는 배팅에서 이길 확률이 %이며, 숫자가 높을수록 섹션(104)에서 더 유리한 베팅 결과가 발생할 가능성을 나타낸다.
여전히 도 7을 참조하면, 추측 시스템이 하나 이상의 결과 확률 또는 예측을 생성하도록 프로그래밍될 수 있다는 점에서, 추측 시스템은 주어진 결과에 대한 출력물 정보의 적어도 일부분을 이용하는 실시간 또는 거의 실시간 배당률을 유도하도록 작동 가능할 수 있다. "새로운 반대 베팅(New Opposing Bet)" 섹션(110)은 시스템의 출력물 정보 사용을 기반으로 추측 시스템이 베팅자에게 기꺼이 제공할 수정된 하나 이상의 배당률을 제공한다. 일 예에서, "새로운 반대 베팅"은 예측 지표(예: 인간 데이터 지표)가 베팅에서 승리하기 위해 선호하지 않는 베팅/마켓에서 제공되는 배당률을 나타낸다. 데이터가 100% 확실하게 결과를 예측할 수 없다는 잠재적인 위치를 감안할 때 베팅자는 데이터(예: 예측 지표)를 무시하고 시스템에서 생성 또는 조정된 배당률(예: 이 예에서, 새로운 반대 베팅)로 베팅할 수 있으며, 이는 출력물 정보의 적어도 일부를 배당률의 생성 또는 조정에 고려할 수 있다. 종종 이러한 배당률은 예측 지표에 대해 베팅하려는 베팅자에게 더 유리할 것이다. "새로운 반대 베팅"은 이러한 새로운 배당률을 제공하는 한 가지 방법을 보여주기 위한 것이다. 배당률(110)은 추측 시스템을 운영하는 엔터티, 추측 시스템에서 출력물 정보 또는 배당률 정보를 수신하는 하나 이상의 제 3자, 또는 다른 제 3자로부터 출력물 정보 또는 배당률 정보를 수신하는 하나 이상의 제 3자에 의해 제공될 수 있다. 모든 배당률 섹션(112)은 모든 배당률 웹 페이지 또는 동물 데이터와 관련된 기타 정보를 표시하는 제어 요소이다.
추측 오퍼레이터가 내기 서브시스템(개별적으로 또는 추측 시스템의 일부로)도 운영하는 경우, 자체 배당률을 생성 또는 조정할 수 있고, 하나 이상의 베팅을 하고, 및/또는 하나 이상의 거래를 용이하게 할 수 있다. 그러나, 대체 시나리오가 도 8에 설명되어 있다. 동물 데이터 및 기타 정보를 수집하고 저장하는 시스템으로서, 추측 오퍼레이터는 한 명 이상의 사용자(예: 내기자)에게 선택된 이벤트에서 특징으로 하는 하나 이상의 개체 또는 개체(또는 다른 동물(들))의 그룹으로부터 유도된 동물 데이터와 함께 임의의 선택된 이벤트에 대해 제 3자 내기 배당률 정보(예: 제 3자 내기 배당률 정보)를 제공할 수 있다. 유리하게는, 사용자는 내기를 하기 전에 선택된 이벤트에서 특징으로 하는 하나 이상의 동물 또는 동물의 그룹(예를 들어, 개별 운동선수, 하나 이상의 운동선수 팀)과 관련된 정보에 액세스할 수 있으며, 이는 다양한 유형의 동물 데이터 정보뿐만 아니라 선택된 이벤트와 관련된 하나 이상의 확률, 예측 및/또는 가능성이 내기자에게 제공될 수 있다. 특징적으로, 데이터는 실시간 또는 거의 실시간으로 제공될 수 있다. 도 8의 베팅 윈도우(120)에서, 추측 오퍼레이터는 제 3자 북메이커로부터 배당률 정보를 집계하고 섹션(122)에 묘사된 바와 같이 관련 북메이커로부터 배당률을 사용자에게 제공한다. 배당률은 주어진 베팅에 대해 제공되는 여러 방법으로 표시될 수 있으며, 실시간 또는 거의 실시간으로 조정된다. 섹션(122)은 사용자가 실시간 배당률 조정을 특징으로 할 수 있는 하나 이상의 베팅을 선택할 수 있도록 한다. 유리하게는, 섹션(122)에서 베팅을 선택하면, 사용자는 요소(123)를 통해 자신의 판돈(예를 들어, 사용자가 베팅을 원하는 금액)을 설정할 수 있으며 제어 요소(125)를 선택하여 제 3자 내기 엔티티가 있을 수 있는 베팅을 할 수 있다. 특징적으로, 추측 시스템은 출력물 정보를 한 명 이상의 사용자에게 제공하도록 작동 가능한다. 베팅이 제공되는 동안 언제든지 한 명 이상의 사용자가 베팅을 할 수 있다. 시스템이 제공할 수 있는 데이터 유형에는 예를 들어 동물 데이터 또는 파생 상품, 베팅할 항목에 대한 권장 사항, 결과가 발생할 가능성 또는 주어진 결과와 관련된 예측이 포함될 수 있으며, 여기에는 동물과 비-동물 데이터 모두가 포함될 수 있다. 일부 경우에, 추측 오퍼레이터는 추측 오퍼레이터가 하나 이상의 베팅을 수락할 수 있는 자체 배당률(124)을 제공할 수 있다. 도 7의 새로운 반대 베팅 배당률(110)인 배당률(124)은 주어진 결과가 발생할 가능성을 이해하기 위해 출력물 정보의 적어도 일부를 고려한다. 대부분의 경우, 결과 기반 데이터는 이벤트에 대한 하나 이상의 시뮬레이션을 실행하여 생성된다. 주어진 결과에 대한 추측 오퍼레이터의 확신을 기반으로, 추측 오퍼레이터는 일반적으로 하나 이상의 결과가 있을 것이라고 생각하는 것과 반대되는 견해에 베팅하려는 베팅자에게 더 유리한 위치를 반영하는 확률(124)을 생성한다. 개선예에서, 배당률(124)은 새로운 출력물 정보 또는 기타 데이터가 수집되고 및/또는 새로운 배당률을 생성하기 위해 하나 이상의 새로운 시뮬레이션이 실행될 때 실시간 또는 거의 실시간으로 업데이트될 것이다(업데이트된 출력물 정보이거나 아닐 수 있지만 전통적인 상태, 예를 들면, 승/패 포인트, 및 다른 비-동물 데이터와 같은 다른 정보를 포함할 수 있다). 일반적으로 이러한 배당률은 한 명 이상의 다른 북메이커가 제공하는 배당률에 비해 유리한다. 또 다른 개선예에서, 추측 오퍼레이터는 베팅자가 단일 페이지에서 다양한 배당률을 모두 볼 수 있도록 베팅 배당률 집계기이다. 추측 오퍼레이터가 배당률 정보를 수집하면 동물 데이터 정보를 통해 배당률 정보를 보완하여 시스템이 제공하는 데이터 정보를 기반으로 가장 유리한 베팅 기회를 베팅자가 볼 수 있다. 유리하게도 베팅자에게 동물 데이터(계산된 자산 및 예측 지표 포함)와 같은 귀중한 정보(126)를 적시에 제공하면 베팅 빈도를 높이고 모든 베팅자에게 확신을 줄 수 있다. 이 데이터는 베팅 볼륨(예: 베팅을 더 많이 할수록 더 많은 돈이 내기를 하기 위해 소모되고, 더 많은 동물 데이터 정보가 많아지고 더 많이 접근할 수 있음)에 의해 임시 기반(예: 베팅자는 데이터 유형에 의해 데이터를 습득하거나 구매하는 능력을 갖는다) 또는 구독 기반(예: 베팅자는 동물 데이터 및/또는 이의 하나 이상의 파생 상품에 액세스하기 위한 매월 베팅된 요금을 지불할 수 있고 이는 계산된 자산 및 예측 지표를 포함할 수 있다) 상에 포함하는 다양한 방식으로 베팅자에게 제공될 수 있다. 동물 데이터는 또한 베팅자가 가능한 결과에 대해 더 강한 의견을 형성하고 우유부단함을 제거하여 하나 이상의 충동적인 베팅을 장려할 수 있게 하여 베팅자에게 다른 베팅에 필요한 확신을 줄 수 있다. 일부 예는 섹션(130)에 나열되어 있으며, 여기에는 베팅자에게 임의의 주어진 대상 및/또는 임의의 주어진 베팅과 관련된 추가 정보를 제공하는 추가 동물 데이터 유도 통찰을 보여준다. 개선예에서, 확률 기반 데이터는 제 3자(예: 확률 평가 시스템)에 의해 추측 시스템에 제공될 수 있다. 동물 데이터는 또한 북메이커에게 실시간 또는 거의 실시간으로 포함하여 동적으로 배당률을 조정할 수 있는 확신을 제공하여 베팅량을 증가시킬 수 있다.
동물 데이터, 특히 인간 데이터는 다양한 방식으로 판매될 수 있다. 사용자는 어떤 동물 데이터를 실시간(또는 거의 실시간)으로 소비할지(예: 보기) 원하는지, 타겟으로 하는 특정 정보를 기반으로 어떤 비실시간 데이터를 소비할지 선택할 수 있다. 시스템은 사용자가 구독 기반으로, 임시 기반으로, 스포츠별로, 트랜잭션 기반으로(예를 들어, API 호출별로), 동물 데이터 유형 기반 또는 기타 기반으로 데이터를 습득(예를 들면, 구매)할 수 있다. 사용자가 추측 오퍼레이터의 플랫폼을 통해 제 3자 사이트에 하나 이상의 판돈을 설정하고 하나 이상의 배팅을 할 수 있다는 점을 감안할 때(따라서 제 3자에게 더 많은 수익을 창출함), 추측 시스템을 운영하는 엔티티는 제 3자 사이트에 배치된 각각의 베팅의 적어도 일부를 유지할 수 있다.
여전히 도 8을 참조하면, 예측 지표(128)(예를 들어, "베팅에서 승리할 확률(% chance of winning Bet)" 백분율)은 하나 이상의 상이한 인자에 기초하여 동적으로 변경될 수 있다. 일 예에서, 예측 표시기(128)는 사용자가 시스템에서 구매하는 동물 데이터의 유형, 또는 사용자가 동물 데이터에 액세스할 수 있도록 하는 사용자의 가입 유형, 또는 더 간단하게는 추측 시스템에 의해 이용될 수 있고 섭취된 동물 데이터의 유형에 따라 변경할 수 있다. 예측 지표가 변경되는 빈도는 베팅자가 구매한 구독 또는 데이터 패키지 유형(예: 5초마다 실행되는 새 시뮬레이션에 따라 5초마다 표시 및 업데이트되고 또는 5분마다 실행되는 새로운 시뮬레이션을 기반으로 5분마다 표시 및 업데이트됨), 시뮬레이션 수, 추측 시스템이 출력물 정보에 대해 하나 이상의 행위를 취하는 빈도 등을 포함한 여러 요인에 따라 달라질 수 있다. 구매한 상품에 따라 출력물 정보가 숫자(예: 백분율)로 표시되지 않을 수 있다. 그래프, 색상(즉, 녹색은 최대 전력을 의미할 수 있고 빨간색은 매우 피로하고 에너지가 부족함을 의미할 수 있음) 또는 기타 지수를 포함하여 다양한 방법으로 표시될 수 있다. 그것은 또한 시각적(위에 설명된 바와 같이 가상 현실 또는 증강 현실 제공에 통합될 수 있고 운동 선수 또는 팀 위에 오버레이될 수 있음), 구두(예: 정보와 관련된 오디오를 제공하는 가상 어시스턴트 및 베팅 여부) 또는 물리적(예: 사용자는 알림을 제공하고 사용자가 데이터와 관련된 알림을 수신할 때 진동하는 스마트 시계를 가질 수 있음)으로 포함하는 다수의 방식으로 사용자에게 전달될 수 있다.
변형예에서, 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은 대가의 적어도 일부를 컴퓨팅 서브시스템, 내기 시스템, 또는 확률 평가 시스템에 제공하는 한 명 이상의 사용자에 대한 교환으로 데이터의 한 명 이상의 사용자(예: 베팅자, 북메이커, 보험 제공자)에게 예측 지표, 계산된 자산, 동물 데이터 및/또는 그 하나 이상의 파생 상품의 적어도 일부를 제공하고 이는: (1) 베팅, 위험의 완화, 확률의 평가, 예측의 사용, 제품을 수집하거나 소비하거나 권장 사항의 제공; (2) 하나 이상의 베팅에서 이기고, 하나 이상의 제품을 수집하거나 소비하고, 하나 이상의 위험을 완화하거나, 하나 이상의 확률을 평가하고 하나 이상의 예측이 사용 중이거나, 하나 이상의 권장 사항이 제공되거나, 하나 이상의 행위가 취해진 결과로 한 명 이상의 사용자(예: 베팅자); 또는 (3) 하나 이상의 베팅을 제공하는 한 명 이상의 사용자(예: 북메이커, 베팅 보험사, 보험사), 하나 이상의 베팅이 적용된 제품, 하나 이상의 위험이 완화되고 하나 이상의 확률 평가, 하나 이상의 제품 수집 또는 소비, 하나 이상의 예측 또는 권장 제안, 또는 하나 이상의 행위가 취해지는 것으로부터 유도된다. 예를 들어, 컴퓨팅 서브시스템은 승리의 일부분을 수용하는 컴퓨팅 서브시스템 대신에 주어진 베팅을 하는 것과 관련된, 베팅자에게 예측 지표, 계산된 자산, 동물 데이터 및/또는 주어진 베팅과 관련된 하나 이상의 파생 상품을 얻는 능력을 제공할 수 있어, 베팅자가 베팅에서 이기면(예: 컴퓨팅 서브시스템은 베팅자가 예측 지표를 얻은 베팅에서 1%를 받는다). 다른 예에서, 컴퓨팅 서브시스템은 승리의 백분율을 수신하는 컴퓨팅 서브시스템을 대신하여 제공되는 베팅과 관련하여 예측 지표(예를 들어, 인간 데이터 지표) 또는 기타 동물 데이터, 또는 그 하나 이상의 파생 상품을 볼 수 있는 능력을 북메이커에게 제공할 수 있다(예를 들면, 컴퓨팅 서브시스템은 북메이커가 보는 예측 지표를 기초로 하여 또는 동물 데이터의 적어도 일부를 기초로 하여 생성된 다른 배당률을 기초로 하여 북메이커가 승리하는 n%의 베팅을 수신한다). 다른 예에서, 보험 회사(예: 자동차, 건강, 생명)는 하나 이상의 개체의 하나 이상의 동물 데이터 특성(예: 생리적 특성, 연령, 건강 상태)을 기초하여 예측 지표(예: 인간 데이터 지표) 또는 기타 동물 데이터를 수집하여 한 명 이상의 개체에게 발생할 가능성(예: 자동차 사고, 심장마비 또는 뇌졸중, 질병 또는 사건 발생)을 결정하도록 예측 지표(예를 들면, 인간 데이터 지표)를 얻을 수 있어, 컴퓨팅 서브시스템 또는 내기 시스템 또는 대가를 수용하는 확률 평가 시스템으로, 개인에 의해 지불된 보험료를 지불한다. 예를 들어, 생명 보험 회사는 특정 생물학적 특성을 나타내는 특정 특성(예: 연령, 체중, 건강 상태)을 가진 사람의 기대 수명을 예측하기 위해 예측 지표를 얻고 싶어할 수 있다. 컴퓨팅 서브시스템은 예측 지표를 제공하는 대가로 한 명 이상의 개체가 보험 회사에 지불한 대가의 일부를 얻을 수 있으며, 예측 지표는 언제든지 보험 회사에 액세스할 수 있고 실시간 또는 거의 실시간으로 업데이트된다. 예측 지표 또는 기타 동물 데이터를 생성하기 위해 하나 이상의 시뮬레이션이 실행될 수 있다. 개선예에서, 사용자(예: 대상)는 보험 회사에 동물 데이터 또는 그 하나 이상의 파생 상품의 적어도 일부를 제공하여 보험료가 조정되도록 선택할 수 있으며 컴퓨팅 서브시스템은 사용자로부터 대가(예: 예상 절감액의 일부)를 받는다.
개선예에서, 데이터의 사용자(예를 들어, 베팅자, 북메이커, 보험 제공자)는 예측 지표 또는 기타 동물 데이터 또는 파생 상품(예: 이벤트 발생 배당률)을 보는 대가로 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템의 대가(예를 들어, 금전전 가치 또는 백분율)를 결정하는 능력을 능력을 가지며, 컴퓨팅 서브시스템, 내기 시스템 또는 확률 평가 시스템이 대가를 수락, 거절 또는 수정할 수 있는 능력을 갖는다. 예를 들어, 베팅자는 사용자가 지정한 대가에 대해 예측 지표, 계산된 자산 또는 기타 동물 데이터 또는 하나 이상의 파생 상품을 얻기를 원할 수 있다(예: 사용자는 $ 1000 베팅에 대해 상금의 1% 또는 $ 20을 주기를 원할 수 있다). 컴퓨팅 서브시스템, 내기 시스템 또는 확률 평가 시스템은 예측 지표, 계산된 자산 및/또는 기타 동물 데이터 또는 파생 상품에 대한 액세스를 위해 베팅자 또는 북메이커가 제공하는 제안을 수락, 거부 또는 수정하도록 프로그래밍될 수 있다.
이전에 설명된 바와 같이, 가상 경마 또는 기타 게임과 같은 가상 베팅의 경우, 추측 오퍼레이터는 사용자가 주어진 베팅의 가능한 결과를 이해하기 위하여 참여할 수 있는 실제 동물 데이터에 적어도 부분적으로 기초하여 시뮬레이션된 동물 데이터를 생성하기 위해 하나 이상의 통계 모델 또는 인공 지능 기술을 사용할 수 있다. 가상 베팅에 대한 시뮬레이션된 동물 데이터는 하나 이상의 가상 이벤트에 대한 새로운 제안 베팅/마켓 생성에 사용될 수도 있다.
유리하게는, 동물 데이터 정보를 이용하는 추측 시스템은 다양한 방식으로 구성될 수 있다. 이러한 구성의 예는 다음을 포함한다:
(1) 한 명 이상의 사용자/베팅자가 베팅을 정의할 수 있고 내기 서브시스템 또는 하나 이상의 제 3자가 이에 대해 하나 이상의 확률을 생성할 수 있는, 내기 서브시스템;
(2) 한 명 이상의 사용자/베팅자가 베팅을 정의하고 하나 이상의 배당률을 생성할 수 있고, 내기 서브시스템 또는 하나 이상의 제 3자가 하나 이상의 배당률을 수락하고 하나 이상의 베팅을 하는, 내기 서브시스템;
(3) 한 명 이상의 사용자/베팅자가 베팅을 정의하고 하나 이상의 배당률을 생성할 수 있고, 및 하나 이상의 배당률을 수락할 권리를 수집할 수 있는 기회 및 하나 이상의 베팅이 경매, 입찰 기회 또는 마켓을 통해 제공되는, 내기 서브시스템;
(4) 한 명 이상의 사용자/베팅자가 베팅을 정의할 수 있는 내기 서브시스템, 이에 의해 내기 서브시스템 또는 하나 이상의 제 3자가 하나 이상의 배당률을 생성하고 한 명 이상의 사용자/베팅자가 내기 서브시스템 또는 하나 이상의 제 3 자로부터 하나 이상의 배당률을 수용할 수 있는, 내기 서브시스템; 또는
(5) 한 명 이상의 사용자/베팅자가 베팅을 정의하고 및/또는 하나 이상의 배당률을 생성할 수 있고, 내기 서브시스템 또는 하나 이상의 제 3자가 베팅을 보장하고 및/또는 내기 서브시스템, 하나 이상의 제 3자, 또는 사용자/베팅자에 의해 생성된 배당률을 기반으로 베팅자에 대한 지불금의 위험을 감수할 수 있는 내기 서브시스템,
유리하게는, 도 8의 추가 데이터(130)를 구매하거나 수집하는 것은 인간 데이터 표시자의 정확성 또는 정밀도, 또는 인간 데이터 표시자가 업데이트되거나 렌더링되는 빈도를 조정할 수 있다. 도 8의 제어 요소(134, 136)는 사용자가 아래로 스크롤하여 더 많은 데이터가 구매되는 경우 더 많은 정보를 볼 수 있게 한다. 도 9는 제공될 수 있는 베팅 유형의 예를 제공한다. 베팅 섹션(140)은 베팅의 특정 예, 특히 출력물 정보에 기초한 베팅을 포함하는 한 명 이상의 사용자에게 제공될 수 있는 제안 베팅을 제공한다. 도 10의 제어 요소(142)의 작동은 도 9의 윈도우(140)가 디스플레이되게 한다. 단일 유형의 동물 데이터를 사용하면 베팅이 상세하고 세분화되어 내기 서브시스템이 데이터에서 방대한 수의 베팅을 생성할 수 있다. 예를 들어, 심박수를 예로 사용하여 윈도우(140)은 다음 베팅 유형을 표시할 수 있다:
더 높은 최대 심박수 게임 1, 세트 1
더 높은 최대 심박수 게임 2, 세트 1
더 높은 최대 심박수 게임 3, 세트 1
더 높은 최대 심박수 게임 4, 세트 2
더 높은 평균 최대 심박수 세트 1
더 높은 평균 최대 심박수 세트 2
170 초과의 최대 심박수 달성 - 세트 1, 처음 2게임
200 초과의 최대 심박수 달성 - 세트 2, 처음 4게임
3분 초과 동안 최대 심박수의 10% 이내에서 유지 - 세트 1
5분 초과 동안 최대 심박수의 10% 이내로 유지 - 세트 2
안정시 심박수는 세트 1과 세트 2 사이에서 100bpm 아래로 떨어지지 않을 것이다.
안정시 심박수는 세트 2와 세트 3 사이에 115bpm 아래로 떨어지지 않을 것이다.
도 10은 사용자가 윈도우(120)의 제어 요소(142)를 통해 새로운 마켓(예를 들어, 제안 베팅 또는 다른 베팅)을 선택할 때의 예를 제공한다. 도 10의 예에서, 사용자는 어떤 선수에 베팅을 하기로 선택하였으며, "더 높은 최대 심박수 게임 4, 세트 2"를 갖는다. 이 시나리오에서 사용자가 마켓을 선택하면 추측 시스템은 출력물 정보의 적어도 일부를 활용하여 유도된 추측 오퍼레이터가 제공한 배당뿐만 아니라 하나 이상의 내기 엔터티가 제공한 배당률을 표시한다. 그런 다음 추측 시스템은 사용자가 하나 이상의 예상, 예측 또는 권장 사항(예: 베팅에 이길 확률은 수집된 동물 데이터를 기반으로 주어진 시간에 이루어진다). 예를 들어, 추측 시스템(120)은 존 도우(John Doe)가 이 게임에서 더 높은 심박수를 가질 확률이 86%라는 예측 지표를 도 10에 제공한다. 이것은 사용자가 검색하고 수집(예: 구매)하는 하나 이상의 데이터 포인트를 기반으로 할 수 있다. 예시에서 이러한 예를 사용하여, "기록 최대 심박수(Historical Max Heart Rate)", "기록 최대 심박수 평균 - 매 게임 세트 2(Historical Max Heart Rate Avg - Set 2 Every Match)", "기록 최대 심박수- 매 경기 세트 2, 게임 4(Historical Max Heart Rate - Set 2, Game 4 Every Match)", 및/또는 "기록 최대 심박수 대(Historical Max Heart Rate vs.)" 특정 상대. 개선예에서, 여러 예측 지표가 생성되고 동시에 표시될 수 있다. 베팅자는 또한 각각의 선수에 대한 추가 정보를 검색하고 수집하여 베팅자에게 베팅할 확신을 줄 수 있다. "인적 지표"라고 표시된 추측 엔티티의 예측 지표를 고려할 때 베팅자가 시스템의 예상 "패자(loser)"에 내기하기를 원하는 경우 베팅자에게 더 유리한 배당률을 기꺼이 제공할 수 있다.
도 11은 표적화된 대상, 복수의 표적화된 대상, 또는 표적 대상의 하나 이상의 그룹에 대한 전용 건강 프로그램 또는 다른 건강 애플리케이션에 대한 웹 페이지 또는 윈도우에 배치될 수 있는 도 1, 도 2, 및 도 3의 추측 시스템의 기능을 예시한다. 건강 시스템(150)은 하나 이상의 표적화된 대상과 관련된 다른 동물 데이터와 함께 하나 이상의 출력물을 포함한다. 건강 시스템(150)은 표적화된 대상의 정적 사진 또는 표적화된 대상의 비디오(예를 들어, 라이브 또는 사용 사례에 따라 지연)일 수 있는 윈도우(151)을 포함할 수 있다. 변형예에서, 하나 이상의 표적화된 대상은 동일한 윈도우 내에서 다른 하나 이상의 동물(예: 사람)을 볼 수 있다(예: 원격 의료 플랫폼 내에서 의사 또는 의료 전문가를 보는 환자, 또는 재활 프로그램 내에서 동일한 윈도우에 있는 재활 전문가). 추가 기능(예: 비디오 카메라가 시스템에 연결되어 있는지 여부, 카메라가 켜져 있는지 여부)도 표시될 수 있다. 시스템은 센서가 시스템에 연결되어 있는지(연결 알림 요소(152)로 표시될 수 있음) 또는 시스템에 연결 해제되어 있는지(연결 알림 요소(154)로 표시될 수 있음)를 감지하도록 작동할 수 있다. 실시간 또는 실시간에 가깝게 출력물되는 동물 정보는 하나 이상의 예측, 확률 또는 가능성을 산출, 계산, 유도, 추출, 외삽, 수정, 향상, 추정, 평가, 추론, 연역, 설정, 결정, 관찰, 전달 또는 행위할 수 있는 정보와 함께 표시할 수 있다. 섹션(156)은 동물 데이터에서 유도된 하나 이상의 예측 지표를 제공하는 반면 섹션(158)은 시스템에서 설정한 예측 및 확률을 기반으로 한 하나 이상의 권장 사항을 제공한다. 추세 섹션(155)은 다른 동물 데이터와 함께 실시간 또는 과거 생물학적 신호 및 판독값과 관련된 실시간 또는 미리 정의된 시간 추세를 제공할 수 있다. 동물 데이터를 기반으로 추가 필드가 추가될 수 있다. 유리하게는, 시스템은 하나 이상의 대상 및/또는 하나 이상의 출력물을 기반으로 하는 시스템의 한 명 이상의 사용자(예를 들어, 시스템을 활용하고 표적 대상을 모니터링하는 의료 전문가)로부터 주의를 필요로 하는 하나 이상의 중요한 경고(160)를 식별하도록 프로그래밍될 수 있다. 개체 또는 관리자가 미리 정의된 임계값으로 하나 이상의 중요한 경고를 설정할 수 있어(예를 들어, 어떤 일이 발생할 가능성이 n%보다 크면 이는 중요한 경고로 전달됨) 하나 이상의 신호 또는 판독값과 관련된 잠재적인 문제의 한 명 이상의 사용자에게 경고한다. 특징적으로, 시스템은 하나 이상의 표적 개체 또는 표적 개체의 그룹으로부터 공지된 생물학적 관련 문제를 식별하고 하나 이상의 데이터 세트 내의 숨겨진 패턴을 식별하도록 데이터 세트를 상관시키기 위해 하나 이상의 인공 지능 기술을 이용하도록 설정될 수 있어 수집된 데이터를 기초로 하여 생물학 관련 문제를 식별한다. 여기에는 이전에 알려진 문제와 상관 관계가 없었던 데이터 내에서 완전히 새로운 패턴을 찾거나 새로운 문제를 식별할 수 있는 하나 이상의 데이터 세트에서 새로운 패턴을 찾는 것이 포함될 수 있다.
예시적인 실시예가 위에서 설명되었지만, 이들 실시예가 본 발명의 모든 가능한 형태를 설명하는 것으로 의도되지는 않는다. 오히려, 본 명세서에서 사용된 단어는 한정이 아니라 설명의 단어이며, 본 발명의 사상 및 범위를 벗어나지 않는 한 다양한 변경이 이루어질 수 있음을 이해해야 한다. 추가적으로, 다양한 구현 실시예의 특징은 본 발명의 추가 실시예를 형성하기 위해 결합될 수 있다.
Claims (48)
- 추측(speculation) 시스템으로서,
동물 데이터가 전자적으로 전송되는 하나 이상의 표적 개체(individual)로부터 동물 데이터를 수집하는, 하나 이상의 소스 센서;
동물 데이터를 수신하는 컴퓨팅 서브시스템(computing subsystem)으로서, 동물 데이터의 적어도 일부가 컴퓨팅 서브시스템 또는 하나 이상의 소스 센서에 의해, 선택된 표적 개체 또는 표적 개체의 그룹에 할당된 적어도 하나의 계산된 자산으로 변환되고, 하나 이상의 소스 센서 또는 컴퓨팅 서브시스템은 적어도 하나의 계산된 자산(computed asset)을 예측 지표로 변환하도록 작동 가능하고, 컴퓨팅 서브시스템은 예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터의 적어도 일부를 한 명 이상의 사용자에게 제공하도록 추가로 작동 가능한, 컴퓨팅 서브조립체; 및
컴퓨팅 서브시스템에 상기 동물 데이터의 전송을 제공하는, 전송 서브시스템을 포함하는, 추측 시스템. - 제 1 항에 있어서,
상기 하나 이상의 소스 센서는 적어도 하나의 바이오센서(biosensor)로 구성되는, 추측 시스템. - 제 1 항에 있어서,
상기 적어도 하나의 계산된 자산은 상기 동물 데이터의 적어도 일부로부터 유도되는 하나 이상의 숫자, 복수의 숫자, 측정 기준, 통찰(insight), 그래프, 차트 또는 플롯을 포함하는, 추측 시스템. - 제 3 항에 있어서,
상기 적어도 하나의 계산된 자산은 비동물 데이터(non-animal data)로부터의 하나 이상의 신호 또는 판독값(reading)을 포함하는, 추측 시스템. - 제 1 항에 있어서,
상기 예측 지표는 동물 데이터의 적어도 일부로부터 산출된(calculated) 계산된(computed) 자산인, 추측 시스템. - 제 5 항에 있어서,
상기 예측 지표는 비동물 데이터로부터의 하나 이상의 신호 또는 판독값을 포함하는, 추측 시스템. - 제 5 항에 있어서,
상기 예측 지표는 복수의 예측 지표로 구성되는, 추측 시스템. - 제 5 항에 있어서,
상기 예측 지표의 적어도 일부는, 표적 개체, 다수의 표적 개체, 다수의 표적 개체로 구성된 표적화된 그룹, 또는 다수의 표적 개체로 구성된 다수의 표적 그룹으로 이루어지는 그룹으로부터 적어도 부분적으로 유도되거나, 또는 그룹에 관련되는, 추측 시스템. - 제 5 항에 있어서,
상기 예측 지표는 2개 이상의 신호 또는 하나 이상의 소스 센서로부터의 판독값으로부터 산출된 복합물(composite)인, 추측 시스템. - 제 5 항에 있어서,
상기 예측 지표는: 얼굴 인식 데이터, 시선 추적 데이터, 혈류 데이터, 혈액량 데이터, 혈압 데이터, 생체액 데이터(biological fluid data), 신체 구성 데이터(body composition data), 생화학 구성 데이터, 생화학 구조 데이터, 펄스 데이터, 산소화 데이터, 코어 신체 온도 데이터, 피부 온도 데이터, 전기 피부 반응 데이터(galvanic skin response data), 발한 데이터, 위치 데이터(location data), 포지셔널 데이터(positional data), 오디오 데이터, 생체역학 데이터, 수화 데이터(hydration data), 심장 기반 데이터, 신경학적 데이터, 유전 데이터, 게놈 데이터, 골격 데이터, 근육 데이터, 호흡 데이터, 운동감각 데이터, 흉부 전기 생체 임피던스 데이터, 또는 이들의 조합으로 구성된 그룹으로부터 선택된 생물학적 데이터를 포함하는 적어도 하나의 계산된 자산으로부터 산출되는, 추측 시스템. - 제 5 항에 있어서,
상기 예측 지표의 적어도 일부가: (1) 하나 이상의 내기(wager)을 하거나 수락되는 마켓(market)으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공 또는 배포하도록; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (4) 하나 이상의 전략을 수립하도록; (5) 하나 이상의 행위(action)를 취하도록; (6) 하나 이상의 위험을 완화하거나 방지하도록; (7) 하나 이상의 시뮬레이션(simulation), 계산, 또는 분석에 사용되는 하나 이상의 판독값으로서; (8) 그 출력물(output)이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (9) 하나 이상의 행위를 권장하도록; (10) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (11) 하나 이상의 판촉 내에서; 또는 (12) 이들의 조합에 직접 또는 간접적으로 사용되는, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템은: (1) 하나 이상의 내기를 하거나 수락되는 마켓으로서; (2) 하나 이상의 내기를 수락하도록; (3) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공 또는 배포하도록; (4) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (5) 하나 이상의 전략을 수립하도록; (6) 하나 이상의 행위를 취하도록; (7) 하나 이상의 위험을 완화하거나 방지하도록; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 사용되는 하나 이상의 신호 또는 판독값으로서; (9) 그 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (10) 하나 이상의 행위를 권장하도록; (11) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (12) 하나 이상의 판촉 내에서; 또는 (13) 이들의 조합에 직접적으로 또는 간접적으로 상기 컴퓨팅 서브시스템으로부터의 하나 이상의 출력물을 사용하는, 추측 시스템. - 제 12 항에 있어서,
상기 컴퓨팅 서브시스템에 의한 하나 이상의 직접 또는 간접 사용은 적어도 부분적으로 동적이며, 상기 컴퓨팅 서브시스템으로부터의 하나 이상의 출력물과의 하나 이상의 사용자 상호작용에 기초하는, 추측 시스템. - 제 12 항에 있어서,
마켓 또는 내기가 제안 베팅(betting), 스프레드 베팅, 라인 베팅, 미래 베팅, 팔레이(parlay) 베팅, 라운드-로빈(round-robin) 베팅, 핸디캡(handicap) 베팅, 오버/언더(over/under) 베팅, 풀 커버(full cover) 베팅 또는 티저(teaser) 베팅 중 적어도 하나를 포함하는, 추측 시스템. - 제 12 항에 있어서,
상기 컴퓨팅 서브시스템으로부터의 하나 이상의 출력물은 상기 컴퓨팅 서브시스템에 의해 동적으로 생성, 수정 또는 향상되는, 추측 시스템. - 제 15 항에 있어서,
하나 이상의 출력물의 생성, 수정 또는 향상은 예측 지표, 상기 적어도 하나의 계산된 자산, 및/또는 동물 데이터와의 하나 이상의 사용자 상호작용과, 적어도 부분적으로, 기초하거나 그로부터 유도되는, 추측 시스템. - 제 15 항에 있어서,
동적으로 생성, 수정 또는 강화된 하나 이상의 출력물의 적어도 일부는: (1) 하나 이상의 내기를 하거나 수락되는 마켓으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공 또는 배포하도록; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (4) 하나 이상의 전략을 수립하도록; (5) 하나 이상의 행위를 취하도록; (6) 하나 이상의 위험을 완화하거나 방지하도록; (7) 하나 이상의 시뮬레이션, 계산, 또는 분석에 사용되는 하나 이상의 신호 또는 판독값으로서; (8) 그 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (9) 하나 이상의 행위를 권장하도록; (10) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (11) 하나 이상의 판촉 내에서; 또는 (12) 이들의 조합에 직접 또는 간접적으로 활용되는, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템은 하나 이상의 시스템에 하나 이상의 데이터 출력물을 제공하는, 추측 시스템. - 제 18 항에 있어서,
상기 예측 지표는 하나 이상의 시스템에 의해 생성, 수정, 향상되는, 추측 시스템. - 제 18 항에 있어서,
상기 하나 이상의 시스템은: (1) 하나 이상의 내기를 하거나 수락되는 마켓으로서; (2) 하나 이상의 내기를 수락하도록; (3) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공 또는 배포하도록; (4) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (5) 하나 이상의 전략을 수립하도록; (6) 하나 이상의 행위를 취하도록; (7) 하나 이상의 위험을 완화하거나 방지하도록; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 사용되는 하나 이상의 신호 또는 판독값으로서; (9) 그 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관계되는, 하나 이상의 시뮬레이션의 일부로서; (10) 하나 이상의 행위를 권장하도록; (11) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (12) 하나 이상의 판촉 내에서; 또는 (13) 이들의 조합에 직접적으로 또는 간접적으로 상기 하나 이상의 데이터 출력물의 적어도 일부를 이용하도록 작동 가능한, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템은 동일하거나 실질적으로 유사한 하나 이상의 출력물을 복수의 사용자에게 제공하는, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템의 하나 이상의 출력물은 하나 이상의 비동물 데이터 판독값과 동기화되는, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템의 하나 이상의 출력물은 하나 이상의 소비 매체와 동기화되는, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템은 단일 표적 개체 또는 다수의 표적 개체로부터 동물 데이터 그룹을 수신하도록 작동 가능한, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템은 하나 이상의 소스 센서, 이와 연관된 클라우드, 또는 하나 이상의 소스 센서와 연관된 네이티브(native) 애플리케이션과 직접 통신함으로써 하나 이상의 소스 센서로부터 정보를 수집하도록 작동 가능한, 추측 시스템. - 제 25 항에 있어서,
상기 컴퓨팅 서브시스템은, 조직, 센서 유형, 센서 매개변수, 데이터 유형, 데이터 품질, 타임 스탬프(time stamp), 위치, 활동, 표적 개체, 표적 개체의 그룹화, 및 데이터 판독으로 이루어진 그룹으로 부터의 적어도 하나의 특성에 의해, 상기 하나 이상의 소스 센서 및 상기 하나 이상의 소스 센서로부터의 하나 이상의 데이터 스트림(data stream)을 관리하도록 작동 가능한, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템은 표적 개체 상의 복수의 소스 센서 또는 다수의 표적 개체 상의 하나 이상의 소스 센서와 동시에 통신하도록 작동 가능한, 추측 시스템. - 제 1 항에 있어서,
상기 전송 서브시스템은 하나 이상의 소스 센서가 실시간 통신 또는 실시간에 가까운 통신을 위해 무선으로 데이터를 전송할 수 있게 하는, 추측 시스템. - 제 1 항에 있어서,
상기 전송 서브시스템은 하나 이상의 전송 프로토콜을 사용하여 상기 하나 이상의 소스 센서와 통신하는, 추측 시스템. - 제 1 항에 있어서,
상기 컴퓨팅 서브시스템은 상기 컴퓨팅 서브시스템과 통신하는 다수의 센서로부터의 하나 이상의 데이터 신호 또는 판독값과 통신을 동기화하는, 추측 시스템. - 제 1 항에 있어서,
상기 전송 서브시스템은 송신기 및 수신기, 또는 이들의 조합을 포함하는, 추측 시스템. - 제 1 항에 있어서,
상기 전송 서브시스템은 표적 개체 상의 또는 그 초과의 다른 센서로서 선택적으로 작용하는 온-바디(on-body) 또는 에어리얼(aerial) 트랜시버를 포함하고, 상기 온-바디 또는 에어리얼 트랜시버는 하나 이상의 표적 개체에 대해 다른 하나 이상의 센서와 통신하도록 작동 가능한, 추측 시스템. - 제 1 항에 있어서,
상기 동물 데이터는 동기화되고, 타임 스탬핑되고, 하나 이상의 소스 센서의 적어도 하나의 특성을 포함하는 동물 데이터가 수집되는 하나 이상의 표적 개체 및 하나 이상의 소스 센서와 관련된 정보로 태깅(tagging)되는, 추측 시스템. - 제 1 항에 있어서,
상기 동물 데이터는 상기 동물 데이터 및 하나 이상의 소스 센서의 하나 이상의 특성을 식별하는 메타데이터(metadata)를 포함하는, 추측 시스템. - 제 1 항에 있어서,
상기 내기 시스템 또는 확률 평가 시스템, 또는 이들의 조합을 더 포함하는, 추측 시스템. - 제 35 항에 있어서,
상기 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은 상기 동물 데이터의 정규화, 타임 스탬핑, 합계(aggregating), 태깅, 저장, 조작, 노이즈 제거, 제품화, 향상, 조직화, 시각화, 분석, 요약, 복제, 합성, 익명화, 동기화, 또는 배포로 이루어지는 그룹으로부터 선택된 동물 데이터 상에 하나 이상의 행위를 실행하는, 추측 시스템. - 제 35 항에 있어서,
상기 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은: (1) 예측 지표, 적어도 하나의 계산된 자산 및/또는 동물 데이터에 대한 적어도 하나의 요청을 모니터링, 수신 및 기록하기 위해 하나 이상의 시스템과 직접 통신하고; (2) 예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터에 대한 액세스(acess)를 요청하는 한 명 이상의 사용자에게 데이터에 대한 하나 이상의 요청을 할 수 있는 능력을 제공하고; (3) 데이터를 전송 및/또는 수신하도록 작동 가능한, 추측 시스템. - 제 35 항에 있어서,
상기 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은 예측 지표, 상기 적어도 하나의 계산된 자산, 및/또는 상기 동물 데이터에 대한 적어도 하나의 요청을 적어도 하나의 사용자, 사용자 그룹 또는 사용자 클래스(class)와 연관시키는, 추측 시스템. - 제 35 항에 있어서,
상기 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은 한 명 이상의 사용자가 동물 데이터, 적어도 하나의 계산된 자산 및/또는 예측 지표가 제공되는 적어도 하나의 특성을 선택하는 것을 허용하도록 작동 가능한, 추측 시스템. - 제 35 항에 있어서,
상기 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은 예측 지표의 적어도 일부, 적어도 하나의 계산된 자산, 및/또는 하나 이상의 표적 개체 또는 표적 개체 그룹의 동물 데이터로부터 유도된 시뮬레이션된(simulated) 데이터를 생성하는, 추측 시스템. - 제 40 항에 있어서,
상기 시뮬레이션된 데이터는 하나 이상의 입력으로서 비동물 데이터로부터의 하나 이상의 판독값 또는 신호를 이용하여 생성되는, 추측 시스템. - 제 40 항에 있어서,
시뮬레이션된 데이터는 인공 지능 기술을 이용하여 생성되는, 추측 시스템. - 제 42 항에 있어서,
상기 인공 지능 기술은 하나 이상의 훈련된 신경망을 포함하는, 추측 시스템. - 제 40 항에 있어서,
상기 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은 시뮬레이션된 데이터의 적어도 일부를: (1) 하나 이상의 내기를 하거나 수락되는 마켓으로서; (2) 하나 이상의 내기를 수락하도록; (3) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공 또는 배포하도록; (4) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (5) 하나 이상의 전략을 수립하도록; (6) 하나 이상의 행위를 취하도록; (7) 하나 이상의 위험을 완화하거나 방지하도록; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 사용되는 하나 이상의 신호 또는 판독값으로서; (9) 그 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (10) 하나 이상의 행위를 권장하도록; (11) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (12) 하나 이상의 판촉 내에서; 또는 (13) 이들의 조합에 직접 또는 간접적으로 활용하는, 추측 시스템. - 제 40 항에 있어서,
상기 컴퓨팅 서브시스템 또는 내기 시스템 또는 확률 평가 시스템은 상기 예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터를 생성, 향상, 또는 수정하기 위해 시뮬레이션된 데이터의 적어도 일부를 직접적으로 간접적으로 적용하는, 추측 시스템. - 제 45 항에 있어서,
생성, 강화, 또는 수정된 예측 지표의 적어도 일부분, 적어도 하나의 계산된 자산, 및/또는 동물 데이터가: (1) 하나 이상의 내기를 하거나 수락되는 마켓으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공 또는 배포하도록; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 통신하도록; (4) 하나 이상의 전략을 수립하도록; (5) 하나 이상의 행위를 취하도록; (6) 하나 이상의 위험을 완화하거나 방지하도록; (7) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 사용되는 하나 이상의 신호 또는 판독값으로서; (8) 그 출력물이 한 명 이상의 사용자와 직접 또는 간접적으로 관련되는, 하나 이상의 시뮬레이션의 일부로서; (9) 하나 이상의 행위를 권장하도록; (10) 하나 이상의 소비 매체에 대한 하나 이상의 핵심 구성 요소 또는 보충물로서; (11) 하나 이상의 판촉 내에서; 또는 (12) 이들의 조합에 직접적 또는 간접적으로 활용되는, 추측 시스템. - 제 1 항에 있어서,
상기 동물 데이터는 각각의 분류가 연관된 계산된 자산 또는 가치를 갖는 하나 이상의 분류로 그룹화되는, 추측 시스템. - 제 1 항에 있어서,
예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터를 또 다른 소스로 전송할 때, 상기 컴퓨팅 서브시스템은 그 하나 이상의 배포의 일부로 제공되는 예측 지표, 적어도 하나의 계산된 자산, 및/또는 동물 데이터의 하나 이상의 특성을 기록하는, 추측 시스템.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962833970P | 2019-04-15 | 2019-04-15 | |
| US62/833,970 | 2019-04-15 | ||
| US201962912822P | 2019-10-09 | 2019-10-09 | |
| US62/912,822 | 2019-10-09 | ||
| PCT/US2020/028313 WO2020214699A1 (en) | 2019-04-15 | 2020-04-15 | Animal data prediction system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220007063A true KR20220007063A (ko) | 2022-01-18 |
Family
ID=72838423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217036970A KR20220007063A (ko) | 2019-04-15 | 2020-04-15 | 동물 데이터 예측 시스템 |
Country Status (11)
| Country | Link |
|---|---|
| US (1) | US20230034337A1 (ko) |
| EP (1) | EP3956785A4 (ko) |
| JP (1) | JP2022528980A (ko) |
| KR (1) | KR20220007063A (ko) |
| CN (1) | CN114616562A (ko) |
| AU (1) | AU2020257193A1 (ko) |
| BR (1) | BR112021020745A2 (ko) |
| CA (1) | CA3133667A1 (ko) |
| MX (1) | MX2021012653A (ko) |
| WO (1) | WO2020214699A1 (ko) |
| ZA (1) | ZA202109017B (ko) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4025311A4 (en) * | 2019-09-06 | 2024-01-03 | Sports Data Labs, Inc. | SYSTEM FOR GENERATING SIMULATED ANIMAL DATA AND MODELS |
| KR102225149B1 (ko) * | 2020-10-21 | 2021-03-10 | 주식회사 스카이칩스 | 지능형 제어 기반 생체신호 처리 장치 |
| CN112568141A (zh) * | 2020-12-09 | 2021-03-30 | 东莞中融数字科技有限公司 | 对猪进行疾病预防的监管系统 |
| CA3216255A1 (en) * | 2021-04-27 | 2022-11-03 | Vivek KHARE | Animal data-based identification and recognition system and method |
| CN113303777A (zh) * | 2021-05-27 | 2021-08-27 | 维沃移动通信有限公司 | 心率值确定方法、装置、电子设备及介质 |
| WO2023039247A1 (en) * | 2021-09-10 | 2023-03-16 | Sports Data Labs, Inc. | System and method for collecting. evaluating, and transforming animal data for use as digital currency or collateral |
| US20230135897A1 (en) * | 2021-10-28 | 2023-05-04 | Softbank Corp. | Information processing method, non-transitory computer-readable recording medium, and information processor |
| WO2023212821A1 (en) * | 2022-05-05 | 2023-11-09 | Woodbine Entertainment Group | Systems and methods for real-time rebalancing of bet portfolios in the pari-mutuel bet environment |
| WO2023212823A1 (en) * | 2022-05-05 | 2023-11-09 | Woodbine Entertainment Group | Systems and methods for real-time rebalancing of bet portfolios in the pari-mutuel bet environment |
| CN115299366B (zh) * | 2022-06-21 | 2024-02-13 | 新瑞鹏宠物医疗集团有限公司 | 智慧喂食方法、装置、电子设备及存储介质 |
| CN116439158B (zh) * | 2023-06-20 | 2023-09-12 | 厦门农芯数字科技有限公司 | 基于红外识别的母猪查情方法、系统、设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2449510B2 (en) * | 2009-06-30 | 2022-12-21 | Dow AgroSciences LLC | Application of machine learning methods for mining association rules in plant and animal data sets containing molecular genetic markers, followed by classification or prediction utilizing features created from these association rules |
| US20130217475A1 (en) * | 2012-01-13 | 2013-08-22 | Oneworks Ip Holdings Limited | System and method for allowing users to place parlay wagers via mobile computing devices |
| US11269891B2 (en) | 2014-08-21 | 2022-03-08 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
| US10252145B2 (en) * | 2016-05-02 | 2019-04-09 | Bao Tran | Smart device |
-
2020
- 2020-04-15 MX MX2021012653A patent/MX2021012653A/es unknown
- 2020-04-15 US US16/977,278 patent/US20230034337A1/en active Pending
- 2020-04-15 BR BR112021020745A patent/BR112021020745A2/pt unknown
- 2020-04-15 AU AU2020257193A patent/AU2020257193A1/en active Pending
- 2020-04-15 EP EP20790632.2A patent/EP3956785A4/en active Pending
- 2020-04-15 KR KR1020217036970A patent/KR20220007063A/ko unknown
- 2020-04-15 CN CN202080043693.6A patent/CN114616562A/zh active Pending
- 2020-04-15 JP JP2021560862A patent/JP2022528980A/ja active Pending
- 2020-04-15 WO PCT/US2020/028313 patent/WO2020214699A1/en unknown
- 2020-04-15 CA CA3133667A patent/CA3133667A1/en active Pending
-
2021
- 2021-11-12 ZA ZA2021/09017A patent/ZA202109017B/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| AU2020257193A1 (en) | 2021-11-18 |
| MX2021012653A (es) | 2022-04-18 |
| CN114616562A (zh) | 2022-06-10 |
| CA3133667A1 (en) | 2020-10-22 |
| BR112021020745A2 (pt) | 2021-12-14 |
| JP2022528980A (ja) | 2022-06-16 |
| US20230034337A1 (en) | 2023-02-02 |
| ZA202109017B (en) | 2023-10-25 |
| EP3956785A4 (en) | 2023-06-07 |
| WO2020214699A1 (en) | 2020-10-22 |
| EP3956785A1 (en) | 2022-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230034337A1 (en) | Animal data prediction system | |
| US20220323855A1 (en) | System for generating simulated animal data and models | |
| JP7400000B2 (ja) | 自動健康データ取得、処理および通信システムならびに方法 | |
| US20180344215A1 (en) | Automated health data acquisition, processing and communication system and method | |
| US20230033102A1 (en) | Monetization of animal data | |
| CA2816517C (en) | Automated health data acquisition, processing and communication system | |
| US20140135592A1 (en) | Health band | |
| CN107924720A (zh) | 用于健康相关建议的客户端计算设备 | |
| WO2023039247A1 (en) | System and method for collecting. evaluating, and transforming animal data for use as digital currency or collateral | |
| CA3220063A1 (en) | Method and system for generating dynamic real-time predictions using heart rate variability | |
| KR20230156307A (ko) | 동물 데이터 준수 시스템 및 방법 | |
| US20240212845A1 (en) | Animal data-based identification and recognition system and method | |
| AU2022387582A1 (en) | A system and method for intelligently selecting sensors and their associated operating parameters |