KR20220073653A - 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템 - Google Patents

빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템 Download PDF

Info

Publication number
KR20220073653A
KR20220073653A KR1020210156930A KR20210156930A KR20220073653A KR 20220073653 A KR20220073653 A KR 20220073653A KR 1020210156930 A KR1020210156930 A KR 1020210156930A KR 20210156930 A KR20210156930 A KR 20210156930A KR 20220073653 A KR20220073653 A KR 20220073653A
Authority
KR
South Korea
Prior art keywords
data
food
product
unit
big data
Prior art date
Application number
KR1020210156930A
Other languages
English (en)
Inventor
지승현
Original Assignee
주식회사 블루시스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 블루시스 filed Critical 주식회사 블루시스
Publication of KR20220073653A publication Critical patent/KR20220073653A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명의 일 실시예에 따른 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템은 납품업체별 급식용 식자재의 상품 데이터를 전처리 가공하여 상기 상품 데이터의 정형화 작업을 수행하는 전처리 가공부; 상기 전처리 가공부로부터 출력되는 전처리 데이터 간의 상품 유사도에 기초하여 상기 상품 데이터 간의 상품 매칭을 실시함으로써 상품 매칭 데이터를 생성하는 상품 매칭부; 및 상기 생성된 상품 매칭 데이터에 기반한 머신러닝을 통해 상기 급식용 식자재에 관한 빅데이터를 구축하는 빅데이터 학습부;를 포함하며, 상기 빅데이터 학습부는, 학교를 포함하는 급식단체에서 급식을 제공받는 소비자의 급식 관련 피드백 데이터, 개인별 음식 취향 데이터 및 상기 급식단체의 영양사의 급식 관련 사용 이력 데이터를 수집하고 이를 정형화하는 전처리 작업을 실시하여 급식용 식자재 관련 빅데이터를 구축하는 빅데이터 구축부; 상기 영양사에 의해 식단 메뉴가 시스템에 등록되면, 상기 급식용 식자재 관련 빅데이터에 기반한 머신러닝을 통해 상기 식단 메뉴에 관한 인공지능 분석을 실시하는 인공지능 분석부; 및 상기 인공지능 분석의 결과에 기초하여 상기 식단 메뉴에 최적인 맞춤형 식단 및 식재료를 추천하는 맞춤형 추천부;를 포함할 수 있다.

Description

빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템{Big data-based food material order data natural language processing artificial intelligence system}
본 발명의 실시예들은 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템에 관한 것이다.
일반적으로, 급식이라 함은 학교, 관공서, 병원 등에서 학생, 종업원, 환자 등에 식사를 제공하는 일 또는 식사, 즉 가정 밖의 일정한 장소에서 비영리로 특정한 이용자를 대상으로 지속적으로 식사를 제공하는 것을 말한다.
이러한 급식은 다양한 형태가 존재하는데, 예를 들면 학생들에게 영양적으로 균형을 이룬 음식물을 섭취하게 함으로써 심신의 건전한 발달을 도모하는 학교 급식, 직장 종업원의 노동력 증진이나 직업병 예방을 고려한 음식을 준비하는 직장 급식, 입원환자의 치료 효과를 높이고 질병 치료에 부합되는 음식을 제공하는 병원 급식 등이 있다.
현재 학교, 관공서, 병원 등의 급식단체는 급식에 필요한 식자재를 납품 받기 위해 1차 납품업체(직접 납품업체)와 계약을 맺게 되고, 이에 따라 상기 1차 납품업체는 2차 납품업체(간접 납품업체)에 식자재를 주문하여 공급받아 상기 급식단체에 납품하게 되는 유통 구조를 가지고 있다.
그런데 이러한 납품업체들(중소 식품 유통/제조업체들)은 IT 인프라 부족으로 학교 급식 공급에 어려움이 있을 뿐만 아니라, 여러 유통 단계의 서로 다른 시스템으로 인하여 수많은 식품의 주문, 가격, 납품 데이터 전달 시 사람의 수작업에 100% 의존하고 있는 문제가 있다.
예컨대, '돈까스' 제품을 생산하여 소비자에게 전달하기까지 최소 3~4단계 이상의 유통 과정을 거치는데 각 단계에서 이 제품의 품명, 규격, 단위, 상세 설명, 가격 등의 정보를 팩스나 메일 등으로 전달하고 이를 다시 사람이 받아서 확인하는 절차로 이루어진다. 학교 급식에 납품되는 식자재의 종류가 5만 가지가 넘고 식품 특성상 매월 가격 변동이 크며, 신상품 및 단종 상품의 변동성이 커서 각 유통 단계의 업체들은 이 많은 정보들을 처리하는 데 많은 어려움을 겪고 있다.
이와 같이 복잡하고 비효율적인 유통 시스템으로 인하여 결국 식자재 비용, 식품 안전 문제 등 최종 소비자의 피해로 이어지고 있다. 따라서, 중소 식품 유통/제조업체들이 식자재 공급 시 수많은 비정형 식자재(상품) 데이터를 팩스, 이메일 등으로 전달하는 수작업을 개선하여 식품 수/발주의 분류, 검색, 주문, 납품 정보 등의 데이터를 일괄 처리를 함으로써 업무의 생산 효율성 향상과 동시에 소비자의 수요 정보 기반 맞춤형 자동 상품 검색 추천으로 소비자 만족을 극대화할 수 있는 기술의 개발이 필요한 실정이다.
관련 선행기술로는 대한민국 공개특허공보 제10-2020-0004655호(발명의 명칭: 인공지능을 이용하는 스마트 주문 시스템 및 방법, 공개일자: 2020.01.14.)가 있다.
본 발명의 일 실시예는 납품업체들이 학교에 식자재 공급 시 수많은 비정형 식자재(상품) 데이터를 팩스, 이메일 등으로 전달하는 수작업을 개선하여 식자재 내지 식품 수/발주의 분류, 검색, 주문, 납품 정보 등의 데이터를 일괄 처리를 함으로써 업무의 생산 효율성 향상과 동시에 소비자의 수요 정보 기반 맞춤형 자동 상품 검색 추천으로 소비자 만족을 극대화할 수 있는 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템을 제공한다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템은 납품업체별 급식용 식자재의 상품 데이터를 전처리 가공하여 상기 상품 데이터의 정형화 작업을 수행하는 전처리 가공부; 상기 전처리 가공부로부터 출력되는 전처리 데이터 간의 상품 유사도에 기초하여 상기 상품 데이터 간의 상품 매칭을 실시함으로써 상품 매칭 데이터를 생성하는 상품 매칭부; 및 상기 생성된 상품 매칭 데이터에 기반한 머신러닝을 통해 상기 급식용 식자재에 관한 빅데이터를 구축하는 빅데이터 학습부;를 포함하며, 상기 빅데이터 학습부는, 학교를 포함하는 급식단체에서 급식을 제공받는 소비자의 급식 관련 피드백 데이터, 개인별 음식 취향 데이터 및 상기 급식단체의 영양사의 급식 관련 사용 이력 데이터를 수집하고 이를 정형화하는 전처리 작업을 실시하여 급식용 식자재 관련 빅데이터를 구축하는 빅데이터 구축부; 상기 영양사에 의해 식단 메뉴가 시스템에 등록되면, 상기 급식용 식자재 관련 빅데이터에 기반한 머신러닝을 통해 상기 식단 메뉴에 관한 인공지능 분석을 실시하는 인공지능 분석부; 및 상기 인공지능 분석의 결과에 기초하여 상기 식단 메뉴에 최적인 맞춤형 식단 및 식재료를 추천하는 맞춤형 추천부;를 포함할 수 있다.
상기 상품 매칭부는 상기 전처리 데이터에 대하여 형태소 분석 및 워드임베딩(word2vector) 방식으로 상기 전처리 데이터 간의 상품 유사도를 측정하고, 상기 상품 유사도의 측정치가 미리 설정된 값을 초과하는 전처리 데이터에 대하여 해당 상품 데이터 간의 상품 매칭을 실시할 수 있다.
본 발명의 일 실시예에 따른 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템은 영양사의 식자재 주문(입찰)에 따라 입력되는 식자재 주문 데이터를 형태소 분석을 통해 전처리 가공하여 상기 식자재 주문 데이터로부터 복수의 엔티티(entity)를 추출하고, 상기 추출된 엔티티를 상기 빅데이터 학습부에 의해 생성된 학습 모델에 적용하여 상기 식자재 주문 데이터의 식품 코드를 분류하며, 상기 분류된 식품 코드에 매칭되어 있는 상품 데이터를 데이터베이스에서 검색하여 제공하는 상품 제공부를 더 포함할 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.
본 발명의 일 실시예에 따르면, 납품업체들이 학교에 식자재 공급 시 수많은 비정형 식자재(상품) 데이터를 팩스, 이메일 등으로 전달하는 수작업을 개선하여 식자재 내지 식품 수/발주의 분류, 검색, 주문, 납품 정보 등의 데이터를 일괄 처리를 함으로써 업무의 생산 효율성 향상과 동시에 소비자의 수요 정보 기반 맞춤형 자동 상품 검색 추천으로 소비자 만족을 극대화할 수 있다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템의 네트워크 구성을 도시한 도면이다.
도 2는 도 1의 서버의 상세 구성에 관한 일례를 설명하기 위해 도시한 블록도이다.
도 3은 도 2의 빅데이터 학습부의 상세 구성에 관한 예를 설명하기 위한 블록도이다.
도 4는 도 1의 서버의 상세 구성에 관한 다른 예를 설명하기 위해 도시한 블록도이다.
도 5는 본 발명의 일 실시예에서 사용되는 데이터베이스의 일례를 도시한 도면이다.
도 6 내지 도 10은 본 발명의 일 실시예에 따른 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템의 동작 방법을 설명하기 위해 도시한 흐름도이다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.
또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능구성에 기 구비되어 있거나, 또는 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 하기에 도시하지 않고 생략된 기능 구성 중에서 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.
또한, 이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템의 네트워크 구성을 도시한 도면이고, 도 2는 도 1의 서버(110)의 상세 구성에 관한 일례를 설명하기 위해 도시한 블록도이다.
도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템(100)은 서버(110), 급식 단체(120), 및 납품업체(130)를 포함하여 구성될 수 있다.
상기 급식 단체(120)는 학교 등과 같이 급식을 단체적으로 하는 집단을 포함할 수 있으며, 학교 급식용 식자재의 주문(입찰)을 위한 영양사용 입찰 관리 단말 장치를 포함하는 개념으로 이해될 수 있다. 또한, 상기 납품업체(130)는 제조공급업체 및 유통업체 중 적어도 하나를 포함할 수 있으며, 납품 관리용 단말 장치를 포함하는 개념으로 이해될 수 있다.
상기 서버(110)는 이동통신망이나 인터넷망 등의 통신망을 통해 상기 급식 단체(120) 및 상기 납품업체(130)를 중계하여 급식용 식자재의 입찰 및 공급을 효율적으로 관리할 수 있다.
즉, 상기 서버(110)는 중소 식품업체들 또는 유통업체들과 같은 납품업체(130)가 학교 급식용 식자재 공급 시 수많은 비정형 식자재 데이터(상품 데이터)를 수기로 직접 기입하거나, 팩스 또는 이메일 등으로 전달하는 수작업을 식자재 주문 데이터 자연어처리 인공지능 시스템으로 대체하여 식품 수발주의 분류, 검색, 주문, 납품 정보 등의 데이터를 일괄 처리할 수 있다.
이로써, 본 발명의 일 실시예에 따르면 업무의 생산 효율성 향상과 동시에 소비자(학생)의 수요 정보 기반 맞춤형 자동 상품 검색 추천으로 소비자(학생)의 만족을 극대화할 수 있다.
이를 위해, 상기 서버(110)는 도 2에 도시된 바와 같이 전처리 가공부(210), 상품 매칭부(220), 빅데이터 학습부(230), 및 제어부(240)를 포함하여 구성될 수 있다.
상기 전처리 가공부(210)는 납품업체(130)별 학교 급식용 식자재의 상품 데이터를 전처리 가공하여 상기 상품 데이터의 정형화 작업을 수행할 수 있다. 즉, 상기 전처리 가공부(210)는 상기 상품 데이터의 정형화 작업을 통해 비정형의 상품 데이터를 정형화된 상품 데이터로 가공하여 출력할 수 있다.
이를 위해, 상기 전처리 가공부(210)는 사전 제작된 급식용 식자재 전문 단어 사전 및 이를 이용한 형태소 분석을 통해, 상기 상품 데이터(비정형 데이터)를 상품명, 브랜드, 규격, 단위, 성분, 원산지, 인증 정보 및 가격 중 적어도 하나로 분류하고, 식품명에 기반한 공통의 식품 코드를 레이블링(labeling)함으로써, 비정형의 상기 상품 데이터를 정형화된 상기 전처리 데이터로 가공하여 출력할 수 있다.
여기서, 상기 전처리 가공부(210)는 KHAIII (카카오에서 개발한 CNN 기반 자연어 처리 오픈소스) 또는 MeCab을 이용하여 상기 상품 데이터에 대한 형태소 분석을 실시할 수 있다.
또한, 상기 전처리 가공부(210)는 학교 급식용 식자재 수요 데이터의 전처리 가공작업을 수행할 수 있다. 이때, 상기 전처리 가공부(210)는 영양사의 주문 데이터 및 납품업체의 상품 데이터를 가공하여 주문 데이터와 상품 데이터를 매칭할 수 있다.
상기 전처리 가공부(210)는 영양사의 주문 데이터를 가공해서 품명리스트 및 품명별 식품설명 벡터를 얻을 수 있고, 납품업체의 상품 데이터를 가공해서 식품 설명 데이터에서 벡터를 추출할 수 있다. 이때, 상기 전처리 가공부(210)는 납품업체의 상품(제품)정보를 읽어서 1단계 산출물을 품명리스트로 분류하고 식품 설명 데이터에서 벡터를 추출할 수 있다.
상기 상품 매칭부(220)는 상기 전처리 가공부(210)로부터 출력되는 전처리 데이터 간의 상품 유사도에 기초하여 상기 상품 데이터 간의 상품 매칭을 실시함으로써 상품 매칭 데이터를 생성할 수 있다.
구체적으로, 상기 상품 매칭부(220)는 상기 전처리 데이터에 대하여 형태소 분석 및 워드임베딩(word2vector) 방식으로 상기 전처리 데이터 간의 상품 유사도를 측정할 수 있다. 여기서, 상기 워드임베딩 유사도 매칭 방법은 fastText와 Glove로 유사어 사전을 만드는 작업으로서, 적절한 토크나이징을 위해서 신규 개발되는 식품 형태소 분석기를 활용 가능하고, 숫자나 단위 특수문자들을 전처리 과정에서 제거할 수 있으며, 유사어 사전으로 키워드 매칭을 해도 되고 다시 단어들을 가지고 벡터 계산을 통해 nearest neighbor를 구하는 방법도 가능하다.
또한, 상기 상품 매칭부(220)는 상기 전처리 데이터를 형태소 분석으로 식품명, 브랜드, 규격 또는 단위를 나누어 워드임베딩 방식으로 유사도를 분석할 수 있다.
상기 상품 매칭부(220)는 상기 상품 유사도의 측정치를 미리 설정된 값과 비교하고, 상기 비교 결과에 따라 상기 상품 유사도의 측정치가 미리 설정된 값을 초과하는 전처리 데이터에 대하여 해당 상품 데이터 간의 상품 매칭을 실시할 수 있다.
이로써, 상기 상품 매칭부(220)는 상기 상품 매칭 데이터를 생성할 수 있다. 여기서, 상기 상품 매칭 데이터는 상기 상품 데이터 간의 상품 매칭에 관한 참조 정보를 포함할 수 있다. 예컨대, 상기 상품 매칭 데이터는 상기 상품 데이터 간에 공통으로 사용되는 식품 코드를 포함할 수 있다.
상기 빅데이터 학습부(230)는 상기 상품 매칭부(220)에 의해 생성된 상품 매칭 데이터에 기반하여 머신러닝(machine learning)을 수행할 수 있으며, 이를 통해 상기 학교 급식용 식자재에 관한 빅데이터를 구축할 수 있다.
즉, 상기 빅데이터 학습부(230)는 상기 머신러닝을 통해 상기 학교 급식용 식자재에 관한 학습 모델을 생성할 수 있으며, 상기 학습 모델에 상기 상품 데이터를 적용하여 상기 학습 모델을 업데이트함으로써 상기 업데이트된 학습 모델을 통해 상기 학교 급식용 식자재에 관한 빅데이터를 구축할 수 있다.
여기서, 상기 학교 급식용 식자재에 관한 빅데이터는 데이터베이스(140)에 각 항목별로 저장될 수 있다. 예를 들면, 상기 데이터베이스(140)는 상기 학교 급식용 식자재에 관한 빅데이터의 저장을 위한 테이블을 도 5에 도시된 바와 같이 품명(상품명), 규격, 단위, 제조원(원산지), 가격 등의 항목별로 구분하여 각 항목별로 해당 상품 데이터(전처리 데이터)를 분류하여 저장할 수 있다. 참고로, 도 5는 본 발명의 일 실시예에서 사용되는 데이터베이스(140)의 일례를 도시한 도면이다.
상기 빅데이터 학습부(230)는 상기 상품 매칭부(220)에 의해 생성된 상품 매칭 데이터의 납품업체(130)별 업데이트 패턴을 지속적으로 학습할 수 있다. 여기서, 상기 학습은 상기 학습 모델을 통해 이루어질 수 있다.
이에 따라, 상기 빅데이터 학습부(230)는 납품업체(130)별 선호 스타일에 따라 혼용되는 식자재 언어를 표준화된 상품 데이터로 변환할 수 있다. 이를 통해, 본 발명의 일 실시예에 따르면 상기 급식용 식자재에 관한 주문(입찰) 및 납품 관련 서비스를 안정적이고 효율적으로 제공할 수 있다.
상기 빅데이터 학습부(230)는 기 학습된 데이터(학습 모델)에 기반하여 급식 단체(120)별 즉, 학교별로 학교 급식용 식자재의 상품별 예상 수요량을 예측할 수 있다. 이를 위해, 상기 빅데이터 학습부(230)는 상기 납품업체(130) 및 급식 단체(120)인 학교의 수/발주 관련 데이터를 통계 분석함으로써 상기 급식 단체(120) 즉, 학교별 급식용 식자재의 상품별 예상 수요량을 예측할 수 있다.
상기 빅데이터 학습부(230)는 상기 예상 수요량의 예측 데이터를 해당 납품업체(130)에 제공할 수 있으며, 이를 통하여 상기 납품업체(130)로 하여금 상기 학교 급식용 식자재의 상품별 예상 출고량을 확보하도록 할 수 있다. 또한, 상기 빅데이터 학습부(230)는 상기 예상 수요량의 예측 데이터를 해당 급식 단체(120) 즉, 학교에 제공함으로써 상기 급식 단체(120)로 하여금 상기 학교 급식용 식자재의 상품별 예상 주문량을 체크하도록 할 수 있다.
상기 제어부(240)는 상기 서버(110), 즉 상기 전처리 가공부(210), 상기 상품 매칭부(220), 상기 빅데이터 학습부(230) 등의 동작을 전반적으로 제어할 수 있다.
도 3은 도 2의 빅데이터 학습부의 상세 구성에 관한 예를 설명하기 위한 블록도이다.
상기 빅데이터 학습부(230)는 중소 식품업체들 또는 유통업체들과 같은 납품업체(130)가 식자재 공급 시 수많은 비정형 식자재 데이터(상품 데이터)를 수기로 직접 기입하거나, 팩스 또는 이메일 등으로 전달하는 수작업을 식자재 주문 데이터 자연어처리 인공지능 시스템으로 대체하여 식품 수발주의 분류, 검색, 주문, 납품 정보 등의 데이터를 일괄 처리할 수 있다.
또한, 빅데이터 학습부(230)는 급식단체(120) 즉, 학교별 식수인원(학교에서 급식을 먹는 학생수), 1인당 급식량, 개인별 음식 취향 및 음식 취향에 대한 피드백, 급식 관련 사용 이력 데이터, 지역 특성(지역의 특산물, 특산물 생산시기 등) 등을 반영하여 인공지능(AI) 분석을 통해 급식단체(120)별 최적의 맞춤형 식단 및 식재료를 추천해줄 수 있다. 또한, 빅데이터 학습부(230)는 소비자(급식에 따른 음식을 먹는 주체)의 성장 상태/건강 상태 관련 데이터나 급식 선호도 데이터, 알레르기 등의 취약점을 파악해 소비자들의 안전과 위생을 함께 고려하는 급식 서비스를 제공할 수 있다.
예를 들면, 빅데이터 학습부(230)는 학교 급식의 경우, 학생의 성장/건강 관련 데이터를 분석하여 성장을 촉진하거나 개인별 건강 상태를 개선시킬 수 있는 식단 및 식자재를 AI를 이용해서 선별하고 선별된 데이터를 학교의 영양사에게 추천하는 서비스를 제공할 수 있다. 즉, 빅데이터 학습부(230)는 소비자(학생)의 키/몸무게의 변화 데이터를 분석하고 그 결과에 따라 키를 크게 하고 몸무게는 과도하게 늘어나는 것을 방지할 수 있는 식단 및 식자재를 학교의 영양사에게 추천할 수 있다.
이때, 빅데이터 학습부(230)는 소비자(학생)의 부모님이 시스템(100)에 입력하는 소비자별 식단 정보(학생이 먹으면 안 되는 식품 또는 피해야 하는 식품, 섭취 희망 식품, 현재의 특이 건강 상태 등의 관한 정보)를 이용하여 소비자(학생) 맞춤 식단 및 식자재를 영양사에게 추천할 수 있다. 특히, 빅데이터 학습부(230)는 초등학교 급식의 경우 저학년 학생의 경우에는 올바른 식습관 형성을 위해 잔반을 남기지 않고 반찬 등을 모두 섭취할 수 있는 식단 및 식자재를 학교의 영양사에게 추천할 수 있다.
또한, 빅데이터 학습부(230)는 소비자(학생)의 연령별/키/몸무게에 따라 필요한 영양소를 섭취할 수 있는 식단을 인공지능으로 분석하고 학교의 영양사에게 제공하는 서비스, 학교별 공급받은 식자재 내에서 가능한 식단을 추천 또는 제공하는 서비스 등을 제공할 수 있다. 특정 건강 문제가 있는 학생의 경우, 건강 개선을 위해 필요한 식단 및 식자재를 학교의 영양사에게 제공하는 서비스를 제공할 수도 있다.
이와 같이, 본 발명의 일 실시예에 따른 시스템(100)은 사용자 즉, 영양사의 급식 관련 업무의 편의성을 제공할 수 있다.
또한, 빅데이터 학습부(230)는 영양사 또는 소비자의 축적된 급식 선호도에 따른 빅데이터를 분석하고 인공지능을 이용해서 식단을 영양사에게 추천해 주는 서비스를 제공할 수 있다. 예를 들면, 빅데이터 학습부(230)는 계절별/연령별/날씨별로 인기가 있었던 식단의 빅데이터를 분석하고 이에 따른 식자재를 영양사에게 추천하거나, 해당 식자재의 공급이 원활하지 않을 경우(계절별 날씨 상태에 따라 해당 식자재의 가격 상승 또는 공급 부족 등이 예상되는 경우) 대체 식자재를 영양사에게 추천할 수 있다.
이를 위해, 빅데이터 학습부(230)는 빅데이터 구축부(231), 인공지능 분석부(232), 맞춤형 추천부(233), 및 제어부(234)를 포함하여 구성될 수 있다.
상기 빅데이터 구축부(231)는 학교를 포함하는 급식단체(120) 즉, 학교에서 급식을 제공받는 소비자(예: 학생)의 급식 관련 피드백 데이터, 소비자별 음식 취향 데이터 및 상기 급식단체(120)의 영양사의 급식 관련 사용 이력 데이터를 수집하고 이를 정형화하는 전처리 작업을 실시하여 급식용 식자재 관련 빅데이터를 구축할 수 있다.
여기서, 상기 사용 이력 데이터는 상기 영양사가 급식 식재료 정보검색 사이트에서 상품, 식단 등을 조회, 클릭, 구매하는 등의 검색 기록과, 사용 패턴, 인사이동 이력, 날짜별 방문 통계 등을 포함할 수 있다. 여기서, 상기 사용 이력 데이터는 학교의 규모, 위치, 영양사의 연령대 또는 성별 등에 따른 영양사의 검색 이력 등을 포함할 수 있는데, 검색 이력 등을 분석한 통계 데이터를 포함할 수도 있다.
이때, 상기 빅데이터 구축부(231)는 eAT(농수산식품유통공사 학교급식입찰시스템) 또는 G2B(나라장터)의 학교별 식재료 입찰 데이터와 각 학교별 홈페이지에 공유되는 식단 데이터를 더 수집하고 이를 조합하여 각 학교별 레시피 및 식재료 데이터를 생성하고, 상기 생성된 레시피 및 식재료 데이터를 정형화하는 전처리 작업을 실시하여 상기 급식용 식자재 관련 빅데이터에 포함시킴으로써 빅데이터를 구축할 수 있다.
또 달리, 상기 빅데이터 구축부(231)는 학교 급식의 경우, 소비자(학생)의 성장을 촉진하거나 개인별 건강 상태를 개선시킬 수 있도록 상기 소비자(학생)의 성장 및 건강 관련 데이터를 더 수집하고 이를 정형화하는 전처리 작업을 실시하여 상기 급식용 식자재 관련 빅데이터를 구축할 수 있다.
또 달리, 상기 빅데이터 구축부(231)는 학교 급식의 경우, 소비자(학생)의 키를 크게 하되 몸무게가 과도하게 늘어나는 것을 방지할 수 있도록 식단에 따른 상기 소비자(학생)의 키 및 몸무게 변화 데이터를 더 수집하고 이를 정형화하는 전처리 작업을 실시하여 상기 급식용 식자재 관련 빅데이터를 구축할 수 있다.
여기서, 상기 급식용 식자재 관련 빅데이터는 상기 데이터베이스(140)에 각 항목별로 저장될 수 있다. 예를 들면, 상기 데이터베이스(140)는 상기 급식용 식자재 관련 빅데이터의 저장을 위한 테이블을 품명(상품명), 규격, 단위, 제조원(원산지), 가격 등의 항목별로 구분하여 각 항목별로 해당 상품 데이터(전처리 데이터)를 분류하여 저장할 수 있다. 이때, 품명(상품명), 규격, 단위, 제조원(원산지), 가격 등이 계절/장소/시간 등에 따라 변동되는 데이터가 데이터베이스(140)에 포함될 수도 있다.
상기 인공지능 분석부(232)는 상기 영양사에 의해 식단 메뉴가 시스템에 등록되면, 상기 급식용 식자재 관련 빅데이터에 기반한 머신러닝을 통해 상기 식단 메뉴에 관한 인공지능 분석을 실시할 수 있다. 여기서, 상기 식단 메뉴가 등록되는 시스템은 빅데이터 학습부(230)에 탑재된 관리 프로그램으로서 상기 영양사의 관리 단말기와 연동하는 소프트웨어를 가리킬 수 있다.
상기 인공지능 분석부(232)는 학교 급식에 반영하기 위해 수집된, 소비자(학생)의 성장 또는 건강 관련 데이터와, 소비자(학생)의 키 또는 몸무게 변화 데이터 중 적어도 하나를 빅데이터로 활용하여, 상기 소비자의 연령, 키 또는 몸무게에 따라 필요한 영양소를 섭취할 수 있는 식단을 인공지능으로 분석할 수 있다.
상기 인공지능 분석부(232)는 상기 식단 메뉴가 사전에 신청받은 소비자(학생)별 희망 식단인 경우, 상기 희망 식단을 인공지능 분석하여 유사한 식단(식자재가 유사하거나 대체 가능한 식자재가 포함된 식단)끼리 그룹화할 수 있다. 이에 따라, 상기 맞춤형 추천부(233)는 해당 그룹에 따른 식자재를 분류하여 상기 희망 식단에 최적인 맞춤형 식단 및 식재료로서 추천할 수 있게 된다. 예를 들면, A 학생이 안심돈까스를 희망하고 B 학생이 등심돈까스를 희망한 경우 A 학생과 B 학생의 식단을 그룹화하여 돈까스에 적합한 맞춤형 식단 및 식재료를 영양사에게 추천함으로써 식재료가 지나치게 세분화되는 것을 방지하고 납품 관리를 효율적으로 진행할 수 있다.
상기 인공지능 분석부(232)는 식재료 스마트 HACCP 및 생산관리 세부 데이터 모니터링을 통한 식품안전데이터 검증을 위한 스마트 급식 식재료 생산정보, 및 물류배송 시뮬레이션에 따른 물류배송비 예상가격을 포함한 식재료 납품단가를 고려한 스마트 급식 식재료 납품단가정보에 대한 인공지능 분석을 통해 맞춤형 추천을 위한 레시피 및 급식을 분석할 수 있다.
여기서, 상기 스마트 급식 식재료 납품단가정보는 상품별 브랜드, 상품 제조업체에서 배포하는 매월 원재료에 따라 변동하는 식재료 상품의 기본 단가, 물류 인건비 또는 유류비에 따라 변동하는 물류배송비, 또는 급식단체별 식재료 납품 단가를 포함할 수 있다.
이때, 상기 물류배송비는 제조업체의 창고에서 지역별 물류센터까지의 물류비를 나타내는 배송비 A와, 지역별 물류센터에서 각 급식단체(학교)까지의 물류비를 나타내는 배송비 B를 포함할 수 있다. 그리고, 상기 급식단체별 식재료 납품 단가는 상기 기본 단가와 상기 배송비 A 및 상기 배송비 B를 합산하여 도출될 수 있다.
상기 급식단체별 식재료 납품 단가는 해당 지역의 유통업체가 직접 시스템에 등록하는 경우에는 상기 시스템 내 입력되는 유통업체의 공급단가로 결정되고, 해당 지역의 유통업체가 직접 시스템에 등록하지 않는 경우에는 상기 기본 단가와 상기 배송비 A 및 상기 배송비 B를 합산하여 도출된 값으로 결정될 수 있다. 상기 급식단체별 식재료 납품 단가는 학교 이외에 유치원이나 군부대 등에도 동일 또는 유사하게 적용될 수 있다.
상기한 바와 같이, 상기 인공지능 분석부(232)는 학교 급식에 예상 물류비를 산정하는 알고리즘을 적용함으로써 다양한 요인을 고려할 수 있고 보다 정확한 스마트 급식 식재료 납품단가정보를 제공할 수 있다.
상기 인공지능 분석부(232)는 상기 급식용 식자재 관련 빅데이터를 이용한 인공지능 분석을 통해 제조사별 식품의 제조공정, 원재료 입출고내역, 거래내역, 또는/및 식재료 관련 내부관리정보를 상기 영양사에게 오픈하여, 상기 영양사가 신선하고 우수한 식재료를 구매 대상으로 선택할 수 있도록 하는 기능을 제공할 수 있다.
예를 들면, 상기 인공지능 분석부(232)는 완제품에 사용되는 여러 부자재가 언제 제조사에 입고되어 언제 완제품제조에 사용되는지 등과 같은 데이터를 본 시스템에 업로드할 수 있다. 이렇게 하면, 부자재가 입고된 후 경과시간이 짧은 상태에서 완제품제조에 이용되었는지 아니면 경과시간이 다소 긴 상태(이 경우에도 사용 불가한 기간을 경과한 것은 아님)에서 완제품 제조에 사용되었는지 영양사가 볼 수 있고 영양사는 경과기간이 상대적으로 짧은 완제품을 구매 대상으로 선택할 수 있게 된다.
상기 인공지능 분석부(232)는 식품제조업체에서 생산되고 유통되는 식품의 공급체인(supply chain)의 식품안전을 포함한 실시간 모니터링 데이터를 상기 영양사에게 제공하고, 해당 식품들의 급식에 따른 피드백 데이터를 상기 식품제조업체에 다시 전송할 수 있다.
이때, 상기 인공지능 분석부(232)는 상기 피드백 데이터를 수집하여 인공지능 분석을 통해 자동으로 식품분류, 해당 브랜드, 규격을 포함한 식품 데이터를 쪼개고 분류하여 분석된 데이터를 식품공장에 전달할 수 있다.
이로써, 본 발명의 일 실시예에 의하면 상기 식품공장이 상기 분석된 데이터를 다시 상기 식품제조업체의 식품제조라인에 바로 반영하여 소비자의 안전과 맛을 최대한 만족시키는 방향으로 개선하여 출고되는 식품에 바로 적용되도록 할 수 있다.
또한, 상기 인공지능 분석부(232)는 식재료 스마트HACCP(CCP모니터링) 데이터, 생산 관리 관련 데이터(제조사별 생산일지, 원재료입출고, 거래내역, 생산현장 사진 등의 데이터) 또는 물류 등 중간 유통 과정을 학교 영양사 또는 소비자(학생)와 온라인을 통해 공유하고 이러한 공유 데이터에 대한 영양사 또는 소비자의 피드백(예를 들면, 제품 또는 물류에 대한 피드백)을 받아서 제조사 또는 유통 회사 등에 제공함으로써 최적의 식자재/식품을 실시간으로 공급하게 할 수 있다.
상기 인공지능 분석부(232)는 급식용 식자재 관련 빅데이터를 이용한 인공지능 분석을 통해 제조사별 식품의 제조공정, 원재료 입출고내역, 거래내역, 또는/및 식재료 관련 내부관리정보 등을 영양사 또는 소비자에게 제공하여 식품제조업체에서 생산되고 유통되는 식품의 공급체인(supply chain)의 식품안전 등의 데이터를 실시간으로 모니터링 할 수 있고, 또한 그 식품들을 급식으로 조리하여 소비자들이 섭취하면서 피드백을 다시 줄 수도 있다. 또한, 식품제조업체 또는 제조공장은 이러한 소비자 및 영양사의 피드백을 수집하여 인공지능을 통해 자동으로 식품분류, 해당 브랜드, 규격 등의 식품 데이터를 세분화하고 분류하여 분석된 데이터를 전달받아 이를 다시 식품제조라인에 바로 반영함으로써 소비자의 안전과 맛을 최대한 만족시키는 방향으로 개선하여 출고되는 식품에 바로 적용되게 할 수 있다.
식품제조업체들의 생산공정에서 중요한 주요 업무 및 데이터는 거래내역, 생산내역, 원료입출고내역 그리고 스마트 HACCP에서 CCP 데이터 모니터링 인데, 본 발명의 일 실시예에 따른 시스템(100)의 인공지능 분석부(232)는 이러한 식품제조업체들의 데이터를 수집하여 학교급식 또는 온라인 쇼핑몰(B2B 또는 B2C 쇼핑몰)에 공개함으로써 영양사 또는 소비자들이 식품에 대한 신뢰도를 높일 수 있다.
본 발명의 일 실시예에 따른 시스템(100)은 식품제조사들이 동의하거나 희망하는 경우에 업체별 데이터를 시스템에 업로드 함으로써 학교 영양사들이 업로드되거나 공개된 데이터를 확인할 수 있다. 이와 같이, 본 발명의 일 실시예에 따른 시스템(100)은 학교의 영양사들이 식품 또는 식자재 등 상품의 시장조사를 할 경우에, 필요한 가격동향 파악, 새로운 식품 및 정보수집에 도움을 주고 영양사들의 의견을 최대한 반영함으로써 맞춤형 시장조사 기능을 제공할 수도 있다.
상기 맞춤형 추천부(233)는 상기 인공지능 분석부(232)에서 인공지능 분석한 결과에 기초하여 상기 식단 메뉴에 최적인 맞춤형 식단 및 식재료를 영양사에게 추천할 수 있다.
예컨대, 상기 맞춤형 추천부(233)는 상기 인공지능 분석 결과를 토대로 상기 소비자(학생)의 연령, 키 및/또는 몸무게에 따라 필요한 영양소를 섭취할 수 있는 식단을 추천할 수 있다.
다른 예로, 상기 맞춤형 추천부(233)는 사전에 신청받은 희망 식단의 인공지능 분석 결과에 따라 유사한 식단끼리 그룹화한 그룹 정보를 토대로, 각 해당 그룹에 따라 유사한 식단으로 식자재를 분류하여, 상기 희망 식단에 최적이거나 공통적으로 적용할 수 있는 맞춤형 식단 및 식재료로서 영양사에게 추천할 수 있다.
상기 제어부(234)는 상기 서버(110), 즉 상기 빅데이터 구축부(231), 상기 인공지능 분석부(232), 상기 맞춤형 추천부(233) 등의 동작을 전반적으로 제어할 수 있다.
도 4는 도 1의 서버(110)의 상세 구성에 관한 다른 예를 설명하기 위해 도시한 블록도이다.
도 1 및 도 4를 참조하면, 상기 서버(110)는 전처리 가공부(310), 상품 매칭부(320), 빅데이터 학습부(330), 상품 제공부(340), 상품/레시피 추천부(350), 스마트HACCP 관리부(360), 및 제어부(370)를 포함하여 구성될 수 있다.
여기서, 상기 전처리 가공부(310), 상기 상품 매칭부(320), 상기 빅데이터 학습부(330)는 각각 도 2의 구성요소들(210, 220, 230)과 동일 또는 유사한다. 따라서, 본 실시예에서는 상기 동일 또는 유사한 구성요소들(310, 320, 330)에 대한 자세한 설명은 생략하고 나머지 구성요소들(340, 350, 360) 위주로 살펴보기로 한다.
상기 상품 제공부(340)는 학교 영양사의 학교 급식 식자재 주문(입찰)에 따라 입력되는 식자재 주문 데이터 내지 학교 급식 식자재 수요 데이터(이하 '학교 급식 식자재 수요 데이터'라 함)를 형태소 분석을 통해 전처리 가공하여 상기 학교 급식 식자재 수요 데이터로부터 복수의 엔티티(entity)를 추출할 수 있다. 여기서, 상기 엔티티는 상품명, 브랜드, 규격, 단위, 성분, 원산지, 인증 정보 및 가격 중 적어도 하나를 포함할 수 있다.
상기 상품 제공부(340)는 상기 추출된 엔티티를 상기 빅데이터 학습부(330)에 의해 생성된 학습 모델에 적용하여 머신러닝을 수행함으로써 상기 학교 급식 식자재 수요 데이터의 식품 코드를 분류할 수 있다. 즉, 상기 상품 제공부(340)는 상기 학교 급식 식자재 수요 데이터와 상품 데이터 간의 상품 매칭에 관한 참조 정보를 상기 학습 모델에 적용하여 머신 러닝을 함으로써 분류할 수 있다.
상기 상품 제공부(340)는 분류된 학교 급식 식자재 수요 데이터의 식품 코드에 매칭되어 있는 상품 데이터를 상기 데이터베이스(140)에서 검색하고, 상기 검색된 상품 데이터를 상기 급식단체(120)에 제공할 수 있다.
상기 상품 제공부(340)는 학교 급식 식자재 수요 데이터의 식품 코드와 동일한 식품 코드를 가지는 상품 데이터를 검색하여 매칭할 수 있다. 또한, 식자재의 브랜드, 인증, 원산지, 규격, 성분, 제품명으로 수요 데이터와 상품 데이터를 매칭할 수 있다.
상기 상품/레시피 추천부(350)는 영양사의 식단 계획표에 관한 입력 데이터를 형태소 분석한 후 기 학습된 데이터(학습 모델)에 기반하여 복수의 상품 정보로 분류할 수 있다. 그리고, 상기 상품/레시피 추천부(350)는 상기 상품 정보에 포함된 상품명에 기반하여 공통의 식품 코드를 레이블링함으로써 해당 식품 코드에 매칭되는 상품 데이터 및 이와 연관된 레시피를 탐색하여 상기 급식단체(120)에 추천 상품 및 추천 레시피로서 제공할 수 있다.
상기 상품/레시피 추천부(350)는 영양사가 원하는 음식 메뉴에 관한 주문 데이터가 입력되면, 학생의 영양 상태 또는 취향에 관한 데이터가 저장되어 있는 데이터베이스(140)를 참조하여, 미리 책정된 예산 내에서 상기 음식 메뉴의 재료에 해당하는 각 식자재에 매칭되는 상품 데이터를 탐색하여 추천할 수 있다.
구체적으로, 상기 영양사는 본인이 원하는 음식 메뉴, 예를 들면 된장찌개가 먹고 싶은 경우 상기 급식 단체(120)의 주문용 단말기를 통해 상기 음식 메뉴에 관한 주문 데이터를 입력하여 상기 서버(110)에 전송할 수 있다. 이러한 경우, 상기 상품/레시피 추천부(350)는 상기 데이터베이스(140)를 참조하여 상기 음식 메뉴에 관한 주문 데이터에 매칭되는 식자재들 중에서 상기 학생의 영양 상태 또는 취향을 만족시키는 식자재들을 선택하고, 상기 선택된 식자재들에 매칭되는 상품 데이터들 중에서 그 가격이 미리 책정된 예산 이하인 상품 데이터들을 최종적으로 선택하여 상기 영양사에게 추천 상품으로서 제공할 수 있다.
여기서, 상기 학생의 영양 상태 또는 취향을 만족시키는 식자재들을 선택하는 방법은 각 식자재들이 상기 학생 영양 상태 또는 취향을 만족시키는 정도(만족 지수)를 지수(index)화하여 상기 데이터베이스(140)에 저장하고, 그 만족 지수가 일정 크기 이상인 식자재들만 상기 데이터베이스(140)로부터 탐색하여 선택하는 것이다.
상기 스마트HACCP 관리부(360)는 온도 센서가 내장된 온도계를 사용하여 온도 데이터를 수집할 수 있다. 그리고, 상기 스마트HACCP 관리부(360)는 세척조의 수량 유입을 측정하기 위한 디지털 유량계를 사용하여 유량 데이터를 수집할 수 있다. 또한, 상기 스마트HACCP 관리부(360)는 금속 검출기를 사용하여 이상 유무에 관한 측정값을 수집할 수 있다.
이를 위해, 상기 스마트HACCP 관리부(360)는 상기 서버(110)와 상기 통신망 사이에 위치한 게이트웨이(미도시)를 통해 상기 온도 데이터, 상기 유량 데이터 및 상기 이상 유무에 관한 측정값을 전달받을 수 있다. 상기 스마트HACCP 관리부(360)는 상기 수집된 온도 데이터, 유량 데이터 및 이상 유무에 관한 측정값 중 적어도 하나에 기초하여 상기 급식용 식자재의 위생 상태를 실시간으로 모니터링할 수 있다.
상기 제어부(370)는 상기 서버(110), 즉 상기 전처리 가공부(310), 상기 상품 매칭부(320), 상기 빅데이터 학습부(330), 상기 상품 제공부(340), 상기 상품/레시피 추천부(350), 상기 스마트HACCP 관리부(360) 등의 동작을 전반적으로 제어할 수 있다.
한편, 상기 서버(110)는 주문 식자재를 자연어로 입력하면 자동으로 시스템에 입력되는 식품업체 수발주 시스템과 이를 기반으로 한 생산관리 시스템과 연계하여 동작할 수 있다. 이에 따라, 상기 서버(110)는 식품 및 원자재 (상품명, 규격, 원산지, 성분 등) 상품 및 거래처 관리, 및 원료수불 및 반제품/완제품 재고 유통기한 관리, 판매 및 수발주 관리 등을 수행할 수 있다.
상기 서버(110)는 식품 생산재고관리 시스템과 연계하여 식품별 생산일지, 원료수불, 거래내역 등을 관리할 수 있으며, 이를 통해 학교급식 식자재 수요 데이터에 기반하여 예상 생산 계획을 수립할 수 있으며, 식자재 빅데이터 기반 지능화된 시장 분석 후 생산계획 시 활용 가능할 뿐만 아니라, HACCP(식품안전관리를 위한 식품위생 자동화 및 실시간 모니터링 시스템) 및 생산일지 모니터링 데이터 분석으로 생산 시 식품안전 가이드를 제공할 수 있다.
상기 서버(110)는 HACCP 관리 문서 생성 및 사용 문서의 기준 정보 관리, 문서 속성 정의, 문서 보관 기한 정의, 문서의 등급 정의 등의 작업을 관리할 수 있다. 또한, 상기 서버(110)는 업무별, 공정별 생성 문서 관리(업무별 접수 문서, 업무별 생성 문서), 영양사별 문서 접근권한 관리(생성, 열람, 출력 등의 권한 정의), 업무별 문서열람 모니터링(업무별 문서 생성, 열람 및 출력 이력 관리) 등의 작업을 관리할 수 있다.
상기 서버(110)는 범용 인공지능 식자재 관리 시스템용 오픈 API를 제공할 수 있다. 이는 식품 표준화 머신러닝 API 형태로 개발될 수 있다. 이를 통해 타 ERP 시스템 제공업체들도 상기 오픈 API를 이용하여 저렴한 비용으로 활용하고 이로 인해 더 많은 식품업체들이 서비스를 이용할 수 있게 된다. 예를 들어, 상기 오픈 API를 통해 타 ERP 시스템 제공업체들은 AI 서버에 상품 정보(품명, 규격, 단위 등)에 대해 상품 DB 업데이트할 수 있으며, AI 서버에 수요 데이터 정보(상품명, 상품 설명 등)를 보내면 형태소 분석, 기 학습된 데이터 기반으로 분류 및 레이블링을 통해 해당 상품 데이터를 리턴받을 수 있게 된다.
상기 서버(110)는 인공지능 기반 식품 빅데이터 분석 및 안전관리 시스템과 연계하여 수요 식자재 상품 물량 예측 알고리즘을 제공할 수 있고, 수천, 수만 개의 식자재 주문 및 납품 데이터의 오류 감지 시 해당 업체에 알림을 제공할 수 있으며, 식품 유통 및 제조 데이터 분석에 따른 시각화(Visualization) 서비스를 제공할 수 있다.
이상에서 설명된 장치는 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
도 6 내지 도 10은 본 발명의 일 실시예에 따른 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템의 동작 방법을 설명하기 위해 도시한 흐름도이다.
여기서 설명하는 방법은 본 발명의 하나의 실시예에 불과하며, 그 이외에 필요에 따라 다양한 단계들이 아래와 같이 부가될 수 있고, 하기의 단계들도 순서를 변경하여 실시될 수 있으므로, 본 발명이 하기에 설명하는 각 단계 및 그 순서에 한정되는 것은 아니다. 이는 이하의 다른 실시예들에서도 마찬가지로 동일하게 적용될 수 있다.
먼저 도 1 및 도 6을 참조하면, 단계(510)에서 상기 서버(110)는 납품업체(130)별 급식용 식자재의 상품 데이터를 전처리 가공하여 상기 상품 데이터의 정형화 작업을 수행할 수 있다. 이에 대해 도 7을 참조하여 구체적으로 설명하면 다음과 같다. 참고로, 도 7은 본 발명의 일 실시예에 따라 상품 데이터를 전처리 가공하는 과정을 설명하기 위해 도시한 흐름도이다.
즉, 단계(610)에서 상기 서버(110)는 사전 제작된 급식용 식자재 전문 단어 사전 및 이를 이용한 형태소 분석을 실시할 수 있다. 이후, 단계(620)에서 상기 서버(110)는 비정형의 상기 상품 데이터를 상품명, 브랜드, 규격, 단위, 성분, 원산지, 인증 정보 및 가격 중 적어도 하나로 분류할 수 있다. 이후, 단계(630)에서 상기 서버(110)는 상기 상품명에 기반한 공통의 식품 코드를 레이블링하여, 정형화된 상기 전처리 데이터를 출력할 수 있다.
다음으로, 다시 도 1 및 도 6을 참조하면, 단계(520)에서 상기 서버(110)는 상기 정형화 작업에 의해 출력된 전처리 데이터 간의 상품 유사도에 기초하여 상기 상품 데이터 간의 상품 매칭을 실시함으로써 상품 매칭 데이터를 생성할 수 있다. 이에 대해 도 8을 참조하여 구체적으로 설명하면 다음과 같다. 참고로, 도 8은 본 발명의 일 실시예에 따라 상품 매칭 데이터를 생성하는 과정을 설명하기 위해 도시한 흐름도이다.
즉, 단계(710)에서 상기 서버(110)는 형태소 분석 및 워드임베딩(word2vector) 방식으로 상기 전처리 데이터 간의 상품 유사도를 측정할 수 있다. 이후, 단계(720)에서 상기 서버(110)는 상기 상품 유사도의 측정치와 미리 설정된 값을 비교할 수 있다. 이후, 단계(730)에서 상기 서버(110)는 상기 미리 설정된 값을 초과하는 전처리 데이터에 대하여 해당 상품 데이터 간의 상품 매칭을 실시할 수 있다.
다음으로, 다시 도 1 및 도 6을 참조하면, 단계(530)에서 상기 서버(110)는 상기 생성된 상품 매칭 데이터에 기반한 머신러닝을 통해 상기 급식용 식자재에 관한 빅데이터를 구축할 수 있다.
다음으로, 단계(540)에서 상기 서버(110)는 영양사의 식자재 주문(입찰)에 따라 식자재 주문 데이터를 입력할 수 있다.
다음으로, 단계(550)에서 상기 서버(110)는 상기 입력된 식자재 주문 데이터를 형태소 분석을 통해 전처리 가공하여 상기 식자재 주문 데이터로부터 복수의 엔티티(entity)를 추출할 수 있다.
다음으로, 단계(560)에서 상기 서버(110)는 상기 추출된 엔티티를 상기 학습 모델에 적용하여 상기 식자재 주문 데이터의 식품 코드를 분류할 수 있다.
다음으로, 단계(570)에서 상기 서버(110)는 상기 분류된 식품 코드에 매칭되어 있는 상품 데이터를 상기 데이터베이스(140)에서 검색하여 상기 급식 단체(120)에 제공할 수 있다.
도 9는 본 발명의 일 실시예에 따라 영양사 식단 계획에 따른 상품 및 레시피를 자동 추천하는 서비스를 제공하는 방법을 설명하기 위해 도시한 흐름도이다.
도 1 및 도 9를 참조하면, 단계(810)에서 상기 서버(110)는 영양사 식단 계획표에 관한 입력 데이터를 형태소 분석할 수 있다.
다음으로, 단계(820)에서 상기 서버(110)는 기 학습된 데이터(학습 모델)에 기반하여 상기 형태소 분석된 입력 데이터를 복수의 상품 정보로 분류할 수 있다. 여기서, 상기 상품 정보는 상품명, 브랜드, 규격, 단위, 성분, 원산지, 인증 정보 및 가격 중 적어도 하나를 포함할 수 있다.
다음으로, 단계(830)에서 상기 서버(110)는 상기 상품 정보에 포함된 상품명에 기반하여 공통의 식품 코드를 레이블링할 수 있다.
다음으로, 단계(840)에서 상기 서버(110)는 해당 식품 코드에 매칭되는 상품 데이터 및 이와 연관된 레시피를 상기 데이터베이스(140)에서 탐색하여 상기 급식 단체(120)에게 추천할 수 있다.
도 10은 본 발명의 일 실시예에 따라 식품 안전 관리를 위한 식품 위생 관리 방법을 설명하기 위해 도시한 흐름도이다.
도 1 및 도 10을 참조하면, 단계(910)에서 상기 서버(110)는 온도 센서가 내장된 온도계를 사용하여 온도 데이터를 수집할 수 있다.
다음으로, 단계(920)에서 상기 서버(110)는 세척조의 수량 유입을 측정하기 위한 디지털 유량계를 사용하여 유량 데이터를 수집할 수 있다.
다음으로, 단계(930)에서 상기 서버(110)는 금속 검출기를 사용하여 이상 유무에 관한 측정값을 수집할 수 있다.
다음으로, 단계(940)에서 상기 서버(110)는 수집 데이터(온도/유량/측정값) 중 적어도 하나에 기초하여 급식용 식자재의 위생 상태를 실시간으로 모니터링할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
100: 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템
110: 서버
120: 급식 단체
130: 납품업체
140: 데이터베이스(DB)
210, 310: 전처리 가공부
220, 320: 상품 매칭부
230, 330: 빅데이터 학습부
231: 빅데이터 구축부
232: 인공지능 분석부
233: 맞춤형 추천부
234, 240, 370: 제어부
340: 상품 제공부
350: 상품/레시피 추천부
360: 스마트HACCP 관리부

Claims (3)

  1. 납품업체별 급식용 식자재의 상품 데이터를 전처리 가공하여 상기 상품 데이터의 정형화 작업을 수행하는 전처리 가공부;
    상기 전처리 가공부로부터 출력되는 전처리 데이터 간의 상품 유사도에 기초하여 상기 상품 데이터 간의 상품 매칭을 실시함으로써 상품 매칭 데이터를 생성하는 상품 매칭부; 및
    상기 생성된 상품 매칭 데이터에 기반한 머신러닝을 통해 상기 급식용 식자재에 관한 빅데이터를 구축하는 빅데이터 학습부;를 포함하며,
    상기 빅데이터 학습부는, 학교를 포함하는 급식단체에서 급식을 제공받는 소비자의 급식 관련 피드백 데이터, 개인별 음식 취향 데이터 및 상기 급식단체의 영양사의 급식 관련 사용 이력 데이터를 수집하고 이를 정형화하는 전처리 작업을 실시하여 급식용 식자재 관련 빅데이터를 구축하는 빅데이터 구축부;
    상기 영양사에 의해 식단 메뉴가 시스템에 등록되면, 상기 급식용 식자재 관련 빅데이터에 기반한 머신러닝을 통해 상기 식단 메뉴에 관한 인공지능 분석을 실시하는 인공지능 분석부; 및
    상기 인공지능 분석의 결과에 기초하여 상기 식단 메뉴에 최적인 맞춤형 식단 및 식재료를 추천하는 맞춤형 추천부;를 포함하는 것을 특징으로 하는 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템.
  2. 제1항에 있어서,
    상기 상품 매칭부는
    상기 전처리 데이터에 대하여 형태소 분석 및 워드임베딩(word2vector) 방식으로 상기 전처리 데이터 간의 상품 유사도를 측정하고, 상기 상품 유사도의 측정치가 미리 설정된 값을 초과하는 전처리 데이터에 대하여 해당 상품 데이터 간의 상품 매칭을 실시하는 것을 특징으로 하는 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템.
  3. 제1항에 있어서,
    영양사의 식자재 주문(입찰)에 따라 입력되는 식자재 주문 데이터를 형태소 분석을 통해 전처리 가공하여 상기 식자재 주문 데이터로부터 복수의 엔티티(entity)를 추출하고, 상기 추출된 엔티티를 상기 빅데이터 학습부에 의해 생성된 학습 모델에 적용하여 상기 식자재 주문 데이터의 식품 코드를 분류하며, 상기 분류된 식품 코드에 매칭되어 있는 상품 데이터를 데이터베이스에서 검색하여 제공하는 상품 제공부
    를 더 포함하는 것을 특징으로 하는 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템.
KR1020210156930A 2020-11-26 2021-11-15 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템 KR20220073653A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200160710 2020-11-26
KR20200160710 2020-11-26

Publications (1)

Publication Number Publication Date
KR20220073653A true KR20220073653A (ko) 2022-06-03

Family

ID=81982901

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210156930A KR20220073653A (ko) 2020-11-26 2021-11-15 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템

Country Status (1)

Country Link
KR (1) KR20220073653A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102546871B1 (ko) 2023-04-17 2023-06-23 뉴통 주식회사 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102546871B1 (ko) 2023-04-17 2023-06-23 뉴통 주식회사 인공지능 모델 기반 b2b 식자재 및 부자재의 유통의 주문 히스토리의 패턴 분석을 통한 주문 정보 추천 방법, 장치 및 시스템

Similar Documents

Publication Publication Date Title
Yin et al. A game theoretic model for coordination of single manufacturer and multiple suppliers with quality variations under uncertain demands
Leung et al. A B2B flexible pricing decision support system for managing the request for quotation process under e-commerce business environment
US11783250B2 (en) Systems, methods, and media for harmonizing procurement across distribution networks with heterogeneous product availability
US20150312348A1 (en) Methods, apparatus, and systems for home information management
US20080270363A1 (en) Cluster processing of a core information matrix
US20080294996A1 (en) Customized retailer portal within an analytic platform
US20130275037A1 (en) Consumer Information and Navigation System for Nutritional Substances
Tang et al. Channel competition and coordination of a dual-channel supply chain with demand and cost disruptions
García et al. RFID enhanced MAS for warehouse management
US20140289006A1 (en) Method and System For Social Media Sales
KR101954398B1 (ko) 축산품 구매 서비스 시스템 및 방법
US20150120482A1 (en) Efficient Electronic Procurement Using Mathematical Optimization in an Electronic Marketplace
KR101991308B1 (ko) 오픈마켓 창업 지원 방법 및 시스템
KR102544986B1 (ko) 인공지능 맞춤형 식단 및 식재료 추천 서비스 시스템
KR20220073653A (ko) 빅데이터 기반 식자재 주문 데이터 자연어 처리 인공지능 시스템
Tang et al. IoT-based information system on cold-chain logistics service quality (ICCLSQ) management in logistics 4.0
Kong et al. An advanced order batching approach for automated sequential auctions with forecasting and postponement
KR20220079244A (ko) 농산물 직거래 서비스 장치
KR20220076013A (ko) Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템
KR102086996B1 (ko) 소비자 반응을 이용한 브랜드 관리 플랫폼 시스템, 이를 이용한 상품 기획 방법 및 이를 위한 컴퓨터 프로그램
Annadurai An optimal replenishment policy for decaying items with shortages and salvage value
KR102499689B1 (ko) 검색 키워드 자동 선별 방법
Chen et al. Establishing an order allocation decision support system via learning curve model for apparel logistics
Chen et al. Optimum profit model considering production, quality and sale problem
KR20230072939A (ko) 빅데이터 기반 개인화된 레시피 및 식단 추천 서비스 제공 방법, 장치 및 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal