KR20230007401A - 보증된 속성 파라메타들과 조작적 조건화 태그를 이용하여 인지 교차-협업 액세스를 가진 쉘 통신을 제공하는 디지털 클라우드-기반 플랫폼 및 방법 - Google Patents
보증된 속성 파라메타들과 조작적 조건화 태그를 이용하여 인지 교차-협업 액세스를 가진 쉘 통신을 제공하는 디지털 클라우드-기반 플랫폼 및 방법 Download PDFInfo
- Publication number
- KR20230007401A KR20230007401A KR1020227040386A KR20227040386A KR20230007401A KR 20230007401 A KR20230007401 A KR 20230007401A KR 1020227040386 A KR1020227040386 A KR 1020227040386A KR 20227040386 A KR20227040386 A KR 20227040386A KR 20230007401 A KR20230007401 A KR 20230007401A
- Authority
- KR
- South Korea
- Prior art keywords
- project
- digital
- platform
- data
- unit
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 68
- 238000004891 communication Methods 0.000 title claims description 29
- 230000001149 cognitive effect Effects 0.000 title 1
- 230000003750 conditioning effect Effects 0.000 title 1
- 230000006855 networking Effects 0.000 claims abstract description 73
- 238000010801 machine learning Methods 0.000 claims abstract description 41
- 238000011161 development Methods 0.000 claims abstract description 32
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 230000003993 interaction Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 37
- 230000018109 developmental process Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000013475 authorization Methods 0.000 claims description 11
- 230000002085 persistent effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000011867 re-evaluation Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 4
- 230000012010 growth Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims description 2
- 230000003721 exogen phase Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000007418 data mining Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000272 proprioceptive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013349 risk mitigation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005808 skin problem Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/52—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems during program execution, e.g. stack integrity ; Preventing unwanted data erasure; Buffer overflow
- G06F21/53—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems during program execution, e.g. stack integrity ; Preventing unwanted data erasure; Buffer overflow by executing in a restricted environment, e.g. sandbox or secure virtual machine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q30/018—Certifying business or products
-
- 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
- G06Q50/10—Services
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45587—Isolation or security of virtual machine instances
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45591—Monitoring or debugging support
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
지능 디지털 플랫폼(1)은 보안 클라우드-기반 네트워크(5/51,52,...,5i)상에 네트워크 지원 디바이스들을 가진 유닛들(2/3)간의 자동화된 태스크 할당을 가진 피제어 프로세스-주도 네트워킹 상호 작용 및 프로젝트(41,42,...,4i) 개발을 제공한다. 각 유닛은 디지털 교차-네트워크 플랫폼(1)과 보안 클라우드-기반 네트워크(5)에 대한 인증 및 인가 피 제어 네트워크 액세스(5)를 가진, 디지털 네트워킹 플랫폼(1)에 있어서의 유닛 또는 사용자(2/3) 계정을 가진다. 각 프로젝트(41,42,...,4i)는 디지털 네트워킹 플랫폼(1)의 데이터 웨어하우스(112)에 구비된 하나 이상의 유닛들(2/3)과의 배정 관계(1121,1122,...,112i)를 가지며, 각각의 배정 관계는 하나 이상의 유닛들(2/3), 하나 이상의 선택 가능 태스크들(111,1112,...,111i) 및 프로젝트(41,42,...,4i)간에 정의된 관계(1121,1122,...,112i)를 제공한다. 태스크 선택기(11)는, 머신-학습-기반 매칭 구조(112)를 구비하며, 머신-학습-기반 매칭 구조(112)에 의해 프로젝트(10i)와 연관된 특정 태스크(111i)를 수행하기 위하여 적절한 기술 보증들(1511,1512,...,151i)이 결정된다. 필수적인, 결정된 기술 보증들(1511,1512,...,151i) 및 제출 데이터(1211,...,121i)의 동작 유닛(21,22,...,2i)의 위치와 이용 가능 배포 유닛(31,32,...,3i)의 위치를 적어도 구비하는 추가적인 트리거 기준에 기초하여, 적어도 하나의 배포 유닛(31,32,...,3i)이 결정된다.
Description
본 발명은 보안 클라우드-기반 네트워크(secured cloud-based network)상에서 네트워크-지원 디바이스들(network-enabled devices)을 가진 다수의 사용자들간에, 피제어 데이터(controlled data) 및 프로젝트-주도 교차-네트워크 데이터 액세스(project-driven cross-network data network), 멀티-사용자 상호 작용(multi-user interaction) 및 보증된 교차-네트워크 프로젝트 협업(certified cross-netowrk project collaboration)을 제공하는 디지털 클라우드-기반 네트워킹 시스템 및 플랫폼에 관한 것이다. 보다 구체적으로, 본 발명은 보안 클라우드-기반 네트워크 통신에 있어서 보증된 네트워킹 협업을 도모하는 디지털 플랫폼들에 관한 것으로, 디지털 플랫폼은 프로젝트-주도 네트워킹 상호 작용 및 프로젝트 협업에서 실행될 태스크(task)들에 대해 배정 관계(assigned relationship)를 가진 서로 다른 클래스들/그룹들의 사용자를 가진다. 피어-리뷰 관계(peer-reviewed relationship)의 설정은 네트워킹 협업 및 프로세스-주도 프로젝트 협업 개발(process-driven project collaboration development)에 대한 기반을 제공한다. 본 발명의 디지털 플랫폼은, 예를 들어, 표준화의 결여, 드라이빙 네트워크 복잡성 및 태깅 누락(missing tagging)으로 인해 유발된 그러한 플랫폼의 알려진 프로세스 충돌들(process frictions)을 극복할 수 있게 한다. 또한, 웹-기반 생산성 피처들(web-based productivity features)은, 프로젝트를 배정받을 수 있는 사용자들이 수립된 관계에 따라 협업할 수 있고, 디지털 플랫폼을 이용하여 그 플랫폼을 통해 정산(accounting)을 수행할 수 있도록 사용자의 환경에 개선을 제공한다. 특히, 본 발명은 리소스들, 작업 흐름, 시간의 관리 및/또는 피어-리뷰 할당과 같은 인적 또는 프로젝트 관리, 각각의 인적 자원에 대한 자동화 및 안전 액세스를 처리한다.
기술적 연구 및 개발 세계는 한층 더 빠르게 변화하고 있다. 완성을 위해, 특히, 복잡한 산업 설비 또는 플랜트(plant) 분야에서 운영 시간을 유지시키기 위해 매우 짧은 반응 시간프레임 내에 및 단지 고도의 전문적인 기술진들만이 운영할 수 있는 수준에서 기술, 유지보수 서비스들 및 데이터를 유지하고, 조정하고, 교체하는 것이 필요할 때가 있다. 그러한 기술진들은 거의 전 세계에 거쳐 분포되어 발견하기 어렵다. 필요한 스케일 및 안전한 협업 상호 작용을 달성하기 위하여, 참가자들의 기술적 한계 및 조직간의 경계를 확장하는 디지털 플랫폼들을 수립하고 개발하기 위한 새롭고도 보다 적합화된 기술에 대한 거대한 수요가 존재한다. 사실상, 최근 수년간, 디지털 플랫폼 기술은, 디지털 혁명의 가장 영향력 있는 기술적 현상들 중 하나로서 출현하여, "제4차 산업 혁명" 또는, 짧게, 산업 4.0이라 지칭되기도 하였다. 클라우드, 모바일(mobile) 및 분석에 있어서의 신속한 진보 및 이러한 새로운 기술들의 비용 하락 덕분에, 디지털 플랫폼은 혁신을 위한 획기적인 기술 및 성장의 다음 단계를 생성할 수 있다. 디지털 플랫폼은 숙련된 기술자들, 수리공들, 개발자들 및 엔지니어들의 광대한 개발, 연구 및 협업 커뮤니티들을 함께 할 수 있게 한다. 디지털 플랫폼 기술은 그들이 네트워킹 협업 및 개발들, 특히, 막대한 스케일 및 효율의 프로젝트 및 태스크-지정 협업 및 개발을 생성할 수 있게 한다. 또한, 이러한 기술은, 서로 다른 기술적 분야들 및 산업 섹터들로부터 회사들과 전문가들간의 새로운 레벨의 네트워킹 협업을 가능하게 한다. 그 결과, 클라우드 컴퓨팅 플랫폼들은 서로 다른 유형의 애플리케이션들 및/또는 프로세스들에 대한 구축, 전개 및 관리를 제공할 수 있다.
디지털 플랫폼 및 그와 연관된 에코시스템들(ecosystems)의 중요성 증가는 새로운 디지털 인프라구조(예를 들어, 사물 인터넷, 클라우드 컴퓨팅, 블록체인, 빅 데이터 분석)의 출현과, 제품, 서비스 및 프로세스로의 디지털 기술의 투입에 기반하고 그에 의해 유발된다. 디지털 플랫폼의 기반이 되는 유비쿼터스 디지털 인프라구조의 가용성은, 서비스를 제공하고 비지니스를 하기 위한 비용, 본질, 방식, 프로세스들, 구조들을 근본적으로 재구성하였다. 따라서, 가상 에코시스템에 있어서 참여자들간에 피제어 및 구조화된 네트워킹 상호 작용(controlled and structured networking interaction)을 할 수 있게 하는 디지털 플랫폼들에 대한 적당한 기술에 대한 거대한 수요가 존재한다.
예를 들어, US 2015/0286979 A1 또는 US 7,502,747 B1으로부터 자동화 서비스 제공자 플랫폼 시스템들이 알려져 있으며, 이 공보는, 각각, 서비스 태스크들의 자동화 스케줄링, 서비스 태스크들 지정의 자동화 스케줄링을 개시한다. 설명된 종래 기술의 시스템들은, 서비스 태스크의 구매자에 의해 요청된 서비스 태스크와 관련한, 서비스 태스크의 유형, 기술자 가용성 스케줄, 기술자 기술(technician skill) 또는 기술자 기술 레벨을 수행하기 위해, 예를 들어, 초기 추정된 시간 길이와 같은, 하나 이상의 인자들(factors)에 기반하여, 서비스 제공자에 대한 스케줄링 및 일의 배정을 관리하도록 구성된다. 그러나, 서비스 태스크의 구매자는, 서비스 제공자의 입력에 기반하여 주어지는 서비스 제공자의 모든 등급들 및/또는 기술 레벨들을 포함하는, 통상적인 서비스 제공자 플랫폼 시스템들의 제시된 데이터에 의존해야만 한다. 이 데이터는, 그 중에서도, 서비스 태스크의 자기-할당과 연관된 서비스 제공자 데이터, 배정된 서비스 태스크에 관하여 제시된 서비스 제공자 기술 레벨, 성공적으로 완수한 서비스 태스크들의 개수, 서비스 태스크들을 수행하기 위한 시간 요건, 출장 시간 및 출장 비용, 서비스 태스크 비용, 서비스 제공자의 읽기/쓰기 및 말하기에 있어서의 언어 구사력과 관련된다. 이러한 데이터 리스트가 완전하다고 할 수 없으며, 또한 상기에서 인용된 하나 이상의 데이터가 관심이 낮은 것일 수 있음을 알아야 한다. 그러나, 상술한 데이터 모두가 공통적으로 가지고 있는 것은, 그들이 어떠한 증거나 보증없이 구매자에게 제공된다는 점이며, 결론적으로, 해당 데이터는 표면적으로 "정해지며(set in stone)", 현재 생성된 데이터에 기반하여 상황에 따라 조정되지 않을 것이다.
본 발명은 종래 기술의 시스템의 상술한 기술적 문제점의 견지에서 이루어졌다. 본 발명의 한가지 목적은, 보안 클라우드-기반 네트워크(secured cloud-based network)상에서 네트워크-지원 디바이스들(network-enabled devices)을 가진 다수의 사용자들간에, 프로젝트-주도 교차-네트워크 데이터 액세스(project-driven cross-network data network), 멀티-사용자 상호 작용(multi-user interaction) 및 보증된 프로젝트 협업을 허용하는 지능적 태스크 관리 및 기술적 서비스 필요성 관리를 위한 디지털 네크워킹 플랫폼 및 디지털 서비스 제공자 플랫폼을 제공하는 것이다. 특히, 본 발명은, 보안 클라우드-기반 네트워크 통신에 의해 멀티-사용자 환경에서 보증된 네트워킹 협업을 도모하는 지능적 디지털 플랫폼을 제공한다는 목적을 가진다. 본 발명은 프로세스-주도 네트워킹 상호 작용 및 프로젝트 협업에 있어서 프로젝트내에 수행되거나 실행될 태스크들 또는 작업들에 대해 배정 관계, 특히, 계층적 관계를 가진 서로 다른 이종(heterogenous) 클래스들/그룹들의 사용자들 또는 유닛들을 위한 협업을 제공할 수 있다.
본 발명에 따르면, 이 목적들은 특히 독립 청구항들의 특징들로 달성된다. 또한, 추가적으로, 종속 청구항들 및 관련된 설명으로부터 유리한 실시 예들이 도출될 수 있다.
본 발명에 따르면, 피제어 프로젝트-주도 네트워킹 상호 작용 및/또는 쉘 통신(shell communication)을 제공하는 디지털 네트워킹 플랫폼에 대한 상술한 목적은, 특히, 본 발명을 이용하여, 동작 유닛들(operating units)과 배포 유닛들(deployment units)간의 디지털 플랫폼에 의해 피제어 프로젝트-주도 네트워킹 상호 작용이 제공된다는 점에서 달성되며; 그 유닛들은 데이터 전송 네트워크를 통해 네트워크-지원 디바이스에 의해 디지털 네트워킹 플랫폼을 액세스하며; 각 유닛은 디지털 교차-네트워크 플랫폼에 의해 제공된 보안 클라우드-기반 네트워크에 대한 피제어 네트워크 액세스를 위한 연관된 인증(authentication) 및 인가(authorization) 자격증과 함께 디지털 네트워킹 플랫폼의 통신 데이터베이스에 배정된 유닛 계정(unit account)을 가지며; 디지털 네트워킹 플랫폼의 영구 저장(persistence storage)에 유지된 프로젝트들은 동작 유닛, 하나 이상의 배포 유닛들 및 프로젝트 태스크간의 적어도 하나의 배정 관계를 구비하며; 디지털 네트워킹 플랫폼은 디지털 플랫폼의 네트워크 인터페이스와, 프로젝트 관리자 모듈과, 태스크 선택기 및 액세스 제어기를 구비하고; 디지털 플랫폼의 네트워크 인터페이스는, 네트워크-지원 디바이스들에 의해 데이터 전송 네트워크를 통해 동작 유닛들과 배포 유닛들에 보안 클라우드-기반 네트워크에 대한 네트워크 액세스를 제공하고; 디지털 네트워킹 플랫폼의 영구 저장에 유지된 프로젝트는, 배정 관계에 따라 다른 유닛들과의 프로젝트 데이터의 공유와, 프로젝트와 관련된 프로젝트 데이터의 업로드 및 다운로드 액세스(upload and download access)를 제공하는 전용 보안 네트워크를 통해 배정된 유닛에 대해서만 액세스될 수 있으며; 프로젝트 관리자 모듈은 새로운 프로젝트를 요청하는 동작 유닛의 프로젝트 제출로부터 프로젝트 데이터를 추출하고; 새로운 프로젝트는 프로젝트 제출 데이터에 기반하여 생성되며; 연관된 프로젝트 데이터는 영구 저장에 저장되고; 태스크 선택기는 프로젝트 제출 데이터에 기반하여 태스크 데이터베이스로부터, 배포 유닛에 의해 실행될 하나 이상의 태스크들, 예를 들어, 플랜시프터 유지보수(plansifter maintenance)를 선택하고, 특정 배포 유닛이 실행할 수 있는 보증된 기술을 나타내는 배포 유닛들의 보증된 기술 승인 데이터에 기반하여 하나 이상의 배포 유닛들을 선택하고; 선택된 태스크는 새로운 프로젝트와 연관된 관계를 제공하는 적어도 하나의 선택된 배포 유닛에 배정되고; 액세스 제어기는 그 관계에서 나타난 동작 유닛과 선택된 배포 유닛에 새로운 프로젝트에 대한 액세스를 제공하는 새로운 프로젝트에 대한 보안 클라우드-기반 네트워크를 생성하고; 그 관계는, 유닛들의 페어(pair of units)간의 임의 통신이 허용되기 전에, 그 유닛들의 페어 간에 수립된다. 태스크 선택기는, 예를 들어, 머신-기반 매칭 구조(machine-based matching structure)를 구비할 수 있으며, 머신-기반 매칭 구조에 의해 프로젝트와 연관된 특정 태스크를 수행하기 위해, 적절한 기술 보증이 결정되고, 적어도 하나의 배포 유닛은, 필수적인 결정된 기술 보증과, 적어도 제출 데이터의 동작 유닛의 위치와 이용 가능한 배포 유닛의 위치를 구비한 추가적인 트리거 기준(trigger criteria)에 기반하여 결정된다. 배포 유닛의 선택을 위해, 의무적 및 선택적 기술들이 머신-기반 매칭 구조에 의해 결정됨으로써 선택된 태스크를 수행할 수 있게 되는데, 의무적 기술들은 선택된 태스크를 완료하는데 요구되며, 선택적 기술들은 적어도 말하기 언어 파라메타 및/또는 추가적인 서비스들 또는 장비를 나타내는 추가적인 기술 파라메타를 구비한다. 머신-기반 매칭 구조에 의해 의무적 기술들에 대해 배포 유닛들이 필터링될 수 있으며, 즉, 결정론적일 수 있으며, 머신-기반 매칭 구조에 의해 선택적 기술들에 대해서는 스코어링 구조(scoring structure)가 적용되는데, 배포 유닛에 대해 보다 높은 스코어가 트리거링될 수록, 그 배포 유닛이 머신-기반 매칭 구조에 의해 선택될 가능성이 높다. 스코어링은, 예를 들어, 최선 기술 매칭(best skill matching)에 기반할 수 있다. 대안적으로 또는 추가적으로, 스코어링은 배포 유닛의 가격 책정 파라메타 값(pricing parameter value) 및/또는 비용 파라메타 값 및/또는 출장 시간 또는 지리적 거리 파라메타 값을 고려한 최고 마진 매칭(highest margin matching)에 기반할 수 있다. 스코어링은, 또한, 플랫폼을 이용하여 태스크를 거의 처리하지 않거나 아예 처리하지 않았던 배포 유닛들에 보다 높은 스코어를 제공하는, 플랫폼 성장에 최선인 구조(best-for-platform-growth structure)에 기반할 수 있다. 머신-기반 매칭 구조는, 예를 들어, 하나 이상의 머신-기반 학습 구조(learning structure: ML)를 구비할 수 있다. 머신-기반 학습 구조(ML)는, 예를 들어, 언덕 등반(hill climbing), 유전적(genetic) 또는 진화 머신-기반 학습 구조를 구비할 수 있다. 디지털 네트워킹 플랫폼은, 예를 들어, 하나 이상의 배포 유닛 및/또는 적절한 배포 유닛과 연관된 하나 이상의 서비스 제공자 플랫폼의 선택의 자동 통지를 위한 발송기(dispatcher)를 구비할 수 있다. 발송기는, 예를 들어, 적당한 배포 유닛들에게 특정 태스크에 대한 액세스를 제공하는 경매 프로세스(auction process)를 구비할 수 있다.
본 발명은, 그 중에서도, (디지털 플랫폼 환경에 의해) 특정하게 표준화된 서비스 태스크들/작업들에 대해 훈련되고 자격을 부여받을 수 있는, 서비스 회사들 또는 독립적인 최신 기술에 능한 사람들과 같은, 배포 유닛들에 소프트웨어 플랫폼을 제공한다는 장점을 가진다. 이러한 태스크들/작업들은 기술자들과 같이 자격을 갖춘(및 보증된) 배포 유닛 또는 그들의 서비스 회사에 제공된다. 그들의 가용성에 따라, 배포 유닛들은 그 작업을 수락하고 태스크/작업을 실행할 수 있다. 태스크/작업 실행은 디지털 플랫폼 규제 체제(regime)하에, 예를 들어, 디지털 플랫폼 표준에 의해 제공되거나 수락된 의복 착용(wearing clothing)하에 이루어진다. 디지털 플랫폼은, 이전에 동의한 요금에 따라, 예를 들어, 서비스에 대한 최종 고객으로서 동작 유닛에게 청구서를 보내고, 서비스 기술자들 또는 회사와 같은 배포 유닛에 지불할 수 있다. 태스크/작업 실행에 대한 책임은, 예를 들어, 디지털 플랫폼에 있을 수 있다.
실시 예 변형으로서, 현재 서비스 제공자 플랫폼은, 서비스 제공자 인터페이스를 통해, 적어도 하나의 서비스 제공자로부터 요청되고/되거나 수신된 입력 데이터를 수집하고 저장하도록 고안된, 입력 데이터베이스에 연결된 서비스 제공자 인터페이스 및 서비스 태스크 데이터베이스를 구비하며; 이러한 입력 데이터는 서비스 제공자에게 적어도 하나의 기술 레벨을 배정하기 위해 평가 유닛에서 분석되고; 서비스 제공자 플랫폼은 훈련 유닛을 구비하는데, 그 훈련 유닛에서는, 예를 들어, 사전 정의된 알고리즘 또는 구성을 따르거나, 또는 직접 입력에 의하거나 피드백 루프(feedback loop)를 통한 하나 이상의 다른 소프트웨어 구성 요소들의 입력에 응답하여, 인간의 상호 작용이 거의 없거나 아예 없이 자동적으로 추론되거나, 생성되거나 계산되는 것 중 적어도 하나가 수행되고, 적어도 하나의 기술 레벨에 기반하여 개별적으로 컴파일링된 훈련 세션을, 자동적으로 또는 요청시에, 서비스 제공자가 이용할 수 있게 하되, 이 훈련 세션에는 서비스 제공자의 상호 작용이 성공적으로 참여해야 하며; 서비스 제공자에게는 적어도 또 다른 기술 레벨이 배정되고; 서비스 제공자 플랫폼은 적어도 하나의 지능적 알고리즘을 구동하도록 고안된 매칭 유닛을 구비하며; 자동적으로 또는 요청시에 적어도 하나의 지능적 알고리즘에서 이용되는 적어도 하나의 및/또는 또 다른 기술 레벨에 기반하여, 적어도 하나의 실행 가능 서비스 태스크(feasible service task)가 매칭 유닛내의 서비스 제공자에게 할당되고; 서비스 제공자 플랫폼은 서비스 제공자 프로파일 데이터베이스를 더 구비하며; 다수의 연관된 서비스 제공자 데이터를 가진 서비스 제공자는, 자동적으로 또는 요청시에, 그 서비스 제공자 프로파일 데이터베이스에 등록된다. 현재 서비스 제공자 플랫폼의 하이라이트는 자기-검사 및 자동적 개선에 나타난다. 서비스 제공자 플랫폼의 일부가 되고자 하는 각 서비스 제공자는 그들 자신의 입력 데이터를 입력 데이터베이스로 전달하도록 요청받는데, 이 입력 데이터는 평가 유닛에 의해 검문(challenge)된다. 후속적으로, 서비스 제공자는 "궁극적으로" 또 다른 기술 레벨에 도달하기 위해 및 그에 기반하여 적어도 하나의 할당된 서비스 태스크에 도달하기 위해 훈련 세션에 참여해야 한다. 새로운 서비스 제공자 플랫폼에는, 그 자신을 자동적으로 개선하면서 전체 서비스 제공자 플랫폼을 영구적으로 정돈하거나 정화하는 자기-검사 유닛 기능, 자기-모니터링 유닛 기능이 표면적으로 갖추어져 있다.
서비스 제공자가 참여해야 하는 훈련 세션은 양방향 훈련 통신으로 온라인을 통해 진행될 수 있으며, 훈련 세션은 비디오 파일(video file)들 및 오디오 파일(audio file)들 형태의 교재를 구비할 수 있으며, 관련된 장비는 디스플레이, 스피커, 마이크로폰(헤드셋) 및 마우스 포인터를 구비할 수 있다. 그것은, 또한, 원격 전송을 이용한 강의를 수반할 수 있는데, 그 강의는 자동화된 및 개별적으로 컴파일된 훈련 세션의 제시를 위해 채용된 외부 (제3자) 서비스 제공자이다. 물론, 방송에 의한 라이브 강의를 진행하고/하거나 다른 시간대(time zone)에서의 다수의 학생들에 대한 시간 시프트 학습들(time-shifted studies)을 위한 강의의 기록들을 제공할 수 있는 사내 강사도 가능하다. 서비스 제공자 플랫폼 시스템에 속하는 서비스 제공자들은 다른 기술 영역일 수 있으며, 예를 들어, 다른 지위를 차지할 수있는 바, 하나의 기술 영역에 대해, 서비스 제공자는 강사로서 활동하고, 다른 기술 영역에서는 서비스 제공자가 학생 상태일 수 있으며, 또 다른 기술 영역에서는 동일 서비스 제공자가 이도 저도 아니고, 단지 구매자의 주문에 따라 서비스 태스크들을 수행하는 서비스 제공자로서 활동할 수 있다.
구매자는 서비스 태스크 주문 인터페이스를 통해 서비스 태스크를 주문하고, 이 서비스 태스크의 완료 후에는, 서비스 제공자 플랫폼 시스템에 피드백 데이터를 전송하는데, 수반된 서비스 제공자는 그 피드백 데이터에 대해 재평가되며, 특히 중요한 것은, 등급 유닛(rating unit)이, 서비스 제공자 데이터를 자동적으로 증가시키고/시키거나, 서비스 제공자의 자동화된 재-평가에 기반하여 적어도 제2의 자동적으로 및 개별적으로 컴파일된 훈련 세션에 서비스 제공자가 참여하도록 요청하는, 서비스 제공자의 자동화된 재-평가를 위한 평가 유닛에 대한 피드백 접속을 가진다는 것이며, 이때, 이러한 적어도 제2의 자동적으로 및 개별적으로 컴파일된 훈련 세션에는 서비스 제공자의 상호 작용이 성공적으로 참여해야 하며, 또 다른 기술 레벨은 서비스 제공자에게 배정되고, 이러한 또 다른 기술 레벨은 서비스 제공자 프로파일 데이터베이스내의 연관된 서비스 제공자 데이터를 자동적으로 증가시킨다.
다른 실시 예 변형에 있어서, 디지털 플랫폼과 적어도 하나의 서비스 제공자 플랫폼들은, 에지 컴퓨팅(edge computing)을 이용하여 분산 네트워크로서 구조화되며, 거기에서, 서비스 제공자는 제공자들에게 별도로 배포되는 에지 서버들(edge servers)로서 구현된다. 한가지 장점은, 실시 예 변형이, 데이터의 실시간 프로세싱과 함께 요청 또는 쉘 통신에 보다 가까운 저 지연(low latency)을 전달할 수 있다는 것이다. 디지털 플랫폼은 빅 데이터를 운영하는 반면, 에지 컴퓨팅 구조는 디지털 네트워킹 플랫폼에 대해 평가된 동작 유닛 및/또는 배포 유닛들과 연관된 센서들에 의해 생성되는 실시간 데이터인 "인스턴트 데이터(instant data)"를 운영한다. 예를 들어, 센서들 또는 측정 디바이스들은 경도 또는 위도 측정 파라메타들로서의 지리적 위치 파라메타들 또는 하나 이상의 동작 유닛의 동작 시간 파라메타들 등을 포획할 수 있다. 추가적인 측정 파라메타들에 기반하여, 디지털 플랫폼은 특정 프로젝트에 대한 동작 유닛들 및/또는 배포 유닛들간의 제공된 또는 선택 가능한 쉘 통신들, 즉, 보안 클라우드-기반 네트워크들에 대한 추가적인 선택성을 제공할 수 있다.
또한, 디지털 플랫폼은, 예를 들어, 동작 유닛들 및/또는 배포 유닛들에 있는 원격 동기화 고객을 통해 쉘 아이콘 통신(shell icon communication)을 제공할 수 있는데, 쉘 아이콘 통신은 클라우드-기반 디지털 플랫폼상에 호스팅된 프로젝트들의 상태 또는 다른 파라메타들과 관련된다. 클라우드-기반 협업 디지털 플랫폼에서의 대응하는 호스트 서버 애플리케이션은 디지털 플랫폼을 통해 제공했던 프로젝트들과 함께 동작 유닛들 및/또는 배포 유닛들(또는 동작 유닛들 및/또는 배포 유닛들과 연관되어 구동하는 디바이스들)에 있는 원격 동기화 고객을 점증적으로 갱신할 수 있다. 클라우드-기반 협업 및 클라우드 저장 서버를 구비한 디지털 플랫폼은 디지털 플랫폼을 통해 발생했던 이벤트들과 함께 동작 유닛들 및/또는 배포 유닛들에 있는 원격 동기화 고객 및/또는 액세스 툴(access tool)들을 점증적으로 갱신할 수 있다. 동작 유닛들 및/또는 배포 유닛들은, 동작 유닛들 및/또는 배포 유닛들과 연관된 측정 디바이스와 센서들 및/또는 디지털 플랫폼상의 통지 서버 애플리케이션 및/또는 호스트 서버와 같은 다른 시스템들, 서버 및/또는 또다른 다른 디바이스와의 유선, 무선, 셀룰러 접속을 포함하는, 디지털 플랫폼에 대한 통신 또는 접속을 수립하기 위하여, 임의 디지털 네트워킹-지원 시스템 및/또는 디바이스 및/또는 그들의 임의 조합을 구비할 수 있다. 수신되거나 검출된 신호들은, 예를 들어, 웹-기반 협업 환경 또는 온라인 협업 플랫폼을 제공하는 디지털 플랫폼을 통해 프로젝트를 액세스하는 프로젝트 협업자들로서 동작 유닛들 및/또는 배포 유닛 활동들을 나타낼 수 있다. 또한, 디지털 플랫폼 및/또는 동작 유닛들 및/또는 배포 유닛들과 그의 데이터베이스 시스템들은, 침입자가 디지털 플랫폼 및/또는 동작 유닛들 및/또는 배포 유닛들에 대해 낮은 레벨의 명령들을 실행할 수 있게 하는 역 보안 쉘 접속(reverse secure shell connection)을 통한 미인가된 사용자 또는 시스템에 의한 침입에 취약할 수 있다. 역 쉘 접속은 디지털 플랫폼의 네트워크와 외부 네트워크간의 패킷 데이터 트래픽을 모니터링하고 점검함에 의해 검출될 수 있다. 그러한 프로세스에서는, 예를 들어, 디지털 플랫폼의 네트워크 내부에서 기원하는 일반 쉘 세션을 검출한 후, 사전 결정된 트래픽 패턴과 연관된 모니터링된 패킷들의 시퀀스의 전송 방향 및 페이로드 크기들을 분석함에 의해, 초기 쉘 검출을 이용하는 역 쉘 접속이 검출될 수 있다. 예를 들어, 디지털 플랫폼 및/또는 동작 유닛들 및/또는 배포 유닛들과 같은, 수반된 서로 다른 시스템들에 대해 특정 패턴이 선택될 수 있다.
본 발명은 예시들에 의거하여 및 도면들을 참조하여 이하에서 보다 상세하게 설명될 것이다.
도 1 및 도 2는, 각각, 레벨 1 태스크들(1111,1112,...,111i)에 초점을 둔 채 제출된 프로젝트(101,102,...,10i)에 대한 디지털 네트워킹 플랫폼(1)에 의한 동적 태스크 할당 및/또는 배치를 개략적으로 도시한 도면으로서, 태스크들(1111,1112,...,111i)은 2 이상의 레벨들(본 명세서에서는 3 레벨들)의 태스크들(1111,1112,...,111i)로 그룹화된다.
도 3은 배포 유닛들(31,32,...3i)에 대한 보증 프로세스를 개략적으로 도시한 도면이다.
도 4는 태스크들(1111,1112,...,111i)을 수반한 제출된 프로젝트(101,102,...,10i) 요청들에 대한 디지털 네트워킹 플랫폼(1)에 의한 동적 태스크 할당 프로세스를 개략적으로 도시한 도면이다.
도 5는 네트워크(4)를 통한 네트워크-지원 디바이스 액세싱(accessing)을 가진 유닛들(2/3)간에 피제어 프로세스-주도 네트워킹 상호 작용 및 프로젝트(101,102,...,10i) 개발을 제공하는 디지털 네트워킹 플랫폼(1)을 개략적으로 도시한 블럭도로서, 각 프로젝트(101,102,...,10i)는 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 구비된 하나 이상의 유닛들(2/3)과의 배정 관계(1011,1021,...,102i)를 가지며, 각각의 배정 관계는 적어도 2개의 유닛들(2/3)과 프로젝트(101,102,...,10i)간의 정의된 관계(1011,1021,...,102i)를 제공한다.
도 6은 서비스 제공자 인터페이스(1.2)를 통해 적어도 하나의 서비스 제공자(1.21,1.22,1.23)로부터의 요청된 및/또는 수신된 입력 데이터(1.31,1.32,1.33)를 수집 및 저장하도록 고안된 입력 데이터 베이스(1.3)에 접속된 서비스 제공자 인터페이스(1.2)와 서비스 태스크 데이터베이스(1.1)를 구비한 디지털 서비스 제공자 플랫폼(1)으로서 구현되는 디지털 네트워킹 플랫폼(1)을 개략적으로 도시한 블럭도로서, 상기 입력 데이터(1.31,1.32,1.33)는, 서비스 제공자(1.21,1.22,1.23)에게 적어도 하나의 기술 레벨(2.11,2.12,2.13)을 배정하도록, 평가 유닛(2.1)에서 분석된다.
도 7은 보안 클라우드-기반 네트워크들(51 및 5)상에 네트워크-지원 디바이스들(2i2/3i2)을 가진 배포 유닛들(31,32,...,3i)과 동작 유닛(21)간에 피제어 프로세스-주도 네트워킹 상호 작용 및 프로젝트(101,102,...,10i) 개발을 제공하는 디지털 네트워킹 플랫폼(1)을 개략적으로 도시한 도면이다. 각 유닛(2i/3i)은, 디지털 교차-네트워크 플랫폼(1) 및 보안 클라우드-기반 네트워크(5)에 대한 인증 및 인가 피제어 네트워크 액세스(141)를 위한 배정된 인증 및 인가 자격증들을 가진, 디지털 네트워킹 플랫폼(1)내의 유닛 계정(162/163)을 가진다. 각 프로젝트(101,102,...,10i)는 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 구비된 하나 이상의 유닛들(2/3)과의 배정 관계(1121,1122,...,112i)를 가지며, 각각의 배정 관계(1121,1122,...,112i)는 동작 유닛(21), 하나 이상의 배포 유닛들(31,32,...,3i) 및 프로젝트(101,102,...,10i)간에 정의된 관계를 제공한다.
도 8 및 도 9는, 프로젝트(101,102,...,10i)의 디지털 복제를 생성 및 저장하는 디지털 네트워킹 플랫폼(1)을 개략적으로 도시한 도면으로서, 프로젝트(101,102,...,10i)의 트윈형 물리적 복제(twinned physical replica)와 연관된 적어도 하나의 센서에 의해, 실세계 프로젝트(101,102,...,10i)의 구조적, 운영 및/또는 환경적 상태 파라메타들(10ii)이 측정되며, 모니터링되어 디지털 플랫폼(1)에 전송되며, 디지털 복제는 전송된 파라메타 값들에 기반하여 동적으로 갱신되고, 프로젝트(101,102,...,10i)의 장래 개발을 위한 파라메타 값들의 예측적인 시계열(times series)이 생성된다.
도 1 및 도 2는, 각각, 레벨 1 태스크들(1111,1112,...,111i)에 초점을 둔 채 제출된 프로젝트(101,102,...,10i)에 대한 디지털 네트워킹 플랫폼(1)에 의한 동적 태스크 할당 및/또는 배치를 개략적으로 도시한 도면으로서, 태스크들(1111,1112,...,111i)은 2 이상의 레벨들(본 명세서에서는 3 레벨들)의 태스크들(1111,1112,...,111i)로 그룹화된다.
도 3은 배포 유닛들(31,32,...3i)에 대한 보증 프로세스를 개략적으로 도시한 도면이다.
도 4는 태스크들(1111,1112,...,111i)을 수반한 제출된 프로젝트(101,102,...,10i) 요청들에 대한 디지털 네트워킹 플랫폼(1)에 의한 동적 태스크 할당 프로세스를 개략적으로 도시한 도면이다.
도 5는 네트워크(4)를 통한 네트워크-지원 디바이스 액세싱(accessing)을 가진 유닛들(2/3)간에 피제어 프로세스-주도 네트워킹 상호 작용 및 프로젝트(101,102,...,10i) 개발을 제공하는 디지털 네트워킹 플랫폼(1)을 개략적으로 도시한 블럭도로서, 각 프로젝트(101,102,...,10i)는 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 구비된 하나 이상의 유닛들(2/3)과의 배정 관계(1011,1021,...,102i)를 가지며, 각각의 배정 관계는 적어도 2개의 유닛들(2/3)과 프로젝트(101,102,...,10i)간의 정의된 관계(1011,1021,...,102i)를 제공한다.
도 6은 서비스 제공자 인터페이스(1.2)를 통해 적어도 하나의 서비스 제공자(1.21,1.22,1.23)로부터의 요청된 및/또는 수신된 입력 데이터(1.31,1.32,1.33)를 수집 및 저장하도록 고안된 입력 데이터 베이스(1.3)에 접속된 서비스 제공자 인터페이스(1.2)와 서비스 태스크 데이터베이스(1.1)를 구비한 디지털 서비스 제공자 플랫폼(1)으로서 구현되는 디지털 네트워킹 플랫폼(1)을 개략적으로 도시한 블럭도로서, 상기 입력 데이터(1.31,1.32,1.33)는, 서비스 제공자(1.21,1.22,1.23)에게 적어도 하나의 기술 레벨(2.11,2.12,2.13)을 배정하도록, 평가 유닛(2.1)에서 분석된다.
도 7은 보안 클라우드-기반 네트워크들(51 및 5)상에 네트워크-지원 디바이스들(2i2/3i2)을 가진 배포 유닛들(31,32,...,3i)과 동작 유닛(21)간에 피제어 프로세스-주도 네트워킹 상호 작용 및 프로젝트(101,102,...,10i) 개발을 제공하는 디지털 네트워킹 플랫폼(1)을 개략적으로 도시한 도면이다. 각 유닛(2i/3i)은, 디지털 교차-네트워크 플랫폼(1) 및 보안 클라우드-기반 네트워크(5)에 대한 인증 및 인가 피제어 네트워크 액세스(141)를 위한 배정된 인증 및 인가 자격증들을 가진, 디지털 네트워킹 플랫폼(1)내의 유닛 계정(162/163)을 가진다. 각 프로젝트(101,102,...,10i)는 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 구비된 하나 이상의 유닛들(2/3)과의 배정 관계(1121,1122,...,112i)를 가지며, 각각의 배정 관계(1121,1122,...,112i)는 동작 유닛(21), 하나 이상의 배포 유닛들(31,32,...,3i) 및 프로젝트(101,102,...,10i)간에 정의된 관계를 제공한다.
도 8 및 도 9는, 프로젝트(101,102,...,10i)의 디지털 복제를 생성 및 저장하는 디지털 네트워킹 플랫폼(1)을 개략적으로 도시한 도면으로서, 프로젝트(101,102,...,10i)의 트윈형 물리적 복제(twinned physical replica)와 연관된 적어도 하나의 센서에 의해, 실세계 프로젝트(101,102,...,10i)의 구조적, 운영 및/또는 환경적 상태 파라메타들(10ii)이 측정되며, 모니터링되어 디지털 플랫폼(1)에 전송되며, 디지털 복제는 전송된 파라메타 값들에 기반하여 동적으로 갱신되고, 프로젝트(101,102,...,10i)의 장래 개발을 위한 파라메타 값들의 예측적인 시계열(times series)이 생성된다.
이하의 설명 및 도면들은 예시적인 것으로, 제한으로서 이해되어서는 안된다. 본 개시의 전반적인 이해를 제공하기 위해 많은 특정한 세부 설명이 기술된다. 그러나, 특정 예시들에서는, 설명의 모호성을 피하기 위해 잘 알려지거나 통상적인 세부 설명이 기술되지 않는다. 본 개시에 있어서의 하나의 실시 예에 대한 언급은, 필수적인 것은 아니지만, 동일 실시 예에 대한 언급일 수 있으며, 그러한 언급은 실시 예들 중 적어도 하나의 실시 예를 의미한다. 본 명세서에 있어서 "일 실시 예" 또는 "실시 예"에 대한 언급은, 그 실시 예와 관련하여 설명된 특정 피처, 구조 또는 특성이 본 개시의 적어도 하나의 실시 예에 포함됨을 의미한다. 명세서의 다양한 위치에 "일 실시 예에 있어서"란 문구가 나타나면, 그 모두가 동일 실시 예를 지칭하는 것은 아니며, 다른 실시 예들을 서로 제외한 개별적인 또는 대안적인 실시 예를 나타낸 것도 아니다. 또한, 다른 것들이 아닌 일부 실시 예들에 의해 나타난 여러 피처들이 기술된다. 유사하게, 다른 실시 예들이 아닌 일부 실시 예들에 대한 요건일 수 있는 다양한 요건들이 기술된다. 본 명세서에서 이용되는 용어들은, 일반적으로, 본 개시의 문맥내에서 및 각 용어가 이용되는 특정 문맥내에서 당해 기술 분야의 통상적인 의미를 가진다. 본 개시를 기술하는데 이용되는 특정 용어들은 본 개시의 기술에 관하여 본 기술 분야의 숙련자에게 추가적인 안내를 제공하기 위해 이하에서 논의되고 명세서의 다른 곳에서 논의된다. 편의상, 특정 용어들은, 예를 들어, 이탤릭체 및/또는 인용 부호들을 이용하여 강조될 수 있다. 강조의 이용은 용어의 범주 및 의미에 영향을 미치지 않으며, 용어의 범주 및 의미는 그것이 강조되든 말든, 동일 문맥내에서는 동일하다. 동일한 것이 2 이상의 방식으로 언급될 수 있음을 알아야 한다. 결론적으로, 본 명세서에 논의된 용어들 중 임의 하나 이상의 용어에 대해 대안적인 언어 및 동의어가 이용될 수 있으며, 용어가 본 명세서에서 상세히 설명되거나 논의되는 것과 무관하게 임의 특정 중요성이 부여되는 것도 아니다. 특정 용어에 대한 동의어들이 제공된다. 하나 이상의 동의어들의 언급이 다른 동의어의 이용을 배제하는 것은 아니다. 본 명세서에서 논의된 임의 용어들의 예시를 포함하는 본 명세서에 있어서의 예시들의 이용은 단지, 예시적인 것으로, 임의 예시된 용어 또는 본 개시의 범주 및 의미를 제한하기 위한 것이 아니다. 유사하게, 본 개시는 본 명세서에 주어진 다양한 실시 예에 제한되지 않는다.
바람직한 실시 예의 설명
도 1 내지 7은 동작 유닛들(2)과 배포 유닛들(3)간에 피제어 프로젝트-주도 네트워킹 상호 작용을 제공하는 디지털 네트워킹 플랫폼(1)의 실시 예의 가능한 구현에 대한 아키텍처를 개략적으로 도시한다. 구조적으로, 본 발명은, 가변하는 지리적 위치와 서로 다른 경계 조건 배경으로부터 및 서로 다른 머신상의 서로 다른 네트워크들, 서로 다른 조직들로부터의 전용 태스크들(1111,1112,...,111i)에 대한 서로 다른 기술들을 가진 서로 다른 레벨 유닛들(31,32,...,3i)을 포함하도록 새로운 기술적 기법내로 종래 기술의 보안 협업 네트워크를 확장한다. 따라서, 본 발명은, 유닛들/사용자들(2.3)이, 피어-리뷰 태스크들(peer-reviewed tasks) 및 대응하는 보증된 배포 유닛들에 기반하여 보안 접속을 통해 기업과 지리적 경계들에 걸쳐서 비밀 정보를 안전하게 교환 및 배정하고, 배포 유닛들(3)에 의해 실행될 배정된 태스크들을 가진 프로젝트 개발 프로세스를 생성 및 제출할 수 있게 한다. 동작 유닛들(2)과 배포 유닛들(3)은 데이터 전송 네트워크(4)를 통해 네트워크-지원 디바이스들(2i2/3i2)에 의해 디지털 네트워킹 플랫폼(1)을 평가한다.
디지털 플랫폼(1)의 물리적 하드웨어의 가능한 실시 예로서, 디지털 플랫폼(1)은 보안 데이터 전송 네트워크 인터페이스(18)를 통해 데이터 전송 네트워크(4)에 접속될 수 있는 웹 서버(17)와, 방화벽(171)을 구비한다. 방화벽(171)은, 라우터(router)(172)를 통해, 데이터 전송 네트워크(4), 특히, 월드와이드 백본 네트워크 인터넷(worldwide backbone network internet, 41)에 접속된다. 인가된 유닛들(2/3)은 데이터 전송 네트워크(4)를 통한 보안 접속을 통해, 웹 서버(17)를 통해 액세스할 수 있는 프로젝트 데이터베이스로서의 영구 저장(10)에 저장된 프로젝트들(101,102,...,10i)을 제출 및/또는 수정 및/또는 액세스할 수 있다. 영구 저장(10)은 보다 많은 프로젝트들(101,102,...,10i)을 유지하는 분산된(예를 들어, 국제적인) 네트워킹 협업을 위해 이용될 수 있으며, 백본 인터넷 네트워크(40)를 통하는 프로젝트 회사내의 보안 협업 환경은 디지털 플랫폼(1)에 의해 제공된다. 인가된 유닛들(2/3)은 디지털 플랫폼(10)상에 등록되고 인가된 계정들을 가진 유닛들이다. 인가된 유닛들(2/3)은, 예를 들어, 데스크탑 또는 랩탑 컴퓨터들, PDA(Personal Digital Assistants)(예를 들어, iPad 등), 웹-지원 셀룰러 및/또는 디지털 전화기 및 다른 웹-지원 또는 데이터 전송 네트워크(4) 지원 디바이스들을 포함하는 임의 웹-지원 디바이스를 이용하여 디지털 플랫폼(1)을 액세스할 수 있다. 여기에서, "웹-지원 디바이스"는 인터넷 브라우저(internet browser)를 이용하여 인터넷을 검색할 수 있는 디바이스들을 의미하고, "네트워크-지원 디바이스"는, 일반적으로, 데이터 전송 네트워크(4)를 통해 디지털 플랫폼(10)에 대한 액세스를 허용하는 디바이스를 지칭한다. 또한, 디지털 플랫폼(1)은, 예를 들어, 동작 유닛(2)과 배포 유닛(3) 사이와 같은, 디지털 플랫폼(1)의 서로 다른 사용자들(2/3)들 간의 상호 작용을 도모하는 전문성 향상(professional enhancements)을 이용하여 유닛(2/3) 계정(162/163)을 보조하는 모듈들인, 자동화된 생산성 툴(automated productivity tool)들을 구비할 수 있다. 실시 예에 있어서, 디지털 플랫폼(1)의 네트워크 서버는 보안 서버로서 구현된다. 이 경우, "보안 서버"는, 예를 들어, 인터넷을 통해, 서버를 인증하고 보안 트랜잭션(secure transaction)들을 제공하기 위한 목적으로, 디지털 보증 기관에 등록되는 서버를 지칭할 수 있다. 인터넷(4)을 통한 보안 데이터 전송은 보안 네트워크(51,52,...,5i)를 보장하기 위해 적절한 암호화/암호 해제 프로세스들을 추가로 구비할 수 있다. 요약하면, 디지털 교차-네트워크 플랫폼(1)의 네트워크 인터페이스들은, 예를 들어, 웹 인터페이스들 일 수 있으며, 네트워크-지원 디바이스들은, 웹-지원 디바이스일 수 있고, 디지털 네트워킹 플랫폼(1)은 프로젝트들(101,102,...,10i)와의 인터페이스를 위한 선택 가능한 생산성 툴들을 구비한다. 추가로, 웹 인터페이스로부터 액세스될 수 있는 생산성 툴들은, 본 명세서에서 기술한 바와 같이, 태스크 관리자 모듈(143), 협업 모듈(144) 및 문서 관리 모듈(145)을 추가로 구비할 수 있다.
각 유닛(2/3)은 디지털-교차 네트워크 플랫폼(1) 및 보안 클라우드-기반 네트워크(5)에 대한 인증 및 인가 피제어 네트워크 액세스(5)를 위한 배정된 인증 및 인가 자격증들을 가진, 디지털 네트워킹 플랫폼(1)상의 유닛 또는 사용자 계정(162/163i)을 가진다. 인증 및 인가 자격증들은, 예를 들어, 적어도 보안 데이터베이스에 있어서 사용자 이름 및 비밀번호를 구비할 수 있다. 그러나, 생체-기반 인증 및 인가와 같은, 다른 인증 및 인가 변형(authentication and authorization variants)도 생각될 수 있다. 특히, 네트워크-지원 디바이스들(2i2/3i2) 및 디지털 플랫폼은, 예를 들어, LAN, WLAN(Wireless Local Area Network), Bluetooth, GSM(Global System for Mobile Communication), GPRS(Generalized Packet Radio Service), USSD(Unstructured Supplementary Services Data), UMTS(Universal Mobile Telecommunications System) 및/또는 이더넷 또는 다른 유선 LAN(Local Area Network) 등에 대한 인터페이스와 같은, 물리적 네트워크 인터페이스들(2i21/3i21/18)을 구비하는 데이터 전송 네트워크(4)의 네트워크 노드들로서 구현될 수 있다. 참조 번호 4는 IEEE 802.11 또는 다른 표준들에 기반할 수 있거나, 예를 들어, 지붕 덮힌 영역(roofed-over area)들에 설치하기 위한 블루투스 네트워크, GSM 및/또는 UMTS 및/또는 LTE(Long Term Evolution; 3.9G라고도 함) 등을 가진 이동 무선 네트워크, IEEE wireless 802.1x에 기반한 무선 LAN 또는 유선 LAN, 즉, 로컬 고정 네트워크(local fixed network), 특히 PSTN(Public Switched Telephone Network) 들과 같은, 서로 다른 이종 네트워크들을 구비할 수 있다. 네워크 노드들(1/2/3)의 인터페이스들(2i21/3i21/18)은 이더넷 또는 토큰링(Token Ring)과 같은 네트워크 프로토콜들에 의해 직접 이용되는 것들과 같은, 패킷-교환 인터페이스일 수 있으며, PPP(Point to Point Protocol, IETF RFC 참조), SLIP(Serial Line Internet Protocol), GPRS(Generalized Packet Radio Service), TCP/IP(Transmission Control Protocol/Internet Protocol)과 같은, 프로토콜들과 함께 이용될 수 있는 회로 교환 인터페이스들 일 수도 있다. 즉, 이 인터페이스들은, 예를 들어, MAC 또는 DLC 어드레스와 같은 네트워크 어드레스를 가지지 않는다. 이전에 부분적으로 언급한 바와 같이, 통신은, 예를 들어, SMS(Short Message Services), EMS(Enhanced Message Services)와 같은, 특정 단문 메시지들을 이용하여 LAN을 통해, 예를 들어, USSD(Unstructured Supplementary Services Data)와 같은 시그널링 채널(signalling channel) 또는 MExE(Mobile Execution Envirement), GPRS(Generalized Packet Radio Service), WAP(Wireless Application Protocol), UMTS(Univeral Mobile Telecommunication System)와 같은 다른 기술들을 통해, IEEE wireless 802.1x를 통해 또는 또 다른 디지털 정보 채널을 통해 이루어질 수 있다.
각 유닛(2/3)은, 디지털 교차-네트워크 플랫폼(1)에 의해 제공되는 보안 클라우드-기반 네트워크들(5/51,52,...,5i)에 대한 피제어 네트워크 액세스(5i1)를 위한 연관된 인증 및 인가 자격증들을 가진, 디지털 네트워킹 플랫폼(1)의 통신 데이터베이스(161)에 배정된 유닛 계정(1621/1631)을 가진다. 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 유지되는 프로젝트들(101,102,...,10i)은, 특정 동작 유닛(2i), 하나 이상의 배포 유닛들(3i) 및 프로젝트 태스크(101,102,...,10i)간의 적어도 하나의 배정 관계(10i1)를 구비한다.
디지털 네트워킹 플랫폼(1)은, 네트워크-지원 디바이스들(2i2/3i2)에 의해 데이터 전송 네트워크(4)를 통해 동작 유닛들(21,22,...,2i)과 배포 유닛들(31,32,...,3i)에게, 보안 클라우드-기반 네트워크들(5/51,52,...,5i)에 대한 네트워크 액세스를 제공하는 디지털 플랫폼(1)의 네트워크 인터페이스(18)를 구비한다. 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 유지되는 프로젝트(101,102,...,10i)는, 배정 관계(10i1)에 따라 다른 유닛들(2/3)과의 프로젝트 데이터(10ii)의 공유와, 프로젝트(101,102,...,10i)와 연관된 프로젝트 데이터(10ii)에 업로드 및 다운로드 액세스를 제공하는, 전용 보안 네트워크(51,52,...,5i)를 통해 배정된 유닛들(2/3)에 대해서만 액세스될 수 있다.
디지털 네트워킹 플랫폼(1)은 새로운 프로젝트(101,102,...,10i)를 요청하는 동작 유닛(2)의 프로젝트 제출(10i2)로부터 프로젝트 데이터(10ii)를 추출하는 프로젝트 관리자 모듈(14)을 구비한다. 새로운 프로젝트(101,102,...,10i)는 프로젝트 제출 데이터(10i2)에 기반하여 프로젝트 관리자 모듈(14)의 프로젝트 분석기(142)에 의해 생성되며, 관련된 프로젝트 데이터(10ii)는 영구 저장(10)에 저장된다. 제출 데이터(10i2)는, 예를 들어, 동작 유닛(21,...,2i)에서 디지털 네트워킹 플랫폼(1)으로 동작 유닛 액세스 인터페이스(12)에 의해 제출될 수 있으며, 대응하는 프로젝트(101,102,...,10i)는 제출 분석기 모듈(122)에 의해 생성되어 영구 저장(10)에 할당된다. 프로젝트(101,102,...,10i)에 대한 유닛들(2/3)간의 관계는 개별적으로 정의되고, 특정 배포 유닛(3)에 배정된 보증 특성들에 기반하여 정의되며, 그에 따라, 유닛들(2/3)의 각 페어(pair)는 정의된 관계를 가진다. 각각의 관계는 예를 들어, 특정 태스크에 대한 보증된 기술자, 엔지니어 또는 수리공과 같은 배포 유닛(3), 동작 유닛(2) 등과 같은, 2 사용자들간에 계층적 또는 동등한 관계를 수립한다. 유닛(2/3) 관계(10i1)들에 따라 디지털 플랫폼(1)을 구축함으로써, 필수적으로, 그 관계의 구조에 의해 보안 네트워크 구조(들)(5)이 제공된다. 많은 사용자들을 가진 단일 네트워크 대신에, 디지털 플랫폼(1)은 적절한 네트워크 노드들로서 유닛들(2/3)의 실세계 네트워크들(5)에 필적하는, 다수의 사용자-중심 네트워크(user-centric network)들(5/15,52,...,5i)을 정의한다. 보증을 위해, 디지털 네트워킹 플랫폼(1)은, 예를 들어, 태스크 보증 데이터 저장소(151)와 보증 평가 모듈(152)을 가진 보증 등록기(15)를 구비할 수 있으며, 태스크 보증 데이터 저장소(151)는 태스크 데이터베이스(111)의 각 태스크(1111,1112,...,111i)에 대해, 배포 유닛들(3)에 액세스할 수 있는 태스크 보증들(1511,1512,...,151i)을 유지하고, 보증 평가 모듈(152)은, 예를 들어, 태스크 데이터베이스(111)의 각 태스크(1111,1112,...,111i)에 대해, 배포 유닛(31,32,...,3i)에 대한 태스크 보증(1511,1512,...,151i)을 승인하기 위한 배정된 보증 평가 프로세스를 구비한다. 태스크 보증(1511,1512,...,151i)의 승인시, 특정 태스크에 대해, 상기 배포 유닛들(31,32,...,3i)에 대응하는 보증된 태스크 승인(certified task accreditation)(1632)이 배정된다.
디지털 네트워킹 플랫폼(1)은 프로젝트 제출 데이터(10i2)에 기반하여 태스크 데이터베이스(111)로부터 배포 유닛(3)에 의해 실행될 하나 이상의 태스크들(111i)을 선택하는 태스크 선택기(11)와, 특정 배포 유닛(3)에 의해 실행될 수 있는 보증된 기술들(3i1)을 나타내는 배포 유닛(3)의 보증된 기술 승인 데이터(1632)에 기반하여 하나 이상의 배포 유닛들(3)을 선택하는 태스크 관리자 모듈(143)을 구비한다. 선택된 태스크(111i)는 새로운 프로젝트(101,102,...,10i)와 연관된 관계(10i1)를 제공하는 선택된 적어도 하나의 배포 유닛(3)에 배정된다. 태스크 선택기(11)는, 예를 들어, 머신-기반 매칭 구조(112)를 구비할 수 있으며, 머신-기반 매칭 구조(112)에 의해, 프로젝트(10i)와 연관된 특정 태스크(111i)를 수행하기 위해 적절한 기술 보증들(1511,1512,...,151i)이 결정된다. 예를 들어, 필수적인, 결정된 기술 보증들(1511,1512,...,151i)과, 적어도 제출 데이터(1211,...,121i)의 동작 유닛(21,22,...,2i)의 위치와 이용 가능 배치 유닛(31,32,...,3i)의 위치를 구비하는 추가적인 트리거 기준에 기반하여 적어도 하나의 배포 유닛(31,32,...,3i)이 결정될 수 있다. 실시 예 변형으로서, 배포 유닛(31,32,...,3i)을 선택하기 위해, 선택된 태스크(111i)를 실행하도록 머신-기반 매칭 구조(112)에 의해 의무적 및 선택적 기술들(1511,1512,...,151i)이 결정될 수 있다. 의무적 기술들(1511,1512,...,151i)은 선택된 태스크(111i)를 완료하는데 필요하다. 선택적 기술들(1511,1512,...,151i)은, 적어도, 말하기 언어 파라메타 및/또는, 추가적인 서비스들 또는 장비를 나타내는 추가적인 기술 파라메타들을 구비할 수 있다. 배포 유닛(31,32,...3i)은, 예를 들어, 머신-기반 매칭 구조와 매칭기(matcher, 112)에 의해 의무적 기술들(1511,1512,...,151i)에 대해 필터링될 수 있다. 역으로, 머신-기반 매칭 구조(112)에 의해, 선택적 기술들(1511,1512,...,151i)에 대해 스코어링 구조가 적용될 수 있으며, 배포 유닛(31,32,...,3i)에 대해 보다 높은 스코어가 트리거되면, 머신-기반 매칭 구조(112)에 의해 그 배포 유닛(31,32,...,3i)이 선택될 가능성이 높아진다. 스코어링은, 예를 들어, 최선 기술 배칭에 기반할 수 있다. 대안적으로 또는 추가적으로, 스코어링은, 배포 유닛(31,32,...,3i)의 가격 책정 파라메타 값(pricing parameter value) 및/또는 비용 파라메타 값 및/또는 출장 시간 또는 지리적 거리 파라메타 값을 고려한 최고 마진 매칭(highest margin matching)에 기반할 수 있다. 추가적으로 또는 대안적으로, 스코어링은, 예를 들어, 플랫폼(1)을 이용하여 태스크를 거의 처리하지 않거나 아예 처리하지 않았던, 배포 유닛들에 보다 높은 스코어를 제공하는, 플랫폼 성장에 최선인 구조(best-for-platform-growth structure)에 기반할 수 있다. 머신-기반 매칭 구조(112)는, 예를 들어, 하나 이상의 인공 지능-기반 학습 구조(AI), 특히, 머신-기반 학습 구조(learning structure: ML)를 구비할 수 있다. 머신-기반 학습 구조(ML)는, 예를 들어, 언덕 등반(hill climbing), 유전적(genetic) 또는 진화 머신-기반 학습 구조, 또는 다른 AI-기반 구조들을 구비할 수 있다. 일단 동작 유닛/고객(2)이 서비스를 주문하고, 프로젝트 요청을 제출했으면, 디지털 플랫폼의 커스텀 비지니스 로직(custom business logic)은 서비스 작업을 완료하는데 필요한 기술이 무엇인지를 알아낸다. 이 기술들은, 동작 유닛/고객(2)의 위치 및 배포 유닛/기술자(3)의 위치와 같은 다른 데이터와 함께 디지털 플랫폼(1)의 매칭기-구조에 피딩된다. 그 다음, 이와 같이 요구된 기술들은 2가지 그룹, 즉, 의무적 기술들 및 선택적 기술들로 분할된다. 통상적으로, 의무적 기술들은 높은 품질로 실제 작업을 완료하는데 필요한 것인 반면, 선택적 기술들은, 동작 유닛(2)을 이용하는 고객의 언어의 유창한 말하기, 동작 유닛/고객(2)이 가지고 있지만, 주문하지 않았던, 추가적인 서비스의 기술 또는 장비이다. 의무적 기술들을 충족하지 못한 배포 유닛/기술자들(3)은 필터링된다. 다른 측면에 대하여, 기술된 스코어링 시스템이 이용된다. 스코어가 높을수록, 작업에 대한 기술자의 관련성이 높거나, 적합성이 더 좋다. 선택적 기술들은, 스코어링 시스템에 있어서 "가외 포인트들" 또는 "보너스 포인트들"로서 취급된다. 매칭기(112)는 다른 등급들을 생성하기 위해 다른 스코어링 알고리즘을 이용할 수 있다. "작업에 대한 최선의 기술자" 매칭(최선의 기술 매칭) 옆에, "최고 마진" 스코어링이 존재하는데, 거기에서는 기술자 및 비용의 가격 책정과 출장 시간이 고려된다. "플랫폼 성장에 대한 최선(best for platform growth)" 알고리즘은, 이론적인 노하우(know-how)를 가지고 있되, 현지에서 실질적으로 그 작업을 결코 한 적이 없는 이 기술자들에 높은 스코어를 준다. 이 알고리즘은, 임의 품질 레벨들을 희생하지 않고도 현장 교육(작업에 대한 학습)을 보장하기 위해 경험많은 기술자들과 초보자들의 균형있는 혼합팀을 생성할 것이다. 이러한 개별적 알고리즘들은, 머신 학습(ML)에 기초하여 또는 언덕 등반(hill climbing), 유전적(genetic) 또는 진화 알고리즘과 같은 수학적 최적화 알고리즘들로서 구현될 수 있다. 그 결과는 그 작업에 대한 그들의 적합성을 가진 기술자들의 하나 이상의 등급들이다. 이것은, 발송기(19)에 건네진다.
변형으로서, 매칭기(112)는 신규한 2중 매칭 구조(novel tow-tier matching structure)를 구비한다. 제 1 단계에 있어서, 주어진 프로젝트-특정 파라메타들의 문맥에서, (GSM-모듈에 의해 제공되는 경도 또는 위도 측정 파라메타들과 같은 지리적 위치 측정 파라메타들, 기술 사양 파라메타들 및/또는 기술 레이트 파라메타들(skill specification parameter and/or skill rate parameters), 동작 유닛들(2)과 연관된 사용자 특정 파라메타(나이, 이동성 등)로서의) 동작 유닛들(2)의 매칭 파라메타들을 클러스터링(clustering)하는데 자율 머신-학습 구조(unsupervised machine-learning structure)가 이용될 수 있다. 그 클러스터들은 인간 숙련자에 의해 수동적으로 또는 이력 데이터에 기초하여 숙련 시스템에 의해 분류될 수 있다. 제 2 단계에 있어서, 매칭기는 위험-완화 수단을 조정하고/하거나 스케줄링(scheduling)하는 것을 허용하는 프로젝트의 개발, 특히, 시간적 개발에 영향을 주는 외부 이벤트들(external events)의 발생 확률 또는 대응하는 자동화된 업무(work) 또는 동작 스케줄링을 가진, 예를 들어, 예측된 시간적 개발을 나타내는, 프로젝트 개발 파라메타들의 예측 생성을 허용하는 지도 학습 구조(supervised learning structure)를 구비한다.
매칭기(112)는 적절한 측정 파라메타들을 측정함에 의해 프로젝트(101,102,...,10i)의 진척(progress)을 모니터링하기 위해 전용 측정 디바이스들 및 센서들을 구비하고, 그들을 액세스할 수 있다. 매칭기(112)는 프로젝트(101,102,...,10i)의 개발의 분석 및 품질 제어를 위한 하나 이상의 디지털 분석 구조들을 구비하도록 구현되고, 예를 들어, 프로세싱동안 최적화된 프로젝트 결과들을 보장하도록 구현될 수 있다. 그러한 모니터링은, 예를 들어, 사전 정의된 프로젝트 목표, 보더 조건 값들 또는 규정(boarder condition values or regulations)들을 준수하기 위해 측정 파라메타들을 트리거하는 것을 구비한다. 이용된 모니터링 및 분석 측정 수단은, 광범위한 기술들, 특히, 예를 들어, 머신-기반 학습(ML)에 의한 적절한 프로젝트(101,102,...,10i) 파라메타 패턴 또는 프로젝트(101,102,...,10i) 및/또는 동작 유닛(2) 파라메타 패턴 인식에 의해 표시된 광학 측정(예를 들어, 카메라, 즉, 광학 센서들, 광원 등), 화학적, 기계적 및 공학적인 동적 적응 및 개선을 구비할 수 있다. AI(Artificial Intelligence)-기반 방법들과 별개로, 획득된 파라메타 값들 및/또는 측정 데이터의 실시간 인식을 위한 다른 원리들이 또한 이용 가능하다.
ML-기반 측정 기술로, 매칭기(112)는, 예를 들어, 포획되고/되거나 측정된 프로젝트(101,102,...,10i) 및/또는 동작 유닛(2) 파라메타 값들을 기반하여 패턴들 및 규칙성들을 식별하기 위해 머신 학습을 이용할 수 있다. 적당한 ML-기반 시스템은, 또한, 미지의 데이터를 평가할 수 있다. 매칭기(112)는, 또한, 특히 새로운 패턴들과 규칙성들의 발견과 관련된, 프로젝트(101,102,...,10i)의 개발내의 새로운 패턴들 및/또는 비정상(anomalies)을 발견하기 위해, "KDD(Knowledge Discovery in Databases)" 및 "DM(Data Mining)과 같을 기술을 이용할 수 있다. 변형으로서, 매칭기(112)는 "머신 학습"을 위한 학습 데이터를 생성 또는 전치 프로세싱하기 위해 "KDD"의 방법들을 이용한다. 다음, 머신 학습으로부터의 기술들은, 예를 들어, 추후 데이터 마이닝(Data Mining)에 적용될 수 있다.
또 다른 변형으로서, 매칭기(112)는, 본 발명의 경우에, 인공 신경 네트워크들을 이용하는 ML-기반 디바이스들의 가능한 학습 변형(possible learning variant)인 딥 러닝(Deep Learning)에 기반한 구조들을 구비한다. 다층 학습이라고도 불리우는 딥 러닝은 적응적으로 지식을 저장할 수 있는 학습 프로세스에 있어서 특정 내부 구조를 형성할 수 있는, 입력층과 출력층들 사이에 많은 은닉층들을 가진 인공 신경 네트워크들(Artificial Neural Networks: ANN)을 이용하는 머신 학습 기술이다. 상술한 기술들을 이용하여, 프로젝트(101,102,...,10i)의 개발내의 파라메타 값 패턴들 및/또는 비정상들은, 예를 들어, 프로젝트(101,102,...,10i) 개발 결함들을 필터링 제거 및 회피하거나, 또는 적어도 그들을 검출하여 대응하는 경고 시그널링을 생성하는데 이용될 수 있다. 상술한 바와 같이, 본 발명은 프로젝트들(101,102,..,10i) 및/또는 동작 유닛들(2) 및/또는 배포 유닛(4)간의 보안 교차-네트워크 협업 및 지능적 매칭을 가능하게 하고, 특히, 프로젝트(101,102,...,10i)에 있는 측정된 측정 파라메타들에 기반하여 프로젝트의 개발에 영향을 주는 위험-이벤트들의 발생 확률의 예측 측정을 허용하는 프로젝트 개발 파라메타들의 예측 생성과, 프로젝트 실시간 개발 및 프로젝트들(01,102,...,10i)의 분석, 모니터링 및 자동화된 품질 제어를 위한 측정 및 분석 기술들에 관련된다.
디지털 네트워킹 플랫폼(1)은 관계(10i1)에서 나타난 동작 유닛(2)과 선택된 배포 유닛(3)에, 새로운 프로젝트(101,102,...,10i)에 대한 액세스를 제공하는 새로운 프로젝트(101,102,...,10i)에 대한 보안 클라우드-기반 네트워크(1/51,52,...,5i)를 생성하는 액세스 제어기(141)를 구비하며, 거기에서, 관계(10i1)는, 유닛들(2/3)의 페어들간에 임의 통신이 허용되기 전에, 유닛들(2/3)의 페어들간에 수립된다.
추가적인 변형으로서, 디지털 네트워킹 플랫폼(1)은, 예를 들어, 선택된 하나 이상의 배포 유닛들(31,32,...,3i) 및/또는 적절한 배포 유닛들과 연관된 하나 이상의 서비스 제공자에게 통지하는 발송기(dispatcher)(19)를 구비할 수 있다. 발송기(19)는, 예를 들어, 적당한 배포 유닛들(31,32,...,3i)에게 특정 태스크(111i)에 대한 액세스를 제공하는 경매 프로세스(auction process)를 구비한다. 가장 높은 스코어를 가진 배포 유닛/기술자(3)가 작업에 대해 실제 이용될 수 있다는 보장이 없기 때문에, 발송기(19)는 태스크/작업(1111,1112,...111i)을 하기 위해 실제 이용할 수 있고 태스크/작업(1111,1112,...,111i)을 수락하는, 가장 높은 스코어 또는 충분히 높은 스코어를 가진 배포 유닛/기술자들(3)을 효율적으로 발견해야 한다. 그러한 디지털 플랫폼(1)이 임의 선택된 배포 유닛/기술자(3)를 직접적으로 또는 일부 경우에 간접적으로 어드레싱(addressing)하는 것을 허용하지 않은 독일과 같은, 일부 국가에 있어서의 법적 제약과 조합하여, 발송기 부품(19)은, 예를 들어, 작업 수락을 조정하기 위해 서비스 회사의 계획자(planner)와 접촉한다. 이 경우, 서비스 회사의 계획자는, 기술적으로, 본 발명에 따른 배포 유닛(3)으로서 작용한다. 이러한 프로세스, 태스크/작업(1111,1112,...,111i)이 특정 가격으로 제시되고, 그 작업을 수락하기 위한 배포 유닛(3)으로서 가장 빠른 서비스 회사가 그 작업을 하게 되는 경매형 프로세스와 같이, 이 프로세스를 효율적으로 실행하기 위해 다른 알고리즘들이 이용될 수 있다. 다른 알고리즘들은, 예를 들어, 태스크/작업(1111,1112,...,111i)을 플랫폼(1)의 새로운 구성원 또는 높은 등급을 가진 구성원에게 우선적으로 제공하거나, 배포의 공정성을 최대화하기 위해 참가자 구성원들, 즉, 배포 유닛들(3)간에 태스크/작업들을 유포하는 것과 같이, 디지털 플랫폼의 서비스 네트워크의 다른 측면들을 최적화할 수 있다.
상술한 바와 같이, 배정 관계(10i1)는, 예를 들어, 유닛 계정들(1621)에 의해 정의된 다수의 동작 유닛들(21,22,...,2i)을 구비하는 제 1 서브 그룹(2)과, 유닛 계정들(1631)에 의해 정의된 다수의 배포 유닛들(31,32,...,3i)을 구비하는 제 2 서브 그룹(3)으로 된 2개의 서브 그룹들(2/3)을 적어도 구비하는 계층적 구조를 정의할 수 있다. 특정 프로젝트(101,102,...,10i)에 대해 데이터 전송 네트워크 인터페이스(18)를 통해 제공되는 보안 클라우드-기반 네트워크 액세스(5/51,52,...,5i)는, 예를 들어, 동작 유닛들(21,22,...,2i)의 제 1 서브 그룹(2) 및 배포 유닛들(31,32,...,3i)의 제 2 서브 그룹(3)에 대해 서로 다를 수 있다. 제출 데이터(10i2)는, 예를 들어, 동작 유닛(2)에 의해, 동작 유닛 액세스 인터페이스(12)를 통해 디지털 네트워킹 플랫폼(1)에 전달될 수 있으며, 프로젝트 분석기(142)에 의해 대응하는 프로젝트(101,102,...,10i)가 생성되어 영구 저장(10)에 할당된다. 태스크 데이터베이스(111)의 하나 이상의 태스크(1111,1112,...111i)는, 예를 들어, 태스크 선택기(11)에 의해 프로젝트(101,102,...,10i)와 연관된 프로젝터 데이터(10ii)에 기반하여 배포 유닛(31,32,...,3i)에 의해 수행되도록 선택될 수 있다. 적어도 하나의 배포 유닛(31,32,...,3i)은, 예를 들어, 선택된 하나 이상의 태스크들(1111,1112,...,111i)을 수행하기 위해 배포 유닛 프로파일들(1631,1632,...,163i)에 기반하여 배포 유닛 프로파일 데이터베이스(163)으로부터 선택될 수 있으며, 배포 유닛 프로파일들(1631,1632,...,163i)은 선택된 하나 이상의 태스크들(1111,1112,...,111i)과 매칭되고, 실행될 하나 이상의 태스크들(1111,1112,...,111i)과 새로운 프로젝트(101,102,...,10i)간의 상기 관계(10i1)를 정의하는, 연관된 관계 데이터(10i1)가 생성된다. 배포 유닛 프로파일(1631,1632,...,163i)에 기반한, 배포 유닛 프로파일 데이터베이스(163)로부터의 적어도 하나의 배포 유닛(31,32,...,3i)의 선택을 위해, 각 배포 유닛 프로파일(1631,1632,...,163i)은, 예를 들어, 태스크 데이터베이스(111)의 선택 가능 태스크들(1111,1112,...,111i) 중 하나에 대해 적어도 하나의 보증된 태스크 승인(1632)을 구비할 수 있다.
디지털 플랫폼(1)은, 예를 들어, 견적 모듈(146), 또는, 견적 모듈 또는 견적 서버와 주기적으로 인터페이싱하고, 견적 모듈 또는 견적 서버로부터 재정적 정보를 검색하고, 프로젝트(101,102,...,10i)에 배정된 영구 저장에, 검색된 재정적 정보를 저장하기 위한, 견적 서버 인터페이스(1461)를 더 구비할 수 있다. 계정 모듈(16)은, 예를 들어, 재정적 정보의 디스플레이 및 정산을 위한 수단을 더 구비할 수 있으며, 재정적 정보는 유닛(2/3) 또는 사용자 계정들(162,163) 및 원가 기준과 연관된 재정적 계정 정보와, 재정적 계정 정보와 관련된 평가 데이터를 구비하며, 평가 데이터는 특정 프로젝트(101,102,...,10i)와 연관된 검색된 태스크 특성 데이터(retrieved task characteristics data)를 이용하여 재정적 계정 정보로부터 생성된다.
포획되거나 측정된 프로젝트 파라메타들에 기초한 프로젝트(101,102,...,10i)의 장래 상태의 예측 생성을 위해, 디지털 플랫폼(1) 및 매칭기(112)는, 각각, 각 프로젝트(101,102,...,10i)의 디지털 복제를 추가로 구비할 수 있다. 이를 위해, 디지털 플랫폼(1)에 의해, 상기 장래 상태의 장래 시 기간(future time period)에 걸쳐있는 값들의 생성된 값 시계열(generated value time series)에 기초하여 트윈형 실세계 프로젝트(101,102,...,10i)의 장래 상태 또는 동작에 대한 측정을 제공하는, 프로젝트(101,102,...,10i)의 디지털 복제 또는 디지털 트윈 표시(digital twin representation)가 분석되는데, 그 측정은, 예를 들어, 가능한 개발 패턴의 프로젝트(101,102,...,10i)에 대한 사전 정의된 이벤트의 발생 확률과 연관된다. 일부 실시 예들에 따르면, 트윈형 물리적 프로젝트(101,102,...,10i)의 디지털 트윈은 영구 저장(101)을 액세스할 수 있으며, 디지털 트윈 모델링 프로세싱(digital twin modeling processing)에 의해 예측 위험/발생 확률 측정을 생성하는데 이용될 수 있는 예측 구조를 자동적으로 생성하기 위해, 확률적 구조 생성 유닛을 이용할 수 있다. 장래 시 기간의 트윈형 실세계 프로젝트(101,102,...,10i)에 대한 운영 및/또는 구조적 및/또는 환경적 프로젝트 파라메타들을 제공하는, 프로젝트(101,102,...,10i)와 연관된 측정 센서들 및 디바이스들의 물리적 측정 파라메타들에 의해 포획되고 측정되는, 생성된 영향들을 프로세싱하기 위해, 머신 학습 모듈에 의한 누적 예측 파라메타 모델링은, 파라메타 값 패턴들의 생성되고 측정된 시계열내의 첫번째 이상 영향 또는 중대한 영향을 검출하는 단계를 추가로 구비할 수 있으며, 단일의 운영 및/또는 환경적 프로젝트 파라메타 또는 운영 및/또는 환경적 프로젝트 파라메타들의 세트마다의 정의된 임계값들로부터 측정된 편차를 초과함에 의해, 비정상 및 중대한 이벤트들의 검출이 트리거된다. 디지털 플랫폼(1) 및 매칭기(112)는, 각각, 디지털 트윈의 동작 상태를 정의하는 것의 시계열에 기초하여 두번째의 비정상적 및 중대한 영향을 미치는 이벤트들 또는 프로젝트 개발 파라메타 패턴들을 추가로 검출할 수 있다. 동적 시간 정규화(dynamic time normalization)에 의해, 소정 시간에 걸쳐있는 파라메타들의 측정된 시계열들간의 위상적 거리(topological distance)가 거리 매트릭스(distance matrix)로서 결정된다. 동적 시간 정규화는, 예를 들어, 동적 시간 래핑(Dynamic Time Wrapping)에 기반하여 구현될 수 있다. 프로젝트 개발 단계들의 측정된 시계열 신호는, 예를 들어, 스펙트럼 및 켑스트럼 값 튜플들(spectral and cepstral value tuples)로서, 프로젝트 개발 단계들 또는 프로젝트에 영향을 주는 이벤트 발생의 측정된 시 계열 신호의 다른 값 튜플들(other value tuples)과 매칭될 수 있다. 값 튜플들에는, 예를 들어, 상술한 현재의 디지털 트윈 파라메타들 및/또는 환경적 파라메타들 중 하나 이상과 같은, 추가적인 측정 파라메타들이 보충될 수 있다. 각각의 측정된 값 튜플의 개별적인 파라메타들에 대한 가중화를 이용하여, 2개 신호들의 임의 2 값들간의 차이 측정, 예를 들어, 정규화된 유클리디안 거리 또는 마할라노비스 거리(Mahalanobis distance)가 수립된다. 매칭기(112)는, 두 신호들의 모든 포인트들의 쌍별 거리(pairwise distance)의 스팬 거리 매트릭스(spanned distance matrix)를 통해, 두 신호들간의 시작에서 끝까지의 가장 순조로운 경로를 검색한다. 이것은, 예를 들어, 동적 효율성으로 실행될 수 있다. 이러한 실제 경로, 즉, 래핑은 동적 시간 정규화의 제 1 패스(pass) 후, 역추적(backtracking)에 의해 생성된다. 순수 결정(pure determination), 즉, 대응하는 탬플릿 선택(template selection)을 위해, 역추적없는 단순한 패스(pass)이면 충분하다. 그러나, 역추적은, 각자의 다른 신호의 하나 이상의 포인트들에 대한 하나의 신호의 각 포인트의 정확한 매핑을 허용하며, 따라서, 대략적인 시간 왜곡을 나타낸다. 덧붙여야 할 것은, 이 경우에, 값 튜플들의 신호 파라메타들의 추출에 있어서의 알고리즘적 원인으로 인해, 그 신호 차이 매트릭스를 통하는 최적 경로가 실제 시간 왜곡에 반드시 대응하지 않을 수 있다는 것이다. 매칭기(112)의 통계적 데이터 마이닝 유닛에 의해, 측정되고 동적으로 시간 정규화된 시계열은, 측정된 거리 매트릭스(클러스터 분석)에 기초하여 상호 배반적 클러스터들(disjoint clusters)로 클러스터링되며, 그에 의해, 제 1 클러스터의 측정된 시계열은 노름 범위(norm range)내의 가상 트윈 동작 또는 상태를 인덱싱(indexing)하고, 제 2 클러스터의 측정된 시계열은 노름 영역 밖의 가상 트윈 동작 또는 상태를 인덱싱한다. 클러스터링(clustering), 즉, 클러스터 분석은 측정된 시계열에 있어서의 유사성 구조들을 배정하는데 이용될 수 있으며, 그에 의해, 본 명세서에서는, 이러한 방식으로 발견된 유사한 측정된 시 계열의 그룹들을 클러스터들이라고 지칭하고, 그 그룹 배정을 클러스터링이라고 지칭한다. 본 명세서에서는, 매칭기(112)에 의한 클러스터링이, 데이터 마이닝에 의해 이루어지고, 새로운 클러스터 영역들(new cluster areas)은 데이터 마이닝을 이용하여 발견될 수 있다. 거리 매트릭스의 클러스터링을 위한 통계적 데이터 마이닝 유닛의 자동화는, 예를 들어, 잡음이 있는 밀도 기반 공간 클러스터 분석 프로세싱에 기초하여 구현될 수 있으며, 특히, 잡음이 있는 밀도 기반 공간 클러스터 분석은 DBScan에 기초하여 구현될 수 있다. 잡음(noise)이 있는 공간 클러스터 분석으로서의 DBScan은 밀도에 기반하여 이루어지고, 다수의 클러스터들을 검출할 수 있다. 잡음 포인트들은 무시되고 별도로 반환된다.
전치-프로세싱 단계, 예를 들어, 전치 프로세싱으로서, 시계열의 차원 축소(dimensionality reduction)가 수행될 수 있다. 일반적으로, 상술한 분석 데이터는, 트윈형 프로젝트(101,102,...,10i)의 동적성(dynamics)에 의해 요구되면, 예를 들어, 사전 정의된 샘플링 레이트를 가진 상당수의 서로 다른 시계열들로 구성된다. 여기에서, 각 변수는, 예를 들어, (1) 트윈형 프로젝트(101,102,...,10i)의 프로세스 또는 동적성이 끝날 때 시계열이 자연적으로 작은 부분들(smaller pieces)로 나뉘어질 수 있는 경우의 시간 분할된 시계열(time-sliced time series)(예를 들어, 운영 사이클, 주간 사이클 등)과, (2) 시계열이 명백한 방식으로 분할될 수 없고 그에 대해 프로세싱이 행해져야만 하는 경우의 연속하는 시계열(예를 들어, 슬라이딩 윈도우, 임의 분할(arbitrary splitting) 등)과 같은, 2가지 유형의 시계열로 나뉘어질 수 있다. 추가적으로, 시계열은 일변량(univariate) 또는 다변량(multivariate)일 수 있다. (1)일변량 시계열: 관찰된 프로세스가 단지 하나의 측정 가능한 관찰 시리즈로 구성된다(예를 들어, 트윈형 프로젝트(101,102,...,10i)의 구조적 파라메타들). (2) 다변량 시계열: 관찰된 프로세스가 상관될 수 있는 2 이상의 측정 가능한 관찰 시리즈로 구성된다(예를 들어, 트윈형 프로젝트(101,102,...,10i)의 요소 또는 트윈형 프로젝트(101,102,...,10i)의 구조적 파라메타들 및 조건/상태).
프로젝트(101,102,...,10i)의 프로세싱 단계들의 시계열의 이용은, 특히, 시계열이 다른 길이들을 가질 경우(예를 들어, 운영 파라메타/환경적 측정 파라메타 시계열), 기술적 어려움을 나타낸다. 본 발명의 디지털 플랫폼(1)의 문맥에 있어서, 전치 프로세싱을 이용하여 이러한 시계열을 보다 직접적으로 이용 가능한 기술적 포맷으로 전치 프로세싱하는 것이 기술적으로 바람직할 수 있다. 차원 축소 방법을 이용하면, 시계열 세트로부터 잠재 공간(latent space)이 도출될 수 있다. 이러한 잠재 공간은 고차원 데이터 세트(high-dimensional data set)의 의미있는 또는 기술적으로 관련있는 성질들을 인코딩하는 피처들(features)을 포함하는 다차원 공간으로서 구현될 수 있다. 이러한 개념의 기술적 애플리케이션들은, 콘볼루션 신경 네트워크가 그의 최종 계층들내의 이미지들의 고차 피처들(에지들(edges), 컬러들...)을 인코딩하는 이미지 프로세싱에서, 또는, 워드 임베딩 공간(word embedding space)의 생성이 텍스트 데이터 또는 본 경우에 시계열 임베딩 공간(time series embedding space)으로부터 도출되는 자연 언어 프로세싱(natural language processing: NLP) 방법에서 발견될 수 있다. 본 발명에 따르면, 이것은, 재생 데이터(replay data)로부터 여러개의 시계열들의 잠재 공간을 생성하고, 이벤트 검출, 분류 또는 회귀 태스크(classification or regression task)와 같은 후속하는 태스크들에 대한 기초로서 이러한 잠재 공간을 이용함에 의해 기술적으로 구현될 수 있다. 본 경우에, 오토인코더(autoencoder)들 및 순환 신경 네트워크와 같은, 컴퓨터 비전(computer vision) 및 NLP 태스크들에 대해 이용되는 것들과 유사한 딥-러닝-기반 기술 방식으로 및 주성분 분석 및 동적 시간 래핑과 같은 기술 방식으로 시계열 신호들에 대해 잠재 공간이 생성될 수 있다.
시계열 임베딩 공간의 생성과 관련하여, 본 경우에 있어서 기술적 모델링 및 다른 학습 문제들을 복잡하게 하는 기본적인 기술적 문제는 차원(dimensionality)이다. 모델 구조가 테스트될 시계열 또는 시간 시퀀스는 훈련 동안에 목격된 임의 시계열 시퀀스와 아마도 다를 것이다. 기술적으로, 가능한 방식들은, 예를 들어, 훈련 세트내에 목격된 매우 짧은 오버래핑 시퀀스(overlapping sequence)들을 연쇄시킴에 의해 일반화를 획득하는 엔-그램들(n-grams)에 기반할 수 있다. 그러나, 본 경우에, 차원 문제는, 각 훈련 세트가 수많은 의미상 인접 문장들(semantically adjacent sentence)을 모델에게 알릴 수 있게 하는 워드들에 대한 분산 표시를 학습함에 의해 방지된다. 모델링은 (1) 각 시계열에 대한 분산 표시 및 (2) 이러한 표시의 견지에서 표현되는 시계열 시퀀스에 대한 우도 함수를 동시에 학습한다. 일반화는, 이미 목격된 세트를 형성하는 시계열과 (근사 표현(close representation)의 측면에서) 유사한 시계열로 시계열 시퀀스가 구성될 확률이 높기 전에는, 결코 인식하지 못했던 그 시계열의 시퀀스를 제공함에 의해 달성된다. 합당한 시간내에 (수백만의 파라메타들을 가진) 그러한 대형 모델들을 훈련시키는 것은, 그 자체로 기술적인 과제일 수 있다. 본 경우에 대한 해법으로서, 우도 함수에 대해 이용될 수 있는 신경 네크워트가 이용된다. 2개의 시계열 세트들에 대해, 본 명세서에서 이용된 방식이, 최신 엔-그램 모델들에 비해, 상당히 나은 결과를 제공하고, 제안된 방식이 보다 긴 시계열과 시계열 문맥(time series context)을 이용할 수 있게 함을 알 수 있었다.
이 경우, 대형의 예시들의 집합들(large collections of examples)로부터의 복잡하고 고차원적인 비선형 매핑(mapping)들을 학습하기 위한 다층 역전파 네트워크들(multilayer backpropagation network)의 기능은, 이들 신경 네트워크들, 특히, 콘볼루션 신경 네트워크들이 시계열 인식 태스크들에 대한 기술적 후보들이 되게 한다. 그러나, 본 발명에 있어서 애플리케이션에 대한 기술적 문제가 존재한다. 패턴 인식을 위한 기술적 구조들에 있어서, 전형적으로, 수동 고안된 피처 추출기는 입력으로부터 관련 정보를 수집하고, 관련없는 가변성(irrelevant variability)을 제거한다. 훈련 가능 분류기(trainable classifier)는 결과하는 피처 벡터들(또는 스트링(string)들)을 클래스들로 카테고리화한다. 이러한 기법에서는, 표준적인 완전 접속 다층 네트워크들(fully connected multilayer networks)이 분류기로서 이용될 수 있다. 잠재적으로 보다 흥미있는 기법은, 피처 추출기를 제거하고, "미가공(raw)" 입력들(예를 들어, 정규화된 이미지들)을 메쉬(mesh)에 피딩하고, 역전파에 의존하여 첫번째 소수의 계층들을 적당한 피처 추출기로 지향시키는 것이다. 이것은 통상적인 완전 접속 피드-포워드 네트워크(fully connected feed-forward network)로 수행되어, 시계열을 검출하는 태스크에 대해서 어느 정도 성과를 거둘수 있지만, 본 문맥에서는 기술적 현안이 존재한다. 먼저, 측정 파라메타들의 시계열이 매우 클 수 있다. 그러므로, 예를 들어, 수백개의 은닉 유닛들을 가진 완전-링크된 제 1 층이 이미 수만개의 가중치(weight)를 요구했을 수 있다. 이용 가능한 훈련 데이터가 충분하지 않으면, 과적합 문제(overfitting problem)가 발생한다. 또한, 저장 매체에 대한 기술적 요건들이 그러한 수치들에 따라 엄청나게 증가한다. 그러나, 기술적 스킨 문제(technical skin problem)는, 이러한 네트워크들이 입력 시계열에 있어서의 로컬 바이어스들(local biases)에 대해 내재적 불변성(inherent invariance)이 없다는 것이다. 즉, 적절한 정규화 또는 다른 시간 정규화를 수반한 상술한 전치 프로세싱은 시계열을 정규화하고 시계열을 센터링(centering)해야 한다. 다른 한편, 기술적으로, 그러한 전치 프로세싱은 완벽하지 않다.
두번째, 완전-링크 네트워크들의 기술적 문제는, 입력 시계열의 토폴로지가 완전히 무시된다는 것이다. 입력 시계열은 훈련에 영향을 주지 않은 채 임의 순서로 네트워크에 적용될 수 있다. 그러나, 본 경우에 있어서, 그 프로세싱 프로세스는 강한 로컬 2D 구조를 가지며, 측정 파라메타들의 시계열은 강한 1D 구조를 가진다. 즉, 시간적으로 인접한 측정 파라메타들의 상관성이 높다. 공간 또는 시간적 객체를 인식하기 전에 시계열의 로컬 피처(local feature)를 추출하고 조합하는 것이 본 발명의 문맥에서 제안되는 이유는 로컬 상관이다. 은닉 유닛의 수용 필드(receptive field)를 로컬 유닛들로 제한함에 의해 콘볼루션 신경 네트워크들이 로컬 피처들의 추출을 시행한다. 본 경우에, 시계열의 인식에 있어서 콘볼루션 네트워크의 이용은, 즉, 로컬 수용 필드, 조인트 가중치(joint weight)(또는 가중치 복제) 및 시계열의 시간적 서브샘플링의 애플리케이션을 통해 변위 및 공핍 불변성이 달성됨을 보장한다. 네트워크층들의 입력층은 대략적으로 시간-정규화되고 센터링된 시계열을 수신한다(상술한 시간 래핑 참조).
시계열 신호들에 대한 잠재적 공간을 생성하기 위해, 상술한 바와 같이, 순환 신경 네트워크의 이용과 같이, 주 성분 분석 및 동적 시간 래핑 또는 딥 러닝 기반 기술적 방식들이 선택될 수 있다. 그러나, 본 발명에 있어서, 순환 역전파를 이용하는 긴 시간 간격들에 걸쳐 정보를 학습하는 것은, 통상적으로, 불충분한 감쇠 에러 피드백(decaying error feedback)으로 인해, 매우 긴 시간이 소요될 수 있음을 알아야 한다. 그러므로, 본 발명의 문맥에서는, 새롭고 효율적인 경사-기반 방법이 이용된다. 여기에서, 경사(gradient)는, 특정 유닛들내의 에러들의 일정한 로테이션들을 통하는 일정한 에러 흐름을 수행시킴에 의해, 1000 초과의 이산 시간 단계들의 최소 시간 감쇠들을 교락(bridge)하는 것을 네트워크가 학습할 수 있도록, 해를 끼치지 않은 곳에서 절단된다. 그에 의해, 승산 게이트 유닛들(multiplicative gate units)이 일정한 에러 흐름에 대한 액세스를 개방 또는 폐쇄하는 것을 학습한다. 본 발명에 따른 본 실시 예에 의해, 네트워크는 시계열 학습면에서 공간 및 시간적으로 로컬이다.
매칭기(112)에 의해 구성된 오토인코더 실시 예와 관련하여, 네트워크는 자율 방식(자율 학습)으로 훈련되며, 그에 따라, 입력 신호는 저차원 잠재 공간으로 먼저 전환되고, 최소 정보 손실로 디코더에 의해 재구성될 수 있다. 그 방법은 고차원 입력 벡터들을 재구성하도록 작은 중앙 계층을 가진 다층 신경 네트워크를 훈련시킴에 의해 고차원 시계열을 저차원 시계열로 전환하는데 이용될 수 있다. 경사 하강(gradient descent)은 그러한 "오토인코더" 네트워크들에 있어서의 가중치들을 미세 조정하는데 이용될 수 있다. 그러나, 이것은, 초기 가중치가 적당한 해법에 근접하는 경우에만, 잘 이루어진다. 시계열을 학습하는데 있어서, 본 명세서에서 설명한 실시 예는 오토인코더 네트워크가, 데이터의 차원을 축소하기 위한 툴로서 주 성분 분석보다 더 잘 수행하는 저차원 코드들을 학습하게 하는, 효율적인 가중치 초기화 방법을 제공한다. 본 발명에 따른 시계열의 차원 축소는 고차원 시계열의 분류, 시각화, 통신 및 저장을 도모한다. 하나의 가능한 방법은, 시계열에 있어서의 가장 큰 가변성의 방향들을 발견하고, 이 방향들의 각각을 따르는 그의 좌표에 의해 각 데이터 포인트를 나타내는, 주 성분 분석(PCA)이다. 예를 들어, 실시 예 변형으로서, 고차원 시계열을 저차원 시계열로 변환하기 위해 적응적 다층 "인코더" 네트워크를 이용하고, 코드들로부터 시계열을 복구하기 위해 유사한 디코더 네트워크를 이용함에 의해, PCA의 비선형 일반화가 이용될 수 있다. 실시 예에 있어서, 2개의 네트워크들에 있어서 랜덤 가중치들에서 시작하여, 그들은, 원래의 시계열과 그들의 재구성간의 모순을 최소화함에 의해, 함께 훈련될 수 있다. 그 시스템은, 먼저 디코더 네트워크를 통해 및 그 다음 인코더 네트워크를 통해 에러 미분값(error derivatives)을 되전파(propagate back)하기 위해 체인룰(chain rule)을 적용함으로써 요구된 경사들을 획득한다. 이 시스템을 본 명세서에서는 오토인코더라 한다.
동적 시간 래핑 기반(DTW) 시계열 검출을 위한 상술한 자율 머신 학습 절차는, 또한 지도식(supervised)으로 수행될 수 있다. 학습 전략의 2가지 실행 변형들(execution variants), 즉, 지도식 및 자율식이, 본 발명에 따른 시계열에 대해 DTW와 함께 적용될 수 있다. 예를 들어, 점진적 학습(incremental learning) 및 우선 순위가 불인정되는 학습(learning with priority denial)과 같은 2가지 지도 학습 방법이 실행 변형들로서 식별될 수 있다. 점진적 학습 절차는 개념적으로 간단하지만, 전형적으로, 매칭을 위해 큰 세트의 시계열을 요구한다. 우선 순위가 불인정되는 학습 절차는 매칭 시간을 효과적으로 줄일 수 있지만, 전형적으로, 인식 정확성을 약간 감소시킨다. 자율 학습의 실행 변형의 경우, 상술한 변형에 추가하여, 예를 들어, 최선-매칭 학습에 기반하고 우선 순위 및 거절을 이용한 학습(learning with priority and rejection)에 기반한 자동 학습 방식이 이용될 수 있다. 여기에서 드러난 최선 매칭 학습은 시스템 학습을 위해 적절한 시계열을 지능적으로 선택하는데 이용된다. 바로 제안된 DTW에 대한 3가지 머신 학습 방식들 모두의 효과 및 효율성은 적절한 시계열 검출 테스트를 이용하여 입증될 수 있다.
트윈형 프로젝트(101,102,...,10i)를 각각 가진 디지털 트윈과 연관된 제 1 및/또는 제 2 비정상 및 중대한 프로젝트(101,.102,...,10i) 개발을 검출하는 경우에, 측정된 이벤트 동적성들 또는 상태들은, 입력 데이터 패턴으로서, 머신-학습 유닛에 시간의 함수로서 전송되며, 디지털 트윈의 측정 파라메타들은 머신-학습 유닛의 출력 값들에 기반하여 디지털 플랫폼(1)에 의해 구성된 전자 제어를 이용하여 조정되며, 머신-학습 유닛은 학습된 패턴에 기초하여 입력 패턴들을 분류하고, 대응하는 계량 파라메타들(metering parameters)을 생성한다. 외수용 센서(exteroceptive sensor)들 또는 측정 디바이스들을 이용한 환경적 파라메타들 및/또는 자기 수용 센서들(proprioceptive sensors) 또는 측정 디바이스들을 이용한 프로젝트 파라메타들 및/또는 측정 디바이스를 이용하여 트윈형 프로젝트(101,102,...,10i)의 물리적 성질들을 검출하기 위한 측정 파라메타들을 구비하는 구조적/운영 파라메타들을 추가적으로 측정함에 의해, 예를 들어, 예를 들어, 동적성/상태들의 측정된 시계열과 측정된 시계열 데이터에 기초하여 머신-학습 유닛이 입력 패턴들에 적합화될 수 있고, 프로젝트(101,102,...10i) 운영 파라메타들 및/또는 구조적 파라메타들 및/또는 환경적 파라메타들은 입력 데이터 패턴으로서 머신-학습 유닛에 시간의 함수로서 전송될 수 있다. 머신-학습 유닛은, 예를 들어, 정적 또는 적응적 퍼지 로직 시스템(static or adaptive fyzzy logic system) 및/또는 지도 또는 자율 신경 네트워크들 및/또는 퍼지 신경 네트워크들 및/또는 유전적 알고리즘-기반 시스템에 기반하여 구현될 수 있다. 머신-학습 유닛은, 예를 들어, 머신-학습 구조로서 나이브 베이즈 분류기(Naive Bayes classifier)들을 구비할 수 있다. 머신-학습 유닛은, 예를 들어, 머신-학습 구조로서, 로지스틱 회귀(Logistic Regression) 및/또는 결정 트리들 및/또는 SVM(Support Vector Machine) 및/또는 선형 회귀를 구비하는 지도 학습 구조에 기반하여 구현될 수 있다. 예를 들어, 머신-학습 유닛은, K-평균 클러스터링 또는 K-최근접 이웃 및/또는 차원 축소 및/또는 연관 규칙 학습을 구비하는 자율 학습 구조들에 기반하여 구현될 수 있다. 머신-학습 유닛은, 예를 들어, Q-학습을 구비하는 강화 학습 구조에 기반하여 구현될 수 있다. 예를 들어, 머신-학습 유닛은, 배깅(bootstrap aggregating) 및/또는 부스팅(boosting) 및/또는 랜덤 포레스트(random forest) 및/또는 스태킹(stacking)을 구비하는 앙상블 학습(ensemble learning)에 기반하여 구현될 수 있다. 마지막으로, 기계-학습 유닛은, 순방향 네트워크들 및/또는 홉필드 네트워크(Hopfield network)들 및/또는 콘볼루션 신경 네트워크들 또는 딥 콘볼루션 신경 네트워크들을 구비한 신경 네트워크 구조에 기반하여 구현될 수 있다.
트윈형 물리적 프로젝트(101,102,...,10i)의 디지털 트윈, 즉, 디지털 가상 복제는, 예를 들어, 그들의 실질 상대, 즉, 트윈형 물리적 프로젝트(101,102,...,10i)로부터 및/또는 그들의 실질 물질적 프로젝트(101,102,...,10i)내의 그들을 에워싸는 물리적 환경으로부터의 측정 데이터에 의해 꾸준히 갱신되고 분석될 수 있다. 디지털 플랫폼(1)은, 프로젝트(101,102,...,10i)의 디지털 트윈에 대해 반응할 수 있으며, 그것은 이력 데이터, 현재 데이터 및 예측들과 연관된 자동화된 분석을 개시할 수 있다. 따라서, 디지털 플랫폼(1)은, 각각의 경우에 무슨 일이 일어 날 지 및 연관된 위험을 예측할 수 있으며, 자동적으로 조치를 제안할 수 있고, 적절한 시그널링을 제공할 수 있다. 가상 트윈 그 자체 또는 디지털 플랫폼(1)은, 각각, 그와 같이 기술적으로 구현될 때, 그의 실세계 트윈형 프로젝트(101,102,...,10i)의 기술적 수단에 대해 반응할 수 있는데, 이는 그 2가지가 적절한 기술적 수단에 의해 링크될 경우에 이루어진다.
트윈형 프로젝트(101,102,...,10i)와 연관된 센서들 및/또는 측정 디바이스들에 의해 측정된 측정 파라메타들의 스트림, 즉, 영구 저장(10)의 데이터-구조를 이용하여, 프로젝트(101,102,...,10i)와 연관된 재생 데이터로서 측정 데이터 및 포획된 파라메타 값들을 기록하고 저장하면, 본 발명의 측면에 따라, 재생 기능의 구현이 가능하게 된다. 본 발명에 따른 시스템의 특정 실시 예로서 디지털 플랫폼(1)의 재생 기능성을 수반한 변형이 의도된다. 그것은, 상술한 프로젝트 개발 최적화 또는 예측 개발 기능성과 함께 또는 그 없이도 구현될 수 있으며, 즉, 디지털 트윈 파라메타들을 조정함과 함께 또는 그 조정없이 구현되거나, 머신-학습 유닛의 출력 값에 기초하여 전자 시그널링 시스템 제어를 이용하여 트윈형 프로젝트(101,102,...,10i)의 운영/구조적/환경적 파라메타들을 조정함과 함께 또는 그 조정없이 구현될 수 있다. 원칙적으로, 프로젝트 파라메타들 및 측정 값들(10ii)의 기록은, 시계열내의 그의 비정상성 또는 중요성에 의해 검출된 제 1 및/또는 제 2 이벤트의 검출에 의해 트리거될 수 있다. 그러한 재생 실시 예에서는, 디지털 복제 및/또는 트윈형 프로젝트(101,102,...,10i)의 재생 모드에서 시 기간을 모니터링하는 (재생 데이터 또는 분석 측정 데이터로서) 분석 측정 데이터가 제공된다. 분석 측정 데이터의 시간-시프트 검색을 위한 고객을 구비하는 어셈블리(BG)를 이용하여, 선택을 위해 디지털 플랫폼(1)에 의해 동작 유닛(2) 또는 배포 유닛(3)에 디스플레이되고, 예를 들어, 디지털 플랫폼(1)으로부터의 요청에 의해 요청되는 이벤트 영역 또는 시간 태그(time tag)(시-기반 태깅)에 의해, 재생 데이터의 실시간으로의 시간 시프트 섹션(time-shifted to real-rime section)이 선택된다. 디지털 플랫폼(1)은, 요청된 시간 섹션을 운영 또는 배포 유닛(2/3)에 제공하며, 디지털 프랫폼(1)은 재생 데이터의 요청된 시간 섹션을 멀티미디어 데이터 패킷(multimedia data packet)들의 형태로 컴파일하여, 그들을 네트워크를 통해, 동작 유닛(2) 또는 배포 유닛(3)에 있는 어셈블리의 고객에세 전송한다. 고객은 멀티미디어 데이터 패킷들을 언팩(unpack)하여 그들을 동작 유닛(2) 또는 배포 유닛(3)에서, 예를 들어, 모니터상에 디스플레이한다. 어셈블리는, 디지털 플랫폼(1)의 일부 일수 있으며, 예를 들어, 전자 시스템 제어의 일부로서, 또는 네트워크를 통해 집적화된 디지털 플랫폼(1)을 가진 시스템 또는 디지털 플랫폼(1)을 액세스할 수 있는 네트워크 어셈블리로서 구현될 수 있다. 검색을 위해 이용 가능한 시간 범위에 대한 시간 데이터 세트는, 예를 들어, 디지털 플랫폼(1)에 의해 검색되는 이벤트를 포함하는, GUI상에 하이라이트될 수 있다. 전체 실시간 분석 데이터 스트림이 기록될 수 있으며, 또는 디지털 플랫폼(1)에 의해 제 1 및/또는 제 2 이벤트가 검색되었던 분석 데이터 스트림, 즉, 재생 데이터의 시간 범위들만이 기록될 수 있다. 본 발명에 따른 실시 예는, 운영 또는 배포 유닛(2/3)이, 비정상 이벤트 검출과 독립적으로, 기록된 분석 데이터 스트림의 과거의 임의 시점으로 점프할 수 있는 방식으로 구현될 수 있다. 또한, 운영 또는 배포 유닛(2/3)은, 예를 들어, 특정 시간 범위를 벗어나 시간 지연될 수 있으며, 저장된 재생 데이터 스트림으로부터 분석 측정 데이터를 검색할 수 있고, 기록된 데이터 스트림에 있어서의 하나의 시간 범위를 한 번에 순방향 점프(forward) 또는 역방향 점프(rewind)할 수 있다. 특히, 추가적인 실시 예는, 접속된 트윈형 프로젝트(101,102,..,10i)와 그의 디지털 트윈의, 전자 시스템 제어기에 의해, 검출된 이벤트 영역에서와 동일한 측정 파라메타들을 가진 정확한 동작 모드 또는 상태로 다시 설정될 수 있는 방식으로 구현될 수 있다. 따라서, 디지털 트윈 및/또는 접속된 트윈형 프로젝트(101,102,...,10i)는, 예를 들어, 프로젝트 개발과 연관된 테스트, 최적화 또는 검증을 위해, 실시간으로 다시 이벤트 영역을 통해 실행될 수 있다.
1: 디지털 네트워킹 프랫폼
10: 프로젝트 데이터를 유지하는 영구 저장
101,102,...,10i: 각각 프로젝트(P1,...Pi) 및 프로젝트 데이터
10i1: 동작 유닛(Sx), 태스크(Ty) 및 배포 유닛(Ez)과 프로젝트(Pi)에 배정 관계
10i2: 프로젝트(Pi)에 대한 동작 유닛(Sx)의 프로젝트 제출
10ii: 프로젝트 데이터
11: 태스크 선택기
111: 태스크 데이터베이스
1111: 태스크(T1)
1112: 태스크(T2)
111i: 태스크(Ti)
112: 머신-기반 매칭 구조/매칭기
1121: 매칭 알고리즘
12: 동작 유닛 액세스 인터페이스
121: 제출 데이터베이스
1211: S1의 제출 데이터
1212: S2의 제출 데이터
121i: Si의 제출 데이터
122: 제출 분석기
13: 배포 유닛 액세스 인터페이스
131: 보증 요청
132: 보증 검증
14: 프로젝트 관리자 모듈
141: 액세스 제어기
142: 프로젝트 분석기
143: 태스크 관리자 모듈
144: 협업 모듈
145: 문서 관리 모듈
146: 견적 모듈
1461: 견적 서버 인터페이스
1462: 견적 서버
15: 보증 등록기
151: 기술 보증 데이터 저장소
1511: 기술 보증 C1
1512: 기술 보증 C2
151i: 기술 보증 Ci
152: 보증 평가 모듈
16: 계정 모듈
161: 통신 데이터베이스
162: 동작 유닛 계정을 유지하는 프로파일 데이터베이스
1621: 동작 유닛 프로파일
163: 배포 유닛 계정을 유지하는 프로파일 데이터베이스
1631: 배포 유닛 프로파일
1632: 청구서/정산 모듈
17: 웹 서버
171: 방화벽
172: 라우터
18: 네트워크 인터페이스
19: 발송기
2: 동작 유닛(생성 유닛)
21,22,...,2i: 동작 유닛(S1,S2,...,Si)
2i1: 동작 유닛 Si(2i)의 요청
2i2: 동작 유닛 Si(2i)의 네트워크-지원 디바이스
2i21: 네트워크 인터페이스
3: 배포 유닛
31,32,...,3i: 배포 유닛(E1,E2,...,Ei)
3i1: 배포 유닛 Ei(3i)의 기술 보증
3i2: 배포 유닛 Ei(3i)의 네트워크-지원 디바이스
3i21: 네트워크 인터페이스
4: 데이터 전송 네트워크
41: 월드와이드 백본 네트워크 인터넷
5: 보안 클라우드-기반 네트워크
51,52,...,5i: 전용 보안 네트워크
5i1: 보안 네트워크 5i에 대한 피제어 클라우드-기반 네트워크
1.1: 서버 태스크 데이터베이스
1.11: 제 1 서비스 태스크
1.12: 제 2 서비스 태스크
1.13: 제 3 서비스 태스크
1.2: 서비스 제공자 인터페이스/기술자 인터페이스
1.21: 제 1 서비스 제공자/제 1 기술자
1.22: 제 2 서비스 제공자/제 2 기술자
1.23: 제 3 서비스 제공자/제 3 기술자
1.3: 입력 데이터베이스
1.31: 1.21로부터의 입력 데이터
1.32: 1.22로부터의 입력 데이터
1.33: 1.23으로부터의 입력 데이터
2.1: 평가 유닛
2.11: 제 1/기술 레벨
2.12: 제 2/다른 기술 레벨
2.13: 제 3/또 다른 기술 레벨
2.2: 훈련 유닛
2.21,2.22,2.23: 훈련 세션
3.1: 매칭 유닛
11.1: 지능 알고리즘
3.2: 서비스 제공자 프로파일 데이터베이스
3.21: 할당된 1.11,1.12,1.13과 연관된 서비스 제공자 데이터
3.22: 성공적으로 완료된 1.11,1.12,1.13에 연관된 서비스 제공자 데이터(개수, 시간 소요, 비용등)
3.32: 언어 기술에 연관된 서비스 제공자 데이터(쓰기, 말하기)
3.24: 집 주소에 연관된 서비스 제공자 데이터
3.25: 출장 탄력성에 연관된 서비스 제공자 데이터(차량, 기차, 비행기, 개인적 및/또는 공공 운송)
3.26: 장비에 연관된 서비스 제공자 데이터
3.27: 추가적인 훈련 기능 1.21,1.22,1.23에 연관된 서비스 제공자 데이터
3: 구매자
5: 양방향 훈련 통신을 위한 통신 모듈
5.1: 서비스 태스크 주문 인터페이스
6.1: 피드백 입력 인터페이스
6.11: 피드백 데이터
6.12: 피드백 접속
7.1: 피드백 입력 인터페이스
7.11: 피드백 데이터
8: 등급 유닛
10: 프로젝트 데이터를 유지하는 영구 저장
101,102,...,10i: 각각 프로젝트(P1,...Pi) 및 프로젝트 데이터
10i1: 동작 유닛(Sx), 태스크(Ty) 및 배포 유닛(Ez)과 프로젝트(Pi)에 배정 관계
10i2: 프로젝트(Pi)에 대한 동작 유닛(Sx)의 프로젝트 제출
10ii: 프로젝트 데이터
11: 태스크 선택기
111: 태스크 데이터베이스
1111: 태스크(T1)
1112: 태스크(T2)
111i: 태스크(Ti)
112: 머신-기반 매칭 구조/매칭기
1121: 매칭 알고리즘
12: 동작 유닛 액세스 인터페이스
121: 제출 데이터베이스
1211: S1의 제출 데이터
1212: S2의 제출 데이터
121i: Si의 제출 데이터
122: 제출 분석기
13: 배포 유닛 액세스 인터페이스
131: 보증 요청
132: 보증 검증
14: 프로젝트 관리자 모듈
141: 액세스 제어기
142: 프로젝트 분석기
143: 태스크 관리자 모듈
144: 협업 모듈
145: 문서 관리 모듈
146: 견적 모듈
1461: 견적 서버 인터페이스
1462: 견적 서버
15: 보증 등록기
151: 기술 보증 데이터 저장소
1511: 기술 보증 C1
1512: 기술 보증 C2
151i: 기술 보증 Ci
152: 보증 평가 모듈
16: 계정 모듈
161: 통신 데이터베이스
162: 동작 유닛 계정을 유지하는 프로파일 데이터베이스
1621: 동작 유닛 프로파일
163: 배포 유닛 계정을 유지하는 프로파일 데이터베이스
1631: 배포 유닛 프로파일
1632: 청구서/정산 모듈
17: 웹 서버
171: 방화벽
172: 라우터
18: 네트워크 인터페이스
19: 발송기
2: 동작 유닛(생성 유닛)
21,22,...,2i: 동작 유닛(S1,S2,...,Si)
2i1: 동작 유닛 Si(2i)의 요청
2i2: 동작 유닛 Si(2i)의 네트워크-지원 디바이스
2i21: 네트워크 인터페이스
3: 배포 유닛
31,32,...,3i: 배포 유닛(E1,E2,...,Ei)
3i1: 배포 유닛 Ei(3i)의 기술 보증
3i2: 배포 유닛 Ei(3i)의 네트워크-지원 디바이스
3i21: 네트워크 인터페이스
4: 데이터 전송 네트워크
41: 월드와이드 백본 네트워크 인터넷
5: 보안 클라우드-기반 네트워크
51,52,...,5i: 전용 보안 네트워크
5i1: 보안 네트워크 5i에 대한 피제어 클라우드-기반 네트워크
1.1: 서버 태스크 데이터베이스
1.11: 제 1 서비스 태스크
1.12: 제 2 서비스 태스크
1.13: 제 3 서비스 태스크
1.2: 서비스 제공자 인터페이스/기술자 인터페이스
1.21: 제 1 서비스 제공자/제 1 기술자
1.22: 제 2 서비스 제공자/제 2 기술자
1.23: 제 3 서비스 제공자/제 3 기술자
1.3: 입력 데이터베이스
1.31: 1.21로부터의 입력 데이터
1.32: 1.22로부터의 입력 데이터
1.33: 1.23으로부터의 입력 데이터
2.1: 평가 유닛
2.11: 제 1/기술 레벨
2.12: 제 2/다른 기술 레벨
2.13: 제 3/또 다른 기술 레벨
2.2: 훈련 유닛
2.21,2.22,2.23: 훈련 세션
3.1: 매칭 유닛
11.1: 지능 알고리즘
3.2: 서비스 제공자 프로파일 데이터베이스
3.21: 할당된 1.11,1.12,1.13과 연관된 서비스 제공자 데이터
3.22: 성공적으로 완료된 1.11,1.12,1.13에 연관된 서비스 제공자 데이터(개수, 시간 소요, 비용등)
3.32: 언어 기술에 연관된 서비스 제공자 데이터(쓰기, 말하기)
3.24: 집 주소에 연관된 서비스 제공자 데이터
3.25: 출장 탄력성에 연관된 서비스 제공자 데이터(차량, 기차, 비행기, 개인적 및/또는 공공 운송)
3.26: 장비에 연관된 서비스 제공자 데이터
3.27: 추가적인 훈련 기능 1.21,1.22,1.23에 연관된 서비스 제공자 데이터
3: 구매자
5: 양방향 훈련 통신을 위한 통신 모듈
5.1: 서비스 태스크 주문 인터페이스
6.1: 피드백 입력 인터페이스
6.11: 피드백 데이터
6.12: 피드백 접속
7.1: 피드백 입력 인터페이스
7.11: 피드백 데이터
8: 등급 유닛
Claims (39)
- 데이터 전송 네트워크(4)를 통해, 네트워크-지원 디바이스들(2i2/3i2)에 의해 디지털 네트워킹 플랫폼(1)을 액세스하는 배포 유닛(3)과 동작 유닛(2)간의 피제어 프로젝트-주도 네트워킹 상호 작용 및/또는 쉘 통신(shell communication)을 제공하는 상기 디지털 플랫폼(1)으로서,
각 유닛(2/3)은 디지털 교차-네트워크 플랫폼(1)에 의해 제공된 보안 클라우드-기반 네트워크들(5/51.52,...,5i)에 대한 피제어 네트워크 액세스(5i1)를 위한 연관된 인증(authentication) 및 인가(authorization) 자격증과 함께 디지털 네트워킹 플랫폼(1)의 통신 데이터베이스(161)에 배정된 유닛 계정(unit account)을 가지며; 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 유지된 프로젝트들(101,102,...,10i)은 동작 유닛(2i), 하나 이상의 배포 유닛들(3i) 및 프로젝트 태스크(101,102,...,10i)간의 적어도 하나의 배정 관계(10i1)를 구비하되;
디지털 네트워킹 플랫폼(1)은:
네트워크-지원 디바이스들(2i2/3i2)에 의해 데이터 전송 네트워크(4)를 통해 동작 유닛들(21,22,...,2i)과 배포 유닛들(31,32,...,3i)에게 보안 클라우드-기반 네트워크(5/51,52,...,5i)에 대한 네트워크 액세스를 제공하는 디지털 플랫폼(1)의 네트워크 인터페이스(18) - 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 유지된 프로젝트(101,102,...,10i)는, 배정 관계(10i1)에 따라 다른 유닛들(2/3)과의 프로젝트 데이터(10ii)의 공유와, 프로젝트(101,102,...,10i)와 연관된 프로젝트 데이터(10ii)의 업로드 및 다운로드 액세스(upload and download access)를 제공하는 전용 보안 네트워크(51,52,...5i)를 통해 배정된 유닛(2/3)에 대해서만 액세스될 수 있음 - 와;
새로운 프로젝트(101,102,...,10i)를 요청하는 동작 유닛(2)의 프로젝트 제출(10i2)로부터 프로젝트 데이터(10ii)를 추출하는 프로젝트 관리자 모듈(14) - 새로운 프로젝트(101,102,...,10i)는 프로젝트 제출 데이터(10i2)에 기반하여 프로젝트 관리자 모듈(14)의 프로젝트 분석기(142)에 의해 생성되고, 연관된 프로젝트 데이터(10ii)는 영구 저장(10)에 저장됨 - 과;
프로젝트 제출 데이터(10i2)에 기반하여 태스크 데이터베이스(111)로부터, 배포 유닛(3)에 의해 실행될 하나 이상의 태스크들(111i)을 선택하는 태스크 선택기(11) 및 특정 배포 유닛(3)이 실행할 수 있는 보증된 기술(3i1)을 나타내는 배포 유닛들(3)의 보증된 기술 승인 데이터(1632)에 기반하여 하나 이상의 배포 유닛들(3)을 선택하는 태스크 관리자 모듈(143) - 선택된 태스크(111i)는 새로운 프로젝트(101,102,...,10i)와 연관된 관계(10i1)를 제공하는, 선택된 적어도 하나의 배포 유닛(3)에 배정됨 - 과;
상기 관계(10i1)에서 나타난 동작 유닛(2)과 선택된 배포 유닛(3)에게 새로운 프로젝트(101,102,...,10i)에 대한 액세스를 제공하는 새로운 프로젝트(101,102,..,10i)에 대한 보안 클라우드-기반 네트워크(5/51,52,...,5i)를 생성하는 액세스 제어기(141) - 상기 관계(10i1)는, 유닛들(2/3)의 페어(pair of units)간의 통신이 허용되기 전에, 그 유닛들(2/3)의 페어 간에 수립됨 -를 구비하는
디지털 플랫폼(1).
- 제 1 항에 있어서,
태스크 선택기(11)는, 머신-학습-기반 매칭 구조(machine-learning-based matching structure)(112)를 구비하며,
머신-학습-기반 매칭 구조(112)에 의해 프로젝트(10i)와 연관된 특정 태스크(111i)를 수행하기 위해, 적절한 기술 보증들(1511,1512,...,151i)이 결정되고,
적어도 하나의 배포 유닛(31,32,...,3i)은, 필수적인 결정된 기술 보증(1511,1512,...,151i)과, 적어도 제출 데이터(1211,...,121i)의 동작 유닛(21,22,...,2i)의 위치와 이용 가능한 배포 유닛(31,32,...,3i)의 위치를 구비한 추가적인 트리거 기준(trigger criteria)에 기반하여 결정되는
디지털 플랫폼(1).
- 제 2 항에 있어서,
배포 유닛(31,32,...,3i)의 선택을 위해, 의무적 및 선택적 기술들(1511,1512,...,151i)이 선택된 태스크(111i)를 수행하도록 머신-기반 매칭 구조(112)에 의해 결정되며,
의무적 기술들(1511,1512,...,151i)은 선택된 태스크(111i)를 완료하는데 요구되며,
선택적 기술들(1511,1512,...,151i)은 적어도 말하기 언어 파라메타 및/또는 추가적인 서비스들 또는 장비를 나타내는 추가적인 기술 파라메타를 구비하는,
디지털 플랫폼(1).
- 제 3 항에 있어서,
머신-기반 매칭 구조(112)에 의해 의무적 기술들(1511,1512,...,151i)에 대해 배포 유닛들(31,32,...,3i)이 필터링되고,
머신-기반 매칭 구조(112)에 의해 선택적 기술들(1511,1512,...,151i)에 대해 스코어링 구조(scoring structure)가 적용되며,
배포 유닛(31,32,...,3i)에 대해 보다 높은 스코어가 트리거링(triggering) 될수록, 상기 배포 유닛(31,32,...,3i)이 머신-기반 매칭 구조(112)에 의해 선택될 가능성이 높아지는,
디지털 플랫폼(1).
- 제 4 항에 있어서,
스코어링은, 최선 기술 매칭(best skill matching)에 기반하는
디지털 플랫폼(1).
- 제 4 항에 있어서,
스코어링은 배포 유닛(31,32,...,3i)의 가격 책정 파라메타 값(pricing parameter value)들 및/또는 비용 파라메타 값 및/또는 출장 시간 또는 지리적 거리 파라메타 값들을 고려한 최고 마진 매칭(highest margin matching)에 기반하는
디지털 플랫폼(1).
- 제 4 항 내지 제 6 항 중 어느 한 항에 있어서,
스코어링은, 플랫폼(1)을 이용하여 태스크를 거의 처리하지 않거나 아예 처리하지 않았던 배포 유닛들()31,32,...,3i)에 보다 높은 스코어를 제공하는, 플랫폼 성장에 최선인 구조(best-for-platform-growth structure)에 기반하는
디지털 플랫폼(1).
- 제 4 항 내지 제 7 항 중 어느 한 항에 있어서,
머신-기반 매칭 구조(112)는, 하나 이상의 머신-기반 학습 구조(learning structure: ML)를 구비하는
디지털 플랫폼(1).
- 제 8 항에 있어서,
머신-기반 학습 구조(ML)는, 언덕 등반(hill climbing), 유전적(genetic) 또는 진화(evolutionary) 머신-기반 학습 구조를 구비하는
디지털 플랫폼(1).
- 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
디지털 네트워킹 플랫폼(1)은, 선택된 하나 이상의 배포 유닛들(31,32,...,3i) 및/또는 적절한 배포 유닛들(31,32,...,3i)과 연관된 선택된 서비스 제공자를 통지하기 위한 발송기(dispatcher)(19)를 구비하는
디지털 플랫폼(1).
- 제 10 항에 있어서,
발송기(19)는, 적당한 배포 유닛들(31,32,...,3i)에게 특정 태스크(111i)에 대한 액세스를 제공하는 경매 프로세스(auction process)를 구비하는
디지털 플랫폼(1).
- 제 1 항 내지 제 11 항 중 어느 한 항에 있어서,
각각의 배정 관계(10i1)는, 유닛 계정들(1621)에 의해 정의된 다수의 동작 유닛들(21,22,...,2i)을 구비하는 제 1 서브 그룹(2)과, 유닛 계정들(1631)에 의해 정의된 다수의 배포 유닛들(31,32,...,3i)을 구비하는 제 2 서브 그룹(3)으로 된 2개의 서브 그룹들(2/3)를 적어도 구비하는 계층적 구조를 정의하는
디지털 플랫폼(1).
- 제 12 항에 있어서,
특정 프로젝트(101,102,...,10i)에 대해 데이터 전송 네트워크 인터페이스(18)를 통해 제공되는 보안 클라우드-기반 네트워크 액세스(5/51,52,...,5i)는, 동작 유닛들(21,22,...,2i)의 제 1 서브 그룹(2) 및 배포 유닛들(31,32,...,3i)의 제 2 서브 그룹(3)에 대해 서로 다른
디지털 플랫폼(1).
- 제 13 항에 있어서,
제출 데이터(10i2)는, 동작 유닛(2)에 의해, 동작 유닛 액세스 인터페이스(12)를 통해 디지털 네트워킹 플랫폼(1)에 전달되며, 프로젝트 분석기(142)에 의해 대응하는 프로젝트(101,102,...,10i)가 생성되어 영구 저장(10)에 할당되는,
디지털 플랫폼(1).
- 제 14 항에 있어서,
태스크 데이터베이스(111)의 하나 이상의 태스크들(1111,1112,...111i)은, 태스크 선택기(11)에 의해 프로젝트(101,102,...,10i)와 연관된 프로젝터 데이터(10ii)에 기반하여 배포 유닛(31,32,...,3i)에 의해 수행되도록 선택되는,
디지털 플랫폼(1).
- 제 15 항에 있어서,
적어도 하나의 배포 유닛(31,32,...,3i)은, 선택된 하나 이상의 태스크들(1111,1112,...,111i)을 수행하기 위해 배포 유닛 프로파일들(1631,1632,...,163i)에 기반하여 배포 유닛 프로파일 데이터베이스(163)으로부터 선택되고,
배포 유닛 프로파일들(1631,1632,...,163i)은 선택된 하나 이상의 태스크들(1111,1112,...,111i)과 매칭되고,
실행될 하나 이상의 태스크들(1111,1112,...,111i)과 새로운 프로젝트(101,102,...,10i)간의 상기 관계(10i1)를 정의하는, 연관된 관계 데이터(10i1)가 생성되는,
디지털 플랫폼(1).
- 제 16 항에 있어서,
배포 유닛 프로파일(1631,1632,...,163i)에 기반한, 배포 유닛 프로파일 데이터베이스(163)로부터의 적어도 하나의 배포 유닛(31,32,...,3i)의 선택을 위해, 각 배포 유닛 프로파일(1631,1632,...,163i)은, 태스크 데이터베이스(111)의 선택 가능 태스크들(1111,1112,...,111i) 중 하나에 대해 적어도 하나의 보증된 태스크 승인(1632)을 구비하는
디지털 플랫폼(1).
- 제 1 항 내지 제 17 항 중 어느 한 항에 있어서,
네트워크 인터페이스(18)는, 디지털 플랫폼(1)의 웹 서버(17)의 웹 인터페이스이고, 네트워크-지원 디바이스들(2i2/3i2)은 웹-지원 디바이스들이고, 디지털 네트워킹 플랫폼(1)은 프로젝트(101,102,...,10i)와의 인터페이스를 위한 선택 가능한 생산성 툴들(productivity tools)을 구비하며, 생산성 툴은 웹 인터페이스로부터 액세스 가능하고, 적어도, 태스크 관리자 모듈(143) 및/또는 협업 모듈(144) 및/또는 문서 관리 모듈(145)을 구비하는
디지털 플랫폼(1).
- 제 1 항 내지 제 18 항 중 어느 한 항에 있어서,
상기 플랫폼(1)은,
견적 모듈(146), 및/또는
견적 서버(1462)와 주기적으로 인터페이싱하고, 견적 모듈(1461)에 의해 재정적 정보를 검색하고, 프로젝트(101,102,...,10i)에 배정된 영구 저장(10)에, 검색된 재정적 정보를 저장하기 위한, 견적 서버 인터페이스(1461)를 더 구비하는
디지털 플랫폼(1).
- 제 19 항에 있어서,
디지털 네트워킹 플랫폼(1)은 재정적 정보의 디스플레이 및 정산을 위한 계정 모듈(16)의 빌링 모듈(billing module)(164)을 구비하고, 재정적 정보는 유닛(2/3) 또는 유닛 계정(1621/1631) 및 원가 기준과 연관된 재정적 계정 정보 및 재정적 계정 정보와 관련된 평가 데이터를 구비하되, 평가 데이터는 특정 프로젝트(101,102,...,10i)와 연관된 검색된 태스크 특성 데이터(retrieved task characteristics data)를 이용하여 재정적 계정 정보로부터 생성되는
디지털 플랫폼(1).
- 제 1 항 내지 제 20 항 중 어느 한 항에 있어서,
영구 저장(10)은, 월드와이드 백본 네트워크(41)를 통하는 프로젝트 회사내의 보안 협업 환경을 제공하기 위해, 프로젝트 제출 데이터(10i2)와 관계들(10i1)을 구비한 보다 많은 프로젝트 데이터(10ii)를 유지하는 분산된 네트워킹 협업 환경에서 이용되는
디지털 플랫폼(1).
- 제 1 항 내지 제 21 항 중 어느 한 항에 있어서,
인증 및 인가 자격증들은, 예를 들어, 적어도 보안 통신 데이터베이스(secured communication database, 161)내에 사용자 이름 및 비밀번호를 구비하는
디지털 플랫폼(1).
- 제 1 항 내지 제 23 항 중 어느 한 항에 있어서,
디지털 네트워킹 플랫폼(1)은, 태스크 보증 데이터 저장소(151)와 보증 평가 모듈(152)을 가진 보증 등록기(15)를 구비하며, 태스크 보증 데이터 저장소(151)는 태스크 데이터베이스(111)의 각 태스크(1111,1112,...,111i)마다, 액세스 가능 태스크 보증들(1511,1512,...,151i)을 유지하고, 보증 평가 모듈(152)은, 태스크 데이터베이스(111)의 각 태스크(1111,1112,...,111i)마다, 배포 유닛(31,32,...,3i)에 대한 태스크 보증(1511,1512,...,151i)을 승인하기 위한 배정된 보증 평가 프로세스를 구비하며, 태스크 보증(1511,1512,...,151i)의 승인시, 특정 태스크에 대해, 상기 배포 유닛들(31,32,...,3i)에 대응하는 보증된 태스크 승인(certified task accreditation)(1632)이 배정되는,
디지털 플랫폼(1).
- 제 1 항 내지 제 23 항 중 어느 한 항에 있어서,
프로젝트(101,102,...,10i)의 트윈형 물리적 복제(twinned physical replica)와 연관된 적어도 하나의 센서에 의해, 실세계 프로젝트(101,102,...,10i)의 구조적, 운영 및/또는 환경적 상태 파라메타들이 측정되고, 모니터링되어 디지털 플랫폼(1)에 전송되며, 적어도 하나의 센서는, 실세계 프로젝트(101,102,...,10i)에 물리적으로 영향을 주는 외인성 환경 파라메타들(exogen environmentalparameters)를 감지하기 위한 하나 이상의 연관된 외수용 센서들 또는 측정 디바이스들 및/또는 실세계 프로젝트(101,102,...,10i)의 내생성 동작 또는 상태 파라메타들(endogen operating or status parameters)을 감지하기 위한 하나 이상의 자기 수용 센서들 또는 측정 디바이스들을 구비하고, 상기 센서들 또는 측정 디바이스들은, 디지털 플랫폼과 센서들 또는 측정 디바이스들간에 하나 이상의 무선 또는 유선 접속을 설정하기 위한 인터페이스들을 구비하고, 센서들 또는 측정 디바이스들에 의해 측정되고/되거나 포획된 프로젝트 상태 파라메타들(10ii)을 디지털 플랫폼(1)에 전송하는 실세계 에셋(asset)과 연관된 센서들 또는 측정 디바이스들과 디지털 플랫폼(1)간의 무선 또는 유선 접속에 의해 데이터 링크가 설정될 수 있고, 디지털 트윈 표시에 상태 파라메타들(10ii)이 배정되고, 디지털 트윈 표시와 연관된 상태 파라메타들(10ii)의 값들은 전송된 파라메타들에 기반하여 동적으로 모니터링되고 조정되며, 디지털 트윈 표시는 시 기간의 시계열로서 파라메타 값들을 유지하는 실세계 프로젝트(101,102,...,10i)의 다수의 서브시스템들 각각의 상태들을 나타내는 데이터 구조들을 구비하고,
디지털 플랫폼(1)에 의해, 실세계 프로젝트(101,102,...,10i)의 다수의 서브시스템들 각각의 장래 상태들을 나타내는 디지털 트윈 표시에 대한 데이터 구조들은 누적 손상 모델링 프로세싱(cumulative damage modelling processing)을 이용하고 시뮬레이션(simulation)들의 애플리케이션에 기반하여 장래 시 기간에 걸친 값 시계열(value time series)로서 생성되고, 누적 손상 모델링은 장래 시 기간의 트윈형 실세계 프로젝트(101,102,...,10i)에 대한 운영 및/또는 환경적 에셋 파라메타들의 영향을 생성하고,
디지털 플랫폼(1)에 의해, 상기 장래 시 기간(future time period)에 걸친 값들의 생성된 값 시계열(generated value time series)에 기반하여 트윈형 실세계 프로젝트(101,102,...,10i)의 장래 상태 또는 동작에 대한 측정을 제공하는, 디지털 트윈 표시(digital twin representation)가 분석되고, 상기 측정은 실세계 프로젝트(101,102,...,10i)에 물리적으로 영향을 주는 특정 세기 또는 물리적 특성들을 가진 사전 정의된 물리적 이벤트의 발생 확률 또는, 실세계 프로젝트(101,102,...,10i)의 사전 정의된 상태의 발생의 확률 측정과 연관되며, 사전 정의된 물리적 이벤트의 발생 또는 개발에 대한 물리적으로 측정 가능한 확률 측정은 측정된 이력 시계열 데이터를 이용하여 예측 머신 학습 모듈에 의해 사전 정의된 물리적 이벤트의 이력 측정 데이터의 빈도 및 심도(frequency and severity)에 기반하여 수립되는,
디지털 플랫폼(1).
- 제 24 항에 있어서,
진화하는 실세계 측정 파라메타들(10ii)(evolving real-world measuring parameters)의 아바타 측정들(avatar measurements)을 위해, 트윈형 실세계 프로젝트(101,102,...,10i)의 장래 상태 또는 동작에 대한 제공된 측정에 기반하여 및/또는 상기 장래 시 기간에 걸친 값들의 생성된 값 시계열에 기반하여 특정 실세계 프로젝트(101,102,...,10i)의 사전 정의된 운영 및/또는 상태 에셋 파라메타들과 융합하도록, 실세계 프로젝트(101,102,...,10i)의 개발의 상태 또는 동작의 제어가 최적화되거나 조정되고, 동작의 최적 제어의 경우에, 실세계 프로젝트(101,102,...,10i)의 시간 및 장래에 있어서 동작 유닛(2)의 특정 동작 성능 기준을 공동으로 또는 개별적으로 증가시키거나, 특정된 확률 범위내에서 실세계 프로젝트(101,102,...,10i)의 상태 또는 동작과 연관된 발생 확률에 대한 측정을 감소시키도록, 동작의 최적 제어가 생성되는
디지털 플랫폼(1).
- 제 24 항 또는 제 25 항에 있어서,
실세계 프로젝트(101,102,...,10i)의 기록된 시계열과 연관된 비정상 개발의 발생 확률에 대한 측정의 감소는, 디지털 플랫폼(1)에 의해 제어되는 프로젝트(101,102,...,10i)와의 적어도 하나의 운영 유닛(2)의 최적화되거나 조정된 상호 작용에 기반하는
디지털 플랫폼(1).
- 디지털 네트워킹 플랫폼(1)으로서,
적어도 하나의 서비스 제공자(1.21,1.22,1.23)로부터, 서비스 제공자 인터페이스(1.2)를 통해, 요청된 및/또는 수신된 입력 데이터(1.31,1.32,1.33)를 수집 및 저장하도록 고안된, 입력 데이터베이스(1.3)에 접속된 서비스 제공자 인터페이스(1.2) 및 서비스 태스크 데이터베이스(1.1)를 구비하되,
적어도 하나의 기술 레벨(2.22,2.12,2.13)을 서비스 제공자(1.21,1.22,1.23)에 배정하기 위해 입력 데이터(1.31,1.32,1.33)가 평가 유닛(2.1)에서 분석되고,
상기 디지털 네트워킹 플랫폼(1)은 적어도 하나의 서비스 제공자(1.21,1.22,1.23)로부터, 서비스 제공자 인터페이스(1.2)를 통해, 요청된 및/또는 수신된 입력 데이터(1.31,1.32,1.33)를 수집 및 저장하도록 고안된, 입력 데이터베이스(1.3)에 접속된 서비스 제공자 인터페이스(1.2) 및 서비스 태스크 데이터베이스(1.1)를 구비하되, 적어도 하나의 기술 레벨(2.22,2.12,2.13)을 서비스 제공자(1.21,1.22,1.23)에 배정하기 위해 입력 데이터(1.31,1.32,1.33)가 평가 유닛(2.1)에서 분석되고,
상기 디지털 네트워킹 플랫폼(1)은, 적어도 하나의 기술 레벨(2.11,2.12,2.13)에 기반한, 적어도 하나의 자동적으로 및 개별적으로 컴파일된 훈련 세션(2.21,2.22,2.23)을 자동적으로 또는 요청시에 서비스 제공자가 이용할 수 있게 하는 훈련 유닛(2,2)을 더 구비하고, 상기 훈련 세션(2.21,2.22,2.23)에는 서비스 제공자(1.21,1.22,1.23)의 상호 작용이 성공적으로 참여해야 하며, 서비스 제공자(1.21,1.22,1.23)에게는 적어도 또 다른 기술 레벨이 배정되고,
상기 디지털 네트워킹 플랫폼(1)은, 적어도 하나의 지능적 알고리즘(3.11)을 구동하도록 고안된 매칭 유닛(3.1)을 더 구비하며, 자동적으로 또는 요청시에 적어도 하나의 지능적 알고리즘(3.11)에서 이용되는 적어도 하나의 및/또는 또 다른 기술 레벨(2.11,2.12,2.13)에 기반하여, 적어도 하나의 실행 가능 서비스 태스크(feasible service task)(1.11)가 매칭 유닛(3.1)내의 서비스 제공자(1.21,1.22,1.23)에게 할당되고;
상기 디지털 네트워킹 플랫폼(1)은 서비스 제공자 프로파일 데이터베이스(3.2)를 더 구비하고, 다수의 연관된 서비스 제공자 데이터(3.21,3.22,3.23,3.24,3.25,3.26,3.27)를 가진 서비스 제공자(1.21,1.22,1.23)는, 자동적으로 또는 요청시에, 서비스 제공자 프로파일 데이터베이스(3.2)에 등록되는
디지털 네트워킹 플랫폼(1).
- 제 27 항에 있어서,
훈련 유닛(2.2)에 접속되어 양방향 훈련 통신(5.11)을 제공하는 통신 모듈(5.1)을 더 구비하는
디지털 네트워킹 플랫폼(1).
- 제 27 항 또는 제 28 항에 있어서,
적어도 하나의 서비스 태스크(1.11,1.12,1.13)에 대해 구매자로부터 주문 요청을 수신하는 서비스 태스크 주문 인터페이스(5.1)를 더 구비하는
디지털 네트워킹 플랫폼(1).
- 제 27 항 또는 제 28 항에 있어서,
완료된 서비스 태스크(1.11,1.12,1.13)와 연관된 피드백 데이터(7.11)를 수신 및 기록하는 피드백 입력 인터페이스(7.1)를 더 구비하는
디지털 네트워킹 플랫폼(1).
- 제 30 항에 있어서,
완료된 서비스 태스크(1.11,1.12,1.13)와 연관된 피드백 데이터(6.11)에 따라 서비스 제공자들(1.21,1.22,1.23)을 재 평가하는 등급 유닛(7.1)을 더 구비하는
디지털 네트워킹 플랫폼(1).
- 제 31 항에 있어서,
등급 유닛(7.1)은, 서비스 제공자 데이터(3.21,3.22,3.23,3.24,3.25,3.26,3.27)를 자동적으로 증가시키고/시키거나, 서비스 제공자(1.21,1.22,1.23)의 자동화된 재-평가에 기반하여 적어도 제2의 자동적으로 및 개별적으로 컴파일된 훈련 세션(2.21,2.22,2.23)에 서비스 제공자(1.21,1.22,1.23)가 참여하도록 요청하는, 서비스 제공자(1.21,1.22,1.23)의 자동화된 재-평가를 위한 평가 유닛(2.11)에 대한 피드백 접속(6.12)을 가지며,
상기 적어도 제2의 자동적으로 및 개별적으로 컴파일된 훈련 세션(2.21,2.22,2.23)에는 서비스 제공자(1.21,1.22,1.23)의 상호 작용이 성공적으로 참여해야 하고,
또 다른 기술 레벨(2.11,2.12,2.13)이 서비스 제공자(1.21,1.22,1.23)에게 배정되고,
상기 또 다른 기술 레벨(2.11,2.12,2.13)은 서비스 제공자 프로파일 데이터베이스(3.2)내의 연관된 서비스 제공자 데이터(3.21,3.22,3.23,3.24,3.25,3.26,3.27)를 자동적으로 증가시키는
디지털 네트워킹 플랫폼(1).
- 적어도 하나의 서비스 제공자(1.21,1.22,1.23)로부터, 서비스 제공자 인터페이스(1.2)를 통해, 요청된 및/또는 수신된 입력 데이터(1.31,1.32,1.33)를 수집 및 저장하는, 입력 데이터베이스(1.3)에 접속된 서비스 제공자 인터페이스(1.2) 및 서비스 태스크 데이터베이스(1.1)를 구비하는 디지털 네트워킹 플랫폼(1)에 대한 방법으로서,
적어도 하나의 기술 레벨(2.22,2.12,2.13)을 서비스 제공자(1.21,1.22,1.23)에 배정하기 위해 입력 데이터(1.31,1.32,1.33)가 평가 유닛(2.1)에서 분석되고,
훈련 유닛(2.2)에서, 적어도 하나의 기술 레벨(2.11,2.12,2.13)에 기반한, 적어도 하나의 자동적으로 및 개별적으로 컴파일된 훈련 세션(2.21,2.22,2.23)을 자동적으로 또는 요청시에 서비스 제공자가 이용할 수 있게 하고, 상기 훈련 세션(2.21,2.22,2.23)에 서비스 제공자(1.21,1.22,1.23)의 상호 작용이 성공적으로 참여해야 하며, 서비스 제공자(1.21,1.22,1.23)에게 적어도 또 다른 기술 레벨이 배정되고,
매칭 유닛(3.1)상에서 적어도 하나의 지능적 알고리즘(3.11)이 구동되고, 자동적으로 또는 요청시에 적어도 하나의 지능적 알고리즘(3.11)에서 이용되는 적어도 하나의 및/또는 또 다른 기술 레벨(2.11,2.12,2.13)에 기반하여, 적어도 하나의 실행 가능 서비스 태스크(feasible service task)(1.11)가 매칭 유닛(3.1)내의 서비스 제공자(1.21,1.22,1.23)에게 할당되고,
서비스 제공자 프로파일 데이터베이스(3.2)에, 서비스 제공자(1.21,1.22,1.23)로부터의 다수의 서비스 제공자 데이터(3.21,3.22,3.23,3.24,3.25,3.26,3.27)가, 자동적으로 또는 요청시에, 저장되는
방법.
- 제 33 항에 있어서,
통신 모듈(4.1)이 훈련 유닛(2.2)에 접속되어, 서비스 제공자(1.21,1.22,1.23)에게 양방향 훈련 통신(4.11)을 제공하는
방법.
- 제 33 항 또는 제 34 항에 있어서,
적어도 하나의 서비스 태스크(1.11,1.12,1.13)에 대한 구매자가 서비스 태스크 주문 인터페이스(5.1)를 통해 적어도 하나의 서비스 태스크(1.11,1.12,1.13)를 주문하는
방법.
- 제 33 항 내지 제 35 항 중 어느 한 항에 있어서,
피드백 입력 인터페이스(6.1)에 의해, 완료된 서비스 태스크(1.11,1.12,1.13)와 연관된 피드백 데이터(7.11)가 수신 및 기록되는
방법.
- 제 36 항에 있어서,
완료된 서비스 태스크(1.11,1.12,1.13)와 연관된 피드백 데이터(6.11)에 따라 서비스 제공자들(1.21,1.22,1.23)을 재 평가하는 등급 유닛(7.1)을 더 구비하는
방법.
- 제 37 항에 있어서,
등급 유닛(7.1)은, 서비스 제공자 데이터(3.21,3.22,3.23,3.24,3.25,3.26,3.27)를 자동적으로 증가시키고/시키거나, 서비스 제공자(1.21,1.22,1.23)의 자동화된 재-평가에 기반하여 적어도 제2의 자동적으로 및 개별적으로 컴파일된 훈련 세션(2.21,2.22,2.23)에 서비스 제공자(1.21,1.22,1.23)가 참여하도록 요청하는, 서비스 제공자(1.21,1.22,1.23)의 자동화된 재-평가를 위한 평가 유닛(2.11)에 대한 피드백 접속(6.12)을 가지며,
상기 적어도 제2의 자동적으로 및 개별적으로 컴파일된 훈련 세션(2.21,2.22,2.23)에는 서비스 제공자(1.21,1.22,1.23)의 상호 작용이 성공적으로 참여해야 하고,
또 다른 기술 레벨(2.11,2.12,2.13)이 서비스 제공자(1.21,1.22,1.23)에게 배정되고,
상기 또 다른 기술 레벨(2.11,2.12,2.13)은 서비스 제공자 프로파일 데이터베이스(3.2)내의 연관된 서비스 제공자 데이터(3.21,3.22,3.23,3.24,3.25,3.26,3.27)를 자동적으로 증가시키는
방법.
- 시계열내의 비정상 이벤트에 대해 트리거함에 의해 프로젝트 개발 시계열을 모니터링 및/또는 예측하고 비정상 발생 측정을 수량화하는, 실세계 프로젝트(101,102,...,10i)의 진화하는 디지털 표시를 제공하는 사이버-물리적 트윈 구조를 이용하여 운영 유닛(2)과 배포 유닛(3)간에 프로젝트(101,102,...,10i)를 협업하고, 자동화하며, 조직하는 인공 지능-기반 플랫폼(1)으로서,
네트워크-지원 디바이스들(2i2/3i2)에 의해 데이터 전송 네트워크(4)를 통해 동작 유닛들(21,22,...,2i)과 배포 유닛들(31,32,...,3i)에 보안 클라우드-기반 네트워크(5/51,52,...,5i)에 대한 네트워크 액세스를 제공하는 디지털 플랫폼(1)의 네트워크 인터페이스(18) - 디지털 네트워킹 플랫폼(1)의 영구 저장(10)에 유지된 프로젝트(101,102,...,10i)는, 배정 관계(10i)에 따라 다른 유닛들(2/3)과의 프로젝트 데이터(10ii)의 공유와, 프로젝트(101,102,...,10i)와 연관된 프로젝트 데이터(10ii)의 업로드 및 다운로드 액세스(upload and download access)를 제공하는 전용 보안 네트워크(51,52,...,5i)를 통해, 배정된 유닛(2/3)에 대해서만 액세스될 수 있음 - 와;
새로운 프로젝트(101,102,...,10i)를 요청하는 동작 유닛(2)의 프로젝트 제출(10i2)로부터 프로젝트 데이터(10ii)를 추출하는 프로젝트 관리자 모듈(14)- 새로운 프로젝트(101,102,...,10i)는, 프로젝트 제출 데이터(10i2)에 기반하여, 프로젝트 관리자 모듈(14)의 프로젝트 분석기(142)에 의해 생성되며, 연관된 프로젝트 데이터(10ii)는 영구 저장(10)에 저장됨 - 과;
프로젝트 제출 데이터(10i2)에 기반하여 태스크 데이터베이스(111)로부터, 배포 유닛(3)에 의해 실행될 하나 이상의 태스크들(111i)을 선택하는 태스크 선택기(11) 및 특정 배포 유닛(3)이 실행할 수 있는 보증된 기술(3i1)을 나타내는 배포 유닛들(3)의 보증된 기술 승인 데이터(1632)에 기반하여 하나 이상의 배포 유닛들(3)을 선택하는 태스크 관리자 모듈(143) - 선택된 태스크(111i)는 새로운 프로젝트(101,102,...,10i)와 연관된 관계(10i1)를 제공하는 적어도 하나의 선택된 배포 유닛(3)에 배정되고, 태스크 선택기(11)는 머신-학습-기반 매칭 구조(112)를 구비하며, 머신-학습-기반 매칭 구조(112)에 의해, 프로젝트(10i)와 연관된 특정 태스크(111i)를 수행하기 위해 적절한 기술 보증들(1511,1512,...,151i)이 결정되고, 필수적인, 결정된 기술 보증들(1511,1512,...,151i)과, 적어도 제출 데이터(1211,...,121i)의 동작 유닛(21,22,...,2i)의 위치와 이용 가능 배치 유닛(31,32,...,3i)의 위치를 구비하는 추가적인 트리거 기준에 기반하여 적어도 하나의 배포 유닛(31,32,...,3i)이 결정됨 - 과;
상기 관계(10i1)에서 나타난 동작 유닛(2)과 선택된 배포 유닛(3)에게 새로운 프로젝트(101,102,...,10i)에 대한 액세스를 제공하는 새로운 프로젝트(101,102,...,10i)에 대한 보안 클라우드-기반 네트워크(5/51,52,...,5i)를 생성하는 액세스 제어기(141)를 특징으로 하되,
상기 관계(10i1)는, 유닛들(2/3)의 페어(pair of units)간의 통신이 허용되기 전에, 상기 유닛들(2/3)의 페어 간에 수립되는
인공 지능-기반 플랫폼(1).
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20170367 | 2020-04-20 | ||
EP20170367.5 | 2020-04-20 | ||
PCT/EP2021/057612 WO2021213770A1 (en) | 2020-04-20 | 2021-03-24 | Digital cloud-based platform and method for providing shell communication with cognitive cross-collaboration access using certified attribute parameters and operant conditioning tags |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230007401A true KR20230007401A (ko) | 2023-01-12 |
KR102716692B1 KR102716692B1 (ko) | 2024-10-15 |
Family
ID=70333877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020227040386A KR102716692B1 (ko) | 2020-04-20 | 2021-03-24 | 보증된 속성 파라메타들과 조작적 조건화 태그를 이용하여 인지 교차-협업 액세스를 가진 쉘 통신을 제공하는 디지털 클라우드-기반 플랫폼 및 방법 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230252375A1 (ko) |
EP (1) | EP4139862A1 (ko) |
JP (1) | JP7481571B2 (ko) |
KR (1) | KR102716692B1 (ko) |
CN (1) | CN115867928A (ko) |
CA (1) | CA3175401A1 (ko) |
WO (1) | WO2021213770A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102663507B1 (ko) * | 2023-05-18 | 2024-05-07 | 주식회사 틸다 | Kpi 최적화 시스템 및 이를 제공하기 위한 클라우드 기반의 대규모 작업 처리 시스템 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022207656A1 (en) * | 2021-03-31 | 2022-10-06 | Koninklijke Philips N.V. | Artificial intelligence based clinician worklist implementation |
EP4123532A1 (en) * | 2021-07-20 | 2023-01-25 | Hitachi, Ltd. | Method and apparatus for aligning interactions of users in a green technology project |
CN115495137A (zh) * | 2022-11-09 | 2022-12-20 | 北京智芯半导体科技有限公司 | 用于智能融合终端app开发的组态化系统及方法 |
CN116109116B (zh) * | 2023-04-13 | 2023-06-16 | 中建安装集团有限公司 | 一种基于云计算的应用程序综合监管控制系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120137425A (ko) * | 2010-01-18 | 2012-12-20 | 애플 인크. | 지능형 자동화 어시스턴트에 대한 서비스 오케스트레이션 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7401131B2 (en) * | 2000-05-22 | 2008-07-15 | Verizon Business Global Llc | Method and system for implementing improved containers in a global ecosystem of interrelated services |
JP2001350866A (ja) | 2000-06-06 | 2001-12-21 | Sanku Net:Kk | 業務委託先選択システム |
JP2002207896A (ja) | 2000-10-10 | 2002-07-26 | Sony Corp | ウェブページ制作支援システム,ウェブページ制作支援サーバ,ウェブページ制作支援方法,ウェブページ制作支援プログラムの記録媒体 |
US7155400B1 (en) * | 2001-11-14 | 2006-12-26 | Qgenisys, Inc. | Universal task management system, method and product for automatically managing remote workers, including automatically recruiting workers |
US6859523B1 (en) * | 2001-11-14 | 2005-02-22 | Qgenisys, Inc. | Universal task management system, method and product for automatically managing remote workers, including assessing the work product and workers |
US7502747B1 (en) | 2001-11-29 | 2009-03-10 | Microsoft Corporation | Automated job scheduling based on resource availability |
JP2007058820A (ja) | 2005-08-26 | 2007-03-08 | Hiroshi Sato | 携帯型情報処理装置、ネットワーク上の情報処理装置、並びにシステム、及びマーケティング方法。 |
JP2009294971A (ja) | 2008-06-06 | 2009-12-17 | Promise Co Ltd | 業務オークションシステム |
JP5557617B2 (ja) | 2010-06-23 | 2014-07-23 | 株式会社日立システムズ | 作業パートナ選定方法、装置、及びプログラム |
JP2012069047A (ja) | 2010-09-27 | 2012-04-05 | Yuzo Abe | 課題解決型求人・求職マッチングシステム |
WO2014022837A1 (en) | 2012-08-02 | 2014-02-06 | Cicio Jr Frank C | Skilled based, staffing system coordinated with communication based, project management application |
CA2798022A1 (en) * | 2012-12-04 | 2014-06-04 | Hugh Hull | Worker self-management system and method |
US10860955B2 (en) | 2014-04-04 | 2020-12-08 | Tower Rock Technologies, Llc | Job loader |
US11164151B2 (en) * | 2017-07-20 | 2021-11-02 | Global Tel*Link Corporation | System and method for providing job-specific training and employment to residents of a controlled environment facility |
JP6600856B1 (ja) | 2018-06-27 | 2019-11-06 | 株式会社クロスコンパス | 人工知能パッケージの流通環境を提供する流通環境提供システム |
JP2020030826A (ja) | 2018-08-21 | 2020-02-27 | 7s HOLDING株式会社 | 情報処理装置 |
WO2021249654A1 (en) * | 2020-06-12 | 2021-12-16 | Swiss Reinsurance Company Ltd. | Digital cross-network platform, and method thereof |
-
2021
- 2021-03-24 CN CN202180043667.8A patent/CN115867928A/zh active Pending
- 2021-03-24 JP JP2023506364A patent/JP7481571B2/ja active Active
- 2021-03-24 US US17/920,032 patent/US20230252375A1/en active Pending
- 2021-03-24 EP EP21714149.8A patent/EP4139862A1/en active Pending
- 2021-03-24 WO PCT/EP2021/057612 patent/WO2021213770A1/en active Application Filing
- 2021-03-24 KR KR1020227040386A patent/KR102716692B1/ko active IP Right Grant
- 2021-03-24 CA CA3175401A patent/CA3175401A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120137425A (ko) * | 2010-01-18 | 2012-12-20 | 애플 인크. | 지능형 자동화 어시스턴트에 대한 서비스 오케스트레이션 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102663507B1 (ko) * | 2023-05-18 | 2024-05-07 | 주식회사 틸다 | Kpi 최적화 시스템 및 이를 제공하기 위한 클라우드 기반의 대규모 작업 처리 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CA3175401A1 (en) | 2021-10-28 |
WO2021213770A1 (en) | 2021-10-28 |
CN115867928A (zh) | 2023-03-28 |
US20230252375A1 (en) | 2023-08-10 |
KR102716692B1 (ko) | 2024-10-15 |
JP2023527481A (ja) | 2023-06-28 |
JP7481571B2 (ja) | 2024-05-10 |
EP4139862A1 (en) | 2023-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102716692B1 (ko) | 보증된 속성 파라메타들과 조작적 조건화 태그를 이용하여 인지 교차-협업 액세스를 가진 쉘 통신을 제공하는 디지털 클라우드-기반 플랫폼 및 방법 | |
CA3003617C (en) | Model building architecture and smart routing of work items | |
US11790303B2 (en) | Analyzing agent data and automatically delivering actions | |
WO2018013798A1 (en) | Computerized system and method for providing cybersecurity detection and response functionality | |
CN114616560A (zh) | 用于机器学习(ml)的自适应和上下文感知自动化服务组成的技术 | |
US20230418958A1 (en) | Scalable, data-driven digital marketplace providing a standardized secured data system for interlinking sensitive risk-related data, and method thereof | |
US11145018B2 (en) | Intelligent career planning in a computing environment | |
US11816548B2 (en) | Distributed learning using ensemble-based fusion | |
JP7275314B2 (ja) | 作業負荷ルーティングのためのスマートキャパシティ | |
Pantelidis et al. | Insider threat detection using deep autoencoder and variational autoencoder neural networks | |
JP2023547849A (ja) | ラベルなしセンサデータを用いた産業システム内の稀な障害の自動化されたリアルタイムの検出、予測、及び予防に関する、方法または非一時的コンピュータ可読媒体 | |
US12086038B2 (en) | Unsupervised log data anomaly detection | |
US20210142233A1 (en) | Systems and methods for process mining using unsupervised learning | |
AU2021218217A1 (en) | Systems and methods for preventative monitoring using AI learning of outcomes and responses from previous experience. | |
Magán-Carrión et al. | Multivariate statistical network monitoring–sensor: an effective tool for real-time monitoring and anomaly detection in complex networks and systems | |
Sundararajan et al. | A tri-modular framework to minimize smart grid cyber-attack cognitive gap in utility control centers | |
US11676063B2 (en) | Exposing payload data from non-integrated machine learning systems | |
US11140108B1 (en) | Intelligent distribution of media data in a computing environment | |
JP2008187612A (ja) | トラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体 | |
Maule | Acquisition data analytics for supply chain cybersecurity | |
Essah et al. | Information Processing in IoT Based Manufacturing Monitoring System | |
US20200358829A1 (en) | Dynamic Threat Intelligence Detection and Control System | |
Dobie et al. | Network System of Systems Manager | |
US12124924B2 (en) | Machine-learning model to predict probability of success of an operator in a PaaS cloud environment | |
US20240314020A1 (en) | Hierarchical auto summary generation with multi-task learning in networking recommendations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
GRNT | Written decision to grant |