KR20230135069A - 밸류 체인 네트워크를 위한 로봇 플릿 관리 및 적층제조 - Google Patents

밸류 체인 네트워크를 위한 로봇 플릿 관리 및 적층제조 Download PDF

Info

Publication number
KR20230135069A
KR20230135069A KR1020237024546A KR20237024546A KR20230135069A KR 20230135069 A KR20230135069 A KR 20230135069A KR 1020237024546 A KR1020237024546 A KR 1020237024546A KR 20237024546 A KR20237024546 A KR 20237024546A KR 20230135069 A KR20230135069 A KR 20230135069A
Authority
KR
South Korea
Prior art keywords
robot
task
fleet
tasks
data
Prior art date
Application number
KR1020237024546A
Other languages
English (en)
Inventor
찰스 에이치. 셀라
브렌트 블리번
브래드 켈
테이모어 에스 엘 태리
앤드류 카드노
사바 마린코비치
조슈아 도브로윗스키
레온 포틴
쿠날 샤마
Original Assignee
스트롱 포스 브이씨엔 포트폴리오 2019, 엘엘씨
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 스트롱 포스 브이씨엔 포트폴리오 2019, 엘엘씨 filed Critical 스트롱 포스 브이씨엔 포트폴리오 2019, 엘엘씨
Priority claimed from PCT/US2021/064233 external-priority patent/WO2022133330A1/en
Publication of KR20230135069A publication Critical patent/KR20230135069A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0297—Fleet control by controlling means in a control room
    • 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
    • G06Q10/0633—Workflow 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/70—Recycling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/357—Recycling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/379—Handling of additively manufactured objects, e.g. using robots
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B26/00—Optical devices or arrangements for the control of light using movable or deformable optical elements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/402—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for positioning, e.g. centring a tool relative to a hole in the workpiece, additional detection means to correct position
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
    • G05D1/0027—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement involving a plurality of vehicles, e.g. fleet or convoy travelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3236—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions
    • H04L9/3239—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions involving non-keyed hash functions, e.g. modification detection codes [MDCs], MD5, SHA or RIPEMD
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F2998/00—Supplementary information concerning processes or compositions relating to powder metallurgy
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1671—Programme controls characterised by programming, planning systems for manipulators characterised by simulation, either to verify existing program or to create and verify new program, CAD/CAM oriented, graphic oriented programming systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/10—Processes of additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y10/00—Processes of additive manufacturing
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B3/00—Simple or compound lenses
    • G02B3/12—Fluid-filled or evacuated lenses
    • G02B3/14—Fluid-filled or evacuated lenses of variable focal length
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32015—Optimize, process management, optimize production line
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32117—Resource allocation, of number of pallets, fixtures of each type to part type
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32254—Work sequence, alternative sequence
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32291—Task sequence optimization
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32365—For resource planning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33006—Ama allocation manual automatic work between machine, manipulator and man
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35134—3-D cad-cam
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36252—Generate machining program based on a simulation to optimize a machine parameter
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39146—Swarm, multiagent, distributed multitask fusion, cooperation multi robots
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39167—Resources scheduling and balancing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40113—Task planning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49023—3-D printing, layer of powder, add drops of binder in layer, new powder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/10—Additive manufacturing, e.g. 3D printing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/06395—Quality analysis or 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0831—Overseas transactions
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • 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
    • G06Q2220/00—Business processing using cryptography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/40—Minimising material used in manufacturing processes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Robotics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Optics & Photonics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Accounting & Taxation (AREA)

Abstract

밸류 체인 네트워크 자동화 시스템은 공급 체인 로봇 플릿 데이터 세트를 포함하고, 이는 상품의 세트에 대한 공급 체인에서의 로봇 시스템의 세트의 능력 및 상태의 세트의 속성을 포함한다. 시스템은 수요 지능 로봇 프로세스 자동화 데이터 세트를 포함하고, 이는 상품의 세트에 대한 수요 예상 태스크의 세트의 자동화를 수행하는 로봇 프로세스 자동화 시스템의 세트의 상태의 세트의 속성을 포함한다. 시스템은 공급 체인 로봇 플릿 데이터 세트 및 수요 지능 로봇 프로세스 자동화 데이터 세트를 처리하여 상품 세트에 대한 공급 및 수요를 조정하는 것에 기초하여 공급 체인 로봇 플릿에 대한 로봇 태스크 명령어의 세트를 제공하는 조정 시스템을 포함한다.

Description

밸류 체인 네트워크를 위한 로봇 플릿 관리 및 적층 제조
관련 출원에 대한 상호 참조
본 출원은 2020년 12월 18일에 출원된 미국 가특허 출원 제63/127,983호 및 2021년 5월 6일에 출원된 미국 가특허 출원 제63/185,348호의 이익을 주장한다. 본 출원은 2021년 7월 3일에 출원된 인도 특허 출원 제IN202111029964호 및 2021년 8월 10일에 출원된 인도 특허 출원 제IN202111036187호에 대한 우선권을 주장한다. 상기 출원의 전체 개시는 참조로 본 출원에 포함된다.
분야
본 개시는 공급 체인 및 수요 관리 엔티티를 포함하는 밸류 체인 네트워크 엔티티의 관리를 위한 정보 기술 방법 및 시스템에 관한 것이다. 본 개시는 또한 기업 관리 플랫폼의 분야, 더 구체적으로는 데이터 관리, 인공 지능, 네트워크 연결 및 디지털 트윈, 적층 제조(additive manufacturing), 서비스형 로봇 공학(robotics-as-a-service), 및 에너지 관리를 수반하는 기업 관리 플랫폼의 분야에 관한 것이다.
역사적으로, 가정 소비자, 사업자 및 다른 고객이 구매하여 사용하는 다양한 카테고리의 상품 중 대다수는 주로 비교적 선형적인 방식을 통해 공급되었으며, 이러한 방식에서, 완제품, 컴포넌트, 및 다른 아이템의 제조자 및 다른 공급자는 아이템을 배송 회사, 화물 운송업자 등에게 넘겨주고, 배송 회사, 화물 운송업자 등이 아이템을 임시 저장을 위해 웨어하우스에, 고객이 아이템을 구매하는 소매업자에게, 또는 고객 위치에 직접 전달하였다. 제조자 및 소매업자는 제품을 설계하는 것, 제품을 매대(shelf) 상에 위치설정하고 광고하는 것, 가격을 설정하는 것 등을 비롯하여, 고객의 수요를 장려하고 만족시키기 위해 다양한 판매 및 마케팅 활동을 수행하였다.
제품에 대한 주문은 도 1에 도시된 것과 같은 공급 체인을 통해 제조자에 의해 주문 처리되고, 생산 시설(134)을 운영하거나 다른 사람을 위한 재판매업자 또는 유통업자로서 작용하는, 다양한 공급 환경(160)에서의 공급자(122)가 주문에 응답하여 원산지 지점(102)에서 제품(130)을 입수한다. 제품(130)은 공급 체인을 통해 전달되고, 다양한 운반 시설(138) 및 유통 시설(134), 예컨대, 웨어하우스(132), 주문 처리 센터(fulfillment center)(112) 및 배달 시스템(114), 예컨대 트럭 및 다른 차량, 기차 등을 통해 운반 및 저장된다. 많은 경우에서, 선박, 바지선, 도크 및 항구와 같은 해양 시설 및 기반구조를 통해 원산지 지점(102)과 하나 이상의 목적지(104) 사이의 수로를 통한 수송이 제공된다.
조직은 거의 무제한의 양의 데이터에 액세스할 수 있다. 스마트 연결 디바이스, 웨어러블 기술, IoT(Internet of Things) 등의 출현으로, 밸류 체인 네트워크를 계획, 감독, 관리 및 운영하고 있는 조직에 이용가능한 데이터의 양이 극적으로 증가하였고, 계속 그렇게 될 가능성이 높다. 예를 들어, 제조 시설, 웨어하우스, 캠퍼스, 또는 다른 운영 환경에서, 중요한 기계의 진동 시그니처를 측정하는 진동 데이터, 시설 전체에 걸친 온도, 처리량(throughput)을 추적할 수 있는 모션 센서, 아이템을 찾기 위한 자산 추적 센서 및 비컨, 카메라 및 광학 센서, 화학적 및 생물학적 센서 등과 같은 메트릭을 제공하는 수백 내지 수천의 IoT 센서가 있을 수 있다. 추가적으로, 웨어러블 기술이 더 보편화됨에 따라, 웨어러블은 작업자의 이동, 건강 지표, 생리학적 상태, 활동 상태, 이동, 및 다른 특성에 대한 통찰을 제공할 수 있다. 또한, 조직이 CRM 시스템, ERP 시스템, 운영 시스템, 정보 기술 시스템, 진보된 분석 및 정보 및 정보 기술을 활용하는 다른 시스템을 구현함에 따라, 조직은 조직에 의해 또는 조직을 위해 생성된 데이터 세트 및 제3자 데이터 세트를 비롯하여, 마케팅 데이터, 판매 데이터, 운영 데이터, 정보 기술 데이터, 성능 데이터, 고객 데이터, 재무 데이터, 시장 데이터, 가격 데이터, 공급 체인 데이터 등과 같은 점점 더 광범위한 다른 대규모 데이터 세트에 액세스할 수 있다.
더 많은 데이터 및 새로운 타입의 데이터의 존재는 조직이 경쟁 우위를 달성할 수 있는 많은 기회를 제공하지만; 그러나, 이는 또한 복잡성 및 용량과 같은 문제를 제기하며, 이로 인해, 사용자가 압도되어, 통찰을 위한 기회를 놓치게 될 수 있다. 기업이 데이터를 획득할 뿐만 아니라, 또한 데이터를 통찰로 변환하고, 통찰을 우수한 정보에 기초한 결정 및 효율적인 운영의 적시 실행으로 변환할 수 있게 하는 방법 및 시스템에 대한 필요성이 존재한다.
적층 제조(ADDITIVE MANUFACTURING)
3D 프린팅, 기상 증착, 폴리머(또는 다른 재료) 코팅, 에피택셜 및/또는 결정질 성장 접근법 등과 같은 기술을 포함하는 적층 제조는, 단독으로 또는 절삭 또는 조립 기술과 같은 다른 기술과 조합하여, 완성된 컴포넌트 또는 시스템에 도달하기 위한 선택적인 중간 또는 후속 단계와 함께, 제품의 연속적인 층을 형성하는 프로세스를 통해 설계로부터 3차원 제품의 제조를 가능하게 한다. 설계는 컴퓨터 지원 설계 패키지로 또는 3D 스캐너를 통해 생성된 전자 3D 모델과 같은 데이터 소스의 형태일 수 있다. 이어서, 3D 프린팅 또는 다른 적층 제조 프로세스는 제1 재료 층을 형성하는 것 그리고 이어서 연속적인 재료 층을 추가하는 것을 수반하고, 전체 설계된 3차원 제품이 완성될 때까지, 각각의 새로운 재료 층이 이전에 형성된 재료 층 상에 추가된다. 본 개시 전반에 걸쳐 3D 프린팅 또는 다른 특정 적층 제조 기술에 대한 언급은, 문맥상 구체적으로 달리 나타나는 경우를 제외하고는, 다른 적층 제조 기술을 수반하는 대안적인 실시예를 포함하는 것으로 이해하여야 한다.
다수의 적층 제조 프로세스가 현재 이용가능하다. 이들은 3D 제품을 생성하기 위해 연속적인 층이 증착되는 방식이 상이할 수 있다. 이들은 또한 제품을 형성하는데 사용되는 재료의 관점에서 상이할 수 있다. 금속(이러한 용어(term)는 문맥이 구체적으로 달리 나타나는 경우를 제외하고 합금을 포함하고 형상 기억 재료와 같은 특수 금속을 포함함)은 점점 더 인기 있는 3D 프린팅 재료이다. 일반적인 이러한 금속은 티타늄, 스테인레스강, 알루미늄, 공구강, 인코넬(Inconel) 및 코발트 크롬을 포함한다. 일부 방법은 층을 생성하기 위해 금속을 용융 또는 연화시킨다. 금속 3D 프린팅 방법의 예는 선택적 레이저 용융(SLM), 선택적 레이저 소결(SLS), 직접 금속 레이저 소결(DMLS) 및/또는 융합 증착 모델링(FDM)을 포함한다. 다른 방법은 (a) 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성하는 금속 압출; (b) 프린트-헤드를 사용하여 분말 층 상에 액체 결합제를 도포하는 금속 결합제 분사(jetting) 및 (c) 초박층에서 잉크젯 노즐로부터의 금속 나노입자의 분사를 사용하는 나노입자 분사를 포함한다.
설계 데이터 소스 또는 금속 3D 프린팅을 포함하는 적층 제조에 이용되는 방법에 관계없이, 설계 및 제조로부터 최종 고객 배달까지의 전체 프로세스는 비효율성, 프로세스 변동, 제품 불일치 및 비신뢰성이 남아 있는 경향이 있다. 이는 최종 3D 프린팅된 제품이 고객 기대 및/또는 제품 사양을 만족시키지 못하게 할 수 있고, 이로 인해 다른 문제 중에서도 낮은 품질의 3D 프린팅된 제품 또는 컴포넌트를 초래하여 고장을 유발할 수 있다. 이러한 문제는 또한 재료 낭비, 기계 중단시간 및/또는 비생산적 프린트 시간으로 인한 처리량 감소, 및 연관된 공급 체인 위험 및 비효율성을 통해 3D 프린팅 서비스 제공자의 운영 비용을 증가시킬 수 있다. 예를 들어, 3D 프린팅 제품은 프린팅 절차 및 최적화되지 않은 프린팅 파라미터로 인해 제조 동안 또는 제조 후에 변형되는 것이 일반적이다. 또한, 비효율적인 제조 공급 체인으로 인해 발생할 수 있는 일반적인 문제는 사기, 지연된 배달, 계약상 책임 및 제품 리콜을 포함한다.
최종 금속 3D 프린팅 제품이 품질, 비용 및 소요 시간에 대한 고객 기대 및 생산자 사양과 일치되는 것을 보장하기 위해, 더 스마트한 제품 설계, 제조, 공급 체인 및 수요 관리 방법 및 시스템에 대한 필요성이 존재한다. 다양한 이해 당사자에 의한 그리고 다양한 이해 당사자를 위한 적층 제조 능력의 개선된 모니터링, 관리, 및 최적화를 허용하는 방법 및 시스템에 대한 추가적인 필요성이 존재한다.
종래의 기계 비전 시스템은 광학, 조명, 센서 및 소프트웨어의 조합으로 형성되고 인간 눈의 기능을 복제하는 것을 목적으로 한다. 이러한 시스템은 객체로부터의 반사광을 포착하고 분석함으로써 객체의 이미지를 생성한다. 광학 렌즈는 이미지를 포착하고 이를 CCD(charge coupled device) 또는 CMOS(complementary metal oxide semiconductor) 디바이스와 같은 이미지 센서에 제시한다. 이러한 디바이스는 집적 회로 기술을 사용하여 실리콘 칩 상에 제조된 작고 정확하게 이격된 감광성 요소의 행렬 또는 선형 어레이들을 포함한다. 센서 디바이스는 카메라 렌즈를 통과하여 센서 디바이스 위에 들어오는 광을 광 강도에 대응하는 아날로그 전기 신호로 변환한다. 따라서, 객체 이미지는 개별 화소 또는 픽셀의 어레이로 분해된다. 아날로그-디지털 변환기는 요소의 아날로그 전압을 디지털 값으로 변환하는데 사용된다. 각각의 픽셀에 대한 전압 레벨이 일부 임계값에 따라 0 또는 1 값으로 주어지면, 이는 이진 시스템이라고 불린다. 한편, 그레이 스케일 시스템은 강도에 따라 최대 256개의 상이한 값을 각각의 픽셀에 할당한다. 따라서, 흑색 및 백색 외에도, 많은 상이한 회색 음영이 구별될 수 있다. 그레이 스케일 이미지는, 예를 들어, 0 내지 255의 범위 내의 픽셀 값을 갖는 픽셀의 2-D 행렬에 의해 표현되는 하나의 채널을 갖는 것으로 나타날 수 있다. 한편, 컬러 이미지는 R(적색), G(녹색), 및 B(청색)의 3개의 원색 값에 의해 이미지 내의 픽셀의 컬러 및 밝기가 표현된다. 따라서, 컬러 이미지는 이미지의 RGB 성분을 각각 나타내는 적색, 녹색 및 청색(RGB) 채널을 갖는다. 이미지 센서에 의해 포착된 이 원시 데이터는 이어서 분석을 위해 이미지 처리 시스템에 전송된다. 그 다음, 이미지 처리 시스템은 원시 데이터를 처리하여 유용한 정보를 추출하여 이미지를 분석하고 그러한 분석에 대한 결정을 내린다. 이미지 처리 시스템은 이미지 품질을 향상시키기 위한 전처리 기능을 포함할 수 있다. 예를 들어, 이러한 처리는 이미지 스케일링, 노이즈 감소, 컬러 조정, 밝기 조정, 화이트 밸런스 조정, 선명도, 조정, 콘트라스트 조정 등을 수반할 수 있다. 또한, 이미지는 이미지 내의 하나 이상의 객체를 식별하고 그러한 객체의 위치 및 배향을 결정하기 위해 기계 학습 또는 다른 알고리즘을 사용하여 분석될 수 있다.
비전 기술(vision technology)이 과거 몇 년 동안 상당히 개선되었지만, 대부분의 개선은 비전 센서에 의해 포착된 이미지 데이터의 처리에 관한 것이며, 이미지 데이터의 처리를 위한 컨볼루션 신경망(CNN : convolutional neural network) 및 그래픽 처리 유닛(GPU)과 같은 빅 데이터, 정교한 기계 학습 알고리즘의 사용의 덕분일 수 있다. 그러나, 종래의 비전 기술은 구체적으로 객체 또는 장면에 대한 원시 데이터의 포착과 관련하여 상당한 제한을 갖는다. 예를 들어, 종래의 비전 시스템에서의 광학 렌즈는 간단한 포커싱 기술에 의존함으로써 선형적이고 둔한 방식으로 정보를 추출하려고 시도한다. 객체를 이미지에 포커싱하려는 시도는 결국 많은 양의 정보 및 다른 광학 특성을 잃게 한다. 눈에는 "완벽하지 않지만" 알고리즘에는 풍부한 이미지를 생성하기 위해 이전에는 손실되거나 추론되어왔던 정보를 포착할 필요가 있다. 종래의 비전 기술이 부적절한 것으로 입증된, 더 풍부한 객체 인식의 복합 비전 애플리케이션에 대한 추가적인 필요성이 존재하며, 이는 모바일, 로봇 사용 예에서와 같이, 객체 또는 비전 시스템이 이동하고 있을 때와 같은 동적 환경에서 객체를 인식하는 것; 깊이 데이터를 포착함으로써 3차원(3D) 객체를 인식하는 것; 깊이, 배향, 및 모션과 같은 객체 속성을 예측하는 것; 작은 객체를 인식하는 것; 얼굴 특징을 인식하는 것; 전력 제약 또는 네트워크 제약 환경, 및 전통적인 기계 비전 시스템 및 방법이 적합하지 않은 다른 사용 사례에서 객체를 인식하는 것을 포함한다.
또한, 자동화는 거의 모든 카테고리의 아이템에 대한 밸류 체인을 혁신하고 있으며, 로봇 공학은 이러한 혁신의 핵심이다. 물리적 로봇이 다년간 제조에서 끝없이 확장하는 역할을 담당해왔지만, 전형적인 구현은 역사적으로 고정된 위치의 로봇이 조립 라인에서 페인팅, 용접 등과 같은 미리 정의된 배열에서 규정된 태스크를 완료하는 것에 초점을 두고 있다. 이러한 제한된 역할은 품질, 비용, 및 생산성에서 상당한 개선을 생성해 왔고 계속해서 생성하겠지만, 엔지니어링, 재료 과학, 소프트웨어 프로세스 자동화, 인공 지능, 적층 제조, 데이터 기반 분석, 디지털 트윈, 블록체인, 스마트 계약 등의 신흥 기술을 완전히 활용하지는 못한다. 이러한 기술은 상호작용 능력을 갖는 고도로 기능적인 자율 로봇의 혁신적인 어레이를 생성하기 위해 로봇 공학(하드웨어 및 소프트웨어 로봇 공학을 포함함)의 개발과 통합될 수 있다. 신흥 및 미래의 로봇 클래스 및 능력은, 특히, "서비스형 로봇(robotics-as-a-service)" 플랫폼에서 로봇 플릿 능력에 액세스하는 계약된 서비스를 비롯하여, 신뢰성 있는 서비스를 안전하게 전달하기 위해 로봇 및 로봇 플릿(robot fleet)을 자동으로 구성, 조직, 배치, 및 제어할 수 있는 끊임없이 확장되는 로봇 사용 사례 및 관리 플랫폼에 대한 기회를 제공한다.
로봇 플릿 관리 플랫폼은 하나 이상의 각각의 지능 서비스에 의해 이루어진 결정에 적용되는 보안 표준, 법적 표준, 윤리적 표준, 규제 표준, 품질 표준, 또는 엔지니어링 표준 중 적어도 하나의 세트를 포함하는 거버넌스 표준의 세트를 정의하는 거버넌스 라이브러리(governance library)를 저장하는 데이터저장소의 세트를 포함한다. 로봇 플릿 관리 플랫폼은 컴퓨터 판독가능 명령어의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함한다. 하나 이상의 프로세서의 세트는 각각의 지능 서비스 클라이언트로부터 수신된 지능 요청을 수신하고 이에 응답하는 거버넌스-인에이블링 지능 계층(governance-enabling intelligence layer)을 총괄하여(collectively) 실행한다. 지능 계층은 기계 학습 서비스, 규칙 기반 지능 서비스, 디지털 트윈 서비스, 로봇 프로세스 자동화 서비스, 또는 기계 비전 서비스 중 적어도 하나를 포함하는 인공 지능 서비스의 세트를 포함한다. 지능 계층은 각각의 지능 서비스 클라이언트를 대신하여 각각의 지능 서비스의 수행 및 거버넌스 표준의 세트에 부분적으로 기초하여 각각의 지능 서비스에 대응하는 분석의 세트의 수행을 조정하는 지능 계층 제어기(intelligence layer controller)를 포함한다. 지능 계층은 지능 요청에 응답하여 인공 지능 서비스에 의해 총괄하여 결정된 결정을 반환하여, 결정이 지능 서비스 데이터 소스의 세트 및 분석의 세트에 기초하여 결정되게 한다.
다른 특징에서, 지능 계층 제어기는 요청된 결정을 나타내는 지능 요청을 지능 서비스 클라이언트로부터 수신하고, 요청된 결정의 타입에 의해 결부(implicate)되는 0개 이상의 거버넌스 표준을 결정하고, 요청된 결정의 타입에 의해 결부되는 또는 결정의 타입에 의해 결부되는 거버넌스 표준에 의해 결부되는 0개 이상의 미리 정의된 분석을 결정하고, 0개 이상의 거버넌스 표준 및 0개 이상의 미리 정의된 분석을 인공 지능 서비스에 제공하도록 구성된다. 거버넌스 라이브러리에 정의된 거버넌스 표준으로부터 0개 이상의 거버넌스 표준이 선택된다.
다른 특징에서, 지능 계층 제어기는 요청된 결정이 인공 지능 서비스에 의해 제공될 때까지 인공 지능 서비스에 의해 이루어진 결정에 응답하여 추가적인 거버넌스 표준 및 미리 정의된 분석을 반복적으로 결정하고 인공 지능 서비스에 제공하도록 추가로 구성된다. 다른 특징에서, 지능 계층은 요청된 결정의 타입에 기초하여 지능 계층 데이터 소스의 세트를 결정하도록 추가로 구성된다. 다른 특징에서, 요청 지능 서비스 클라이언트는 지능 계층 데이터 소스의 세트에 요청을 제공한다. 다른 특징에서, 지능 계층에 의해 제공되는 결정은 각각의 지능 서비스 클라이언트에 의해 취해질 각각의 액션을 정의한다. 다른 특징에서, 각각의 액션은 인간 개입을 요청하는 액션을 포함한다.
다른 특징에서, 각각의 액션은 비적응적 미리 정의된 액션을 포함한다. 다른 특징에서, 각각의 액션은 각각의 요청에 응답하는 도메인-특정 액션을 포함한다. 다른 특징에서, 지능 서비스 클라이언트는 잠재적인 보안 위험의 분류를 요청하는 보안 시스템을 포함한다. 다른 특징에서, 지능 서비스 클라이언트는 로봇 플릿을 지원하기 위한 리소스에 대한 추천을 요청하는 리소스 프로비저닝 시스템(resource provisioning system)을 포함한다. 다른 특징에서, 지능 서비스 클라이언트는 하나 이상의 로봇 플릿에 대한 물류 기반 추천을 요청하는 물류 시스템을 포함한다. 다른 특징에서, 지능 서비스 클라이언트는 작업 요청이 주어지면 제안된 작업 구성을 요청하는 작업 구성 시스템을 포함한다. 다른 특징에서, 지능 서비스 클라이언트는 로봇 플릿에 의해 완료될 태스크의 세트가 주어지면 제안된 플릿 구성을 요청하는 플릿 구성 시스템을 포함한다. 다른 특징에서, 지능 서비스 클라이언트는 로봇 플릿 관리 플랫폼에 의해 배치된 로봇 운영 편성 단위(robot operating unit)를 포함한다.
로봇 플릿 리소스를 구성하기 위한 로봇 플릿 관리 플랫폼은 컴퓨터 판독가능 명령어의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함한다. 하나 이상의 프로세서의 세트는 로봇 자동화에 적합한 부분을 식별하기 위해 작업 요청과 연관하여 수신된 작업 콘텐츠에 필터의 세트를 적용하는 작업 파싱 시스템을 총괄하여 실행한다. 태스크 정의 시스템은 적어도 로봇의 타입 및 태스크 목표를 각각 정의하는 로봇 태스크의 세트를 확립하고, 로봇 태스크의 세트는 로봇 자동화에 적합하고 플릿 목표의 세트 중 제1 플릿 목표를 만족시키는 작업 요청의 부분에 적어도 부분적으로 기초한다. 플릿 구성 프록시 서비스는 작업 요청에 관련된 로봇 태스크의 세트 및 추가 작업 콘텐츠를 처리하여 태스크 연합의 세트 및 로봇 적응 명령어의 세트를 정의하는 작업 요청에 대한 플릿 리소스 구성 데이터 구조를 생성한다. 각각의 태스크 연합은 적어도 하나의 로봇 운영 편성 단위를 로봇 태스크의 세트의 각각의 로봇 태스크에 연관시키고, 로봇 적응 명령어의 세트는 로봇 플릿의 하나 이상의 로봇 운영 편성 단위가 로봇이 할당되는 각각의 태스크를 수행하도록 적응되는 방식을 정의한다. 플릿 지능 계층은 적어도 하나의 추천된 로봇 태스크 및 로봇 태스크의 작업흐름에서 로봇 선택 및 태스크 순서화를 용이하게 하는 연관된 상황 정보를 생성하기 위해 지능 서비스의 세트를 활성화한다. 작업 작업흐름 시스템은 플릿 리소스 구성 데이터 구조 및 로봇 태스크의 세트에 기초하여 로봇 태스크의 수행 순서를 정의하는 작업흐름을 생성한다. 작업흐름 시뮬레이션 시스템은 작업흐름 및 작업 실행 시뮬레이션 환경에 기초하여 작업의 수행을 시뮬레이션하도록 구성된다. 작업흐름 시뮬레이션 시스템은 시뮬레이션 결과를 생성하기 위해 로봇 플릿에 할당된 로봇 운영 편성 단위의 디지털 모델 및 태스크 정의의 디지털 모델을 포함하는 작업 실행 시뮬레이션 환경에서 작업흐름을 적용하여, 시뮬레이션 결과가 작업 요청에 대응하는 플릿 목표의 세트 중 제2 플릿 목표를 만족시킬 때까지 시뮬레이션 결과를 사용하여 태스크의 세트, 플릿 리소스 구성 데이터 구조, 또는 작업흐름 중 하나 이상을 반복적으로 재정의한다. 작업 실행 계획 생성기는, 시뮬레이션 결과가 플릿 목표의 세트를 만족시키는 것에 응답하여, 태스크의 세트, 플릿 리소스 구성 데이터 구조, 및 작업흐름에 기초하여 작업 실행 계획을 생성한다.
다른 특징에서, 태스크 정의 시스템은 지능 계층과 상호작용하여 제2 플릿 목표를 만족시키는 대안 태스크를 제안한다. 다른 특징에서, 태스크 정의 시스템은 제1 플릿 목표에 기초하여 로봇 타입 및 태스크 목표 중 적어도 하나를 최적화하기 위해 지능 계층과 상호작용한다. 다른 특징에서, 제1 플릿 목표는 플릿 리소스 활용 기준을 포함한다. 다른 특징에서, 태스크 정의 시스템은 로봇 태스크를 수행할 때 사용하기 위한 특정 로봇 타입을 플릿 구성 프록시 서비스로부터 수신한다. 다른 특징에서, 태스크 정의 시스템은 플릿 구성 프록시 서비스에 의해 제공되는 특정 로봇 타입에 기초하여 로봇 태스크의 세트를 구성한다. 다른 특징에서, 태스크 정의 시스템은 작업흐름 시뮬레이션 시스템에 의한 사용을 위해 태스크를 수행하기 위한 적어도 하나의 로봇 운영 편성 단위 및 태스크 중 적어도 하나를 위한 디지털 트윈에 대한 조회를 포함하는, 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성한다. 다른 특징에서, 태스크 정의 시스템은 적어도 하나의, 태스크를 수행하기 위한 로봇 타입과 로봇 운영 편성 단위 및 태스크를 수행하기 위한 로봇을 구성하기 위한 구성 데이터 구조를 식별하는, 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성한다. 다른 특징에서, 태스크 정의 시스템은 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하고, 작업 요청을 나타내는 정보 및 로봇 타입과 로봇 운영 편성 단위 중 적어도 하나의 식별자에 의해 인덱싱되는 로봇 태스크의 라이브러리에 데이터 구조를 저장한다. 다른 특징에서, 태스크 정의 시스템은 태스크 목표를 만족시키기 위한 로봇의 타입을 식별할 때 로봇 능력과 작업 요청에서 식별된 제약에 대한 요건을 매칭시킨다. 다른 특징에서, 태스크 정의 시스템은 태스크 목표를 달성하기 위해 복수의 상이한 로봇 타입에 대한 복수의 로봇 태스크를 생성한다.
다른 특징에서, 태스크 정의 시스템은 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 플릿 구성 프록시 서비스와 상호작용하여 적어도 하나의 플릿 목표에 기초하여 후보 로봇 태스크로부터 로봇 태스크를 선택한다. 다른 특징에서, 적어도 하나의 플릿 목표는 이용가능한 로봇 운영 편성 단위와 양립 가능하다. 다른 특징에서, 태스크 정의 시스템은 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 플릿 지능 계층과 상호작용하여, 태스크 목표를 달성하기 위한 후보 로봇 태스크의 적합성에 기초하여 후보 로봇 태스크로부터 로봇 태스크를 선택한다. 다른 특징에서, 태스크 정의 시스템은 태스크의 세트를 정의할 때 태스크를 감지하는 바람직한 시퀀스를 표시하는 센서 검출 패키지를 설명하는 정보를 조회한다. 다른 특징에서, 작업 작업흐름 시스템은 로봇 태스크의 작업흐름을 정의할 때 태스크를 감지하는 바람직한 시퀀스를 표시하는 센서 검출 패키지를 설명하는 정보를 조회한다. 다른 특징에서, 작업 작업흐름 시스템은 제2 태스크의 목표를 만족시키기 위한 제1 태스크에 대한 제2 태스크 의존성에 기초하여 로봇 태스크의 작업흐름을 생성한다. 다른 특징에서, 작업 작업흐름 시뮬레이션 시스템은 태스크의 최적화된 작업흐름 순서를 결정하기 위해 태스크의 세트 내의 태스크의 디지털 트윈을 동작시킨다.
로봇 플릿 리소스를 구성하기 위한 로봇 플릿 관리 플랫폼은 컴퓨터 판독가능 명령어의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함한다. 하나 이상의 프로세서의 세트는, 작업 요청을 수신하고 작업 요청과 연관된 작업 콘텐츠 및 플릿 목표의 세트 내의 적어도 하나의 플릿 목표에 기반하여 로봇 플릿에 의해 수행될 로봇 태스크의 세트를 결정하는 작업 구성 시스템을 총괄하여 실행한다. 플릿 구성 프록시 서비스는 로봇 태스크의 세트 및 작업 콘텐츠에 플릿 구성 서비스를 적용하여 작업 요청에 대한 플릿 리소스 구성 데이터 구조를 생성한다. 플릿 지능 계층은 적어도 하나의 추천된 로봇 태스크 및 로봇 태스크의 작업흐름에서 로봇 선택 및 태스크 순서화를 용이하게 하는 연관된 상황 정보를 생성하기 위해 지능 서비스의 세트를 활성화한다. 작업 작업흐름 시스템은 플릿 리소스 구성 데이터 구조 및 로봇 태스크의 세트에 기초하여 로봇 태스크의 수행 순서를 정의하는 작업흐름을 생성한다. 작업흐름 시뮬레이션 시스템은 시뮬레이션 결과가 작업 요청에 대응하는 플릿 목표의 세트 중 제2 플릿 목표를 만족시킬 때까지 작업흐름 및 작업 실행 시뮬레이션 환경에 기초하여 작업의 수행을 시뮬레이션하여 태스크의 세트, 플릿 리소스 구성 데이터 구조, 또는 작업흐름 중 하나 이상을 재귀적으로 재정의하는 데 사용되는 시뮬레이션 결과를 생성하도록 구성된다. 작업 실행 계획 생성기(job execution plan generator)는, 시뮬레이션 결과가 플릿 목표의 세트를 만족시키는 것에 응답하여, 태스크의 세트, 플릿 리소스 구성 데이터 구조, 및 작업흐름에 기초하여 작업 실행 계획을 생성한다.
다른 특징에서, 작업 구성 시스템은 로봇 자동화에 적합한 부분을 식별하기 위해 작업 요청과 연관하여 수신된 작업 콘텐츠에 콘텐츠 및 구조 필터를 적용하는 작업 파싱 시스템을 포함한다. 다른 특징에서, 작업 구성 시스템은 적어도 로봇의 타입 및 태스크 목표를 각각 정의하는 로봇 태스크의 세트를 확립하는 태스크 정의 시스템을 포함하고, 로봇 태스크의 세트는 로봇 자동화에 적합하고 플릿 목표의 세트 중 제1 플릿 목표를 만족시키는 작업 요청의 부분에 적어도 부분적으로 기초한다. 다른 특징에서, 플릿 리소스 구성 데이터 구조는 태스크 연합의 세트 및 로봇 적응 명령어의 세트를 정의한다. 각각의 태스크 연합은 적어도 하나의 로봇 운영 편성 단위를 로봇 태스크의 세트의 각각의 로봇 태스크에 연관시키고, 로봇 적응 명령어의 세트는 로봇 플릿의 하나 이상의 로봇 운영 편성 단위가 로봇이 할당되는 각각의 태스크를 수행하도록 적응되는 방식을 정의한다. 다른 특징에서, 작업흐름 시뮬레이션 시스템은 로봇 플릿에 할당된 로봇 운영 편성 단위의 디지털 모델 및 태스크 정의의 디지털 모델을 포함하는 작업 실행 시뮬레이션 환경에서 작업흐름을 적용하여 시뮬레이션 결과를 생성한다. 다른 특징에서, 작업 구성 시스템은 지능 계층과 상호작용하여 제2 플릿 목표를 만족시키는 대안 태스크를 제안한다. 다른 특징에서, 작업 구성 시스템은 플릿 목표의 세트 중 적어도 하나에 기초하여 로봇 타입 및 태스크 목표 중 적어도 하나를 최적화하기 위해 지능 계층과 상호작용한다. 다른 특징에서, 제1 플릿 목표는 플릿 리소스 활용 기준을 포함한다.
다른 특징에서, 작업 구성 시스템은 로봇 태스크를 수행할 때 사용하기 위한 특정 로봇 타입을 플릿 구성 프록시 서비스로부터 수신한다. 다른 특징에서, 작업 구성 시스템은 플릿 구성 프록시 서비스에 의해 제공되는 특정 로봇 타입에 기초하여 로봇 태스크의 세트를 구성한다. 다른 특징에서, 작업 구성 시스템은 작업흐름 시뮬레이션 시스템에 의한 사용을 위해, 태스크를 수행하기 위한 적어도 하나의 로봇 운영 편성 단위 및 태스크 중 적어도 하나를 위한 디지털 트윈에 대한 조회(reference)를 포함하는, 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성한다. 다른 특징에서, 작업 구성 시스템은 태스크를 수행하기 위한 로봇 타입과 로봇 운영 편성 단위 및 태스크를 수행하기 위한 로봇을 구성하기 위한 구성 데이터 구조 중 적어도 하나를 식별하는, 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성한다. 다른 특징에서, 작업 구성 시스템은 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하고, 작업 요청을 나타내는 정보 및 로봇 타입과 로봇 운영 편성 단위 중 적어도 하나의 식별자에 의해 인덱싱(index)되는 로봇 태스크의 라이브러리에 데이터 구조를 저장한다. 다른 특징에서, 작업 구성 시스템은 태스크 목표를 만족시키기 위한 로봇의 타입을 식별할 때 로봇 능력과 작업 요청에서 식별된 제약에 대한 요건을 매칭시킨다. 다른 특징에서, 작업 구성 시스템은 태스크 목표를 달성하기 위해 복수의 상이한 로봇 타입에 대한 복수의 로봇 태스크를 생성한다. 다른 특징에서, 작업 구성 시스템은 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 플릿 구성 프록시 서비스와 상호작용하여 적어도 하나의 플릿 목표에 기초하여 후보 로봇 태스크로부터 로봇 태스크를 선택한다.
다른 특징에서, 적어도 하나의 플릿 목표는 이용가능한 로봇 운영 편성 단위와 양립 가능하다(compatibility). 다른 특징에서, 작업 구성 시스템은 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 태스크 목표를 달성하기 위한 후보 로봇 태스크의 적합성에 기초하여 후보 로봇 태스크로부터 로봇 태스크를 선택하기 위해 플릿 지능 계층과 상호작용한다. 다른 특징에서, 작업 구성 시스템은 태스크의 세트를 정의할 때 태스크를 감지하는 바람직한 시퀀스를 표시하는 센서 검출 패키지를 설명하는 정보를 조회한다. 다른 특징에서, 작업 작업흐름 시스템은 로봇 태스크의 작업흐름을 정의할 때 태스크를 감지하는 바람직한 시퀀스를 표시하는 센서 검출 패키지를 설명하는 정보를 조회한다. 다른 특징에서, 작업 작업흐름 시스템은 제2 태스크의 목표를 만족시키기 위한 제1 태스크에 대한 제2 태스크 의존성에 기초하여 로봇 태스크의 작업흐름을 생성한다. 다른 특징에서, 작업 작업흐름 시뮬레이션 시스템은 태스크의 최적화된 작업흐름 순서를 결정하기 위해 태스크의 세트 내의 태스크의 디지털 트윈을 동작시킨다.
로봇 플릿 관리 플랫폼은 컴퓨터 판독가능 명령어의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함한다. 하나 이상의 프로세서의 세트는 작업 배송 상품을 설명하는 정보 및 작업 배송 상품을 배달하기 위한 요청-특정 제약을 포함하는 작업 요청을 수신하는 것을 총괄하여 실행한다. 또한, 로봇 자동화에 적합한 부분을 식별하기 위해 작업 요청과 연관하여 수신된 콘텐츠에 콘텐츠 및 구조 필터를 적용하는 것이 실행된다. 적어도 로봇의 타입 및 태스크 목표를 각각 정의하는 로봇 태스크의 세트를 확립하는 것이 또한 실행되고, 로봇 태스크의 세트는 로봇 자동화에 적합하고 제1 플릿 목표를 만족시키는 작업 요청의 부분에 적어도 부분적으로 기초한다. 또한, 작업 콘텐츠 및 로봇 태스크의 세트에 플릿 구성 서비스를 적용하여, 적어도 하나의 로봇 운영 편성 단위를 태스크의 세트 내의 각각의 태스크와 연관시키고, 적어도 하나의 로봇 운영 편성 단위에 기초하여, 연관된 태스크를 수행하기 위한 로봇 적응 명령어를 생성하는 작업 요청에 대한 플릿 리소스 구성 데이터 구조를 생성하는 것이 실행된다. 또한, 플릿 지능 계층으로 로봇 태스크 및 로봇 태스크의 작업흐름에서 로봇 선택 및 태스크 순서화를 용이하게 하는 연관된 상황 정보를 추천하는 것이 실행된다. 플릿 리소스 구성 데이터 구조 및 로봇 태스크의 세트에 기초하여 로봇 태스크의 작업흐름을 생성하는 것이 또한 실행된다. 또한, 태스크 정의의 디지털 모델을 수행하는 로봇 운영 편성 단위의 디지털 모델을 시뮬레이션함으로써, 로봇 태스크의 세트를 재귀적으로 확립하기 위해 작업 실행 시뮬레이션의 결과를 제공하면서 생성된 작업흐름을 검증하는 것이 실행된다. 플릿 리소스 구성 데이터 구조에서 구성된 로봇 플릿 리소스에 대한 실행 계획의 적어도 제1 부분을 생성하는 것이 또한 실행된다.
다른 특징에서, 로봇 플릿 관리 플랫폼은 플릿 지능 계층을 갖는 제2 플릿 목표를 만족시키는 대안 태스크를 제안하는 것을 포함한다. 다른 특징에서, 로봇 플릿 관리 플랫폼은 제1 플릿 목표에 기초하여 지능 계층으로 로봇 타입 및 태스크 목표 중 적어도 하나를 최적화하는 것을 포함한다. 다른 특징에서, 제1 플릿 목표는 플릿 리소스 활용 기준을 포함한다. 다른 특징에서, 태스크 정의 시스템은 로봇 태스크를 수행할 때 사용하기 위한 특정 로봇 타입을 플릿 구성 프록시 서비스로부터 수신한다. 다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 플릿 구성 프록시 서비스에 의해 제공되는 특정 로봇 타입에 기초한다. 다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 작업흐름 시뮬레이션 시스템에 의한 사용을 위해 태스크를 수행하기 위한 적어도 하나의 로봇 운영 편성 단위 및 태스크 중 적어도 하나를 위한 디지털 트윈에 대한 조회를 포함하는, 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하는 것을 포함한다. 다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 태스크의 세트 내의 각각의 태스크에 대해, 태스크를 수행하기 위한 로봇 타입과 로봇 운영 편성 단위 및 태스크를 수행하기 위한 로봇을 구성하기 위한 구성 데이터 구조 중 적어도 하나를 식별하는 데이터 구조를 생성하는 것을 포함한다. 다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하는 것을 포함하고, 작업 요청을 나타내는 정보 및 로봇 타입과 로봇 운영 편성 단위 중 적어도 하나의 식별자에 의해 인덱싱되는 로봇 태스크의 라이브러리에 데이터 구조를 저장한다.
다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 태스크 목표를 만족시키기 위한 로봇의 타입을 식별할 때 작업 요청에서 식별된 제약에 대한 요건을 로봇 능력과 매칭시키는 것을 포함한다. 다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 태스크 목표를 달성하기 위해 복수의 상이한 로봇 타입에 대한 복수의 로봇 태스크를 생성하는 것을 포함한다. 다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 플릿 구성 프록시 서비스와 상호작용하여 적어도 하나의 플릿 목표에 기초하여 후보 로봇 태스크로부터 로봇 태스크를 선택하는 것을 포함한다. 다른 특징에서, 적어도 하나의 플릿 목표는 이용가능한 로봇 운영 편성 단위와 양립 가능하다. 다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 태스크 목표를 달성하기 위한 후보 로봇 태스크의 적합성에 기초하여 후보 로봇 태스크로부터 로봇 태스크를 선택하도록 플릿 지능 계층과 상호작용하는 것을 포함한다. 다른 특징에서, 로봇 태스크의 세트를 확립하는 것은 태스크의 세트를 정의할 때 태스크를 감지하는 바람직한 시퀀스를 나타내는 센서 검출 패키지를 설명하는 정보를 조회하는 것을 포함한다. 다른 특징에서, 로봇 태스크의 작업흐름을 생성하는 것은 로봇 태스크의 작업흐름을 정의할 때 태스크를 감지하는 바람직한 시퀀스를 나타내는 센서 검출 패키지를 설명하는 정보를 조회하는 것을 포함한다. 다른 특징에서, 로봇 태스크의 작업흐름을 생성하는 것은 제2 태스크의 목표를 만족시키기 위한 제1 태스크에 대한 제2 태스크 의존성에 기초한다. 다른 특징에서, 로봇 운영 편성 단위의 디지털 모델을 시뮬레이션하는 것은 태스크의 최적화된 작업흐름 순서를 결정하기 위해 태스크의 세트에서 태스크의 디지털 트윈을 동작시키는 것을 포함한다.
로봇 플릿 플랫폼은 로봇 플릿 플랫폼에 의해 운영되는 로봇 플릿의 구성을 용이하게 하기 위한 작업 요청을 준비하기 위한 것이다. 시스템은 컴퓨터 판독가능 명령어의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함한다. 하나 이상의 프로세서의 세트는 공급 체인에서 아이템의 세트의 픽킹, 패킹, 이동, 저장, 웨어하우징(warehousing), 수송 또는 배달 중 적어도 하나에 관련된 작업 콘텐츠를 수신하도록 구성된 작업 요청 수집 시스템을 총괄하여 실행하고, 작업 콘텐츠는 전자 작업 요청 및 관련 데이터를 포함한다. 작업 콘텐츠 파싱 시스템은 수신된 작업 콘텐츠에 필터를 적용하여 로봇 자동화를 위한 그 후보 부분을 식별하도록 구성된다. 플릿 지능 계층은 작업 콘텐츠의 후보 부분에서 용어들(terms)을 처리하고 적어도 하나의 추천된 로봇 태스크 및 로봇 태스크의 작업흐름에서 로봇 선택 및 태스크 순서화를 용이하게 하는 연관된 상황 정보를 수신하기 위해 지능 서비스의 세트를 활성화한다. 수요 지능 계층은 공급 체인 내의 아이템의 세트에 대한 수요의 파라미터에 관한 실시간 정보를 제공한다. 작업 요건 시스템은 로봇 자동화를 나타내는 작업 콘텐츠의 부분, 수요 지능 계층으로부터의 실시간 정보 및 적어도 하나의 추천된 로봇 태스크 및 연관된 상황 정보에 기초하여 작업 요청 인스턴스-특정 작업 요건의 세트를 생성한다. 작업 요건의 세트는 프로세서의 세트 중 적어도 하나의 프로세서에 의해 액세스가능한 비일시적 컴퓨터 판독가능 메모리에 저장된다.
다른 특징에서, 작업 콘텐츠 파싱 시스템은 작업 콘텐츠의 표시를 로봇 자동화를 나타내는 타겟 용어(target terms)와 매핑하는 것을 용이하게 하는 작업 구성 라이브러리로부터 콘텐츠 및 구조 필터의 세트를 검색한다. 다른 특징에서, 작업 콘텐츠 파싱 시스템은 작업 콘텐츠의 표시를 로봇 자동화를 표시하는 타겟 용어와 매핑하는 것을 용이하게 하는 작업 구성 라이브러리로부터의 필터 기준으로 구조 필터 및 디폴트 콘텐츠의 세트를 증강시킨다. 다른 특징에서, 콘텐츠 필터는 로봇 자동화 콘텐츠를 작업 콘텐츠 내의 다른 콘텐츠와 구별하는 작업 콘텐츠 내의 용어들을 표시한다. 다른 특징에서, 용어들은 작업 콘텐츠의 표시를 로봇 자동화를 나타내는 용어와 매핑하는 것을 용이하게 하는 작업 구성 라이브러리로부터 검색된다. 다른 특징에서, 플릿 지능 계층은 로봇 자동화에 적합한 것으로 식별된 작업 콘텐츠의 부분을 작업 콘텐츠 파싱을 개선하기 위해 지능 서비스의 세트의 기계 학습 서비스에 전송하는 것을 용이하게 한다. 다른 특징에서, 기계 학습 서비스는 복수의 작업 요청에 대한 작업 콘텐츠 파싱 결과에 기초한 인간 생성 피드백(human-generated feedback), 로봇 자동화 지식 베이스, 원하는 작업 특정 지식 베이스, 기술 사전, 및 작업 전문가로부터 수신된 콘텐츠를 포함하는 훈련 데이터 세트로 훈련된다. 다른 특징에서, 작업 파싱 시스템은 수송 옵션, 동작 제약, 허용 요건, 수송 제한, 작업 요청의 물리적 위치에 지역적인 플릿 자산, 및 물류 제약 중 적어도 하나를 자동으로 결정하는 것을 용이하게 하는 작업 콘텐츠에서의 물리적 위치 정보를 검출하도록 구성된다.
다른 특징에서, 물리적 위치 정보는 어드레스, 영역, GPS 데이터, 항공 사진, 지도 이미지 상의 마킹된 위치, 지도 좌표, 위도, 경도, 고도, 경로, 해수면에 대한 깊이 중 하나 이상을 포함한다. 다른 특징에서, 작업 파싱 시스템은 복수의 전압, 주파수, 전류, 가용성의 스케줄, 그리드-제공 전기 비용의 스케줄, kwh당 비용, 전력 수요 프로파일, 최대 열 밀도, 및 적어도 하나의 위치에 대한 근접도를 포함하는 작업 콘텐츠에서의 적어도 하나의 위치에 대한 전기 전력 정보를 검출하도록 구성된다. 다른 특징에서, 작업 파싱 시스템은 작업 현장 레이아웃과 연관된 적어도 하나의 작업 요청 인스턴스 특정 요건을 생성하는 것을 용이하게 하기 위해 작업 콘텐츠에 존재하거나 참조되는 작업 현장의 일부의 레이아웃을 나타내는 디지털 데이터를 검출하도록 구성된다. 다른 특징에서, 작업 파싱 시스템은 운영 환경을 설명하는 정보, 배송 상품, 작업 요청에 관한 정보가 작업 요청자와 통신되는 인터페이스, 무선 통신 네트워크 접근성, 태스크를 수행하기 위한 예산 제약, 및 작업 현장에서의 액세스 및 동작에 관한 리소스의 스케줄링 중 적어도 하나를 검출하도록 구성된다. 다른 특징에서, 작업 요청 수집 시스템은 관련 데이터에 대한 외부 링크에 대해 수신된 작업 콘텐츠를 스캔하도록 구성된다. 다른 특징에서, 작업 요청 수집 시스템은 외부 링크에 기초하여 로봇 플릿 플랫폼이 사용하도록 관련 데이터를 검색하도록 구성된다. 다른 특징에서, 작업 요청 수집 시스템은 로봇 플릿 리소스에 의해 수행되기에 적합한 활동에 대한 참조를 포함하는 수신된 작업 콘텐츠의 부분을 결정하여 작업 콘텐츠 파싱 시스템에 포워딩하도록 구성된다.
다른 특징에서, 작업 요청 수집 시스템은 작업 구성 표시를 현재 작업 구성, 이전 작업 구성, 또는 알려지지 않은 작업 구성 중 하나로서 분류하기 위해 작업 콘텐츠 내의 작업 구성 표시를 작업 구성 라이브러리 룩업 서비스로 자동으로 라우팅하는 작업 구성 표시 필터로 수신된 콘텐츠를 처리하도록 구성된다. 다른 특징에서, 작업 콘텐츠 파싱 시스템은 후보 로봇 태스크의 식별을 용이하게 하는 수신된 콘텐츠 내의 구조 및 콘텐츠 요소를 식별하도록 구성된다. 다른 특징에서, 작업 콘텐츠 파싱 시스템은 플릿 로봇 운영 편성 단위의 선택을 용이하게 하기 위해 태스크, 서브 태스크, 태스크 순서화, 태스크 의존성, 및 태스크 요건 중 적어도 하나를 표시하는 수신된 콘텐츠 내의 구조 요소를 식별하도록 구성된다. 다른 특징에서, 작업 콘텐츠 파싱 시스템은 적어도 하나의 로봇 최소 용량을 나타내는 콘텐츠 용어를 식별하도록 구성된다. 다른 특징에서, 작업 콘텐츠 파싱 시스템은 작업 요청 콘텐츠에 적용될 때 태스크를 수행하기 위한 로봇의 타입을 나타내는 용어를 식별하는 로봇 타입 필터로 구성된다. 다른 특징에서, 작업 요청 수집 시스템은 전자 작업 요청을 수신하기 위한 작업 요청 수집 인터페이스를 포함한다. 다른 특징에서, 콘텐츠 및 구조 필터를 적용하는 것은 로봇 활동을 나타내는 데이터에 대해 수신된 콘텐츠를 스캐닝하는 것을 포함한다. 다른 특징에서, 작업 콘텐츠 파싱 시스템으로 콘텐츠 및 구조 필터를 적용하는 것은, 작업 요청 콘텐츠에 적용될 때 태스크를 수행하기 위한 로봇의 타입을 나타내는 용어를 식별하는 로봇 타입 필터로 수신된 콘텐츠를 처리하는 것을 포함한다.
다른 특징에서, 작업 파싱 시스템은 적격 작업 데이터를 검출하기 위해 콘텐츠 필터를 이용한다. 다른 특징에서, 로봇 플릿 플랫폼은 그 명료화를 위해 작업 콘텐츠 내의 적격 데이터의 적어도 하나의 요소에 관한 질의를 생성하도록 구성되는 적격 데이터 질의 생성 시스템을 포함한다. 다른 특징에서, 적격 데이터의 적어도 하나의 요소에 관한 질의는 사용자 인터페이스에서 제시된다. 다른 특징에서, 적격 데이터의 적어도 하나의 요소에 관한 질의는 플릿 지능 계층을 통해 적격 데이터의 적어도 하나의 요소에 대한 데이터의 적어도 하나의 명료화 아이템을 제공하기 위해 지능 서비스의 세트 중 적어도 하나의 지능 서비스로 처리하기 위해 플릿 지능 계층에 제공된다. 다른 특징에서, 로봇 플릿 플랫폼은 복수의 작업 요청으로부터의 명료화된 데이터와의 유사성에 대해 작업 콘텐츠 내의 적어도 하나의 적격 데이터 요소를 평가하고, 평가의 결과에 기초하여 유사한 명료화된 데이터 요소에 기초하여 적어도 하나의 적격 데이터 요소를 조정하도록 구성되는 적격 데이터 분석 시스템을 포함한다. 다른 특징에서, 적어도 하나의 적격 데이터 요소를 조정하는 것은 적격 데이터 요소 내의 적격 데이터 값을 명료화된 데이터 요소로부터의 대응하는 데이터 값으로 대체하는 것을 포함한다. 다른 특징에서, 콘텐츠 필터는 누락된 데이터, 불명확한 데이터 및 정성적 기준(qualitative reference) 중 적어도 하나를 포함하는 적격 데이터를 식별하도록 구성된다. 다른 특징에서, 플릿 지능 계층은 적격 데이터의 파싱을 개선하기 위해 지능 서비스의 세트의 기계 학습 서비스로 적격 데이터를 처리하는 것을 용이하게 한다. 다른 특징에서, 콘텐츠 필터는 적격 데이터 내의 누락된 데이터, 불명확한 데이터 및 정성적 기준 중 적어도 하나의 분석을 용이하게 하기 위해 적격 데이터 및 관련 상황을 식별하도록 구성된다.
밸류 체인 네트워크 자동화 시스템은 상품의 세트에 대한 공급 체인에서의 로봇 시스템의 세트의 능력 및 상태의 세트의 속성을 포함하는 공급 체인 로봇 플릿 데이터 세트를 포함한다. 시스템은 수요 지능 로봇 프로세스 자동화 데이터 세트를 포함하고, 이는 상품의 세트에 대한 수요 예상 태스크의 세트의 자동화를 수행하는 로봇 프로세스 자동화 시스템의 세트의 상태의 세트의 속성을 포함한다. 시스템은 공급 체인 로봇 플릿 데이터 세트 및 수요 지능 로봇 프로세스 자동화 데이터 세트를 처리하여 상품 세트에 대한 공급 및 수요를 조정하는 것에 기초하여 공급 체인 로봇 플릿에 대한 로봇 태스크 명령어의 세트를 제공하는 조정 시스템을 포함한다.
추가 개요
본 개시의 일부 실시예에 따르면, 정보 기술 시스템을 위한 방법 및 시스템이 본 출원에 제공되고, 이는 마이크로-서비스 아키텍처를 갖는 클라우드 기반 관리 플랫폼; 인터페이스, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설의 세트; 및 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트를 포함할 수 있다.
특히, 밸류 체인 네트워크(이러한 용어는 본 출원 및 본 출원에 참조로 포함되는 문서에 개시된 많은 예 및 실시예를 포함함)에서 밸류 체인 엔티티의 네트워크에서 적층 제조 능력의 활용을 개별적으로 또는 총괄하여 개선하는 방법, 시스템, 컴포넌트, 프로세스, 모듈, 블록, 회로, 서브시스템, 물품, 서비스, 소프트웨어, 하드웨어, 및 다른 요소(일부 경우에서 총괄하여 "플랫폼" 또는 "시스템"으로 지칭되며, 이 용어는 문맥상 달리 표시되는 경우를 제외하고는 위의 것 중 임의의 것을 포함하는 것으로 이해되어야 함)가 본 출원에 제공된다.
실시예에서, 이러한 방법 및 시스템은 모델링, 프린팅 및 공급 체인 프로세스 전반에 걸쳐 고객 및 다양한 다른 이해 당사자에 의한 피드백 및 모니터링을 허용하여, 3D 프린팅 파라미터를 최적화하고, 프린팅에서 더 큰 충실도 및 정확도를 달성하고, 특히 설계 프로세스, 제조, 공급 체인 수요 관리 시스템, 제품, 및 제품 사용 사례의 효율성 및 추적성을 향상시킬 수 있게 한다.
본 출원에 제공된 양태는 디지털 생산 프로세스 및 작업흐름을 최적화하기 위해 분산 제조 네트워크 및/또는 밸류 체인 네트워크 내의 분산 제조 네트워크 엔티티의 세트로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하기 위한 인공 지능 시스템을 갖는 정보 기술 시스템을 포함한다.
본 출원에 제공되는 양태는 분산 제조 네트워크를 위한 정보 기술 시스템을 포함하며, 이는 설계, 모델링, 프린팅, 공급 체인, 전달, 판매 지점 및 사용 지점 스테이지를 통해 분산 제조 네트워크 엔티티의 세트에 대한 프로세스 및 생산 작업흐름을 관리하도록 구성되는 적층 제조 관리 플랫폼; 디지털 생산 프로세스 및 작업흐름을 최적화하기 위해 분산 제조 네트워크의 분산 제조 네트워크 엔티티로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템; 및 분산 제조 네트워크 내의 엔티티에 작업흐름 및 트랜잭션 정보의 통합된 뷰를 제공하도록 구성된 디지털 스레드와 통합된 분산 원장 시스템을 포함한다.
실시예에서, 정보 기술 시스템은 분산 제조 네트워크 엔티티로부터 수집된 데이터 및 하나 이상의 파라미터를 실시간으로 조정하도록 구성된 제어 시스템을 포함한다.
실시예에서, 정보 기술 시스템은 하나 이상의 분산 제조 네트워크 엔티티의 디지털 트윈을 구축하도록 구성된 디지털 트윈 시스템을 포함하고, 디지털 트윈은 분산 제조 네트워크 엔티티 내에, 상에 또는 근처에 위치된 하나 이상의 센서로부터의 데이터를 통해 분산 제조 네트워크 엔티티의 실질적 실시간 표현을 제공한다. 실시예에서, 디지털 트윈은, 취급할 수 있는 재료의 타입, 이용가능한 소스 재료의 현재 레벨, 처리/출력 속도, 동작 능력, 생물학적 제조 능력, 진공 처리 능력, (예를 들어, 가열, 레이저 처리 등을 위한) 에너지 생산 및 소비 정보, 가격 파라미터 등과 같은, 제조 엔티티의 다양한 파라미터 및 속성(적층식, 절삭식, 생물학적, 화학적, 또는 다른 엔티티 중 어느 것이든)을 나타낼 수 있다. 실시예에서, 플랫폼은, 예컨대, 인공 지능 시스템을 사용하여, 분산 제조 네트워크 엔티티의 가능한 미래 상태 및/또는 하나 이상의 출력을 예측하기 위해 디지털 트윈 또는 예상된 출력에 대해 시뮬레이션을 실행할 수 있다.
실시예에서, 분산 제조 네트워크 엔티티는 프린팅된 부품, 제품, 프로세스, 3D 프린터와 같은 적층 제조 유닛, 다른 타입의 제조 유닛, 당사자(예를 들어, 공급자, 제조자, 금융업자, 사용자, 고객 등), 패키저, 기반구조, 차량, 및 제조 노드의 세트를 포함한다.
본 출원에 제공된 양태는 분산 제조 네트워크를 포함하고, 분산 제조 네트워크는 제조, 공급 체인, 수요 관리, 서비스, 유지보수 및 다른 프로세스 및 작업흐름을 최적화하기 위해 분산 제조 네트워크 엔티티의 세트로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템을 갖는 적층 제조 관리 플랫폼; 및 분산 제조 네트워크 엔티티의 디지털 스레드와 통합된 분산 원장을 포함한다.
실시예에서, 분산 네트워크 엔티티는 적층 제조를 사용하여 제조되는 부품이고, 디지털 스레드는 설계로부터, 모델링, 생산, 검증, 사용 및 유지보수를 거쳐 폐기까지의 부품의 전체 라이프사이클(liftcycle)과 관련된 정보를 구성한다. 실시예에서, 디지털 스레드는 하나 이상의 적층 제조 유닛이 아이템을 생산하도록 구성되고 동작될 수 있는 설계 사양 및/또는 동작 파라미터와 같은 적층 제조 명령어를 포함하는 아이템을 제조하기 위한 명령어의 세트를 포함할 수 있다. 실시예에서, 디지털 스레드는, 예컨대, 대안적인 형태의 적층 제조 및/또는 다른 적층 제조 타입 및/또는 다른 제조 타입과의 하이브리드 또는 이들의 조합에 의해 아이템의 제조를 용이하게 하도록 구성되는, 다수의 대안적인 그러한 명령어 세트를 포함할 수 있다. 실시예에서, 명령어 세트는 디지털 트윈의 세트로 구현된다.
본 출원에 제공된 양태는 자율 적층 제조 플랫폼을 포함하며, 이 플랫폼은 제품 또는 부품 내에, 상에, 및/또는 근처에 위치되고 제품 또는 부품에 관련된 센서 데이터를 수집하도록 구성된 복수의 센서- 센서 데이터는 실질적 실시간 센서 데이터임 -; 복수의 센서에 연결되고 복수의 센서로부터 센서 데이터를 수신하도록 구성된 적응형 지능 시스템으로서, 적응형 지능 시스템은 센서 데이터를 하나 이상의 기계 학습 모델에 입력하도록 구성된 기계 학습 시스템- 센서 데이터는 기계 학습 모델에 대한 훈련 데이터로서 사용되고, 기계 학습 모델은 센서 데이터를 시뮬레이션 데이터로 변환하도록 구성됨 -; 및 시뮬레이션 데이터에 기초하여 제품 트윈 또는 부품 트윈을 생성하도록 구성된 디지털 트윈 시스템- 제품 트윈 또는 부품 트윈은 제품 또는 부품의 실질적 실시간 표현을 제공하고 시뮬레이션 데이터를 통해 제품 또는 부품의 가능한 미래 상태의 시뮬레이션을 제공함 -을 포함하는, 적응형 지능 시스템; 및 디지털 트윈 시스템 상에서 시뮬레이션을 실행하도록 구성된 인공 지능 시스템을 포함하고; 하나 이상의 모델은 분류, 예측, 추천을 수행하기 위해, 및/또는 설계, 구성, 재료 선택, 형상 선택, 제조 타입, 작업 스케줄링 등을 관장하는 결정 또는 지침과 같은, 제품 및 부품에 관련된 결정 또는 지침을 생성하거나 용이하게 하기 위해 인공 지능 시스템에 의해 이용된다.
실시예에서, 기계 학습 시스템에 의해 훈련된 모델은 예컨대, 시뮬레이션에 의해 시뮬레이션된 재료에 대한 팽창 또는 수축의 물리적 모델에 기초하여, 부품 팽창 또는 수축을 예측하기 위해 부품 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템에 의해 이용된다.
실시예에서, 기계 학습 시스템에 의해 훈련된 모델은 부품 뒤틀림을 예측하기 위해 부품 트윈 상에서 시뮬레이션을 실행하도록 인공 지능 시스템에 의해 이용된다.
실시예에서, 기계 학습 시스템에 의해 훈련된 모델은, 재료 선택, 형상 선택, 인터페이스 선택, 열 관리 요소 선택 또는 구성 등과 같은, 부품 수축 및 뒤틀림을 보상하기 위해 적층 제조 프로세스에 대한 필요한 변경을 계산하기 위해 부품 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템에 의해 활용된다.
실시예에서, 기계 학습 시스템 및/또는 다른 AI 시스템에 의해 훈련되는 모델은 예상되는 사용 조건에 적어도 부분적으로 기초하여, 예컨대, 고객의 지리위치, 실내 또는 실외 사용을 위한 사양, 날씨 및/또는 기후 모델의 세트 등에 기초하여, 시뮬레이션을 수행하고 결정 또는 지침을 생성하거나 이행(facilitate)하게 할 수 있다. 예를 들어, 동일한 의도된 용도를 갖는 부품의 적층 제조는 부품이 실내 또는 매우 고온 환경에서 사용되는지, 그에 대비해, 매우 저온 기후에서 실외에서 사용되도록 의도되는지 여부에 기초하여 상이한 재료, 구조 요소, 또는 다른 요소를 사용하도록 구성될 수 있다. 따라서, 적층 제조 엔티티와 같은 자동화된 제조 엔티티를 수반하는 부품 또는 제품에 대한 제조 명령어의 사용 지점 인식, 사용 환경 인식, 및 사용 고객 타입 인식 자동화 구성을 위한 방법 및 시스템이 제공된다.
실시예에서, 기계 학습 시스템에 의해 훈련된 모델은 3D 프린팅된 부품과 다른 부품과의, 부품이 사용될 시스템과의, 사용 환경의 기반구조 요소와의, 환경의 주변 조건과의, 이용가능한 툴과의, 및/또는 부품을 생산하는데 이용가능할 수 있는 3D 프린터 또는 다른 적층 또는 다른 제조 시스템과의 호환성을 테스트하기 위해 부품 트윈 상에서 시뮬레이션을 실행하기 위해, 인공 지능 시스템에 의해 이용된다.
실시예에서, 기계 학습 시스템에 의해 훈련된 모델은 3D 프린팅된 부품에서의 변형 또는 고장을 예측하기 위해 부품 트윈 상에서 시뮬레이션을 실행하도록 인공 지능 시스템에 의해 이용된다. 실시예에서, 모델은 또한, 결함을 정정하기 위해, 예를 들어, 층 치수 또는 두께를 조정하기 위해, 정정 액션을 구현할 프로세스 제어 파라미터 조정의 세트 또는 시퀀스를 결정할 수 있다. 실시예에서, 시스템은 경고 또는 에러 신호를 운영자 또는 사용자에게 전송하거나, 프린팅 프로세스를 자동으로 중단할 수 있다.
실시예에서, 인공 지능 시스템은 이미지 포착 및 결함 검출을 위해 가변 초점, 액체 렌즈 기반 카메라를 사용하는 기계 비전 시스템을 포함하거나 이와 통합된다. 실시예에서, 인공 지능 시스템은, 부품 또는 다른 컴포넌트의 설계, 제조, 또는 활용과 관련된 개선된 AI 기반 객체 인식, 경계 검출, 아이템 분류, 재료 인식, 또는 다른 인자를 용이하게 하기 위해, 가변 조명 설정 등으로, 가변 초점 거리에서 포착된 이미지에 대해 동작한다. 실시예에서, 통합된 AI 및 가변 초점 렌즈 시스템으로부터의 출력은 가변 초점 렌즈를 사용하여 시스템에 의해 포착되는 부품과 같은 아이템의 세트를 나타내는 디지털 트윈과 통합되거나 디지털 트윈에 통합된다.
실시예에서, 기계 학습 시스템에 의해 훈련된 모델은 변형의 발생을 최소화하기 위해 축조 프로세스를 최적화하기 위해 부품 트윈 상에서 시뮬레이션을 실행하도록 인공 지능 시스템에 의해 이용된다.
실시예에서, 기계 학습 시스템에 의해 훈련된 모델은 제품 또는 컴포넌트의 비용 및/또는 가격을 예측하기 위해 제품 트윈에 대해 시뮬레이션을 실행하도록 인공 지능 시스템에 의해 이용된다. 비용 예측은 시장으로부터의 입력, 검색 엔진으로부터의 출력, (기업 조달 시스템 모델과 같은) 비용 모델, 스마트 계약에 제시되는 비용, 웹 사이트 상에 제시되는 비용, 및 예컨대, 적층 제조 투입 재료의 비용, 적층 제조 처리 시간의 비용 등과 관련되는 다른 입력을 활용할 수 있다. 비용 예측은 에너지 비용, 노동 비용 등을 포함하는 프로세스 비용에 대한 입력을 사용할 수 있다. 가격 예측은 제품에 대한 현재 또는 과거 시장 가격을 표시하는 다양한 소스로부터의 공개 정보와 같은 유사한 입력에 기초할 수 있다. 비용 또는 가격 예측은 재료, 부품 등에 대한 제3자 계약에서 제공되는 현재 비용 및 가격 정보를 표시하는 스마트 계약 파라미터와 같은 스마트 계약으로부터의 입력을 취할 수 있다.
본 출원에 제공된 양태는 분산 제조 네트워크를 위한 정보 기술 시스템을 포함하고, 이 정보 기술 시스템은 분산 제조 네트워크 엔티티의 세트로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하고 분산 제조 네트워크 엔티티에 대한 분류, 예측, 및 최적화 관련 결정을 수행하기 위해 분산 제조 네트워크 엔티티의 디지털 트윈 상에서 시뮬레이션을 실행하도록 구성된 인공 지능 시스템을 갖는 적층 제조 관리 플랫폼; 및 분산 제조 네트워크 내의 엔티티에 작업흐름 및 트랜잭션 정보의 통합된 뷰를 제공하도록 구성된 디지털 스레드와 통합된 분산 원장 시스템을 포함한다.
실시예에서, 디지털 제조 네트워크 엔티티는 프린팅된 부품, 제품, 프로세스, 3D 프린터와 같은 적층 제조 유닛, 다른 타입의 제조 유닛, 당사자(예를 들어, 공급자, 제조자, 금융업자, 사용자, 고객 등), 패키저, 기반구조, 차량, 및 제조 노드의 세트를 포함한다.
실시예에서, 인공 지능 시스템은 3D 프린팅 견적을 생성하기 위해 부품 트윈, 제품 트윈 및 프린터 트윈 중 하나 이상에서 시뮬레이션을 실행한다. 실시예에서, 적층 제조 견적의 세트는, 선택적으로 블록체인에 연관된, 스마트 계약으로 구체화될 수 있으며, 따라서, 적층 제조 동작이 스마트 계약을 통해 계약될 수 있다.
실시예에서, 인공 지능 시스템은 플랫폼의 사용자에 대한 프린팅 또는 다른 적층 제조와 관련된 추천의 세트를 생성하기 위해 부품 트윈, 제품 트윈, 프린터 트윈 또는 다른 트윈 중 하나 이상에서 시뮬레이션을 실행한다. 추천은 재료의 타입, 프린터 또는 다른 적층 제조 시설의 타입, 기술의 타입, 서비스 제공자 또는 제조 소스, 제조 위치, 적층 제조 작업의 스케줄링 타이밍, 또는 그 단계, 설계를 위한 파라미터(예를 들어, 가능한 설계의 세트 중에서) 등에 대한 추천을 포함할 수 있다. 실시예에서, 추천은 프린팅을 위한 재료의 선택에 관한 것이다. 실시예에서, 추천은 3D 프린팅 기술의 선택에 관한 것이다.
실시예에서, 인공 지능 시스템은 플랫폼의 사용자에 대한 프린팅과 관련된 추천을 생성하기 위해 부품 트윈, 제품 트윈 및 프린터 트윈 중 하나 이상에서 시뮬레이션을 실행한다.
실시예에서, 인공 지능 시스템은 3D 프린팅 작업에 대한 배달 시간을 예측하기 위해 부품 트윈, 제품 트윈 및 프린터 트윈 중 하나 이상에서 시뮬레이션을 실행한다.
실시예에서, 인공 지능 시스템은 제조 프로세스에서 비용 초과을 예측하기 위해 부품 트윈, 제품 트윈, 프린터 트윈 및 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행한다.
실시예에서, 인공 지능 시스템은 견적 가격, 배달, 판매 마진, 주문 크기, 또는 유사한 특성에 기초하여 부품 및 제품의 생산 순서화를 최적화하기 위해 부품 트윈, 제품 트윈, 프린터 트윈 및 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행한다.
실시예에서, 인공 지능 시스템은 제조를 위한 사이클 시간을 최적화하기 위해 부품 트윈, 제품 트윈, 프린터 트윈 및 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행한다.
실시예에서, 인공 지능 시스템은 하나 이상의 고객으로부터의 제품 수요를 예측하고 관리하기 위해 부품 트윈, 제품 트윈, 프린터 트윈, 고객 트윈 및 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행한다.
실시예에서, 인공 지능 시스템은 디지털 제조 네트워크로부터의 아이템의 세트의 공급을 예측하고 관리하기 위해 트윈 중 하나 이상에서 시뮬레이션을 실행한다.
실시예에서, 인공 지능 시스템은 분산 제조 네트워크에 대한 생산 용량을 최적화하기 위해 트윈 중 하나 이상에서 시뮬레이션을 실행한다.
실시예에서, 분산 제조 엔티티는 ERP(Enterprise Resource Planning) 시스템, MES(Manufacturing Execution system), PLM(Product Lifecycle Management) 시스템, MMS(maintenance management system), QMS(Quality Management system), 인증 시스템, 준수 시스템, 로봇/코봇 시스템, 및 SCCG 시스템과 같은 다른 시스템의 세트를 포함하거나, 그에 연동되거나, 그를 사용하거나, 그로부터 입력을 취하거나, 또는 그와 통합된다.
본 출원에 제공된 양태는 분산 제조 네트워크의 하나 이상의 제조 노드를 사용하여 고객에게 3D 프린팅 제품의 제조 및 배달을 용이하게 하기 위한 컴퓨터 구현 방법을 포함하며, 이 방법은 고객으로부터 하나 이상의 제품 요건을 수신하는 단계; 제품 요건을 토큰화하고 분산 원장 시스템에 저장하는 단계; 제품 요건에 기초하여 하나 이상의 제조 노드, 프린터, 프로세스 및 재료를 결정하는 단계; 가격 및 배달 타임라인을 포함하는 견적을 생성하는 단계; 및 고객이 견적을 수락하면, 3D 프린팅 제품을 제조하여 고객에게 전달하는 단계를 포함한다. 실시예에서, 견적은 자동으로 생성되고 적층 제조를 위한 스마트 계약으로 구성된다.
실시예에서, 결정 단계는 프린터 능력, 고객 및 제조 노드의 위치, 각각의 노드에서의 이용가능한 용량, 가격 및 타임라인 요건 및 고객 만족도 점수와 같은 인자에 기초하여 고객 주문을 제조 노드 또는 3D 프린터와 매칭시키는 단계를 포함한다.
예컨대, 엔티티 매칭, 설계 선택, 제조 타입 선택, 재료 선택, 추천, 스케줄링 등을 수반하는 다양한 실시예에서, 위치 기반 결정은 지오펜싱 및 다른 거리 기반 정보, (예컨대, 트래픽 혼잡 및 배달 시간에 영향을 미칠 수 있는 다른 인자를 고려한) 경로 기반 정보, 및 기반구조 정보, 리소스 가용성 정보, 날씨 정보, 기후 정보 등과 같은, 유통 지점, 수송 시설, 판매 지점 및/또는 사용 지점과 관련된 다른 위치 관련 정보를 포함할 수 있다. 위치-기반 결정은, 예를 들어, 주변 온도 또는 위치에 대한 다른 조건(또는 위치 및 의도된 용도의 조합)을 제조를 위한 재료, 구조(예컨대, 고온 또는 저온 극한 조건에서의 가능성 있는 팽창 또는 수축을 고려함) 등의 선택을 고려할 수 있다.
실시예에서, 방법은 고객 요건을 만족시키기 위한 고객 만족도 점수에 기초하여 하나 이상의 제조 노드를 평가하는 단계를 더 포함한다.
실시예에서, 방법은 하나 이상의 제조 노드 내에서 그리고 하나 이상의 제조 노드에 걸쳐 생산 작업흐름을 관리하는 것을 도울 수 있고, 그에 의해 리소스, 능력 및 지능의 공유를 통해 제조 노드에 걸친 협력을 용이하게 한다. 실시예에서, 제조 노드는 재료 공급 및 제품 수요의 예상 및 예측을 위해 협력할 수 있다. 실시예에서, 제조 노드는 설계 및 제품 개발을 위해 협력할 수 있다. 실시예에서, 제조 노드는 제품의 하나 이상의 부품을 제조하고 조립하기 위해 협력할 수 있다. 실시예에서, 제조 노드는 제조된 제품의 유통 및 전달을 위해 협력할 수 있다.
실시예에서, 방법은 3D 프린팅된 부품을 제조하기를 추구하는 하나 이상의 사용자에게 용량을 노출시킴으로써 하나 이상의 제조 노드 또는 3D 프린터의 미활용 용량을 활용함으로써 "서비스형 제조"를 제공할 수 있다. 실시예에서, 서비스형 제조는, 선택적으로 블록체인 및/또는 분산 원장을 사용하여, 스마트 계약을 통해 제공될 수 있다. 실시예에서, 서비스형 제조는, 예컨대, 적층 제조 엔티티의 세트에 대한 제안을 구성하고, 작업을 스케줄링하고, 가격을 설정하고, 다른 계약 기간 및 조건을 설정하는 등을 위해, 인공 지능 시스템에 의해 관장되고 관리될 수 있다.
본 출원에 제공된 양태는 분산 제조 네트워크를 포함하고, 분산 제조 네트워크는 분산 제조 네트워크 엔티티의 세트의 디지털 스레드와 통합되어, 분산 제조 네트워크 엔티티에 관련된 이벤트, 활동 및 트랜잭션에 관한 정보를 저장하기 위한 분산 원장 시스템; 및 제조 및 밸류 체인 작업흐름을 최적화하기 위해 분산 제조 네트워크 엔티티로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크 내의 엔티티에 의해 다운로드가능한 탈중앙화된 애플리케이션을 포함한다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크의 엔티티의 세트에 작업흐름의 통합된 뷰의 세트를 제공하도록 구성된 사용자 인터페이스를 포함한다.
실시예에서, 분산 원장 시스템은 주문으로부터 제조 및 조립을 거쳐 고객으로의 최종 배달까지의 제품의 상태 및 이동에 대한 추적 및 보고를 제공하도록 구성된 사용자 인터페이스를 포함한다.
실시예에서, 분산 원장 시스템은 계측 시스템으로부터의 통합된 데이터 수집을 제공하도록 구성된 사용자 인터페이스를 포함한다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크 내의 엔티티의 디지털 권한 관리를 위한 시스템을 포함한다. 실시예에서, 분산 원장 시스템은 생성, 수정을 포함하여, 문서들/파일의 디지털 핑거프린팅 정보 및 다른 정보를 저장한다.
실시예에서, 분산 원장 시스템은, 예컨대, 가격 생성을 장려하고 분산 제조 네트워크 내의 엔티티 사이에서 가격을 이체하기 위해, 암호화폐 토큰과 같은 토큰을 사용한다. 예를 들어, 토큰의 유닛은 주어진 타입의 정의된 양의 제조 용량, 주어진 타입의 정의된 양의 재료, 정의된 이용 시간, 또는 다른 측정가능한 수량의 분산된 제조 용량을 나타낼 수 있다. 실시예에서, 토큰은 스마트 계약의 세트에 의해 관장되는 가치의 교환을 위한 메커니즘을 포함할 수 있다.
실시예에서, 분산 원장 시스템은 제조 노드의 경험을 증명하기 위한 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 부품의 엔드-투-엔드 추적성을 포착하기 위한 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 분산 원장 상의 모든 트랜잭션, 수정, 품질 검사 및 인증을 추적하기 위한 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 제조 노드의 능력을 검증하기 위한 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크에서 작업흐름을 자동화하고 관리하기 위한 스마트 계약을 포함하거나 지원한다.
실시예에서, 분산 원장 시스템은 작업 범위, 견적, 타임라인, 및 지불 기한을 커버하는 구매 주문을 실행하기 위한 스마트 계약을 포함하거나 지원한다.
실시예에서, 분산 원장 시스템은 제품의 배달 시에 고객에 의한 지불의 처리를 위한 스마트 계약을 포함하거나 지원한다.
실시예에서, 분산 원장 시스템은 결함 있는 제품에 대한 보험 청구를 처리하기 위한 스마트 계약을 포함하거나 지원한다.
실시예에서, 분산 원장 시스템은 품질 보증 청구를 처리하기 위한 스마트 계약을 포함하거나 지원한다.
실시예에서, 분산 원장 시스템은 자동화된 실행 및 유지보수를 위한 지불을 위한 스마트 계약을 포함하거나 지원한다.
본 출원에 제공된 양태는 분산 제조 네트워크 정보 기술 시스템을 포함하며, 이 시스템은 사용자 인터페이스, 연결 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 적층 제조 관리 플랫폼; 적층 제조 관리 플랫폼이 분산 제조 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및 제조 및 밸류 체인 작업흐름을 최적화하기 위해 분산 제조 네트워크 엔티티로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템을 포함한다.
실시예에서, 연결 시설은 네트워크 연결, 인터페이스, 포트, 애플리케이션 프로그래밍 인터페이스(API), 브로커, 서비스, 커넥터, 유선 또는 무선 통신 링크, 인간-액세스가능 인터페이스, 소프트웨어 인터페이스, 마이크로-서비스, SaaS 인터페이스, PaaS 인터페이스, IaaS 인터페이스, 클라우드 능력 등을 포함한다.
실시예에서, 인공 지능 시스템은 제품 개념 및 설계로부터 제조 및 유통을 통해 판매, 사용, 서비스 및 유지보수에 이르기까지 제조의 전체 라이프사이클에 걸쳐 최적화 및 프로세스 제어를 제공한다.
실시예에서, 인공 지능 시스템은 제조에 적합한 제품 설계, 고객 요구를 만족시키기에 적합한 제품 설계, 생산자 사양을 만족시키기에 적합한 제품 설계 등의 적어도 하나의 제품 설계를 결정하기 위해 생성적 설계 및 토폴로지 최적화를 제공한다.
실시예에서, 인공 지능 시스템은 축조 준비 프로세스의 최적화를 제공한다.
실시예에서, 인공 지능 시스템은 우수한 생산 결과를 위해 부품 배향 프로세스를 최적화한다.
실시예에서, 인공 지능 시스템은 툴 경로 생성을 최적화하는 것을 제공한다.
실시예에서, 인공 지능 시스템은 원료 낭비를 최소화하면서 프린팅된 부품의 수를 최대화하기 위해 최적화된 동적 2D, 2.5D 및 3D 네스팅(nesting)을 제공한다.
실시예에서, 사용자 인터페이스는 하나 이상의 3D 프린팅된 부품의 생산 이력의 추적 및 트레이싱(tracing)을 제공하는 대시보드를 포함한다.
실시예에서, 사용자 인터페이스는 동일한 묶음(batch)으로부터의 부품을 식별하기 위해 묶음 추적성(batch traceability)을 제공하는 대시보드를 포함한다.
실시예에서, 사용자 인터페이스는 부품 또는 제품과 관련된 네트워크의 사용자로부터의 질의를 해결하기 위한 디지털 트윈 인터페이스를 포함한다.
실시예에서, 사용자 인터페이스는 사용자가 VR에서 3D 모델을 구축할 수 있게 하도록 구성된 가상 현실(VR) 인터페이스를 포함한다.
실시예에서, 애플리케이션은 생산 관리 애플리케이션, 생산 보고 애플리케이션, 생산 분석 애플리케이션 및 밸류 체인 관리 애플리케이션으로 구성된 그룹으로부터 선택된다.
실시예에서, 애플리케이션은 분산 제조 네트워크에서의 그 이동에 걸쳐 제품 주문을 추적하도록 구성된 주문 추적 애플리케이션이다.
실시예에서, 애플리케이션은 완전한 3D 프린팅 생산 작업흐름을 관리하도록 구성되는 작업흐름 관리 애플리케이션이다.
실시예에서, 애플리케이션은 분산 제조 네트워크에서의 하나 이상의 이벤트에 관한 경보, 통지 및 보고를 네트워크의 사용자 또는 고객에게 생성하도록 구성되는 경보 및 통지 애플리케이션이다. 실시예에서, 경보 및 통지 애플리케이션은 프린팅 에러 또는 장애와 관련된 경보를 사용자의 컴퓨팅 디바이스에 송신하도록 구성된다.
실시예에서, 애플리케이션은 분산 제조 네트워크를 사용하여 제품을 주문하는 고객에 대한 전체 청구, 지불 및 인보이싱 프로세스를 관리하도록 구성된 지불 게이트웨이 애플리케이션이다.
실시예에서, 인공 지능 시스템은 예컨대, 물리적 속성, 형상, 기능적 속성, 재료 속성, 성능 속성, 경제적 속성 등을 포함하는 속성의 유사성에 기초하여, 예컨대, 적층 제조될 수 있는 부품을 자동으로 분류하고 클러스터링하도록 구성된다.
실시예에서, 인공 지능 시스템은 하나 이상의 사용자와 연관된 사용 패턴을 분석하고, 재료, 배향, 및/또는 프린팅 전략에 대한 사용자 선호도를 학습하도록 구성된다.
실시예에서, 인공 지능 시스템은 적층 제조 프로세스 동안 재료 폐기물 생성을 최소화하도록 구성된다.
실시예에서, 인공 지능 시스템은 폐기물 생성 및 재료 재포획 또는 재활용을 고려하는 명령어 세트를 제공하는 것을 비롯하여 적층 제조 프로세스 중에 재료 이용을 최적화하도록 구성된다.
실시예에서, 인공 지능 시스템은, 예컨대, 명령어 세트의 최적화를 위해 에너지 및 노동 비용을 고려함으로써, 적층 제조 프로세스 동안 재료 활용, 에너지 활용 및 다른 리소스 활용의 조합을 최적화하도록 구성된다.
실시예에서, 인공 지능 시스템은 분산 제조 네트워크에서 스마트 재고 및 재료 관리를 위해 재고 레벨에 영향을 미치는 실시간 동학(dynamics)을 관리하도록 구성된다.
실시예에서, 인공 지능 시스템은 사전 구성된 파라미터를 갖는 부품의 라이브러리를 구축, 유지, 및 제공하도록 구성되고, 재료, 특성, 기능, 장비 호환성, 형상 호환성, 인터페이스 호환성, 부품 타입, 부품 클래스, 산업, 및 준수에 의해 검색가능하다.
실시예에서, 인공 지능 시스템은 인공 신경망, 결정 트리, 로지스틱 회귀 모델, 확률적 구배 하강 모델, 퍼지 분류기, 지원 벡터 기계, 베이지안 네트워크, 계층적 클러스터링 알고리즘, k-평균 알고리즘, 유전 알고리즘, 딥러닝 시스템(deep learning system), 지도 학습 시스템, 반지도 학습 시스템, 심층 컨볼루션 신경망, 심층 순환 신경망 또는 이들의 임의의 조합을 포함하는 알고리즘을 사용한다. 실시예에서, 인공 지능 시스템(본 출원에 설명된 임의의 실시예에서)은 본 출원에 또는 본 출원에 참조로 포함된 문서에 설명된 인공 지능 타입 중 임의의 것을 사용할 수 있다. 실시예에서, 인공 지능 시스템(본 출원에 설명된 임의의 실시예에서)은 특히, 다음 중 하나 이상을 포함할 수 있는 훈련 데이터 세트를 사용할 수 있다: 정보에 대한 전문가 액션 또는 동작의 세트; 프로세스 및/또는 작업흐름 데이터; 다양한 타입의 모델의 세트; (예컨대, 적층 제조 프로세스로부터, 적층 제조 출력의 활용으로부터, 작업흐름 및 동작으로부터, 및/또는 판매 및 서비스 활동을 포함하는 관련 경제 활동으로부터의) 결과의 세트; 센서 데이터 세트; 공개 정보 소스로부터의 정보(예컨대, 검색 엔진 결과, 뉴스 피드, 웹사이트 정보, 소셜 미디어 정보, 트래픽 데이터, 날씨 데이터, 기후 데이터, 인구통계 데이터, 지리공간 데이터 등); 기업 및 기타 데이터베이스 및 정보 기술 시스템으로부터의 정보; 크라우드소싱으로부터의 정보; 사물 인터넷 정보; 및/또는 다른 데이터 소스 및 입력.
실시예에서, 분산 제조 네트워크 정보 기술 시스템은 사용자의 신체 부분 또는 해부구조에 부합하는 3D 프린팅된 제품을 제공하도록 구성되고, 3D 프린팅된 제품은 안경류, 신발류, 이어웨어 및 헤드기어로 구성된 그룹으로부터 선택된 웨어러블이다.
본 출원에 제공된 양태는 적층 제조 및 밸류 체인 작업흐름을 지원하기 위한 정보 기술 시스템을 포함하며, 이는 적층 제조 및 밸류 체인 프로세스 및 작업흐름을 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템을 포함하는 클라우드 기반 금속 적층 제조 관리 플랫폼; 및 제조 노드에 관련된 데이터를 저장하도록 구성된 분산 원장 시스템을 포함한다.
실시예에서, 인공 지능 시스템은 적층 제조를 위한 프로세스 및 재료 선택을 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습한다.
실시예에서, 인공 지능 시스템은 적층 제조를 위한 공급원료의 조성을 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습한다.
실시예에서, 인공 지능 시스템은 적층 제조를 위한 부품 설계를 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습한다.
실시예에서, 인공 지능 시스템은 하나 이상의 제조 노드에 의한 부품 또는 제품의 제조 또는 고객에의 전달과 관련된 위험을 예측하고 관리하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습한다.
실시예에서, 인공 지능 시스템은 하나 이상의 제조 노드에 의해 제조되고 고객에게 전달되는 부품 또는 제품에 대해 개인화된 마케팅 및 고객 서비스를 제공하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습한다.
액체 렌즈 개요(LIQUID LENS SUMMARY)
VCN 네트워크의 비전 능력을 개선하기 위해 밸류 체인 네트워크 또는 VCN 내의 밸류 체인 엔티티의 네트워크에서의 비전 능력을 개별적으로 또는 총괄하여 개선하는 방법, 시스템, 컴포넌트, 프로세스, 모듈, 블록, 회로, 서브시스템, 물품, 서비스, 소프트웨어, 하드웨어, 및 다른 요소(일부 경우에서 총괄하여 "플랫폼" 또는 "시스템"이라고 지칭되며, 이 용어는 문맥상 달리 표시되는 경우를 제외하고는 위의 것 중 임의의 것을 포함하는 것으로 이해되어야 함)(이러한 용어는 본 출원에 그리고 본 출원에 참조로 포함되는 문서에 개시되는 많은 예 및 실시예를 포함함)가 본 출원에 제공된다.
본 출원에 제공된 양태는 객체를 인식하기 위해 가변 초점 액체 렌즈 광학 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하기 위한 인공 지능 시스템을 갖는 동적 비전 시스템을 포함한다.
본 출원에 제공된 양태는 동적 비전 시스템을 포함하고, 동적 비전 시스템은 가변 초점 액체 렌즈 광학 어셈블리; 광학 어셈블리로부터 수집된 하나 이상의 광학 파라미터 및 데이터를 실시간으로 조정하도록 구성된 제어 시스템; 및 객체 및/또는 환경을 인식하도록 기계 학습 모델을 훈련시키기 위해 광학 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하는 처리 시스템을 포함한다.
실시예에서, 가변 초점 액체 렌즈는 객체 개념을 생성하기 위해 환경 인자 및 처리 시스템으로부터의 피드백에 기초하여 제어 시스템에 의해 연속적으로 조정될 수 있다. 실시예에서, 객체 개념은 객체 및 환경에 관한 상황 지능을 포함하고 동적 비전 시스템에 의한 우수한 객체 인식을 제공한다.
실시예에서, 처리 시스템은 가변 초점 액체 렌즈 광학 어셈블리로부터 실시간 또는 거의 실시간 조정가능한 데이터 스트림을 수신하여, 객체 및 환경에 관한 풍부한 메타데이터 및 상황 지능을 포착하기 위해 객체의 상황 인식을 생성하거나 초점외 이미지를 생성할 수 있다.
실시예에서, 제어 시스템 및 처리 시스템은 가변 초점 액체 렌즈 광학 어셈블리와 통합될 수 있다.
실시예에서, 제어 시스템에 의해 조정되는 광학 파라미터는 초점 거리, 액체 물질, 반사성, 컬러, 환경, 렌즈 형상, 또는 일부 다른 타입의 파라미터를 포함하며, 이들은 차례로 구면 수차, 필드 곡률, 코마, 색수차, 왜곡, 비네팅(vignetting), 고스팅, 플레어링(flaring), 회절, 및/또는 일부 다른 특성에 영향을 미친다.
실시예에서, 처리 시스템은 액체 렌즈 재료, 기하구조, 형상, 광학 특성, 성능 및 설계를 포함할 수 있는 액체 렌즈 광학 어셈블리의 구성을 도출하기 위해 액체 렌즈 광학 어셈블리로부터의 결과, 파라미터, 및 데이터의 세트에 대해 훈련될 수 있다.
본 출원에 제공된 양태는 로봇 비전 시스템을 포함하고, 로봇 비전 시스템은 하나 이상의 센서, 가변 초점 액체 렌즈 및 광자 포착 보드를 포함하는 광학 어셈블리; 및 객체를 인식하도록 인공 지능 모델을 훈련시키기 위해 광학 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하도록 구성된 처리 시스템을 포함한다. 실시예에서, 로봇 비전 시스템은 광학 어셈블리로부터 수집된 하나 이상의 광학 파라미터 및 데이터를 실시간으로 조정하도록 구성된 제어 시스템을 더 포함한다.
실시예에서, 인공 지능 모델은 객체에 관한 분류, 예측 또는 최적화 관련 결정을 위해 훈련된다.
실시예에서, 인공 지능 모델은 객체의 위치, 배향 및 모션을 결정할 수 있다.
실시예에서, 인공 지능 모델은 신경망일 수 있다.
실시예에서, 인공 지능 모델은 2차원 이미지로 처리하는 중간 단계 없이 단일 단계 또는 복수의 단계에서 객체의 3차원 표현을 구축할 수 있다.
실시예에서, 하나 이상의 센서는 카메라, LIDAR, RADAR, SONAR, 열 이미징 센서, 초분광 이미징 센서, 조도 센서, 힘 센서, 토크 센서, 속도 센서, 가속도 센서, 위치 센서, 근접 센서, 자이로 센서, 사운드 센서, 모션 센서, 위치 센서, 부하 센서, 온도 센서, 터치 센서, 깊이 센서, 초음파 범위 센서, 적외선 센서, 화학 센서, 자기 센서, 관성 센서, 가스 센서, 습도 센서, 압력 센서, 점도 센서, 흐름 센서, 객체 센서, 촉각 센서, 또는 일부 다른 타입의 센서를 포함할 수 있다.
실시예에서, 처리 시스템은 조건부 확률을 사용하여 2개 이상의 센서로부터의 출력을 시간적으로 조합하여, 더 풍부하면서 객체의 위치, 배향 및 모션에 관한 정보를 포함하는 객체의 조합된 뷰를 생성할 수 있다.
본 출원에 제공된 양태는 관심 객체에 관한 객체 개념을 동적으로 학습하기 위한 비전 시스템을 포함하고, 이는 가변 초점 액체 렌즈 어셈블리; 가변 초점 액체 렌즈 어셈블리의 하나 이상의 광학 파라미터를 실시간으로 조정하도록 구성된 제어 시스템; 제어 시스템에 의한 조정에 응답하여 가변 초점 액체 렌즈 어셈블리로부터 수신된 데이터에 기초하여 실시간 픽셀 어레이를 포착하도록 구성된 하나 이상의 비전 센서- 픽셀 어레이는 객체 개념을 나타냄 -; 객체의 3차원 표현을 구축하기 위해 객체 개념을 처리하도록 구성된 적응형 지능 시스템을 포함하고, 적응형 지능 시스템은 객체 개념을 하나 이상의 기계 학습 모델에 입력하도록 구성된 기계 학습 시스템- 객체 개념은 기계 학습 모델에 대한 훈련 데이터로서 사용됨 -; 및 객체의 위치, 배향 및 모션을 결정하는 것을 포함하여 객체와 관련된 분류, 예측, 및 다른 결정을 수행하도록 구성되는 인공 지능 시스템을 포함한다.
본 출원에 제공된 양태는 객체를 인식하기 위한 방법을 포함하며, 이 방법은 센서에서, 관심 객체에 관한 시각적 및 상황 정보를 나타내는 실시간 조정가능 데이터 스트림을 수신하는 단계; 이미지 처리 시스템에 의해, 객체 및 환경에 관한 상황 지능을 포함하는 객체 개념을 생성하는 단계; 제어 시스템에 의해, 순응형 액체 렌즈의 광학 파라미터를 조정하는 단계; 순응형 액체 렌즈의 광학 파라미터의 조정에 응답하여 기계 학습 시스템에 의해 객체 개념을 수정하는 단계; 인공 지능 시스템에 의해, 객체 속성을 결정하는 단계- 객체 속성은 객체 분류, 깊이, 위치, 배향 및 모션을 포함하고, 객체 개념은 순응형 액체 렌즈의 광학 파라미터의 조정에 응답하여 지속적으로 수정되고, 순응형 액체 렌즈로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하는 기계 학습 모델을 훈련시키기 위한 입력으로서 사용됨 -를 포함한다.
로봇 개요 시작(ROBO SUMMARY STARTS HERE)
본 개시는 특수 목적, 다목적, 및 다른 클래스의 로봇을 조직, 배치, 및 제어할 수 있는 플릿 관리 플랫폼에 관한 것이다. 신뢰성 있는 계약된 서비스를 안전하게 전달할 수 있는 이러한 플랫폼은 자율 로봇 공학의 가치 생성 잠재력을 잠금 해제하는 하나의 키이다. 이 가치 명제는 고도로 구성가능한 로봇이 최신 기능성으로 설계되고 높은 레벨의 인공 지능으로 인에이블될 때; 플랫폼이 배치된 로봇, 광범위한 공급 체인 활동(예컨대, 특히 픽킹, 패킹, 이동, 저장, 웨어하우징, 수송 및/또는 전달) 및 수요 관련 활동(예컨대, 마케팅, 판매, 광고, 예상, 가격, 위치설정, 배치, 설계 등)에 수반되는 밸류 체인 네트워크(VCN) 엔티티, ERP 시스템, 스마트 계약 등을 포함하는 광범위한 소스로부터의 데이터를 통합하는 지능 및 컴퓨팅 능력을 구비할 때; 및 플랫폼이 동작 결과에 기초하여 성능으로부터 학습하고 성능을 관리할 때 증폭될 수 있다.
본 개시의 보다 완전한 이해는 이하의 설명 및 첨부 도면 및 청구범위로부터 이해될 것이다. 본 출원에 참조된 모든 문서는 본원에 참조로 포함된다.
본 개시의 더 나은 이해를 제공하기 위해 포함되는 첨부 도면은 본 개시의 실시예를 예시하고, 설명과 함께 본 개시의 많은 양태를 설명하는 역할을 한다. 도면에서:
도 1은 공급 체인에서의 다양한 엔티티 및 시설의 종래 기술 관계를 도시하는 블록도이다.
도 2는 본 개시에 따른 밸류 체인 네트워크의 시스템 및 프로세스의 컴포넌트 및 상호관계를 도시하는 블록도이다.
도 3은 본 개시에 따른 밸류 체인 네트워크의 시스템 및 프로세스의 컴포넌트 및 상호관계를 도시하는 다른 블록도이다.
도 4는 본 개시에 따른 도 2 및 도 3의 디지털 제품 네트워크의 시스템 및 프로세스의 컴포넌트 및 상호관계를 도시하는 블록도이다.
도 5는 본 개시에 따른 밸류 체인 네트워크 기술 스택의 시스템 및 프로세스의 컴포넌트 및 상호관계를 도시하는 블록도이다.
도 6은 본 개시에 따른 밸류 체인 네트워크에서 다양한 엔티티의 제어를 오케스트레이션하기 위한 플랫폼 및 관계를 도시하는 블록도이다.
도 7은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 컴포넌트 및 관계를 도시하는 블록도이다.
도 8은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에 의해 관리되는 밸류 체인 엔티티의 컴포넌트 및 관계를 도시하는 블록도이다.
도 9는 본 개시에 따른 밸류 체인 네트워크에서의 엔티티의 네트워크 관계를 도시하는 블록도이다.
도 10은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼에서 통합 데이터 취급 계층에 의해 지원되는 애플리케이션의 세트를 도시하는 블록도이다.
도 11은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 컴포넌트 및 관계를 도시하는 블록도이다.
도 12는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 데이터 저장 계층의 컴포넌트 및 관계를 도시하는 블록도이다.
도 13은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서 적응형 지능 시스템 계층의 컴포넌트 및 관계를 도시하는 블록도이다.
도 14는 본 개시에 따른 상품의 카테고리를 위한 수요 및 공급 애플리케이션의 세트를 위한 조정된 지능을 위한 적응형 지능 시스템을 제공하는 것을 도시하는 블록도이다.
도 15는 본 개시에 따른 수요 및 공급 애플리케이션의 세트 또는 상품의 카테고리에 대한 조정된 지능을 위한 하이브리드 적응형 지능 시스템을 제공하는 것을 도시하는 블록도이다.
도 16은 본 개시에 따른 상품의 카테고리에 대한, 수요 및 공급 애플리케이션의 세트에 대한 예측 지능을 위한 적응형 지능 시스템을 제공하는 것을 도시하는 블록도이다.
도 17은 본 개시에 따른 상품의 카테고리를 위한 수요 및 공급 애플리케이션의 세트에 대한 분류 지능을 위한 적응형 지능 시스템을 제공하는 것을 도시하는 블록도이다.
도 18은 본 개시에 따른 상품의 카테고리를 위한 수요 및 공급 애플리케이션의 세트에 대한 자동화된 제어 신호를 생성하기 위한 적응형 지능 시스템을 제공하는 것을 도시하는 블록도이다.
도 19는 본 개시에 따라 선택된 밸류 체인 네트워크에 대한 정보 라우팅 추천을 생성하기 위해 인공 지능/기계 학습 시스템을 훈련시키는 것을 도시하는 블록도이다.
도 20은 본 개시에 따른 밸류 체인 네트워크에서의 고충점/문제 상태의 인식을 위한 반-지각적 문제 인식 시스템을 도시하는 블록도이다.
도 21은 본 개시에 따른 기업에 대한 밸류 체인 활동의 자동화된 조정을 가능하게 하기 위해 밸류 체인 정보에 대해 동작하는 인공 지능 시스템의 세트를 도시하는 블록도이다.
도 22는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서 디지털 트윈의 세트를 통합하는 데 수반되는 컴포넌트 및 관계를 도시하는 블록도이다.
도 23은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에 수반되는 디지털 트윈의 세트를 도시하는 블록도이다.
도 24는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 엔티티 발견 및 관리 시스템의 컴포넌트 및 관계를 도시하는 블록도이다.
도 25는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 로봇 프로세스 자동화 시스템의 컴포넌트 및 관계를 도시하는 블록도이다.
도 26은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서 기회 마이너의 세트의 컴포넌트 및 관계를 도시하는 블록도이다.
도 27은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 에지 지능 시스템의 세트의 컴포넌트 및 관계를 도시하는 블록도이다.
도 28은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 컴포넌트 및 관계를 도시하는 블록도이다.
도 29는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 컴포넌트 및 관계의 추가적인 세부사항을 도시하는 블록도이다.
도 30은 본 개시에 따른 밸류 체인 네트워크 엔티티의 중앙집중식 오케스트레이션을 가능하게 하는 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 컴포넌트 및 관계를 도시하는 블록도이다.
도 31은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 통합 데이터베이스의 컴포넌트 및 관계를 도시하는 블록도이다.
도 32는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 통합 데이터 수집 시스템의 세트의 컴포넌트 및 관계를 도시하는 블록도이다.
도 33은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 사물 인터넷 모니터링 시스템의 세트의 컴포넌트 및 관계를 도시하는 블록도이다.
도 34는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서 기계 비전 시스템 및 디지털 트윈의 컴포넌트 및 관계를 도시하는 블록도이다.
도 35는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 적응형 에지 지능 시스템의 세트의 컴포넌트 및 관계를 도시하는 블록도이다.
도 36은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서 적응형 에지 지능 시스템의 세트의 컴포넌트 및 관계의 추가적인 세부사항을 도시하는 블록도이다.
도 37은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 통합 적응형 지능 시스템의 세트의 컴포넌트 및 관계를 도시하는 블록도이다.
도 38은 본 개시의 일부 실시예에 따른, 실세계 결과 데이터를 사용하는 밸류 체인 시스템 및 디지털 트윈 시스템에 의해 활용되는 인공 시스템을 훈련시키도록 구성된 시스템의 개략도이다.
도 39는 본 개시의 일부 실시예에 따른, 실세계 결과 데이터를 사용하는 컨테이너 플릿 관리 시스템 및 디지털 트윈 시스템에 의해 활용되는 인공 시스템을 훈련시키도록 구성된 시스템의 개략도이다.
도 40은 본 개시의 일부 실시예에 따른, 실세계 결과 데이터를 사용하는 물류 설계 시스템 및 디지털 트윈 시스템에 의해 활용되는 인공 시스템을 훈련시키도록 구성된 시스템의 개략도이다.
도 41은 본 개시의 일부 실시예에 따른, 실세계 결과 데이터를 사용하는 패키징 설계 시스템 및 디지털 트윈 시스템에 의해 활용되는 인공 시스템을 훈련시키도록 구성된 시스템의 개략도이다.
도 42는 본 개시의 일부 실시예에 따른, 실세계 결과 데이터를 사용하는 폐기물 완화 시스템 및 디지털 트윈 시스템에 의해 활용되는 인공 시스템을 훈련시키도록 구성된 시스템의 개략도이다.
도 43은 본 개시의 일부 실시예에 따른 디지털 트윈을 활용하는 밸류 체인 인공 지능을 위한 정보 기술 시스템의 일부의 예를 예시하는 개략도이다.
도 44는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서 지능형 프로젝트 관리 시설의 세트의 컴포넌트 및 관계를 도시하는 블록도이다.
도 45는 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 지능형 태스크 추천 시스템의 컴포넌트 및 관계를 도시하는 블록도이다.
도 46은 본 개시에 따른 밸류 체인 네트워크 관리 플랫폼의 실시예에서 밸류 체인 네트워크의 노드 사이의 라우팅 시스템의 컴포넌트 및 관계를 도시하는 블록도이다.
도 47은 밸류 체인 네트워크 관리 플랫폼의 실시예에서 디지털 트윈의 세트를 관리하기 위한 대시보드의 컴포넌트 및 관계를 도시하는 블록도이다.
도 48은 마이크로서비스 아키텍처를 사용하는 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 컴포넌트 및 관계를 도시하는 블록도이다.
도 49는 밸류 체인 네트워크 관리 플랫폼의 실시예에서의 사물 인터넷 데이터 수집 아키텍처 및 센서 추천 시스템의 컴포넌트 및 관계를 도시하는 블록도이다.
도 50은 밸류 체인 네트워크 관리 플랫폼의 실시예에서 소셜 데이터 수집 아키텍처의 컴포넌트 및 관계를 도시하는 블록도이다.
도 51은 밸류 체인 네트워크 관리 플랫폼의 실시예에서 크라우드소싱 데이터 수집 아키텍처의 컴포넌트 및 관계를 도시하는 블록도이다.
도 52는 본 개시에 따른 밸류 체인 네트워크 엔티티의 세트의 가상 모델을 나타내는 밸류 체인 네트워크 디지털 트윈의 세트의 실시예를 도시하는 개략도이다.
도 53은 본 개시에 따른 웨어하우스 디지털 트윈 키트 시스템의 실시예를 도시하는 개략도이다.
도 54는 본 개시에 따른 밸류 체인 네트워크 상에서 수행되는 스트레스 테스트의 실시예를 도시하는 개략도이다.
도 55는 본 개시에 따라 결함을 검출하고 기계의 임의의 미래의 고장을 예측하기 위해 기계에 의해 사용되는 방법의 실시예를 도시하는 개략도이다.
도 56은 본 개시에 따른 기계의 세트에 대한 예측 유지보수를 수행하기 위한 기계 트윈의 배치의 실시예를 도시하는 개략도이다.
도 57은 본 개시의 일부 실시예에 따른 밸류 체인 고객 디지털 트윈 및 고객 프로파일 디지털 트윈을 위한 시스템의 일부의 예를 예시하는 개략도이다.
도 58은 본 개시에 따른 적응형 지능 시스템 계층과 인터페이스하는 광고 애플리케이션의 예를 예시하는 개략도이다.
도 59는 본 개시에 따른 적응형 지능 시스템 계층과 통합된 전자상거래 애플리케이션의 예를 예시하는 개략도이다.
도 60은 본 개시에 따른 적응형 지능 시스템 계층과 통합된 수요 관리 애플리케이션의 예를 예시하는 개략도이다.
도 61은 본 개시의 일부 실시예에 따른 밸류 체인 스마트 공급 컴포넌트 디지털 트윈을 위한 시스템의 일부의 예를 예시하는 개략도이다.
도 62는 본 개시에 따른 적응형 지능 시스템 계층과 인터페이스하는 위험 관리 애플리케이션의 예를 예시하는 개략도이다.
도 63은 본 개시에 따른 항구 기반구조의 컴포넌트를 포함하는 밸류 체인 네트워크 관리 플랫폼과 연관된 해양 자산의 개략도이다.
도 64 및 도 65는 본 개시에 따른 선박의 컴포넌트를 포함하는 밸류 체인 네트워크 관리 플랫폼과 연관된 해양 자산의 개략도이다.
도 66은 본 개시에 따른 바지선의 컴포넌트를 포함하는 밸류 체인 네트워크 관리 플랫폼과 연관된 해양 자산의 개략도이다.
도 67은 본 개시에 따른 해양 이벤트, 법적 절차에 수반되고 지오펜싱된 파라미터를 이용하는 것을 포함하는 밸류 체인 네트워크 관리 플랫폼과 연관된 해양 자산의 개략도이다.
도 68은 본 개시의 일부 실시예에 따른, 그와 통신하는 데이터 소스를 포함하는, 기업 및 집행 제어 타워 및 관리 플랫폼의 예시적인 환경을 예시하는 개략도이다.
도 69는 본 개시의 일부 실시예에 따른 기업 제어 타워 및 관리 플랫폼의 예시적인 컴포넌트 세트를 예시하는 개략도이다.
도 70은 본 개시의 일부 실시예에 따른 기업 데이터 모델의 예를 예시하는 개략도이다.
도 71은 본 개시의 일부 실시예에 따른 기업 디지털 트윈 프레임워크의 데이터 계층, 처리 계층, 및 애플리케이션 계층과 관련하여, 집행 디지털 트윈을 포함하는 상이한 타입의 기업 디지털 트윈의 예를 예시하는 개략도이다.
도 72는 본 개시의 일부 실시예에 따른 기업 및 집행 제어 타워 및 관리 플랫폼의 예시적인 구현을 예시하는 개략도이다.
도 73은 기업 디지털 트윈을 구성하고 서빙하기 위한 예시적인 동작 세트를 예시하는 흐름도이다.
도 74는 조직 디지털 트윈을 구성하기 위한 방법의 예시적인 동작 세트를 예시한다.
도 75는 집행 디지털 트윈을 생성하기 위한 방법의 예시적인 동작 세트를 예시한다.
도 76 내지 도 103은 본 개시의 실시예에 따른, 전문가 시스템, 자기-조직화, 기계 학습, 인공 지능을 수반하는 것을 포함하고 패턴 인식을 위해, 하나 이상의 파라미터, 특성, 또는 현상의 분류를 위해, 자율 제어의 지원을 위해, 및 다른 목적을 위해 훈련된 신경망 시스템을 포함하는 지능형 트랜잭션을 가능하게 하기 위해 플랫폼에 연결되고, 플랫폼에 통합되고, 플랫폼에 의해 액세스가능할 수 있는 신경망 시스템의 실시예의 개략도이다.
도 104는 본 개시의 일부 실시예에 따른 예시적인 지능 서비스 시스템을 예시하는 개략도이다.
도 105는 본 개시의 일부 실시예에 따른 다수의 계층을 갖는 예시적인 신경망을 예시하는 개략도이다.
도 106은 본 개시의 일부 실시예에 따른 예시적인 컨볼루션 신경망(CNN)을 예시하는 개략도이다.
도 107은 본 개시의 일부 실시예에 따른 자연어 처리를 구현하기 위한 예시적인 신경망을 예시하는 개략도이다.
도 108은 본 개시의 일부 실시예에 따른 모바일 시스템에 의해 하나 이상의 태스크를 실행하기 위한 예시적인 강화 학습 기반 접근법을 예시하는 개략도이다.
도 109는 본 개시의 일부 실시예에 따른 예시적인 물리적 배향 결정 칩을 예시하는 개략도이다.
도 110은 본 개시의 일부 실시예에 따른 예시적인 네트워크 향상 칩을 예시하는 개략도이다.
도 111은 본 개시의 일부 실시예에 따른 예시적인 진단 칩을 예시하는 개략도이다.
도 112는 본 개시의 일부 실시예에 따른 예시적인 거버넌스 칩을 예시하는 개략도이다.
도 113은 본 개시의 일부 실시예에 따른 예시적인 예측, 분류, 및 추천 칩을 예시하는 개략도이다.
도 114는 본 개시의 일부 실시예에 따른 자율 적층 제조 플랫폼의 예시적인 환경을 예시하는 개략도이다.
도 115는 본 개시의 일부 실시예에 따른, 금속 적층 제조를 위한 디지털 생산 작업흐름을 자동화 및 최적화하기 위한 자율 적층 제조 플랫폼의 예시적인 구현을 예시하는 개략도이다.
도 116은 본 개시의 일부 실시예에 따른 적층 제조 프로세스의 상이한 파라미터의 최적화를 예시하는 흐름도이다.
도 117은 본 개시의 일부 실시예에 따른, 분류, 예측 및 의사 결정을 위해 디지털 트윈을 사용하도록 인공 학습 시스템을 훈련시키기 위해 자율 적층 제조 플랫폼으로부터의 데이터에 기초하여 학습하기 위한 시스템을 예시하는 개략도이다.
도 118은 본 개시의 일부 실시예에 따른 분산 제조 네트워크의 다른 엔티티와 함께 다양한 컴포넌트를 포함하는 자율 적층 제조 플랫폼의 예시적인 구현을 예시하는 개략도이다.
도 119는 본 개시의 일부 실시예에 따른, 프로세스 및 재료 선택, 하이브리드 부품 작업흐름, 공급원료 조성, 부품 설계 최적화, 위험 예측 및 관리, 마케팅 및 고객 서비스를 포함하는 제조 기능 및 서브프로세스를 자동화하고 관리하기 위한 자율 적층 제조 플랫폼의 예시적인 구현을 예시하는 개략도이다.
도 120은 본 개시의 일부 실시예에 따른, 자율 적층 제조 플랫폼에 의해 인에이블되고 분산 원장 시스템 상에 구축되는 분산 제조 네트워크의 개략도이다.
도 121은 본 개시의 일부 실시예에 따른 분산 제조 네트워크의 하나 이상의 제조 노드에서 프린팅된 부품의 추적성을 보장하기 위해 디지털 스레드 데이터가 토큰화되고 분산 원장에 저장되는 분산 제조 네트워크의 예시적인 구현을 예시하는 개략도이다.
도 122는 관심 객체의 이미지를 생성하기 위한 종래의 컴퓨터 비전 시스템의 예시적인 구현을 예시하는 개략도이다.
도 123은 본 개시의 일부 실시예에 따른 관심 객체에 관한 객체 개념을 동적으로 학습하기 위한 동적 비전 시스템의 예시적인 구현을 예시하는 개략도이다.
도 124는 본 개시의 일부 실시예에 따른 동적 비전 시스템의 예시적인 아키텍처를 예시하는 개략도이다.
도 125는 본 개시의 일부 실시예에 따른 동적 비전 시스템에 의한 객체 인식을 위한 방법을 예시하는 흐름도이다.
도 126은 본 개시의 일부 실시예에 따른 동적 비전 시스템의 다양한 광학, 기계, 설계 및 조명 파라미터를 모델링, 시뮬레이션 및 최적화하기 위한 동적 비전 시스템의 예시적인 구현을 예시하는 개략도이다.
도 127은 본 개시의 일부 실시예에 따른, 동적 비전 시스템과 하나 이상의 제3자 시스템의 통합과 함께 다양한 컴포넌트의 상세도를 표시하는 동적 비전 시스템의 예시적인 구현을 예시하는 개략도이다.
도 128은 본 개시의 일부 실시예에 따른 플릿 관리 플랫폼의 예시적인 환경을 예시하는 개략도이다.
도 129는 본 개시의 일부 실시예에 따른 다목적 로봇 및 특수 목적 로봇의 예시적인 구성을 예시하는 개략도이다.
도 130은 본 개시의 일부 실시예에 따른 플릿 관리 플랫폼의 예시적인 플랫폼-레벨 지능 계층을 예시하는 개략도이다.
도 131은 본 개시의 일부 실시예에 따른 지능 계층의 예시적인 구성을 예시하는 개략도이다.
도 132는 본 개시의 일부 실시예에 따른 예시적인 보안 프레임워크를 예시하는 개략도이다.
도 133은 본 개시의 일부 실시예에 따른 플릿 관리 플랫폼의 예시적인 환경을 예시하는 개략도이다.
도 134는 본 개시의 일부 실시예에 따른 작업 구성 시스템의 예시적인 데이터 흐름을 예시하는 개략도이다.
도 135는 본 개시의 일부 실시예에 따른 플릿 동작 시스템의 예시적인 데이터 흐름을 예시하는 개략도이다.
도 136은 본 개시의 일부 실시예에 따른 예시적인 작업 파싱 시스템 및 태스크 정의 시스템 및 그 예시적인 데이터 흐름을 예시하는 개략도이다.
도 137은 본 개시의 일부 실시예에 따른 예시적인 플릿 구성 시스템 및 그 예시적인 데이터 흐름을 예시하는 개략도이다.
도 138은 본 개시의 일부 실시예에 따른 예시적인 작업흐름 정의 시스템 및 예시적인 데이터 흐름을 예시하는 개략도이다.
도 139는 본 개시의 일부 실시예에 따른 다목적 로봇 및 그 컴포넌트의 예시적인 구성을 예시하는 개략도이다.
도 140은 본 개시의 일부 실시예에 따른 로봇 제어 시스템의 예시적인 아키텍처를 예시하는 개략도이다.
도 141은 본 개시의 일부 실시예에 따른 비전 및 감지 시스템에서의 다수의 센서로부터의 데이터를 활용하는 로봇 제어 시스템(12150)의 예시적인 아키텍처를 예시하는 개략도이다.
도 142는 본 개시의 일부 실시예에 따른 로봇의 예시적인 비전 및 감지 시스템을 예시하는 개략도이다.
시간이 지남에 따라, 회사는 고객 수요를 예측하고 관리하기 위한 소프트웨어 시스템, 상품이 공급 체인을 통해 이동함에 따라 상품을 추적하기 위한 RFID 및 자산 추적 시스템, 경로 선택의 효율을 개선하기 위한 내비게이션 및 라우팅 시스템 등과 같은, 도 1에 표시된 것과 같은 전통적인 공급 체인과 관련된 결과를 개선하기 위한 기술 솔루션을 점점 더 많이 사용하고 있다. 그러나, 소정의 큰 동향에 따라 제조자, 소매업자 및 다른 사업자의 공급 체인 성능 개선에 대한 압력이 증가하고 있다. 먼저, 온라인 및 전자상거래 운영자, 특히 Amazon™은 많은 카테고리의 상품에 대한 가장 큰 소매 채널이 되었고, 고객이 아이템을 주문한 다음 날에, 그리고 일부 경우에서는 동일한 날에(그리고 일부 경우에는 드론, 로봇, 및/또는 자율 차량에 의해 문앞에 전달됨) 수령할 수 있도록, 미국과 같은 일부 지역 전체에 수십만 개, 때때로 그 이상의 제품 카테고리(SKU)를 수용하는 유통 및 주문 처리 센터(112)를 도입하였다. 주문 처리 센터 또는 웨어하우스의 광범위한 지리적 분포를 갖지 않는 소매업자의 경우, 전달 속도에 대한 고객의 기대로 인해 공급 체인 효율 및 최적화에 대한 압력이 증가되었다. 따라서, 개선된 공급 체인 방법 및 시스템에 대한 필요성이 여전히 존재한다.
둘째, (예컨대, 특히, 3D 프린팅 및 로봇 조립 기술을 사용하는) 애자일(agile) 제조 능력, 고객 프로파일링 기술, 및 온라인 평가 및 리뷰는 제품의 맞춤화 및 개인화에 대한 고객 기대를 증가시켰다. 따라서, 경쟁을 위해, 제조자 및 소매업자는 고객 수요를 이해하고, 예측하고, 만족시키기 위한 개선된 방법 및 시스템을 필요로 한다.
역사적으로, 공급 체인 관리와 수요 계획 및 관리는 대부분 주로 수요가 주문- 공급 체인에서의 주문 처리를 위해 공급측으로 전달됨 -으로 전환될 때 통합되는 별개의 활동이었다. 속도 및 개인화에 대한 기대가 증가함에 따라, 공급 및 수요의 통합된 오케스트레이션을 제공할 수 있는 방법 및 시스템에 대한 필요성이 존재한다.
이러한 다른 큰 동향과 병행하여, 사물 인터넷이 출현하였고, 일부 카테고리의 제품, 특히 서모스탯, 조명 시스템, 및 스피커와 같은 스마트 홈 제품은, 음악을 재생하는 것, 또는 심지어 제품을 주문하는 것과 같은 특정 애플리케이션 특징의 디바이스 제어 및 트리거링을 허용하는 Alexa™ 또는 Siri™와 같은 음성 제어 지능형 에이전트를 종종 포함하는 온보드 네트워크 연결 및 처리 능력으로 점점 더 유능해지고 있다. 일부 경우에서, 리필 카트리지를 주문하는 프린터와 같은 스마트 제품(650)은 심지어 주문을 개시하기도 한다. 지능형 제품(650)은, Amazon™ Echo™ 제품이 텔레비전을 제어하는 경우, 또는 센서-인에이블(sensor-enabled) 서모스탯 또는 보안 카메라가 모바일 디바이스에 연결하는 경우와 같이, 일부 경우에는 조정된 시스템에 관여되지만, 대부분의 지능형 제품은 여전히 주로 격리된 애플리케이션-특정 상호작용의 세트에 관여된다. 인공 지능 능력이 증가함에 따라, 그리고 공급 환경(670), 수요 환경(672), 및 제조자의 로딩 도크(loading dock)로부터 고객(662) 또는 소매업자(664)의 목적지 지점(612)까지의 제품(650)의 경로를 채우는 모든 위치, 시스템, 및 시설에 상주하는 네트워크-인에이블 에지 디바이스 및 시스템으로 점점 더 많은 컴퓨팅 및 네트워킹 능력이 이동됨에 따라, 수요 및 공급에 수반되는 모든 인자의 극적으로 개선된 지능, 제어, 및 자동화에 대한 필요성 및 기회가 존재한다.
밸류 체인 네트워크(VALUE CHAIN NETWORKS)
도 2를 참조하면, 밸류 체인 네트워크의 시스템 및 프로세스의 컴포넌트 및 상호관계를 도시하는 블록도가 200에서 제시된다. 예시적인 실시예에서, "밸류 체인 네트워크(value chain network)"는, 본 출원에서 사용될 때, 수많은 다양한 기술의 개발 및 융합에 의해 가능하게 되는, 역사적으로 분리된 수요 관리 시스템 및 프로세스와 공급 체인 관리 시스템 및 프로세스의 요소 및 상호연결을 지칭한다. 예시적인 실시예에서, 밸류 체인 제어 타워(260)(예를 들어, 일부 경우에서 "밸류 체인 네트워크 관리 플랫폼", "VCNP", 또는 간단히 "시스템", 또는 "플랫폼"으로서 본 출원에서 지칭됨)는 데이터 처리 시설에 연결되거나, 이들과 통신하거나, 또는 다른 방식으로 이들과 동작가능하게 결합될 수 있으며, 데이터 처리 시설은 예를 들어, 고객(예를 들어, 직접 연결된 고객(250)), 또는 일부 다른 제3자(220)로부터 직접, 예를 들어, 디지털 제품 네트워크(252)로부터 수신된 데이터 흐름, 데이터 풀, 데이터 스트림 및/또는 다른 데이터 구성 및 송신 모달리티(modality)를 수신하는 빅 데이터 센터(예를 들어, 빅 데이터 처리(230)) 및 관련 처리 기능성을 포함하지만 이에 제한되지 않는다. 본 출원에 설명된 바와 같이, 수요 향상(262), 동기화된 계획(234), 지능형 조달(238), 동적 주문 처리(240), 또는 조정된 및 적응형 지능에 의해 통지되는 일부 다른 스마트 동작을 위해, 시장 오케스트레이션(market orchestration) 활동 및 통신(210), 분석(232), 또는 일부 다른 타입의 입력과 관련된 통신이 또한 밸류 체인 제어 타워에 의해 이용될 수 있다.
도 3을 참조하면, 밸류 체인 네트워크의 시스템 및 프로세스의 컴포넌트 및 상호관계, 및 관련된 사용 사례, 데이터 취급, 및 연관된 엔티티를 도시하는 다른 블록도가 제시된다. 예시적인 실시예에서, 밸류 체인 제어 타워(360)는 수요 곡선 관리(352), 생태계(348)의 동기화, 지능형 조달(344), 동적 주문 처리(350), 밸류 체인 분석(340), 및/또는 스마트 공급 체인 동작(342)을 포함하지만 이에 제한되지 않는 시장 오케스트레이션 활동(310)을 조정할 수 있다. 예시적인 실시예에서, 밸류 체인 제어 타워(360)는, 본 출원에 설명된 바와 같이, 지능형, 사용자 적응형 인터페이스, 적응형 지능 및 제어(332), 및/또는 적응형 데이터 모니터링 및 저장소(334)를 포함할 수 있는 외부 데이터 소스(320) 및 데이터 취급 스택(330)(예를 들어, 밸류 체인 네트워크 기술)에 추가로 연결되거나, 그와 통신하거나, 또는 다른 방식으로 그와 동작가능하게 결합될 수 있는 적응형 데이터 파이프라인(302) 및 처리 시설에 연결되거나, 그와 통신하거나, 또는 다른 방식으로 그와 동작가능하게 결합될 수 있다. 밸류 체인 제어 타워(302)는 또한 디지털 제품 네트워크(360), 고객(예를 들어, 직접 연결 고객(362)), 및/또는 다른 연결 동작(364) 및 밸류 체인 네트워크의 엔티티를 포함하지만 이에 제한되지 않는 추가적인 밸류 체인 엔티티에 추가로 연결되거나, 이들과 통신하거나, 또는 다른 방식으로 이들과 동작가능하게 결합될 수 있다.
디지털 제품 네트워크(DIGITAL PRODUCT NETWORKS)("DPN")
도 4를 참조하면, 400에서 디지털 제품 네트워크의 시스템 및 프로세스의 컴포넌트 및 상호관계를 도시하는 블록도가 제시된다. 예시적인 실시예에서, 제품(상품 및 서비스를 포함함)은 제품 레벨 데이터와 같은 데이터를 생성하여 밸류 체인 네트워크 기술 스택 내의 통신 계층 및/또는 에지 데이터 처리 시설에 송신할 수 있다. 이 데이터는 향상된 제품 레벨 데이터를 생성할 수 있고, 본 출원에 설명된 바와 같이, 추가 처리, 모델링 또는 다른 적응적 또는 조정된 지능 활동을 위해 제3자 데이터와 조합될 수 있다. 이는 제품 및 밸류 체인 사용 사례를 생산 및/또는 시뮬레이션하는 것을 포함할 수 있지만, 이에 제한되지 않으며, 그에 대한 데이터는 제품, 제품 개발 프로세스, 제품 설계 등에 의해 활용될 수 있다.
스택 뷰 예(STACK VIEW EXAMPLES)
도 5를 참조하면, 프레젠테이션 계층, 지능 계층, 및 플랫폼(예를 들어, 개발 및 호스팅 플랫폼들), 데이터 시설(예를 들어, IoT 및 빅 데이터를 갖는 데이터에 관련됨), 및 데이터 집계 시설과 같은 서버리스(serverless) 기능성을 포함할 수 있지만 이에 제한되지 않는 밸류 체인 네트워크 기술 스택의 시스템 및 프로세스의 컴포넌트 및 상호관계를 도시하는 블록도가 500에 제시된다. 예시적인 실시예에서, 프레젠테이션 계층은 사용자 인터페이스, 및 조사 및 발견 및 사용자의 경험 및 참여를 추적하기 위한 모듈을 포함할 수 있지만, 이에 제한되지 않는다. 예시적인 실시예에서, 지능 계층은 통계 및 계산 방법, 시맨틱 모델, 분석 라이브러리, 분석을 위한 개발 환경, 알고리즘, 로직 및 규칙, 및 기계 학습을 포함할 수 있지만, 이에 제한되지 않는다. 예시적인 실시예에서, 플랫폼 또는 밸류 체인 네트워크 기술 스택은 개발 환경, 연결성을 위한 API, 클라우드 및/또는 호스팅 애플리케이션, 및 디바이스 발견을 포함할 수 있다. 예시적인 실시예에서, 데이터 집계 시설 또는 계층은 일반 송신을 위한 데이터 정규화 및 이종 디바이스로부터의 이종 데이터 수집을 위한 모듈을 포함할 수 있지만, 이에 제한되지 않는다. 예시적인 실시예에서, 데이터 시설 또는 계층은 IoT 및 빅 데이터 액세스, 제어, 및 수집 및 대안을 포함할 수 있지만, 이에 제한되지 않는다. 예시적인 실시예에서, 밸류 체인 네트워크 기술 스택은 추가적인 데이터 소스 및/또는 기술 인에이블러와 추가로 연관될 수 있다.
명령 플랫폼으로부터의 밸류 체인 오케스트레이션(VALUE CHAIN ORCHESTRATION FROM A COMMAND PLATFORM)
도 6은 밸류 체인 네트워크 관리 플랫폼(604)(본 출원에서 일부 경우에서 "밸류 체인 제어 타워", "VCNP", 또는 간단히 "시스템", 또는 "플랫폼"으로 지칭됨)이 공급 및 생산 인자, 수요 인자, 물류 및 유통 인자 등과 같은 밸류 체인 네트워크(668)에 수반되는 다양한 엔티티 및 활동을 계획, 모니터링, 제어, 및 최적화하는 데 수반되는 다양한 인자를 오케스트레이션하는 연결된 밸류 체인 네트워크(668)를 예시한다. 공급 인자 및 수요 인자들 뿐만 아니라 상태 정보(예를 들어, 품질 및 상태, 계획, 주문 및 확인, 및/또는 추적 및 트레이스)를 모니터링하고 관리하기 위한 통합 플랫폼(604)에 의해, 수요 인자가 이해되고 설명될 때, 주문이 생성되고 주문 처리될 때, 그리고 제품이 생성되고 공급 체인을 통해 이동될 때, 다양한 엔티티(예를 들어, 고객들/소비자, 공급자, 유통업자와 같은 유통, 공급자, 및 생산자 또는 생산 시설과 같은 생산을 포함함)에 관해 그리고 이들 사이에서 공유될 수 있다. 밸류 체인 네트워크(668)는 지능형 제품(650) 뿐만 아니라, 또한 그에 대한 수요를 계획하고 만족시키는 데 수반되는 장비, 기반구조, 인력 및 다른 엔티티 모두를 포함할 수 있다.
밸류 체인 네트워크 및 밸류 체인 네트워크 관리 플랫폼(VALUE CHAIN NETWORK AND VALUE CHAIN NETWORK MANAGEMENT PLATFORM)
도 7을 참조하면, 밸류 체인 관리 플랫폼(604)에 의해 관리되는 밸류 체인 네트워크(668)는, 제한 없이, 다음과 같은, 밸류 체인 네트워크 엔티티(652)의 세트를 포함할 수 있다: 지능형 제품(650)일 수 있는 제품(650); 완제품, 컴포넌트, 시스템, 서브시스템, 상품에 사용되는 재료 등을 생산하는 데 수반되는 생산 시설(674)의 세트; 공급자(642), 원산지 지점(610) 등과 같은, 공급 환경(670)에 수반되는 다양한 엔티티, 활동 및 다른 공급 인자(648); 다양한 목적지(612)에 위치되고/되거나 운영되는 고객(662)(소비자, 사업자, 및 부가 가치 재판매업자 및 유통업자와 같은 중간 고객을 포함함), 소매업자(664)(온라인 소매업자, 모바일 소매업자, 종래의 오프라인 소매업자(bricks and mortar retailer), 팝업 상점(pop-up shop) 등을 포함함) 등과 같은, 수요 환경(672)에 수반되는 다양한 엔티티, 활동 및 다른 수요 인자(644); 다양한 유통 환경(678) 및 유통 시설(658), 예컨대 웨어하우징 시설(654), 주문 처리 시설(628), 및 배달 시스템(632) 등, 뿐만 아니라 해양 시설(622), 예컨대 특히 항구 기반구조 시설(660), 플로팅 자산(floating asset)(620), 및 쉽야드(shipyard)(638). 실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)은 광범위한 밸류 체인 네트워크(668) 프로세스, 작업흐름, 활동, 이벤트 및 애플리케이션(630)(일부 경우에서는 총괄하여 단순히 "애플리케이션(applications)(630)"이라고 지칭됨)을 모니터링하고, 제어하고, 다른 방식으로 관리(및 일부 경우에서는 자율적 또는 반자율적 거동)를 가능하게 한다.
여전히 도 7을 참조하면, 밸류 체인 네트워크 관리 플랫폼(604)의 하이-레벨 개략도가 예시되어 있다. 밸류 체인 네트워크 관리 플랫폼(604)은 밸류 체인 엔티티(652)의 세트의 지능형 관리를 가능하게 하기 위해 협력하여 작동하는 시스템, 애플리케이션, 프로세스, 모듈, 서비스, 계층, 디바이스, 컴포넌트, 기계, 제품, 서브시스템, 인터페이스, 연결, 및 다른 요소의 세트를 포함할 수 있고, 이러한 지능형 관리는 하나 이상의 밸류 체인 네트워크 프로세스, 작업흐름, 활동, 이벤트 및/또는 애플리케이션(630) 내에서 발생, 동작, 트랜잭션 등을 수행할 수 있거나, 자체로, 이들을 동작, 지원 또는 인에이블(enable)할 수 있거나 그렇지 않으면 제품(650)과 관련하여 VCNP(604)의 일부이거나, 그와 통합되거나, 그에 연관되거나, 그에 의해 동작될 수 있다(제품은 완제품, 소프트웨어 제품, 하드웨어 제품, 컴포넌트 제품, 재료, 장비 아이템, 소비자 패키징 상품 아이템, 소비자 제품, 식품 제품, 음료 제품, 가정용 제품, 비즈니스 공급 제품, 소모성 제품, 제약 제품, 의료 기기 제품, 기술 제품, 엔터테인먼트 제품, 또는 임의의 다른 타입의 제품 및/또는 관련 서비스 세트와 같은 임의의 카테고리의 제품일 수 있거나, 실시예에서, 지능형 제품(650)을 포함할 수 있고, 이러한 지능형 제품은 특히, 제한 없이, 데이터 처리, 네트워킹, 감지, 자율 동작, 지능형 에이전트, 자연어 처리, 대화 인식, 음성 인식, 터치 인터페이스, 원격 제어, 자기-조직화, 자기-치유, 프로세스 자동화, 계산, 인공 지능, 아날로그 또는 디지털 센서, 카메라, 사운드 처리 시스템, 데이터 저장소, 데이터 통합, 및/또는 다양한 사물 인터넷 능력과 같은 능력의 세트가 가능하다).
실시예에서, 관리 플랫폼(604)은 데이터 취급 계층(624)의 세트를 포함할 수 있고, 이들 각각은, 예컨대, 매우 다양한 밸류 체인 네트워크 애플리케이션 및 최종 사용을 위해, 자동화, 기계 학습, 인공 지능의 애플리케이션, 지능형 트랜잭션, 상태 관리, 이벤트 관리, 프로세스 관리 등을 용이하게 하기 위해, 지능의 개발 및 배치를 용이하게 하는 능력의 세트를 제공하도록 구성된다. 실시예에서, 데이터 취급 계층(624)은 밸류 체인 모니터링 시스템 계층(614)에 의한 플랫폼(604) 내의 다수의 애플리케이션 및 사용에 걸친 공유 데이터 수집 및 분배를 용이하게 하는 토폴로지로 구성된다. 밸류 체인 모니터링 시스템 계층(614)은 밸류 체인 엔티티(652)로부터 또는 그에 관해 수집된 데이터 뿐만 아니라, 또한 다양한 데이터 계층(624) 또는 서비스 또는 컴포넌트로부터 또는 그에 관해 수집된 데이터를 수집 및 조직화하기 위한, 일부 경우에서 편의상 데이터 수집 시스템(640)이라고 지칭되는, 다양한 데이터 수집 및 관리 시스템(640)을 포함하고, 이들과 통합되고, 및/또는 이들과 협력할 수 있다. 실시예에서, 데이터 취급 계층(624)은, 일부 경우에 편의상 간단히 데이터 저장 계층(624) 또는 저장 계층(624)으로서 본 출원에서 지칭되는, 밸류 체인 네트워크 지향 데이터 저장 시스템 계층(624)에 의한 플랫폼(604)의 다수의 애플리케이션 및 사용에 걸친 공유 또는 공통 데이터 저장을 용이하게 하는 토폴로지로 구성된다. 도 7에 도시된 바와 같이, 데이터 취급 계층(624)은 또한 적응형 지능 시스템 계층(614)을 포함할 수 있다. 적응형 지능 시스템 계층(614)은 본 개시 전체에 걸쳐 다른 곳에서 더 상세히 설명되는 데이터 처리, 인공 지능 및 계산 시스템(634)의 세트를 포함할 수 있다. 데이터 처리, 인공 지능 및 계산 시스템(634)은 인공 지능(예를 들어, 전문가 시스템, 인공 지능, 신경, 지도, 기계 학습, 딥러닝, 모델 기반 시스템 등)과 관련될 수 있다. 구체적으로, 데이터 처리, 인공 지능 및 계산 시스템(634)은, 일부 실시예에서, 패턴을 결정하기 위해 공급 체인에서의 트랜잭션의 블록체인 상에서 동작하는 적응형 지능 시스템으로서 순환 네트워크의 사용, 생물학적 시스템과의 사용, 기회 마이닝(opportunity mining)(예를 들어, 인공 지능 시스템이 지능을 자동으로 배치하기 위한 기회로서 새로운 데이터 소스를 모니터링하기 위해 사용될 수 있음), 로봇 프로세스 자동화(예를 들어, 다양한 작업흐름에 대한 지능형 에이전트의 자동화), 에지 및 네트워크 지능(예를 들어, 이용가능한 RF 스펙트럼을 적응적으로 사용하는 것, 이용가능한 고정 네트워크 스펙트럼을 적응적으로 사용하는 것, 이용가능한 저장 조건에 기초하여 데이터를 적응적으로 저장하는 것, 일종의 상황 감지에 기초하여 적응적으로 감지하는 것과 같은 모니터링 시스템에 결부됨) 등과 같은 다양한 예에 관련될 수 있다.
실시예에서, 데이터 취급 계층(data handling layer)(624)은 도면에서 수직 스택 또는 리본으로 표시될 수 있고, 저장, 모니터링, 및 처리 애플리케이션 및 리소스 및 이들의 조합을 포함하는 플랫폼(604)에 이용가능한 많은 기능성을 나타낼 수 있다. 실시예에서, 데이터 취급 계층(624)의 능력의 세트는 공유 마이크로서비스 아키텍처를 포함할 수 있다. 이러한 예에서, 능력의 세트는 하나 이상의 서비스, 작업흐름, 또는 이들의 조합으로서 구성될 수 있는 다수의 별개의 서비스 또는 애플리케이션을 제공하도록 배치될 수 있다. 일부 예에서, 능력의 세트는 특정 애플리케이션 또는 프로세스 내에 배치되거나 그에 상주할 수 있다. 일부 예에서, 능력의 세트는 플랫폼의 이익을 위해 결집된 하나 이상의 활동을 포함할 수 있다. 일부 예에서, 능력의 세트는 플랫폼의 이익을 위해 조직된 하나 이상의 이벤트를 포함할 수 있다. 실시예에서, 플랫폼의 능력의 세트 중 하나는 공통 데이터 스키마를 지원하는 공통 아키텍처와 같은 공통 아키텍처의 적어도 일부 내에 배치될 수 있다. 실시예에서, 플랫폼의 능력의 세트 중 하나는 공통 저장소를 지원할 수 있는 공통 아키텍처의 적어도 일부 내에 배치될 수 있다. 실시예에서, 플랫폼의 능력의 세트 중 하나는 공통 모니터링 시스템을 지원할 수 있는 공통 아키텍처의 적어도 일부 내에 배치될 수 있다. 실시예에서, 플랫폼의 능력의 하나 이상의 세트는 하나 이상의 공통 처리 프레임워크를 지원할 수 있는 공통 아키텍처의 적어도 일부 내에 배치될 수 있다. 실시예에서, 데이터 취급 계층(624)의 능력의 세트는 저장 기능이 확장가능 처리 능력, 확장가능 모니터링 시스템, 디지털 트윈 시스템, 지불 인터페이스 시스템 등을 지원하는 예를 포함할 수 있다. 이러한 예에서, 하나 이상의 소프트웨어 개발 키트가 배치 인터페이스와 함께 플랫폼에 의해 제공되어 데이터 취급 계층(624)의 능력의 연결 및 사용을 용이하게 할 수 있다. 다른 예에서, 적응형 지능 시스템은 데이터 취급 계층(624)의 능력 중 하나 이상을 분석, 학습, 구성, 및 재구성할 수 있다. 실시예에서, 플랫폼(604)은, 예를 들어, 쉽야드 엔티티 관련 서비스 및 웨어하우징 엔티티 서비스를 서빙하는 공통 데이터 저장 스키마를 포함할 수 있다. 본 출원에 개시된 많은 밸류 체인 엔티티를 포함하는 전술한 예에 적용가능한 많은 다른 적용가능한 예 및 조합이 있다. 이러한 예에서, 플랫폼(604)은 많은 밸류 체인 엔티티에 걸쳐 연결성(예를 들어, 능력 및 정보의 공급)을 생성하는 것으로 도시될 수 있다. 많은 예에서, 공통 데이터 스키마, 공통 아키텍처, 공통 인터페이스 등을 배치(상호작용, 의존 등)하기 위해 데이터 취급 계층(624)의 능력의 하나 이상의 더 작은 세트를 사용하는 유사한 종류의 밸류 체인 엔티티의 페어링(이중, 삼중, 사중 등)이 존재한다. 서비스 및 능력이 단일 밸류 체인 엔티티에 제공될 수 있지만, 플랫폼은 밸류 체인 엔티티 및 엔티티에 의해 사용되는 애플리케이션에 걸친 연결성을 지원함으로써 밸류 체인 및 소비자에게 무수한 이점을 제공하는 것으로 나타날 수 있다.
플랫폼에 의해 관리되는 밸류 체인 네트워크 엔티티(VALUE CHAIN NETWORK ENTITIES MANAGED BY THE PLATFORM)
도 8을 참조하면, 밸류 체인 네트워크 관리 플랫폼(604)이 밸류 체인 엔티티(652)의 세트와 연계하여 예시되어 있으며, 밸류 체인 엔티티는 플랫폼(604)에 의한 관리가 적용될 수 있고, 플랫폼(604)내에 또는 그와 통합될 수 있거나, 및/또는 광범위한 밸류 체인 활동(예컨대, 다양한 밸류 체인 네트워크 프로세스, 작업흐름, 활동, 이벤트 및 애플리케이션(630)(총괄하여 "애플리케이션(630)" 또는 간단히 "활동들")에 수반되는 바와 같은, 공급 체인 활동, 물류 활동, 수요 관리 및 계획 활동, 배달 활동, 배송 활동, 웨어하우징 활동, 유통 및 주문 처리 활동, 재고 집계, 저장 및 관리 활동, 마케팅 활동 등)에 수반되는 것들 같이 플랫폼(604)에 입력을 공급하고 및/또는 그로부터 출력을 취할 수 있다. 밸류 체인 엔티티(652)와의 연결은 본 개시 전반에 걸쳐 그리고 아래에 더 상세히 설명되는 광범위한 컴포넌트 및 시스템을 포함하는 연결 시설(642) 및 인터페이스(702)의 세트에 의해 촉진될 수 있다. 이는, 특히, 플랫폼의 개별 서비스에 대한, 데이터 취급 계층에 대한, 플랫폼 전체에 대한, 및/또는 밸류 체인 엔티티(652) 사이의 연결성 및 인터페이스 능력을 포함할 수 있다.
이들 밸류 체인 엔티티(652)는 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에서 언급된 매우 다양한 자산, 시스템, 디바이스, 기계, 컴포넌트, 장비, 시설, 개인 또는 다른 엔티티 중 임의의 것, 예컨대, 제한 없이 다음을 포함할 수 있다: 기계(724) 및 그 컴포넌트(예를 들어, 배달 차량, 지게차, 컨베이어, 로딩 기계, 크레인, 리프트, 운반기, 트럭, 로딩 기계, 언로딩 기계, 패킹 기계, 픽킹 기계, 및 로봇 시스템, 예를 들어, 물리적 로봇, 협동 로봇(예를 들어, "코봇들"), 드론, 자율 차량, 소프트웨어 봇 등을 포함하는 많은 다른 것들); 제품(650)(완제품, 소프트웨어 제품, 하드웨어 제품, 컴포넌트 제품, 재료, 장비의 아이템, 소비자 패키징된 상품의 아이템, 소비자 제품, 식품 제품, 음료 제품, 가정용 제품, 비즈니스 공급 제품, 소모성 제품, 제약 제품, 의료 기기 제품, 기술 제품, 엔터테인먼트 제품, 또는 임의의 다른 타입의 제품 및/또는 관련 서비스의 세트와 같은 임의의 카테고리의 제품들일 수 있음); 밸류 체인 프로세스(722)(예컨대, 배송 프로세스, 운반 프로세스, 해양 프로세스, 검사 프로세스, 운반 프로세스, 로딩/언로딩 프로세스, 패킹/언패킹 프로세스, 구성 프로세스, 조립 프로세스, 설치 프로세스, 품질 제어 프로세스, 환경 제어 프로세스(예를 들어, 온도 제어, 습도 제어, 압력 제어, 진동 제어 등), 경계 제어 프로세스, 항구 관련 프로세스, 소프트웨어 프로세스(애플리케이션, 프로그램, 서비스 등을 포함함), 패킹 및 로딩 프로세스, 재무 프로세스(예를 들어, 보험 프로세스, 보고 프로세스, 트랜잭션 프로세스 등), 테스트 및 진단 프로세스, 보안 프로세스, 안전 프로세스, 보고 프로세스, 자산 추적 프로세스 등); 웨어러블 및 휴대용 디바이스(720)(예컨대, 모바일 전화, 태블릿, 밸류 체인 애플리케이션 및 프로세스를 위한 전용 휴대용 디바이스, 데이터 수집기(모바일 데이터 수집기를 포함함), 센서 기반 디바이스, 시계, 안경, 청각기기, 머리 착용 디바이스, 의류 통합 디바이스, 아암 밴드, 팔찌, 목 착용 디바이스, AR/VR 디바이스, 헤드폰 등); 작업자(718)(예컨대, 전달 작업자, 배송 작업자, 바지선 작업자, 항구 작업자, 도크 작업자, 기차 작업자, 선박 작업자, 유통 또는 주문 처리 센터 작업자, 웨어하우스 작업자, 차량 운전자, 비즈니스 관리자, 엔지니어, 플로어 관리자, 수요 관리자, 마케팅 관리자, 재고 관리자, 공급 체인 관리자, 화물 취급 작업자, 검사자, 전달 인력, 환경 제어 관리자, 재무 자산 관리자, (본 출원에 언급된 임의의 프로세스를 위한) 프로세스 감독자 및 작업자, 보안 인력, 안전 인력 등); 공급자(642)(예컨대, 모든 타입의 상품 및 관련 서비스의 공급자, 컴포넌트 공급자, 성분 공급자, 재료 공급자, 제조자 등); 고객(662)(소비자, 라이센시, 사업자, 기업, 부가 가치 및 다른 재판매업자, 소매업자, 최종 사용자, 유통업자, 및 상품 및/또는 관련 서비스의 카테고리를 구매하거나, 라이센싱하거나, 또는 다른 방식으로 사용할 수 있는 다른 자를 포함함); 광범위한 운영 시설(712)(예컨대, 로딩 및 언로딩 도크, 저장 및 웨어하우징 시설(654), 볼트, 유통 시설(658) 및 주문 처리 센터(628), (항공기, 공항, 격납고, 활주로, 재급유 데포 등을 포함하는) 항공 여행 시설(740), (도크, 야드, 크레인, 롤-온/롤-오프(roll-on/roll-off) 시설, 램프, 컨테이너, 컨테이너 취급 시스템, 수로(732), 잠금 장치 등과 같은) 항구 기반구조 시설(622)과 같은) 해양 시설(622), 쉽야드 시설(638), (선박, 바지선, 보트 등과 같은) 플로팅 자산(620), 원산지 지점(610) 및/또는 목적지 지점(628)에서의 시설 및 다른 아이템, (컨테이너 선박, 바지선, 및 다른 플로팅 자산(620)과 같은) 운반 시설(710), 뿐만 아니라 트럭, 기차 등과 같은, 상품을 운반하기 위해 사용되는 육상 기반 차량 및 다른 배달 시스템(632) 등); 수요를 고려하는 아이템 또는 요소(즉, 수요 인자(644))(시장 인자, 이벤트 등을 포함함); 공급을 고려하는 아이템 또는 요소(즉, 공급 인자(648))(시장 인자, 날씨, 컴포넌트 및 재료의 가용성 등을 포함함); 물류 인자(750)(예컨대, 이동 경로의 가용성, 날씨, 연료 가격, 규제 인자, 공간의 가용성(예컨대, 차량 상에서, 컨테이너 내에서, 패키지 내에서, 웨어하우스 내에서, 주문 처리 센터 내에서, 매대 상에서 등) 등); 소매업자(664)(온라인 소매업자(730) 및 전자상거래 사이트(730)의 형태와 같은 다른 소매업자를 포함함); 운송을 위한 경로(예컨대, 수로(732), 도로(734), 항공 이동 경로, 철도(738) 등); 로봇 시스템(744)(모바일 로봇, 코봇, 인간 작업자를 보조하기 위한 로봇 시스템, 로봇 배달 시스템 등을 포함함); 드론(748)(패키지 전달, 사이트 매핑, 모니터링 또는 검사 등을 위한 것을 포함함); 자율 차량(742)(예컨대, 패키지 전달을 위한 것); 소프트웨어 플랫폼(752)(예컨대, 기업 리소스 계획 플랫폼, 고객 관계 관리 플랫폼, 판매 및 마케팅 플랫폼, 자산 관리 플랫폼, 사물 인터넷 플랫폼, 공급 체인 관리 플랫폼, 서비스 플랫폼로서의 플랫폼, 서비스 플랫폼로서의 기반구조, 소프트웨어 기반 데이터 저장 플랫폼, 분석 플랫폼, 인공 지능 플랫폼 등); 등. 일부 예시적인 실시예에서, 제품(650)은 지능형 제품(650)으로서 포괄될 수 있거나 VCNP(604)는 지능형 제품(650)을 포함할 수 있다. 지능형 제품(650)은, 특히, 제한 없이, 데이터 처리, 네트워킹, 감지, 자율 동작, 지능형 에이전트, 자연어 처리, 대화 인식, 음성 인식, 터치 인터페이스, 원격 제어, 자기-조직화, 자기-치유, 프로세스 자동화, 계산, 인공 지능, 아날로그 또는 디지털 센서, 카메라, 사운드 처리 시스템, 데이터 저장소, 데이터 통합, 및/또는 다양한 사물 인터넷 능력과 같은 능력의 세트로 인에이블될 수 있다. 지능형 제품(650)은 정보 기술의 형태를 포함할 수 있다. 지능형 제품(650)은 프로세서, 컴퓨터 랜덤 액세스 메모리, 및 통신 모듈을 가질 수 있다. 지능형 제품(650)은 지능형 제품이 핑되거나 판독될 수 있는 RFID 타입의 데이터 구조와 유사한 수동적 지능형 제품일 수 있다. 제품(650)은 (예를 들어, 플랫폼의 제어 하에 있는) 밸류 체인 네트워크 엔티티로 고려될 수 있고, 데이터가 지능형 제품(650)으로부터 판독될 수 있도록 주변 기반구조에 의해, 그리고, RFID를 추가함으로써 지능형이 되게 될 수 있다. 지능형 제품(650)은 연결성이 센서, IoT 디바이스, 태그, 또는 다른 컴포넌트를 통해 지능형 제품(650) 주위에 구축되도록 연결된 방식으로 밸류 체인 네트워크에 맞춰질 수 있다.
실시예에서, 모니터링 시스템 계층(614)은 밸류 체인 네트워크(668) 내의 밸류 체인 엔티티(652) 중 임의의 것 또는 전부를 모니터링할 수 있거나, 밸류 체인 엔티티(652)와 데이터를 교환할 수 있거나, 예컨대 본 개시 전반에 걸쳐 설명된 데이터 취급 계층(624)의 다양한 능력을 통해, 밸류 체인 엔티티(652) 중 임의의 것에 제어 명령어를 제공하거나 그로부터 명령어를 취할 수 있는 등이다.
밸류 체인 네트워크 엔티티의 네트워크 특성(NETWORK CHARACTERISTICS OF THE VALUE CHAIN NETWORK ENTITIES)
도 9를 참조하면, 밸류 체인 네트워크 관리 플랫폼(604)에 의한 밸류 체인 네트워크(668) 내에서 깊게 상호연결된 밸류 체인 네트워크 엔티티(652)의 세트의 오케스트레이션이 예시되어 있다. 밸류 체인 네트워크 엔티티(652) 각각은 VCNP(604)에 대한 연결, 다른 밸류 체인 네트워크 엔티티(652)의 세트에 대한 연결(로컬 네트워크 연결, 피어-투-피어(peer-to-peer) 연결, 모바일 네트워크 연결, 클라우드를 통한 연결, 또는 다른 연결일 수 있음), 및/또는 VCNP(604)를 통한 다른 밸류 체인 네트워크 엔티티(652)에 대한 연결을 가질 수 있다. 밸류 체인 네트워크 관리 플랫폼(604)은, 예컨대, 엔티티(652)의 다른 세트를 수반하는 애플리케이션(630)에 통지하기 위해 엔티티(652)의 하나의 세트로부터의 정보를 사용함으로써, 엔티티(652)의 세트의 활동을 조정함으로써, 엔티티(652)의 세트에 대한 또는 엔티티의 또는 VCNP(604)의 인공 지능 시스템에 입력을 제공함으로써, 엔티티(652) 및 그 환경에 또는 그 내에 배치된 에지 계산 시스템(edge computation system)과 상호작용함으로써 등에 의해 연결을 관리하거나, 연결성을 가능하게 하도록 리소스를 구성 또는 프로비저닝하거나 및/또는 연결성을 활용하는 애플리케이션(630)을 관리할 수 있다.
엔티티(652)는 VCNP(604)가 이들 엔티티(652)와 상호작용할 수 있도록 외부적일 수 있다. VCNP(604)가 모니터링을 확립하기 위한(예를 들어, 몇몇 엔티티(652)에 걸친 공통 모니터링과 같은 모니터링을 확립하기 위한) 제어 타워로서 기능할 때. 하나의 통합된 플랫폼에서, 사용자가 사용자의 목적지, 항구, 항공 및 철도 자산들 뿐만 아니라 주문 등과 같은 다양한 아이템을 볼 수 있는 인터페이스가 있을 수 있다. 이때, 다음의 단계는 이러한 애플리케이션 중 어느 하나 상에서 또는 내에서 작동하는 서비스를 가능하게 하는 공통 데이터 스키마를 확립하는 것일 수 있다. 이는 이러한 엔티티(652) 중 임의의 것을 통해 또는 그에 관해 흐르고 있는 데이터 중 임의의 것을 취하는 것 및 데이터를 공급 및 수요에 걸친 다른 애플리케이션이 엔티티(652)와 상호작용할 수 있는 프레임워크로 풀링하는 것을 수반할 수 있다. 이는 IoT 시스템 및 다른 외부 데이터 소스로부터 유래하고, 모니터링 계층에 공급되고, 저장 계층에서 공통 데이터 스키마로 저장되는 공유 데이터 파이프라인일 수 있고, 이때, 다양한 지능은 이러한 엔티티(652)에 걸친 영향을 식별하도록 훈련될 수 있다. 예시적인 실시예에서, 공급자가 파산할 수 있거나, 공급자가 파산했다는 결정이 이루어지고, 이때, VCNP(604)는 변경된 기간(terms)을 갖는 2차 공급자에게 전송될 대체 스마트 계약을 자동으로 트리거할 수 있다. 공급 체인의 상이한 양태의 관리가 존재할 수 있다. 예를 들어, 하나 이상의 공급자가 (예를 들어, 파산 발표로부터) 파산한 것으로 식별되는 것에 응답하여 수요 측에서 즉시 그리고 자동으로 가격을 변경한다. VCNP(604)에 의해 인에이블될 수 있는 그 자동화 계층에서 발생하는 사안에 기초하여 다른 유사한 예가 사용될 수 있다. 그 다음, 이 VCNP(604)의 인터페이스 계층에서, 디지털 트윈은 전형적으로 함께 도시되지 않은 모든 이들 엔티티(652)를 보기 위해 그리고 문제 상태의 식별을 비롯하여 이들 엔티티(652) 각각에서 진행 중인 사안을 모니터링하기 위해 사용자가 사용할 수 있다. 예를 들어, 공급자에 대하여 3/4 분기의 열악한 재무 보고를 본 후에, 잠재적인 미래의 파산 등에 대해 면밀히 관찰하도록 보고서에 플래깅될 수 있다.
예를 들어, 주문 처리 센터(628)에 배치된 IoT 시스템은 제품(650)에 관한 고객 피드백을 취하는 지능형 제품(650)과 조정될 수 있고, 주문 처리 센터(628)에 대한 애플리케이션(630)은, 제품(650)과의 문제에 관한 지능형 제품(650)으로의 연결 경로를 통해 고객 피드백을 수신할 시에, 제품(650)이 주문 처리 센터(628)로부터 송출되기 전에 유사한 제품(650)에 대해 정정 액션을 수행하기 위한 작업흐름을 개시할 수 있다. 유사하게, 배송 컨테이너를 보유하기 위한 야드와 같은 항구 기반구조 시설(660)은 (선박, 바지선 등과 같은) 플로팅 자산(620)에 대한 연결을 통해 플로팅 자산(620)의 플릿에게 항구의 용량 한계에 거의 근접했음을 통지할 수 있고, 그에 의해 잔여 용량에 대한 협상 프로세스(규칙의 세트에 기초하고 스마트 계약에 의해 관장되는 자동화된 협상을 포함할 수 있음)를 시작하고 일부 자산(620)이 대안적인 항구 또는 보유 시설로 재지향될 수 있게 한다. 밸류 체인 네트워크 엔티티(652) 사이의 이들 및 많은 다른 연결은, 일대일 연결이든, 일대다 연결이든, 다대다 연결이든, 또는 (예컨대, 동일한 소유자 또는 운영자에 의해 제어되는) 엔티티(652)의 정의된 그룹 사이의 연결이든 간에, VCNP(604)에 의해 관리되는 애플리케이션(630)으로서 본 출원에 포함된다.
플랫폼에 의해 관리되는 밸류 체인 네트워크 활동 및 애플리케이션(VALUE CHAIN NETWORK ACTIVITIES AND APPLICATIONS MANAGED BY THE PLATFORM)
도 10을 참조하면, VCNP(604) 상에 제공되고, VCNP(604)와 통합되고/되거나 VCNP(604)에 의해 관리되거나 그를 위해 관리되고/되거나 밸류 체인 네트워크 엔티티(652)의 세트를 수반하는 애플리케이션(630)의 세트는, 제한 없이, 다음과 같은 광범위한 타입의 애플리케이션 중 임의의 것 중 하나 이상을 포함할 수 있다: 공급 체인 관리 애플리케이션(812)(예컨대, 제한 없이, 상품, 컴포넌트, 및 다른 아이템에 대한 주문의 타이밍, 수량, 물류, 배송, 배달, 및 다른 세부사항의 관리를 위한 것); 자산 관리 애플리케이션(814)(예컨대, 제한 없이, (선박, 보트, 바지선, 및 부유 플랫폼과 같은) 플로팅 자산, (예컨대, 웨어하우스, 항구, 쉽야드, 유통 센터 및 다른 건물의 위치를 위해 사용되는) 부동산, (예컨대, 컨테이너, 화물, 패키지, 상품, 및 다른 아이템을 취급하기 위해 사용되는) 장비, 기계 및 고정물, (지게차, 전달 트럭, 자율 차량, 및 아이템을 이동시키기 위해 사용되는 다른 시스템과 같은) 차량, (작업자와 같은) 인적 리소스, 소프트웨어, 정보 기술 리소스, 데이터 처리 리소스, 데이터 저장 리소스, 발전 및/또는 저장 리소스, 계산 리소스 및 다른 자산과 같은) 밸류 체인 자산을 관리하기 위한 것); 재무 애플리케이션(822)(예컨대, 제한 없이, 지불, 보안, 담보, 채권, 관세, 듀티, 수입세, 세금 등을 수반하는 것과 같은, 밸류 체인 엔티티 및 자산에 관련된 재무 문제를 취급하기 위한 것); 위험 관리 애플리케이션(818)(예컨대, 제한 없이, 배송물, 상품, 제품, 자산, 사람, 플로팅 자산, 차량, 장비 아이템, 컴포넌트, 정보 기술 시스템, 보안 시스템, 보안 이벤트, 사이버보안 시스템, 재산 아이템, 건강 상태, 사망, 화재, 홍수, 날씨, 장애, 과실, 비즈니스 중단, 부상, 재산 손상, 비즈니스 손상, 계약 위반 등에 관한 위험 또는 책임을 관리하기 위한 것); 수요 관리 애플리케이션(824)(예컨대, 제한 없이, 수요 계획 애플리케이션, 수요 예측 애플리케이션, 판매 애플리케이션, 미래 수요 집계 애플리케이션, 마케팅 애플리케이션, 광고 애플리케이션, 전자상거래 애플리케이션, 마케팅 분석 애플리케이션, 고객 관계 관리 애플리케이션, 검색 엔진 최적화 애플리케이션, 판매 관리 애플리케이션, 광고 네트워크 애플리케이션, 거동 추적 애플리케이션, 마케팅 분석 애플리케이션, 위치-기반 제품 또는 서비스 타겟팅 애플리케이션, 협력 필터링 애플리케이션, 제품 또는 서비스 등에 대한 추천 엔진, 및 지능형 제품(650)의 하나 이상의 특징을 사용하거나 그에 의해 인에이블되거나 지능형 제품(650) 상에서 지능 능력을 사용하여 실행되는 것을 포함하는 다른 것과 같은, 밸류 체인 제품 또는 서비스의 시설에 의해 공급될 수 있는 상품의 카테고리의 고객에 의한 관심을 분석, 계획, 또는 촉진하기 위한 애플리케이션); 거래 애플리케이션(858)(예컨대, 제한 없이, 구매 애플리케이션, 판매 애플리케이션, 입찰 애플리케이션, 경매 애플리케이션, 역경매 애플리케이션, 매도/매수 매칭 애플리케이션, 밸류 체인 성능, 수율, 투자 수익률, 또는 다른 메트릭을 분석하기 위한 분석 애플리케이션 등); 세금 애플리케이션(850)(예컨대, 제한 없이, 세금, 관세, 수입세, 부담금, 관세, 듀티, 크레딧, 수수료 또는 정부 부과 요금, 예컨대, 제한 없이, 관세, 부가가치세, 판매세, 소득세, 재산세, 지방자치단체 수수료, 오염세, 갱신 에너지 크레딧, 오염 저감 크레딧, 수입 관세, 수출 관세 등과 관련된 데이터, 이벤트, 작업흐름 또는 다른 인자를 관리, 계산, 보고, 최적화 또는 달리 취급하기 위한 것); 아이덴티티 관리 애플리케이션(830)(예컨대, 아이덴티티 검증 애플리케이션, 생체인식 식별 검증 애플리케이션, 패턴 기반 아이덴티티 검증 애플리케이션, 위치-기반 아이덴티티 검증 애플리케이션, 사용자 거동 기반 애플리케이션, 부정 거래 검출 애플리케이션(fraud detection application), 네트워크 어드레스 기반 부정 거래 검출 애플리케이션, 블랙 리스트 애플리케이션, 화이트 리스트 애플리케이션, 콘텐츠 검사 기반 부정 거래 검출 애플리케이션, 또는 다른 부정 거래 검출 애플리케이션 중 하나 이상과 같은, 그러나 이에 제한되지 않는, 밸류 체인에 수반되는 엔티티(652)의 하나 이상의 아이덴티티를 관리하기 위한 것); 재고 관리 애플리케이션(820)(예컨대, 제한 없이, 주문 처리 센터, 유통 센터, 웨어하우스, 저장 시설, 상점, 항구, 선박 또는 다른 플로팅 자산, 또는 다른 위치에서 재고를 관리하기 위한 것); 보안 애플리케이션, 솔루션 또는 서비스(834)(본 출원에서 보안 애플리케이션이라 지칭됨, 예컨대, 제한 없이, 위에 언급된 아이덴티티 관리 애플리케이션(830) 중 임의의 것 뿐만 아니라 물리적 보안 시스템(예컨대, 액세스 제어 시스템(예컨대, 생체인식 액세스 제어, 핑거프린팅, 망막 스캐닝, 패스워드, 및 다른 액세스 제어를 사용함), 금고, 볼트, 케이지, 보안실, 보안 저장 시설 등을 위한 것), 모니터링 시스템(예컨대, 카메라, 모션 센서, 적외선 센서 및 다른 센서를 사용함), 주변 보안 시스템, 플로팅 자산에 대한 유동 보안 시스템, 사이버 보안 시스템(예컨대, 바이러스 검출 및 교정, 침입 검출 및 교정, 스팸 검출 및 교정, 피싱 검출 및 교정, 소셜 엔지니어링 검출 및 교정, 사이버 공격 검출 및 교정, 패킷 검사, 트래픽 검사, DNS 공격 교정 및 검출 등을 위한 것) 또는 다른 보안 애플리케이션); 안전 애플리케이션(840)(예컨대, 제한 없이, 작업자의 안전을 개선하기 위한, 재산에 대한 손상의 가능성을 감소시키기 위한, 사고 위험을 감소시키기 위한, 상품(예컨대, 화물)에 대한 손상의 가능성을 감소시키기 위한, 보험 아이템, 대출에 대한 담보 등과 관련된 위험 관리를 위한 것이며, 본 개시 또는 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 데이터 소스, 이벤트 또는 엔티티 중 임의의 것에 기초한 안전 관리를 비롯하여, 사고 또는 다른 손상 이벤트의 가능성 및/또는 범위를 검출, 특성화 또는 예측하기 위한 임의의 애플리케이션을 포함함); 블록체인 애플리케이션(844)(예컨대, 제한 없이, 일련의 트랜잭션, 예컨대, 출금 또는 크레딧, 구매 또는 판매, 현물 대가의 교환, 스마트 계약 이벤트 등, 또는 다른 블록체인 기반 애플리케이션을 포착하는 분산 원장); 시설 관리 애플리케이션(850)(예컨대, 제한 없이, 쉽야드, 항구, 유통 센터, 웨어하우스, 도크, 상점, 주문 처리 센터, 저장 시설, 등과 같은 밸류 체인을 지원하는 데 수반되는 기반구조, 건물, 시스템, 부동산, 개인 재산, 및 다른 재산을 관리하기 위한 것 뿐만 아니라, 또한 정보 기술 시스템, 로봇/자율 차량 시스템, 패키징 시스템, 패킹 시스템, 픽킹 시스템, 재고 추적 시스템, 검사 시스템, 모바일 로봇을 위한 라우팅 시스템, 인간 자산을 위한 작업흐름 시스템 등과 같은, 재산 내의 또는 그 주위의 시스템 및 시설의 설계, 관리 또는 제어를 위한 것); 규제 애플리케이션(852)(예컨대, 제한 없이, 허용된 경로, 허용된 화물 및 상품, 트랜잭션에 대한 허용된 당사자, 의무 공개, 프라이버시, 가격, 마케팅, 상품 및 서비스의 제안, 데이터의 사용(데이터 프라이버시 규제, 데이터의 저장 등과 관련된 규제를 포함함), 뱅킹, 마케팅, 판매, 재무 계획 등의 규제와 같은, 본 출원 및 본 출원에 참조로 포함된 문서에 언급된 애플리케이션, 서비스, 트랜잭션, 활동, 작업흐름, 이벤트, 엔티티, 또는 다른 아이템 중 임의의 것을 규제하기 위한 애플리케이션); 상거래 애플리케이션, 솔루션 또는 서비스(854)(예컨대, 제한 없이, 전자상거래 사이트 시장, 온라인 사이트, 경매 사이트 또는 시장, 물리적 상품 시장, 광고 시장, 역경매 시장, 광고 네트워크, 또는 다른 시장); 벤더 관리 애플리케이션(832)(예컨대, 제한 없이, 벤더 자격, 벤더 평가, 제안 요청, 정보 요청, 채권 또는 성능의 다른 보증, 계약 관리 등과 같은 특징을 수반하는 것과 같은, 밸류 체인에서 공급될 수 있는 한 세트의 상품, 컴포넌트 또는 재료의 조달을 관리하기 위한 및/또는 벤더 또는 장래의 벤더의 세트를 관리하기 위한 애플리케이션); 분석 애플리케이션(838)(예컨대, 제한 없이, 빅 데이터 애플리케이션, 사용자 거동 애플리케이션, 예측 애플리케이션, 분류 애플리케이션, 대시보드, 패턴 인식 애플리케이션, 계량경제 애플리케이션, 재무 수율 애플리케이션, 투자 수익률 애플리케이션, 시나리오 계획 애플리케이션, 결정 지원 애플리케이션, 수요 예측 애플리케이션, 수요 계획 애플리케이션, 경로 계획 애플리케이션, 날씨 예측 애플리케이션 등과 같은, 본 개시 또는 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 데이터 타입, 애플리케이션, 이벤트, 작업흐름, 또는 엔티티 중 임의의 것에 대한 분석 애플리케이션); 가격 애플리케이션(842)(예컨대, 제한 없이, 상품, 서비스(본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 임의의 것을 포함함)의 가격을 위한 것); 및 스마트 계약 애플리케이션, 솔루션, 또는 서비스(본 출원에서 스마트 계약 애플리케이션(848)으로 총괄하여 지칭됨, 예컨대, 제한 없이, 상품의 판매를 위한 스마트 계약, 상품의 주문을 위한 스마트 계약, 배송 리소스를 위한 스마트 계약, 작업자를 위한 스마트 계약, 상품의 전달을 위한 스마트 계약, 상품의 설치를 위한 스마트 계약, 대가를 위해 토큰 또는 암호화폐를 사용하는 스마트 계약, 미래 조건에 기초하여 권리, 옵션, 미래, 또는 이자를 부여하는 스마트 계약, 보안, 상품, 미래, 옵션, 파생상품 등을 위한 스마트 계약, 현재 또는 미래 리소스를 위한 스마트 계약, 세금, 규제 또는 준수 파라미터를 고려하거나 수용하도록 구성되는 스마트 계약, 차익거래 트랜잭션을 실행하도록 구성되는 스마트 계약 등과 같은, 본 개시에서 또는 본 출원에 참조로 포함되는 문서에서 참조되는 스마트 계약 타입 중 임의의 것). 따라서, 밸류 체인 관리 플랫폼(604)은 광범위한 이종 애플리케이션(630)(이러한 용어는 위에서 참조된 및 다른 밸류 체인 애플리케이션, 서비스, 솔루션 등을 포함함) 사이의 인에이블 상호작용을 호스팅할 수 있으며, 따라서, 공유 마이크로서비스, 공유 데이터 기반구조, 및 공유 지능에 의해, 이러한 서비스의 임의의 쌍 또는 더 큰 조합 또는 순열이 동일한 타입의 격리된 애플리케이션에 비해 개선될 수 있다.
여전히 도 10을 참조하면, VCNP(604) 상에 제공되고, VCNP(604)와 통합되고/되거나 VCNP(604)에 의해 관리되거나 그를 위해 관리되고/되거나 밸류 체인 네트워크 엔티티(652)의 세트를 수반하는 애플리케이션(630)의 세트는, 제한 없이, 다음을 더 포함할 수 있다: 지불 애플리케이션(860)(예컨대, 본 출원에 언급된 애플리케이션(630) 중 임의의 것에 대해, (엔티티(652)의 지리에 대한 적용가능한 세금, 듀티 등과 같은 상황 인자에 기초하는 것을 비롯하여) 지불을 계산하고, 자금을 이체하고, 당사자에게 지불을 해결하는 것 등을 위한 것); 프로세스 관리 애플리케이션(862)(예컨대, 공급 프로세스, 수요 프로세스, 물류 프로세스, 배달 프로세스, 주문 처리 프로세스, 유통 프로세스, 주문 프로세스, 내비게이션 프로세스 등을 포함하는, 본 개시 전반에 걸쳐 설명된 프로세스 또는 작업흐름 중 임의의 것을 관리하기 위한 것); 예컨대, 본 출원에 설명된 프로세스, 작업흐름, 활동, 또는 다른 애플리케이션(630) 중 임의의 것에 수반되는 밸류 체인 네트워크 엔티티(652) 또는 활동 사이의 호환성을 평가하기 위한 호환성 테스트 애플리케이션(864)(예컨대, 제품(650)과의 컨테이너 또는 패키지의 호환성, 고객 요건의 세트와의 제품(650)의 호환성, 다른 제품(650)과의 제품(650)의 호환성(예컨대, 하나가 다른 것에 대한 리필, 재공급, 대체 부품 등임), 기반구조 및 장비 엔티티(652)의 호환성(예컨대, 컨테이너 선박 또는 바지선과 항구 또는 수로 사이, 컨테이너와 저장 시설 사이, 트럭과 도로 사이, 드론 또는 로봇과 패키지 사이, 드론, AV 또는 로봇과 전달 목적지 사이 등)을 결정하기 위한 것); 기반구조 테스트 애플리케이션(802)(예컨대, 제품(650) 또는 애플리케이션(630)을 지원하기 위한 기반구조 요소의 능력(예컨대, 제한 없이, 저장 능력, 리프팅 능력, 이동 능력, 저장 용량, 네트워크 능력, 환경 제어 능력, 소프트웨어 능력, 보안 능력 등)을 테스트하기 위한 것); 및/또는 사건 관리 애플리케이션(910)(예컨대, 차량 사고, 작업자 부상, 셧다운 사건, 재산 손상 사건, 제품 손상 사건, 제조물 책임 사건, 규제 비준수 사건, 건강 및/또는 안전 사건, 트래픽 혼잡 및/또는 지연 사건(네트워크 트래픽, 데이터 트래픽, 차량 트래픽, 해양 트래픽, 인간 작업자 트래픽 등 뿐만 아니라 이들 사이의 조합을 포함함), 제품 고장 사건, 시스템 고장 사건, 시스템 성능 사건, 사기 사건, 오용 사건, 허가되지 않은 사용 사건 등과 같은, 그러나 이에 제한되지 않는, 밸류 체인 네트워크 엔티티(652)를 수반하는 하나 이상의 환경에서 발생할 수 있는 이벤트, 사고, 및 다른 사건을 관리하기 위한 것).
여전히 도 10을 참조하면, VCNP(604) 상에 제공되고, VCNP(604)와 통합되고/되거나 VCNP(604)에 의해 또는 그를 위해 관리되고/되거나 밸류 체인 네트워크 엔티티(652)의 세트를 수반하는 애플리케이션(630)의 세트는, 제한 없이, 다음을 더 포함할 수 있다: 예측 유지보수 애플리케이션(910)(예컨대, 제품(650), 장비, 기반구조, 건물, 차량 등과 같은 밸류 체인 네트워크 엔티티(652)의 세트에 대한 결함, 고장, 셧다운, 손상, 요구되는 유지보수, 요구되는 수리, 요구되는 서비스, 요구되는 지원 등을 관리하기 위한 액션을 예상, 예측, 및 수행하기 위한 것); 물류 애플리케이션(912)(예컨대, 다양한 중간 위치를 통한 원산지 지점과 목적지 지점 사이의 제품(650) 및 다른 아이템의 이동의 스케줄링 및 관리에 수반되는 픽업, 전달, 운반 시설로의 상품의 이전, 로딩, 언로딩, 패킹, 픽킹, 배송, 운전, 및 다른 활동을 위한 물류를 관리하기 위한 것); 역물류 애플리케이션(914)(예컨대, 반환된 제품(650), 폐기물, 손상된 상품, 또는 반환 물류 경로 상에서 이송될 수 있는 다른 아이템에 대한 물류를 취급하기 위한 것); 폐기물 감소 애플리케이션(920)(예컨대, 패키징 폐기물, 고형 폐기물, 에너지 폐기물, 액체 폐기물, 오염, 오염물질, 컴퓨팅 리소스의 낭비, 인적 리소스의 낭비, 또는 밸류 체인 네트워크 엔티티(652) 또는 활동을 수반하는 다른 폐기물을 감소시키기 위한 것); 증강 현실, 혼합 현실 및/또는 가상 현실 애플리케이션(930)(예컨대, 제품(650)의 이동, 시설의 내부, 상품의 아이템의 상태 또는 조건, 하나 이상의 환경 조건, 날씨 조건, 컨테이너 또는 컨테이너의 세트에 대한 패킹 구성 등과 같은, 그러나 이에 제한되지 않는, 하나 이상의 밸류 체인 네트워크 엔티티(652) 또는 애플리케이션(630) 중 하나 이상에 수반되는 활동을 시각화하기 위한 것); 수요 예측 애플리케이션(940)(예컨대, 제품(650), 제품의 카테고리, 잠재적 제품, 및/또는 시장 인자, 재산 인자, 인구통계 인자, 날씨 인자, 경제적 인자 등과 같은 수요에 수반되는 인자에 대한 수요를 예측하기 위한 것); 수요 집계 애플리케이션(942)(예컨대, 기존 제품에 대한 현재 수요 및 아직 이용가능하지 않은 제품에 대한 미래 수요를 포함하는, 하나 이상의 제품(650), 카테고리 등에 대한 정보, 주문 및/또는 약속(스마트 계약들일 수 있는, 하나 이상의 계약으로 선택적으로 구현됨)을 집계하기 위한 것); 고객 프로파일링 애플리케이션(944)(예컨대, 과거 구매 데이터, 로열티 프로그램 데이터, 거동 추적 데이터(고객에 의한 스마트 제품(650)과의 상호작용에서 포착된 데이터를 포함함), 온라인 클릭스트림 데이터, 지능형 에이전트와의 상호작용, 및 다른 데이터 소스에 기초하는 것을 포함하는, 고객의 세트의 하나 이상의 인구통계적, 심리학적, 거동적, 경제적, 지리적, 또는 다른 속성을 프로파일링하기 위한 것); 및/또는 컴포넌트 공급 애플리케이션(948)(예컨대, 제품(650)의 세트에 대한 컴포넌트의 공급 체인을 관리하기 위한 것).
여전히 도 10을 참조하면, VCNP(604) 상에 제공되고, VCNP(604)와 통합되고/되거나 VCNP(604)에 의해 관리되거나 그를 위해 관리되고/되거나 밸류 체인 네트워크 엔티티(652)의 세트를 수반하는 애플리케이션(630)의 세트는, 제한 없이, 다음을 더 포함할 수 있다: 정책 관리 애플리케이션(868)(예컨대, 하나 이상의 밸류 체인 네트워크 엔티티(652) 또는 애플리케이션(630)의 거버넌스를 위해 하나 이상의 정책, 규칙 등을 배치하기 위한 것), 예컨대 하나 이상의 작업흐름(작업흐름별 기반으로 플랫폼(604)에서 정책을 구성하는 것을 수반할 수 있음)의 실행을 관장하기 위한 것, 규제(해양, 식품 & 약물, 의료, 환경, 건강, 안전, 세금, 재무 보고, 상업, 및 본 개시 전반에 걸쳐 설명되거나 본 기술분야에서 이해되는 바와 같은 다른 규제를 포함함)의 준수를 관장하기 위한 것, 리소스(예컨대, 연결성, 컴퓨팅, 인간, 에너지, 및 다른 리소스들)의 프로비저닝을 관장하기 위한 것, 회사 정책의 준수를 관장하기 위한 것, 계약(예컨대, 플랫폼(604)이 연결 시설(642)을 통해, 관련 엔티티(652) 및 애플리케이션(630)에 거버넌스 특징을 자동으로 배치할 수 있는 스마트 계약을 포함함)의 준수를 관장하기 위한 것, 다른 엔티티와의 상호작용을 관장하기 위한 것(예컨대, 정보의 공유 및 리소스에 대한 액세스를 위한 정책을 수반함), 데이터 액세스(프라이버시 데이터, 운영 데이터, 상태 데이터, 및 많은 다른 데이터 타입을 포함함)를 관장하기 위한 것, 기반구조, 제품, 장비, 위치 등 등에 대한 보안 액세스를 관장하기 위한 것); 제품 구성 애플리케이션(870)(예컨대, 제품 관리자 및/또는 자동화된 제품 구성 프로세스(선택적으로 로봇 프로세스 자동화를 사용함)가 제품(650)에 대한 구성을 결정하는 것을 허용하기 위한 것으로서, 예컨대 애자일 제조 동안의 온-더-플라이(on-the-fly) 구성을 포함하거나, 또는 (예컨대, 하나 이상의 특징 또는 요소를 3D 프린팅함으로써) 경로에서의 구성 또는 맞춤화를 수반하거나, 또는 예컨대 펌웨어를 다운로드하는 것, 필드 프로그램가능 게이트 어레이들을 구성하는 것, 소프트웨어를 설치하는 것 등에 의한 원격 구성 또는 맞춤화를 수반함); 웨어하우징 및 주문 처리 애플리케이션(872)(예컨대, 제품의 선택, 제품에 대한 저장 위치를 구성하는 것, 인력, 모바일 로봇 등이 제품을 시설 주위로 이동시키는 경로를 결정하는 것, 픽킹(picking) 및 패킹(packing) 스케줄, 경로 및 작업흐름을 결정하는 것, 로봇, 드론, 컨베이어, 및 다른 시설의 동작을 관리하는 것, 제품을 로딩 도크 등으로 이동시키기 위한 스케줄을 결정하는 것, 및 많은 다른 기능을 수반하는 것과 같은, 웨어하우스, 유통 센터, 주문 처리 센터 등을 관리하기 위한 것); 키트 구성 및 배치 애플리케이션(874)(예컨대, VCNP의 사용자가, 고객 또는 작업자가 특정 밸류 체인 네트워크 엔티티(652) 및/또는 애플리케이션(630)에 대한 VCNP(604)의 능력의 서브세트를 신속하게 배치하는 것을 허용하도록 키트, 박스, 또는 다른 방식으로 사전 통합, 사전 프로비저닝, 및/또는 사전 구성된 시스템을 구성할 수 있게 하기 위한 것); 및/또는 제품(650)을 테스트하기 위한 제품 테스트 애플리케이션(878)(성능, 능력 및 특징의 활성화, 안전성, 정책 또는 규제의 준수, 품질, 서비스 품질, 고장 가능성, 및 많은 다른 인자에 대한 테스트를 포함함).
여전히 도 10을 참조하면, VCNP(604) 상에 제공되고, VCNP(604)와 통합되고/되거나 VCNP(604)에 의해 또는 그를 위해 관리되고/되거나 밸류 체인 네트워크 엔티티(652)의 세트를 수반하는 애플리케이션(630)의 세트는, 제한 없이, 다음을 더 포함할 수 있다: 해양 플릿 관리 애플리케이션(880)(예컨대, 날씨, 시장, 트래픽, 및 다른 조건에 기초하여 플릿 자산에 대한 최적의 경로를 결정하고, 정책 및 규제의 준수를 보장하고, 안전을 보장하고, 환경 인자를 개선하고, 재무 메트릭을 개선하는 등을 위해, 컨테이너 선박, 바지선, 보트 등과 같은 해양 자산의 세트 뿐만 아니라, 또한 도크, 크레인, 항구 등과 같은 관련 기반구조 시설을 관리하기 위한 것); 배송 관리 애플리케이션(882)(예컨대, 재무 수율을 최적화하고, 안전성을 개선하고, 에너지 소비를 감소시키고, 지연을 감소시키고, 환경 영향을 완화하고, 많은 다른 목적을 위해, 예컨대, 트럭, 기차, 비행기 등과 같은 배송 자산의 세트를 관리하기 위한 것); 기회 매칭 애플리케이션(884)(예컨대, 하나 이상의 수요 인자를 하나 이상의 공급 인자와 매칭시키기 위한 것, 밸류 체인 네트워크 엔티티(652)의 요구 및 능력을 매칭시키기 위한 것, 역물류 기회를 식별하기 위한 것, 분석, 인공 지능 및/또는 자동화를 풍부하게 하기 위한 입력에 대한 기회를 식별하기 위한 것, 비용 절감 기회를 식별하기 위한 것, 이익 및/또는 차익거래 기회를 식별하기 위한 것 등); 노동력 관리 애플리케이션(888)(예컨대, 주문 처리 센터, 선박, 항구, 웨어하우스, 유통 센터, 기업 관리 위치, 소매점, 온라인/전자상거래 사이트 관리 시설, 항구, 선박, 보트, 바지선, 기차, 웨어하우스, 및 본 개시 전반에 걸쳐 언급된 다른 시설에서의, 그 위의 또는 그를 위한 노동력을 포함하는 다양한 노동력의 작업자를 관리하기 위한 것); 유통 및 배달 애플리케이션(890)(예컨대, 제품(650) 및 다른 아이템의 유통 및 전달을 계획, 스케줄링, 라우팅, 및 다른 방식으로 관리하기 위한 것); 및/또는 기업 리소스 계획(ERP) 애플리케이션(892)(예컨대, 노동력 리소스, 재무 리소스, 에너지 리소스, 물리적 자산, 디지털 자산, 및 다른 리소스를 포함하는 기업 리소스의 활용을 계획하기 위한 것).
데이터 취급 계층의 코어 능력 및 상호작용(CORE CAPABILITIES AND INTERACTIONS OF THE DATA HANDLING LAYERS)(적응형 지능, 모니터링, 데이터 저장 및 애플리케이션)(ADAPTIVE INTELLIGENCE, MONITORING, DATA STORAGE AND APPLICATIONS)
도 11을 참조하면, 밸류 체인 네트워크 관리 플랫폼(604)의 실시예의 하이-레벨 개략도가 예시되며, 이는 하나 이상의 밸류 체인 네트워크 프로세스, 작업흐름, 활동, 이벤트 및/또는 애플리케이션(630) 내에서 발생하거나, 동작하거나, 트랜잭션하는 등을 수행할 수 있거나, 자체적으로 이들을 동작하거나, 지원하거나 또는 인에이블하는 밸류 체인 엔티티(652)의 세트의 지능형 관리를 가능하게 하기 위해 협력하여 작동하는 시스템, 애플리케이션, 프로세스, 모듈, 서비스, 계층, 디바이스, 컴포넌트, 기계, 제품, 서브시스템, 인터페이스, 연결, 및 다른 요소의 세트를 포함하거나, 또는 그렇지 않으면 제품(650)(실시예에서, 처리, 네트워킹, 감지, 계산, 및/또는 다른 사물 인터넷 능력으로 가능하게 되는 지능형 제품을 포함할 수 있는, 완제품, 소프트웨어 제품, 하드웨어 제품, 컴포넌트 제품, 재료, 장비의 아이템, 소비자 패키징 상품, 소비자 제품, 식품 제품, 음료 제품, 가정용 제품, 비즈니스 공급 제품, 소모성 제품, 제약 제품, 의료 기기 제품, 기술 제품, 엔터테인먼트 제품, 또는 임의의 다른 타입의 제품 또는 관련 서비스일 수 있음)과 관련하여 플랫폼(604)의 일부이거나, 이와 통합되거나, 이에 연관되거나, 또는 이에 의해 동작될 수 있다. 다양한 밸류 체인 네트워크 프로세스, 작업흐름, 활동, 이벤트 및 애플리케이션(630)에 수반되는 바와 같은, 광범위한 밸류 체인 활동(예컨대, 공급 체인 활동, 물류 활동, 수요 관리 및 계획 활동, 배달 활동, 배송 활동, 웨어하우스 활동, 유통 및 주문 처리 활동, 재고 집계, 저장 및 관리 활동, 마케팅 활동 등)에 수반되거나 이들을 위한 것과 같은 밸류 체인 엔티티(652)는 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에 언급된 매우 다양한 자산, 시스템, 디바이스, 기계, 컴포넌트, 장비, 시설, 개인 또는 다른 엔티티 중 임의의 것을 포함할 수 있다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)은 데이터 취급 계층(624)의 세트를 포함할 수 있으며, 예컨대, 이들 각각은 매우 다양한 밸류 체인 네트워크 애플리케이션 및 최종 사용에 대해, 자동화, 기계 학습, 인공 지능의 애플리케이션, 지능형 트랜잭션, 지능형 동작, 원격 제어, 분석, 모니터링, 보고, 상태 관리, 이벤트 관리, 프로세스 관리 등을 용이하게 하기 위해, 지능의 개발 및 배치를 용이하게 하는 능력의 세트를 제공하도록 구성된다. 실시예에서, 데이터 취급 계층(624)은 밸류 체인 네트워크 모니터링 시스템 계층(614), 밸류 체인 네트워크 엔티티 지향 데이터 저장 시스템 계층(624)(본 출원에서 일부 경우에서 편의상 단순히 데이터 저장 계층(624)이라고 지칭됨), 적응형 지능 시스템 계층(614) 및 밸류 체인 네트워크 관리 플랫폼 계층(604)을 포함할 수 있다. 밸류 체인 네트워크 관리 플랫폼(604)은 데이터 취급 계층(624)을 포함할 수 있으며, 따라서 밸류 체인 네트워크 관리 플랫폼 계층(604)은 밸류 체인 네트워크 관리 플랫폼(604)의 관리 및/또는 밸류 체인 네트워크 모니터링 시스템 계층(614), 밸류 체인 네트워크 엔티티 지향 데이터 저장 시스템 계층(624)(예를 들어, 데이터 저장 계층(624)), 및 적응형 지능 시스템 계층(614)과 같은 다른 계층의 관리를 제공할 수 있다. 데이터 취급 계층(624) 각각은, 본 출원 및 본 출원에 참조로 포함되는 문서에 추가로 설명되는 바와 같이, 다양한 서비스, 프로그램, 애플리케이션, 작업흐름, 시스템, 컴포넌트 및 모듈을 포함할 수 있다. 실시예에서, 데이터 취급 계층(624) 각각(및 선택적으로 플랫폼(604) 전체)은 요소 중 하나 이상이 다른 계층(624)에 의해 또는 다른 시스템에 의해 서비스로서 액세스될 수 있도록 구성된다(예를 들어, 마이크로서비스 아키텍처에서 클라우드 기반구조 컴포넌트의 세트 상에 배치된 서비스형 플랫폼으로서 구성됨). 예를 들어, 플랫폼(604)은 네트워크 연결(다양한 구성, 타입 및 프로토콜을 포함함), 인터페이스, 포트, 애플리케이션 프로그래밍 인터페이스(API), 브로커, 서비스, 커넥터, 유선 또는 무선 통신 링크, 인간-액세스가능 인터페이스, 소프트웨어 인터페이스, 마이크로-서비스, SaaS 인터페이스, PaaS 인터페이스, IaaS 인터페이스, 클라우드 능력 등과 같은 연결 시설(642)의 세트를 가질 수 있고(또는 구성 및/또는 프로비저닝할 수 있고), 데이터 취급 계층(608)은 이를 사용할 수 있으며, 이에 의해 데이터 또는 정보가 데이터 취급 계층(608)과 플랫폼(604)의 다른 계층, 시스템 또는 서브시스템 사이에서 뿐만 아니라, 또한 밸류 체인 엔티티(652)와 같은 다른 시스템 또는 클라우드 기반 또는 구내 기업 시스템(예를 들어, 회계 시스템, 리소스 관리 시스템, CRM 시스템, 공급 체인 관리 시스템 등)과 같은 외부 시스템과 교환될 수 있다. 데이터 취급 계층(624) 각각은 데이터 취급을 위한 서비스(예를 들어, 마이크로서비스들)의 세트를 포함할 수 있고, 이는 데이터 추출, 변환 및 로딩을 위한 시설; 데이터 클리닝 및 중복 제거 시설; 데이터 정규화 시설; 데이터 동기화 시설; 데이터 보안 시설; 계산 시설(예를 들어, 데이터 스트림에 대해 미리 정의된 계산 동작을 수행하고 출력 스트림을 제공하기 위한 것); 압축 및 압축해제 시설; 분석 시설(예컨대, 데이터 시각화의 자동화된 생성을 제공하는 것) 등을 포함한다.
실시예에서, 각각의 데이터 취급 계층(608)은 다른 데이터 취급 계층(624) 각각과의 데이터 교환을 자동화하기 위한 애플리케이션 프로그래밍 연결 시설(642)의 세트를 갖는다. 이들은, 하나의 계층이 다른 계층으로부터의 출력을 소비하기 위해 필요에 따라 데이터를 하나의 포맷 또는 프로토콜로부터 다른 포맷 또는 프로토콜로 변환하는 것과 같이, 계층 및/또는 애플리케이션(630) 사이에서 교환될 때 데이터 패킷, 신호, 및 다른 정보를 예컨대 추출, 변환, 로딩, 정규화, 압축, 압축해제, 인코딩, 디코딩, 및 다른 방식으로 처리하기 위한 데이터 통합 능력을 포함할 수 있다. 실시예에서, 데이터 취급 계층(624)은 밸류 체인 모니터링 시스템 계층(614)에 의한 플랫폼(604) 내의 다수의 애플리케이션 및 사용에 걸친 공유 데이터 수집 및 분배를 용이하게 하는 토폴로지로 구성된다. 밸류 체인 모니터링 시스템 계층(614)은 밸류 체인 엔티티(652)로부터 또는 그에 관해 수집된 데이터 뿐만 아니라, 또한 다양한 데이터 계층(624) 또는 서비스 또는 컴포넌트로부터 또는 그에 관해 수집된 데이터를 수집 및 조직화하기 위한, 일부 경우에서 편의상 데이터 수집 시스템(640)이라고 지칭되는, 다양한 데이터 수집 및 관리 시스템(640)을 포함하고, 이들과 통합되고, 및/또는 이들과 협력할 수 있다. 예를 들어, 태스크를 수행하는 작업자 또는 활동에 참여하는 소비자가 착용하는 웨어러블 디바이스로부터의 생리학적 데이터의 스트림은 모니터링 시스템 계층(614)을 통해 밸류 체인 관리 플랫폼 계층(604) 내의 다수의 별개의 애플리케이션, 예컨대 작업자의 생리학적, 심리적, 성능 레벨, 주의, 또는 다른 상태를 모니터링하는 것을 용이하게 하는 애플리케이션 및 동작 효율성 및/또는 유효성을 용이하게 하는 다른 애플리케이션에 분산될 수 있다. 실시예에서, 모니터링 시스템 계층(614)은 하나 이상의 밸류 체인 네트워크 엔티티(652)에 대해 수집되는 데이터의 시간 동기화, 정규화 등과 같은 정렬을 용이하게 한다. 예를 들어, 카메라-인에이블 IoT 디바이스의 세트로부터와 같이, 밸류 체인 네트워크 시설 또는 환경 내의 작업자(718) 또는 다른 엔티티에 대해 또는 그에 대해 수집된 하나 이상의 비디오 스트림 또는 다른 센서 데이터는 공통 클록과 정렬될 수 있어서, 비디오의 세트 또는 다른 데이터의 상대적 타이밍이 비디오 내의 이미지, 비디오의 상이한 프레임 내의 이미지 사이의 변화 등에 대해 동작하는 기계 학습 시스템과 같이, 비디오를 처리할 수 있는 시스템에 의해 이해될 수 있다. 이러한 예에서, 모니터링 시스템 계층(614)은 비디오, 카메라 이미지, 센서 데이터 등의 세트를 웨어러블 디바이스로부터의 데이터의 스트림, (선박, 리프트, 차량, 컨테이너, 화물 취급 시스템, 패킹 시스템, 배달 시스템, 드론들/로봇 등과 같은) 밸류 체인 네트워크 시스템에 의해 생성된 데이터의 스트림, 모바일 데이터 수집기에 의해 수집된 데이터의 스트림 등과 같은 다른 데이터와 추가로 정렬시킬 수 있다. 많은 애플리케이션에 걸쳐 액세스되는 공통 플랫폼 또는 마이크로서비스의 세트로서의 모니터링 시스템 계층(614)의 구성은 성장하는 IoT 디바이스의 세트 및 제어 하에 있는 다른 시스템 및 디바이스를 모니터링하는 성장하는 애플리케이션의 세트를 갖기 위해 밸류 체인 네트워크 내의 소유자 또는 다른 운영자에 의해 요구되는 상호연결의 수를 극적으로 감소시킬 수 있다.
실시예에서, 데이터 취급 계층(624)은 일부 경우에서 편의상 간단히 데이터 저장 계층(624) 또는 저장 계층(624)으로서 본 출원에서 지칭되는 밸류 체인 네트워크 지향 데이터 저장 시스템 계층(624)에 의한 플랫폼(604)의 다수의 애플리케이션 및 사용에 걸친 공유 또는 공통 데이터 저장을 용이하게 하는 토폴로지로 구성된다. 예를 들어, 밸류 체인 엔티티(652)에 관해 수집된 다양한 데이터 뿐만 아니라 다른 데이터 취급 계층(624)에 의해 생성된 데이터가 데이터 저장 계층(624)에 저장될 수 있어서, 다양한 데이터 취급 계층(624)의 서비스, 애플리케이션, 프로그램 등 중 임의의 것이 공통 데이터 소스(이는 이종 물리적 및/또는 가상 저장 위치에 걸쳐 분산되는 단일 논리적 데이터 소스를 포함할 수 있음)에 액세스할 수 있다. 이는 애플리케이션(630) 및 밸류 체인 네트워크의 사용이 성장하고 증식함에 따라 밸류 체인 네트워크 엔티티(652)에 의해 또는 그에 관해 생성되는 엄청난 양의 데이터를 취급하는 데 필요한 데이터 저장소의 양의 극적인 감소를 용이하게 할 수 있다. 예를 들어, 기계 또는 장비의 아이템에 대한 대체 부품을 주문하기 위한 것과 같은, 밸류 체인 관리 플랫폼 계층(604)에서의 공급 체인 또는 재고 관리 애플리케이션은 선박의 컴포넌트 또는 항구의 시설이 대체 부품을 요구할 가능성이 있는지를 예측하기 위해 사용되는 예측 유지보수 애플리케이션으로서 기계의 세트에 대해 어떤 부품이 대체되었는지에 관한 동일한 데이터 세트에 액세스할 수 있다. 유사하게, 아이템의 재공급과 관련하여 예측이 사용될 수 있다.
실시예에서, 밸류 체인 네트워크 데이터 객체(1004)는 플랫폼(604)에 의해 취급되는 (밸류 체인 네트워크 엔티티(652) 및 애플리케이션(630)과 연관된 것과 같은) 데이터 객체의 세트의 클래스, 객체, 속성, 파라미터 및 다른 특징을 정의하는 객체 지향 데이터 모델에 따라 제공될 수 있다.
실시예에서, 데이터 저장 시스템 계층(624)은 전문가 시스템, 분석 시스템, 인공 지능 시스템, 로봇 프로세스 자동화 시스템, 기계 학습 시스템, 딥러닝 시스템, 지도 학습 시스템, 또는 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 개시된 바와 같은 다른 지능형 시스템과 같은 지능 시스템에 대한 특징 또는 입력의 추출에 사용될 수 있는 데이터의 수집을 위한 극도로 풍부한 환경을 제공할 수 있다. 그 결과, 플랫폼(604) 내의 각각의 애플리케이션(630) 및 적응형 지능 시스템 계층(614) 내의 각각의 적응형 지능 시스템은 다른 것에 의해 또는 그 각각에 대해 수집되거나 생성된 데이터로부터 이익을 얻을 수 있다. 실시예에서, 데이터 저장 시스템 계층(624)은 인공 지능으로부터의 개발 프레임워크와 같은 지능 시스템에 대한 특징 또는 입력의 추출을 위해 사용될 수 있는 데이터의 수집을 용이하게 할 수 있다. 예에서, 데이터의 집합체(collection)는 이벤트 로그(필요에 따라, 자연적 저장 또는 애드-혹(ad-hoc))를 풀-인(pull-in) 및/또는 수용하거나, 온보드 진단 데이터에 대한 주기적 검사를 수행하는 등을 수행할 수 있다. 예에서, 특징의 사전 계산은, 예를 들어, AWS 람다, 또는 사전 계산, 멀티플렉싱 신호와 같은 다양한 다른 클라우드 기반 온-디맨드 컴퓨팅 능력을 사용하여 배치될 수 있다. 많은 예에서, 비교적 이종의 엔티티로부터 많고 많은 데이터 타입을 수집할 때에도, 데이터 취급 계층(624)의 능력의 하나 이상의 세트를 사용하여, 밸류 체인 엔티티에 걸쳐 그리고 엔티티에 의해 사용되는 애플리케이션에 걸쳐 연결성 및 서비스를 배치할 수 있는 유사한 종류의 밸류 체인 엔티티의 페어링(이중, 삼중, 사중 등)이 존재한다. 이러한 예에서, 밸류 체인 엔티티 및 애플리케이션에 걸친 연결성 및 서비스를 적어도 부분적으로 사용하는 유사한 타입의 밸류 체인 엔티티의 다양한 페어링은 연결된 데이터의 페어링으로부터의 정보를 본 출원에 개시된 다양한 신경망 및 이들의 하이브리드 조합을 포함하는 인공 지능 서비스로 지향시킬 수 있다. 이러한 예에서, 유전 프로그래밍 기술이 연결된 데이터의 페어링으로부터 정보 내의 입력 특징 중 일부를 프루닝하기 위해 배치될 수 있다. 이러한 예에서, 유전 프로그래밍 기술은 또한 페어링으로부터의 정보에서 입력 특징을 추가하고 증강시키기 위해 배치될 수 있다. 이러한 유전 프로그래밍 기술은 인공 지능 서비스에 의해 확립되는 결정의 효능을 증가시키는 것으로 나타날 수 있다. 이러한 예에서, 연결된 데이터의 페어링으로부터의 정보는, 공유 데이터 스키마가 플랫폼(604)에 대한 능력 및 리소스로서 용이하게 할 수 있도록 로봇 프로세스 자동화, 예측, 예상, 및 다른 리소스를 지원하거나 배치하는 것을 비롯하여 플랫폼 상의 다른 계층으로 마이그레이션(migrate)될 수 있다.
다양한 저장 매체 및 데이터 저장 타입, 데이터 아키텍처(1002), 및 포맷을 사용하여 광범위한 데이터 타입이 저장 계층(624)에 저장될 수 있으며, 이는 밸류 체인 네트워크 엔티티(652) 및 애플리케이션(630)과 연관된 많은 다른 데이터 타입 중에서 제한 없이 다음을 포함한다: 자산 및 시설 데이터(1030), 상태 데이터(1140)(예컨대, 특히, 밸류 체인 네트워크 엔티티(652) 중 임의의 것, 애플리케이션(630) 또는 컴포넌트 또는 작업흐름 중 임의의 것, 또는 플랫폼(604)의 컴포넌트 또는 요소 중 임의의 것에 대한 상태, 조건 상태, 또는 다른 지표를 표시함), 작업자 데이터(1032)(아이덴티티 데이터, 역할 데이터, 태스크 데이터, 작업흐름 데이터, 건강 데이터, 주의 데이터, 기분 데이터, 스트레스 데이터, 생리학적 데이터, 성능 데이터, 품질 데이터 및 많은 다른 타입을 포함함); 이벤트 데이터(1034)(예컨대, 광범위한 이벤트 중 임의의 것에 대해, 운영 데이터, 트랜잭션 데이터, 작업흐름 데이터, 유지보수 데이터, 및 밸류 체인 네트워크(668) 내에서 발생하는 이벤트를 포함하거나 그와 관련되는 많은 다른 타입의 데이터를 포함하거나 또는 하나 이상의 애플리케이션(630)에 대해, 프로세스 이벤트, 재무 이벤트, 트랜잭션 이벤트, 출력 이벤트, 입력 이벤트, 상태 변경 이벤트, 운영 이벤트, 작업흐름 이벤트, 수리 이벤트, 유지보수 이벤트, 서비스 이벤트, 손상 이벤트, 부상 이벤트, 대체 이벤트, 재급유 이벤트, 재충전 이벤트, 배송 이벤트, 웨어하우징 이벤트, 상품의 이전, 경계 횡단, 화물의 이동, 검사 이벤트, 공급 이벤트 등을 포함함); 청구 데이터(664)(예컨대, 비즈니스 중단 보험, 제조물 책임 보험, 상품, 시설 또는 장비에 대한 보험, 홍수 보험, 계약 관련 위험에 대한 보험 등에 대한 것과 같은 보험 청구에 관한 것, 뿐만 아니라 제조물 책임, 일반 책임, 작업자 보상, 부상 및 다른 책임 청구에 관한 청구 데이터, 및 공급 계약 이행 청구(supply contract performance claim), 제품 배달 요건, 품질 보증 청구, 면책 청구, 배달 요건, 타이밍 요건, 마일스톤, 주요 성능 지표 등과 같은 계약에 관한 청구 데이터); 회계 데이터(730)(예컨대, 계약 요건의 완료, 채권의 만족, 듀티 및 관세의 지불 등에 관한 데이터); 및 위험 관리 데이터(732)(예컨대, 공급된 아이템, 양, 가격, 전달, 소스, 경로, 관세 정보 등에 관한 것).
실시예에서, 데이터 취급 계층(624)은 공유된 적응 능력을 용이하게 하는 토폴로지로 구성되며, 공유된 적응 능력은 일부 경우에서 편의상 본 출원에서 적응형 지능 계층(614)이라고 지칭되는 적응형 지능 시스템 계층(614)의 서비스, 컴포넌트, 프로그램, 시스템, 또는 능력의 세트 중 하나 이상에 의해 제공, 관리, 중재 등이 이루어질 수 있다. 적응형 지능 시스템 계층(614)은 본 개시 전체에 걸쳐 다른 곳에서 더 상세히 설명되는 데이터 처리, 인공 지능 및 계산 시스템(634)의 세트를 포함할 수 있다. 따라서, (특히, 이용가능한 처리 코어, 이용가능한 서버, 이용가능한 에지 컴퓨팅 리소스, (단일 디바이스 또는 피어링된 네트워크에 대한) 이용가능한 온-디바이스 리소스, 및 이용가능한 클라우드 기반구조와 같은) 컴퓨팅 리소스, (디바이스 상의 로컬 저장소, 밸류 체인 엔티티 또는 환경 내의 또는 그 상의 저장 리소스(온-디바이스 저장소, 자산 태그 상의 저장소, 로컬 영역 네트워크 저장소 등을 포함함), 네트워크 저장 리소스, 클라우드 기반 저장 리소스, 데이터베이스 리소스 등을 포함하는 데이터 저장 리소스), (셀룰러 네트워크 스펙트럼, 무선 네트워크 리소스, 고정 네트워크 리소스 등을 포함하는) 네트워킹 리소스, (이용가능한 배터리 전력, 이용가능한 재생가능 에너지, 연료, 그리드 기반 전력 등과 같은) 에너지 리소스 등과 같은 다양한 리소스의 사용은, 예컨대 다수의 애플리케이션, 프로그램, 작업흐름 등의 이익을 위해, 운영자, 기업 등을 대신하여 조정된 또는 공유된 방식으로 최적화될 수 있다. 예를 들어, 적응형 지능 계층(614)은 (많은 다른 가능성 중에서) 공급 체인 관리 애플리케이션 및 수요 계획 애플리케이션 둘 모두에 대해 이용가능한 네트워크 리소스를 관리하고 프로비저닝할 수 있어서, 낮은 레이턴시의 리소스가 공급 체인 관리 애플리케이션(신속한 결정이 중요할 수 있음)을 위해 사용되고, 더 긴 레이턴시의 리소스가 수요 계획 애플리케이션을 위해 사용된다. 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 더 상세히 설명되는 바와 같이, 다양한 계층(624)에 걸쳐 다양한 서비스 및 능력을 대신하여, 애플리케이션 요건, 서비스 품질, 적시 배달, 서비스 목표, 예산, 비용, 가격, 위험 인자, 운영 목표, 효율성 목표, 최적화 파라미터, 투자 수익률, 수익성, 가동시간/중단시간, 작업자 활용 등에 기초한 것을 비롯한 매우 다양한 적응이 제공될 수 있다.
본 출원의 일부 경우에서 편의상 플랫폼 계층(604)이라고 지칭되는 밸류 체인 관리 플랫폼 계층(604)은 운영자가 데이터 저장 계층(624)에서의 공통 데이터 저장, 모니터링 시스템 계층(614)에서의 공통 데이터 수집 또는 모니터링 및/또는 적응형 지능 계층(614)의 공통 적응형 지능을 이용하는 것과 같은 공통 애플리케이션 환경(예를 들어, 공유, 풀링, 유사한 라이센스- 1인, 다인 또는 익명 중 어느 것을 위한 공유 데이터이든 -)에서 밸류 체인 네트워크 환경 또는 엔티티(652)의 둘 이상의 양태를 관리할 수 있게 하는 본 개시 전반에 걸쳐 설명된 다양한 밸류 체인 네트워크 프로세스, 작업흐름, 활동, 이벤트 및 애플리케이션(630)을 포함하고, 이들과 통합되고, 이들을 가능하게 할 수 있다. 플랫폼 계층(604) 내의 애플리케이션(630)으로부터의 출력은 다른 데이터 취급 계층(624)에 제공될 수 있다. 이들은 제한 없이, 다양한 객체, 엔티티, 프로세스, 흐름 등에 대한 상태 및 상태 정보; 다양한 데이터 타입의 객체의 다양한 클래스에 대한 아이덴티티, 속성 및 파라미터 정보와 같은 객체 정보; 예컨대, 작업흐름, 동적 시스템, 프로세스, 절차, 프로토콜, 알고리즘, 및 타이밍 정보를 포함하는 다른 흐름에 대한 이벤트 및 변경 정보; 특히, 성공 및 실패의 표시, 프로세스 또는 마일스톤 완료의 표시, 정확한 또는 부정확한 예측의 표시, 정확한 또는 부정확한 라벨링 또는 분류의 표시, 및 성공 메트릭(수율, 참여, 투자 수익률, 수익성, 효율성, 적시성, 서비스 품질, 제품 품질, 고객 만족도 등과 관련된 것을 포함함)과 같은 결과 정보를 포함할 수 있다. 각각의 애플리케이션(630)으로부터의 출력은 데이터 저장 계층(624)에 저장되고, 데이터 수집 계층(614)에 의한 처리를 위해 분배되고, 적응형 지능 계층(614)이 사용할 수 있다. 따라서, 플랫폼 계층(604)의 크로스-애플리케이션 특성은, 예컨대 애플리케이션에 걸친 결과에 대한 기계 학습을 공급하고, 플랫폼(604)의 다른 애플리케이션 또는 다른 요소로부터의 결과에 기초하여 기계 학습을 통해 주어진 애플리케이션의 자동화의 강화를 제공하고, 애플리케이션 개발자가 플랫폼(604)의 다른 능력으로부터 이익을 얻으면서 애플리케이션-네이티브(application-native) 프로세스에 집중할 수 있게 함으로써, 임의의 주어진 애플리케이션에 지능을 추가하기 위한 모든 필요한 기반구조 요소의 편리한 조직화를 용이하게 한다. 예에서, 하나 이상의 밸류 체인 네트워크 엔티티(652)의 제어, 자동화, 또는 하나 이상의 성능 특성을 최적화하는 시스템, 컴포넌트, 서비스 및 다른 능력; 또는 플랫폼(604)의 사용에 의해 추구되는 프로세스 및 애플리케이션 출력 및 결과(1040) 중 임의의 것을 일반적으로 개선할 수 있는 능력들이 존재할 수 있다. 일부 예에서, 다양한 애플리케이션(630)으로부터의 출력 및 결과(1040)는 자동화되도록 의도되는 프로세스의 단계에 수반되는 분류, 예측 등의 자동화된 학습 및 개선을 용이하게 하기 위해 사용될 수 있다.
일부 데이터 저장 계층 상세 - 대안적 데이터 아키텍처(SOME DATA STORAGE LAYER DETAILS - ALTERNATIVE DATA ARCHITECTURES)
도 12를 참조하면, 플랫폼(604)의 데이터 저장 계층(624)의 선택적 실시예의 추가적인 세부사항, 컴포넌트, 서브시스템, 및 다른 요소가 예시된다. 종래의 관계형 및 객체 지향형 데이터 아키텍처, 블록체인 아키텍처(1180), 자산 태그 데이터 저장소 아키텍처(1178), 로컬 저장소 아키텍처(1190), 네트워크 저장소 아키텍처(1174), 멀티-테넌트 아키텍처(1132), 분산형 데이터 아키텍처(1002), 밸류 체인 네트워크(VCN) 데이터 객체 아키텍처(1004), 클러스터-기반 아키텍처(1128), 이벤트 데이터-기반 아키텍처(1034), 상태 데이터-기반 아키텍처(1140), 그래프 데이터베이스 아키텍처(1124), 자기-조직화 아키텍처(1134), 및 다른 데이터 아키텍처(1002)를 포함하는 다양한 데이터 아키텍처가 사용될 수 있다.
플랫폼(604)의 적응형 지능 시스템 계층(614)은, 하나의 형태의 데이터베이스로부터의 추출 및 상이한 프로토콜 또는 데이터 구조를 사용하는 데이터 시스템으로의 로딩을 허용하는 것과 같이, 다양한 다른 데이터 저장소 아키텍처(1002)의 사용을 가능하게 하기 위해 데이터 저장소, 검색 액세스, 질의 관리, 로딩, 추출, 정규화, 및/또는 변환을 용이하게 하기 위한 하나 이상의 프로토콜 어댑터(1110)를 포함할 수 있다.
실시예에서, 밸류 체인 네트워크 지향 데이터 저장 시스템 계층(624)은 물리적 저장 시스템, 가상 저장 시스템, 로컬 저장 시스템(예를 들어, 로컬 저장 아키텍처(1190)의 일부), 분산 저장 시스템, 데이터베이스, 메모리, 네트워크 기반 저장소, 네트워크 부착 저장 시스템(예를 들어, NVME, 저장소 부착 네트워크, 및 다른 네트워크 저장 시스템을 사용하는 것과 같은 네트워크 저장 아키텍처(1174)의 일부) 등을, 제한 없이, 포함할 수 있다.
실시예에서, 저장 계층(624)은 그래프 데이터베이스 아키텍처(1124) 내의 하나 이상의 지식 그래프(예컨대, 방향성 비순환 그래프, 데이터 맵, 데이터 계층구조, 링크 및 노드를 포함하는 데이터 클러스터, 자기-조직화 맵 등)에 데이터를 저장할 수 있다. 예시적인 실시예에서, 지식 그래프는 그래프 데이터베이스 및 그래프 데이터베이스 아키텍처가 사용될 수 있는 경우의 보편적인 예일 수 있다. 일부 예에서, 지식 그래프는 작업흐름을 그래프화하는 데 사용될 수 있다. 선형 작업흐름에 대해, 방향성 비순환 그래프가 사용될 수 있다. 조건부 작업흐름에 대해, 순환 그래프가 사용될 수 있다. 그래프 데이터베이스(예를 들어, 그래프 데이터베이스 아키텍처 vpc608)가 지식 그래프를 포함할 수 있거나 또는 지식 그래프는 그래프 데이터베이스의 예일 수 있다. 예시적인 실시예에서, 지식 그래프는 온톨로지 및 지식 그래프의 온톨로지 사이의 연결(예를 들어, 관계들)을 포함할 수 있다. 예에서, 지식 그래프는 이 지식 세트를 복제할 수 있는 로봇 프로세스 자동화 또는 다른 지능을 설계하고 구축할 기회를 식별할 수 있도록 인간 전문가의 지식 도메인의 아티큘레이션(articulation)을 포착하는 데 사용될 수 있다. 플랫폼은 일종의 전문가가, 수반되는 전문 지식의 타입에 따라 상이할 수 있는 인공 지능에 의해 복제가능할 수 있는 역량과 결합된 (지식 그래프로부터의) 이러한 사실적 지식 베이스를 사용하는 것을 인식하기 위해 사용될 수 있다. 예를 들어, 컨볼루션 신경망과 같은 인공 지능은 문제를 진단하거나 웨어하우스 내의 박스를 패킹하는 데 사용될 수 있는 시공간적 양태와 함께 사용될 수 있다. 반면, 플랫폼은 고객을 고객 세그먼트화 그룹으로 세그먼트화하는 것이 주요 작업인 전문가의 자기-조직화 맵에 대해 상이한 타입의 지식 그래프를 사용할 수 있다. 일부 예에서, 지식 그래프는 작업 자격증명, 작업 리스팅, 파싱 출력 결과물과 같은 다양한 데이터로부터 구축될 수 있다. 실시예에서, 데이터 저장 계층(624)은, 본 출원에 설명된 엔티티 중 임의의 것을 비롯하여, 예컨대, 시간 경과에 따라 엔티티(652)의 직렬 또는 다른 기록을 유지하기 위해, 디지털 스레드, 원장 등에 데이터를 저장할 수 있다. 실시예에서, 데이터 저장 계층(624)은 자산과 연관되고, 예컨대, 액세스 제어의 사용에 의해서 액세스가능하고 관리되는 데이터 구조를 포함할 수 있는 자산 태그(1178)를 사용 및 인에이블할 수 있으며, 따라서, 데이터의 저장 및 검색은 선택적으로 로컬 프로세스에 연관되지만, 또한 선택적으로 원격 검색 및 저장 옵션에 대해 개방된다. 실시예에서, 저장 계층(624)은, 예컨대, 역할 기반일 수 있거나 밸류 체인 엔티티(652), 서비스, 또는 하나 이상의 애플리케이션(630)과 연관된 자격증명에 기초할 수 있는 액세스 제어와 함께, 예컨대, 아이덴티티 데이터, 트랜잭션 데이터, 과거 상호작용 데이터 등을 저장하는 하나 이상의 블록체인(1180)을 포함할 수 있다. 데이터 저장 시스템(624)에 의해 저장되는 데이터는 회계 및 다른 재무 데이터(730), 액세스 데이터(734), 자산 및 시설 데이터(1030)(예컨대 본 출원에 설명되는 밸류 체인 자산 및 시설 중 임의의 것에 대한 것), 자산 태그 데이터(1178), 작업자 데이터(1032), 이벤트 데이터(1034), 위험 관리 데이터(732), 가격 데이터(738), 안전 데이터(664), 및 본 출원에 그리고 참조로 포함되는 문서에 설명되는 밸류 체인 엔티티 및 활동 중 임의의 것과 연관되거나, 이들에 의해 생성되거나, 또는 이들에 관해 생성될 수 있는 많은 다른 타입의 데이터를 포함할 수 있다.
적응형 지능 시스템 및 모니터링 계층(ADAPTIVE INTELLIGENT SYSTEMS AND MONITORING LAYERS)
도 13을 참조하면, 플랫폼(604)의 선택적 실시예의 추가적인 세부사항, 컴포넌트, 서브시스템, 및 다른 요소가 예시된다. 관리 플랫폼(604)은, 다양한 선택적 실시예에서, 애플리케이션(630)의 세트를 포함할 수 있으며, 이에 의해, 밸류 체인 네트워크 엔티티의 운영자 또는 소유자, 또는 다른 사용자는, 위에서 그리고 본 개시 전반에 걸쳐 관련하여 언급된 요소 중 임의의 것과 같은, 밸류 체인 네트워크 엔티티(652)의 하나 이상의 요소를 관리, 모니터링, 제어, 분석, 또는 다른 방식으로 그와 상호작용할 수 있다.
실시예에서, 적응형 지능 시스템 계층(614)은 지능형 시스템의 조정된 개발 및 배치를 총괄하여 용이하게 하는 시스템, 컴포넌트, 서비스 및 다른 능력의 세트, 예컨대, 애플리케이션 플랫폼 계층(604)에서 애플리케이션(630) 중 하나 이상을 향상시킬 수 있는 것; 하나 이상의 컴포넌트의 성능, 또는 연결 시설(642)의 전체 성능(예컨대, 속도/레이턴시, 신뢰성, 서비스 품질, 비용 감소, 또는 다른 인자들)을 개선할 수 있는 것; 적응형 지능 시스템 계층(614) 내의 다른 능력을 개선할 수 있는 것; 밸류 체인 네트워크 지향 데이터 저장 시스템(624)의 하나 이상의 컴포넌트의 성능(예를 들어, 속도/레이턴시, 에너지 활용, 저장 용량, 저장 효율, 신뢰성, 보안 등) 또는 전체 성능을 개선하는 것; 하나 이상의 밸류 체인 네트워크 엔티티(652)의 제어, 자동화, 또는 하나 이상의 성능 특성을 최적화하는 것; 또는 플랫폼(604)의 사용에 의해 추구되는 프로세스 및 애플리케이션 출력 및 결과(1040) 중 임의의 것을 일반적으로 개선하는 것을 포함할 수 있다.
이러한 적응형 지능 시스템(614)은 로봇 프로세스 자동화 시스템(1442), 프로토콜 어댑터(1110)의 세트, 패킷 가속 시스템(1410), 에지 지능 시스템(1420)(자기 적응형 시스템일 수 있음), 적응형 네트워킹 시스템(1430), 상태 및 이벤트 관리자(1450)의 세트, 기회 마이너(opportunity miner)(1460)의 세트, 인공 지능 시스템(1160)의 세트, 디지털 트윈 시스템(1700)의 세트, 엔티티 상호작용 관리 시스템(1900)의 세트(예컨대, 밸류 체인 네트워크(668) 내의 밸류 체인 네트워크 엔티티(652)의 세트 사이의 상호작용의 세트를 셋업, 프로비저닝, 구성 및 다른 방식으로 관리하기 위한 것), 및 다른 시스템을 포함할 수 있다.
실시예에서, 밸류 체인 모니터링 시스템 계층(614) 및 데이터 수집 시스템(640)은 데이터의 수집을 위한 광범위한 시스템을 포함할 수 있다. 이 계층은 제한 없이 실시간 모니터링 시스템(1520)(예컨대, 선박 및 다른 플로팅 자산, 배달 차량, 트럭 및 다른 운반 자산, 및 쉽야드, 항구, 웨어하우스, 유통 센터 및 다른 위치에서의 이벤트 및 상태 보고 시스템과 같은 온보드 모니터링 시스템); 플로팅 자산, 차량 및 장비에 대한 온보드 진단(OBD) 및 텔레매틱스 시스템; 이벤트 버스, 통신 포트, 또는 다른 통신 시스템을 통해 진단 코드 및 이벤트를 제공하는 시스템; 모니터링 기반구조(예컨대, 카메라, 모션 센서, 비컨, RFID 시스템, 스마트 조명 시스템, 자산 추적 시스템, 사람 추적 시스템, 및 밸류 체인 활동 및 다른 이벤트가 발생하는 다양한 환경에 위치되는 주변 감지 시스템) 뿐만 아니라, 또한 휴대용 및 모바일 데이터 수집기, RFID 및 다른 태그 판독기, 스마트폰, 태블릿 및 데이터 수집 등이 가능한 다른 모바일 디바이스와 같은 제거 가능 및 교체가능 모니터링 시스템; 소프트웨어 상호작용 관찰 시스템(1500)(특히, 예컨대 API를 통해, 예컨대, 다른 프로그램의 결과로서 발생하는 소프트웨어 상호작용들 뿐만 아니라, 또한 마우스 이동, 터치패드 상호작용, 마우스 클릭, 커서 이동, 키보드 상호작용, 내비게이션 액션, 눈 움직임, 손가락 이동, 제스처, 메뉴 선택 등과 같은, 소프트웨어 사용자 인터페이스와의 사용자의 상호작용에 수반되는 이벤트를 로깅 및 추적하기 위한 것); 모바일 데이터 수집기(1170)(예컨대, 본 출원에서 그리고 참조로 포함된 문서에서 광범위하게 설명됨), 시각적 모니터링 시스템(1930)(예컨대, 아이템, 사람, 재료, 컴포넌트, 기계, 장비, 인력, 제스처, 표현, 위치, 위치, 구성, 및 엔티티(652)의 다른 인자 또는 파라미터의 시각화를 허용하는 비디오 및 스틸 이미징 시스템, LIDAR, IR 및 다른 시스템들 뿐만 아니라, 또한 프로세스, 작업자의 활동 등을 모니터링하는 검사 시스템을 사용함); 상호작용 지점 시스템(1530)(예컨대, 밸류 체인 엔티티를 위한 대시보드, 사용자 인터페이스, 및 제어 시스템); 물리적 프로세스 관찰 시스템(1510)(예컨대, 운영자, 작업자, 고객 등의 물리적 활동, 개인(예컨대, 배송자, 전달 작업자, 패커, 피커, 조립 인력, 고객, 상인, 벤더, 유통업자 및 다른 사람들)의 물리적 활동, 작업자와 다른 작업자의 물리적 상호작용, 기계 및 장비와 같은 물리적 엔티티와 작업자의 상호작용, 및 물리적 엔티티와 다른 물리적 엔티티의 상호작용을 추적하기 위한 것, 제한 없이, 비디오 및 스틸 이미지 카메라, 모션 감지 시스템(예컨대, 광학 센서, LIDAR, IR 및 다른 센서 세트를 포함함) , 로봇 모션 추적 시스템(예컨대, 인간 또는 물리적 엔티티에 부착된 시스템의 이동을 추적) 등의 사용에 의한 것을 포함함); 기계 상태 모니터링 시스템(1940)(임의의 밸류 체인 엔티티, 예컨대, 기계 또는 컴포넌트, 예컨대, 기계, 예컨대, 클라이언트, 서버, 클라우드 리소스, 제어 시스템, 디스플레이 스크린, 센서, 카메라, 차량, 로봇, 또는 다른 기계의 조건, 상태, 동작 파라미터, 또는 조건의 다른 척도의 온보드 모니터 및 외부 모니터를 포함함); 센서 및 카메라(1950) 및 다른 IoT 데이터 수집 시스템(1172)(온보드 센서, 밸류 체인 환경(예컨대, 제한 없이, 원산지 지점, 로딩 또는 언로딩 도크, 상품을 운반하기 위해 사용되는 차량 또는 플로팅 자산, 컨테이너, 항구, 유통 센터, 저장 시설, 웨어하우스, 배달 차량, 및 목적지 지점) 내의 또는 그 주위의 센서 또는 다른 데이터 수집기(클릭 추적 센서를 포함함)를 포함함), 전체 환경을 모니터링하기 위한 카메라, 특정 기계, 프로세스, 작업자 등을 위한 전용 카메라, 웨어러블 카메라, 휴대용 카메라, 모바일 로봇 상에 배치된 카메라, 스마트폰 및 태블릿과 같은 휴대용 디바이스의 카메라, 및 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에 개시된 많은 센서 타입 중 임의의 것을 포함하는 많은 다른 것을 포함함); 실내 위치 모니터링 시스템(1532)(카메라, IR 시스템, 모션 검출 시스템, 비컨, RFID 판독기, 스마트 조명 시스템, 삼각측량 시스템, RF 및 다른 스펙트럼 검출 시스템, 비행 시간 시스템, 화학적 코 및 다른 화학적 센서 세트들 뿐만 아니라, 또한 다른 센서를 포함함); 사용자 피드백 시스템(1534)(조사 시스템, 터치 패드, 음성 기반 피드백 시스템, 평가 시스템, 표정 모니터링 시스템, 영향 모니터링 시스템, 제스처 모니터링 시스템 등을 포함함); 거동 모니터링 시스템(1538)(예컨대, 이동, 쇼핑 거동, 구매 거동, 클릭 거동, 사기 또는 기만을 표시하는 거동, 사용자 인터페이스 상호작용, 제품 반환 거동, 관심, 주의, 지루함 등을 표시하는 거동, 기분 표시 거동(예컨대, 꼼지락거림, 가만히 있음, 더 가까이 이동하거나, 자세를 변경함) 등을 모니터링하기 위한 것); 및 본 개시 전반에 걸쳐 그리고 본 출원에 참조로 포함된 문서에 설명된 것과 같은 매우 다양한 IoT(Internet of Things) 데이터 수집기(1172) 중 임의의 것을 포함할 수 있다.
실시예에서, 밸류 체인 모니터링 시스템 계층(614) 및 데이터 수집 시스템(640)은 본 개시 전반에 걸쳐 설명된 엔티티 중 임의의 것과 같은 하나 이상의 밸류 체인 네트워크 엔티티(652)를 발견하기 위한 엔티티 발견 시스템(1900)을 포함할 수 있다. 이는 디바이스 식별자에 의해, 네트워크 위치에 의해, 지리위치에 의해(예컨대 지오펜스에 의해), 실내 위치에 의해(예컨대 IoT-인에이블 디바이스 및 기반구조, Wifi 라우터, 스위치 등과 같은 알려진 리소스에 대한 근접성에 의해), 셀룰러 위치에 의해(예컨대 셀룰러 타워에 대한 근접성에 의해), 아이덴티티 관리 시스템에 의해(예컨대 엔티티(652)가 플랫폼(604)에 의해 할당되고/되거나 관리되는 식별자에 의해 소유자, 운영자, 사용자, 또는 기업과 같은 다른 엔티티(652)와 연관되는 경우) 등과 같이, 밸류 체인 네트워크(668) 내의 엔티티를 검색하기 위한 컴포넌트 또는 서브시스템을 포함할 수 있다. 엔티티 발견(1900)은, 다양한 애플리케이션(630) 또는 플랫폼(604)의 다른 능력을 서빙하는 상호작용을 개시하는 것과 같이, 디바이스의 세트 사이의 핸드셰이크를 개시할 수 있다.
도 14를 참조하면, 상품 및/또는 서비스의 밸류 체인에 대한 관리 플랫폼과 같은 정보 기술 시스템의 관리 플랫폼이 기능 요소 및 대표적인 상호연결의 블록도로서 도시된다. 관리 플랫폼은, 특히, 적응형 지능 시스템(614)의 세트를 제공하는 사용자 인터페이스(3020)를 포함한다. 적응형 지능 시스템(614)은 밸류 체인을 통해 생산되고 판매될 수 있는 상품(3010)의 카테고리를 위한 수요 관리 애플리케이션(824)의 세트 및 공급 체인 애플리케이션(812)의 세트를 위한 조정된 지능(인공 지능(1160), 전문가 시스템(3002), 기계 학습(3004) 등을 포함함)을 제공한다. 적응형 지능 시스템(614)은 데이터 처리, 인공 지능 및 계산 시스템(intelligence and computational system)(634)의 세트를 통해 인공 지능(1160)을 전달할 수 있다. 실시예에서, 적응형 지능 시스템(614)은 적응형 지능 시스템(614) 중 하나 이상이 밸류 체인 애플리케이션(예를 들어, 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812))의 세트 상에서 또는 이들과 협력하여 동작할 수 있도록 사용자 인터페이스(3020)를 통해 선택가능 및/또는 구성가능하다. 적응형 지능 시스템(614)은 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 참조로 포함되는 문서에 설명되는 다른 시스템 중 임의의 것을 포함하는 인공 지능을 포함할 수 있다.
실시예에서, 사용자 인터페이스는 상품의 카테고리(3010)에 대한 밸류 체인을 향상시키거나, 제어하거나, 개선하거나, 최적화하거나, 구성하거나, 적응시키거나 또는 밸류 체인에 다른 영향을 미치기 위해 밸류 체인의 선택된 데이터 소스(예컨대, 수요 관리 애플리케이션의 세트(824) 및/또는 공급 체인 애플리케이션의 세트(812)에 의해 사용되는 데이터 소스들)로부터 입력을 취하고 이들을 예컨대 신경망, 인공 지능 시스템(1160) 또는 본 개시 전반에 걸쳐 그리고 본 출원에 참조로 포함된 문서에 설명된 다른 적응형 지능 시스템(614) 중 임의의 것에 공급하도록 인공 지능 시스템(1160)을 구성하기 위한 인터페이스를 포함할 수 있다. 실시예에서, 밸류 체인의 선택된 데이터 소스는 분류 또는 예측을 위한 입력으로서, 또는 밸류 체인, 상품의 카테고리(3010) 등에 관련된 결과로서 적용될 수 있다.
실시예에서, 조정된 지능을 제공하는 것은 인공 지능 시스템(1160) 등과 같은 인공 지능 능력을 제공하는 것을 포함할 수 있다. 인공 지능 시스템은, 예컨대, 밸류 체인 프로세스, 재료의 청구서, 매니페스트, 전달 스케줄, 날씨 데이터, 트래픽 데이터, 상품 설계 사양, 고객 불만 로그, 고객 리뷰, ERP(Enterprise Resource Planning) 시스템, CRM(Customer Relationship Management) 시스템, CEM(Customer Experience Management) 시스템, SLM(Service Lifecycle Management) 시스템, PLM(Product Lifecycle Management) 시스템 등과 같은 밸류 체인의 데이터 소스 중 임의의 것에서 이용가능한 데이터를 처리하는 것에 의해, 예컨대, 상품의 카테고리에 대해서, 수요 관리 애플리케이션(824)의 세트 또는 공급 체인 애플리케이션(812)의 세트 또는 둘 모두에 대한 조정된 지능을 용이하게 할 수 있다.
실시예에서, 사용자 인터페이스(3020)는 밸류 체인의 애플리케이션에 대한 그리고 특히 상품의 카테고리(3010)에 대한 밸류 체인 애플리케이션에 대한 지능을 조정하기 위해 특히 인공 지능 능력, 애플리케이션, 시스템 등에 대한 액세스를 제공할 수 있다. 사용자 인터페이스(3020)는 상품(3010)의 카테고리를 설명하는 정보를 수신하고 그에 응답하여 인공 지능 능력에 대한 사용자 액세스를 구성하도록 적응될 수 있어서, 사용자는, 사용자 인터페이스를 통해, 상품(3010)의 카테고리 내의 상품들/서비스에 기여하는 밸류 체인 애플리케이션(예를 들어, 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 세트)과 함께 사용하기에 적합한 인공 지능 능력으로 안내된다. 사용자 인터페이스(3020)는 상품의 카테고리에 대한 공급 체인에 참여하는 특정 운영자 및/또는 기업에 대한 조정된 지능을 제공하는 인공 지능 능력을 포함하는 조정된 지능을 제공하는 것을 용이하게 할 수 있다.
실시예에서, 사용자 인터페이스(3020)는 사용자가 밸류 체인과 함께 사용하기 위해 다수의 인공 지능 시스템(1160)을 선택 및/또는 구성하는 것을 용이하게 하도록 구성될 수 있다. 사용자 인터페이스는 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 세트를, 각각이 애플리케이션 간에 공유될 수 있는 출력을 수신, 처리 및 생성하는 연결된 엔티티로서 제시할 수 있다. 인공 지능 시스템(1160)의 타입은 연결된 애플리케이션의 세트 또는 데이터 요소가 사용자 인터페이스에 표시되는 것에 응답하여, 예컨대 사용자가 연결된 애플리케이션의 세트에 근접하게 포인터를 배치하는 것 등에 의해 사용자 인터페이스(3020)에 표시될 수 있다. 실시예에서, 사용자 인터페이스(3020)는 공급 체인 애플리케이션 자동화, 수요 관리 애플리케이션 자동화, 기계 학습, 인공 지능, 지능형 트랜잭션, 지능형 동작, 원격 제어, 분석, 모니터링, 보고, 상태 관리, 이벤트 관리, 및 프로세스 관리로 구성되는 기능의 리스트로부터 선택된 적어도 하나의 기능에 대한 지능의 개발 및 배치를 용이하게 하는 능력의 세트를 제공하는 적응형 지능 시스템의 세트에 대한 액세스를 용이하게 할 수 있다.
적응형 지능 시스템(614)은, 예컨대, 인공 지능 시스템(1160)이 데이터 처리 시스템 등과 같은 적응형 지능 시스템(614)의 다른 시스템에 의해 수집되거나 생성되는 데이터 상에서 동작하거나 그에 응답할 때, 조정된 지능을 제공하기 위해 협력적으로 동작할 수 있는 데이터 처리, 인공 지능 및 계산 시스템(634)으로 구성될 수 있다. 실시예에서, 조정된 지능을 제공하는 것은 본 출원 및 본 출원에 참조로 포함된 문서에 설명되고 수요 관리 애플리케이션 출력 및 공급 체인 애플리케이션 출력 중 임의의 것을 처리하여 조정된 지능을 제공하는 하나 이상의 타입의 신경망을 이용하는 인공 지능 시스템(1160)의 세트의 일부를 동작시키는 것을 포함할 수 있다.
실시예에서, 수요 관리 애플리케이션(824)의 세트를 위한 조정된 지능을 제공하는 것은 수요 계획 애플리케이션, 수요 예측 애플리케이션, 판매 애플리케이션, 미래 수요 집계 애플리케이션, 마케팅 애플리케이션, 광고 애플리케이션, 전자상거래 애플리케이션, 마케팅 분석 애플리케이션, 고객 관계 관리 애플리케이션, 검색 엔진 최적화 애플리케이션, 판매 관리 애플리케이션, 광고 네트워크 애플리케이션, 거동 추적 애플리케이션, 마케팅 분석 애플리케이션, 위치-기반 제품 또는 서비스 타겟팅 애플리케이션, 협력 필터링 애플리케이션, 제품 또는 서비스에 대한 추천 엔진 등을 포함하는 수요 관리 애플리케이션의 리스트로부터 선택된 적어도 하나 이상의 수요 관리 애플리케이션에 대해 (예를 들어, 사용자 인터페이스(3020) 등을 통해) 적응형 지능 시스템(614) 중 적어도 하나를 구성하는 것을 포함할 수 있다.
유사하게, 공급 체인 애플리케이션(812)의 세트를 위한 조정된 지능을 제공하는 것은 상품 타이밍 관리 애플리케이션, 상품 수량 관리 애플리케이션, 물류 관리 애플리케이션, 배송 애플리케이션, 배달 애플리케이션, 상품 관리 애플리케이션에 대한 주문, 컴포넌트 관리 애플리케이션에 대한 주문 등을 포함하는 공급 체인 애플리케이션의 리스트로부터 선택된 적어도 하나 이상의 공급 체인 애플리케이션을 위한 적응형 지능 시스템(614) 중 적어도 하나를 구성하는 것을 포함할 수 있다.
실시예에서, 관리 플랫폼(102)은, 예컨대, 사용자 인터페이스(3020)를 통해, 인공 지능의 애플리케이션을 통해 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 세트를 위한 조정된 지능을 제공하는 적응형 지능 시스템(614)의 세트에 대한 액세스를 용이하게 할 수 있다. 이러한 실시예에서, 사용자는 상품의 카테고리(3010)에 대한 밸류 체인의 수익성 등을 보장하면서 수요와 공급을 정렬하려고 시도할 수 있다. 인공 지능 능력(1160)에 대한 액세스를 제공함으로써, 관리 플랫폼은 사용자가 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템 등과 같은 기술의 이점을 얻으면서 수요 및 공급의 애플리케이션에 집중할 수 있게 한다.
실시예에서, 관리 플랫폼(102)은, 사용자 인터페이스(3020) 등을 통해, 예를 들어, 애플리케이션에 의해 사용되는 입력, 애플리케이션에 의해 생성되는 결과, 및 밸류 체인 결과에 기초하여 수요 관리 및 공급 체인 애플리케이션 사이의 관계를 (자동으로) 결정함으로써 상품(3020)의 카테고리를 위한 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 세트를 위한 조정된 인공 지능(1160)을 제공하는 적응형 지능 시스템(614)의 세트를 제공할 수 있다. 인공 지능(1160)은, 예를 들어, 적응형 지능 시스템(614)을 통해 이용가능한 데이터 처리, 인공 지능 및 계산 시스템(634)의 세트에 의해 조정될 수 있다.
실시예에서, 관리 플랫폼(102)은 상품(3010)의 카테고리를 위한 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 세트를 위한 조정된 지능을 제공하는 적응형 지능 시스템(614)의 세트의 일부로서 인공 지능 시스템(1160)의 세트로 구성될 수 있다. 인공 지능 시스템(1160)의 세트는 공급 체인 애플리케이션(812)의 세트의 적어도 하나의 공급 체인 애플리케이션이 수요 관리 애플리케이션(824)의 세트의 적어도 하나의 수요 관리 애플리케이션에 의해 결정된 바와 같은 상품의 카테고리 내의 상품 중 적어도 하나에 대한 공급의 적어도 하나의 양태를 다루는 결과를 생성하도록 조정된 지능을 제공할 수 있다. 예에서, 거동 추적 수요 관리 애플리케이션은 상품의 카테고리(3010) 내의 상품의 사용의 거동에 대한 결과를 생성할 수 있다. 인공 지능 시스템(1160)은 거동 데이터를 처리하고 상품의 카테고리(3010) 내의 제2 제품에 대해 더 큰 소비자 접근성의 필요성이 인지된다고 결론을 내릴 수 있다. 이러한 조정된 지능은, 예를 들어, 상품의 카테고리에 대한 밸류 체인에서의 생산 리소스 또는 다른 리소스가 제2 제품에 할당되도록, 공급 체인 애플리케이션(812)의 세트에 선택적으로 자동으로 적용될 수 있다. 예에서, 소매업자 매대 재고정리를 취급하는 유통업자는, 예컨대, 더 낮은 마진 제품 등으로부터 공간을 빼앗음으로써, 제2 제품에 대해 더 많은 소매상 매대 공간(shelf space)을 할당하는 새로운 재고정리 계획을 수신할 수 있다.
실시예에서, 인공 지능 시스템(1160)의 세트 등은, 예를 들어, 상품(3010)의 카테고리 내의 상품 중 적어도 하나에 대한 선택적으로 시간적 수요가 만족될 수 있도록 공급 체인 애플리케이션의 제어에 영향을 미치는 수요 관리 애플리케이션 출력의 선택적 시간적 우선순위화를 결정함으로써 공급 체인 및 수요 관리 애플리케이션의 세트를 위한 조정된 지능을 제공할 수 있다. 수요 적용 결과의 우선순위화에서의 계절적 조정은 시간적 변화의 하나의 예이다. 우선순위화의 조정은 또한 국소화될 수 있고, 예컨대, 대규모 대학 축구 팀이 홈 경기장에서 경기하고 있을 때, 수요 관리 애플리케이션 결과가 소형 프로판 스토브가 더 넓은 지역에서는 현재 수요가 없음을 시사하더라도 테일게이팅(tailgating) 공급의 국지 공급이 일시적으로 조정될 수 있다.
예컨대, 인공 지능 능력(1160) 등을 제공하는 것에 의해서, 조정된 지능을 제공하는 적응형 지능 시스템(614)의 세트는 또한 공급 체인 애플리케이션 자동화, 수요 관리 애플리케이션 자동화, 기계 학습, 인공 지능, 지능형 트랜잭션, 지능형 동작, 원격 제어, 분석, 모니터링, 보고, 상태 관리, 이벤트 관리, 및 프로세스 관리로 구성되는 기능의 리스트로부터 선택되는 적어도 하나의 기능에 대한 지능의 개발 및 배치를 용이하게 할 수 있다. 적응형 지능 시스템(614)의 세트는 플랫폼에서 계층으로서 구성될 수 있고, 그 안의 인공 지능 시스템은 적응형 지능 시스템 계층의 다른 시스템(예를 들어, 데이터 처리 시스템, 전문가 시스템, 기계 학습 시스템 등)에 의해 수집되고/되거나 생성되는 데이터 상에서 동작하거나 그에 응답할 수 있다.
상품의 특정 카테고리에 대해 구성된 조정된 지능을 제공하는 것에 더하여, 조정된 지능은 상품의 카테고리에 대한 공급 체인에 참여하는 공급 체인 운영자, 비즈니스, 기업 등과 같은 특정 밸류 체인 엔티티(652)에 대해 제공될 수 있다.
조정된 지능을 제공하는 것은 수요 관리 및 공급 체인 애플리케이션의 세트의 입력 및 출력 중 적어도 하나를 처리하기 위해 신경망을 이용하는 것을 포함할 수 있다. 신경망은 수요 계획 애플리케이션, 수요 예측 애플리케이션, 판매 애플리케이션, 미래 수요 집계 애플리케이션, 마케팅 애플리케이션, 광고 애플리케이션, 전자상거래 애플리케이션, 마케팅 분석 애플리케이션, 고객 관계 관리 애플리케이션, 검색 엔진 최적화 애플리케이션, 판매 관리 애플리케이션, 광고 네트워크 애플리케이션, 거동 추적 애플리케이션, 마케팅 분석 애플리케이션, 위치-기반 제품 또는 서비스 타겟팅 애플리케이션, 협력 필터링 애플리케이션, 제품 또는 서비스에 대한 추천 엔진 등과 같은 수요 애플리케이션과 함께 사용될 수 있다. 신경망은 또한 상품 타이밍 관리 애플리케이션, 상품 수량 관리 애플리케이션, 물류 관리 애플리케이션, 배송 애플리케이션, 배달 애플리케이션, 상품 관리 애플리케이션에 대한 주문, 컴포넌트 관리 애플리케이션에 대한 주문 등과 같이 공급 체인 애플리케이션과 함께 사용될 수 있다. 신경망은 프로세스, 재료 청구서, 날씨, 트래픽, 설계 사양, 고객 불만 로그, 고객 리뷰, ERP(Enterprise Resource Planning) 시스템, CRM(Customer Relationship Management) 시스템, CEM(Customer Experience Management) 시스템, SLM(Service Lifecycle Management) 시스템, PLM(Product Lifecycle Management) 시스템 등을 제한 없이 포함하는 상품의 카테고리에 대한 복수의 밸류 체인 데이터 소스 중 임의의 것에서 이용가능한 데이터를 처리함으로써 조정된 지능을 제공할 수 있다. 조정된 지능을 제공하도록 구성된 신경망은, 이들 시스템이 그러한 공유된 적응을 용이하게 하는 토폴로지로 구성될 때와 같이, 다른 적응형 지능 시스템(614)과 적응 능력을 공유할 수 있다. 실시예에서, 신경망은 수요 관리 애플리케이션의 세트 및 공급 체인 애플리케이션의 세트 둘 모두에 대해 이용가능한 밸류 체인/공급 체인 네트워크 리소스를 프로비저닝하는 것을 용이하게 할 수 있다. 실시예에서, 신경망은 프로세스 출력, 애플리케이션 출력, 프로세스 결과, 애플리케이션 결과 등으로 구성되는 출력의 리스트 중 적어도 하나를 개선하기 위해 조정된 지능을 제공할 수 있다.
도 15를 참조하면, 상품 및/또는 서비스의 밸류 체인에 대한 관리 플랫폼과 같은 정보 기술 시스템의 관리 플랫폼이 기능 요소 및 대표적인 상호연결의 블록도로서 도시된다. 관리 플랫폼은, 특히, 적응형 지능 시스템(614)의 하이브리드 세트를 제공하는 사용자 인터페이스(3020)를 포함한다. 적응형 지능 시스템(614)의 하이브리드 세트는 밸류 체인을 통해 생산되고 판매될 수 있는 상품(3010)의 카테고리에 대한 공급 체인 애플리케이션(812)의 세트에 대해 그리고 수요 관리 애플리케이션(824)의 세트와 함께 사용하기 위해, 예컨대, 하이브리드 인공 지능 시스템(3060)의 애플리케이션을 통해서, 인공 지능의 애플리케이션을 통해, 그리고 선택적으로 하나 이상의 전문가 시스템, 기계 학습 시스템 등을 통해 조정된 지능을 제공한다. 하이브리드 적응형 지능 시스템(614)은 데이터 처리, 인공 지능 및 계산 시스템(634)의 세트를 통해 2개의 타입의 인공 지능 시스템, 타입 A(3052) 및 타입 B(3054)를 전달할 수 있다. 실시예에서, 하이브리드 적응형 지능 시스템(614)은 하이브리드 적응형 지능 시스템(614) 중 하나 이상이 공급 체인 애플리케이션(예를 들어, 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812))의 세트 상에서 또는 이들과 협력하여 동작할 수 있도록 사용자 인터페이스(3020)를 통해 선택가능 및/또는 구성가능하다. 하이브리드 적응형 지능 시스템(614)은 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 참조로 포함된 문서에 설명된 다른 시스템 중 임의의 것을 포함하는 적어도 2개의 타입의 인공 지능 능력을 포함할 수 있는 하이브리드 인공 지능 시스템(3060)을 포함할 수 있다. 하이브리드 적응형 지능 시스템(614)은 제1 타입의 인공 지능 시스템(1160)을 수요 관리 애플리케이션(824)의 세트에 적용하고 제2 타입의 인공 지능 시스템(1160)을 공급 체인 애플리케이션(812)의 세트에 적용하는 것을 용이하게 할 수 있으며, 여기서 제1 타입 및 제2 타입의 인공 지능 시스템(1160) 각각은 상품(3010)의 카테고리 내의 상품 중 적어도 하나를 생산하는 밸류 체인의 동작을 위한 조정된 지능을 제공하기 위해 독립적으로, 협력적으로, 그리고 선택적으로 조정된 동작을 동작시킬 수 있다.
실시예에서, 사용자 인터페이스(3020)는 (수요 관리 애플리케이션(824)의 세트 및/또는 공급 체인 애플리케이션(812)의 세트에 의해 사용되는 데이터 소스와 같은) 밸류 체인의 선택된 데이터 소스로부터 입력을 취하고 이들을 예컨대 하이브리드 인공 지능 시스템(3060) 내의 2개의 타입의 인공 지능 시스템- 본 개시 전반에 걸쳐 그리고 본 출원에 참조로 포함된 문서에 설명됨 - 중 적어도 하나에 공급하도록 하이브리드 인공 지능 시스템(3060)을 구성하기 위한 인터페이스를 포함하여, 그 타입은 상품(3010)의 카테고리에 대한 밸류 체인을 향상시키거나, 제어하거나, 개선하거나, 최적화하거나, 구성하거나, 적응시키거나 또는 이에 다른 영향을 미칠 수 있다. 실시예에서, 밸류 체인의 선택된 데이터 소스는 분류 또는 예측을 위한 입력으로서, 또는 밸류 체인, 상품의 카테고리(3010) 등에 관련된 결과로서 적용될 수 있다.
실시예에서, 하이브리드 적응형 지능 시스템(614)은 복수의 별개의 인공 지능 시스템(1160), 하이브리드 인공 지능 시스템(3060), 및 이들의 조합을 제공한다. 실시예에서, 복수의 별개의 인공 지능 시스템(1160) 및 하이브리드 인공 지능 시스템(3060) 중 임의의 것은 분류 적응 신경망, 예측 적응 신경망 등과 같은 복수의 신경망 기반 시스템으로서 구성될 수 있다. 하이브리드 적응형 지능 시스템(614)의 예로서, 수요 관리 애플리케이션(824)의 세트에 대해 기계 학습 기반 인공 지능 시스템이 제공될 수 있고, 공급 체인 애플리케이션(812)의 세트에 대해 신경망 기반 인공 지능 시스템이 제공될 수 있다. 하이브리드 인공 지능 시스템(3060)의 예로서, 하이브리드 적응형 지능 시스템(614)은 수요 관리 애플리케이션(824)에 적용되는 제1 타입의 인공 지능을 포함할 수 있고 공급 체인 애플리케이션(812)에 적용되는 제2 타입의 인공 지능과 구별되는 하이브리드 인공 지능 시스템(3060)을 제공할 수 있다. 하이브리드 인공 지능 시스템(3060)은 복수의 제1 타입의 인공 지능(예를 들어, 신경망들) 및 적어도 하나의 제2 타입의 인공 지능(예를 들어, 전문가 시스템) 등을 포함하는 타입의 인공 지능 시스템의 임의의 조합을 포함할 수 있다. 실시예에서, 하이브리드 인공 지능 시스템은 수요 관리 애플리케이션(824)에 대해 제1 타입의 신경망을 적용하고 공급 체인 애플리케이션(812)에 대해 제2 타입의 신경망을 적용하는 하이브리드 신경망을 포함할 수 있다. 또한, 하이브리드 인공 지능 시스템(3060)은 상이한 수요 관리 애플리케이션(824)(예를 들어, 판매 관리 애플리케이션 및 수요 예측 애플리케이션) 또는 상이한 공급 체인 애플리케이션(812)(예를 들어, 물류 제어 애플리케이션 및 생산 품질 제어 애플리케이션)과 같은 상이한 애플리케이션에 2개의 타입의 인공 지능을 제공할 수 있다.
실시예에서, 하이브리드 적응형 지능 시스템(614)은 별개의 수요 관리 애플리케이션(824)에 별개의 인공 지능 능력으로서 적용될 수 있다. 예로서, 하이브리드 인공 지능 능력을 통한 조정된 지능은 피드-포워드 신경망에 의해 수요 계획 애플리케이션에, 기계 학습 시스템에 의한 수요 예측 애플리케이션에, 자기-조직화 신경망에 의해 판매 애플리케이션에, 방사형 기저 함수 신경망(radial basis function neural network)에 의해 미래 수요 집계 애플리케이션에, 컨볼루션 신경망에 의해 마케팅 애플리케이션에, 순환 신경망에 의해 광고 애플리케이션에, 계층적 신경망에 의해 전자상거래 애플리케이션에, 확률적 신경망에 의해 마케팅 분석 애플리케이션에, 연관 신경망에 의해 고객 관계 관리 애플리케이션에 제공되는 등일 수 있다.
도 16을 참조하면, 상품 및/또는 서비스의 밸류 체인에 대한 관리 플랫폼과 같은 정보 기술 시스템의 관리 플랫폼은 예측의 세트(3070)를 제공하기 위한 기능 요소 및 대표적인 상호연결의 블록도로서 도시된다. 관리 플랫폼은, 특히, 적응형 지능 시스템(614)의 세트를 제공하는 사용자 인터페이스(3020)를 포함한다. 적응형 지능 시스템(614)은 밸류 체인을 통해 생산되고 판매될 수 있는 상품(3010)의 카테고리를 위한 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 조정된 세트와 함께 사용하기 위해, 인공 지능의 애플리케이션을 통해, 예컨대, 인공 지능 시스템(1160)의 애플리케이션을 통해, 그리고 선택적으로 하나 이상의 전문가 시스템, 기계 학습 시스템 등을 통해 예측(3070)의 세트를 제공한다. 적응형 지능 시스템(614)은 데이터 처리, 인공 지능 및 계산 시스템(634)의 세트를 통해 예측(3070)의 세트를 전달할 수 있다. 실시예에서, 적응형 지능 시스템(614)은 적응형 지능 시스템(614) 중 하나 이상이 밸류 체인 애플리케이션의 조정된 세트 상에서 또는 그와 협력하여 동작할 수 있도록 사용자 인터페이스(3020)를 통해 선택가능 및/또는 구성가능하다. 적응형 지능 시스템(614)은 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 참조로 포함되는 문서에 설명되는 다른 시스템 중 임의의 것을 포함하는 인공 지능과 연관되는 것으로 알려진 인공 지능 능력을 제공하는 인공 지능 시스템을 포함할 수 있다. 적응형 지능 시스템(614)은, 예컨대, 밸류 체인 애플리케이션의 2개의 세트를 조정하는 것을 용이하게 할 수 있거나, 적어도, 적어도 하나의 수요 관리 애플리케이션 및 적어도 하나의 공급 체인 애플리케이션을 그 각각의 세트로부터 조정하는 것을 용이하게 할 수 있는 예측(3070)의 세트를 생성함으로써, 적응된 지능 능력을 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 조정된 세트에 적용하는 것을 용이하게 할 수 있다.
실시예에서, 예측의 세트(3070)는, 상품에 대한 수요가 이전에 예상된 것보다 더 일찍 감소할 것이라는 예측과 같은, 조정된 수요 관리 애플리케이션의 현재 상태에 기초한 공급 체인 애플리케이션에 대한 영향의 적어도 하나의 예측을 포함한다. 예측(3070)의 세트가, 상품의 공급 부족이 관련 상품의 수요의 척도에 영향을 미칠 가능성이 있을 것이라는 예측과 같은, 조정된 공급 체인 애플리케이션의 현재 상태에 기초한 수요 관리 애플리케이션에 대한 영향의 적어도 하나의 예측을 포함한다는 점에서 그 반대도 사실일 수 있다. 실시예에서, 예측의 세트(3070)는 수요를 만족시키기 위해 요구되는 공급의 조정에 대한 예측의 세트이다. 다른 예측은 공급에 영향을 미치는 수요의 변화의 적어도 하나의 예측을 포함한다. 예측의 세트 내의 또 다른 예측은 상품의 카테고리 내의 적어도 하나의 상품에 대한 프로모션 애플리케이션과 같은 수요 관리 애플리케이션의 세트 중 적어도 하나에 영향을 미치는 공급의 변화를 예측한다. 예측의 세트의 예측은 상품의 카테고리에서의 상품의 공급이 수요 설정 애플리케이션에 의해 설정된 수요를 만족시키지 못할 가능성을 설정하는 것만큼 간단할 수 있다.
실시예에서, 적응형 지능 시스템(614)은 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트에 대한 예측의 세트를 제공하는 것을 용이하게 하기 위해 인공 지능 능력의 세트를 제공할 수 있다. 하나의 비제한적인 예에서, 인공 지능 능력의 세트는 충분한 검증된 피드백의 결여와 같은 수요 관리 애플리케이션의 결함 조건 또는 문제 상태를 예측하기 위해 사용될 수 있는 확률적 신경망을 포함할 수 있다. 확률적 신경망은 기계에 대한 기계 동작 정보 및 예방적 유지보수 정보의 집합체에 기초하여 밸류 체인 동작을 수행하는 기계(예를 들어, 생산 기계, 자동화된 취급 기계, 패키징 기계, 배송(shipping) 기계 등)에서 문제 상태를 예측하기 위해 사용될 수 있다.
실시예에서, 예측의 세트(3070)는 적응형 인공 지능 시스템의 세트를 통해 관리 플랫폼(102)에 의해 직접 제공될 수 있다.
실시예에서, 예측 세트(3070)는 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 세트를 조정하기 위한 인공 지능 능력을 적용함으로써 상품의 카테고리를 위한 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트에 대해 제공될 수 있다.
실시예에서, 예측의 세트(3070)는 상품의 카테고리를 위한 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트로 밸류 체인을 동작시키기 위한 결과의 예측들일 수 있으며, 따라서, 사용자는 어느 세트가 바람직한 결과(조정된 세트의 애플리케이션에 대한 실행가능한 후보)를 생성할 수 있고 어느 세트가 바람직하지 않은 결과를 생성할 수 있는지를 결정하기 위해 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트의 테스트 사례를 수행할 수 있다.
도 17을 참조하면, 상품 및/또는 서비스의 밸류 체인에 대한 관리 플랫폼과 같은 정보 기술 시스템의 관리 플랫폼이 분류의 세트(3080)를 제공하기 위한 기능 요소 및 대표적인 상호연결의 블록도로서 도시되어 있다. 관리 플랫폼은, 특히, 적응형 지능 시스템(614)의 세트를 제공하는 사용자 인터페이스(3020)를 포함한다. 적응형 지능 시스템(614)은 밸류 체인을 통해 생산, 마케팅, 판매, 재판매, 임대, 리스, 증여, 서비스, 재활용, 갱신, 향상 등이 이루어질 수 있는 상품(3010)의 카테고리를 위한 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 조정된 세트와 함께 사용하기 위해, 예를 들어, 인공 지능의 애플리케이션을 통해, 예컨대, 인공 지능 시스템(1160)의 애플리케이션을 통해, 그리고 선택적으로 하나 이상의 전문가 시스템, 기계 학습 시스템 등을 통해 분류(3080)의 세트를 제공한다. 적응형 지능 시스템(614)은 데이터 처리, 인공 지능 및 계산 시스템(634)의 세트를 통해 분류(3080)의 세트를 전달할 수 있다. 실시예에서, 적응형 지능 시스템(614)은 적응형 지능 시스템(614) 중 하나 이상이 밸류 체인 애플리케이션의 조정된 세트 상에서 또는 그와 협력하여 동작할 수 있도록 사용자 인터페이스(3020)를 통해 선택가능 및/또는 구성가능하다. 적응형 지능 시스템(614)은, 특히, 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 참조로 포함된 문서에 설명된 다른 시스템 중 임의의 것을 통해 분류 능력을 제공하는 인공 지능 시스템을 포함할 수 있다. 적응형 지능 시스템(614)은, 예컨대, 밸류 체인 애플리케이션의 2개의 세트를 조정하는 것을 용이하게 할 수 있거나, 적어도, 그 각각의 세트로부터 적어도 하나의 수요 관리 애플리케이션 및 적어도 하나의 공급 체인 애플리케이션을 조정하는 것을 용이하게 할 수 있는 분류(3080)의 세트를 생성함으로써, 적응된 지능 능력을 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 조정된 세트에 적용하는 것을 용이하게 할 수 있다.
실시예에서, 분류 세트(3080)는 마케팅 애플리케이션 등과 같은 수요 관리 애플리케이션의 동작에 영향을 미칠 수 있는 문제 상태의 분류와 같은, 조정된 수요 관리 애플리케이션에 의한 사용을 위한 공급 체인 애플리케이션의 현재 상태의 적어도 하나의 분류를 포함한다. 이러한 분류는 이전에 예상된 것보다 더 낮은 수율을 가질 것인 상품에 대한 시장 예상을 조정하는 방법을 결정하는 데 유용할 수 있다. 분류(3080)의 세트가 수요 관리 애플리케이션의 현재 상태의 적어도 하나의 분류 및 조정된 공급 체인 애플리케이션에 대한 그 관계를 포함한다는 점에서 그 반대도 사실일 수 있다. 실시예에서, 분류의 세트(3080)는 수요를 만족시키기 위해 요구되는 공급의 조정의 분류의 세트이고, 예컨대, 생산 작업자 요구에 대한 조정은 제3자 물류 제공자의 조정과 상이하게 분류될 것이다. 다른 분류는 인지된 수요 변화의 적어도 하나의 분류 및 공급 관리에 대한 결과적인 잠재적 영향을 포함할 수 있다. 분류의 세트 내의 또 다른 분류는 상품의 카테고리 내의 적어도 하나의 상품에 대한 프로모션 애플리케이션과 같은 수요 관리 애플리케이션의 세트 중 적어도 하나에 대한 공급 체인 애플리케이션 영향을 포함할 수 있다. 분류의 세트 내의 분류는 상품의 카테고리 내의 상품의 공급이 수요 설정 애플리케이션에 의해 설정된 수요를 만족시키지 못할 가능성을 분류하는 것만큼 간단할 수 있다.
실시예에서, 적응형 지능 시스템(614)은 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트에 대한 분류의 세트(3080)를 제공하는 것을 용이하게 하기 위해 인공 지능 능력의 세트를 제공할 수 있다. 하나의 비제한적인 예에서, 인공 지능 능력의 세트는 수요 관리 애플리케이션의 결함 조건 또는 문제 상태를 분류하기 위해, 예컨대, 충분한 검증된 피드백의 결여의 분류를 위해 사용될 수 있는 확률적 신경망을 포함할 수 있다. 확률적 신경망은 밸류 체인 운영을 수행하는 기계(예를 들어, 생산 기계, 자동화된 취급 기계, 패키징 기계, 배송 기계 등)의 문제 상태를 기계에 대한 기계 동작 정보 및 예방 유지보수 정보 중 적어도 하나에 관련된 것으로 분류하기 위해 사용될 수 있다.
실시예에서, 분류의 세트(3080)는 적응형 인공 지능 시스템의 세트를 통해 관리 플랫폼(102)에 의해 직접 제공될 수 있다. 또한, 분류의 세트(3080)는 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 세트를 조정하기 위한 인공 지능 능력을 적용함으로써 상품의 카테고리를 위한 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트에 대해 제공될 수 있다.
실시예에서, 분류의 세트(3080)는 상품의 카테고리를 위한 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트로 밸류 체인을 동작시키기 위한 결과의 분류들일 수 있으며, 따라서, 사용자는 어느 세트가 바람직한 것으로 분류되는 결과(예를 들어, 조정된 세트의 애플리케이션에 대한 실행가능한 후보)를 생성하고, 어느 세트가 바람직하지 않은 것으로 분류되는 결과를 생성할 수 있는지를 결정하기 위해 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트의 테스트 사례를 수행할 수 있다.
실시예에서, 분류의 세트는 상품의 카테고리와 연관된 정보를 분류하도록 적응될 수 있는 신경망과 같은 적응형 지능 기능의 세트를 포함할 수 있다. 예에서, 신경망은 다층 피드포워드 신경망일 수 있다.
실시예에서, 분류를 수행하는 것은 발견된 밸류 체인 엔티티를 수요 중심 및 공급 중심 중 하나로서 분류하는 것을 포함할 수 있다.
실시예에서, 분류의 세트(3080)는 수요 관리 및 공급 체인 애플리케이션의 조정된 세트를 조정하기 위한 인공 지능 시스템(1160)의 사용을 통해 달성될 수 있다. 인공 지능 시스템은 수요 관리 애플리케이션 및 공급 체인 애플리케이션이 조정될 수 있는 수단으로서 분류(3080)의 세트를 구성하고 생성할 수 있다. 일 예에서, 밸류 체인 전체에 걸친 정보 흐름의 분류는 수요 관리 애플리케이션 및 공급 체인 애플리케이션 둘 모두에 관련되는 것으로 분류될 수 있고; 이러한 공통 관련성은 애플리케이션 간의 조정의 지점일 수 있다. 실시예에서, 분류의 세트는 조정된 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)에 의존하는 공급 체인을 동작시킨 결과의 인공 지능 생성 분류들일 수 있다.
도 18을 참조하면, 상품 및/또는 서비스의 밸류 체인에 대한 관리 플랫폼과 같은 정보 기술 시스템의 관리 플랫폼은 자동화된 제어 지능을 달성하기 위한 기능 요소 및 대표적인 상호연결의 블록도로서 도시된다. 관리 플랫폼은, 특히, 적응형 지능 시스템(614)의 세트를 제공하는 사용자 인터페이스(3020)를 포함한다. 적응형 지능 시스템(614)은 밸류 체인을 통해 생산되고 판매될 수 있는 상품(3010)의 카테고리를 위한 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812)의 조정된 세트에 대한 자동화된 제어 시그널링(3092)을 제공한다. 적응형 지능 시스템(614)은 데이터 처리, 인공 지능 및 계산 시스템(634)의 세트를 통해 자동화된 제어 신호(3092)를 전달할 수 있다. 실시예에서, 적응형 지능 시스템(614)은 적응형 지능 시스템(614) 중 하나 이상이 공급 체인 애플리케이션(예를 들어, 수요 관리 애플리케이션(824) 및 공급 체인 애플리케이션(812))의 세트를 자동으로 제어할 수 있도록 사용자 인터페이스(3020)를 통해 선택가능 및/또는 구성가능하다. 적응형 지능 시스템(614)은 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 참조로 포함된 문서에 설명된 다른 시스템 중 임의의 것을 포함하는 인공 지능을 포함할 수 있다.
실시예에서, 사용자 인터페이스(3020)는 밸류 체인(3094)의 선택된 데이터 소스(예컨대, 수요 관리 애플리케이션(824)의 조정된 세트 및/또는 공급 체인 애플리케이션(812)의 세트에 의해 사용되는 데이터 소스)로부터 입력을 취하고, 이들을, 예컨대, 상품(3010)의 카테고리에 대한 밸류 체인을 향상시키거나, 제어하거나, 개선하거나, 최적화하거나, 구성하거나, 적응시키거나 또는 이에 다른 영향을 미치도록 자동화된 제어 신호(3092)를 생성하기 위해 예컨대 본 개시 전반에 걸쳐 그리고 본 출원에 참조로 포함된 문서에 설명된 신경망, 인공 지능 시스템(1160) 또는 다른 적응형 지능 시스템(614) 중 임의의 것에 공급하도록 적응형 지능 시스템(614)을 구성하기 위한 인터페이스를 포함할 수 있다. 실시예에서, 밸류 체인의 선택된 데이터 소스는 자동화된 제어 신호의 양태를 결정하기 위해, 예컨대 적어도 상품(3010)의 카테고리 등에 대해 밸류 체인과 관련된 결과를 제어하기 위한 시간적 조정을 위해 사용될 수 있다.
일 예에서, 자동화된 제어 신호의 세트는 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트에서 생산 시작, 자동화된 재료 주문, 재고 확인, 청구 애플리케이션 등과 같이 공급 체인 애플리케이션의 실행을 자동화하기 위한 적어도 하나의 제어 신호를 포함할 수 있다. 자동화된 제어 신호 생성의 또 다른 예에서, 자동화된 제어 신호의 세트는 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트에서 제품 리콜 애플리케이션, 이메일 유통 애플리케이션 등과 같은 수요 관리 애플리케이션의 실행을 자동화하기 위한 적어도 하나의 제어 신호를 포함할 수 있다. 또 다른 예에서, 자동화 제어 신호는 상품 공급 상태에 기초하여 수요 관리 애플리케이션의 타이밍을 제어할 수 있다.
실시예에서, 적응형 지능 시스템(614)은 수요 관리 애플리케이션 제어 신호의 세트를 자동으로 적응시키기 위해 공급의 결과에 기계 학습을 적용할 수 있다. 유사하게, 적응형 지능 시스템(614)은 공급 체인 애플리케이션 제어 신호의 세트를 자동으로 적응시키기 위해 수요 관리의 결과에 기계 학습을 적용할 수 있다. 적응형 지능 시스템(614)은, 예컨대, 상품의 카테고리를 위한 수요 관리 애플리케이션 및 공급 체인 애플리케이션의 조정된 세트의 자동화된 제어에 영향을 미치는 밸류 체인의 양태를 결정하기 위해 인공 지능을 적용함으로써, 자동화된 제어 신호 생성을 위한 추가 처리를 제공할 수 있다. 결정된 양태는 예컨대 목표 수요 관리 및 공급 체인 애플리케이션에 영향을 미치지 않는 양태에 대한 밸류 체인 정보를 필터링하는 것에 의해서, 자동화된 제어 지능/신호의 생성 및 동작에서 사용될 수 있다.
예를 들어, 공급 체인 애플리케이션의 자동화된 제어는 예컨대, 정책, 동작 제한, 안전 제약 등에 의해서 제한될 수 있다. 적응형 지능 시스템의 세트는 제어가 자동화될 수 있는 공급 체인 애플리케이션 제어 값의 범위를 결정할 수 있다. 실시예에서, 범위는 공급 레이트, 공급 타이밍 레이트, 상품의 카테고리 내의 상품의 혼합 등과 연관될 수 있다.
자동화된 제어 신호를 식별, 구성 및 조절하기 위해 인공 지능 시스템 또는 능력을 사용하기 위한 실시예가 본 출원에 설명된다. 그러한 실시예는 기계 학습으로 선택적으로 처리되고 상품의 카테고리 내의 상품 중 적어도 하나에 대한 자동화된 제어 신호를 적응시키는 데 사용되는 수요 관리 및 공급 체인 애플리케이션(예를 들어, 상태 정보, 출력 정보, 결과 등)의 조정된 세트로부터의 피드백의 폐루프를 더 포함할 수 있다. 자동화된 제어 신호는, 예를 들어, 상품의 수율이 생산 문제를 시사한다는 공급 체인 애플리케이션으로부터의 피드백의 표시에 기초하여 적응될 수 있다. 이 예에서, 자동화된 제어 신호는 생산 속도에 영향을 미칠 수 있고, 피드백은 생산 문제가 해결될 때까지 신호가 더 느린 생산 속도로 자동으로 자체 조정되게 할 수 있다.
도 19를 참조하면, 상품 및/또는 서비스의 밸류 체인에 대한 관리 플랫폼과 같은 정보 기술 시스템의 관리 플랫폼이 정보 라우팅 추천을 제공하기 위한 기능 요소 및 대표적인 상호연결의 블록도로서 도시된다. 관리 플랫폼은 네트워크 데이터(3110)가 정보 라우팅 활동의 세트로부터 수집되는 밸류 체인 네트워크(3102)의 세트를 포함하고, 정보는 결과, 파라미터, 라우팅 활동 정보 등을 포함한다. 밸류 체인 네트워크(3102)의 세트 내에서, 적어도 하나의 정보 라우팅 추천(3130)이 제공되는 선택 밸류 체인 네트워크(3104)가 선택된다. 인공 지능 시스템(1160)은 기계 학습 시스템을 포함할 수 있고, 밸류 체인 네트워크(3102)의 세트에 대한 네트워크 데이터(3110) 결과, 파라미터 및 라우팅 활동 정보로부터 도출된 훈련 세트를 사용하여 훈련될 수 있다. 인공 지능 시스템(1160)은 선택 밸류 체인 네트워크(3104)의 현재 상태(3120)에 기초하여 정보 라우팅 추천(3130)을 추가로 제공할 수 있다. 인공 지능 시스템은 밸류 체인 네트워크(3102)의 세트 내의 정보 트랜잭션 타입에 대해 훈련하기 위해 기계 학습을 사용할 수 있고, 그에 의해 상이한 트랜잭션 타입(예를 들어, 실시간 재고 업데이트, 구매자 신용 검사, 엔지니어링 사인오프(signoff) 등)에 관한 관련 인자를 학습하고 그에 따라 정보 라우팅 추천에 기여한다. 인공 지능 시스템은 또한 밸류 체인 네트워크(3102)의 세트 내에서 그리고 그 전체에 걸쳐 라우팅되는 상이한 타입 및/또는 클래스의 정보에 대한 정보 가치에 대해 훈련하기 위해 기계 학습을 사용할 수 있다. 정보는 정보 가용성의 타이밍 및 정보 소비의 타이밍 뿐만 아니라, 또한 해당 정보 없이는 밸류 체인 네트워크 요소(예를 들어, 생산 제공자)가 원하는 액션(예를 들어, 작업 주문 없이 대량 생산을 시작하는 것)을 수행할 수 없는 정보와 같이 정보 콘텐츠 기반 가치를 포함하는 광범위한 인자에 대해 가치를 둘 수 있다. 따라서, 정보 라우팅 추천은 트랜잭션 타입, 정보 가치, 및 이들의 조합에 대한 훈련에 기초할 수 있다. 이들은 단지 예시적인 정보 라우팅 추천 훈련 및 추천 기초 인자이며, 여기서는 훈련 및 추천 기초를 위한 다른 요소에 대한 제한 없이 제시된다.
실시예에서, 인공 지능 시스템(1160)은 트랜잭션 타입, 트랜잭션 타입 및 정보 타입, 네트워크 타입 등에 기초하여 정보 라우팅 추천(3130)을 제공할 수 있다. 정보 라우팅 추천은 정보 타입(스트리밍)이 네트워크 타입(소규모 트랜잭션)과 호환가능하지 않을 때와 같이, 정보 타입 및 네트워크 타입과 같은 인자의 조합에 기초할 수 있다.
실시예에서, 인공 지능 시스템(1160)은 네트워크 토폴로지, 네트워크 로딩, 네트워크 신뢰성, 네트워크 레이턴시 등과 같은 선택된 밸류 체인 네트워크(3104) 내의 네트워크에 대한 이해를 개발하기 위해 기계 학습을 사용할 수 있다. 이러한 이해는, 예를 들어, 검출된 또는 예상된 네트워크 조건과 조합되어 정보 라우팅 추천을 형성할 수 있다. 밸류 체인 네트워크(3104)에서의 에지 지능의 존재와 같은 양태는 하나 이상의 정보 라우팅 추천에 영향을 미칠 수 있다. 일 예에서, 정보의 타입은 네트워크 타입과 호환되지 않을 수 있지만; 그러나, 네트워크는 라우팅되는 정보의 형태를 적응시키기 위해 인공 지능 시스템(1160)에 의해 활용될 수 있는 에지 지능으로 구성될 수 있으며, 따라서 이는 타겟팅된 네트워크 타입과 호환성이다. 이는 또한 에지 컴퓨팅, 서버 액세스, 네트워크 기반 저장 리소스 등과 같은 정보 라우팅 추천 - 네트워크 리소스(예를 들어, 존재, 가용성, 및 능력)에 대한 보다 일반적인 고려사항의 예이다. 마찬가지로, 밸류 체인 네트워크 엔티티는 정보 라우팅 추천에 영향을 미칠 수 있다. 실시예에서, 정보 라우팅 추천은 공급자의 경쟁자에 의해 제어되는 네트워크 노드를 통해 밸류 체인 내의 제1 공급자에게 기밀인 정보를 라우팅하는 것을 피할 수 있다. 실시예에서, 정보 라우팅 추천은 추가 라우팅을 위해 부분적으로 처리된 부분을 목적지-특정 정보 세트로 분할하는 것과 같이, 추가 라우팅을 위해 정보가 부분적으로 소비되고 부분적으로 처리되는 제1 노드로 정보를 라우팅하는 것을 포함할 수 있다.
실시예에서, 인공 지능 시스템(1160)은 밸류 체인 네트워크의 목표, 정보 라우팅의 목표 등과 같은 목표에 기초하여 정보 라우팅 추천을 제공할 수 있다. 목표 기반 정보 라우팅 추천은 서비스 품질 라우팅 목표, 라우팅 신뢰성 목표(송신 실패율 등에 기초하여 측정될 수 있음)와 같은 라우팅 목표를 포함할 수 있다. 다른 목표는 하나 이상의 후보 경로와 연관된 레이턴시의 척도를 포함할 수 있다. 정보 라우팅 추천은 정보가 이용가능할 때 및 그것이 전달될 필요가 있을 때와 같이, 선택된 밸류 체인 네트워크에서의 정보의 가용성에 기초할 수 있다. 필요 시점에 훨씬 앞서 입수되는 정보에 대해(예를 들어, 새벽 2시에 라우팅에 이용 가능해지는 야간 생산 보고는 가장 먼저 필요한 시점이 오전 7시임), 라우팅 추천은 라우팅시 짧은 지연 등을 수반할 수 있는 더 낮은 비용의 리소스를 사용하는 것을 포함할 수 있다. 필요 시점 직전에 입수되는 정보에 대해(예를 들어, 제품 테스트의 결과가 생산 동작 속도를 유지하기 위해 테스트가 완료된 때로부터 수백 밀리초 내에 필요한 것 등).
정보 라우팅 추천은 밸류 체인 네트워크 내에서 즉각적인 라우팅을 위해 얼마나 길게 정보가 이용가능한지와 같은 정보 지속성 인자에 기초하여 인공 지능 시스템(1160)에 의해 형성될 수 있다. 정보 지속성을 고려하는 정보 라우팅 추천은 정보 지속성의 시간 동안 가용성, 비용 등에 기초하여 네트워크 리소스를 선택할 수 있다.
정보 가치 및 정보 가치에 대한 영향이 정보 라우팅 추천에 고려될 수 있다. 예로서, 단일 배송(예를 들어, 상품의 1회 생산 실행)에 대해 유효한 정보는 일단 배송이 만족스럽게 수취되면 실질적으로 가치를 잃을 수 있다. 이러한 예에서, 정보 라우팅 추천은 관련 정보가 여전히 유효한 동안 해당 정보의 최고 우선순위 소비자 모두에게 관련 정보를 라우팅하는 것을 나타낼 수 있다. 마찬가지로, 하나보다 많은 밸류 체인 엔티티가 소비하는 정보의 라우팅은 각각의 밸류 체인 엔티티가 원하는 시간/순간에서, 예컨대 동일한 생산 교대근무 동안, 이들의 하루의 시작시- 이는 엔티티가 상이한 시간 구역에 있는 경우 등에 상이할 수 있음 - 등에 정보를 수신하도록 조정될 필요가 있을 수 있다.
실시예에서, 정보 라우팅 추천은 밸류 체인의 토폴로지에 기초할 수 있고, 네트워크 저장 리소스의 위치 및 가용성 등에 기초할 수 있다.
실시예에서, 예를 들어, 네트워크 리소스 가용성, 네트워크 리소스 발견, 네트워크 동적 로딩, 제1 추천에 대한 정보가 경로 내에 있게 된 후에 생성되는 추천의 우선순위 등의 변경에 기초하여, 정보가 라우팅되는 동안, 하나 이상의 정보 라우팅 추천이 적응될 수 있다.
도 20을 참조하면, 상품 및/또는 서비스의 밸류 체인에 대한 관리 플랫폼과 같은 정보 기술 시스템의 관리 플랫폼은 밸류 체인 네트워크에서의 고충점(pain point)의 반-지각적 문제 인식을 위한 기능 요소 및 대표적인 상호연결의 블록도로서 도시된다. 관리 플랫폼은 엔티티 관련 데이터(3160)가 수집되는 밸류 체인 네트워크 엔티티(3152)의 세트를 포함하고, 엔티티와 연관된 결과, 파라미터, 활동 정보 등을 포함한다. 밸류 체인 네트워크 엔티티(3152)의 세트 내에서, 적어도 하나의 고충점 문제 상태(3172)가 검출되는 선택 밸류 체인 네트워크 엔티티(3154)의 세트가 선택된다. 인공 지능 시스템(1160)은 밸류 체인 엔티티와 연관된 결과, 예를 들어, 밸류 체인의 동작과 연관된 파라미터, 밸류 체인 활동 정보 등에 대한 훈련을 포함하는 엔티티 관련 데이터(3160)로부터 도출된 훈련 세트에 대해 훈련될 수 있다. 인공 지능 시스템은 훈련 데이터로서 입력된 문제 상태를 특성화할 수 있는 문제 상태 인자(3180)를 학습하는 것을 용이하게 하기 위해 기계 학습을 추가로 이용할 수 있다. 이러한 인자(3180)는 고충점의 문제/결과를 경험하고 있는 밸류 체인 네트워크 엔티티에 로컬적인 컴퓨팅 리소스(3170) 상에서 동작하는 인공 지능(1160')의 인스턴스에 의해 추가로 사용될 수 있다. 인공 지능 시스템, 데이터 세트, 및 밸류 체인 네트워크의 이러한 구성의 목표는 선택된 밸류 체인의 일부에서 문제 상태를 인식하는 것이다.
실시예에서, 문제 상태를 인식하는 것은, 특히 시간 경과에 따른 특정 척도에서, 밸류 체인 척도(예를 들어, 로딩, 레이턴시, 배달 시간, 비용 등)에서 발생하는 변동과 같은 변동 분석에 기초할 수 있다. 변동 임계값을 초과하는 변동(예를 들어, 생산, 배송, 통관 완료 등과 같은 밸류 체인 동작의 결과의 선택적 동적인 범위)은 고충점을 나타낼 수 있다.
문제 상태를 검출하는 것에 더하여, 플랫폼(102)은, 예컨대 반-지각적 문제 인식의 방법을 통해, 검출된 문제 상태와의 상관에 적어도 부분적으로 기초하여 고충점을 예측한다. 이러한 상관은 밸류 체인으로부터 도출될 수 있으며, 예컨대, 상품이 세관을 통해 처리될 때까지 배송자가 국제 상품을 배달할 수 없거나, 또는 고품질 필드 데이터 없이는 판매 예상이 높은 신뢰도로 제공될 수 없는 등이다. 실시예에서, 예측된 고충점은 공급 체인을 따라 추가로 밸류 체인 활동의 지점, 관련 활동에서 발생하는 활동(예를 들어, 세무 계획은 세법과 관련됨) 등일 수 있다. 예측된 고충점은 검출된 문제 상태의 양태 및 예측된 고충점 활동과 문제 상태 활동 사이의 상관에 기초하여 위험 값을 할당받을 수 있다. 생산 동작이 2명의 공급자로부터 재료를 수령할 수 있는 경우, 공급자 중 하나의 문제 상태는 낮은 위험의 재료 사용의 고충점을 나타낼 수 있다. 마찬가지로, 수요 관리 애플리케이션이 상품에 대한 높은 수요를 표시하고 해당 수요가 기반이 되는 정보에서 문제가 검출되는 경우, 예를 들어, 상품이 밸류 체인에서 얼마나 멀리까지 진행되었는지에 따라 과잉 재고(고충점)의 위험이 높을 수 있다.
실시예에서, 반-지각적 문제 인식은 밸류 체인에 관여된 엔티티의 데이터 및 동작 상태의 단순한 링크들보다 많은 것을 수반할 수 있다. 문제 인식은 또한 생산 감독자, 배송자 등의 인지된 스트레스와 같은 인적 인자에 기초할 수 있다. 반-지각적 문제 인식에서 사용하기 위한 인적 인자는 인간 스트레스 레벨 등의 검출을 용이하게 하는 센서(예를 들어, 웨어러블 생리학적 센서 등)로부터 수집될 수 있다.
실시예에서, 반-지각적 문제 인식은 또한 밸류 체인 운영에 수반되는 인간 간에 공유되거나, 이들과 함께 발신되거나, 또는 이들에 의해 수신될 수 있는 디지털 통신, 음성 메시징 등과 같은 구조화되지 않은 정보에 기초할 수 있다. 예로서, 기업 내의 작업자 사이의 이메일 통신의 자연어 처리는, 예를 들어, 밸류 체인에 대한 공급자에 대한 불편함의 정도를 나타낼 수 있다. 공급자와 연관된 데이터(예를 들어, 적시 생산, 품질 등)가 허용가능한 것으로 고려되는 변동 범위 내에 있을 수 있지만, 이 구조화되지 않은 콘텐츠 내의 정보는 공급자의 주요 참가자와의 개인적 문제 등과 같은 잠재적인 고충점을 나타낼 수 있다. 자연어 처리, 인공 지능, 및 선택적으로 기계 학습을 이용함으로써, 문제 상태 인식이 향상될 수 있다.
실시예에서, 반-지각적 문제 인식은 시간 경과에 따른 주어진 척도의 변동, 2개의 관련 척도의 변동 등을 포함하는 밸류 체인 운영/엔티티/애플리케이션의 척도의 변동의 분석에 기초할 수 있다. 실시예에서, 시간 경과에 따른 결과의 변동은 문제 상태를 표시하고/하거나 고충점을 제안할 수 있다. 실시예에서, 인공 지능 기반 시스템은 결과 변동의 허용가능한 범위를 결정하고 그 범위를 하나 이상의 유사성을 공유하는 엔티티와 같은 밸류 체인 네트워크 엔티티의 선택된 세트의 측정치에 적용하여, 문제 상태의 검출을 용이하게 할 수 있다. 실시예에서, 결과 변동의 허용가능한 범위는 문제 상태의 시그널링을 위해 인공 지능의 로컬 인스턴스에 의해 사용될 수 있는 문제 상태 트리거 임계값을 표시할 수 있다. 이러한 시나리오에서, 문제 상태는 밸류 체인 활동/엔티티 등의 적어도 하나의 척도가 인공 지능 결정 문제 상태 임계값보다 클 때 검출될 수 있다. 문제 상태 검출을 위한 변동 분석은 스케줄링된 밸류 체인 네트워크 엔티티 활동의 시작/종료 시간의 변동, 생산 시간, 생산 품질, 생산 속도, 생산 시작 시간, 생산 리소스 가용성 또는 이들의 동향 중 적어도 하나의 변동, 배송 공급 체인 엔티티의 측정의 변동, 하나의 수송 모드로부터 다른 수송 모드로의 이전을 위한 시간의 지속기간의 변동(예를 들어, 변동이 운송 모드 문제 상태 임계값보다 클 때), 품질 테스트의 변동 등을 검출하는 것을 포함할 수 있다.
실시예에서, 반-지각적 문제(semi-sentient problem) 인식 시스템은 초과 시간, 긴급 배송, 상품 가격 할인 등에 대한 위험 및/또는 필요성과 같은, 검출된 고충점으로 인한 공급 체인을 따른 추가로 상관된 고충점의 기계 학습/인공 지능 예측을 포함할 수 있다.
실시예에서, 기계 학습/인공 지능 시스템은, 늦은 배송, 손상된 컨테이너, 손상된 상품, 잘못된 상품, 통관 지연, 미납 듀티, 날씨 이벤트, 손상된 기반구조, 차단된 수로, 비호환 기반구조, 혼잡한 항구, 혼잡한 취급 기반구조, 혼잡한 도로, 혼잡한 유통 센터, 거부된 상품, 반환된 상품, 폐기물, 낭비된 에너지, 낭비된 노동력, 훈련되지 않은 노동력, 열악한 고객 서비스, 복귀 경로에서의 빈 운송 차량, 과도한 연료 가격, 과도한 관세 등으로 구성된 고충점의 리스트로부터 선택된 적어도 하나의 고충점을 검출하기 위해 밸류 체인 엔티티 및 활동의 세트와 관련된 데이터 소스의 세트로부터 수집된 결과, 파라미터, 및 데이터를 처리할 수 있다.
도 21을 참조하면, 상품 및/또는 서비스의 밸류 체인에 대한 관리 플랫폼과 같은 정보 기술 시스템의 관리 플랫폼은 기업의 제품의 세트에 대한 밸류 체인 네트워크 활동의 세트의 기능 요소 및 대표적인 상호연결 자동화된 조정의 블록도로서 도시된다. 관리 플랫폼은 기업(3204)에 대한 제품(3210)의 세트에 대한 밸류 체인 네트워크 활동(3212)의 자동화된 조정(3220)을 제공하기 위해 인공 지능 시스템(1160)에 의해 사용되는 활동 정보(3208)를 생성하는 네트워크 연결된 밸류 체인 네트워크 엔티티(3202)의 세트를 포함한다. 실시예에서, 밸류 체인 모니터링 시스템(614)은 네트워크 연결된 밸류 체인 엔티티(3202)의 세트의 활동을 모니터링하고 데이터 수집 및 관리 시스템(640)과 협력적으로 작업하여 활동 정보, 구성 정보 등과 같은 밸류 체인 엔티티 모니터링 정보를 수집 및 저장할 수 있다. 이 수집된 정보는 기업(3204)의 제품(3210)의 세트와 연관된 활동의 세트에 대한 활동 정보(3208)로서 구성될 수 있다. 실시예에서, 인공 지능 시스템(1160)은 모니터링된 활동 정보(3208)에 대한 액세스를 자동화하기 위해 애플리케이션 프로그래밍 연결 시설(642)을 사용할 수 있다.
밸류 체인은 밸류 체인을 완성하기 위한 여러 활동을 각각 수행하는 복수의 상호연결된 엔티티를 포함할 수 있다. 인간은 밸류 체인 네트워크 내의 일부 활동에서 중요한 역할을 하지만, 공급 체인 활동을 조정하기 위해 인공 지능-타입 시스템(예를 들어, 본 출원 및 본 출원에 참조로 포함된 문서에 설명된 이러한 시스템을 포함하는 기계 학습, 전문가 시스템, 자기-조직화 시스템 등)을 사용하여 공급 및 수요의 더 큰 자동화된 조정 및 통합된 오케스트레이션이 달성될 수 있다. 인공 지능의 사용은 최종 사용자에게 더 큰 능력을 제공할 뿐만 아니라 공급 체인 활동의 자동화된 조정에서 중요한 역할을 할 수 있는 IoT(Internet of Things) 디바이스 및 지능형 제품 등을 포함하는 자기 적응 시스템의 신흥 특성을 더 풍부하게 할 수 있다.
예를 들어, 주문 처리 센터(fulfillment center)(628)에 배치된 IoT 시스템은 제품(650)에 관한 고객 피드백을 취하는 지능형 제품(650)과 조정될 수 있고, 주문 처리 센터(628)를 위한 애플리케이션(630)은, 지능형 제품(650)에 의한 연결 경로를 통해 제품(650)의 문제에 관한 고객 피드백을 수신할 시에, 제품(650)이 주문 처리 센터(628)로부터 송출되기 전에 유사한 제품(650)에 대해 정정 액션을 수행하기 위한 작업흐름을 개시할 수 있다. 작업흐름은 제품(650)과의 문제를 분석하고, 제품을 생산하는 밸류 체인 네트워크 활동의 이해를 개발하고, 작업흐름에 요구되는 리소스를 결정하고, 임의의 기존 작업흐름을 적응시키기 위해 재고 및 생산 시스템과 조정하는 등을 수행하는 인공 지능 시스템(1160)에 의해 구성될 수 있다. 인공 지능 시스템(1160)은 제품 가용성 등에 대한 임의의 일시적인 영향을 해결하기 위해 수요 관리 애플리케이션과 추가로 조정할 수 있다.
실시예에서, 기업을 위한 제품의 세트에 대한 밸류 체인 네트워크 활동의 세트의 자동화된 조정은, 예컨대, 선택적으로 조정된 지능을 제공하고 활동을 조정하는 등을 위해, 수요 관리 활동, 공급 체인 활동 등을 조정하는 것을 용이하게 하도록 본 출원에 설명된 조정된 지능의 방법 및 시스템에 의존할 수 있다. 예로서, 인공 지능은 활동에 의해 사용되는 입력 및 활동에 의해 생성되는 결과에 기초하여 가치 변화 네트워크 활동 사이의 관계를 결정하는 것을 용이하게 할 수 있다. 인공 지능은 활동을 연속적으로 모니터링하고, 조정을 필요로 하는 시간적 양태를 식별하고(예를 들어, 공급의 변화가 수요 활동에 시간적으로 영향을 미칠 때), 그러한 조정을 자동화하기 위해 밸류 체인 네트워크 엔티티 활동과 같은 플랫폼의 활동과 통합되고/되거나 그와 협력하여 작업할 수 있다. 밸류 체인 네트워크 엔티티 활동 내의 그리고 그에 걸친 밸류 체인 네트워크 활동의 자동화된 조정은 엔티티, 애플리케이션, 또는 조건의 임의의 주어진 밸류 체인 세트에 대해 상이한 인공 지능 능력의 사용을 가능하게 할 수 있는 진보된 인공 지능 시스템으로부터 이익을 얻을 수 있다. 하이브리드 인공 지능 시스템의 사용은 인간 및/또는 컴퓨터 자동화된 선택을 용이하게 하기 위해 조건의 세트에 하나보다 많은 타입의 지능을 적용함으로써 이점을 제공할 수 있다. 인공 지능은 예측의 세트의 생성, 분류의 세트, (밸류 체인 네트워크 엔티티 등에 걸쳐 통신될 수 있는) 자동화된 제어 신호의 생성과 같은 지능형 동작을 통해 밸류 체인 네트워크 엔티티 활동의 자동화된 조정을 추가로 향상시킬 수 있다. 밸류 체인 네트워크 엔티티 활동의 자동화된 조정에 대한 다른 예시적인 인공 지능 기반 영향은 기계 학습 기반 정보 라우팅 및 그에 대한 추천, 구조화된(예를 들어, 생산 데이터) 및 구조화되지 않은(예를 들어, 인간 감정들) 소스 둘 모두에 기초한 반-지각적 문제 인식 등을 포함한다. 인공 지능 시스템은 기업의 제품의 세트가 그룹화될 수 있는 상품의 카테고리에 대해 플랫폼에 의해 제공되는 적응형 지능에 기초하여 제품의 세트 또는 기업에 대한 밸류 체인 네트워크 엔티티 활동의 자동화된 조정을 용이하게 할 수 있다. 예에서, 적응형 지능은 상품의 드레이퍼리 행잉 카테고리(drapery hanging category)에 대한 플랫폼에 의해 제공될 수 있고, 기업에 대한 제품의 세트는 적응가능한 드레이퍼리 행거의 라인을 포함할 수 있다. 전체 드레이퍼리 행잉 카테고리에 대해 개발된 이해를 통해, 활동 간의 정보 교환 등과 같은 밸류 체인의 양태를 자동화하기 위해 기업의 밸류 체인 네트워크 활동에 인공 지능 능력이 적용될 수 있다.
밸류 체인 엔티티 관리 플랫폼에서의 디지털 트윈 시스템(DIGITAL TWIN SYSTEM IN VALUE CHAIN ENTITY MANAGEMENT PLATFORM)
도 22를 참조하면, 적응형 지능 계층(614)은 밸류 체인 네트워크 디지털 트윈 시스템(1700)을 포함할 수 있으며, 이는 다양한 밸류 체인 엔티티(652), 환경, 및 애플리케이션(630)의 시각화를 위한, 뿐만 아니라 디지털 트윈(1700)으로 인에이블되거나 용이하게 되는 (인공 지능(1160), 에지 지능(1400), 분석 및 다른 능력을 포함하는) 조정된 지능 및 다른 부가 가치 서비스 및 능력을 위한 디지털 트윈 능력의 개발 및 배치를 위한 컴포넌트, 프로세스, 서비스, 인터페이스 및 다른 요소의 세트를 포함할 수 있다. 제한 없이, 디지털 트윈(1700)은 플랫폼 애플리케이션 계층의 애플리케이션의 세트(630) 각각에 의해 관리, 제어 또는 중재되는 프로세스 각각에 대해 사용 및/또는 적용될 수 있다.
실시예에서, 디지털 트윈(1700)은 밸류 체인 관리 플랫폼 계층(604) 내의 다수의 애플리케이션(630)의 존재를 이용할 수 있어서, 한 쌍의 애플리케이션이 밸류 체인 엔티티(652)와 관련하여 수집되는 데이터 소스(예컨대, 데이터 저장 계층(624)에서) 및 다른 입력(예컨대, 모니터링 계층(614)으로부터)을 공유할 수 있을 뿐만 아니라, 또한 인공 지능(1160)(다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 참조로 포함되는 문서에 설명되는 다른 시스템 중 임의의 것을 포함함)의 사용을 통한 것 그리고 모니터링 계층(614) 및 데이터 수집 시스템(640)에 의해 수집되는 콘텐츠의 사용을 통한 것을 비롯하여, 출력, 이벤트, 상태 정보 및 출력을 공유할 수 있으며, 이들은 디지털 트윈(1700)에서 콘텐츠를 풍부하게 하기 위한 훨씬 더 풍부한 환경을 총괄하여 제공할 수 있다.
실시예에서, 디지털 트윈(1700)은 애플리케이션 계층(604)의 애플리케이션(630)의 다양한 쌍 사이의 공유된 또는 수렴된 프로세스, 예컨대, 제한 없이, 보안 애플리케이션(834) 및 재고 관리 애플리케이션(820)을 수반하는 수렴된 프로세스, 시설 관리 애플리케이션(850)과 블록체인 기반 애플리케이션(844)의 통합된 자동화 등과 관련하여 사용될 수 있다. 실시예에서, 수렴된 프로세스는 디지털 트윈(1700)이 그에 따라 업데이트되도록 디지털 트윈(1700)과 연결될 수 있는 다수의 애플리케이션(630)(블록체인 상에서 동일한 트랜잭션을 추적하지만 블록체인에 유지되는 데이터 객체의 이용가능한 속성의 상이한 서브세트를 소비할 수 있는 것 또는 공통 지식 그래프에서 노드 및 링크의 세트를 사용하는 것을 포함함)에 대한 공유 데이터 구조를 포함할 수 있다. 예를 들어, 엔티티(652)의 소유권의 변경을 나타내는 트랜잭션이 블록체인에 저장될 수 있고, 예컨대, 디지털 트윈(1700)이 그에 따라 업데이트될 수 있도록 디지털 트윈(1700)에 연결되고 그와 공유될 수 있는 역할 기반 액세스 제어, 원격 제어를 위한 역할 기반 허가, 아이덴티티 기반 이벤트 보고 등을 가능하게 하기 위해서, 다수의 애플리케이션(630)에 의해 사용될 수 있다. 실시예에서, 수렴된 프로세스는 디지털 트윈(1700)이 그에 따라 업데이트될 수 있도록 디지털 트윈(1700)에 연결되고 그와 공유될 수 있는 애플리케이션(630)의 세트 중 하나 이상에 수반되는 더 큰 흐름의 서브세트를 포함하는, 애플리케이션(630)에 걸친 공유된 프로세스 흐름을 포함할 수 있다. 예를 들어, 밸류 체인 네트워크 엔티티(652)에 관한 검사 흐름은 분석 솔루션(838), 자산 관리 솔루션(814) 등을 서빙할 수 있다.
실시예에서, 디지털 트윈(1700)은 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 애플리케이션(630)에 대해 제공될 수 있다. 디지털 트윈(1700)의 개발을 위한 환경은 개발자가 데이터 저장 계층(624)의 선택된 데이터 소스로부터의 입력 및 모니터링 시스템 계층(614)으로부터의 이벤트 또는 다른 데이터를 취하고 디지털 트윈(1700)에 포함시키기 위해 이들을 공급하도록 인공 지능 시스템(1160)을 구성할 수 있는 개발자를 위한 인터페이스의 세트를 포함할 수 있다. 디지털 트윈(1700) 개발 환경은 다양한 애플리케이션(630)으로부터의 출력 및 결과를 취하도록 구성될 수 있다.
밸류 체인 네트워크 디지털 트윈(VALUE CHAIN NETWORK DIGITAL TWINS)
도 23을 참조하면, 본 개시 전반에 걸쳐 설명된 바와 같이, 밸류 체인 네트워크 엔티티(652), 애플리케이션(630), 또는 플랫폼(604)의 컴포넌트 또는 요소에 관하여, 예컨대, 이벤트 데이터(1034), 상태 데이터(1140), 또는 다른 데이터와 같은 밸류 체인 네트워크 데이터 객체(1004)로 디지털 트윈(1700)을 채움으로써, 밸류 체인 네트워크 엔티티(652) 중 임의의 것이 하나 이상의 디지털 트윈(1700)의 세트에 표시될 수 있다.
따라서, 플랫폼(604)은 특히 다음 중 임의의 것을 포함하거나, 통합하거나, 그와 통합되거나, 관리하거나, 제어하거나, 조정하거나, 또는 다른 방식으로 취급할 수 있다: 유통 트윈(1714)(예컨대, 유통 시설, 자산, 객체, 작업자 등을 나타냄)과 같은 매우 다양한 디지털 트윈(1700); 웨어하우징 트윈(1712)(예컨대, 웨어하우스 시설, 자산, 물건, 작업자 등을 나타냄); 항구 기반구조 트윈(1714)(예컨대, 항구, 공항, 또는 다른 시설, 뿐만 아니라 자산, 객체, 작업자 등을 나타냄); 배송 시설 트윈(1720); 운영 시설 트윈(1722); 고객 트윈(1730)(예컨대, 고객의 그룹 또는 개별 고객의 물리적, 거동적, 인구통계적, 심리학적, 재무적, 역사적, 친화성, 관심, 및 다른 특성을 나타냄); 작업자 트윈(1740)(예컨대, 물리적 속성, 생리학적 데이터, 상태 데이터, 심리학적 정보, 감정 상태, 피로/에너지의 상태, 주의 상태, 기술, 훈련, 역량, 역할, 권한, 책임, 근무 상태, 활동, 및 작업자의 또는 작업자를 수반하는 다른 속성을 나타냄); 웨어러블/휴대용 디바이스 트윈(1750); 프로세스 트윈(1760); 기계 트윈(1770)(예컨대, 밸류 체인 네트워크(668)를 지원하는 데 사용되는 다양한 기계에 대한 것); 제품 트윈(1780); 원산지 지점 트윈(1560); 공급자 트윈(1630); 공급 인자 트윈(1650); 해양 시설 트윈(1572); 플로팅 자산 트윈(1570); 쉽야드 트윈(1620); 목적지 트윈(1562); 주문 처리 트윈(1600); 배달 시스템 트윈(1610); 수요 인자 트윈(1640); 소매업자 트윈(1790); 전자상거래 및 온라인 사이트 및 운영자 트윈(1800); 수로 트윈(1810); 도로 트윈(1820); 철도 트윈(1830); 항공 시설 트윈(1840)(예컨대, 항공기, 활주로, 공항, 격납고, 웨어하우스, 항공 이동 경로, 재급유 시설 및 제품(650)의 항공 운송과 관련하여 사용되는 다른 자산, 객체, 작업자 등의 트윈); 자율 차량 트윈(1850); 로봇 공학 트윈(1860); 드론 트윈(1870); 및 물류 인자 트윈(1880); 등. 이들 각각은, 연관된 물리적 객체 또는 다른 엔티티의 상태의 변화를 미러링 또는 반영하는 것, 연관된 물리적 객체 또는 다른 엔티티의 거동 또는 상호작용을 모델링하기 위한 능력을 제공하는 것, 시뮬레이션을 가능하게 하는 것, 상태의 표시를 제공하는 것 등과 같은, 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 설명된 디지털 트윈의 특성을 가질 수 있다.
예시적인 실시예에서, 디지털 트윈 시스템은 밸류 체인(예를 들어, 구체적으로 밸류 체인 네트워크 엔티티(652))과 관련하여 다양한 기업 디지털 트윈(1700)을 생성하도록 구성될 수 있다. 예를 들어, 국제적으로(또는 다수의 시설에서) 상품을 생산하는 기업은 기업의 공급 체인을 표시하는 공급자 트윈, 다양한 생산 시설의 공장 트윈, 기업에 의해 만들어진 제품을 표현하는 제품 트윈, 기업의 유통 체인을 표현하는 유통 트윈, 및 다른 적합한 트윈과 같은 디지털 트윈(1700)의 세트를 구성할 수 있다. 그렇게 함에 있어서, 기업은 각각의 개별 디지털 트윈 각각의 구조 요소들 뿐만 아니라 디지털 트윈의 구조 요소에 대응하는 임의의 시스템 데이터를 정의할 수 있다. 예를 들어, 생산 시설 트윈을 생성함에 있어서, 기업은 시설의 레이아웃 및 공간적 정의 및 시설에서 수행되는 임의의 프로세스를 형성할 수 있다. 기업은 또한 시설에 관련된 데이터를 제공하는 센서 시스템, 스마트 제조 장비, 재고 시스템, 물류 시스템 등과 같은 밸류 체인 네트워크 엔티티(652)에 대응하는 데이터 소스를 정의할 수 있다. 기업은 데이터 소스를 생산 시설의 요소 및/또는 시설에서 발생하는 프로세스와 연관시킬 수 있다. 유사하게, 기업은 공급 체인 및 유통 체인의 구조적, 프로세스, 및 레이아웃 정의를 정의할 수 있고, 공급자 데이터베이스, 물류 플랫폼과 같은 관련 데이터 소스를 연결하여 각각의 유통 체인 및 공급 체인 트윈을 생성할 수 있다. 기업은 이러한 디지털 트윈을 밸류 체인의 뷰를 갖도록 추가로 연관시킬 수 있다. 실시예에서, 디지털 트윈 시스템은 기업의 다양한 밸류 체인 네트워크 엔티티(652)로부터 획득된 실시간 데이터를 통합하는 기업의 밸류 체인의 시뮬레이션을 수행할 수 있다. 이러한 실시예 중 일부에서, 디지털 트윈 시스템은, 제조된 제품에 대한 예측된 수요가 주어지면 특정 제품을 제조하기 위한 특정 부품을 언제 주문할지, 기계에 대한 유지보수를 언제 스케줄링할지 및/또는 기계를 대체할지(예를 들어, 디지털 트윈에 대한 디지털 시뮬레이션이 특정 제품에 대한 수요가 가장 적을 수 있음을 표시할 때 또는 그것이 기업의 손익 계산서에 가장 적은 영향을 미칠 때), 아이템을 배송할 하루 중의 시간 등과 같은 결정을 기업 디지털 트윈(1700)과 상호작용하는 사용자에게 추천할 수 있다. 전술한 예는 디지털 트윈이 하나 이상의 목표를 추가하기 위해 시스템 데이터를 수집하고 시뮬레이션을 수행할 수 있는 방식의 비제한적인 예이다.
엔티티 발견 및 상호작용 관리(ENTITY DISCOVERY AND INTERACTION MANAGEMENT)
도 24를 참조하면, 다양한 데이터 수집 시스템(640)(예컨대, IoT 데이터 수집 시스템, 소셜 네트워크, 웹사이트, 및 다른 온라인 리소스를 검색하는 데이터 수집 시스템, 크라우드소싱 시스템 등)을 포함하는 모니터링 시스템 계층(614)은, 밸류 체인 네트워크 엔티티(652)의 세트를 식별하기 위한 것, 밸류 체인 네트워크 엔티티(652)의 타입을 식별하기 위한 것, 특정 밸류 체인 네트워크 엔티티(652) 등을 식별하기 위한 것 뿐만 아니라, 또한 모호성을 해결하기 위한 것(예컨대, 단일 엔티티가 상이한 시스템에서 상이하게 식별되는 경우, 상이한 엔티티가 유사하게 식별되는 경우 등), 엔티티 아이덴티티 중복 제거를 위한 것, 엔티티 아이덴티티 분석을 위한 것, 엔티티 아이덴티티 향상을 위한 것(예컨대, 플랫폼 내의 엔티티에 관해 수집되는 추가적인 데이터로 데이터 객체를 풍부하게 함으로써) 등을 비롯하여, 밸류 체인 네트워크 엔티티(652)의 아이덴티티를 관리하기 위한 것과 같은, 엔티티 발견 시스템(1900)의 세트를 포함할 수 있다. 엔티티 발견(1900)은 또한 엔티티가 어떻게 연결되는지(예를 들어, 어떤 네트워크 연결, 데이터 통합 시스템, 및/또는 인터페이스에 의해), 엔티티 사이에 어떤 데이터가 교환되는지(어떤 타입의 데이터 객체가 교환되는지, 어떤 공통 작업흐름이 엔티티를 수반하는지, 어떤 입력 및 출력이 엔티티 사이에서 교환되는지 등을 포함함), 어떤 규칙 또는 정책이 엔티티를 관장하는지 등과 같은, 엔티티 사이의 상호작용의 발견을 포함할 수 있다. 플랫폼(604)은 엔티티가 인간 감독자에 의해 또는 다른 시스템에 의해 어떻게 관리되었는지에 기초하여 엔티티 사이의 상호작용을 관리하기 위해 훈련 데이터 세트에 기초하여 학습하는 것을 비롯하여, 엔티티 발견(1900)을 통해 발견되는 엔티티 사이의 상호작용의 세트를 관리하기 위한 하나 이상의 인공 지능 시스템(본 개시 전반에 걸쳐 설명된 타입 중 임의의 것을 포함함)을 포함할 수 있는 엔티티 상호작용 관리 시스템(1902)의 세트를 포함할 수 있다.
많은 가능한 것 중 예시적인 예로서, 엔티티 발견 시스템(1900)은 기업을 위한 제품을 생산하는 시설의 로딩 도크를 보여주는 네트워크 연결 카메라를 발견하는 것은 물론, 카메라로부터의 비디오 콘텐츠 공급에 액세스하기 위해 어떤 인터페이스 또는 프로토콜이 필요한지를 식별하는 데 사용될 수 있다. 엔티티 상호작용 관리 시스템(1902)은 이어서 공급에 대한 액세스를 설정하고 추가 처리를 위해 다른 시스템에 공급을 제공하기 위해, 예컨대 인공 지능 시스템(1160)이 공급을 처리하여 기업의 활동과 관련된 콘텐츠를 발견하게 하기 위해 인터페이스 또는 프로토콜과 상호작용하는 데 사용될 수 있다. 예를 들어, 인공 지능 시스템(1160)은 제품이 로딩 도크를 통해 이동했다는 것을 나타낼 수 있는 마킹(예컨대, 라벨, SKU, 이미지, 로고 등을 생성함), 형상(예컨대, 특정 크기 또는 형상의 패키지들), 활동(예컨대, 로딩 또는 언로딩 활동들) 등을 찾기 위해 비디오 공급의 이미지 프레임을 처리할 수 있다. 이 정보는 RFID 추적 정보 등과 같은 다른 정보를 대체하거나, 증강하거나, 검증하는 데 사용될 수 있다. 유사한 발견 및 상호작용 관리 활동이 본 개시 전반에 걸쳐 설명된 밸류 체인 네트워크 엔티티(652)의 타입 중 임의의 것에서 수행될 수 있다.
밸류 체인 네트워크에서의 로봇 프로세스 자동화(ROBOTIC PROCESS AUTOMATION IN VALUE CHAIN NETWORK)
도 25를 참조하면, 적응형 지능 계층(614)은 다양한 밸류 체인 엔티티(652), 환경, 및 애플리케이션(630)에 대한 자동화 능력의 개발 및 배치를 위한 컴포넌트, 프로세스, 서비스, 인터페이스 및 다른 요소의 세트를 포함할 수 있는 로봇 프로세스 자동화(RPA) 시스템(1442)을 포함할 수 있다. 제한 없이, 로봇 프로세스 자동화(1442)는 플랫폼 애플리케이션 계층의 애플리케이션(630)의 세트 각각에 의해 관리, 제어, 또는 중재되는 프로세스 각각에, 기능, 컴포넌트, 작업흐름, VCNP(604) 자체의 프로세스에, 밸류 체인 네트워크 엔티티(652)를 수반하는 프로세스 및 다른 프로세스에 적용될 수 있다.
실시예에서, 로봇 프로세스 자동화(1442)는 밸류 체인 관리 플랫폼 계층(604) 내의 다수의 애플리케이션(630)의 존재를 이용할 수 있으며, 따라서, 한 쌍의 애플리케이션이 밸류 체인 엔티티(652)와 관련하여 수집되는 데이터 소스(예컨대, 데이터 저장 계층(624)에서의) 및 다른 입력(예컨대, 모니터링 계층(614)으로부터)을 공유할 수 있을 뿐만 아니라, 또한 (본 개시 전반에 걸쳐 그리고 참조로 포함된 문서에 설명된 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 다른 시스템 중 임의의 것을 포함하는) 인공 지능(1160)의 사용을 통한 것을 비롯하여, 출력, 이벤트, 상태 정보 및 출력을 공유할 수 있으며, 이들은 프로세스 자동화를 위한 훨씬 더 풍부한 환경을 총괄하여 제공할 수 있다. 예를 들어, 자산 관리 애플리케이션(814)은(예컨대, 엔티티(652)의 이미지를 디스플레이하는 카메라 등으로부터의 비디오 또는 스틸 이미지(still image)를 사용하여 시각적 검사를 수반하는 프로세스를 자동화함으로써) 인간에 의해 정상적으로 수행되거나 감독되는 자산 검사 프로세스의 자동화를 위해 로봇 프로세스 자동화(1442)를 사용할 수 있으며, 예컨대 여기서 로봇 프로세스 자동화(1442) 시스템은 시설 또는 다른 자산의 가능한 결함 또는 유리한 특성을 식별, 진단, 측정, 파라미터화, 또는 다른 방식으로 특성화하는 데 사용되는 인터페이스와 인간 검사자 또는 감독자의 세트의 상호작용을 관찰함으로써 검사를 자동화하도록 훈련된다. 실시예에서, 인간 검사자 또는 감독자의 상호작용은 라벨 또는 태그가 결함의 타입, 유리한 특성, 또는 다른 특성을 표시하는 라벨링된 데이터 세트를 포함할 수 있으며, 따라서, 기계 학습 시스템은 동일한 특성을 식별하기 위해 훈련 데이터 세트를 사용하여 학습할 수 있고, 이는 차례로 결함 또는 유리한 특성이 비디오 또는 스틸 이미지의 세트에서 자동으로 분류되고 검출되도록 검사 프로세스를 자동화하는 데 사용될 수 있고, 이는 차례로 밸류 체인 네트워크 자산 관리 애플리케이션(814) 내에서 추가 검사를 요구하는 것, 거부되어야 하는 것, 장래의 구매자에게 공개되어야 하는 것, 교정되어야 하는 것 등을 아이템 플래깅하기 위해 사용될 수 있다. 실시예에서, 로봇 프로세스 자동화(1442)는 입력, 데이터 구조, 데이터 소스, 이벤트, 상태, 출력 또는 결과의 다중-애플리케이션 또는 크로스-애플리케이션 공유를 수반할 수 있다. 예를 들어, 자산 관리 애플리케이션(814)은 자산에 대한 공급 체인에서의 특정 벤더로부터의 아이템의 현재 특성에 관한 정보와 같은, 자산 관리 애플리케이션(814)의 로봇 프로세스 자동화(1442)를 풍부하게 할 수 있는 시장 애플리케이션(854)으로부터의 정보를 수신할 수 있으며, 이는 검사 프로세스, 협상 프로세스, 배달 프로세스 등을 용이하게 하기 위한 목표를 위해 자산에 관한 특성을 채우는 것을 도울 수 있다. 애플리케이션(630)에 걸친 로봇 프로세스 자동화(1442)를 위한 다중-애플리케이션 또는 크로스-애플리케이션 공유의 이들 및 많은 다른 예가 본 개시에 포함된다. 로봇 프로세스 자동화(1442)는 VCNP(604)의 다양한 기능과 함께 사용될 수 있다. 예를 들어, 일부 실시예에서, 로봇 프로세스 자동화(1442)는 적어도 크게는 인간에 의해 관장되었던 태스크를 동작시키고 자동화하도록 로봇을 훈련시키는 것으로서 설명될 수 있다. 이러한 태스크 중 하나는 다른 로봇을 훈련시킬 수 있는 로봇을 훈련시키는 데 사용될 수 있다. 로봇 프로세스 자동화(1442)는 훈련 세트에 대한 상호작용을 모방하도록 (예를 들어, 기계 학습을 통해) 훈련될 수 있고, 다음으로 이러한 훈련된 로봇 프로세스 자동화(1442)(예를 들어, 훈련된 에이전트 또는 훈련된 로봇 프로세스 자동화 시스템)가 사람에 의해 이전에 수행되던 이러한 태스크를 실행하게 할 수 있다. 예를 들어, 로봇 프로세스 자동화(1442)는 소프트웨어 상호작용 관찰 시스템(1500)에 의해 로그 및/또는 추적되는 것, 고객(714)에 의한 제품의 구매 등과 같은 소프트웨어 상호작용 관찰(예컨대, 마우스 이동, 마우스 클릭, 커서 이동, 내비게이션 액션, 메뉴 선택, 키보드 타이핑 등)을 제공할 수 있는 소프트웨어를 이용할 수 있다. 이는 사용자의 마우스 클릭, 마우스 이동, 및/또는 키보드 타이핑을 모니터링하여 동일한 클릭 및/또는 타이핑을 수행하도록 학습하는 것을 포함할 수 있다. 다른 예에서, 로봇 프로세스 자동화(1442)는 동일한 물리적 상호작용을 순서화하거나 수행하도록 로봇 시스템을 훈련시키기 위해 로봇 및 다른 시스템과의 물리적 상호작용을 학습하기 위해 소프트웨어를 이용할 수 있다. 예를 들어, 로봇은 로봇이 이 태스크를 수행하는 누군가의 비디오를 관찰하게 함으로써 베어링의 세트를 재구축하도록 훈련될 수 있다. 이는 물리적 상호작용을 추적하는 것 및 소프트웨어 레벨에서 상호작용을 추적하는 것을 포함할 수 있다. 로봇 프로세스 자동화(1442)는 VCNP(604)가 인간 능력의 성능을 복제하는 데 사용될 수 있는 신경망의 조합을 미리 구성하도록 배치되어 있는 기본 역량이 무엇인지를 이해할 수 있다.
실시예에서, 로봇 프로세스 자동화는, 제한 없이, 보안 애플리케이션(834) 및 재고 애플리케이션(820)을 수반하는 수렴된 프로세스, 벤더 관리 애플리케이션(832)과의 블록체인 기반 애플리케이션(844)의 통합된 자동화 등과 같은, 애플리케이션 계층(604)의 애플리케이션(630)의 다양한 쌍 사이의 공유된 또는 수렴된 프로세스에 적용될 수 있다. 실시예에서, 수렴된 프로세스는 다수의 애플리케이션(630)에 대한 공유 데이터 구조(블록체인 상에서 동일한 트랜잭션을 추적하지만 블록체인에서 유지되는 데이터 객체의 이용가능한 속성의 상이한 서브세트를 소비할 수 있는 것 또는 공통 지식 그래프에서 노드 및 링크의 세트를 사용하는 것을 포함함)를 포함할 수 있다. 예를 들어, 엔티티(652)의 소유권의 변경을 표시하는 트랜잭션은 예컨대, 역할 기반 액세스 제어, 원격 제어를 위한 역할 기반 허가, 아이덴티티 기반 이벤트 보고 등을 가능하게 하기 위해, 블록체인에 저장되고 다수의 애플리케이션(630)에 의해 사용될 수 있다. 실시예에서, 수렴된 프로세스는 애플리케이션(630)의 세트 중 하나 이상에 수반되는 더 큰 흐름의 서브세트를 포함하는, 애플리케이션(630)에 걸친 공유된 프로세스 흐름을 포함할 수 있다. 예를 들어, 엔티티(652)에 관한 위험 관리 또는 검사 흐름은, 특히, 재고 관리 애플리케이션(832), 자산 관리 애플리케이션(814), 수요 관리 애플리케이션(824), 및 공급 체인 애플리케이션(812)을 서빙할 수 있다.
실시예에서, 로봇 프로세스 자동화(1442)는 모든 애플리케이션(630)을 제한 없이 포함하는, 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 프로세스에 대해 제공될 수 있다. 밸류 체인 네트워크에 대한 로봇 프로세스 자동화의 개발을 위한 환경은 개발자를 위한 인터페이스의 세트를 포함할 수 있으며, 여기서 개발자는 VCN 데이터 저장 계층(624)의 선택된 데이터 소스 및 이벤트 데이터(1034), 상태 데이터(1140) 또는 다른 밸류 체인 네트워크 데이터 객체(1004)로부터의 입력을 모니터링 시스템 계층(614)으로부터 취하고 이들을 분류 또는 예측을 위한 입력으로서, 또는 플랫폼(102), 밸류 체인 네트워크 엔티티(652), 애플리케이션(630) 등에 관련된 결과로서, 예컨대 신경망에 공급하도록 인공 지능 시스템(1160)을 구성할 수 있다. RPA 개발 환경(1442)은 자동화되도록 의도된 프로세스의 단계에 수반되는 분류, 예측 등의 자동화된 학습 및 개선을 다시 용이하게 하기 위해 다양한 애플리케이션(630)으로부터 출력 및 결과(1040)를 취하도록 구성될 수 있다. 실시예에서, 개발 환경, 및 결과적인 로봇 프로세스 자동화(1442)는 (예를 들어, 밸류 체인 네트워크 엔티티(652)를 수반하는 애플리케이션(630)의 다양한 소프트웨어 인터페이스와 상호작용하는 작업자에 의한) 소프트웨어 프로그램 상호작용 관찰(1500) 및 (예를 들어, 밸류 체인 네트워크(668)에서 기계, 장비, 툴 등과 상호작용하거나 이들을 사용하는 작업자를 관찰하는 것에 의한) 물리적 프로세스 상호작용 관찰(1510) 둘 모두의 조합을 모니터링하는 것을 수반할 수 있다. 실시예에서, 소프트웨어 상호작용(1500)의 관찰은, 하나의 애플리케이션(630)이 API를 통해 다른 애플리케이션(630)과 어떻게 상호작용하는지와 같은, 다른 소프트웨어 컴포넌트와의 소프트웨어 컴포넌트 사이의 상호작용을 포함할 수 있다. 실시예에서, 물리적 프로세스 상호작용(1510)의 관찰은 인간 작업자가 밸류 체인 엔티티(652)와 상호작용하는 방법(예컨대, 작업자의 위치(주어진 이벤트의 세트, 프로세스 등 동안 주어진 타입의 작업자가 위치되는 위치를 통해 취해진 경로를 포함함), 작업자가 다양한 툴, 장비, 및 물리적 인터페이스를 사용하여 장비 피스, 화물, 컨테이너, 패키지, 제품(650) 또는 다른 아이템을 조작하는 방법, 다양한 이벤트(예컨대, 경보 및 경고에 대한 응답들)에 대한 작업자 응답의 타이밍, 작업자가 스케줄링된 전달, 이동, 유지보수, 업데이트, 수리 및 서비스 프로세스를 수행하는 절차; 작업자가 작업흐름에 수반되는 아이템을 튜닝 또는 조정하는 절차 등)의 관찰(예컨대, 비디오 카메라, 모션 검출기, 또는 다른 센서에 의한 것 뿐만 아니라, 로봇 하드웨어와 같은 하드웨어의 위치, 이동 등의 검출)을 포함할 수 있다. 물리적 프로세스 관찰(1510)은 작업자가 컨테이너 또는 패키지 상에서와 같은 하드웨어 상에서, 또는 툴로 제품을 취급하는 데 수반되는, 장비 피스에 대해 동작할 때 작업자의 위치, 각도, 힘, 속도, 가속도, 압력, 토크 등을 추적하는 것을 포함할 수 있다. 이러한 관찰은 비디오 데이터, (위치 검출기에 의해 검출되고 보고된 기계의 요소의 위치와 같은) 기계 내에서 검출된 데이터, (훈련 데이터 세트를 개발할 목적으로 하드웨어 아이템과 인간 작업자의 상호작용의 물리적 특성을 검출하도록 구성되는 위치 검출기, 힘 검출기, 토크 검출기 등을 포함하는 외골격과 같은) 웨어러블 디바이스에 의해 수집된 데이터의 임의의 조합에 의해 획득될 수 있다. 소프트웨어 상호작용 관찰(1500) 및 물리적 프로세스 상호작용 관찰(1510) 둘 모두를 수집함으로써, RPA 시스템(1442)은, 예컨대, 물리적 로봇과 조합하여 소프트웨어 자동화를 사용함으로써, 밸류 체인 엔티티(652)를 수반하는 프로세스를 더 포괄적으로 자동화할 수 있다.
실시예에서, 로봇 프로세스 자동화(1442)는 인간에 의해 통상적으로 수행되는 태스크를 수행하는 것을 용이하게 하는 하드웨어 요소를 갖는 물리적 로봇의 세트를 훈련시키도록 구성된다. 이들은 보행하는(패키지를 배달하기 위해 계단을 오르내리는 것을 포함함), 등반하는(제품(650)이 저장되는 매대에 도달하기 위해 웨어하우스 내의 사다리를 등반하는 것과 같은), 시설 주위로 이동하는, 아이템에 부착하는, (예컨대, 로봇 팔, 손, 핀서(pincer) 등을 사용하여) 아이템을 파지하는, 아이템을 들어올리는, 아이템을 운반하는, 아이템을 제거하고 대체하는, 툴을 사용하는 등을 수행하는 로봇을 포함할 수 있다.
밸류 체인 관리 플랫폼 - 수요 관리 및 공급 체인을 위한 통합 로봇 프로세스 자동화(VALUE CHAIN MANAGEMENT PLATFORM - UNIFIED ROBOTIC PROCESS AUTOMATION FOR DEMAND MANAGEMENT AND SUPPLY CHAIN)
실시예에서, 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 본 출원에 제공되며, 이는 마이크로-서비스 아키텍처, 인터페이스의 세트(702), 네트워크 연결 시설의 세트(642), 적응형 지능 시설(614), 데이터 저장 시설(624), 데이터 수집 시스템(640), 및 밸류 체인 네트워크 엔티티의 세트(652)의 모니터링 및 관리를 위해 조정되는 모니터링 시설(614)을 갖는 클라우드 기반 관리 VCNP(604); 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및 상품의 카테고리를 위한 수요 관리 애플리케이션, 공급 체인 애플리케이션, 지능형 제품 애플리케이션 및 기업 리소스 관리 애플리케이션을 포함하는 다양한 애플리케이션(630) 사이의 조정된 자동화를 제공하는 로봇 프로세스 자동화 시스템(1442)의 통합된 세트를 포함할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트 중에서 적어도 2개의 타입의 애플리케이션 사이에 조정된 자동화를 제공하는 로봇 프로세스 자동화 시스템의 통합된 세트를 포함한다.
밸류 체인 관리 플랫폼 - 밸류 체인 네트워크를 위한 마이크로서비스 아키텍처에서의 로봇 프로세스 자동화 서비스(VALUE CHAIN MANAGEMENT PLATFORM - ROBOTIC PROCESS AUTOMATION SERVICES IN MICROSERVICES ARCHITECTURE FOR VALUE CHAIN NETWORK)
실시예에서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티(652)의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스(702)의 세트, 네트워크 연결 시설(642)의 세트, 적응형 지능 시설(614), 데이터 저장 시설(624), 데이터 수집 시스템(640), 및 모니터링 시설(614)을 갖는 클라우드 기반 관리 VCNP(102); 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 적어도 하나의 공급 체인 애플리케이션 및 적어도 하나의 수요 관리 애플리케이션을 지원하는 애플리케이션 계층을 포함하는 마이크로서비스 계층의 세트를 포함할 수 있고, 마이크로서비스 계층은 애플리케이션(630)의 적어도 서브세트에 대한 액션의 세트를 자동화하기 위해 데이터 수집 계층(640)에 의해 수집된 정보 및 애플리케이션 계층(630)의 애플리케이션을 수반하는 결과 및 활동(1040)의 세트를 사용하는 로봇 프로세스 자동화 계층(1442)을 포함한다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 적어도 하나의 공급 체인 애플리케이션 및 적어도 하나의 수요 관리 애플리케이션을 지원하는 애플리케이션 계층을 포함하는 마이크로서비스 계층의 세트를 포함할 수 있고, 마이크로서비스 계층은 애플리케이션의 적어도 서브세트에 대한 액션의 세트를 자동화하기 위해 데이터 수집 계층에 의해 수집된 정보 및 애플리케이션 계층의 애플리케이션을 수반하는 결과 및 활동의 세트를 사용하는 로봇 프로세스 자동화 계층을 포함한다.
밸류 체인 관리 플랫폼 - 밸류 체인 네트워크 프로세스를 위한 로봇 프로세스 자동화(VALUE CHAIN MANAGEMENT PLATFORM - ROBOTIC PROCESS AUTOMATION FOR VALUE CHAIN NETWORK PROCESSES)
실시예에서, 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 본 출원에 제공되고, 이는 마이크로-서비스 아키텍처, 인터페이스의 세트(702), 네트워크 연결 시설의 세트(642), 적응형 지능 시설(614), 데이터 저장 시설(624), 데이터 수집 시스템(640), 및 밸류 체인 네트워크 엔티티의 세트(652)의 모니터링 및 관리를 위해 조정되는 모니터링 시설(614)을 갖는 클라우드 기반 관리 VCNP(102); 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 밸류 체인 네트워크에서 프로세스의 세트를 자동화하기 위한 로봇 프로세스 자동화 시스템(1442)의 세트를 포함할 수 있으며, 로봇 프로세스 자동화 시스템(1442)은 밸류 체인 네트워크 엔티티(652)를 모니터링하고 관리하기 위해 사용되는 소프트웨어 시스템의 세트의 인터페이스(702)의 세트와의 사용자 상호작용의 세트를 수반하는 훈련 데이터 세트에 대해, 뿐만 아니라 VCNP(102)와 함께 또는 그 내에서 발생할 수 있는 다양한 프로세스 및 애플리케이션 출력 및 결과(1040)로부터 학습한다.
실시예에서, 밸류 체인 네트워크 엔티티(652)는, 예를 들어, 제품, 공급자, 생산자, 제조자, 소매업자, 사업자, 소유자, 운영자, 운영 시설, 고객, 소비자, 작업자, 모바일 디바이스, 웨어러블 디바이스, 유통업자, 재판매업자, 공급 체인 기반구조 시설, 공급 체인 프로세스, 물류 프로세스, 역물류 프로세스, 수요 예측 프로세스, 수요 관리 프로세스, 수요 집계 프로세스, 기계, 선박, 바지선, 웨어하우스, 해양 항구, 공항, 항로, 수로, 도로, 철도, 교량, 터널, 온라인 소매업자, 전자상거래 사이트, 수요 인자, 공급 인자, 배달 시스템, 플로팅 자산, 원산지 지점, 목적지 지점, 저장 지점, 사용 지점, 네트워크, 정보 기술 시스템, 소프트웨어 플랫폼, 유통 센터, 주문 처리 센터, 컨테이너, 컨테이너 취급 시설, 세관, 수출 제어, 경계 제어, 드론, 로봇, 자율 차량, 운반 시설, 드론들/로봇들/AV, 수로, 항구 기반구조 시설 등을 포함할 수 있다.
실시예에서, 로봇 프로세스 자동화 계층은, 예를 들어, 제한 없이, 주문에 대한 제품의 수량의 선택, 배송을 위한 캐리어의 선택, 컴포넌트에 대한 벤더의 선택, 완제품 주문에 대한 벤더의 선택, 마케팅을 위한 제품의 변형의 선택, 매대에 상품의 종류별 분류(assortment)의 선택, 완제품에 대한 가격의 결정, 제품과 관련된 서비스 제안의 구성, 제품 번들의 구성, 제품 키트의 구성, 제품 패키지의 구성, 제품 디스플레이의 구성, 제품 이미지의 구성, 제품 설명의 구성, 제품과 관련된 웹사이트 내비게이션 경로의 구성, 제품에 대한 재고 레벨의 결정, 물류 타입의 선택, 제품 배달을 위한 스케줄의 구성, 물류 스케줄의 구성, 기계 학습을 위한 입력의 세트의 구성, 제품 문서의 준비, 제품에 관한 의무 공개의 준비, 로컬 요건의 세트에 대한 제품의 구성, 호환성을 위한 제품의 세트의 구성, 제안에 대한 요청의 구성, 웨어하우스에 대한 장비의 주문, 주문 처리 센터에 대한 장비의 주문, 이미지에서의 제품 결함의 분류, 이미지에서의 제품의 검사, 센서의 세트로부터의 제품 품질 데이터의 검사, 제품에 대한 온보드 진단의 세트로부터의 데이터의 검사, 사물 인터넷 시스템으로부터의 진단 데이터의 검사, 공급 체인 환경의 세트에서의 환경 센서로부터의 센서 데이터의 검토, 디지털 트윈에 대한 입력의 선택, 디지털 트윈으로부터의 출력의 선택, 디지털 트윈에서의 프레젠테이션을 위한 시각적 요소의 선택, 공급 체인에서의 지연 소스의 진단, 공급 체인에서의 희소성 소스의 진단, 공급 체인에서의 혼잡 소스의 진단, 공급 체인에서의 비용 초과(cost overrun)의 소스의 진단, 공급 체인에서의 제품 결함의 소스의 진단, 공급 체인 기반구조에서의 유지보수 요건의 예측, 등을 포함할 수 있는 프로세스를 자동화한다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되고, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 밸류 체인 네트워크에서 프로세스의 세트를 자동화하기 위한 로봇 프로세스 자동화 시스템의 세트를 포함할 수 있고, 로봇 프로세스 자동화 시스템은 밸류 체인 네트워크 엔티티를 모니터링하고 관리하는 데 사용되는 소프트웨어 시스템의 세트의 인터페이스의 세트와의 사용자 상호작용의 세트를 수반하는 훈련 데이터 세트에 기초하여 학습한다.
실시예에서, 본 출원에 개시된 실시예 중 임의의 것에서 설명된 바와 같은 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 다음을 수반할 수 있다. 실시예에서, RPA는 주문에 대한 제품의 수량의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 배송물에 대한 캐리어의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 컴포넌트에 대한 벤더의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 완제품 주문에 대한 벤더의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 마케팅을 위한 제품의 변형의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 매대에 상품의 종류별 분류(assortment)의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 완제품에 대한 가격의 결정을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품과 관련된 서비스 제안의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품 번들의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품 키트의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품 패키지의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품 디스플레이의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품 이미지의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품 설명의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품과 관련된 웹사이트 내비게이션 경로의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품에 대한 재고 레벨의 결정을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 물류 타입의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품 배달을 위한 스케줄의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 물류 스케줄의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 기계 학습을 위한 입력의 세트의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품 문서화의 준비를 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품에 관한 의무 공개의 준비를 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 로컬 요건의 세트에 대한 제품의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 호환성을 위한 제품의 세트의 구성을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제안에 대한 요청의 구성을 수반한다.
실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 웨어하우스를 위한 장비의 주문을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 주문 처리 센터를 위한 장비의 주문을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 이미지에서의 제품 결함의 분류를 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 이미지에서의 제품의 검사를 수반한다.
실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 센서의 세트로부터의 제품 품질 데이터의 검사를 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 제품에 대한 온보드 진단의 세트로부터의 데이터의 검사를 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 사물 인터넷 시스템으로부터의 진단 데이터의 검사를 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 공급 체인 환경의 세트 내의 환경 센서로부터의 센서 데이터의 검토를 수반한다.
실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 디지털 트윈에 대한 입력의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 디지털 트윈으로부터의 출력의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 디지털 트윈에서의 프레젠테이션을 위한 시각적 요소의 선택을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 공급 체인에서의 지연의 소스의 진단을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 공급 체인에서의 희소성의 소스의 진단을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 공급 체인에서의 혼잡 소스의 진단을 수반한다.
실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 공급 체인에서의 비용 초과의 소스의 진단을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 공급 체인에서의 제품 결함의 소스의 진단을 수반한다. 실시예에서, 로봇 프로세스 자동화에 의해 자동화된 프로세스 중 하나는 공급 체인 기반구조에서의 유지보수 요건의 예측을 수반한다.
실시예에서, 수요 관리 애플리케이션, 공급 체인 애플리케이션, 지능형 제품 애플리케이션 및 기업 리소스 관리 애플리케이션의 세트는, 예를 들어, 공급 체인, 자산 관리, 위험 관리, 재고 관리, 수요 관리, 수요 예측, 수요 집계, 가격, 위치설정, 배치, 프로모션, 블록체인, 스마트 계약, 기반구조 관리, 시설 관리, 분석, 재무, 거래, 세금, 규제, 아이덴티티 관리, 상거래, 전자상거래, 지불, 보안, 안전, 벤더 관리, 프로세스 관리, 호환성 테스트, 호환성 관리, 기반구조 테스트, 사건 관리, 예측 유지보수, 물류, 모니터링, 원격 제어, 자동화, 자기-구성, 자기-치유, 자기-조직화, 물류, 역물류, 폐기물 감소, 증강 현실, 가상 현실, 혼합 현실, 수요 고객 프로파일링, 엔티티 프로파일링, 기업 프로파일링, 작업자 프로파일링, 노동력 프로파일링, 컴포넌트 공급 정책 관리, 제품 설계, 제품 구성, 제품 업데이트, 제품 유지보수, 제품 지원, 제품 테스트, 웨어하우징, 유통, 주문 처리, 키트 구성, 키트 배치, 키트 지원, 키트 업데이트, 키트 유지보수, 키트 수정, 키트 관리, 배송 플릿 관리, 차량 플릿 관리, 노동력 관리, 해양 플릿 관리, 내비게이션, 라우팅, 배송 관리, 기회 매칭, 검색, 광고, 엔티티 발견, 엔티티 검색, 유통, 전달, 기업 리소스 계획 등을 수반하는 것을 포함할 수 있다.
적응형 지능의 자동화된 개선을 위한 기회 마이너의 도입(Introduction of Opportunity Miners for Automated Improvement of Adaptive Intelligence)
도 26을 참조하면, 예컨대, VCNP(102)의 또는 VCNP(102)와 상호작용하는 시스템, 서브시스템, 컴포넌트, 애플리케이션 등 중 하나 이상에 대한 인공 지능(1160), 자동화(로봇 프로세스 자동화(1442)를 포함함) 등의 추가를 통해서, 플랫폼(604)의 요소 중 하나 이상을 개선할 기회를 찾고 추천하도록 구성될 수 있는 기회 마이너(1460)의 세트가 적응형 지능 계층(614)의 일부로서 제공될 수 있다. 실시예에서, 기회 마이너(1460)는 더 나은 솔루션에 대한 기회를 찾고 밸류 체인 네트워크(668)에서 기존 솔루션을 최적화하기 위해 AI 또는 RPA 솔루션의 개발자에 의해 구성되거나 사용될 수 있다. 실시예에서, 기회 마이너(1460)는 VCNP(102) 내에서 정보를 수집하고 밸류 체인 네트워크 엔티티(652) 및 환경의 세트 내에서, 그에 관한 그리고 그에 대한 정보를 수집하는 시스템의 세트를 포함할 수 있으며, 여기서 수집된 정보는 밸류 체인 네트워크(668)에 관한, 애플리케이션(630)에 관한, 밸류 체인 네트워크 엔티티(652)에 관한, 또는 VCNP(102) 자체에 관한 증가된 자동화 및/또는 지능을 위한 기회를 식별하고 우선순위화하는 것을 돕는 잠재력을 갖는다. 예를 들어, 기회 마이너(1460)는, 예컨대, 밸류 체인 네트워크(668) 환경의 세트에서 노동 집약적 영역 및 프로세스를 식별하기 위해서, 예컨대, 카메라, 웨어러블, 또는 다른 센서를 사용하여, 시간별로, 타입별로, 그리고 위치별로 밸류 체인 네트워크 작업자의 클러스터를 관찰하는 시스템을 포함할 수 있다. 이들은 높은 노동 활동을 갖는 장소를 보여주기 위해, 예컨대 순위화된 또는 우선순위화된 리스트에, 또는 시각화(예컨대, 환경의 맵 상의 고객, 작업자 또는 다른 개인의 체류 시간을 보여주는 히트 맵 또는 환경 내의 고객 또는 작업자가 이동한 경로를 보여주는 히트 맵)에 제시될 수 있다. 실시예에서, 분석(838)은 개선된 배달 시간, 혼잡의 완화, 및 다른 성능 개선의 목적을 위해 어느 환경 또는 활동이 자동화로부터 가장 이익을 얻을 것인지를 식별하기 위해 사용될 수 있다.
실시예에서, 기회 마이닝(opportunity mining)은 프로세스 자동화를 용이하게 하기 위해 사용될 수 있는 적절한 훈련 데이터 세트의 요청을 위한 시설을 포함할 수 있다. 예를 들어, 복잡한 태스크를 수행하는 매우 경험이 많은 및/또는 고도로 전문적인 작업자를 포착하는 비디오 데이터 세트와 같은 특정 종류의 입력은, 이용가능한 경우, 자동화를 위한 매우 높은 가치를 제공할 것이다. 기회 마이너(1460)는 본 출원에 설명된 바와 같이 그러한 비디오 데이터 세트를 검색할 수 있지만; 그러나, 성공의 부재 시에(또는 이용가능한 데이터를 보충하기 위해), 플랫폼은 개발자와 같은 사용자가 예컨대, (예컨대, 특정 태스크를 수행하기 위해 프로그램으로 작업하는 전문가의) 소프트웨어 상호작용 데이터, (특정 종류의 배달 프로세스, 패킹 프로세스, 픽킹 프로세스, 컨테이너 이동 프로세스 등을 수행하는 전문가의 세트를 보여주는 비디오와 같은) 비디오 데이터, 및/또는 (비디오, 센서 데이터 등과 같은) 물리적 프로세스 관찰 데이터와 같은 원하는 타입의 데이터를 특정할 수 있는 시스템을 포함할 수 있다. 사양에 응답하여 포착된 상호작용의 결과적인 라이브러리는, 예컨대 다양한 애플리케이션(630), 적응형 지능 시스템(614), 및 다른 프로세스 및 시스템에 의한 소비를 위해, 데이터 저장 계층(624)에서 데이터 세트로서 포착될 수 있다. 실시예에서, 라이브러리는, 절차 또는 프로토콜에 따라 단계의 시퀀스를 제공하는 것, 절차 또는 프로토콜을 자동화를 위한 후보들인 서브-단계로 분해하는 것 등과 같이, 예컨대, 비디오의 지침을 따를 수 있는 자동화 맵을 개발하는 것을 용이하게 하기 위해, 구체적으로 교육 비디오로서 개발되는 비디오를 포함할 수 있다. 실시예에서, 그러한 비디오는, 예컨대, 프로세스에 대한 자동화의 개발을 보조하는 프로세스의 맵, 그래프, 또는 다른 모델을 용이하게 하기 위해 개발자가 사용할 수 있는 라벨링된 명령어의 시퀀스를 자동으로 개발하기 위해서, 자연어 처리에 의해 처리될 수 있다. 실시예에서, 훈련 데이터 세트의 지정된 세트는 학습에 대한 입력으로서 동작하도록 구성될 수 있다. 그러한 경우에서, 훈련 데이터는 애플리케이션(630)으로부터의 출력 및 결과, 밸류 체인 엔티티(652)의 출력 및 결과 등과 같은 플랫폼(604) 내의 다른 데이터와 시간 동기화될 수 있어서, 프로세스의 주어진 비디오가 그러한 출력 및 결과와 연관될 수 있고, 그에 의해 (예컨대, 비디오 상에서, 또는 소프트웨어 상호작용 또는 물리적 프로세스 상호작용의 관찰을 통해) 포착된 주어진 프로세스에서 발생한 결과에 감응하는 학습에 대한 피드백을 가능하게 한다. 예를 들어, 이는 구축 또는 재구축(예를 들어, 베어링 세트를 재구축)하고 있을 수 있는 사람의 비디오와 같은 지침 비디오와 관련될 수 있다. 이 지침 비디오는 예컨대, 비디오에서 스테이징(staging)을 수행하는 전문가를 모방하는 스테이지로 비디오를 파싱하는 지침을 제공하기 위해 훈련의 스테이징을 허용할 수 있는 재구축을 위한 개별 단계를 포함할 수 있다. 예를 들어, 이는 각각의 스테이지 및 상태(예를 들어, 스테이지 1 완료, 스테이지 2 등)에 대한 참조를 포함하도록 비디오를 태깅하는 것을 포함할 수 있다. 이러한 타입의 예는 인공 지능을 이용할 수 있으며, 인공 지능은 최종 기능에 추가되는 일련의 하위 기능이 있을 수 있다는 것을 이해할 수 있다.
실시예에서, 기회 마이너(1460)는 스마트 계약 정의, 형성, 구성 및 실행을 위한 기회에 대한 마이닝을 위한 방법, 시스템, 프로세스, 컴포넌트, 서비스 및 다른 요소를 포함할 수 있다. 데이터 취급 계층(624)에 의해 취급되거나, 데이터 저장 계층(624)에 의해 저장되거나, 모니터링 계층(614) 및 수집 시스템(640)에 의해 수집되거나, 엔티티(652) 주위에서 또는 이들로부터 수집되거나 또는 외부 소스로부터 획득되는 임의의 데이터와 같은, 플랫폼(604) 내에서 수집되는 데이터는 스마트 계약의 적용 또는 구성을 위한 유익한 기회를 인식하기 위해 사용될 수 있다. 예를 들어, 가격 애플리케이션(842)에 의해 취급되거나, 또는 다른 방식으로 수집되는 엔티티(652)에 관한 가격 정보는 동일한 아이템 또는 아이템이 (스폿 시장, 선물 시장(futures market) 등에서) 이질적으로 가격설정되는 상황을 인식하기 위해 사용될 수 있고, 기회 마이너(1460)는, 주어진 임계값 미만의 가격으로 하나의 환경에서 구매하고 주어진 임계값 초과의 가격으로 다른 환경에서 판매하는 계약, 또는 그 반대의 경우와 같은, 스마트 계약 형성을 위한 기회를 표시하는 경보를 제공할 수 있다.
일부 예에서, 도 26에 도시된 바와 같이, 적응형 지능 시스템(614)은 가치 변환기(1470)를 포함할 수 있다. 가치 변환기(value translator)(1470)는 트랜잭션의 수요 측과 관련될 수 있다. 구체적으로, 예를 들어, 가치 변환기(1470)는 2개의 시장의 네거티브 통화를 이해할 수 있고, 가치 통화를 (예를 들어, 이미 명확한 변환 기능을 갖는 법정 통화들 뿐만 아니라) 다른 통화로 변환할 수 있다. 일부 예에서, 가치 변환기(1470)는 (예를 들어, 비용 기반 라우팅 시스템에서) 포인트 기반 시스템의 포인트와 연관될 수 있다. 예시적인 실시예에서, 가치 변환기(1470)는 항공사 좌석으로 변환가능할 수 있고/있거나 호텔 방에 머무르기 위한 환급 정책으로 변환할 수 있는 제공되는 로열티 포인트들일 수 있다. 일부 예에서, 상이한 타입의 엔티티는 항상 동일한 통화 또는 임의의 통화를 사용하지는 않는 네이티브 가격 또는 비용 함수를 갖는 것으로서 연결될 수 있다. 다른 예에서, 가치 변환기(1470)는 이러한 비용 기반 라우팅 시스템에서의 포인트 시스템이 금전 기반이 아닌, 네트워크 우선순위화 또는 우선순위를 벗어나 네트워크에서 발생하는 비용 기반 라우팅과 함께 사용될 수 있다.
광범위 관리 플랫폼(BROAD MANAGEMENT PLATFORM)
도 28을 참조하면, 특히 플랫폼(604)에 대한 전체 아키텍처에 관한, 플랫폼(604)의 실시예의 추가적인 세부사항이 제공된다. 이들은, 마이크로-서비스 아키텍처를 이용하는 클라우드 기반 관리 플랫폼(604)을 위해, (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 포함할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 마이크로-서비스 아키텍처를 갖는 클라우드 기반 관리 플랫폼; 인터페이스, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설의 세트; 및 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트를 포함할 수 있다.
또한, 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 본 출원에 제공되며, 이는 마이크로-서비스 아키텍처를 갖는 클라우드 기반 관리 플랫폼을 포함할 수 있고, 플랫폼은 플랫폼의 특징에 액세스하고 이를 구성하기 위한 인터페이스의 세트; 밸류 체인 네트워크 엔티티의 세트가 플랫폼에 연결될 수 있게 하기 위한 네트워크 연결 시설의 세트; 플랫폼의 능력의 세트를 자동화하기 위한 적응형 지능 시설의 세트; 플랫폼에 의해 수집되고 취급되는 데이터를 저장하기 위한 데이터 저장 시설의 세트; 밸류 체인 네트워크 엔티티를 모니터링하기 위한 모니터링 시설의 세트를 가지며; 플랫폼은 기업이 기업의 제품의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트를 호스팅한다.
광범위 관리 플랫폼 - 상세(BROAD MANAGEMENT PLATFORM - DETAILS)
도 29를 참조하면, 특히 플랫폼(604)을 위한 전체 아키텍처에 관한, 플랫폼(604)의 실시예의 추가적인 세부사항이 제공된다. 이들은, 마이크로-서비스 아키텍처를 이용하는 클라우드 기반 관리 플랫폼(604)을 위해, (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 포함할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, 인터페이스의 세트(702)는 수요 관리 인터페이스 MPVC(104) 및 공급 체인 관리 인터페이스 MPVC(108)를 포함할 수 있다.
실시예에서, 밸류 체인 네트워크 엔티티(652)의 세트가 플랫폼(604)에 연결할 수 있게 하기 위한 네트워크 연결 시설(642)의 세트는 기업에 의해 운영되는 공급 체인 기반구조 시설에 배치되는 것과 같은 5G 네트워크 시스템 MPVC(110)을 포함할 수 있다.
실시예에서, 밸류 체인 네트워크 엔티티(652)의 세트가 플랫폼(604)에 연결할 수 있게 하기 위한 네트워크 연결 시설(642)의 세트는 네트워크 시스템 및/또는 클라우드 컴퓨팅 환경(예컨대, 데이터 수집 시스템(640)이 IoT 데이터를 수집 및 조직하도록 구성되는 경우)에서, 밸류 체인 네트워크 엔티티(652)에서, 상에서 또는 그 근처에서, 기업에 의해 운영되는 공급 체인 기반구조 시설에 배치되는 것과 같은, 사물 인터넷 시스템(1172)을 포함할 수 있다.
실시예에서, 밸류 체인 네트워크 엔티티(652)의 세트가 VCNP(102)에 연결할 수 있게 하기 위한 네트워크 연결 시설(642)의 세트는 기업에 의해 운영되는 공급 체인 기반구조 시설에 배치된 인지 네트워킹 시스템 MPVC(114)를 포함할 수 있다.
실시예에서, 밸류 체인 네트워크 엔티티(652)의 세트가 VCNP(102)에 연결될 수 있게 하기 위한 네트워크 연결 시설(642)의 세트는 기업에 의해 운영되는 공급 체인 기반구조 시설에 배치되는 것과 같은 피어-투-피어 네트워크 시스템 MPVC(118)을 포함할 수 있다.
실시예에서, 플랫폼(604)의 능력의 세트를 자동화하기 위한 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트는 기업에 의해 운영되는 공급 체인 기반구조 시설에 배치되는 것과 같은 에지 지능 시스템(1420)을 포함할 수 있다.
실시예에서, 플랫폼(604)의 능력의 세트를 자동화하기 위한 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트는 로봇 프로세스 자동화 시스템(1442)을 포함할 수 있다.
실시예에서, 플랫폼(604)의 능력의 세트를 자동화하기 위한 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트는, 기업에 의해 운영되는 공급 체인 기반구조 시설에 배치된 것, 네트워크에 배치된 것, 및/또는 클라우드 컴퓨팅 환경에 배치된 것과 같은, 자기-구성 데이터 수집 시스템(1440)을 포함하거나 이와 통합될 수 있다. 이는 적응형 지능 시스템(614)의 요소와 상호작용하거나 통합하는 데이터 취급 계층(624)의 데이터 수집 시스템(640)의 요소를 포함할 수 있다.
실시예에서, 플랫폼(604)의 능력의 세트를 자동화하기 위한 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트는 예컨대, 기업에 의해 제어되는, 밸류 체인 네트워크 엔티티의 세트의 속성을 나타내는 것과 같은 디지털 트윈 시스템(1700)을 포함할 수 있다.
실시예에서, 플랫폼(604)의 능력의 세트를 자동화하기 위한 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트는 상태 데이터, 이벤트 데이터, 또는 데이터 취급 계층(624)에 의해 취급되는 다른 데이터에 기초하여 예컨대, 밸류 체인 네트워크 엔티티(652)의 세트 사이의 상호작용 또는 트랜잭션의 세트를 자동화하기 위한 스마트 계약 시스템(848)을 포함할 수 있다.
실시예에서, 플랫폼(604)에 의해 수집되고 취급되는 데이터를 저장하기 위한 데이터 저장 시설 또는 데이터 저장 시스템(624)의 세트는 분산 데이터 아키텍처(1122)를 사용한다.
실시예에서, 플랫폼에 의해 수집되고 취급되는 데이터를 저장하기 위한 데이터 저장 시설의 세트는 블록체인(844)을 사용한다.
실시예에서, 플랫폼에 의해 수집되고 취급되는 데이터를 저장하기 위한 데이터 저장 시설의 세트는 분산 원장(1452)을 이용한다.
실시예에서, 플랫폼에 의해 수집되고 취급되는 데이터를 저장하기 위한 데이터 저장 시설의 세트는 밸류 체인 네트워크 엔티티의 계층적 관계의 세트를 나타내는 그래프 데이터베이스(1124)를 사용한다.
실시예에서, 밸류 체인 네트워크 엔티티(652)를 모니터링하기 위한 모니터링 시설(614)의 세트는 예컨대, 밸류 체인 네트워크 전체에 걸쳐 배치된 IoT 시스템 및 디바이스로부터 데이터를 수집하기 위한 사물 인터넷 모니터링 시스템(1172)을 포함한다.
실시예에서, 밸류 체인 네트워크 엔티티(652)를 모니터링하기 위한 모니터링 시설(614)의 세트는, 예컨대, 밸류 체인 환경에 또는 밸류 체인 네트워크 엔티티(652) 내에, 하나 또는 근처에, 예컨대 제품(650) 내에 또는 상에 배치된 센서 시스템(1462)의 세트를 포함한다.
실시예에서, 애플리케이션의 세트(630)는, 예를 들어, 공급 체인 관리 애플리케이션(1500), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 리소스 관리 애플리케이션(1520)의 세트 중에서 다양한 타입을 포함할 수 있는 애플리케이션의 세트를 포함한다.
실시예에서, 애플리케이션의 세트는 자산 관리 애플리케이션(1530)을 포함한다.
실시예에서, 본 개시 전반에서 언급된 바와 같이 밸류 체인 네트워크 엔티티(652)는, 예를 들어, 제한 없이, 제품, 공급자, 생산자, 제조자, 소매업자, 사업자, 소유자, 운영자, 운영 시설, 고객, 소비자, 작업자, 모바일 디바이스, 웨어러블 디바이스, 유통업자, 재판매업자, 공급 체인 기반구조 시설, 공급 체인 프로세스, 물류 프로세스, 역물류 프로세스, 수요 예측 프로세스, 수요 관리 프로세스, 수요 집계 프로세스, 기계, 선박, 바지선, 웨어하우스, 해양 항구, 공항, 항로, 수로, 도로, 철도, 교량, 터널, 온라인 소매업자, 전자상거래 사이트, 수요 인자, 공급 인자, 배달 시스템, 플로팅 자산, 원산지 지점, 목적지 지점, 저장 지점, 사용 지점, 네트워크, 정보 기술 시스템, 소프트웨어 플랫폼, 유통 센터, 주문 처리 센터, 컨테이너, 컨테이너 취급 시설, 세관, 수출 제어, 경계 제어, 드론, 로봇, 자율 차량, 운반 시설, 드론들/로봇들/AV, 수로, 항구 기반구조 시설 등을 포함할 수 있다.
실시예에서, 플랫폼(604)은 수요 인자(1540)의 세트, 공급 인자(1550)의 세트 및 밸류 체인 기반구조 시설(1560)의 세트를 관리한다.
실시예에서, 본 개시 전반에 걸쳐 언급된 바와 같은 공급 인자(1550)는, 예를 들어 그리고 제한 없이, 컴포넌트 가용성, 재료 가용성, 컴포넌트 위치, 재료 위치, 컴포넌트 가격, 재료 가격, 과세, 관세, 수입세, 듀티, 수입 규제, 수출 규제, 경계 제어, 거래 규제, 세관, 내비게이션, 트래픽, 혼잡, 차량 용량, 선박 용량, 컨테이너 용량, 패키지 용량, 차량 가용성, 선박 가용성, 컨테이너 가용성, 패키지 가용성, 차량 위치, 선박 위치, 컨테이너 위치, 항구 위치, 항구 가용성, 항구 용량, 저장 가용성, 저장 용량, 웨어하우스 가용성, 웨어하우스 용량, 주문 처리 센터 위치, 주문 처리 센터 가용성, 주문 처리 센터 용량, 자산 소유자 아이덴티티, 시스템 호환성, 작업자 가용성, 작업자 능력, 작업자 위치, 상품 가격, 연료 가격, 에너지 가격, 경로 가용성, 경로 거리, 경로 비용, 경로 안전 등을 수반하는 것을 포함할 수 있다.
실시예에서, 본 개시 전반에 걸쳐 언급된 바와 같은 수요 인자(1540)는, 예를 들어 그리고 제한 없이, 제품 가용성, 제품 가격, 전달 타이밍, 리필 필요성, 대체 필요성, 제조자 리콜, 업그레이드 필요성, 유지보수 필요성, 업데이트 필요성, 수리 필요성, 소모품 필요성, 맛, 선호도, 추론된 필요성, 추론된 바람, 그룹 수요, 개인 수요, 가족 수요, 비즈니스 수요, 작업흐름 필요성, 프로세스 필요성, 절차 필요성, 처리 필요성, 개선 필요성, 진단 필요성, 시스템에 대한 호환성, 제품에 대한 호환성, 스타일에 대한 호환성, 브랜드에 대한 호환성, 인구통계적, 심리학적, 지리위치, 실내 위치, 목적지, 경로, 홈 위치, 방문 위치, 직장 위치, 비즈니스 위치, 성격, 기분, 감정, 고객 거동, 비즈니스 타입, 비즈니스 활동, 개인 활동, 재산, 소득, 구매 이력, 쇼핑 이력, 검색 이력, 참여 이력, 클릭스트림 이력, 웹사이트 이력, 온라인 내비게이션 이력, 그룹 거동, 가족 거동, 가족 멤버십, 고객 아이덴티티, 그룹 아이덴티티, 비즈니스 아이덴티티, 고객 프로파일, 비즈니스 프로파일, 그룹 프로파일, 가족 프로파일, 선언된 관심, 추론된 관심 등을 수반하는 것을 포함할 수 있다.
실시예에서, 본 개시 전반에 걸쳐 언급된 바와 같은 공급 체인 기반구조 시설(1560)은, 예를 들어 그리고 제한 없이, 선박, 컨테이너 선박, 보트, 바지선, 해양 항구, 크레인, 컨테이너, 컨테이너 취급, 쉽야드, 해양 도크, 웨어하우스, 유통, 주문 처리, 급유, 재급유, 핵 재급유, 폐기물 제거, 식품 공급, 음료 공급, 드론, 로봇, 자율 차량, 항공기, 자동차, 트럭, 기차, 리프트, 지게차, 운반 시설, 컨베이어, 로딩 도크, 수로, 교량, 터널, 공항, 데포, 차량 스테이션, 기차 스테이션, 중량 측정 스테이션, 검사, 도로, 철도, 고속도로, 세관, 경계 제어, 및 다른 시설을 포함할 수 있다.
실시예에서, 본 개시 전반에 걸쳐 언급된 바와 같은 애플리케이션(630)의 세트는, 예를 들어 그리고 제한 없이, 공급 체인, 자산 관리, 위험 관리, 재고 관리, 수요 관리, 수요 예측, 수요 집계, 가격, 위치설정, 배치, 프로모션, 블록체인, 스마트 계약, 기반구조 관리, 시설 관리, 분석, 재무, 거래, 세금, 규제, 아이덴티티 관리, 상거래, 전자상거래, 지불, 보안, 안전, 벤더 관리, 프로세스 관리, 호환성 테스트, 호환성 관리, 기반구조 테스트, 사건 관리, 예측 유지보수, 물류, 모니터링, 원격 제어, 자동화, 자기-구성, 자기-치유, 자기-조직화, 물류, 역물류, 폐기물 감소, 증강 현실, 가상 현실, 혼합 현실, 수요 고객 프로파일링, 엔티티 프로파일링, 기업 프로파일링, 작업자 프로파일링, 노동력 프로파일링, 컴포넌트 공급 정책 관리, 제품 설계, 제품 구성, 제품 업데이트, 제품 유지보수, 제품 지원, 제품 테스트, 웨어하우징, 유통, 주문 처리, 키트 구성, 키트 배치, 키트 지원, 키트 업데이트, 키트 유지보수, 키트 수정, 키트 관리, 배송 플릿 관리, 차량 플릿 관리, 노동력 관리, 해양 플릿 관리, 내비게이션, 라우팅, 배송 관리, 기회 매칭, 검색, 광고, 엔티티 발견, 엔티티 검색, 유통, 전달, 기업 리소스 계획 및 다른 애플리케이션을 포함할 수 있다.
제어 타워(CONTROL TOWER)
도 30을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, 플랫폼(604)은 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(1500), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 리소스 관리 애플리케이션(1520)의 세트의 상태 정보, 이벤트 정보, 활동 정보, 분석, 보고, 또는 그에 관련되거나 그에 의해 생성되는 다른 요소를 디스플레이하는 것과 같은, 상품의 카테고리를 위한 수요 관리 정보 및 공급 체인 정보의 세트에 대한 통합된 뷰의 세트를 제공하는 사용자 인터페이스(1570)를 포함할 수 있다. 따라서, 통합 뷰 인터페이스(1570)는, 실시예에서, 제품(650)이 원산지 지점으로부터 유통 및 소매 채널을 통해 고객이 사용하는 환경으로 이동할 때 수반되는 공급 체인 기반구조 시설(1560) 및 다른 밸류 체인 네트워크 엔티티(652)와 같은, 자산의 범위에 걸친, 기업을 위한 제어 타워를 제공할 수 있다. 이들은 수요 인자(1540) 및 공급 인자(1550)의 뷰를 포함할 수 있어서, 사용자는 인자 사이의 연결에 관한 통찰을 개발하고 조정된 지능으로 이들 중 하나 또는 둘 모두를 제어할 수 있다. 통합된 뷰의 세트의 집단은, 예컨대 인터페이스(1570)의 어느 뷰가 가장 충격적인 통찰, 제어 특징 등을 제공하는지를 결정하기 위해, 예컨대 적응형 지능 시스템(614)의 결과(1040) 또는 다른 동작에 대한 학습에 의해, 시간 경과에 따라 적응될 수 있다.
실시예에서, 사용자 인터페이스는 음성 동작 보조기(1580)를 포함한다.
실시예에서, 사용자 인터페이스는 밸류 체인 네트워크 엔티티(652)의 세트의 속성의 세트의 시각적 표현을 제시하기 위한 디지털 트윈(1700)의 세트를 포함한다.
실시예에서, 사용자 인터페이스(1570)는, 속성, 파라미터, 데이터 소스, 학습에 대한 입력, 학습에 대한 피드백, 뷰, 포맷, 배열, 또는 다른 요소의 사용자 선택을 허용하는 것과 같이, 적응형 지능 시스템(614) 또는 적응형 지능 시설을 구성하기 위한 능력을 포함할 수 있다.
밸류 체인 관리 플랫폼 - 수요 관리 및 공급 체인을 위한 제어 타워 UI(VALUE CHAIN MANAGEMENT PLATFORM - CONTROL TOWER UI FOR DEMAND MANAGEMENT AND SUPPLY CHAIN)
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및 상품의 카테고리를 위한 수요 관리 정보 및 공급 체인 정보의 세트에 대한 통합된 뷰의 세트를 제공하는 사용자 인터페이스를 포함할 수 있다.
통합 데이터베이스(UNIFIED DATABASE)
도 31을 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, 플랫폼(604)은 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(1500), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 리소스 관리 애플리케이션(1520)의 세트 중의 것과 같은 다수의 타입의 애플리케이션의 세트를 지원하는 통합 데이터베이스(1590)를 포함할 수 있다. 따라서, 통합 데이터베이스(1590)는, 실시예에서, 제품(650)이 원산지 지점으로부터 유통 및 소매 채널을 통해 고객이 사용하는 환경으로 이동할 때 수반되는 공급 체인 기반구조 시설(1560) 및 다른 밸류 체인 네트워크 엔티티(652)와 같은, 자산의 범위에 걸쳐 기업에 대한 데이터 저장, 액세스 및 취급의 통합을 제공할 수 있다. 이러한 통합은 데이터 입력에 대한 감소된 필요성, 애플리케이션(630)에 걸친 일관성, 감소된 레이턴시(및 더 양호한 실시간 보고), 데이터 변환 및 통합에 대한 감소된 필요성 등을 포함하는 다수의 이점을 제공할 수 있다. 이들은 수요 인자(1540) 및 공급 인자(1550)에 관한 데이터를 포함할 수 있어서, 애플리케이션(630)은 플랫폼(604)의 다른 애플리케이션(630)에 의해 수집되거나, 처리되거나, 생성된 정보로부터 이익을 얻을 수 있고, 사용자는 인자 사이의 연결에 관한 통찰을 개발하고 조정된 지능으로 이들 중 하나 또는 둘 모두를 제어할 수 있다. 통합된 데이터베이스(1590)의 집단은, 예컨대, 데이터베이스(1590)의 어느 요소가 어느 애플리케이션에 이용가능하게 되어야 하는지, 어떤 데이터 구조가 가장 많은 이익을 제공하는지, 즉각적인 검색을 위해 어떤 데이터가 저장되거나 캐싱되어야 하는지, 어떤 데이터가 폐기 대 저장될 수 있는지, 어떤 데이터가 적응형 지능 시스템(614)을 지원하는데 가장 유익한지, 및 다른 용도를 결정하기 위해, 예컨대, 적응형 지능 시스템(614)의 결과(1040) 또는 다른 동작에 대한 학습에 의해서 시간 경과에 따라 적응될 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트 중에서 적어도 2개의 타입의 애플리케이션의 세트를 지원하는 통합 데이터베이스를 포함할 수 있다.
실시예에서, 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트를 지원하는 통합 데이터베이스는 분산 데이터베이스이다.
실시예에서, 상품 카테고리를 위한 수요 관리 애플리케이션 세트, 공급 체인 애플리케이션 세트, 지능형 제품 애플리케이션 세트 및 기업 리소스 관리 애플리케이션 세트를 지원하는 통합 데이터베이스는 그래프 데이터베이스 아키텍처를 이용한다. 실시예에서, 수요 관리 애플리케이션의 세트는 수요 예측 애플리케이션을 포함한다. 실시예에서, 수요 관리 애플리케이션의 세트는 수요 집계 애플리케이션을 포함한다. 실시예에서, 수요 관리 애플리케이션의 세트는 수요 활성화 애플리케이션을 포함한다.
실시예에서, 공급 체인 관리 애플리케이션의 세트는 벤더 검색 애플리케이션을 포함한다. 실시예에서, 공급 체인 관리 애플리케이션의 세트는 경로 구성 애플리케이션을 포함한다. 실시예에서, 공급 체인 관리 애플리케이션의 세트는 물류 스케줄링 애플리케이션을 포함한다.
통합 데이터 수집 시스템(UNIFIED DATA COLLECTION SYSTEMS)
도 32를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, 플랫폼(604)은 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(1500), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 리소스 관리 애플리케이션(1520)의 세트를 포함하는 다양한 타입의 애플리케이션(630)의 세트를 지원하는 모니터링 시설 또는 시스템(614)의 세트의 데이터 수집 및 관리 시스템(640)의 통합된 세트의 세트를 포함할 수 있다. 따라서, 통합된 데이터 수집 및 관리 시스템(640)은, 실시예에서, 제품(650)이 원산지 지점으로부터 유통 및 소매 채널을 통해 고객이 사용하는 환경으로 이동할 때 수반되는 공급 체인 기반구조 시설(1560) 및 다른 밸류 체인 네트워크 엔티티(652)와 같은 자산의 범위에 걸쳐 기업 또는 다른 사용자에 대한 데이터 모니터링, 검색, 발견, 수집, 액세스 및 취급의 통합을 제공할 수 있다. 이러한 통합은 데이터 입력에 대한 감소된 필요성, 애플리케이션(630)에 걸친 일관성, 감소된 레이턴시(및 더 양호한 실시간 보고), 데이터 변환 및 통합에 대한 감소된 필요성 등을 포함하는 다수의 이점을 제공할 수 있다. 이들은 수요 인자(1540) 및 공급 인자(1550)에 관한 데이터의 수집을 포함할 수 있어서, 애플리케이션(630)은 플랫폼(604)의 다른 애플리케이션(630)에 의해 수집되거나, 처리되거나, 생성된 정보로부터 이익을 얻을 수 있고, 사용자는 인자 사이의 연결에 관한 통찰을 개발하고 조정된 지능으로 이들 중 하나 또는 둘 모두를 제어할 수 있다. 통합 데이터 수집 및 관리 시스템(640)은, 예컨대, 데이터 수집 및 관리 시스템(640)의 어느 요소가 어느 애플리케이션(630)에 이용가능하게 되어야 하는지, 어떤 데이터 타입 또는 소스가 가장 많은 이점을 제공하는지, 어떤 데이터가 즉각적인 검색을 위해 저장되거나 캐싱되어야 하는지, 어떤 데이터가 폐기 대 저장될 수 있는지, 어떤 데이터가 적응형 지능 시스템(614)을 지원하는데 가장 유익한지, 및 다른 용도를 위해 이용가능하게 되어야 하는지를 결정하기 위해, 예컨대, 적응형 지능 시스템(614)의 결과(1040) 또는 다른 동작에 대한 학습에 의해서, 시간 경과에 따라 적응될 수 있다. 예시적인 실시예에서, 통합 데이터 수집 및 관리 시스템(640)은 다양한 애플리케이션에 대한 데이터 수집 및 관리와 관련된 통합 데이터 스키마를 사용할 수 있다. 이는 매우 다양한 애플리케이션이 수신된 것과 동일한 데이터를 소비할 수 있을 정도로 충분히 공통적일 수 있는 스키마를 따를 수 있는 가장 엄격하게 바인딩된 단일의 진리점(point of truth) 데이터베이스 또는 분산 데이터 시스템의 세트일 수 있다. 예를 들어, 센서 데이터는 스마트 제품으로부터 풀링될 수 있고, 제품을 변경하기 위해 물류 애플리케이션, 재무 애플리케이션, 수요 예측 애플리케이션, 또는 유전 프로그래밍 인공 지능(AI) 애플리케이션 등에 의해 소비될 수 있다. 이들 애플리케이션 모두는 데이터 프레임워크로부터 데이터를 소비할 수 있다. 일 예에서, 이는 구매 및 판매를 위한 분산 원장 또는 트랜잭션 데이터를 포함할 수 있는 블록체인 또는 이벤트가 발생했는지 여부의 표시가 있을 수 있는 블록체인으로부터 발생할 수 있다. 일부 예시적인 실시예에서, 데이터가 공급 체인을 통해 이동함에 따라, 이러한 데이터 흐름은 통합 데이터 수집 및 관리 시스템(640)의 일부일 수 있는 분산형 데이터베이스, 관계형 데이터베이스, 모든 타입의 그래프 데이터베이스 등을 통해 발생할 수 있다. 다른 예에서, 통합 데이터 수집 및 관리 시스템(640)은 디바이스 자체의 메모리 구조의 일부 또는 태그에서, 자산 상의 전용 메모리일 수 있는 메모리를 이용할 수 있으며, 이들은 밸류 체인 네트워크 엔티티에 결속된 강건한 파이프라인으로부터 유래할 수 있다. 다른 예에서, 통합 데이터 수집 및 관리 시스템(640)은 프로토콜이 궁극적으로 통합 시스템 또는 스키마에 도달할 수 있도록 프로토콜을 적응시키는 것을 포함할 수 있는 고전적인 데이터 통합 능력을 사용할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트 중에서 적어도 2개의 타입의 애플리케이션의 세트를 지원하는 데이터 수집 시스템의 통합된 세트를 포함할 수 있다.
실시예에서, 통합된 데이터 수집 시스템 세트는 크라우드소싱 데이터 수집 시스템 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 사물 인터넷 데이터 수집 시스템의 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 자기-구성 센서 시스템의 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 네트워크 연결된 제품과 상호작용하는 데이터 수집 시스템의 세트를 포함한다.
실시예에서, 통합된 데이터 수집 시스템 세트는 기업에 의해 운영되는 밸류 체인 네트워크 환경 세트에 배치된 모바일 데이터 수집기 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 기업에 의해 운영되는 밸류 체인 네트워크 환경의 세트에 배치된 에지 지능 시스템의 세트를 포함한다. 실시예에서, 통합된 데이터 수집 시스템 세트는 크라우드소싱 데이터 수집 시스템 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 사물 인터넷 데이터 수집 시스템의 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 자기-구성 센서 시스템의 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 네트워크 연결된 제품과 상호작용하는 데이터 수집 시스템의 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 기업에 의해 운영되는 밸류 체인 네트워크 환경의 세트에 배치된 모바일 데이터 수집기의 세트를 포함한다. 실시예에서, 데이터 수집 시스템의 통합된 세트는 기업에 의해 운영되는 밸류 체인 네트워크 환경의 세트에 배치된 에지 지능 시스템의 세트를 포함한다.
통합 IoT 모니터링 시스템(Unified IoT Monitoring Systems)
도 33을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, 플랫폼(604)은, 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(1500), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 리소스 관리 애플리케이션(1520)의 세트와 같은, 다양한 타입의 다수의 애플리케이션(630)의 세트의 서비스에서 다양한 밸류 체인 엔티티(652)의 조정된 모니터링을 제공하는 사물 인터넷 시스템(1172)의 통합된 세트를 포함할 수 있다.
따라서, 통합된 세트의 사물 인터넷 시스템(1172)은, 실시예에서, 제품(650)이 원산지 지점으로부터 유통 및 소매 채널을 통해 고객이 사용하는 환경으로 이동할 때 수반되는 공급 체인 기반구조 시설(1560) 및 다른 밸류 체인 네트워크 엔티티(652)와 같은 광범위한 시설, 디바이스, 시스템, 환경, 및 자산의 모니터링 및 통신의 통합을 제공할 수 있다. 이러한 통합은 데이터 입력에 대한 감소된 필요성, 애플리케이션(630)에 걸친 일관성, 감소된 레이턴시, 실시간 보고 및 인식, 데이터 변환 및 통합에 대한 감소된 필요성 등을 포함하는 다수의 이점을 제공할 수 있다. 이들은 수요 인자(1540) 및 공급 인자(1550)와 관련하여 사용되는 사물 인터넷 시스템(1172)을 포함할 수 있어서, 애플리케이션(630)은 플랫폼(604)의 다른 애플리케이션(630)에 대한 사물 인터넷 시스템(1172)의 통합된 세트에 의해 수집되거나, 처리되거나, 생성되는 정보로부터 이익을 얻을 수 있고, 사용자는 인자 사이의 연결에 관한 통찰을 개발하고 조정된 지능으로 이들 중 하나 또는 둘 모두를 제어할 수 있다. 통합된 세트의 사물 인터넷 시스템(1172)은, 예컨대, 통합된 세트의 사물 인터넷 시스템(1172)의 어느 요소가 어느 애플리케이션(630)에 이용가능하게 되어야 하는지, 어떤 IoT 시스템(1172)이 가장 많은 이익을 제공하는지, 어떤 데이터가 즉각적인 검색을 위해 저장 또는 캐싱되어야 하는지, 어떤 데이터가 폐기 대 저장될 수 있는지, 어떤 데이터가 적응형 지능 시스템(614)을 지원하는데 가장 유익한지, 및 다른 용도를 위해 이용가능하게 되어야 하는지를 결정하기 위해, 예컨대, 적응형 지능 시스템(614)의 결과(1040) 또는 다른 동작에 대한 학습에 의해서, 시간 경과에 따라 적응될 수 있다. 일부 예에서, IoT(Internet of Things) 시스템(1172)의 통합 세트는 다양한 환경에 설치될 수 있는 IoT 디바이스들일 수 있다. 통합된 세트의 사물 인터넷 시스템(1172)의 하나의 목표는, 총괄하여 한 세트의 IoT 디바이스가 광역 네트워크 프로토콜(예를 들어, 더 긴 범위의 프로토콜들)에 의해 연결될 수 있는, 도시 전역 배치를 수반하는 도시 또는 타운에 걸친 조정일 수 있다. 다른 예에서, 통합된 세트의 사물 인터넷 시스템(1172)은 여러 상이한 유통 시설에 걸쳐 디바이스의 메시를 연결하는 것을 수반할 수 있다. IoT 디바이스는 각각의 웨어하우스에 대한 집합체를 식별할 수 있고, 웨어하우스는 IoT 디바이스를 사용하여 서로 통신할 수 있다. IoT 디바이스는 클라우드를 사용하지 않고 데이터를 처리하도록 구성될 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 플랫폼의 기업 사용자가 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위해 플랫폼과 통합된 애플리케이션의 세트; 및 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트 중에서 적어도 2개의 타입의 애플리케이션의 세트의 조정된 모니터링을 제공하는 사물 인터넷 시스템의 통합된 세트를 포함할 수 있다.
실시예에서, 사물 인터넷 시스템의 통합된 세트는 수요 인자의 세트의 모니터링을 가능하게 하기 위한 스마트 홈 사물 인터넷 디바이스의 세트 및 공급 인자의 세트의 모니터링을 가능하게 하기 위해 공급 체인 기반구조 시설의 세트에 근접하여 배치된 사물 인터넷 디바이스의 세트를 포함한다.
실시예에서, 사물 인터넷 시스템의 통합된 세트는 비즈니스 고객의 세트에 대한 수요 인자의 세트의 모니터링을 가능하게 하는 직장 사물 인터넷 디바이스의 세트 및 공급 인자의 세트의 모니터링을 가능하게 하기 위해 공급 체인 기반구조 시설의 세트에 근접하여 배치된 사물 인터넷 디바이스의 세트를 포함한다.
실시예에서, 사물 인터넷 시스템의 통합된 세트는 소비자의 세트에 대한 수요 인자의 세트의 모니터링을 가능하게 하기 위해 소비재 상점의 세트를 모니터링하기 위한 사물 인터넷 디바이스의 세트 및 공급 인자의 세트의 모니터링을 가능하게 하기 위해 공급 체인 기반구조 시설의 세트에 근접하여 배치된 사물 인터넷 디바이스의 세트를 포함한다.
실시예에서, 본 개시 전반에 걸쳐 언급된 바와 같은 사물 인터넷 시스템은, 예를 들어 그리고 제한 없이, 카메라 시스템, 조명 시스템, 모션 감지 시스템, 중량측정 시스템, 검사 시스템, 기계 비전 시스템, 환경 센서 시스템, 온보드 센서 시스템, 온보드 진단 시스템, 환경 제어 시스템, 센서-인에이블 네트워크 전환 및 라우팅 시스템, RF 감지 시스템, 자기 감지 시스템, 압력 모니터링 시스템, 진동 모니터링 시스템, 온도 모니터링 시스템, 열 흐름 모니터링 시스템, 생물학적 측정 시스템, 화학적 측정 시스템, 초음파 모니터링 시스템, 방사선 촬영 시스템, LIDAR 기반 모니터링 시스템, 액세스 제어 시스템, 침투파 감지 시스템, SONAR 기반 모니터링 시스템, 레이더 기반 모니터링 시스템, 컴퓨터 단층촬영 시스템, 자기 공명 이미징 시스템, 네트워크 모니터링 시스템 등을 포함할 수 있다.
기계 비전 공급 디지털 트윈(Machine Vision Feeding Digital Twin)
도 34를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, 플랫폼(604)은 기계 비전 시스템(1600) 및 디지털 트윈 시스템(1700)을 포함할 수 있고, 여기서 기계 비전 시스템(1600)은 (인공 지능(1160)을 포함하는 적응형 지능 시스템(614)의 세트에 의해 인에이블될 수 있고, 운영자가 다양한 밸류 체인 네트워크 엔티티(652)의 트윈(1700)을 모니터링할 수 있는 것과 같은 인터페이스(702)의 인터페이스 또는 컴포넌트로서 사용될 수 있는) 디지털 트윈 시스템(1700)에 데이터를 공급한다. 기계 비전 시스템(1600) 및 디지털 트윈 시스템(1700)은 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(1500), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 리소스 관리 애플리케이션(1520)의 세트와 같은 다양한 타입의 다수의 애플리케이션(630)의 세트에 대해 협력하여 동작할 수 있다.
따라서, 기계 비전 시스템(1600) 및 디지털 트윈 시스템(1700)은, 실시예에서, (이미지 데이터의 자동화된 처리를 이용한) 이미지 기반 모니터링, (이미지 데이터의 자동화된 처리를 이용한) 광범위한 시설, 디바이스, 시스템, 환경, 및 자산, 예컨대, 공급 체인 기반구조 시설(1560) 및 제품(650)이 원산지 지점으로부터 유통 및 소매 채널을 통해 고객이 사용하는 환경으로 이동할 때 수반되는 다른 밸류 체인 네트워크 엔티티(652) 뿐만 아니라 디지털 트윈(1700)에서의 이미지의 표현 뿐만 아니라 이미지로부터 추출된 데이터를 제공할 수 있다. 이러한 통합은 개선된 모니터링, 개선된 시각화 및 통찰, 개선된 가시성 등을 포함하는 다수의 이점을 제공할 수 있다. 이들은 수요 인자(1540) 및 공급 인자(1550)와 관련하여 사용되는 기계 비전 시스템(1600) 및 디지털 트윈 시스템(1700)을 포함할 수 있어서, 애플리케이션(630)은 플랫폼(604)의 다른 애플리케이션(630)에 대해 기계 비전 시스템(1600) 및 디지털 트윈 시스템(1700)에 의해 수집되거나, 처리되거나, 생성되는 정보로부터 이익을 얻을 수 있고, 사용자는 인자 사이의 연결에 관한 통찰을 개발하고 조정된 지능으로 이들 중 하나 또는 둘 모두를 제어할 수 있다. 기계 비전 시스템(1600) 및/또는 디지털 트윈 시스템(1700)은 예컨대 기계 비전 시스템(1600) 및/또는 디지털 트윈 시스템(1700)에 의해 수집 및/또는 처리되는 어느 요소가 어느 애플리케이션(630)에 이용가능하게 되어야 하는지, 어떤 요소 및/또는 콘텐츠가 가장 큰 이점을 제공하는지, 어떤 데이터가 즉각적인 검색을 위해 저장 또는 캐싱되어야 하는지, 어떤 데이터가 폐기 대 저장될 수 있는지, 어떤 데이터가 적응형 지능 시스템(614)을 지원하는데 가장 유익한지, 및 다른 용도를 위해 이용가능하게 되어야 하는지를 결정하기 위해, 예컨대, 적응형 지능 시스템(614)의 결과(1040) 또는 다른 동작에 대한 학습에 의해서, 시간 경과에 따라 적응될 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 공급 체인 애플리케이션의 세트, 수요 관리 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트 중에서 적어도 2개의 타입의 애플리케이션의 세트를 포함하고, 기계 비전 시스템 및 디지털 트윈 시스템을 가질 수 있고, 기계 비전 시스템은 디지털 트윈 시스템에 데이터를 공급한다.
실시예에서, 공급 체인 애플리케이션 및 수요 관리 애플리케이션의 세트는 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에 설명된 임의의 것 중 하나이다.
실시예에서, 공급 체인 애플리케이션 및 수요 관리 애플리케이션의 세트는, 예를 들어 그리고 제한 없이, 재고 관리, 수요 예측, 수요 집계, 가격, 블록체인, 스마트 계약, 위치설정, 배치, 프로모션, 분석, 재무, 거래, 차익거래, 고객 아이덴티티 관리, 상점 계획, 매대 계획, 고객 경로 계획, 고객 경로 분석, 상거래, 전자상거래, 지불, 고객 관계 관리, 판매, 마케팅, 광고, 입찰, 고객 모니터링, 고객 프로세스 모니터링, 고객 관계 모니터링, 협력 필터링, 고객 프로파일링, 고객 피드백, 유사성 분석, 고객 클러스터링, 제품 클러스터링, 계절성 인자 분석, 고객 거동 추적, 고객 거동 분석, 제품 설계, 제품 구성, A/B 테스트, 제품 변동 분석, 증강 현실, 가상 현실, 혼합 현실, 고객 수요 프로파일링, 고객 기분, 감정 또는 영향 검출, 고객 기분, 영향 분석의 감정, 비즈니스 엔티티 프로파일링, 고객 기업 프로파일링, 수요 매칭, 위치-기반 타겟팅, 위치-기반 제안, 판매 지점 인터페이스, 사용 지점 인터페이스, 검색, 광고, 엔티티 발견, 엔티티 검색, 기업 리소스 계획, 노동력 관리, 고객 디지털 트윈, 제품 가격, 제품 번들링, 제품 및 서비스 번들링, 제품 종류별 분류, 업셀 제안 구성, 고객 피드백 참여, 고객 조사, 등을 수반하는 하나 이상을 포함한다.
실시예에서, 공급 체인 애플리케이션 및 수요 관리 애플리케이션의 세트는, 제한 없이, 공급 체인, 자산 관리, 위험 관리, 재고 관리, 블록체인, 스마트 계약, 기반구조 관리, 시설 관리, 분석, 재무, 거래, 세금, 규제, 아이덴티티 관리, 상거래, 전자상거래, 지불, 보안, 안전, 벤더 관리, 프로세스 관리, 호환성 테스트, 호환성 관리, 기반구조 테스트, 사건 관리, 예측 유지보수, 물류, 모니터링, 원격 제어, 자동화, 자기-구성, 자기-치유, 자기-조직화, 물류, 역물류, 폐기물 감소, 증강 현실, 가상 현실, 혼합 현실, 공급 체인 디지털 트윈, 벤더 프로파일링, 공급자 프로파일링, 제조자 프로파일링, 물류 엔티티 프로파일링, 기업 프로파일링, 작업자 프로파일링, 노동력 프로파일링, 컴포넌트 공급 정책 관리, 웨어하우징, 유통, 주문 처리, 배송 플릿 관리, 차량 플릿 관리, 노동력 관리, 해양 플릿 관리, 내비게이션, 라우팅, 배송 관리, 기회 매칭, 검색, 엔티티 발견, 엔티티 검색, 유통, 전달, 기업 리소스 계획 또는 다른 애플리케이션 중 하나 이상을 포함할 수 있다.
실시예에서, 공급 체인 애플리케이션 및 수요 관리 애플리케이션의 세트는 자산 관리, 위험 관리, 재고 관리, 블록체인, 스마트 계약, 분석, 재무, 거래, 세금, 규제, 아이덴티티 관리, 상거래, 전자상거래, 지불, 보안, 안전, 호환성 테스트, 호환성 관리, 사건 관리, 예측 유지보수, 모니터링, 원격 제어, 자동화, 자기-구성, 자기-치유, 자기-조직화, 폐기물 감소, 증강 현실, 가상 현실, 혼합 현실, 제품 설계, 제품 구성, 제품 업데이트, 제품 유지보수, 제품 지원, 제품 테스트, 키트 구성, 키트 배치, 키트 지원, 키트 업데이트, 키트 유지보수, 키트 수정, 키트 관리, 제품 디지털 트윈, 기회 매칭, 검색, 광고, 엔티티 발견, 엔티티 검색, 변동, 시뮬레이션, 사용자 인터페이스, 애플리케이션 프로그래밍 인터페이스, 연결성 관리, 자연어 인터페이스, 음성/대화 인터페이스, 로봇 인터페이스, 터치 인터페이스, 햅틱 인터페이스, 비전 시스템 인터페이스, 기업 리소스 계획, 또는 다른 애플리케이션 중 하나 이상을, 제한 없이, 포함할 수 있다.
실시예에서, 공급 체인 애플리케이션 및 수요 관리 애플리케이션의 세트는, 제한 없이, 운영, 재무, 자산 관리, 공급 체인 관리, 수요 관리, 인사 관리, 제품 관리, 위험 관리, 규제 및 준수 관리, 재고 관리, 기반구조 관리, 시설 관리, 분석, 거래, 세금, 아이덴티티 관리, 벤더 관리, 프로세스 관리, 프로젝트 관리, 운영 관리, 고객 관계 관리, 노동력 관리, 사건 관리, 연구 및 개발, 판매 관리, 마케팅 관리, 플릿 관리, 기회 분석, 결정 지원, 전략적 계획, 예상, 리소스 관리, 재산 관리, 또는 다른 애플리케이션 중 하나 이상을 포함할 수 있다.
실시예에서, 기계 비전 시스템은 이러한 타입의 밸류 체인 자산의 이미지의 라벨링된 데이터 세트에 기초하여 밸류 체인 자산의 타입을 인식하도록 훈련되는 인공 지능 시스템을 포함한다.
실시예에서, 디지털 트윈은 인공 지능 시스템의 출력에 기초하여 자산의 타입의 지표를 제시한다.
실시예에서, 기계 비전 시스템은 이러한 타입의 활동의 이미지의 라벨링된 데이터 세트에 기초하여 밸류 체인 엔티티의 세트를 수반하는 활동의 타입을 인식하도록 훈련되는 인공 지능 시스템을 포함한다.
실시예에서, 디지털 트윈은 인공 지능 시스템의 출력에 기초하여 활동 타입의 지표를 제시한다.
실시예에서, 기계 비전 시스템은 밸류 체인 네트워크 활동의 이미지의 세트 및 밸류 체인 네트워크 안전 결과의 세트를 포함하는 훈련 데이터 세트에 기초하여 밸류 체인 엔티티를 수반하는 안전 위험을 인식하도록 훈련되는 인공 지능 시스템을 포함한다.
실시예에서, 디지털 트윈은 인공 지능 시스템의 출력에 기초하여 위험의 지표를 제시한다.
실시예에서, 기계 비전 시스템은 밸류 체인 네트워크 활동의 이미지의 세트 및 밸류 체인 네트워크 타이밍 결과의 세트를 포함하는 훈련 데이터 세트에 기초하여 지연을 예측하도록 훈련되는 인공 지능 시스템을 포함한다.
실시예에서, 디지털 트윈은 인공 지능 시스템의 출력에 기초하여 지연 가능성의 지표를 제시한다.
본 출원의 다른 곳에서 그리고 참조로 포함되는 문서에서 언급되는 바와 같이, 밸류 체인 네트워크 엔티티(652) 및 관련 프로세스 및 애플리케이션과 관련하여 (본 개시 전반에 걸쳐 설명되는 기술 또는 시스템 중 임의의 것과 같은) 인공 지능은, 특히, 다음을 용이하게 하기 위해 사용될 수 있다: (a) 다양한 기능, 작업흐름, 애플리케이션, 특징, 리소스 활용 및 다른 인자의 최적화, 자동화 및/또는 제어, (b) 다양한 상태, 엔티티, 패턴, 이벤트, 상황, 거동, 또는 다른 요소의 인식 또는 진단; 및/또는 (c) 다양한 상태, 이벤트, 상황 또는 다른 인자의 예상. 인공 지능이 개선됨에 따라, 도메인-특정 및/또는 일반 인공 지능 시스템의 큰 어레이가 이용가능하게 되었고 계속 증식할 가능성이 있다. 개발자가 본 개시 전반에 걸쳐 설명된 밸류 체인 엔티티(652) 및 애플리케이션(630)에 관련된 것과 같은 도메인-특정 문제에 대한 해결책을 추구함에 따라, 이들은 인공 지능 모델을 선택함에 있어서(예컨대, 어떤 세트의 신경망, 기계 학습 시스템, 전문가 시스템 등이 선택할지) 그리고 어떤 입력이 주어진 문제에 대한 인공 지능의 효과적이고 효율적인 사용을 가능하게 할 수 있는지를 발견하고 선택함에 있어서 도전과제에 직면한다. 위에서 언급된 바와 같이, 기회 마이너(1460)는 증가된 자동화 및 지능을 위한 기회의 발견을 도울 수 있지만; 그러나, 일단 기회가 발견되면, 인공 지능 솔루션의 선택 및 구성은 여전히 상당한 도전과제를 제시하는데, 이는 인공 지능 솔루션이 증식함에 따라 계속 성장할 가능성이 있다.
이러한 과제에 대한 해결책의 하나의 세트는 도메인 및/또는 도메인 관련 문제의 하나 이상의 속성에 기초하여 인공 지능 시스템의 관련 세트의 수집, 조직, 추천 및 프레젠테이션을 가능하게 하도록 구성되는 인공 지능 저장소(3504)이다. 실시예에서, 인공 지능 저장소(3504)는 관련 인공 지능 애플리케이션의 다운로드, 인공 지능 시스템에 대한 링크 또는 다른 연결(예컨대 API, 포트, 커넥터, 또는 다른 인터페이스를 통한 클라우드-배치된 인공 지능 시스템에 대한 링크들)의 확립 등을 가능하게 하는 것과 같은, 인공 지능 시스템에 대한 인터페이스의 세트를 포함할 수 있다. 인공 지능 저장소(3504)는 특정 타입의 문제(예를 들어, 예상, NLP, 이미지 인식, 패턴 인식, 모션 검출, 경로 최적화 등들)를 해결하기 위한 및/또는 도메인-특정 입력, 데이터 또는 다른 엔티티 상에서 동작하기 위한 시스템의 적합성을 표시하는 메타데이터 또는 다른 설명 자료와 같은, 다양한 인공 지능 시스템 각각에 대한 설명 콘텐츠를 포함할 수 있다. 실시예에서, 인공 지능 저장소(3504)는 도메인, 입력 타입, 처리 타입, 출력 타입, 계산 요건 및 능력, 비용, 에너지 사용량, 및 다른 인자와 같은 카테고리에 의해 조직될 수 있다. 실시예에서, 애플리케이션 저장소(3504)에 대한 인터페이스는 개발자로부터 및/또는 플랫폼으로부터(예컨대 기회 마이너(1460)로부터) 인공 지능을 통해 다루어질 수 있는 문제의 하나 이상의 속성을 표시하는 입력을 취할 수 있고, 개발자의 도메인-특정 문제에 기초하여 유리한 후보를 나타낼 수 있는 인공 지능 솔루션의 서브세트에 대한 추천의 세트를, 예컨대 인공 지능 속성 검색 엔진을 통해 제공할 수 있다. 검색 결과 또는 추천은, 실시예에서, 예컨대 개발자에게 유리한 모델의 요소를 표시하거나 선택하도록 요청함으로써, 뿐만 아니라, 또한 예컨대 유사성 행렬, k-평균 클러스터링, 또는 유사한 개발자, 유사한 도메인-특정 문제, 및/또는 유사한 인공 지능 솔루션을 연관시키는 다른 클러스터링 기술을 사용한 클러스터링에 의해, 협력 필터링에 적어도 부분적으로 기초할 수 있다. 인공 지능 저장소(3504)는 구매, 라이센싱, 지불 추적, 트랜잭션의 정산, 또는 다른 특징을 자동화하기 위한 스마트 계약 및/또는 블록체인 특징을 사용하여 동작하는 것을 비롯하여, 평가, 리뷰, 관련 콘텐츠에 대한 링크, 및 프로비저닝, 라이센싱, 전달 및 지불(제휴사 및/또는 기여자에 대한 지불의 할당을 포함함)을 위한 메커니즘과 같은 전자상거래 특징을 포함할 수 있다.
도 43을 참조하면, 인공 지능 시스템(1160)은 밸류 체인 엔티티(652) 중 하나 이상의 밸류 체인 엔티티의 데이터 처리, 데이터 분석, 시뮬레이션 생성, 및 시뮬레이션 분석과 관련된 분석, 시뮬레이션, 의사 결정, 및 예측을 수행하기 위한 기계 학습 모델(3000)을 정의할 수 있다. 기계 학습 모델(3000)은 명시적 명령어를 사용하지 않고 패턴 및 추론에 대신 의존하여 특정 태스크를 수행하는 알고리즘 및/또는 통계 모델이다. 기계 학습 모델(3000)은 특정 태스크를 수행하도록 명시적으로 프로그래밍되지 않고 예측 및/또는 결정을 수행하기 위해 훈련 데이터에 기초하여 하나 이상의 수학적 모델을 구축한다. 기계 학습 모델(3000)은 밸류 체인 엔티티(652) 중 하나 이상과 관련된 이벤트 데이터(1034) 및 상태 데이터(1140)를 포함하는 센서 데이터의 입력을 훈련 데이터로서 수신할 수 있다. 기계 학습 모델(3000)에 입력되는 센서 데이터는 밸류 체인 엔티티(652) 중 하나 이상의 밸류 체인 엔티티의 데이터 처리, 데이터 분석, 시뮬레이션 생성, 및 시뮬레이션 분석에 관련된 분석, 시뮬레이션, 의사 결정, 및 예측 결정을 수행하도록 기계 학습 모델(3000)을 훈련시키는 데 사용될 수 있다. 기계 학습 모델(3000)은 또한 정보 기술 시스템의 사용자 또는 사용자들로부터의 입력 데이터를 사용할 수 있다. 기계 학습 모델(3000)은 인공 신경망, 결정 트리, 지원 벡터 기계, 베이지안 네트워크, 유전 알고리즘, 임의의 다른 적합한 형태의 기계 학습 모델, 또는 이들의 조합을 포함할 수 있다. 기계 학습 모델(3000)은 지도 학습, 비지도 학습, 강화 학습, 자기 학습, 특징 학습, 희소 사전 학습, 이상 검출, 연관 규칙, 이들의 조합, 또는 학습을 위한 임의의 다른 적합한 알고리즘을 통해 학습하도록 구성될 수 있다.
인공 지능 시스템(1160)은 또한 밸류 체인 엔티티(652) 중 하나 이상의 디지털 복제본을 생성하기 위해 디지털 트윈 시스템(1700)을 정의할 수 있다. 밸류 체인 엔티티(652) 중 하나 이상의 디지털 복제본은 밸류 체인 엔티티(652)의 실질적 실시간 가상 표현을 제공하기 위해 실질적 실시간 센서 데이터를 사용할 수 있고, 하나 이상의 밸류 체인 엔티티(652)의 하나 이상의 가능한 미래 상태의 시뮬레이션을 제공한다. 디지털 복제본은 복제되는 하나 이상의 밸류 체인 엔티티(652)와 동시에 존재한다. 디지털 복제본은, 실시예에서, 복제되는 하나 이상의 밸류 체인 엔티티(652)의 라이프스타일 전반에 걸쳐, 복제되는 하나 이상의 밸류 체인 엔티티(652)의 물리적 요소 및 특성 둘 모두와 그 역학의 하나 이상의 시뮬레이션을 제공한다. 디지털 복제본은 예를 들어, 예컨대, 하나 이상의 밸류 체인 엔티티가 구성되거나 제조되기 전의 설계 단계 동안, 또는 하나 이상의 밸류 체인 엔티티의 구성 또는 제조 동안 또는 그 이후에, 높은 스트레스 동안, 컴포넌트 마모가 문제가 될 수 있는 기간이 경과한 후, 최대 처리량 동작 동안, 하나 이상의 밸류 체인 엔티티(652)에 대해 하나 이상의 가상의 또는 계획된 개선이 이루어진 후, 또는 임의의 다른 적합한 가상의 상황 동안에, 하나 이상의 밸류 체인 엔티티(652)의 상태를 시뮬레이션하기 위해 센서 데이터의 가상의 외삽을 허용함으로써 하나 이상의 밸류 체인 엔티티(652)의 가상의 시뮬레이션을 제공할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은, 예컨대, 하나 이상의 밸류 체인 엔티티(652)에 대한 가능한 개선을 예측하는 것, 하나 이상의 밸류 체인 엔티티(652)의 하나 이상의 컴포넌트가 고장날 수 있는 때를 예측하는 것, 및/또는 타이밍 설정, 배열, 컴포넌트에 대한 변경, 또는 밸류 체인 엔티티(652)에 대한 임의의 다른 적합한 변경과 같은, 하나 이상의 밸류 체인 엔티티(652)에 대한 가능한 개선을 제안하는 것에 의해서, 디지털 복제본으로 시뮬레이션하기 위한 가상 상황을 자동으로 예측할 수 있다. 디지털 복제본은 하나 이상의 밸류 체인 엔티티(652)의 설계 및 동작 단계 둘 모두 동안 하나 이상의 밸류 체인 엔티티(652)의 시뮬레이션 뿐만 아니라, 또한 하나 이상의 밸류 체인 엔티티(652)의 가상 동작 조건 및 구성의 시뮬레이션을 허용한다. 디지털 복제본은, 하나 이상의 밸류 체인 엔티티(652)의 각각의 컴포넌트 내에서, 그 위에서, 그리고 그 주위에서 뿐만 아니라, 또한 일부 실시예에서 하나 이상의 밸류 체인 엔티티(652) 내의 온도, 마모, 광, 진동 등을 포함하는 거의 임의의 타입의 메트릭의 관찰 및 측정을 용이하게 함으로써, 하나 이상의 밸류 체인 엔티티의 귀중한 분석 및 시뮬레이션을 허용한다. 일부 실시예에서, 기계 학습 모델(3000)은 디지털 트윈 시스템(1700)에 의한 사용을 위한 시뮬레이션 데이터를 정의하기 위해 이벤트 데이터(1034) 및 상태 데이터(1140)를 포함하는 센서 데이터를 처리할 수 있다. 기계 학습 모델(3000)은, 예를 들어, 복수의 밸류 체인 엔티티(652) 중 특정 밸류 체인 엔티티(652)에 관련된 상태 데이터(1140) 및 이벤트 데이터(1034)를 수신하고, 상태 데이터(1140) 및 이벤트 데이터(1034)를 밸류 체인 엔티티(652)의 디지털 복제본 생성시 디지털 트윈 시스템(1700)이 사용하기에 적합한 포맷으로 포맷팅하기 위해 상태 데이터(1140) 및 이벤트 데이터(1034)에 대해 일련의 동작을 수행할 수 있다. 예를 들어, 하나 이상의 밸류 체인 엔티티(652)는 인접한 조립 라인 상의 제품을 증강시키도록 구성된 로봇을 포함할 수 있다. 기계 학습 모델(3000)은 로봇 상에, 로봇 근처에, 로봇 내에, 및/또는 로봇 주위에 위치된 하나 이상의 센서로부터 데이터를 수집할 수 있다. 기계 학습 모델(3000)은 센서 데이터에 대한 동작을 수행하여 센서 데이터를 시뮬레이션 데이터로 처리하고 시뮬레이션 데이터를 디지털 트윈 시스템(1700)에 출력할 수 있다. 디지털 트윈 시뮬레이션(1700)은 로봇의 하나 이상의 디지털 복제본을 생성하기 위해 시뮬레이션 데이터를 사용할 수 있으며, 시뮬레이션은 예를 들어 로봇 및 그 컴포넌트의 온도, 마모, 속도, 회전 및 진동을 포함하는 메트릭을 포함한다. 시뮬레이션은 정보 기술의 인간 사용자가 로봇의 시뮬레이션, 그에 관련된 메트릭, 및 그 컴포넌트에 관련된 메트릭을 실질적 실시간으로 볼 수 있게 하는 실질적 실시간 시뮬레이션일 수 있다. 시뮬레이션은 정보 기술의 인간 사용자가 로봇의 예측적 또는 가상적 시뮬레이션, 그에 관련된 메트릭, 및 그 컴포넌트에 관련된 메트릭을 볼 수 있게 하는 예측적 또는 가상적 상황일 수 있다.
일부 실시예에서, 기계 학습 모델(3000) 및 디지털 트윈 시스템(1700)은 센서 데이터를 처리하고 복수의 밸류 체인 엔티티(652) 중 한 세트의 밸류 체인 엔티티의 디지털 복제본을 생성하여 밸류 체인 엔티티의 관련 그룹의 설계, 실시간 시뮬레이션, 예측 시뮬레이션, 및/또는 가상 시뮬레이션을 용이하게 할 수 있다. 밸류 체인 엔티티의 세트의 디지털 복제본은 밸류 체인 엔티티의 세트의 실질적 실시간 가상 표현을 제공하고 밸류 체인 엔티티의 세트의 하나 이상의 가능한 미래 상태의 시뮬레이션을 제공하기 위해 실질적 실시간 센서 데이터를 사용할 수 있다. 디지털 복제본은 복제되는 밸류 체인 엔티티의 세트와 동시에 존재한다. 디지털 복제본은 복제된 밸류 체인 엔티티의 세트의 라이프스타일 전반에 걸친 실시예에서, 복제된 밸류 체인 엔티티의 세트의 물리적 요소 및 특성 둘 모두와 그 역학의 하나 이상의 시뮬레이션을 제공한다. 하나 이상의 시뮬레이션은 증강 현실(AR) 장치를 사용하여, 또는 가상 현실(VR) 장치를 사용하여, 모니터 상에서 볼 수 있는 하나 이상의 밸류 체인 엔티티(652)의 와이어-프레임 가상 표현과 같은 시각적 시뮬레이션을 포함할 수 있다. 시각적 시뮬레이션은 시뮬레이션의 컴포넌트를 주밍 또는 강조하는 것 및/또는 하나 이상의 밸류 체인 엔티티(652)의 분해도를 제공하는 것과 같이, 정보 기술 시스템의 인간 사용자에 의해 조작될 수 있다. 디지털 복제본은, 예컨대, 예를 들어, 하나 이상의 밸류 체인 엔티티가 구성되거나 제조되기 전의 설계 단계 동안, 또는 하나 이상의 밸류 체인 엔티티의 구성 또는 제조 동안 또는 그 이후에, 높은 스트레스 동안, 컴포넌트 마모가 문제가 될 수 있는 기간이 경과한 후, 최대 처리량 동작 동안, 밸류 체인 엔티티의 세트에 대해 하나 이상의 가상의 또는 계획된 개선이 이루어진 후, 또는 임의의 다른 적절한 가상의 상황 동안에, 밸류 체인 엔티티의 세트의 상태를 시뮬레이션하기 위해 센서 데이터의 가상의 외삽을 허용함으로써 밸류 체인 엔티티의 세트의 가상의 시뮬레이션을 제공할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은, 예컨대, 밸류 체인 엔티티의 세트에 대한 가능한 개선을 예측하는 것, 밸류 체인 엔티티의 세트의 하나 이상의 컴포넌트가 언제 고장날 수 있는지를 예측하는 것, 및/또는, 타이밍 설정, 배열, 컴포넌트에 대한 변경, 또는 밸류 체인 엔티티(652)에 대한 임의의 다른 적합한 변경과 같은, 밸류 체인 엔티티의 세트에 대한 가능한 개선을 제안하는 것에 의해, 디지털 복제본으로 시뮬레이션하기 위한 가상적 상황을 자동으로 예측할 수 있다. 디지털 복제본은 밸류 체인 엔티티의 세트의 설계 및 동작 단계 둘 모두 동안 밸류 체인 엔티티의 세트의 시뮬레이션 뿐만 아니라 밸류 체인 엔티티의 세트의 가상 동작 조건 및 구성의 시뮬레이션을 허용한다. 디지털 복제본은 밸류 체인 엔티티의 세트의 각각의 컴포넌트 내에서, 상에서, 그리고 주위에서 뿐만 아니라, 또한 일부 실시예에서 밸류 체인 엔티티의 세트 내의 온도, 마모, 광, 진동 등을 포함하는 거의 임의의 타입의 메트릭의 관찰 및 측정을 용이하게 함으로써, 하나 이상의 밸류 체인 엔티티의 귀중한 분석 및 시뮬레이션을 허용한다. 일부 실시예에서, 기계 학습 모델(3000)은 디지털 트윈 시스템(1700)에 의한 사용을 위한 시뮬레이션 데이터를 정의하기 위해 이벤트 데이터(1034) 및 상태 데이터(1140)를 포함하는 센서 데이터를 처리할 수 있다. 기계 학습 모델(3000)은, 예를 들어, 복수의 밸류 체인 엔티티(652) 중 특정 밸류 체인 엔티티(652)에 관련된 상태 데이터(1140) 및 이벤트 데이터(1034)를 수신하고, 상태 데이터(1140) 및 이벤트 데이터(1034)를 밸류 체인 엔티티의 세트의 디지털 복제본 생성시 디지털 트윈 시스템(1700)이 사용하기에 적합한 포맷으로 포맷팅하기 위해 상태 데이터(1140) 및 이벤트 데이터(1034)에 대해 일련의 동작을 수행할 수 있다. 예를 들어, 밸류 체인 엔티티의 세트는 컨베이어 벨트 상에 제품을 배치하도록 구성되는 다이 기계, 다이 기계가 제품을 배치하도록 구성되는 컨베이어 벨트, 및 제품이 조립 라인을 따라 이동할 때 제품에 부품을 추가하도록 구성되는 복수의 로봇을 포함할 수 있다. 기계 학습 모델(3000)은 다이 기계, 컨베이어 벨트, 및 복수의 로봇 각각 상에, 그 근처에, 그 안에, 및/또는 그 주위에 위치된 하나 이상의 센서로부터 데이터를 수집할 수 있다. 기계 학습 모델(3000)은 센서 데이터에 대한 동작을 수행하여 센서 데이터를 시뮬레이션 데이터로 처리하고 시뮬레이션 데이터를 디지털 트윈 시스템(1700)에 출력할 수 있다. 디지털 트윈 시뮬레이션(1700)은 다이 기계, 컨베이어 벨트, 및 복수의 로봇의 하나 이상의 디지털 복제본을 생성하기 위해 시뮬레이션 데이터를 사용할 수 있고, 시뮬레이션은 예를 들어 다이 기계, 컨베이어 벨트, 및 복수의 로봇 및 그 컴포넌트의 온도, 마모, 속도, 회전, 및 진동을 포함하는 메트릭을 포함한다. 시뮬레이션은 정보 기술의 인간 사용자가 다이 기계, 컨베이어 벨트, 및 복수의 로봇의 시뮬레이션, 그에 관련된 메트릭, 및 그 컴포넌트에 관련된 메트릭을 실질적 실시간으로 볼 수 있게 하는 실질적 실시간 시뮬레이션일 수 있다. 시뮬레이션은 정보 기술의 인간 사용자가 다이 기계, 컨베이어 벨트, 및 복수의 로봇, 그에 관련된 메트릭, 및 그 컴포넌트에 관련된 메트릭의 예측적 또는 가상적 시뮬레이션을 볼 수 있게 하는 예측적 또는 가상적 상황일 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 밸류 체인 엔티티(652) 중 하나 이상의 디지털 복제본 시뮬레이션에서 사용하기 위한 센서 데이터의 수집을 우선순위화할 수 있다. 기계 학습 모델(3000)은 센서 데이터 및 사용자 입력을 사용하여 훈련될 수 있고, 그에 의해 어느 타입의 센서 데이터가 밸류 체인 엔티티(652) 중 하나 이상의 디지털 복제 시뮬레이션의 생성에 가장 효과적인지를 학습한다. 예를 들어, 기계 학습 모델(3000)은 특정 밸류 체인 엔티티(652)가 온도, 습도, 및 부하에 의해 영향을 받는 컴포넌트 마모 및 처리량과 같은 동적 특성을 갖는다는 것을 발견할 수 있다. 기계 학습 모델(3000)은, 기계 학습을 통해, 온도, 습도, 및 부하에 관련된 센서 데이터의 수집을 우선순위화할 수 있고, 우선순위화된 타입의 센서 데이터를 디지털 트윈 시스템(1700)으로의 출력을 위한 시뮬레이션 데이터로 처리하는 것을 우선순위화할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은, 우선순위화된 타입의 더 많은 및/또는 더 나은 데이터가 그 디지털 복제본을 통해 밸류 체인 엔티티(652)의 시뮬레이션에서 사용될 수 있도록, 시뮬레이션 중인 밸류 체인 엔티티(652) 근처 및 그 주위의 정보 기술 및 밸류 체인 시스템에서 우선순위화된 타입의 더 많은 및/또는 상이한 센서가 구현될 것을 정보 기술 시스템의 사용자에게 제안할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 모델링 목표 및 센서 데이터의 품질 또는 타입 중 하나 또는 둘 모두에 기초하여 디지털 트윈 시스템(1700)으로의 송신을 위해 어느 타입의 센서 데이터가 시뮬레이션 데이터로 처리되어야 하는지를 결정하도록 학습하도록 구성될 수 있다. 모델링 목표는 정보 기술 시스템의 사용자에 의해 설정된 목표일 수 있거나 기계 학습 모델(3000)에 의해 예측되거나 학습될 수 있다. 모델링 목표의 예는, 예를 들어, 컨베이어 벨트, 조립 기계, 하나 이상의 제품, 및 밸류 체인의 다른 컴포넌트의 열, 전력, 컴포넌트 마모, 및 다른 메트릭의 수집, 시뮬레이션, 및 모델링을 포함할 수 있는, 조립 라인 상의 처리량의 역학을 보여줄 수 있는 디지털 복제본을 생성하는 것을 포함한다. 기계 학습 모델(3000)은 이러한 모델을 달성하기 위해 디지털 트윈 시스템(1700)으로의 송신을 위해 시뮬레이션 데이터로 처리될 필요가 있는 센서 데이터의 타입을 결정하는 것을 학습하도록 구성될 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 어느 타입의 센서 데이터가 수집되고 있는지, 수집되고 있는 센서 데이터의 품질 및 수량, 및 수집되고 있는 센서 데이터가 무엇을 나타내는지를 분석할 수 있고, 어느 타입의 센서 데이터가 모델링 목표를 달성하는 것과 관련되고/되거나 관련되지 않는지와 관련된 결정, 예측, 분석, 및/또는 결정을 수행할 수 있고, 모델링 목표를 달성함에 있어서 디지털 트윈 시스템(1700)에 의한 사용을 위해 시뮬레이션 데이터로 처리되는 센서 데이터의 품질 및 수량을 우선순위화하고, 개선하고, 및/또는 달성하기 위한 결정, 예측, 분석, 및/또는 결정을 수행할 수 있다.
일부 실시예에서, 정보 기술 시스템의 사용자는 모델링 목표를 기계 학습 모델(3000)에 입력할 수 있다. 기계 학습 모델(3000)은, 모델링 목표의 달성과 관련된 밸류 체인 엔티티 또는 복수의 밸류 체인 엔티티 내에, 상에, 또는 근처에 위치된 하나 이상의 타입의 센서가 모델링 목표를 달성하기에 충분하거나 및/또는 충분하지 않은 것과 같은, 어느 타입의 센서 데이터가 모델링 목표를 달성하는 것과 가장 관련되는지에 관한 제안을 정보 기술 시스템의 사용자에게 출력하기 위해 훈련 데이터를 분석하도록 학습할 수 있고, 예컨대, 센서를 추가, 제거, 또는 재위치시킴으로써, 얼마나 다양한 구성의 센서 타입이 타입의 센서의 상이한 구성이 기계 학습 모델(3000) 및 디지털 트윈 시스템(1700)에 의한 모델링 목표의 달성을 더 잘 용이하게 할 수 있는지를 학습할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 모델링 목표를 달성하거나 더 잘 달성하기 위해 센서 데이터 수집의 수집 레이트, 처리, 저장, 샘플링 레이트, 대역폭 할당, 비트레이트, 및 다른 속성을 자동으로 증가 또는 감소시킬 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 모델링 목표를 달성하거나 더 양호하게 달성하기 위해 센서 데이터 수집의 수집 레이트, 처리, 저장, 샘플링 레이트, 대역폭 할당, 비트레이트, 및 다른 속성을 증가시키거나 감소시키는 것과 관련된 제안 또는 예측을 정보 기술 시스템의 사용자에게 수행할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 모델링 목표를 자동으로 생성 및/또는 제안하기 위해 복수의 밸류 체인 엔티티(652) 중 하나 이상의 밸류 체인 엔티티(652)의 센서 데이터, 시뮬레이션 데이터, 이전, 현재, 및/또는 미래 디지털 복제본 시뮬레이션을 사용할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)에 의해 자동으로 생성되는 모델링 목표는 기계 학습 모델(3000)에 의해 자동으로 구현될 수 있다. 일부 실시예에서, 기계 학습 모델(3000)에 의해 자동으로 생성된 모델링 목표는 정보 기술 시스템의 사용자에게 제안될 수 있고, 사용자에 의해 제안된 모델링 목표에 대한 수정이 이루어진 후와 같이, 사용자에 의한 수락 및/또는 부분적 수락 후에만 구현될 수 있다.
일부 실시예에서, 사용자는, 예를 들어, 하나 이상의 모델링 명령을 정보 기술 시스템에 입력함으로써, 하나 이상의 모델링 목표를 입력할 수 있다. 하나 이상의 모델링 명령은, 예를 들어, 하나의 밸류 체인 엔티티(652) 또는 복수(652)의 밸류 체인 엔티티의 세트의 디지털 복제본 시뮬레이션을 생성하기 위해 기계 학습 모델(3000) 및 디지털 트윈 시스템(1700)에 대한 명령을 포함할 수 있고, 실시간 시뮬레이션 및 가상 시뮬레이션 중 하나 이상인 디지털 복제본 시뮬레이션에 대한 명령을 포함할 수 있다. 모델링 명령은 또한, 예를 들어, 어떤 타입의 센서 데이터가 사용되어야 하는지에 대한 파라미터, 센서 데이터에 대한 샘플링 레이트, 및 하나 이상의 디지털 복제본 시뮬레이션에서 사용되는 센서 데이터에 대한 다른 파라미터를 포함할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은, 예컨대, 이전 모델링 명령을 훈련 데이터로서 사용함으로써, 모델링 명령을 예측하도록 구성될 수 있다. 기계 학습 모델(3000)은, 예를 들어, 밸류 체인 엔티티(652)의 관리에 유용할 수 있는 밸류 체인 엔티티(652) 중 하나 이상의 시뮬레이션을 용이하게 하고/하거나 사용자가 밸류 체인 엔티티(652)와의 잠재적인 문제 또는 그에 대한 가능한 개선을 용이하게 식별할 수 있게 하기 위해, 정보 기술 시스템의 사용자에게 예측된 모델링 명령을 제안할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 밸류 체인 엔티티(652) 중 하나 이상의 밸류 체인 엔티티의 가상 시뮬레이션의 세트를 평가하도록 구성될 수 있다. 가상 시뮬레이션의 세트는 하나 이상의 모델링 명령의 결과로서, 하나 이상의 모델링 목표, 하나 이상의 모델링 명령의 결과로서, 기계 학습 모델(3000)에 의한 예측에 의해, 또는 이들의 조합에 의해 기계 학습 모델(3000) 및 디지털 트윈 시스템(1700)에 의해 생성될 수 있다. 기계 학습 모델(3000)은 사용자에 의해 정의된 하나 이상의 메트릭, 기계 학습 모델(3000)에 의해 정의된 하나 이상의 메트릭, 또는 이들의 조합에 기초하여 가상 시뮬레이션의 세트를 평가할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 가상 시뮬레이션의 세트의 가상 시뮬레이션 각각을 서로 독립적으로 평가할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은, 예를 들어, 하나 이상의 메트릭에 기초하여 가상 시뮬레이션을 순위화하거나 가상 시뮬레이션의 계층을 생성함으로써, 가상 시뮬레이션의 세트의 가상 시뮬레이션 중 하나 이상을 서로 관련하여 평가할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 기계 학습 모델(3000)의 출력의 인간 이해 뿐만 아니라, 또한 기계 학습 모델(3000)의 인지 및 프로세스와 관련된 정보 및 통찰을 용이하게 하기 위한 하나 이상의 모델 해석능력 시스템을 포함할 수 있는데, 즉, 하나 이상의 모델 해석능력 시스템은 기계 학습 모델(3000)이 "무엇"을 출력하고 있는지 뿐만 아니라, 또한 기계 학습 모델(3000)이 "왜" 그 출력을 출력하고 있는지, 및 어떤 프로세스가 기계 학습 모델(3000)이 출력을 조성하게 하는지에 대한 인간 이해를 허용한다. 하나 이상의 모델 해석능력 시스템은 또한 기계 학습 모델(3000)의 훈련을 개선하고 안내하기 위해, 기계 학습 모델(3000)을 디버깅하는 것을 돕기 위해, 기계 학습 모델(3000)에서 편향을 인식하는 것을 돕기 위해 인간 사용자에 의해 사용될 수 있다. 하나 이상의 모델 해석능력 시스템은 선형 회귀, 로지스틱 회귀, 일반화된 선형 모델(GLM), 일반화된 가산 모델(GAM), 결정 트리, 결정 규칙, RuleFit, 나이브 베이즈 분류기, K-최근접 이웃 알고리즘, 부분 의존성 플롯, 개별 조건부 기대치(ICE), 누적된 로컬 효과(ALE) 플롯, 특징 상호작용, 순열 특징 중요도, 글로벌 대용 모델, 로컬 대용(LIME) 모델, 범위 규칙, 즉 앵커, 샤플리 값, SHAP(Shapley additive explanations), 특징 시각화, 네트워크 해부, 또는 임의의 다른 적절한 기계 학습 해석능력 구현 중 하나 이상을 포함할 수 있다. 일부 실시예에서, 하나 이상의 모델 해석능력 시스템은 모델 데이터세트 시각화 시스템을 포함할 수 있다. 모델 데이터세트 시각화 시스템은 기계 학습 모델(3000)의 센서 데이터, 시뮬레이션 데이터, 및 데이터 노드의 값의 분포와 관련된 시각적 분석을 정보 기술 시스템의 인간 사용자에게 자동으로 제공하도록 구성된다.
일부 실시예에서, 기계 학습 모델(3000)은 BCM(Bayesian case model) 또는 글래스 박스와 같은 임베디드 모델 해석능력 시스템을 포함 및/또는 구현할 수 있다. 베이지안 사례 모델은 기계 학습 모델(3000)의 센서 데이터, 시뮬레이션 데이터, 및 데이터 노드와 같은 데이터의 인간 이해를 용이하게 하기 위해 베이지안 사례 기반 추론, 프로토타입 분류, 및 클러스터링을 사용한다. 일부 실시예에서, 모델 해석능력 시스템은, 기계 학습 모델(3000)의 센서 데이터, 시뮬레이션 데이터, 및 데이터 노드와 같은 데이터의 인간 이해를 용이하게 하기 위해, 가우시안 프로세스와 같은 글래스 박스 해석능력 방법을 포함 및/또는 구현할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 개념 활성화 벡터(TCAV)를 사용한 테스트를 포함 및/또는 구현할 수 있다. TCAV는 기계 학습 모델(3000)이 개념을 정의하는 것, 개념 활성화 벡터를 결정하는 것, 및 방향성 도함수를 계산하는 것을 포함하는 프로세스에 의해 예로부터 "실행", "비실행", "급전(powered)", "비급전(not powered)", "로봇", "인간", "트럭", 또는 "선박"과 같은 인간이 해석할 수 있는 개념을 학습하는 것을 허용한다. 인간이 해석할 수 있는 개념, 객체, 상태 등을 학습함으로써, TCAV는 기계 학습 모델(3000)이 밸류 체인 엔티티(652)와 관련된 유용한 정보 및 그로부터 수집된 데이터를 정보 기술 시스템의 인간 사용자가 쉽게 이해하는 포맷으로 출력하는 것을 허용할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 예들을 고려함으로써 그리고 태스크 특정 규칙으로 명시적으로 프로그래밍되지 않고 태스크를 수행하게 "학습"하도록 구성된 인공 신경망, 예를 들어, 연결주의 시스템일 수 있고/있거나 이를 포함할 수 있다. 기계 학습 모델(3000)은 일부 방식에서 생물학적 뇌의 뉴런을 에뮬레이트할 수 있는 인공 뉴런들처럼 작용할 수 있는 연결된 유닛 및/또는 노드의 집합체에 기초할 수 있다. 유닛 및/또는 노드는 각각 다른 유닛 및/또는 노드에 대한 하나 이상의 연결을 가질 수 있다. 유닛 및/또는 노드는 정보, 예를 들어, 하나 이상의 신호를 다른 유닛 및/또는 노드에 송신하고, 다른 유닛 및/또는 노드로부터 수신된 신호를 처리하고, 처리된 신호를 다른 유닛 및/또는 노드에 포워딩하도록 구성될 수 있다. 유닛 및/또는 노드 및 그 사이의 연결 중 하나 이상은 할당된 하나 이상의 수치 "가중치"를 가질 수 있다. 할당된 가중치는 기계 학습 모델(3000)의 학습, 즉, 훈련을 촉진하도록 구성될 수 있다. 가중치가 할당된 가중치는 하나 이상의 유닛 및/또는 노드 사이의 하나 이상의 신호를 증가 및/또는 감소시킬 수 있고, 일부 실시예에서는 가중치 중 하나 이상과 연관된 하나 이상의 임계값을 가질 수 있다. 하나 이상의 임계값은, 신호 및/또는 집계 신호가 임계값과 교차하는 경우, 신호가 하나 이상의 유닛 및/또는 노드 사이에서만 전송되도록 구성될 수 있다. 일부 실시예에서, 유닛 및/또는 노드는 복수의 계층에 할당될 수 있고, 계층 각각은 입력 및 출력 중 하나 또는 둘 모두를 갖는다. 제1 계층은 훈련 데이터를 수신하고, 훈련 데이터의 적어도 일부를 변환하고, 훈련 데이터 및 그 변환에 관련된 신호를 제2 계층에 송신하도록 구성될 수 있다. 최종 계층은 기계 학습 모델(3000)에 의한 하나 이상의 입력의 처리의 추정치, 결론, 제품, 또는 다른 결과를 출력하도록 구성될 수 있다. 계층 각각은 하나 이상의 타입의 변환을 수행할 수 있고, 하나 이상의 신호는 계층 중 하나 이상을 1회 이상 통과할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 딥러닝을 이용할 수 있고, 예컨대, 하나 이상의 은닉 계층을 포함하도록 구성됨으로써, 심층 신경망, 심층 신뢰 네트워크, 순환 신경망, 및/또는 컨볼루션 신경망으로서 적어도 부분적으로 모델링 및/또는 구성될 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 결정 트리, 예를 들어, 하나 이상의 관찰을 식별하고 입력에 기초하여 하나 이상의 결론을 결정하도록 구성된 트리 기반 예측 모델일 수 있고/있거나 이를 포함할 수 있다. 관찰은 결정 트리의 하나 이상의 "브랜치"로서 모델링될 수 있고, 결론은 결정 트리의 하나 이상의 "리프(leaf)"로서 모델링될 수 있다. 일부 실시예에서, 결정 트리는 분류 트리일 수 있다. 분류 트리는 하나 이상의 클래스 라벨을 나타내는 하나 이상의 리프, 및 클래스 라벨로 이어지도록 구성된 특징의 하나 이상의 연결을 나타내는 하나 이상의 브랜치를 포함할 수 있다. 일부 실시예에서, 결정 트리는 회귀 트리일 수 있다. 회귀 트리는 하나 이상의 목표 변수가 연속적인 값을 취할 수 있도록 구성될 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 지원 벡터 기계, 예를 들어, 데이터의 분류 및 회귀 기반 모델링 중 하나 또는 둘 모두에서 사용하도록 구성된 관련된 지도 학습 방법의 세트일 수 있고/있거나 이를 포함할 수 있다. 지원 벡터 기계는 새로운 예가 하나 이상의 카테고리에 속하는지를 예측하도록 구성될 수 있고, 이 하나 이상의 카테고리는 지원 벡터 기계의 훈련 동안 구성된다.
일부 실시예에서, 기계 학습 모델(3000)은 하나 이상의 입력과 하나 이상의 입력의 하나 이상의 특징 사이의 관계를 결정 및/또는 추정하기 위해 회귀 분석을 수행하도록 구성될 수 있다. 회귀 분석은 선형 회귀를 포함할 수 있고, 여기서, 기계 학습 모델(3000)은 하나 이상의 수학적 기준에 따라 입력 데이터에 가장 잘 맞도록 단일 라인을 계산할 수 있다.
실시예에서, (회귀 모델, 베이지안 네트워크, 지도 모델, 또는 다른 타입의 모델과 같은) 기계 학습 모델(3000)에 대한 입력은, 예컨대, 모델(3000)의 정확도에 대한 다양한 입력의 영향을 테스트하기 위해, 예컨대, 기계 학습 모델의 생성 및/또는 훈련에 사용되는 데이터 세트와 독립적인 테스트 데이터의 세트를 사용함으로써 테스트될 수 있다. 예를 들어, 입력의 부재로 인해 모델(3000)의 성공에 대한 중대한 열화가 발생되는지를 결정하기 위해, 단일 입력, 입력의 쌍, 트리플릿 등을 포함하는 회귀 모델에 대한 입력이 제거될 수 있다. 이는 실제로 상관되는(예를 들어, 동일한 기본 데이터의 선형 조합들인), 중첩되는 등인 입력들의 인식을 도울 수 있다. 모델 성공의 비교는 유사한 정보를 제공하는 대안적인 입력 데이터 세트 중에서 선택하는 것, 예컨대 모델에서 최소 "노이즈"를 생성하는, 최저 비용에 대한 모델 유효성에 가장 많은 영향을 제공하는, 입력을 (몇 개의 유사한 입력 중에서) 식별하는 것 등을 도울 수 있다. 따라서, 입력 변동 및 모델 유효성에 대한 입력 변동의 영향의 테스트는 본 개시 전반에 걸쳐 설명된 기계 학습 시스템 중 임의의 것에 대한 모델 성능을 프루닝하거나 향상시키기 위해 사용될 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 베이지안 네트워크일 수 있고/있거나 이를 포함할 수 있다. 베이지안 네트워크는 무작위 변수의 세트 및 무작위 변수의 세트의 조건부 독립성을 나타내도록 구성된 확률적 그래픽 모델일 수 있다. 베이지안 네트워크는 방향성 비순환 그래프를 통해 무작위 변수 및 조건부 독립성을 표현하도록 구성될 수 있다. 베이지안 네트워크는 동적 베이지안 네트워크 및 영향 다이어그램 중 하나 또는 둘 모두를 포함할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 지도 학습, 즉, 하나 이상의 입력 및 원하는 출력을 포함하는 훈련 데이터의 세트의 수학적 모델을 구축하도록 구성된 하나 이상의 알고리즘을 통해 정의될 수 있다. 훈련 데이터는 훈련 예의 세트로 구성될 수 있고, 훈련 예 각각은 하나 이상의 입력 및 원하는 출력, 즉, 지도 신호를 갖는다. 훈련 예 각각은 어레이 및/또는 벡터, 즉, 특징 벡터에 의해 기계 학습 모델(3000)에서 표현될 수 있다. 훈련 데이터는 행렬에 의해 기계 학습 모델(3000)에서 표현될 수 있다. 기계 학습 모델(3000)은 목적 함수의 반복적 최적화를 통해 하나 이상의 함수를 학습할 수 있고, 그에 의해 새로운 입력과 연관된 출력을 예측하도록 학습할 수 있다. 일단 최적화되면, 목적 함수는 훈련 데이터에 포함된 입력 이외의 입력에 대한 출력을 정확하게 결정하는 능력을 기계 학습 모델(3000)에 제공할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 능동 학습, 통계적 분류, 회귀 분석, 및 유사성 학습과 같은 하나 이상의 지도 학습 알고리즘을 통해 정의될 수 있다. 능동 학습은, 기계 학습 모델 AILD102T에 의해, 새로운 데이터 지점을 원하는 출력으로 라벨링하기 위해 사용자 및/또는 정보 소스에 상호작용적으로 질의하는 것을 포함할 수 있다. 통계적 분류는, 기계 학습 모델(3000)에 의해, 알려진 카테고리를 갖는 관찰을 포함하는 훈련 데이터 세트에 기초하여 서브카테고리의 세트, 즉, 서브집단이 속하는 새로운 관찰을 식별하는 것을 포함할 수 있다. 회귀 분석은, 기계 학습 모델(3000)에 의해, 종속 변수, 즉 결과 변수와 하나 이상의 독립 변수, 즉 예측자, 공변량, 및/또는 특징 사이의 관계를 추정하는 것을 포함할 수 있다. 유사성 학습은, 기계 학습 모델(3000)에 의해, 유사성 함수를 사용하는 예로부터 학습하는 것을 포함할 수 있고, 유사성 함수는 2개의 객체가 얼마나 유사한지 또는 관련된지를 측정하도록 설계된다.
일부 실시예에서, 기계 학습 모델(3000)은 비지도 학습, 즉, 데이터 지점의 그룹화 또는 클러스터링과 같은 데이터에서 구조를 발견함으로써 입력만을 포함하는 데이터의 세트의 수학적 모델을 구축하도록 구성된 하나 이상의 알고리즘을 통해 정의될 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 라벨링되거나, 분류되거나, 카테고리화되지 않은 테스트 데이터, 즉, 훈련 데이터로부터 학습할 수 있다. 비지도 학습 알고리즘은 기계 학습 모델(3000)에 의해, 훈련 데이터에서의 공통성을 식별하는 것 및 새로운 데이터 조각에서의 식별된 공통성의 존재 또는 부재에 기초하여 반응함으로써 학습하는 것을 포함할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 하나 이상의 확률 밀도 함수를 생성할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 하나 이상의 미리 지정된 기준에 따라, 예컨대, 내부 콤팩트성, 분리, 추정된 밀도, 및/또는 그래프 연결성이 인자들인 유사성 메트릭에 따라, 예컨대, 관찰의 세트를 서브세트, 즉 클러스터에 할당하는 것에 의해서, 클러스터 분석을 수행함으로써 학습할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 반지도 학습, 즉, 훈련 데이터를 사용하는 하나 이상의 알고리즘을 통해 정의될 수 있으며, 여기서 일부 훈련 예는 훈련 라벨이 누락될 수 있다. 반지도 학습은 약한 지도 학습일 수 있으며, 훈련 라벨은 노이즈가 있고, 제한되고, 그리고/또는 부정확할 수 있다. 노이즈가 많고, 제한되고, 및/또는 부정확한 훈련 라벨은 생성하기에 더 저렴하고 및/또는 덜 노동 집약적일 수 있고, 따라서 기계 학습 모델(3000)이 더 적은 비용 및/또는 노동을 위해 더 큰 세트의 훈련 데이터에 대해 훈련하는 것을 허용한다.
일부 실시예에서, 기계 학습 모델(3000)은 기계 학습 모델(3000)이 누적 보상을 최대화하기 위해 환경에서 액션을 취함으로써 훈련할 수 있도록 동적 프로그래밍 기술을 사용하는 하나 이상의 알고리즘과 같은 강화 학습을 통해 정의될 수 있다. 일부 실시예에서, 훈련 데이터는 마르코프 결정 프로세스로서 표현된다.
일부 실시예에서, 기계 학습 모델(3000)은 자기 학습을 통해 정의될 수 있고, 기계 학습 모델(3000)은, 예컨대, 크로스바 적응형 어레이(CAA)를 이용함으로써, 외부 보상 및 외부 교시 없이 훈련 데이터를 사용하여 훈련하도록 구성된다. CAA는 크로스바 방식으로 결과 상황에 관한 액션 및/또는 감정에 관한 결정을 계산할 수 있고, 그에 의해 인지와 감정 사이의 상호작용에 의해 기계 학습 모델(3000)의 교시를 주도할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 특징 학습, 즉, 훈련 동안 제공되는 하나 이상의 입력, 예를 들어, 훈련 데이터의 점점 더 정확한 및/또는 적절한 표현을 발견하도록 설계된 하나 이상의 알고리즘을 통해 정의될 수 있다. 특징 학습은 주성분 분석 및/또는 클러스터 분석을 통한 훈련을 포함할 수 있다. 특징 학습 알고리즘은, 기계 학습 모델(3000)에 의해, 변환된 입력 훈련 데이터가 유용하도록 입력 훈련 데이터를 또한 변환하면서 입력 훈련 데이터를 보존하려고 시도하는 것을 포함할 수 있다. 일부 실시예에서, 기계 학습 모델(3000)은 입력 훈련 데이터의 하나 이상의 분류 및/또는 예측을 수행하기 전에 입력 훈련 데이터를 변환하도록 구성될 수 있다. 따라서, 기계 학습 모델(3000)은 분포에 따른 입력 훈련 데이터의 타당하지 않은 구성을 반드시 준수하지는 않고 하나 이상의 알려지지 않은 데이터 생성 분포로부터 입력 훈련 데이터를 재구성하도록 구성될 수 있다. 일부 실시예에서, 특징 학습 알고리즘은 지도, 비지도, 또는 반지도 방식으로 기계 학습 모델(3000)에 의해 수행될 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 이상 검출을 통해, 즉, 하나 이상의 아이템, 이벤트 및/또는 관찰의 희귀 및/또는 이상치 인스턴스를 식별함으로써 정의될 수 있다. 희귀 및/또는 이상치 인스턴스는 훈련 데이터의 대부분의 패턴 및/또는 속성과 상당히 상이한 인스턴스에 의해 식별될 수 있다. 비지도 이상 검출은, 기계 학습 모델(3000)에 의해, 훈련 데이터의 대부분이 "정상"이라는 가정 하에 라벨링되지 않은 훈련 데이터 세트에서 이상을 검출하는 것을 포함할 수 있다. 지도 이상 검출은 훈련 데이터의 적어도 일부가 "정상" 및/또는 "비정상"으로 라벨링된 데이터 세트에 대한 훈련을 포함할 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 로봇 학습을 통해 정의될 수 있다. 로봇 학습은, 기계 학습 모델(3000)에 의한, 하나 이상의 커리큘럼의 생성- 커리큘럼은 학습 경험의 시퀀스들임 -, 및 기계 학습 모델(3000)에 의해 안내되는 탐색 및 기계 학습 모델(3000)에 의한 인간과의 사회적 상호작용을 통해 새로운 기술을 누적적으로 취득하는 것을 포함할 수 있다. 새로운 기술의 취득은 능동 학습, 성숙, 운동 시너지, 및/또는 모방과 같은 하나 이상의 안내 메커니즘에 의해 촉진될 수 있다.
일부 실시예에서, 기계 학습 모델(3000)은 연관 규칙 학습을 통해 정의될 수 있다. 연관 규칙 학습은 "관심도"의 일부 척도를 사용하여 강한 규칙을 식별하기 위해, 기계 학습 모델(3000)에 의해, 데이터베이스 내의 변수 사이의 관계를 발견하는 것을 포함할 수 있다. 연관 규칙 학습은 지식을 저장, 조작 및/또는 적용하기 위해 규칙을 식별, 학습 및/또는 진화시키는 것을 포함할 수 있다. 기계 학습 모델(3000)은 관계 규칙의 세트를 식별 및/또는 이용함으로써 학습하도록 구성될 수 있고, 관계 규칙은 기계 학습 모델(3000)에 의해 포착된 지식을 총괄하여 표현한다. 연관 규칙 학습은 학습 분류기 시스템, 유도성 로직 프로그래밍, 및 인공 면역 시스템 중 하나 이상을 포함할 수 있다. 학습 분류기 시스템은 하나 이상의 유전 알고리즘과 같은 발견 컴포넌트를 지도 학습, 강화 학습, 또는 비지도 학습을 위한 하나 이상의 알고리즘과 같은 학습 컴포넌트와 조합할 수 있는 알고리즘이다. 유도 로직 프로그래밍은, 기계 학습 모델(3000)에 의해, 훈련 동안 기계 학습 모델(3000)에 의해 결정된 입력 예, 배경 지식, 및 가설 중 하나 이상을 표현하기 위해 로직 프로그래밍을 사용하는 규칙 학습을 포함할 수 있다. 기계 학습 모델(3000)은 알려진 배경 지식의 인코딩 및 사실의 논리적 데이터베이스로서 표현되는 예의 세트가 주어지면 모든 긍정적인 예를 수반하는 가설화된 로직 프로그램을 도출하도록 구성될 수 있다.
실시예에서, 단독으로 또는 인공 지능 저장소(3504)를 포함하는 플랫폼의 다른 요소와 관련하여 배치될 수 있는 솔루션의 다른 세트는 예컨대 모니터링 시스템(640) 및, 일부 경우에, 다양한 밸류 체인 엔티티(652)를 모니터링하기 위한 물리적 프로세스 관찰 시스템(1510) 및/또는 소프트웨어 상호작용 관찰 시스템(1500)을 포함할 수 있는 기능적 이미징 능력 FMRP(102)의 세트를 포함할 수 있다. 기능적 이미징 시스템 FMRP(102)는, 실시예에서, 특정 타입의 문제를 가장 효과적으로 해결하는 데 가장 효과적일 가능성이 있는 인공 지능의 타입에 대한 상당한 통찰을 제공할 수 있다. 본 개시의 다른 곳에서 그리고 본 출원에 참조로 포함된 문서에서 언급된 바와 같이, 계산 및 네트워킹 시스템은, 규모, 복잡성 및 상호연결에서 성장함에 따라, 정보 과부하, 노이즈, 네트워크 혼잡, 에너지 낭비 등의 문제를 나타낸다. 사물 인터넷이 수천억 개의 디바이스로 성장하고, 사실상 무수한 잠재적인 상호연결으로 성장함에 따라, 최적화는 매우 어렵게 된다. 통찰을 위한 하나의 소스는 인간 뇌이며, 이는 유사한 과제에 직면하고, 수천년에 걸쳐, 광범위한 매우 어려운 최적화 문제에 대한 합리적인 해결책을 진화시켰다. 인간 뇌는 상호연결된 모듈식 시스템으로 조직화된 대규모 신경망으로 동작하며, 이들 각각은, 특히, 생물학적 시스템의 규제 및 항상성의 유지로부터, 광범위한 정적 및 동적 패턴의 검출, 위협 및 기회의 인식까지, 특정 문제를 해결하기 위한 어느 정도의 적응을 갖는다. 기능적 자기 공명 이미징(fMRI), 뇌전도(EEG), 컴퓨터 단층촬영(CT) 및 다른 뇌 이미징 시스템과 같은 기능적 이미징 FMRP(102)는 뇌 활동의 패턴이 실시간으로 인식될 수 있고 다른 정보, 예컨대 거동, 자극 정보, 환경 조건 데이터, 제스처, 눈 움직임, 및 다른 정보와 시간적으로 연관될 수 있다는 점까지 개선되었으며, 따라서 기능적 이미징 FMRP(102)를 통해, 단독으로 또는 모니터링 시스템 IPX(106)에 의해 수집된 다른 정보와 조합하여, 플랫폼은 소프트웨어 상호작용(1500), 물리적 프로세스 관찰(1510), 또는 이들의 조합을 수반하는 것과 같은, 태스크 또는 활동의 세트의 수행 동안 어떤 뇌 모듈, 동작, 시스템, 및/또는 기능이 이용되는지를 결정하고 분류할 수 있다. 이 분류는, 예컨대, 전문가 인간에 의해 수행되는 태스크를 자동화하는 로봇 프로세스 자동화(RPA) 시스템(1442)의 초기 구성을 위해, 활동을 수행할 때 인간 뇌의 모듈 및 기능의 세트와 유사한 능력 및/또는 기능의 세트를 포함하는, 예컨대, 인공 지능 저장소(3504)로부터의 인공 지능 솔루션의 세트의 선택 및/또는 구성을 보조할 수 있다. 따라서, 플랫폼은, 뇌 시스템과 같은 하나 이상의 생물학적 시스템과 하나 이상의 인공 지능 시스템 사이의 속성의 매칭에 기초하여 선택적으로 자동으로, 로봇 프로세스 자동화 시스템에 대한 인공 지능 능력의 세트를 구성하기 위해 기능적 이미징 시스템 FRMP(102)로부터 입력을 취하는 시스템을 포함할 수 있다. 선택 및 구성은, 작업자가 태스크를 수행하는 동안 뇌의 기능적 이미징에 적어도 부분적으로 기반하여 구성되는 로봇 프로세스 자동화 및/또는 인공 지능에 대한 입력의 선택, 예컨대, 뇌의 시각 시스템이 고도로 활성화되는 시각적 입력(예컨대, 카메라로부터의 이미지들)의 선택, 뇌의 청각 시스템이 고도로 활성화되는 음향 입력의 선택, 뇌의 후각 시스템이 고도로 활성화되는 화학적 입력(예컨대, 화학적 센서들)의 선택 등을 더 포함할 수 있다. 따라서, 생물학적으로 인식하는 로봇 프로세스 자동화 시스템은 초기 구성 또는 반복적인 개선을 가짐으로써 개선될 수 있고, 작업자가 자동화로부터 이익을 얻을 수 있는 전문가 태스크를 수행할 때 수집된 이미징 유도 정보에 의해 자동으로 또는 개발자 제어 하에 안내될 수 있다.
도 27을 참조하면, 특히 적응형 에지 컴퓨팅 관리 시스템(1400) 및 에지 지능 시스템(1420)을 포함하는, 개선된 에지 지능을 용이하게 하는 적응형 지능 계층(614)의 요소에 관한, 플랫폼(604)의 실시예의 추가적인 세부사항이 제공된다. 이러한 요소는, 예컨대, 온-디바이스 저장소, 로컬 시스템 사이에서, 네트워크에서 그리고 클라우드에서 (예를 들어, AI에 의해 최적화된) 데이터 저장 위치 및 처리 위치를 변화시키는 것에 의해서, "에지" 계산, 저장 및 처리를 적응적으로 관리하는 시스템의 세트를 제공한다. 이러한 요소는 주어진 애플리케이션의 목적을 위해 "에지"를 구성하는 것의, 사용자, 예컨대, 플랫폼(102)의 개발자, 운영자, 또는 호스트에 의한 동적 정의의 용이화를 가능하게 한다. 예를 들어, 데이터 연결이 느리거나 신뢰할 수 없는 환경(예컨대, 시설이 셀룰러 네트워크에 대한 액세스가 양호하지 않은 경우(예컨대, (열악한 셀룰러 네트워크 기반구조를 갖는 지리에서와 같이) 일부 환경의 원격성, 차폐 또는 간섭(예컨대, 네트워크 사용 시스템의 밀도, 컨테이너 선박의 두꺼운 금속 선체, 두꺼운 금속 컨테이너 벽, 수중 또는 지하 위치, 또는 큰 금속 객체(예컨대, 볼트, 선체, 컨테이너 등)의 존재가 네트워킹 성능에 간섭하는 것에 기인함), 및/또는 혼잡(예컨대, 제한된 네트워킹 시설에 대한 액세스를 추구하는 디바이스가 많은 경우))에 대해, 에지 컴퓨팅 능력은 환경의 로컬 영역 네트워크 상에서, 디바이스의 피어-투-피어 네트워크에서, 또는 로컬 밸류 체인 엔티티(652)의 컴퓨팅 능력 상에서 동작하도록 정의되고 배치될 수 있다. 예를 들어, 제한된 세트의 계산 및/또는 네트워킹 리소스를 갖는 환경에서, 태스크는 현재 상황(예를 들어, 네트워크 가용성, 레이턴시, 혼잡 등)에 기초하여 지능적으로 로드 밸런싱될 수 있고, 예에서, 하나의 타입의 데이터가 처리를 위해 우선순위화되거나, 하나의 작업흐름이 다른 작업흐름보다 우선순위화되는 등일 수 있다. 강한 데이터 연결이 이용가능한 경우(예컨대, 양호한 백홀 시설이 존재하는 경우), 에지 컴퓨팅 능력은, 예컨대, 해당 위치에서 빈번하게 사용되는 데이터를 캐싱하여 입력/출력 성능을 개선하거나, 레이턴시를 감소시키는 등을 위해, 네트워크에 배치될 수 있다. 따라서, 에지 컴퓨팅 동작이 인에이블되는 곳의 적응적 정의 및 사양은, 개발자 또는 운영자의 제어 하에서, 또는 선택적으로, 예컨대 환경에 대한, 재무 엔티티(652)에 대한, 또는 네트워크 전체에 대한 검출된 네트워크 조건에 기초하여, 예컨대 전문가 시스템 또는 자동화 시스템에 의해 자동으로 결정된다.
실시예에서, 에지 지능(1420)은 에지 계산의 적응(다양한 이용가능한 네트워킹 리소스 내에서 계산이 이루어지는 위치, 네트워킹이 이루어지는 방식(예컨대, 프로토콜 선택에 의해), 데이터 저장이 이루어지는 위치 등을 포함함)을 가능하게 하며, 이는 본 출원에 설명된 또는 본 출원에 참조로 포함된 문서에 설명된 애플리케이션(630)의 임의의 조합 및 서브세트를 비롯하여, 하나보다 많은 애플리케이션에 걸친 에지 계산 능력의 값(ROI, 수율, 및 실패 비용과 같은 비용 정보를 포함함), 요건, 및 우선순위화의 인식에 기초하여 이해되고 우선순위화된 바에 따라 QoS, 레이턴시 요건, 혼잡, 및 비용을 고려하는 것과 같이, 다중-애플리케이션 인식적이다.
도 35를 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, 플랫폼(604)은, 밸류 체인 네트워크 및 밸류 체인 네트워크 엔티티(652)의 세트를 모니터링 및/또는 관리하는, 공급 체인 관리 애플리케이션(1500), 수요 관리 애플리케이션(1502), 지능형 제품 애플리케이션(1510) 및 기업 리소스 관리 애플리케이션(1520)의 세트와 같은, 다양한 타입의 다수의 애플리케이션(630)의 세트를 위한 조정된 에지 계산 및 다른 에지 지능(1420) 능력을 제공하는 통합된 세트의 적응형 에지 컴퓨팅 및 다른 에지 지능 시스템(1420)을 포함할 수 있다. 실시예에서, 본 출원에 설명된 시스템 및 방법의 에지 지능 능력은 로컬 영역 네트워크 리소스와 같은 구내 에지 디바이스 및 리소스, 및 셀룰러 네트워크의 에지에 또는 주변 데이터 센터 내에 배치된 것과 같은 네트워크 에지 디바이스를 포함할 수 있지만, 이에 제한되지 않으며, 이들 둘 모두는, 예를 들어, 데이터 또는 다른 매터를 1차 또는 코어 셀룰러 네트워크 명령 또는 중앙 데이터 센터에 전달하기 전에 이러한 에지 위치에서 지능형 처리 태스크를 수행하기 위해, 본 출원에 설명된 바와 같이, 에지 지능을 배치할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트 중에서 적어도 2개의 타입의 애플리케이션의 세트를 위한 조정된 에지 계산을 제공하는 통합된 적응형 에지 컴퓨팅 시스템의 세트를 포함할 수 있다.
따라서, 적응형 에지 컴퓨팅 및 다른 에지 지능 시스템(1420)은, 실시예에서, 제품(650)이 원산지 지점으로부터 유통 및 소매 채널을 통해 고객이 사용하는 환경으로 이동할 때 수반되는 공급 체인 기반구조 시설(1560) 및 다른 밸류 체인 네트워크 엔티티(652)와 같은 광범위한 시설, 디바이스, 시스템, 환경, 및 자산을 모니터링, 관리, 제어, 또는 다른 방식으로 취급하기 위한 지능을 제공할 수 있다. 이러한 통합은 개선된 모니터링, 개선된 원격 제어, 개선된 자율성, 개선된 예측, 개선된 분류, 개선된 시각화 및 통찰, 개선된 가시성 등을 포함하는 다수의 이점을 제공할 수 있다. 이들은 수요 인자(1540) 및 공급 인자(1550)와 관련하여 사용되는 적응형 에지 컴퓨팅 및 다른 에지 지능 시스템(1420)을 포함할 수 있어서, 애플리케이션(630)은 플랫폼(604)의 다른 애플리케이션(630)에 대해 적응형 에지 컴퓨팅 및 다른 에지 지능 시스템(1420)에 의해 수집되거나, 처리되거나, 또는 생성되는 정보로부터 이익을 얻을 수 있고, 사용자는 인자 사이의 연결에 관한 통찰을 개발하고 조정된 지능으로 이들 중 하나 또는 둘 모두를 제어할 수 있다. 예를 들어, 조정된 지능은 분류, 예측 또는 일부 다른 타입의 분석적 모델링의 목적을 위해, 본 출원에 설명된 바와 같이, 데이터 스트림을 모니터링하기 위한 분석 및 처리를 포함할 수 있지만, 이에 제한되지 않는다. 이러한 조정된 지능 방법 및 시스템은 지능 자산의 상이한 조합이 적용되는 자동화된 방식으로 적용될 수 있다. 예로서, 산업 환경 내에서, 조정된 지능 시스템은 환경에 배치된 기계로부터 오는 신호를 모니터링할 수 있다. 조정된 지능 시스템은, 예를 들어, 악화된 상태, 위험 상태, 또는 일부 다른 상태에 있는 기계와 같은 기계의 상태를 결정하기 위한 목적으로, 조합하여, 일부 다른 지능형 분석을 분류, 예측 또는 수행할 수 있다. 상태의 결정은 제어 시스템으로 하여금 제어 체제를 변경하게 할 수 있는데, 예를 들어, 악화 상태에 있는 기계를 늦추거나 셧다운하게 할 수 있다. 실시예에서, 조정된 지능 시스템은 밸류 체인, 공급 체인 등의 다수의 엔티티에 걸쳐 조정할 수 있다. 예를 들어, 산업 환경에서 악화되는 기계의 모니터링은 부품 공급자 및 가용성, 제품 공급 및 재고 예측, 또는 일부 다른 조정된 지능 동작과 관련된 분석과 동시에 발생할 수 있다. 적응형 에지 컴퓨팅 및 다른 에지 지능 시스템(1420)은, 예컨대, 적응형 에지 컴퓨팅 및 다른 에지 지능 시스템(1420)에 의해 수집 및/또는 처리되는 어느 요소가 어느 애플리케이션(630)에 이용가능하게 되어야 하는지, 어떤 요소 및/또는 콘텐츠가 가장 많은 이익을 제공하는지, 어떤 데이터가 즉각적인 검색을 위해 저장 또는 캐싱되어야 하는지, 어떤 데이터가 폐기 대 저장될 수 있는지, 어떤 데이터가 적응형 지능 시스템(614)을 지원하는데 가장 유익한지, 및 다른 사용을 위해 이용가능하게 되어야 하는지를 결정하기 위해, 예컨대, 다른 적응형 지능 시스템(614)의 결과(1040) 또는 다른 동작에 대한 학습에 의해서, 시간 경과에 따라 적응될 수 있다.
도 36을 참조하면, 실시예에서, 조정된 에지 계산을 제공하는 통합된 세트의 적응형 에지 컴퓨팅 시스템은, 분류 시스템(1610)(예컨대, 이미지 분류 시스템, 객체 타입 인식 시스템 등), 비디오 처리 시스템(1612)(예컨대, 비디오 압축 시스템들), 신호 처리 시스템(1614)(예컨대, 아날로그-디지털 변환 시스템, 디지털-아날로그 변환 시스템, RF 필터링 시스템, 아날로그 신호 처리 시스템, 멀티플렉싱 시스템, 통계 신호 처리 시스템, 신호 필터링 시스템, 자연어 처리 시스템, 사운드 처리 시스템, 초음파 처리 시스템 등), 데이터 처리 시스템(1630)(예컨대, 데이터 필터링 시스템, 데이터 통합 시스템, 데이터 추출 시스템, 데이터 로딩 시스템, 데이터 변환 시스템, 포인트 클라우드 처리 시스템, 데이터 정규화 시스템, 데이터 클렌징 시스템, 데이터 중복 제거 시스템, 그래프 기반 데이터 저장 시스템, 객체 지향 데이터 저장 시스템 등), 예측 시스템(1620)(예컨대, 모션 예측 시스템, 출력 예측 시스템, 활동 예측 시스템, 결함 예측 시스템, 고장 예측 시스템, 사고 예측 시스템, 이벤트 예측 시스템, 이벤트 예측 시스템 등), 구성 시스템(1630)(예컨대, 프로토콜 선택 시스템, 저장 구성 시스템, 피어-투-피어 네트워크 구성 시스템, 전력 관리 시스템, 자기-구성 시스템, 자기-치유 시스템, 핸드셰이크 협상 시스템 등), 인공 지능 시스템(1160)(예컨대, 클러스터링 시스템, 변동 시스템, 기계 학습 시스템, 전문가 시스템, 규칙 기반 시스템, 딥러닝 시스템 등), 시스템 관리 및 제어 시스템(1640)(예컨대, 자율 제어 시스템, 로봇 제어 시스템, RF 스펙트럼 관리 시스템, 네트워크 리소스 관리 시스템, 저장 관리 시스템, 데이터 관리 시스템 등), 로봇 프로세스 자동화 시스템, 분석 및 모델링 시스템(1650)(예컨대, 데이터 시각화 시스템, 클러스터링 시스템, 유사성 분석 시스템, 랜덤 포레스트 시스템, 물리적 모델링 시스템, 상호작용 모델링 시스템, 시뮬레이션 시스템 등), 엔티티 발견 시스템, 보안 시스템(1670)(예컨대, 사이버보안 시스템, 생체인식 시스템, 침입 검출 시스템, 방화벽 시스템 등), 규칙 엔진 시스템, 작업흐름 자동화 시스템, 기회 발견 시스템, 테스트 및 진단 시스템(1660), 소프트웨어 이미지 전파 시스템, 가상화 시스템, 디지털 트윈 시스템, 사물 인터넷 모니터링 시스템, 라우팅 시스템, 전환 시스템, 실내 위치 시스템, 지리위치 시스템 등과 같은 광범위한 시스템을 포함한다.
실시예에서, 인터페이스는 기업이 제품의 타입에 관련된 밸류 체인 엔티티의 세트를 오케스트레이션하는 명령 센터 대시보드에 대한 사용자 인터페이스이다.
실시예에서, 인터페이스는 밸류 체인 엔티티의 세트를 호스팅하는 환경에 위치한 로컬 관리 시스템의 사용자 인터페이스이다.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 네트워크 연결의 세트의 구성을 용이하게 한다.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 데이터 저장 리소스의 세트의 구성을 용이하게 한다.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 데이터 통합 능력의 세트의 구성을 용이하게 한다.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 기계 학습 입력 리소스의 세트의 구성을 용이하게 한다.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템을 지원하는 전력 리소스의 세트의 구성을 용이하게 한다.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 에지 컴퓨팅 시스템에 의해 관리되는 작업흐름의 세트의 구성을 용이하게 한다.
실시예에서, 인터페이스는 적응형 에지 컴퓨팅 시스템에 대한 네트워크 연결을 갖는 모바일 컴퓨팅 디바이스의 사용자 인터페이스이다.
실시예에서, 인터페이스는 애플리케이션 프로그래밍 인터페이스이다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 클라우드 기반 인공 지능 시스템 사이의 데이터의 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 클라우드 데이터 관리 플랫폼의 실시간 운영 체제 사이의 데이터 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 클라우드 데이터 관리 플랫폼의 계산 시설 사이의 데이터 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 밸류 체인 네트워크 엔티티의 세트를 호스팅하는 환경에 관한 데이터를 수집하는 환경 센서의 세트 사이의 데이터의 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 제품에 관한 데이터를 수집하는 센서의 세트 사이의 데이터의 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 에지 컴퓨팅 시스템과 지능형 제품에 의해 게시된 데이터를 수집하는 센서의 세트 사이의 데이터의 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 밸류 체인 네트워크 엔티티의 세트를 호스팅하는 환경에 배치된 사물 인터넷 시스템의 세트에 의해 게시된 데이터를 수집하는 센서의 세트와 적응형 에지 컴퓨팅 시스템 사이의 데이터의 교환을 용이하게 한다.
실시예에서, 수요 관리 애플리케이션, 공급 체인 애플리케이션, 지능형 제품 애플리케이션 및 기업 리소스 관리 애플리케이션의 세트는, 예를 들어, 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에서 언급된 애플리케이션 중 임의의 것을 포함할 수 있다.
통합 적응형 지능(Unified Adaptive Intelligence)
도 37을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, VCNP(102)는 수요 관리 애플리케이션(1502), 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 기업 리소스 관리 애플리케이션(1520)의 세트 및 상품의 카테고리에 대한 자산 관리 애플리케이션(1530)의 세트와 같은 다양한 애플리케이션의 세트를 위한 조정된 지능을 제공하는 적응형 지능 시스템(614)의 통합된 세트를 포함할 수 있다.
실시예에서, 통합된 적응형 지능 시스템 세트는, 에지 지능을 위해 사용되든 네트워크 내의, 애플리케이션 내의, 또는 클라우드 내의 지능을 위해 사용되든, 뿐만 아니라 플랫폼(604)의 다양한 계층을 서빙하기 위해, 제한 없이, 에지 지능 시스템(1420), 분류 시스템(1610), 데이터 처리 시스템(1612), 신호 처리 시스템(1614), 인공 지능 시스템(1160), 예측 시스템(1620), 구성 시스템(1630), 제어 시스템(1640), 분석 시스템(1650), 테스트/진단 시스템(1660), 보안 시스템(1670) 및 다른 시스템과 같은, 본 개시 전반에 걸쳐 그리고 본 출원에 참조로 포함된 문서에 설명된 매우 다양한 시스템을 포함한다. 이들은 신경망, 딥러닝 시스템, 모델 기반 시스템, 전문가 시스템, 기계 학습 시스템, 규칙 기반 시스템, 기회 마이너, 로봇 프로세스 자동화 시스템, 데이터 변환 시스템, 데이터 추출 시스템, 데이터 로딩 시스템, 유전 프로그래밍 시스템, 이미지 분류 시스템, 비디오 압축 시스템, 아날로그-디지털 변환 시스템, 디지털-아날로그 변환 시스템, 신호 분석 시스템, RF 필터링 시스템, 모션 예측 시스템, 객체 타입 인식 시스템, 포인트 클라우드 처리 시스템, 아날로그 신호 처리 시스템, 신호 멀티플렉싱 시스템, 데이터 융합 시스템, 센서 융합 시스템, 데이터 필터링 시스템, 통계 신호 처리 시스템, 신호 필터링 시스템, 신호 처리 시스템, 프로토콜 선택 시스템, 저장 구성 시스템, 전력 관리 시스템, 클러스터링 시스템, 변동 시스템, 기계 학습 시스템, 이벤트 예측 시스템, 자율 제어 시스템, 로봇 제어 시스템, 로봇 프로세스 자동화 시스템, 데이터 시각화 시스템, 데이터 정규화 시스템, 데이터 클렌징 시스템, 데이터 중복 제거 시스템, 그래프 기반 데이터 저장 시스템, 지능형 에이전트 시스템, 객체 지향 데이터 저장 시스템, 자기-구성 시스템, 자기-치유 시스템, 자기-조직화 시스템, 자기-조직화 맵 시스템, 비용 기반 라우팅 시스템, 핸드셰이크 협상 시스템, 엔티티 발견 시스템, 사이버보안 시스템, 생체인식 시스템, 자연어 처리 시스템, 대화 처리 시스템, 음성 인식 시스템, 사운드 처리 시스템, 초음파 처리 시스템, 인공 지능 시스템, 규칙 엔진 시스템, 작업흐름 자동화 시스템, 기회 발견 시스템, 물리적 모델링 시스템, 테스트 시스템, 진단 시스템, 소프트웨어 이미지 전파 시스템, 피어-투-피어 네트워크 구성 시스템, RF 스펙트럼 관리 시스템, 네트워크 리소스 관리 시스템, 저장 관리 시스템, 데이터 관리 시스템, 침입 검출 시스템, 방화벽 시스템, 가상화 시스템, 디지털 트윈 시스템, 사물 인터넷 모니터링 시스템, 라우팅 시스템, 전환 시스템, 실내 위치 시스템, 지리위치 시스템, 파싱 시스템, 시맨틱 필터링 시스템, 기계 비전 시스템, 퍼지 로직 시스템, 추천 시스템, 대화 관리 시스템 등을 포함한다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트를 위한 조정된 지능을 제공하는 통합 적응형 지능 시스템의 세트를 포함할 수 있다.
실시예에서, 통합 적응형 지능 시스템 세트는 인공 지능 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 신경망 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 딥러닝 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 모델 기반 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 전문가 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 기계 학습 시스템의 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 규칙 기반 시스템의 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 기회 마이너의 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 로봇 프로세스 자동화 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 데이터 변환 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 데이터 추출 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 데이터 로딩 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 유전 프로그래밍 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 이미지 분류 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 비디오 압축 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 아날로그-디지털 변환 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 디지털-아날로그 변환 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 신호 분석 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 RF 필터링 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 모션 예측 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 객체 타입 인식 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 포인트 클라우드 처리 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 아날로그 신호 처리 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 신호 멀티플렉싱 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 데이터 융합 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 센서 융합 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 데이터 필터링 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 통계 신호 처리 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 신호 필터링 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 신호 처리 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 프로토콜 선택 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 저장 구성 시스템의 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 전력 관리 시스템의 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 클러스터링 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 변동 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 기계 학습 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 이벤트 예측 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 자율 제어 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 로봇 제어 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 로봇 프로세스 자동화 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 데이터 시각화 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 데이터 정규화 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 데이터 클렌징 시스템 세트를 포함한다.
실시예에서, 통합된 적응형 지능 시스템 세트는 데이터 중복 제거 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 그래프 기반 데이터 저장 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 지능형 에이전트 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 객체 지향 데이터 저장 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 자기-구성 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 자기-치유 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 자기-조직화 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 자기-조직화 맵 시스템의 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 비용 기반 라우팅 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 핸드셰이크 협상 시스템의 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 엔티티 발견 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 사이버보안 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 생체인식 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 자연어 처리 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 대화 처리 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 음성 인식 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 사운드 처리 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 초음파 처리 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 인공 지능 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 규칙 엔진 시스템의 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 작업흐름 자동화 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 기회 발견 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 물리적 모델링 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 테스트 시스템의 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 진단 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 소프트웨어 이미지 전파 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템의 세트는 피어-투-피어 네트워크 구성 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 RF 스펙트럼 관리 시스템 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 네트워크 리소스 관리 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 저장 관리 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 데이터 관리 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 침입 검출 시스템의 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 방화벽 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 가상화 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 디지털 트윈 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 사물 인터넷 모니터링 시스템의 세트를 포함한다.
실시예에서, 통합된 적응형 지능 시스템 세트는 라우팅 시스템의 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 전환 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 실내 위치 시스템 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 지리위치 시스템 세트를 포함한다.
실시예에서, 통합된 적응형 지능 시스템 세트는 파싱 시스템의 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 시맨틱 필터링 시스템의 세트를 포함한다. 실시예에서, 통합 적응형 지능 시스템 세트는 기계 비전 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 퍼지 로직 시스템의 세트를 포함한다.
실시예에서, 통합 적응형 지능 시스템 세트는 추천 시스템 세트를 포함한다. 실시예에서, 통합된 적응형 지능 시스템 세트는 대화 관리 시스템의 세트를 포함한다. 실시예에서, 인터페이스의 세트는 수요 관리 인터페이스 및 공급 체인 관리 인터페이스를 포함한다. 실시예에서, 인터페이스는 기업이 제품의 타입에 관련된 밸류 체인 엔티티의 세트를 오케스트레이션하는 명령 센터 대시보드에 대한 사용자 인터페이스이다.
실시예에서, 인터페이스는 밸류 체인 엔티티의 세트를 호스팅하는 환경에 위치한 로컬 관리 시스템의 사용자 인터페이스이다. 실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템에 대한 네트워크 연결의 세트의 구성을 용이하게 한다. 실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템에 대한 데이터 저장 리소스의 세트의 구성을 용이하게 한다. 실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템에 대한 데이터 통합 능력의 세트의 구성을 용이하게 한다.
실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템에 대한 기계 학습 입력 리소스의 세트의 구성을 용이하게 한다. 실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템을 지원하는 전력 리소스의 세트의 구성을 용이하게 한다. 실시예에서, 로컬 관리 시스템 사용자 인터페이스는 적응형 지능 시스템에 의해 관리되는 작업흐름의 세트의 구성을 용이하게 한다.
실시예에서, 인터페이스는 적응형 지능 시스템에 대한 네트워크 연결을 갖는 모바일 컴퓨팅 디바이스의 사용자 인터페이스이다.
실시예에서, 인터페이스는 애플리케이션 프로그래밍 인터페이스이다. 실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 지능 시스템과 클라우드 기반 인공 지능 시스템 사이의 데이터의 교환을 용이하게 한다. 실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 지능 시스템과 클라우드 데이터 관리 플랫폼의 실시간 운영 체제 사이의 데이터 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 지능 시스템과 클라우드 데이터 관리 플랫폼의 계산 시설 사이의 데이터 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 밸류 체인 네트워크 엔티티의 세트를 호스팅하는 환경에 관한 데이터를 수집하는 환경 센서의 세트와 적응형 지능 시스템 사이의 데이터의 교환을 용이하게 한다. 실시예에서, 애플리케이션 프로그래밍 인터페이스는 적응형 지능 시스템과 제품에 관한 데이터를 수집하는 센서의 세트 사이의 데이터의 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 지능형 제품에 의해 게시된 데이터를 수집하는 센서의 세트와 적응형 지능 시스템 사이의 데이터의 교환을 용이하게 한다.
실시예에서, 애플리케이션 프로그래밍 인터페이스는 밸류 체인 네트워크 엔티티의 세트를 호스팅하는 환경에 배치되는 사물 인터넷 시스템의 세트에 의해 게시되는 데이터를 수집하는 센서의 세트와 적응형 지능 시스템 사이의 데이터의 교환을 용이하게 한다.
실시예에서, 수요 관리 애플리케이션, 공급 체인 애플리케이션, 지능형 제품 애플리케이션 및 기업 리소스 관리 애플리케이션의 세트는 본 개시 전체에 걸쳐 또는 본 출원에 참조로 포함된 문서에 언급된 임의의 애플리케이션을 포함할 수 있다.
실시예에서, 적응형 지능 시스템 계층(614)은 밸류 체인 관련 태스크를 수행하기 위해 인공 지능 시스템을 훈련 및 배치하도록 구성된다. 예를 들어, 적응형 지능 시스템 계층(614)은 컨테이너 플릿을 관리하고, 물류 시스템을 설계하고, 물류 시스템의 하나 이상의 양태를 제어하고, 밸류 체인에서 패키지의 패키징 속성을 선택하고, 규제 요건을 만족시키기 위한 프로세스를 설계하고, 폐기물 생성(예를 들어, 고형 폐기물 또는 폐수)을 완화시키기 위한 프로세스를 자동화하고, 및/또는 밸류 체인에 관련된 다른 적합한 태스크를 수행하기 위해 활용될 수 있다.
이러한 실시예 중 일부에서, 하나 이상의 디지털 트윈이 적응형 지능 시스템 계층(614)에 의해 활용될 수 있다. 디지털 트윈은 물리적 객체(예를 들어, 자산, 디바이스, 제품, 패키지, 컨테이너, 차량, 선박 등), 환경(예를 들어, 시설), 개인(예를 들어, 고객 또는 작업자), 또는 다른 엔티티(본 출원에 설명된 밸류 체인 네트워크 엔티티(652) 중 임의의 것을 포함함), 또는 이들의 조합의 디지털 표현을 지칭할 수 있다. 물리적 자산의 다른 예는 컨테이너(예를 들어, 박스, 배송 컨테이너, 박스, 팔레트, 배럴 등), 상품들/제품(예를 들어, 위젯, 식품, 가정용 제품, 장난감, 의류, 물, 가스, 오일, 장비 등), 컴포넌트(예를 들어, 칩, 보드, 스크린, 칩셋, 와이어, 케이블, 카드, 메모리, 소프트웨어 컴포넌트, 펌웨어, 부품, 커넥터, 하우징 등), 가구(예를 들어, 테이블, 카운터, 워크스테이션, 매대 등) 등을 포함한다. 디바이스의 예는 컴퓨터, 센서, 차량(예를 들어, 자동차, 트럭, 탱커, 기차, 지게차, 크레인 등), 장비, 컨베이어 벨트 등을 포함한다. 환경의 예는 시설(예를 들어, 공장, 정제소, 웨어하우스, 소매 위치, 저장 건물, 주차장, 공항, 상업용 건물, 주거용 건물 등), 도로, 수로, 도시, 국가, 토지 등을 포함할 수 있다. 상이한 타입의 물리적 자산, 디바이스, 및 환경의 예가 본 개시 전반에 걸쳐 참조된다.
실시예에서, 디지털 트윈은 (예를 들어, 참조를 통해, 또는 부분적 또는 완전한 통합에 의해) 다른 디지털 트윈을 포함할 수 있다. 예를 들어, 패키지의 디지털 트윈은 컨테이너의 디지털 트윈 및 컨테이너 내에 동봉된 하나 이상의 각각의 상품의 하나 이상의 디지털 트윈을 포함할 수 있다. 이 예에서 한 단계 더 나아가, 패키지의 하나 이상의 디지털 트윈은 도로의 디지털 트윈을 횡단하는 차량의 디지털 트윈에 포함될 수 있거나, 웨어하우스의 디지털 트윈 내의 매대의 디지털 트윈 상에 위치될 수 있으며, 이러한 매대 디지털 트윈은 다른 물리적 자산 및 디바이스의 디지털 트윈을 포함할 것이다.
실시예에서, 디지털 트윈에 대한 디지털 표현은, 특히, 표현된 물리적 자산, 디바이스, 또는 환경, 가능한 거동 또는 활동 및/또는 가능한 상태 또는 조건의 특성, 속성, 및/또는 파라미터의 세트를 총괄하여 정의하는 데이터 구조의 세트(예를 들어, 객체의 클래스들)를 포함할 수 있다. 예를 들어, 물리적 자산의 특성의 세트는 물리적 자산의 타입, 자산의 형상 및/또는 치수, 자산의 질량, 자산의 밀도, 자산의 재료(들), 재료(들)의 물리적 특성, 자산의 화학적 특성, 자산의 예상 수명, 물리적 자산의 표면, 물리적 자산의 가격, 물리적 자산의 상태, 물리적 자산의 위치, 및/또는 다른 속성들 뿐만 아니라, 또한 디지털 트윈 및/또는 디지털 트윈을 채우는 데 사용될 수 있는 다른 관련 데이터 소스(예컨대, 본 출원에 설명된 관리 플랫폼 내의 데이터 소스 또는 디지털 트윈에 표현된 특성에 영향을 미칠 수 있는 외부 데이터 소스(예컨대, 예를 들어, 주변 공기 압력 또는 온도가 팽창하거나 수축하는 자산의 물리적 치수에 영향을 미칠 수 있는 환경 데이터 소스)) 내에 포함되거나 이에 연관된 다른 디지털 트윈의 식별자를 포함할 수 있다. 물리적 자산의 거동의 예는 물리적 자산의 물질의 상태(예를 들어, 고체, 액체, 플라즈마 또는 가스), 물리적 자산의 융점, 액체 상태에 있을 때의 물리적 자산의 밀도, 액체 상태에 있을 때의 물리적 자산의 점도, 물리적 자산의 동결점, 고체 상태에 있을 때의 물리적 자산의 밀도, 고체 상태에 있을 때의 물리적 자산의 경도, 물리적 자산의 전성, 물리적 자산의 부력, 물리적 자산의 전도율, 물리적 자산의 전자기 특성, 방사 특성, 광학 특성(예를 들어, 반사율, 투명도, 불투명도, 알베도 등), 파 상호작용 특성(예를 들어, 전파에 대한 투명도 또는 불투명도, 반사 특성, 차폐 특성 등), 물리적 자산의 연소점, 습도가 물리적 자산에 영향을 미치는 방식, 물 또는 다른 액체가 물리적 자산에 영향을 미치는 방식 등을 포함할 수 있다. 다른 예에서, 디바이스의 특성의 세트는 디바이스의 타입, 디바이스의 치수, 디바이스의 질량, 디바이스의 밀도의 밀도, 디바이스의 재료(들), 재료(들)의 물리적 특성, 디바이스의 표면, 디바이스의 출력, 디바이스의 상태, 디바이스의 위치, 디바이스의 궤적, 디바이스가 연결되고/되거나 포함하는 다른 디지털 트윈의 식별자 등을 포함할 수 있다. 디바이스의 거동의 예는 디바이스의 최대 가속도, 디바이스의 최대 속도, 디바이스의 가능한 모션, 디바이스의 가능한 구성, 디바이스의 동작 모드, 디바이스의 가열 프로파일, 디바이스의 냉각 프로파일, 디바이스에 의해 수행되는 프로세스, 디바이스에 의해 수행되는 동작 등을 포함할 수 있다. 환경의 예시적인 특성은 환경의 치수, 환경 공기 압력, 환경의 온도, 환경의 습도, 환경의 기류, 환경 내의 물리적 객체, 환경의 흐름(수역의 경우) 등을 포함할 수 있다. 환경의 거동의 예는 환경을 관장하는 과학적 법칙, 환경에서 수행되는 프로세스, 환경에서 준수되어야 하는 규칙 또는 규제 등을 포함할 수 있다.
실시예에서, 디지털 트윈의 특성이 조정될 수 있다. 예를 들어, 디지털 트윈의 온도, 디지털 트윈의 습도, 디지털 트윈의 형상, 디지털 트윈의 재료, 디지털 트윈의 치수, 또는 임의의 다른 적합한 파라미터는 현재 상태 데이터 및/또는 대응하는 엔티티의 예측된 상태에 부합하도록 조정될 수 있다.
실시예에서, 디지털 트윈은 인간 사용자가 물리적 자산, 디바이스, 또는 다른 엔티티의 세트, 및/또는 이들의 환경의 디지털 표현을 볼 수 있도록 컴퓨팅 디바이스에 의해 렌더링될 수 있다. 예를 들어, 디지털 트윈은 렌더링되어 출력으로서 제공될 수 있거나, 출력을 디스플레이 디바이스에 제공할 수 있다. 일부 실시예에서, 디지털 트윈은 증강 현실 및/또는 가상 현실 디스플레이에서 렌더링되고 출력될 수 있다. 예를 들어, 사용자는 (예를 들어, 모니터 또는 가상 현실 헤드셋을 사용하여) 환경의 3D 렌더링을 볼 수 있다. 그렇게 하는 동안, 사용자는 환경 내의 물리적 자산 또는 디바이스의 디지털 트윈을 검사할 수 있다. 실시예에서, 사용자는 하나 이상의 디지털 트윈에 대해 수행되는 프로세스(예를 들어, 인벤토링, 로딩, 패킹, 배송 등)를 볼 수 있다. 실시예에서, 사용자는 그래픽 사용자 인터페이스를 통해 디지털 트윈의 하나 이상의 특성을 제어하는 입력을 제공할 수 있다.
일부 실시예에서, 적응형 지능 시스템 계층(614)은 디지털 트윈을 사용하여 시뮬레이션을 실행하도록 구성된다. 예를 들어, 적응형 지능 시스템 계층(614)은 디지털 트윈 및/또는 하나 이상의 임베디드 디지털 트윈의 하나 이상의 파라미터를 반복적으로 조정할 수 있다. 실시예에서, 적응형 지능 시스템 계층(614)은, 파라미터의 각각의 세트에 대해, 파라미터의 세트에 기초하여 시뮬레이션을 실행할 수 있고, 시뮬레이션으로부터 초래되는 시뮬레이션 결과 데이터를 수집할 수 있다. 달리 말하면, 적응형 지능 시스템 계층(614)은 시뮬레이션 동안 사용되는 디지털 트윈 및 디지털 트윈 내의 또는 디지털 트윈을 포함하는 디지털 트윈의 특성들 뿐만 아니라 시뮬레이션으로부터 기인하는 임의의 결과를 수집할 수 있다. 예를 들어, 배송 컨테이너의 디지털 트윈 상에서 시뮬레이션을 실행함에 있어서, 적응형 지능 시스템 계층(614)은 배송 컨테이너의 재료를 변화시킬 수 있고, 상이한 조합으로부터 초래되는 결과들인 시뮬레이션을 실행할 수 있다. 이 예에서, 결과는 배송 컨테이너에 포함된 상품이 손상되지 않고 목적지에 도달하는지 여부일 수 있다. 시뮬레이션 동안, 적응형 지능 시스템 계층(614)은 컨테이너의 외부 온도(예를 들어, 컨테이너의 환경의 디지털 트윈의 온도 특성은 시뮬레이션 사이에서 또는 시뮬레이션 동안 조정될 수 있음), 컨테이너의 치수, 컨테이너 내부의 제품(제품의 디지털 트윈에 의해 표현됨), 컨테이너의 모션, 컨테이너 내부의 습도, 및/또는 컨테이너, 환경, 및/또는 컨테이너 내의 콘텐츠의 임의의 다른 특성을 변화시킬 수 있다. 각각의 시뮬레이션 인스턴스에 대해, 적응형 지능 시스템 계층(614)은 시뮬레이션 인스턴스를 수행하는 데 사용되는 파라미터 및 시뮬레이션 인스턴스의 결과를 기록할 수 있다. 실시예에서, 각각의 디지털 트윈은 시뮬레이션을 위한 경계 조건을 정의하는 물리적 제한의 세트를 포함하거나, 참조하거나, 또는 이에 연관될 수 있다. 예를 들어, 실외 환경의 디지털 트윈의 물리적 제한은 중력 상수(예를 들어, 9.8 m/s2), 최대 온도(예를 들어, 섭씨 60도), 최소 온도(예를 들어, 섭씨 -80도), 최대 습도(예를 들어, 110% 습도), 표면의 마찰 계수, 객체의 최대 속도, 물의 최대 염도, 물의 최대 산도, 물의 최소 산도를 포함할 수 있다. 추가적으로 또는 대안적으로, 시뮬레이션은 물리학, 화학, 재료 과학, 생물학, 기하학 등의 원리 또는 법칙을 반영하는 것과 같이 과학적 공식을 준수할 수 있다. 예를 들어, 객체의 물리적 거동의 시뮬레이션은 열역학 법칙, 운동 법칙, 유체 역학 법칙, 부력 법칙, 열 전달 법칙, 냉각 법칙 등을 준수할 수 있다. 따라서, 적응형 지능 시스템 계층(614)이 시뮬레이션을 수행할 때, 시뮬레이션은 물리적 제한 및 과학적 법칙을 준수할 수 있으며, 그래서, 시뮬레이션의 결과는 실세계 결과를 모방한다. 시뮬레이션으로부터의 결과는 실세계와 디지털 트윈의 수렴을 보장하기 위해 실세계 데이터(예를 들어, 컨테이너의 측정된 특성, 컨테이너의 환경, 컨테이너의 내용물, 및 결과적인 결과들)와 비교되어 인간 사용자에게 제시될 수 있고, 및/또는 기계 학습 모델을 훈련하기 위해 사용될 수 있다.
도 38은 밸류 체인 시스템(2030)을 대신하여 결정, 예측, 및/또는 분류를 제어 및/또는 수행하기 위한 시스템의 예시적인 실시예를 예시한다. 실시예에서, 인공 지능 시스템(2010)은 하나 이상의 기계 학습 모델(2004)을 활용하여 밸류 체인 시스템(2030)을 대신하여 밸류 체인 관련 태스크를 수행하고/하거나 밸류 체인 시스템(2030)을 대신하여 결정, 분류, 및/또는 예측을 수행한다. 일부 실시예에서, 기계 학습 시스템(2002)은 훈련 데이터(2062), 결과 데이터(2060), 및/또는 시뮬레이션 데이터(2022)에 기초하여 기계 학습된 모델(2004)을 훈련시킨다. 본 출원에서 사용될 때, 기계 학습 모델이라는 용어는 지도, 비지도, 또는 하이브리드 방식으로 학습되는 임의의 적합한 타입의 모델을 지칭할 수 있다. 기계 학습 모델의 예는 신경망(예를 들어, 심층 신경망, 컨볼루션 신경망 등), 회귀 기반 모델, 결정 트리, 은닉 포레스트, 은닉 마르코프 모델, 베이지안 모델 등을 포함한다. 실시예에서, 인공 지능 시스템(2010) 및/또는 밸류 체인 시스템(2030)은 하나 이상의 기계 학습 모델 및 그 모델에 대한 입력에 부분적으로 기초하여 인공 지능 시스템(2010)에 의해 이루어진 결정(예를 들어, 결정, 분류, 예측)에 관련된 결과 데이터(2060)를 기계 학습 시스템(2002)에 제공할 수 있다. 기계 학습 시스템은 차례로 피드백에 기초하여 기계 학습된 모델(2004)을 강화/재훈련시킬 수 있다. 또한, 실시예에서, 기계 학습 시스템(2002)은 디지털 트윈 시뮬레이션 시스템(2020)에 의해 생성된 시뮬레이션 데이터(2022)에 기초하여 기계 학습 모델을 훈련시킬 수 있다. 이러한 실시예에서, 디지털 트윈 시뮬레이션 시스템(2020)은 밸류 체인 시스템에 의해 관리, 유지, 및/또는 모니터링되는 객체 및/또는 환경을 나타내는 하나 이상의 디지털 트윈을 사용하여 특정 시뮬레이션을 실행하도록 지시받을 수 있다. 이러한 방식으로, 디지털 트윈 시뮬레이션 시스템(2020)은 기계 학습 시스템(2002)이 기계 학습된 모델을 훈련/강화하기 위해 사용할 수 있는 더 풍부한 데이터 세트를 제공할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈 시뮬레이션 시스템(2020)은 결정을 밸류 체인 엔티티에 제공하기 전에 인공 지능 시스템(2010)에 의해 이루어진 결정을 테스트하기 위해 인공 지능 시스템(2010)에 의해 활용될 수 있다.
예시된 예에서, 기계 학습 시스템(2002)은 훈련 데이터(2062), 결과 데이터(2060), 및/또는 시뮬레이션 데이터(2022)를 수신할 수 있다. 실시예에서, 훈련 데이터는 모델을 초기에 훈련시키는 데 사용되는 데이터일 수 있다. 훈련 데이터는 도메인 전문가에 의해 제공되고, 다양한 데이터 소스로부터 수집되고, 및/또는 과거 기록 및/또는 과학적 실험으로부터 획득될 수 있다. 훈련 데이터(2062)는 아이템 또는 환경의 정량화된 특성 및 정량화된 특성과 관련된 결과를 포함할 수 있다. 일부 실시예에서, 훈련 데이터는 n-튜플로 구조화될 수 있고, 여기서, 각각의 튜플은 결과 및 결과에 관련된 특성의 각각의 세트를 포함한다. 실시예에서, 결과 데이터(2060)는 실세계 데이터(예를 들어, IoT 센서, 밸류 체인 엔티티, 및/또는 다른 소스 중 하나 이상으로부터 측정되거나 포착된 데이터)를 포함한다. 결과 데이터는 결과 및 결과와 관련된 특성을 포함할 수 있다. 결과 데이터는 밸류 체인 엔티티 시스템(2010)의 동작 동안 인공 지능 시스템(2010) 및/또는 다른 데이터 소스를 활용하여 밸류 체인 시스템(2030)에 의해 제공될 수 있다. 결과가 (부정적이든 긍정적이든) 실현될 때마다, 밸류 체인 엔티티 시스템(2010), 인공 지능 시스템(2010), 뿐만 아니라 임의의 다른 데이터 소스(2050)는 결과에 관한 데이터를 기계 학습 시스템(2002)에 출력할 수 있다. 실시예에서, 이 데이터는 적응형 지능 시스템 계층(614)의 API를 통해 기계 학습 시스템에 제공될 수 있다. 또한, 실시예에서, 적응형 지능 시스템 계층(614)은 반드시 밸류 체인 엔티티는 아니더라도 통찰 있는 데이터를 제공할 수 있는 다른 타입의 외부 데이터 소스로부터 데이터를 획득할 수 있다. 예를 들어, 날씨 데이터, 주식 시장 데이터, 뉴스 이벤트 등이 결과 데이터(및/또는 훈련 데이터 및/또는 시뮬레이션 데이터)를 보충하기 위해 수집, 크롤링, 구독 등이 이루어질 수 있다.
일부 실시예에서, 기계 학습 시스템(2002)은 디지털 트윈 시뮬레이션 시스템(2020)으로부터 시뮬레이션 데이터(2022)를 수신할 수 있다. 시뮬레이션 데이터(2022)는 디지털 트윈을 사용하는 시뮬레이션에 관한 임의의 데이터일 수 있다. 시뮬레이션 데이터(2022)는 결과 데이터(2060)와 유사할 수 있지만, 결과는 실세계 데이터가 아니라 실행된 시뮬레이션으로부터의 시뮬레이션된 결과이다. 실시예에서, 시뮬레이션 데이터(2022)는 시뮬레이션을 수행하기 위해 사용된 디지털 트윈 및 임의의 다른 디지털 트윈의 특성 및 그로부터 기인하는 결과를 포함할 수 있다. 실시예에서, 디지털 트윈 시뮬레이션 시스템(2020)은 디지털 트윈 뿐만 아니라 디지털 트윈을 포함하거나 포함하는 다른 디지털 트윈의 특성을 반복적으로 조정할 수 있다. 각각의 반복 동안, 디지털 트윈 시뮬레이션 시스템(2020)은 시뮬레이션의 특성(예를 들어, 시뮬레이션에 수반되는 모든 디지털 트윈의 특성들)을 인공 지능 시스템(2010)에 제공할 수 있고, 인공 지능 시스템은 이어서 예측, 분류, 또는 임의의 다른 결정을 디지털 트윈 시뮬레이션 시스템(2020)에 출력한다. 디지털 트윈 시뮬레이션 시스템(2020)은 시뮬레이션을 실행하도록 인공 지능 시스템(2010)으로부터의 결정을 사용할 수 있다(이는 시뮬레이션에서의 상태 변화로부터 기인하는 일련의 결정을 초래할 수 있음). 각각의 반복에서, 디지털 트윈 시뮬레이션 시스템(2020)은 시뮬레이션을 실행하기 위해 사용되는 특성, 디지털 트윈 시뮬레이션 시스템(2020)에 의해 사용되는 인공 지능 시스템(2010)으로부터의 임의의 결정, 및 시뮬레이션으로부터 기계 학습 시스템(2002)으로의 결과를 기계 학습 시스템(2002)에 출력할 수 있으며, 따라서 시뮬레이션의 특성, 결정, 및 결과가 시뮬레이션 동안 인공 지능 시스템이 사용하는 모델(들)을 추가로 훈련시키기 위해 사용된다.
일부 실시예에서, 훈련 데이터, 결과 데이터(2060), 및/또는 시뮬레이션 데이터(2022)는 데이터 레이크(예를 들어, 하둡 데이터 레이크)에 공급될 수 있다. 기계 학습 시스템(2002)은 데이터 레이크로부터의 데이터를 구조화할 수 있다. 실시예에서, 기계 학습 시스템(2002)은 수집된 데이터를 사용하여 모델을 훈련/강화하여 모델의 정확도를 개선(예를 들어, 모델의 에러 값을 최소화)할 수 있다. 기계 학습 시스템은 수집된 데이터(예를 들어, 훈련 데이터, 결과 데이터, 및/또는 시뮬레이션 데이터)에 대해 기계 학습 알고리즘을 실행하여 모델을 획득할 수 있다. 모델의 타입에 따라, 기계 학습 알고리즘은 달라질 것이다. 학습 알고리즘/모델의 예는 (예를 들어, 본 개시 전반에 걸쳐 설명된 바와 같은 심층 신경망, 컨볼루션 신경망 등), 통계적 모델(예를 들어, 회귀 기반 모델 등), 결정 트리 및 다른 결정 모델, 랜덤/은닉 포레스트, 은닉 마르코프 모델, 베이지안 모델 등을 포함한다. 디지털 트윈 시뮬레이션 시스템(2020)으로부터 데이터를 수집할 때, 기계 학습 시스템(2002)은 밸류 체인 시스템(2030)이 아직 직면하지 않은 시나리오에 대해 모델을 훈련시킬 수 있다. 이러한 방식으로, 결과적인 모델은 더 적은 "미탐색" 특징 공간을 가질 것이고, 이는 인공 지능 시스템(2010)에 의한 개선된 결정으로 이어질 수 있다. 또한, 디지털 트윈이 부분적으로 가정에 기초하기 때문에, 디지털 트윈의 특성은 실세계 거동이 디지털 트윈의 것과 상이할 때 업데이트/정정될 수 있다. 예가 아래에 제공된다.
도 39는 적응형 지능 시스템 계층(614)과 인터페이스하는 컨테이너 플릿 관리 시스템(2070)의 예를 예시한다. 예시적인 실시예에서, 컨테이너 플릿 관리 시스템(2070)은 컨테이너 및 배송에 적용될 때 밸류 체인의 하나 이상의 양태를 자동화하도록 구성될 수 있다. 실시예에서, 컨테이너 플릿 관리 시스템(2070)은 하나 이상의 서버 디바이스에 의해 실행되는 하나 이상의 소프트웨어 모듈을 포함할 수 있다. 이러한 소프트웨어 모듈은 하나 이상의 배송의 세트에 대해 사용할 컨테이너(예를 들어, 컨테이너의 크기, 컨테이너의 타입, 컨테이너의 제공자 등)를 선택하고, 컨테이너의 배달/픽업을 스케줄링하고, 배송 경로를 선택하고, 컨테이너에 대한 저장소의 타입(예를 들어, 실외 또는 실내)을 결정하고, 배송을 대기하는 동안 각각의 컨테이너의 위치를 선택하고, 선하증권 및/또는 다른 적합한 컨테이너 플릿 관리 태스크를 관리하도록 구성될 수 있다. 실시예에서, 기계 학습 시스템(2002)은 컨테이너 플릿 관리에 관련된 분류, 예측, 및/또는 다른 결정을 수행하기 위해 인공 지능 시스템(2010)에 의해 활용되는 하나 이상의 모델을 훈련시킨다. 예시적인 실시예에서, 모델(2004)은 원하는 결과(예를 들어, 컨테이너의 내용물이 최저 가능한 비용으로 최소 손실로 적시에 도달하는 것)의 가능성을 최대화하기 위해 하나 이상의 태스크 관련 특징이 주어지면 컨테이너의 타입을 선택하도록 훈련된다. 이와 같이, 기계 학습 시스템(2002)은 특정 이벤트에 관한 태스크 관련 특징 및 특정 이벤트와 연관된 하나 이상의 결과를 포함하는 n-튜플을 사용하여 모델을 훈련할 수 있다. 이 예에서, 특정 이벤트(예를 들어, 배송물)에 대한 태스크 관련 특징은 사용된 컨테이너의 타입, 컨테이너의 내용물, 컨테이너 내용물의 특성(예를 들어, 비용, 부패성, 온도 제한 등), 컨테이너의 소스 및 목적지, 컨테이너가 트럭, 철도 또는 선박을 통해 배송되고 있는지 여부, 연중 시간, 각각의 컨테이너의 비용, 및/또는 다른 관련 특징을 포함할 수 있지만 이에 제한되지 않는다. 이 예에서, 특정 이벤트와 관련된 결과는 내용물이 안전하게 도달했는지 여부, 임의의 손상 또는 손실과 연관된 대체 비용(있는 경우), 총 배송 시간, 및/또는 총 배송 비용(예를 들어, 컨테이너를 배송하는 데 얼마나 많은 비용이 드는지)을 포함할 수 있다. 또한, 국제 및/또는 주간 물류가 많은 상이한 소스, 목적지, 내용물, 날씨 조건 등을 포함할 수 있기 때문에, 상이한 배송 이벤트를 시뮬레이션하는 시뮬레이션이 모델을 훈련시키는 데 사용되는 데이터를 풍부하게 하기 위해 실행될 수 있다. 예를 들어, 시뮬레이션은 소스, 목적지, 제품, 및 연중 시간의 상이한 조합에 대한 항구 및/또는 기차 데포의 상이한 조합에 대해 실행될 수 있다. 이 예에서, 상이한 조합(예를 들어, 제품, 컨테이너, 및 배송 관련 환경의 디지털 트윈들)을 표현하기 위해 상이한 디지털 트윈이 생성될 수 있으며, 이에 의해 디지털 트윈의 하나 이상의 특성이 상이한 시뮬레이션에 대해 변경되고 각각의 시뮬레이션의 결과가 적절성을 갖는 튜플에 기록될 수 있다. 이러한 방식으로, 모델은 실세계 결과 데이터에서 이전에 직면하지 않았을 수 있는 경로, 콘텐츠, 연중 시간, 컨테이너 타입, 및/또는 비용의 특정 조합에 대해 훈련될 수 있다. 컨테이너 플릿 관리 모델을 훈련하는 다른 예는 컨테이너의 내용물, 컨테이너가 이동될 필요가 있을 때, 컨테이너의 타입, 위치, 연중 시간 등이 주어지면 컨테이너가 저장 시설에 저장되어야 하는 위치(예를 들어, 스택 내, 실내 또는 실외 등)를 결정하도록 훈련되는 모델을 포함할 수 있다.
동작 시, 인공 지능 시스템(2010)은 태스크 또는 이벤트와 관련된 하나 이상의 특징이 주어지면 컨테이너 플릿 관리 시스템(2070)을 대신하여 컨테이너 플릿 관리 결정을 내리기 위해 위에서 논의된 모델(2004)을 사용할 수 있다. 예를 들어, 인공 지능 시스템(2010)은 특정 배송을 위해 사용할 컨테이너의 타입(예를 들어, 컨테이너의 재료, 컨테이너의 치수, 컨테이너의 브랜드 등)을 선택할 수 있다. 이 예에서, 컨테이너 플릿 관리 시스템(2070)은 다가오는 배송의 특징을 인공 지능 시스템(2010)에 제공할 수 있다. 이러한 특징은 무엇이 배송되는지(예를 들어, 배송 내의 상품의 타입(들)), 배송의 크기, 소스 및 목적지, 배송이 전달되어야 하는 날짜, 및/또는 전달을 위한 원하는 날짜 또는 날짜의 범위를 포함할 수 있다. 실시예에서, 인공 지능 시스템(2010)은 하나 이상의 결정을 획득하기 위해 이러한 특징을 위에서 논의된 모델 중 하나 이상에 공급할 수 있다. 이들 결정은 어느 타입의 컨테이너를 사용할지 및/또는 어느 배송 경로를 사용할지를 포함할 수 있고, 이에 의해 결정은 전체 배송 비용(예를 들어, 컨테이너 및 이송에 대한 비용 + 임의의 대체 비용)을 최소화하도록 선택될 수 있다. 컨테이너 플릿 관리 시스템(2070)은 이어서 인공 지능 시스템(2010)에 의해 이루어진 결정(들)을 사용하여 배송 이벤트를 개시할 수 있다. 또한, 배송 이벤트 후에, 이벤트의 결과(예를 들어, 총 배송 시간, 임의의 보고된 손상 또는 손실, 대체 비용, 총 비용)는 결정을 내리는 데 사용되는 모델을 강화하기 위해 기계 학습 시스템(2002)에 보고될 수 있다. 또한, 일부 실시예에서, 컨테이너 플릿 관리 시스템(2070) 및/또는 다른 밸류 체인 엔티티 데이터 소스(2050)의 출력은 디지털 트윈 시스템(2020)을 통해 하나 이상의 디지털 트윈의 하나 이상의 특성을 업데이트하는 데 사용될 수 있다.
도 40은 적응형 지능 시스템 계층(614)과 인터페이스하는 물류 설계 시스템의 예를 예시한다. 실시예에서, 물류 설계 시스템은 물류 솔루션의 하나 이상의 양태를 설계하도록 구성될 수 있다. 예를 들어, 물류 설계 시스템은 (예를 들어, GUI를 통해 사용자로부터) 하나 이상의 물류 인자를 수신하도록 구성될 수 있다. 실시예에서, 물류 인자는 물류 솔루션을 형성하는 것과 관련된 조직(또는 잠재적 조직)의 하나 이상의 현재 조건, 과거 조건, 또는 미래 조건을 포함할 수 있다. 물류 인자의 예는 생산/경작/배송되는 제품의 타입(들), 그러한 제품의 특징(예를 들어, 치수, 중량, 배송 요건, 보관 수명 등), 제조 현장의 위치, 유통 시설의 위치, 웨어하우스의 위치, 고객 베이스의 위치, 특정 영역에서의 시장 침투, 팽창 위치, 공급 체인 특징(예를 들어, 요구되는 부품/공급/리소스, 공급자, 공급자 위치, 구매자, 구매자 위치) 등을 포함할 수 있지만, 이에 제한되지 않고, 이들 인자에 기초하여 하나 이상의 설계 추천을 결정할 수 있다. 설계 추천의 예는 공급 체인 추천(예를 들어, 제안된 공급자(예를 들어, 리소스 또는 부품 공급자), 이용가능한 공급자로부터 온-디맨드 부품을 주문하는 스마트 재고 시스템의 구현 등), 저장 및 수송 추천(예를 들어, 제안된 배송 경로, 제안된 배송 타입(예를 들어, 항공, 화물, 트럭, 선박), 제안된 저장 개발(예를 들어, 새로운 웨어하우스의 위치 및/또는 치수), 기반구조 추천(예를 들어, 기계에 대한 업데이트, 저온 저장소 추가, 온열 저장소 추가 등), 및 이들의 조합을 포함할 수 있다. 실시예에서, 물류 설계 시스템은 결과를 최적화하기 위한 추천을 결정한다. 결과의 예는 제조 시간, 제조 비용, 배송 시간, 배송 비용, 손실률, 환경 영향, 규칙/규제의 세트에 대한 준수 등을 포함할 수 있다. 최적화의 예는 증가된 생산 처리량, 감소된 생산 비용, 감소된 배송 비용, 감소된 배송 시간, 감소된 탄소 발자국, 및 이들의 조합을 포함한다.
실시예에서, 물류 설계 시스템은 물류 인자를 제공하고 그에 기초하는 설계 추천을 수신하기 위해 인공 지능 시스템(2010)과 인터페이스할 수 있다. 실시예에서, 인공 지능 시스템(2010)은 추천을 결정하기 위해 하나 이상의 기계 학습 모델(2004)(예를 들어, 물류 설계 추천 모델)을 활용할 수 있다. 논의될 바와 같이, 물류 설계 추천 모델은 물류 인자의 세트가 주어지면 하나 이상의 결과를 최적화하도록 훈련될 수 있다. 예를 들어, 공급 체인을 설계하도록 훈련된 물류 설계 추천 모델은 주어진 제조자, 제조자의 위치, 필요한 공급, 및/또는 다른 인자를 공급할 수 있는 공급자의 세트를 식별할 수 있다. 이어서, 공급자의 세트는 온-디맨드 공급측 재고를 구현하는 데 사용될 수 있다. 다른 예에서, 물류 설계 추천은 다른 제조자의 동일한 특징을 취하고 하나 이상의 3D 프린터의 구매 및 사용을 추천할 수 있다.
실시예에서, 인공 지능 시스템(2010)은 디지털 트윈 시스템(2020)을 활용하여 물류 설계 추천을 구현하는 물류 시스템(및, 일부 실시예에서, 다른 설계 추천을 구현하는 대안적인 시스템)의 디지털 트윈을 생성할 수 있다. 이러한 실시예에서, 디지털 트윈 시스템(2010)은 설계 추천을 수신할 수 있고, 추천을 미러링하는 물류 환경의 디지털 트윈을 생성할 수 있다. 실시예에서, 인공 지능 시스템(2010)은 제안된 솔루션에 대한 시뮬레이션을 실행하기 위해 물류 환경의 디지털 트윈을 활용할 수 있다. 실시예에서, 디지털 트윈 시스템(2010)은 디스플레이 디바이스(예를 들어, 모니터 또는 VR 헤드셋)를 통해 물류 환경의 디지털 트윈을 사용자에게 디스플레이할 수 있다. 실시예에서, 사용자는 디지털 트윈에서 시뮬레이션을 볼 수 있다. 또한, 실시예에서, 디지털 트윈 시스템(2010)은 사용자가 설계를 조정하기 위해 물류 환경의 설계를 조정하도록 상호작용할 수 있는 그래픽 사용자 인터페이스를 제공할 수 있다. 사용자에 의해 (적어도 부분적으로) 제공되는 설계는 또한 물류 환경의 디지털 트윈에서 표현될 수 있고, 이에 의해 디지털 트윈 시스템(2020)은 디지털 트윈을 사용하여 시뮬레이션을 수행할 수 있다.
일부 실시예에서, 디지털 트윈 시스템(2010)에 의해 실행되는 시뮬레이션은 추천 모델을 훈련하기 위해 사용될 수 있다. 또한, 설계 추천이 조직에 의해 구현될 때, 조직의 물류 시스템은 설계 추천에 대응하는 결과 데이터를 기계 학습 시스템(2002)에(예를 들어, 센서, 컴퓨팅 디바이스, 수동 인간 입력을 통해) 보고하도록 구성될 수 있으며, 기계 학습 시스템은 결과 데이터를 사용하여 물류 설계 추천 모델을 강화할 수 있다.
도 41은 적응형 지능 시스템 계층(614)과 인터페이스하는 패키징 설계 시스템의 예를 예시한다. 실시예에서, 패키징 설계 시스템은 밸류 체인 네트워크에서 운반되는 물리적 객체에 대한 패키징의 하나 이상의 양태를 설계하도록 구성될 수 있다. 일부 실시예에서, 패키징 설계 시스템은 물리적 객체의 수송과 연관된 하나 이상의 결과를 최적화하기 위해 패키징의 하나 이상의 패키징 속성(예를 들어, 크기, 재료, 패딩 등)을 선택할 수 있다. 예를 들어, 패키징 속성은 비용을 감소시키거나, 손실/손상을 감소시키거나, 중량을 감소시키거나, 플라스틱 또는 다른 비-생분해성 폐기물을 감소시키는 등을 위해 선택될 수 있다. 실시예에서, 패키징 설계 시스템은 인공 지능 시스템(2010)을 활용하여 패키징 속성 추천을 획득한다. 실시예에서, 패키징 설계 시스템은 물리적 객체의 하나 이상의 특징을 제공할 수 있다. 실시예에서, 물리적 객체의 특징은 물리적 객체의 치수, 물리적 객체의 질량, 물리적 객체의 소스, 물리적 객체의 하나 이상의 잠재적 목적지, 물리적 객체가 배송되는 방식 등을 포함할 수 있다. 실시예에서, 패키징 설계 시스템은 패키지 설계에 대한 하나 이상의 최적화 목표(예를 들어, 비용 감소, 손상 감소, 환경 영향 감소)를 추가로 제공할 수 있다. 이에 응답하여, 인공 지능 시스템(2010)은 물리적 자산 특징 및 주어진 목표에 기초하여 하나 이상의 추천된 패키징 속성을 결정할 수 있다. 실시예에서, 패키징 설계 시스템은 패키징 속성을 수신하고 그에 기초하여 패키지 설계를 생성한다. 패키지 설계는 사용될 재료, 패키징의 외부 치수, 패키징의 내부 치수, 패키징의 형상, 패키징을 위한 패딩/스터핑 등을 포함할 수 있다.
일부 실시예에서, 패키징 설계 시스템은 패키징 설계에 기초하여 패키징 및 물리적 자산의 디지털 트윈을 생성하는 디지털 트윈 시스템(2020)에 패키징 설계를 제공할 수 있다. 패키징 및 물리적 자산의 디지털 트윈은 패키징을 테스트하는 시뮬레이션(예를 들어, 패키징이 배송 중에 유지되는지, 패키징이 적절한 절연/패딩을 제공하는지 등)을 실행하기 위해 사용될 수 있다. 실시예에서, 시뮬레이션의 결과는 패키징 설계 시스템에 반환될 수 있고, 패키징 설계 시스템은 결과를 사용자에게 출력할 수 있다. 실시예에서, 사용자는 패키징 설계를 수락할 수 있거나, 패키징 설계를 조정할 수 있거나, 또는 설계를 거부할 수 있다. 일부 실시예에서, 디지털 트윈 시스템은 패키지가 겪을 수 있는 상이한 조건(예를 들어, 눈 내리는 외부, 보트에서 흔들리는 것, 지게차에 의해 이동되는 것 등)을 테스트하기 위해 하나 이상의 디지털 트윈 상에서 시뮬레이션을 실행할 수 있다. 일부 실시예에서, 디지털 트윈 시스템은 시뮬레이션의 결과를 기계 학습 시스템(2002)에 출력할 수 있고, 기계 학습 시스템은 시뮬레이션을 실행하기 위해 사용되는 특성 및 그로부터 기인하는 결과에 기초하여 패키징 설계 모델을 훈련/강화할 수 있다.
실시예에서, 기계 학습 시스템(2002)은 패키징 설계 시스템 및/또는 다른 밸류 체인 엔티티 데이터 소스(예를 들어, 스마트 웨어하우스, 사용자 피드백 등)로부터 결과 데이터를 수신할 수 있다. 기계 학습 시스템(2002)은 이러한 결과 데이터를 사용하여 패키징 설계 모델을 훈련/강화할 수 있다. 또한, 일부 실시예에서, 결과 데이터는 디지털 트윈 시스템에 의해 사용되는 임의의 부정확한 가정(예를 들어, 패키징 재료의 유연성, 패키징 재료의 내수성 등)을 업데이트/정정하기 위해 디지털 트윈 시스템(2020)에 의해 사용될 수 있다.
도 42는 적응형 지능 시스템 계층(614)과 인터페이스하는 폐기물 완화 시스템의 예를 예시한다. 실시예에서, 폐기물 완화 시스템은 폐기물(예를 들어, 고형 폐기물, 폐수, 폐기된 패키징, 낭비된 에너지, 낭비된 시간, 낭비된 리소스, 또는 다른 폐기물)을 완화하기 위해 밸류 체인 내의 프로세스(예를 들어, 제품의 제조, 정유, 다산화(fertilization), 수처리 등)를 분석하도록 구성된다. 실시예에서, 폐기물 완화 시스템은 폐기물을 완화하기 위한 하나 이상의 프로세스를 자동화하기 위해 인공 지능 시스템(2010)과 인터페이스할 수 있다.
실시예에서, 인공 지능 시스템(2010)은 고형 폐기물 생성을 완화하기 위해 폐기물 완화 시스템에 제어 결정을 제공할 수 있다. 폐기물 생성의 예는 과잉 플라스틱 또는 다른 비-생분해성 폐기물, 유해 또는 독성 폐기물 (예를 들어, 핵 폐기물, 석유 코크스 등) 등을 포함할 수 있다. 이러한 실시예 중 일부에서, 인공 지능 시스템(2010)은 프로세스의 하나 이상의 특징(또는 "프로세스 특징")을 수신할 수 있다. 프로세스 특징의 예는 프로세스에서의 단계, 사용되는 재료, 사용되는 재료의 특성 등을 포함할 수 있지만, 이에 제한되지 않는다. 인공 지능 시스템(2010)은 프로세스를 제어하기 위해 하나 이상의 기계 학습 모델을 활용할 수 있다. 실시예에서, 기계 학습된 모델은 폐기물 조건 및/또는 폐기물 조건의 원인을 분류하도록 훈련될 수 있다. 이러한 실시예 중 일부에서, 인공 지능 시스템(2010)은 분류된 폐기물 조건에 기초하여 폐기물 완화 해결책을 결정하거나 선택할 수 있다. 예를 들어, 일부 실시예에서, 인공 지능 시스템(2010)은 폐기물 조건을 감소시키거나 해결하기 위해 프로세스에 대해 수행할 조정을 결정하기 위해 규칙 기반 로직을 적용할 수 있다. 추가적으로 또는 대안적으로, 인공 지능은 폐기물 조건을 감소시키거나 해결하기 위해 프로세스에 수행할 조정을 추천하는 모델을 활용할 수 있다.
실시예에서, 인공 지능 시스템(2010)은 프로세스에 의해 생성된 폐기물을 완화하기 위해 디지털 트윈 시스템(2020)을 활용할 수 있다. 실시예에서, 디지털 트윈 시스템(2020)은 프로세스가 수행되는 환경의 디지털 트윈에서 프로세스의 반복 시뮬레이션을 실행할 수 있다. 시뮬레이션이 실행될 때, 인공 지능 시스템(2010)은 시뮬레이션의 결과를 모니터링하여 폐기물 조건 및/또는 폐기물 조건의 원인을 결정할 수 있다. 시뮬레이션 동안, 인공 지능 시스템(2010)은 조정이 폐기물 조건을 완화시켰는지, 폐기물 조건을 악화시켰는지, 또는 효과가 없었는지를 결정하기 위해 프로세스의 하나 이상의 양태를 조정할 수 있다. 폐기물 조건을 완화시키기 위한 조정이 발견될 때, 인공 지능 시스템(2010)은 개선이 실현될 수 있는지를 결정하기 위해 프로세스의 다른 양태를 조정할 수 있다. 실시예에서, 인공 지능 시스템(2010)은 디지털 트윈 시뮬레이션에서 프로세스의 양태를 반복적으로 조정할 때 유전 알고리즘을 수행할 수 있다. 이러한 실시예에서, 인공 지능 시스템(2010)은 폐기물 생성을 완화시키도록 조정될 수 있는 프로세스의 양태를 식별할 수 있다.
스마트 프로젝트 관리 시설(Smart Project Management Facilities)
도 43을 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(624), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, (인공 지능(1160)을 포함하는) 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
실시예에서, 적응형 지능 시스템 계층(614)은 현재 상태 정보를 처리하는 것에 기초하여 밸류 체인 프로젝트 관리 태스크의 세트, 수요 관리 애플리케이션(1502)의 세트, 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 자산 관리 애플리케이션(1530)의 세트 및 상품의 카테고리에 대한 기업 리소스 관리 애플리케이션(1520)의 세트에 대한 애플리케이션 출력의 세트 및/또는 결과의 세트(1040)에 대해 자동화된 추천을 제공하는 자동화된 프로젝트 관리 시설 MPVC(1102)의 세트를 더 포함할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트에 대한 현재 상태 정보 및 결과의 세트를 처리하는 것에 기초하여 밸류 체인 프로젝트 관리 태스크의 세트에 대해 자동화된 추천을 제공하는 프로젝트 관리 시설의 세트를 포함할 수 있다.
실시예에서, 프로젝트 관리 시설의 세트는 조달 프로젝트, 물류 프로젝트, 역물류 프로젝트, 주문 처리 프로젝트, 유통 프로젝트, 웨어하우징 프로젝트, 재고 관리 프로젝트, 제품 설계 프로젝트, 제품 관리 프로젝트, 배송 프로젝트, 해양 프로젝트, 로딩 또는 언로딩 프로젝트, 패킹 프로젝트, 구매 프로젝트, 마케팅 프로젝트, 판매 프로젝트, 분석 프로젝트, 수요 관리 프로젝트, 수요 계획 프로젝트, 리소스 계획 프로젝트 등과 같은 매우 다양한 타입의 프로젝트를 관리하도록 구성된다.
실시예에서, 프로젝트 관리 시설은 조달 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 물류 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 역물류 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 주문 처리 프로젝트의 세트를 관리하도록 구성된다.
실시예에서, 프로젝트 관리 시설은 유통 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 웨어하우징 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 재고 관리 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 제품 설계 프로젝트의 세트를 관리하도록 구성된다.
실시예에서, 프로젝트 관리 시설은 제품 관리 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 배송 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 해양 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 로딩 또는 언로딩 프로젝트의 세트를 관리하도록 구성된다.
실시예에서, 프로젝트 관리 시설은 패킹 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 구매 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 마케팅 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 판매 프로젝트의 세트를 관리하도록 구성된다.
실시예에서, 프로젝트 관리 시설은 분석 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 수요 관리 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 수요 계획 프로젝트의 세트를 관리하도록 구성된다. 실시예에서, 프로젝트 관리 시설은 리소스 계획 프로젝트의 세트를 관리하도록 구성된다.
스마트 태스크 추천(Smart Task Recommendations)
도 282를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(624), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, (인공 지능(1160)을 포함하는) 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다.
플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)의 세트를 지원할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 상품의 카테고리를 위한 수요 관리 애플리케이션의 세트, 공급 체인 애플리케이션의 세트, 지능형 제품 애플리케이션의 세트 및 기업 리소스 관리 애플리케이션의 세트에 대한 현재 상태 정보 및 결과의 세트를 처리하는 것에 기초하여 밸류 체인 프로젝트 관리 태스크의 세트에 대해 자동화된 추천을 제공하는 프로젝트 관리 시설의 세트를 포함할 수 있다.
실시예에서, 적응형 지능 시스템 계층(614)은 현재 상태 정보를 처리하는 것에 기초하여 밸류 체인 프로세스의 세트에 대해 자동화된 추천을 제공하는 밸류 체인 프로세스 태스크 MPVC(1102)의 세트에 대해 자동화된 추천을 제공하는 프로세스 자동화 시설(14402)의 세트, 수요 관리 애플리케이션(1502)의 세트에 대한 애플리케이션 출력의 세트 및/또는 결과의 세트(1040), 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 자산 관리 애플리케이션(1530)의 세트 및 상품의 카테고리에 대한 기업 리소스 관리 애플리케이션(1520)의 세트를 더 포함할 수 있다. 일부 예에서, 프로세스 자동화 시설(14402)은 기본 규칙 기반 훈련 및 추천과 함께 사용될 수 있다. 이는 트리거가 발생할 때 태스크를 수행하는 것과 같이 전문가가 설명한 규칙의 세트를 따르는 것과 관련될 수 있다. 다른 예에서, 프로세스 자동화 시설(14402)은 최고 투자 수익률(ROI) 또는 다른 결과 기반 수율을 생성하는 결정 또는 태스크를 추천하도록 학습하기 위해 결과에 대한 딥러닝과 같은 상호작용을 관찰하기 위해 딥러닝을 이용할 수 있다. 프로세스 자동화 시설(14402)은 예컨대 수행된 작업 및 완료된 태스크가 가장 유사하다는 관점에서 가장 유사한 전문가의 세트를 찾는 협력 필터링을 제공하기 위해 사용될 수 있다. 예를 들어, 기본 소프트웨어는 판매할 고객의 다른 세트와 유사한 고객을 찾거나, 상이한 제안을 하거나, 또는 그에 따라 가격을 변경하는 데 사용될 수 있다. 일반적으로, 고객 세그먼트에 관한 기본 패턴 데이터의 세트가 상황적으로 주어지면, 그 고객에 대한 비용 및 가격 패턴에 대한 지식과 같은 구매 패턴이 그 고객 세그먼트에 대해 결정될 수 있다. 이 정보는 유사하게 위치한 사람에 의해 이루어진 유사한 결정(예를 들어, 유사한 사람 코호트(cohort)에 영화를 추천하는 것)을 활용하려고 시도하는 딥러닝 또는 규칙 또는 협력 필터링 타입 작업에 기초할 수 있는 이상적인 값을 향해 가격, 프로모션, 수요 관리에 관한 다음 세트의 활동을 집중시키는 것을 학습하는 데 사용될 수 있다.
실시예에서, 밸류 체인 프로세스 태스크의 세트에 대해 자동화된 추천을 제공하는 시설의 세트는, 제한 없이, 제품 구성 활동, 고객에 대한 제품 선택 활동, 공급자 선택 활동, 배송자 선택 활동, 경로 선택 활동, 공장 선택 활동, 제품 종류별 분류 활동, 제품 관리 활동, 물류 활동, 역물류 활동, 인공 지능 구성 활동, 유지보수 활동, 제품 지원 활동, 제품 추천 활동 등과 같은 광범위한 타입의 활동을 수반하는 추천을 제공한다.
실시예에서, 자동화된 추천은 제품 구성 활동의 세트에 관한 것이다. 실시예에서, 자동화된 추천은 고객에 대한 제품 선택 활동의 세트와 관련된다. 실시예에서, 자동화된 추천은 공급자 선택 활동의 세트에 관한 것이다. 실시예에서, 자동화된 추천은 배송자 선택 활동의 세트에 관한 것이다.
실시예에서, 자동화된 추천은 경로 선택 활동의 세트에 관한 것이다. 실시예에서, 자동화된 추천은 공장 선택 활동의 세트와 관련된다. 실시예에서, 자동화된 추천은 제품 종류별 분류 활동의 세트에 관련된다. 실시예에서, 자동화된 추천은 제품 관리 활동의 세트에 관련된다. 실시예에서, 자동화된 추천은 물류 활동의 세트에 관한 것이다.
실시예에서, 자동화된 추천은 역물류 활동의 세트에 관한 것이다. 실시예에서, 자동화된 추천은 인공 지능 구성 활동의 세트에 관련된다. 실시예에서, 자동화된 추천은 유지보수 활동의 세트에 관련된다. 실시예에서, 자동화된 추천은 제품 지원 활동의 세트에 관련된다. 실시예에서, 자동화된 추천은 제품 추천 활동의 세트와 관련된다.
노드 간의 최적화된 라우팅(Optimized routing among nodes)
도 44를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(624), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, (인공 지능(1160)을 포함하는) 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 밸류 체인 네트워크를 위한 클라우드 기반 관리 플랫폼; 및 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트를 포함할 수 있고; 라우팅 시설의 세트는 밸류 체인 네트워크에 대한 현재 상태 정보에 기초하여 밸류 체인 네트워크 내의 노드의 세트 사이에서 정보를 라우팅하기 위한 라우팅 명령어의 세트를 생성한다.
실시예에서, 적응형 지능 시스템 계층(614)은, 예컨대, 현재 상태 정보(1730)의 처리, 애플리케이션 출력의 세트 및/또는 결과의 세트(1040), 또는 VCNP(102)에 의해 수집되거나 그에 사용되는 다른 정보에 기초하여, 밸류 체인 네트워크 내의 노드의 세트 사이에서 정보를 라우팅하기 위한 라우팅 명령어의 세트를 생성하는 라우팅 시설(1720)의 세트를 더 포함할 수 있다. 라우팅은 수요 관리 애플리케이션(1502)의 세트, 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 자산 관리 애플리케이션(1530)의 세트 및 상품의 카테고리에 대한 기업 리소스 관리 애플리케이션(1520)의 세트의 이익을 위한 라우팅을 포함할 수 있다.
실시예에서, 밸류 체인 네트워크 내의 노드의 세트 사이에서 정보를 라우팅하기 위한 라우팅 명령어의 세트를 생성하는 라우팅 시설의 세트는 우선순위 기반 라우팅, 마스터 제어기 라우팅, 최소 비용 라우팅, 규칙 기반 라우팅, 유전적으로 프로그래밍된 라우팅, 랜덤 선형 네트워크 코딩 라우팅, 트래픽 기반 라우팅, 스펙트럼 기반 라우팅, RF 조건 기반 라우팅, 에너지 기반 라우팅, 레이턴시 감응 라우팅, 프로토콜 호환성 기반 라우팅, 동적 스펙트럼 액세스 라우팅, 피어-투-피어 협상 라우팅, 큐 기반 라우팅 등을 수반하지만 이에 제한되지 않는 것과 같은 매우 다양한 라우팅 시스템 또는 구성을 사용한다.
실시예에서, 라우팅은 우선순위 기반 라우팅을 포함한다. 실시예에서, 라우팅은 마스터 제어기 라우팅을 포함한다. 실시예에서, 라우팅은 최소 비용 라우팅을 포함한다. 실시예에서, 라우팅은 규칙 기반 라우팅을 포함한다. 실시예에서, 라우팅은 유전적으로 프로그래밍된 라우팅을 포함한다.
실시예에서, 라우팅은 랜덤 선형 네트워크 코딩 라우팅을 포함한다. 실시예에서, 라우팅은 트래픽 기반 라우팅을 포함한다. 실시예에서, 라우팅은 스펙트럼 기반 라우팅을 포함한다.
실시예에서, 라우팅은 RF 조건 기반 라우팅을 포함한다. 실시예에서, 라우팅은 에너지 기반 라우팅을 포함한다. 실시예에서, 라우팅은 레이턴시 감응 라우팅을 포함한다.
실시예에서, 라우팅은 프로토콜 호환성 기반 라우팅을 포함한다.
실시예에서, 라우팅은 동적 스펙트럼 액세스 라우팅을 포함한다. 실시예에서, 라우팅은 피어-투-피어 협상 라우팅을 포함한다. 실시예에서, 라우팅은 큐 기반 라우팅을 포함한다.
실시예에서, 밸류 체인 네트워크에 대한 상태 정보는, 제한 없이, 트래픽 상태, 혼잡 상태, 대역폭 상태, 동작 상태, 작업흐름 진행 상태, 사건 상태, 손상 상태, 안전 상태, 전력 가용성 상태, 작업자 상태, 데이터 가용성 상태, 예측된 시스템 상태, 배송 위치 상태, 배송 타이밍 상태, 전달 상태, 예상된 전달 상태, 환경 조건 상태, 시스템 진단 상태, 시스템 결함 상태, 사이버보안 상태, 준수 상태, 수요 상태, 공급 상태, 가격 상태, 변동성 상태, 필요 상태, 관심 상태, 그룹 또는 집단에 대한 집계 상태, 개인 상태 등과 같은, 광범위한 상태, 이벤트, 작업흐름, 활동, 발생 등을 수반한다.
실시예에서, 상태 정보는 트래픽 상태를 수반한다. 실시예에서, 상태 정보는 혼잡 상태를 수반한다. 실시예에서, 상태 정보는 대역폭 상태를 수반한다. 실시예에서, 상태 정보는 동작 상태를 수반한다. 실시예에서, 상태 정보는 작업흐름 진행 상태를 수반한다.
실시예에서, 상태 정보는 사건 상태를 수반한다. 실시예에서, 상태 정보는 손상 상태를 수반한다. 실시예에서, 상태 정보는 안전 상태를 수반한다.
실시예에서, 상태 정보는 전력 가용성 상태를 수반한다. 실시예에서, 상태 정보는 작업자 상태를 수반한다. 실시예에서, 상태 정보는 데이터 가용성 상태를 수반한다.
실시예에서, 상태 정보는 예측된 시스템 상태를 수반한다. 실시예에서, 상태 정보는 배송 위치 상태를 수반한다. 실시예에서, 상태 정보는 배송 타이밍 상태를 수반한다. 실시예에서, 상태 정보는 전달 상태를 수반한다.
실시예에서, 상태 정보는 예상된 전달 상태를 수반한다. 실시예에서, 상태 정보는 환경 조건 상태를 수반한다.
실시예에서, 상태 정보는 시스템 진단 상태를 수반한다. 실시예에서, 상태 정보는 시스템 결함 상태를 수반한다. 실시예에서, 상태 정보는 사이버보안 상태를 수반한다. 실시예에서, 상태 정보는 준수 상태를 수반한다.
디지털 트윈을 관리하기 위한 대시보드(DASHBOARD FOR MANAGING DIGITAL TWINS)
도 14를 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(624), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, (인공 지능(1160)을 포함하는) 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 디지털 트윈의 세트를 관리하기 위한 대시보드를 포함할 수 있고, 적어도 하나의 디지털 트윈은 공급 체인 엔티티, 작업흐름 및 자산의 세트를 나타내고, 적어도 하나의 다른 디지털 트윈은 수요 관리 엔티티 및 작업흐름의 세트를 나타낸다.
실시예에서, VCNP(604)는 디지털 트윈(1700)의 세트를 관리하기 위한 대시보드(1740)를 더 포함할 수 있다. 실시예에서, 이는 하나의 디지털 트윈(1700)이 공급 체인 엔티티, 작업흐름 및 자산의 세트를 나타내고 다른 디지털 트윈(1700)이 수요 관리 엔티티 및 작업흐름의 세트를 나타내는 경우와 같이, 상이한 트윈을 포함할 수 있다. 일부 예시적인 실시예에서, 디지털 트윈(1700)의 세트를 관리하는 것은 본 개시에서 설명된 바와 같은 구성을 (예를 들어, 대시보드(1740)를 통해) 참조할 수 있다. 예를 들어, 디지털 트윈(1700)은, 기업 디지털 트윈 및 기업의 연관된 메타데이터를 설정 및 관리하고, 기업 디지털 트윈을 작동시키는 데이터 구조 및 데이터 청취 스레드를 구성하며, 액세스 특징, 처리 특징, 자동화 특징, 보고 특징 등을 포함한 기업 디지털 트윈의 특징을 구성하기 위해 디지털 트윈 구성 시스템을 이용하여 구성될 수 있고, 이들 각각은 (예를 들어, 기업 디지털 트윈이 서빙하는 역할(들), 표시하는 엔티티, 기업 디지털 트윈이 지원하거나 인에이블하는 작업흐름 등에 기초하여) 기업 디지털 트윈의 타입에 의해 영향을 받을 수 있다. 예시적인 실시예에서, 디지털 트윈 구성 시스템은 기업에 대해 지원될 수 있는 디지털 트윈의 타입들 뿐만 아니라, 또한 각각의 타입의 디지털 트윈에 표시될 상이한 객체, 엔티티, 및/또는 상태를 수신할 수 있다. 각각의 타입의 디지털 트윈에 대해, 디지털 트윈 구성 시스템은 각각의 타입의 디지털 트윈에 표시되는 각각의 객체, 엔티티, 또는 상태를 공급하거나 다른 방식으로 지원하는 하나 이상의 데이터 소스 및 데이터의 타입을 결정할 수 있고, 식별된 데이터 타입을 획득하는 임의의 내부 또는 외부 소프트웨어 요청(예를 들어, API 호출), 또는 내부 또는 외부 데이터 소스로부터 데이터를 자동으로 수신하도록 구성될 수 있는 웹훅(webhook)과 같은 다른 적합한 데이터 취득 메커니즘을 결정할 수 있다. 일부 실시예에서, 디지털 트윈 구성 시스템은 특정 상태/엔티티/객체에 대응하는 상이한 타입의 데이터와 그 세분성 사이의 관계를 분석함으로써 식별된 데이터 타입을 지원하는 내부 및/또는 외부 소프트웨어 요청을 결정할 수 있다. 추가적으로 또는 대안적으로, 사용자는 각각의 디지털 트윈에 표시되는 각각의 데이터 타입을 지원하는 데이터 소스 및/또는 소프트웨어 요청 및/또는 다른 데이터 취득 메커니즘을 (예를 들어, GUI를 통해) 정의할 수 있다. 이러한 예시적인 실시예에서, 사용자는 액세스될 수 있는 데이터 소스 및 각각의 데이터 소스로부터 획득될 데이터의 타입을 표시할 수 있다.
대시보드는, 예컨대, 수요 관리 애플리케이션(1502)의 세트, 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 자산 관리 애플리케이션(1530)의 세트 및 상품의 카테고리에 대한 기업 리소스 관리 애플리케이션(1520)의 세트의 이익을 위해, 상태 정보(1730)와 같은, 플랫폼(604)에서 수집된 정보의 수집, 처리, 및/또는 표현에서 사용하기 위한 디지털 트윈(1700)을 구성하는 데 사용될 수 있다.
실시예에서, 대시보드는 디지털 트윈의 세트를 관리하기 위한 것이고, 여기서, 적어도 하나의 디지털 트윈은 공급 체인 엔티티 및 작업흐름의 세트를 나타내고, 적어도 하나의 다른 디지털 트윈은 수요 관리 엔티티 및 작업흐름의 세트를 나타낸다.
실시예에서, 엔티티 및 작업흐름은 기업의 제품의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 기업의 공급자의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 제품의 세트의 생산자의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 제품의 세트의 제조자의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 제품의 라인의 소매업자의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 제품의 카테고리에 대한 생태계에 수반되는 사업자의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 제품의 세트에 대한 밸류 체인에 수반되는 자산의 세트의 소유자의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 제품의 세트에 대한 밸류 체인에 수반되는 자산의 세트의 운영자의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 운영 시설의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 고객의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 소비자의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 작업자의 세트와 관련된다.
실시예에서, 엔티티 및 작업흐름은 모바일 디바이스의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 웨어러블 디바이스의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 유통업자의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 재판매업자의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 공급 체인 기반구조 시설의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 공급 체인 프로세스의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 물류 프로세스의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 역물류 프로세스의 세트와 관련된다.
실시예에서, 엔티티 및 작업흐름은 수요 예측 프로세스의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 수요 관리 프로세스의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 수요 집계 프로세스의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 기계의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 선박의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 바지선의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 웨어하우스의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 해양 항구의 세트와 관련된다.
실시예에서, 엔티티 및 작업흐름은 공항의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 항로의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 수로의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 도로의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 철도의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 교량의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 터널의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 온라인 소매업자의 세트와 관련된다.
실시예에서, 엔티티 및 작업흐름은 전자상거래 사이트의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 수요 인자의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 공급 인자의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 배달 시스템의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 플로팅 자산의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 원산지 지점의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 목적지 지점의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 저장소의 지점의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 제품 사용의 지점의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 네트워크의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 정보 기술 시스템의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 소프트웨어 플랫폼의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 유통 센터의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 주문 처리 센터의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 컨테이너의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 컨테이너 취급 시설의 세트에 관한 것이다.
실시예에서, 엔티티 및 작업흐름은 세관의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 수출 제어의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 경계 제어의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 드론의 세트에 관련된다.
실시예에서, 엔티티 및 작업흐름은 로봇의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 자율 차량의 세트와 관련된다. 실시예에서, 엔티티 및 작업흐름은 운반 시설의 세트에 관한 것이다. 실시예에서, 엔티티 및 작업흐름은 드론, 로봇 및 자율 차량의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 수로의 세트에 관련된다. 실시예에서, 엔티티 및 작업흐름은 항구 기반구조 시설의 세트에 관련된다.
실시예에서, 디지털 트윈의 세트는, 예를 들어 그리고 제한 없이, 유통 트윈, 웨어하우징 트윈, 항구 기반구조 트윈, 배송 시설 트윈, 운영 시설 트윈, 고객 트윈, 작업자 트윈, 웨어러블 디바이스 트윈, 휴대용 디바이스 트윈, 모바일 디바이스 트윈, 프로세스 트윈, 기계 트윈, 자산 트윈, 제품 트윈, 원산지 지점 트윈, 목적지 지점 트윈, 공급 인자 트윈, 해양 시설 트윈, 플로팅 자산 트윈, 쉽야드 트윈, 주문 처리 트윈, 배달 시스템 트윈, 수요 인자 트윈, 소매업자 트윈, 전자상거래 트윈, 온라인 트윈, 수로 트윈, 도로 트윈, 도로 트윈, 철도 트윈, 항공 시설 트윈, 항공기 트윈, 선박 트윈, 차량 트윈, 기차 트윈, 자율 차량 트윈, 로봇 시스템 트윈, 드론 트윈, 물류 인자 트윈 등을 포함할 수 있다.
마이크로서비스 아키텍처(MICROSERVICES ARCHITECTURE)
도 15를 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(624), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(614)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 적어도 하나의 공급 체인 애플리케이션 및 적어도 하나의 수요 관리 애플리케이션을 지원하는 애플리케이션 계층을 포함하는 마이크로서비스 계층의 세트를 포함할 수 있고, 애플리케이션 계층의 애플리케이션은 데이터 처리 서비스, 데이터 수집 서비스, 및 데이터 저장 서비스의 세트 사이에서 공통 서비스의 세트를 사용한다.
실시예에서, VCNP(604)는 상품의 카테고리를 위한 수요 관리 애플리케이션(1502)의 세트, 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 자산 관리 애플리케이션(1530)의 세트 및 기업 리소스 관리 애플리케이션(1520)의 세트 중 적어도 2개의 애플리케이션을 지원하는 애플리케이션 계층을 포함하는 마이크로서비스 계층의 세트를 더 포함할 수 있다.
마이크로서비스 아키텍처는 플랫폼(604)에 여러 이점을 제공한다. 예를 들어, 하나의 이점은 플랫폼이 다른 사람에 의해 생성된 쉽게 적응된 서비스를 사용할 수 있도록 개발자가 입력 및 출력만을 정의하면 될 수 있도록 다른 사람에 의해 생성된 개선된 마이크로서비스의 생성을 활용하는 능력일 수 있다. 또한, 마이크로서비스 아키텍처의 사용은 마이크로서비스를 태스크를 달성하기 위해 사용될 수 있는 집합체로 모듈화하는 능력을 제공할 수 있다. 예를 들어, 웨어하우스에서 무슨 일이 발생하고 있는지를 결정하는 목표는 비전 기반 서비스, 요청하고 수신할 수 있는 일련의 규칙적 프롬프트, 이벤트 로그 또는 피드의 판독 등과 같은 최소 비용을 갖는 다양한 마이크로서비스로 달성될 수 있다. 이러한 마이크로서비스 각각은 쉽게 플러그인되어 사용될 수 있는 별개의 마이크로서비스일 수 있다. 특정 마이크로서비스가 효과적으로 작동하지 않는 경우, 마이크로서비스는 플랫폼 내의 다른 컴포넌트에 대한 영향을 최소화하면서 다른 서비스로 쉽게 대체될 수 있다. 사용될 수 있는 다른 마이크로서비스는 추천 서비스, 협력 필터링 서비스, 반지도 학습 서비스를 갖는 딥러닝 등을 포함한다. 마이크로서비스 아키텍처는 전체 작업흐름을 구축하는데 있어서 각각의 스테이지에서 모듈성을 제공할 수 있다. 예시적인 실시예에서, 마이크로서비스는 공유 데이터 스트림 및 마이크로서비스 아키텍처에 의해 인에이블되는 다른 임의의 것을 비롯하여, 소비될 수 있는 다수의 애플리케이션을 위해 구축될 수 있다.
다른 센서 및 카메라의 IoT 데이터 수집 아키텍처 추천
도 16을 참조하면, 플랫폼(604)의 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 적어도 하나의 공급 체인 애플리케이션 및 적어도 하나의 수요 관리 애플리케이션을 지원하는 애플리케이션 계층을 포함하는 마이크로서비스 계층의 세트를 포함할 수 있고, 마이크로서비스 계층은 공급 체인 엔티티 및 수요 관리 엔티티에 대한 정보를 수집하는 사물 인터넷 리소스의 세트로부터 정보를 수집하는 데이터 수집 계층을 포함한다.
또한, 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 본 출원에 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 추가적인 센서/및/또는 카메라를 밸류 체인 엔티티 상에 및/또는 그에 근접하게 배치하기 위한 추천을 생성하도록 구성된 기계 학습/인공 지능 시스템을 포함할 수 있고, 추가 센서 및/또는 카메라로부터의 데이터는 밸류 체인 엔티티의 세트를 나타내는 디지털 트윈에 공급된다.
실시예에서, VCNP(604)는 마이크로서비스의 세트를 더 포함할 수 있고, 마이크로서비스 계층은 공급 체인 엔티티 및 수요 관리 엔티티(652)에 대한 정보를 수집하는 사물 인터넷 리소스(1172)의 세트로부터 정보를 수집하는 데이터 수집 및 관리 시스템(640)을 갖는 모니터링 시스템 및 데이터 수집 시스템 계층(614)을 포함한다. 마이크로서비스는 상품의 카테고리를 위한 수요 관리 애플리케이션(1502)의 세트, 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 자산 관리 애플리케이션(1530)의 세트 및 기업 리소스 관리 애플리케이션(1520)의 세트 중에서 다양한 애플리케이션을 지원할 수 있다.
실시예에서, 플랫폼(604)은 밸류 체인 네트워크 엔티티(652) 상에 및/또는 그에 근접하여 추가 센서(1462) 및/또는 카메라를 배치하기 위한 추천을 생성하도록 구성되는 센서 추천 시스템(1750)을 포함하는 기계 학습/인공 지능 시스템(1160)을 더 포함할 수 있다. 예를 들어, 일부 실시예에서, 센서 추천 시스템(1750)은 부하, 신호의 어레이, 응급 상황, 주파수 응답, 유지보수, 진단 등을 사용하여 추천을 생성할 수 있다. 추가 센서(1462) 및/또는 카메라로부터의 데이터는 밸류 체인 엔티티(652)의 세트를 나타내는 디지털 트윈(1700)에 공급될 수 있다. 실시예에서, 공급 체인 엔티티 및 수요 관리 엔티티에 대한 정보를 수집하는 사물 인터넷 리소스의 세트는 본 개시 전반에 걸쳐 그리고 본 출원에 참조로 포함된 문서에 설명된 타입 중 임의의 타입의 엔티티로부터 정보를 수집한다.
실시예에서, 사물 인터넷 리소스의 세트는 카메라 시스템, 조명 시스템, 모션 감지 시스템, 가중 시스템, 검사 시스템, 기계 비전 시스템, 환경 센서 시스템, 온보드 센서 시스템, 온보드 진단 시스템, 환경 제어 시스템, 센서-인에이블 네트워크 전환 및 라우팅 시스템, RF 감지 시스템, 자기 감지 시스템, 압력 모니터링 시스템, 진동 모니터링 시스템, 온도 모니터링 시스템, 열 흐름 모니터링 시스템, 생물학적 측정 시스템, 화학적 측정 시스템, 초음파 모니터링 시스템, 방사선 촬영 시스템, LIDAR 기반 모니터링 시스템, 액세스 제어 시스템, 침투파 감지 시스템, SONAR 기반 모니터링 시스템, 레이더 기반 모니터링 시스템, 컴퓨터 단층촬영 시스템, 자기 공명 이미징 시스템, 네트워크 모니터링 시스템, 등과 같은, 제한 없이, 매우 다양한 타입의 것일 수 있다.
실시예에서, 사물 인터넷 리소스의 세트는 카메라 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 조명 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 기계 비전 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 모션 감지 시스템의 세트를 포함한다.
실시예에서, 사물 인터넷 리소스의 세트는 가중 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 검사 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 환경 센서 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 온보드 센서 시스템의 세트를 포함한다.
실시예에서, 사물 인터넷 리소스의 세트는 온보드 진단 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 환경 제어 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 센서-인에이블형 네트워크 전환 및 라우팅 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 RF 감지 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 자기 감지 시스템의 세트를 포함한다.
실시예에서, 사물 인터넷 리소스의 세트는 압력 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 진동 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 온도 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 열 흐름 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 생물학적 측정 시스템의 세트를 포함한다.
실시예에서, 사물 인터넷 리소스의 세트는 화학적 측정 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 초음파 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 방사선 촬영 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 LIDAR 기반 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 액세스 제어 시스템의 세트를 포함한다.
실시예에서, 사물 인터넷 리소스의 세트는 침투파 감지 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 SONAR 기반 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 레이더 기반 모니터링 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 컴퓨터 단층촬영 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 자기 공명 이미징 시스템의 세트를 포함한다. 실시예에서, 사물 인터넷 리소스의 세트는 네트워크 모니터링 시스템의 세트를 포함한다.
소셜 데이터 수집 아키텍처(SOCIAL DATA COLLECTION ARCHITECTURE)
도 17을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 적어도 하나의 공급 체인 애플리케이션 및 적어도 하나의 수요 관리 애플리케이션을 지원하는 애플리케이션 계층을 포함하는 마이크로서비스 계층의 세트를 포함할 수 있고, 마이크로서비스 계층은 공급 체인 엔티티 및 수요 관리 엔티티에 대한 정보를 제공하는 소셜 네트워크 소스의 세트로부터 정보를 수집하는 데이터 수집 계층을 포함한다.
실시예에서, VCNP(604)는 공급 체인 엔티티 및 수요 관리 엔티티에 대한 정보를 제공하는 소셜 네트워크 리소스 MPVC(1708)의 세트로부터 정보를 수집하는 소셜 데이터 수집 시설(1760)을 갖는 데이터 수집 계층(예를 들어, 모니터링 시스템 및 데이터 수집 시스템 계층(614))을 포함하는 마이크로서비스 계층의 세트를 더 포함할 수 있다. 소셜 네트워크 데이터 수집 시설(1760)은 상품의 카테고리를 위한 수요 관리 애플리케이션(1502)의 세트, 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 자산 관리 애플리케이션(1530)의 세트 및 기업 리소스 관리 애플리케이션(1520)의 세트 중에서 다양한 애플리케이션을 지원할 수 있다. (소셜 네트워크 데이터 수집 시설(1760)을 사용하는) 소셜 네트워크 데이터 수집은 질의를 구성하기 위한 것, 관련성의 소셜 데이터 소스를 식별하기 위한 것, 데이터 수집을 위한 API를 구성하기 위한 것, 적절한 애플리케이션(630)에 데이터를 라우팅하기 위한 것 등과 같은 소셜 데이터 수집 구성 인터페이스에 의해 촉진될 수 있다.
크라우드소싱 데이터 수집 아키텍처(CROWDSOURCING DATA COLLECTION ARCHITECTURE)
도 18을 참조하면, 플랫폼(604)의 일 실시예가 제공된다. 다른 실시예에서와 같이, 플랫폼(604)은 다양한 데이터 취급 계층(614), (플랫폼(604)의 다양한 계층의 인터페이스(702)의 세트를 포함하거나 이에 연결할 수 있는) 네트워크 연결 시설(642)의 세트, 적응형 지능 시설 또는 적응형 지능 시스템(1160)의 세트, 데이터 저장 시설 또는 시스템(624)의 세트, 및 모니터링 시설 또는 시스템(614)의 세트를 갖는 마이크로-서비스 아키텍처를 이용할 수 있다. 플랫폼(604)은 기업이 예컨대 지능형 제품일 수 있는 제품(650)의 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티(652)의 세트를 관리할 수 있게 하기 위한 애플리케이션(630)의 세트(프로세스, 작업흐름, 활동, 이벤트, 사용 사례 및 애플리케이션을 포함함)를 지원할 수 있다.
따라서, 본 출원에는 정보 기술 시스템을 위한 방법, 시스템, 컴포넌트 및 다른 요소가 제공되며, 이는 밸류 체인 네트워크 엔티티의 세트의 모니터링 및 관리를 위해 조정되는 마이크로-서비스 아키텍처, 인터페이스의 세트, 네트워크 연결 시설, 적응형 지능 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 관리 플랫폼; 기업이 원산지 지점으로부터 고객 사용 지점까지 밸류 체인 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 적어도 하나의 공급 체인 애플리케이션 및 적어도 하나의 수요 관리 애플리케이션을 지원하는 애플리케이션 계층을 포함하는 마이크로서비스 계층의 세트를 포함할 수 있고, 마이크로서비스 계층은 공급 체인 엔티티 및 수요 관리 엔티티에 대한 정보를 제공하는 크라우드소싱 리소스의 세트로부터 정보를 수집하는 데이터 수집 계층을 포함한다.
실시예에서, VCNP(604)는 공급 체인 엔티티 및 수요 관리 엔티티에 관한 정보를 제공하는 크라우드소싱 리소스의 세트로부터 정보를 수집하는 크라우드소싱 시설(1770)을 갖는 모니터링 시스템 및 데이터 수집 시스템 계층(614)을 포함하는 마이크로서비스 계층의 세트를 더 포함할 수 있다. 크라우드소싱 서비스(1770)는 상품의 카테고리를 위한 수요 관리 애플리케이션(1502)의 세트, 공급 체인 애플리케이션(1500)의 세트, 지능형 제품 애플리케이션(1510)의 세트, 자산 관리 애플리케이션(1530)의 세트 및 기업 리소스 관리 애플리케이션(1520)의 세트 중에서 다양한 애플리케이션을 지원할 수 있다. 크라우드소싱은, 질의를 구성하는 것, 정보에 대한 보상을 설정하는 것, 작업흐름을 구성하는 것, 참여에 대한 적격성을 결정하는 것, 및 크라우드소싱의 다른 요소와 같은, 크라우드소싱 인터페이스(1770)에 의해 촉진될 수 있다.
밸류 체인 디지털 트윈 처리(VALUE CHAIN DIGITAL TWIN PROCESSING)(DTPT)
이제 도 52를 참조하면, 밸류 체인 네트워크 엔티티(652)의 세트를 나타내는 밸류 체인 네트워크 디지털 트윈(1700)의 세트가 도시되어 있다. 디지털 트윈(1700)은 밸류 체인 네트워크 엔티티(652)의 특성, 상태, 동작, 거동 및 다른 양태를 시뮬레이션하도록 구성된다. 디지털 트윈(1700)은, 예를 들어, 3D 모델의 형태의 시각적 사용자 인터페이스를 가질 수 있거나, 밸류 체인 네트워크 엔티티(652)의 컴포넌트 및 인터페이스를 포함하는 아키텍처를 설명하는 시스템 사양 또는 온톨로지로 구성될 수 있다. 디지털 트윈(1700)은, 예컨대, 센서를 통해 포착되거나, 사용자 입력을 통하거나, 및/또는 밸류 체인 네트워크 엔티티(652)의 거동을 설명하는 거동 모델의 출력에 의해 결정되는, 밸류 체인 네트워크 엔티티(652)의 과거 및 현재 상태의 데이터 기록을 포함하는, 밸류 체인 네트워크 엔티티(652)의 구성 또는 조건을 포함할 수 있다. 디지털 트윈(1700)은 센서 데이터, 테스트 및 검사 결과, 수행된 유지보수, 수정 등에 기초하여 밸류 체인 네트워크 엔티티(652)의 현재 조건을 반영하도록 연속적으로 업데이트될 수 있다. 디지털 트윈(1700)은 또한 대화, 텍스트, 제스처 등과 같은 다수의 통신 채널을 통해 사용자와 통신하도록 구성될 수 있다. 예를 들어, 디지털 트윈(1700)은 밸류 체인 네트워크 엔티티(652)에 관한 질의를 사용자로부터 수신하고, 질의에 대한 응답을 생성하고, 그러한 응답을 사용자에게 통신할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈(1700)은 다른 밸류 체인 네트워크 엔티티(652)에서의 유사한 동작 패턴 및 문제들 뿐만 아니라, 또한 그러한 문제를 해결하기 위해 취해지는 단계를 학습하고 식별하기 위해 서로 통신할 수 있다. 디지털 트윈(1700)은, 밸류 체인 네트워크 엔티티(652)의 개별적이고 집합적인 성능 및 활용을 최적화하는 것과 같이, 모니터링, 진단, 시뮬레이션, 관리, 원격 제어, 및 예후를 위해 사용될 수 있다.
예를 들어, 기계 트윈(1770)은 기계(724)의 주요 동작 메트릭을 연속적으로 포착할 수 있고, 실시간으로 기계 성능을 모니터링하고 최적화하기 위해 사용될 수 있다. 기계 트윈(1770)은 유사한 기계(724)로부터의 통찰을 포함하는 센서, 성능, 및 환경 데이터를 조합하여, 다양한 기계 컴포넌트의 수명의 예측 및 통지된 유지보수 결정을 가능하게 할 수 있다. 실시예에서, 기계 트윈(1770)은 기계(724)의 동작 특성의 변화에 기초하여 경보 또는 다른 경고를 생성할 수 있다. 경보는 기계(724)의 컴포넌트에 대한 문제로 인한 것일 수 있다. 추가적으로, 기계 트윈(1770)은 기계 또는 유사한 기계에서 이전에 발생한 유사한 문제를 결정하고, 문제를 야기한 것, 문제를 해결하기 위해 행해진 것에 대한 설명을 제공하고, 현재 문제와 이전 문제 사이의 차이들 및 문제를 해결하기 위해 어떤 액션을 취할지 등을 설명할 수 있다.
유사하게, 웨어하우징 트윈(1712)은 웨어하우스의 3D 모델을 상이한 제품의 크기, 수량, 위치, 및 수요 특성을 포함하는 재고 및 운영 데이터와 조합할 수 있다. 웨어하우징 트윈(1712)은 또한, 웨어하우스 내의 재고 및 인력의 이동에 관한 데이터 뿐만 아니라, 또한 연결된 웨어하우스 내의 센서 데이터를 수집할 수 있다. 웨어하우징 트윈(1712)은 공간 활용을 최적화하는 데 도움이 될 수 있고 웨어하우스 운영에서 폐기물의 식별 및 제거를 보조할 수 있다. 제품, 인력, 및 재료 취급 장비의 이동의 웨어하우징 트윈(1712)을 사용하는 시뮬레이션은 웨어하우스 관리자가 레이아웃 변경 또는 새로운 장비 및 새로운 프로세스의 도입의 잠재적 영향을 테스트하고 평가하는 것을 가능하게 할 수 있다.
실시예에서, 밸류 체인 네트워크 엔티티(652)의 다수의 디지털 트윈이 통합될 수 있고, 그에 의해 밸류 체인 네트워크에 걸쳐 데이터를 집계하여 엔티티-레벨 통찰 뿐만 아니라 또한 시스템-레벨 통찰도 구동한다. 예를 들어, 컨베이어, 로봇, 및 검사 디바이스를 포함하는 상이한 기계(724)를 포함하는 운영 시설(712)을 갖는 간단한 밸류 체인 네트워크를 고려한다. 운영 시설 디지털 트윈(1172)은 운영 시설(712)(예를 들어, 패키지가 컨베이어를 따라 이동되고 전달을 위해 송출되기 전에 검사되는 웨어하우스, 유통 센터, 또는 주문 처리 센터) 내의 완전한 컨베이어 라인의 전체적인 픽처를 얻기 위해 상이한 기계의 디지털 트윈(1770)으로부터의 데이터를 통합할 필요가 있을 수 있다. 컨베이어 라인의 디지털 트윈은 그 성능에 대해서만 통찰을 제공할 수 있지만, 복합 디지털 트윈은 운영 시설(712) 내의 상이한 기계에 걸쳐 데이터를 집계할 수 있다. 따라서, 이는 개별 기계 및 운영 시설 내의 환경 인자와의 상호작용의 통합된 뷰를 제공하여 운영 시설(712) 내의 컨베이어 라인의 전체적인 건강에 대한 통찰로 이어질 수 있다. 다른 예로서, 공급 인자 트윈(1650) 및 수요 인자 트윈(1640)은 제품(650)에 대한 수요-공급 평형의 전체적인 픽처를 생성하기 위해 통합될 수 있다. 디지털 트윈의 통합은 또한 다수의 밸류 체인 네트워크 엔티티(652)의 질의를 가능하게 하고 밸류 체인 네트워크(668) 및 그 다양한 시스템 및 서브시스템의 360도 뷰를 생성한다.
밸류 체인 네트워크 엔티티(652)의 디지털 트윈을 통합하는 능력은 공급 체인 엔티티, 수요 관리 엔티티 및 밸류 체인 네트워크 엔티티 중에서 선택된 엔티티를 나타내는 복수의 디지털 트윈 서브시스템으로부터 밸류 체인 네트워크 디지털 트윈 시스템을 생성하는 데 사용될 수 있다는 것이 명백할 것이다. 예를 들어, 기계 디지털 트윈(1770)은 기계(724)를 구성하는 서브시스템 및 개별 컴포넌트의 다수의 디지털 트윈으로 구성된다. 기계의 디지털 트윈은 모든 그러한 컴포넌트 트윈 및 입력 및 출력을 통합하여 기계의 모델을 구축할 수 있다. 또한, 예를 들어, 유통 시설 트윈 시스템(1714)은 웨어하우징 트윈(1712), 주문 처리 트윈(1600) 및 배달 시스템 트윈(1610)과 같은 서브시스템으로 구성될 수 있다.
유사하게, 프로세스 디지털 트윈은 공급 체인 엔티티, 수요 관리 엔티티 및 밸류 체인 네트워크 엔티티 중에서 선택된 엔티티를 나타내는 다수의 서브프로세스의 디지털 트윈으로 구성되는 것으로 볼 수 있다. 예를 들어, 패키징 프로세스의 디지털 트윈은 제품을 픽킹, 이동, 검사 및 패킹하기 위한 서브프로세스의 디지털 트윈으로 구성된다. 다른 예로서, 웨어하우징 프로세스의 디지털 트윈은 저장된 재고의 수신, 저장, 픽킹 및 배송을 포함하는 다수의 서브프로세스의 디지털 트윈으로 구성되는 것으로 볼 수 있다.
밸류 체인 네트워크 디지털 트윈 시스템이 복수의 디지털 트윈 서브시스템으로부터 생성될 수 있거나, 반대로 디지털 트윈 서브시스템이 디지털 트윈 시스템으로부터 생성될 수 있다는 것을 명백히 알 수 있을 것이며, 디지털 트윈 서브시스템 및 디지털 트윈 시스템 중 적어도 하나는 공급 체인 엔티티, 수요 관리 엔티티 및 밸류 체인 네트워크 엔티티 중에서 선택된 엔티티를 나타낸다.
유사하게, 밸류 체인 네트워크 디지털 트윈 프로세스는 복수의 디지털 트윈 서브프로세스로부터 생성될 수 있거나, 반대로 디지털 트윈 프로세스로부터 생성된 디지털 트윈 서브프로세스일 수 있으며, 디지털 트윈 서브프로세스 및 디지털 트윈 프로세스 중 적어도 하나는 공급 체인 엔티티, 수요 관리 엔티티 및 밸류 체인 네트워크 엔티티 중에서 선택된 엔티티를 나타낸다.
밸류 체인 네트워크 엔티티(652)의 디지털 트윈(1700)으로부터 획득된 분석 및 이들의 서로와의 상호작용은 밸류 체인 네트워크 뿐만 아니라 그 시스템, 서브시스템, 프로세스 및 서브프로세스의 계통적 뷰를 제공한다. 이는 다양한 시스템 및 프로세스가 성능 및 효율을 개선하기 위해 진화될 수 있는 방식에 대한 새로운 통찰을 생성하는 것을 도울 수 있다.
실시예에서, 플랫폼(604) 및 애플리케이션(630)은 밸류 체인 엔티티의 세트를 나타내는 자기 확장 디지털 트윈을 생성하고 업데이트하기 위한 시스템을 가질 수 있다. 자기 확장 디지털 트윈은 점점 더 많은 데이터를 수집하고 직면하는 시나리오와 함께, 학습 및 범위 확장을 계속 유지한다. 그 결과, 자기 확장 트윈은 시간에 따라 진화할 수 있고, 더 복잡한 태스크를 취하고, 자기 확장 디지털 트윈의 사용자에 의해 제기된 더 복잡한 질문에 답변할 수 있다.
실시예에서, 플랫폼(604) 및 애플리케이션(630)은 밸류 체인 엔티티의 세트를 나타내는 디지털 트윈에 대한 물리적 밸류 체인 엔티티의 변경 조건의 동기화를 스케줄링하기 위한 시스템을 가질 수 있다. 실시예에서, 물리적 밸류 체인 엔티티와 그 디지털 트윈 사이의 동기화는 거의 실시간 기반이다.
실시예에서, 플랫폼(604) 및 애플리케이션(630)은 밸류 체인 엔티티의 세트를 나타내는 단일 디지털 트윈에 기여하는 다수의 밸류 체인 네트워크 엔티티와 연관된 정보 기술 시스템으로부터 데이터를 추출, 공유, 및/또는 조화시키기 위한 애플리케이션 프로그래밍 인터페이스를 가질 수 있다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)은, 시스템의 다른 서브시스템이 애플리케이션 프로그래밍 인터페이스 API를 통해 마이크로 서비스를 제공하는 서브시스템의 기능에 액세스하도록, 마이크로 서비스로서 구현될 수 있는 다양한 서브시스템을 포함할 수 있다. 일부 실시예에서, 서브시스템에 의해 제공되는 다양한 서비스는 예컨대 API의 세트에 의해 통합되는 번들로 배치될 수 있다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)은 기업에 대한 밸류 체인 네트워크 엔티티의 세트를 관리하고 밸류 체인 네트워크 엔티티의 세트를 표현하기 위해 플랫폼에서 사용되는 디지털 트윈의 파라미터를 생성, 수정, 및 관리하는 것 중 적어도 하나를 위한 처리 능력의 세트를 갖는 마이크로서비스의 세트를 포함할 수 있다.
밸류 체인 디지털 트윈 키트(Value Chain Digital Twin Kit)(DTIB)
밸류 체인 네트워크 관리 플랫폼은 자기-구성 능력을 갖는 고정 관념을 깬 키트 시스템의 형태로 디지털 트윈 서브시스템을 제공할 수 있다. 키트는 서브시스템을 구성하는 밸류 체인 네트워크 엔티티의 세트의 데이터-풍부하고 상호작용적인 개요를 제공할 수 있다. 예를 들어, 공급 체인 고정 관념을 깬 디지털 트윈 키트 시스템은 공급 체인 엔티티의 소유자 또는 운영자의 아이덴티티에 연관되는 공급 체인 엔티티의 세트를 나타낼 수 있다. 이어서, 공급 체인 엔티티의 소유자 또는 운영자는 완전한 포트폴리오의 전체적인 픽처를 얻기 위해 키트를 사용할 수 있다. 소유자는 다양한 공급 체인 엔티티와 관련된 정보를 조사하고 디지털 트윈 키트 시스템으로부터 상호작용 질문을 질문할 수 있다.
실시예에서, 수요 관리 고정 관념을 깬 디지털 트윈 키트 시스템은 수요 관리 엔티티의 소유자 또는 운영자의 아이덴티티에 연관되는 수요 관리 엔티티의 세트를 나타낼 수 있다.
실시예에서, 고정 관념을 깬(out-of-the-box), 자기-구성 능력을 제공하기 위한 밸류 체인 네트워크 디지털 트윈 키트 시스템은 수요 관리 엔티티 및 공급 체인 엔티티의 소유자 또는 운영자의 아이덴티티에 연관되는 수요 관리 엔티티의 세트 및 공급 체인 엔티티의 세트를 나타낼 수 있다.
실시예에서, 고정 관념을 깬, 자기-구성 능력을 제공하기 위한 웨어하우스 디지털 트윈 키트 시스템은 웨어하우스의 소유자 또는 운영자의 아이덴티티에 연관되는 웨어하우스 엔티티의 세트를 나타낼 수 있다.
이제 도 53을 참조하면, 예시적인 웨어하우스 디지털 트윈 키트 시스템(5000)이 도시되어 있다. 웨어하우스 디지털 트윈 키트 시스템(5000)은 실제 공간(5004) 내의 웨어하우스(654)의 모델을 나타내는 가상 공간(5002) 내의 웨어하우징 트윈을 포함한다.
웨어하우스 디지털 트윈 키트 시스템(5000)은 하나 이상의 웨어하우스 엔티티(654)의 소유자 또는 운영자(5008)가 기존의 또는 설계 또는 구성에 있는 이들 엔티티 모두의 완전한 포트폴리오 개요를 얻을 수 있게 한다. 소유자(5008)는 웨어하우스 사진(5010), 3D 이미지(5012), 실시간 구성 진행의 라이브 비디오 피드(5014) 및 웨어하우징 엔티티(654)의 AR 또는 VR 렌더링(5018)을 포함하는 풍부한 정보를 내비게이션할 수 있다. 소유자(5008)는 하나 이상의 엔티티(654)의 건강에 관해 조사하고 상호작용 질문을 질문하고 하나 이상의 웨어하우스 엔티티(654)에 관한 상세한 정보를 검색할 수 있다. 웨어하우스 디지털 트윈 키트 시스템(5000)은 웨어하우스 엔티티(654)에서 IoT 디바이스 및 센서에 의해 포착된 실시간 동적 데이터에 액세스할 수 있고, 소유자(5008)와 상호작용하고 웨어하우스 엔티티(654)의 조건에 관한 임의의 질문에 답변할 수 있게 하는 자연어 능력으로 지원될 수 있다.
실시예에서, 웨어하우스 디지털 트윈 키트 시스템(5000)은 모든 웨어하우스 엔티티(654)를 포함하는 3D 정보 맵의 형태로 웨어하우스 엔티티(654)의 포트폴리오 개요를 소유자(5008)에게 제공할 수 있다. 소유자(5008)는 맵 상의 특정 엔티티를 선택하고 웨어하우징 트윈(1710)으로부터 재고, 운영 및 건강 데이터에 관한 정보를 얻을 수 있다. 대안적으로, 소유자(5008)는 소유된 웨어하우스 엔티티(654)의 전체 포트폴리오에 관한 정보를 요청할 수 있다. 웨어하우스 디지털 트윈 키트 시스템(5000)은 다수의 웨어하우징 트윈(1710)으로부터의 정보를 통합하고 전체적인 뷰를 제공한다. 통합된 뷰는 소유자(5008)가 현재 또는 예상된 수요와 매칭시키도록 재고 위치 및 스태핑 레벨을 조정함으로써 웨어하우스 엔티티(654)에 걸쳐 동작을 최적화하는 것을 도울 수 있다. 소유자(5008)는 또한 웨어하우스 디지털 트윈 키트 시스템(5000)으로부터의 정보를 임의의 고객, 공급자, 벤더 및 다른 파트너에 의해 액세스될 웹사이트 또는 마케팅 자료 상에 디스플레이할 수 있다.
실시예에서, 고정 관념을 깬, 자기-구성 능력을 제공하기 위한 컨테이너 선박 디지털 트윈 키트 시스템은 컨테이너 선박의 소유자 또는 운영자의 아이덴티티에 연관되는 컨테이너 선박 엔티티의 세트를 나타낼 수 있다.
실시예에서, 고정 관념을 깬, 자기-구성 능력을 제공하기 위한 항구 기반구조 디지털 트윈 키트 시스템은 항구 기반구조의 소유자 또는 운영자의 아이덴티티에 연관되는 항구 기반구조 엔티티의 세트를 나타낼 수 있다.
밸류 체인 호환성 테스트(Value Chain Compatibility Testing)(VCCT)
플랫폼(604)은 서로 상호작용하고 밸류 체인 네트워크의 다양한 시스템 및 서브시스템을 형성하는 상이한 밸류 체인 네트워크 엔티티(652) 사이의 호환성을 테스트하기 위해 밸류 체인 네트워크 엔티티(652)의 디지털 트윈(1700)을 배치할 수 있다.
이는 임의의 물리적 영향이 있기 전에 밸류 체인 네트워크 내의 다양한 시스템 및 서브시스템의 호환성 및 성능에 대한 가시성을 산출한다. 상이한 밸류 체인 네트워크 엔티티(652)의 임의의 비호환성 또는 성능 결함은 비용이 많이 들고 비실용적인 그러한 테스트를 수행하기 위해 물리적 시스템에 의존하지 않고 디지털 모델 및 시뮬레이션을 통해 강조될 수 있다.
디지털 트윈(1700)은 밸류 체인 네트워크에서 호환성 테스트를 수행하기 위해 인공 지능(1160)(본 개시 전반에 걸쳐 그리고 참조로 포함된 문서에 설명된 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 다른 시스템 중 임의의 것을 포함함)을 사용할 수 있다.
실시예에서, 플랫폼은 컨테이너 선박 및 벤더 컴포넌트를 나타내는 디지털 트윈의 세트를 사용하여 컨테이너 선박에 대한 벤더 컴포넌트의 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
실시예에서, 플랫폼은 웨어하우스 및 벤더 컴포넌트를 나타내는 디지털 트윈의 세트를 사용하여 웨어하우스에 대한 벤더 컴포넌트의 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
실시예에서, 플랫폼은 항구 기반구조 시설 및 벤더 컴포넌트를 나타내는 디지털 트윈의 세트를 사용하여 항구 기반구조 시설에 대한 벤더 컴포넌트의 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
실시예에서, 플랫폼은 쉽야드 시설 및 벤더 컴포넌트를 나타내는 디지털 트윈의 세트를 사용하여 쉽야드 시설에 대한 벤더 컴포넌트의 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
실시예에서, 플랫폼은 컨테이너 선박 및 항구 기반구조 시설을 나타내는 디지털 트윈 세트를 사용하여 컨테이너 선박 및 항구 기반구조 시설 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
실시예에서, 플랫폼은 바지선 및 수로 세트를 나타내는 디지털 트윈 세트를 사용하여 내비게이션 경로에 대한 바지선 및 수로 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
실시예에서, 플랫폼은 컨테이너 선박 및 화물을 나타내는 디지털 트윈 세트를 사용하여 식별된 배송에 대한 컨테이너 선박 및 화물 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
실시예에서, 플랫폼은 바지선 및 화물을 나타내는 디지털 트윈 세트를 사용하여 식별된 배송에 대한 바지선 및 화물 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
실시예에서, 플랫폼은 화물 취급 기반구조 시설 및 화물을 나타내는 디지털 트윈의 세트를 사용하여 식별된 배송에 대한 화물 취급 기반구조 시설의 세트 및 화물의 세트의 호환성 또는 구성을 테스트하기 위한 시스템을 제공할 수 있다.
밸류 체인 기반구조 테스트(Value Chain Infrastructure Testing)(VCIT)
플랫폼(604)은 밸류 체인 네트워크 엔티티(652)의 디지털 트윈(1700)을 배치하여 밸류 체인 네트워크 엔티티의 세트에 대한 스트레스 테스트를 수행할 수 있다. 디지털 트윈은 매우 다양한 환경에서 밸류 체인 네트워크 시스템 및 서브시스템의 거동을 시뮬레이션하는 것을 도울 수 있다. 스트레스 테스트는 정상 동작 값을 넘어서는 관련 파라미터의 변화의 영향을 이해하고 밸류 체인 네트워크의 기반구조의 복원력을 평가하기 위해 임의의 "가정(what-if)" 시나리오를 실행하는 것을 도울 수 있다.
플랫폼(604)은 밸류 체인 네트워크에 대해 이러한 스트레스 테스트를 수행하기 위해 인공 지능 시스템(1160)(다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 통합된 문서에 설명된 다른 시스템 중 임의의 것을 포함함)을 훈련시키기 위해 밸류 체인 네트워크 활동의 세트에 관련된 데이터 소스로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 밸류 체인 엔티티의 세트를 나타내는 디지털 트윈을 사용하여 기계에 대한 스트레스 테스트를 수행하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 밸류 체인 네트워크 활동의 세트에 관련된 데이터 소스로부터 수집된 기계 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
설명된 바와 같이, 밸류 체인 네트워크는 공급자와 제조자 사이의 원료의 취득 및 유통으로부터, 소매업자 또는 도매업자를 위한 재료의 전달, 유통 및 저장을 통해, 그리고 마지막으로 최종 사용자에 대한 제품의 판매에 이르기까지 최종 사용자에 대한 완제품의 생산 및 전달과 연관된 모든 양태를 관리하고 제어하는 복수의 상호 관련된 서브시스템 및 서브프로세스를 포함한다. 밸류 체인 네트워크의 복잡한 상호연결된 특성은 하나의 서브시스템 또는 하나 이상의 밸류 체인 엔티티 내의 유해 사례가 전체 밸류 체인 네트워크를 통해 반영된다는 것을 의미한다.
도 54는 밸류 체인 네트워크에 대해 스트레스 테스트를 수행하기 위한 예시적인 방법이다. 스트레스 테스트는 밸류 체인 네트워크(그의 서브시스템을 포함함)의 복원력을 테스트하고 부정적인 시나리오, 예를 들어 자연 재해, 혼잡한 경로, 법의 변화, 또는 깊은 경제 불황을 처리하는 그 능력을 결정하기 위한 시뮬레이션 연습을 포함할 수 있다. 이러한 부정적 또는 스트레스 시나리오는 시나리오의 특성에 따라 밸류 체인 네트워크 내의 하나 이상의 엔티티 또는 서브시스템에 영향을 미칠 수 있다. 따라서, 임의의 스트레스 테스트는 시나리오를 시뮬레이션하고 상이한 서브시스템에 걸쳐 그리고 전체 밸류 체인 네트워크에 대한 상이한 시나리오의 영향을 분석하는 것을 요구할 것이다.
5102에서, 밸류 체인 네트워크와 관련된 모든 과거 및 현재 데이터가 수신된다. 데이터는 특정 과거 기간, 예를 들어, 지난 12개월에 걸쳐 밸류 체인 네트워크의 다양한 동작 파라미터와 관련된 정보를 포함할 수 있다. 데이터는 또한 정상 조건 하에서 다양한 동작 파라미터의 전형적인 값에 대한 정보를 제공할 수 있다. 동작 파라미터의 일부 예는 다음을 포함한다: 제품 수요, 조달 소요 시간, 생산성, 하나 이상의 웨어하우스에서의 재고 레벨, 재고 회전율, 웨어하우징 비용, 웨어하우스에서 배송 터미널로 제품을 수송하는 평균 시간, 제품 배달의 전체 비용, 서비스 레벨 등. 5104에서, 데이터에 기초하여 밸류 체인 네트워크의 하나 이상의 시뮬레이션 모델이 생성된다. 시뮬레이션 모델은 밸류 체인 네트워크를 전체적으로 시각화하고 동작 파라미터의 변화가 밸류 체인 네트워크의 동작 및 성능에 어떻게 영향을 미치는지를 예측하는 데 도움이 된다. 실시예에서, 시뮬레이션 모델은 밸류 체인 네트워크의 상이한 서브시스템의 다수의 모델의 합일 수 있다.
5106에서, 정상 동작 값을 넘어서 하나 이상의 파라미터를 변경함으로써 하나 이상의 스트레스 시나리오가 시뮬레이션될 수 있다. 스트레스 시나리오의 시뮬레이션은 과거 데이터에만 기초한 임의의 분석의 한계를 극복하고, 가상적이지만 그럴듯한 스트레스 조건의 범위에 걸쳐 네트워크 성능을 분석하는 것을 돕는다. 시뮬레이션은 밸류 체인 네트워크에 대한 이러한 변동의 영향을 분석하기 위해 다른 파라미터를 고정된 것으로 유지하면서 하나 이상의 파라미터를 변경(충격)하는 것을 수반한다. 실시예에서, 나머지 파라미터를 고정된 것으로 유지하면서 단일 파라미터가 변경될 수 있다. 다른 실시예에서, 다수의 파라미터가 동시에 변경될 수 있다. 5108에서, 스트레스 시나리오 시뮬레이션의 결과가 결정되고, 밸류 체인 네트워크 및 그 상이한 서브시스템의 성능이 다양한 시나리오에 걸쳐 추정된다. 5110에서, 데이터, 파라미터 및 결과는 추가 분석을 위해 인공 지능 시스템(1160)에서의 기계 학습 프로세스에 공급된다.
시뮬레이션을 통해 데이터를 생성한 다음 이 데이터에 대해 기계 학습 알고리즘을 훈련하는 것의 이점은 이 접근법이 데이터의 볼륨 및 주파수 뿐만 아니라 데이터에서의 특징에 대해 제공하는 제어이다.
실시예에서, 플랫폼은 밸류 체인 엔티티의 세트를 표현하는 디지털 트윈을 사용하여 물리적 객체에 대한 스트레스 테스트를 수행하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 밸류 체인 네트워크 활동의 세트에 관련된 데이터 소스로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 엔티티의 연결된 네트워크 및 전기통신 네트워크에서 밸류 체인 엔티티의 세트를 나타내는 디지털 트윈을 사용하여 전기통신 네트워크에 대해 스트레스 테스트를 수행하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 밸류 체인 네트워크 활동의 세트에 관련된 데이터 소스로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
예를 들어, 전기통신 네트워크는 데이터 패킷을 생성하여 전기통신 네트워크 내의 특정 타겟 노드에 전송함으로써 네트워크 트래픽을 의도적으로 증가시킴으로써 복원성에 대해 스트레스 테스트될 수 있다. 또한, 트래픽의 양은 데이터 패킷 내의 데이터의 수, 레이트 또는 양을 조작함으로써 타겟 노드 상에 가변 부하 조건을 생성하도록 변경될 수 있다. 노드가 스트레스 테스트에서 어떻게 수행되었는지를 평가하기 위해 타겟 노드로부터의 응답이 결정될 수 있다. 타겟 노드는 임의의 토폴로지에서 네트워크의 임의의 부분의 강건성을 테스트하기 위해 스트레스 테스트를 위해 전기통신 네트워크의 상이한 부분에서 선택될 수 있다. 전기통신 네트워크에 대한 시뮬레이션된 스트레스 테스트는 네트워크의 임의의 부분에서 취약성을 식별하기 위해 이용될 수 있어서, 사용자가 배치된 네트워크에서 네트워크 중단을 경험하기 전에 취약성이 교정될 수 있다.
실시예에서, 플랫폼은 디지털 트윈을 사용하여 수요 관리 환경에서 작업흐름의 세트에 대한 스트레스 테스트의 세트를 수행하기 위해 수요 관리 환경에서 밸류 체인 엔티티의 세트를 나타내는 디지털 트윈을 사용하기 위한 시스템을 포함할 수 있고, 스트레스 테스트는 한 세트의 수요-관련 파라미터를 정상 동작 레벨을 초과하는 레벨로 변화시키는 디지털 트윈에서의 영향을 나타낸다. 예를 들어, 밸류 체인 네트워크에서의 제품의 수요는 소비자 신뢰도의 변화, 불황, 과도한 재고 레벨, 대체 제품 가격, 전체 시장 인덱스, 환율 변화 등과 같은 인자에 의해 영향을 받을 수 있다. 수요 인자 트윈(1640)은 공급 파라미터를 변화시킴으로써 그러한 시나리오를 시뮬레이션하고 수요 환경(672)에 대한 그러한 스트레스의 영향을 평가할 수 있다. 디지털 트윈을 사용하여 수행되는 스트레스 테스트는 수요 과잉 및 수요 부족의 경우 모두에서 밸류 체인 네트워크의 복원성을 테스트하고 평가하는 데 도움이 될 수 있다.
실시예에서, 플랫폼은 디지털 트윈을 사용하여 공급 체인에서의 작업흐름의 세트에 대해 스트레스 테스트의 세트를 수행하기 위해 공급 체인에서의 밸류 체인 엔티티의 세트를 나타내는 디지털 트윈을 사용하기 위한 시스템을 포함할 수 있고, 스트레스 테스트는 공급 체인 관련 파라미터의 세트를 정상 동작 레벨을 초과하는 레벨로 변경하는 것의 디지털 트윈에서의 영향을 나타낸다. 예를 들어, 밸류 체인 네트워크에서의 제품의 공급은 날씨, 자연 재해, 트래픽 혼잡, 세금 및 보조금 및 경계 제한을 포함하는 규제 변경 등과 같은 인자에 의해 영향을 받을 수 있다. 공급 인자 트윈(1650)은 공급 파라미터를 변화시킴으로써 그러한 시나리오를 시뮬레이션하고 공급 환경(670)에 대한 그러한 스트레스의 영향을 평가할 수 있다. 디지털 트윈을 사용하여 수행되는 스트레스 테스트는 공급 과잉 및 공급 부족의 경우 모두에서 밸류 체인 네트워크의 복원성을 테스트하고 평가하는 데 도움이 될 수 있다.
밸류 체인 사건 관리(Value Chain Incident Management)(VCIM)
플랫폼(604)은 밸류 체인 네트워크 엔티티 및 활동의 세트에 관련된 사건의 세트를 자동으로 관리하기 위해 밸류 체인 네트워크 엔티티(652)의 디지털 트윈(1700)을 배치할 수 있다. 사건은, 특히, 사고, 화재, 폭발, 노동 파업, 관세의 증가, 법의 변화, (예를 들어, 연료, 컴포넌트, 재료, 또는 최종 제품의) 시장 가격의 변화, 수요의 변화, 카르텔의 활동, 경계 또는 경로의 폐쇄, 및/또는 자연 이벤트 및/또는 재해(폭풍, 열파, 바람, 지진, 홍수, 허리케인, 쓰나미 등을 포함함)와 같은 밸류 체인 네트워크에 대한 중단을 야기하는 임의의 이벤트를 포함할 수 있다.
또한, 플랫폼(604)은 밸류 체인 네트워크에서 이동성 흐름의 실시간 시각화 및 분석을 제공할 수 있다. 이는 위험을 정량화하고, 가시성을 개선하고 밸류 체인 네트워크에서의 중단에 반응하는 데 도움이 될 수 있다. 예를 들어, 디지털 트윈을 사용하는 배송 활동을 위한 유틸리티 흐름의 실시간 시각화는 배송 시스템을 수반하는 비상의 발생 및 위치를 검출하고 검출된 위치에 비상 서비스를 배치하는 데 도움이 될 수 있다.
실시예에서, 플랫폼은 사고의 과실의 더 정확한 결정을 위해 밸류 체인 네트워크 엔티티(652)의 디지털 트윈(1700)을 배치할 수 있다. 플랫폼은 사고의 과실을 결정하기 위해 수반된 밸류 체인 네트워크 엔티티(652)의 디지털 트윈(1700)의 세트를 사용하여 인공 지능 시스템(1160)을 훈련시키기 위해 모니터링 계층(614) 및 데이터 저장 계층(624)의 데이터 소스로부터 수집된 사고 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습할 수 있다. 예를 들어, 사고의 과실을 결정하기 위해 운전자, 목격자 및 경찰 보고로부터의 데이터에 더하여 2개의 충돌 차량의 디지털 트윈으로부터의 데이터가 서로 비교될 수 있다.
실시예에서, 플랫폼은 사기의 발생을 검출하기 위해 밸류 체인 네트워크 엔티티(652)의 선택된 세트의 디지털 트윈(1700)을 사용하도록 인공 지능 시스템(1160)을 훈련시키기 위해 밸류 체인 네트워크 엔티티(652)의 세트와 관련된 데이터 소스로부터 수집된 차량 이벤트 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다. 예를 들어, 차량의 디지털 트윈으로부터의 차량 이벤트 데이터를 그러한 차량에 대한 임의의 보험 청구, 계약 청구, 해양 청구와 비교하는 것은 둘 중의 임의의 불일치를 검출하는 데 도움이 될 수 있다.
실시예에서, 플랫폼은 선택된 세트의 밸류 체인 네트워크 엔티티(652)에 대한 보고되지 않은 비정상 이벤트를 검출하기 위해 선택된 세트의 밸류 체인 네트워크 엔티티(652)의 디지털 트윈(1700)을 사용하도록 인공 지능 시스템(1160)을 훈련시키기 위해 밸류 체인 네트워크 엔티티(652)의 세트와 관련된 데이터 소스로부터 수집된 차량 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다. 차량의 디지털 트윈이 사고와 같은 비정상적인 이벤트를 나타내지만 이 이벤트는 차량의 운전자에 의해 보고되지 않은 예를 고려한다. 보고되지 않은 이벤트는 차량의 임대인에 의해 차량 및 운전자의 기록에 추가될 수 있다. 또한, 차량의 임대인은 임대 종료시 차량의 수리 또는 감소된 가치에 대해 임차인에게 요금을 청구하고 그에 대한 잔여 가치 예상을 조정할 수 있다. 유사하게, 보험업자는 보고되지 않은 이벤트를 차량 및 운전자의 기록에 추가할 수 있다. 보고는 사고의 정확한 특성, 타이밍, 위치, 결함 등 또는 단지 보고되지 않은 사고가 있었다는 사실만 상세히 설명할 수 있다. 그 다음, 이 정보는 보험료를 계산하기 위해 사용될 수 있다.
마지막으로, 사고에 결부된 다수의 엔티티가 있는 경우, 데이터는 검증을 위해 다른 엔티티의 디지털 트윈과 삼각측량될 수 있다.
밸류 체인 예측 유지보수(Value Chain Predictive Maintenance)(PMVC)
플랫폼(604)은 밸류 체인 네트워크 엔티티의 세트가 유지보수를 언제 받아야 하는지를 예측하기 위해 밸류 체인 네트워크 엔티티(652)의 디지털 트윈(1700)을 배치할 수 있다.
디지털 트윈은 과거 및 현재 운영 데이터를 검토함으로써 시스템의 컴포넌트의 예상되는 마모 및 고장을 예측할 수 있고, 그에 의해 계획되지 않은 중단시간의 위험 및 스케줄링된 유지보수의 필요성을 감소시킨다. 비용이 많이 드는 중단시간, 수리 또는 대체를 피하기 위해 제품을 과도하게 서비스하거나 과도하게 유지보수하는 대신에, 디지털 트윈에 의해 예측되는 임의의 제품 성능 문제가 사전에 또는 저스트-인-타임 방식으로 해결될 수 있다.
디지털 트윈(1700)은 모니터링 계층(614)으로부터 밸류 체인 엔티티(652)에 관한 이벤트 또는 상태 데이터를 수집하고 데이터 저장 계층(624)의 선택된 데이터 소스로부터 과거 또는 다른 데이터를 수집할 수 있다. 인공 지능 시스템(1160)에 의해 구동되는 예측 분석은 데이터를 분석하고, 상관을 검색하고, 밸류 체인 엔티티의 세트(652)의 유지보수 필요성 및 잔여 유효 수명에 관한 예측을 조성한다.
플랫폼(604)은 밸류 체인 엔티티(652)의 세트의 조건 모니터링, 이상 검출, 고장 예상 및 예측 유지보수를 수행하기 위해 인공 지능(1160)(다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 통합된 문서에 설명된 다른 시스템 중 임의의 것을 포함함)을 훈련시키기 위해 밸류 체인 네트워크 활동의 세트에 관련된 데이터 소스로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 기계의 디지털 트윈을 사용하여 기계에 대한 예측 유지보수를 수행하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 기계 활동의 세트에 관련된 데이터 소스로부터 수집된 데이터, 파라미터, 및 기계 유지보수 결과의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 인공 지능 시스템(1160)은 예측 모델(예를 들어, 다양한 타입의 신경망, 분류 기반 모델, 회귀 기반 모델, 및 다른 기계 학습 모델)과 같은 모델을 훈련시킬 수 있다. 실시예에서, 훈련은 지도, 반지도 또는 비지도식일 수 있다. 실시예에서, 훈련은 훈련 목적을 위해 수집되거나 생성될 수 있는 훈련 데이터를 사용하여 수행될 수 있다.
예시적인 인공 지능 시스템(1160)은 기계 예측 유지보수 모델을 훈련시킨다. 예측 유지보수 모델은 기계 관련 데이터를 수신하고 기계의 잔여 수명에 관한 하나 이상의 예측 또는 답변을 출력하는 모델일 수 있다. 훈련 데이터는 기계 사양, 환경 데이터, 센서 데이터, 실행 정보, 결과 데이터 및 기계 운영자에 의해 유지되는 노트를 포함하는 다수의 소스로부터 수집될 수 있다. 인공 지능 시스템(1160)은 원시 데이터를 취하고, 그것을 전처리하고, 기계 학습 알고리즘을 적용하여 예측 유지보수 모델을 생성한다. 실시예에서, 인공 지능 시스템(1160)은 예측 모델을 데이터 저장 계층(624) 내의 모델 데이터저장소에 저장할 수 있다.
예측 모델이 답변할 수 있는 질문의 일부 예는 다음과 같다: 기계가 언제 고장날 것인지, 어떤 타입의 고장일 것인지, 다음 X 시간 내에 고장이 발생할 확률은 얼마인지, 기계의 잔여 유효 수명은 얼마인지, 기계가 비특성적인 방식으로 거동하는지, 어느 기계가 가장 긴급하게 유지보수를 필요로 하는지 등이다.
인공 지능 시스템(1160)은 상이한 질문에 답변하기 위해 다수의 예측 모델을 훈련시킬 수 있다. 예를 들어, 분류 모델은 주어진 시간 윈도우 내에서 고장을 예측하도록 훈련될 수 있는 반면, 회귀 모델은 기계의 잔여 유효 수명을 예측하도록 훈련될 수 있다.
실시예에서, 훈련은 시스템에 의해 수신된 피드백에 기초하여 수행될 수 있으며, 이는 "강화 학습"이라고도 지칭된다. 실시예에서, 인공 지능 시스템(1160)은 예측으로 이어진 한 세트의 상황(예를 들어, 기계의 속성, 모델의 속성 등) 및 기계와 관련된 결과를 수신할 수 있고 피드백에 따라 모델을 업데이트할 수 있다.
실시예에서, 인공 지능 시스템(1160)은 비특성적 또는 비정상 거동을 검출하기 위한 모델을 훈련시키기 위해 고장 데이터에 은닉된 고장 패턴을 식별하기 위해 클러스터링 알고리즘을 사용할 수 있다. 다수의 기계에 걸친 고장 데이터 및 과거 기록은 상이한 패턴이 특정 마모 거동과 어떻게 상관되는지를 이해하고 고장과 공명하는 유지보수 계획을 개발하기 위해 클러스터링될 수 있다.
실시예에서, 인공 지능 시스템(1160)은 각각의 가능한 예측에 대한 점수를 출력할 수 있고, 여기서 각각의 예측은 가능한 결과에 대응한다. 예를 들어, 기계가 다음 1주에 고장날 가능성을 결정하기 위해 사용되는 예측 모델을 사용할 때, 예측 모델은 "고장날 것" 결과에 대한 점수 및 "고장나지 않을 것" 결과에 대한 점수를 출력할 수 있다. 그 다음, 인공 지능 시스템(1160)은 더 큰 점수를 갖는 결과를 예측으로서 선택할 수 있다. 대안적으로, 시스템(1160)은 각각의 점수를 요청 시스템에 출력할 수 있다. 실시예에서, 시스템(1160)으로부터의 출력은 예측의 정확도의 확률을 포함한다.
도 55는 결함을 검출하고 기계(724)의 임의의 미래의 고장을 예측하기 위해 기계 트윈(1770)에 의해 사용되는 예시적인 방법이다.
5202에서, 다수의 데이터 소스로부터의 기계 관련 데이터의 복수의 스트림이 기계 트윈(1770)에서 수신된다. 이는 기계적 특성, 유지보수 기록으로부터의 데이터, 센서로부터 수집된 운영 데이터, 상이한 시간에서 그리고 상이한 동작 조건 하에서 실행되는 다수의 기계로부터의 고장 데이터를 포함하는 과거 데이터 등과 같은 기계 사양을 포함한다. 5205에서, 데이터의 수집 시에 기계에서의 임의의 기술적 문제로 인해 발생할 수 있는 임의의 누락된 또는 노이즈가 있는 데이터를 제거함으로써 원시 데이터가 클리닝된다. 5208에서, 기계 트윈(1770)에 의한 훈련을 위해 하나 이상의 모델이 선택된다. 모델의 선택은 기계 트윈(1770)에서 이용가능한 데이터의 종류 및 모델의 원하는 결과에 기초한다. 예를 들어, 기계로부터의 고장 데이터가 이용가능하지 않거나, 정기적인 유지보수가 수행되기 때문에 제한된 수의 고장 데이터세트만이 존재하는 경우가 있을 수 있다. 분류 또는 회귀 모델은 그러한 경우에 대해 잘 작동하지 않을 수 있고 클러스터링 모델이 가장 적합할 수 있다. 다른 예로서, 모델의 원하는 결과가 기계의 현재 조건을 결정하고 임의의 결함을 검출하는 것이면, 결함 검출 모델이 선택될 수 있는 반면, 원하는 결과가 미래의 고장을 예측하는 것이면, 잔여 유효 수명 예측 모델이 선택될 수 있다. 5210에서, 하나 이상의 모델은 훈련 데이터세트를 사용하여 훈련되고 테스트 데이터세트를 사용하여 성능에 대해 테스트된다. 5212에서, 훈련된 모델은 결함을 검출하고 생산 데이터에 대한 기계의 미래의 고장을 예측하기 위해 사용된다.
도 56은 기계 트윈(1770)의 배치가 기계(724)에 대한 예측 유지보수를 수행하는 것을 나타내는 예시적인 실시예이다. 기계 트윈(1770)은 실시간 또는 거의 실시간 기반으로 데이터 저장 시스템(624)으로부터 데이터를 수신한다. 데이터 저장 시스템(624)은 상이한 데이터저장소에 상이한 타입의 데이터를 저장할 수 있다. 예를 들어, 기계 데이터저장소(5202)는 기계 식별 및 속성에 관련된 데이터, 기계 상태 및 이벤트 데이터, 유지보수 기록으로부터의 데이터, 과거 운영 데이터, 기계 운영자로부터의 노트 등을 저장할 수 있다. 센서 데이터저장소(5204)는 신호 또는 시계열 데이터로서 저장될 수 있는 온도, 압력, 및 진동과 같은 동작으로부터의 센서 데이터를 저장할 수 있다. 고장 데이터저장소(5310)는 상이한 시간에서 그리고 상이한 동작 조건 하에서 실행되는 기계(724) 또는 유사한 기계로부터의 고장 데이터를 저장할 수 있다. 모델 데이터저장소(5312)는 결함 검출 및 잔여 수명 예측 모델을 포함하는 상이한 예측 모델에 관련된 데이터를 저장할 수 있다.
그 다음, 기계 트윈(1770)은 이용가능한 데이터의 종류 및 품질과 원하는 답변 또는 결과에 기초하여 모델 중 하나 이상을 선택하기 위해 인공 지능 시스템과 조정한다. 예를 들어, 기계 트윈(1770)의 의도된 용도가 가정 시나리오를 시뮬레이션하고 기계가 이러한 시나리오 하에서 어떻게 거동할 것인지를 예측하는 것이라면 물리적 모델(5320)이 선택될 수 있다. 결함 검출 및 진단 모델(5322)은 기계의 현재 건강 및 임의의 결함 조건을 결정하기 위해 선택될 수 있다. 간단한 결함 검출 모델은 규칙적 거동과 결함 거동을 구별하기 위해 하나 이상의 조건 지표를 사용할 수 있고, 초과될 때 결함 조건을 나타내는 조건 지표에 대한 임계값을 가질 수 있다. 더 복잡한 모델은 하나 이상의 조건 지표의 값을 고장 상태와 연관된 값과 비교하고 하나 이상의 고장 상태의 존재 확률을 반환하도록 분류기를 훈련시킬 수 있다.
RUL(Remaining Useful Life) 예측 모델(5324)은 미래의 고장을 예측하기 위해 사용되고 열화 모델(5326), 생존 모델(5328) 및 유사성 모델(5330)을 포함할 수 있다. 예시적인 RUL 예측 모델은 조건 지표의 시간 진화에 적합할 수 있고, 조건 지표가 고장을 나타내는 일부 임계값과 교차하기까지 얼마나 오래 걸릴 것인지를 예측한다. 다른 모델은 조건 지표의 시간 진화를 고장까지 실행된 유사한 시스템으로부터의 측정된 또는 시뮬레이션된 시계열과 비교할 수 있다.
실시예에서, 이러한 모델 중 하나 이상의 조합이 기계 트윈(1770)에 의해 선택될 수 있다.
인공 지능 시스템(1160)은 기계 학습 프로세스(5340), 클러스터링 프로세스(5342), 분석 프로세스(5344) 및 자연어 프로세스(5348)를 포함할 수 있다. 기계 학습 프로세스(5340)는 위에서 식별된 바와 같이 하나 이상의 모델을 훈련시키기 위해 기계 트윈(1770)과 함께 작동한다. 이러한 기계 학습 모델의 예는 RUL 예측 모델(5324)이다. 모델(5324)은 데이터 저장 시스템(624)으로부터의 훈련 데이터세트 pmvc(230)를 사용하여 훈련될 수 있다. 모델(5324) 및 분류기의 성능은 이어서 테스트 데이터세트(5350)를 사용하여 테스트될 수 있다.
클러스터링 프로세스(5342)는 비특성적 또는 비정상 거동을 검출하기 위한 모델을 훈련시키기 위해 고장 데이터에 은닉된 고장 패턴을 식별하도록 구현될 수 있다. 다수의 기계에 걸친 고장 데이터 및 과거 기록은 상이한 패턴이 특정 마모 거동과 어떻게 상관되는지를 이해하기 위해 클러스터링될 수 있다. 분석 프로세스(5344)는 통찰을 식별하고 결과를 예측하기 위해 다양한 데이터에 대한 데이터 분석을 수행한다. 자연어 프로세스(4348)는 결과 및 결과를 기계 트윈(1770)의 사용자에게 통신하기 위해 기계 트윈(1770)과 조정한다.
결과(5360)는 모델링 결과(5362), 경보 및 경고(5364) 또는 잔여 유효 수명(RUL) 예측(5368)의 형태일 수 있다. 기계 트윈(1770)은 대화, 텍스트, 제스처와 같은 다수의 통신 채널을 통해 사용자와 통신하여 결과(5360)를 운반할 수 있다.
실시예에서, 모델은 이어서 모델 결과(5360)에 기초하여 업데이트되거나 강화될 수 있다. 예를 들어, 인공 지능 시스템은 실패 및 결과의 예측을 초래한 상황의 세트를 수신할 수 있고, 피드백에 기초하여 모델을 업데이트할 수 있다.
실시예에서, 플랫폼은 선박의 디지털 트윈을 사용하여 선박에 대한 예측 유지보수를 수행하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 선박 활동의 세트에 관련된 데이터 소스로부터 수집된 훈련 세트의 선박 유지보수 결과, 파라미터, 및 데이터에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 바지선의 디지털 트윈을 사용하여 바지선에 대한 예측 유지보수를 수행하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 바지선 활동 세트와 관련된 데이터 소스로부터 수집된 훈련 세트의 바지선 유지보수 결과, 파라미터 및 데이터를 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 항구 기반구조 시설의 디지털 트윈을 사용하여 항구 기반구조 시설에 대한 예측 유지보수를 수행하도록 인공 지능/기계 학습 시스템을 훈련하기 위해 항구 활동의 세트에 관련된 데이터 소스로부터 수집된 항구 유지보수 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 손상된 객체의 수리 비용을 추정하기 위해 밸류 체인 엔티티의 선택된 세트의 디지털 트윈을 사용하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 밸류 체인 엔티티의 세트와 관련된 데이터 소스로부터 수집된 데이터, 파라미터, 및 수리 결과의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 기반구조의 디지털 트윈을 사용하여 기반구조의 열화를 예측하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 데이터 소스로부터 수집된 기반구조 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 도시의 디지털 트윈을 사용하여 배송 기반구조 시설의 세트에 대한 자연 위험 위험을 모델링하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 배송 활동의 세트에 관련된 데이터 소스로부터 수집된 자연 위험 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 시설의 세트의 디지털 트윈을 사용하여 배송 기반구조 시설의 세트에 대한 배송 기반구조 유지보수 활동을 모니터링하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 배송 활동의 세트에 관련된 데이터 소스로부터 수집된 유지보수 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있다.
실시예에서, 플랫폼은 배송 기반구조 시설의 세트의 디지털 트윈을 사용하여 유지보수 문제의 발생 및 위치를 검출하도록 인공 지능/기계 학습 시스템을 훈련시키기 위해 배송 활동의 세트에 관련된 데이터 소스로부터 수집된 유지보수 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 포함할 수 있고, 검출된 위치에 유지보수 서비스를 자동으로 배치하기 위한 시스템을 갖는다.
도 57을 참조하면, 플랫폼(604)은 고객 디지털 트윈(5502) 및/또는 고객 프로파일 디지털 트윈(1730)을 포함하거나, 통합하거나, 그와 통합되거나, 관리하거나, 제어하거나, 조정하거나, 또는 다른 방식으로 취급할 수 있다.
고객 디지털 트윈(5502)은 밸류 체인 네트워크 고객(662)의 진화하고 계속 업데이트되는 디지털 표현을 나타낼 수 있다. 실시예에서, 밸류 체인 네트워크 고객(662)은 소비자, 라이센시, 사업자, 기업, 부가 가치 재판매업자 및 다른 재판매업자, 유통업자, 소매업자(온라인 소매업자, 모바일 소매업자, 종래의 오프라인 소매업자, 팝업 상점 등을 포함함), 최종 사용자, 및 상품 및/또는 관련 서비스의 카테고리를 구매하거나, 라이센싱하거나, 또는 다른 방식으로 사용할 수 있는 다른 사람을 포함한다.
다른 한편으로, 고객 프로파일 디지털 트윈(1730)은 고객의 세트의 하나 이상의 인구통계(연령, 성별, 인종, 결혼 상태, 자녀 수, 직업, 연간 소득, 교육 수준, 생활 상태(집주인, 임대자 등), 심리학적, 거동적, 경제적, 지리적, 물리적(예를 들어, 크기, 체중, 건강 상태, 생리학적 상태 또는 조건 등) 또는 다른 속성을 나타낼 수 있다. 실시예에서, 고객 프로파일 디지털 트윈(1730)은 기업 고객의 세트의 속성을 나타내는 기업 고객 프로파일 디지털 트윈일 수 있다. 실시예에서, 고객 프로파일링 애플리케이션은 과거 구매 데이터, 로열티 프로그램 데이터, 거동 추적 데이터(고객에 의한 지능형 제품(650)과의 상호작용에서 포착된 데이터를 포함함), 온라인 클릭스트림 데이터, 지능형 에이전트와의 상호작용, 및 다른 데이터 소스에 기초하여 고객 프로파일(5504)을 관리하기 위해 사용될 수 있다.
고객(662)은, 예컨대, 고객 디지털 트윈(1730)을 밸류 체인 네트워크 고객(662)에 대한 이벤트 데이터(1034), 상태 데이터(1140), 또는 다른 데이터와 같은 밸류 체인 네트워크 데이터 객체(1004)로 채움으로써, 하나 이상의 고객 디지털 트윈(5502)의 세트로 표시될 수 있다. 마찬가지로, 고객 프로파일(5504)은, 본 개시 전반에 걸쳐 설명된 바와 같이, 고객 프로파일 디지털 트윈(1730)을 예컨대, 밸류 체인 네트워크 데이터 객체(1004)로 채움으로써, 하나 이상의 고객 프로파일 디지털 트윈(1730)의 세트로 표시될 수 있다.
고객 디지털 트윈(5502) 및 고객 프로파일 디지털 트윈(1730)은 모델링, 시뮬레이션, 예측, 의사 결정, 분류 등을 허용할 수 있다.
고객(662)이 소비자들인 경우, 예를 들어, 각각의 고객 디지털 트윈(1730)은 아이덴티티 데이터, 계정 데이터, 지불 데이터, 연락처 데이터, 연령 데이터, 성별 데이터, 인종 데이터, 위치 데이터, 인구통계 데이터, 생활 상태 데이터, 기분 데이터, 스트레스 데이터, 거동 데이터, 성격 데이터, 관심 데이터, 선호도 데이터, 스타일 데이터, 의료 데이터, 생리학적 데이터, 심리적 데이터, 물리적 속성 데이터, 교육 데이터, 고용 데이터, 급여 데이터, 순자산 데이터, 가족 데이터, 가정 데이터, 관계 데이터, 반려동물 데이터, 연락처/연결 데이터(예컨대, 모바일 전화 연락처, 소셜 미디어 연결 등), 트랜잭션 이력 데이터, 정치 데이터, 여행 데이터, 제품 상호작용 데이터, 제품 피드백 데이터, 고객 서비스 상호작용 데이터(예컨대, 챗봇과의 통신, 또는 콜 센터에 있는 고객 서비스 에이전트와의 전화 통신), 피트니스 데이터, 수면 데이터, 영양 데이터, 소프트웨어 프로그램 상호작용 관찰 데이터(1500)(예를 들어, 밸류 체인 엔티티(652)를 수반하는 애플리케이션(630)의 다양한 소프트웨어 인터페이스와 상호작용하는 고객에 의함) 및 물리적 프로세스 상호작용 관찰 데이터(1510)(예를 들어 제품 또는 다른 밸류 체인 엔티티(652)와 상호작용하는 고객을 관찰함으로써) 등으로 채워질 수 있다.
고객(662)이 기업 또는 사업자인 다른 예에서, 고객 디지털 트윈(1730)은 아이덴티티 데이터, 계정 데이터, 지불 데이터, 트랜잭션 데이터, 제품 피드백 데이터, 위치 데이터, 수익 데이터, 기업 타입 데이터, 제품 및/또는 서비스 제안 데이터, (아이덴티티 데이터, 역할 데이터 등과 같은) 작업자 데이터, 및 다른 기업 관련 속성으로 채워질 수 있다.
고객 디지털 트윈 및 고객 프로파일 디지털 트윈(1730)은 밸류 체인 네트워크 고객(662) 및 고객 프로파일(5504)의 시각화를 위한, 뿐만 아니라 디지털 트윈으로 인에이블되거나 용이하게 되는 조정된 지능(인공 지능(1160), 에지 지능, 분석 및 다른 능력을 포함함) 및 다른 부가 가치 서비스 및 능력을 위한 디지털 트윈 능력의 개발 및 배치를 위한 컴포넌트, 프로세스, 서비스, 인터페이스, 및 다른 요소의 세트를 포함할 수 있다.
실시예에서, 고객 디지털 트윈(5502) 및 고객 프로파일 디지털 트윈(1730)은 밸류 체인 관리 플랫폼 계층(604) 내의 다수의 애플리케이션(630)의 존재를 이용할 수 있어서, 한 쌍의 애플리케이션이 밸류 체인 엔티티(652)에 대해 수집되는 데이터 소스(예컨대, 데이터 저장 계층(624)에서의) 및 다른 입력(예컨대, 모니터링 계층(614)으로부터)을 공유할 수 있을 뿐만 아니라, 또한 (본 개시 전반에 걸쳐 그리고 참조로 포함된 문서에 설명된 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 다른 시스템 중 임의의 것을 포함하는) 인공 지능(1160)의 사용을 통한 것 그리고 모니터링 계층(614) 및 데이터 수집 시스템(640)에 의해 수집된 콘텐츠의 사용을 통한 것을 비롯하여, 이벤트, 상태 정보 및 출력을 공유할 수 있으며, 이들은 총괄하여, 디지털 트윈에서 콘텐츠를 풍부하게 하기 위한 훨씬 더 풍부한 환경을 제공할 수 있다.
고객 디지털 트윈(5502)의 개발을 위한 환경은 개발자가 데이터 저장 계층(624)의 선택된 데이터 소스로부터의 입력 및 모니터링 시스템 계층(614)으로부터의 이벤트 또는 다른 데이터를 취하고 고객 디지털 트윈(5502)에 포함시키기 위해 이들을 공급하도록 인공 지능 시스템(1160)을 구성할 수 있는 개발자를 위한 인터페이스의 세트를 포함할 수 있다. 고객 디지털 트윈 개발 환경은 다양한 애플리케이션(630)으로부터의 출력 및 결과를 취하도록 구성될 수 있다. 실시예에서, 고객 디지털 트윈(1730)은 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 애플리케이션(630)에 대해 제공될 수 있다.
실시예에서, 고객 디지털 트윈(5502)은 컴퓨팅 디바이스에 의해 렌더링될 수 있어서, 사용자는 고객(714)의 디지털 표현을 볼 수 있다. 예를 들어, 고객 디지털 트윈(5502)이 렌더링되어 디스플레이 디바이스에 출력될 수 있다. 다른 예에서, 5502는 3차원 환경에서 렌더링되고 가상 현실 헤드셋을 사용하여 보여질 수 있다.
고객 프로파일 디지털 트윈(1730)의 개발을 위한 환경은 개발자를 위한 인터페이스의 세트를 포함할 수 있으며, 개발자는 데이터 저장 계층(624)의 선택된 데이터 소스로부터의 입력 및 모니터링 시스템 계층(614)으로부터의 이벤트 또는 다른 데이터를 취하고 이들을 고객 프로파일 디지털 트윈(1730)에 포함시키기 위해 공급하도록 인공 지능 시스템(1160)을 구성할 수 있다. 고객 프로파일 디지털 트윈 개발 환경은 다양한 애플리케이션(630)으로부터의 출력 및 결과를 취하도록 구성될 수 있다. 실시예에서, 고객 프로파일 디지털 트윈(1730)은 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 애플리케이션(630)에 대해 제공될 수 있다.
실시예에서, 적응형 지능 시스템 계층(614)은 밸류 체인 네트워크(668) 및/또는 밸류 체인 네트워크 엔티티(652)에 관련된 태스크를 수행하도록 인공 지능 시스템을 훈련 및 구현하도록 구성된다. 예를 들어, 적응형 지능 시스템 계층(614)은 제품을 추천하고, 고객 경험을 향상시키고, 밸류 체인 제품 및/또는 서비스에 관련된 광고에 대한 광고 속성을 선택하고, 및/또는 다른 적절한 밸류 체인 태스크를 위해 활용될 수 있다.
실시예에서, 고객 프로파일 디지털 트윈(1730) 또는 다른 고객 디지털 트윈은, 예컨대, 고객이 디지털 트윈(1730)에 표현된 특성, 상태, 거동, 또는 다른 양태의 세트를 요청하거나, 선택하거나, 수정하거나, 삭제하거나, 또는 다른 방식으로 영향을 줄 수 있게 함으로써, 고객과 상호작용적으로 그리고 협력적으로 생성될 수 있다. 예를 들어, 고객은 크기(예를 들어, 신발 크기, 드레스 크기, 셔츠 크기, 팬츠 크기 등)를 정제하고, 관심 및 요구(예를 들어, 고객이 구매에 관심이 있는 것)를 표시하고, 거동(예를 들어, 기업에 의해 계획된 프로젝트)을 표시하고, (예를 들어, 변경을 반영하기 위해) 현재 상태를 업데이트하는 등을 수행할 수 있다. 따라서, 디지털 트윈(1730)의 버전은 그래픽 사용자 인터페이스에서와 같이 고객에게 이용가능하게 될 수 있으며, 여기서 고객은 디지털 트윈(1730)의 하나 이상의 양태를 조작하고, 변경을 요청하는 등을 수행할 수 있다. 실시예에서, 고객 검토를 위한 버전, 기업 또는 호스트를 위한 내부 버전, 특정 세트의 브랜드 각각에 대한 버전(예컨대, 고객의 적절한 의류 크기가 브랜드에 따라 변하는 경우), 공개 버전(예컨대, 친구로부터 피드백을 위해 고객의 소셜 네트워크로 공유되는 것), 개인 버전(예컨대, 고객이 특징 및 특성에 대한 완전한 제어를 제공받는 것), 시뮬레이션 버전, 실시간 버전 등과 같은, 디지털 트윈(1730)의 다수의 버전이 주어진 고객에 대해 유지될 수 있다. 실시예에서, 적응형 지능 시스템 계층(614)은 다른 밸류 체인 네트워크 엔티티(652)의 고객 디지털 트윈(5502), 고객 프로파일 디지털 트윈(1730), 및/또는 다른 디지털 트윈(1700)을 활용하도록 구성된다. 실시예에서, 적응형 지능 시스템 계층(614)은 고객 디지털 트윈(5502), 고객 프로파일 디지털 트윈(1730), 및/또는 다른 밸류 체인 네트워크 엔티티(652)의 디지털 트윈을 사용하여 시뮬레이션을 수행하도록 구성된다. 예를 들어, 적응형 지능 시스템 계층(614)은 그 사용이 고객 디지털 트윈(1730)에 의해 시뮬레이션될 때 제품 디지털 트윈(1780)의 하나 이상의 특징을 변경할 수 있다.
실시예에서, 시뮬레이션 관리 시스템(5704)은 밸류 체인 엔티티(652)를 나타내는 디지털 트윈(1700) 사이의 상호작용 및 시뮬레이션을 설정, 프로비저닝, 구성, 및 다른 방식으로 관리할 수 있다.
실시예에서, 적응형 지능 시스템 계층(614)은, 특징의 각각의 세트에 대해, 특징의 세트에 기초하여 시뮬레이션을 실행할 수 있고, 시뮬레이션으로부터 초래되는 시뮬레이션 결과 데이터를 수집할 수 있다. 예를 들어, 지능형 제품(650)을 나타내는 지능형 제품 디지털 트윈(1780)과 고객 디지털 트윈(1730)의 상호작용을 수반하는 시뮬레이션을 실행함에 있어서, 적응형 지능 시스템 계층(614)은 지능형 제품 디지털 트윈(1780)의 치수를 변화시킬 수 있고 시뮬레이션 관리 시스템(5704)에서 결과를 생성하는 시뮬레이션을 실행할 수 있다. 이 예에서, 결과는 지능형 제품 디지털 트윈(1780)을 사용하여 태스크를 완료하기 위해 고객 디지털 트윈(5502)에 의해 걸리는 시간의 양일 수 있다. 시뮬레이션 동안, 적응형 지능 시스템 계층(614)은 지능형 제품 디지털 트윈(1780) 디스플레이 스크린 크기, 이용가능한 능력(처리, 대화 인식, 음성 인식, 터치 인터페이스, 원격 제어, 자기-조직화, 자기-치유, 프로세스 자동화, 계산, 인공 지능, 데이터 저장 등), 재료, 및/또는 지능형 제품 디지털 트윈(1780)의 임의의 다른 특성을 변화시킬 수 있다. 시뮬레이션 데이터(5710)는 각각의 시뮬레이션에 대해 생성될 수 있고 시뮬레이션을 수행하는 데 사용되는 특징 데이터 뿐만 아니라 결과 데이터를 포함할 수 있다. 위에서 설명된 예에서, 시뮬레이션 데이터(5710)는 시뮬레이션을 수행하기 위해 사용된 고객 디지털 트윈(5502) 및 지능형 제품 디지털 트윈(1780)의 특성 및 그로부터 초래되는 결과들일 수 있다. 실시예에서, 기계 학습 시스템(5720)은 훈련 데이터(5730), 결과 데이터(5740), 시뮬레이션 데이터(5710), 및/또는 다른 타입의 외부 데이터 소스(5702)로부터의 데이터(날씨 데이터, 주식 시장 데이터, 스포츠 이벤트 데이터, 뉴스 이벤트 데이터 등)를 수신할 수 있다. 실시예에서, 이 데이터는 적응형 지능 시스템 계층(614)의 API를 통해 기계 학습 시스템(5720)에 제공될 수 있다. 기계 학습 시스템(5720)은 수신된 데이터(훈련 데이터, 결과 데이터, 시뮬레이션 데이터 등)를 사용하여 기계 학습 모델(5750)을 훈련, 재훈련, 또는 강화할 수 있다.
도 58은 적응형 지능 시스템 계층(614)과 인터페이스하는 광고 애플리케이션의 예를 예시한다. 예시적인 실시예에서, 광고 애플리케이션은 밸류 체인 제품 또는 서비스에 대한 광고 관련 태스크를 자동화하도록 구성될 수 있다.
실시예에서, 기계 학습 시스템(5720)은 밸류 체인 제품 및/또는 서비스의 세트에 대한 광고에 관련된 분류, 예측, 및/또는 다른 결정을 수행하기 위해 인공 지능 시스템(1160)에 의해 활용되는 하나 이상의 모델(5750)을 훈련시킨다.
예시적인 실시예에서, 모델(5750)은 하나 이상의 결과를 최적화하기 위해(예를 들어, 밸류 체인 네트워크(668)에서 제품(650)에 대한 제품 판매를 최대화하기 위해) 광고 특징을 선택하도록 훈련된다. 기계 학습 시스템(5720)은 광고와 관련된 특징 및 광고와 연관된 하나 이상의 결과를 포함하는 n-튜플을 사용하여 모델(5750)을 훈련할 수 있다. 이 예에서, 광고에 대한 특징은 광고된 제품 및/또는 서비스 카테고리, 광고된 제품 특징(가격, 제품 벤더 등), 광고된 서비스 특징, 광고 타입(텔레비전, 라디오, 팟캐스트, 소셜 미디어, 이메일 등), 광고 길이(10초, 30초 등), 광고 타이밍(아침, 휴일 전 등), 광고 톤(코메디, 정보, 감정적 등), 및/또는 다른 관련 광고 특징을 포함할 수 있지만, 이들로 제한되지 않는다. 이 예에서, 광고와 관련된 결과는 제품 판매, 광고의 총 비용, 광고 상호작용 측정 등을 포함할 수 있다. 이 예에서, 하나 이상의 디지털 트윈(1700)은 상이한 배열(예를 들어, 광고, 고객, 고객 프로파일, 및 환경의 디지털 트윈)을 시뮬레이션하기 위해 사용될 수 있고, 이에 의해 디지털 트윈의 하나 이상의 특성은 상이한 시뮬레이션에 대해 변화되고 각각의 시뮬레이션의 결과는 적절성 갖는 튜플에 기록될 수 있다. 광고 모델을 훈련하는 다른 예는 밸류 체인 제품(650)에 대한 광고를 생성하도록 훈련되는 모델, 밸류 체인 제품(650)에 대한 광고 캠페인을 관리하도록 훈련되는 모델 등을 포함할 수 있다. 동작 시에, 인공 지능 시스템(1160)은 광고 관련 태스크 또는 이벤트와 관련된 하나 이상의 특징이 주어지면 광고 애플리케이션(5602)을 대신하여 광고 결정을 내리기 위해 그러한 모델(5750)을 사용할 수 있다. 예를 들어, 인공 지능 시스템(1160)은 밸류 체인 제품(650)에 사용할 광고의 타입(예를 들어, 소셜 미디어, 팟캐스트 등)을 선택할 수 있다. 이 예에서, 광고 애플리케이션(5602)은 인공 지능 시스템(1160)에 제품의 특징을 제공할 수 있다. 이러한 특징은 제품 벤더, 제품의 가격 등을 포함할 수 있다. 실시예에서, 인공 지능 시스템(1160)은 어느 타입의 광고를 사용할지를 포함할 수 있는 하나 이상의 결정을 획득하기 위해 이러한 특징을 모델(5750) 중 하나 이상에 삽입할 수 있다. 실시예에서, 인공 지능 시스템(1160)은 하나 이상의 결정에 대한 시뮬레이션을 실행하고 시뮬레이션 데이터(5710)를 생성하기 위해 고객 디지털 트윈(5502) 및/또는 고객 프로파일 디지털 트윈(1730)을 활용할 수 있다. 기계 학습 시스템(5720)은 기계 학습 모델을 재훈련 또는 강화하기 위해 본 개시 전반에 걸쳐 설명된 바와 같이 시뮬레이션 데이터(5710) 및 다른 데이터를 수신할 수 있다. 실시예에서, 고객 디지털 트윈(5502), 고객 프로파일 디지털 트윈(1730), 및 다른 디지털 트윈(1700)은 결정을 밸류 체인 엔티티(652)에 제공하기 전에 인공 지능 시스템(1160)에 의해 이루어진 결정을 시뮬레이션하기 위해 인공 지능 시스템(1160)에 의해 활용될 수 있다. 본 예에서, 고객 프로파일 디지털 트윈(1730)은 광고 애플리케이션(5602)에 결정을 제공하기 전에 인공 지능 시스템(1160)에 의해 이루어진 결정을 시뮬레이션하기 위해 인공 지능 시스템(1160)에 의해 활용될 수 있다. 시뮬레이션 결과를 허용할 수 없는 실시예에서, 시뮬레이션 데이터(5710)는 기계 학습 시스템(5720)에 보고될 수 있고, 기계 학습 시스템은 수신된 데이터를 사용하여 기계 학습 모델(5750)을 재훈련시킬 수 있고, 기계 학습 모델은 이어서 새로운 결정을 내리기 위해 인공 지능 시스템(1160)에 의해 활용될 수 있다. 광고 애플리케이션(824)은 인공 지능 시스템(1160)에 의해 이루어진 결정(들)을 사용하여 광고 이벤트를 개시할 수 있다. 실시예에서, 광고 이벤트 후에, 이벤트의 결과(예를 들어, 제품 판매)는 결정을 내리는 데 사용되는 모델(5750)을 강화하기 위해 기계 학습 시스템(5720)에 보고될 수 있다. 또한, 일부 실시예에서, 광고 애플리케이션 및/또는 다른 밸류 체인 엔티티 데이터 소스의 출력은 고객 디지털 트윈(5502), 고객 프로파일 디지털 트윈(1730) 및/또는 다른 디지털 트윈(1700)의 하나 이상의 특성을 업데이트하는 데 사용될 수 있다.
도 59는 적응형 지능 시스템 계층(614)과 통합된 전자상거래 애플리케이션(5604)의 예를 예시한다. 실시예에서, 전자상거래 애플리케이션(5604)은 밸류 체인 고객(662)에 대한 제품 추천을 생성하도록 구성될 수 있다. 예를 들어, 전자상거래 애플리케이션(5604)은 밸류 체인 네트워크 제품(650)에 대한 하나 이상의 제품 특징을 수신하도록 구성될 수 있다. 제품 특징의 예는 제품 타입, 제품 능력, 제품 가격, 제품 재료, 제품 벤더 등을 포함할 수 있지만, 이들로 제한되지 않는다. 실시예에서, 전자상거래 애플리케이션(5604)은 결과를 최적화하기 위한 추천을 결정한다. 결과의 예는 소프트웨어 상호작용 관찰 시스템(1500)에 의해 로그 및/또는 추적되는 것, 고객(714)에 의한 제품의 구매 등과 같은 소프트웨어 상호작용 관찰(예컨대, 마우스 이동, 마우스 클릭, 커서 이동, 내비게이션 액션, 메뉴 선택 등)을 포함할 수 있다. 실시예에서, 전자상거래 애플리케이션(5604)은 제품 특징을 제공하고 그에 기초하는 제품 추천을 수신하기 위해 인공 지능 시스템(1160)과 인터페이스할 수 있다. 실시예에서, 인공 지능 시스템(1160)은 추천을 결정하기 위해 하나 이상의 기계 학습 모델(5750)을 이용할 수 있다. 일부 실시예에서, 고객 디지털 트윈(1730)에 의해 실행되는 시뮬레이션은 제품 추천 기계 학습 모델을 훈련시키는 데 사용될 수 있다.
도 60은 적응형 지능 시스템 계층(614)과 통합된 수요 관리 애플리케이션(824)의 예를 예시하는 개략도이다. 실시예에서, 인공 지능 시스템(1160)은 하나 이상의 수요 인자(644)가 주어지면 수요 관리 애플리케이션(824)을 대신하여 수요 환경(672)에 대한 수요 관리 결정을 수행하도록 훈련된 기계 학습 모델(5750)을 사용할 수 있다. 수요 인자(644)는 제품 타입, 제품 능력, 제품 가격, 제품 재료, 연중 시간, 위치 등을 포함할 수 있다. 실시예에서, 인공 지능 시스템(1160)은 밸류 체인 제품(650)에 대한 수요 관리 결정을 결정할 수 있다. 예를 들어, 인공 지능 시스템(1160)은 몇 개의 프린터 잉크 카트리지가 다가오는 달 동안 특정 영역에 얼마나 많이 공급되어야 하는지에 관한 수요 관리 결정을 생성할 수 있다. 이 예에서, 수요 관리 시스템(824)은 수요 인자(644)를 인공 지능 시스템(1160)에 제공할 수 있다. 실시예에서, 인공 지능 시스템(1160)은 하나 이상의 수요 관리 결정을 획득하기 위해 이러한 인자(644)를 하나 이상의 기계 학습 모델(5750)에 삽입할 수 있다. 이러한 결정은 선택 달 동안 선택 영역으로 전송되어야 하는 잉크 카트리지의 볼륨을 포함할 수 있다.
실시예에서, 인공 지능 시스템(1160)은 고객 프로파일 디지털 트윈(1730)을 활용하여 수요 관리와 관련된 제안된 결정에 대한 시뮬레이션을 실행할 수 있다. 수요 관리 애플리케이션(824)은 이어서 인공 지능 시스템(1160)에 의해 이루어진 결정(들)을 사용하여 잉크 재공급 이벤트를 개시할 수 있다. 또한, 잉크 재공급 이벤트 후에, 이벤트의 결과(예를 들어, 잉크 카트리지 판매)는 결정을 내리는 데 사용되는 모델을 강화하기 위해 기계 학습 시스템(5720)에 보고될 수 있다. 또한, 일부 실시예에서, 수요 관리 시스템(824)의 출력 및/또는 다른 밸류 체인 엔티티 데이터 소스는 고객 프로파일 디지털 트윈(1730) 및/또는 다른 디지털 트윈(1700)의 하나 이상의 특성을 업데이트하는 데 사용될 수 있다.
실시예에서, API는 사용자가 고객 디지털 트윈(5502) 및/또는 고객 프로파일 디지털 트윈(1730)에 액세스할 수 있게 한다. 실시예에서, API는 사용자가 디지털 트윈과 관련된 하나 이상의 보고를 수신할 수 있게 한다.
플랫폼(604)은 가정 수요 디지털 트윈(5902)을 포함하거나, 통합하거나, 그와 통합되거나, 관리하거나, 제어하거나, 조정하거나, 또는 다른 방식으로 취급할 수 있다. 가정 수요 디지털 트윈(5902)은 제품 카테고리 또는 제품 카테고리의 세트에 대한 가정 수요의 디지털 표현일 수 있다.
가정 수요 디지털 트윈(5902)의 개발을 위한 환경은 개발자를 위한 인터페이스의 세트를 포함할 수 있으며, 여기서 개발자는 데이터 저장 계층(624)의 선택된 데이터 소스로부터의 입력 및 모니터링 시스템 계층(614)으로부터의 이벤트 또는 다른 데이터를 취하고 이들을 가정 수요 디지털 트윈(5902)에 포함시키기 위해 공급하도록 인공 지능 시스템(1160)을 구성할 수 있다. 가정 수요 디지털 트윈 개발 환경은 다양한 애플리케이션(630)으로부터의 출력 및 결과를 취하도록 구성될 수 있다. 실시예에서, 가정용 수요 디지털 트윈(5902)은 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 애플리케이션(630)에 대해 제공될 수 있다.
실시예에서, 디지털 트윈(1700)은 다른 디지털 트윈으로부터 생성될 수 있다. 예를 들어, 고객 디지털 트윈(5502)은 익명화된 고객 디지털 트윈(5902)을 생성하기 위해 사용될 수 있다. 플랫폼은 익명화된 고객 디지털 트윈(5902)을 포함하거나, 통합하거나, 그와 통합되거나, 관리하거나, 제어하거나, 조정하거나, 또는 다른 방식으로 취급할 수 있다. 익명화된 고객 디지털 트윈(5902)은 고객(714)의 익명화된 디지털 표현일 수 있다. 실시예에서, 익명화된 고객 디지털 트윈(5902)은 개인적 식별가능 정보로 채워지지 않고, 달리 대응하는 고객 디지털 트윈(5502)과 동일한 데이터 소스를 사용하여 채워질 수 있다.
실시예에서, 익명화된 고객 디지털 트윈(1730)의 개발을 위한 환경은 개발자가 데이터 저장 계층(624)의 선택된 데이터 소스로부터의 입력 및 모니터링 시스템 계층(614)으로부터의 이벤트 또는 다른 데이터를 취하고 익명화된 고객 디지털 트윈(5902)에 포함시키기 위해 이들을 공급하도록 인공 지능 시스템(1160)을 구성할 수 있는 개발자를 위한 인터페이스의 세트를 포함할 수 있다. 익명화된 디지털 트윈 개발 환경은 다양한 애플리케이션(630)으로부터 출력 및 결과를 취하도록 구성될 수 있다. 실시예에서, 익명화된 고객 디지털 트윈(5902)은 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 애플리케이션(630)에 대해 제공될 수 있다.
실시예에서, 익명화된 고객 디지털 트윈(5902)은 익명화된 고객 디지털 트윈(5902)에 대한 액세스 요청을 수신할 수 있는 API를 포함한다. 요청 엔티티는 익명화된 고객 디지털 트윈(5902)의 API를 사용하여 액세스 요청을 발행할 수 있다. 액세스 요청은 API로부터 익명화된 고객 트윈(5902)의 액세스 로직으로 라우팅될 수 있으며, 이는 요청 엔티티가 액세스할 자격이 있는지를 결정할 수 있다. 실시예에서, 사용자는, 예컨대, 가입 또는 임의의 다른 적절한 수익화 방법에 의해, 익명화된 고객 디지털 트윈(5902)에 대한 액세스를 수익화할 수 있다.
플랫폼(604)은 기업 고객 참여 디지털 트윈을 포함하거나, 통합하거나, 그와 통합되거나, 관리하거나, 제어하거나, 조정하거나, 또는 다른 방식으로 취급할 수 있다. 기업 고객 참여 디지털 트윈은 고객에 의한 기업의 제안의 세트와의 참여와 관련된 기업 고객의 속성의 세트의 디지털 표현일 수 있다.
기업 고객 참여 디지털 트윈의 개발을 위한 환경은 개발자가 데이터 저장 계층(624)의 선택된 데이터 소스로부터의 입력 및 모니터링 시스템 계층(614)으로부터의 이벤트 또는 다른 데이터를 취하고 이들을 기업 고객 참여 디지털 트윈에 포함시키기 위해 공급하도록 인공 지능 시스템(1160)을 구성할 수 있는 개발자를 위한 인터페이스의 세트를 포함할 수 있다. 기업 고객 참여 디지털 트윈 개발 환경은 다양한 애플리케이션(630)으로부터의 출력 및 결과를 취하도록 구성될 수 있다. 실시예에서, 기업 고객 참여 디지털 트윈은 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 애플리케이션(630)에 대해 제공될 수 있다.
도 61을 참조하면, 플랫폼(604)은 컴포넌트 디지털 트윈(6002)을 포함하거나, 통합하거나, 그와 통합되거나, 관리하거나, 제어하거나, 조정하거나, 또는 다른 방식으로 취급할 수 있다. 컴포넌트 디지털 트윈(6002)은 밸류 체인 제품(650)의 컴포넌트(6002)의 진화하는, 연속적으로 업데이트되는 디지털 프로파일을 나타낼 수 있다. 컴포넌트 디지털 트윈(6002)은 모델링, 시뮬레이션, 예측, 의사 결정, 분류 등을 허용할 수 있다.
제품 컴포넌트(6002)는, 예컨대 컴포넌트 디지털 트윈(6002)을 밸류 체인 네트워크 제품 컴포넌트(6002)에 대한 이벤트 데이터(1034), 상태 데이터(1140), 또는 다른 데이터와 같은 밸류 체인 네트워크 데이터 객체(1004)로 채움으로써, 하나의 또는 컴포넌트 디지털 트윈들(6002)의 세트로 표시될 수 있다.
제품(650)은 완제품, 소프트웨어 제품, 하드웨어 제품, 컴포넌트 제품, 재료, 장비 아이템, 소비자 패키징 상품, 소비자 제품, 식품, 음료 제품, 가정용 제품, 비즈니스 공급 제품, 소모성 제품, 제약 제품, 의료 기기 제품, 기술 제품, 엔터테인먼트 제품, 또는 임의의 다른 타입의 제품 및/또는 관련 서비스의 세트와 같은 임의의 카테고리의 제품일 수 있고, 실시예에서, 특히, 제한 없이, 데이터 처리, 네트워킹, 감지, 자율 동작, 지능형 에이전트, 자연어 처리, 대화 인식, 음성 인식, 터치 인터페이스, 원격 제어, 자기-조직화, 자기-치유, 프로세스 자동화, 계산, 인공 지능, 아날로그 또는 디지털 센서, 카메라, 사운드 처리 시스템, 데이터 저장, 데이터 통합, 및/또는 다양한 사물 인터넷 능력과 같은 능력의 세트로 인에이블되는 지능형 제품(650)을 포함할 수 있다. 컴포넌트(6002)는 제품 컴포넌트의 임의의 카테고리일 수 있다.
예로서, 컴포넌트 디지털 트윈(6002)은 공급자 데이터, 치수 데이터, 재료 데이터, 열적 데이터, 가격 데이터 등으로 채워질 수 있다.
컴포넌트 디지털 트윈(6002)은 컴포넌트 디지털 트윈(1730)으로 인에이블되거나 용이하게 되는 조정된 지능(인공 지능(1160), 에지 지능, 분석 및 다른 능력을 포함함) 및 다른 부가 가치 서비스 및 능력들 뿐만 아니라 밸류 체인 네트워크 컴포넌트(714)의 시각화를 위한 디지털 트윈 능력의 개발 및 배치를 위한 컴포넌트, 프로세스, 서비스, 인터페이스, 및 다른 요소의 세트를 포함할 수 있다.
실시예에서, 컴포넌트 디지털 트윈(6002)은 밸류 체인 관리 플랫폼 계층(604) 내의 다수의 애플리케이션(630)의 존재를 이용할 수 있어서, 한 쌍의 애플리케이션이 밸류 체인 엔티티(652)에 대해 수집되는 데이터 소스(예컨대, 데이터 저장 계층(624)에서의) 및 다른 입력(예컨대, 모니터링 계층(614)으로부터)을 공유할 수 있을 뿐만 아니라, 또한 인공 지능(1160)(다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 본 개시 전반에 걸쳐 그리고 참조로 포함되는 문서에 설명되는 다른 시스템 중 임의의 것을 포함함)의 사용을 통한 것 그리고 모니터링 계층(614) 및 데이터 수집 시스템(640)에 의해 수집되는 콘텐츠의 사용을 통한 것을 비롯하여, 출력, 이벤트, 상태 정보 및 출력을 공유할 수 있으며, 이들은 컴포넌트 디지털 트윈(6002)에서 콘텐츠를 풍부하게 하기 위한 훨씬 더 풍부한 환경을 총괄하여 제공할 수 있다.
컴포넌트 디지털 트윈(6002)의 개발을 위한 환경은 개발자가 데이터 저장 계층(624)의 선택된 데이터 소스로부터의 입력 및 모니터링 시스템 계층(614)으로부터의 이벤트 또는 다른 데이터를 취하고 이들을 컴포넌트 디지털 트윈(6002)에 포함시키기 위해 공급하도록 인공 지능 시스템(1160)을 구성할 수 있는 개발자를 위한 인터페이스의 세트를 포함할 수 있다. 컴포넌트 디지털 트윈 개발 환경은 다양한 애플리케이션(630)으로부터의 출력 및 결과를 취하도록 구성될 수 있다. 실시예에서, 컴포넌트 디지털 트윈(6002)은 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 애플리케이션(630)에 대해 제공될 수 있다. 실시예에서, 디지털 트윈(650)은 다른 디지털 트윈(1700)으로부터 생성될 수 있다. 예를 들어, 컴포넌트 디지털 트윈(6002)을 생성하기 위해 제품 디지털 트윈(1780)이 사용될 수 있다. 다른 예에서, 컴포넌트 디지털 트윈(6002)은 제품 디지털 트윈(1780)을 생성하기 위해 사용될 수 있다. 실시예에서, 디지털 트윈(1700)은 다른 디지털 트윈(1700)에 내장될 수 있다. 예를 들어, 컴포넌트 디지털 트윈(6002)은 환경 디지털 트윈(6004)에 내장될 수 있는 제품 디지털 트윈(1780)에 내장될 수 있다.
실시예에서, 시뮬레이션 관리 시스템(6110)은 밸류 체인 엔티티(652)를 표현하는 디지털 트윈(1700) 사이의 상호작용 및 시뮬레이션을 설정, 프로비저닝, 구성, 및 다른 방식으로 관리할 수 있다.
실시예에서, 적응형 지능 시스템 계층(614)은 다른 밸류 체인 네트워크 엔티티(652)의 컴포넌트 디지털 트윈(6002) 및/또는 디지털 트윈(1700)을 사용하여 시뮬레이션 관리 시스템(6110)에서 시뮬레이션을 실행하도록 구성된다. 예를 들어, 적응형 지능 시스템 계층(614)은 컴포넌트 디지털 트윈(6002)의 세트가 환경을 겪을 때 환경 디지털 트윈(6004)의 하나 이상의 특징을 조정할 수 있다. 실시예에서, 적응형 지능 시스템 계층(614)은, 특징의 각각의 세트에 대해, 특징의 세트에 기초하여 시뮬레이션을 실행할 수 있고, 시뮬레이션으로부터 초래되는 시뮬레이션 결과 데이터를 수집할 수 있다.
예를 들어, 환경 디지털 트윈(6004)에서 밸류 체인 제품(650)의 컴포넌트를 표현하는 컴포넌트 디지털 트윈(6002)의 세트에 대해 시뮬레이션을 실행함에 있어서, 적응형 지능 시스템 계층(614)은 환경 디지털 트윈(6110)의 특성을 변화시킬 수 있고, 결과를 생성하는 시뮬레이션을 실행할 수 있다. 시뮬레이션 동안, 적응형 지능 시스템 계층(614)은 환경 디지털 트윈 온도, 압력, 조명, 및/또는 환경 디지털 트윈(6004)의 임의의 다른 특성을 변화시킬 수 있다. 이 예에서, 결과는 고온이 적용된 후의 컴포넌트 디지털 트윈(6002)의 조건일 수 있다. 시뮬레이션으로부터의 결과는 기계 학습 모델(6120)을 훈련시키는 데 사용될 수 있다.
실시예에서, 기계 학습 시스템(6150)은 훈련 데이터(6170), 결과 데이터(6160), 시뮬레이션 데이터(6140), 및/또는 다른 타입의 외부 데이터 소스(6150)로부터의 데이터(날씨 데이터, 주식 시장 데이터, 스포츠 이벤트 데이터, 뉴스 이벤트 데이터 등)를 수신할 수 있다. 실시예에서, 이 데이터는 적응형 지능 시스템 계층(614)의 API를 통해 기계 학습 시스템(6150)에 제공될 수 있다. 실시예에서, 기계 학습 시스템(6150)은 컴포넌트 디지털 트윈(6002) 시뮬레이션에 관련된 시뮬레이션 데이터(6140)를 수신할 수 있다. 이 예에서, 시뮬레이션 데이터(6140)는 시뮬레이션을 수행하기 위해 사용된 컴포넌트 디지털 트윈(6002)의 특성 및 그로부터 초래되는 결과들일 수 있다.
실시예에서, 기계 학습 시스템(6150)은 모델을 개선하기 위해 수신된 데이터를 사용하여 기계 학습 모델(6120)을 훈련/강화할 수 있다.
도 SCDT-2는 적응형 지능 시스템 계층(614)과 인터페이스하는 위험 관리 애플리케이션(818)의 예를 예시한다. 예시적인 실시예에서, 위험 관리 애플리케이션(818)은 양호한 또는 양호한 컴포넌트에 대한 위험 또는 책임을 관리하도록 구성될 수 있다.
실시예에서, 기계 학습 시스템(6150)은 제품(650) 및 제품 컴포넌트(6002)에 대한 것을 비롯하여, 위험 관리에 관련된 분류, 예측, 및/또는 다른 결정을 수행하기 위해 인공 지능 시스템(1160)에 의해 이용되는 하나 이상의 모델(6120)을 훈련시킨다. 실시예에서, 장비 컴포넌트들일 수 있다. 예시적인 실시예에서, 모델(6120)은 컴포넌트의 세트의 조건을 검출함으로써 위험 및 책임을 완화하도록 훈련된다. 기계 학습 시스템(6150)은 컴포넌트에 관한 특징 및 컴포넌트 조건과 연관된 하나 이상의 결과를 포함하는 n-튜플을 사용하여 모델을 훈련할 수 있다. 이 예에서, 컴포넌트(6002)에 대한 특징은 컴포넌트 재료(플라스틱, 유리, 금속 등), 컴포넌트 이력(제조 날짜, 사용 이력, 수리 이력), 컴포넌트 특성, 컴포넌트 치수, 컴포넌트 열 특성, 컴포넌트 가격, 컴포넌트 공급자, 및/또는 다른 관련 특징을 포함할 수 있지만, 이에 제한되지 않는다. 이 예에서, 결과는 컴포넌트(6002)의 디지털 트윈이 동작 조건에 있는지를 포함할 수 있다. 이 예에서, 디지털 트윈의 하나 이상의 특성은 상이한 시뮬레이션에 대해 변화되고, 각각의 시뮬레이션의 결과는 적절성을 갖는 튜플에 기록될 수 있다. 훈련 위험 관리 모델의 다른 예는 제품 안전을 최적화하도록 훈련되는 모델(6120), 바람직하지 않은 이벤트를 야기할 가능성이 높은 컴포넌트를 식별하도록 훈련되는 모델 등을 포함할 수 있다.
동작 시, 인공 지능 시스템(1160)은 태스크 또는 이벤트에 관련된 하나 이상의 특징이 주어지면 위험 관리 애플리케이션(818)을 대신하여 위험 관리 결정을 내리기 위해 위에서 논의된 모델(6120)을 사용할 수 있다. 예를 들어, 인공 지능 시스템(1160)은 컴포넌트의 조건을 결정할 수 있다. 이 예에서, 위험 관리 애플리케이션(818)은 컴포넌트의 특징을 인공 지능 시스템(1160)에 제공할 수 있다. 이러한 특징은 컴포넌트 재료, 컴포넌트 이력, 컴포넌트 치수, 컴포넌트 비용, 컴포넌트 열 특성, 컴포넌트 공급자 등을 포함할 수 있다. 실시예에서, 인공 지능 시스템(1160)은 하나 이상의 결정을 획득하기 위해 이러한 특징을 위에서 논의된 모델 중 하나 이상에 공급할 수 있다. 이러한 결정은 컴포넌트가 동작 조건에 있는지를 포함할 수 있다.
실시예에서, 인공 지능 시스템(1160)은 제안된 결정에 대한 시뮬레이션을 실행하기 위해 컴포넌트 디지털 트윈(6002)을 활용할 수 있다.
그 다음, 위험 관리 애플리케이션(818)은 인공 지능 시스템(1160)에 의해 이루어진 결정(들)을 사용하여 컴포넌트 재공급 이벤트를 개시할 수 있다. 또한, 컴포넌트 재공급 이벤트 후에, 이벤트의 결과(예를 들어, 개선된 제품 성능)는 결정을 수행하는 데 사용되는 모델을 강화하기 위해 기계 학습 시스템(6150)에 보고될 수 있다.
플랫폼(604)은 컴포넌트 속성 디지털 트윈(6140)을 포함하거나, 통합하거나, 그와 통합되거나, 관리하거나, 제어하거나, 조정하거나, 또는 다른 방식으로 취급할 수 있다. 컴포넌트 속성 디지털 트윈(6140)은 기업의 제품의 세트에 대한 공급에서의 공급 체인 컴포넌트의 세트의 속성의 세트의 디지털 표현일 수 있다.
컴포넌트 속성 디지털 트윈(6140)의 개발을 위한 환경은 개발자가 데이터 저장 계층(624)의 선택된 데이터 소스로부터의 입력 및 모니터링 시스템 계층(614)으로부터의 이벤트 또는 다른 데이터를 취하고 이들을 컴포넌트 속성 디지털 트윈(6140)에 포함시키기 위해 공급하도록 인공 지능 시스템(1160)을 구성할 수 있는 개발자를 위한 인터페이스의 세트를 포함할 수 있다. 컴포넌트 속성 디지털 트윈 개발 환경은 다양한 애플리케이션(630)으로부터의 출력 및 결과를 취하도록 구성될 수 있다. 실시예에서, 컴포넌트 속성 디지털 트윈(6140)은 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 광범위한 밸류 체인 네트워크 애플리케이션(630)에 대해 제공될 수 있다.
실시예에서, 방법, 시스템 및 장치는 해양 자산과 연관된 자산 관리 애플리케이션을 갖는 밸류 체인 네트워크 관리 플랫폼, 및 해양 자산 중 하나 이상의 해양 자산의 해양 활동의 세트 및 하나 이상의 해양 자산과 연관된 설계 결과, 파라미터 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함하는 관리 플랫폼의 데이터 취급 계층을 갖는 정보 기술 시스템을 포함한다. 정보 기술 시스템은 또한 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하도록 구성되고, 해양 자산 중 하나 이상의 해양 자산의 하나 이상의 속성을 시뮬레이션하고, 데이터 소스로부터 수집된 훈련 세트에 기초하여 하나 이상의 속성의 변경에 대한 추천의 하나 이상의 세트를 생성하는 인공 지능 시스템을 갖는다. 정보 기술 시스템은 또한 하나 이상의 추천 세트와 조합하여 하나 이상의 속성의 인공 지능 시스템에 의해 생성된 세부사항을 포함하는 해양 자산 중 하나 이상의 해양 자산의 디지털 트윈의 시각화를 제공하는 밸류 체인 네트워크 관리 플랫폼에 포함된 디지털 트윈 시스템을 갖는다.
실시예에서, 해양 자산은 하나 이상의 컨테이너 선박을 포함한다. 실시예에서, 디지털 트윈 시스템은 컨테이너 선박과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 컨테이너 선박의 디지털 트윈의 시각화를 더 제공한다.
실시예에서, 해양 자산은 하나 이상의 바지선을 포함한다. 실시예에서, 디지털 트윈 시스템은 바지선과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 바지선의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 토지 상에 또는 그에 인접하여 설치된 항구 기반구조의 하나 이상의 컴포넌트를 포함한다. 실시예에서, 디지털 트윈 시스템은 항구 기반구조의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 항구 기반구조의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 또한 항구 기반구조의 컴포넌트에 계류된 컨테이너 선박을 포함한다. 실시예에서, 해양 자산은 수상에 배치된 하나 이상의 계류된 내비게이션 유닛을 포함한다. 실시예에서, 해양 자산은 바지선에 각각 연결된 하나 이상의 선박을 포함한다.
실시예에서, 해양 자산은 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 해양 항구의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 실세계 해양 항구의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 실세계 쉽야드(shipyard)와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 쉽야드의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 실세계 쉽야드의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산 중 하나 이상의 해양 자산의 디지털 트윈은 선박과 연관된 플로팅 자산 트윈이다. 실시예에서, 플로팅 자산 트윈은 선박의 계획된 코스에 대한 선박의 내비게이션 코스 및 선박의 내비게이션 코스의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 선박의 엔진 성능 및 선박의 엔진 성능의 변화에 대한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 엔진 성능의 시각화는 선박의 배출 프로파일을 포함한다.
실시예에서, 플로팅 자산 트윈은 선박의 선체 무결성(integrity) 및 선박의 선체의 유지보수의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 선박의 수선 아래에 배치된 선체의 부분에 대한 현장 유체역학적 변화 및 선박의 성능을 변화시키기 위한 유체역학적 표면의 변화에 대한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 알려진 이동 경로 및 날씨 패턴에 기초하여 연료 효율을 개선하기 위해 선박의 수선 아래에 배치된 선체의 유체역학적 표면으로의 변경을 위한 스케줄을 결정하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 선박의 수선 위에 배치된 선체의 부분에 대한 현장 공기역학적 변화 및 선박의 성능을 변화시키기 위한 공기역학적 표면의 변화에 대한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 알려진 이동 경로 및 과거 날씨 패턴을 사용하여 연료 효율을 개선하기 위해 선박의 수선 위에 배치된 공기역학적 표면으로의 변경을 위한 스케줄을 결정하도록 구성된다.
실시예에서, 플로팅 자산 트윈은 선박의 특정 기동 동안의 안정성을 개선하기 위해 선박의 선체로부터의 연장 가능한 부력 부재 및 선박의 성능을 변경하기 위한 연장 가능한 부력 부재의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 선박 상의 복수의 검사 지점 및 그 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 지오펜싱된 영역 내에서의 이동에 의해 영향을 받는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 상세를 제공하도록 구성된다.
실시예에서, 플로팅 자산 트윈은 제1 지오펜싱된 영역(geofenced area) 내에서 선박의 내비게이션 코스 및 선박의 엔진 성능 중 하나의 제1 사용자를 위한 시각화를 제공하고, 제2 상이한 지오펜싱된 영역 내에서 선박의 내비게이션 코스 및 선박의 엔진 성능 중 하나의 제2 사용자를 위한 시각화를 제공하도록 구성되고, 제1 지오펜싱된 영역과 제2 지오펜싱된 영역 사이의 이동은 제1 사용자와 제2 사용자 사이에서 선박의 플로팅 자산 트윈의 핸드오프를 기동한다.
실시예에서, 디지털 트윈은 이벤트 조사와 연관된 해양 자산 중 하나 이상을 적어도 부분적으로 표현하고 이벤트 조사 및 연관된 해양 자산의 타임라인을 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 해양 자산의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 법적 절차와 연관된 해양 자산 중 하나 이상을 적어도 부분적으로 표현하고, 법적 절차 및 연관된 해양 자산과 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 해양 자산의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 해양 자산 중 하나 이상을 적어도 부분적으로 표현하고 손해 보고 및 연관된 해양 자산에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 이전의 손해 예상의 세트에 비해 노출을 감소시키기 위한 연관된 해양 자산의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 해양 자산은 항구 기반구조 시설을 포함한다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 항구 기반구조 시설 내의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 항구 기반구조 시설의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 항구 기반구조 시설에서의 도난 또는 항구 기반구조 시설의 오용을 식별하는 것을 용이하게 한다.
실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 항구 기반구조 시설의 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 기대 상태의 뷰를 포함한다.
실시예에서, 해양 자산은 쉽야드를 포함한다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 쉽야드 및 운영자 세트 중 적어도 하나를 위해 쉽야드의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이의 데이터를 상관시킴으로써, 쉽야드에서의 하나 이상의 물리적 아이템에서의 도난 또는 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 쉽야드의 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 기대 상태의 뷰를 포함한다.
실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 해양 자산의 세트의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 해양 자산 세트의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 해양 자산은 화물을 운반할 수 있는 선박이다. 실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 화물을 운반할 수 있는 선박의 표현을 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 화물을 운반할 수 있는 선박의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 방법, 시스템 및 장치는 하나 이상의 선박과 연관된 자산 관리 애플리케이션을 포함하는 밸류 체인 네트워크 관리 플랫폼, 및 하나 이상의 선박의 해양 활동의 세트 및 하나 이상의 선박과 연관된 설계 결과, 파라미터 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함하는 관리 플랫폼의 데이터 취급 계층을 갖는 정보 기술 시스템을 포함한다. 정보 기술 시스템은 또한 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하도록 구성되고, 하나 이상의 선박의 하나 이상의 설계 속성을 시뮬레이션하고, 데이터 소스로부터 수집된 훈련 세트에 기초하여 설계 추천의 하나 이상의 세트를 생성하는 인공 지능 시스템을 갖는다. 정보 기술 시스템은 또한, 설계 추천의 하나 이상의 세트와 조합하여 하나 이상의 설계 속성의 인공 지능 시스템에 의해 생성된 세부사항을 포함하는 하나 이상의 선박의 디지털 트윈의 시각화를 제공하는 밸류 체인 네트워크 관리 플랫폼에 포함된 디지털 트윈 시스템을 갖는다.
실시예에서, 하나 이상의 선박은 하나 이상의 컨테이너 선박을 포함한다. 실시예에서, 디지털 트윈 시스템은 컨테이너 선박과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 컨테이너 선박의 디지털 트윈의 시각화를 더 제공한다. 실시예에서, 하나 이상의 컨테이너 선박은 항구 기반구조의 컴포넌트에 계류된다. 실시예에서, 하나 이상의 선박은 바지선에 연결된다. 실시예에서, 디지털 트윈은 계획된 코스에 대한 내비게이션 코스 및 하나 이상의 선박과 연관된 내비게이션 코스의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 추가 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 엔진 성능 및 엔진 성능의 변화에 대한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 추가 시각화를 제공하도록 구성된다. 실시예에서, 엔진 성능의 시각화는 하나 이상의 선박의 배출 프로파일을 포함한다.
실시예에서, 디지털 트윈은 하나 이상의 선박의 선체 무결성 및 하나 이상의 선박의 선체의 유지보수의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 추가 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 성능을 변경하기 위해 유체역학적 표면의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트 및 하나 이상의 선박의 수선 아래에 배치된 선체의 부분에 대한 현장 유체역학적 변경의 추가 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 공지된 이동 경로 및 날씨 패턴에 기초하여 연료 효율을 개선하기 위해 하나 이상의 선박의 수선 아래에 배치된 선체의 유체역학적 표면으로의 변경을 위한 스케줄을 결정하도록 구성된다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 성능을 변경하기 위해 공기역학적 표면의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트 및 하나 이상의 선박의 수선 위에 배치된 선체의 부분에 대한 현장 공기역학적 변경의 추가 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 공지된 이동 경로 및 역사적 날씨 패턴을 사용하여 연료 효율을 개선하기 위해 하나 이상의 선박의 수선 위에 배치된 공기역학적 표면으로의 변경을 위한 스케줄을 결정하도록 구성된다.
실시예에서, 디지털 트윈은 특정 기동 동안의 안정성을 개선하기 위한 하나 이상의 선박의 선체로부터의 연장 가능한 부력 부재 및 하나 이상의 선박의 성능을 변경하기 위한 연장 가능한 부력 부재의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 추가 시각화를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 하나 이상의 선박에 대한 복수의 검사 지점 및 그 검사 지점과 연관된 유지보수 이력의 추가 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 선박 상의 복수의 검사 지점 및 그 검사 지점과 연관된 유지보수 이력의 추가 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내에서의 이동에 의해 영향을 받는 하나 이상의 선박에 대한 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 디지털 트윈은 제1 지오펜싱된 영역 내의 하나 이상의 선박의 내비게이션 코스 및 엔진 성능 중 하나의 제1 사용자를 위한 시각화 및 제2 상이한 지오펜싱된 영역 내의 하나 이상의 선박의 내비게이션 코스 및 엔진 성능 중 하나의 제2 사용자를 위한 시각화를 제공하도록 구성되고, 제1 지오펜싱된 영역과 제2 지오펜싱된 영역 사이의 이동은 제1 사용자와 제2 사용자 사이의 하나 이상의 선박의 디지털 트윈에 의해 시각화된 하나 이상의 선박의 핸드오프를 기동한다.
실시예에서, 디지털 트윈은 이벤트 조사와 연관된 하나 이상의 선박을 적어도 부분적으로 표현하고 이벤트 조사 및 연관된 선박의 타임라인을 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 선박의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 법적 절차와 연관된 하나 이상의 선박을 적어도 부분적으로 표현하고, 법적 절차 및 연관된 선박에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 선박의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 손해 예상과 연관된 하나 이상의 선박을 적어도 부분적으로 표현하고, 손해 보고 및 연관된 선박에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 이전의 손해 예상의 세트에 비해 노출을 감소시키기 위한 연관된 선박의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 하나의 선박에서의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 하나의 선박과 연관된 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 하나의 선박에서의 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 하나의 선박과 연관된 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 기대 상태의 뷰를 포함한다.
실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 하나 이상의 선박의 속성 중 하나의 속성의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 하나 이상의 선박은 화물을 운반할 수 있다. 실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 화물을 운반할 수 있는 하나 이상의 선박의 표현을 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 화물을 운반할 수 있는 하나 이상의 선박의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 해양 활동은 하나 이상의 선박에 대한 추진 유닛의 에너지 소비와 연관된 파라미터에 기초하여 물 및 날씨 조건에 대한 하나 이상의 선박의 전진 속도를 포함한다.
실시예에서, 방법, 시스템 및 장치는 컨테이너 선박의 속성을 시뮬레이션하고 컨테이너 선박의 디지털 트윈을 사용하여 속성에 대한 변경의 추천의 세트를 생성하도록 인공 지능 시스템을 훈련시키기 위해 배송 활동의 세트에 관련된 데이터 소스로부터 수집된 설계 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 컨테이너 선박은 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류된다. 실시예에서, 배송 활동은 컨테이너 선박 상의 추진 유닛의 에너지 소비와 연관된 파라미터에 기초하여 물 및 날씨 조건에 대한 컨테이너 선박의 전진 속도를 포함한다. 실시예에서, 정보 기술 시스템은 컨테이너 선박에 연결된 하나 이상의 해양 시설과 연관된 자산 관리 애플리케이션을 더 포함한다. 실시예에서, 자산 관리 애플리케이션은 바지선에 연결된 하나 이상의 선박과 연관된다.
실시예에서, 컨테이너 선박의 디지털 트윈은 컨테이너 선박의 내비게이션 코스의 시각화를 제공한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 컨테이너 선박의 엔진 성능의 시각화를 제공한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 컨테이너 선박의 선체 무결성의 시각화를 제공한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 컨테이너 선박의 수선 아래에 배치된 선체의 부분에 대한 현장 유체역학적 변화의 시각화를 제공한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 공지된 이동 경로 및 과거 날씨 패턴을 사용하여 연료 효율을 개선하기 위해 컨테이너 선박의 수선 아래에 배치된 선체의 부분에 대한 현장 유체역학적 변화의 스케줄을 결정한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 컨테이너 선박의 수선 위에 배치된 선체의 부분에 대한 현장 공기역학적 변화의 시각화를 제공한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 공지된 이동 경로 및 역사적인 날씨 패턴을 사용하여 연료 효율을 개선하기 위해 컨테이너 선박의 수선 위에 배치된 선체의 부분에 대한 현장 공기역학적 변화의 스케줄을 결정한다.
실시예에서, 컨테이너 선박의 디지털 트윈은 컨테이너 선박의 특정 기동 중에 안정성을 향상시키기 위해 컨테이너 선박의 선체로부터 연장 가능한 부력 부재의 시각화를 제공한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 컨테이너 선박의 특정 기동 중에 안정성을 향상시키기 위해 컨테이너 선박의 선체로부터 연장 가능한 부력 부재의 시각화를 제공한다.
실시예에서, 컨테이너 선박의 디지털 트윈은 컨테이너 선박 상의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화를 제공한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 컨테이너 선박 상의 복수의 검사 지점 및 유지보수가 지오펜싱된 영역을 통한 이동을 따를 때 이들 검사 지점과 연관된 유지보수 이력의 시각화를 제공한다. 실시예에서, 컨테이너 선박의 디지털 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 컨테이너 선박 상의 복수의 검사 지점 및 유지보수가 지오펜싱된 영역을 통한 이동을 따라 이루어질 때 이들 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공한다.
실시예에서, 컨테이너 선박의 디지털 트윈은 제1 지오펜싱된 영역 내에서 컨테이너 선박의 내비게이션 코스 및 컨테이너 선박의 엔진 성능 중 하나의 제1 사용자를 위한 시각화를 제공하고, 제2 지오펜싱된 영역 내에서 컨테이너 선박의 내비게이션 코스 및 컨테이너 선박의 엔진 성능 중 하나의 제2 사용자를 위한 시각화를 제공하며, 제1 지오펜싱된 영역과 제2 지오펜싱된 영역 사이의 이동은 제1 사용자와 제2 사용자 사이의 컨테이너 선박의 디지털 트윈의 핸드오프를 기동한다.
실시예에서, 방법, 시스템 및 장치는 하나 이상의 바지선과 연관된 자산 관리 애플리케이션을 포함하는 밸류 체인 네트워크 관리 플랫폼 및 하나 이상의 바지선의 해양 활동의 세트 및 하나 이상의 바지선과 연관된 설계 결과, 파라미터 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함하는 관리 플랫폼의 데이터 취급 계층을 갖는 정보 기술 시스템을 포함한다. 정보 기술 시스템은 또한 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하도록 구성되고, 하나 이상의 바지선의 하나 이상의 설계 속성을 시뮬레이션하고, 데이터 소스로부터 수집된 훈련 세트에 기초하여 하나 이상의 설계 추천 세트를 생성하는 인공 지능 시스템을 갖는다. 정보 기술 시스템은 또한 설계 추천의 하나 이상의 세트와 조합하여 하나 이상의 설계 속성의 인공 지능 시스템에 의해 생성된 세부사항을 포함하는 하나 이상의 바지선의 디지털 트윈의 시각화를 제공하는 밸류 체인 네트워크 관리 플랫폼에 포함된 디지털 트윈 시스템을 갖는다.
실시예에서, 디지털 트윈 시스템은 바지선과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 바지선의 디지털 트윈의 시각화를 추가로 제공한다. 실시예에서, 바지선 중 하나는 선박에 연결된다. 실시예에서, 디지털 트윈은 바지선 중 하나의 계획된 코스에 대한 바지선 중 하나의 내비게이션 코스 및 바지선 중 하나의 내비게이션 코스의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 바지선 중 하나의 계획된 코스에 대한 바지선 중 하나의 선체 무결성 및 바지선 중 하나의 선체의 유지보수의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 하나 이상의 바지선의 수선 아래에 배치된 선체의 일부에 대한 현장 유체역학적 변경 및 하나 이상의 바지선의 성능을 변경하기 위한 유체역학적 표면의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 공지된 이동 경로 및 날씨 패턴에 기초하여 연료 효율을 개선하기 위해 하나 이상의 바지선의 수선 아래에 배치된 선체의 유체역학적 표면으로의 변경을 위한 스케줄을 결정하도록 구성된다.
실시예에서, 디지털 트윈은 하나 이상의 바지선의 특정 기동 중에 안정성을 향상시키기 위해 하나 이상의 바지선의 선체로부터 연장 가능한 부력 부재 및 하나 이상의 바지선의 성능을 변경하기 위한 연장 가능한 부력 부재의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 하나 이상의 바지선 상의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 하나 이상의 바지선 상의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 하나 이상의 바지선에 대한 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 디지털 트윈은 제1 지오펜싱된 영역 내의 하나 이상의 바지선의 내비게이션 코스 중 하나의 제1 사용자를 위한 시각화 및 제2 상이한 지오펜싱된 영역 내의 하나 이상의 바지선의 내비게이션 코스 중 하나의 제2 사용자를 위한 시각화를 제공하도록 구성되고, 제1 지오펜싱된 영역과 제2 지오펜싱된 영역 사이의 이동은 제1 사용자와 제2 사용자 사이의 하나 이상의 바지선의 디지털 트윈의 핸드오프를 기동한다. 실시예에서, 디지털 트윈은 이벤트 조사와 연관된 하나 이상의 바지선을 적어도 부분적으로 표현하고 이벤트 조사 및 연관된 해양 자산의 타임라인을 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 바지선의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 법적 절차와 연관된 하나 이상의 바지선을 적어도 부분적으로 표현하고, 법적 절차 및 연관된 바지선에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 바지선의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 하나 이상의 바지선을 적어도 부분적으로 표현하고, 손해 보고 및 연관된 바지선에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 이전의 손해 예상의 세트에 비해 노출을 감소시키기 위한 연관된 바지선의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 바지선 중 하나 상의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 바지선 중 하나 상의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이의 데이터를 상관시킴으로써 바지선 중 하나 상의 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 바지선의 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 예상 상태의 뷰를 포함한다. 실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 하나 이상의 바지선의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 하나 이상의 바지선 세트의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 자산 관리 애플리케이션은 바지선 중 하나에 연결된 하나 이상의 선박과 연관된다. 실시예에서, 관리 플랫폼의 데이터 취급 계층은 진행 중이고 선박에 각각 연결된 하나 이상의 바지선의 해양 활동 세트 및 하나 이상의 바지선 및 그 연관된 선박과 연관된 설계 결과, 파라미터, 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함한다.
실시예에서, 인공 지능 시스템은 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하고 선박에 각각 연결된 하나 이상의 바지선의 하나 이상의 설계 속성을 시뮬레이션하도록 구성된다. 실시예에서, 디지털 트윈 시스템은 하나 이상의 바지선 및 이들이 연결되어 있는 각각의 선박의 디지털 트윈의 시각화를 제공한다.
실시예에서, 방법, 시스템 및 장치는 바지선의 속성을 시뮬레이션하고 바지선의 디지털 트윈을 사용하여 속성에 대한 변경의 추천의 세트를 생성하도록 인공 지능 시스템을 훈련시키기 위해 배송 활동의 세트에 관련된 데이터 소스로부터 수집된 설계 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 디지털 트윈 시스템은 바지선과 연관된 속성에 대한 변경의 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 바지선의 디지털 트윈의 시각화를 추가로 제공한다. 실시예에서, 바지선 중 하나는 선박에 연결된다. 실시예에서, 디지털 트윈은 바지선 중 하나의 계획된 코스에 대한 바지선 중 하나의 내비게이션 코스 및 바지선 중 하나의 내비게이션 코스의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 바지선 중 하나의 계획된 코스에 대한 바지선 중 하나의 선체 무결성 및 바지선 중 하나의 선체의 유지보수의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 하나 이상의 바지선의 수선 아래에 배치된 선체의 일부에 대한 현장 유체역학적 변경 및 하나 이상의 바지선의 성능을 변경하기 위한 유체역학적 표면의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 공지된 이동 경로 및 날씨 패턴에 기초하여 연료 효율을 개선하기 위해 하나 이상의 바지선의 수선 아래에 배치된 선체의 유체역학적 표면으로의 변경을 위한 스케줄을 결정하도록 구성된다.
실시예에서, 디지털 트윈은 하나 이상의 바지선의 특정 기동 중에 안정성을 향상시키기 위해 하나 이상의 바지선의 선체로부터 연장 가능한 부력 부재 및 하나 이상의 바지선의 성능을 변경하기 위한 연장 가능한 부력 부재의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 하나 이상의 바지선 상의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 하나 이상의 바지선 상의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 하나 이상의 바지선에 대한 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 디지털 트윈은 제1 지오펜싱된 영역 내의 하나 이상의 바지선의 내비게이션 코스 중 하나의 제1 사용자를 위한 시각화 및 제2 상이한 지오펜싱된 영역 내의 하나 이상의 바지선의 내비게이션 코스 중 하나의 제2 사용자를 위한 시각화를 제공하도록 구성되고, 제1 지오펜싱된 영역과 제2 지오펜싱된 영역 사이의 이동은 제1 사용자와 제2 사용자 사이의 하나 이상의 바지선의 디지털 트윈의 핸드오프를 기동한다. 실시예에서, 디지털 트윈은 이벤트 조사와 연관된 하나 이상의 바지선을 적어도 부분적으로 표현하고 이벤트 조사 및 연관된 해양 자산의 타임라인을 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 바지선의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 법적 절차와 연관된 하나 이상의 바지선을 적어도 부분적으로 표현하고 법적 절차 및 연관된 바지선에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 바지선의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 하나 이상의 바지선을 적어도 부분적으로 표현하고, 손해 보고 및 연관된 바지선에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 이전의 손해 예상의 세트에 비해 노출을 감소시키기 위한 연관된 바지선의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 바지선 중 하나 상의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 바지선 중 하나 상의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 바지선 중 하나 상의 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 바지선의 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 예상 상태의 뷰를 포함한다.
실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 하나 이상의 바지선의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 하나 이상의 바지선 세트의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 자산 관리 애플리케이션은 바지선 중 하나에 연결된 하나 이상의 선박과 연관된다. 실시예에서, 관리 플랫폼의 데이터 취급 계층은 진행 중이고 선박에 각각 연결된 하나 이상의 바지선의 해양 활동 세트 및 하나 이상의 바지선 및 그 연관된 선박과 연관된 설계 결과, 파라미터, 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함한다. 실시예에서, 인공 지능 시스템은 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하고 선박에 각각 연결된 하나 이상의 바지선의 하나 이상의 설계 속성을 시뮬레이션하도록 구성된다. 실시예에서, 디지털 트윈 시스템은 하나 이상의 바지선 및 이들이 연결되어 있는 각각의 선박의 디지털 트윈의 시각화를 제공한다.
실시예에서, 방법, 시스템 및 장치는 항구 기반구조와 연관된 자산 관리 애플리케이션을 포함하는 밸류 체인 네트워크 관리 플랫폼, 및 항구 기반구조 주위의 해양 활동의 세트 및 항구 기반구조와 연관된 설계 결과, 파라미터 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함하는 관리 플랫폼의 데이터 취급 계층을 갖는 정보 기술 시스템을 포함한다. 정보 기술 시스템은 또한 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하도록 구성되고, 항구 기반구조의 하나 이상의 속성을 시뮬레이션하고, 데이터 소스로부터 수집된 훈련 세트에 기초하여 하나 이상의 속성의 변경에 대한 추천의 하나 이상의 세트를 생성하는 인공 지능 시스템을 갖는다. 정보 기술 시스템은 또한 하나 이상의 추천 세트와 조합하여 하나 이상의 속성의 인공 지능 시스템에 의해 생성된 세부사항을 포함하는 항구 기반구조의 디지털 트윈의 시각화를 제공하는 밸류 체인 네트워크 관리 플랫폼에 포함된 디지털 트윈 시스템을 갖는다.
실시예에서, 디지털 트윈 시스템은 하나 이상의 컨테이너 선박과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 항구 기반구조 내의 하나 이상의 컨테이너 선박의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 디지털 트윈 시스템은 하나 이상의 바지선과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 항구 기반구조 내의 하나 이상의 바지선의 디지털 트윈의 시각화를 추가로 제공한다. 실시예에서, 항구 기반구조는 수상에 배치된 하나 이상의 계류된 내비게이션 유닛을 포함한다. 실시예에서, 항구 기반구조는 바지선에 각각 연결된 하나 이상의 선박을 포함한다. 실시예에서, 항구 기반구조는 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 해양 항구의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 실세계 해양 항구의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 항구 기반구조는 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 쉽야드의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 실세계 쉽야드의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 디지털 트윈은 항구 기반구조의 엔진 성능의 시각화 및 항구 기반구조에 설치된 엔진 성능의 변화에 대한 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 엔진 성능의 시각화는 배출 프로파일을 포함한다. 실시예에서, 디지털 트윈은 항구 기반구조 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내에 포함되는 항구 기반구조 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내에 포함된 항구 기반구조 상의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 디지털 트윈은 이벤트 조사와 연관된 항구 기반구조를 적어도 부분적으로 표현하고 이벤트 조사의 타임라인을 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 항구 기반구조의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 법적 절차와 연관된 항구 기반구조를 적어도 부분적으로 표현하고 법적 절차에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 항구 기반구조의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 손해 예상과 연관된 항구 기반구조를 적어도 부분적으로 표현하고 손해 보고에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 이전의 손해 예상의 세트에 비해 노출을 감소시키기 위한 연관된 항구 기반구조의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 항구 기반구조에서의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조에서의 시설 및 운영자 세트 중 적어도 하나를 위해 항구 기반구조의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 항구 기반구조에서의 도난 또는 항구 기반구조에서의 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 항구 기반구조에서 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 기대 상태의 뷰를 포함한다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조에서의 시설 및 운영자 세트 중 적어도 하나를 위해 항구 기반구조에서의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 항구 기반구조에서의 하나 이상의 물리적 아이템에서의 도난 또는 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 항구 기반구조에서 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 기대 상태의 뷰를 포함한다.
실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 항구 기반구조의 적어도 일부의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 항구 기반구조의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 항구 기반구조의 하나 이상의 컴포넌트는 육상에 설치된다. 실시예에서, 항구 기반구조의 하나 이상의 컴포넌트는 수상에 배치된 하나 이상의 계류된 내비게이션 유닛을 포함한다. 실시예에서, 방법, 시스템 및 장치는 항구 기반구조 시설의 설계 속성을 시뮬레이션하고 항구 기반구조 시설의 디지털 트윈을 사용하여 설계 추천의 세트를 생성하도록 인공 지능 시스템을 훈련시키기 위해 배송 활동의 세트에 관련된 데이터 소스로부터 수집된 설계 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다. 실시예에서, 디지털 트윈 시스템은 항구 기반구조 시설과 연관된 속성에 대한 변경의 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 항구 기반구조 시설의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 디지털 트윈은 항구 기반구조 시설 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 또한, 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내의 항구 기반구조 시설 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 디지털 트윈은 이벤트 조사와 연관된 항구 기반구조 시설의 적어도 일부를 적어도 부분적으로 표현하고, 이벤트 조사의 타임라인을 적어도 부분적으로 상세화하고 항구 기반구조 시설과 연관되도록 구성된다. 실시예에서, 디지털 트윈은 또한 항구 기반구조 시설의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 법적 절차와 연관된 항구 기반구조 시설의 적어도 일부를 적어도 부분적으로 나타내고, 법적 절차와 관련되고 항구 기반구조 시설과 연관된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 연관된 항구 기반구조 시설의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 디지털 트윈은 손해 예상과 연관된 항구 기반구조 시설의 적어도 일부를 적어도 부분적으로 표현하고, 손해 보고 및 연관된 항구 기반구조 시설에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 또한 이전의 손해 예상의 세트에 비해 노출을 감소시키기 위해 항구 기반구조 시설의 적어도 일부의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 항구 기반구조 시설의 적어도 일부 내의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 항구 기반구조 시설의 적어도 일부 내의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈과 사이에서 데이터를 상관시킴으로써 항구 기반구조 시설의 적어도 일부 내의 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 항구 기반구조 시설 내의 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 기대 상태의 뷰를 포함한다.
실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 항구 기반구조 시설의 적어도 일부의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 항구 기반구조 시설의 적어도 일부의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 방법, 시스템 및 장치는 해양 이벤트에 수반되는 해양 자산과 연관된 자산 관리 애플리케이션을 포함하는 밸류 체인 네트워크 관리 플랫폼, 및 해양 이벤트에 수반되는 해양 자산의 해양 활동의 세트 및 해양 이벤트에 수반되는 해양 자산과 연관된 설계 결과, 파라미터, 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함하는 관리 플랫폼의 데이터 취급 계층을 갖는 정보 기술 시스템을 포함한다. 정보 기술 시스템은 또한 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하도록 구성되고, 해양 이벤트에 수반되는 해양 자산의 하나 이상의 설계 속성을 시뮬레이션하고, 데이터 소스로부터 수집된 훈련 세트에 기초하여 하나 이상의 설계 추천 세트를 생성하는 인공 지능 시스템을 갖는다. 정보 기술 시스템은 또한, 해양 이벤트에 수반된 해양 자산 중 적어도 하나에 적용가능한 설계 추천의 하나 이상의 세트와 조합하여 하나 이상의 설계 속성의 인공 지능 시스템에 의해 생성된 세부사항을 포함하는 해양 이벤트에 수반된 해양 자산의 디지털 트윈의 시각화를 제공하는 밸류 체인 네트워크 관리 플랫폼에 포함된 디지털 트윈 시스템을 갖는다.
실시예에서, 해양 자산은 해양 이벤트에 수반되는 하나 이상의 컨테이너 선박을 포함한다. 실시예에서, 디지털 트윈 시스템은 컨테이너 선박과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 컨테이너 선박의 디지털 트윈의 시각화를 더 제공한다.
실시예에서, 해양 자산은 해양 이벤트에 수반되는 하나 이상의 바지선을 포함한다. 실시예에서, 디지털 트윈 시스템은 바지선과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 바지선의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 해양 이벤트에 수반되는 항구 기반구조의 하나 이상의 컴포넌트를 포함한다. 실시예에서, 디지털 트윈 시스템은 항구 기반구조의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 항구 기반구조의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 해양 항구의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 해양 이벤트에 수반된 실세계 해양 항구의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 쉽야드의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 해양 이벤트에 수반되는 실세계 쉽야드의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산 중 하나 이상의 해양 자산의 디지털 트윈은 선박과 연관된 플로팅 자산 트윈이다. 실시예에서, 플로팅 자산 트윈은 선박의 계획된 코스에 대한 해양 이벤트에 수반되는 선박의 내비게이션 코스 및 선박의 내비게이션 코스의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 해양 이벤트에 수반되는 선박의 엔진 성능 및 선박의 엔진 성능의 변화에 대한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 엔진 성능의 시각화는 선박의 배출 프로파일을 포함한다. 실시예에서, 플로팅 자산 트윈은 해양 이벤트에 수반되는 선박의 선체 무결성 및 선박의 선체의 유지보수의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 해양 이벤트에 수반되는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 또한 해양 이벤트와 연관된 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 또한 해양 이벤트와 연관된 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 지오펜싱된 영역 내의 해양 이벤트에 수반되는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 해양 이벤트에 수반되는 해양 자산의 세트의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 해양 이벤트에 수반된 해양 자산 세트의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 방법, 시스템 및 장치는 해양 이벤트의 조사를 용이하게 하기 위해 디지털 트윈을 사용하도록 인공 지능 시스템을 훈련시키기 위해 데이터 소스로부터 수집된 해양 이벤트 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 해양 이벤트 결과는 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈은 해양 이벤트의 조사를 용이하게 하기 위해 실세계 쉽야드의 적어도 일부를 상세화하도록 구성된다. 실시예에서, 해양 이벤트 결과는 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈은 해양 이벤트의 조사를 용이하게 하기 위해 실세계 해양 항구의 적어도 일부를 상세화하도록 구성된다.
실시예에서, 해양 이벤트 결과는 하나 이상의 컨테이너 선박과 연관된다. 실시예에서, 디지털 트윈은 해양 이벤트의 조사를 용이하게 하기 위해 하나 이상의 컨테이너 선박을 상세화하도록 구성된다. 실시예에서, 해양 이벤트 결과는 하나 이상의 바지선과 연관된다. 실시예에서, 디지털 트윈은 해양 이벤트의 조사를 용이하게 하기 위해 하나 이상의 바지선을 상세화하도록 구성된다.
실시예에서, 해양 이벤트 결과는 항구 기반구조의 적어도 일부와 연관된다. 실시예에서, 디지털 트윈은 해양 이벤트의 조사를 용이하게 하기 위해 항구 기반구조의 적어도 일부를 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 해양 이벤트와 연관된 타임라인 동안 하나 이상의 해양 밸류 체인 네트워크 엔티티의 활동을 적어도 부분적으로 표현하도록 구성된다. 실시예에서, 하나 이상의 해양 밸류 체인 네트워크 엔티티는 법적 절차와 연관된다. 실시예에서, 디지털 트윈은 법적 절차와 연관된 타임라인 동안 하나 이상의 해양 밸류 체인 네트워크 엔티티의 활동을 적어도 부분적으로 표현하도록 추가로 구성된다. 실시예에서, 하나 이상의 해양 밸류 체인 네트워크 엔티티는 법적 절차와 연관된다. 실시예에서, 디지털 트윈은 법적 절차와 연관된 타임라인 동안 하나 이상의 해양 밸류 체인 네트워크 엔티티의 활동을 적어도 부분적으로 표현하도록 추가로 구성된다.
실시예에서, 하나 이상의 해양 밸류 체인 네트워크 엔티티는 손해 예상과 연관된다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 타임라인 동안 하나 이상의 해양 밸류 체인 네트워크 엔티티의 활동을 적어도 부분적으로 표현하도록 추가로 구성된다. 실시예에서, 해양 밸류 체인 네트워크 엔티티 중 하나 이상은 항구 기반구조 시설이다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 해양 이벤트의 조사를 더 용이하게 하기 위해, 항구 기반구조 시설 내의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 항구 기반구조 시설의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 항구 기반구조 시설의 하나 이상의 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다.
실시예에서, 해양 이벤트는 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류되는 컨테이너 선박을 포함한다. 실시예에서, 해양 이벤트는 적어도 물 및 날씨 조건에 대한 전진 속도 및 컨테이너 선박 상의 추진 유닛의 에너지 소비와 연관된 파라미터를 갖는 컨테이너 선박을 포함한다.
실시예에서, 해양 이벤트는 바지선에 연결된 하나 이상의 선박을 포함한다. 실시예에서, 해양 이벤트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 해양 이벤트 동안 하나 이상의 선박의 내비게이션 코스의 시각화를 제공한다. 실시예에서, 해양 이벤트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 해양 이벤트 동안 하나 이상의 선박의 엔진 성능의 시각화를 제공한다. 실시예에서, 해양 이벤트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 해양 이벤트에 수반되는 하나 이상의 선박의 선체 무결성의 시각화를 제공한다.
실시예에서, 해양 이벤트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박과 연관된 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공한다.
실시예에서, 디지털 트윈은 해양 이벤트와 관련된 지오펜싱된 영역 내의 하나 이상의 선박과 연관된 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 추가로 제공한다. 실시예에서, 디지털 트윈은 해양 이벤트와 관련된 지오펜싱된 영역 내의 하나 이상의 선박과 연관된 복수의 검사 지점 및 그 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 추가로 제공한다.
실시예에서, 방법, 시스템 및 장치는 해양 법적 절차에 수반되는 해양 자산과 연관된 자산 관리 애플리케이션을 포함하는 밸류 체인 네트워크 관리 플랫폼, 및 해양 법적 절차에 수반되는 해양 자산의 해양 활동의 세트 및 해양 법적 절차에 수반되는 해양 자산과 연관된 파라미터 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함하는 관리 플랫폼의 데이터 취급 계층을 갖는 정보 기술 시스템을 포함한다. 정보 기술 시스템은 또한 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하도록 구성되고, 해양 법적 절차에 수반되는 해양 자산 중 하나 이상의 해양 자산의 하나 이상의 속성을 시뮬레이션하고, 데이터 소스로부터 수집된 훈련 세트에 기초하여 하나 이상의 속성의 변경에 대한 추천의 하나 이상의 세트를 생성하는 인공 지능 시스템을 갖는다. 정보 기술 시스템은 또한 하나 이상의 추천 세트와 조합하여 하나 이상의 속성의 인공 지능 시스템에 의해 생성된 상세를 포함하는 해양 법적 절차에 수반되는 해양 자산 중 하나 이상의 해양 자산의 디지털 트윈의 시각화를 제공하는 밸류 체인 네트워크 관리 플랫폼에 포함된 디지털 트윈 시스템을 갖는다.
실시예에서, 해양 자산은 해양 법적 절차에 수반되는 하나 이상의 컨테이너 선박을 포함한다. 실시예에서, 디지털 트윈 시스템은 컨테이너 선박과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 컨테이너 선박의 디지털 트윈의 시각화를 더 제공한다.
실시예에서, 해양 자산은 해양 법적 절차에 수반되는 하나 이상의 바지선을 포함한다. 실시예에서, 디지털 트윈 시스템은 바지선과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 바지선의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 해양 법적 절차에 수반되는 항구 기반구조의 하나 이상의 컴포넌트를 포함한다. 실시예에서, 디지털 트윈 시스템은 항구 기반구조의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 항구 기반구조의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 해양 항구의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 해양 법적 절차에 수반되는 실세계 해양 항구의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 쉽야드의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 해양 법적 절차에 수반되는 실세계 쉽야드의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산 중 하나 이상의 해양 자산의 디지털 트윈은 선박과 연관된 플로팅 자산 트윈이다. 실시예에서, 플로팅 자산 트윈은 선박의 계획된 코스에 대한 해양 법적 절차에 수반되는 선박의 내비게이션 코스 및 선박의 내비게이션 코스의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 해양 법적 절차에 수반되는 선박의 엔진 성능 및 선박의 엔진 성능의 변화에 대한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다.
실시예에서, 엔진 성능의 시각화는 선박의 배출 프로파일을 포함한다. 실시예에서, 플로팅 자산 트윈은 해양 법적 절차에 수반되는 선박의 선체 무결성 및 선박의 선체의 유지보수의 변경을 위한 인공 지능 시스템으로부터의 하나 이상의 추천 세트의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 해양 법적 절차에 수반되는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 또한 해양 이벤트와 연관된 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 또한 해양 이벤트와 연관된 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 지오펜싱된 영역 내의 해양 법적 절차에 수반되는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 해양 법적 절차에 수반되는 해양 자산의 세트의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한 해양 법적 절차에 수반되는 해양 자산 세트의 속성 중 하나의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 방법, 시스템 및 장치는 해양 법적 절차에 관련된 추천을 생성하기 위해 디지털 트윈을 사용하도록 인공 지능 시스템을 훈련시키기 위해 데이터 소스로부터 수집된 해양 법적 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 해양 법적 결과는 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈은 해양 법적 절차와 연관된 실세계 쉽야드의 적어도 일부를 상세화하도록 구성된다. 실시예에서, 해양 법적 결과는 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈은 해양 법적 절차와 연관된 실세계 해양 항구의 적어도 일부를 상세화하도록 구성된다.
실시예에서, 해양 법적 결과는 하나 이상의 컨테이너 선박과 연관된다. 실시예에서, 디지털 트윈은 해양 법적 절차와 연관된 하나 이상의 컨테이너 선박의 적어도 일부를 상세화하도록 구성된다. 실시예에서, 해양 법적 결과는 하나 이상의 바지선과 연관된다. 실시예에서, 디지털 트윈은 해양 법적 절차와 연관된 하나 이상의 바지선의 적어도 일부를 상세화하도록 구성된다.
실시예에서, 해양 법적 결과는 항구 기반구조의 적어도 일부와 연관된다. 실시예에서, 디지털 트윈은 해양 법적 절차와 연관된 항구 기반구조의 적어도 일부를 상세화하도록 구성된다.
실시예에서, 디지털 트윈은 해양 법적 절차와 연관된 타임라인 동안 하나 이상의 해양 밸류 체인 네트워크 엔티티의 활동을 적어도 부분적으로 표현하도록 구성된다. 실시예에서, 해양 밸류 체인 네트워크 엔티티 중 하나 이상은 항구 기반구조 시설이다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 항구 기반구조 시설 내의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트 사이에서 데이터를 상관시킴으로써 해양 법적 절차와 관련된 항구 기반구조 시설의 하나 이상의 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 항구 기반구조 시설의 하나 이상의 물리적 아이템을 더 상세화하도록 구성된다.
실시예에서, 해양 법적 절차는 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류된 컨테이너 선박을 수반하는 상황을 포함한다. 실시예에서, 해양 법적 절차는 물 및 날씨 조건에 대한 전진 속도 및 컨테이너 선박 상의 추진 유닛의 에너지 소비와 연관된 파라미터를 갖는 컨테이너 선박을 수반하는 상황을 포함한다. 실시예에서, 해양 법적 절차는 바지선에 연결된 하나 이상의 선박을 수반하는 상황을 포함한다. 실시예에서, 해양 법적 절차는 하나 이상의 선박을 수반하는 상황을 포함한다. 실시예에서, 디지털 트윈은 해양 법적 절차와 관련된 하나 이상의 선박의 내비게이션 코스의 시각화를 제공한다. 실시예에서, 해양 법적 절차는 하나 이상의 선박을 수반하는 상황을 포함한다. 실시예에서, 디지털 트윈은 해양 법적 절차와 관련된 하나 이상의 선박의 엔진 성능의 시각화를 제공한다. 실시예에서, 해양 법적 절차는 하나 이상의 선박을 수반하는 상황을 포함한다. 실시예에서, 디지털 트윈은 해양 법적 절차와 관련된 하나 이상의 선박의 선체 무결성의 시각화를 제공한다.
실시예에서, 해양 법적 절차는 하나 이상의 선박을 수반하는 상황을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박과 연관된 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공한다. 실시예에서, 디지털 트윈은 해양 법적 절차와 관련된 지오펜싱된 영역 내의 하나 이상의 선박과 연관된 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 추가로 제공한다. 실시예에서, 디지털 트윈은 해양 법적 절차와 관련된 지오펜싱된 영역 내의 하나 이상의 선박과 연관된 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 추가로 제공한다.
실시예에서, 방법, 시스템 및 장치는 해양 자산과 연관된 자산 관리 애플리케이션을 포함하는 밸류 체인 네트워크 관리 플랫폼, 및 손실 이벤트에 수반되는 해양 자산 중 하나 이상의 해양 자산의 해양 활동의 세트 및 손실 이벤트를 경험하는 하나 이상의 해양 자산과 연관된 결과, 파라미터 및 데이터 중 하나에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하는 데이터 소스를 포함하는 관리 플랫폼의 데이터 취급 계층을 갖는 정보 기술 시스템을 포함한다. 정보 기술 시스템은 또한 데이터 소스로부터 수집된 훈련 세트에 기초하여 학습하도록 구성되고, 해양 자산 중 하나 이상의 해양 자산의 하나 이상의 속성을 시뮬레이션하고, 데이터 소스로부터 수집된 훈련 세트에 기초하여 하나 이상의 세트의 손해 예상을 생성하는 인공 지능 시스템을 갖는다. 정보 기술 시스템은 또한, 손해 예상의 세트 중 하나의 적어도 일부의 인공 지능 시스템에 의해 생성된 세부사항을 포함하여 손실 이벤트에 수반되는 해양 자산 중 하나 이상과 연관된 하나 이상의 디지털 트윈의 시각화를 제공하는 밸류 체인 네트워크 관리 플랫폼에 포함된 디지털 트윈 시스템을 갖는다.
실시예에서, 해양 자산은 손해 예상의 세트 중 하나의 적어도 일부와 연관된 하나 이상의 컨테이너 선박을 포함한다. 실시예에서, 디지털 트윈 시스템은 컨테이너 선박과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 컨테이너 선박의 디지털 트윈의 시각화를 더 제공한다.
실시예에서, 해양 자산은 손해 예상의 세트 중 하나의 적어도 일부를 갖는 하나 이상의 바지선을 포함한다. 실시예에서, 디지털 트윈 시스템은 바지선과 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 하나 이상의 바지선의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 손해 예상의 세트 중 하나의 적어도 일부를 갖는 항구 기반구조의 하나 이상의 컴포넌트를 포함한다. 실시예에서, 디지털 트윈 시스템은 손해 예상의 세트와 연관된 항구 기반구조의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 항구 기반구조의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 해양 항구의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 손해 예상의 세트 중 하나의 적어도 일부와 연관된 실세계 해양 항구의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산은 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈 시스템은 실세계 쉽야드의 컴포넌트와 연관된 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함하는 손해 예상의 세트 중 하나의 적어도 일부와 연관된 실세계 쉽야드의 하나 이상의 컴포넌트의 디지털 트윈의 시각화를 추가로 제공한다.
실시예에서, 해양 자산 중 하나 이상의 해양 자산의 디지털 트윈은 손해 예상 세트 중 하나의 적어도 일부와 연관된 선박과 연관된 플로팅 자산 트윈이다. 실시예에서, 플로팅 자산 트윈은 선박의 계획된 코스에 대한 손해 예상의 세트 중 하나의 적어도 일부 및 선박의 내비게이션 코스의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트와 연관된 선박의 내비게이션 코스의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 선박의 엔진 성능의 변화에 대한 인공 지능 시스템으로부터의 하나 이상의 추천 세트 및 손해 예상의 세트 중 하나의 적어도 일부와 연관된 선박의 엔진 성능의 시각화를 제공하도록 구성된다. 실시예에서, 엔진 성능의 시각화는 선박의 배출 프로파일을 포함한다. 실시예에서, 플로팅 자산 트윈은 선박의 선체의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트 및 손해 예상의 세트 중 하나의 적어도 일부와 연관된 선박의 선체 무결성의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 손해 예상의 세트 중 하나의 적어도 일부와 연관된 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 또한 해양 이벤트와 연관된 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 지오펜싱된 영역 내의 이동에 의해 영향을 받는 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 또한 해양 이벤트와 연관된 복수의 검사 지점의 유지보수의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다. 실시예에서, 플로팅 자산 트윈은 지오펜싱된 영역 내의 손해 예상의 세트 중 하나의 적어도 일부와 연관된 선박 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 상세를 제공하도록 구성된다.
실시예에서, 인공 지능 시스템은 지오펜스 파라미터의 세트를 결정한다. 실시예에서, 디지털 트윈은 손해 예상의 세트 중 하나의 적어도 일부와 연관된 해양 자산의 세트의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다. 실시예에서, 디지털 트윈은 또한, 손해 예상의 세트 중 하나의 적어도 일부와 연관된 해양 자산의 세트의 속성 중 하나의 속성의 변경을 위해 인공 지능 시스템으로부터의 하나 이상의 추천 세트를 제공하도록 구성된다.
실시예에서, 방법, 시스템 및 장치는 해양 자산의 세트에 대한 손해 예상을 예측 및 디스플레이하기 위해 디지털 트윈을 사용하도록 인공 지능 시스템을 훈련시키기 위해 데이터 소스로부터 수집된 해양 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 해양 자산 세트는 실세계 쉽야드를 포함한다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 실세계 쉽야드의 적어도 일부를 상세화하도록 구성된다.
실시예에서, 해양 자산 세트는 실세계 해양 항구를 포함한다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 실세계 해양 항구의 적어도 일부를 상세화하도록 구성된다.
실시예에서, 해양 자산 세트는 하나 이상의 컨테이너 선박을 포함한다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 하나 이상의 컨테이너 선박의 적어도 일부를 상세화하도록 구성된다.
실시예에서, 해양 자산 세트는 하나 이상의 바지선을 포함한다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 하나 이상의 바지선의 적어도 일부를 상세화하도록 구성된다. 실시예에서, 해양 자산 세트는 항구 기반구조의 적어도 일부를 포함한다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 항구 기반구조의 적어도 일부를 상세화하도록 구성된다. 실시예에서, 디지털 트윈은 손해 예상과 연관된 타임라인 동안 해양 자산 세트의 활동을 적어도 부분적으로 표현하도록 구성된다.
실시예에서, 해양 자산 세트는 항구 기반구조 시설을 포함한다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 항구 기반구조 시설 내의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트 사이에서 데이터를 상관시킴으로써, 손해 예상과 관련된 항구 기반구조 시설의 하나 이상의 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다. 실시예에서, 디지털 트윈은 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 항구 기반구조 시설의 하나 이상의 물리적 아이템을 더 상세화하도록 구성된다.
실시예에서, 해양 자산 세트는 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류되는 컨테이너 선박을 포함한다. 실시예에서, 해양 자산 세트는 바지선에 연결된 하나 이상의 선박을 포함한다. 실시예에서, 해양 자산 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 손해 예상과 관련된 하나 이상의 선박의 내비게이션 코스의 시각화를 제공한다. 실시예에서, 해양 자산 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 손해 예상과 관련된 하나 이상의 선박의 엔진 성능의 시각화를 제공한다. 실시예에서, 해양 자산 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 손해 예상과 관련된 하나 이상의 선박의 선체 무결성의 시각화를 제공한다.
실시예에서, 해양 자산 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박과 연관된 복수의 검사 지점 및 손해 예상과 관련된 검사 지점과 연관된 유지보수 이력의 시각화를 제공한다. 실시예에서, 디지털 트윈은 손해 예상과 관련된 지오펜싱된 영역 내의 하나 이상의 선박과 연관된 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 추가로 제공한다. 실시예에서, 디지털 트윈은 손해 예상과 관련된 지오펜싱된 영역 내의 하나 이상의 선박과 연관된 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 추가로 제공한다.
실시예에서, 방법, 시스템 및 장치는 물리적 아이템에 대한 데이터 수집기의 세트와 항구 기반구조 시설 및 운영자의 세트 중 적어도 하나를 위한 디지털 트윈의 세트 사이에서 데이터를 상관시킴으로써 항구 기반구조 시설의 도난 또는 오용을 식별하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 항구 기반구조 시설의 디지털 트윈 세트는 항구 기반구조 시설과 연관된 속성에 대한 변경의 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함한다. 실시예에서, 디지털 트윈의 세트는 항구 기반구조 시설 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈의 세트는 지오펜싱된 영역 내의 항구 기반구조 시설 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 디지털 트윈 세트는 이벤트 조사와 연관된 항구 기반구조 시설의 적어도 일부를 적어도 부분적으로 표현하고, 이벤트 조사의 타임라인을 적어도 부분적으로 상세화하고 항구 기반구조 시설과 연관되도록 구성된다. 실시예에서, 디지털 트윈 세트는 법적 절차와 연관된 항구 기반구조 시설의 적어도 일부를 적어도 부분적으로 나타내고, 법적 절차와 관련되고 항구 기반구조 시설과 연관된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈 세트는 손해 예상과 연관된 항구 기반구조 시설의 적어도 일부를 적어도 부분적으로 표현하고 손해 보고 및 연관된 항구 기반구조 시설에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다.
실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 항구 기반구조 시설 내의 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 기대 상태의 뷰를 포함한다. 실시예에서, 디지털 트윈의 세트는 항구 기반구조 시설의 적어도 일부의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다.
실시예에서, 방법, 시스템 및 장치는 물리적 아이템에 대한 데이터 수집기의 세트와, 쉽야드 시설 및 운영자의 세트 중 적어도 하나를 위한 디지털 트윈의 세트 사이에서 데이터를 상관시킴으로써 쉽야드 시설의 도난 또는 오용을 식별하는 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 쉽야드 시설 및 운영자 세트 중 적어도 하나를 위한 디지털 트윈 세트는 쉽야드 시설과 연관된 속성에 대한 변경의 하나 이상의 추천 세트와 조합하여 하나 이상의 속성을 포함한다.
실시예에서, 디지털 트윈의 세트는 쉽야드 시설 내의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈의 세트는 지오펜싱된 영역 내의 쉽야드 시설 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 디지털 트윈의 세트는 이벤트 조사와 연관된 쉽야드 시설의 적어도 일부를 적어도 부분적으로 표현하고, 이벤트 조사의 타임라인을 적어도 부분적으로 상세화하고 항구 기반구조 시설과 연관되도록 구성된다. 실시예에서, 디지털 트윈 세트는 법적 절차와 연관된 쉽야드 시설의 적어도 일부를 적어도 부분적으로 나타내고 법적 절차와 관련되고 쉽야드 시설과 연관된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다. 실시예에서, 디지털 트윈의 세트는 손해 예상과 연관된 쉽야드 시설의 적어도 일부를 적어도 부분적으로 표현하고, 손해 보고 및 연관된 쉽야드 시설에 관련된 타임라인의 적어도 일부를 적어도 부분적으로 상세화하도록 구성된다.
실시예에서, 디지털 트윈은 적어도 하나의 운영자를 위해 쉽야드 시설 내의 하나 이상의 물리적 아이템을 상세화하며, 이는 하나 이상의 물리적 아이템의 적어도 일부의 기대 상태의 뷰를 포함한다. 실시예에서, 디지털 트윈 세트는 쉽야드 시설의 적어도 일부의 표현을 지오펜스에 인접한 해양 환경의 표현과 통합하는 적어도 하나의 지오펜스의 추가 시각화를 제공한다.
실시예에서, 방법, 시스템 및 장치는, 지오펜스 파라미터의 세트를 결정하고 해양 엔티티의 세트의 표현을 해양 환경의 표현과 통합하는 디지털 트윈에서의 적어도 하나의 지오펜스를 표현하도록 인공 지능 시스템을 훈련시키기 위해 데이터 소스로부터 수집된 해양 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 해양 엔티티의 세트는 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈은 실세계 쉽야드를 표현하도록 구성되고 지오펜스 파라미터는 실세계 쉽야드 내의 위치를 포함한다.
실시예에서, 해양 엔티티의 세트는 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈은 실세계 해양 항구를 표현하도록 구성되고 지오펜스 파라미터는 실세계 해양 항구 내의 위치를 포함한다.
실시예에서, 해양 엔티티의 세트는 하나 이상의 컨테이너 선박과 연관된다. 실시예에서, 디지털 트윈은 지오펜스 파라미터에 대해 하나 이상의 컨테이너 선박을 표현하도록 구성된다. 실시예에서, 해양 엔티티의 세트는 하나 이상의 컨테이너 바지선과 연관된다. 실시예에서, 디지털 트윈은 지오펜스 파라미터에 대해 하나 이상의 바지선을 표현하도록 구성된다. 실시예에서, 해양 엔티티의 세트는 이벤트 조사와 연관된다. 실시예에서, 디지털 트윈은 이벤트 조사와 연관된 타임라인 동안 상호작용하는 것 또는 이벤트 조사와 연관된 제안에 기초하여 작용할 것으로 예측되는 것 중 적어도 하나에 따라 해양 엔티티의 세트를 적어도 부분적으로 표현하도록 구성된다.
실시예에서, 해양 엔티티의 세트는 법적 절차와 연관된다. 실시예에서, 디지털 트윈은 법적 절차와 연관된 타임라인 동안 상호작용하는 것 또는 법적 절차와 연관된 제안에 기초하여 작용할 것으로 예측되는 것 중 적어도 하나에 따라 해양 엔티티의 세트를 적어도 부분적으로 표현하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 손해 보고와 관련된다. 실시예에서, 해양 엔티티의 세트의 디지털 트윈은 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터에 기초하여 손해 보고와 관련된 손실의 가능성을 시뮬레이션하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 해양 엔티티의 세트 상의 하나 이상의 물리적 아이템에 대한 데이터 수집기의 세트와, 항구 기반구조 시설 및 운영자의 세트 중 적어도 하나를 위해 해양 엔티티의 세트와 연관된 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 해양 엔티티의 세트 상에 포함된 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다.
실시예에서, 해양 엔티티의 세트는 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류되는 컨테이너 선박이다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 적어도 물 및 날씨 조건에 대한 전진 속도 및 선박 상의 추진 유닛의 에너지 소비와 연관된 파라미터를 갖는 선박에 기초한다.
정보 기술 시스템은 또한 밸류 체인 네트워크 관리 플랫폼과 연관된 자산 관리 애플리케이션 및 선박에 연결된 하나 이상의 해양 엔티티를 포함한다. 실시예에서, 자산 관리 애플리케이션은 바지선에 연결된 하나 이상의 선박과 연관된다.
실시예에서, 해양 엔티티의 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 내비게이션 코스의 시각화를 제공한다. 실시예에서, 해양 엔티티의 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 엔진 성능의 시각화를 제공한다. 실시예에서, 해양 엔티티의 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 선체 무결성의 시각화를 제공한다.
실시예에서, 디지털 트윈은 해양 엔티티의 세트 상의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화를 제공한다.
실시예에서, 디지털 트윈은 지오펜싱된 파라미터 내의 해양 엔티티의 세트의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화를 추가로 제공한다. 실시예에서, 디지털 트윈은 지오펜싱된 파라미터 내에서의 해양 엔티티에 대한 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 추가로 제공한다. 실시예에서, 데이터 소스로부터 수집된 해양 결과, 파라미터, 및 데이터의 훈련 세트는 배송 활동의 세트와 관련된다.
실시예에서, 방법, 시스템 및 장치는 해양 엔티티의 세트의 표현을 해양 환경의 표현과 통합하는 디지털 트윈에서 적어도 하나의 지오펜스를 표현하고 지오펜스 파라미터의 세트를 결정하도록 인공 지능 시스템을 훈련시키기 위해 배송 활동의 세트에 관련된 데이터 소스로부터 수집된 해양 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 해양 엔티티의 세트는 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈은 실세계 쉽야드 및 그 연관된 배송 활동의 세트를 표현하도록 구성되고, 지오펜스 파라미터는 실세계 쉽야드 내의 위치를 포함한다. 실시예에서, 해양 엔티티의 세트는 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈은 실세계 해양 항구 및 그 연관된 배송 활동의 세트를 표현하도록 구성되고, 지오펜스 파라미터는 실세계 해양 항구 내의 위치를 포함한다. 실시예에서, 해양 엔티티의 세트는 하나 이상의 컨테이너 선박과 연관된다. 실시예에서, 디지털 트윈은 지오펜스 파라미터에 대한 하나 이상의 컨테이너 선박 및 그 연관된 배송 활동의 세트를 나타내도록 구성된다.
실시예에서, 해양 엔티티 세트는 하나 이상의 컨테이너 바지선과 연관된다. 실시예에서, 디지털 트윈은 지오펜스 파라미터에 대한 하나 이상의 바지선 및 그 연관된 배송 활동의 세트를 나타내도록 구성된다. 실시예에서, 해양 엔티티의 세트는 이벤트 조사와 연관된다. 실시예에서, 디지털 트윈은 이벤트 조사와 연관된 타임라인 상에서 적어도 부분적으로 상세화된 해양 엔티티의 세트 및 연관된 배송 활동의 세트를 적어도 부분적으로 표현하도록 구성된다. 실시예에서, 해양 엔티티의 세트는 법적 절차와 연관된다. 실시예에서, 디지털 트윈은 법적 절차와 연관된 타임라인 동안 상호작용하는 것 또는 법적 절차와 연관된 제안에 기초하여 작용할 것으로 예측되는 것 중 적어도 하나에 따라 해양 엔티티의 세트를 적어도 부분적으로 표현하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 손해 보고와 관련된다. 실시예에서, 해양 엔티티의 세트의 디지털 트윈은 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터에 기초하여 손해 보고와 관련된 손실의 가능성을 시뮬레이션하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 해양 엔티티의 세트 상의 하나 이상의 물리적 아이템에 대한 데이터 수집기의 세트와, 항구 기반구조 시설 및 운영자의 세트 중 적어도 하나를 위해 해양 엔티티의 세트와 연관된 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 해양 엔티티의 세트 상에 포함된 물리적 아이템의 도난 또는 오용을 식별하는 것을 용이하게 한다.
실시예에서, 해양 엔티티의 세트는 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류되는 컨테이너 선박이다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 적어도 물 및 날씨 조건에 대한 전진 속도 및 선박 상의 추진 유닛의 에너지 소비와 연관된 파라미터를 갖는 선박에 기초한다.
실시예에서, 정보 기술 시스템은 또한 밸류 체인 네트워크 관리 플랫폼과 연관된 자산 관리 애플리케이션 및 선박에 연결된 하나 이상의 해양 엔티티를 갖는다. 실시예에서, 자산 관리 애플리케이션은 바지선에 연결된 하나 이상의 선박과 연관된다. 실시예에서, 해양 엔티티의 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 내비게이션 코스의 시각화를 제공한다. 실시예에서, 해양 엔티티의 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 엔진 성능의 시각화를 제공한다. 실시예에서, 해양 엔티티의 세트는 하나 이상의 선박을 포함한다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 선체 무결성의 시각화를 제공한다.
실시예에서, 디지털 트윈은 해양 엔티티의 세트 상의 복수의 검사 지점, 및 이들 검사 지점과 연관된 유지보수 이력 및 배송 활동의 세트 중 하나의 시각화를 제공한다. 실시예에서, 디지털 트윈은 지오펜싱된 파라미터 내의 해양 엔티티의 세트의 복수의 검사 지점 및 그러한 검사 지점과 연관된 배송 활동의 세트 및 유지보수 이력 중 하나의 시각화를 추가로 제공한다. 실시예에서, 디지털 트윈은 지오펜싱된 파라미터 내의 해양 엔티티에 대한 복수의 검사 지점 및 유지보수 이력 및 그러한 검사 지점과 연관된 배송 활동의 세트 중 하나의 시각화와 연관된 활동의 원장의 세부사항을 추가로 제공한다.
실시예에서, 방법, 시스템 및 장치는 실세계 해양 항구를 표현하는 디지털 트윈을 생성하는 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다.
실시예에서, 실세계 해양 항구를 나타내는 디지털 트윈은 하나 이상의 컨테이너 선박을 포함한다. 실시예에서, 실세계 해양 항구를 나타내는 디지털 트윈은 하나 이상의 바지선을 포함한다. 실시예에서, 실세계 해양 항구를 표현하는 디지털 트윈은 육상에 또는 그에 인접하여 설치된 항구 기반구조의 하나 이상의 컴포넌트를 포함한다.
실시예에서, 실세계 해양 항구를 표현하는 디지털 트윈은 또한 항구 기반구조의 컴포넌트에 계류된 컨테이너 선박을 포함한다. 실시예에서, 실세계 해양 항구를 나타내는 디지털 트윈은 수상에 배치된 하나 이상의 계류된 내비게이션 유닛을 포함한다. 실시예에서, 실세계 해양 항구를 나타내는 디지털 트윈은 바지선에 연결된 하나 이상의 선박을 포함한다.
실시예에서, 실세계 해양 항구를 나타내는 디지털 트윈은 선박을 포함한다. 실시예에서, 디지털 트윈은 실세계 해양 항구에 기초하여 시뮬레이션된 해양 항구에서 선박의 내비게이션 코스의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 선박이 실세계 해양 항구 주위를 이동할 때 배출 프로파일을 포함하는 선박의 엔진 성능의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 수심을 갖는 경로 상에서 실세계 해양 항구를 통해 이동할 때 선박의 선체의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 실세계 쉽야드 내의 해저의 일부에 대한 선체의 일부의 근접성의 시각화를 추가로 제공하도록 구성된다. 실시예에서, 디지털 트윈은 적어도 실세계 해양 항구에서의 실제 활동의 일부와 실세계 해양 항구의 디지털 트윈에 의해 제공되는 시뮬레이션의 조합에 기초하여 실세계 해양 항구를 통해 수심을 유지하기 위한 유지보수 스케줄의 일부를 생성하는 인공 지능 시스템으로부터의 제안을 디스플레이한다. 실시예에서, 디지털 트윈은 실세계 해양 항구에서의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내에 있을 때 실세계 해양 항구에서의 복수의 검사 지점 및 그 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 실세계 해양 항구의 지오펜싱된 영역 내에서 복수의 검사 지점 및 그 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다. 실시예에서, 디지털 트윈은 실세계 해양 항구의 제1 지오펜싱된 영역 내의 선박의 내비게이션 코스 및 선박의 엔진 성능 중 하나의 제1 사용자를 위한 추가 시각화를 제공하고, 실세계 해양 항구의 제2 상이한 지오펜싱된 영역 내의 선박의 내비게이션 코스 및 선박의 엔진 성능 중 하나의 제2 사용자를 위한 추가 시각화를 제공하도록 구성되고, 제1 지오펜싱된 영역과 제2 지오펜싱된 영역 사이의 이동은 선박을 포함하는 실세계 해양 항구를 표현하는 디지털 트윈에 의해 표시된 바와 같이 제1 사용자와 제2 사용자 사이의 선박의 핸드오프를 기동한다.
실시예에서, 방법, 시스템 및 장치는 실세계 쉽야드를 나타내는 디지털 트윈을 생성하기 위한 밸류 체인 네트워크 관리 플랫폼을 갖는 정보 기술 시스템을 포함한다. 실시예에서, 실세계 쉽야드를 나타내는 디지털 트윈은 하나 이상의 컨테이너 선박을 포함한다. 실시예에서, 실세계 쉽야드를 나타내는 디지털 트윈은 하나 이상의 바지선을 포함한다. 실시예에서, 실세계 쉽야드를 나타내는 디지털 트윈은 육상에 또는 그에 인접하여 설치된 항구 기반구조의 하나 이상의 컴포넌트를 포함한다. 실시예에서, 실세계 쉽야드를 나타내는 디지털 트윈은 또한 항구 기반구조의 컴포넌트에 계류된 컨테이너 선박을 포함한다.
실시예에서, 실세계 쉽야드를 나타내는 디지털 트윈은 수상에 배치된 하나 이상의 계류된 내비게이션 유닛을 포함한다. 실시예에서, 실세계 쉽야드를 나타내는 디지털 트윈은 바지선에 연결된 하나 이상의 선박을 포함한다. 실시예에서, 실세계 쉽야드를 나타내는 디지털 트윈은 선박을 포함한다. 실시예에서, 디지털 트윈은 실세계 쉽야드에 기초하여 시뮬레이션된 쉽야드에서 선박의 내비게이션 코스의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 선박이 실세계 쉽야드 주위를 이동할 때 배출 프로파일을 포함하는 선박의 엔진 성능의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 수심을 갖는 경로 상에서 실세계 쉽야드를 통해 이동할 때 선박의 선체의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 실세계 쉽야드 내의 해저의 일부에 대한 선체의 일부의 근접성의 시각화를 추가로 제공하도록 구성된다. 실시예에서, 디지털 트윈은 적어도 실세계 쉽야드에서의 실제 활동의 일부와 실세계 쉽야드의 디지털 트윈에 의해 제공되는 시뮬레이션의 조합에 기초하여 실세계 쉽야드를 통해 수심을 유지하기 위한 유지보수 스케줄의 일부를 생성하는 인공 지능 시스템으로부터의 제안을 디스플레이한다. 실시예에서, 디지털 트윈은 실세계 쉽야드에서의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내에 있을 때 실세계 쉽야드에서의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 제공하도록 구성된다. 실시예에서, 디지털 트윈은 실세계 쉽야드의 지오펜싱된 영역 내에서 복수의 검사 지점 및 그 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 제공하도록 구성된다.
실시예에서, 디지털 트윈은 실세계 쉽야드의 제1 지오펜싱된 영역 내의 선박의 내비게이션 코스 및 선박의 엔진 성능 중 하나의 제1 사용자를 위한 추가 시각화 및 실세계 쉽야드의 제2 상이한 지오펜싱된 영역 내의 선박의 내비게이션 코스 및 선박의 엔진 성능 중 하나의 제2 사용자를 위한 추가 시각화를 제공하도록 구성되고, 제1 지오펜싱된 영역과 제2 지오펜싱된 영역 사이의 이동은 선박을 포함하는 실세계 쉽야드를 표현하는 디지털 트윈에 의해 표시된 바와 같이 제1 사용자와 제2 사용자 사이의 선박의 핸드오프를 기동한다.
실시예에서, 방법, 시스템 및 장치는 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터에 기초하여 해양 밸류 체인 네트워크 엔티티의 디지털 트윈을 자동으로 채우기 위한 지능형 시스템의 세트를 갖는 정보 기술 시스템을 포함한다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 실세계 쉽야드와 연관된다. 실시예에서, 디지털 트윈은 실세계 쉽야드를 나타내도록 구성된다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 실세계 해양 항구와 연관된다. 실시예에서, 디지털 트윈은 실세계 해양 항구를 표현하도록 구성된다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 컨테이너 선박과 연관된다. 실시예에서, 디지털 트윈은 컨테이너 선박을 표현하도록 구성된다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 바지선과 연관된다. 실시예에서, 디지털 트윈은 바지선을 표현하도록 구성된다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 항구 기반구조와 연관된다. 실시예에서, 디지털 트윈은 항구 기반구조의 하나 이상의 컴포넌트를 나타내도록 구성된다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 이벤트 조사와 연관된다. 실시예에서, 디지털 트윈은 이벤트 조사와 연관된 타임라인 동안 상호작용할 때 해양 밸류 체인 네트워크 엔티티를 적어도 부분적으로 표현하도록 구성된다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 법적 절차와 연관된다. 실시예에서, 디지털 트윈은 법적 절차와 연관된 타임라인 동안 상호작용할 때 해양 밸류 체인 네트워크 엔티티를 적어도 부분적으로 표현하도록 구성된다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 손해 보고에 관한 것이다. 실시예에서, 해양 밸류 체인 네트워크 엔티티의 디지털 트윈은 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터에 기초하여 손해 보고와 관련된 손실의 가능성을 시뮬레이션하도록 구성된다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 항구 기반구조 시설이다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 항구 기반구조 시설 내의 하나 이상의 물리적 아이템에 대한 데이터 수집기 세트와, 항구 기반구조 시설 및 운영자 세트 중 적어도 하나를 위해 항구 기반구조 시설의 하나 이상의 물리적 아이템을 상세화하는 디지털 트윈 사이에서 데이터를 상관시킴으로써 항구 기반구조 시설의 도난 또는 오용을 식별하는 것을 용이하게 한다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류되는 컨테이너 선박이다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 적어도 물 및 날씨 조건에 대한 전진 속도 및 컨테이너 선박 상의 추진 유닛의 에너지 소비와 연관된 파라미터를 갖는 컨테이너 선박에 기초한다. 정보 기술 시스템은 또한 밸류 체인 네트워크 관리 플랫폼과 연관된 자산 관리 애플리케이션 및 컨테이너 선박에 연결된 하나 이상의 해양 시설을 갖는다. 실시예에서, 자산 관리 애플리케이션은 바지선에 연결된 하나 이상의 선박과 연관된다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 선박이다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 내비게이션 코스의 시각화를 제공한다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 선박이다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 엔진 성능의 시각화를 제공한다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 선박이다. 실시예에서, 디지털 트윈은 하나 이상의 선박의 선체 무결성의 시각화를 제공한다. 실시예에서, 디지털 트윈은 해양 밸류 체인 네트워크 엔티티 상의 복수의 검사 지점 및 이들 검사 지점과 연관된 유지보수 이력의 시각화를 제공한다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내의 해양 밸류 체인 네트워크 엔티티 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화를 추가로 제공한다. 실시예에서, 디지털 트윈은 지오펜싱된 영역 내의 해양 밸류 체인 네트워크 엔티티 상의 복수의 검사 지점 및 그러한 검사 지점과 연관된 유지보수 이력의 시각화와 연관된 활동의 원장의 세부사항을 추가로 제공한다.
본 개시의 보다 완전한 이해는 다음 설명 및 첨부 도면 및 청구범위로부터 이해될 것이다.
도 6을 참조하면, 밸류 체인 네트워크 관리 플랫폼(604)은 공급 및 생산 인자, 수요 인자, 물류 및 유통 인자 등을 포함하는 해양 자산, 활동, 물류, 및 계획에 적용될 때 밸류 체인 네트워크(668)에 수반되는 다양한 엔티티 및 활동을 계획, 모니터링, 제어, 및 최적화하는 데 수반되는 다양한 인자를 오케스트레이션한다. 관리 플랫폼(604)은 공급 인자 및 수요 인자의 모니터링 및 관리, 수요 인자가 이해되고 설명될 때, 주문이 생성되고 주문 처리될 때, 그리고 제품이 생성되고 공급 체인을 통해 이동될 때 다양한 엔티티에 관한 그리고 이들 사이의 상태 정보의 공유를 용이하게 할 수 있다. 도 7을 참조하면, 관리 플랫폼(604)은 해양 시설(622)을 포함하고 그에 연결할 수 있는 다양한 배달 시스템(632)을 포함하는 밸류 체인 네트워크 엔티티(652)의 세트를 포함할 수 있다. 해양 시설(622)은 항구 기반구조 시설(660), 플로팅 자산(620), 및 쉽야드(638) 등을 포함할 수 있다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)은 해양 환경에서 적용가능한 광범위한 밸류 체인 네트워크(668) 프로세스, 작업흐름, 활동, 이벤트 및 애플리케이션(630)의 관리(및 일부 경우에서는 자율적 또는 반자율적 거동)를 모니터링, 제어, 및 달리 가능하게 한다.
도 6 및 도 11을 참조하면, 해양 환경에 배치된 관리 플랫폼(604)은 데이터 취급 계층(624)의 세트를 포함할 수 있으며, 예컨대, 이들 각각은 해양 환경에서의 매우 다양한 밸류 체인 네트워크 애플리케이션 및 최종 사용을 위해, 자동화, 기계 학습, 인공 지능의 애플리케이션, 지능형 트랜잭션, 상태 관리, 이벤트 관리, 프로세스 관리 등을 용이하게 하기 위해, 지능의 개발 및 배치를 용이하게 하는 능력의 세트를 제공하도록 구성된다. 실시예에서, 데이터 취급 계층(624)은 밸류 체인 모니터링 시스템 계층(614)에 의한 관리 플랫폼(604) 내의 다수의 애플리케이션 및 사용에 걸친 공유 데이터 수집 및 분배를 용이하게 하는 토폴로지로 구성된다. 밸류 체인 모니터링 시스템 계층(614)은 밸류 체인 엔티티(652)로부터 또는 그에 관해 수집된 데이터 뿐만 아니라, 또한 다양한 데이터 계층(624) 또는 서비스 또는 컴포넌트로부터 또는 그에 관해 수집된 데이터를 수집 및 조직화하기 위한, 일부 경우에서 편의상 데이터 수집 시스템(640)이라고 지칭되는, 다양한 데이터 수집 및 관리 시스템(640)을 포함하고, 이들과 통합되고, 및/또는 이들과 협력할 수 있다.
실시예에서, 데이터 취급 계층(624)은 일부 경우에서 편의상 간단히 데이터 저장 계층(624) 또는 저장 계층(624)이라고 본 출원에서 지칭되는 밸류 체인 네트워크 지향 데이터 저장 시스템 계층(624)에 의한 플랫폼(604)의 다수의 애플리케이션 및 사용에 걸친 공유 또는 공통 데이터 저장을 용이하게 하는 토폴로지로 구성된다. 예를 들어, 밸류 체인 엔티티(652)에 관해 수집된 다양한 데이터 뿐만 아니라 다른 데이터 취급 계층(624)에 의해 생성된 데이터가 데이터 저장 계층(624)에 저장될 수 있어서, 다양한 데이터 취급 계층(624)의 서비스, 애플리케이션, 프로그램 등 중 임의의 것이 공통 데이터 소스에 액세스할 수 있으며, 공통 데이터 소스는 이종 물리적 및/또는 가상 저장 위치에 걸쳐 분산되는 단일 논리적 데이터 소스를 포함할 수 있다. 이는 애플리케이션(630) 및 밸류 체인 네트워크의 사용이 성장하고 증식함에 따라 밸류 체인 네트워크 엔티티(652)에 의해 또는 그에 관해 생성되는 엄청난 양의 데이터를 취급하는 데 필요한 데이터 저장소의 양의 극적인 감소를 용이하게 할 수 있다. 예를 들어, 기계 또는 장비의 아이템에 대한 대체 부품을 주문하기 위한 것과 같은, 밸류 체인 관리 플랫폼 계층(604)에서의 공급 체인 또는 재고 관리 애플리케이션은 선박의 컴포넌트 또는 항구의 시설이 대체 부품을 요구할 가능성이 있는지를 예측하기 위해 사용되는 예측 유지보수 애플리케이션으로서 기계의 세트에 대해 어떤 부품이 대체되었는지에 관한 동일한 데이터 세트에 액세스할 수 있다. 유사하게, 아이템의 재공급과 관련하여 예측이 사용될 수 있다.
도 6 및 도 12를 참조하면, 밸류 체인 네트워크 지향 데이터 저장 시스템 계층(624)은, 제한 없이, 물리적 저장 시스템, 가상 저장 시스템, 로컬 저장 시스템(1190), 분산형 저장 시스템, 데이터베이스, 메모리, 네트워크 기반 저장, 네트워크 부착형 저장 시스템을 포함할 수 있다. 실시예에서, 저장 계층(624)은, 방향성 비순환 그래프, 데이터 맵, 데이터 계층구조, 링크 및 노드를 포함하는 데이터 클러스터, 자기-조직화 맵 등과 같은, 그래프 데이터베이스 아키텍처(1124) 내의 하나 이상의 지식 그래프에 데이터를 저장할 수 있다. 실시예에서, 데이터 저장 계층(624)은, 본 출원에 설명된 엔티티 중 임의의 것을 비롯하여, 예컨대, 시간 경과에 따라 엔티티(652)의 직렬 또는 다른 기록을 유지하기 위해, 디지털 스레드, 원장, 분산 원장 등에 데이터를 저장할 수 있다. 실시예에서, 저장 계층(624)은, 예컨대, 역할 기반일 수 있거나 밸류 체인 엔티티(652), 서비스, 또는 하나 이상의 애플리케이션(630)과 연관된 자격증명에 기초할 수 있는 액세스 제어와 함께, 아이덴티티 데이터, 트랜잭션 데이터, 과거 상호작용 데이터 등을 저장하는 것과 같은 하나 이상의 블록체인(1180)을 포함할 수 있다. 데이터 저장 시스템(624)에 의해 저장된 데이터는 회계 및 다른 재무 데이터(730), 액세스 데이터(734), 자산 및 시설 데이터(1032), 자산 태그 데이터(1178), 작업자 데이터(1032), 이벤트 데이터(1034), 위험 관리 데이터(732), 가격 데이터(738), 안전 데이터(664) 등을 포함할 수 있다.
도 8을 참조하면, 밸류 체인 네트워크 관리 플랫폼(604)은 밸류 체인 엔티티(652)의 하나 이상의 세트를 포함하고, 밸류 체인 엔티티는 관리 플랫폼(604)에 의한 관리가 적용될 수 있고, 관리 플랫폼(604)과 통합되거나 그에 통합될 수 있고, 및/또는 광범위한 밸류 체인 활동을 위한 또는 그에 수반되는 것 같이 관리 플랫폼(604)에 입력을 공급하고 및/또는 그로부터 출력을 취할 수 있다. 이러한 밸류 체인 엔티티(652)는 해양 시설(622)을 포함하는 광범위한 운영 시설(712)을 지원할 수 있는 매우 다양한 자산, 시스템, 디바이스, 기계, 컴포넌트, 장비, 시설, 및 개인 중 임의의 것을 포함할 수 있다. 도 63을 참조하면, 해양 시설은 항구 기반구조 시설(1034)을 포함할 수 있다. 실시예에서, 항구 기반구조 시설(1034)은, 적용 가능한 경우, 도크(7002), 야드(7004), 크레인(7008), 롤-온/롤-오프 시설(7010), 램프(7012), 컨테이너(7014), 컨테이너 취급 시스템(7018), 수로(732), 및 잠금 장치(7020)를 포함할 수 있다. 실시예에서, 도크(7002) 및 인접 영역은 부두(7022), 수조(7024), 적층 영역(7028), 저장 영역(7030), 및 웨어하우스(7032)를 포함할 수 있다. 실시예에서, 컨테이너 취급 시스템(7018)은 예컨대 크레인(예를 들어, 고트발트 크레인, 갠트리 크레인 등), 스트래들 캐리어, 멀티트레일러, 리치 스태커 등과 같은 배송 컨테이너를 이동시키기 위한 하나 이상의 포테이너 또는 다른 시스템을 모니터링, 보고 또는 관리하기 위한, 포테이너 추적 시스템 및 센서(7040)를 포함할 수 있다. 실시예에서, 항구 기반구조 시설(1034)은 스트래들 캐리어와 같은 컨테이너(7014)를 이동시키는 데 사용될 수 있는 갠트리 크레인(7042) 및 항구 차량(7044)을 더 포함할 수 있다. 실시예에서, 항구 기반구조 시설(1034)은 또한 전용 적층 영역(7052)을 갖는 냉장 컨테이너(7050) 및 냉장 컨테이너(7050) 내의 제어된 환경을 유지하기 위한 냉각 기반구조를 포함한다.
항구 기반구조 시설(1034)은 쉽야드 시설(638) 및 플로팅 자산(620)을 더 포함한다. 플로팅 자산(620)은 선박(7060) 및 보트, 컨테이너 선박(7062), 바지선(7064), 예인선(7068, 7070), 및 소형보트(7072) 뿐만 아니라 잠수함, 수중 드론 등과 같은 부분적 플로팅 자산을 포함할 수 있다. 이러한 예에서, 플로팅 자산(620)은 원산지 지점(610) 및/또는 목적지 지점(628)에서 시설 및 다른 아이템 사이에서 동작할 수 있다. 쉽야드 시설(638)은 많은 플로팅 자산(620)과 같은 운반 시설(710) 뿐만 아니라 트럭, 기차 등과 같은 상품을 운반하기 위해 사용되는 육상 기반 차량 및 다른 배달 시스템(632)을 포함할 수 있다.
도 63을 참조하면, 관리 플랫폼(604)에 의한 깊게 상호연결된 밸류 체인 네트워크 엔티티(652)의 세트의 오케스트레이션은 로컬 네트워크 연결, 피어-투-피어 연결, 하나 이상의 모바일 네트워크를 통한 연결, 및 클라우드 네트워크 시설을 통한 연결, 위성 업링크, 마이크로파 통신 또는 다른 연결을 사용하여 밸류 체인 네트워크 엔티티(652)에 대한 상호연결성을 제공하는 것을 포함할 수 있다. 관리 플랫폼(604)은, 플로팅 자산(620)이 항구 또는 다른 육상 기반 통신 시스템에 더 가까울 때에 비해 연결성이 열악하거나 존재하지 않을 수 있는 많은 해양 환경들에 있음을 인지하면서, 연결을 관리하고, 연결성을 가능하게 하기 위해 리소스를 구성 또는 프로비저닝하고, 및/또는 연결을 이용하여 애플리케이션(630)을 관리할 수 있다. 많은 예에서, 배송 컨테이너(7080)를 보유하기 위한 야드와 같은 항구 기반구조 시설(660)은 플로팅 자산(620)으로의 연결을 통해 플로팅 자산(620)의 플릿에게 항구가 용량 한계에 근접했음을 알릴 수 있다. 이러한 지식으로, 플로팅 자산(620) 이동은 도달을 지연시키기 위한 접근 속도, 다른 항구로의 방향 등을 감소시키는 것을 포함하여 시간을 연장하도록 변경될 수 있다. 다른 예에서, 항구 용량 한계 도달에 대한 뉴스는 항구에 도달하려고 플로팅 자산(620)과 협상 프로세스를 시작하게 할 수 있다. 실시예에서, 플로팅 자산(620)과의 협상 프로세스는 규칙의 세트에 기초하고 잔여 용량에 대한 스마트 계약에 의해 관장되고 일부 플로팅 자산(620)이 대안적인 항구 또는 보유 시설로 재지향될 수 있게 하는 자동화된 협상을 포함할 수 있다.
실시예에서, 해양 시설(622)은 많은 상이한 선박(7060)을 포함하는 플로팅 자산(620)을 포함할 수 있다. 도 64 및 도 65를 참조하면, 선박(7060)은 많은 배송 컨테이너(7080)를 운반할 수 있는 하나 이상의 컨테이너 선박(7062)일 수 있다. 다른 예에서, 선박(7060)은 원료, 벌크 가공 상품, 가스 화물 및 배송 컨테이너(7080) 내에서 달리 수송되지 않는 많은 다른 형태의 화물을 운반할 수 있는 하나 이상의 컨테이너 선박(7062)일 수 있다. 많은 예에서, 선박(7060)은 선수 영역(7100)을 포함할 수 있다. 선수 영역(7100)은 구상 선수(bulbous bow)(7102)를 포함할 수 있다. 일부 예에서, 구상 선수(7102)는 관리 플랫폼(604)으로부터의 제어에 응답하여 현장에서 구성될 수 있다. 선수 영역(7100)으로부터 내부에서 선박(7060)의 선미 영역(7104)을 향해 이동하여, 선박(7060)은 포어피크 탱크(forepeak tank)(7110)를 포함할 수 있다. 이 동일한 영역에서, 선박(7060)은 하나 이상의 선수 앵커(7112) 및 선수 스러스터(7114)를 포함할 수 있다. 다양한 통로(7118)가 선수 영역(7100)에 이들 영역을 연결한다. 선박(7060)의 구성에 따라, 홀드(7120)는 제품(650), 원료, 프로세스 중의 재료 및 이들의 조합과 같은 다양한 제품을 수용하도록 구성 및 재구성될 수 있다. 일부 예에서, 선박(7060)은 다수의 홀드(7120)를 포함할 수 있다. 예에서, 컨테이너 선박(7062)은 8개의 홀드로 구성될 수 있다: 컨테이너 홀드(7130, 7132, 7134, 7138, 7140, 7142, 7144, 7148). 선미 영역(7104)을 향해, 선박(7060)은 하나 이상의 추진 유닛(7152)을 포함하는 엔진 룸(7150)을 포함한다. 하나 이상의 추진 유닛(7152) 각각은 연료 시스템(7154)에 의해 공급되고 그 배출물은 배기 시스템(7158)에 의해 제어된다. 선박(7060) 상의 다양한 위치에서, 하나 이상의 핀 안정기(7160)가 배치될 수 있다. 선미 영역(7104)에서, 선박(7060)은 후방 데크 영역(7162) 아래에 조향 기어 영역(7160)을 포함한다. 하나 이상의 러더(7164)가 조향 기어 영역(7160)으로부터 연장될 수 있다.
하나 이상의 프로펠러(7170)는 회전 동력 연결로 선미 영역(7104)으로부터 추진 유닛으로 연장될 수 있다. 실시예에서, 하나 이상의 프로펠러(7170)는 추진 유닛에 대한 전기적 연결로 선박(7060)으로부터 연장될 수 있지만 물리적 회전 동력 연결은 없다. 실시예에서, 하나 이상의 프로펠러(7170)는 유압 연결로 선박(7060)으로부터 추진 유닛으로 연장될 수 있지만 물리적 회전 동력 연결은 없다. 다른 예에서, 증기 또는 다른 작동 유체가 선박(7060)의 추진을 구동하기 위해 이용될 수 있다. 다른 예에서, 기계적 회전 동력, 전기 구동부, 유압 구동부, 증기 및 이들의 다양한 조합이 추진을 위해 사용될 수 있다. 다양한 예에서, 하나 이상의 프로펠러(7170)는 측면 프로펠러(7172) 및 중앙 프로펠러(7174)를 포함할 수 있다. 다른 예에서, 2개의 프로펠러(7170)가 배치될 수 있다. 실시예에서, 프로펠러(7170)는 프로펠러가 회전하는 평면이 선박(7060)에 대해 고정되도록 고정될 수 있다. 이러한 예에서, 프로펠러(7170)는 고정될 수 있고 선박(7060)의 추진 유닛에 대한 기계적 링크에 의해 구동될 수 있다. 다른 예에서, 프로펠러(7170)는 고정될 수 있고 프로펠러(7170) 각각에 인접한 전기 모터에 의해 구동될 수 있다. 실시예에서, 프로펠러(7170)의 위치는 프로펠러가 회전하는 평면이 선박(7060)에 대해 이동 가능하도록 가변적일 수 있다. 이러한 예에서, 프로펠러(7170)는 각각의 프로펠러(7170)에 인접한 전기 모터에 의해 구동될 수 있다. 선박(7060) 상의 하나 이상의 위치에서, 프로펠러(7170)는 독립적으로 제어되고 이동 가능한 전기 구동계 및 프로펠러를 포함할 수 있는 포드 내에 배치될 수 있으며, 따라서, 전체 포드가 전진 추진, 조향, 기동, 도킹, 회피 기동 등을 용이하게 하기 위해 다양한 위치로 이동될 수 있게 된다.
다른 예에서, 선박(7060)은 하나 이상의 밸러스트 탱크(7180)로 구성된다. 다양한 예에서, 선박(7060)은 측면 밸러스트 탱크(7182) 및 깊은 밸러스트 탱크(7184)를 포함할 수 있다. 밸러스트 탱크(7180)는 각각 펌핑 및 배수 시스템(7190), 세정 시스템(7192), 염도, 이물질, 유기 물질, 가비지, 지오펜싱된 영역에 대한 제한된 내용물, 규제 구역, 애드혹 경계 영역 등과 같은 밸러스트 물의 특성을 결정하기 위한 센서(7194)를 포함할 수 있다. 센서(7194)는 또한 피로, 부식, 물리적 손상 등으로부터의 마모를 포함하는 탱크 특성을 결정할 수 있다. 선수 영역(7100)에서, 선박(7060)은 선박(7060)의 특성, 날씨 및 주변 조건(7210), 및 내비게이션 입력(7212)을 관찰하기 위해 다양한 센서(7208)가 위치될 수 있는 윈드라스(windlass)(7200), 앞돛대(7202), 및 크로우-네스트(7204)를 포함할 수 있다. 선박(7060) 상의 다양한 위치에서, 하나 이상의 계류 윈치(7220)가 적합한 계류 연결 지점, 텐더 같은 이동 중인 다른 선박 연결 등과 관련하여 도킹을 보조하도록 배치될 수 있다. 선박(7060) 상의 다양한 위치에서, 하나 이상의 해치 커버(7222)가 선박(7060) 상의 다양한 영역 및 통로에 대한 접근을 허용하도록 배치될 수 있다.
다른 예에서, 선박(7060)은 8개의 홀드로 구성될 수 있는 컨테이너 선박(7062)으로서 구성된다: 컨테이너 홀드(7130, 7132, 7134, 7138, 7140, 7142, 7144, 7148). 다른 예에서, 선박(7060)은 다양한 수의 홀드(7120)를 갖는 컨테이너 선박(7062)으로서 구성된다. 다른 예에서, 선박(7060)은 현장 구성가능한 홀드를 갖는 컨테이너 선박(7062)으로서 구성된다. 다른 예에서, 선박(7060)은 그 일부가 현장 구성가능한 다양한 수의 홀드를 갖는 컨테이너 선박(7062)으로서 구성된다. 실시예에서, 홀드(7120)는 이동 및 화물의 관리에 적합한 홀드 내의 분위기를 용이하게 하도록 전개된 하나 이상의 통기구(7240)를 포함할 수 있다. 실시예에서, 홀드(7120)는 이러한 화물을 위해 구성되거나 재구성된 홀드(7120) 내에 하나 이상의 부하를 고정하기 위한 하나 이상의 리그 및 앵커링 시스템(7242)을 포함할 수 있다. 실시예에서, 홀드(7120)는 이러한 화물을 위해 구성되거나 재구성된 홀드(7120) 내에 하나 이상의 부하를 고정하기 위해 하나 이상의 이동 가능한 배플 및 깔개(7244)를 포함할 수 있다.
다른 예에서, 선박(7060)은 휠하우스(7250) 및 하나 이상의 구명 보트(7252) 및 구명 보트(7254)를 포함한다. 다른 예에서, 선박(7060)은 해상 및 위성 내비게이션 장비(7260)를 포함한다. 이러한 예에서, 선박은 방향 탐지기 안테나(7262), 레이더 스캐너(7264), 신호 야드(7268)를 포함할 수 있다. 이러한 예에서, 선박(7060)은 레이더 마스트(7270) 및 수에즈 시그널 라이트(signal light)(7272), 펀늘(7274) 및 안테나 폴(7278)을 포함한다.
다른 예에서, 선박(7060)은 선박(7060)의 데크(7282) 내에서 그리고 데크 주위에서 그리고 홀드(7120)의 안팎으로 사물을 이동시키는 데 사용될 수 있는 하나 이상의 크레인(7280)을 포함한다. 이러한 예에서, 선박(7060)은 20피트 및 40피트 컨테이너를 포함하는 다양한 크기의 많은 컨테이너를 상단에 수용하거나 운반할 수 있다. 이러한 예에서, 선박(7060)은 20피트 건조 화물 컨테이너, 20피트 개방 상단 컨테이너, 20피트 접을 수 있는 플랫 랙 컨테이너, 20피트 냉장 컨테이너 등을 포함하는 다양한 크기의 많은 컨테이너를 상단에 수용하거나 운반할 수 있다. 이러한 예에서, 선박(7060)은 40피트 높이 큐브 컨테이너, 40피트 개방 상단 컨테이너, 40피트 접을 수 있는 플랫 랙 컨테이너, 40피트 높이 큐브 냉장 컨테이너 등을 포함하는 다양한 크기의 많은 컨테이너를 상단에 수용하거나 운반할 수 있다. 이러한 예에서, 선박(7060)은 45피트 높이 큐브 건조 컨테이너 등을 포함하는 다양한 크기의 많은 컨테이너를 상단에 수용하거나 운반할 수 있다.
실시예에서, 선박(7060)은 선박(7060) 전체에 걸쳐 전력을 공급할 수 있는 디젤 발전기(7280)를 포함하는 엔진 유닛을 포함할 수 있다. 선박(7060)은 또한 중앙 메인 디젤 엔진(7282) 및 하나 이상의 측면 메인 디젤 엔진(7284)을 포함하는 엔진 유닛을 포함할 수 있다. 실시예에서, 선박(7060)은 천연 가스, 프로판, 가솔린, 메탄올 등을 연소시키도록 구성된 엔진 유닛을 포함할 수 있다. 실시예에서, 선박(7060)은 증기 구동 전기 시스템에 물을 가열하는 데 사용될 수 있는 핵 유닛에 의해 구동되도록 구성된 엔진 유닛을 포함할 수 있다. 실시예에서, 선박(7060)은 하이브리드 배열에서 핵 유닛 및 내연 기관에 의해 구동되도록 구성된 엔진 유닛을 포함할 수 있다. 실시예에서, 선박(7060)은 핵 유닛 및 내연 기관에 의해 구동되도록 구성되는 엔진 유닛, 및 태양 및 바람과 같은 하이브리드 배열에서의 다른 재생에너지를 포함할 수 있으며, 여기서 이들 각각은 전력 추진 및 선박 동작에 전기 및 배터리 시스템을 공급할 수 있다.
실시예에서, 선박(7060)은 다수의 격벽(7290)을 포함할 수 있다. 이러한 예에서, 엔진 룸은 다양한 파워플랜트 유닛을 포함하도록 엔진 룸 격벽(7292) 내에 프레임 형성될 수 있다. 실시예에서, 선박(7060)의 화물 및 홀드 영역은 다양한 파워플랜트 유닛을 포함하기 위한 홀드 격벽(7294)을 포함할 수 있다. 실시예에서, 선박(7060)은 구조적 횡방향 격벽(7300) 및 축방향 격벽(7302)을 포함할 수 있다.
실시예에서, 해양 시설(622)은 많은 상이한 바지선(7500)을 포함하는 플로팅 자산(620)을 포함할 수 있다. 도 66을 참조하면, 하나 이상의 바지선(7500)은 크기 및 용량이 가능한 수송 바지선, 화물 바지선, 잠수식 바지선 등일 수 있다. 많은 예에서, 바지선은 많은 다양한 예인 바지선 및 잠수 가능 해비 리프트 선박을 포함하는 자주 추진식 선박에서 이용 가능하다. 많은 예에서, 바지선(7500)은 하나의 위치로부터 다른 위치로 수송하기 위해 예인 보트(7510)에 의해 예인되거나 추진될 수 있다. 많은 예에서, 바지선(7500)은 편평한 상단 및 하단일 수 있고, 내비게이션 조명(7520), 페어리드(7522) 및 예인 지점(7524)을 구비할 수 있다.
일부 예에서, 바지선(7500)은 부유 화물과 같은 화물(7530)을 픽업하기 위해 잠수되도록 설계될 수 있다. 이러한 예에서, 바지선(7500)은 선미 영역(7552)에서 데크 구조(7544)에 대향하는 선수 영역(7550)에서 선실(7540) 및 데크 구조(7542)를 구비할 수 있다. 화물(7530)을 보유하도록 구성 및 재구성될 수 있는 추가 데크 구조(7548)가 선수 영역(7550)과 선미 영역(7552) 사이에 있을 수 있다. 이러한 예에서, 바지선(7500)은 그 자신의 밸러스트 시스템(7560)을 구비할 수 있다. 실시예에서, 바지선(7500)은 모듈형 강철 박스(7570) 및 데크 구조(7542, 7544, 7548)가 수선(7584)을 통과할 때 바지선(7500) 및 그 화물(7530)의 안정성을 향상시키는 것으로 나타날 수 있는 물(7582) 내의 선체(7580)의 추가적인 부분을 효과적으로 제공하기 위해 소정의 미리 결정된 정도로 선미 영역(7552)에 추가될 수 있는 안정성 케이싱(7572)을 포함할 수 있다. 이러한 예에서, 모듈형 강철 박스(7570) 및 안정성 케이싱(7572)은 제거 가능할 수 있고 바지선(7500)의 데크 구조(7542, 7544, 7548) 중 하나 상에 격납되거나 요구되지 않을 때 육상에 저장될 수 있다. 그렇게 함으로써, 바지선(7500)은 더 가벼운 하중이 비교적 더 작은 선체 구조를 보증할 때 비교적 더 효율적일 수 있다.
많은 예에서, 바지선(7500)은 그 길이 및 폭 뿐만 아니라 또한 이들이 어떻게 사용되는지, 발진되는지 등에 의해 분류될 수 있다. 일부 예에서, 하나 이상의 바지선(7500)은 길이가 200 피트 미만이고 폭이 50 피트일 수 있다. 이러한 예에서, 바지선(7500)은 보호된 연안 해역에서 작은 구조를 운반하기 위해 사용될 수 있는 작은 폰툰을 포함할 수 있다. 일부 예에서, 바지선(7500) 중 하나 이상은 약 250 피트 x 70 피트일 수 있고 달리 온보드 밸러스트 시스템 없이 구성된 바지선(7500)을 지지하기 위한 작은 폰툰을 포함할 수 있다. 이러한 예에서, 이러한 구성에서의 바지선은 작은 해양 부하를 수송하고, 항구 기반구조 내에서 그리고 그 근처에서 작업하고, 쉽야드에서 유지보수를 수행하는 등을 위해 사용될 수 있다. 일부 예에서, 바지선(7500) 중 하나 이상은 약 300 피트일 수 있고 90 또는 100 피트 폭일 수 있다. 이러한 예에서, 이러한 구성의 하나 이상의 바지선이 표준 화물 바지선으로서 이용될 수 있으나, 온보드 밸러스트 시스템을 구비하지 않을 수 있다. 일부 예에서, 하나 이상의 바지선(7500)은 약 400 피트 x 100 피트일 수 있고, 이들 바지선은 온보드 밸러스트 시스템을 구비할 수 있다.
일부 예에서, 하나 이상의 바지선(7500)은 약 450 피트 이상일 수 있고 온보드 밸러스트 시스템(7590)과 함께 배치될 수 있다. 이러한 예에서, 하나 이상의 바지선(7500)은 또한 스키드 빔(7592)과 함께 배치될 수 있다. 하나 이상의 바지선(7500)은 또한 예를 들어, 들어올리기에 너무 무거울 수 있는 재킷 또는 다른 하중의 발사를 가능하게 하기 위해 선미 영역(7552)에 로커 아암(7594)과 함께 배치될 수 있다. 예에서, Heerema H851 브랜드 바지선은 명목상 길이 850 피트 x 폭 200 피트이고, 가장 큰 상업적으로 입수가능한 바지선 중 하나의 적합한 예일 수 있다.
실시예에서, 하나 이상의 바지선(7500)은 또한 선미 영역(7552)에 안정성 케이싱(7602)을 구비할 수 있는 예인 바지선일 수 있는 잠수식 바지선(7600)으로서 구성될 수 있다. 예에서, 잠수식 바지선(7600)은 선박 같은 선수 구조(7604)로 구성될 수 있다. 이러한 예에서, 선수 구조(7604)와 같은 선박은 그 데크 구조의 적어도 일부 위에 바지선의 잠수를 가능하게 하기에 충분히 높은 브리지(7608)를 갖고 구성될 수 있다. 예에서, 보아 브랜드 바지선은 400 피트 x 100 피트의 공칭 치수를 갖고, AMT 브랜드 바지선은 470 피트 x 120 피트의 공칭 치수를 갖고, 460 피트 x 120 피트의 공칭 치수를 갖는 현대 브랜드 바지선은 상업적으로 입수가능한 잠수식 바지선의 적합한 예들일 수 있다. 이러한 예에서, 이러한 바지선은 그 데크 위에서 18 내지 24 피트까지 잠수할 수 있다.
본 개시에 비추어, 바지선은 평가되고, 바지선의 운반 용량의 광범위한 표시를 제공하는 재화중량의 관점에서 작업과 페어링된다는 것이 이해될 것이다. 그러나, 바지선은 글로벌 강도, 로컬 데크 및 프레임 강도 및 화물의 무게 중심의 높이와 같은 추가 요건을 갖는다. 무게 중심과 관련하여, 하나의 예시적인 바지선은 20,000톤 구조를 수송할 수 있을 것이고, 그 무게 중심은 데크에 매우 근접하여 데크 상에 충분히 결속되어 지지된다. 화물이 비교적 높은 무게 중심을 갖는 경우에만 동일한 예시적인 바지선이 중량의 절반을 수송할 수 있다. 이를 염두에 두고, 하나 이상의 바지선의 많은 속성은 그 데크 상의 화물의 배치, 배향, 무게 중심 및 중량이다.
실시예에서, 바지선 중 하나는 예인 브라이들(7610)로 선박, 예인선(7510) 등 중 하나에 의해 예인될 수 있다. 많은 예에서, 2개의 라인(7612)은 예인 브래킷(7614)으로부터 바지선 중 하나 상의 페어리드(7618)를 통해 연장되고 예인 새클(7622)을 통해 바지선 상의 트라이플레이트(7620)에 연결될 수 있다. 이 예에서, 제3 라인(7630)은 트라이플레이트(7620)를 예인선(7510) 중 하나 상의 윈치(7640)에 연결할 수 있다. 다른 예에서, 비상 와이어(7642)가 바지선의 길이를 따라 설치될 수 있다. 비상 와이어(7642)는 부표(7650)로 종료될 수 있는 커넥터(7644)에 부착될 수 있다. 부표(7650)는 예인 중에 바지선(7650) 뒤를 따라갈 수 있고 예인 배열의 일부를 형성할 수 있다.
일부 예에서, 바지선의 롤 가속도는 그 경심 높이에 의해 측정될 수 있는 바지선의 횡방향 강성에 정비례할 수 있다. 일부 배열에서, 바지선은 큰 경심 높이를 가질 수 있고, 그 결과, 롤 가속도가 심각할 수 있다. 비교적 높은 화물을 갖는 다른 예에서, 경심 높이는 낮아서 롤의 주기 및 진폭을 초래할 수 있고 하중으로부터 초래되는 정적 힘은 더 크지만 동적 성분은 더 작을 수 있다. 많은 예에서, 바지선(7500)의 속성은 그 데크 구조 상의 화물(7530)의 위치설정 및 그 유효 경심 높이를 포함한다. 다른 예에서, 카운터-롤 메커니즘(7660)이 바지선(7500) 상에 설치될 수 있다. 이러한 예에서, 적응형 지능 계층(614)은 카운터-롤 메커니즘(7660)의 프로그램을 업데이트할 수 있고, 화물 부하 및 물 및 날씨 조건을 변경하는 것에 대한 효능을 증가시키는 것으로 나타날 수 있다. 실시예에서, 적응형 지능 계층(614)은 카운터-롤 메커니즘(7660)의 속도 및 각도를 업데이트할 수 있고, 화물 부하 및 물 및 날씨 조건을 변경하는 것에 대한 효능을 증가시키는 것으로 나타날 수 있다.
실시예에서, 관리 플랫폼(604)은 해양 시설(622)을 포함하고 그에 연결할 수 있는 다양한 배달 시스템(632)을 포함하는 밸류 체인 네트워크 엔티티(652)의 세트를 포함할 수 있다. 해양 시설(622)은 항구 기반구조 시설(660), 플로팅 자산(620), 및 쉽야드(638) 등을 포함할 수 있다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)은 해양 환경에서 적용가능한 광범위한 밸류 체인 네트워크(668) 프로세스, 작업흐름, 활동, 이벤트 및 애플리케이션(630)의 관리(및 일부 경우에서는 자율적 또는 반자율적 거동)를 모니터링, 제어, 및 달리 가능하게 한다.
해양 시설(622)은 시설을 서비스하기 위해 다양한 크기의 하나 이상의 선박(7060)을 포함할 수 있다. 해양 시설(622)은 다양한 크기의 선박 및 육상 차량의 이동을 용이하게 하기 위해 수중 또는 육상에 하나 이상의 고정 또는 계류된 내비게이션 보조구를 포함할 수 있다. 실시예에서, 해양 시설(622)은 20피트 이상의 흘수를 갖는 심흘수 선박을 수용하도록 구성될 수 있다는 점에서 항구로서 구성될 수 있다. 실시예에서, 더 큰 해양 시설(622) 중 일부는 항구 운영 또는 항구, 쉽야드, 해양 항구 등에 대한 인터모달 연결과 관련된 항구, 쉽야드, 해양 항구 등의 경계 외부의 영역을 포함할 수 있다.
실시예에서, 관리 플랫폼(604)은 해양 시설(622) 주위의 자산 및 화물의 흐름의 물류에 대한 항구 게이트-인 및 게이트-아웃 개선을 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 해양 시설(622) 내에서 그리고 그에 연결하는 것 둘 모두에서 도로 개선을 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 해양 시설(622) 내에서 그리고 그에 연결하는 모두에서 레일 개선을 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 도크, 선창, 부두 등을 포함하는 해양 시설(622)에서의 정박지 개선을 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 정박지에서의 준설, 정박지에 인접한 접근 및 출발 영역, 및 해양 시설 주위의 영역을 포함하는 정박지 개선을 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 육상에서 사용되는 화물 이동 장비를 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 사일로, 엘리베이터, 컨베이어, 컨테이너 터미널, 인터모달 화물 운송에 필요한 주차장을 포함한 롤-온/롤-오프 시설, 냉장 시설을 포함한 웨어하우스, 오일 또는 가스 제품을 위한 벙커링 시설, 레이-다운 영역, 운송 창고 등을 포함하여 화물 수송 개선에 필요한 시설을 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 더 큰 세트의 해양 시설에 부수적일 수 있는 조명, 폭우 등을 포함하는 표준 동작에 필요한 유틸리티를 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 선박, 트럭, 및 철도 화물 이동에 대한 라우팅 및 통신 뿐만 아니라 수입/수출 요건, 저장 및 추적, 및 자산/장비 관리를 위한 플로우-스루 처리를 포함하는 효율적인 항구 이동을 촉진하기 위해 사용되는 모든 기술을 포함하는 항구 관련 지능형 운송 시스템 하드웨어 및 소프트웨어를 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 식물위생 처리 요건을 지원하기 위해 식물위생 처리 시설을 관리할 수 있다. 실시예에서, 관리 플랫폼(604)은 완전 자동화된 화물 취급 장비를 관리, 구성 및 재구성할 수 있다.
실시예에서, 적응형 지능 시스템 계층(614)은 애플리케이션 플랫폼 계층(604)에서 애플리케이션(630) 중 하나 이상을 향상시킬 수 있는 것과 같은 지능형 시스템의 조정된 개발 및 배치를 총괄하여 용이하게 하는 시스템, 컴포넌트, 서비스 및 다른 능력의 세트; 하나 이상의 컴포넌트의 성능, 또는 연결 시설(642)의 전체 성능(예컨대, 속도/레이턴시, 신뢰성, 서비스 품질, 비용 감소, 또는 다른 인자들)을 개선할 수 있는 것; 적응형 지능 시스템 계층(614) 내의 다른 능력을 개선할 수 있는 것; 밸류 체인 네트워크 지향 데이터 저장 시스템(624)의 하나 이상의 컴포넌트의 성능(예를 들어, 속도/레이턴시, 에너지 활용, 저장 용량, 저장 효율, 신뢰성, 보안 등) 또는 전체 성능을 개선하는 것; 하나 이상의 밸류 체인 네트워크 엔티티(652)의 제어, 자동화, 또는 하나 이상의 성능 특성을 최적화하는 것; 또는 플랫폼(604)의 사용에 의해 추구되는 프로세스 및 애플리케이션 출력 및 결과(1040) 중 임의의 것을 일반적으로 개선하는 것을 포함할 수 있다.
이러한 적응형 지능 시스템(614)은 해양 시설(622) 및 플로팅 자산(620) 내에 그리고 그 사이에 배치될 수 있다. 이러한 적응형 지능 시스템(614)은 로봇 프로세스 자동화 시스템(1442), 프로토콜 어댑터(1110)의 세트, 패킷 가속 시스템(1410), 에지 지능 시스템(1430)(자기 적응형 시스템일 수 있음), 적응형 네트워킹 시스템(1430), 상태 및 이벤트 관리자(1450)의 세트, 기회 마이너(1460)의 세트, 인공 지능 시스템(1160)의 세트, 디지털 트윈 시스템(1700)의 세트, (예컨대, 밸류 체인 네트워크(668) 내의 밸류 체인 네트워크 엔티티(652)의 세트 사이의 상호작용의 세트를 설정, 프로비저닝, 구성 및 다른 방식으로 관리하기 위한) 엔티티 상호작용 관리 시스템(1902)의 세트, 및 다른 시스템을 포함할 수 있다.
실시예에서, 디지털 트윈 시스템(1700)의 세트는 해양 시설(622) 각각 및 플로팅 자산(620) 각각에 대해 배치될 수 있다. 도 6을 참조하면, 연결된 밸류 체인 네트워크(668)는, 공급 및 생산 인자, 수요 인자, 물류 및 유통 인자 등과 같은, 밸류 체인 네트워크(668)에 수반되는 다양한 엔티티 및 활동을 계획, 모니터링, 제어, 및 최적화하는 데 수반되는 다양한 인자의 오케스트레이션의 관리, 시각화, 및 모델링을 용이하게 하기 위해 밸류 체인 네트워크 관리 플랫폼(604) 전체에 걸쳐 배치된 디지털 트윈 시스템으로부터 이익을 얻는다. 공급 인자 및 수요 인자를 모니터링하고 관리하기 위한 통합 플랫폼(604)에 의해, 상태 정보에 대한 디지털 트윈은 모델링 및 분석을 용이하게 하고, 주문이 생성되고 주문 처리됨에 따라, 그리고 제품이 생성되고 공급 체인을 통해 이동됨에 따라, 운영 현실이 되는 변화하는 수요 인자의 시각화를 제공하기 위해 다양한 엔티티에 대해 그리고 이들 사이에서 공유될 수 있다.
실시예에서, 밸류 체인 모니터링 시스템 계층(614) 및 데이터 수집 시스템(640)은 해양 시설(622) 및 플로팅 자산(620)으로부터의 데이터의 수집을 위한 광범위한 시스템을 포함할 수 있다. 이 계층은 제한 없이 실시간 모니터링 시스템(1520)(예컨대, 선박 및 다른 플로팅 자산, 배달 차량, 트럭 및 다른 운반 자산, 및 쉽야드, 항구, 웨어하우스, 유통 센터 및 다른 위치에서의 이벤트 및 상태 보고 시스템과 같은 온보드 모니터링 시스템); 플로팅 자산, 차량 및 장비에 대한 온보드 진단(OBD) 및 텔레매틱스 시스템; 이벤트 버스, 통신 포트, 또는 다른 통신 시스템을 통해 진단 코드 및 이벤트를 제공하는 시스템; (카메라, 모션 센서, 비컨, RFID 시스템, 스마트 조명 시스템, 위성 연결, 자산 추적 시스템, 사람 추적 시스템, 및 밸류 체인 활동 및 다른 이벤트가 발생하는 다양한 환경에 위치한 주변 감지 시스템과 같은) 모니터링 기반구조 뿐만 아니라, 또한 휴대용 및 모바일 데이터 수집기, RFID 및 다른 태그 판독기, 스마트폰, 태블릿 및 데이터 수집이 가능한 다른 모바일 디바이스 등과 같은, 그 내부에 포함되거나 그 위에서 이동 중인 해양 자산 및 화물 또는 다른 자산에 대한 제거 가능한 및 교체형 모니터링 시스템; 해양 시설(622) 및 플로팅 자산(620)의 휴대용 및 온보드 시스템에 배치될 수 있는 소프트웨어 상호작용 관찰 시스템(1500); 플로팅 자산(620)의 홀드에서 화물을 상세화하기 위해, 해양 시설(622)에 그리고 플로팅 자산(620) 상에 배치된 개인 및 기어의 활동을 상세화하기 위해 예컨대, 아이템, 사람, 재료, 컴포넌트, 기계, 장비, 인력 등의 시각화를 허용하는 비디오 및 스틸(still) 이미징 시스템, LIDAR, IR 및 다른 시스템을 사용하는 시각적 모니터링 시스템(1930); 상호작용 지점 시스템(1530)(예컨대, 밸류 체인 엔티티를 위한 대시보드, 사용자 인터페이스, 및 제어 시스템); 물리적 프로세스 관찰 시스템(1510)(예컨대, 운영자, 작업자, 고객 등의 물리적 활동, 개인(예컨대, 배송자, 전달 작업자, 패커, 피커, 조립 인력, 고객, 상인, 벤더, 유통업자 및 다른 사람들)의 물리적 활동, 작업자와 다른 작업자의 물리적 상호작용, 기계 및 장비와 같은 물리적 엔티티와 작업자의 상호작용, 및 물리적 엔티티와 다른 물리적 엔티티의 상호작용을 추적하기 위한 것, 제한 없이, 비디오 및 스틸 이미지 카메라, 모션 감지 시스템(예컨대, 광학 센서, LIDAR, IR 및 다른 센서 세트를 포함함) , 로봇 모션 추적 시스템(예컨대, 인간 또는 물리적 엔티티에 부착된 시스템의 이동을 추적) 등의 사용에 의한 것을 포함함); 기계 상태 모니터링 시스템(1940)(임의의 밸류 체인 엔티티, 예컨대, 기계 또는 컴포넌트, 예컨대, 기계, 예컨대, 클라이언트, 서버, 클라우드 리소스, 제어 시스템, 디스플레이 스크린, 센서, 카메라, 차량, 로봇, 또는 다른 기계의 조건, 상태, 동작 파라미터, 또는 조건의 다른 척도의 온보드 모니터 및 외부 모니터를 포함함); 센서 및 카메라(1950) 및 다른 IoT 데이터 수집 시스템(1172)(온보드 센서, 밸류 체인 환경(예컨대, 제한 없이, 원산지 지점, 로딩 또는 언로딩 도크, 상품을 운반하기 위해 사용되는 차량 또는 플로팅 자산, 컨테이너, 항구, 유통 센터, 저장 시설, 웨어하우스, 배달 차량, 및 목적지 지점) 내의 또는 그 주위의 센서 또는 다른 데이터 수집기(클릭 추적 센서를 포함함)를 포함함), 전체 환경을 모니터링하기 위한 카메라, 특정 기계, 프로세스, 작업자 등을 위한 전용 카메라, 웨어러블 카메라, 휴대용 카메라, 모바일 로봇 상에 배치된 카메라, 스마트폰 및 태블릿과 같은 휴대용 디바이스의 카메라, 및 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에 개시된 많은 센서 타입 중 임의의 것을 포함하는 많은 다른 것을 포함함); 실내 위치 모니터링 시스템(1532)(카메라, IR 시스템, 모션 검출 시스템, 비컨, RFID 판독기, 스마트 조명 시스템, 삼각측량 시스템, RF 및 다른 스펙트럼 검출 시스템, 비행 시간 시스템, 화학적 코 및 다른 화학적 센서 세트들 뿐만 아니라, 또한 다른 센서를 포함함); 사용자 피드백 시스템(1534)(조사 시스템, 터치 패드, 음성 기반 피드백 시스템, 평가 시스템, 표정 모니터링 시스템, 영향 모니터링 시스템, 제스처 모니터링 시스템 등을 포함함); 거동 모니터링 시스템(1538)(예컨대, 이동, 쇼핑 거동, 구매 거동, 클릭 거동, 사기 또는 기만을 표시하는 거동, 사용자 인터페이스 상호작용, 제품 반환 거동, 관심, 주의, 지루함 등을 표시하는 거동, 기분 표시 거동(예컨대, 꼼지락거림, 가만히 있음, 더 가까이 이동하거나, 자세를 변경함) 등을 모니터링하기 위한 것); 및 본 개시 전반에 걸쳐 그리고 본 출원에 참조로 포함된 문서에 설명된 것과 같은 매우 다양한 IoT(Internet of Things) 데이터 수집기(1172) 중 임의의 것을 포함할 수 있다.
도 26을 참조하면, 기회 마이너(1460)의 세트는 적응형 지능 계층(614)의 일부로서 제공될 수 있으며, 이는, 예컨대 인공 지능(1160)의 추가, 자동화(로봇 프로세스 자동화(1402)를 포함함) 등을 통해, 해양 시설(622) 중 하나 이상에 그리고 플랫폼(100)이 상호작용하는 시스템, 서브시스템, 컴포넌트, 애플리케이션을 포함하는 플로팅 자산(620) 각각에 대해 플랫폼(604)의 요소 중 하나 이상을 개선할 기회를 찾고 추천하도록 구성될 수 있다. 실시예에서, 기회 마이너(1460)는 더 나은 솔루션에 대한 기회를 찾고 밸류 체인 네트워크(668)에서 기존 솔루션을 최적화하기 위해 AI 또는 RPA 솔루션의 개발자에 의해 구성되거나 사용될 수 있다. 실시예에서, 기회 마이너(1460)는 관리 플랫폼(604) 내에서 정보를 수집하고 해양 시설(622)의 세트 내에서, 그에 관한 그리고 그에 대한 그리고 플로팅 자산(620) 각각에 대한 정보를 수집하는 시스템의 세트를 포함할 수 있으며, 여기서 수집된 정보는 밸류 체인 네트워크(668)에 관한, 애플리케이션(630)에 관한, 해양 시설(622) 및 플로팅 자산(620) 중 하나 이상에 관한 증가된 자동화 및/또는 지능을 위한 기회를 식별하고 우선순위화하는 것을 돕는 잠재력을 갖는다. 예를 들어, 기회 마이너(1460)는, 예컨대, 밸류 체인 네트워크(668) 환경의 세트에서 노동 집약적 영역 및 프로세스를 식별하기 위해서, 예컨대, 카메라, 웨어러블, 또는 다른 센서를 사용하여, 시간별로, 타입별로, 그리고 위치별로(수상이든 육상이든) 밸류 체인 네트워크 작업자의 클러스터를 관찰하는 시스템을 포함할 수 있다. 이들은 높은 노동 활동을 갖는 장소를 보여주기 위해, 예컨대 순위화된 또는 우선순위화된 리스트에, 또는 시각화(예컨대, 환경의 맵 상의 고객, 작업자 또는 다른 개인의 체류 시간을 보여주는 히트 맵 또는 환경 내의 고객 또는 작업자가 이동한 경로를 보여주는 히트 맵)에 제시될 수 있다. 실시예에서, 분석(838)은 개선된 배달 시간, 혼잡의 완화, 및 다른 성능 개선의 목적을 위해 어느 환경 또는 활동이 자동화로부터 가장 이익을 얻을 것인지를 식별하기 위해 사용될 수 있다.
실시예에서, 기회 마이닝은 프로세스 자동화를 용이하게 하기 위해 사용될 수 있는 적절한 훈련 데이터 세트의 요청을 위한 시설을 포함할 수 있다. 예를 들어, 복잡한 태스크를 수행하는 매우 경험이 많은 및/또는 고도로 전문적인 작업자를 포착하는 비디오 데이터 세트와 같은 특정 종류의 입력은, 이용가능한 경우, 자동화를 위한 매우 높은 가치를 제공할 것이다. 이 정보는 다른 해양 시설(622)에 매우 근접하여 그리고 배치된 플로팅 자산(620)과 함께 수집될 때 훨씬 더 가치 있게 된다. 기회 마이너(1460)는 본 출원에 설명된 바와 같이 그러한 비디오 데이터 세트를 검색할 수 있지만; 그러나, 성공의 부재 시에(또는 이용가능한 데이터를 보충하기 위해), 관리 플랫폼(604)은 해양 시설에 있거나 해양 자산에 배치된 사용자가 원하는 타입의 데이터, 예컨대 소프트웨어 상호작용 데이터(예컨대 특정 태스크를 수행하기 위해 프로그램으로 작업하는 전문가의 것), 비디오 데이터(예컨대 특정 종류의 배달 프로세스, 언로딩 프로세스, 보안 및 물류 프로세스, 세정 및 유지보수 프로세스, 컨테이너 이동 프로세스 등을 수행하는 전문가의 세트를 보여주는 비디오), 및/또는 물리적 프로세스 관찰 데이터(예컨대 비디오, 센서 데이터 등)를 지정할 수 있는 시스템을 포함할 수 있다. 사양에 응답하여 포착된 상호작용의 결과적인 라이브러리는, 예컨대 다양한 애플리케이션(630), 적응형 지능 시스템(614), 및 다른 프로세스 및 시스템에 의한 소비를 위해, 데이터 저장 계층(624)에서 데이터 세트로서 포착될 수 있다. 실시예에서, 라이브러리는, 절차 또는 프로토콜에 따라 단계의 시퀀스를 제공하는 것, 절차 또는 프로토콜을 자동화를 위한 후보들인 서브-단계로 분해하는 것 등과 같이, 예컨대, 비디오의 지침을 따를 수 있는 자동화 맵을 개발하는 것을 용이하게 하기 위해, 구체적으로 교육 비디오로서 개발되는 비디오를 포함할 수 있다. 실시예에서, 그러한 비디오는, 예컨대, 프로세스에 대한 자동화의 개발을 보조하는 프로세스의 맵, 그래프, 또는 다른 모델을 용이하게 하기 위해 개발자가 사용할 수 있는 라벨링된 명령어의 시퀀스를 자동으로 개발하기 위해서, 자연어 처리에 의해 처리될 수 있다.
실시예에서, 밸류 체인 모니터링 시스템 계층(614) 및 데이터 수집 시스템(640)은 본 개시 전반에 걸쳐 설명된 엔티티 중 임의의 것과 같은 하나 이상의 밸류 체인 네트워크 엔티티(652)를 발견하기 위한 엔티티 발견 시스템(1900)을 포함할 수 있고, 이러한 엔티티는 특히 다양한 해양 시설(622) 및 플로팅 자산(620)으로부터 제어가 지나감에 따라 로딩 및 오프로드될 수 있는 것을 포함할 수 있다. 이는 디바이스 식별자에 의해, 네트워크 위치에 의해, 지리위치에 의해(예컨대 지오펜스에 의해), 실내 위치에 의해(예컨대 IoT-인에이블 디바이스 및 기반구조, Wifi 라우터, 스위치 등과 같은 알려진 리소스에 대한 근접성에 의해), 셀룰러 위치에 의해(예컨대 셀룰러 타워에 대한 근접성에 의해), 해양 내비게이션 보조 및 선박 아이덴티티 비컨에 의해, 아이덴티티 관리 시스템에 의해(예컨대 엔티티(652)가 플랫폼(604)에 의해 할당되고/되거나 관리되는 식별자에 의해 소유자, 운영자, 사용자, 또는 기업과 같은 다른 엔티티(652)와 연관되는 경우) 등과 같이, 밸류 체인 네트워크(668) 내의 해양 시설(622) 및 플로팅 자산(620)에서 엔티티를 검색하기 위한 컴포넌트 또는 서브시스템을 포함할 수 있다. 이러한 예에서, 엔티티 발견 시스템(1900)은 트래픽 및 위치를 추적하기 위해 사용되는 확립된 해양 자산 물류 시스템과 상호작용할 수 있다. 이러한 예에서, 엔티티 발견 시스템(1900)은 확립된 해양 자산 오토파일롯 및 자동 내비게이션 시스템과 상호작용할 수 있고, 의도된 내비게이션 목적지에 관련된 정보를 획득하고 그로부터, 내비게이션 목적지에 도달하기 위해 필요한 정정 액션의 에러 및 크기를 획득한다.
도 22를 참조하면, 적응형 지능 계층(614)은, 환경에서의 다양한 밸류 체인 엔티티(652)의 시각화를 위한 디지털 트윈 능력의 개발 및 배치를 위한 컴포넌트, 프로세스, 서비스, 인터페이스 및 다른 요소의 세트, 및 애플리케이션(630) 뿐만 아니라, 또한 (인공 지능(1160), 에지 지능(1420), 분석 및 다른 능력을 포함하는) 조정된 지능 및 디지털 트윈(1700)으로 인에이블되거나 용이하게 되는 다른 부가 가치 서비스 및 능력을 포함할 수 있는 밸류 체인 네트워크 디지털 트윈 시스템(1700)을 포함할 수 있다. 실시예에서, 디지털 트윈 시스템(1700)은 해양 시설(622) 중 각각의 시설(또는 그 그룹)과 함께 배치될 수 있고 플로팅 자산(620) 각각에 대해 배치될 수 있다. 많은 경우에서, 해양 시설(622) 내의 각각의 플로팅 자산(620) 및 물리적 자산은 디지털 트윈 시스템(1700)에 의해 지원되는 그 디지털 트윈으로 조정되고 관리될 수 있다. 제한 없이, 디지털 트윈 시스템(1700)은 플로팅 자산(620)의 다양한 시스템, 네트워크, 및 기반구조에(또는 그 그룹에 걸쳐) 그리고 해양 시설(622) 내에 그리고 그 사이에 배치될 수 있는 플랫폼 애플리케이션 계층의 애플리케이션의 세트(630) 각각에 의해 관리, 제어, 또는 중재되는 프로세스 각각에 대해 사용 및/또는 적용될 수 있다.
실시예에서, 디지털 트윈(1700)은 밸류 체인 관리 플랫폼 계층(604) 내의 다수의 애플리케이션(630)의 존재를 이용할 수 있어서, 애플리케이션의 쌍은 밸류 체인 엔티티(652)에 대해 (수집된 신호 등의 융합을 지원하기 위해) 수집되는 데이터 소스(예컨대, 데이터 저장 계층(624)에서의) 및 다른 입력(예컨대, 모니터링 계층(614)으로부터)을 공유할 수 있을 뿐만 아니라, 또한 본 개시 전반에 걸쳐 그리고 참조로 포함된 문서에 설명된 다양한 전문가 시스템, 인공 지능 시스템, 신경망, 지도 학습 시스템, 기계 학습 시스템, 딥러닝 시스템, 및 다른 시스템 중 임의의 것을 포함하는 인공 지능(1160)의 사용을 통한 것 그리고 모니터링 계층(614) 및 데이터 수집 시스템(640)에 의해 수집된 콘텐츠의 사용을 통한 것을 비롯하여, 출력, 이벤트, 상태 정보 및 출력을 공유할 수 있으며, 이들은 디지털 트윈(1700)에서 콘텐츠를 풍부하게 하기 위한 훨씬 더 풍부한 환경을 총괄하여 제공할 수 있다.
도 23을 참조하면, 본 개시 전반에 걸쳐 설명된 바와 같이, 밸류 체인 네트워크 엔티티(652), 애플리케이션(630), 또는 플랫폼(604)의 컴포넌트 또는 요소에 관하여, 예컨대, 이벤트 데이터(1034), 상태 데이터(1140), 또는 다른 데이터와 같은 밸류 체인 네트워크 데이터 객체(1004)로 디지털 트윈(1700)을 채움으로써, 밸류 체인 네트워크 엔티티(652) 중 임의의 것이 하나 이상의 디지털 트윈(1700)의 세트에 표시될 수 있다.
따라서, 플랫폼(604)은 특히 다음 중 임의의 것을 포함하거나, 통합하거나, 그와 통합되거나, 관리하거나, 제어하거나, 조정하거나, 또는 다른 방식으로 취급할 수 있다: 유통 트윈(1714)(예컨대, 유통 시설, 자산, 객체, 작업자 등을 나타냄)과 같은 매우 다양한 디지털 트윈(1700); 웨어하우징 트윈(1712)(예컨대, 웨어하우스 시설, 자산, 물건, 작업자 등을 나타냄); 항구 기반구조 트윈(1714)(예컨대, 항구, 공항, 또는 다른 시설, 뿐만 아니라 자산, 객체, 작업자 등을 나타냄); 배송 시설 트윈(1720); 운영 시설 트윈(1172); 고객 트윈(1730); 작업자 트윈(1740); 웨어러블/휴대용 디바이스 트윈(1750); 프로세스 트윈(1760); 기계 트윈(1770)(예컨대, 밸류 체인 네트워크(668)를 지원하는 데 사용되는 다양한 기계에 대한 것); 제품 트윈(1780); 원산지 지점 트윈(1502); 공급자 트윈(1630); 공급 인자 트윈(1650); 해양 시설 트윈(1572); 플로팅 자산 트윈(1570); 쉽야드 트윈(1620); 목적지 트윈(1562); 주문 처리 트윈(1600); 배달 시스템 트윈(1610); 수요 인자 트윈(1640); 소매업자 트윈(1790); 전자상거래 및 온라인 사이트 및 운영자 트윈(1800); 수로 트윈(1810); 도로 트윈(1820); 철도 트윈(1830); 항공 시설 트윈(1840)(예컨대, 항공기, 활주로, 공항, 격납고, 웨어하우스, 항공 이동 경로, 재급유 시설 및 제품(650)의 항공 운송과 관련하여 사용되는 다른 자산, 객체, 작업자 등의 트윈); 자율 차량 트윈(1850); 로봇 공학 트윈(1860); 드론 트윈(1870); 및 물류 인자 트윈(1880); 등.
도 27을 참조하면, 특히 적응형 에지 컴퓨팅 관리 시스템(1400) 및 에지 지능 시스템(1420)을 포함하는, 개선된 에지 지능을 용이하게 하는 적응형 지능 계층(614)의 요소에 관한, 플랫폼(604)의 실시예의 추가적인 세부사항이 제공된다. 이러한 요소는, 예컨대, 네트워크 및 클라우드에서, 온-디바이스 저장소, 로컬 시스템, 피어-투-피어(peer-to-peer) 사이에서 (예를 들어, AI에 의해 최적화된) 데이터 저장 위치 및 처리 위치를 변경하는 것에 의해서, "에지" 계산, 저장 및 처리를 적응적으로 관리하는 시스템의 세트를 제공한다. 이러한 요소는 플랫폼(102)의 개발자, 운영자, 또는 호스트와 같은 사용자에 의한 동적 정의의 용이화를 가능하게 할 수 있는데, 이는 세계 어디에서나 그리고 특히 연결성이 제약될 수 있는 해양의 영역에서 주어진 애플리케이션의 목적을 위해 "에지"를 구성하는 것이다. 예를 들어, 데이터 연결이 느리거나 신뢰할 수 없는 환경(예컨대, 시설이 셀룰러 네트워크에 대한 액세스가 양호하지 않은 경우(예컨대, 지구 상의 원격성으로 인함), 차폐 또는 간섭(예컨대, 네트워크 사용 시스템의 밀도, 컨테이너 선박의 두꺼운 금속 선체, 두꺼운 금속 컨테이너 벽, 수중 또는 지하 위치, 또는 큰 금속 객체(예컨대, 볼트, 선체, 컨테이너, 크레인, 적층된 원료 등)의 존재가 네트워킹 성능을 간섭하는 경우), 및/또는 혼잡(예컨대, 제한된 네트워킹 시설에 대한 액세스를 추구하는 디바이스가 많은 경우)에 대해, 에지 컴퓨팅 능력은 환경의 로컬 영역 네트워크 상에서, 디바이스의 피어-투-피어 네트워크에서, 또는 로컬 밸류 체인 엔티티(652)의 컴퓨팅 능력 상에서 동작하도록 정의되고 배치될 수 있다. 강한 데이터 연결이 이용가능한 경우(예컨대, 양호한 백홀 시설이 존재하는 경우), 에지 컴퓨팅 능력은, 예컨대, 해당 위치에서 빈번하게 사용되는 데이터를 캐싱하여 입력/출력 성능을 개선하거나, 레이턴시를 감소시키는 등을 위해, 네트워크에 배치될 수 있다. 따라서, 에지 컴퓨팅 동작이 인에이블되는 곳의 적응적 정의 및 사양은, 개발자 또는 운영자의 제어 하에서, 또는 선택적으로, 예컨대, 환경에 대한 검출된 네트워크 조건에 기초할 수 있는 전문가 시스템 또는 자동화 시스템에 의해서, 플릿 사이에서 자동으로 결정되거나 지리적 영역에 배치된다. 실시예에서, 에지 지능(1420)은 에지 계산(다양한 이용가능한 네트워킹 리소스 내에서 계산이 이루어지는 위치, 네트워킹이 이루어지는 방식의 적응(예컨대, 프로토콜 선택에 의해), 데이터 저장이 이루어지는 위치 등을 포함함)을 가능하게 하며, 이는 요건, 우선순위화, 및 둘 이상의 애플리케이션에 걸친 에지 계산 능력의 값의 인식에 기초하여 이해되고 우선순위화된 QoS, 레이턴시 요건, 혼잡, 및 비용을 고려하는 것과 같이, 다중-애플리케이션 인식적이다.
실시예에서, 디지털 트윈 시스템(1700)은 플로팅 자산(620) 중 하나 이상과 연관될 수 있는 플로팅 자산 트윈(1570)을 호스팅할 수 있다. 이러한 예에서, 플로팅 자산 트윈(1570) 중 하나 이상은 실세계에서 플로팅 자산(620) 중 하나 이상을 테스트할 필요 없이 플로팅 자산(620) 중 하나 이상이 어떻게 수행할지를 시뮬레이션할 수 있다. 다른 예는 선박의 모든 시스템의 시각화, 선박의 내비게이션 코스, 및 선박의 플로팅 자산 트윈(1570)을 통해 선박의 전체 수명에 걸쳐 한 눈에 이용가능한, 엔진 성능으로부터 선체 무결성까지의, 선박에 대한 모든 형태의 정보의 다양한 세부사항을 포함하는 기능적 요구를 포함한다.
실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 하나 이상의 플로팅 자산(620)의 임의의 그리고 모든 중요한 컴포넌트의 유익한 시각화를 제공하는 것으로 나타날 수 있다. 동작 동안 플로팅 자산 트윈(1570)의 사용은 분석을 수행하고 플로팅 자산(620)의 구조적 및 기능적 컴포넌트에 대한 동작을 개선하는 데 유익한 것으로 나타날 수 있다. 다른 예에서, 플로팅 자산(620) 중 하나 이상의 동작 동안 플로팅 자산 트윈(1570)의 사용은 플로팅 자산(620)의 구조 및 선체 표면에 대한 현장 유체역학적 및 공기역학적 변화를 모델링하는 데 사용될 수 있다. 실시예에서, 플로팅 자산(620)은 선체의 특정 부분의 단면의 구성을 변경하고, 수선 아래의 유체역학적 제어 표면의 구성을 변경하고, 수선 위의 공기역학적 제어 표면의 구성을 변경하고, 특정 기동 중에 선체 안정성을 향상시키기 위해 선체로부터 추가 부력 부재를 연장하는 등을 위해 시스템을 배치할 수 있다. 이러한 예에서, 인공 지능 시스템(1160)은 알려진 이동 경로 및 과거 날씨 패턴을 사용하여 연료 효율을 개선하기 위해 선체 구성 변경의 스케줄을 결정하기 위해 플로팅 자산 트윈(1570) 상에 배치된 시뮬레이션된 선체 구성을 연구할 수 있다.
실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 운영자가 하나 이상의 플로팅 자산(620)의 더 효율적인 검사 및 유지보수를 계획할 수 있기 때문에 운영자에게 이익이 되는 것으로 나타날 수 있다. 실시예에서, 동작 동안의 항구 기반구조 트윈(1714)의 사용은 해양 시설(622) 내의 하나 이상의 물리적 자산의 더 효율적인 검사 및 유지보수를 계획할 수 있는 운영자에게 이익이 되는 것으로 나타날 수 있다. 이는 또한 물리적 자산의 수명 연장으로 이어질 수 있는데, 이는 손상을 피하기 위한 예방 조치가 취해질 것이기 때문이다.
실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은, 엔진 공간 및 펌프와 같은, 선박 및 기본 시스템의 시각적 모델을 생성하고, 엔진, 보일러 및 배터리와 같은, 에너지의 소스 상에 분산된, 연료 소비를 연속적으로 기록하는 능력을 운영자에게 제공하는 것으로 나타날 수 있다. 이러한 예에서, 운영자는 하나 이상의 플로팅 자산(620)의 더 효율적인 운영, 검사 및 유지보수를 계획할 수 있다. 실시예에서, 동작 동안 항구 기반구조 트윈(1714)의 사용은 운영자에게, 육상의 항구에서, 위치에 계류되고, 시스템 파워플랜트와 같은 기본 시스템을 포함하는 내비게이션 보조구로서 배치된 해양 자산의 시각적 모델을 생성하고, 엔진, 보일러 및 배터리와 같은 에너지 소스 상에 분산된 에너지 소비를 연속적으로 기록하는 능력을 제공하는 것으로 나타날 수 있다. 이러한 예에서, 운영자는 해양 시설(622) 내의 하나 이상의 물리적 자산의 더 효율적인 운영, 검사 및 유지보수를 계획할 수 있다. 실시예에서, 디지털 트윈 시스템은 바람, 조류 및 날씨 조건과 같은 외부 인자를 포함함으로써, 특정 화물과의 특정 항해에 대한 최적의 연료 소비를 취득하도록 개발될 수 있는 시뮬레이션 및 분석 모델을 포함할 수 있다. 실시예에서, 디지털 트윈 시스템은 적응형 지능 계층(614)에 의해 모니터링되는 날씨 조건 및 다른 자산과 같은 외부 인자를 포함함으로써, 특정 화물을 언로딩하는 것과 같은 특정 항구 활동에 대한 최적의 에너지 소비를 취득하도록 개발될 수 있는 시뮬레이션 및 분석 모델을 포함할 수 있다.
실시예에서, 동작 동안 플로팅 자산 트윈(1570) 및 항구 기반구조 트윈(1714)의 사용은, 특히 공급 체인이 하나 이상의 플로팅 자산(620) 및 해양 시설(622) 내의 물리적 자산에 걸쳐 있고 육상 또는 수상에서 처리되는 다른 것의 진행에 기초하여 프로세스가 유지, 증가, 감소될 수 있을 때, 운영자에게 하나 이상의 플로팅 자산(620) 내의 또는 해양 시설(622) 내의 물리적 자산에 배치된 기계 시스템의 동작을 시각화하고, 제어하고, 적응시키는 능력을 제공하는 것으로 나타날 수 있다.
실시예에서, 동작 동안 플로팅 자산 트윈(1570) 및 항구 기반구조 트윈(1714)의 사용은 배터리를 개장하고 다른 스위치기어를 대체하기 위해 항해 동안 또는 육상에서의 서비스 수명 동안 최적의 지점을 제공하는 것으로 나타날 수 있다. 실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 일반적인 유지보수 사이클에서 또는 컴포넌트의 개장을 위한 적절한 시간에서 더 강력하거나, 더 효율적이거나, 또는 더 다목적인 엔진, 스러스터 또는 다른 추진 시스템으로 변경하기 위한 기초를 제공하는 것으로 나타날 수 있다.
실시예에서, 동작 동안의 플로팅 자산 트윈(1570)의 사용은 선박 속도, 물 활동 및 날씨의 다양한 조합에서 선박의 선수 주위의 효율적인 유동을 개선하기 위해 플로팅 자산(620)의 전방 구상 선수를 조정하기 위한 스케줄을 튜닝하기 위한 기초를 제공하는 것으로 나타날 수 있다. 이러한 예에서, 전방 구상 선수는 가장 효율적인 실행을 위해 선수의 형상에 대해 적응형 지능 계층(614)에 의해 조정된 수정된 스케줄 또는 미리 결정된 스케줄에 기초하여 그 형상을 조정할 수 있다.
실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 선체 세정, 유지보수 또는 페인팅을 수행하거나 프로펠러 세정, 유지보수 또는 대체를 수행하기 위한, 항해 동안의 최적의 지점을 제공하는 것으로 나타날 수 있다. 실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 선체 또는 프로펠러 세정이 필요한 시기 및 여정에서 어디가 시스템을 세정하기 위한 가장 큰 필요성에 기여하는지를 스케줄링하고, 플로팅 자산 트윈(1570)을 사용하는 시뮬레이션으로, 이러한 유지보수가 정당한지 또는 상이한 통로로 플로팅 자산(620)을 라우팅하면 유지보수 부담이 더 적어질 수 있는지를 결정하기 위한 기초를 제공하는 것으로 나타날 수 있다.
실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 선체 세정, 유지보수 또는 페인팅을 수행하거나 프로펠러 세정, 유지보수 또는 대체를 수행하기 위해 항해 동안 최적 지점의 상세한 시뮬레이션 및 시각화를 제공하는 것으로 나타날 수 있다. 실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 선체 또는 프로펠러 세정이 필요한 시기 및 여정에서 어디가 시스템을 세정하기 위한 가장 큰 필요성에 기여하는지를 스케줄링하고, 플로팅 자산 트윈(1570)을 사용하는 시뮬레이션으로, 이러한 유지보수가 정당한지 또는 상이한 통로로 플로팅 자산(620)을 라우팅하면 유지보수 부담이 더 적어질 수 있는지를 결정하기 위한 기초를 제공하는 것으로 나타날 수 있다.
실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 상세한 레벨에서 하나 이상의 선박 또는 플로팅 자산(620)의 성능의 상세한 시뮬레이션 및 시각화를 제공하는 것으로 나타날 수 있어서, 사용자는 훈련 및 안전을 향상시키기 위해 직면하는 활동을 추가로 시뮬레이션하도록 수정된 과거의 항해, 예측된 항해, 및 이전의 항해를 시뮬레이션할 때 하나 이상의 선박 또는 플로팅 자산(620)에 대한 설계 선택 및 변경의 효과를 볼 수 있다. 실시예에서, 동작 동안 플로팅 자산 트윈(1570)의 사용은 사용자가 다른 선박 또는 해양 자산에 대한 성능을 벤치마킹하기 위해 디지털 트윈을 사용할 수 있도록 상세한 레벨에서 다수의 선박 또는 플로팅 자산(620)의 성능의 상세한 시뮬레이션 및 시각화를 제공하는 것으로 나타날 수 있고, 이러한 비교는 훈련 및 안전을 향상시키기 위해 직면하는 활동을 추가로 시뮬레이션하도록 수정된 과거의 항해, 예측된 항해, 및 이전의 항해를 시뮬레이션하는 데 사용될 수 있다.
실시예에서, 플로팅 자산 트윈(1570)의 사용은 선박 소유자에게 선박 및 서브시스템(및 다양한 다른 해양 자산)의 시각화, 운영 데이터의 자격 및 분석, 선박 성능의 최적화, 개선된 내부 및 외부 통신, 증가된 자율성 레벨의 안전한 취급 및 안전한 해체를 위한 툴을 제공하는 것으로 나타날 수 있다.
실시예에서, 플로팅 자산 트윈(1570)의 사용은 장비 제조자에게 시스템 통합을 용이하게 하고, 기술 성능을 입증하고, 시스템 품질 보증을 수행하고, 모니터링 및 유지보수를 위한 추가 서비스를 촉진하기 위한 툴을 제공하는 것으로 나타날 수 있다.
실시예에서, 플로팅 자산 트윈(1570) 및 항구 기반구조 트윈(1714)의 사용은, 선박이든, 바지선이든, 다른 플로팅 자산이든, 및 항구 기반구조- 계류된 내비게이션 보조구, 언로딩 및 로딩 조건에서의 화물, 및 심지어 그 동작을 보장하기 위해 항구 기반구조 전체에 걸쳐 이동하는 인력을 포함함 -이든 각각의 해양 자산으로부터 요구되는 보고를 생성하고 라이브 정보를 공급하기 위한 애플리케이션으로 설정될 수 있는 체계적인 프레임워크를 기관에 제공하는 것으로 나타날 수 있다. 많은 예에서, 플로팅 자산 트윈(1570) 및 항구 기반구조 트윈(1714)의 사용은 다양한 해양 자산의 운영을 이미 보장하고 있는 승무원에게 추가적인 부담 또는 인지 부하를 부과하지 않고 중요한 문제에 대한 더 높은 품질의 보고를 보장하는 것으로 나타날 수 있다. 많은 예에서, 플로팅 자산 트윈(1570) 및 항구 기반구조 트윈(1714)의 사용은 다양한 해양 자산의 운영을 이미 보장하는 승무원에게 추가적인 부담 또는 인지 부하를 부과하지 않고 해양 활동을 지원하는 상거래의 기본이 되는 계약 및 계약과 쌍을 이루는 활동의 타임 스탬프된 원장을 제공함으로써 법적 및 규제 문제에 대한 더 높은 품질의 보고를 보장하는 것으로 나타날 수 있다.
실시예에서, 플로팅 자산 트윈(1570) 및 항구 기반구조 트윈(1714)의 사용은 대학, 컬리지, 및 지방자치단체에게 시스템 이해를 증가시키고 다양한 기술 분야에서 연구 및 개발 및 교육을 향상시키는 지식 교환을 용이하게 하는 플랫폼을 제공하는 것으로 나타날 수 있다. 이러한 예에서, 플로팅 자산 트윈(1570) 및 항구 기반구조 트윈(1714)의 사용은 전체 선박 또는 특정 해양 자산에 대한 후보의 이해를 증가시키고 그 자산, 플로팅 및 기반구조 자산을 포함하는 자산의 전부(또는 일부)에 영향을 미칠 때 취해지는 액션의 통합된 결과를 보기 위해 시스템 이해의 측면에서 이들을 훈련시킬 수 있는 훈련을 위한 해양 아카데미 플랫폼을 제공하는 것으로 나타날 수 있다. 이러한 예에서, 시스템 이해가 개선되는 것으로 나타날 수 있는데, 그 이유는 모두가 적응형 지능 계층(614)으로부터의 제안을 포함하는 플로팅 자산 트윈(1570) 및 항구 기반구조 트윈(1714)으로부터 시각화되고 해석될 수 있다는 점에서 취해진 액션의 통합된 결과가 자산 레벨, 자산 레벨의 플릿, 기반구조 레벨, 및 플릿에서의 활동이 수익을 개선하는 것과 비용을 감소시키는 것의 조합으로 플릿의 수익성에 어떻게 영향을 미칠 수 있는지를 보여주는 비즈니스 레벨에서 보여질 수 있기 때문이다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)을 포함하는 정보 기술 시스템은 하나 이상의 플로팅 자산(620) 또는 해양 시설(622) 내의 자산과 같은 하나 이상의 해양 자산과 연관된 해양 플릿 관리 애플리케이션(880)과 같은 자산 관리 애플리케이션(814)을 가질 수 있다. 실시예에서, 관리 플랫폼(604)의 데이터 취급 계층(608)은, 하나 이상의 해양 자산을 포함하는 밸류 체인 엔티티(652) 중 임의의 것에 대해 수집되는, 예컨대, 데이터 저장 계층(624)에서의 데이터 소스 및 예컨대, 모니터링 계층(614)으로부터의 다른 입력을 포함한다. 실시예에서, 데이터 소스는 해양 자산 중 하나 이상의 해양 활동의 세트에 기초하여 훈련 세트를 채우는 데 사용되는 정보를 포함하고, 설계 결과, 파라미터, 및 하나 이상의 데이터 취급 계층(624)으로부터의 데이터 중 하나는 하나 이상의 해양 자산과 연관된다. 실시예에서, 적응형 지능 계층(614)과 같은 인공 지능 시스템은 하나 이상의 데이터 취급 계층(624)으로부터의 데이터 소스로부터 획득된 훈련 세트 중 하나 이상에 기초하여 학습하도록 구성될 수 있다. 그렇게 함으로써, 인공 지능 시스템은 해양 자산 중 하나 이상의 해양 자산의 하나 이상의 설계 속성을 시뮬레이션할 수 있다. 인공 지능 시스템은 또한 데이터 소스로부터 수집된 훈련 세트에 기초하여 하나 이상의 설계 추천 세트를 생성할 수 있다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼(604) 내의 디지털 트윈 시스템(1700)은 설계 추천의 하나 이상의 세트와 조합하여 하나 이상의 설계 속성의 인공 지능 시스템에 의해 생성된 세부사항을 포함하는 해양 자산 중 하나 이상의 해양 자산의 하나 이상의 디지털 트윈의 시각화를 제공할 수 있다.
실시예에서, 해양 자산은 하나 이상의 컨테이너 선박을 포함할 수 있다. 실시예에서, 해양 자산은 하나 이상의 바지선을 포함한다. 실시예에서, 해양 자산은 토지 상에 또는 그에 인접하여 설치된 항구 기반구조의 하나 이상의 컴포넌트를 포함한다. 실시예에서, 해양 자산은 수상에 배치된 하나 이상의 계류된 내비게이션 유닛을 포함한다. 실시예에서, 해양 자산은 선박을 포함하고, 해양 활동은 선박 상의 추진 유닛의 에너지 소비와 연관된 파라미터에 기초하여 물 및 날씨 조건에 대한 선박의 전진 속도를 포함한다.
실시예에서, 정보 기술 시스템은 밸류 체인 네트워크 관리 플랫폼(604)에 의해 수집된 데이터에 기초하여 해양 밸류 체인 네트워크 엔티티의 디지털 트윈을 자동으로 채우기 위한 지능형 시스템의 세트를 포함한다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 실세계 쉽야드 중 하나 이상과 연관되고, 디지털 트윈은 실세계 쉽야드 중 하나 이상을 나타내도록 구성될 수 있다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 실세계 해양 항구와 연관되고 디지털 트윈은 실세계 해양 항구 중 하나 이상을 나타내도록 구성될 수 있다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 컨테이너 선박과 연관되고, 디지털 트윈은 하나 이상의 컨테이너 선박을 나타내도록 구성될 수 있다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 바지선과 연관되고 디지털 트윈은 하나 이상의 바지선을 나타내도록 구성될 수 있다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 이벤트 조사(7700)와 연관되고, 디지털 트윈은 이벤트 조사(7700) 중 하나 이상과 연관된 타임라인 동안 다른 자산과 작용하고 상호작용할 수 있기 때문에 해양 밸류 체인 네트워크 엔티티를 적어도 부분적으로 표현하도록 구성될 수 있다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 법적 절차(7702)와 연관되고, 디지털 트윈은 하나 이상의 법적 절차(7702)와 연관된 타임라인 동안 다른 자산과 작용하고 상호작용할 수 있기 때문에 해양 밸류 체인 네트워크 엔티티를 적어도 부분적으로 나타내도록 구성될 수 있다. 실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 손해 보고(7704)와 관련되고, 해양 밸류 체인 네트워크 엔티티의 디지털 트윈은 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터에 기초하여 손해 보고(7704)와 관련된 손실(7708)의 가능성을 시뮬레이션하도록 구성된다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 항구 기반구조 시설이고, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는, 항구 기반구조 시설 내의 하나 이상의 물리적 아이템(7710)에 대한 데이터 수집기 세트 사이의 데이터를 상관시킴으로써 항구 기반구조 시설의 도난 또는 오용을 식별하는 것을 용이하게 하고, 디지털 트윈은 항구 기반구조 시설 및 운영자 세트(7720) 중 적어도 하나를 위해 항구 기반구조 시설의 하나 이상의 물리적 아이템(7710)을 상세화하도록 구성될 수 있다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 육상에 또는 육상에 인접하여 설치된 항구 기반구조에 계류되는 컨테이너 선박이다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼에 의해 수집된 데이터는 적어도 물 및 날씨 조건에 대한 전진 속도 및 컨테이너 선박 상의 추진 유닛의 에너지 소비와 연관된 파라미터를 갖는 컨테이너 선박에 기초한다.
실시예에서, 밸류 체인 네트워크 관리 플랫폼(604)은 밸류 체인 네트워크 관리 플랫폼과 연관된 자산 관리 애플리케이션(814) 및 컨테이너 선박에 연결된 하나 이상의 해양 시설을 포함한다.
실시예에서, 자산 관리 애플리케이션은 바지선에 연결된 하나 이상의 선박과 연관된다.
실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 선박이고 디지털 트윈은 하나 이상의 선박의 내비게이션 코스의 시각화를 제공할 수 있다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 선박이고, 디지털 트윈은 하나 이상의 선박의 엔진 성능의 시각화를 제공할 수 있다. 실시예에서, 해양 밸류 체인 네트워크 엔티티는 하나 이상의 선박이고, 디지털 트윈은 하나 이상의 선박의 선체 무결성의 시각화를 제공할 수 있다.
실시예에서, 디지털 트윈은 해양 밸류 체인 네트워크 엔티티 상의 복수의 검사 지점(7730) 및 그 검사 지점과 연관된 유지보수 이력(7732)의 시각화를 제공할 수 있다. 실시예에서, 디지털 트윈은 지오펜싱된 파라미터(7740) 내의 해양 밸류 체인 네트워크 엔티티 상의 복수의 검사 지점(7730) 및 이들 검사 지점(7730)과 연관된 유지보수 이력(7732)의 시각화를 추가로 제공할 수 있다.
실시예에서, 디지털 트윈은 지오펜싱된 파라미터(7740) 내의 해양 밸류 체인 네트워크 엔티티 상의 복수의 검사 지점(7730) 및 그러한 검사 지점(7730)과 연관된 유지보수 이력 mardst(832)의 시각화와 연관된 활동의 원장(7750)의 세부사항을 추가로 제공할 수 있다.
밸류 체인 네트워크를 위한 제어 타워 및 기업 관리 플랫폼(CONTROL TOWER AND ENTERPRISE MANAGEMENT PLATFORM FOR VALUE CHAIN NETWORK)
실시예에서, 제어 타워는 기업 관리 플랫폼(또는 "EMP")을 포함하거나 이와 인터페이스할 수 있다. 실시예에서, EMP는 하나 이상의 디지털 트윈을 생성, 통합, 지원, 및/또는 동작시키도록 구성될 수 있다. 일반적으로, 디지털 트윈은 다수의 데이터 소스로부터의 데이터를 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에서 언급된 사물, 자산, 시스템, 디바이스, 기계, 컴포넌트, 장비, 시설, 개인 또는 다른 엔티티의 핵심적인 특성의 모델 및 표현에 병합하며, 이들은, 예컨대, 제한 없이 다음을 포함한다: 기계 및 그 컴포넌트(예를 들어, 배달 차량, 지게차, 컨베이어, 로딩 기계, 크레인, 리프트, 운반기, 트럭, 로딩 기계, 언로딩 기계, 패킹 기계, 픽킹 기계, 및 로봇 시스템(예를 들어, 물리적 로봇, 협동 로봇, "코봇(cobot)들"), 드론, 자율 차량, 소프트웨어 봇 등)을 포함하는 기타 등등); 배송 프로세스, 운반 프로세스, 해양 프로세스, 검사 프로세스, 운반 프로세스, 로딩/언로딩 프로세스, 패킹/언패킹 프로세스, 구성 프로세스, 조립 프로세스, 설치 프로세스, 품질 제어 프로세스, 환경 제어 프로세스(예를 들어, 온도 제어, 습도 제어, 압력 제어, 진동 제어 등), 경계 제어 프로세스, 항구 관련 프로세스, 소프트웨어 프로세스(애플리케이션, 프로그램, 서비스 등을 포함함), 패킹 및 로딩 프로세스, 재무 프로세스(예를 들어, 보험 프로세스, 보고 프로세스, 트랜잭션 프로세스 등), 테스트 및 진단 프로세스, 보안 프로세스, 안전 프로세스, 보고 프로세스, 자산 추적 프로세스 등과 같은 밸류 체인 프로세스; 모바일 전화, 태블릿, 밸류 체인 애플리케이션 및 프로세스를 위한 전용 휴대용 디바이스, 데이터 수집기(모바일 데이터 수집기를 포함함), 센서 기반 디바이스, 시계, 안경, 웨어러블, 머리 착용 디바이스, 의류 통합 디바이스, 밴드, 팔찌, 목 착용 디바이스, AR/VR 디바이스, 헤드폰 등과 같은 웨어러블 및 휴대용 디바이스; 작업자, 예컨대, 전달 작업자, 배송 작업자, 바지선 작업자, 항구 작업자, 도크 작업자, 기차 작업자, 선박 작업자, 유통 또는 주문 처리 센터 작업자, 웨어하우스 작업자, 차량 운전자, 비즈니스 관리자, 엔지니어, 플로어 관리자, 수요 관리자, 마케팅 관리자, 재고 관리자, 공급 체인 관리자, 화물 취급 작업자, 검사자, 전달 인력, 환경 제어 관리자, 재무 자산 관리자, 프로세스 감독자 및 작업자(본 출원에 언급된 임의의 프로세스에 대해), 보안 인력, 안전 인력 등; 공급자, 예컨대, 모든 타입의 상품 및 관련 서비스의 공급자, 컴포넌트 공급자, 성분 공급자, 재료 공급자, 제조자 등; 소비자, 라이센시, 사업자, 기업, 부가 가치 및 다른 재판매업자, 소매업자, 최종 사용자, 유통업자, 및 상품 및/또는 관련 서비스의 카테고리를 구매하거나, 라이센싱하거나, 또는 다른 방식으로 사용할 수 있는 다른 자를 포함하는 고객; 로딩 및 언로딩 도크, 저장 및 웨어하우징 시설, 볼트, 유통 시설 및 주문 처리 센터, 항공기, 공항, 격납고, 활주로, 재급유 데포 등을 포함하는 항공 여행 시설, 도크, 야드, 크레인, 롤-온/롤-오프 시설, 램프, 컨테이너, 컨테이너 취급 시스템, 수로, 잠금 장치 등과 같은 항구 기반구조 시설과 같은 해양 시설, 쉽야드 시설, 선박, 바지선, 보트 등과 같은 플로팅 자산, 원산지 지점 및/또는 목적지 지점에서의 시설 및 다른 아이템, 컨테이너 선박, 바지선, 및 다른 플로팅 자산과 같은 운반 시설, 뿐만 아니라 트럭, 기차 등과 같은, 상품을 운반하기 위해 사용되는 육상 기반 차량 및 다른 배달 시스템과 같은 광범위한 운영 시설; 시장 인자, 이벤트 등을 포함하는, 수요를 고려하는 아이템 또는 요소(즉, 수요 인자); 시장 인자, 날씨, 컴포넌트 및 재료의 가용성 등을 포함하는, 공급을 고려하는 아이템 또는 요소(즉, 공급 인자); 여행 경로의 가용성, 날씨, 연료 가격, 규제 인자, 차량, 컨테이너, 패키지, 웨어하우스, 주문 처리 센터, 매대 등과 같은 공간의 가용성 등과 같은 물류 인자; 온라인 소매업자 등을 포함한 소매업자; 수로, 도로, 항공 이동 경로, 철도 등과 같은 운송을 위한 경로; 모바일 로봇, 코봇, 인간 작업자를 보조하기 위한 로봇 시스템, 로봇 배달 시스템 등을 포함하는 로봇 시스템; 패키지 전달, 사이트 매핑, 모니터링 또는 검사 등을 포함하는 드론; 패키지 전달을 위한 것과 같은 자율 차량; 기업 리소스 계획 플랫폼, 고객 관계 관리 플랫폼, 판매 및 마케팅 플랫폼, 자산 관리 플랫폼, 사물 인터넷 플랫폼, 공급 체인 관리 플랫폼, 서비스형 플랫폼 플랫폼, 서비스형 기반구조 플랫폼, 소프트웨어 기반 데이터 저장 플랫폼, 분석 플랫폼, 인공 지능 플랫폼 등과 같은 소프트웨어 플랫폼; 등.
실시예에서, 디지털 트윈은 플랜트 또는 웨어하우스를 통한 아이템의 흐름과 같은 프로세스의 단계를 나타내는 이동 요소와 같은 작업흐름과 같은 프로세스를 나타낼 수 있다. 디지털 트윈은 또한 역할 및/또는 인력의 조직도, 프로세스의 논리적 단계 등과 같은 논리적으로 관련된 요소의 다양한 토폴로지, 클러스터, 네트워크, 계층 등과 같은 논리적 표현을 제공할 수 있다. 따라서, 디지털 트윈이라는 용어는 사물 또는 사물의 세트의 디지털 표현을 지칭할 수 있다. 기업 디지털 트윈은 기업과 관련된 임의의 디지털 트윈 및 기업 및 동작과 관련된 광범위한 사물을 지칭할 수 있다. 이는 경쟁자, 벤더, 공급자, 유통업자, 고객 등과 같은, 기업과 관련된 다른 기업 및 코호트의 디지털 트윈을 포함할 수 있다. 기업은 회사, 조직, 법인, LLC, 비영리 조직 등을 지칭할 수 있다. 기업 디지털 트윈은, 특히, 자산 및 동작의 모니터링, 매우 다양한 분석 결과의 편리한 생성 및 표현, 시나리오 계획, 추천 및 다른 결정 지원의 생성 및 디스플레이, 협력적 결정 지원, 및 자산 및 동작의 제어를 위한 것과 같은 시뮬레이션의 생성 및 디스플레이를 포함하는, 기업의 요소의 핵심적인 특징의 디지털 표현으로부터 이익을 얻는 매우 다양한 사용자 대면 애플리케이션에 사용될 수 있다. 기업 디지털 트윈은 조직 디지털 트윈, 집행 디지털 트윈, 코호트 디지털 트윈, 프로세스 디지털 트윈, 논리 디지털 트윈, 실시간 디지털 트윈, AI-구동 디지털 트윈, 환경 디지털 트윈, 기반구조 및 장비 디지털 트윈, 노동력 디지털 트윈, 자산 디지털 트윈, 제품 디지털 트윈, 시스템 디지털 트윈 등을 포함할 수 있으며, 이들은 본 개시 전반에 걸쳐 더 상세히 논의된다.
실시예에서, 디지털 트윈은 시각적 디지털 트윈 및/또는 데이터-기반 디지털 트윈 또는 시각적 및 데이터-기반 디지털 트윈의 조합들일 수 있다. 시각적 디지털 트윈은 전통적인 2D 디스플레이(선택적으로 터치, 음성, 광학, 청각, 또는 다른 제어 특징을 가짐), 3D 디스플레이, 증강 현실 디스플레이, 가상 현실 디스플레이, 및/또는 혼합 현실 디스플레이와 같은 디스플레이에 표시될 수 있는 디지털 트윈을 지칭할 수 있으며, 이들 중 임의의 것은 컴퓨터 생성 디스플레이 요소(예컨대, CAD 및/또는 3D 모델로부터 생성되거나 도출된 것을 포함하는 애니메이션 및 다른 컴퓨터 생성 그래픽), 카메라에 의해 포착된 요소(예컨대, 비디오 및 스틸 이미지), LIDAR 및 다른 포인트 클라우드 시스템과 같은 다양한 센서 시스템으로부터 포착되거나 도출된 시각적 요소, 구조화된 광 시스템, 음향 센서 시스템, 진동 감지 시스템, 전자기 감지 시스템 등으로부터의 정보의 파형 또는 다른 표현, 및/또는 온보드 진단 및 보고 시스템, IT 시스템(예를 들어, 로그), 웨어러블 디바이스로부터의 정보 등과 같은 기업 자산의 데이터 수집 및 생성 시스템으로부터 포착되거나, 수신되거나, 도출된 요소의 다양한 조합을 포함할 수 있다. 데이터 기반 디지털 트윈은 사물 또는 사물의 그룹의 상태를 표현하도록 파라미터화되는 파라미터의 세트를 포함하는 데이터 구조를 지칭할 수 있으며, 따라서, 데이터 기반 디지털 트윈은 예컨대, 시뮬레이션, 모델링, 예측, 분류 등을 위해, 컴퓨팅 애플리케이션에 의해 활용될 수 있다. 본 출원에서 사용될 때, "표시(depict)"라는 용어는 데이터 구조에서(예를 들어, 데이터-기반 디지털 트윈에서) 사물의 시각적 디스플레이 및/또는 사물의 디지털 표현을 지칭할 수 있다. 시각적 디지털 트윈은 또한 데이터-기반 디지털 트윈, 또는 시각적 및 데이터-기반 디지털 트윈의 조합일 수 있다는 점에 유의한다.
일부 실시예에서, 디지털 트윈은 실시간 데이터로 업데이트될 수 있어서, 디지털 트윈은 사물 또는 사물의 세트의 상태를 실시간으로 반영한다. 예를 들어, 운영 환경 또는 시설(예를 들어, 공장, 웨어하우스, 캠퍼스 등)의 디지털 트윈은 환경의 물리적 구조(예를 들어, 벽, 플로어, 천장, 방 등) 뿐만 아니라, 또한 환경에 나타나는 객체(예를 들어, 기계, 제품, 직원, 로봇 등)를 표시할 수 있다. 또한, 이 디지털 트윈이 구성되는 방식에 따라, 운영 시설의 디지털 트윈은 배관, 도관, 배선, 기초 등과 같은 사물을 포함할 수 있다. 실시예에서, 디지털 트윈은 무선 및 고정 네트워킹 디바이스 및 시스템 및 동작 능력 및 특성을 포함하는, 시설의 정보 기술 기반구조를 나타낼 수 있다. 일부 구현예에서, 제조 환경의 디지털 트윈은 센서(예를 들어, 시설 또는 시설 내의 장비 또는 기계에 또는 그 주위에 배치된 IoT 센서, 시설 내의 작업자가 착용하는 웨어러블 디바이스, 및 다른 적합한 데이터 소스)로부터 수신되는 데이터로 업데이트될 수 있다. 예를 들어, 웨어러블 디바이스를 착용한 작업자가 시설을 통해 이동함에 따라, 웨어러블 디바이스는 환경 내의 작업자의 상대적 위치를 EMP에 통신할 수 있고, EMP는 차례로 시설의 디지털 트윈에서의 작업자의 표현의 위치를 반영하도록 디지털 트윈을 업데이트할 수 있다. 디지털 트윈이 프로세스의 것인 시나리오에서, 디지털 트윈은 프로세스를 표시할 수 있다. 예를 들어, 제조 프로세스의 맥락에서, 프로세스의 디지털 트윈은 제조 파이프라인 내의 상이한 스테이지의 상태 및/또는 결과를 표시할 수 있다. 일부 구현예에서, EMP(80)는 다양한 소스(예를 들어, IoT 센서, 스마트 장비, 컴퓨팅 디바이스, 스마트 제품, 스마트 기반구조 등으로부터의 데이터)로부터 데이터를 수신할 수 있고, 수신된 데이터를 반영하도록 프로세스의 디지털 트윈을 업데이트할 수 있다. EMP는 제조 기업, 소매 및 마케팅 기업(상인, 광고주, 소매 체인, 레스토랑 체인, 쇼핑몰 등), 기술 기업(예를 들어, 소프트웨어, 데이터베이스 및 정보 기술 회사), 물류 기업(예를 들어, 배송 및 전달 엔티티), 서비스 기반 기업(예를 들어, 항공사, 법률 회사, 병원, 회계 회사 등) 등을 포함하는 상이한 타입의 기업에 대한 기업 디지털 트윈을 생성, 업데이트, 및/또는 제공하도록 구성될 수 있다. 예를 들어, 패스트푸드 기업의 기업 디지털 트윈은 식품 생산 시설, 식품 생산 프로세스, 식품 배송 시설(예를 들어, 웨어하우스 및/또는 트럭), 소매 위치(예를 들어, 개별 레스토랑 위치), 및/또는 소매 프로세스(예를 들어, 식품 준비 프로세스 및/또는 고객 작업흐름)의 디지털 트윈을 포함할 수 있다. 이 예에서, 이들 디지털 트윈은 (예를 들어, 식품 생산 시설에서의 비정상적인 온도 판독에 기초하여) 오염의 소스, (예를 들어, 생산 및/또는 배송 프로세스의 결과에 기초하여) 지연, (예를 들어, 식품 준비 및/또는 고객 작업흐름에 관련된 데이터에 기초하여) 고객 만족도 등을 식별할 수 있다.
실시예에서, EMP는 하나 이상의 기업 디지털 트윈을 사용하여 및/또는 그에 대해 시뮬레이션을 수행하도록 구성될 수 있다. 실시예에서, (기업 디지털 트윈을 포함하는) 디지털 트윈은 자연 법칙, 물리학 법칙, 기계적 특성, 재료 특성, 경제적 원리, 화학적 특성 등과 같은 제약의 세트에 따라 거동하도록 구성될 수 있다. 이러한 방식으로, EMP는 기업 디지털 트윈의 하나 이상의 파라미터를 변경할 수 있고, 실세계 조건 및 거동에 부합하는 디지털 트윈 내에서 시뮬레이션을 실행할 수 있다. 예를 들어, 상이한 패키징 재료와 연관된 결과를 시뮬레이션하는 물류 프로세스의 시뮬레이션을 실행함에 있어서, EMP는 하나 이상의 제품의 패키징 재료의 변동을 시뮬레이션할 수 있다. 시뮬레이션 동안, 제품은 제품의 환경의 환경 디지털 트윈, 제품의 제품 디지털 트윈, 및/또는 물류 디지털 트윈의 하나 이상의 파라미터를 변경함으로써 상이한 조건(예를 들어, 상이한 온도, 습도, 모션 등)에 "노출"될 수 있다. 시뮬레이션은 상이한 패키징 재료를 사용하여 손상될 가능성이 있는 제품의 분율을 결정하기 위해 실행될 수 있으며, 이는 상이한 패키징 재료의 비용 및 손상된 제품을 대체하는 비용 대비 배송의 수익성에 영향을 미칠 수 있다. 이러한 방식으로, 시뮬레이션은 추정된 제품 손실이 고려되도록 가장 비용 효율적인 패키징 재료를 선택하는 것을 돕기 위해 실행될 수 있다. 또한, 일부 실시예에서, 디지털 트윈은 사물 또는 사물의 그룹의 상태를 외삽하고; 그러한 시뮬레이션의 결과(상태, 이벤트 및 흐름을 포함함)를 표현하고; 시뮬레이션에 기초하여 디지털 트윈에서 표현되는 사물을 제어할 기회를 제공하기 위해, 사물 또는 사물의 그룹의 미래 상태 및/또는 모델링 거동을 예측하기 위한 시뮬레이션을 수행하도록 활용될 수 있다. 예를 들어, EMP는 환경 전체에 걸쳐 배치된 온도 센서, 습도 센서, 및 팬 속도 센서로부터 센서 판독을 수신할 수 있다. EMP는 수신된 센서 판독 및 환경의 치수에 하나 이상의 열역학 방정식을 적용하여 환경의 열역학적 거동을 모델링하여, 온도 센서를 갖지 않는 영역에서의 온도를 결정하고, 디지털 트윈에서 표현하고 HVAC 시스템과 같은 하나 이상의 시스템 또는 컴포넌트를 조정하여 환경의 변화를 유도할 기회를 제공할 수 있다.
일부 실시예에서, EMP는 조직 디지털 트윈을 생성하도록 구성된다. 일부 실시예에서, 조직 디지털 트윈은 기업의 조직 편성도("조직도(org chart)")를 포함한다. 실시예에서, 조직도는 기업 내의 상이한 부문(비즈니스 유닛이라고도 지칭됨), 각각의 부문 내의 역할, 기업의 보고 구조, 및 이러한 역할을 채우는 개인을 정의할 수 있다. 실시예에서, 조직 디지털 트윈은 비즈니스 유닛, 역할, 및/또는 역할을 채우는 개인에 대한 추가적인 데이터를 더 포함할 수 있다. 예를 들어, 조직 디지털 트윈은 각각의 비즈니스 유닛에 대한 예산, 역할에 대한 급여 범위, 역할에 대한 직책, 개인에 대한 급여, 개방 역할, 개인에 대한 시작 날짜 등을 포함할 수 있다. 일부 실시예에서, 조직 디지털 트윈은 허가, 액세스 권한, 및 제한을 포함하는, 조직 내의 상이한 부문 및/또는 역할에 대한 데이터 액세스 규칙을 추가로 통합할 수 있다.
일부 실시예에서, 조직 디지털 트윈은 조직을 계층으로서 또는 다른 토폴로지로서 표현할 수 있으며, 여기서 엔티티 및 관계는 보고 관계, 권한 또는 의사 결정의 관계 등과 같이 표현된다. 실시예에서, 조직 구조는 방향성 비순환 그래프, 트리 등과 같은 그래프 구조로 표현되고 유지될 수 있다. 실시예에서, 조직 편성도 또는 그래프와 같은 조직 구조는 인공 지능 시스템에 의해 파싱되어 엔티티, 관계, 및 역할의 세트를 자동으로 추론할 수 있고, 이는 차례로 디지털 트윈의 구성을 위한 디폴트 파라미터의 세트를 결정하거나 추천하기 위해 사용될 수 있다. 실시예에서, 디폴트 파라미터는 인공 지능 시스템에 의해 추론된 바와 같이, 조직 내의 사용자의 역할에 기초하여 각각의 사용자에 대해 자동으로 구성될 수 있다. 실시예에서, 파라미터는 조직 디지털 트윈의 디지털 트윈 구성 인터페이스를 사용하여, 역할을 조정 또는 정정하는 것과 같이, 하나 이상의 인가된 사용자에 의해 조정될 수 있다. 역할 특정 디지털 트윈의 구성을 위한 파라미터는 (예컨대, 데이터 액세스를 위한) 허가, 통신 설정, (데이터 및 분석의 역할 특정 뷰, 시뮬레이션 특징, 제어 특징, 및 본 개시 전반에 걸쳐 설명된 많은 다른 특징과 같은) 특징의 가용성 등을 포함할 수 있다. 실시예에서, 인공 지능 서비스 시스템은 기계 학습, 딥러닝, 컨볼루션 신경망, 로봇 프로세스 자동화 등과 같은, 본 개시 또는 참조로 포함된 문서 전반에 걸쳐 설명된 기술 중 임의의 것을 포함할 수 있다. 실시예에서, 인공 지능 시스템은 조직 편성도 내의 역할 및 관계가 인간 전문가의 세트에 의해 제공되는 경우 및/또는 역할 및 관계가 조직 편성도 내에서 명시적으로 언급되는 경우와 같은 훈련 데이터 세트에 기초하여 조직 편성도 또는 구조 내의 역할을 추론하도록 훈련되는 기계 학습 시스템을 포함할 수 있다. 예를 들어, 인공 지능 시스템은 조직 편성도의 상단이 조직의 CEO 및/또는 사장의 역할을 포함할 가능성이 있고, CFO 또는 COO와 같은 다른 역할이 CEO 역할에 직접 연동하는 노드에서 표현될 가능성이 있다는 것을 학습할 수 있다. 실시예에서, 인공 지능 시스템은 증권 서류, 소셜 미디어 정보, 웹 사이트(예컨대, 증권 정보 사이트), 홍보 및 조직에 관한 다른 뉴스 등과 같은 공개 데이터 세트와 같은 조직 구조의 이해를 결정 및/또는 증강시키기 위해 다양한 데이터 소스에 대해 동작하도록 훈련될 수 있다. 실시예에서, 기계 학습 시스템은 LinkedIn™과 같은 소셜 미디어 사이트를 파싱하여, 개인의 역할을 결정하고/하거나 역할을 추론하는 것을 도울 수 있다. 실시예에서, 소셜 데이터, 웹 데이터, 새로운 기사 등과 같은 데이터 소스는 역할과 연관될 수 있는 개인의 역량을 결정하기 위해 사용될 수 있다(예를 들어, AI 시스템은 재무 학위를 가진 사람이 조직 내에서 재무 역할을 할 가능성이 있다고 추론할 수 있다). 실시예에서, 사용자에 대한 설정은, 시스템에 명시적으로 입력되는 바와 같이 또는 개인의 아이덴티티와 연관된 정보로부터 추론되는 바와 같이, 사용자의 훈련, 교육, 경험 및/또는 역량에 적절한 특징을 제공하도록 자동으로 구성될 수 있다. 예를 들어, 물리학 학위 및 MBA를 갖는 개인은 물리적 모델 시뮬레이션 및 재무 시뮬레이션에 대한 디폴트 액세스를 제공받을 수 있는 반면, 그러한 교육 자격증명을 갖지 않은 개인은 그러한 특징이 디지털 트윈에서 이용가능하게 되기 전에 인가 및/또는 훈련을 획득하도록 요구될 수 있다. 따라서, EMP는 조직 구조 및 관계의 자동화된 이해, 구조 및 관계의 이해에 기초한 조직 내의 역할에 대한 디지털 트윈의 자동화된 구성, 및 역할 및/또는 역할을 채우는 사용자의 아이덴티티(사용자의 역량, 교육, 경험, 훈련 등을 포함함)에 기초한 디지털 트윈 파라미터, 설정, 및 특징의 자동화된 구성을 제공하도록 훈련 및/또는 구성된 인공 지능 시스템을 포함할 수 있다.
실시예에서, 디지털 트윈은 공급자, 벤더, 유통업자, 물류 파트너, 부가 가치 재판매업자, 대표자, 에이전트, 벤처 파트너, 경쟁자, 광고주, 시장 등과 같은 EMP의 사용자의 조직의 코호트 내의 제3자 조직의 조직 구조를 나타내기 위해 제공될 수 있다. 코호트 조직의 조직 디지털 트윈은 EMP의 사용자가 조직의 관련 부분에 관한 핵심적인 정보를 빠르고 쉽게 볼 수 있도록, 역할 또는 조직 내의 개인의 구조, 관계, 역할, 아이덴티티, 및 역량을 나타낼 수 있다. 코호트 조직의 조직 디지털 트윈은, 예컨대, 조직의 정확한 표현을 유지하기 위해, 웹사이트, 뉴스 피드, 보도 자료, 소셜 미디어 데이터, 및 다른 이용가능한 데이터 소스를 스파이더링(spidering), 웹스크레이핑(webscraping), 및 파싱하는 것에 의해서, EMP의 인공 지능 시스템에 의해 자동으로 유지될 수 있다. 인공 지능 시스템은 업데이트된 조직 구조를 유지하기 위해 인간 사용자에 의해 라벨링되고/되거나 자동으로 라벨링된 훈련 데이터 세트에 대해 훈련될 수 있다. 결과적인 코호트 디지털 트윈은 EMP 내에서 다양한 역할 특정 뷰를 제공하도록 구성될 수 있다. 예를 들어, 판매원은 사용자의 제안을 구매하기 위한 결정에 관여될 가능성이 있는 개인을 포함할 가능성이 가장 높은 코호트 조직의 부분의 디지털 트윈 뷰를 제시받을 수 있는 반면, HR 인력의 뷰는 인적 리소스에 대한 가장 비교가능한 벤치마크 정보를 제공하는 코호트 조직의 부분의 디지털 트윈 뷰를 제시하도록 구성될 수 있다. 코호트 조직의 디지털 트윈 뷰는, 채용 후보의 식별, 조직 구조에 관한 벤치마킹, 역량 및 인재에 관한 벤치마킹, 판매 및 비즈니스 개발 타겟의 식별 및/또는 구성, 경쟁적 제안 및/또는 프로젝트의 식별, 합병 및 인수을 위한 타겟의 식별, 경쟁적 연구를 위한 타겟의 식별 등과 같은, EMP 내의 광범위한 프로세스 및 특징을 지원하기 위해, 프로세스-특정 또는 역할 특정 기반으로 인공 지능 시스템을 훈련함으로써, 자동으로 채워지고/거나 구성될 수 있다.
디지털 트윈은, 많은 다른 사용 중에서도, 시스템의 현재 상태를 시각화하고, 그러한 시스템 상에서 시뮬레이션을 실행하고, 거동을 모델링하는 데 도움이 될 수 있다. 그러나, 디지털 트윈의 구성에 따라, 디지털 트윈의 구성이 디지털 트윈에 의해 표시/시각화되는 데이터를 지시하기 때문에, 특정 뷰 또는 특징은 조직의 일부 구성원에게 유용하지 않을 수 있다. 따라서, 위에서 언급된 바와 같이, 일부 실시예에서, EMP는 역할 기반 디지털 트윈을 생성하도록 구성된다. 역할 기반 디지털 트윈은 기업의 하나 이상의 세그먼트/양태의 디지털 트윈을 지칭할 수 있으며, 여기서 역할 기반 디지털 트윈에 의해 표현되는 데이터의 하나 이상의 세그먼트/양태 및/또는 세분성은 엔티티 내의 특정 역할 및/또는 역할과 연관된 사용자의 아이덴티티(선택적으로 사용자의 역량, 훈련, 교육, 경험, 권한 및/또는 허가, 또는 다른 특성을 고려함)에 맞춤화된다. 실시예에서, 역할 기반 디지털 트윈은 집행 디지털 트윈을 포함한다. 집행 디지털 트윈은 기업 내의 각각의 임원에 대해 구성되는 디지털 트윈을 지칭할 수 있다. 집행 디지털 트윈의 예는 CEO 디지털 트윈, CFO(Financial) 디지털 트윈, COO(Operations) 디지털 트윈, HR 디지털 트윈, CTO(Technology) 디지털 트윈, CMO(Marketing) 디지털 트윈, 법률 고문(Legal) 디지털 트윈, CIO(Information) 디지털 트윈 등을 포함할 수 있다. 이러한 실시예 중 일부에서, EMP는 조직 내에서 상이한 역할을 갖는 사용자에 대해 상이한 타입의 집행 디지털 트윈을 생성한다. 이러한 실시예 중 일부에서, 각각의 타입의 집행 디지털 트윈의 각각의 구성은, 다른 요소 중에서도, 디폴트 디지털 트윈 데이터 타입, 엔티티 간의 디폴트 관계, 디폴트 특징, 및 디폴트 세분성으로 미리 정의될 수 있다. 디폴트 데이터 타입, 엔티티, 특징 및 세분성은 조직의 모델에 기초하여 결정될 수 있으며, 이는 차례로 산업에 대한 전형적인 조직 구조(예를 들어, 자동차 제조자, 소비자 패키징 상품 제조자, 전국 소매업자, 지역 식료품 체인 등)에 기초하는 것과 같은 산업-특정 또는 도메인-특정 모델 또는 템플릿에 기초할 수 있다. 실시예에서, 인공 지능 시스템은, 그 산업 또는 도메인의 조직 내의 다양한 역할에 대한 데이터 타입, 엔티티, 특징 및 세분성의 디폴트 구성으로, 조직에 대한 EMP의 인스턴스에 대한 산업-특정 또는 도메인-특정 디지털 트윈을 자동으로 생성하기 위해, 예컨대, 라벨링된 산업-특정 또는 도메인-특정 데이터 세트에 대해 훈련될 수 있다. 디폴트는 그 다음으로, 산업-특정 또는 도메인-특정 디폴트로부터의 회사-특정 변동을 반영하기 위하여 인가된 사용자의 사용자 인터페이스에서 재구성될 수 있다. 일부 실시예에서, (예를 들어, 온-보딩 프로세스 동안) 사용자는 상이한 타입의 집행 디지털 트윈에 표시된 데이터의 타입, 표현될 엔티티, 제공될 특징 및/또는 상이한 타입의 집행 디지털 트윈의 세분성을 정의할 수 있다. 특징은 어떤 데이터가 액세스되도록 허용되는지, 어떤 뷰가 표현되는지, 뷰의 세분성의 레벨, 어떤 분석 모델 및 결과가 액세스될 수 있는지, 어떤 시뮬레이션이 수행될 수 있는지, 어떤 변경이 이루어질 수 있는지(다른 사용자의 허가와 관련된 변경을 포함함), 통신 및 협력 특징(경보의 수신 및 다른 역할 및 사용자의 디지털 트윈에게 직접 통신하기 위한 능력을 포함함), 제어 특징 등을 포함할 수 있다. 참조의 편의상, 본 개시 전반에 걸친 뷰, 데이터, 특징, 제어 또는 세분성에 대한 참조는, 문맥상 구체적으로 달리 나타나는 경우를 제외하고는, 위의 것 중 임의의 것 및 전부를 포함하는 것으로 이해하여야 한다. 세분성은 특정 타입의 데이터 또는 데이터의 타입이 디지털 트윈으로 표현되는 상세의 레벨을 지칭할 수 있다. 예를 들어, CEO 디지털 트윈은 특정 기간 동안 P&L 데이터를 포함할 수 있지만, 그 기간 동안 P&L 데이터에 기여하는 다양한 수익 스트림 및 비용을 표시하지 않을 수 있다. 이 예를 계속 설명하자면, CFO 디지털 트윈은 하이-레벨 P&L 데이터에 더하여 시간 기간 동안 다양한 수익 스트림 및 비용을 표시할 수 있다. 전술한 예는 본 개시의 범위를 제한하기를 의도하지 않는다. 상이한 집행 디지털 트윈의 추가적인 예 및 구성이 본 개시 전반에 걸쳐 설명된다.
일부 실시예에서, 집행 디지털 트윈은 사용자(예를 들어, CEO, CFO, COO, VP, 이사회 구성원, GC 등)가 디지털 트윈에 표시된 특정 상태의 세분성을 증가시키는 것(디지털 트윈의 상태를 "드릴 다운하는 것"이라고도 지칭됨)을 허용할 수 있다. 예를 들어, CEO 디지털 트윈은 P&L 데이터, 판매 수치, 고객 만족도, 직원 만족도 등의 낮은 세분성 스냅샷 또는 요약을 표시할 수 있다. 사용자(예를 들어, 기업의 CEO)는 CEO 디지털 트윈을 표시하는 클라이언트 애플리케이션을 통해 P&L 데이터로 드릴 다운하기로 선택할 수 있다. 이에 응답하여, EMP는 실시간 수익 스트림, 실시간 비용 스트림 등과 같은 더 높은 해상도의 P&L 데이터를 제공할 수 있다. 다른 예에서, CEO 디지털 트윈은 기업의 상이한 상태의 시각적 지표를 포함할 수 있다. 예를 들어, CEO 디지털 트윈은 각각의 데이터 아이템의 조건(예를 들어, 현재 및/또는 예상된 조건)을 구별하기 위해 상이한 컬러 아이콘을 표시할 수 있다. 예를 들어, 적색 아이콘은 경고 상태를 나타낼 수 있고, 황색 아이콘은 중립 상태를 나타낼 수 있고, 녹색 아이콘은 만족스러운 상태를 나타낼 수 있다. 이 예에서, 사용자(예를 들어, CEO)는 특정 데이터 아이템으로 드릴 다운할 수 있다(예를 들어, 경고 상태가 있는 이유를 결정하기 위해, 더 특정한 및/또는 추가적인 데이터를 보기 위해, 판매 데이터로 드릴 다운하도록 적색 판매 아이콘을 선택할 수 있다). 이에 응답하여, CEO 디지털 트윈은 선택된 데이터 아이템에 관련된 하나 이상의 상이한 데이터 스트림을 표시할 수 있다.
실시예에서, 디지털 트윈과 상호작용하는 사용자는 기업 내에 연관된 다른 사용자에게 상태를 상신(escalate) 또는 역상신(deescalate)할 수 있다. 예를 들어, COO 또는 다른 운영 임원은 다양한 운영 관련 데이터를 표시하는 COO 디지털 트윈을 볼 수 있다. 이 예에서, COO는 COO 디지털 트윈에 표시된 특정 데이터 세트를 CEO에게 상신할 수 있다. 일단 상신되면, 특정 데이터 세트는 (예를 들어, 상신하는 임원으로부터의 메시지와 함께) CEO 디지털 트윈에 나타날 수 있다.
일부 실시예에서, EMP는 롤업된 실시간 보고를 지원한다. 이러한 실시예 중 일부에서, IoT 시스템, 센서, 온보드 진단 시스템, 웨어러블 디바이스, 기업 소프트웨어 시스템, 및/또는 다른 데이터 소스(예컨대, 데이터 피드, 뉴스 피드, 소셜 미디어 데이터 소스, 크라우드소싱된 데이터, 웹사이트를 스파이더링하는 것에 의해 획득된 데이터, 판매 데이터, 마케팅 데이터, 광고 데이터, 시장 데이터, 날씨 데이터, 가격 데이터 등)로부터의 데이터는 하나 이상의 데이터 융합 동작을 겪을 수 있고, AI 기반 에이전트는 기업 내의 어느 개인이 융합되지 않은 또는 융합된 데이터에 대해 수행된 분석의 결과를 보고할지를 결정할 수 있다. 실시예에서, EMP는 본 개시의 다른 곳에서 그리고 본 출원에 참조로 포함되는 문서에서 설명되는 바와 같은 데이터 수집, 모니터링 및 저장 시스템을 포함하는, 조직의 연결된 정보 기술 및 연결 시스템의 범위로부터 이용가능한 조직의 또는 조직에 관한 데이터(및 제3자 또는 외부 데이터)에 액세스할 수 있다. 실시예에서, 데이터 수집, 모니터링, 및 저장 시스템은 그러한 연결된 정보 기술 및 연결 시스템의 "데이터 파이프라인"을 포함할 수 있으며, 이는 다음 중 하나 이상을 포함할 수 있다: (기업 자산과 같은) 아이템 상에 또는 그 주위에 배치되고/되거나 그에 통합되는 개별 센서, 그러한 센서의 패키지, 데이터 수집, 검출 및 판독 시스템(예컨대 자산 태그 판독기, 센서 판독기 등); 온보드 진단 시스템, 로그 시스템, 및 기계, 컴포넌트 또는 시스템으로부터 데이터의 피드를 생성하는 다른 온보드 보고 시스템; 네트워킹 디바이스- 스위치, 액세스 포인트, 라우터, 중계기, 메시 네트워킹 노드, 게이트웨이들 등을 포함하는 네트워킹 디바이스들 뿐만 아니라, 또한 상이한 타입의 스마트 또는 네트워크 연결된 에지 및 IoT 디바이스의 호스트를 포함하고, 블루투스, BLE, WIFI, NFC, IR 및 다른 무선 디바이스들 뿐만 아니라, 또한 셀룰러 칩 및 보드, 게이트웨이들, 타워 및 백홀 시스템을 포함하는 5G, 4G, 3G, LTE 및 다른 셀룰러 기반구조 시스템을 포함함 -; 로컬 저장소, 분산 저장소, 데이터베이스 시스템, 캐싱 시스템, 로컬 메모리 시스템 등을 포함하는 데이터 저장 및 처리 시스템; 에지 계산 시스템, 서버리스 계산 시스템을 포함하는 계산 시스템; 및 클라이언트, 서버, 구내 IT 시스템, 클라우드 기반 시스템 등. 데이터는 원시 형태로(예컨대, 원시 데이터의 패킷으로, 메타데이터와 함께, 스트림으로, 이벤트 또는 트랜잭션으로서, 신디케이티드 데이터로서, 그리고 다른 형태로) 그리고/또는 압축된 데이터(훈련된 인공 지능 시스템에 의해 압축이 수행되는 경우를 포함함), 요약된 데이터(훈련된 인공 지능 시스템에 의해 요약이 수행되는 경우를 포함함), 증강된 데이터(예컨대, 메타데이터 및/또는 하나 이상의 분석 결과에 의해), 융합된(예를 들어, 하나 이상의 다른 소스와 멀티플렉싱된) 등과 같은 다양한 처리된 형태로 이 파이프라인을 따라 지점에서 송신 및/또는 저장될 수 있다. 수집, 처리, 저장 및/또는 송신은, 노드 사이의 데이터 경로에 대한 지능형 프로토콜 선택, RF-도메인 무선 송신의 지능형 필터링 등에 의한 것과 같이, 개선된 신뢰성, 서비스 품질, 효율 등을 제공하기 위해, 본 문서 및 본 출원에 참조로 포함된 문서의 다른 곳에 개시된 바와 같은 하나 이상의 지능 서비스 시스템에 의해 자동화될 수 있다. 예로서, 공장에서 산업 기계/장비 상에 배치된 진동 센서의 세트는 산업 기계/장비의 다양한 컴포넌트의 진동 시그니처를 보고할 수 있다. 에지 디바이스는 환경(예를 들어, 공장, 웨어하우스, 유통 센터, 사무실 건물 등)으로부터의 센서 데이터를 환경에 대해 수집된 다른 데이터와 융합하도록 구성될 수 있고, 그에 의해 융합된 데이터가 디지털 트윈에 공급된다. 그 다음, EMP는 융합된 데이터로 디지털 트윈을 업데이트할 수 있고, AI 시스템은 보고할 데이터 아이템, 보고할 적절한 역할(들)(예를 들어, CEO, COO, CFO 등)을 식별하기 위해 디지털 트윈 및/또는 융합된 데이터를 분석할 수 있고, 그 다음, 적절한 개인(들)에게 보고를 제공할 수 있다. 집행 디지털 트윈을 포함하는 기업 디지털 트윈은 본 출원 전반에 걸쳐 더 상세히 논의된다.
실시예에서, EMP는 사용자(예를 들어, 조직의 구성원 및/또는 제3자와의 협력을 허용하는 협력 툴의 세트를 제공하도록 구성될 수 있다. 일부 실시예에서, 협력 툴은 사용자가 하나 이상의 기업 디지털 트윈과 관련하여 및/또는 그 내에서 협력하는 것을 허용한다. 일부 실시예에서, 사용자는 기업의 상이한 양태를 보여주는 동일한 디지털 트윈 또는 다수의 디지털 트윈을 관찰하는 동안, 디지털 트윈(들)의 상이한 뷰 또는 특징을 보여주는 동안 및/또는 상이한 세분성으로 정보를 디스플레이하는 동안 상호작용할 수 있다.
실시예에서, 협력 툴은 화상 회의 서비스를 포함한다. 이러한 실시예 중 일부에서, 화상 회의 서비스는 사용자가 화상 회의 동안 서브챗을 생성할 수 있게 하는 그래픽 사용자 인터페이스를 포함한다. 서브챗은 서브챗의 구성원이 진행중인 비디오 채팅으로부터 선택되는 임베디드 화상 회의 세션을 지칭할 수 있다. 일부 실시예에서, 화상 회의 서비스는 사용자가 디지털 트윈 내에서 화상 회의에 참여하는 것을 허용한다. 예를 들어, 사용자는 VR-헤드 세트를 통해 환경 디지털 트윈에 액세스할 수 있고, 이에 의해 참가자는 환경 디지털 트윈을 보고 "인-트윈" 화상 회의 내의 다른 참가자의 아바타를 볼 수 있다. 실시예에서, 서브챗의 구성은 기업 내의 역할에 기초하여 생성될 수 있는데, 예컨대 여기서 역할은 다른 역할을 서브챗으로 끌어들일 권한, 예컨대 권한 역할에 보고하는 역할을 갖는다.
실시예에서, 협력 툴은 상호작용 화이트 보드, 생산성 툴(예를 들어, 워드 프로세서, 스프레드시트 애플리케이션, 슬라이드 데크/프레젠테이션 애플리케이션 등), 또는 일부 다른 타입의 협력 툴을 포함한다. 이러한 실시예에서, 사용자는 디지털 트윈(예를 들어, 집행 트윈)으로부터의 데이터를 워드 프로세서 문서 또는 스프레드시트와 같은 매체로 임포트할 수 있다. 예를 들어, 분기별 보고를 준비할 때, CFO는 CFO 디지털 트윈으로부터의 데이터를 분기별 보고를 포함하는 문서로 직접 임포트할 수 있다. 협력 툴은 본 개시 전반에 걸쳐 더 상세히 설명된다. 실시예에서, 디지털 트윈은 하나 이상의 다른 협력 환경으로부터 디지털 트윈으로 데이터를 임포트할 수 있으며, 따라서 협력 엔티티는 디지털 트윈에 표현된 다른 엔티티와 함께 보여질 수 있다. 예를 들어, 물류 시스템의 성능에 대한 분석적 보고를 포함하는 Google™ 문서가 디지털 트윈에서의 물류 시스템의 요소의 관점에서 제시될 수 있다.
실시예에서, EMP는 기업 사용자를 대신하여 전문가 에이전트를 훈련시키고 배치한다. 실시예에서, 전문가 에이전트는, 예를 들어, 로봇 프로세스 자동화를 사용하여, 특정 분야에서 일부 전문 지식을 요구하는 정의된 역할을 갖는 각각의 사용자를 대신하여 태스크를 수행하고/하거나 그에 대한 액션을 제안하는 AI 기반 소프트웨어 에이전트이다. 실시예에서, 전문가 에이전트는, 예컨대, 집행 디지털 트윈에 관하여 사용자가 취한 액션, EMP에 의해 수집된 센서 데이터 또는 다른 데이터와의 상호작용, 작업흐름의 시스템 또는 컴포넌트와의 상호작용 등과 같은, 클라이언트 애플리케이션과의 사용자의 상호작용에 기초하여, EMP 내에서 또는 다른 방식으로 훈련될 수 있다. 실시예에서, 전문가 에이전트는 집행 역할에 대해 훈련된 집행 에이전트일 수 있다. 예를 들어, 집행 에이전트는 CEO 역할, COO 역할, CFO 역할, CTO 역할, CIO 역할, CTO 역할, CMO(chief marketing officer) 역할, GC(general counsel) 역할, HR(human resources) 집행 역할, 이사회 구성원 역할, CDO(chief data officer) 역할, CPO(chief product officer) 역할 등과 같은 집행 역할에서 액션을 수행하거나 사용자에게 추천하기 위해 훈련될 수 있다. 실시예에서, EMP는 투자자 역할, 엔지니어링 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 및 비즈니스 개발 역할, 공장 관리자 역할, 공장 운영 역할, 공장 작업자 역할, 파워플랜트 관리자 역할, 파워플랜트 운영 역할, 파워플랜트 작업자 역할, 장비 서비스 역할, 장비 유지보수 운영자 역할, 물류 관리자 역할, 공급 체인 관리자 등과 같은 기업 내의 다른 역할에 대해 전문가 에이전트를 훈련시키는 능력을 포함한다.
실시예에서, 전문가 에이전트는 사용자가 취한 액션 및 액션 주변의 상황(예를 들어, 취해진 액션의 타입, 액션을 프롬프트한 시나리오 등)에 관련된 특징을 포함하는 훈련 데이터에 기초하여 훈련된다. 실시예에서, EMP는 특정 사용자와 연관된 클라이언트 애플리케이션으로부터 원격 측정 데이터를 수신하고, 원격 측정 데이터 및 주변 상황에 기초하여 특정 사용자에 의해 수행되는 작업흐름을 학습한다. 예를 들어, 사용자는 COO 디지털 트윈이 제시되는 COO일 수 있다. COO의 책임 중에는 시설 내의 장비 또는 다른 기반구조의 유지보수 및 대체를 스케줄링하는 것이 있을 수 있다. COO 디지털 트윈에 표시된 상태는 시설 내의 상이한 장비 또는 기반구조의 조건의 표시를 포함할 수 있다. 이 예에서, COO는 장비 피스가 제1 조건(예를 들어, 악화 조건)에 있는 것으로 결정될 때 디지털 트윈을 통해 유지보수를 스케줄링할 수 있고, 장비가 제2 조건(예를 들어, 임계 조건)에 있는 것으로 결정될 때 장비 피스를 대체하기 위한 재정의 인가에 대한 요청을 COO 디지털 트윈을 통해 CFO에게 발행할 수 있다. 집행 에이전트는 COO 디지털 트윈과의 COO의 이전 상호작용에 기초하여 COO의 성향을 식별하도록 훈련될 수 있다. 일단 훈련되면, 집행 에이전트는 특정 장비 피스가 제2 조건에 있는 것으로 결정될 때 CEO에게 대체를 자동으로 요청할 수 있고, 장비 피스가 제1 조건에 있는 경우 유지보수를 자동으로 스케줄링할 수 있다. 집행 에이전트에 대한 추가 논의가 본 개시 전반에 걸쳐 제공된다. 특정 사용자에 대해 훈련되는 전문가 에이전트를 참조하지만, 전문가 에이전트는 하나 이상의 상이한 사용자의 액션을 사용하여 훈련될 수 있고, 전문가 에이전트를 훈련하는 데 관여되지 않은 사용자와 관련하여 사용될 수 있다는 것이 이해된다. 집행 에이전트를 포함하는 전문가 에이전트는 본 개시 전반에 걸쳐 더 상세히 논의된다.
도 68은 기업 관리 플랫폼(8000)의 예시적인 환경의 개략도이다. 실시예에서, EMP(8000)는 API(application programming interface)를 통해 제어 타워와 통합되거나 제어 타워에 액세스가능할 수 있다. 이러한 실시예 중 일부에서, EMP(8000)는 제어 타워에 액세스가능한 일련의 마이크로서비스들일 수 있다.
실시예에서, EMP(8000)는 기업 구성 시스템(8002), 디지털 트윈 시스템(8004), 협력 스위트(8006), 전문가 에이전트 시스템(8008), 및 지능 서비스 시스템(8010)을 포함한다. 실시예에서, EMP(8000)는 하나 이상의 외부 시스템과 EMP(8000) 사이의 데이터의 전송을 용이하게 하는 API 시스템(8014)을 포함한다. 일부 실시예에서, EMP(8010)는 기업에 관한 데이터를 저장하는 기업 데이터 저장소(8012)를 포함하고, 이에 의해 기업 데이터는 디지털 트윈 시스템(8004), 협력 스위트(8006), 및/또는 전문가 에이전트 시스템(8008)에 의해 사용된다. 기업 데이터 저장소(8012)는 위에서 그리고 본 개시 및 본 출원에 참조로 포함된 문서 전체에 걸쳐 설명된 데이터 파이프라인에 수반되는 임의의 데이터와 같은 매우 다양한 데이터 중 임의의 것을 저장할 수 있다. 실시예에서, 기업 데이터 저장소(8012)는 디지털 트윈을 실시간으로 또는 실질적 실시간으로 업데이트하는 데 사용되고 있는 데이터를 저장할 수 있다. 실시예에서, 기업 데이터 저장소(8012)는 데이터베이스, 파일 시스템, 폴더, 파일, 문서, 과도 데이터(예를 들어, 실시간 데이터 또는 실질적 실시간 데이터), 센서 데이터 등을 저장할 수 있다.
실시예에서, 기업 구성 시스템(8002)은 사용자(예를 들어, "온-보딩" 사용자)가 기업에 관한 데이터를 업로드하거나 다른 방식으로 제공할 수 있는 인터페이스(예를 들어, 그래픽 사용자 인터페이스(GUI))를 제공한다. 본 출원에서 사용될 때, 기업은 영리 또는 비영리 조직, 회사, 정부 기관, 비정부 조직 등을 지칭할 수 있다. 온-보딩 사용자로서 설명되었지만, 특정 기업에 대한 기업 관리 플랫폼(8000)의 구성은 기업과 연관된 개인, EMP와 연관된 개인, 및/또는 (클라우드 리소스, 서비스형 플랫폼, 서비스형 소프트웨어, 멀티-테넌트 데이터 리소스 및/또는 유사한 리소스 상에 배치될 수 있는) 기업에 대한 호스팅된 EMP의 제3 호스트와 같은 제3자와 연관된 개인 및/또는 서비스 제공자를 포함하는 임의의 수의 사용자에 의해 수행될 수 있다.
실시예에서, 온-보딩 사용자는 온-보딩되는 기업을 대신하여 디지털 트윈 시스템(8004)에 의해 생성될 수 있는 기업 디지털 트윈의 타입을 정의할 수 있다. 실시예에서, 온-보딩 사용자는 기업 구성 시스템(8002)에 의해 제시되는 GUI를 통해 EMP(8000)에 의해 기업에 대해 지원될 상이한 타입의 디지털 트윈을 선택할 수 있다. 예를 들어, 사용자는 디지털 트윈 타입의 메뉴로부터 상이한 타입의 역할 기반 디지털 트윈을 선택할 수 있고, 여기서 상이한 타입의 역할 기반 디지털 트윈은 집행 디지털 트윈을 포함한다. 다른 예로서, 사용자는 예컨대 산업-특정 또는 도메인-특정 조직 템플릿의 라이브러리로부터, 사용자의 조직에 적합한 조직 디지털 트윈의 타입을 선택할 수 있다. 일부 실시예에서, 각각의 타입의 집행 디지털 트윈은 각각의 집행 디지털 트윈에 표시되는 미리 정의된 상태의 세트(본 출원에서 참조되는 것과 같은 용어는 상태, 엔티티, 관계, 파라미터, 및 다른 특성을 포함함) 및 세트의 각각의 상태에 대한 미리 정의된 세분성 레벨 및/또는 다른 특징을 갖는다. 일부 실시예에서, 집행 디지털 트윈에 표시되는 상태의 세트, 각각의 세분성, 및/또는 다른 특징은 (예를 들어, 온-보딩 사용자에 의해) 맞춤화될 수 있다. 이러한 실시예에서, 사용자는 각각의 타입의 집행 디지털 트윈에서 표현되는 상이한 상태 및/또는 디지털 트윈에 표시된 상태 각각에 대한 세분성을 정의할 수 있다. 예를 들어, 기업의 CEO가 재무 배경을 갖는 경우, CEO는 재무 데이터가 더 높은 세분성으로 디스플레이되도록 CEO 디지털 트윈에 더 많은 재무 데이터가 표시되기를 원할 수 있거나, 또는 CEO는 상태 정보의 결정을 위해 사용되는 모델(예를 들어, 재무 예측 또는 예상) 또는 상태의 증강을 위해 사용되는 모델(예컨대, 기대로부터의 중요한 편차를 강조하는 것)과 같은, 디지털 트윈에 이용가능한 재무 모델에 대한 기본 정보에 액세스하기를 원할 수 있다. 대조적으로, CEO가 더 적은 재무 경험 또는 훈련을 갖는 경우, CEO 디지털 트윈은 요약 재무 데이터로 구성될 수 있고, 상태가 정상 동작 조건으로부터 벗어날 때 CFO 입력을 획득하기 위한 프롬프트(기업 및/또는 산업 결과의 세트에 대해 훈련된 지능형 에이전트에 의해 생성될 수 있음)를 포함할 수 있다. 이 예에서, CEO 디지털 트윈은 사용자에 의해 정의된 세분성 레벨 세트로 원하는 재무 데이터 필드를 표시하도록 구성될 수 있다(예를 들어, 재무 데이터는 다양한 수익 스트림, 비용 스트림 등을 포함할 수 있다). 다른 예에서, CEO는 기술적 배경을 가질 수 있다. 이 예에서, CEO 디지털 트윈은 기업의 제품 및 R&D 노력, 특허 개발, 및 제품 로드맵과 관련된 하나 이상의 상태를 더 높은 세분성 레벨로 표시하도록 구성될 수 있다. 또 다른 예에서, COO는 기업의 제품 팀, 마케팅 팀, 및 HR 부서를 감독하는 것을 담당할 수 있다. 이 예에서, COO는 마케팅 관련 상태, 제품 개발 관련 상태, 및 HR 관련 상태를 더 낮은 세분성 레벨에서 보기를 원할 수 있다. 이 예에서, COO 디지털 트윈은 상태 중 임의의 것이 임계 조건, 예외 조건, 또는 만족스러운 조건에 있는지를 나타내는 시각적 지표를 보여주도록 구성될 수 있다. 예를 들어, 직원 이직률이 매우 높고 직원 만족도가 낮은 경우, COO 디지털 트윈은 HR-상태가 임계 레벨에 있는 것으로 표시할 수 있다. 이 구성에서, COO는 HR-상태로 드릴 다운하기로 선택할 수 있고, 여기서 그는 직원 이직률, 고용율, 및 직원 만족도 조사 결과를 볼 수 있다.
다른 예에서, COO 또는 CTO 디지털 트윈은 기업 운영과 정보 기술 사이의 상호연결, 관계 및 의존성의 발견 및 관리를 표현하고 보조하도록 구성될 수 있다. 예를 들어, COO 디지털 트윈 또는 CFO 디지털 트윈은 동작 엔티티 및 작업흐름의 세트(예를 들어, 생산 프로세스, 조립 프로세스, 물류 프로세스 등을 나타내는 흐름도)를 표시하도록 구성될 수 있으며, 여기서 엔티티(인간 작업자, 로봇, 처리 장비, 및 다른 자산을 포함함)는 추가 처리를 위해 작업흐름 내의 엔티티의 다음 세트에 (유사한 다양한 타입의) 출력의 세트를 생성하고 핸드오프하기 위해 재료, 컴포넌트, 제품, 컨테이너 및 정보와 같은 입력의 세트에 대해 동작하도록 표시된다. 이들은, 예를 들어, 각각의 엔티티 및 다른 엔티티에 대한 흐름에서의 그 관계를 도시하는 흐름도에서 표현될 수 있다. 실시예에서, (CIO 디지털 트윈과 같은) 역할 기반 디지털 트윈은 또한 본 개시 전반에 걸쳐 설명된 타입 중 임의의 것을 비롯하여, 센서, IoT 디바이스, 데이터 수집 및 모니터링 시스템, 데이터 저장 시스템, 에지 및 다른 계산 시스템, 유선 및 무선 네트워킹 시스템 등을 나타내는 것과 같은 정보 기술 시스템을 나타낼 수 있다. 각각의 정보 기술 컴포넌트 또는 시스템은, 사양, 구성 파라미터 및 설정, 처리 능력과 같은 관련 데이터와 함께, 데이터를 표현하는 것과 같은 다른 컴포넌트에 대한 관계 및 다른 컴포넌트 또는 시스템에 대한 네트워킹 연결성과 함께, 역할 기반 디지털 트윈에 표시될 수 있다. 실시예에서, 역할 기반 디지털 트윈은, 어느 정보 기술 엔티티가 어느 동작 엔티티에 대해 유선 또는 근접 무선 연결성으로 위치되는지를 표시하는 것, 어느 정보 기술 엔티티가 어느 동작 엔티티에 논리적으로 연관되는지를 표시하는 것(예컨대, 클라우드 리소스, 계산 리소스, 인공 지능 리소스, 데이터베이스 리소스, 애플리케이션 리소스, 또는 다른 리소스가 예컨대, 가상 기계, 컨테이너 또는 다른 논리적 관계에서, 동작 엔티티를 지원하거나 그와 상호작용하도록 프로비저닝되는 경우)과 같이, 동작 기술 엔티티 및 정보 기술 엔티티를 서로 관련하여 표시하는 수렴된 뷰를 제공할 수 있다. 실시예에서, 역할 기반 디지털 트윈에서 제시된 수렴된 뷰는 따라서 동작과 정보 기술 사이의 위치-기반 및/또는 논리적 상호연결을 표시할 수 있다. 실시예에서, 고장 모드, 혼잡, 지연, 서비스에서의 중단, 열악한 레이턴시, 감소된 서비스 품질, 대역폭 제약, 주요 성능 지표에 대한 열악한 성능, 중단시간, 또는 다른 문제를 표시하는 것과 같은 경보가 수렴된 정보 기술 및 동작 디지털 트윈의 증강 또는 오버레이들로서 제공될 수 있어서, COO, CTO, CIO 또는 다른 사용자는 문제에 기여하고 있을 수 있는 정보 기술 엔티티와 동작 엔티티 사이의 상호연결을 볼 수 있다. 증강 또는 오버레이들로서 제공될 수 있는 다른 타입의 문제는, 예컨대 분석 시스템 또는 예상 인공 지능 시스템, 예컨대 이러한 예상을 수행하도록 훈련된 전문가 에이전트에 의한, 기존 조건 및/또는 이러한 조건의 예상 또는 예측에 관한 경보를 포함할 수 있다. 예에서, 웨어하우스에 대한 제어 시스템에서의 높은 레이턴시가 입력 데이터 경로 상에서 혼잡을 경험하는 관련된 에지 계산 노드로 인해 상품을 픽킹하고 패킹하는 프로세스를 늦추고 있는 경우, 역할 기반 디지털 트윈의 사용자는 동작이 혼잡에 의해 악영향을 받고 있다는 사실에 대해 경고받을 수 있고, 에지 노드에 대한 연결성을 제공하는 시스템 또는 에지 노드 자체를 증강, 업데이트, 업그레이드, 또는 대체하라는 추천이 제시될 수 있다. 따라서, 운영 기술 엔티티 및 정보 기술 엔티티의 수렴된 디지털 트윈은 결과를 개선하고/하거나 예상된 문제가 치명적인 실패가 되기 전에 이들을 회피하기 위해 임원이 어떻게 운영 및/또는 정보 기술을 조정할 수 있는지에 대한 통찰을 제공할 수 있다.
실시예에서, 사용자(예를 들어, 온-보딩 사용자)는 하나 이상의 데이터 소스(8020)를 EMP(8000)에 연결할 수 있다. EMP에 연결될 수 있는 데이터 소스(8020)의 예는 센서 시스템(8022)(예를 들어, IoT 센서의 세트), 실시간으로 판매 수치로 업데이트되는 판매 데이터베이스(8024), 고객 관계 관리(CRM) 시스템(8026), 마케팅 캠페인 플랫폼(8028), 뉴스 웹사이트(8048), 비즈니스의 비용을 추적하는 재무 데이터베이스(8030), 조사(8032)(예를 들어, 고객 만족도 및/또는 직원 만족도 조사), 조직도(8034), 작업흐름 관리 시스템(8036), 고객 데이터를 저장하는 고객 데이터베이스(1S40), 외부 데이터 피드(예컨대, 뉴스 피드, 홍보 피드, 날씨 피드, 거래 데이터, 가격 데이터, 시장 데이터 등), 웹사이트 및 소셜 미디어 사이트를 스파이더링, 웹스크레이핑, 또는 다른 방식으로 파싱함으로써 획득된 데이터, 크라우드소싱에 의해 획득된 데이터, 및/또는 제3자 데이터를 저장하는 많은 그리고 다양한 제3자 데이터 소스(8038)로부터의 데이터를 포함할 수 있지만, 이에 제한되지 않는다. 데이터 소스(8020)는 본 개시의 범위를 벗어나지 않고 추가적인 또는 대안적인 데이터 소스를 포함할 수 있다. 일단 사용자가 각각의 집행 디지털 트윈의 구성을 정의했다면- 구성은 표시될 선택된 상태(엔티티, 관계, 및 특성을 포함할 수 있음), 인에이블될 특징, 및/또는 각각의 상태의 원하는 세분성을 포함함 -, 사용자는 이어서, 위에서 설명된 데이터 파이프라인 내의 데이터 소스 중 임의의 것을 비롯하여, 각각의 집행 디지털 트윈에 공급되는 데이터 소스(8020)를 정의할 수 있다. 일부 실시예에서, 데이터 소스 중 하나 이상으로부터의 데이터는 각각의 디지털 트윈에 공급되기 전에 융합 및/또는 분석될 수 있다.
일부 실시예에서, 온-보딩 사용자는, 특히, 환경 디지털 트윈, 정보 기술 디지털 트윈, 운영 디지털 트윈, 조직 디지털 트윈, 공급 체인 디지털 트윈, 제품 디지털 트윈, 시설 디지털 트윈, 고객 디지털 트윈, 코호트 디지털 트윈 및/또는 프로세스 디지털 트윈을 포함하는, 기업에 대해 지원되는 다양한 타입의 기업 디지털 트윈 중에서 선택할 수 있다. 이러한 실시예 중 일부에서, 사용자는 이들 디지털 트윈을 생성하고 기업 디지털 트윈을 업데이트하는 데 사용되는 데이터 소스를 정의할 수 있다. 실시예에서, 사용자는 (시설 또는 다른 적합한 환경의 디지털 트윈일 수 있는) 환경 디지털 트윈으로서 표현될 임의의 물리적 위치를 정의할 수 있다. 예를 들어, 사용자는 제조 시설(예를 들어, 공장), 배송 시설, 웨어하우스, 사무실 건물 등을 정의할 수 있다. 각각의 시설에는 위치(논리적 및/또는 가상 위치 및/또는 지리적 위치를 포함할 수 있음) 및 이름 및 타입 설명과 같은 식별자가 주어질 수 있다. 실시예에서, 기업 구성 시스템(8002)은 각각의 시설에 식별자를 할당할 수 있고, 시설의 위치를 식별자와 연관시킬 수 있다. 실시예에서, 사용자는 환경에 포함되고/되거나 환경 내에서 발견될 수 있는 객체의 타입을 정의할 수 있다. 예를 들어, 사용자는 환경에 있는 기업 리소스(예를 들어, 공장, 웨어하우스, 또는 유통 센터 장비 및 기계, 조립 라인, 컨베이어, 차량, 로봇, 하이-로우 등, IT 시스템, 작업자 등)의 타입, 환경에서 제조되고, 저장되고, 주위에서 이동되고, 조립되고, 내부의 입력으로서 사용되고, 환경에서 생산되고, 환경으로부터 판매되고, 및/또는 환경에서 수신되는 제품, 재료 및 컴포넌트의 타입, 환경에서 사용되는 센서/센서 키트 및/또는 데이터 수집, 저장 및/또는 처리 디바이스의 타입, 수반되는 작업자 및 작업흐름 등을 정의할 수 있다. 환경 및 프로세스 디지털 트윈이 어떻게 생성되고 업데이트되는지의 예는 2019년 11월 5일자로 출원되고 발명의 명칭이 "Methods and Systems of Value Chain Network Management Platform"인 미국 가출원 제62/931,193호 및 2020년 2월 3일자로 출원되고 발명의 명칭이 "Methods and Systems of Value Chain Network Management Platform"인 미국 가출원 제62/969,153호에서 발견될 수 있으며, 이들의 내용은 본 출원에 참조로 포함된다.
실시예에서, 기업 구성 시스템(8002)은 (디지털 트윈 시스템(8004)과 조합하여) 기업의 조직 구조를 나타내는 조직 디지털 트윈을 생성하도록 구성된다. 일부 실시예에서, 조직 디지털 트윈은 기업의 관리 및 전문가 레벨을 점유하는 개인/역할을 표시할 수 있다. 대안적으로, 조직 디지털 트윈은 기업의 모든 노동력 및/또는 계약자, 또는 그 정의된 부분을 포함하는, 기업의 전체 직원을 나타내는 노동력 디지털 트윈을 포함할 수 있다. 예를 들어, 기업 설정에서, 노동력은 물류 노동력, 웨어하우스 노동력, 유통 노동력, 역물류 노동력, 전달 노동력, 공장 운영 노동력, 플랜트 운영 노동력, 리소스 추출 운영 노동력, (예를 들어, 산업 기업의 내부 네트워크를 운영하기 위한) 네트워크 운영 노동력, 판매 노동력, 마케팅 노동력, 광고 노동력, 소매 노동력, R&D 노동력, 기술 노동력, 엔지니어링 노동력 등을 포함할 수 있다. 다른 예에서, 밸류 체인 네트워크와 관련하여, 노동력은 공급 체인 관리 노동력, 물류 계획 노동력, 벤더 관리 노동력 등을 포함할 수 있다. 다른 예에서, 시장 설정의 맥락에서, 노동력은 시장에 대한 중개 노동력, 시장에 대한 트랜잭션 실행 노동력, 시장에 대한 거래 조정 노동력, 시장에 대한 거래 실행 노동력 등을 포함할 수 있다. 기업은 추가적인 또는 대안적인 노동력을 포함할 수 있다. 일부 실시예에서, 조직 디지털 트윈은 노동력 내의 관리-레벨 역할을 포함할 수 있다. 기업의 관리-레벨 역할의 예는 CEO 역할, COO 역할, CFO 역할, 카운셀 역할, 이사회 구성원 역할, CTO 역할, 정보 기술 관리자 역할, 최고 정보 관리자 역할, 최고 데이터 관리자 역할, 투자자 역할, 엔지니어링 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 비즈니스 개발 역할을 포함한다. 또한, 노동력의 관리 레벨 역할은 공장 관리자 역할, 공장 운영 역할, 공장 작업자 역할, 파워플랜트 관리자 역할, 파워플랜트 운영 역할, 파워플랜트 작업자 역할, 장비 서비스 역할, 및 장비 유지보수 운영자 역할을 포함할 수 있다. 밸류 체인 맥락에서, 노동력의 관리-레벨 역할은 최고 마케팅 담당자 역할, 제품 개발 역할, 공급 체인 관리자 역할, 고객 역할, 공급자 역할, 벤더 역할, 수요 관리 역할, 마케팅 관리자 역할, 판매 관리자 역할, 서비스 관리자 역할, 수요 예상 역할, 소매 관리자 역할, 웨어하우스 관리자 역할, 판매원 역할, 및 유통 센터 관리자 역할을 포함할 수 있다. 시장의 맥락에서, 노동력의 관리-레벨 역할은 시장 제조자 역할, 교환 관리자 역할, 브로커-딜러 역할, 거래 역할, 조정 역할, 계약 상대방 역할, 환율 설정 역할, 시장 오케스트레이션 역할, 시장 구성 역할, 및 계약 구성 역할을 포함할 수 있다. 위에서 정의된 역할 모두가 특정 노동력 타입에 적용되는 것은 아니라는 점이 이해된다. 또한, 일부 역할은 상이한 타입의 노동력과 연관될 수 있다.
일부 실시예에서, 조직 디지털 트윈은 조직 내의 상이한 부문 및/또는 역할에 대한 데이터 액세스 규칙을 더 포함할 수 있다. 예를 들어, CEO는 조직의 데이터의 대부분 또는 전부에 대한 액세스를 승인받을 수 있고, CFO는 재무 관련 데이터에 대한 액세스를 승인받고 R&D 데이터를 보는 것이 제한될 수 있고, CTO는 R&D 관련 데이터에 대한 액세스를 승인받고 재무 데이터를 보는 것이 제한될 수 있고, 엔지니어링 팀의 구성원은 재무 관련 데이터에 액세스하는 것이 제한될 수 있는 등이다. 결과를 보고, 입력을 구성하고, 모델(예를 들어, 가중치, 입력, 또는 처리 기능)을 구성 또는 조정하고, 제어 액션을 수행하는 등의 능력의 역할 기반 또는 아이덴티티 기반 제어를 포함하는, 분석 모델, 인공 지능 시스템, 지능형 에이전트 등과 같은 특징에 대한 액세스에 유사한 규칙이 적용될 수 있다. 일부 실시예에서, EMP는 특정 개인이 승인될 수 있는 액세스의 레벨 및/또는 개인에 대한 특정 타입의 액세스를 거부할지를 결정할 때 조직 디지털 트윈을 이용할 수 있다. 일부 실시예에서, 액세스 권한은 조직 디지털 트윈에 열거된 각각의 개인에 관한 정보(예를 들어, 급여, 시작 날짜, 가용성, 근무 상태 등)와 같은, 특정 사용자가 액세스할 수 있는 데이터의 타입을 제한할 수 있다. 예를 들어, 하위 레벨 직원은 재무 데이터, 제품 전략, 마케팅 전략, 영업 비밀 등과 같은 민감한 정보에 대한 액세스를 승인받지 못할 수 있다. 일부 실시예에서, 특정 사용자는 조직 디지털 트윈에 반영될 수 있는 다른 직원의 액세스 권한을 변경하기 위한 허가를 승인받을 수 있다. 예를 들어, 특정 임원 및 관리자는 특정 프로젝트에서 작업할 때 그 각각의 팀의 구성원에게 액세스 권한을 허가하기 위한 허가를 승인받을 수 있다.
실시예에서, 기업 구성 시스템(8002)은 기업의 조직 편성도("조직도") 정의를 수신하고 조직도 정의에 기초하여 조직 디지털 트윈을 생성한다. 실시예에서, 조직도 정의는 기업의 비즈니스 유닛/부서, 기업의 보고 구조, 기업의/각각의 비즈니스 유닛 내의 다양한 역할, 및 각각의 역할에서의 개인을 정의할 수 있다. 일부 실시예에서, 사용자는 기업 구성 시스템(8002)을 통해 기업의 조직도를 EMP(8000)에 업로드할 수 있다. 추가적으로 또는 대안적으로, 사용자는 조직도의 구조(예를 들어, 역할, 비즈니스 유닛, 보고 구조)를 정의할 수 있고, 다양한 역할을 조직도에서 정의된 각각의 역할을 채우는 개인의 이름 및/또는 다른 식별자로 채울 수 있다. 일부 실시예에서, 기업 구성 시스템(8002)은 기업의 역할, 역할을 채우는 개인, 역할을 채우는 개인의 급여, 기업의 보고 구조 등과 같은 기업의 조직 데이터를 획득하기 위해 기업의 기업 리소스 계획 시스템(8044) 및/또는 HR 시스템(8046)에 액세스할 수 있다. 이러한 실시예에서, 디지털 트윈 시스템(8004)(이하에서 논의됨)은 실시간 또는 거의 실시간 방식으로 조직 디지털 트윈을 유지하는 데 필요한 데이터를 수신하기 위해 ERP 시스템(8044) 및/또는 HR 시스템(8046)과 계속 통신할 수 있다.
실시예에서, 기업 구성 시스템(8002)은 (아래에서 논의되는 디지털 트윈 시스템(8004)과 협력하여) 조직도 정의 및 조직도 정의 내의 역할을 채우는 개인에 기초하여 기업의 조직 디지털 트윈을 생성할 수 있다. 실시예에서, 사용자는 기업 구성 시스템(8002)을 통해 조직 디지털 트윈에 표시된 개인의 하나 이상의 제한, 허가, 및/또는 액세스 권한을 정의할 수 있다. 실시예에서, 제한은 특정 사용자 또는 사용자의 그룹이 (직접 또는 디지털 트윈에서) 액세스하도록 허용되지 않는 하나 이상의 타입의 데이터 또는 특징을 정의할 수 있다. 실시예에서, 액세스 권한은 특정 사용자 또는 사용자의 그룹이 액세스할 수 있는 데이터 또는 특징의 하나 이상의 타입 및 사용자 또는 사용자의 그룹이 액세스할 수 있는 액세스의 타입을 정의할 수 있다. 실시예에서, 허가는 사용자 또는 사용자의 그룹이 EMP(8000)에 대해 수행할 수 있는 동작을 정의할 수 있다. 실시예에서, 액세스 권한, 허가, 및 제한 중 하나 이상은 지리적으로 정의되고/되거나 시간적으로 제한될 수 있다. 예를 들어, 일부 타입의 데이터 또는 특징은 특정 영역에서만(예를 들어, 민감한 데이터는 회사 사무실에서만) 또는 특정 시간에(예를 들어, 이사회 회의 동안) 보여지거나 다른 방식으로 액세스될 수 있다. 실시예에서, 제한, 허가, 및/또는 액세스 권한은 역할 또는 사용자 자체에 대해 설정될 수 있다. 이와 같이, 사용자 또는 사용자의 그룹에 대한 액세스 권한, 허가, 및/또는 제한을 정의하는 것은 또한 기업 내의 역할 및/또는 비즈니스 유닛에 대한 액세스 권한, 허가, 및/또는 제한을 정의하는 것을 포함할 수 있다. 실시예에서, 조직 디지털 트윈은 기업의 사용자에 대한 권한, 허가, 및/또는 제한을 관리하기 위해 배치될 수 있다. 또한, 실시예에서, 조직 디지털 트윈은 다양한 사용자가 액세스할 수 있는 역할 기반 디지털 트윈(및 다른 기업 디지털 트윈)의 타입을 정의할 수 있다. 일부 실시예에서, 조직 디지털 트윈은 추가적인 또는 대안적인 정보를 표시할 수 있다.
실시예에서, 디지털 트윈 시스템(8004)은 기업의 기업 디지털 트윈을 생성, 업데이트, 및 서빙하도록 구성된다. 일부 실시예에서, 디지털 트윈 시스템(8004)은 기업을 대신하여 역할 기반 디지털 트윈을 생성하고 서빙하도록 구성되고, 역할 기반 디지털 트윈을 클라이언트 디바이스(8050)(예를 들어, 모바일 디바이스, 태블릿, 개인용 컴퓨터, 랩톱, AR/VR-인에이블 디바이스, 작업흐름-특정 디바이스 또는 장비 등)에 서빙할 수 있다. 논의된 바와 같이, 구성 단계 동안, 사용자는 상이한 타입의 기업 디지털 트윈의 각각의 각각의 타입을 생성하고 유지하는 데 사용되는 상이한 타입의 데이터 및 대응하는 데이터 소스, 데이터 세트, 및 특징을 정의할 수 있다. 처음에, 디지털 트윈 시스템(8004)은 각각의 기업 디지털 트윈에 의해 수집되는 데이터를 저장하거나 생성하는 임의의 기본 데이터 소스/데이터베이스(예를 들어, SQL 데이터베이스, 그래프 데이터베이스, 관계형 데이터베이스, 분산형 데이터베이스, 블록체인, 분산 원장, 데이터 피드, 데이터 스트림 등)를 비롯하여, 각각의 타입의 기업 디지털 트윈을 지원하는 데이터 구조를 구성한다. 일단 디지털 트윈을 지원하는 데이터 구조가 구성되면, 디지털 트윈 시스템(8004)은 하나 이상의 데이터 소스(8020)로부터 데이터를 수신한다. 실시예에서, 디지털 트윈 시스템(8004)은 수신된 데이터를 하나 이상의 데이터베이스에 구조화 및/또는 저장할 수 있다. 특정 디지털 트윈이 (예를 들어, 클라이언트 애플리케이션(8052)을 통해 사용자에 의해 또는 EMP(8000)의 소프트웨어 컴포넌트에 의해) 요청될 때, 디지털 트윈 시스템은 요청된 디지털 트윈에서 표현되는 뷰를 결정할 수 있고, 구성된 데이터베이스로부터의 데이터 및/또는 API를 통해 수신된 실시간 데이터에 기초하여 요청된 디지털 트윈을 생성할 수 있다. 디지털 트윈 시스템(8004)은 요청된 디지털 트윈을 요청자(예를 들어, 클라이언트 애플리케이션 또는 EMP(8000)의 백엔드 소프트웨어 컴포넌트)에게 서빙할 수 있다. 기업 디지털 트윈이 서빙된 후에, 일부 기업 디지털 트윈은 API 시스템(8014)을 통해 수신된 실시간 데이터로 후속하여 업데이트될 수 있다. 실시예에서, API는 데이터 파이프라인이 데이터를 효과적으로 취급하도록 (사용자에 의해, 또는 자동화된/지능 시스템에 의해) 구성될 수 있도록, 디지털 트윈에 필요한 데이터의 타입에 관한 정보를 데이터 파이프라인에 제공할 수 있다. 예를 들어, 데이터 파이프라인은 효율적인 전달을 위해 적절한 프로토콜을 사용하는 데이터 경로를 통해 데이터를 전달하거나, 비용-적합 경로(예를 들어, 저레이턴시 또는 실시간 업데이트를 요구하지 않는 데이터에 대해 저렴한 경로)를 통해 데이터를 전달하는 등을 수행하도록 구성될 수 있다. 따라서, 일부 실시예에서, 디지털 트윈의 구성은, 예를 들어, 데이터 타입에 의해 서빙되는 미션의 우선순위에 기초하여, 저레이턴시, 높은 서비스 품질, 높은 정확도, 높은 세분성, 높은 신뢰성 등에 대한 디지털 트윈의 요건에 관한 입력을 제공하는 것을 포함할 수 있다. 실시예에서, 지능형 전문가 에이전트(또는 "지능형 에이전트" 또는 "전문가 에이전트")는 전문가에 의해 이전에 구성된 하나 이상의 데이터 파이프라인에 대한 입력의 구성의 훈련 세트에 대해 훈련될 수 있어서, 지능형 에이전트는 유사하거나 비슷한 역할, 아이덴티티, 산업 및/또는 도메인에 대한 유사하거나 비슷한 작업흐름을 수반하는 후속 디지털 트윈에 대한 데이터 파이프라인에 적절한 입력을 제공하기 위해 디지털 트윈에 대한 API를 자동으로 구성하도록 학습할 수 있다. 실시예에서, 지능형 에이전트의 그러한 훈련은 역할 내의 어느 사용자가 어느 시간에서 그리고 어떤 목적을 위해 어느 타입의 데이터를 사용하는지를 학습하는 것과 같은 특정 사용자 상호작용에 관한 학습을 포함할 수 있어서, 데이터 리소스가 실제 사용자 요건을 지원하기 위해 적절하게 할당된다. 예를 들어, COO 디지털 트윈에 대한 데이터 파이프라인의 구성을 관리하는 자동화된 지능형 에이전트는 운영 임원(예를 들어, COO 사용자)이 각각의 8시간 근무의 끝에서(예를 들어, 오후 5:00 이후에) 각각의 시설에 대한 생산 데이터를 확인한다는 것을 학습할 수 있고, 따라서, 교대근무-중간의 데이터 업데이트는 더 낮은 비용의 데이터 리소스를 통해 전달되지만, 교대근무-종료후의 데이터는 높은 신뢰성 및 서비스 품질을 갖는 저레이턴시 데이터 경로를 통해 전달된다. 이 예를 계속 설명하자면, 지능형 에이전트는 COO 디지털 트윈에 대해 생산 데이터가 업데이트되는 빈도를 결정할 수 있어서, COO 디지털 트윈은 아침 및 오후 중반에는 덜 빈번하게 업데이트되지만, 영업 시간의 끝에는 더 빈번하게 업데이트된다. 실시예에서, 지능형 에이전트는 전체 전략(예를 들어, 저레이턴시 네트워크 대 더 높은 레이턴시의 네트워크 사용 및/또는 특정 디지털 트윈 내에서 특정 타입의 데이터를 얼마나 자주 업데이트할지)를 정의하는 비즈니스 로직으로 구성되고, 디지털 트윈의 최종 사용자에 의한 선호도 및 사용에 기초하여 맞춤화됨으로써, 전체 전략이 전문가로부터 획득된 훈련 데이터 세트로부터 학습될 수 있고/있거나 개발자에 의해 하드 코딩될 수 있고, 맞춤화 피스는 최종 의도된 사용자에 의한 디지털 트윈의 사용(예를 들어, 그녀가 전형적으로 각각의 시설의 생산 데이터를 확인할 때)을 모니터링하는 것으로부터 학습될 수 있다. 이러한 데이터 우선순위화 전략 및/또는 다른 구성 전략의 추가적인 또는 대안적인 예가 본 출원에 포함되는 것으로 이해하여야 한다. 예를 들어, 성능 요건에 관한 입력의 수신 시에, EMP(100)과 통합되거나, 그에 연관되거나, 또는 그를 지원하는 데이터 파이프라인의 인공 지능 능력은 자동으로 또는 사용자 제어 하에서, 적절한 시간 및 장소에서 적절한 리소스를 제공하기 위한 다음을 포함하지만 이에 제한되지 않는 기술을 이용할 수 있다: 네트워킹된 데이터 통신 노드 사이의 데이터 경로 송신의 적응적 코딩; RF/무선 신호의 적응적 필터링, 반복 및 증폭(소프트웨어 구현 대역통과 필터링을 포함함); 셀룰러 및 다른 무선 스펙트럼의 사용의 동적 할당, 무선 메시 네트워크 노드의 적응적, 애드혹, 인지적 관리; 적응형 데이터 저장; 무선 및 유선 신호의 비용 기반 라우팅; 우선순위 기반 라우팅; 통신을 위한 채널 및 성능 인식 프로토콜 선택; 계산 리소스의 상황 인식 할당, 서버리스 계산 시스템, 적응형 에지 계산 시스템, 채널 인식 에러 정정, 스마트 계약 구현 네트워크 리소스 할당; 및/또는 다른 적합한 기술.
실시예에서, 디지털 트윈 시스템(8004)은 기업 디지털 트윈에 대해 시뮬레이션 및 모델링을 수행하도록 추가로 구성될 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은 디지털 트윈을 사용하여 데이터 시뮬레이션 및/또는 환경 시뮬레이션을 실행하도록 구성된다. 예를 들어, 사용자는, 클라이언트 디바이스를 통해, 디지털 트윈에 표시된 하나 이상의 상태 및/또는 작업흐름에 대해 시뮬레이션을 수행하도록 디지털 트윈 시스템(8004)에 지시할 수 있다. 디지털 트윈 시스템(8004)은 디지털 트윈 상에서 시뮬레이션을 실행할 수 있고 디지털 트윈에서 시뮬레이션의 결과를 표시할 수 있다. 이 예에서, 디지털 트윈은 요청된 환경 시뮬레이션을 수행할 때 신뢰성 있는 데이터가 존재하도록 환경의 시뮬레이션을 실행하는 데 사용되는 데이터의 적어도 일부를 시뮬레이션할 필요가 있을 수 있다. 디지털 트윈 시스템(8004)은 본 개시 전반에 걸쳐 더 상세히 논의된다.
실시예에서, 협력 스위트(8006)는 기업의 다양한 사용자에 의해 활용될 수 있는 다양한 협력 툴의 세트를 제공한다. 협력 툴은 화상 회의 툴, "인-트윈(in-twin)" 협력 툴, 화이트보드 툴, 프레젠테이션 툴, 워드 처리 툴, 스프레드시트 툴 등을 포함할 수 있다. 실시예에서, "인-트윈" 협력 툴은 다수의 사용자가 디지털 트윈 내에서 보고 협력하는 것을 허용한다. 예를 들어, 실시예에서, 협력 툴은, 예컨대, (버전 제어 객체, 코멘트 스트림, 편집 이벤트 및 다른 변경과 같은) 협력 엔티티 및 이벤트가 디지털 트윈 인터페이스 내에 표현되고 디지털 트윈 엔티티에 연관되는 경우, 동일한 인터페이스 내에서(예를 들어, AR/VR-인에이블 사용자 인터페이스, 표준 GUI 등 내에서) 디지털 트윈 경험 및 협력 경험을 가능하게 하는 인-트윈 협력 툴을 포함할 수 있다. 예를 들어, 다수의 사용자는 인-트윈 협력 툴을 통해 웨어하우스 또는 공장과 같은 시설의 환경 디지털 트윈을 보기 위한 액세스를 승인받을 수 있다. 일단 환경 디지털 트윈을 보면, 사용자는 이어서 환경 디지털 트윈에 표시된 환경의 하나 이상의 특징을 변경할 수 있고 시뮬레이션을 수행하도록 디지털 트윈 시스템에 지시할 수 있다. 이 예에서, 시뮬레이션의 결과는 디지털 트윈에서 사용자에게 제시될 수 있고, 공유 문서(예를 들어, 스프레드시트 또는 프레젠테이션 문서)에 자동으로 채워질 수 있다. 본 개시 전반에 걸쳐 논의되는 바와 같이, 사용자는 디지털 트윈과 관련하여 추가적인 방식으로 협력할 수 있다. 예를 들어, 일부 실시예에서, 협력 스위트(8006)는 사용자가 다른 사용자와 화상 회의를 호출하는 것을 허용할 수 있으며, 여기서 사용자는 서로를 보고 회의에 대한 논의 주제와 관련된 특정 디지털 트윈의 양태를 볼 수 있다. 이 예에서, 사용자는, 예를 들어, 논의 중인 작업물의 표현을 보고 서로를 볼 수 있어서, 사용자는 작업물이 어떻게 작용되어야 하는지에 관한 다른 사용자로부터의 제스처 또는 표시를 볼 수 있다. 다른 예에서, 트윈의 회의 특징은 시설의 환경의 세트의 뷰 내의 참가자를 그 위치에 의해 보여줄 수 있어서, 사용자는 어느 참가자가 협력의 대상인 관련 자산에 가장 가까운 근접성을 가질 수 있는지를 인식할 수 있다. 일부 실시예에서, 협력 스위트(8006)는 제3자 애플리케이션과 인터페이스하고, 이에 의해 제3자 애플리케이션으로 및/또는 제3자 애플리케이션으로부터 데이터가 임포트(import)될 수 있다. 예를 들어, 이사회 프레젠테이션에서 협력할 때, 상이한 임원은 그 각각의 집행 디지털 트윈으로부터의 데이터를 공유 프레젠테이션 파일(예를 들어, PowerPoint™ 파일 또는 Google™ 슬라이드 프레젠테이션)로 엑스포트(export)할 수 있다. 다른 예에서, 제1 사용자(예를 들어, 기업의 CEO)는 제1 사용자(예를 들어, 기업의 CEO 디지털 트윈)를 위해 구성된 제1 집행 디지털 트윈을 통해 제2 사용자(예를 들어, 기업의 CTO)에게 특정 정보(예를 들어, 기업에 대한 재무 계획)를 요청할 수 있다. 이에 응답하여, 제2 사용자는 요청된 데이터를 제2 사용자(예를 들어, CTO)를 위해 구성된 제2 집행 디지털 트윈으로부터 EMP(100)로(예를 들어, 협력 스위트(8006) 및/또는 디지털 트윈 시스템(8004)으로) 업로드/엑스포트할 수 있고, 이는 이어서 제1 사용자를 위해 구성된 집행 디지털 트윈을 업데이트할 수 있다. 협력 스위트(8006) 및 기본 협력 툴의 추가적인 예 및 설명이 본 개시 전반에 걸쳐 논의된다.
실시예에서, 협력 스위트(8006)는, 동일한 협력 환경 및/또는 작업흐름 내의 상이한 참가자가 동일한 디지털 트윈 엔티티 및/또는 작업흐름의 상이한 뷰 또는 특징을 경험하도록, 협력 툴의 협력 환경 및/또는 작업흐름 내에서 역할 특정 뷰 및 다른 특징을 제공하기 위해 (예를 들어, 디지털 트윈 시스템(8004)과 독립적으로 또는 제어 하에) 디지털 트윈 시스템(8004)과 인터페이스하도록 구성될 수 있다. 예를 들어, CFO는 내부 시스템 또는 기계 또는 장비 피스의 가능한 대체에 대해 COO 및 CTO와 협력할 수 있으며, 여기서 현재 시스템, 기계 또는 장비 및/또는 잠재적인 대체 시스템, 기계 또는 장비는 시각적 및 다른 요소에 의해 디지털 트윈으로 표현된다. 협력 동안, 협력 스위트(8006)는 CFO, COO 및 CTO의 아이덴티티/역할을 인식할 수 있고, 그러한 역할에 기초하여 그 각각의 협력 뷰를 예시적인 디지털 트윈으로 자동으로 구성할 수 있다. 예를 들어, CFO는 아이템의 비용 및 다양한 가능한 대체, 임대 계약의 기간 및 조건, 감가상각 정보, 생산성에 대한 재무 영향에 대한 정보 등과 같은 재무 데이터로 증강되는 뷰를 제시받을 수 있다. 한편, 협력 스위트(8006)는, 생산 라인에 수반되는 다른 시스템에 대한 링크, 타이밍 정보(예컨대, 시설에 대한 스케줄링된 중단시간) 등과 같은, 동작 프로세스에 대한 아이템의 관계를 표시하는 정보를 COO에 제시할 수 있다. 이 예에서, CTO는 아이템에 대한 성능 사양 및 능력 정보, 및 예를 들어, 다양한 가능한 대안이 디지털 트윈에 표현된 다른 아이템(물리적/기계적 호환성, 데이터 호환성, 소프트웨어 호환성, 및 많은 다른 형태의 기술 호환성을 포함함)과 호환가능한 정도를 나타내는 호환성 정보, 리뷰 및 평가 및 다른 기술 정보를 포함하는 다양한 가능한 대안을 제시받을 수 있다. 각각의 임원 사용자는 각각의 사용자의 "네이티브 언어(native language)"로 존재하는 각각의 정보(예를 들어, 각각의 임원의 각각의 전문 지식 및 요구에 맞춤화된 정보) 및 그 사용자에게 편안한 각각의 뷰 및/또는 특징을 제시받을 수 있는 반면, 그룹은 (라이브 또는 비동기 모드에서) 협력하여 문제를 제기하고, 해설 및 대화에 참여하고, 분석(본 출원에 설명된 바와 같은 시뮬레이션을 포함함)을 수행하여 재정적으로 신중하고, 운영적으로 효과적이고, 기술적으로 건전한 결정(예를 들어, 대체의 선택 및 타이밍, 또는 수리와 같은 대안에 관한)에 도달할 수 있다. 따라서, 공유 기업 디지털 트윈과 관련하여 통합된 역할 감응 협력 환경은 사용자가 역할 감응 뷰 및 특징에 관여할 수 있게 하면서 디지털 트윈 엔티티 및 작업흐름 주위의 협력을 가능하게 한다. 실시예에서, 협력 스위트(8006) 및/또는 EMP(100)의 다른 시스템(예를 들어, 디지털 트윈 시스템(8004))은 (상태 정보 또는 다른 데이터에 기초하여 데이터 또는 메타데이터로부터 도출되는 텍스트 또는 심볼을 갖는 엔티티의 역할 특정 증강과 같은) 공유 디지털 트윈에서 제시되는 정보를 자동으로 생성 및/또는 제공하기 위해 기업 분류체계의 시맨틱 모델에 액세스할 수 있다. 실시예에서, 기업 분류체계는 기업에 의해 제공되는 데이터의 분석을 통해 EMP(100)에 의해 학습될 수 있거나 사용자(예를 들어, 기업과 연관된 구성 사용자)에 의해 수동으로 업로드될 수 있다. 디지털 트윈에서의 정보는, 동일한 엔티티(예를 들어, 장비의 피스)가 기업에서의 상이한 그룹에 의해 상이한 이름(예를 들어, 재무 부서에 의한 "자산" 및 운영 팀에 의한 "기계"이라고 지칭됨)을 부여받는 경우 및/또는 엔티티 또는 관련된 작업흐름의 속성이 역할 특정 또는 그룹-특정 상이한 용어, 코드, 심볼 등을 사용하는 경우와 같이, 분류체계의 역할 특정 이해와 함께 제시될 수 있다. 실시예에서, 협력 스위트(8006)는 엔티티의 이름을 사용하거나 엔티티의 속성을 설명하는 해설을 하나의 역할 특정 형태로부터 다른 역할 특정 형태로 변환하는 것과 같이, 역할 사이의 용어의 변환을 자동으로 가능하게 할 수 있다. 자동 변환은 (예를 들어, "자산/기계" 또는 "코드 레드/긴급"으로서) 대안적인 용어를 함께 제시할 수 있다. 실시예에서, 자동화된 변환은 기계 학습 또는 유사한 기술에 의해 훈련되는 변환 모델(예를 들어, 기업-특정 변환 모델)에 의해 수행될 수 있고, 이에 의해 변환 모델은 역할-민감 엔티티, 작업흐름 및 속성 프레젠테이션을 위한 자동화된 변환을 제공하기 위해 활용될 수 있다. 실시예에서, 변환 모델은 인간 전문가에 의해 및/또는 동일한 사물을 설명하기 위해 상이한 역할 및/또는 그룹에 의해 사용되는 상이한 용어 사이의 연관성을 식별하기 위해 기업의 데이터에 대해 동작하는 비지도 학습 기술에 의해 생성된 변환의 훈련 데이터 세트를 사용하여 훈련될 수 있다. 실시예에서, 변환 모델은 명시적 변환 모델에 의해 시딩될 수 있거나, 딥러닝 또는 본 기술분야의 통상의 기술자에게 공지된 유사한 기술에 의해 달성될 수 있다.
실시예에서, 전문가 에이전트 시스템(8008)은 전문가를 대신하여 액션을 수행/추천하는 전문가 에이전트를 훈련시킨다. 전문가 에이전트는 전문가를 대신하여 또는 그 대신에 액션을 수행/추천하기 위해 인공 지능 서비스를 구현 및/또는 활용하는 소프트웨어 모듈일 수 있다. 실시예에서, 전문가 에이전트는 정의된 역할과 관련하여, 로봇 프로세스 자동화를 포함하는 기계 학습 태스크를 수행하는 하나 이상의 기계 학습 모델(예를 들어, 본 개시 및/또는 본 출원에 참조로 포함된 문서 전반에 걸쳐 설명된 인공 지능 시스템, 전문가 시스템 등 중 임의의 것을 포함하는, 신경망, 예측 모델, 분류 모델, 베이지안 모델, 가우시안 모델, 결정 트리, 랜덤 포레스트 등)을 포함할 수 있다. 추가적으로 또는 대안적으로, 전문가 에이전트는 정의된 역할과 관련하여 액션을 결정하는 인공 지능 규칙으로 구성될 수 있다. 인공 지능 규칙은 사용자에 의해 프로그래밍될 수 있거나 전문가 에이전트 시스템(8008)에 의해 생성될 수 있다. 전문가 에이전트는 클라이언트 디바이스(8050)에서 실행될 수 있고/있거나 EMP(8000)에 연관되거나 이와 통합되는 시스템에 의해 또는 이에 의해 실행될 수 있다. 실시예에서, 전문가 에이전트는, 예컨대, 실시예에서 마이크로서비스 아키텍처의 일부인 서비스로서 EMP와 통합될 수 있는 서비스 지향 아키텍처에서, (예를 들어, API를 통해) 서비스로서 액세스될 수 있다. 전문가 에이전트가 클라이언트 디바이스에서 적어도 부분적으로 실행되는 실시예에서, EMP(8000)는 집행 에이전트를 훈련할 수 있고 훈련된 집행 에이전트를 클라이언트 애플리케이션(8052)에 서빙할 수 있다. 실시예에서, 전문가 에이전트는 클라이언트 디바이스(8050)에서 또는 EMP(8000)에서 실행될 수 있는 컨테이너(예를 들어, Docker 컨테이너), 가상 기계, 가상화된 애플리케이션 등으로서 구현될 수 있다. 실시예에서, 전문가 에이전트는 전문가 에이전트 시스템(8008)이 전문가 에이전트를 훈련/강화/재구성하기 위해 사용하는 데이터를 수집하여 전문가 에이전트 시스템(8008)에 보고하도록 추가로 구성된다. 이러한 훈련의 많은 예가 본 개시 전반에 걸쳐 설명되고, 많은 다른 예가 본 개시에 의해 포함되도록 의도된다.
일부 실시예에서, (인공 지능 서비스 시스템(8010)과 관련하여 작동하는) 전문가 에이전트 시스템(8008)은 예컨대, 로봇 프로세스 자동화 기술, 기계 학습 기술, 또는 본 개시 및/또는 본 출원에 참조로 포함된 문서 전반에 걸쳐 설명된 바와 같은 다른 인공 지능 또는 전문가 시스템을 사용하여 전문가 에이전트(예를 들어, 집행 에이전트 및 다른 전문가 에이전트)를 훈련시켜, 로봇 프로세스 자동화 또는 다른 기술에 의해 자동화되는 활동을 수행하는 것을 담당하는 임원 또는 다른 사용자와 같은 각각의 사용자를 대신하여 하나 이상의 집행 액션을 수행할 수 있다. 이러한 실시예 중 일부에서, 클라이언트 애플리케이션(8052)은 사용자(예를 들어, 임원, 임원의 관리 보조자, 이사회 구성원, 역할 기반 전문가, 관리자, 작업자, 또는 임의의 다른 적합한 직원 또는 계열사)와 연관된 클라이언트 디바이스(8050)(예를 들어, 태블릿, AR 및/또는 VR 헤드셋, 모바일 디바이스, 또는 랩톱, 임베디드 디바이스, 기업 서버 등과 같은 사용자 디바이스) 상에서 실행될 수 있다. 실시예에서, 클라이언트 애플리케이션(8052)은 클라이언트 애플리케이션(8052)과의 사용자의 상호작용을 기록할 수 있고, 상호작용을 전문가 에이전트 시스템(8008)에 보고할 수 있다. 이러한 실시예에서, 클라이언트 애플리케이션(8052)은 사용자에게 제시된 임의의 자극 또는 입력, 상호작용 시에 사용자가 무엇을 보고 있었는지, 상호작용의 타입, 사용자의 역할, 상호작용이 다른 사람에 의해 요청되었는지, 상호작용을 요청한 개인의 역할, 상황 정보, 상태 정보, 작업흐름 정보, 이벤트 정보 등과 같은 상호작용에 관련된 특징을 추가로 기록하고 보고할 수 있다. 전문가 에이전트 시스템(8008)은 상호작용 데이터 및 관련 특징을 수신할 수 있고, 그에 기초하여 집행 에이전트를 생성, 훈련, 구성, 및/또는 업데이트할 수 있다. 실시예에서, 상호작용은 사용자에 의한 기업 디지털 트윈(예를 들어, 환경 디지털 트윈, 역할 기반 디지털 트윈, 프로세스 디지털 트윈 등)과의 상호작용들일 수 있다. 실시예에서, 상호작용은 센서 데이터(예를 들어, 진동 데이터, 온도 데이터, 압력 데이터, 습도 데이터, 방사 데이터, 전자기 방사 데이터, 모션 데이터 등) 및/또는 기업의 물리적 엔티티(예를 들어, 기계, 건물, 배송 컨테이너 등)로부터 수집된 데이터 스트림과 같은 데이터, (본 개시 및 포함된 문서 전반에 걸쳐 설명된 바와 같은) 다양한 기업 및/또는 제3자 데이터 소스로부터의 데이터, (특성, 특징, 파라미터, 설정, 구성, 속성 등과 같은) 엔티티 데이터, (타이밍, 결정 단계, 이벤트, 태스크 활동, 의존성, 리소스 등과 같은) 작업흐름 데이터, 및 많은 다른 타입의 데이터와의 사용자에 의한 상호작용들일 수 있다. 예를 들어, 사용자는 특정 기계 또는 장비 피스로부터의 센서 데이터를 제시받을 수 있고, 이에 응답하여, 기계 또는 장비 피스에 대해 정정 액션이 취해져야 한다고 결정할 수 있다. 이 예에서, 전문가 에이전트는 사용자로 하여금 정정 액션을 취하게 하는 조건들 뿐만 아니라 사용자가 정정 액션을 취하지 않는 경우에 대해 훈련될 수 있다. 이 예에서, 전문가 에이전트는 정정 액션이 취해지는 상황을 학습할 수 있다.
실시예에서, 전문가 에이전트 시스템(8008)은 네트워크 엔티티 및/또는 계산 엔티티와의 사용자 상호작용에 기초하여 전문가 에이전트를 훈련시킬 수 있다. 예를 들어, 전문가 에이전트 시스템(8008)은 IT 전문가가 보안 위반을 진단하고 취급하는 방식을 학습하도록 전문가 에이전트를 훈련시킬 수 있다. 이 예에서, 전문가 에이전트는 보안 위반을 진단하기 위해 전문가에 의해 수행되는 단계, 보안 위반이 보고되는 기업 내의 개인, 및 보안 위반을 해결하기 위해 전문가에 의해 수행되는 임의의 액션을 학습하도록 훈련될 수 있다.
실시예에서, 전문가 에이전트가 수행/추천하도록 훈련될 수 있는 액션의 타입은 다음을 포함한다: 다른 가능한 타입의 액션 중에서도, 툴의 선택, 태스크의 선택, 치수의 선택, 파라미터의 설정, 설정의 구성, 검토를 위한 아이템의 플래깅, 경보를 제공하는 것, 데이터의 요약 보고를 제공하는 것, 객체의 선택, 작업흐름의 선택, 작업흐름의 트리거링, 프로세스의 순서화, 작업흐름의 순서화, 작업흐름의 중단, 데이터 세트의 선택, 설계 선택의 선택, 설계 선택의 세트의 생성, 고장 모드의 식별, 결함의 식별, 동작 모드의 식별, 문제의 식별, 인적 리소스의 선택, 노동력 리소스의 선택, 인적 리소스에 지침을 제공하는 것, 및 노동력 리소스에 지침을 제공하는 것. 실시예에서, 전문가 에이전트는 다음과 같은 다른 타입의 태스크를 수행하도록 훈련될 수 있다: 시스템에 대한 아키텍처를 결정하는 것, 상태를 보고하는 것, 이벤트를 보고하는 것, 상황을 보고하는 것, 조건을 보고하는 것, 모델을 결정하는 것, 모델을 구성하는 것, 모델을 채우는 것, 시스템을 설계하는 것, 프로세스를 설계하는 것, 장치를 설계하는 것, 시스템을 엔지니어링하는 것, 디바이스를 엔지니어링하는 것, 프로세스를 엔지니어링하는 것, 제품을 엔지니어링하는 것, 시스템을 유지하는 것, 디바이스를 유지하는 것, 프로세스를 유지하는 것, 네트워크를 유지하는 것, 계산 리소스를 유지하는 것, 장비를 유지하는 것, 하드웨어를 유지하는 것, 시스템을 수리하는 것, 디바이스를 수리하는 것, 프로세스를 수리하는 것, 네트워크를 수리하는 것, 계산 리소스를 수리하는 것, 장비를 수리하는 것, 하드웨어를 수리하는 것, 시스템을 조립하는 것, 디바이스를 조립하는 것, 프로세스를 조립하는 것, 네트워크를 조립하는 것, 계산 리소스를 조립하는 것, 장비를 조립하는 것, 하드웨어를 조립하는 것, 가격을 설정하는 것, 시스템을 물리적으로 보안하는 것, 디바이스를 물리적으로 보안하는 것, 프로세스를 물리적으로 보안하는 것, 네트워크를 물리적으로 보안하는 것, 계산 리소스를 물리적으로 보안하는 것, 장비를 물리적으로 보안하는 것, 하드웨어를 물리적으로 보안하는 것, 시스템을 사이버-보안하는 것, 디바이스를 사이버-보안하는 것, 프로세스를 사이버-보안하는 것, 네트워크를 사이버-보안하는 것, 계산 리소스를 사이버-보안하는 것, 장비를 사이버-보안하는 것, 하드웨어를 사이버-보안하는 것, 위협을 검출하는 것, 결함을 검출하는 것, 시스템을 튜닝하는 것, 디바이스를 튜닝하는 것, 프로세스를 튜닝하는 것, 네트워크를 튜닝하는 것, 계산 리소스를 튜닝하는 것, 장비를 튜닝하는 것, 하드웨어를 튜닝하는 것, 시스템을 최적화하는 것, 디바이스를 최적화하는 것, 프로세스를 최적화하는 것, 네트워크를 최적화하는 것, 계산 리소스를 최적화하는 것, 장비를 최적화하는 것, 하드웨어를 최적화하는 것, 시스템을 모니터링하는 것, 디바이스를 모니터링하는 것, 프로세스를 모니터링하는 것, 네트워크를 모니터링하는 것, 계산 리소스를 모니터링하는 것, 장비를 모니터링하는 것, 하드웨어를 모니터링하는 것, 시스템을 구성하는 것, 디바이스를 구성하는 것, 프로세스를 구성하는 것, 네트워크를 구성하는 것, 계산 리소스를 구성하는 것, 장비를 구성하는 것, 및 하드웨어를 구성하는 것. 논의된 바와 같이, 전문가 에이전트는 액션을 결정하도록 구성되고, 액션을 클라이언트 애플리케이션(8052)에 출력할 수 있다. 전문가 에이전트의 출력의 예는 추천, 분류, 예측, 제어 명령어, 입력 선택, 프로토콜 선택, 통신, 경보, 통신을 위한 타겟 선택, 데이터 저장소 선택, 계산 선택, 구성, 이벤트 검출, 예상 등을 포함할 수 있다. 또한, 일부 실시예에서, 전문가 에이전트 시스템(8008)은 더 정확하게는 액션을 출력하는 것에 더하여 또는 그 대신에 훈련 및/또는 안내를 제공하도록 전문가 에이전트를 훈련시킬 수 있다. 이러한 실시예에서, 훈련 및/또는 안내는 특정 개인 또는 역할에 대해 특정적일 수 있거나 다른 개인에 대해 사용될 수 있다.
실시예에서, 전문가 에이전트 시스템(8008)은 전문가 에이전트의 훈련에 참여하는 전문가에게 이점을 제공하도록 구성된다. 일부 실시예에서, 이익은 전문가 사용자에 의한 액션에 적어도 부분적으로 기초하여 훈련되는 전문가 에이전트의 사용자로부터 기인하는 결과에 기초하여 제공되는 보상이다. 일부 실시예에서, 이익은 전문가 에이전트의 생산성에 기초하여 제공되는 보상이다. 예를 들어, 개인에 의해 훈련된 전문가 에이전트가 기업 내의(또는 기업 외부의) 사용자의 세트와 관련하여 활용되는 경우, 개인의 계정에는 현금 보상, 주식 보상, 기프트 카드 보상 등과 같은 혜택이 제공될 수 있다. 전문가 에이전트가 더 많이 사용됨에 따라, 개인에 대한 혜택이 증가될 수 있다. 일부 실시예에서, 이익은 전문가 에이전트의 전문 지식의 척도에 기초하여 제공되는 보상이다. 예를 들어, 더 추구되는/가치 있는 스킬을 갖는 개인에게는 더 적게 추구되는/가치 있는 스킬을 갖는 개인들보다 더 큰 혜택이 수여될 수 있다. 일부 실시예에서, 이익은 전문가 에이전트에 의해 생성된 작업에 의해 생성된 수익 또는 이익의 몫, 또는 그로부터 초래되는 비용 절감이다. 일부 실시예에서, 이점은 전문가 에이전트를 수반하는 액션 및 이벤트의 세트와 연관된 정보를 포착하는 분산 원장(예를 들어, 블록체인)을 사용하여 추적된다. 이러한 실시예 중 일부에서, 스마트 계약은 전문가 사용자에 대한 보상의 관리를 관장할 수 있다.
일부 실시예에서, 전문가 에이전트 시스템(8008)에 의해 훈련된 전문가 에이전트의 세트는 기업의 노동력의 적어도 일부와 이중으로 배치될 수 있으며, 여기서 전문가 에이전트는 기업 내에서 상이한 역할의 태스크를 수행한다. 이러한 실시예 중 일부에서, 전문가 에이전트는 정의된 노동력의 역할의 정의된 세트의 수행 동안 기업의 정의된 노동력의 구성원에 의한 상호작용의 세트(예를 들어, 기타 등등 중에서도 특히, 물리적 엔티티, 디지털 트윈, 센서 데이터, 데이터 스트림, 계산 엔티티, 및/또는 네트워크 엔티티와의 상호작용)를 포함하는 훈련 데이터 세트에 대해 훈련될 수 있다. 일부 실시예에서, 상호작용은 노동력에 의해 수행되는 동작의 체인 및/또는 추론의 체인을 식별하기 위해 파싱될 수 있으며, 이에 의해 동작의 체인 및/또는 추론의 체인은 전문가 에이전트를 훈련시키는 데 사용된다. 일부 실시예에서, 상호작용은 정보의 세트에 대해 노동력에 의해 수행되는 처리의 타입을 식별하기 위해 파싱될 수 있으며, 이에 의해 처리의 타입은 각각의 전문가 에이전트의 구성으로 구현된다. 노동력의 예는 공장 동작, 플랜트 동작, 리소스 추출 동작, 네트워크 동작(예를 들어, 산업 기업을 위한 네트워크를 동작시키는 것을 담당함), 공급 체인 노동력, 물류 계획 노동력, 벤더 관리 노동력, 시장을 위한 중개 노동력, 시장을 위한 거래 노동력, 시장을 위한 거래 조정 노동력, 시장을 위한 트랜잭션 실행 노동력 등을 포함할 수 있다.
일부 실시예에서, 전문가 에이전트 시스템(8008) 및/또는 클라이언트 애플리케이션(8052)은 사용자의 상호작용과 관련된 결과를 모니터링할 수 있고, 결과에 기초하여 전문가 에이전트의 훈련을 강화할 수 있다. 예를 들어, 사용자가 정정 액션을 취할 때마다, 전문가 에이전트 시스템(8008)은 결과(예를 들어, 특정 조건 또는 문제가 해결되었는지) 및 결과가 긍정적인 결과인지 또는 부정적인 결과인지를 결정할 수 있다. 그 다음, 전문가 에이전트 시스템(8008)은 결과에 기초하여 전문가 에이전트를 재훈련시킬 수 있다. 결과의 예는 재무 결과, 동작 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다. 이러한 실시예에서, 전문가 에이전트 시스템(8008)은 결과를 결정하기 위해 액션이 취해진 후에 다양한 데이터 소스로부터 획득된 데이터를 모니터링할 수 있다(예를 들어, 판매 증가/감소 및 얼마나 많이 그러한지, 에너지 이용 감소/증가 및 얼마나 많이 그러한지, 비용 감소/증가 및 얼마나 많이 그러한지, 수익 증가/감소 및 얼마나 많이 그러한지, 소비 감소/증가 및 얼마나 많이 그러한지, 결함 조건이 해결되었는지 등). 전문가 에이전트 시스템(8008)은 결과를 초래한 전문가에 의해 수행된 액션과 연관된 훈련 데이터 세트에 결과를 포함시킬 수 있다.
일부 실시예에서, 전문가 에이전트 시스템(8008)은 각각의 집행 에이전트에 관한 피드백을 사용자로부터 수신한다. 예를 들어, 일부 실시예에서, 전문가 에이전트를 활용하는 클라이언트 애플리케이션(8052)은 사용자가 전문가 에이전트에 의해 출력된 액션에 관한 피드백을 제공할 수 있는 인터페이스를 제공할 수 있다. 실시예에서, 사용자는 전문가 에이전트에 의한 임의의 에러를 식별하고 특성화하는 피드백을 제공한다. 이러한 실시예 중 일부에서, 전문가가 직면한 에러의 세트를 표시하는 보고가 (예를 들어, 클라이언트 애플리케이션 또는 EMP(8000)에 의해) 생성될 수 있다. 보고는 집행 에이전트를 재구성/재훈련시키는 데 사용될 수 있다. 실시예에서, 집행 에이전트를 재구성/재훈련하는 것은 에러의 소스인 입력을 제거하는 것, 인공 지능 시스템의 노드의 세트를 재구성하는 것, 인공 지능 시스템의 가중치의 세트를 재구성하는 것, 인공 지능 시스템의 출력의 세트를 재구성하는 것, 인공 지능 시스템 내의 처리 흐름을 재구성하는 것, 및/또는 인공 지능 시스템에 대한 입력의 세트를 증강시키는 것을 포함할 수 있다.
실시예에서, 전문가 에이전트는, 적어도 부분적으로, 기업 내에서 정의된 역할을 위해 전문가와 이중으로 동작하도록 구성될 수 있다. 이러한 실시예에서, 전문가 에이전트 시스템(8008)은 그 각각의 역할의 수행 동안 특정 전문가 작업자에 의한 상호작용의 세트를 포함하는 훈련 데이터 세트에 기초하여 전문가 에이전트를 훈련시킨다. 예를 들어, 집행 에이전트를 훈련시키는 데 사용될 수 있는 상호작용의 세트는 전문가와 기업의 물리적 엔티티의 상호작용, 전문가와 기업 디지털 트윈의 상호작용, 전문가와 기업의 센서 시스템으로부터 획득된 센서 데이터의 상호작용, 전문가와 기업의 물리적 엔티티에 의해 생성된 데이터 스트림의 상호작용, 전문가와 기업의 계산 엔티티의 상호작용, 전문가와 네트워크 엔티티의 상호작용 등을 포함할 수 있다. 일부 실시예에서, 전문가 에이전트 시스템(8008)은 상호작용의 세트에 대한 전문가의 추론의 체인을 식별하기 위해 상호작용의 훈련 데이터 세트를 파싱한다. 이러한 실시예 중 일부에서, 추론의 체인은 전문가 에이전트를 구성/훈련시키기 위한 기초로서 사용될 수 있는 작업자의 추론의 타입을 식별하기 위해 파싱될 수 있다. 예를 들어, 추론 체인은 추론의 연역 체인, 추론의 유도 체인, 추론의 예측 체인, 추론의 분류 체인, 추론의 반복 체인, 추론의 시행착오 체인, 추론의 베이지안 체인, 추론의 과학적 방법 체인 등일 수 있다. 일부 실시예에서, 전문가 에이전트 시스템은 상호작용의 훈련 데이터 세트를 파싱하여 상호작용의 세트를 분석함에 있어서 전문가에 의해 수행하는 처리의 타입을 식별한다. 예를 들어, 처리의 타입은 가청 정보를 분석하는 데 있어서의 오디오 처리, 물리적 센서 정보를 분석하는 데 있어서의 촉각 또는 "터치" 처리, 화학적 감지 정보를 분석하는 데 있어서의 후각 처리, 텍스트를 분석하는 데 있어서의 텍스트 정보 처리, 모션 정보를 분석하는 데 있어서의 모션 처리, 화학적 정보를 분석하는 데 있어서의 맛 처리, 수치 데이터에 대해 수학적으로 동작하는 데 있어서의 수학적 처리, 실행 결정을 내리는 데 있어서의 임원 관리자 처리, 대안 옵션을 도출할 때의 창의적 처리, 옵션의 세트로부터 선택할 때의 분석적 처리 등을 포함할 수 있다.
실시예에서, 전문가 에이전트는 임원 및/또는 임원의 관리자를 대신하여 액션을 출력하도록 훈련된 집행 에이전트를 포함한다. 이러한 실시예에서, 전문가 에이전트는 집행 역할에 대해 훈련될 수 있어서, 집행 역할에서의 사용자는 그 각각의 역할을 수행함으로써 집행 에이전트를 훈련할 수 있다. 예를 들어, 집행 에이전트는 집행 역할에서 사용자를 대신하여 액션을 수행하거나 사용자에게 액션을 추천하도록 훈련될 수 있다. 이러한 실시예 중 일부에서, 클라이언트 애플리케이션(8052)은 기업 관리 플랫폼(8000)의 기능성을 제공할 수 있다. 예를 들어, 일부 실시예에서, 사용자는 집행 디지털 트윈을 볼 수 있고/있거나 클라이언트 애플리케이션(8052)을 통해 협력 툴을 사용할 수 있다. 클라이언트 애플리케이션(8052)의 사용 동안, 임원은 각각의 집행 디지털 트윈에서 식별된 문제를 기업의 다른 구성원에게 상신할 수 있다. 사용자가 클라이언트 애플리케이션(8052)과 상호작용할 때마다, 클라이언트 애플리케이션(8052)은 사용자의 액션을 모니터링할 수 있고, 그 액션을 전문가 에이전트 시스템(8008)에 다시 보고할 수 있다. 시간이 지남에 따라, 전문가 에이전트 시스템(8008)은 특정 사용자가 특정 상황에 어떻게 응답하는지를 학습할 수 있다. 예를 들어, 사용자가 CFO이고 수익 또는 비용과 관련한 임계 상태가 CFO 디지털에서 식별될 때마다, CFO가 임계 상태를 CEO에게 상신하는 경우, 전문가 에이전트 시스템(8008)은 임계 수익 상태 및 임계 비용 상태를 CEO에게 자동으로 상신하는 것을 학습할 수 있다. 전문가 에이전트 시스템(8008)의 추가 구현은 본 개시에서 추가로 논의된다.
실시예에서, 인공 지능 서비스 시스템(8010)은 EMP(8000)를 대신하여 기계 학습, 인공 지능, 및 분석 태스크를 수행한다. 실시예에서, 인공 지능 서비스 시스템(8010)은 로봇 프로세스 자동화, 예측, 분류, 자연어 처리 등을 포함하는 일부 지능 태스크를 수행하기 위해 EMP(8000)의 다양한 시스템에 의해 사용되는 기계 학습 모델을 훈련시키는 기계 학습 시스템을 포함한다. 실시예에서, EMP(8000)는 자동화된 의사 결정, 로봇 프로세스 자동화 등과 같은 다양한 AI 태스크를 수행하는 인공 지능 시스템을 포함한다. 실시예에서, EMP(8000)는 기업의 다양한 상태에 대한 통찰을 식별하기 위해 기업 데이터에 걸쳐 상이한 분석을 수행하는 분석 시스템을 포함한다. 예를 들어, 실시예에서, 분석 시스템은 기업의 재무 데이터를 분석하여 기업이 재정적으로 안정적인지, 임계 조건에 있는지, 또는 바람직한 조건에 있는지를 결정할 수 있다. 실시예에서, 분석 시스템은 기업 디지털 트윈의 하나 이상의 상태를 업데이트하기 위해 다양한 데이터 소스로부터 데이터가 수집될 때 실시간으로 분석을 수행할 수 있다. 실시예에서, 지능 시스템은 각각의 사용자의 거동을 학습하고 학습된 거동에 기초하여 사용자를 대신하여 하나 이상의 태스크를 자동화하는 로봇 프로세스 자동화 시스템을 포함한다. 이러한 실시예 중 일부에서, 로봇 프로세스 자동화 시스템은 기업을 대신하여 전문가 에이전트를 구성할 수 있다. 로봇 프로세스 자동화 시스템은 주어진 자극에 대한 액션을 출력하도록 동작하는 기계 학습 모델 및/또는 AI 로직을 구성할 수 있다. 실시예에서, 로봇 프로세스 자동화 시스템은 전문가에 의한 상호작용의 훈련 데이터 세트를 수신하고, 훈련 데이터 세트에 기초하여 기계 학습 모델 및/또는 AI 로직을 구성한다. 실시예에서, 인공 지능 서비스 시스템(8010)은 텍스트/대화를 수신하고 텍스트의 상황을 결정하고/하거나 텍스트를 생성하라는 요청에 응답하여 텍스트를 생성하는 자연어 처리 시스템을 포함한다. 지능 서비스는 본 개시 전반에 걸쳐 더 상세히 논의된다.
실시예에서, EMP(8000)는 고객 기업을 대신하여 데이터를 저장하는 기업 데이터 저장소(8012)를 포함한다. 실시예에서, 각각의 고객 기업은 다양한 데이터 소스(8020)로부터 데이터를 수신하는 연관된 데이터 레이크를 가질 수 있다. 일부 실시예에서, EMP(8000)는 하나 이상의 API(8014)를 통해 데이터를 수신한다. 예를 들어, 실시예에서, API는 기업의 하나 이상의 센서 시스템(8022)으로부터 실시간 센서 데이터를 획득하도록 구성될 수 있다. 센서 데이터는 기업과 연관된 데이터 레이크에서 수집될 수 있다. 디지털 트윈 시스템(8004) 및 인공 지능 서비스 시스템(8010)은 데이터 레이크에서 데이터를 구조화할 수 있고, 수집된 데이터에 기초하여 하나 이상의 각각의 기업 디지털 트윈을 채울 수 있다. 일부 실시예에서, 데이터 소스(8020)는 센서 시스템(8022)으로부터, 적합한 IoT 디바이스로부터, 로컬 네트워킹 디바이스(예를 들어, 중계기, 스위치, 메시 네트워크 노드, 라우터, 액세스 포인트, 게이트웨이들 등을 포함하는 무선 및 고정 네트워크 리소스)로부터, 범용 네트워킹 디바이스(예를 들어, 컴퓨터, 랩톱, 태블릿, 스마트폰 등)로부터, 스마트 제품으로부터, 기계, 장비, 시스템 및 컴포넌트의 원격 측정 시스템(예를 들어, 온보드 진단 시스템, 보고 시스템, 스트리밍 시스템, 신디케이션 시스템, 이벤트 로그 등)으로부터, 데이터 수집기(드론, 모바일 로봇, RFID 및 다른 판독기, 및 인간-휴대용 수집기를 포함함)에 의해 수집된 데이터 및/또는 다른 적합한 데이터 소스로부터 데이터를 수집, 수신 및 처리하는 에지 디바이스(8042)의 세트를 포함할 수 있다. 이러한 실시예 중 일부에서, 에지 디바이스(8042)는 기업의 "네트워크 에지"에서 수집된 센서 데이터(또는 다른 적합한 데이터)를 처리하도록 구성될 수 있다. 기업 데이터의 에지 처리는 센서 융합, 데이터 압축, 계산, 필터링, 집계, 멀티플렉싱, 선택적 전환, 묶음화(batching), 패킷화, 스트리밍, 요약, 융합, 단편화, 인코딩, 디코딩, 트랜스코딩, 복사, 저장, 압축해제, 신디케이션, (예를 들어, 메타데이터에 의한) 증강, 콘텐츠 검사, 분류, 추출, 변환, 정규화, 로딩, 포맷팅, 에러 정정, 데이터 구조화, 및/또는 많은 다른 처리 액션을 포함할 수 있다. 일부 실시예에서, 에지 디바이스(8042)는 수집된 데이터에 대해 동작하고, 수집된 데이터의 콘텐츠에 기초하여 및/또는 네트워크 조건, 동작 조건, 환경 조건, 작업흐름 조건, 엔티티 상태 정보, 데이터 특성 등과 같은 상황 정보에 기초하여 출력 데이터 스트림 또는 피드를 조정하도록 구성될 수 있다. 예를 들어, 에지 디바이스(8042)는 압축 없이 비정상인 것으로 식별되는 입상 센서 데이터를 스트리밍할 수 있는 반면, 에지 디바이스(8042)는 정상 조건의 허용오차 범위 내에 있는 것으로 고려되거나 데이터가 높은 관심을 가질 가능성이 더 낮다는 것을 시사하는 특성(예를 들어, 통계적 또는 신호 특성)을 반영하는 덜 세분화된 데이터를 압축, 요약, 또는 다른 방식으로 전달할 수 있다. 이러한 방식으로, 에지 디바이스(8042)는 반-지각적 데이터 스트림을 제공할 수 있다. 에지 디바이스(8042)에서의 반-지각은 본 출원에 설명된 바와 같은 프로세스 자동화, 기계 학습, 딥러닝, 또는 다른 인공 지능 기술을 사용하여 사용자로부터의 결과 또는 피드백의 세트에 대한 기계 학습 및 훈련에 의해 개선될 수 있다. 실시예에서, EMP(8000)는 데이터 스트림을 데이터 레이크에 저장할 수 있고/있거나 하나 이상의 기업 디지털 트윈을 수신된 데이터의 일부 또는 전부로 업데이트할 수 있다.
실시예에서, 클라이언트 디바이스(8050)는 EMP(8000)와 인터페이스하는 하나 이상의 클라이언트 애플리케이션(8052)을 실행할 수 있다. 실시예에서, 클라이언트 애플리케이션(8052)은 하나 이상의 기업 디지털 트윈을 요청하고 디스플레이할 수 있다. 이러한 실시예 중 일부에서, 클라이언트 애플리케이션(8052)은 사용자의 역할에 대응하는 집행 디지털 트윈을 표시할 수 있다. 예를 들어, 사용자가 최고 마케팅 관리자로서 지정되는 경우, EMP(8000)는 사용자의 기업의 CMO 디지털 트윈을 제공할 수 있다. 이러한 실시예 중 일부에서, EMP(8000) 및/또는 클라이언트 디바이스(8050)에 저장된 사용자 데이터는 사용자의 역할 및/또는 사용자가 액세스할 수 있는 기업 디지털 트윈의 타입(및 그 특징)을 나타낼 수 있다.
실시예에서, 클라이언트 애플리케이션(8052)은 요청된 집행 디지털 트윈을 디스플레이할 수 있고, 집행 디지털 트윈 및 그 안에 표시된 상태에 대응하는 하나 이상의 각각의 액션/동작을 수행하기 위한 하나 이상의 옵션을 제공할 수 있다. 실시예에서, 액션/동작은 특정 상태로 "드릴 다운(drilling down)"하는 것, 상태 또는 상태의 세트를 다른 사용자에게 상신 또는 다른 방식으로 통지하는 것, 상태 또는 상태의 세트를 협력 환경으로(예를 들어, 워드 프로세서 문서, 스프레드시트, 프레젠테이션 문서, 슬라이드 쇼, 모델(예를 들어, CAD 모델, 3D 모델 등), 보고(예를 들어, 연간 보고, 분기별 보고 등), 웹사이트, 위키, 대시보드, 협력 환경 위치(예를 들어, Slack™ 위치), 작업흐름 애플리케이션 등으로) 엑스포트하는 것, 다른 사용자로부터 하나 이상의 상태에 대한 액션에 대한 요청을 전송하는 것, 시뮬레이션을 수행하는 것, 인터페이스 요소를 조정하는 것(예컨대, 크기, 컬러, 위치, 밝기, 디스플레이의 존재/부재 등을 변경하는 것) 등 중 하나 이상을 포함할 수 있다. 예를 들어, COO 또는 다른 운영 임원은 동작 또는 COO 디지털 트윈을 볼 수 있다. COO 디지털 트윈에 표시될 수 있는 상태는 (예를 들어, 특히, 로봇 장비 피스 상의 하나 이상의 센서로부터의 데이터의 스트림을 분석하는 것으로부터 관찰되는 바와 같은) 하나 이상의 기계 또는 장비 피스와의 잠재적인 문제의 통지를 포함할 수 있다. COO 디지털 트윈을 볼 때, 사용자는, 예컨대 CEO에게 문제를 상신하고, 다른 임원으로부터 입력을 요청하고/하거나 웨어하우스 또는 플랜트 관리자와 같은 운영 관리자에게 문제를 취급하도록 지시하기를 원할 수 있다. 이 예에서, COO 디지털 트윈을 표시하는 클라이언트 애플리케이션은 사용자가 문제를 상신하기 위한 옵션을 선택하는 것을 허용할 수 있다. 사용자가 "상신" 옵션을 선택하는 것에 응답하여, 클라이언트 애플리케이션(8052)은 상신 요청을 EMP(8000)에 송신한다. 그 다음, EMP(8000)는 문제가 상신되는 적절한 사용자 또는 사용자들을 결정할 수 있다. 일부 실시예에서, EMP(8000)는 사용자가 속하는 기업의 조직 디지털 트윈으로부터 기업의 보고 구조를 결정할 수 있다. 이 예에서, 운영 임원이 운영 관리자가 문제를 취급하도록 선택하는 경우, 사용자는 상태를 다른 사용자와 공유하기 위한 옵션을 선택할 수 있다. 그 다음, 사용자는 의도된 수신자의 식별자(예를 들어, 이메일 주소, 전화 번호, 텍스트 주소, 사용자 이름, 역할 설명, 또는 수신자의 다른 식별자(예컨대, 다양한 작업흐름 환경, 협력 환경 등(다른 디지털 트윈을 포함함)에서의 수신자에 대한 식별자 등)를 입력할 수 있고, 의도된 수신자에게 명령어를 나타내는 메시지를 입력할 수 있다. 이에 응답하여, EMP(8000)는 식별된 상태를 의도된 수신자에게 통신할 수 있다.
다른 예에서, 클라이언트 애플리케이션(8052)은 CFO 디지털 트윈을 사용자(예를 들어, 기업의 CFO)에게 표시할 수 있다. 이 예에서, CFO는 CEO의 요청에 따라 분기별 보고를 준비하는 것을 담당할 수 있다. 이 예에서, CFO는 P&L 데이터, 과거 판매 데이터(예를 들어, 분기 판매 데이터 및/또는 연간 판매 데이터), 실시간 판매 데이터, 예상 판매 데이터, 과거 비용 데이터(예를 들어, 분기 비용 및/또는 연간 비용), 예상 비용 등을 포함하는 상이한 재무 상태의 세트를 볼 수 있다. 이 예에서, CFO는 P&L 데이터, 분기별 판매 데이터, 및 분기별 비용 데이터를 포함하는, 연간 보고에 포함시킬 상태를 선택할 수 있다. 사용자 선택에 응답하여, 클라이언트 애플리케이션(8052)은 선택된 상태를 연간 보고로 엑스포트하기 위한 요청을 송신할 수 있다. 이 예에서, EMP(8000)는 요청을 수신하고, 문서(예를 들어, 연간 보고)를 식별하고, 선택된 상태를 식별된 문서에 포함시킬 수 있다.
실시예에서, 클라이언트 애플리케이션(8052)은 사용자가 특정 요청(예를 들어, 보고를 채우기 위한 CEO로부터의 요청) 또는 통지(예를 들어, 기계 피스가 유지보수를 요구한다는 통지)에 응답하는 방식을 모니터링하는 모니터링 에이전트를 포함할 수 있다. 모니터링 에이전트는 이러한 프롬프트에 대한 사용자의 응답을 EMP(8000)에 보고할 수 있다. 이에 응답하여, EMP(8000)는 다음번에 이러한 통지가 도달할 때 이러한 통지를 취급하도록 (하나 이상의 기계 학습 모델을 포함할 수 있는) 집행 에이전트를 훈련시킬 수 있다. 일부 실시예에서, 모니터링 에이전트는 클라이언트 애플리케이션(8052)에 포함되는 집행 에이전트에 포함될 수 있다.
도 69는 디지털 트윈 시스템(8004)의 컴포넌트의 예시적인 세트를 예시한다. 논의된 바와 같이, 디지털 트윈 시스템(8004)은 기업 디지털 트윈을 포함하는 시각적 및/또는 데이터-기반 디지털 트윈을 생성하고, 디지털 트윈을 클라이언트(예를 들어, 사용자 디바이스, 서버, 및/또는 디지털 트윈을 활용하는 내부 및/또는 외부 애플리케이션)에 서빙하도록 구성된다. 실시예에서, 디지털 트윈 시스템(8004)은 EMP(8000)의 기반구조 컴포넌트이다. 실시예에서, 디지털 트윈 시스템(8004)은 EMP(8000) 및/또는 밸류 체인 제어 타워의 다른 컴포넌트에 의해 액세스가능한 마이크로서비스이다.
실시예에서, 디지털 트윈 시스템(8004)은 하나 이상의 프로세서를 포함하는 처리 시스템(8100), 하나 이상의 컴퓨터 판독가능 매체를 포함하는 저장 시스템(8120), 및 네트워크(예를 들어, 인터넷, 사설 네트워크 등)와 통신하는 하나 이상의 통신 유닛을 포함하는 네트워크 인터페이스(8130)를 포함할 수 있는 컴퓨팅 시스템(예를 들어, 하나 이상의 서버)에 의해 실행된다. 예시된 예시적인 실시예에서, 처리 시스템(8100)은 디지털 트윈 구성 시스템(8102), 디지털 트윈 I/O 시스템(8104), 데이터 구조화 시스템(8106), 디지털 트윈 생성 시스템(8108), 디지털 트윈 관점 빌더(8110), 디지털 트윈 액세스 제어기(8112), 디지털 트윈 상호작용 관리자(8114), 디지털 트윈 시뮬레이션 시스템(8116), 및 디지털 트윈 통지 시스템(8118) 중 하나 이상을 실행할 수 있다. 처리 시스템(8100)은 본 개시의 범위를 벗어나지 않고 추가적인 또는 대안적인 컴포넌트를 실행할 수 있다. 실시예에서, 저장 시스템(8120)은 기업 데이터 레이크(8122), 디지털 트윈 데이터 저장소(8124), 거동 데이터저장소(8126) 및/또는 블록체인 또는 분산 데이터 저장 리소스의 세트와 같은 분산 데이터저장소와 같은 다른 데이터저장소와 같은 기업 데이터를 저장할 수 있다. 저장 시스템(8120)은 본 개시의 범위를 벗어나지 않고 추가적인 또는 대안적인 데이터 저장소를 저장할 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은 기업 구성 시스템(8002), 협력 스위트(8006), 전문가 에이전트 시스템(8008), 및/또는 인공 지능 서비스 시스템(8010)과 같은 EMP(8000)의 다른 컴포넌트와 인터페이스할 수 있다.
실시예에서, 디지털 트윈 구성 시스템(8102)은 기업 디지털 트윈 및 기업의 연관된 메타데이터를 설정 및 관리하고, 기업 디지털 트윈을 작동시키는 데이터 구조 및 데이터 청취 스레드를 구성하고, 액세스 특징, 처리 특징, 자동화 특징, 보고 특징 등을 포함하는 기업 디지털 트윈의 특징을 구성하도록 구성되며, 이들 각각은 (예를 들어, 기업 디지털 트윈이 서빙하는 역할(들), 표시하는 엔티티, 기업 디지털 트윈이 지원하거나 인에이블하는 작업흐름 등에 기초하여) 기업 디지털 트윈의 타입에 의해 영향을 받을 수 있다. 실시예에서, 디지털 트윈 구성 시스템(8102)은 기업에 대해 지원될 디지털 트윈의 타입들 뿐만 아니라, 또한 각각의 타입의 디지털 트윈에 표시될 상이한 객체, 엔티티, 및/또는 상태를 수신한다. 각각의 타입의 디지털 트윈에 대해, 디지털 트윈 구성 시스템(8102)은 각각의 타입의 디지털 트윈에 표시되는 각각의 객체, 엔티티, 또는 상태를 공급하거나 다른 방식으로 지원하는 하나 이상의 데이터 소스 및 데이터의 타입을 결정하고, 식별된 데이터 타입 또는 내부 또는 외부 데이터 소스로부터 데이터를 자동으로 수신하도록 구성되는 웹훅과 같은 다른 적합한 데이터 취득 메커니즘을 획득하는 임의의 내부 또는 외부 소프트웨어 요청(예를 들어, API 호출)을 결정할 수 있다. 일부 실시예에서, 디지털 트윈 구성 시스템(8102)은 특정 상태/엔티티/객체에 대응하는 상이한 타입의 데이터와 그 세분성 사이의 관계를 분석함으로써 식별된 데이터 타입을 지원하는 내부 및/또는 외부 소프트웨어 요청을 결정한다. 추가적으로 또는 대안적으로, 사용자는 각각의 디지털 트윈에 표시되는 각각의 데이터 타입을 지원하는 데이터 소스 및/또는 소프트웨어 요청 및/또는 다른 데이터 취득 메커니즘을 (예를 들어, GUI를 통해) 정의할 수 있다. 이러한 실시예에서, 사용자는 액세스될 데이터 소스 및 각각의 데이터 소스로부터 획득될 데이터의 타입을 표시할 수 있다. 예를 들어, 사용자가 공급 체인 프로세스의 기업 디지털 트윈을 구성하고 있는 경우, 사용자는 재고 레벨을 획득하기 위한 재고 관리 시스템, 특정 아이템의 가격 데이터를 획득하기 위한 다양한 공급자 시스템, 기업의 공급 체인 내의 다양한 지점(예를 들어, 제조 시설, 웨어하우스 시설 등)으로부터 센서 데이터를 획득하기 위한 센서 시스템, 및 다른 적합한 데이터 타입에 대한 다른 적합한 시스템을 식별할 수 있다. 이 데이터 정의 프로세스에서, 사용자는 특정 데이터 타입 및/또는 데이터 소스를 디지털 트윈의 대응하는 구조 요소(예를 들어, 레이아웃, 공간 요소, 프로세스, 또는 이들의 컴포넌트)에 연관시킬 수 있다. 예를 들어, 사용자는 상품의 판매자에 대한 API 요청을 통해 획득되는 상품의 특정 비용(예를 들어, 압축기 상의 베어링, 자동차에 들어가는 헤드라이트, 자동차, 또는 임의의 다른 적합한 상품의 비용)을 상품을 나타내는 디지털 트윈 요소(예를 들어, 상품의 3D 모델)와 매칭시킬 수 있다. 이 예에서, 상품의 디지털 트윈은 상품의 비용을 표시할 수 있고, 상품의 가격이 변경됨에 따라, 또한 상품의 표시를 표시할 수 있다.
실시예에서, 구성 시스템(8102)은 상이한 데이터 타입을 디지털 트윈의 구조 요소와 총괄하여 연관시키는 각각의 디지털 트윈에 대한 하나 이상의 외부 키를 생성한다. 따라서, 디지털 트윈이 생성될 때, 데이터 소스로부터 획득된 데이터를 디지털 트윈의 구조 요소에 연결하기 위해 외부 키가 활용될 수 있다. 일부 실시예에서, 구성 사용자는 외부 키의 세트를 생성하기 위해 사용되는 연관을 정의할 수 있다.
실시예에서, 디지털 트윈 구성 시스템(8102)은 데이터 레이크, 관계형 데이터베이스, SQL 데이터베이스, NOSQL 데이터베이스, 그래프 데이터베이스 등과 같은 각각의 타입의 디지털 트윈을 지원하는데 필요한 데이터 구조를 결정, 정의, 및 관리한다. 예를 들어, 환경 디지털 트윈에 대해, 디지털 트윈 구성 시스템(8102)은 데이터베이스(예를 들어, 환경의 온톨로지 및 환경 내에 존재하는(또는 잠재적으로 존재하는) 객체 및 그 사이의 관계를 정의하는 그래프 데이터베이스)를 인스턴스화할 수 있고, 이에 의해 인스턴스화된 데이터베이스는 환경 디지털 트윈을 작동시키는 기본 데이터(예를 들어, 그에 관련된 센서 데이터 및 분석, 3D 맵, 환경 내의 물리적 자산 트윈 등)를 포함 및/또는 참조한다. 일부 실시예에서, 사용자는 각각의 디지털 트윈의 온톨로지를 정의할 수 있어서, 온톨로지는 디지털 트윈에 표시된 데이터의 타입 및 그러한 데이터 타입 사이의 관계를 정의한다. 추가적으로 또는 대안적으로, 디지털 트윈 구성 시스템(8102)은 구성될 디지털 트윈의 타입에 기초하여 온톨로지를 도출할 수 있다.
일부 실시예에서, 상이한 타입의 기업 디지털 트윈은 선호도 설정, 세분성 설정, 경보 설정, 분류체계 설정, 토폴로지 설정 등의 세트에 따라 구성될 수 있다. 일부 실시예에서, 구성 시스템(8102)은 미리 정의된 선호도(예를 들어, 도메인-특정, 역할 특정, 산업-특정, 작업흐름-특정 등인 것을 포함하는, 상이한 타입의 기업 디지털 트윈에 대한 디폴트 선호도 템플릿), 분류체계(예를 들어, 상이한 타입의 기업 디지털 트윈에 대한 디폴트 분류체계), 및/또는 토폴로지(예를 들어, 그래프 기반 토폴로지, 트리 기반 토폴로지, 직렬 토폴로지, 흐름-기반 토폴로지, 루프-기반 토폴로지, 네트워크 기반 토폴로지, 메시 토폴로지 등과 같은, 상이한 타입의 트윈에 대한 디폴트 토폴로지)를 이용할 수 있다. 추가적으로 또는 대안적으로, 구성 시스템(8102)은 구성 사용자로부터 맞춤 선호도 설정 및 분류체계를 수신할 수 있다. 역할 기반 디지털 트윈을 구성하는 데 사용되는 역할 특정 템플릿의 비제한적인 예는 CEO 템플릿, COO 템플릿, CFO 템플릿, 카운셀 템플릿, 이사회 구성원 템플릿, CTO 템플릿, 최고 마케팅 관리자 템플릿, 정보 기술 관리자 템플릿, 최고 정보 관리자 템플릿, 최고 데이터 관리자 템플릿, 투자자 템플릿, 고객 템플릿, 벤더 템플릿, 공급자 템플릿, 엔지니어링 관리자 템플릿, 프로젝트 관리자 템플릿, 운영 관리자 템플릿, 판매 관리자 템플릿, 판매원 템플릿, 서비스 관리자 템플릿, 유지보수 운영자 템플릿, 및/또는 비즈니스 개발 템플릿을 포함할 수 있다. 유사하게, 상이한 타입의 역할 기반 디지털 트윈을 구성하는 데 사용되는 분류체계의 예는 CEO 분류체계, COO 분류체계, CFO 분류체계, 카운셀 분류체계, 이사회 구성원 분류체계, CTO 분류체계, 최고 마케팅 관리자 분류체계, 정보 기술 관리자 분류체계, 최고 정보 관리자 분류체계, 최고 데이터 관리자 분류체계, 투자자 분류체계, 고객 분류체계, 벤더 분류체계, 공급자 분류체계, 엔지니어링 관리자 분류체계, 프로젝트 관리자 분류체계, 운영 관리자 분류체계, 판매 관리자 분류체계, 판매원 분류체계, 서비스 관리자 분류체계, 유지보수 운영자 분류체계, 및/또는 비즈니스 개발 분류체계를 포함할 수 있다. 역할 특정 템플릿 각각은 역할이 가질 수 있는 상호작용의 종류 및 역할 기반일 수 있는 상호작용에 대한 특정 응답에 특정적인 데이터 타입을 포함할 수 있다. 예를 들어, CEO 템플릿은 전체 조직에 걸친 공급자 정보 및 노동 비용 정보에 대한 데이터 타입 정의를 포함할 수 있고, 기업 내의 특정 공급자 및/또는 노동 그룹에 대한 드릴 다운과 같은 CEO 디지털 트윈과의 상호작용에 대한 응답을 포함할 수 있다.
실시예에서, 디지털 트윈 구성 시스템(8102)은 디지털 트윈 데이터 저장소(8124)에 저장될 수 있는 기업의 각각의 기업 디지털 트윈(예를 들어, 역할 기반 디지털 트윈, 환경 디지털 트윈, 조직 디지털 트윈, 프로세스 디지털 트윈 등) 각각을 지원하는 데이터베이스를 구성하고 인스턴스화하도록 구성될 수 있다. 실시예에서, 각각의 데이터베이스 구성에 대해, 디지털 트윈 구성 시스템(8102)은 각각의 데이터 타입 각각에 대한 데이터를 수집하는 데 필요한 임의의 외부 리소스를 식별하고 연결할 수 있다. 각각의 식별된 외부 리소스에 대해, 디지털 트윈 구성 시스템(8102)은 API, SDK, 항구, 웹훅, 검색 시설, 데이터베이스 액세스 시설, 및/또는 다른 연결 시설에 액세스하기 위해 하나 이상의 데이터 수집 스레드를 구성할 수 있다. 예를 들어, 특정 집행 디지털 트윈(예를 들어, CEO 디지털 트윈, CFO 디지털 트윈, COO 디지털 트윈, 및 CMO 디지털 트윈)은 각각 기업의 CRM(8026)으로부터 도출 및/또는 획득된 데이터를 요구할 수 있다. 이 예에서, 디지털 트윈 구성 시스템(8102)은 기업을 대신하여 기업의 CRM(8026)의 API, SDK, 항구, 웹훅, 검색 시설, 데이터베이스 액세스 시설, 및/또는 다른 연결 시설에 액세스하도록 하나 이상의 데이터 수집 스레드를 구성할 수 있고, API에 액세스하기 위해 임의의 필요한 보안 자격증명을 획득할 수 있다. 다른 예에서, 기업의 하나 이상의 에지 디바이스(8042)로부터 데이터를 수집하기 위해, 구성 시스템(8102)은 EMP(8000)의 API에 기업의 에지 디바이스(8042)에 대한 액세스를 승인하는 프로세스를 개시할 수 있어서, 에지 디바이스(8042)는 EMP(8000)에 디지털 트윈 데이터를 제공할 수 있다.
실시예에서, 디지털 트윈 I/O 시스템(8104)은 데이터 소스(예를 들어, 사용자, 센서 시스템, 내부 및/또는 외부 데이터베이스, 소프트웨어 플랫폼(예를 들어, CRM, ERP, CRM, 작업흐름 관리 시스템), 조사, 고객 등)의 세트로부터 데이터를 획득하도록 구성된다. 일부 실시예에서, 디지털 트윈 I/O 시스템(8104)(또는 다른 적절한 컴포넌트)은 기업과 제휴된 사용자가 기업의 기업 디지털 트윈을 생성하기 위해 활용될 수 있는 다양한 타입의 데이터를 업로드하는 것을 허용하는 그래픽 사용자 인터페이스를 제공할 수 있다. 예를 들어, 환경 디지털 트윈을 지원하기 위한 데이터를 제공함에 있어서, 사용자는 디지털 트윈 I/O 시스템(8104)을 통해 3D 스캔, 정화상 및 비디오 이미지, LIDAR 스캔, 구조화된 광 스캔, 청사진, 3D 평면도, 객체 타입(예를 들어, 제품, 센서, 기계, 가구 등), 객체 특성(예를 들어, 재료, 물리적 특성, 설명, 가격 등), 출력 타입(예를 들어, 센서 유닛), 아키텍처 도면, CAD 문서, 장비 사양 등을 업로드할 수 있다. 실시예에서, 디지털 트윈 I/O 시스템(8104)은 기업을 대신하여 데이터 스트림(예를 들어, RSS 피드, 뉴스 스트림, 이벤트 스트림, 로그 스트림, 센서 시스템 스트림 등과 같은 공개적으로 이용가능한 데이터 스트림)을 구독하거나 다른 방식으로 자동으로 수신할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈 시스템 I/O 시스템(8104)은 시설(예를 들어, 제조 시설, 배송 시설, 웨어하우스 시설, 물류 시설, 소매 시설, 유통 시설, 농업 시설, 리소스 추출 시설, 컴퓨팅 시설, 수송 시설, 기반구조 시설, 네트워킹 시설, 데이터 센터 시설 등) 및/또는 기업의 다른 물리적 엔티티로부터의 데이터를 감지하는 센서를 갖는 센서 시스템(8022), 실시간으로 판매 수치로 업데이트되는 판매 데이터베이스(8024), CRM 시스템(8026), 콘텐츠 마케팅 플랫폼(8028), 재무 데이터베이스(8030), 조사(8032), 조직도(8034), 작업흐름 관리 시스템(8036), 제3자 데이터 소스(8038), 고객 데이터를 저장하는 고객 데이터베이스(8040), 및/또는 제3자 데이터를 저장하는 제3자 데이터 소스(8038), 물리적 자산에 관련된 데이터를 보고하는 에지 디바이스(8042)(예를 들어, 기업의 스마트 기계/제조 장비, 센서 키트, 자율 차량, 웨어러블 디바이스 등), 기업 리소스 관리 시스템(8044), HR 시스템(8046), 콘텐츠 관리 시스템(8026) 등과 같은 연결된 데이터 소스(8020)로부터 데이터를 주기적으로 질의 및/또는 수신할 수 있다. 실시예에서, 디지털 트윈 I/O 시스템(8104)은 데이터를 획득하기 위해 웹 크롤러의 세트를 이용할 수 있다. 실시예에서, 디지털 트윈 I/O 시스템(8104)은 각각의 데이터 소스로부터의 새로운 데이터를 청취하는 청취 스레드를 포함할 수 있다. 실시예에서, 디지털 트윈 I/O 시스템(8104)은 데이터 소스의 각각의 세트로부터 데이터를 수신하는 웹훅의 세트로 구성될 수 있다. 이러한 실시예에서, 디지털 트윈 I/O 시스템(8104)은 실시간 데이터와 같은 외부 데이터 소스로부터 푸시되는 데이터를 수신할 수 있다.
일부 실시예에서, 디지털 트윈 I/O 시스템(8104)은 클라이언트 디바이스(8050) 또는 EMP(8000)에 의해 실행되는 기업 디지털 트윈(디지털 트윈을 채우는 데 사용됨)의 인스턴스에 획득된 데이터를 서빙하도록 구성된다. 실시예에서, 디지털 트윈 I/O 시스템(8104)은 기업을 대신하여 수신 및/또는 수집된 수신된 데이터 스트림을 공급하는 데이터 스트림을 수신하고, 스트림의 적어도 일부를 기업과 연관된 데이터 레이크(8122)에 저장한다. 실시예에서, 데이터 레이크(8122) 내로 스트리밍되는 데이터는 구조화되고 디지털 트윈 데이터 저장소(8124)에 저장된 하나 이상의 데이터베이스에 저장될 수 있다.
실시예에서, 데이터 구조화 시스템(8106)은 데이터를 처리하고 기업 디지털 트윈에 의해 소비될 수 있는 포맷으로 구조화하도록 구성된다. 실시예에서, 데이터 구조화 시스템(8106)에 의한 처리는 압축, 계산, 필터링, 집계, 멀티플렉싱, 선택적 전환, 묶음화, 패킷화, 스트리밍, 요약, 융합, 단편화, 인코딩, 디코딩, 트랜스코딩, 암호화, 복호화, 복제, 중복 제거, 정규화, 클렌징, 식별, 복사, 저장, 압축해제, 신디케이션, (예를 들어, 메타데이터에 의한) 증강, 콘텐츠 검사, 분류, 추출, 변환, 로딩, 포맷팅, 에러 정정, 데이터 구조화, 및/또는 많은 다른 처리 액션을 포함할 수 있다. 실시예에서, 데이터 구조화 시스템(8106)은 다양한 타입의 디지털 트윈 데이터를 구조화하기 위해 ETL(추출, 변환, 로드) 툴링, 데이터 스트리밍, 및 다른 데이터 통합 툴을 활용할 수 있다. 실시예에서, 데이터 구조화 시스템(8106)은 디지털 트윈 구성 시스템(8102) 및/또는 사용자에 의해 정의될 수 있는 디지털 트윈 데이터 모델에 따라 데이터를 구조화한다. 실시예에서, 디지털 트윈 데이터 모델은 기업 관련 데이터의 요소를 조직화하고 그 요소가 서로 및 디지털 트윈 엔티티의 특성과 관련되는 방식을 표준화하는 추상 모델을 지칭할 수 있다. 예를 들어, 차량을 포함하는 환경(예를 들어, 차량 조립 시설 또는 차량이 동작하는 환경)의 디지털 트윈 데이터 모델은 차량을 나타내는 데이터 요소가 차량의 하위 요소 또는 속성(차량의 컬러, 차량의 치수, 차량의 엔진, 차량의 엔진 부품, 차량의 소유자, 차량의 성능 사양 등)을 나타내는 다수의 다른 요소로 구성된다는 것을 특정할 수 있다. 이 예에서, 디지털 트윈 모델 컴포넌트는 물리적 속성이 차량 상의 각각의 물리적 위치에 어떻게 결속되는지를 정의할 수 있다. 실시예에서, 디지털 트윈 데이터 모델은 특정 애플리케이션 도메인에서 발견되는 객체 및 관계의 공식화를 정의할 수 있다. 예를 들어, 디지털 트윈 데이터 모델은 제조 기업에서 발견되는 고객, 제품, 및 주문 및 이들이 다양한 디지털 트윈 내에서 서로 어떻게 관련되는지를 나타낼 수 있다. 다른 예에서, 디지털 트윈 데이터 모델은 환경 내의 데이터 또는 메타데이터의 이러한 형식화를 정의하는 데 사용되는 개념(예를 들어, 엔티티, 속성, 관계, 테이블 등)의 세트를 정의할 수 있다. 예를 들어, 뱅킹 애플리케이션과 관련하여 사용되는 디지털 트윈 데이터 모델은 이때 엔티티-관계 데이터 모델 및 엔티티-관계 데이터 모델이 다양한 집행 디지털 트윈 뷰와 어떻게 관련되는지를 사용하여 정의될 수 있다.
실시예에서, 디지털 트윈 생성 시스템(8108)은 기업을 대신하여 기업 디지털 트윈을 서빙한다. 일부 경우에서, 디지털 트윈 생성 시스템(8108)은(예를 들어, API를 통해) 클라이언트 디바이스(8050)에 의해 실행되는 클라이언트 애플리케이션(8052)으로부터 특정 타입의 디지털 트윈에 대한 요청을 수신한다. 추가적으로 또는 대안적으로, 디지털 트윈 생성 시스템(8108)은 EMP(8000)의 컴포넌트(예를 들어, 디지털 트윈 시뮬레이션 시스템(8116))로부터 특정 타입의 디지털 트윈에 대한 요청을 수신한다. 요청은 기업, 디지털 트윈의 타입, (디지털 액세스 제어기(8112)에 의해 액세스 권한이 검증되거나 결정될 수 있는) 사용자, 및/또는 사용자의 역할을 표시할 수 있다. 일부 실시예에서, 디지털 트윈 생성 시스템(8108)은 데이터 구조, 데이터의 그레인의 정의, 특정 입력에 대한 응답 패턴, 거동을 예시하기 위한 애니메이션 시퀀스, (모바일 전화와 같은) 더 작은 디스플레이들에 대한 디스플레이 집계 방법, 몰입형 데이터 상호작용 시스템, 데이터 관찰에 대한 보안 제약, 관찰 상호작용 속도(프레임 레이트), 광원의 특성(실제 또는 연속을 시뮬레이션함), 다수의 사용자 참여 프로토콜, 네트워크 대역폭 제약, 메타데이터, 온톨로지 및 데이터 피드에 대한 후크에 대한 정보 뿐만 아니라 디지털 트윈 구성을 결정하고 클라이언트 디바이스(8050)(또는 요청 컴포넌트)에 제공할 수 있다. 이 정보는 최종 사용자 디바이스(예를 들어, AR 디바이스 또는 VR 디바이스, 태블릿, 개인용 컴퓨터, 모바일 등과 같은 몰입형 디바이스)에서 디지털 트윈을 생성하기 위해 클라이언트에 의해 사용될 수 있다. 실시예에서, 디지털 트윈 생성 시스템(8108)은 (예를 들어, 최종 사용자 디바이스의 타입에 기초하여 적절한 포맷으로 전달하는 것과 같은 디바이스-감응 관점을 포함할 수 있는 디지털 트윈 관점 빌더(8110)를 통해) 요청된 디지털 트윈에 대한 적절한 관점 및 (예를 들어, 액세스 제어기(8112)를 통해) 사용자가 가질 수 있는 임의의 데이터 제한, 상호작용 제한, 데이터의 깊이 제한, 사용 제한, 가시성 제한의 길이를 결정할 수 있다. 관점 및 데이터 제한을 결정하는 것에 응답하여, 디지털 트윈 생성 시스템(8108)은 요청된 디지털 트윈을 생성할 수 있다. 일부 실시예에서, 요청된 디지털 트윈을 생성하는 것은 관점이 주어지면 적절한 데이터 구조를 식별하는 것 및 디지털 트윈을 파라미터화하는 데이터 뿐만 아니라, 또한 기업 디지털 트윈과 함께 서빙되는 임의의 추가 메타데이터를 획득하는 것을 포함할 수 있다.
실시예에서, 디지털 트윈 생성 시스템(8108)은 기업 디지털 트윈을 요청 클라이언트 애플리케이션(8052)(또는 요청 컴포넌트)에 전달할 수 있다. 실시예에서, 디지털 트윈 생성 시스템(8108)(또는 다른 적절한 컴포넌트)은 실시간 데이터가 수신되고 EMP(8000)에 의해 잠재적으로 분석, 외삽, 도출, 예측, 및/또는 시뮬레이션될 때 실시간 데이터(또는 실시간 데이터로부터 도출되는 데이터)로 서빙된 디지털 트윈을 계속 업데이트할 수 있다.
일부 실시예에서, 디지털 트윈 생성 시스템(8108)은 (디지털 트윈 I/O 시스템(8104)과 조합하여) 관계형 데이터베이스, API 인터페이스, 직접 센서 입력, 인간 생성 입력, 하둡 파일 저장소, 환경에서의 동작 및 보고 툴링의 기초가 되는 그래프 데이터베이스, 원격 측정 데이터 소스, 온보드 진단 시스템, 블록체인, 분산 원장, 분산 데이터 소스, 피드, 스트림, 및 많은 다른 소스와 같은 전통적인 데이터 소스로부터 데이터 스트림을 획득할 수 있다. 실시예에서, 디지털 트윈 생성 시스템(8108)은 시설 내의 엔티티의 레이아웃 및 3D 객체 특성, 지리공간 정보 시스템, 계정의 시스템의 계층적 설계, 및/또는 작업흐름에서의 엔티티 및 액션의 논리적 관계와 같은 데이터의 구조적 양태와 연관되는 데이터 스트림을 획득할 수 있다. 실시예에서, 데이터 스트림은 데이터의 특성과 연관된 메타데이터 스트림 및 1차 데이터(예를 들어, 센서 데이터, 판매 데이터, 조사 데이터 등)를 포함하는 데이터 스트림을 포함할 수 있다. 예를 들어, 물리적 시설 또는 다른 엔티티와 연관된 메타데이터는 관리되고 있는 데이터의 타입 및 계층을 포함할 수 있는 반면, 1차 데이터는 각각의 계층 내에 속하는 객체의 인스턴스를 포함할 수 있다. 메타데이터가 추적 및/또는 생성될 수 있는 계층은, 예를 들어, 전체 시설, 시설 내의 컴포넌트 시스템 및 자산(장비, 네트워크 엔티티, 노동력 엔티티, 자산 등), 서브컴포넌트 및 서브시스템, 및 아래로 임의적으로 하위 레벨의 세분성(예를 들어, 웨어하우스의 위치에서 조립 라인을 구동하는 모터 어셈블리의 일부인 팬의 회전 액슬 어셈블리의 볼 베어링)까지의 추가 서브컴포넌트 및 서브시스템의 속성, 파라미터 또는 표현에 대한 메타데이터를 포함할 수 있다. 실시예에서, 계층은, 다른 예에서, 예컨대, COO로부터 동작의 VP로, 유통 관리자로부터 웨어하우스 관리자로, 교대근무 관리자로부터 웨어하우스 작업자로의, 보고 구조와 같은 논리 또는 동작 계층을 포함할 수 있다. 실시예에서, 계층은, 예컨대, 전체 프로세스로부터 그 서브컴포넌트 및 결정 지점들까지, 예컨대, 입력 재료 및 컴포넌트의 수집, 작업자의 위치설정, 일련의 조립 단계, 출력의 검사, 및 조립 후 위치로의 전달의 하위 계층을 갖는 전체 조립 프로세스에 걸친, 작업흐름 또는 프로세스 흐름 계층을 포함할 수 있다.
실시예에서, 디지털 트윈 관점 빌더(8110)는 디지털 트윈 생성 시스템(8108)에서 디지털 트윈의 생성에 요구되는 정보의 정의를 생성하기 위해 메타데이터, 인공 지능, 휴리스틱 방법, 3D 렌더링 알고리즘 및/또는 다른 데이터 처리 기술을 활용한다. 일부 실시예에서, 상이한 관련 데이터세트는 적절한 세분성 레벨에서 디지털 트윈(예를 들어, 집행 디지털 트윈, 환경 디지털 트윈 등)에 연결되고, 그에 의해 데이터의 구조적 양태(예를 들어, 계정의 시스템, 센서 판독, 판매 데이터 등)가 데이터 분석 프로세스의 일부가 되는 것을 허용한다. 관점 기능을 만드는 일 양태는 사용자가 문제의 비즈니스 영역의 제어를 안내하기 위해 구조에 대한 미래 이벤트 또는 변경을 잠재적으로 예상하면서 데이터의 구조 뷰 또는 세분성을 변경할 수 있다는 것이다. 실시예에서, "데이터의 그레인(grain of data)"이라는 용어는 데이터의 단일 라인, 데이터의 단일 집계된 라인, 데이터의 단일 바이트, 단일 파일, 단일 인스턴스 등과 같은 데이터의 타입의 베이스 유닛을 지칭할 수 있다. "데이터의 그레인"의 예는 단일 판매에 대한 상세한 기록, 분산 원장에서의 블록체인에서의 단일 블록, 이벤트 로그에서의 단일 이벤트, 진동 센서로부터의 단일 진동 판독, 또는 유사한 단일 또는 원자 데이터 유닛 등을 포함할 수 있다. 그레인 또는 원자성은 데이터가 어떻게 조합되거나 처리되어 상이한 출력을 형성할 수 있는지에 제약을 부과할 수 있다. 예를 들어, 데이터의 일부 요소가 하루에 한 번의 레벨에서만 포착되는 경우, 이때, (예를 들어, 추론 기술 및/또는 통계적 모델을 사용하여) 하루 표현으로부터 도출되지 않는 한, 이는 하루(또는 여러 날의 집계)로만 분해될 수 있고 시간 또는 분으로는 분해될 수 없다. 유사하게, 데이터가 총 비즈니스 유닛 레벨에서만 제공되는 경우, 이는 예를 들어, 평균화, 모델링, 또는 유도성 기능에 의해서만 개별 직원의 레벨로 분해될 수 있다. 일반적으로, 역할 기반 및 다른 기업 디지털 트윈은 종종 더 미세한 레벨의 데이터로부터 이익을 얻을 수 있는데, 그 이유는 집계 및 다른 처리 단계가 본질적으로 동적인 및/또는 동적 프로세스 및/또는 실시간 의사 결정에 관련된 출력을 생성할 수 있기 때문이다. 상이한 타입의 디지털 트윈은 상이한 "크기"의 데이터 그레인을 가질 수 있다는 점에 유의한다. 예를 들어, CEO 디지털 트윈을 공급하는 데이터의 그레인(grain)은 COO 디지털 트윈을 공급하는 데이터의 그레인들보다 더 높은 세분성(granularity) 레벨에 있을 수 있다. 그러나, 일부 실시예에서, CEO는 CEO 디지털 트윈의 상태로 드릴 다운할 수 있고, 선택된 상태에 대한 세분성이 증가될 수 있다.
실시예에서, 관점 빌더(8110)는 디지털 트윈 생성 시스템(8108)에 제공되는 디지털 트윈의 기본이 되는 데이터에 관련 관점을 추가한다. 실시예에서, "관점"은 적절한 세분성 레벨에서 정확한 타입을 갖는 기본 데이터의 적절한 온톨로지 뷰를 제공하는 특정 디지털 트윈(예를 들어, 역할 기반 디지털 트윈)의 온톨로지에 대한 조정, 그 집계, 그 단순화, 및/또는 그에 대한 상세 추가를 지칭할 수 있다. 예를 들어, CEO 디지털 트윈은 퍼지 데이터에서 시장 데이터와 연동할 수 있고, 상이한 시나리오에 대한 시뮬레이션된 디지털 트윈 환경에 대한 시장 세력의 잠재적인 영향을 표시할 수 있다. 다른 예에서, CFO 레벨 디지털 트윈에서, 계정의 내부 재무 시스템은 수익 생성, 비용 할당, 및 비즈니스의 구조적 양태(예를 들어, 공장 플로어, 웨어하우스, 유통 센터, 물류 시설, 사무실 건물, 소매 위치, 컨테이너 선박 등의 레이아웃) 사이의 관계를 이해하는 능력을 제공하는 디지털 트윈의 물리적 구조에 걸쳐 할당될 수 있다. 이 예를 계속 설명하자면, CTO 디지털 트윈은 새로운 기술 및 그 사이의 링크에 대한 현재 시장 정보를 갖는 데이터 오버레이들을 포함할 수 있다. 이 예에서, CTO 디지털 트윈은 변화하는 기술 플랫폼의 영향과 시설의 향상을 위해 사용될 수 있는 외부 정보 사이의 링크를 구축한다. 관점 빌더(8110)에 의해 생성된 이들 상이한 관점은 디지털 트윈 시뮬레이션 시스템(8116)과 조합하여 시나리오 기반 미래 상태가 시설에 의해 어떻게 취급될 수 있는지의 관련 시뮬레이션을 제공하고, 디지털 트윈 시뮬레이션 시스템(8116)은 미래 상태의 요구를 만족시키기 위해 디지털 트윈 표현 시설을 구조적으로 향상시키는 방법에 대한 추천, 디지털 트윈 환경에서의 특정 변경에 대한 응답 또는 디지털 트윈 시뮬레이션 요소에 관련된 정보에서의 변경을 제공한다. 실시예에서, 관점 빌더(8110)는 정보 기술 상태 및 엔티티와의 동작 상태 및 엔티티의 교차점 또는 오버레이들을 표시하는 관점을 구축할 수 있으며, 이는 광범위한 산업 및 도메인의 동작 내에서 정보 기술 및 동작 기술의 상호작용 및 수렴을 수반하는 기회 및/또는 문제의 인식을 용이하게 할 수 있다. 추가 실시예에서, 관점 빌더(8110)는 동작 상태 및 엔티티에 대한 상이한 관점을 유지하면서 상이한 역할이 동일한 디지털 트윈과 상호작용하는 것을 허용하는 관점을 구축할 수 있으며, 이는 이들 상이한 역할이 역할 특정 관점을 유지하면서 의미있는 상호작용을 갖는 것을 허용한다. 실시예에서, 관점 빌더(8110)는 각각의 상이한 사용자/역할에게 디지털 트윈에서와 같이 표현된 각각의 개략도를 제공함으로써 디지털 트윈에 대한 관점을 구축하고, 여기서 이러한 개략도는 특정 사용자의 역할과 관련된 레벨에서의 정보 및 구조를 포함한다. 그 다음, 이 사용자 특정 다이어그램은 역할 기반 디지털 트윈 경험을 제공하기 위해 기본 데이터에 연결된다.
실시예에서, 디지털 트윈 액세스 제어기(8112)는 디지털 트윈을 볼 수 있는 사용자의 역할 주위의 특정 제약을 생성 시스템(8108)에 통지할 뿐만 아니라 각각의 사용자 역할에 특정한 데이터 또는 다른 특징의 뷰를 제약하거나 해제하도록 적응될 수 있는 동적으로 조정가능한 디지털 트윈을 제공한다. 예를 들어, 민감한 급여 데이터는 조직 디지털 트윈을 볼 때 대부분의 관리 직원에게는 난독화될 수 있지만, CEO는 급여 정보를 직접 보기 위한 액세스를 승인받을 수 있다. 실시예에서, 디지털 트윈 액세스 제어기(8112)는 사용자 식별자 및 하나 이상의 데이터 타입을 수신할 수 있다. 이에 응답하여, 디지털 트윈 액세스 제어기(8112)는 사용자 식별자에 의해 표시된 사용자가 하나 이상의 데이터 타입 또는 다른 특징에 액세스할 수 있는지를 결정할 수 있다. 이러한 실시예 중 일부에서, 디지털 트윈 액세스 제어기는 사용자의 기업의 조직 디지털 트윈에서 사용자를 검색할 수 있고, 그에 기초하여 사용자의 허가 및 제한을 결정할 수 있다. 대안적으로, 사용자의 허가 및 제한이 사용자 데이터베이스에 표시될 수 있다. 실시예에서, 조직 디지털 트윈은, 위에서 언급된 바와 같이, 예컨대 계층적 조직도, 조직 엔티티(예를 들어, 작업 그룹, 역할, 자산 및 인력)를 나타내는 노드를 갖는 조직의 그래프, 관계(예를 들어, 보고 관계, 권한 라인, 그룹 소속 등)를 나타내는 링크 또는 연결, 및 엔티티 및 관계의 다른 속성을 나타내는 데이터 또는 메타데이터 등과 같은 조직의 표현을 자동으로 구성하기 위해 이용가능한 데이터 소스를 파싱함으로써 자동으로 생성될 수 있다.
실시예에서, 디지털 트윈 상호작용 관리자(8114)는(예를 들어, 클라이언트 애플리케이션(8052)에 의해 표시/표현되는 바와 같은) 기업 디지털 트윈에서의 데이터의 구조 뷰와 기본 데이터 스트림 및 데이터 소스 사이의 관계를 관리한다. 실시예에서, 이 상호작용 층은 디지털 트윈을 데이터의 구조의 렌즈를 통해 기본 데이터 스트림 내로의 윈도우로 만든다. 실시예에서, 디지털 트윈 상호작용 관리자(8114)는 인스턴스가 클라이언트 애플리케이션(8052)에 의해 실행되고 있는 동안 기업 디지털 트윈(예를 들어, 환경 디지털 트윈 또는 집행 디지털 트윈)의 인스턴스에 공급되고 있는 데이터의 타입, 또는 이러한 상호작용을 구축하기 위한 휴먼 인터페이스의 특성을 결정한다. 달리 말하면, 디지털 트윈 상호작용 관리자(8114)는 사용 중인 디지털 트윈에 대한 데이터를 결정하고 서빙한다. 실시예에서, 디지털 트윈 상호작용 관리자(8114)는 사용자 인터페이스와 역할 기반 디지털 트윈 사이의 관계를 관장하는 특정 사용자 상호작용 및 제어를 갖는다. 또한, 실시예에서, 이러한 역할 기반 디지털 트윈 상호작용은 끊김없이(seamlessly) 상호작용하는 상이한 역할을 갖는 공유 디지털 트윈과의 상호작용일 수 있다. 실시예에서, 디지털 트윈 상호작용 관리자(8114)는 데이터 소스로부터 수신된 원시 데이터를 디지털 트윈에 또는 디지털 트윈 I/O 시스템(8104), 또는 디지털 트윈 I/O 시스템(8104)과 역할 기반 인간 상호작용의 조합에 공급한다. 예를 들어, 환경 전체에 걸친 온도의 센서 판독은 디지털 트윈 I/O 시스템(8104)을 통해 환경의 실행 환경 디지털 트윈에 직접 공급될 수 있고, 환경의 온도 설정을 조정하기 위해 환경 디지털 트윈과의 인간 상호작용에 응답하여, 디지털 트윈 상호작용 관리자(8114)는 온도를 증가 또는 감소시키기 위해 환경 내의 온도 제어기에 제어 신호를 발행할 수 있다.
실시예에서, 디지털 트윈 상호작용 관리자(8114)는 EMP(8000)의 다른 컴포넌트에 의해 도출되는 데이터 및/또는 명령어를 획득한다. 예를 들어, CEO 디지털 트윈은 들어오는 재무 데이터, 마케팅 데이터, 운영 데이터, 및 센서 데이터로부터 도출되는 인공 지능 서비스 시스템(8010)으로부터 획득된 분석 데이터를 표시할 수 있다. 이 예에서, 디지털 트윈 상호작용 관리자(8114)는 사용자로부터 분석 데이터로 드릴 다운하라는 요청을 수신할 수 있고, 이에 응답하여, 디지털 트윈 상호작용 관리자(8114)는 분석 데이터가 도출된 재무 데이터, 마케팅 데이터, 및/또는 센서 데이터를 획득할 수 있다. 다른 예에서, 디지털 트윈 상호작용 관리자(8114)는 상이한 자산 유지보수 스케줄에 대한 수익/비용을 운반하기 위해 디지털 트윈 시뮬레이션 시스템(8116)으로부터 시뮬레이션된 비용 데이터를 수신할 수 있고, 이에 의해 시뮬레이션된 데이터는 기업의 과거 유지보수 데이터, 기업의 시설 내의 센서에 의해 수집된 과거 센서 데이터를 사용하여 도출된다. 이 예에서, 디지털 트윈 상호작용 관리자(8114)는 집행 디지털 트윈(예를 들어, CFO 디지털 트윈, CTO 디지털 트윈, 또는 CEO 디지털 트윈)을 표시하는 클라이언트 디바이스로부터 상이한 유지보수 스케줄에 대한 요청을 수신할 수 있고, 상이한 유지보수 스케줄 각각에 대한 시뮬레이션을 개시할 수 있다. 디지털 트윈 상호작용 관리자(8114)는 이어서 시뮬레이션의 결과를 요청 클라이언트 애플리케이션에 서빙할 수 있다.
실시예에서, 디지털 트윈 상호작용 관리자(8114)는 집행 디지털 트윈을 통해 수행되는 하나 이상의 작업흐름을 관리할 수 있다. 예를 들어, EMP(8000)는 집행 작업흐름의 세트를 저장할 수 있고, 여기서 각각의 집행 작업흐름은 기업 내의 역할에 대응하고 하나 이상의 스테이지를 포함한다. 실시예에서, 디지털 트윈 상호작용 관리자(8114)는 작업흐름을 실행하라는 요청을 수신할 수 있다. 요청은 작업흐름 및 사용자 식별자를 표시할 수 있다. 이에 응답하여, 디지털 트윈 상호작용 관리자(8114)는 요청된 작업흐름을 검색할 수 있고, 역할 기반 상호작용을 포함하는 특정 명령어, 및/또는 데이터를 클라이언트 디바이스(8052)에 제공할 수 있다.
실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 하나 이상의 디지털 트윈을 사용하여 시뮬레이션을 실행하라는 요청을 수신한다. 실시예에서, 요청은 변경될 파라미터의 세트 및/또는 출력할 하나 이상의 시뮬레이션 결과를 표시할 수 있다. 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 디지털 트윈 생성 시스템(8108)으로부터 하나 이상의 디지털 트윈을 요청할 수 있고 시뮬레이션을 위한 상이한 파라미터의 세트를 변경할 수 있다. 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 새로운 디지털 트윈 및 기존의 디지털 트윈 내의 새로운 데이터 스트림을 구성할 수 있다. 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 환경 시뮬레이션 및/또는 데이터 시뮬레이션을 수행할 수 있다. 환경 시뮬레이션은 기본 데이터 스트림들보다는 디지털 트윈 온톨로지의 시뮬레이션에 초점을 맞춘다. 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 각각의 디지털 트윈 환경에 적절한 시뮬레이션된 데이터 스트림을 생성한다. 이 시뮬레이션은 디지털 트윈이 공급되는 상품의 비용의 변화 또는 시설의 출력에 대한 수요의 변화와 같은 특정 이벤트에 어떻게 응답할지에 대한 실세계 시뮬레이션을 허용한다.
실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은, 일부 경우에서, 디지털 트윈의 데이터 및 응답이 상이한 상황적 또는 맥락적 입력/자극에 응답하여 시뮬레이션될 수 있는 프레임워크를 개발하는 역할 특정 응답 패턴(예를 들어, 물리적 수학적 예상, 논리적 표현, 또는 프로세스 다이어그램)을 포함하는 모델의 세트를 구현한다. 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 데이터 및/또는 입력 데이터에 대한 디지털 트윈의 응답 중 어느 하나의 예측된 미래 상태를 구성하는 컴퓨터화된 모델 빌더를 포함하거나 활용할 수 있다. 일부 실시예에서, 컴퓨터화된 모델 라이브러리는, 예컨대, 본 출원에 또는 본 출원에 참조로 포함된 문서에 설명된 다양한 타입의 과학적, 경제적, 통계적, 심리적, 사회학적, 계량경제적, 공학적, 수학적, 물리적, 화학적, 생물학적, 아키텍처적, 계산적, 또는 다른 모델, 공식, 함수, 프로세스, 알고리즘 등(문맥이 달리 표시하는 경우를 제외하고 본 출원에서 총괄하여 "거동 모델들" 또는 "모델들"로 지칭됨)에 기반하여, 엔티티의 하나 이상의 거동을 정의하는 하나 이상의 모델을 저장하는 거동 모델 데이터 저장소(8126)로부터 획득될 수 있다. 실시예에서, 밸류 체인 네트워크 데이터 객체는 플랫폼에 의해 취급되는 (밸류 체인 네트워크 엔티티 및 애플리케이션과 연관된 것과 같은) 데이터 객체의 세트의 클래스, 객체, 속성, 파라미터 및 다른 특징을 정의하는 객체 지향 데이터 모델에 따라 제공될 수 있다. 컴퓨터화된 디지털 트윈 모델은 이용가능한 입력에 기초하여 모델의 결과를 계산하여, 사용자가 전체 시스템이 환경의 특정 변화에 어떻게 응답하는지를 관찰하면서 시뮬레이션된 환경의 핵심적인 특징을 보고 조작할 수 있는 상호작용 환경을 구축한다. 예를 들어, 디지털 트윈 시뮬레이션은 컨테이너에 적층된 객체의 세트가 컨테이너를 기울이는 것에 어떻게 응답할지를 디스플레이할 수 있으며, 여기서 객체의 거동은 구조적 특징, 중량 분포 등을 포함하는 적층된 객체의 기계적 엔지니어링 모델 및/또는 아키텍처 모델에 기초한다. 이는 지진 이벤트, 도로 조건, 날씨 조건, 파도 액션 등에 응답하여, 파손, 누설 등과 같은 다양한 결함 모드의 확률 및/또는 영향을 평가하는 것 뿐만 아니라, 또한 이벤트의 체인을 비롯한 시뮬레이션된 환경에서 다른 객체의 응답을 시뮬레이션하는 것을 도울 수 있다. 이는, 예를 들어, 사용자가 다수의 동시적인 또는 관련된 결함 또는 다른 이벤트의 결과로서 발생하는 이벤트 및 결과를 식별하는 것을 허용할 수 있다.
실시예에서, 디지털 트윈 거동 모델은 실제 실험 및 실세계 이벤트의 결과를 사용하여 업데이트되고 개선될 수 있다. 이러한 디지털 트윈 수학적 모델 및 시뮬레이션의 사용은 실제 실험을 회피하며, 이는 비용이 많이 들고 시간 소모적일 수 있다. 대신에, 엔티티의 거동 및 계산 능력에 관한 취득된 지식은 실세계 문제를 저렴하게 및/또는 시간 효율적인 방식으로 진단하고 해결하는 데 사용된다. 이와 같이, 디지털 트윈 시뮬레이션 시스템(8116)은 실세계에서 시스템을 실제로 테스트하지 않고 시스템의 거동을 이해하는 것을 용이하게 할 수 있다. 예를 들어, 트랙터를 설계하는 동안 어느 타입의 휠 구성이 견인력을 가장 향상시킬 것인지를 결정하기 위해, 트랙터의 디지털 트윈 모델 시뮬레이션이 예인 능력에 대한 상이한 휠 구성의 효과를 추정하는 데 사용될 수 있다. 설계에서의 상이한 결정에 대한 유용한 통찰은 트랙터를 실제로 구축하지 않고도 얻어질 수 있다. 또한, 디지털 트윈 시뮬레이션은 소프트웨어에서, 또는 디지털 트윈이 실험 목표를 만족시키는 데 필요한 시스템을 나타내거나 데이터를 생성하는 인간 참여형(human-in-the-loop) 환경에서 완전히 발생하는 실험을 지원할 수 있다. 또한, 디지털 트윈 시뮬레이션은 그렇지 않으면 생성하기 어렵거나 비용이 많이 드는 관점에서 적절한 가상 환경을 사용하여 사람을 훈련시키는 데 사용될 수 있다.
실시예에서, 시뮬레이션 환경은 미래 상태의 세트를 예측하도록 구성된 모델을 사용하여 구성될 수 있다. 이러한 모델은 딥러닝, 회귀 모델, 양자 예측 엔진, 추론 엔진, 패턴 인식 엔진, 및 미래 상태 예측을 구축하기 위해 과거 결과, 현재 상태 정보, 및 다른 입력을 사용하는 많은 다른 형태의 모델링 엔진을 포함할 수 있다. 일부 실시예에서, 디지털 트윈 모델의 기능을 만드는 데 있어서의 고려사항은 (예를 들어, 상이한 크기 부하에 응답하여 차량의 차축의 변형을 정의하는) 관점 기반 디지털 트윈 구조 요소의 응답을 또한 보여주는 능력이다. 예를 들어, 결과적인 디지털 트윈 표현은 이때 특정 관점이 디지털 트윈 형태로 도시되는 가상 현실 또는 증강 현실 환경에서 사용자에게 제시될 수 있다.
실시예에서, 디지털 트윈은, 본 출원에 설명된 바와 같이, 적응형 에지 컴퓨팅 시스템 및/또는 조정된 에지 계산을 제공하는 적응형 에지 컴퓨팅 시스템의 세트와 협력하여 동작할 수 있으며, 이는 광범위한 시스템, 예컨대 분류 시스템(예컨대, 이미지 분류 시스템, 객체 타입 인식 시스템 등), 비디오 처리 시스템(예컨대, 비디오 압축 시스템), 신호 처리 시스템(예컨대, 아날로그-디지털 변환 시스템, 디지털-아날로그 변환 시스템, RF 필터링 시스템, 아날로그 신호 처리 시스템, 멀티플렉싱 시스템, 통계 신호 처리 시스템, 신호 필터링 시스템, 자연어 처리 시스템, 사운드 처리 시스템, 초음파 처리 시스템 등), 데이터 처리 시스템(예컨대, 데이터 필터링 시스템, 데이터 통합 시스템, 데이터 추출 시스템, 데이터 로딩 시스템, 데이터 변환 시스템, 포인트 클라우드 처리 시스템, 데이터 정규화 시스템, 데이터 클렌징 시스템, 데이터 중복 제거 시스템, 그래프 기반 데이터 저장 시스템, 객체 지향 데이터 저장 시스템 등), 예측 시스템(예컨대, 모션 예측 시스템, 출력 예측 시스템, 활동 예측 시스템, 결함 예측 시스템, 고장 예측 시스템, 사고 예측 시스템, 이벤트 예측 시스템, 이벤트 예측 시스템 등), 구성 시스템(예컨대, 프로토콜 선택 시스템, 저장 구성 시스템, 피어-투-피어 네트워크 구성 시스템, 전력 관리 시스템, 자기-구성 시스템, 자기-치유 시스템, 핸드셰이크 협상 시스템 등), 인공 지능 시스템(예컨대, 클러스터링 시스템, 변동 시스템, 기계 학습 시스템, 전문가 시스템, 규칙 기반 시스템, 딥러닝 시스템 등), 시스템 관리 및 제어 시스템(예컨대, 자율 제어 시스템, 로봇 제어 시스템, RF 스펙트럼 관리 시스템, 네트워크 리소스 관리 시스템, 저장 관리 시스템, 데이터 관리 시스템 등), 로봇 프로세스 자동화 시스템, 분석 및 모델링 시스템(예컨대, 데이터 시각화 시스템, 클러스터링 시스템, 유사성 분석 시스템, 랜덤 포레스트 시스템, 물리적 모델링 시스템, 상호작용 모델링 시스템, 시뮬레이션 시스템 등), 엔티티 발견 시스템, 보안 시스템(예컨대, 사이버보안 시스템, 생체인식 시스템, 침입 검출 시스템, 방화벽 시스템 등), 규칙 엔진 시스템, 작업흐름 자동화 시스템, 기회 발견 시스템, 테스트 및 진단 시스템, 소프트웨어 이미지 전파 시스템, 가상화 시스템, 디지털 트윈 시스템, IoT 모니터링 시스템, 라우팅 시스템, 전환 시스템, 실내 위치 시스템, 지리위치 시스템 등을 포함한다.
실시예에서, 디지털 트윈 통지 시스템(8118)은 각각의 사용자와 연관된 기업 디지털 트윈을 통해 사용자에게 통지를 제공한다. 일부 실시예에서, 디지털 트윈 통지는 전체 상호작용의 중요한 부분이다. 디지털 트윈 통지 시스템(8118)은 디지털 트윈 설정의 상황 내에서 디지털 트윈 통지를 제공할 수 있어서, 통지의 관점 뷰는 통지가 일반적인 디지털 트윈 표현된 온톨로지, 분류체계, 토폴로지 등에 어떻게 맞는지의 이해를 가능하게 하도록 구체적으로 설정된다.
논의된 바와 같이, 디지털 트윈 모델은 데이터와 디지털 트윈 환경 및/또는 프로세스에 대한 데이터의 관계의 조합에 기초한다. 이와 같이, 상이한 디지털 트윈은 동일한 데이터를 공유할 수 있고, 상이한 디지털 트윈 관점은 디지털 트윈 데이터 모델 또는 데이터 환경 위에 구축된 메타데이터의 세트의 결과들일 수 있다. 실시예에서, 디지털 트윈 데이터 모델은 저장될 정보의 세부사항을 제공하고, 최종 컴퓨터 소프트웨어 코드가 사용되는 디지털 트윈 관점에 적절한 형태로 하위 레벨의 정보를 표현할 수 있는 계층화된 시스템을 구축하는 데 사용된다. 디지털 트윈 모델의 일 양태는 하나의 디지털이 다수의 관점에 걸쳐 공유될 수 있고, 각각의 관점 뷰어가 이어서 동일한 기본 디지털 트윈 모델과 상호작용할 수 있다는 것이다. 이러한 방식으로, 다수의 관점은 각각의 타입의 사용자가 스킬 세트 또는 지식 레벨에 대해 적절한 방식으로 상호작용하는 것을 허용하는 변환과 유사하다.
도 70은 디지털 트윈 데이터 모델 및 디지털 트윈이 생성되고, 실행되고, 요청 디지털 트윈 애플리케이션에 서빙되는 방식의 예를 예시하고, 디지털 트윈 데이터 모델은 디지털 트윈 표현을 달성하기 위해 기존 시스템 및 디지털 트윈 구조로부터의 기본 데이터 스트림의 물리적 구현을 정의한다. 실시예에서, 디지털 트윈 데이터 모델(81B00)은 전통적인 데이터 스트림이 디지털 트윈 표현을 달성하기 위해 디지털 트윈 구조와 함께 연계되는 방식을 정의한다. 실시예에서, 디지털 트윈은 프로세스/구조 및 시스템 데이터 스트림의 조합이다. 달리 말하면, 프로세스 및 구조 정의는 디지털 트윈에 의해 표현가능한 실세계 "사물들(things)"(예를 들어, 공장, 로봇, 화물 컨테이너, 선박, 도로 등) 또는 논리적 "사물들"(예를 들어, 조직도, 고용 프로세스, 마케팅 캠페인, 세금 보고 작업흐름 등)을 정의하는 반면, 시스템 데이터 스트림 정의는 실세계 데이터가 실세계 및/또는 논리적 "사물들"의 디지털 트윈 표현으로 수집될 수 있는 방식을 정의한다. 따라서, 디지털 트윈을 구성하는 것은 구조적 구성 및 수집 및 데이터 구성 및 수집을 포함한다.
구조적 구성 및 수집 동안, 디지털 트윈 시스템(8004)은 디지털 트윈의 구조적 양태를 수신한다. 실시예에서, 구조적 양태는 프로세스 정의, 레이아웃 정의, 및/또는 공간적 정의를 포함할 수 있다. 실시예에서, 프로세스 정의는 디지털 트윈 뷰어가 상호작용할 수 있는 것의 기초를 형성하는 개략적 포맷에 매핑될 수 있는 논리적 프로세스를 정의한다. 프로세스의 예는 작업흐름, 고용 프로세스, 제조 프로세스, 물류 프로세스, 재고 프로세스, 제품 관리 프로세스, 소프트웨어 프로세스 등을 포함할 수 있다. 실시예에서, 공간적 정의는 객체 또는 환경의 지리공간적 구성을 정의한다. 실시예에서, 공간적 정의는 객체 또는 환경의 2D 또는 3D 표현일 수 있다. 객체 또는 환경의 공간적 정의는 논리적 관계, 조직 계층, 물리적 관계, 개략적 관계, 및/또는 객체 및/또는 환경 사이의 상호연결성을 포함하는 CAD 파일, LIDAR 스캔, 2D 또는 3D 이미지 등으로서 제공될 수 있다. 실시예에서, 레이아웃 정의는 객체와 다른 객체 및/또는 환경 사이의 관계를 정의한다. 실시예에서, 레이아웃 정의는 객체가 다른 객체 및/또는 환경에 대해 이동하는 방식을 추가로 정의할 수 있다. 레이아웃의 예는 전기 배선 다이어그램, 배관 개요, 조립 라인 다이어그램, 회로도, 계층적 관계, 네트워크 레이아웃, 네트워크 개요, 조직도 등을 포함할 수 있다. 실시예에서, 레이아웃 정의는 객체 또는 환경의 특성의 세트를 포함할 수 있다. 객체의 특성의 예는 객체의 재료, 객체의 중량, 객체의 밀도, 객체의 전도율, 객체의 저항, 객체의 최대 속도, 객체의 최대 가속도, 객체의 가능한 이동, 객체의 반응성 등과 같은 물리적 특성을 포함할 수 있다. 환경의 특성의 예는 플로어, 벽, 지붕 등의 재료, 플로어의 마찰 계수, 환경 내의 제한된 영역, 환경 내의 경로, 및/또는 다른 적합한 특성을 포함할 수 있다. 일부 실시예에서, 사용자는 레이아웃 정의, 프로세스 정의, 및/또는 공간 정의를 디지털 트윈 시스템(8004)에 업로드할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈 시스템(8004)은 사용자가 레이아웃 정의, 프로세스 정의, 및/또는 공간 정의를 정의할 수 있게 하는 그래픽 사용자 인터페이스를 제공할 수 있다. 일부 실시예에서, 사용자는 제3자 소스로부터 디지털 트윈을 임포트할 수 있다. 예를 들어, 특정 객체의 생산자는 또한 객체의 디지털 트윈을 제공할 수 있으며, 이는 그 후 디지털 트윈 시스템(8004)으로 임포트될 수 있다.
시스템 데이터 구성 및 수집 동안, 사용자는 디지털 트윈을 하이드레이트하거나 또는 채우는 데이터를 제공하는 데이터 소스를 정의하고, 다양한 데이터 소스로부터 데이터를 수신하도록 데이터 버스를 구성한다. 논의된 바와 같이, 데이터 소스는 센서 시스템, ERP, CRM, 재무 시스템, 재고 관리 시스템, 인보이싱 시스템, 제3자 시스템(예를 들어, 날씨 서비스, 뉴스 서비스, 정부 데이터베이스 등), 및 다른 적합한 시스템을 포함하는 다양한 시스템으로부터 수신될 수 있다. 실시예에서, 사용자는 데이터 소스를 식별할 수 있고, 데이터 버스가 데이터 소스로부터 데이터를 수신할 수 있게 하기 위해 요구되는 임의의 정보를 제공할 수 있고, 데이터 소스로부터 도출된 데이터와 디지털 트윈 요소 사이의 연관성을 추가로 정의할 수 있다. 데이터 버스는 하나의 시스템으로부터 다른 시스템으로 데이터를 이동시키기 위한 데이터 배선 및 데이터 기반구조를 제공하는 미들웨어 계층을 지칭할 수 있다. 데이터 버스는 실시간 데이터, 거의 실시간 데이터, 집계된 데이터, 및/또는 저장된 데이터, 또는 이들의 임의의 조합을 취급하도록 구성될 수 있다. 데이터 버스는 데이터를 디지털 트윈에 직접 제공할 수 있고/있거나 디지털 트윈을 하이드레이트하는 데이터 웨어하우스에 데이터를 저장할 수 있다. 실시예에서, 사용자는 API 인터페이스 또는 키 및/또는 웹훅 URL을 (예를 들어, GUI를 통해) 디지털 트윈 시스템(8004)에 제공함으로써 데이터 소스로부터의 데이터 취득을 가능하게 할 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은 데이터 소스에 액세스하고/하거나 데이터 소스로부터 데이터를 수신하도록 데이터 버스를 구성할 수 있다. 이러한 실시예 중 일부에서, 디지털 트윈 시스템(8004)은 특정 디지털 트윈 또는 디지털 트윈의 세트에 대한 웹훅 URL을 생성할 수 있고, 데이터 소스가 실시간 또는 거의 실시간 데이터를 데이터 버스에 푸시할 수 있도록, 웹훅 URL을 데이터 소스에 제공할 수 있다. 추가적으로 또는 대안적으로, 디지털 트윈 시스템(8004)은 데이터 소스로부터 API 인터페이스 또는 키를 획득할 수 있어, 데이터 버스는 API 인터페이스 또는 키를 사용하여 데이터 소스로부터 데이터를 요청할 수 있다.
실시예에서, 디지털 트윈 시스템(8004)은 상이한 타입의 데이터를 디지털 트윈의 구조 요소와 연관시키는 외부 키를 생성할 수 있다. 이러한 방식으로, 디지털 트윈이 표시될 때, 다양한 데이터 소스로부터 수집된 실세계 데이터가 디지털 트윈의 대응하는 상태에 연결되도록, 외부 키는 특정 데이터 타입을 다양한 구조적 또는 논리적 또는 개략적 요소에 연계시킨다. 예를 들어, 실세계 환경에서 특정 기계 컴포넌트를 모니터링하는 센서 시스템의 센서의 서브세트로부터 수신된 센서 데이터는 기계 컴포넌트의 디지털 트윈과 연관될 수 있어, 센서 데이터는 기계 컴포넌트의 디지털 트윈에 표시될 수 있다. 실시예에서, 사용자는 구성 단계 동안 디지털 트윈 시스템(8004)에 입력을 제공하여 특정 데이터 타입을 디지털 트윈의 다양한 요소에 연계시킬 수 있다. 디지털 트윈과 연관되는 데이터 타입은 원시 데이터, 처리된 데이터, 분석 데이터, 도출된 데이터 등을 포함할 수 있다. 특정 데이터 스트림이 디지털 트윈으로 서빙되기 전에 처리되는 한(예를 들어, 일정 기간에 걸쳐 평균화되는 센서 데이터 또는 판매 데이터가 임계값 아래로 떨어질 때 표시되는 경고 조건), 사용자는 데이터가 디지털 트윈으로 서빙되기 전에 데이터에 대해 수행되는 동작 또는 연관된 디스플레이 강조를 정의할 수 있다. 이러한 시나리오에서, 처리된 데이터는 외부 키 내의 각각의 디지털 트윈 컴포넌트와 연관될 수 있다.
데이터 버스가 특정 디지털 트윈에 대해 구성되고 디지털 트윈의 구조적, 논리적, 또는 개략적 요소(예를 들어, 레이아웃 정의, 프로세스 정의, 및 공간 정의)가 정의되면, 디지털 트윈 시스템(8004)은 디지털 트윈에 대해 디지털 시뮬레이션을 수행할 수 있고/있거나 디지털 트윈의 구조 요소, 연결된 시스템 데이터 소스, 및 디지털 트윈의 외부 키에 기초하여 디지털 트윈-인에이블 애플리케이션에 디지털 트윈을 서빙할 수 있다. 실시예에서, 디지털 트윈은 역할 기반 디지털 트윈일 수 있으며, 이에 의해 디지털 트윈으로의 뷰는 조직 내의 특정 역할을 점유하는 사용자에게 서빙된다. 이러한 방식으로, 각각의 사용자는 각각의 역할 기반 디지털 트윈과 상호작용할 수 있고, 조직에 대한 각각의 요구에 기초하여 적절한 관점을 얻을 수 있다. 다른 실시예에서, 복수의 사용자는 공유된 역할-인에이블형 디지털 트윈과 상호작용할 수 있고, 그 단일 디지털 트윈에 대한 조직과 관련하여 그 각각의 요구에 기초하여 적절한 관점을 얻을 수 있다. 실시예에서, 역할 기반 디지털 트윈은 사용자가 소스 시스템에 피드백을 제공하여, 소스 시스템에 대해 취해진 정정 액션과 같은 소스 시스템 환경의 제어를 허용하는 것을 허용할 수 있다. 일부 실시예에서, 복수의 사용자는 공유된 역할 기반 디지털 트윈으로 동작 변경을 수행할 수 있고, 각각의 사용자는 이들 변경을 역할에 적절한 방식으로 볼 수 있다. 또한, 동작 변경이 다수의 사용자를 수반하는 경우, 디지털 트윈은 표시된 환경의 역할 기반 작업흐름 관리를 가능하게 할 수 있다(예를 들어, CEO는 CTO에 의해 요청된 바와 같이 기계를 변경하기 위한 지출을 승인할 수 있다).
실시예에서, 디지털 트윈 시스템(8004)은 디지털 트윈에 대해 디지털 트윈 시뮬레이션을 실행하라는 요청을 수신할 수 있다. 디지털 트윈 시뮬레이션을 수행하기 위한 요청은 디지털 트윈 애플리케이션으로부터 및/또는 내부 프로세스로부터 수신될 수 있다. 실시예에서, 디지털 트윈 시뮬레이션은 디지털 트윈의 프로세스, 레이아웃, 및/또는 공간 표현에 기초하여 상호작용 모델의 구축을 허용한다. 디지털 트윈 시뮬레이션은 동적 데이터 입력에 응답하여 상이한 프로세스가 변경되는 것을 허용하기 위한 자유도를 제공할 수 있다. 예를 들어, 디지털 트윈 시뮬레이션은 압축기가 상이한 동작 조건에서 동작될 때 베어링이 압축기 상에서 어떻게 이동할 수 있는지 또는 물이 상이한 온도에서 또는 배관 내의 상이한 축적량으로 파이프 모델의 시스템을 통해 어떻게 유동하는지를 표시하기 위해 실행될 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은, 예를 들어, 디지털 트윈의 특정 양태에 대한 시뮬레이션 파라미터의 영향을 표시할 수 있는 시뮬레이션의 결과를 출력할 수 있다.
실시예에서, 디지털 트윈 애플리케이션은 사용자에게 디지털 트윈을 요청하고 표시할 수 있으며, 이 디지털 트윈은 그 사용자에 대한 새로운 트윈 또는 기존의 또는 공유된 디지털 트윈에 대한 역할 특정 뷰를 갖는 역할 특정 액세스일 수 있다. 디지털 트윈 애플리케이션은 모바일 애플리케이션, 가상 현실 애플리케이션, PC 등 상에 제공될 수 있다. 실시예에서, 디지털 트윈 애플리케이션은 특정 디지털 트윈에 대한 요청을 디지털 트윈 시스템(8004)에 제공하며, 여기서 요청은 사용자의 사용자 식별자 및/또는 사용자의 역할을 포함할 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은 디지털 트윈에 대한 디지털 트윈 애플리케이션으로부터 요청을 수신하는 디지털 트윈 애플리케이션 코디네이터를 포함하거나 이들과 인터페이스할 수 있다. 실시예에서, 디지털 트윈 애플리케이션 제어기는 디지털 트윈 애플리케이션에 의해 요구되는 특정 디지털 트윈에 대한 비즈니스 규칙의 세트를 유지하고 활용한다. 이러한 실시예 중 일부에서, 역할 기반 규칙의 세트는 조직 내의 역할 및 사용자의 허가가 주어지면 사용자가 액세스할 수 있는 상태를 제어하는 역할 기반 규칙의 세트이다. 이러한 실시예에서, 디지털 트윈 애플리케이션 제어기는 비즈니스 규칙 및 사용자의 역할에 기초하여 특정 사용자에게 디지털 트윈 애플리케이션 액세스의 인스턴스를 허가할지를 결정할 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은 다수의 사용자가 직접 또는 공유 디지털 트윈을 통해 디지털 트윈 애플리케이션 코디네이터의 백 엔드에 연결하는 것을 허용하는 애플리케이션 서비스 계층을 포함할 수 있다. 실시예에서, 이러한 연결은 웹 서비스, 공개 및 구독 정보 버스, 간단한 객체 액세스 프로토콜, 및/또는 다른 적절한 애플리케이션 인터페이스를 포함할 수 있다. 애플리케이션 서비스 계층은 요청된 디지털 트윈을 디지털 트윈 애플리케이션의 요청 인스턴스로 반환할 수 있고, 디지털 트윈 애플리케이션은 차례로 디지털 트윈을 사용자에게 표시한다. 사용자는 이어서 디지털 트윈의 상이한 상태를 보기 위해, 시뮬레이션을 요청하기 위해, 또는 디지털 트윈 환경에서 동일한 역할 또는 상이한 역할의 다른 사용자와 상호작용하는 등을 위해 애플리케이션을 통해 디지털 트윈과 상호작용할 수 있다.
도 70에서 논의된 프레임워크의 예시적인 구현에서, 디지털 트윈 시스템(8004)은 밸류 체인과 관련하여 기업 디지털 트윈을 생성하도록 구성될 수 있다. 예를 들어, 국제적으로(또는 다수의 시설에서) 상품을 생산하는 기업은 기업의 공급 체인을 표시하는 공급자 트윈, 다양한 생산 시설의 공장 트윈, 기업에 의해 만들어진 제품을 나타내는 제품 트윈, 기업의 유통 체인을 나타내는 유통 트윈, 및 다른 적합한 트윈과 같은 디지털 트윈의 세트를 구성할 수 있다. 그렇게 함에 있어서, 기업은 각각의 개별 디지털 트윈 각각의 구조 요소들 뿐만 아니라 디지털 트윈의 구조 요소에 대응하는 임의의 시스템 데이터를 정의할 수 있다. 예를 들어, 생산 시설 트윈을 생성함에 있어서, 기업은 시설의 레이아웃 및 공간적 정의 및 시설에서 수행되는 임의의 프로세스를 형성할 수 있다. 기업은 또한 시설에 관련된 데이터를 제공하는 센서 시스템, 스마트 제조 장비, 재고 시스템, 물류 시스템 등과 같은 밸류 체인 엔티티에 대응하는 데이터 소스를 정의할 수 있다. 기업은 데이터 소스를 생산 시설의 요소 및/또는 시설에서 발생하는 프로세스와 연관시킬 수 있다. 유사하게, 기업은 공급 체인 및 유통 체인의 구조적, 프로세스, 및 레이아웃 정의를 정의할 수 있고, 공급자 데이터베이스, 물류 플랫폼과 같은 관련 데이터 소스를 연결하여 각각의 유통 체인 및 공급 체인 트윈을 생성할 수 있다. 기업은 이러한 디지털 트윈을 밸류 체인의 뷰를 갖도록 추가로 연관시킬 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은 기업의 다양한 밸류 체인 엔티티로부터 획득된 실시간 데이터를 통합하는 기업의 밸류 체인의 시뮬레이션을 수행할 수 있다. 이러한 실시예 중 일부에서, 디지털 트윈 시스템(8004)은 제조된 제품에 대한 예측된 수요가 주어지면 특정 제품을 제조하기 위한 특정 부품을 언제 주문할지, 기계에 대한 유지보수를 언제 스케줄링할지 및/또는 기계를 대체할지(예를 들어, 디지털 트윈에 대한 디지털 시뮬레이션이 특정 제품에 대한 수요가 가장 적을 수 있음을 표시할 때 또는 그것이 기업의 손익 계산서에 가장 적은 영향을 미칠 때), 아이템을 배송할 하루 중의 시간 등과 같은 결정을 기업 디지털 트윈과 상호작용하는 사용자에게 추천할 수 있다. 전술한 예는 디지털 트윈이 하나 이상의 목표를 추가하기 위해 시스템 데이터를 수집하고 시뮬레이션을 수행할 수 있는 방식의 비제한적인 예이다.
도 71은 기업 디지털 트윈 프레임워크의 데이터 계층, 처리 계층, 및 애플리케이션 계층과 관련하여, 집행 디지털 트윈을 포함하는 상이한 타입의 기업 디지털 트윈의 예를 나타낸 것이다. 실시예에서, 집행 디지털 트윈은 CEO 디지털 트윈(8302), CFO 디지털 트윈(8304), COO 디지털 트윈(8306), CMO 디지털 트윈(8308), CTO 디지털 트윈(8310), CIO 디지털 트윈(8312), GC 디지털 트윈(8314), HR 디지털 트윈(8316) 등을 포함할 수 있지만, 이에 제한되지 않는다. 추가적으로, 집행 스위트와 관련될 수 있는 기업 디지털 트윈은 코호트 디지털 트윈(8320), 애질러티(agility) 디지털 트윈(8322), CRM 디지털 트윈(8324) 등을 포함할 수 있다. 상이한 타입의 디지털 트윈에 대한 논의는 예를 들어 제공되며, 본 개시의 범위를 제한하기를 의도하지 않는다. 일부 실시예에서, 사용자는 기업의 비즈니스 요구, 기업의 보고 구조, 및 기업 내의 다양한 임원의 역할 및 책임에 기초하여 다양한 집행 디지털 트윈의 구성을 변경할 수 있다는 것이 이해된다.
실시예에서, 집행 디지털 트윈 및 추가적인 기업 디지털 트윈은 상이한 데이터 소스로부터 수집된 다양한 타입의 데이터를 사용하여 생성된다. 논의된 바와 같이, 데이터는 실시간 데이터(8330), 과거 데이터(8332), 분석 데이터(8334), 시뮬레이션/모델링된 데이터(8336), CRM 데이터(8338), 조직도 및/또는 조직 디지털 트윈(8340)과 같은 조직 데이터, 기업 데이터 레이크(8342), 및 시장 데이터(8344)를 포함할 수 있다. 실시예에서, 실시간 데이터(8330)는 각각의 센서로부터 직접 및/또는 판독기(예를 들어, RFID, NFC, 및 블루투스 판독기), 비컨, 게이트웨이들, 중계기, 메시 네트워크 노드, WIFI 시스템, 액세스 포인트, 라우터, 스위치, 게이트웨이들, 로컬 영역 네트워크 노드, 에지 디바이스 등을 포함하는 기업과 연관된 다양한 데이터 수집 디바이스에 의해 수집될 수 있는 하나 이상의 IoT 센서 시스템으로부터 수집된 센서 데이터를 포함할 수 있다. 실시간 데이터(8330)는 실시간 판매 데이터, 실시간 비용 데이터, 현재 프로젝트의 상태를 나타내는 프로젝트 관리 데이터 등과 같은, 실시간으로 수집되는 추가적인 또는 대안적인 타입의 데이터를 포함할 수 있다. 과거 데이터는 과거에 기업에 의해 및/또는 기업을 대신하여 수집된 임의의 데이터일 수 있다. 이는 기업의 센서 시스템으로부터 수집된 센서 데이터, 판매 데이터, 비용 데이터, 유지보수 데이터, 구매 데이터, 직원 고용 데이터, 직원 온-보딩 데이터, 직원 유지 데이터, 법적 절차를 표시하는 법적 관련 데이터, 특허 출원 및 허여된 특허를 표시하는 특허 출원 데이터, 과거 및 현재 프로젝트의 과거 진행을 표시하는 프로젝트 관리 데이터, 시장에 있는 제품을 표시하는 제품 데이터 등을 포함할 수 있다. 분석 데이터(8334)는 기업에 의해 및/또는 기업을 대신하여 수집된 데이터에 대해 하나 이상의 분석 프로세스를 수행함으로써 도출된 데이터일 수 있다. 시뮬레이션/모델링된 데이터(8336)는 하나 이상의 디지털 트윈에 대해 수행되는 시뮬레이션 및/또는 거동 모델링 프로세스로부터 도출된 임의의 데이터일 수 있다. CRM 데이터(8336)는 기업의 CRM으로부터 획득된 데이터를 포함할 수 있다. 조직 디지털 트윈(8340)은 기업의 디지털 트윈일 수 있다. 기업 데이터 레이크(8342)는 임의의 수의 소스로부터 수집된 데이터를 포함하는 데이터 레이크일 수 있다. 실시예에서, 시장 데이터(8342)는 시장 및 공급 체인 내의 경쟁자 및 다른 코호트에 관한 또는 이들과 관련된 이종 데이터 소스로부터 수집되는 데이터를 포함할 수 있다. 시장 데이터(8342)는 많은 상이한 소스로부터 수집될 수 있고 구조화되거나 구조화되지 않을 수 있다. 실시예에서, 시장 데이터(8342)는, 예컨대, 에러 바, 확률 원뿔, 랜덤 워크 경로 등을 보여주는 것에 의해서, 그러한 시장 데이터(8342)에 의존하는 디지털 트윈에 표시될 수 있는 불확실성의 요소를 포함할 수 있다. 위에서 강조된 상이한 타입의 데이터가 중첩될 수 있다는 것이 이해된다. 예를 들어: 과거 데이터는 CRM 데이터로부터 획득될 수 있고; 기업 데이터 레이크(8342)는 실시간 데이터(8330), 과거 데이터(8332), 분석 데이터(8332), 시뮬레이션된/모델링된 데이터(8336), 및/또는 CRM 데이터(8336)를 포함할 수 있고; 분석 데이터(8334)는 과거 데이터(8332), 실시간 데이터(8332), CRM 데이터(8336), 및/또는 시장 데이터(8342)에 기초할 수 있다. 기업 디지털 트윈을 채우기 위해 추가적인 또는 대안적인 타입의 데이터가 사용될 수 있다.
실시예에서, 데이터 구조화 시스템(8106)은 기업에 의해 및/또는 기업을 대신하여 수집된 다양한 데이터를 구조화할 수 있다. 실시예에서, 디지털 트윈 생성 시스템(8108)은 기업 디지털 트윈을 생성한다. 논의된 바와 같이, 디지털 트윈 생성 시스템(8108)은 특정 타입의 디지털 트윈(예를 들어, CEO 디지털 트윈(8302) 또는 CTO 디지털 트윈(8310))에 대한 요청을 수신할 수 있고, 요청된 타입의 디지털 트윈의 구성에 기초하여 디지털 트윈을 채우는 데 필요한 데이터의 타입을 결정할 수 있다. 실시예에서, 디지털 트윈 생성 시스템(8108)은 이어서 (데이터 구조화 시스템(8106)에 의해 구조화되는 구조화된 데이터를 포함할 수 있는) 다양한 타입의 데이터에 기초하여 요청된 디지털 트윈을 생성할 수 있다. 일부 실시예에서, 디지털 트윈 생성 시스템(8108)은 생성된 디지털 트윈을 클라이언트 애플리케이션(8052)에 출력할 수 있고, 클라이언트 애플리케이션(8052)은 이어서 요청된 디지털 트윈을 디스플레이할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 기업의 CEO 또는 유사한 최상위 레벨 의사 결정자를 위해 구성된 디지털 트윈이다. CEO 디지털 트윈(8302)은 주요 자산, 프로세스, 부문, 성능 메트릭, 기업의 상이한 비즈니스 유닛의 조건, 및 임의의 다른 미션-크리티컬(mission-critical) 정보 타입의 실시간 및 과거 표현을 포함하는, 기업의 상이한 상태 및/또는 운영 데이터의 하이-레벨 뷰를 포함할 수 있다. 실시예에서, CEO 디지털 트윈(8302)은 시뮬레이션, 예측, 통계적 요약, 분석, 기계 학습, 및/또는 다른 AI에 기초한 결정-지원 및 입력(예를 들어, 재무 데이터, 경쟁자 데이터, 제품 데이터 등)의 학습-타입 처리를 제공하기 위해 EMP(8000)와 관련하여 작업할 수 있다. 실시예에서, CEO 디지털 트윈(8302)은 인력 관리, 태스크의 위임, 결정, 또는 태스크, 이사회 및/또는 전략적 파트너와의 조정, 위험 관리, 정책 관리, 예산의 감독, 리소스 할당, 투자, 및 다른 집행 관련 리소스를 포함하지만 이에 제한되지 않는 기능성을 제공할 수 있다.
실시예에서, CEO 디지털 트윈(8302)을 채울 수 있는 데이터의 타입은 다음을 포함할 수 있지만, 이에 제한되지 않는다: 거시경제 데이터, 미시경제 분석 데이터, 예측 데이터, 수요 계획 데이터, 고용 및 급여 데이터, AI 및/또는 기계 학습 모델링의 분석 결과(예를 들어, 재무 예상), 예상 데이터, 추천 데이터, 증권 관련 재무 데이터(예를 들어, 수익, 수익성), 산업 분석가 데이터(예를 들어, Gartner 쿼드런트), 전략적 경쟁 데이터(예를 들어, 산업 동향 및 경쟁자에 관한 뉴스 및 이벤트), 비즈니스 유닛의 성과를 평가하는 것과 관련될 수 있는 비즈니스 유닛에 의한 비즈니스 성과 메트릭(예를 들어, P&L, 헤드 카운트, 공장 건강, 공급 체인 메트릭, 판매 메트릭, R&D 메트릭, 마케팅 메트릭 등), 이사회 패키지 데이터, 또는 CEO 및/또는 집행 부서의 운영과 관련된 일부 다른 타입의 데이터. 실시예에서, 디지털 트윈 시스템(8004)은, 예를 들어, 기업의 회계 소프트웨어(예를 들어, API를 통해), 공개적으로 개시된 재무제표, 제3자 보고, 세금 신고 등으로부터 증권 관련 재무 데이터를 획득할 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은 공개 뉴스 소스로부터, 공개적으로 개시된 재무 보고 등으로부터 전략적 경쟁 데이터를 획득할 수 있다. 실시예에서, 거시경제 데이터는 EMP(8000)에 의해 수집된 다양한 재무 및 운영 데이터로부터 분석적으로 도출될 수 있다. 실시예에서, 비즈니스 성능 메트릭은 인공 지능 서비스 시스템(8010)에 의해 실시간 운영 데이터에 적어도 부분적으로 기초하여 분석적으로 도출되고/되거나 다른 사용자 및/또는 그 각각의 집행 디지털 트윈으로부터 제공될 수 있다. CEO 디지털 트윈(8302)은 관심 있는 실시간 운영 데이터 파라미터를 정의하고, 조직의 언급된 비즈니스 객체, 이사회 요건, 산업 모범 사례, 규제, 또는 일부 다른 기준에 대한 적합성 및 정렬을 위해 실시간 운영 데이터를 모니터링, 수집, 분석, 및 해석하는 데 사용될 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 주요 자산의 실시간 및 과거 표현, 기업의 상이한 비즈니스 유닛의 조건, 및 임의의 미션-크리티컬 정보를 포함하는, 기업의 상이한 상태의 하이-레벨 뷰를 포함할 수 있다. CEO 디지털 트윈(8302)은 초기에 다양한 상태를 더 낮은 세분성 레벨로 표시할 수 있다. 실시예에서, CEO 디지털 트윈(8302)을 보고 있는 사용자는 선택된 상태로 드릴 다운할 상태를 선택하고 선택된 상태를 더 높은 세분성 레벨로 볼 수 있다. 예를 들어, CEO 디지털 트윈(8302)은 초기에 재무 부서 상태(예를 들어, 기업의 전체 재무 건전성 점수를 나타내는 시각적 지표)를 포함하여, 더 낮은 세분성 레벨로 기업의 다양한 상태의 서브세트를 표시할 수 있다. 선택에 응답하여, CEO 디지털 트윈(8302)은 실시간, 과거, 집계, 비교, 및/또는 예상된 재무 정보(예를 들어, 실시간, 과거, 시뮬레이션, 및/또는 예상된 수익, 부채 등)를 포함하지만 이에 제한되지 않는 데이터, 분석, 요약, 및/또는 보고를 제공할 수 있다. 이러한 방식으로, CEO 디지털 트윈(8302)은 초기에 사용자(예를 들어, CEO)에게 기업의 다양한 상이한 양태(예를 들어, 기업의 각각의 비즈니스 유닛 또는 부분의 상이한 "건전성" 레벨을 표시하기 위한 상이한 지표)의 뷰를 제시할 수 있지만, 사용자가 어느 양태를 더 주의할 필요가 있는지를 선택하는 것을 허용할 수 있다. 이러한 선택에 응답하여, CEO 디지털 트윈(8302)은 EMP(8000)로부터 선택된 상태(들)의 더 세분화된 뷰를 요청할 수 있으며, 이는 요청된 상태를 더 세분화된 레벨로 반환할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 집행 부서(예를 들어, C-스위트, 이사, 이사회 구성원 등)의 임원 레벨 디지털 트윈을 포함할 수 있으며, 사용자는 조직의 관리의 감독에 관여하는 이사회 등을 포함하는 조직의 임원의 활동과 연관된 집행 부서 인력 및 제3자 인력, 부서, 조직 등을 식별, 할당, 지시, 감독 및 검토하기 위해 사용할 수 있다. 실시예에서, 임원 레벨 디지털 트윈은 CEO 하에서 근무하는 다양한 역할, 직원, 및 부서의 정의, 비즈니스 유닛 내의 각각의 개인에 대한 보고 구조를 포함할 수 있고, 각각의 역할을 채우는 개인의 다양한 이름 및/또는 다른 식별자로 채워질 수 있다. 실시예에서, CEO 디지털 트윈(8302)은 인력 그룹화를 정의/재정의하고, 성능 기준 및 메트릭을 비즈니스 유닛, 역할, 및/또는 개인에 할당하고, 및/또는 태스크를 임원 레벨 디지털 트윈을 통해 비즈니스 유닛, 역할, 및/또는 개인 등에 할당/위임하는 능력을 사용자에게 제공하는 그래픽 사용자 인터페이스를 포함할 수 있다. 실시예에서, 임원 레벨 디지털 트윈은 저장된 성과 기준에 대해 인력 그룹화의 성과를 지속적으로 평가하기 위해 조직의 실시간 운영 데이터를 제공할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 집행 부서 및 연관된 당사자가 활용할 수 있는 협력 툴의 세트를 특정하고 제공하기 위해 협력 스위트(8006)와 인터페이스하도록 구성될 수 있다. 협력 툴은, 본 출원에 설명된 바와 같이, 화상 회의 툴, "인-트윈" 협력 툴(예를 들어, 협력이 디지털 트윈 엔티티가 관찰되고 협력 활동이 발생하는 공통 인터페이스 내에서 어느 정도 발생하는 경우 및/또는 디지털 트윈을 구성, 동작 또는 지원하기 위해 사용된 EMP의 컴포넌트가 또한 디지털 트윈 엔티티 및 작업흐름 주위의 협력을 관장하는 경우), 화이트보드 툴, 애자일 개발 환경 툴(예컨대, Slack™ 환경에서의 특징), 프레젠테이션 툴, 워드 처리 툴, 스프레드시트 툴 등을 포함할 수 있다. 협력 및 통신 규칙은 본 출원에 설명된 바와 같이, AI 보고 툴을 사용하는 것에 적어도 부분적으로 기초하여 구성될 수 있다. 협력 툴은 협력 통신(예를 들어, 참가자가 디지털 트윈 엔티티의 회의 관련 뷰 또는 작업흐름을 동시에 제시받는 라이브 회의를 용이하게 함), 비동기 협력(예컨대, 디지털 트윈 엔티티에 대한 액션, 코멘트 등이 엔티티와 상호작용하는 상이한 사용자에게 표현되는 경우), 버전 제어 특징 등을 포함할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 전체 전략적 목표, 정책 구현, 제품 롤아웃, 이사회 상호작용, 투자 또는 취득, 투자자 관계, 홍보 및 언론 취급, 예산편성, 또는 일부 다른 타입의 집행 이니셔티브를 포함하는, 그러나, 이에 제한되지 않는, 집행 부서 이니셔티브에 대한 연구, 추적, 및 보고를 제공하도록 구성될 수 있다. CEO 디지털 트윈(8302)은 CFO 디지털 트윈, COO 디지털 트윈 등을 포함하지만 이에 제한되지 않는 다른 집행 디지털 트윈과 상호작용하고 이러한 데이터 및 보고를 공유할 수 있다. 실시예에서, CEO 디지털 트윈(8302) 또는 그와 통합되거나 그 내에 있는 집행 에이전트(예컨대, 본 출원의 다른 곳에서 설명되는 바와 같은 전문가 집행 액션을 수행하도록 훈련된 것)는 지능 서비스(예를 들어, 데이터 분석, 기계 학습 및 A.I. 프로세스)을 활용하여 재무 보고, 예상, 시뮬레이션, 예산, 및 관련 요약을 분석하여, 예를 들어, 프로젝트, 이니셔티브, 예산 라인 아이템 등에 열거되거나 그에 종속되는 주요 부서, 인력, 제3자 또는 다른 사람을 식별할 수 있고, 따라서 그는 그러한 자료에 관심을 가질 수 있다. 주어진 당사자에 관한 그러한 자료는 프레젠테이션을 위해 추상화되고 요약될 수 있고, 포맷팅되어 자동으로, 또는 CEO 또는 다른 사용자의 지시로, 자료의 비용 및/또는 주제의 근원인 당사자에게 제시될 수 있다. 예를 들어, CEO 디지털 트윈(8302)은 프레젠테이션, 말하기 지점, 보도 자료, 또는 공개 프레젠테이션을 위해 사용할 CEO 또는 다른 집행 인력을 위한 일부 다른 자료를 개발할 목적으로 자료를 조립할 수 있다. 예에서, 새로운 회사 제품의 도입에 관한 회의 프레젠테이션을 제공할 것으로 예상되는 CEO는 CEO 디지털 트윈(8302)을 사용하여, 제품 데이터(예를 들어, 생산된 유닛, 배송된 유닛), 재무 데이터(예를 들어, 판매된 제품, 예약된 제품), 그래픽 프레젠테이션 정보(예를 들어, 제품 사진, 제품 유통의 맵, 예상된 판매의 그래프), 예상 데이터(예를 들어, 예상된 시장 성장), 또는 일부 다른 타입의 데이터와 같은, 다가오는 프레젠테이션과 관련된 운영 데이터의 식별, 수집 및 조합을 특정하고 구성하고, 프레젠테이션의 기초를 형성하거나 프레젠테이션 및/또는 그 마케팅과 함께 분배될 수 있는 프레젠테이션 슬라이드, 백서 템플릿, 발언할 요점, 보도 자료, 또는 일부 다른 요약 포맷과 같은 프레젠테이션 포맷으로 그러한 정보를 조립할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 집행 부서와 관련된 이해관계자 통신(예를 들어, 보고, 이사회 요청, 투자자 요청)을 추적하고 보고하도록 구성될 수 있다. CEO 디지털 트윈(8302)은 주요 인력, 외부 계약자, 언론, 이사회 등과 같이 집행 부서가 계약, 협력, 보고 등을 수행하고 있는 당사자와 관련된 집행 활동을 제시, 저장, 분석, 조정 및/또는 보고할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 기업의 하나 이상의 양태를 시뮬레이션하도록 구성될 수 있다. 이러한 시뮬레이션은 사용자(예를 들어, CEO)가 임원 레벨 결정을 내리는 것을 보조할 수 있다. 예를 들어, 제안된 집행 이니셔티브의 시뮬레이션은, 예를 들어, 본 출원에 설명된 바와 같이, 이니셔티브(예를 들어, 새로운 제품의 도입), 다양한 재무 파라미터(예를 들어, 잠재적 투자 레벨), 타겟팅 파라미터(예를 들어, 지리적, 인구통계 등), 및/또는 다른 적합한 집행 파라미터에 대한 시간적 효과를 시뮬레이션함으로써, 모델링, 기계 학습, 및/또는 AI 기술을 사용하여 테스트될 수 있다. 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 CEO 디지털 트윈(8302)에 의해 요청된 집행 시뮬레이션을 수행하라는 요청을 수신할 수 있으며, 여기서 요청은 하나 이상의 기업 디지털 트윈에서 변경될 하나 이상의 파라미터를 나타낸다. 이에 응답하여, 디지털 트윈 시뮬레이션 시스템(8116)은 시뮬레이션 결과를 CEO 디지털 트윈(8302)에 반환할 수 있고, CEO 디지털 트윈은 차례로 결과를 클라이언트 디바이스 디스플레이를 통해 사용자에게 출력한다. 이러한 방식으로, 사용자는 상이한 파라미터 구성에 대응하는 다양한 결과를 제공받을 수 있다. 예를 들어, 사용자는 상이한 전략이 제조 시설의 처리량 및 기업의 이익 및 손실에 대한 전체 영향에 어떻게 영향을 미치는지를 보기 위해 상이한 공급 체인 전략을 테스트하기 위해 실행될 시뮬레이션의 세트를 요청할 수 있다. 디지털 트윈 시뮬레이션 시스템(8116)은 상이한 공급 체인 전략을 변경함으로써 시뮬레이션을 수행할 수 있고, 각각의 공급 체인 전략 각각에 대한 처리량 및 P&L 예상을 출력할 수 있다. 일부 실시예에서, 사용자는 다양한 결과에 기초하여 파라미터 세트를 선택하고, 적어도 변화된 이전 결과에 기초하여 시뮬레이션을 반복할 수 있다. 이전의 예로부터, 사용자는 P&L 예상을 최대화하지만 제조 시설의 처리량에 악영향을 미치지 않는 공급 체인 전략을 선택하기로 결정할 수 있다. 일부 실시예에서, 집행 에이전트는 각각의 파라미터 세트 각각과 연관된 각각의 결과에 기초하여 파라미터 세트를 추천 및/또는 선택하도록 훈련될 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 집행 전략, 집행 계획, 집행 활동, 및/또는 집행 이니셔티브에 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, CEO 디지털 트윈(8302)은 이전의 집행 활동(예를 들어, 이전의 분기별 재무 성과, 이전의 투자, 이전의 전략적 파트너, 공동 개발 등)과 관련된 재무 자료, 요약 및 보고 및 분석을 포함하는, 재무 자료, 요약 및 보고 및 분석의 복수의 데이터베이스 또는 다른 저장소와 연관될 수 있으며, 이들 각각은 캠페인과 관련된 재무 및 성과 메트릭과 추가로 연관될 수 있고 또한 CEO 디지털 트윈(8302)에 의해 액세스가능하다.
실시예에서, CEO 디지털 트윈(8302)은 재무 보고, 평가, 순위, 재무 동향 데이터, 소득 데이터, 또는 임원의 책임과 관련된 다른 데이터와 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. CEO 디지털 트윈(8302)은, 본 출원에 설명된 바와 같이, 외부 데이터 소스에 연동하고, 이들과 상호작용하고, 이들과 연관될 수 있고, EMP의 내부 데이터를 포함하는 외부 데이터 소스를 업로드, 다운로드, 집계하고, 이러한 데이터를 분석할 수 있다. 데이터 분석, 기계 학습, AI 처리, 및 다른 분석은 인공 지능 서비스 시스템(8010)을 사용하는 것에 적어도 부분적으로 기초하여 CEO 디지털 트윈(8302)과 분석 팀 사이에서 조정될 수 있다. 이러한 협력 및 상호작용은 최적의 비즈니스 전략, 또는 일부 다른 집행 관련 메트릭 또는 양태를 식별하기 위해 모델링, 기계 학습, 및 AI 처리에서 사용하기 위해 기업 데이터 저장소(8012)에 집행 관련 데이터 요소 및 도메인을 시딩하는 것 뿐만 아니라, 또한 집행 이니셔티브의 성공에 대한 판단의 기초가 되는 최적의 데이터 측정 파라미터의 식별을 보조하는 것을 포함할 수 있다. CEO 디지털 트윈(8302)에 연결되고, 연관되고, 및/또는 이로부터 액세스될 수 있는 데이터 소스(8020)의 예는, 시설(예를 들어, 제조 시설, 배송 및 물류 시설, 수송 시설, 농업 시설, 리소스 추출 시설, 컴퓨팅 시설 등) 및/또는 기업의 다른 물리적 엔티티로부터의 데이터를 감지하는 센서를 갖는 센서 시스템(8022), 실시간으로 판매 수치로 업데이트되는 판매 데이터베이스(8024), CRM 시스템(8026), 콘텐츠 마케팅 플랫폼(8028), 재무 데이터베이스(8030), 조사(8032), 조직도(8034), 작업흐름 관리 시스템(8036), 제3자 데이터 소스(8038), 고객 데이터를 저장하는 고객 데이터베이스(8040), 및/또는 제3자 데이터를 저장하는 제3자 데이터 소스(8038), 물리적 자산에 관련된 데이터를 보고하는 에지 디바이스(8042)(예를 들어, 스마트 기계/제조 장비, 센서 키트, 기업의 자율 차량, 웨어러블 디바이스 등), 기업 리소스 관리 시스템(8044), HR 시스템(8046), 콘텐츠 관리 시스템(8016) 등을 포함할 수 있지만 이에 제한되지 않는다. 실시예에서, 디지털 트윈 시스템(8004)은 디지털 트윈 내의 상이한 뷰(또는 상태)를 적절한 세분성으로 추상화한다. 예를 들어, 디지털 트윈 시스템(8004)은 기업을 대신하여 수집된 모든 센서 데이터에 대한 액세스 뿐만 아니라 실시간 센서 데이터 스트림에 대한 액세스를 가질 수 있다. 전형적으로, 이러한 데이터는 CEO와 같은 임원에게는 너무 세분화되어 있고, 센서 데이터 판독은 미션 크리티컬 상태 또는 동작과 연관되지 않는 한 종종 CEO에게 거의 중요하지 않다. 그러나, 이 예에서, 특정 물리적 자산(예를 들어, 중요한 제조 장비 피스)으로부터의 센서 판독이 잠재적으로 중요한 상황(예를 들어, 고장 상태, 위험한 조건 등)을 나타내는 경우, 이때, 잠재적으로 중요한 상황을 나타내는 분석이 CEO에게 매우 중요해질 수 있다. 따라서, 디지털 트윈 시스템(8004)은, CEO에 대한 적절한 관점을 구축할 때, CEO 디지털 트윈에 물리적 자산의 상태 지표를 포함할 수 있다. 이러한 방식으로, CEO는 잠재적으로 중요한 상황(예를 들어, 상황을 식별하기 위해 사용되는 센서 데이터의 분석 및 기계)을 더 큰 세분성으로 보기 위해 물리적 자산의 상태 지표 내로 드릴 다운할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은, CEO 디지털 트윈(8302)과 연관된, 본 출원에 설명된 바와 같은, 클라이언트 애플리케이션(8052)의 모니터링 에이전트의 사용 및 실시간 운영 데이터에 적어도 부분적으로 기초하여 조직의 성과를 모니터링하도록 구성될 수 있다. 모니터링 에이전트는 CEO 디지털 트윈(8302)과 연관된 사용자 인터페이스에서의 프레젠테이션을 위해 이러한 활동에 대해 EMP(8000)에 보고할 수 있다. 이에 응답하여, EMP(8000)는 다음에 이러한 통지가 도달할 때 이러한 통지를 취급하고 처리하도록 (하나 이상의 기계 학습된 모델을 포함할 수 있는) 집행 에이전트를 훈련시키고, 이러한 통지가 긴급한 특성을 가질 때, 예컨대 경쟁자에 의한 취득의 발표, 저조한 성과의 비즈니스 유닛을 표시하는 보고, 하이 프로파일 언론 기사, (CEO의 회사, 코호트 구성원, 또는 전체 시장에 대한) 주식 시장의 급격한 변화, 산업 분석가에 의한 등급의 다운그레이드, (자연 재해 또는 전염병과 같은) 운영을 방해할 가능성이 있는 외부 이벤트 또는 일부 다른 중요한 이벤트를 상신 및/또는 CEO에게 경보할 수 있다. 실시예에서, CEO 디지털 트윈(8302)은 실시간 운영 데이터, 성능 동향 등에 기초하여 성능 경보를 생성할 수 있다. 이는 CEO가 그러한 실시간 데이터를 수동으로 요청할 필요 없이 실시간으로 이니셔티브를 최적화하는 것을 허용할 수 있고; CEO 디지털 트윈(8302)은 조직, CEO, 또는 일부 다른 이해 당사자에 의해 구성된 바와 같은 그러한 정보 및 관련/필요한 경보를 자동으로 제시할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 집행 부서의 성과, 집행 부서의 인력, 집행 활동, 집행 콘텐츠, 집행 플랫폼, 집행 파트너, 또는 CEO의 책임 내의 관리의 일부 다른 양태에 대해 보고하도록 구성될 수 있다. 보고는 CEO, 집행 부서, 조직의 다른 임원(예를 들어, COO), 또는 외부 제3자(예를 들어, 파트너, 보도 자료 등)에 대한 것일 수 있다. 본 출원에 설명된 바와 같이, 보고는 이해관계자 요약, 회의의 회의록, 프레젠테이션, 판매 데이터, 고객 데이터, 재무 성과 메트릭, 인력 메트릭, 리소스 사용에 관한 데이터, 산업 요약(예를 들어, 산업 세그먼트에서의 합병 및 인수 활동의 요약), 또는 일부 다른 타입의 보고 데이터를 포함할 수 있다. 보고 및 보고의 콘텐츠는 CEO 디지털 트윈(8302)에 의해 다른 집행 디지털 트윈과 공유될 수 있다. CEO 디지털 트윈(8302)의 보고 기능은 또한 새로운 또는 미리 설정된 보고 포맷 등을 채우기 위해 사용될 수 있다. 공통 보고 포맷의 템플릿이 저장되고 CEO 디지털 트윈(8302)과 연관되어, 미리 정의된 포맷, 스타일 및 시스템 요건에 따라 데이터 및 분석의 프레젠테이션을 자동화할 수 있다. 실시예에서, 사용자에 의해 훈련된 집행 에이전트는 가장 중요한 보고를 사용자에게 표면화하도록 훈련될 수 있다. 예를 들어, 사용자(예를 들어, CEO)가 판매 데이터 보고를 일관되게 보고 추적하지만 제조 KPI에 관련된 보고를 일상적으로 스킵하는 경우, 집행 에이전트는 판매 데이터 보고를 사용자에게 자동으로 표면화할 수 있고 제조 KPI를 다른 집행 디지털 트윈(예를 들어, COO 디지털 트윈)에 자동으로 위임할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 CEO의 조직 또는 명명된 관심 엔티티의 경쟁자와 관련된 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 실시예에서, 이러한 데이터는, 이에 제한되는 것은 아니지만, 투자 및/또는 취득에 관한 정보, 보도 자료, SEC 또는 다른 재무 보고, 또는 일부 다른 공개적으로 이용가능한 데이터를 포함하는 소스로부터 경쟁자 정보를 검색하고 수집하기 위해 데이터 집계, 스파이더링, 웹-스크레이핑, 또는 다른 기술을 통해 EMP(8000)에 의해 수집될 수 있다. 예를 들어, 특정 경쟁자를 모니터링하기를 원하는 사용자는 CEO 디지털 트윈(8302)이 특정 경쟁자와 관련된 자료를 제공하도록 요청할 수 있다. 이에 응답하여, EMP(8000)는 공개적으로 이용가능하거나 CEO의 기업이 액세스할 수 있는 데이터 소스의 세트(예를 들어, 내부 데이터 소스, 허가된 제3자 데이터 등)를 식별할 수 있다. EMP(8000)는 사용자 요청의 데이터/분석/서비스의 타입 및 식별된 데이터 소스의 세트에 기초하여 코호트 디지털 트윈(8320)을 구성할 수 있다. 그 다음, EMP(8000)는 요청된 당사자(예를 들어, 경쟁자)와 연관된 코호트 디지털 트윈(8320)을 CEO 디지털 트윈(8302)에게 서빙할 수 있다.
실시예에서, CEO 디지털 트윈(8302)은 정부 규제, 산업 모범 사례 또는 일부 다른 요건 또는 표준과 같은 규제 활동에 관련된 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, CEO 디지털 트윈(8302)은 법률 고문 디지털 트윈(8314)과 같은 다른 기업 디지털 트윈과 통신할 수 있으며, 이를 통해 법무팀은 새로운 규제 또는 규제 변경이 발생할 때 CEO에게 계속 알릴 수 있다.
실시예에서, CEO 디지털 트윈(8302)을 실행하는 클라이언트 애플리케이션(8052)은(거동 및/또는 선호도를 나타낼 수 있는) CEO의 액션에 대해 훈련되는 집행 에이전트(8364)로 구성될 수 있다. 실시예에서, 집행 에이전트(8364)는 액션에 관련된 특징(예를 들어, 사용자의 액션에 관련된 상황)을 전문가 에이전트 시스템(8008)에 기록할 수 있다. 예를 들어, 집행 에이전트(8364)는 사용자가 (액션인) 하급자에게 태스크를 위임할 때마다 태스크의 위임 주변의 특징(예를 들어, 사용자가 태스크를 위임하게 한 이벤트, 위임된 태스크의 타입, 태스크가 위임된 역할, 위임과 함께 사용자에 의해 제공된 명령어 등)을 기록할 수 있다. 집행 에이전트(8364)는 액션 및 특징을 전문가 에이전트 시스템(8008)에 보고할 수 있고, 전문가 에이전트 시스템(8008)은 집행 에이전트(8364)가 미래에 태스크의 위임을 위임하거나 추천할 수 있는 방식으로 집행 에이전트(8364)를 훈련시킬 수 있다. 일단 훈련되면, 집행 에이전트(8364)는 자동으로 액션을 수행하고/하거나 액션을 사용자에게 추천할 수 있다. 또한, 실시예에서, 집행 에이전트(8364)는 수행/추천 액션과 관련된 결과를 기록할 수 있고, 그에 의해 전문가 에이전트 시스템(8008)과의 피드백 루프를 생성할 수 있다.
CEO 디지털 트윈(8302)의 이 예에서의 EMP 및 디지털 트윈의 특징 및 기능에 대한 참조는, 문맥이 달리 표시하는 경우를 제외하고는, 다른 디지털 트윈, 및 그 각각의 프로젝트 및 작업흐름에 적용되는 것으로 이해하여야 한다.
실시예에서, CFO(Chief Financial Officer) 디지털 트윈(8304)은 기업의 CFO 또는 기업의 재무 관련 태스크를 감독하는 것을 담당하는 유사한 임원을 위해 구성된 디지털 트윈일 수 있다. CFO 디지털 트윈(8304)은 실시간, 과거, 집계, 비교, 및/또는 예상된 재무 정보(예를 들어, 실시간, 과거, 시뮬레이션, 및/또는 예상된 판매 수치, 지출, 수익, 부채 등)를 포함하지만 이에 제한되지 않는 데이터, 분석, 요약, 및/또는 보고를 제공할 수 있다. 실시예에서, CFO 디지털 트윈은 EMP(8000)와 관련하여 작동하여 시뮬레이션, 예측, 통계적 요약, 분석, 기계 학습, 및/또는 다른 AI 및 입력(예를 들어, 회계 데이터, 판매 데이터, 센서 데이터 등)의 학습-타입 처리에 기초한 결정 지원을 제공할 수 있다.
실시예에서, CFO 디지털 트윈(8304)은 재무 직원, 파트너 및 외부 컨설턴트 및 계약자(예를 들어, 회계 회사, 감사 등)의 관리, 예산, 조달, 지출, 채권, 및 다른 재무 관련 리소스의 감독, 준수, 판매 및 영업 직원 및 부서의 재무 성과의 감독, 계약의 관리, 내부 정책(예를 들어, 지출 및 보고와 관련된 정책)의 관리, 세법, 재무 관련 프라이버시 법(예를 들어, 신용 기관 데이터와 관련됨), 보고, 준수, 및 규제 분석을 포함하지만 이에 제한되지 않는 특징 및 기능성을 제공할 수 있다.
실시예에서, CFO 디지털 트윈을 채울 수 있는 데이터의 타입은 비즈니스 유닛별, 제품별, 지리별, 공장별, 상점 위치(들)별, 자산 클래스별 재무 성과 메트릭, 수익, 현금, 대차대조표 데이터, 현금 흐름, 수익성, 리소스 활용, 감사 데이터, 일반 원장 데이터, 자산 성과 데이터, 증권 및 상품 데이터, 보험 및 위험 관리 데이터, 자산 노후화 및 감가상각 데이터, 자산 할당 데이터, 거시경제 데이터, 미시경제 분석 데이터, 세금 데이터, 가격 데이터, 경쟁 제품 및 가격 데이터, 예측 데이터, 수요 계획 데이터, 고용 및 급여 데이터, AI의 분석 결과 및/또는 기계 학습 모델링(예를 들어, 재무 예상), 예상 데이터, 추천 데이터, 또는 CFO 및/또는 재무 부서의 운영과 관련된 일부 다른 타입의 데이터를 포함할 수 있지만, 이들로 제한되지 않는다. 실시예에서, 본 출원에서 사용될 때, "데이텀", "데이터", "데이터세트", "데이터저장소", "데이터 웨어하우스", 및/또는 "데이터베이스"는 통계적 또는 과학적 표기법으로 요약, 입력 또는 출력을 포함하는 수치적 또는 통계적 포맷으로 저장되는 정보를 지칭할 수 있고, 또한 자연어 포맷으로 저장되는 정보(예를 들어, 보고, 보도 자료, 법령 등으로부터의 텍스트 발췌), 그래픽 포맷으로 저장되는 정보(예를 들어, 재무 성과 그래프), 오디오 및/또는 오디오-비주얼 포맷으로 저장되는 정보(예를 들어, 오디오 및/또는 오디오-비주얼 포맷 정보의 자연어 녹취 요약을 포함하는, 회의 호출로부터의 기록된 오디오 또는 프레젠테이션으로부터의 비디오), 또는 일부 다른 타입의 정보를 포함한다.
실시예에서, CFO 디지털 트윈(8304)은 재무 부서의 재무 부서 트윈을 표시할 수 있으며, 사용자는 조직의 재무 노력에 수반되는 회계 회사, 세무 변호사 등과 같은 제3자 파트너 및 다른 외부 계약자를 포함하는, 조직의 재무 활동과 연관된 재무 부서 인력 및 제3자 인력을 식별, 할당, 지시, 감독 및 검토하기 위해 사용할 수 있다. 이러한 조직 인력의 예는 재무 부서 직원, 판매 분석가, 통계학자, 데이터 과학자, 집행 인력, 인사 직원, 이사회 구성원, 고문, 또는 재무 부서의 기능과 관련된 일부 다른 타입의 조직 인력을 포함하지만 이에 제한되지 않는다. 재무 부서의 제3자 인력의 예는 변호사, 회계사, 관리 컨설턴트, 소셜 미디어 플랫폼 인력, 재무 파트너, 컨설턴트, 계약자, 재무 회사 직원, 감사 또는 일부 다른 타입의 제3자 인력을 포함하지만 이에 제한되지 않는다.
실시예에서, CFO 디지털 트윈(8304)은 CFO 하에서 근무하는 다양한 역할/직원의 정의, 보고 구조, 및 비즈니스 유닛 내의 각각의 개인에 대한 연관된 허가를 포함할 수 있고, 각각의 역할을 채우는 개인의 다양한 이름 및/또는 다른 식별자로 채워질 수 있다. 실시예에서, 사용자(예를 들어, 기업의 CFO)는 CFO 디지털 트윈(8304)을 사용하여 재무 부서 내의 보고 구조를 조정하고/하거나 부서 내의 하나 이상의 개인에게 허가를 허가할 수 있다.
실시예에서, CFO 디지털 트윈(8304)은 재무 부서 및 연관된 당사자가 활용할 수 있는 협력 툴의 세트를 특정하고 제공하기 위해 협력 스위트(8006)와 인터페이스하도록 구성될 수 있다. 협력 툴은, 본 출원에 설명된 바와 같이, 화상 회의 툴, "인-트윈" 협력 툴, 화이트보드 툴, 프레젠테이션 툴, 워드 처리 툴, 스프레드시트 툴 등을 포함할 수 있다. 협력 및 통신 규칙은 본 출원에 설명된 바와 같이, AI 보고 툴을 사용하는 것에 적어도 부분적으로 기초하여 구성될 수 있다.
실시예에서, CFO 디지털 트윈(8304)은 전체 부서 예산, 단일 또는 그룹의 재무 이니셔티브에 대한 예산, 감사, 제3자 벤더 활동, 또는 일부 다른 타입의 비용 또는 예산을 포함하지만 이에 제한되지 않는 재무 부서 이니셔티브에 대해 연구, 생성, 추적 및 보고하도록 구성될 수 있다. 실시예에서, CFO 디지털 트윈(8304)은, 이에 제한되는 것은 아니지만, 미지급금과 관련된 디지털 트윈, CEO(예를 들어, CEO 디지털 트윈) 또는 COO(예를 들어, COO 디지털 트윈)와 같은 집행 직원, 또는 다른 적합한 기업 디지털 트윈을 비롯하여, 본 출원에 설명된 바와 같은 다른 기업 트윈과 상호작용하고 이러한 비용 또는 예산 데이터 및 보고를 공유할 수 있다. 실시예에서, CFO 디지털 트윈(8304)은 재무 보고, 예상, 시뮬레이션, 예산 및 관련 요약을 제공하기 위해, 본 출원에 설명된 바와 같이, 데이터 분석, 기계 학습 및 A.I. 프로세스에 적어도 부분적으로 기초하여 EMP(8000)의 하나 이상의 지능 서비스를 활용할 수 있다. 이러한 실시예 중 일부에서, CFO 디지털 트윈(8304)은 예를 들어, 예산 라인 아이템에 열거되거나 그에 종속되고 따라서 그러한 자료에 관심을 가질 수 있는 주요 부서, 인력, 제3자 또는 다른 사람을 식별하기 위해 지능 서비스를 사용할 수 있다. 주어진 당사자에 관한 예산 자료는 예산의 전체로부터 독립적으로 프레젠테이션을 위해 추상화되고 요약될 수 있고, 예산 아이템의 비용 및/또는 주제의 근원인 당사자에게 자동으로, 또는 CFO 또는 다른 사용자의 지시로 포맷팅되고 제시될 수 있다.
일부 실시예에서, CFO 디지털 트윈(8304)은 재무 부서 및/또는 조직과 관련된 인바운드(inbound) 및 아웃바운드(outbound) 청구(즉, 미수금 및 미지급금)를 추적하고 보고하도록 구성될 수 있다. 실시예에서, CFO 디지털 트윈(8304)은 기업의 청구 작업흐름과 연관된 청구 부서, 인력, 프로세스 및 시스템을 식별하는 청구 디지털 트윈을 포함할 수 있다. 이러한 실시예에서, 청구 디지털 트윈은 재무 부서가 상호작용하고 있는 당사자와 관련된 청구 활동에 대해 제시, 저장, 분석, 조정 및/또는 보고하는 것과 상호작용할 수 있다. 일부 실시예에서, CFO 디지털 트윈(8304)의 사용자는 CFO 디지털 트윈(8304)인 경우 GUI를 통해 청구서를 승인하고, 청구서를 발행하고, 청구서의 세트로 드릴 다운하고, 청구서의 조사를 개시하는 등을 수행할 수 있다.
실시예에서, CFO 디지털 트윈(8304)은 사용자(예를 들어, CFO 또는 다른 재무 부서 집행)에게 CFO 디지털 트윈(8304)에 고유한 정보를 제공하도록 구성될 수 있고, 따라서 CFO 디지털 트윈(8304)에 고유한 재무 성과에 대한 통찰 및 관점을 제공할 수 있다. 예를 들어, 공급 체인 계획(supply chain planning), 수요 예상(demand forecasting), 운영 계획(operational planning) 및 CFO의 활동 중 다른 것에서, 전통적인 데이터 소스, 모델 및 예상은 특정 도메인 내에서 정량적으로 강건할 수 있는 것을 의미하는 방식으로 "고립화(siloed)"될 수 있지만, 그 도메인은 데이터의 출처, 데이터가 기록되는 포맷, 이용가능한 데이터를 생성하거나 변환하는 데 사용되는 통계적 가중치, 또는 일부 다른 제약을 포함하지만 이에 제한되지 않는 인자에 의해 제약될 수 있다. 실시예에서, CFO 디지털 트윈(8304)과 관련된 EMP(8000)는 조직의 실시간 동작에 적어도 부분적으로 기초하여 네이티브 데이터 및 모델 생성, 및 데이터 및 모델 조합 및 집계와 같은 기능을 포함하지만 이에 제한되지 않는 새로운 재무 메트릭 및 분석을 생성하고 도출할 수 있다. 수집될 데이터, 데이터를 수집 및 저장하기 위한 포맷, 모델로의 데이터 변환 등을 특정하는 것과 같은 네이티브 데이터 및 모델 생성은 데이터 및/또는 모델 프리셋에 의존하기보다는, EMP(8000) 및 CFO 디지털 트윈(8304)에 의해 수행되는 모델링, 분석, 기계 학습, 및/또는 AI 기술에 적절하게 수학적으로 튜닝되는 방식으로 (다른 제3자 데이터와의 조합을 비롯하여) 네이티브 데이터를 제작, 조합, 집계, 수정, 변환, 및/또는 가중하는 능력을 제공한다. 유사하게, CFO의 동작 및 EMP 및 CFO 디지털 트윈(8304)의 기능의 분석적 맥락에서, EMP 및 CFO 디지털 트윈(8304)에 의한 네이티브 데이터 및 모델 생성 및 구조화는 분석, 기계 학습, AI 동작 등을 가능하게 하여, 조직의 실시간 동작에 적어도 부분적으로 기초하여, 새로운 분석적 결과 및 통찰을 산출하는데, 그 이유는 EMP 및 CFO 디지털 트윈(8304)이 CFO가 재무 데이터 생성 및 모델링 동작에서 더 상향 이동할 수 있게 하여 제품 마진(예를 들어, 그로스, 기여, 네트 등), 제품 특징, 업셀 기회 또는 일부 다른 성능 메트릭을 포함하지만 이에 제한되지 않는 성능을 개선하기 위한 목적으로 생성되고 보고될 수 있는 분석적 통찰을 개발하는 데 사용될 데이터 및 다른 입력 재료의 타입에 대한 더 큰 창의적 제어를 어서팅할 수 있게 하기 때문이다.
실시예에서, CFO 디지털 트윈(8304)은 사용자를 대신하여 재무 관련 활동을 시뮬레이션하도록 구성될 수 있다. 이러한 실시예에서, 사용자는 재무 및/또는 예산 파라미터, 가격 및 판매 목표 설정, 프로세스 설계, 및 유지보수/기반구조 업그레이드, 내부 제어 설계, 제품 테스트 빈도/타입, 제조 중단시간, 유연한 노동력 계획 등을 포함하지만 이에 제한되지 않는 시뮬레이션 동안 변화될 수 있는 하나 이상의 파라미터를 식별할 수 있다. 이러한 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 CFO 디지털 트윈(8304)에 의해 요청된 시뮬레이션을 수행하라는 요청을 수신할 수 있고, 여기서 요청은 변경될 재무 파라미터를 포함하는 특징 및 파라미터를 나타낸다. 이에 응답하여, 디지털 트윈 시뮬레이션 시스템(8116)은 시뮬레이션 결과를 CFO 디지털 트윈(8304)에 반환할 수 있고, CFO 디지털 트윈(8304)은 차례로 결과를 클라이언트 디바이스 디스플레이를 통해 사용자에게 출력한다. 이러한 방식으로, 사용자는 상이한 파라미터 구성에 대응하는 다양한 결과를 제공받는다. 일부 실시예에서, 사용자는 다양한 결과에 기초하여 파라미터 세트를 선택할 수 있다. 일부 실시예에서, 사용자에 의해 훈련된 집행 에이전트는 다양한 결과에 기초하여 파라미터 세트를 선택할 수 있다. CFO 디지털 트윈(8304)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 IPO, M&A, 자본 조달 및 채권 발행, 또는 일부 다른 타입의 트랜잭션에 대한 위험을 완화시키는 데 사용될 수 있다. CFO 디지털 트윈(8304)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 커미션 및 다른 성능 기반 보상을 포함하는 판매 인센티브를 생성하고 구조화하는 데 사용될 수 있다. CFO 디지털 트윈(8304)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 인슈어런스 오퍼링 및 비즈니스 중단 준비성과 관련된 다른 정보를 평가하는 데 사용될 수 있다. CFO 디지털 트윈(8304)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 대출 약정 모니터링 및 예상을 분석하는 데 사용될 수 있다. 디지털 트윈(8304)을 구비한 CFO는 위험을 완화하면서 역풍을 예측하고, 운영 성과를 예상하고, 부서에 걸쳐 정보에 입각한 결정을 함으로써 더 양호하게 변화에 신속하게 적응할 수 있을 것이다.
실시예에서, CFO 디지털 트윈(8304)은 운영 비용을 최적화하면서 회사 효율을 증가시키기 위해 판매 계획 및 공급 체인 관리에 대한 예측 분석을 활용함으로써 적어도 부분적으로 기초하여 운영 계획을 관리하도록 구성될 수 있다.
실시예에서, CFO 디지털 트윈(8304)은 열거된 액션을 저장소로 유도하면서 내부 제어 설계, 테스트, 인증, 및 보고를 포함하지만 이에 제한되지 않는 위험 감독을 위해 환경 리소스 관리(ERM) 솔루션에 걸친 통찰에 액세스하도록 구성될 수 있다. 실시예에서, CFO 디지털 트윈(8304)은 조직에 걸쳐 위험 및 준수를 연결하고 복잡한 감사 필드워크 및 작업 문서를 관리하기 위해 거버넌스, 위험 관리, 및 준수 프로세스를 간소화하도록 구성될 수 있다.
실시예에서, CFO 디지털 트윈(8304)은 재무 전략, 계획, 활동 또는 이니셔티브와 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, CFO 디지털 트윈(8304)은 이전의 재무 활동(예를 들어, 이전의 분기별 재무 성과)과 관련된 재무 자료, 요약 및 보고 및 분석을 포함하는 재무 자료, 요약 및 보고 및 분석의 복수의 데이터베이스 또는 다른 저장소와 연관될 수 있으며, 이들 각각은 제3자 재무 또는 경제 데이터와 추가로 연관될 수 있다.
실시예에서, CFO 디지털 트윈(8304)은 재무 보고, 평가, 순위, 재무 동향 데이터, 소득 데이터, 또는 다른 재무 부서 관련 데이터와 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. CFO 디지털 트윈(8304)은 외부 데이터 소스에 연동되고, 이들과 상호작용하고, 이들과 연관될 수 있고, EMP의 내부 데이터를 포함하는 외부 데이터 소스를 업로드, 다운로드, 집계하고, 이러한 데이터를 분석할 수 있다. 데이터 분석, 기계 학습, AI 처리, 및 다른 데이터 기반 프로세스는 인공 지능 서비스 시스템(8010)에 의해 도출된 통찰에 적어도 부분적으로 기초하여 CFO 디지털 트윈(8304)과 분석 팀 사이에서 조정될 수 있다. 이러한 협력 및 상호작용은 최적의 재무 전략, 또는 일부 다른 재무 관련 메트릭 또는 양태를 식별하기 위해 모델링, 기계 학습, 및 AI 처리에서 사용하기 위해 기업 데이터 저장소(8012)에 재무 관련 데이터 요소 및 도메인을 시딩하는 것 뿐만 아니라, 또한 재무 노력의 성공에 대한 판단의 기초가 되는 최적의 데이터 측정 파라미터의 식별을 보조하는 것을 포함할 수 있다. CFO 디지털 트윈(8304)에 연결되고, 이와 연관되고, 및/또는 이로부터 액세스될 수 있는 데이터 소스(8020)의 예는 센서 시스템(8022), 실시간으로 판매 수치로 업데이트되는 판매 데이터베이스(8024), CRM 시스템(8026), 뉴스 웹사이트(8048), 비즈니스의 비용을 추적하는 재무 데이터베이스(8030), 조직도(8034), 작업흐름 관리 시스템(8036), 고객 데이터를 저장하는 고객 데이터베이스(1S40), 및/또는 제3자 데이터를 저장하는 제3자 데이터 소스(8038)를 포함할 수 있지만, 이에 제한되지 않는다.
실시예에서, CFO 디지털 트윈(8304)은 데이터 소스 및 타입을 집계하여, 다른 곳에서는 이용가능하지 않은 새로운 데이터 타입, 요약 및 보고를 생성할 수 있다. 이는 다수의 제3자 제공자 및 현재의 솔루션의 필요성에 대한 의존성을 감소시킬 수 있다. 이는, 다른 이점 및 개선 중에서도, 건전한 재무 의사 결정을 위해 필요한 데이터를 취득하는 것과 연관된 비용을 감소시킬 수 있다.
실시예에서, CFO 디지털 트윈(8304)은 CFO 디지털 트윈(8304)을 실행하는 클라이언트 애플리케이션(8052)의 에이전트의 모니터링 기능을 통해 사용자의 재무 관련 태스크의 수행을 모니터링하도록 구성될 수 있다. 실시예에서, 집행 에이전트의 모니터링 기능은 CFO 디지털 트윈(8304)과 인터페이스할 때 사용자에 의해 수행되는 특정 활동에 대해 EMP(8000)에 보고할 수 있다. 이에 응답하여, EMP(8000)는 이러한 재무 관련 태스크가 다음에 도달할 때 이러한 재무 관련 태스크를 취급하고 처리하도록 (하나 이상의 기계 학습 모델을 포함할 수 있는) 집행 에이전트를 훈련시킬 수 있다. 예를 들어, 모니터링 기능은 사용자(예를 들어, CFO)가 CFO 디지털 트윈(8304)의 상태를 CEO로 상신할 때 및/또는 사용자가 CFO 디지털 트윈(8304)을 통해 하급자에게 태스크를 위임할 때를 모니터링할 수 있다. 그러한 상신 및/또는 위임 이벤트가 발생할 때마다 그리고/또는 사용자(예를 들어, CFO 또는 다른 재무 임원)가 긴급한 특성의 경보 또는 다른 통지에 응답할 때, 각각의 계정 각각에 응답하여 사용자가 취한 액션을 보고할 수 있고 EMP(8000)에 보고할 수 있다. 이에 응답하여, 전문가 에이전트 시스템(8008)은 보고된 액션에 기초하여 집행 에이전트(8364)를 훈련시킬 수 있으며, 이는 차례로 집행 에이전트(8364)가 훈련된 특정의 나중에 발생하는 이벤트(예를 들어, 열악한 재무 성과 또는 재무 활동(예를 들어, 새로운 투자)을 보여주는 분석)에 응답하기 위해 CFO 디지털 트윈에 의해 활용될 수 있다. 예를 들어, CFO 디지털 트윈(8304)과 관련하여 훈련된 집행 에이전트(8364)는 하나 이상의 비즈니스 유닛의 성과 동향에 기초하여 특정 직원에게 재무 성과 경보를 자동으로 발행할 수 있다. 다른 예에서, 집행 에이전트(8304)는 특정 메트릭이 열악한 재무 예상을 나타낼 때 (CEO 디지털 트윈(8302)에 표시될 수 있는) CEO에게 통지를 자동으로 상신할 수 있다. 실시예에서, CFO 디지털 트윈(8304)과 관련된 집행 에이전트(8364)는 CFO가 그러한 실시간 재무 성과 데이터를 수동으로 요청할 필요 없이 실시간으로 이니셔티브를 최적화하는 것을 허용할 수 있다. 일부 실시예에서, CFO 디지털 트윈(8304)은 구성 사용자, CFO, 또는 그러한 허가를 갖는 일부 다른 사용자에 의해 구성된 바와 같은 그러한 정보 및 관련/필요한 경보를 자동으로 제시할 수 있다.
실시예에서, CFO 디지털 트윈(8304)과 관련하여 훈련된 집행 에이전트(8364)는 CFO의 책임 내에서 재무 부서의 성과, 재무 부서의 인력, 재무 활동, 재무 콘텐츠, 재무 플랫폼, 재무 파트너, 또는 관리의 일부 다른 양태에 대해 보고하도록 구성될 수 있다. 보고는 CEO, 이사회, 조직의 다른 임원(예를 들어, COO), 또는 외부 제3자(예를 들어, 파트너, 보도 자료 등)에 대한 것일 수 있다. CFO 디지털 트윈(8304)의 보고 기능은 또한 주주 성명, 연간 보고, SEC 신고 등과 같은 공식 보고 요건에 필요한 데이터를 채우는 데 사용될 수 있다. 공통 보고 포맷의 템플릿이 저장되고 CFO 디지털 트윈(8304)과 연관되어, 미리 정의된 포맷, 스타일 및 시스템 요건에 따라 데이터 및 분석의 프레젠테이션을 자동화할 수 있다.
실시예에서, EMP(8000)와 조합하여 CFO 디지털 트윈(8304)은 CFO의 조직의 경쟁자, 또는 관심 있는 명명된 엔티티와 관련된 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 실시예에서, 이러한 데이터는 보도 자료, SEC 또는 다른 재무 보고, 합병 및 인수 활동, 또는 일부 다른 공개적으로 이용가능한 데이터를 포함하지만 이에 제한되지 않는 소스로부터 경쟁자 정보를 검색하고 수집하기 위해 데이터 집계, 스파이더링, 웹-스크레이핑, 또는 다른 기술을 통해 EMP(8000)에 의해 수집될 수 있다.
실시예에서, EMP(8000)와 조합하여 CFO 디지털 트윈(8304)은 정부 규제, 산업 모범 사례 또는 일부 다른 요건 또는 표준과 같은 규제 활동에 관련된 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, CFO 디지털 트윈(8304)은 법률 고문 디지털 트윈(8314)과 같은 다른 기업 디지털 트윈과 통신할 수 있으며, 이를 통해 법무팀은 새로운 규제 또는 규제 변경이 발생할 때 CFO에게 계속 알릴 수 있다.
실시예에서, CFO 디지털 트윈(8304)을 실행하는 클라이언트 애플리케이션(8052)은, 본 출원에 설명된 바와 같이, CFO의 거동 및 선호도(또는 다른 재무 인력의 거동 및 선호도)를 전문가 에이전트 시스템(8008)에 보고하는 집행 에이전트로 구성될 수 있고, 전문가 에이전트 시스템(8008)은, 본 출원에 설명된 바와 같이, CFO 또는 다른 재무 인력이 특정 상황에 어떻게 응답하고 데이터 수집, 분석, 기계 학습 및 A.I. 기술에 적어도 부분적으로 기초하여 그 동작을 조정하는지에 대해 집행 에이전트를 훈련시킬 수 있다. 전술한 예는 선택적인 예이고, 본 개시의 범위를 제한하기를 의도하지 않는다.
재무 부서 및 CFO 디지털 트윈(8304)의 이 예에서, EMP 및 디지털 트윈의 특징 및 기능에 대한 참조는, 문맥이 달리 표시하는 경우를 제외하고는, 다른 부서 및 디지털 트윈, 및 그 각각의 프로젝트 및 작업흐름에 적용되는 것으로 이해하여야 한다.
실시예에서, 최고 운영 관리자(COO) 디지털 트윈(8306)은 기업의 COO 또는 기업의 운영 태스크를 감독하는 것을 담당하는 유사한 임원을 위해 구성된 디지털 트윈 수 있다. COO 디지털 트윈(8306)은 인력 및 파트너의 관리, 다양한 부서의 감독(예를 들어, 마케팅 부서, HR 부서, 판매 부서 등에 대한 감독), 프로젝트 관리, 비즈니스 프로세스 및 작업흐름의 구현 및/또는 롤아웃, 예산편성, 보고, 및 많은 다른 운영 관련 태스크를 포함하지만 이에 제한되지 않는 기능을 제공할 수 있다.
실시예에서, COO 디지털 트윈(8306)은 실시간, 과거, 집계, 비교, 및/또는 예상된 재무 정보(예를 들어, 판매, 지출, 수익, 부채, 수익성, 현금 흐름 등), 합병 및 인수 정보, 시스템 데이터, 보고 및 제어 데이터, 또는 일부 다른 동작 관련 정보를 포함하지만 이에 제한되지 않는 데이터, 분석, 요약, 및/또는 보고를 제공할 수 있다. 실시예에서, COO 디지털 트윈(8306)은 EMP(8000)와 관련하여 작동하여 시뮬레이션, 예측, 통계적 요약, 분석, 기계 학습, 및/또는 다른 AI에 기초한 결정 지원 및 입력(예를 들어, 장비 데이터, 센서 데이터 등)의 학습 타입 처리, 예를 들어 조직에 대한 효과적인 성장 전략 및 프로세스의 개발, 통신 및 구현과 관련된 것들을 제공할 수 있다.
실시예에서, COO 디지털 트윈을 채울 수 있는 데이터의 타입은, 이에 제한되는 것은 아니지만, 다음을 포함할 수 있다: 동작 데이터, 공장/플랜트, 비즈니스 유닛, 자산/장비에 대한 KPI(key performance indicators); 가동시간/중단시간, 안전 데이터, 위험 관리 데이터, 공급 체인/컴포넌트 가용성 데이터, 수요 계획 데이터, 물류 데이터, 작업흐름 데이터, 비즈니스 유닛별, 제품별, 지리별, 공장별, 상점 위치(들), 자산 클래스별, 수익, 리소스 활용에 의한 재무적 성능 메트릭; 감사 데이터, 자산 성과 데이터, 자산 노후화 및 감가상각 데이터, 자산 할당 데이터, 또는 일부 다른 타입의 운영 관련 데이터 또는 정보.
실시예에서, COO 디지털 트윈(8306)은 운영 프로세스, 내부 기반구조, 보고 시스템, 회사 정책 등의 설계, 구현 및 평가와 연관된 운영 부서 인력 및 제3자 인력을 식별, 할당, 지시, 감독 및 검토하기 위해 사용자가 사용할 수 있는 운영 부서의 트윈을 표시할 수 있다.
실시예에서, COO 디지털 트윈(8306)은 비즈니스 유닛 내의 각각의 개인에 대한, COO 하에서 작업하는 다양한 역할/직원, 보고 구조, 및 연관된 허가의 정의를 포함할 수 있고, 각각의 역할을 채우는 개인의 다양한 이름 및/또는 다른 식별자로 채워질 수 있다.
실시예에서, COO 디지털 트윈(8306)은 운영 부서 및 연관된 당사자가 활용할 수 있는 협력 툴의 세트를 지정하고 제공하기 위해 협력 스위트(8006)와 인터페이스하도록 구성될 수 있다. 협력 툴은, 본 출원에 설명된 바와 같이, 화상 회의 툴, "인-트윈" 협력 툴, 화이트보드 툴, 프레젠테이션 툴, 워드 처리 툴, 스프레드시트 툴 등을 포함할 수 있다. 협력 및 통신 규칙은 본 출원에 설명된 바와 같이, AI 보고 툴을 사용하는 것에 적어도 부분적으로 기초하여 구성될 수 있다.
이러한 실시예 중 일부에서, COO 디지털 트윈(8306)은 제안된 새로운 동작 계획, 프로세스 또는 프로그램과 같은 동작 활동을 시뮬레이션하도록 구성될 수 있다. 이러한 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 COO 디지털 트윈(8306)에 의해 요청된 시뮬레이션을 수행하라는 요청을 수신할 수 있으며, 여기서 요청은 구현을 위해 제안되는 동작 계획 또는 다른 활동의 특징 및 파라미터를 나타내고, 그에 대한 연관된 변수는 상이한 시뮬레이션 환경을 생성하기 위해 변경되거나 변경될 수 있다. 이에 응답하여, 디지털 트윈 시뮬레이션 시스템(8116)은 시뮬레이션 결과를 COO 디지털 트윈(8306)에 반환할 수 있고, COO 디지털 트윈은 차례로 결과를 클라이언트 디바이스 디스플레이를 통해 사용자에게 출력한다. 이러한 방식으로, 사용자는 상이한 동작 파라미터 구성에 대응하는 다양한 결과를 제공받는다. 실시예에서, 사용자에 의해 훈련된 집행 에이전트는 다양한 결과에 기초하여 파라미터 세트를 선택할 수 있다.
실시예에서, COO 디지털 트윈(8306)은 운영 전략, 계획, 활동 또는 이니셔티브와 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, COO 디지털 트윈(8306)은 이전 운영 활동과 관련된 이러한 자료, 요약 및 보고 및 분석을 포함하는 운영 데이터, 요약 및 보고 및 분석의 복수의 데이터베이스 또는 다른 저장소와 연관될 수 있으며, 이들 각각은 활동과 관련된 재무 및 성능 메트릭과 추가로 연관될 수 있고 또한 COO 디지털 트윈(8306)에 액세스가능하다.
실시예에서, COO 디지털 트윈(8306)은, 본 출원에 설명된 바와 같이, COO 디지털 트윈(8306)과 연관된 클라이언트 애플리케이션(8052)의 모니터링 에이전트의 사용에 적어도 부분적으로 기초하여, 실시간을 비롯하여, 운영 성과를 모니터링하도록 구성될 수 있다. 모니터링 에이전트는 이러한 활동에 대해 COO 디지털 트윈(8306)과 연관된 사용자 인터페이스에서의 프레젠테이션을 위해 EMP(8000)에 보고할 수 있다. 이에 응답하여, EMP(8000)는 다음번에 이러한 통지가 도달할 때 이러한 통지를 취급 및 처리하고 이러한 통지가 긴급한 특성을 가질 때 COO에게 상신 및/또는 경보하도록 (하나 이상의 기계 학습된 모델을 포함할 수 있는) 집행 에이전트를 훈련시킬 수 있다.
실시예에서, COO 디지털 트윈(8306)은 운영 부서의 성과, 운영 부서의 인력, 운영 활동, 운영 콘텐츠, 운영 플랫폼, 운영 파트너, 또는 COO의 책임 내의 관리의 일부 다른 양태에 대해 보고하도록 구성될 수 있다.
실시예에서, EMP(100)는 기업 사용자를 대신하여 집행 에이전트를 훈련하고 배치한다. 실시예에서, 집행 에이전트는 각각의 임원 사용자를 대신하여 태스크를 수행하고/하거나 각각의 임원 사용자에게 액션을 제안하는 AI 기반 소프트웨어 시스템이다. 실시예에서, EMP(100)는 특정 엔티티 또는 작업흐름과 연관된 다양한 데이터 소스로부터 데이터를 수신하고, 데이터 및 주변 상황 또는 컨텍스트에 기초하여 특정 사용자에 의해 수행되는 작업흐름을 학습한다. 예를 들어, 사용자는 COO 디지털 트윈(8306)이 제시되는 COO일 수 있다. COO의 책임 중에는 제조, 웨어하우스, 또는 다른 운영 시설에서 장비의 유지보수 및 대체를 스케줄링하는 것이 있을 수 있다. COO 디지털 트윈(8306)에 표시된 상태는 동작 시설 내의 상이한 장비의 조건의 표시를 포함할 수 있다. 이 예에서, COO는 장비 피스가 제1 조건(예를 들어, 악화 조건)에 있는 것으로 결정될 때 디지털 트윈을 통해 유지보수를 스케줄링할 수 있고, 장비 피스가 제2 조건(예를 들어, 임계 조건)에 있는 것으로 결정될 때 장비를 대체하라는 요청을 COO 디지털 트윈(8306)을 통해 COO에 발행할 수 있다. 집행 에이전트는 COO 디지털 트윈(8306)과의 COO의 이전 상호작용에 기초하여 COO의 성향을 학습할 수 있다. 일단 훈련되면, 집행 에이전트는 특정 장비 피스가 제2 조건에 있는 것으로 결정될 때 COO에게 대체를 자동으로 요청할 수 있고, 장비 피스가 제1 조건에 있는 경우 유지보수를 자동으로 스케줄링할 수 있다.
실시예에서, COO 디지털 트윈(8306)을 실행하는 클라이언트 애플리케이션(8052)은, 본 출원에 설명된 바와 같이, COO의 거동 및 선호도(또는 다른 운영 인력의 거동 및 선호도)를 집행 에이전트 시스템(8008)에 보고하는 집행 에이전트로 구성될 수 있고, 집행 에이전트 시스템(8008)은, 본 출원에 설명된 바와 같이, COO 또는 다른 집행 인력이 특정 상황에 어떻게 응답하고 데이터 수집, 분석, 기계 학습 및 A.I. 기술에 적어도 부분적으로 기초하여 그 동작을 조정하는지에 관해 집행 에이전트를 훈련시킬 수 있다. 전술한 예는 선택적인 예이고, 본 개시의 범위를 제한하기를 의도하지 않는다.
운영 부서 및 COO 디지털 트윈(8306)의 이 예에서, EMP 및 디지털 트윈의 특징 및 기능에 대한 참조는, 문맥이 달리 나타나는 경우를 제외하고는, 다른 부서 및 디지털 트윈, 및 그 각각의 프로젝트 및 작업흐름에도 적용되는 것으로 이해하여야 한다.
실시예에서, CMO(Chief Marketing Officer) 디지털 트윈(8308)은 기업의 CMO, 또는 기업의 마케팅 태스크를 감독하는 것을 담당하는 유사한 임원을 위해 구성된 디지털 트윈일 수 있다. CMO 디지털 트윈(8308)은 인력 및 파트너의 관리, 마케팅 예산 및 리소스의 개발 및 감독, 마케팅 및 광고 플랫폼의 관리, 마케팅 콘텐츠의 개발 및 관리, 전략 및 캠페인, 보고, 경쟁자 분석, 규제 분석, 및 데이터 프라이버시 및 보안의 관리를 포함하지만 이에 제한되지 않는 기능을 제공할 수 있다.
실시예에서, CMO 디지털 트윈(8308)에 의해 채워지고/거나 이용될 수 있는 데이터의 타입은 다음을 포함할 수 있지만, 이에 제한되지 않는다: 거시경제 데이터; 시장 가격 데이터; 경쟁 제품 및 가격 데이터; 미시경제 분석 데이터; 예상 데이터; 수요 계획 데이터; 경쟁 행렬 데이터; 제품 로드맵; 제품 능력 데이터; 소비자 행동 데이터; 소비자 프로파일 데이터; 협력 필터링 데이터; AI 및/또는 기계 학습 모델링의 분석 결과; 채널 데이터; 인구통계 데이터; 지리적 데이터; 예측 데이터; 추천 데이터, 또는 CMO 및/또는 마케팅 부서의 운영과 관련된 일부 다른 타입의 데이터.
실시예에서, CMO 디지털 트윈(8308) 또는 다른 집행 디지털 트윈과 같은 집행 디지털 트윈은 마케팅 부서 또는 다른 부서와 같은 부서의 트윈을 표시할 수 있으며, 사용자는 조직의 관련 노력에 수반되는 제3자 파트너 및 다른 외부 동료를 포함하여, 조직의 특정 부서의 활동과 연관되는 부서 인력 및 제3자 인력을 식별, 할당, 지시, 감독 및 검토하기 위해 사용할 수 있다. 이러한 조직 인력의 예는 조직의 마케팅 직원, 영업 직원, 재무 직원, 제품 설계 인력, 엔지니어, 분석가, 통계학자, 데이터 과학자, 광고 직원, 집행 인력, 인사 직원, 이사회 구성원, 고문, 또는 일부 다른 타입의 조직 인력을 포함하지만 이에 제한되지 않는다. 조직의 제3자 인력의 예는 광고 회사 직원, 광고 교환 직원, 외부 크리에이티브 또는 콘텐츠 개발자, 소셜 미디어 플랫폼 인력, 공동 마케팅 파트너, 컨설턴트, 계약자, 재무 회사 직원, 감사 또는 일부 다른 타입의 제3자 인력을 포함하지만 이에 제한되지 않는다. 실시예에서, 부서 트윈(이 예에서 마케팅 부서 트윈)은 비즈니스 유닛 내의 각각의 개인에 대한, 임원(예를 들어, CMO) 하에서 근무하는 다양한 역할/직원, 보고 구조, 및 연관된 허가의 정의를 포함할 수 있고, 각각의 역할을 채우는 개인의 다양한 이름 및/또는 다른 식별자로 채워질 수 있다. 실시예에서, 부서 트윈(예를 들어, 마케팅 부서 트윈)은 마케팅 또는 광고 캠페인과 같은 활동 또는 이니셔티브에 특정한 서브섹션을 포함할 수 있다. 이러한 방식으로, 임원(예를 들어, CMO)은 이니셔티브에 관여하는 인력 및 제3자 제공자를 쉽게 식별하고/하거나 개인 및/또는 제3자를 이니셔티브에 할당할 수 있다. 사용자는, 제한, 허가, 및/또는 액세스 권한이 CMO(또는 유사한 사용자)에 의해 제어될 수 있도록, 본 출원에 설명된 바와 같이, (예를 들어, 기업 구성 시스템(8002)을 사용하여) 비즈니스 유닛에 표시된 개인의 하나 이상의 제한, 허가, 및/또는 액세스 권한을 정의할 수 있다. 실시예에서, 이러한 제한 및/또는 권한을 정의하기 위한 허가는, 예를 들어, 허가, 제한, 및/또는 역할/개인에 대한 액세스 권한을 구현하는 것을 허용하는 역할을 갖는 것으로서 사용자를 열거하는 조직 디지털 트윈에서 정의될 수 있다. 실시예에서, 역할/개인과 연관된 인력 제한 또는 권리는 마케팅 또는 광고 캠페인과 같은 프로젝트에 특정적일 수 있고, 특정 사용자 또는 사용자의 그룹이 (직접적으로 또는 디지털 트윈에서) 액세스하도록 허용되거나 허용되지 않는 하나 이상의 타입의 데이터를 정의할 수 있다. 예를 들어, 제1 마케팅 캠페인 트윈은 마케팅 부서 직원이 제1 마케팅 캠페인에 대한 제1 마케팅 예산을 검토하고 $10,000까지 제1 마케팅 캠페인에 대한 마케팅 지출을 승인하는 것을 허용할 수 있지만, 제2 마케팅 캠페인 트윈은 동일한 직원이 어떠한 예산 검토 또는 지출도 하지 못하게 할 수 있다. 유사한 접근법이 제품 개발 프로젝트, 물류 프로젝트, 회사 개발 프로젝트, 서비스 프로젝트 등과 같은, 조직 및 부서에 걸친 다양한 타입의 프로젝트에 의해 사용될 수 있다. 실시예에서, 제한, 허가 또는 액세스 권한의 위반 또는 위반 시도는 개인에게 위반 또는 위반 시도를 통지하는 통지, 경보, 경고 또는 일부 다른 액션을 호출할 수 있다. 예에서, 이러한 통지, 경보, 또는 경고는 사람이 제한, 허가 또는 액세스 권한을 위반하거나 위반하려고 시도하는 것에 대한 조직도에서의 개인의 위치에 적어도 부분적으로 기초하여 식별되는 개인에게 전송될 수 있다. 다른 예에서, 그러한 통지, 경보, 또는 경고는 부서 조직도 및/또는 특정 프로젝트 또는 캠페인에서 식별되지 않는 개인에게 전송될 수 있지만, 오히려 전체 기업의 조직 트윈에서 정의되는 규칙에 적어도 부분적으로 기초하여 식별되는 개인에게 전송될 수 있다. 예를 들어, 엔티티의 조직 디지털 트윈 내에 저장된 규칙은 금지된 파일 또는 다른 시스템에 로그인하려고 시도할 때 정보 보안 부서 직원 구성원 또는 일부 다른 직원 구성원에게 경보가 전송되어야 한다는 것을 지정할 수 있다. 다른 규칙은, 본 출원에 설명된 바와 같이, 지리적, 시간적, 또는 다른 타입의 제한과 관련될 수 있다. 실시예에서, 경보는 이메일, 전화 통화, 텍스트, 또는 일부 다른 통신 타입일 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 마케팅 부서와 관련된 인력 및 인사 문제 및 활동을 감독하고 관리하도록 구성될 수 있다. 예를 들어, 마케팅 부서 트윈은 마케팅 부서 내의 각각의 개인을 자신의 각각의 마케팅 부서에 매핑할 수 있다. CMO 디지털 트윈(8308)을 사용하여, 사용자는 부서의 기능에 대한 더 상세한 사항을 보기 위해 부서를 선택할 수 있다. 대안적으로, 이 단계는 CMO 디지털 트윈(8308)에 의해 자동으로 수행될 수 있어, (예를 들어, 사용자에 의해 훈련된 집행 에이전트를 통해) 사용자(예를 들어, CMO)로부터 어떠한 액션도 요구하지 않는다. 예를 들어, 더 많은 세부사항은 부서와 현재 연관된 공석의 수 및 개방 위치 각각이 채워지지 않은 채로 남아 있는 지속기간, 개방 위치와 연관된 추정된 급여 데이터 등을 포함할 수 있다. 사용자는 또한, 부서에 대한 신규 고용을 커버하기 위해 현재 이용가능한 예산이 있는지를 알기 위해, 직원 공석을 갖는 부서와 같은, 주어진 부서와 연관된 예산에 대한 더 많은 정보를 보기 위해 선택할 수 있다. 대안적으로, 이 단계는 CMO 디지털 트윈(8308)에 의해 자동으로 수행될 수 있어, 사용자로부터 어떠한 액션도 요구하지 않는다. 예를 계속 설명하자면, 새로운 고용을 커버하기 위한 예산이 있는 경우, CMO 디지털 트윈(8308)은 사용자가 직업 목록을 포스팅하는 프로세스를 시작하기 위해 인사 또는 일부 다른 부서 인력과의 통신을 개시하기 위한 링크 또는 다른 기회를 제공할 수 있다. 대안적으로, 이 단계는 CMO 디지털 트윈(8308)에 의해 (예를 들어, 사용자를 대신하여 실행하는 집행 에이전트를 통해) 자동으로 수행되어, 사용자로부터 어떠한 액션도 요구하지 않을 수 있다. 이 통신은 사용자가 통신을 작성할 필요가 없고 대신 단지 CMO 디지털 트윈(8308) 내에서 그러한 통신이 전송되어야 함을 시그널링하기만 하면 되도록 이메일, 서신 또는 다른 통신 형태의 저장소로부터 인출될 수 있다. 유사하게, 통신 타입(예를 들어, "새로운 마케팅 작업 포스팅을 개시")에 기초하여, 사용자는 통신 타입과 연관된 규칙에 적어도 부분적으로 기초하여 적절한 수신자로서 EMP에 저장될 수 있는 수신 당사자를 선택할 필요가 없을 수 있다. 추가의 예를 계속 설명하자면, 대안적으로, 신규 고용을 커버하는데 이용가능한 예산이 없는 경우, CMO 디지털 트윈(8308)에 의해 제2 타입의 통신이 호출될 수 있는데, 예를 들어, 이메일, 회의를 예약하기 위한 캘린더 초대, 또는 일부 다른 타입의 통신이 CFO 또는 다른 재무 인력에게 전송되도록 선택되어, 마케팅 부서의 예산을 논의하거나 일부 다른 활동을 개시하기 위해 회의를 요청할 수 있다. 이 예에 따라, 새로운 고용이 승인되는 경우 및 승인될 때, CMO 디지털 트윈은 사용자가 고용 태스크를 하급자에게 위임하는 것을 허용할 수 있다. 사용자가 새로운 직원을 고용하도록 할당되는 경우, CMO 디지털 트윈(8308)은 후보에 관한 자료(예를 들어, 재개, 추천, 면접관으로부터의 면접 노트 등)를 제공할 수 있고, 사용자는 추가로 고려하거나, 면접하거나, 고용할 하나 이상의 후보를 선택할 수 있다.
일 예에서, 사용자는 마케팅 부서 내의 하위 부서를 선택하여 하위 부서의 성과를 더 상세히 볼 수 있다. 예를 들어, 더 많은 세부사항은 선택된 마케팅 부서의 직원이 받는 훈련 세션 타입의 수, 튜토리얼, 이벤트, 회의 등을 포함할 수 있다. 사용자는 이러한 훈련 및 이벤트 참석 레벨을 EMP에 저장되거나 EMP와 연관되는 지정된 타겟 기준과 비교할 수 있다. 이는 CMO 디지털 트윈(8308)이 훈련 및/또는 이벤트 참석이 타겟 기준을 만족하지 못하는 그녀의 부서 내의 직원의 목록을 CMO에 보고하게 할 수 있다. 이 목록은 CMO 디지털 트윈(8308)에 의해 우선순위화되어 추가 훈련을 가장 필요로 하는 직원 구성원을 강조할 수 있다. 사용자는 또한, 부서에 대한 추가적인 훈련을 커버하기 위해 현재 이용가능한 예산이 있는지를 알기 위해, 타겟 기준에 따라 적절한 훈련을 갖지 않는 직원을 갖는 부서와 같은, 주어진 부서와 연관된 예산에 대한 더 많은 정보를 보기 위해 선택할 수 있다. 추가 훈련을 커버하기 위한 예산이 있는 경우, CMO 디지털 트윈(8308)은, 예를 들어, 사용자가 시간프레임 내에 훈련 및/또는 이벤트 참석을 스케줄링해야 한다는 것을 그에게 경보하도록 훈련이 필요한 직원 구성원에게 통신을 개시하기 위한 링크 또는 다른 기회를 사용자에게 제공할 수 있다. 이 통신은 사용자가 통신을 작성할 필요가 없고 대신 단지 CMO 디지털 트윈(8308) 내에서 그러한 통신이 전송되어야 함을 시그널링하기만 하면 되도록 이메일, 서신 또는 다른 통신 형태의 저장소로부터 인출될 수 있다. 예를 더 계속하면, 제2 타입의 통신이 CMO 디지털 트윈(8308)에 의해 호출될 수 있는데, 예를 들어, 정보에 대한 요청, 훈련 등록, 또는 일부 다른 타입의 통신이 스케줄링 훈련 및/또는 이벤트 등록, 또는 일부 다른 활동을 요청하기 위해, 마케팅 부서, 회의 이벤트 등록, 또는 다른 훈련 또는 이벤트 엔티티에 의해 사용되는 제3자 훈련 벤더에 전송되도록 선택될 수 있다. 대안적으로, 마케팅 직원 훈련 및 참석에 대한 추적 및 보고를 위한, 위에서 논의된 단계는 CMO 디지털 트윈(8308)에 의해 자동으로 수행될 수 있어, 사용자로부터 어떠한 액션도 요구하지 않는다. 마케팅 부서 및 CMO 디지털 트윈(8308)의 이 예에서, EMP 및 디지털 트윈의 특징 및 기능에 대한 참조는, 문맥이 달리 표시하는 경우를 제외하고는, 다른 부서 및 디지털 트윈, 및 그 각각의 프로젝트 및 작업흐름에 적용되는 것으로 이해하여야 한다.
실시예에서, CMO 디지털 트윈(8308)은 마케팅 부서 및 연관된 당사자가 활용할 수 있는 협력 툴의 세트를 특정하고 제공하기 위해 협력 스위트(8006)와 인터페이스하도록 구성될 수 있다. 협력 툴은, 본 출원에 설명된 바와 같이, 화상 회의 툴, "인-트윈(in-twin)" 협력 툴, 화이트보드 툴, 프레젠테이션 툴, 워드 처리 툴, 스프레드시트 툴 등을 포함할 수 있다. 협력 및 통신 규칙은 본 출원에 설명된 바와 같이, AI 보고 툴을 사용하는 것에 적어도 부분적으로 기초하여 구성될 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 전체 부서 예산, 마케팅 또는 광고 캠페인의 단일 또는 그룹에 대한 예산, 제3자 벤더에 대한 예산, 또는 일부 다른 타입의 예산을 포함하지만 이에 제한되지 않는 마케팅 부서 예산을 조사, 생성, 추적 및 보고하도록 구성될 수 있다. CMO 디지털 트윈(8308)은 재무 부서, 미지급금, CEO 및 CFO와 같은 임원 직원 등과 관련된 디지털 트윈을 포함하지만 이에 제한되지 않는 본 출원에 설명된 바와 같은 다른 집행 트윈과 상호작용하고 이러한 예산 데이터 및 보고를 공유할 수 있다. CMO 디지털 트윈(8308)은, 본 출원에 설명된 바와 같이, 데이터 분석, 기계 학습 및 A.I. 프로세스에 적어도 부분적으로 기초하여, 예를 들어, 예산 라인 아이템에 열거되거나 그에 종속되고 따라서 이러한 자료에 관심을 가질 수 있는 주요 부서, 직원, 제3자 또는 다른 사람을 식별하기 위해 마케팅 예산 및 관련 요약 및 데이터를 판독하는 지능을 포함할 수 있다. 주어진 당사자에 관한 예산 자료는 예산의 전체로부터 독립적으로 프레젠테이션을 위해 추상화되고 요약될 수 있고, 예산 아이템의 주제인 당사자에게 자동으로 또는 사용자의 방향으로 포맷팅되고 제시될 수 있다. 단순화된 예에서, CMO는 다음의 라인 아이템을 포함하는 새로운 마케팅 캠페인, "항공사 - 항공료 쿠폰 문자 캠페인 - 1월"을 생성할 수 있다: 제3자 광고 회사 콘텐츠 생성 $15,000; 소셜 미디어 플랫폼 배치 $50,000; 분석 부서 $25,000 등. 전체 예산은 CFO와 같이 전체 예산을 승인해야 하는 당사자와 (사용자의 선택에서 또는 자동으로) 공유될 수 있다. 본 출원에 설명된 바와 같이, 이러한 공유는 CFO 디지털 트윈과 직접 통신하는 CMO 디지털 트윈(8308)에 의해 달성될 수 있어서, CFO가 예산에 대한 지식을 가질 것을 요구하거나 예산을 요구하지 않고 정보가 CFO에 제시된다. 예산의 하위 부분, 예를 들어, 분석 부서 라인 아이템은 CMO 디지털 트윈(8308)에 의해 분석 부서의 헤드에 자동으로 전송되어 특정 마케팅 캠페인에 대해 해당 부서에 대해 승인된 인가된 지출의 총량을 해당 부서에 통지할 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 마케팅 부서와 관련된 인바운드 및 아웃바운드 청구(즉, 미수금 및 미지급금)를 추적하고 보고하도록 구성될 수 있다. 청구 디지털 트윈을 포함하는 청구 부서, 직원, 프로세스 및 시스템은 CMO 디지털 트윈(8308)과 상호작용하여 광고 에이전시, 광고 네트워크, 광고 교환, 콘텐츠 제작자, 광고주, 소셜 미디어 플랫폼, 텔레비전, 라디오, 온라인 엔티티 등과 같이 마케팅 부서가 계약하고 있는 당사자와 관련된 청구 활동을 제시, 저장, 분석, 조정 및/또는 보고할 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 마케팅 캠페인 트윈을 표시하도록 구성될 수 있다. 이러한 실시예에서, CMO 디지털 트윈(8308)은 마케팅 캠페인과 연관된 마케팅 콘텐츠, 마케팅 캠페인과 관련하여 수행된 시장 조사, 마케팅 캠페인과 연관된 마케팅 콘텐츠의 추적 데이터(예를 들어, 마케팅 캠페인의 지리적 도달범위, 캠페인과 연관된 인구통계 데이터 등), 마케팅 캠페인의 분석(예를 들어, 다양한 플랫폼 상의 마케팅 캠페인과 관련된 결과) 등과 같은 마킹 캠페인과 관련된 다양한 상태 및/또는 아이템을 표시할 수 있다. 일부 실시예에서, CMO 디지털 트윈은 CMO 디지털 트윈(8308)과 연관된 사용자 인터페이스를 통해 마케팅 캠페인 관련 활동에 대해 자동으로 보고하도록 구성될 수 있다. 이러한 활동은 웹사이트 콘텐츠에 대한 변경, 광고에서의 제품 사진에 대한 변경, 메일링의 문구에서의 변경 등과 같은 상태 변경을 표시하는 마케팅 부서 메타데이터를 사용하여 결정될 수 있다. CMO 디지털 트윈(8308)은 또한, 광고 거래소로부터 이용가능한 할인된 광고 기회에 관한 새로운 보도 자료 같은 CMO 디지털 트윈(8308)에서 모니터링되거나 모니터링을 위해 명시된 엔티티의 클래스 간의 활동을 표시할 수 있다. 실시예에서, CMO 디지털 트윈(8308)은 다양한 마케팅 관련 플랫폼에 걸쳐 미디어 콘텐츠 성능의 조사, 추적, 모니터링, 및 분석을 제공하고, 이러한 활동에 대해 CMO 디지털 트윈(8308)과 연관된 사용자 인터페이스에 자동으로 보고하도록 구성될 수 있다. 이러한 플랫폼은 고객 관계 플랫폼(CRM), 조직 웹사이트(들), 소셜 미디어, 블로그, 보도 자료, 메일링, 매장 내 또는 다른 프로모션, 또는 일부 다른 타입의 마케팅 플랫폼 관련 자료 또는 활동을 포함할 수 있지만, 이들로 제한되지 않는다.
이러한 실시예 중 일부에서, CMO 디지털 트윈(8308)은 마케팅 캠페인을 시뮬레이션하도록 구성될 수 있어서, 마케팅 캠페인의 시뮬레이션은 차량(예를 들어, 소셜 미디어, 텔레비전, 광고판, 프린트 등), 예산, 타겟팅 파라미터(예를 들어, 지리적, 인구통계 등), 및/또는 다른 적절한 마케팅 캠페인 파라미터와 같은 파라미터를 변화시킬 수 있다. 이러한 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 시뮬레이션 CMO 디지털 트윈을 수행하라는 요청을 수신할 수 있고, 여기서 요청은 변화될 캠페인 특징 및 파라미터를 표시한다. 이에 응답하여, 디지털 트윈 시뮬레이션(8116)은 시뮬레이션 결과를 CMO 디지털 트윈(8308)에 반환할 수 있고, CMO 디지털 트윈은 차례로 결과를 클라이언트 디바이스 디스플레이를 통해 사용자에게 출력한다. 이러한 방식으로, 사용자는 상이한 파라미터 구성에 대응하는 다양한 결과를 제공받는다. 일부 실시예에서, 사용자는 다양한 결과에 기초하여 파라미터 세트를 선택할 수 있다. 일부 실시예에서, 사용자에 의해 훈련된 집행 에이전트는 다양한 결과에 기초하여 파라미터 세트를 선택할 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 마케팅 전략, 계획, 캠페인 또는 이니셔티브와 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, CMO 디지털 트윈(8308)은 이전 마케팅 캠페인과 관련된 그러한 프레젠테이션 자료, 요약 및 보고 및 분석을 포함하는 마케팅 프레젠테이션 자료, 요약 및 보고 및 분석의 복수의 데이터베이스 또는 다른 저장소와 연관될 수 있으며, 이들 각각은 캠페인과 관련된 재무 및 성능 메트릭과 추가로 연관될 수 있고 또한 CMO 디지털 트윈(8308)에 액세스가능하다. 그러한 과거 마케팅 캠페인 자료는 그것이 연관되는 재무 및 성능 메트릭에 부분적으로 기초하여 카테고리화될 수 있는 광고, 마케팅 또는 다른 콘텐츠로 구성될 수 있다. 예를 들어, 고객 집단 내에서 마케팅 캠페인에 현장 배치된 콘텐츠로 구성되는 "시장 테스트 콘텐츠(Market Tested Content)"라고 지칭되는 제1 카테고리가 있을 수 있으며, 따라서 그 실제 성능은 실제 시장 테스트에 기초하여 완전히 알려져 있다. 이 카테고리로부터의 마케팅 콘텐츠가 필드 테스트되었기 때문에, 콘텐츠는 그것이 연관되는 재무, 성능 또는 다른 데이터에 적어도 부분적으로 기초하여 점수화될 수 있다. 제2 카테고리는 "새로운 콘텐츠 - 시뮬레이션 테스트됨(New Content - Simulation Tested)"일 수 있으며, 이는 현장에 배치되지 않았지만, 시뮬레이션된 고객 세그먼트화 분석, 시뮬레이션된 A/B 테스트, 시뮬레이션된 속성 모델링, 시뮬레이션된 시장 혼합 모델링, 기계 학습, 분류, 확률적 모델링, 학습 기술 등을 포함하지만 이에 제한되지 않는 A.I. 기술과 같은 분석적 테스트가 적용된 콘텐츠로 구성된다. 이 카테고리로부터의 마케팅 콘텐츠가 시뮬레이션 테스트되었기 때문에, 콘텐츠는 시뮬레이션된 성능 데이터 또는 그것이 연관되는 다른 데이터에 적어도 부분적으로 기초하여 점수화될 수 있다. 예를 계속 설명하자면, 콘텐츠의 제3 카테고리는 "새로운 콘텐츠 - 패널 테스트됨(New Content - Panel Tested)"있으며, 이는 현장에 배치되되거나 시뮬레이션 테스트되지 않았지만 그 견해, 의견 및 인상에 대해 인간 패널 사이에서 테스트되는 콘텐츠로 구성된다. 이 카테고리로부터의 마케팅 콘텐츠가 인간 패널 테스트되었기 때문에, 콘텐츠는 인간 패널에 의해 보고된 바와 같은 성능 데이터, 또는 그것이 연관되는 다른 데이터에 적어도 부분적으로 기초하여 점수화될 수 있다. 콘텐츠의 최종적인 제4 카테고리는 "신규 - 테스트되지 않음"일 수 있으며, 이는 새롭게 개발되거나 또는 현장에서, 시뮬레이션에서, 또는 인간 패널에 의해 테스트되지 않은 다른 콘텐츠일 수 있다. CMO 디지털 트윈(8308)은 본 출원에 설명된 바와 같이, 기계 학습, A.I. 및 다른 분석 능력을 이용하여, 콘텐츠의 4개의 카테고리의 콘텐츠를 분석하고, 언급된 타입의 마케팅 캠페인 또는 마케팅 주제에 대한 개선된 재정적 또는 다른 성능과 확률적으로 연관되는 콘텐츠 특성을 분류하고 점수화할 수 있다. 통계적 가중치가 이러한 특성에 적용될 수 있으며, 여기서 가중치는 더 큰 정도의 관심 있는 재정적 또는 일부 성능 메트릭을 나타낸다. 유사하게, 시장의 특성은 주어진 마케팅 콘텐츠에 대한 개선된 재정적 또는 다른 성능과 확률적으로 연관되는 소비자 특성을 결정하기 위해 마케팅 콘텐츠에 대해 분석될 수 있다. CMO 디지털 트윈(8308)은 콘텐츠 카테고리, 소비자 및 성능에 대한 저장된 데이터의 이 저장소에 대한 액세스가 이용가능한 사용자 인터페이스를 제공할 수 있다. 마케팅 캠페인을 계획할 때, CMO 또는 다른 마케팅 인력은 CMO 디지털 트윈(8308)을 사용하여 콘텐츠의 이 저장소로부터, 새로운 캠페인의 의도된 소비자 타겟으로 확률적으로 더 잘 기능할 콘텐츠를 선택할 수 있다. 예를 들어, 실제 이전 마케팅 캠페인으로부터의 과거 마케팅 필드 테스트로부터, 데이터는 큰 개의 이미지를 갖는 마케팅 콘텐츠가 (예를 들어, 광고 전환율에 기초하여) 작은 개 사진 콘텐츠를 능가하였는데 이러한 효과는 연령과 양의 상관이 있었음(즉, 노인은 더 큰 개에 대해 훨씬 더 큰 선호도를 가짐)을 것을 보여줄 수 있다. 시뮬레이션-테스트된 콘텐츠로부터의 성능 데이터는 콘텐츠에서의 개 이미지의 크기에 기초하여 유사하지만 더 작은 효과를 보여줄 수 있고, 패널-테스트된 데이터는 콘텐츠에서의 큰 개 이미지에 대해 유사한 효과를 보여줄 수 있지만, 또한 패널 데이터에 기초하여, 효과가 15세 이하의 사람에 대해 감소되는 것으로 나타난다는 것(즉, 젊은 사람은 노인들보다 더 작은 개 품종에 더 끌린다)을 나타내는 성능 데이터를 가질 수 있다. CMO 디지털 트윈(8308)을 사용하는 CMO를 위해, 이 데이터, 및 더 성공적인 콘텐츠의 특성이 콘텐츠의 제4 카테고리("신규 - 테스트되지 않음")로부터 청량 음료를 판매하도록 의도된 새로운 마케팅 캠페인에 가장 적절한 콘텐츠를 선택하는 데 사용될 수 있다. 실시예에서, EMP(8000)의 인공 지능 서비스 시스템(8010)은 이전 성능 데이터에 적어도 부분적으로 기초하여 콘텐츠를 선택하고 그 프레젠테이션을 세그먼트화할 수 있어서, 15세 이상의 사람을 갖는 경향이 있는 플랫폼 상에 제시되는 광고는 대형 품종 개가 우세한 콘텐츠를 사용할 것이고, 더 젊은 청중을 갖는 플랫폼은 마케팅 이미지에서 더 큰 혼합의 개 품종 및 가능하게는 작은 품종의 개에 대한 선호도를 제공할 것이다. 마케팅 캠페인이 현장에 배치되었을 때, CMO 디지털 트윈(8308)은 CMO가 필요에 따라 검토하고 개입할 수 있도록 마케팅 캠페인의 성능을 모니터링, 추적 및 보고할 수 있다. 일단 새로운 콘텐츠가 필드 테스트되었으면, 이는 관련된 재무 및 성능 메트릭과 함께, 콘텐츠의 제1 카테고리, "시장 테스트된 콘텐츠"에 저장되고 분류될 수 있다. 다른 예에서, 유사한 저장된 콘텐츠, 콘텐츠 카테고리, 특성 및 재무적 및 성능 메트릭은, 예를 들어, 검색 엔진 최적화(SEO), 또는 다른 마케팅 전략 및 기술을 추천하기 위해 CMO 디지털 트윈(8308)에 의해 사용될 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 시장 조사, 온라인 조사, 고객 패널, 평가, 순위, 마케팅 동향 데이터 또는 마케팅에 관련된 다른 데이터에 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. CMO 디지털 트윈(8308)은 외부 데이터 소스에 연동되고, 이들과 상호작용하고, 이들과 연관될 수 있고, 본 출원에 설명된 바와 같이, EMP의 내부 데이터를 포함하는 외부 데이터 소스를 업로드, 다운로드, 집계하고, 이러한 데이터를 분석할 수 있다. 데이터 분석, 기계 학습, AI 처리, 및 다른 분석은 인공 지능 서비스 시스템(8010)을 사용하는 것에 적어도 부분적으로 기초하여 CMO 디지털 트윈(8308)과 분석 팀 사이에서 조정될 수 있다. 이러한 협력 및 상호작용은 최적의 마케팅 콘텐츠, 판매 채널, 타겟 소비자, 가격 포인트, 타이밍, 또는 일부 다른 마케팅 관련 메트릭 또는 양태를 식별하기 위해 모델링, 기계 학습, 및 AI 처리에서 사용하기 위해 기업 데이터 저장소(8012)에 데이터 요소 및 도메인을 시딩하는 것 뿐만 아니라, 또한 마케팅 노력의 성공에 대한 판단의 기초가 되는 최적의 데이터 측정 파라미터의 식별을 보조하는 것을 포함할 수 있다. CMO 디지털 트윈(8308)에 연결되고, 이와 연관되고, 및/또는 이로부터 액세스될 수 있는 데이터 소스(8020)의 예는 센서 시스템(8022), 실시간으로 판매 수치로 업데이트되는 판매 데이터베이스(8024), CRM 시스템(8026), 콘텐츠 마케팅 플랫폼(8028), 뉴스 웹사이트, 비즈니스의 비용을 추적하는 재무 데이터베이스(8030), 조사(8032)(예를 들어, 고객 만족도 조사), 조직도(8034), 작업흐름 관리 시스템(8036), 고객 데이터를 저장하는 고객 데이터베이스(8040), 및/또는 제3자 데이터를 저장하는 제3자 데이터 소스(8038)를 포함할 수 있지만, 이에 제한되지 않는다.
실시예에서, CMO 디지털 트윈(8308)은 새로운 마케팅 캠페인의 개발을 돕도록 구성될 수 있다. 예를 들어, CMO 디지털 트윈(8308)은 마케팅 캠페인을 위한 내부 및 외부 파트너 팀을 식별할 수 있다. 예를 들어, 마케팅 캠페인을 보조하기 위한 이상적인 후보들인 개인은 CMO 디지털 트윈(8308) 내에 또는 그와 연관하여 저장되는 경험 및 전문 지식 데이터에 적어도 부분적으로 기초하여 식별될 수 있다. 다른 예에서, CMO 디지털 트윈(8308)은 마케팅 캠페인 목표를 식별하고, 그러한 목표에 대한 캠페인의 성능을 기록, 모니터링 및 추적하고, CMO 디지털 트윈(8308)과 연관되는 사용자 인터페이스 내에 캠페인의 추적을 CMO에 실시간으로 제시할 수 있다. 마케팅 타겟의 예는 유닛 분포, 고객 획득 고객 유지, 고객 친밀도(customer chum), 고객 충성도(예를 들어, 반복 구매), 고객 획득 비용, 평균 판매 사이클의 지속기간, 광고 전환율, 판매 성장, 판매의 지리적 확장, 판매의 인구통계적 확장, 시장 침투, 시장 제어의 백분율, 마케팅 캠페인 ROI, 성능의 지역 비교, 채널 분석, 판매 파트너 분석, 마케팅 파트너 분석, 또는 일부 다른 마케팅 타겟을 포함하지만, 이들로 제한되지 않는다.
실시예에서, CMO 디지털 트윈(8308)은 CMO 디지털 트윈(8308)과 연관된, 본 출원에 설명된 바와 같은, 클라이언트 애플리케이션(8052)의 모니터링 에이전트의 사용에 적어도 부분적으로 기초하여 고객 피드백 루프, 고객 의견, 고객 만족, 불만들, 제품 반환 등을 모니터링하도록 구성될 수 있다. 이러한 피드백 데이터는 콜 센터 활동, 챗봇 활동, 이메일(예를 들어, 불만), 제품 반환, 경영 개선 협회 제출, 또는 일부 다른 타입의 고객 피드백 또는 고객 의견의 표명으로부터 도출되는 데이터를 포함할 수 있지만, 이에 제한되지 않는다. 클라이언트 애플리케이션(8052)은 고객 또는 다른 사람이 마케팅 캠페인에 응답하는 방식을 모니터링하는 모니터링 에이전트를 포함할 수 있다. 모니터링 에이전트는 CMO 디지털 트윈(8308)과 연관된 사용자 인터페이스에서의 프레젠테이션을 위해 이러한 캠페인에 대한 고객의 응답을 EMP(8000)에 보고할 수 있다. 이에 응답하여, EMP(8000)는 다음번에 이러한 통지가 도달할 때 이러한 통지를 취급하고 처리하도록 (하나 이상의 기계 학습된 모델을 포함할 수 있는) 집행 에이전트를 훈련시키고, 이러한 통지가 긴급한 특성, 예를 들어, 마케팅 캠페인의 대상인 제품과 관련된 집단 소송의 발표일 때 CMO에게 상신 및/또는 경보할 수 있다. 실시예에서, CMO 디지털 트윈(8308)은 성능 동향에 기초하여 성능 경보를 생성할 수 있다. 이는 CMO가 그러한 실시간 성능 데이터를 수동으로 요청할 필요 없이 실시간으로 마케팅 캠페인을 최적화하는 것을 허용할 수 있고; CMO 디지털 트윈(8308)은 조직, CMO, 또는 일부 다른 이해 당사자에 의해 구성된 바와 같은 그러한 정보 및 관련/필요한 경보를 자동으로 제시할 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 마케팅 부서의 성과, 마케팅 부서의 직원, 마케팅 캠페인, 마케팅 콘텐츠, 마케팅 플랫폼, 마케팅 파트너, 또는 CMO의 범위 내의 관리의 일부 다른 양태에 대해 보고하도록 구성될 수 있다. 보고는 CMO, 마케팅 부서, 조직의 다른 임원(예를 들어, CEO), 또는 외부 제3자(예를 들어, 마케팅 파트너, 보도 자료 등)에 대한 것일 수 있다. 본 출원에 설명된 바와 같이, 보고는 판매 요약, 고객 데이터, 마케팅 캠페인 성능 메트릭, 판매당 비용 데이터, 전환당 비용 데이터, 새롭게 취득된 고객에 대한 예측된 고객 생애 가치와 같은 고객 분석, 또는 일부 다른 타입의 보고 데이터를 포함할 수 있다. 보고 및 보고의 콘텐츠는 CMO 디지털 트윈(8308)에 의해 다른 집행 디지털 트윈과 공유될 수 있는데, 예를 들어, 특히 높은 예측된 고객 생애 가치를 갖는 새로운 고객과 관련된 데이터는 교차 판매 기회를 탐색할 목적으로 영업 직원과 공유될 수 있다. CMO 디지털 트윈(8308)의 보고 기능은 또한 주주 성명, 연간 보고, SEC 신고 등과 같은 공식 보고 요건을 위해 필요한 데이터를 채우는 데 사용될 수 있다. 공통 보고 포맷의 템플릿이 저장되고 CMO 디지털 트윈(8308)과 연관되어, 미리 정의된 포맷, 스타일 및 시스템 요건에 따라 데이터 및 분석의 프레젠테이션을 자동화할 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 CMO의 조직 또는 명명된 관심 엔티티의 경쟁자와 관련된 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 실시예에서, 이러한 데이터는 보도 자료, SEC 또는 다른 재무 보고, 합병 및 인수 활동, 또는 일부 다른 공개적으로 이용가능한 데이터를 포함하지만 이에 제한되지 않는 소스로부터 경쟁자 정보를 검색하고 수집하기 위해 데이터 집계, 스파이더링, 웹-스크레이핑, 또는 다른 기술을 통해 EMP(8000)에 의해 수집될 수 있다.
실시예에서, CMO 디지털 트윈(8308)은 정부 규제, 산업 모범 사례 또는 일부 다른 요건 또는 표준과 같은 규제 활동에 관련된 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, 마케팅 산업에는 많은 관할권에서 데이터 프라이버시 및 보안 법률이 적용되며, 이는 급격한 변화를 경험하고 있는 법 및 규정의 영역이다. 실시예에서, CMO 디지털 트윈(8308)은 법률 고문 디지털 트윈(8314)과 같은 다른 기업 디지털 트윈과 통신할 수 있으며, 이를 통해 법무팀은 새로운 규정 또는 규정 변경이 발생할 때 CMO에게 계속 알릴 수 있다. 유사하게, CMO가 새로운 시장 캠페인을 개발하고 캠페인의 일부가 될 관할권(예를 들어, 미국 대 유럽) 및 인구(예를 들어, 미성년자 대 성인)를 선택함에 따라, CMO 디지털 트윈(8308)은 캠페인이 론칭 전에 법적 및 규제 준수에 대해 검사될 수 있도록 프라이버시 법 검토와 관련된 캠페인의 양태의 시놉시스를 자동으로 전송할 수 있다. 예에서, 그러한 마케팅 캠페인 시놉시스는 캠페인의 관할권, 의도된 청중, 동의를 획득하는 수단, 획득될 동의의 타입(예를 들어, 옵트-인(opt-in), 옵트-아웃(opt-out), 수동(passive)) 등의 요약을 포함할 수 있다. 일단 승인되고 론칭되면, 고객 동의 및 다른 데이터 프라이버시 관련 정보가 조직에 의해 수신됨에 따라, CMO 디지털 트윈(8308)은 CMO가 메트릭, 예를 들어, 미래의 마케팅 자료(예를 들어, 이메일 요청)를 수신하기 위해 옵트-인하기로 선택하는 고객의 백분율을 추적하는 것을 용이하게 할 수 있다. 조직이 프라이버시 관련 자료를 수신할 때, 조직은, 예를 들어, 데이터가 삭제될 것을 요청한(즉, "잊혀질 권리"를 행사한) EU 시민으로부터의 DSR(data subject request)에 응답하여, 미래의 검색, 요약, 삭제 또는 다른 활동을 위해 그러한 정보를 저장할 수 있다. 실시예에서, CMO 디지털 트윈(8308)은 어떤 고객 데이터가 수집되는지, 수집 및 저장을 담당하는 당사자, 저장의 위치 및 지속기간 등에 관한 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포할 수 있다. 이 데이터는, 예를 들어, 데이터 위반의 경우에, CMO 디지털 트윈(8308)에 의해 호출될 수 있다. CMO 디지털 트윈(8308)은, 예를 들어, 위반에 의해 영향을 받는 사람의 리스트 및 위반된 데이터의 타입을 요약하고, 이 정보를 CPO(Chief Privacy Officer)와 공유하는 것을 비롯하여, CPO 디지털 트윈과 공유할 수 있다.
실시예에서, CMO 디지털 트윈(8308)을 실행하는 클라이언트 애플리케이션(8052)은, 본 출원에 설명된 바와 같이, CMO의 거동 및 선호도(또는 다른 마케팅 인력의 거동 및 선호도)를 전문가 에이전트 시스템(8008)에 보고하는 집행 에이전트로 구성될 수 있고, 전문가 에이전트 시스템(8008)은, 본 출원에 설명된 바와 같이, CMO 또는 다른 마케팅 인력이 특정 상황에 어떻게 응답하고 데이터 수집, 분석, 기계 학습 및 A.I. 기술에 적어도 부분적으로 기초하여 그 동작을 조정하는지에 관해 집행 에이전트를 훈련시킬 수 있다.
실시예에서, CTO(Chief Technical Officer) 디지털 트윈(8310)은 기업의 R&D, 기술 개발, 기업의 기술 구현, 및/또는 엔지니어링 활동을 감독하고 관리하는 일을 담당하는 기업의 CTO 또는 다른 기술 임원을 위해 구성된 디지털 트윈일 수 있다. 실시예에서, CTO 디지털 트윈(8310)은 기술 능력 및 버전을 포함하는 기업 기술 자산의 실시간 뷰를 제공한다. 예를 들어, 제조 기업에서, CTO 디지털 트윈(8310)은 환경-호환가능 업데이트, 업그레이드, 또는 대체가 이용가능할 수 있는 곳을 표시할 수 있다. CTO 디지털 트윈(8310)은 실시간, 과거, 집계, 비교, 및/또는 예상된 기술 정보(예를 들어, 회사 제품, 벤치마킹 결과 등과 관련된 실시간, 과거, 시뮬레이션, 및/또는 예상된 기술적 성능 데이터)를 포함하지만 이에 제한되지 않는 데이터, 분석, 요약, 및/또는 기술적 보고를 제공할 수 있다. CTO 디지털 트윈(8310)을 사용하는 CTO는 CTO 디지털 트윈(8310)을 사용하여 연속적인 가상화된 학습에 관여함으로써 기술적 개발 및 소프트웨어 엔지니어링 영향을 훨씬 더 잘 유지할 수 있다. 실시예에서, CTO 디지털 트윈(8310)은 가상 협력(CTO-필수 스킬)을 보조할 수 있는데, 그 이유는 CTO가 어떤 것, 종종 이전에 수행되지 않았던 어떤 것을 달성하기 위해 상상하고 이상화하기 위해 가상 환경에서 사내 엔지니어들 및 외부 벤더와 파트너가 될 필요가 있을 것이기 때문이다. 실시예에서, CTO 디지털 트윈은 EMP(8000)와 관련하여 작동하여 시뮬레이션, 예측, 통계적 요약, 분석, 기계 학습, 및/또는 다른 AI 및 입력(예를 들어, 기술적 성능 데이터, 센서 데이터 등)의 학습-타입 처리에 기초한 결정 지원을 제공할 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 기술 인력, 파트너 및 외부 컨설턴트 및 계약자(예를 들어, 개발자, 베타 테스터 등)의 관리, 예산의 감독, 조달, 지출, 정책 준수(예를 들어, 코드 사용, 저장, 문서화 등과 관련된 정책), 및 다른 기술, 개발, 및/또는 엔지니어링 관련 리소스, 및/또는 보고를 포함하지만 이에 제한되지 않는 특징 및 기능성을 제공할 수 있다.
실시예에서, CTO 디지털 트윈을 채울 수 있는 데이터의 타입은 기술 성능 및 사양 데이터, 상호운용성 및 호환성 데이터, 사이버보안 데이터, 경쟁자 데이터, 고장 모드 효과 분석(FMEA) 데이터, 기술/엔지니어링 로드맵 데이터, 정보 기술 시스템 데이터(본 출원에서 언급되거나 설명된 하드웨어, 소프트웨어, 네트워킹, 및 다른 타입 중 임의의 것에 관한 것을 포함함), 운영 기술 및 시스템 데이터, 가동시간/중단시간/운영 성과 데이터, 자산 노후화/빈티지/타이밍 데이터, 비즈니스 유닛별, 제품별, 지리별, 공장별, 상점 위치(들)별 기술적 성과 메트릭, 리소스 활용, 경쟁 제품 및 가격 데이터, 예측 데이터, 수요 계획 데이터, AI의 분석 결과 및/또는 기계 학습 모델링(예를 들어, 기술적 예상), 예상 데이터, 특허 공개, 특허 출원, 및/또는 특허 승인에 관한 메트릭, 추천 데이터, 및/또는 CTO 및/또는 기술, 개발, 및/또는 엔지니어링 부서의 운영에 관련된 다른 타입의 데이터를 포함할 수 있지만, 이에 제한되지 않는다.
실시예에서, CTO 디지털 트윈(8310)은 사용자가 조직의 기술, 개발, 및/또는 엔지니어링 활동에 수반되는 제3자 개발자 및/또는 테스터와 같은 제3자 파트너 및 다른 외부 계약자를 비롯하여, 조직의 기술, 개발, 및/또는 엔지니어링 활동과 연관된 기술, 개발, 및/또는 엔지니어링 부서 인력 및 제3자 인력을 식별, 할당, 지시, 감독 및 검토하기 위해 사용할 수 있는 기술, 개발, 및/또는 엔지니어링 부서의 세트의 트윈을 표시할 수 있다. 이러한 조직 인력의 예는 기술, 개발 및/또는 엔지니어링 부서 직원, 영업 직원 및 분석가, 통계학자, 데이터 과학자, 또는 기술, 개발 및/또는 엔지니어링 부서의 기능과 관련된 일부 다른 타입의 조직 인력을 포함하지만 이에 제한되지 않는다. 기술, 개발, 및/또는 엔지니어링 부서의 제3자 인력의 예는 관리 컨설턴트, 개발자, 소프트웨어 엔지니어, 테스터, 및/또는 엔지니어링 파트너, 컨설턴트, 계약자, 기술 회사 직원, 감사, 또는 일부 다른 타입의 제3자 인력을 포함하지만, 이에 제한되지 않는다.
실시예에서, CTO 디지털 트윈(8310)은 비즈니스 유닛 내의 각각의 개인에 대한, CTO 하에서 작업하는 다양한 역할/직원, 보고 구조, 및 연관된 허가의 정의를 포함할 수 있고, 각각의 역할을 채우는 개인의 다양한 이름 및/또는 다른 식별자로 채워질 수 있다.
실시예에서, CTO 디지털 트윈(8310)을 실행하는 클라이언트 애플리케이션(8052)은 기술, 개발, 및/또는 엔지니어링 부서 및 연관된 당사자가 활용할 수 있는 협력 툴의 세트를 특정하고 제공하기 위해 협력 스위트(8006)와 인터페이스할 수 있다. 협력 툴은, 본 출원에 설명된 바와 같이, 화상 회의 툴, "인-트윈" 협력 툴, 화이트보드 툴, 프레젠테이션 툴, 워드 처리 툴, 스프레드시트 툴 등을 포함할 수 있다. 협력 및 통신 규칙은 본 출원에 설명된 바와 같이, AI 보고 툴을 사용하는 것에 적어도 부분적으로 기초하여 구성될 수 있다. 협력 및 통신 툴 및 연관된 규칙은 CTO 디지털 트윈(8310) 내의 엔티티, 상태 및 흐름을 표현할 때 회사-특정, 산업-특정 및 도메인-특정 분류체계 및 어휘를 사용하도록 구성될 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 사용자가 새로운 제품 개발, 업데이트, 향상, 대체, 업그레이드 등을 포함하지만 이에 제한되지 않는 기술, 개발, 및/또는 기술 또는 엔지니어링 부서 이니셔티브에 대해 연구, 생성, 추적 및 보고할 수 있게 하도록 구성될 수 있다. 실시예에서, CTO 디지털 트윈(8310)은 분석 및/또는 제품 데이터 및 제품 성능 데이터를 저장하는 데이터베이스를 포함하는 데이터베이스와 연관 및/또는 통신할 수 있고, 본 출원에 설명된 바와 같이, CTO 디지털 트윈(8310)과 연관된 인터페이스에 정보를 제시할 수 있다. 제품 개발이 진행됨에 따라, CTO 또는 다른 기술 인력이 검토에 이용할 수 있는 제품 개발 요약을 계속 업데이트하기 위해 실시간 동작 및 다른 기술 정보가 사용될 수 있다. CTO 디지털 트윈(8310)은 또한 분석적 및/또는 경쟁적 제품 데이터 및 제품 성능 데이터를 저장하는 데이터베이스를 포함하는 데이터베이스와 연관되고 그리고/또는 통신할 수 있고, 본 출원에 설명된 바와 같이, 이 정보를 CTO 디지털 트윈(8310)과 연관된 인터페이스에 제시할 수 있다. CTO의 회사의 제품이 변경되고, 경쟁자 제품이 변경됨에 따라, 현재 상태 및 사양은 CTO 또는 다른 기술 인력이 직접 제품 비교를 검토하기 위해 CTO 디지털 트윈(8310)에 의해 제시될 수 있다. 이러한 비교는, 부분적으로, 회사의 제품(들)이 경쟁자 제품(들)에 대해 갖는 상대적 이점 및/또는 단점을 나타내는 분석, 점수, 보고 등을 생성하기 위해 사용될 수 있다. 예에서, 새로운 마케팅 캠페인에서 사용되어야 하는 경쟁자 제품에 비해 회사 제품이 갖는 상대적 이점(예를 들어, 처리 속도)을 강조하기 위해 마케팅 부서에 보고가 자동으로 제공될 수 있다. 마케팅 부서와의 공유는, 부분적으로, CTO 디지털 트윈(8310)이 CMO 디지털 트윈(8308)과 통신하여 CMO 또는 마케팅 직원에게 보고 또는 다른 정보를 제시함으로써 달성될 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 기술 개발 및/또는 엔지니어링 활동의 시뮬레이션을 제시하도록 구성될 수 있다. 예를 들어, 일부 실시예에서, 디지털 트윈 시스템(8004)은 동작 환경, 처리 속도, 저장 또는 다른 플랫폼 특성과 같은 제품 성능에 영향을 미칠 수 있는 복수의 제약 하에서 제품 사용을 시뮬레이션할 수 있다. 실시예에서, EMP(100)를 통해 이용가능한 동작 데이터와 같은 실시간 동작 데이터는 동작 시뮬레이션을 실행할 목적으로 시뮬레이션된 데이터에 포함될 수 있다. 이는 CTO가 실세계에서 그리고 변경된 시뮬레이션된 실세계 환경 내에서 회사의 제품의 동작에 대한 더 깊은 이해를 얻게 할 수 있다. 이는 또한 가상 환경에서 시뮬레이션된 의사 결정을 가능하게 하고 공급된 솔루션 및 비즈니스에 대한 관계의 맥락에서 그러한 디지털 트윈의 검토를 가능하게 함으로써 벤더 공급된 솔루션의 평가를 돕기 위해 실제 제품 생산을 비즈니스 우선순위와 연동하는 운영 디지털 트윈 기반 제품 아키텍처가 구축되는 것을 허용할 수 있다. 실시예에서, 시뮬레이션은 또한 다양한 기술적 및/또는 제품 사양 파라미터, 제품 설계 및 모니터링, 내부 제어 설계, 테스트, 인증, 및 기술적 의사 결정을 위한 보고, 프레젠테이션, 및 대시보드에서의 기술적 및 비-기술적 데이터의 전달과 관련된 시뮬레이션을 포함할 수 있다. 이러한 실시예에서, 디지털 트윈 시뮬레이션 시스템(8116)은 CTO 디지털 트윈(8310)에 의해 요청된 시뮬레이션을 수행하라는 요청을 수신할 수 있고, 여기서 요청은 변경될 기술적 파라미터를 포함하는 특징 및 파라미터를 나타낸다. 이에 응답하여, 디지털 트윈 시뮬레이션 시스템(81D16)은 시뮬레이션 결과를 CTO 디지털 트윈(8310)에 반환할 수 있고, CTO 디지털 트윈은 차례로 결과를 클라이언트 디바이스 디스플레이를 통해 사용자에게 출력한다. 이러한 방식으로, 사용자는 상이한 기술적 및/또는 제품 파라미터 구성에 대응하는 다양한 결과를 제공받는다. 일부 실시예에서, 사용자는 다양한 결과에 기초하여 파라미터 세트를 선택할 수 있다. 일부 실시예에서, 사용자에 의해 훈련된 집행 에이전트는 다양한 결과에 기초하여 기술적 파라미터 세트를 선택할 수 있다. CTO 디지털 트윈(8310)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 테스트 시간, 설계 시간, 또는 일부 다른 타입의 기술적 비용을 감소시키기 위해 사용될 수 있다. CTO 디지털 트윈(8310)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 제품 개발 및 테스트 계획을 생성하고 구조화하는 데 사용될 수 있다. CTO 디지털 트윈(8310)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 제품 시장 간 타이밍 및 준비도를 평가하는 데 사용될 수 있다. CTO 디지털 트윈(8310)이 구비된 CTO는 추가 개발을 필요로 하는 제품 및/또는 기술적 파라미터를 식별하고 제품의 운영 성과를 예측하기 위해 신속하게 더 잘 적응할 수 있을 것이다. 이는 에러, 속도 테스트를 감소시키고 패치, 버그 수정, 업데이트 등에 대한 필요성을 감소시키고 애자일 프로세스 관리를 평탄화할 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 사용자가 전체 부서 예산, 단일 또는 그룹의 기술, 개발, 및/또는 엔지니어링 이니셔티브에 대한 예산, 제3자 벤더 활동, 또는 일부 다른 타입의 비용 또는 예산을 포함하지만 이에 제한되지 않는 기술, 개발, 및/또는 엔지니어링 부서 이니셔티브에 대해 연구, 생성, 추적 및 보고할 수 있게 하는 인터페이스를 제공할 수 있다. CTO 디지털 트윈(8310)은, 이에 제한되는 것은 아니지만, 미지급금과 관련된 디지털 트윈, CEO와 같은 임원 직원, 및/또는 다른 사람을 포함하는 다른 집행 트윈과 상호작용하고 이러한 비용 또는 예산 데이터 및 보고를 공유할 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 인공 지능 서비스 시스템(8010)(예를 들어, 데이터 분석, 기계 학습 및 A.I. 프로세스)을 활용하여 기술 보고서, 예상, 시뮬레이션, 및 관련 요약 및 데이터를 판독하여, 예를 들어, 제공된 기술 아이템 또는 세부사항에 열거되거나 그에 종속되는 주요 부서, 직원, 제3자 또는 다른 사람을 식별할 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 CTO, 또는 다른 기술, 개발, 및/또는 엔지니어링 부서 인력에게 CTO 디지털 트윈(8310)에 고유한 정보를 제공하도록 구성될 수 있고, 따라서 실세계 및 시뮬레이션된 활동 둘 모두에 기초하여 실시간 생산, 개발 및 운영 데이터를 이용하는 CTO 디지털 트윈(8310)에 적어도 부분적으로 기초하여, CTO 디지털 트윈(8310)에 고유한 기술적 성능에 대한 통찰 및 관점을 제공할 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 운영 비용을 최적화하면서 회사 효율을 증가시키기 위해 개발 계획 및 공급 체인 관리를 위한 예측 분석을 활용함으로써 적어도 부분적으로 기초하여 운영 계획을 관리하도록 구성될 수 있다. 실시예에서, CTO 디지털 트윈(8310)은 적절한 직원에게 열거된 액션을 지시하면서 내부 제어 설계, 테스트, 및 보고를 포함하지만 이에 제한되지 않는 감독 활동을 획득하고 표시하도록 구성될 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 기술적 전략, 계획, 활동 또는 이니셔티브에 관련된 자료를 표시, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, CTO 디지털 트윈(8310)은 이전 기술 활동 및 결과(예를 들어, 버그 테스트)와 관련된 기술 자료, 요약 및 보고 및 분석을 포함하는 기술 자료, 요약 및 보고 및 분석의 복수의 데이터베이스 또는 다른 저장소와 연관될 수 있으며, 이들 각각은 경쟁자 제품 데이터 및/또는 기술 벤치마크를 포함하는 제3자 기술 또는 경제 데이터와 추가로 연관될 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 기술 보고서, 평가, 순위, 기술 동향 데이터, 또는 회사 기술, 개발, 및/또는 엔지니어링에 관련된 다른 데이터에 관련된 자료를 표시, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. CTO 디지털 트윈(8310)은, 본 출원에 설명된 바와 같이, 외부 데이터 소스에 연동되고, 이들과 상호작용하고, 이들과 연관될 수 있고, EMP의 내부 데이터를 포함한 외부 데이터 소스를 업로드, 다운로드, 집계하고, 이러한 데이터를 분석할 수 있다. 데이터 분석, 기계 학습, AI 처리, 및 다른 분석은 지능 서비스 시스템(8010)을 사용하는 것에 적어도 부분적으로 기초하여 CTO 디지털 트윈(8310)과 분석 팀 사이에서 조정될 수 있다. 이러한 협력 및 상호작용은 최적의 기술 전략, 또는 일부 다른 기술, 개발, 및/또는 엔지니어링 관련 메트릭 또는 양태를 식별하기 위해 모델링, 기계 학습, 및 AI 처리에서 사용하기 위한 기업 데이터 저장소(8012) 내의 시딩 기술, 개발, 및/또는 엔지니어링 관련 데이터 요소 및 도메인을 보조하는 것 뿐만 아니라, 또한 기술 이니셔티브, 개발 이니셔티브, 및/또는 엔지니어링 노력의 성공의 판단을 기반으로 하는 최적의 데이터 측정 파라미터의 식별을 포함할 수 있다. CTO 디지털 트윈(8310)에 연결되고, 연관되고, 및/또는 그로부터 액세스될 수 있는 데이터 소스(8020)의 예는 센서 시스템(8022), 실시간으로 판매 수치로 업데이트되는 판매 데이터베이스(8024), 기술, 개발, 및/또는 엔지니어링 플랫폼, 뉴스 웹사이트(8048), 비즈니스의 비용을 추적하는 기술 데이터베이스, 조직도(8034), 작업흐름 관리 시스템(8036), 고객 데이터를 저장하는 고객 데이터베이스(8040), 및/또는 제3자 데이터를 저장하는 제3자 데이터 소스(8038)를 포함할 수 있지만, 이들로 제한되지 않는다.
실시예에서, CTO 디지털 트윈(8310)은 데이터 소스 및 타입을 집계하여, 다른 곳에서는 이용가능하지 않은 새로운 데이터 타입, 요약 및 보고를 생성할 수 있다. 이는 다수의 제3자 제공자 및 현재의 솔루션의 필요성에 대한 의존성을 감소시킬 수 있다. 이는, 다른 이점 및 개선 중에서도, 건전한 기술적 의사 결정을 위해 필요한 데이터를 취득하는 것과 연관된 비용을 감소시킬 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 CTO 디지털 트윈(8310)과 연관된, 본 출원에 설명된 바와 같은, 클라이언트 애플리케이션(8052)의 모니터링 에이전트의 사용에 적어도 부분적으로 기초하여, 실시간 모니터링을 포함하는, 기술적 성능을 모니터링하도록 구성될 수 있다. 모니터링 에이전트는 CTO 디지털 트윈(8310)과 연관된 사용자 인터페이스에서의 프레젠테이션을 위해 이러한 활동에 대해 EMP(8000)에 보고할 수 있다. 이에 응답하여, EMP(8000)는 다음번에 이러한 통지가 도달할 때 이러한 통지를 취급하고 처리하도록 (하나 이상의 기계 학습된 모델을 포함할 수 있는) 집행 에이전트를 훈련시키고, 이러한 통지가 긴급한 특성, 예를 들어, 긴급하게 필요한 새로운 기술적 버그 또는 보안 패치의 식별일 때 CTO를 상신 및/또는 경보할 수 있다. 실시예에서, CTO 디지털 트윈(8310)은 성능 동향에 기초하여 기술적 성능 경보를 생성할 수 있다. 이는 CTO가 그러한 실시간 기술적 성능 데이터를 수동으로 요청할 필요 없이 실시간으로 이니셔티브를 최적화하는 것을 허용할 수 있고; CTO 디지털 트윈(8310)은 조직, CTO, 또는 일부 다른 이해 당사자에 의해 구성된 바와 같은 이러한 정보 및 관련/필요한 경보를 자동으로 제시할 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 기술, 개발, 및/또는 엔지니어링 부서의 성과, 기술, 개발, 및/또는 엔지니어링 부서의 인력, 기술, 개발, 및/또는 엔지니어링 활동, 기술, 개발, 및/또는 엔지니어링 콘텐츠, 기술, 개발, 및/또는 엔지니어링 플랫폼, 기술, 개발, 및/또는 엔지니어링 파트너, 또는 CTO의 책임 내의 관리의 일부 다른 양태에 대해 보고하도록 구성될 수 있다. 보고는 CEO, 기술, 개발, 및/또는 엔지니어링 부서, 조직(예를 들어, CIO)의 다른 임원, 또는 외부 제3자에 대한 것일 수 있다.
실시예에서, CTO 디지털 트윈(8310)은 산업 모범 사례, 벤치마크, 또는 일부 다른 요건 또는 표준에 관련된 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, CTO 디지털 트윈(8310)은 CIO 디지털 트윈(8312)과 같은 다른 기업 디지털 트윈과 통신할 수 있으며, 이를 통해 기술 팀은 변화가 발생할 때 CIO에게 계속 알릴 수 있다.
실시예에서, CTO 디지털 트윈(8310)을 실행하는 클라이언트 애플리케이션(8052)은 본 출원에 설명된 바와 같이 CTO의 거동 및 선호도(또는 다른 기술, 개발, 및/또는 엔지니어링 인력의 거동 및 선호도)를 집행 에이전트 시스템(8008)에 보고하는 집행 에이전트로 구성될 수 있고, 집행 에이전트 시스템(8008)은 CTO 또는 다른 기술, 개발, 및/또는 엔지니어링 인력이 본 출원에 설명된 바와 같이 데이터 수집, 분석, 기계 학습 및 A.I. 기술에 적어도 부분적으로 기초하여 특정 상황에 어떻게 응답하고 그 동작을 조정하는지에 대해 집행 에이전트를 훈련시킬 수 있다.
CTO 디지털 트윈(8310)의 이 예에서, EMP 및 디지털 트윈의 특징 및 기능에 대한 참조는, 문맥이 달리 표시하는 경우를 제외하고는, 다른 부서 및 디지털 트윈, 및 그 각각의 프로젝트 및 작업흐름에 적용되는 것으로 이해하여야 한다.
실시예에서, CIO(Chief Information Officer) 디지털 트윈(8312)은 기업의 CIO, 또는 기업의 지능, 정보, 데이터, 지식, 및/또는 IT 동작을 감독하는 것을 담당하는 유사한 임원을 위해 구성된 디지털 트윈일 수 있다. 실시예에서, CIO 디지털 트윈(8312)은 데이터 보안, 네트워크 보안 및 기업 지식에 관련된 데이터를 포함하는 조직의 정보 자산 및 작업흐름의 실시간 표현을 표시한다. 실시간 표현은 내부 정보 자산, 고객 대면 기술, 및 클라우드 컴퓨팅 서비스 제공자와 같은 제3자에 의해 제공 및/또는 서비스되는 정보 자산을 포함하는, 조직의 정보 기반구조의 성능을 추적하는 실시간 동작 데이터에 적어도 부분적으로 기초할 수 있다. 예를 들어, CIO 디지털 트윈(8312)은 조직에 의해 사용되는 인트라넷, 기업에 의해 액세스되는 API, 기업에 의해 노출되는 API, 기업 소프트웨어 상에서 실행되고 있는 소프트웨어 등과 같은 네트워크의 성능에 관한 실시간 정보를 수신할 수 있다. 정보는 기업의 컴퓨팅 기반구조의 일반적인 성능의 개요를 그에게 제공하기 위해 집계되어 CIO에 제시될 수 있다. 예를 들어, CIO 디지털 트윈은 임의의 네트워크 중단이 발생하는지, 기업 네트워크에서 검출된 임의의 보안 위험이 있는지, 임의의 소프트웨어 시스템이 부적절하게 동작하고 있는지를 표시할 수 있고, 다른 시나리오들일 수 있다. 실시예에서, CIO 디지털 트윈(8312)은 사용자(예를 들어, CIO)가 실시간 동작 데이터가 동작 실패 또는 다른 문제를 경험하고 있음을 나타내는 자산과 같은, 더 상세히 검토할 특정 네트워크 자산을 선택할 수 있게 하는 사용자 인터페이스를 제시할 수 있다. IT 및 다른 정보 자산 성능과 관련된 이러한 실시간 동작 데이터는 CIO가 조직의 정보 및 IT 기반구조의 성능 및 요구를 더 잘 추적할 수 있게 하고 문제를 해결하고, 솔루션을 시뮬레이션하고, 적절한 정보 및 IT 관리 액션을 선택하고, 조직의 정보 및 IT 기반구조를 유지할 수 있게 한다.
실시예에서, CIO 디지털 트윈(8312)은 실시간, 과거, 집계, 비교, 및/또는 예상된 정보(예를 들어, 회사 정보 및 IT 자산, 제3자 자산 등과 관련된 실시간, 과거, 시뮬레이션, 및/또는 예상된 성능 데이터)를 포함하지만 이에 제한되지 않는 데이터, 분석, 요약, 및/또는 정보 및 IT 보고를 제공할 수 있다. CIO 디지털 트윈(8312)을 이용하는 CIO는 CIO 디지털 트윈(8312)을 사용한 연속적인 모니터링을 통해 정보 및 IT 자산을 더 잘 유지하고 진화시킬 수 있다. CIO 디지털 트윈(8312)은 구현, 변경, 재구성, 컴포넌트 및 다른 자산의 도입 및/또는 제거 등을 테스트하기 위해 가상 환경에서의 가상 모니터링 및 테스트를 보조할 수 있다. 실시예에서, CIO 디지털 트윈은 EMP(8000)와 관련하여 작동하여 시뮬레이션, 예측, 통계적 요약, 분석, 기계 학습, 및/또는 다른 AI 및 입력(예를 들어, 성능 데이터, 센서 데이터 등)의 학습-타입 처리에 기초한 결정 지원을 제공할 수 있다.
실시예에서, CIO 디지털 트윈(8312)을 채울 수 있는 데이터의 타입은 정보 및 IT 자산 성능 및 사양 데이터, 상호운용성 및 호환성 데이터, 사이버보안 데이터, 가동시간/중단시간/운영 성과 데이터, 자산 노후화/빈티지/타이밍 데이터, 리소스 활용, AI 및/또는 기계 학습 모델링(예를 들어, IT 성능 시뮬레이션)의 결과, 또는 CIO의 동작과 관련된 일부 다른 타입의 데이터를 포함할 수 있지만, 이들로 제한되지 않는다.
실시예에서, CIO 디지털 트윈(8312)은 기술, 개발, 및/또는 엔지니어링 부서 및 연관된 당사자가 활용할 수 있는 협력 툴의 세트를 특정하고 제공하기 위해 협력 스위트(8006)와 인터페이스하도록 구성될 수 있다. 협력 툴은, 본 출원에 설명된 바와 같이, 화상 회의 툴, "인-트윈" 협력 툴, 화이트보드 툴, 프레젠테이션 툴, 워드 처리 툴, 스프레드시트 툴 등을 포함할 수 있다. 협력 및 통신 규칙은 본 출원에 설명된 바와 같이, AI 보고 툴을 사용하는 것에 적어도 부분적으로 기초하여 구성될 수 있다. 협력 및 통신 툴 및 연관된 규칙은 CIO 디지털 트윈(8312) 내의 엔티티, 상태 및 흐름을 표현할 때 회사-특정, 산업-특정 및 도메인-특정 분류체계 및 어휘를 사용하도록 구성될 수 있다.
실시예에서, CIO 디지털 트윈(8312)은 보안 위반, IT 자산 실패, 정보 실패, 네트워크 혼잡, 또는 다른 활동 또는 이벤트와 같은 성능에 영향을 미칠 수 있는 복수의 가상 IT 환경 및 시나리오 하에서 시뮬레이션되는 네트워크 활용, 재난 계획, IT 자산 선택, 유지보수 프로토콜, 중단시간 계획 등을 포함하지만 이에 제한되지 않는 조직의 정보 및 IT 활동의 시뮬레이션을 제공하도록 구성될 수 있다. 본 출원에 설명된 바와 같이, EMP를 통해 이용가능한 것과 같은 실시간 동작 데이터는 동작 시뮬레이션을 실행할 목적으로 시뮬레이션된 정보 또는 IT 기반구조 시나리오에 포함될 수 있다. CIO 디지털 트윈(8312)에 대해 EMP(100)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 테스트 시간, 설계 시간, 또는 일부 다른 타입의 IT 비용을 감소시키기 위해 사용될 수 있다. CIO 디지털 트윈(8312)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 IT 자산, 네트워크를 생성 및 구조화하고 개발 및 테스트 계획을 안내하는 데 사용될 수 있다. CIO 디지털 트윈(8312)에 의해 수행되는 시뮬레이션, 분석 및/또는 모델링은 네트워크 보안, 성능, 및 다른 특징을 평가하는 데 사용될 수 있다. 디지털 트윈(8312)을 구비한 CIO는 운영 성과를 최대화하기 위해 최적의 자산 구성을 신속하게 식별할 수 있다.
실시예에서, CIO 디지털 트윈(8312)은 사용자(예를 들어, CIO)에게 CIO 디지털 트윈(8312)에 고유한 정보를 제공하도록 구성될 수 있고, 따라서 실세계 및 시뮬레이션된 활동 둘 모두에 기초하여 실시간 생산, 개발 및 운영 데이터를 이용하는 CIO 디지털 트윈(8312)에 적어도 부분적으로 기초하여 CIO 디지털 트윈(8312)에 고유한 정보 및 IT 자산 성능에 대한 통찰 및 관점을 제공할 수 있다. 실시예에서, CIO 디지털 트윈(8312)은 개발 계획을 위한 예측 분석을 활용함으로써 적어도 부분적으로 기초하여 운영 계획을 관리하도록 구성될 수 있다. 실시예에서, CIO 디지털 트윈(8312)은 정보 및/또는 IT 전략, 시나리오, 이벤트, 계획, 활동 또는 이니셔티브에 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, CIO 디지털 트윈(8312)은 이전 이벤트, 활동 및 결과(예를 들어, 시스템 중단)에 관련된 이러한 자료, 요약 및 보고 및 분석을 포함하여, 정보, 자료, 요약 및 보고 및 분석의 복수의 데이터베이스 또는 다른 저장소와 연관될 수 있다.
실시예에서, CIO 디지털 트윈(8312)은 정보 및/또는 IT 보고, 평가, 순위, 정보, 지식 및 IT 동향 데이터, 또는 회사 정보 및/또는 IT 자산 및 기반구조와 관련된 다른 데이터와 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. CIO 디지털 트윈(8312)은, CIO 디지털 트윈(8312)이 외부 데이터 소스를 업로드, 다운로드, 집계 및/또는 이러한 기업 데이터를 분석할 수 있도록, 외부 데이터 소스에 연동되고, 그와 상호작용하고, 그와 연관될 수 있다.
실시예에서, CIO 디지털 트윈(8312)은 CIO 디지털 트윈(8312)과 연관된, 본 출원에 설명된 바와 같은, 클라이언트 애플리케이션(8052)의 모니터링 에이전트의 사용에 적어도 부분적으로 기초하여, 실시간을 비롯하여, IT 성능을 모니터링하도록 구성될 수 있다. 모니터링 에이전트는 CIO 디지털 트윈(8312)과 연관된 사용자 인터페이스에서의 프레젠테이션을 위해 이러한 활동에 대해 EMP(8000)에 보고할 수 있다. 이에 응답하여, EMP(8000)는 다음번에 이러한 통지가 도달할 때 이러한 통지를 취급 및 처리하고 이러한 통지가 긴급할 때 CIO에게 상신 및/또는 경보하도록 (하나 이상의 기계 학습 모델을 포함할 수 있는) 집행 에이전트를 훈련시킬 수 있다.
실시예에서, CIO 디지털 트윈(8312)은 CIO의 책임 내에서 조직의 IT 자산, 네트워크, 또는 관리의 일부 다른 양태의 성능에 대해 보고하도록 구성될 수 있다. 실시예에서, CIO 디지털 트윈(8312)을 실행하는 클라이언트 애플리케이션(8052)은 CIO의 거동 및 선호도를 집행 에이전트 시스템(8008)에 보고하는 집행 에이전트로 구성될 수 있고, 집행 에이전트 시스템(8008)은 CIO 또는 다른 인력이 본 개시 전반에 걸쳐 설명된 데이터 수집, 분석, 기계 학습 및 A.I. 기술에 적어도 부분적으로 기초하여 특정 IT 상황에 어떻게 응답하고 그 동작을 조정하는지에 대해 집행 에이전트를 훈련시킬 수 있다.
마케팅 부서 및 CIO 디지털 트윈 8312의 이 예에서, EMP 및 디지털 트윈의 특징 및 기능에 대한 참조는, 문맥이 달리 나타나는 경우를 제외하고는, 다른 부서 및 디지털 트윈, 및 그 각각의 프로젝트 및 작업흐름에 적용되는 것으로 이해하여야 한다.
실시예에서, GC(general counsel) 디지털 트윈(8314)은 기업의 GC(general counsel), 또는 기업의 법무 부서 및/또는 외부 카운셀을 감독하는 것을 담당하는 유사한 임원을 위해 구성된 집행 디지털 트윈일 수 있다. GC 디지털 트윈(8314)은 법률 인력, 파트너 및 외부 카운셀의 관리, 법률 예산 및 리소스의 감독, 준수, 계약 및 소송의 관리, 내부 정책, 지적 재산, 고용법, 세법, 프라이버시 법, 보고, 및 규제 분석의 관리를 포함하지만 이에 제한되지 않는 기능성을 제공할 수 있다.
실시예에서, GC 디지털 트윈(8314)에 의해 채워지고/거나 이용될 수 있는 데이터의 타입은 다음을 포함할 수 있지만, 이에 제한되지 않는다: 예산 데이터(예를 들어, 외부 법적 지출, 내부 법적 지출, 보조 법적 비용 등), 규제 데이터(예를 들어, 규제 요건, 취해진 규제 액션 등); 계약 및 라이센싱 데이터(예를 들어, 진행 중인 협상, 현재 계약 의무, 과거 계약 의무 등); 준수 데이터(예를 들어, 준수 요건, 취해진 준수 액션 등), 소송 데이터(예를 들어, 잠재적 소송 소스, 계류 중인 소송, 과거 소송, 정산 합의 등), 고용 데이터(예를 들어, 고용 계약, 직원 불만, 직원 스톡 옵션 등), 지적 재산 데이터(예를 들어, 출원된 특허 출원, 특허 도켓, 허여된 특허, 상표 출원, 상표 도켓 데이터, 등록된 상표 등), 세무 데이터, 프라이버시 데이터, 규제 데이터, AI의 분석 결과 및/또는 기계 학습 모델링; 예측 데이터; 추천 데이터, 또는 GC 및/또는 법무 부서의 운영과 관련된 일부 다른 타입의 데이터.
실시예에서, GC 디지털 트윈(8314)은 법무 부서 및 연관된 당사자가 활용할 수 있는 협력 툴의 세트를 특정하고 제공하기 위해 협력 스위트(8006)를 사용하는 것에 적어도 부분적으로 기초하여 구성될 수 있다. 협력 툴은, 본 출원에 설명된 바와 같이, 화상 회의 툴, "인-트윈" 협력 툴, 화이트보드 툴, 프레젠테이션 툴, 워드 처리 툴, 스프레드시트 툴 등을 포함할 수 있다. 협력 및 통신 규칙은 본 출원에 설명된 바와 같이, AI 보고 툴을 사용하는 것에 적어도 부분적으로 기초하여 구성될 수 있다. 협력 및 통신 툴 및 연관된 규칙은 GC 디지털 트윈(8314) 내의 엔티티, 상태 및 흐름을 표현할 때 회사-, 산업- 및 도메인-특정 분류체계 및 어휘, 예컨대, 회사법, 상법, 파산법, 보안 거래법, 은행법, 관세법, 수출 통제 규정, 해양법, 무역법, 국제 조약, 증권법, 계약법, 환경법, 국제법, 프라이버시 법, 데이터 프라이버시 법, 특허법, 민사 및 형사 절차, 상표법, 저작권법, 영업 비밀법, 불공정 경쟁법, 불법행위법, 재산법, 광고법 등과 관련된 것과 같은 법, 규제, 관할권, 또는 실시 영역의 특정 요체과 관련된 것을 사용하도록 구성될 수 있다.
실시예에서, GC 디지털 트윈(8314)은 전체 부서 예산, "미국 특허 출원"과 같은 특정 프로젝트에 대한 예산, 또는 프로젝트의 그룹, 특정 소송에 대한 예산, 외부 카운셀과 같은 제3자 벤더에 대한 예산, 또는 일부 다른 타입의 법률 예산을 포함하지만 이에 제한되지 않는 법무 부서 예산에 대한 보고를 조사, 생성, 추적 및 발행하도록 구성될 수 있다. GC 디지털 트윈(8314)은 라이센싱 수익, 라이센싱 지출, 또는 법무 부서 검토 및 책임과 관련된 일부 다른 타입의 재무 데이터를 포함하지만 이에 제한되지 않는 법무 부서의 검토 또는 감독 하에 있는 자료와 관련된 재무 데이터를 생성, 추적, 제공, 연구 및 보고하도록 구성될 수 있다. 실시예에서, GC 디지털 트윈(8314)은 CFO 디지털 트윈(8304), CEO 디지털 트윈, COO 디지털 트윈, CTO 디지털 트윈 등을 포함하지만 이에 제한되지 않는 본 출원에 설명된 바와 같은 다른 임원 트윈과 이러한 라이센싱 수익 및/또는 예산 데이터 및 보고와 상호작용하고 공유할 수 있다. 실시예에서, GC 디지털 트윈(8314)은, 본 출원에 설명된 바와 같이, 데이터 분석, 기계 학습 및 A.I. 프로세스에 적어도 부분적으로 기초하여, 예를 들어, 라이센스 및/또는 예산 라인 아이템에 열거되거나, 그에 종속되거나, 그에 의해 영향을 받고 따라서 그러한 자료에 관심을 가질 수 있는 주요 부서, 직원, 제3자 또는 다른 사람을 식별하기 위해 법적 계약, 라이센스, 예산 및 관련 요약 및 데이터를 판독하는 지능을 포함할 수 있다. 주어진 당사자에 관한 라이센스 및/또는 예산 자료는 예산의 전체로부터 독립적으로 프레젠테이션을 위해 추상화되고 요약될 수 있고, 예산 아이템의 주제인 당사자에게 자동으로 또는 사용자의 방향으로 포맷팅되고 제시될 수 있다. 단순화된 예에서, GC는 자신의 부서의 검토 하에서, 규정된 시간프레임에 걸쳐 조직에 지급되어야 할 라이센싱 수익을 상세화하는 라인 아이템, 스케줄, 부록 등을 갖는 라이센스(들)를 가질 수 있다. GC는 GC 디지털 트윈(8314)을 사용하여 CFO(예를 들어, CFO 디지털 트윈을 통해) 및/또는 CEO(예를 들어, CEO 디지털 트윈을 통해)와 같은 조직의 다른 임원과 수익을 라이센싱하는 것으로부터 도출되거나 도출될 그러한 재무 데이터를 통합, 요약 및/또는 공유할 수 있다. 공유된 데이터는 CFO 등이 예상된 분기별 수익의 정확한, 그리고, 현재의 요약을 유지하는 것을 돕기 위해 주어진 재무 분기에서 획득될 라이센싱 수익을 나타낼 수 있다.
실시예에서, GC 디지털 트윈(8314)은 법무 부서와 관련된 인바운드(예를 들어, 합의 또는 소송 수익) 및 아웃바운드 청구(예를 들어, 외부 카운셀 비용)를 추적하고 보고하도록 구성될 수 있다. 청구 부서, 직원, 프로세스 및 시스템은 GC 디지털 트윈(8314)과 상호작용하여 외부 카운셀, 컨설턴트, 연구 서비스, 온라인 엔티티 등과 같이 법무 부서가 계약하고 있는 당사자와 관련된 청구 활동을 제시, 저장, 분석, 조정 및/또는 보고할 수 있다. 실시예에서, GC 디지털 트윈(8314)은 법률 콘텐츠를 조사, 추적, 모니터링, 저장, 분석, 생성 및 배포하고, 이러한 활동에 대해 GC 디지털 트윈(8314)과 연관된 사용자 인터페이스에 자동으로 보고하도록 구성될 수 있다. 그러한 활동은 GC 디지털 트윈(8314)이 상태 변화, 예를 들어, 소송에서의 새로운 법원 신청, 외부 카운셀로부터 수신된 통신, 반대 카운셀로부터의 새로운 라이센스 초안, 특허 출원 초안, 미국 특허청으로부터의 통지, 또는 일부 다른 타입의 새로운 또는 업데이트된 자료를 검출할 수 있도록 데이터를 저장하는 것을 포함할 수 있다. GC 디지털 트윈(8314)은 또한, 특정한 법원, 규제 또는 입법 기관 또는 일부 다른 타입의 엔티티와 같은, GC 디지털 트윈(8314)에서 모니터링되거나 모니터링을 위해 특정되는 엔티티의 클래스 사이의 활동을 검출할 수 있다. 실시예에서, GC 디지털 트윈(8314)은 다양한 법률 관련 플랫폼의 콘텐츠를 조사, 추적, 모니터링, 저장 및 분석하고, 이러한 활동에 대해 GC 디지털 트윈(8314)과 연관된 사용자 인터페이스에 자동으로 보고하도록 구성될 수 있다. 이러한 플랫폼은 바 또는 다른 법률 협회, 법원, 법률 검색 플랫폼, 소셜 미디어, 법률 블로그, 보도 자료, 또는 일부 다른 타입의 법률 플랫폼 관련 자료 또는 활동을 포함할 수 있지만, 이들로 제한되지 않는다.
실시예에서, GC 디지털 트윈(8314)은 법적 전략, 법적 문서, 소송, 법적 추천 또는 일부 다른 법적 활동에 관련된 자료를 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, GC 디지털 트윈(8314)은 법률 자료, 계약, 라이센스, 지적 재산(예를 들어, 특허 출원), 요약 및 보고 및 분석의 복수의 데이터베이스 또는 다른 저장소와 연관될 수 있다. GC 디지털 트윈(8314)은 외부 데이터 소스에 연동되고, 이들과 상호작용하고, 이들과 연관될 수 있고, 본 출원에 설명된 바와 같이, EMP의 내부 데이터를 포함하는 외부 데이터 소스를 업로드, 다운로드, 집계하고, 이러한 데이터를 분석할 수 있다. 데이터 분석, 기계 학습, AI 처리, 및 다른 분석은 지능 서비스 시스템(8010)을 사용하는 것에 적어도 부분적으로 기초하여 GC 디지털 트윈(8314)과 분석 팀 사이에서 조정될 수 있다. 이러한 협력 및 상호작용은 최적의 및/또는 관련 법적 콘텐츠, 법적 문서, 법적 활동(예를 들어, 소송)과 연관된 당사자를 식별하기 위해 모델링, 기계 학습, 및 AI 처리에서 사용하기 위해 기업 데이터 저장소(8012)에 데이터 요소 및 도메인을 시딩하는 것을 보조하는 것 뿐만 아니라, 또한 법적 노력의 성공에 대한 판단의 기초가 되는 최적의 데이터 측정 파라미터(예를 들어, 라이센싱 수익, 외부 카운셀의 사용을 위해 명시된 예산 내에 머무르는 것 등)를 식별하는 것을 포함할 수 있다. GC 디지털 트윈(8314)에 연결되고, 연관되고, 및/또는 그로부터 액세스될 수 있는 데이터 소스(8020)의 예는 법률 연구 플랫폼, 법률 웹사이트, 뉴스 웹사이트(8048), 재무 데이터베이스(8030), 계약 데이터베이스, HR 데이터베이스(8046), 작업흐름 관리 시스템(8036), 및/또는 제3자 데이터를 저장하는 제3자 데이터 소스(8038)를 포함할 수 있지만, 이들로 제한되지 않는다.
실시예에서, GC 디지털 트윈(8314)은 새로운 계약의 추구, 비즈니스, 소송 또는 중재에 영향을 미치는 새로운 법률 또는 규정의 검토, 또는 일부 다른 법적 활동과 같은 새로운 법적 노력의 개발을 돕도록 구성될 수 있다. 예를 들어, GC 디지털 트윈(8314)은 법적 액션을 위한 내부 및 외부 파트너(예를 들어, 외부 카운셀) 팀을 식별할 수 있다. 예를 들어, 법적 액션을 보조하기에 이상적인 후보들인 개인은 GC 디지털 트윈(8314) 내에 또는 그와 연관하여 저장되는 경험 및 전문 지식 데이터에 적어도 부분적으로 기초하여 식별될 수 있다. 예를 들어, GC는 미국과 대만에 위치한 엔티티 사이의 공동 개발 합의의 협상을 개시할 수 있고, 대만 외부의 카운셀을 구할 필요가 있을 수 있다. GC 디지털 트윈(8314)을 사용하여, GC는 유사한 프로젝트에 대해 대만에서 사용된 이전 외부 카운셀의 세부사항을 제시받을 수 있다. 다른 예에서, GC 디지털 트윈(8314)이 유사한 프로젝트에 대해 대만에서 사용된 이전 외부 카운셀의 세부사항을 찾지 못하는 경우, GC 디지털 트윈(8314)은 기술, 경험 등에 기초하여 공동 개발 합의 프로젝트에 대해 작업하기에 적절할 수 있는 높은 등급의, 추천된 또는 다른 대만 외부 카운셀에 대한, 공개 또는 다른 소스로부터의 정보를 스캔, 연구, 수집 및 요약할 수 있다.
실시예에서, GC 디지털 트윈(8314)은 법적 프로젝트 목표를 식별하고, 그러한 목표에 대한 프로젝트의 성능을 기록, 모니터링 및 추적하고, GC 디지털 트윈(8314)과 연관된 사용자 인터페이스 내에서 GC에 대한 프로젝트의 추적을 실시간으로 제시할 수 있다. 예를 들어, GC 디지털 트윈(8314)은 클릭될 때, 법적 프로젝트의 세트의 상태를 예시하는 클릭가능 대시보드를 포함할 수 있다. 일부 실시예에서, 대시보드는 각각의 프로젝트에 대한 타임라인 및 그 타임라인에 대한 각각의 프로젝트의 상대적 상태를 포함할 수 있다.
실시예에서, GC 디지털 트윈(8314)은 법무 부서의 성과, 법무 부서의 직원, 법적 액션, 법적 콘텐츠, 법적 플랫폼, 법적 파트너, 또는 GC의 관리의 일부 다른 양태에 대해 보고하도록 구성될 수 있다. 보고는 GC, 법무 부서, 조직의 다른 임원(예를 들어, CEO) 또는 외부 제3자(예를 들어, 외부 카운셀, 법률 통지, 보도 자료 등)에 대한 것일 수 있다. 보고 및 보고의 콘텐츠는 GC 디지털 트윈(8314)에 의해 다른 집행 디지털 트윈, 예를 들어 규제 준수, 진행 중인 소송, 또는 일부 다른 법적 활동과 관련된 데이터를 공유할 수 있다. GC 디지털 트윈(8314)의 보고 기능은 또한 주주 성명, 연간 보고, SEC 신고 등과 같은 공식 보고 요건을 위해 필요한 데이터를 채우는 데 사용될 수 있다. 공통 보고 포맷의 템플릿이 저장되고 GC 디지털 트윈(8314)과 연관되어, 미리 정의된 포맷, 스타일 및 시스템 요건에 따라 데이터 및 분석의 프레젠테이션을 자동화할 수 있다. 일부 실시예에서, GC 디지털 트윈은 보고를 생성하고 전파하기 위해 GC를 대신하여 훈련된 집행 에이전트(8364)를 활용하도록 구성될 수 있다.
실시예에서, GC 디지털 트윈(8314)은 정부 규제, 규제 준수, 입법, 법원 의견, 산업 모범 사례 또는 일부 다른 요건 또는 표준과 같은 규제 활동에 관련된 자료를 모니터링, 저장, 집계, 병합, 분석, 준비, 보고 및 배포하도록 구성될 수 있다. 예를 들어, GC 디지털 트윈(8314)은 GC가 발생할 때 새로운 규제 또는 규제 변경을 계속 알 수 있다. GC는 GC 디지털 트윈(8314)이 모니터링해야 하는 GC에 관심이 있는 법적 도메인, 주제 영역, 관할 구역, 또는 일부 다른 파라미터에 관한 GC 디지털 트윈(8314)의 파라미터를 설정할 수 있다.
실시예에서, GC 디지털 트윈(8314)은 사용자(예를 들어, GC)의 거동 및 선호도(또는 다른 법률 직원의 거동 및 선호도)에 대해 훈련된 집행 에이전트(8364)를 활용할 수 있다. 실시예에서, GC 디지털 트윈(8314)을 호스팅하는 클라이언트 애플리케이션(8052)은 다양한 이벤트, 통지, 경보 등에 관련된 사용자의 액션을 추적할 수 있고, 본 출원에 설명된 바와 같이, 전문가 에이전트 시스템(8008)을 사용하여 추적된 이벤트를 보고할 수 있다. 이에 응답하여, 전문가 에이전트 시스템(8008)은 GC 또는 다른 법률 인력이 특정 상황에 어떻게 응답하는지를 학습할 수 있고, 집행 에이전트(8364)가 일단 배치되면 유사한 상황에 응답할 수 있도록, 사용자(예를 들어, GC)를 대신하여 집행 에이전트(8364)를 훈련시킬 수 있다.
법무 부서 및 GC 디지털 트윈(8314)의 이 예에서, EMP 및 디지털 트윈의 특징 및 기능에 대한 참조는, 문맥이 달리 표시하는 경우를 제외하고는, 다른 부서 및 디지털 트윈, 및 이들 각각의 프로젝트 및 작업흐름에 적용되는 것으로 이해하여야 한다.
실시예에서, 최고 인사 책임자(CHRO) 디지털 트윈(8316)(또는 HR 디지털 트윈(8316))은 기업의 인사(HR) 양태를 감독하는 것을 담당하는 기업의 인사 임원(예를 들어, CHRO) 또는 유사한 임원, 예컨대 CPO(Chief People Officer), 최고 인재 관리자, 인사 책임자, 인사 이사 등을 위해 구성된 집행 디지털 트윈이다. 실시예에서, CHRO 디지털 트윈(8316)은 인적 자본 관리, 노동력 관리, 위험 관리, 및 급여, 채용, 규제 준수, 직원 성과, 혜택, 직원 관계, 시간 및 참석, 훈련 및 개발, 보상, 온-보딩, 오프보딩, 승계 계획 등의 관리와 관련된 상태와 같은, 기업의 상이한 HR 관련 상태를 표시할 수 있다. 실시예에서, CHRO 디지털 트윈(8316)은 초기에 더 낮은 세분성 레벨로 다양한 상태를 표시할 수 있다. CHRO 디지털 트윈(8316)을 보고 있는 사용자는 선택된 상태로 드릴 다운할 상태를 선택하고 선택된 상태를 더 높은 레벨의 세분성으로 볼 수 있다.
실시예에서, CHRO 디지털 트윈(8316)에 표시될 수 있는 데이터의 타입은 다음을 포함할 수 있지만, 이에 제한되지 않는다: 개별 직원 데이터, 비즈니스 유닛별 주요 성과 지표, 개별 직원별 주요 성과 지표, 위험 관리 데이터, 규제 준수 데이터(예를 들어, OSHA 및 EPA 준수 데이터), 안전 데이터, 다양성 데이터, 혜택 데이터(예를 들어, 의료, 치과, 비전, 및 HSA(health savings accounts)) 보상 데이터, 보상 비교 데이터, 보상 동향 데이터, 페이롤(payroll) 데이터, 초과 시간 데이터, 채용 데이터, 직원 추천 데이터, 지원자 데이터, 지원자 스크리닝 데이터, 지원자 참조 데이터, 지원자 배경 체크 데이터, 제안 데이터, 시간 및 근태 데이터, 직원 관계 데이터, 직원 불만 데이터, 온-보딩 데이터, 오프보딩 데이터, 직원 훈련 및 개발 데이터, 직원 이직률 데이터, 자발적 직원 이직률 데이터, 신규 고용 이직률 데이터, 고성과자 이직률 데이터, 성과 등급 데이터별 이직률, 인원수 및/또는 인원수 계획 데이터(예를 들어, 계획 백분율에 대한 인원수), 승진률 데이터, 승계 계획 데이터, 조직 레벨 데이터, 제어 범위 데이터, 직원 조사 데이터, 직원을 중간점 미만으로 이동시키기 위한 비용 데이터, 비교 비율 데이터, 시뮬레이션 데이터, AI 및/또는 기계 학습 시스템으로부터의 결정 지원 데이터, AI 및/또는 기계 학습 시스템으로부터의 예측 데이터, AI 및/또는 기계 학습 시스템으로부터의 분류 데이터, AI 및/또는 기계 학습 시스템으로부터의 검출 및/또는 식별 데이터 등.
실시예에서, CHRO 디지털 트윈(8316)은 데이터 아이템이 정상 상태, 차선 상태, 임계 상태, 또는 경보 상태에 있는지를 나타내는 아이콘으로 데이터 아이템을 표시할 수 있다. 실시예에서, 아이콘은 상이한 컬러, 폰트, 심볼, 코드 등일 수 있다. 예를 들어, CHRO 디지털 트윈(8316)은 고성과자 이직률이 임계 레벨에 있음을 나타내는 오렌지색 아이콘으로 고성과자 이직률 데이터를 표시할 수 있다. 예를 계속 설명하자면, HR 임원은 CHRO 디지털 트윈(8316)을 통해 CEO와 같은 다른 임원에게 고성과자 이직률 데이터를 상신하도록 인에이블될 수 있다. 실시예에서, CHRO 디지털 트윈(8316)은 차선의, 중요한, 또는 경보 상태에 있는 데이터 아이템을 자동으로 강조할 수 있다.
실시예에서, CHRO 디지털 트윈(8316)은 기업 이해관계자 사이의 통신 및 협력을 용이하게 할 수 있는 툴을 갖는 "인-트윈" 협력 스위트를 제공하도록 구성될 수 있다. 실시예에서, "인-트윈" 협력 툴은 사용자가 기업과 연관된 다른 사용자에게 데이터 세트를 상신 및/또는 역상신할 수 있게 하는 인터페이스를 포함할 수 있다. 실시예에서, 인터페이스는 사용자가 데이터 세트와 함께 메시지를 전송하고, 데이터 세트와 관련된 요청을 생성하거나 태스크를 할당하고, 및/또는 데이터 세트와 연관된 이벤트를 스케줄링할 수 있게 하도록 구성될 수 있다. 실시예에서, AI 및/또는 기계 학습은 메시지 콘텐츠를 제안하고, 이벤트 스케줄링을 제안하고, 요청 또는 태스크를 제안하고, 및/또는 요청 또는 태스크 양수인을 제안하기 위해 활용될 수 있다. 예를 들어, HR 임원은 직원 훈련과 관련된 회의에 참석하기 위해 AI 및/또는 기계 학습에 의해 결정된 시간에 직원 훈련에 관한 예측 텍스트 메시지 및 캘린더 요청으로 직원 훈련과 관련된 데이터 세트를 GC로 상신할 수 있다. 실시예에서, "인 트윈(in twin)" 협력 툴은 디지털 트윈 회의를 포함한다. 실시예에서, "인 트윈" 협력 툴은 기업 이해관계자가 통신할 수 있게 하기 위한 "인 트윈" 메시징 시스템 및/또는 "인-트윈" 화상 회의 시스템을 포함할 수 있다. 실시예에서, 기계 학습 및/또는 AI 시스템은 이러한 통신으로부터 태스크를 자동으로 생성 및/또는 할당하기 위해 활용될 수 있다. 실시예에서, "인-트윈" 화상 회의 시스템은 서브챗을 지원한다. 실시예에서, 서브챗은 사용자 인터페이스에서 "드래그 앤 드롭" 액션을 통해 생성될 수 있다. 실시예에서, "인-트윈" 화상 회의 시스템은 사용자의 조명, 오디오, 카메라 배치 등을 최적화하기 위한 제안을 하기 위해 기계 학습 및/또는 AI를 활용할 수 있다. 실시예에서, "인 트윈" 화상 회의 시스템은 비디오 피드에서의 부적절한 활동의 검출 시에 비디오 피드를 자동으로 디스에이블하기 위해 기계 학습 및/또는 AI를 활용한다. 실시예에서, "인 트윈" 협력 스위트는 다른 기업 이해관계자로부터 액션에 대한 승인을 수집하기 위한 "인-트윈" 이해관계자 승인 시스템을 포함한다. 실시예에서, "인-트윈" 협력 툴은 디지털 트윈의 사용자에 의한 최대 이해를 달성하기 위해 기업 이해관계자 사이의 통신을 지능적으로 변환하도록 구성된 AI-구동 변환 시스템을 포함할 수 있고, AI 구동 변환 시스템은 제1 언어로부터 제2 언어로 변환하도록(예를 들어, 영어를 외국어로 변환하도록) 구성되고 또한 사용자가 이해할 수 있도록 용어 또는 전문용어를 변환하도록 구성된다. CHRO 디지털 트윈(8316)과 관련하여 설명된 이러한 특징은, 예컨대, 위치, 부서, 및 기능에 걸쳐 기업의 운영, 개발 활동, 또는 다른 양태를 모니터링하는 것과 같은, 기업 제어 타워 활동을 위해, 상이한 타입의 임원 사이의 협력을 용이하게 하는 것을 포함하여, 다른 임원을 위한 것을 비롯한, 본 출원에 설명된 다른 타입의 디지털 트윈과 함께 배치될 수 있다. 협력 및 통신 툴 및 연관된 규칙은, 작업자의 건강 및 안전에 관련된 것, 교육 및 훈련에 관련된 것, 성과 지표에 관련된 것, (심리학적, 인구통계적 및 유사한 인자를 포함하는) 작업자 속성에 관련된 것 등과 같은, CHRO 디지털 트윈(8316) 내의 엔티티, 상태 및 흐름을 표현할 때 회사-, 산업- 및 도메인-특정 분류체계 및 어휘를 사용하도록 구성될 수 있다.
실시예에서, CHRO 디지털 트윈(8316)은 새로운 직원을 식별, 면접, 선택, 고용, 및 온보드하도록 구성될 수 있다. 이러한 실시예 중 일부에서, CHRO 디지털 트윈(8316)은, 이에 제한되는 것은 아니지만, 직원 추천 데이터, 지원자 교육 데이터, 지원자 테스트 데이터, 지원자 경험 데이터, 지원자 참조 데이터, 지원자 스크리닝 데이터, 지원자 배경 체크 데이터, 지원자 면접 데이터, 입사지원 데이터, 지원자 재개 데이터, 지원자 커버 레터, 지원자 제안 데이터 등을 포함하는 지원자 데이터를 조사, 추적, 및 보고하도록 구성될 수 있다. CHRO 디지털 트윈(8316)은 본 출원에 설명된 바와 같이, 그러한 지원자 데이터 및 보고를 다른 집행 디지털 트윈과 상호작용하고 공유할 수 있다. CHRO 디지털 트윈(8316)은 잠재적인 새로운 직원을 식별하고 선택하기 위해 그리고/또는 그러한 정보에 관심이 있을 수 있는 다른 임원 또는 기업 이해관계자를 식별하기 위해, 작업 애플리케이션, 이력서, 커버 레터, 지원자 참조 자료, 지원자 스크리닝 데이터, 지원자 면접 데이터 등을 처리하기 위해, 기계 학습, AI, 및/또는 분석과 같은 다른 지능을 포함할 수 있다.
실시예에서, EMP(8000)는 (예를 들어, API를 통해) 기업의 인사 관리 소프트웨어, 인적 자본 소프트웨어, 노동력 관리 소프트웨어, 페이롤 소프트웨어, 지원자 추적 소프트웨어, 회계 소프트웨어, 직원 지원자 소프트웨어, 공개적으로 개시된 재무제표, 제3자 보고, 세금 신고, 소셜 미디어 소프트웨어, 직업 목록 웹사이트, 채용 소프트웨어 등으로부터 HR 관련 데이터를 획득할 수 있다.
실시예에서, CHRO 디지털 트윈(8316)은 HR 임원이 하나 이상의 HR 관련 작업흐름을 수행하기 위한 인터페이스를 제공할 수 있다. 예를 들어, CHRO 디지털 트윈(8316)은, 온-보딩 작업흐름, 오프보딩 작업흐름, 해고 작업흐름, 결정 문서 작업흐름, 승계 계획 작업흐름, 후보 평가 작업흐름, 후보 스크리닝 작업흐름, 준수 작업흐름, 징계 작업흐름, 검토 작업흐름, 면접 작업흐름, 제안 작업흐름, 직원 훈련 작업흐름 등과 같은, 작업흐름, 작업흐름에 수반되는 엔티티, 및 이들의 속성을 수행, 감독, 또는 모니터링하기 위한 HR-임원을 위한 인터페이스를 제공할 수 있다.
실시예에서, CHRO 디지털 트윈(8316)은 사용자가 직면하는 이벤트 및 상황(예를 들어, 경보, 통지, 상신, 위임, 데이터의 프레젠테이션, 이벤트 등)에 응답하여 전문가 에이전트 시스템(8008)을 사용하여 사용자(예를 들어, HR 임원)의 액션(예를 들어, 거동, 응답, 상호작용 및 선호도)에 대해 훈련되는 집행 에이전트(8364)를 활용할 수 있다. 이러한 실시예 중 일부에서, CHRO 디지털 트윈(8316)을 호스팅하는 클라이언트 애플리케이션(8052)은 CHRO 디지털 트윈(8316)을 통해 사용자가 직면하는 다양한 이벤트에 응답하여 사용자가 취한 액션을 보고할 수 있다. 예를 들어, 클라이언트 애플리케이션(8052)은 새로운 고용을 인가하라는 요청, 직원을 종료하라는 요청, 또는 직원 이직률이 임계 임계값에 도달했다는 것을 나타내는 통지와 같은 이벤트를 식별할 수 있다. 이 예에서, 클라이언트 애플리케이션(8052)은 그러한 이벤트에 응답하여 사용자가 취한 액션을 기록하고 보고할 수 있고, 식별된 이벤트와 관련된 액션들 뿐만 아니라, 또한 이벤트와 관련된 임의의 다른 특징을 전문가 에이전트 시스템(8008)에 보고할 수 있다. 이에 응답하여, 전문가 에이전트 시스템(8008)은 사용자를 대신하여 집행 에이전트(8364)를 훈련시킬 수 있어, 집행 에이전트는 미래에 유사한 이벤트에 직면할 때 액션을 수행하거나 사용자에게 추천할 수 있다.
인사 부서 및 CHRO 디지털 트윈(8316)의 이 예에서의 EMP 및 디지털 트윈의 특징 및 기능에 대한 참조는, 문맥이 달리 표시하는 경우를 제외하고는, 다른 부서 및 디지털 트윈, 및 이들 각각의 프로젝트 및 작업흐름에 적용되는 것으로 이해하여야 한다.
실시예에서, 집행 디지털 트윈은 다수의 상이한 애플리케이션에 연동되고, 이들과 상호작용하고, 이들과 통합되고/되거나 이들에 의해 사용될 수 있다. 예를 들어, 집행 디지털 트윈은 자동화된 AI-보고 툴(8360), 협력 툴(8362)에서, 집행 에이전트(8364)와 관련하여, 이사회 회의 툴(8366)에서, 훈련 모듈(8368)에 대해, 그리고 계획 툴(8370)에 대해 사용될 수 있다.
실시예에서, AI 보고 툴(8360)은 사용자가 하나 이상의 상태를 다른 사용자에게 보고하는 것을 돕는다. 예를 들어, 하급자는 식별된 문제를 기업의 상위 구성원에게 보고할 필요가 있을 수 있다(예를 들어, CTO는 CEO에게 해결될 필요가 있는 문제를 보고하기를 원할 수 있다). 실시예에서, AI 보고 툴(8360)은 클라이언트 디바이스(8050)로부터 상태를 보고하라는 요청을 수신하도록 구성될 수 있다. 실시예에서, AI-보고 툴(8360)은 요청의 타입, 요청을 발행한 사용자의 역할 및 엔티티의 조직 구조에 기초하여 보고된 상태의 적절한 수신자를 식별할 수 있다. 일부 실시예에서, AI-보고 툴은 기업의 조직 디지털 트윈으로부터의 보고의 사용자 및 수신자의 역할을 결정할 수 있다. 일부 실시예에서, AI-보고 툴(8360)은 통지의 의도된 수신자가 집행 디지털 트윈으로부터 공유되고 있는 데이터에 대한 액세스 권한을 갖는지를 결정할 수 있다. 예를 들어, CFO가 CEO에게 보고하는 경우, CEO는 모든 기업의 데이터에 액세스할 가능성이 있고, 보고를 수신하는 것이 배제되지 않을 것이다. 반대로, CFO가 AI-보고 툴을 통해 문제의 취급을 자신의 비즈니스 유닛의 직원에게 위임하기를 원하는 경우, 수신자는 이러한 데이터에 액세스할 수 없을 수 있다. 이 시나리오에서, AI-보고 툴(8360)은 특정 타입의 데이터가 하급자 직원과 공유되지 않을 수 있다는 것을 요청 사용자(예를 들어, CFO)에게 통지할 수 있고, 액세스 불가능한 데이터를 공유하지 않고 문제가 하급자 직원에게 보고될 수 있는 방식을 결정할 수 있다. 사용자가 데이터의 특정 상태를 볼 액세스 권한을 갖는다고 결정하면, AI-보고 툴(8360)은 의도된 수신자에 대한 것인 보고를 생성할 수 있다. 실시예에서, AI-보고 툴은 보고를 생성하기 위해 지능 시스템의 NLP 서비스를 활용할 수 있다. 일부 실시예에서, AI-보고 툴(8360)은 상태를 보고할 때 및 보고된 상태의 적절한 수신자를 결정하기 위해 집행 에이전트(8364)를 활용할 수 있다. 이러한 실시예에서, 집행 에이전트(8364)는 사용자에게 이전에 제시된 클라이언트 애플리케이션(8052) 및 디지털 트윈과의 사용자의 상호작용에 대해 훈련될 수 있다.
일부 실시예에서, AI-보고 툴(8360)은 하나 이상의 사용자-정의된 주요 성과 지표(KPI)를 모니터링하도록 구성될 수 있다. 기업의 KPI의 예는 시스템, 시설, 프로세스, 기능, 또는 노동력 유닛과 관련하여 다음을 포함할 수 있지만, 이에 제한되지 않는다: (예를 들어, 조립 라인 또는 다른 제조 시스템의) 가동시간, 용량 활용, 표준 동작 효율, 전체 유효성, 중단시간, 스케줄링되지 않은 중단시간의 양, 셋업 시간, 재고 턴의 양, 재고 정확도, 제품 및 서비스에 관련된 품질 메트릭, 기업에 대한 제1 패스 수율 양, 요구되는 재작업의 양, DSO(days-sales-outstanding), 생산된 스크랩 또는 폐기물의 양, 처리량, 전환, 유지보수 백분율, 시스템 또는 유닛당 수율, 전체 수율, 산업 리뷰, 산업 평가, 고객 리뷰, 고객 평가, 편집 리뷰, 어워드, 소셜 미디어 및 웹사이트 주목 메트릭, 검색 엔진 성능 메트릭, 안전 메트릭, 건강 메트릭, 환경 영향 메트릭, 정치 메트릭, 인증 및 테스트 메트릭, 규제 메트릭, 사회 영향 메트릭, 재무 및 투자 메트릭, 회사채 등급, 무역 협회 메트릭, 연합 메트릭, 로비 조직 평가, 광고 성능 메트릭, 추천 메트릭 등. 추가적인 또는 대안적인 KPI 메트릭이 사용자에 의해 정의될 수 있다. 이러한 KPI 메트릭의 예는 실패한 감사의 양 또는 백분율, 적시/늦은 전달의 수 또는 백분율, 고객 반품 수, 직원 훈련 시간의 수, 직원 이직 백분율, 보고할 만한 건강 또는 안전 사건의 수, 직원당 수익, 직원당 이익, 스케줄 달성 메트릭, 총 사이클 시간 등을 포함할 수 있다.
실시예에서, 협력 툴(8362)은 기업의 임원 사이의 협력을 허용하는 다양한 툴을 포함한다. 실시예에서, 협력 툴은 디지털-트윈 가능 화상 회의를 포함한다. 이러한 실시예에서, EMP(8000)는 기업 디지털 트윈의 요청된 뷰를 화상 회의의 참가자에게 제시할 수 있다. 예를 들어, 이사회 회의 동안, 시설 내의 기계 또는 장비에 대한 업데이트를 제안하는 CTO는 기계 또는 장비에 대한 업데이트가 이루어질 시설의 환경 디지털 트윈을 제시할 수 있다. 이 예에서, CTO는 업데이트 없이 그리고 업데이트와 함께 시설에서 수행된 시뮬레이션의 결과를 예시할 수 있다. 시뮬레이션은 업데이트가 다수의 선택된 메트릭(예를 들어, 처리량, 이익, 직원 안전 등)을 사용하여 기업에 어떻게 이익이 될 수 있는지를 예시할 수 있다. 협력 및 통신 툴 및 연관된 규칙은 디지털 트윈 내의 엔티티, 상태 및 흐름을 표현할 때 회사-특정, 산업-특정 및 도메인-특정 분류체계 및 어휘를 사용하도록 구성될 수 있다.
실시예에서, 집행 에이전트(8364)는 임원 사용자를 대신하여 태스크를 수행하도록 훈련되는 전문가 에이전트이다. 논의된 바와 같이, 일부 실시예에서, 클라이언트 애플리케이션은 클라이언트 애플리케이션(8052)을 사용할 때 사용자에 의해 클라이언트 애플리케이션의 사용자를 모니터링할 수 있다. 이러한 실시예에서, 클라이언트 애플리케이션(8052)은 사용자가 드릴 다운하는 집행 디지털 트윈의 상태, 사용자가 상사에게 보고하고/하거나 각각의 비즈니스 유닛 내의 팀 구성원에게 위임하는 상태, 이루어지는 결정 등을 모니터링할 수 있다. 사용자가 클라이언트 애플리케이션(8052)을 사용함에 따라, 전문가 에이전트 시스템(8008)은 특정 사용자를 대신하여 하나 이상의 기계 학습된 모델을 훈련할 수 있으며, 따라서, 모델은 사용자를 대신하여 태스크를 수행하거나 사용자에게 액션을 추천하기 위해 집행 에이전트(8364)에 의해 활용될 수 있다.
실시예에서, 이사회 회의 툴(8366)은 이사회, 보드 오브 트러스티(Board of Trustees), 주주 회의, 연례 회의, 투자자 회의, 및 다른 중요한 회의와 같은 이사회 및 유사한 회의를 준비하고, 그 내에서 액세스하고/하거나 그에 대한 후속 조치를 취하는 데 사용되는 툴이다. 본 출원에서 이사회 회의에 대한 언급은 임원 준비, 참석 및/또는 주의를 필요로 하는 이들 및 다른 중요한 회의를 포함하는 것으로 이해하여야 한다. 실시예에서, 이사회 회의 툴(8366)은 상이한 사용자가 이사회 보고 또는 이사회 회의의 상황 내에서 기업 디지털 트윈의 하나 이상의 상태를 제시하는 것을 허용할 수 있다. 예를 들어, 사용자(예를 들어, COO)는 COO 디지털 트윈(8366)으로부터의 제안된 물류 솔루션의 시뮬레이션을 하나 이상의 디바이스(예를 들어, 보드 룸 내의 디바이스 및/또는 원격으로 보드 회의에 액세스하는 참가자의 디바이스)와 공유할 수 있다. 실시예에서, 이사회 회의 툴(8366)은 시간, 범위, 및 허가에 기초하여 특정 타입의 데이터에 대한 액세스를 제한할 수 있다. 예를 들어, 이사회 회의 툴(8366)은, 제시되고 있는 디지털 트윈에 표시된 데이터의 일부 또는 전부가, 등록된 지리위치 중 하나에 있는 디바이스 상에서만 그리고/또는 정의된 지속기간 동안에만, 예컨대 회의 전 몇 시간에서 회의 후 몇 시간까지, 또는 회의 동안에만 보여질 수 있도록, 이사회 구성원이 이사회 회의 전에 모든 지리위치(예를 들어, 보드 룸, 전화 또는 비디오를 통해 합류하는 사람을 위한 지정된 홈 오피스 등)를 등록하는 것을 필요로 할 수 있다. 유사하게, 실시예에서, 이사회 회의 툴(8366)은 제시된 디지털 트윈에서 공유되는 데이터의 일부 또는 전부에 대한 액세스를 특정 시간(예를 들어, 이사회 회의 동안 또는 이사회 회의 당일)으로 제한할 수 있다. 이사회 회의 툴(8366)의 다른 예가 본 출원 전체에 걸쳐 논의된다.
실시예에서, 훈련 모듈(8368)은 사용자를 훈련하기 위해 사용되는 소프트웨어 툴을 포함할 수 있다. 실시예에서, 훈련 모듈(8368)은 기업에 대한 집행 훈련을 개선하기 위해 디지털 트윈을 활용할 수 있다. 예를 들어, 훈련 모듈(8368)은 기업으로부터 수집된 데이터에 기초하는 실세계 예를 제공할 수 있다. 훈련 모듈(8368)은 집행 디지털 트윈(8368)을 통해 상이한 시나리오를 사용자에게 제시할 수 있고, 사용자는 액션을 취할 수 있다. 액션에 기초하여, 훈련 모듈(8368)은 EMP(8000)로부터 시뮬레이션을 요청할 수 있고, 이는 차례로 결과를 사용자에게 반환한다. 이러한 방식으로, 사용자는 사용자의 실제 기업에 기초하는 시나리오에 대해 훈련될 수 있다.
실시예에서, 계획 툴(8370)은 사용자가 기업을 위한 계획을 하는 것을 돕기 위해 디지털 트윈을 활용하는 소프트웨어 툴이다. 실시예에서, 계획 툴(8370)은 임원이 계획(예를 들어, 예산, KPI를 정의하는 것 등)을 수행할 수 있게 하는 그래픽 사용자 인터페이스를 제공하도록 구성될 수 있다. 일부 실시예에서, 계획 툴(8370)은 생성된 계획에서 설정된 파라미터가 주어지면 IMP(8000)로부터 시뮬레이션을 요청하도록 구성될 수 있다. 이에 응답하여, EMP(8000)는 시뮬레이션의 결과를 반환할 수 있고, 사용자는 계획을 조정할지를 결정할 수 있다. 이러한 방식으로, 사용자는 하나 이상의 목표를 달성하기 위해 계획을 반복적으로 정제할 수 있다. 실시예에서, 집행 에이전트(8362)는 계획이 사용자에 의해 정제되고 있는 동안 취해진 액션을 추적을 모니터링할 수 있으며, 따라서, 전문가 에이전트 시스템(8008)은 미래에 계획을 생성하거나 사용자에게 추천하도록 집행 에이전트(8362)를 훈련시킬 수 있다.
기업 디지털 트윈은 본 개시의 범위를 벗어나지 않고 다른 소프트웨어 애플리케이션과 인터페이스 및/또는 그와 함께 활용될 수 있다.
도 84는 EMP(8000)의 예시적인 구현을 예시한다. 이 예에서, EMP(8000)는 복수의 클라이언트 애플리케이션(8052) 및 기업 자산 세트(8400)와 통신한다. 예에서, EMP(8000)는 센서 시스템(8022), 물리적 엔티티(8402), 디지털 엔티티(8404), 계산 엔티티(8406), 및/또는 기업에 속하고/하거나 기업과 연관된 네트워크 엔티티(8408)와 같은 기업 엔티티(8400)의 세트로부터 기업 데이터를 수신한다. 실시예에서, 기업 데이터는 기업의 환경, 프로세스, 및/또는 조건과 관련될 수 있다. 예를 들어, 센서 시스템(8022)은 기업의 기업 시설(예를 들어, 제조 시설, 웨어하우스, 유통 센터, 물류 시설, 수송 시설, 사무실 건물, 고객 위치, 소매 위치, 농업 시설, 천연 리소스 추출 시설 등) 내에 배치될 수 있고, 이에 의해 센서 시스템(8022)은 일반적으로 시설 또는 시설 내의 기계, 장비 피스, 또는 다른 물리적 또는 노동력 자산에 관련된 센서 판독(예를 들어, 진동 데이터, 위치 데이터, 모션 데이터, 온도 데이터, 압력 데이터 등)을 제공한다. 시설 내에서, 다수의 물리적 자산(예를 들어, 로봇, 자율 차량, 스마트 장비, 인력 등) 또는 다른 엔티티는 자산 또는 다른 엔티티의 동작에 관련된 데이터 스트림을 출력할 수 있다. 추가적으로 또는 대안적으로, 기업은 판매, 비용, 인적 리소스 등과 관련된 데이터 스트림을 제공하는 다수의 디지털 자산(예를 들어, CRM, ERP, 데이터베이스 등)을 포함할 수 있다. 네트워크 엔티티는 대역폭, API 요청, 처리량, 검출된 사이버 공격 등을 포함하는 네트워킹 관련 데이터를 제공할 수 있다. 계산 엔티티는 기업의 컴퓨팅 기반구조에 관한 데이터를 제공할 수 있다. 일부 실시예에서, 기업 관리 시스템(8000)은 제3자 데이터 제공자로부터의 제3자 데이터(8038)를 비롯한 다른 소스로부터의 데이터도 수신할 수 있다. 조합하여 취해지면, 기업 자산(8400) 및/또는 다른 데이터 소스로부터의 데이터는 그 안에 포함된 산업 시설 및 기계의 상태, 다양한 프로세스(예를 들어, 산업 프로세스, 판매 작업흐름, 고용 프로세스, 물류 작업흐름 등)의 상태, 프로세스의 효율성, 기업의 재무 건전성 등에 관한 정보를 제공할 수 있다.
실시예에서, 기업 엔티티는 통신 네트워크를 통해 EMP(8000)와 직접 통신할 수 있다. 추가적으로 또는 대안적으로, 기업 자산 중 하나 이상은 기업 데이터를 로컬로 수집 및 저장하는 로컬 데이터 수집 시스템(8420)에 데이터를 스트리밍할 수 있다. 일부 실시예에서, 로컬 데이터 수집 시스템(8420)은 수집된 데이터를 기업의 에지 지능 시스템(8422)에 제공할 수 있다.
실시예에서, 에지 지능 시스템(8422)은 로컬 데이터 수집 시스템(8420), 로컬 센서 시스템(8022), 또는 엔티티의 물리적 위치에 또는 그 근처에(예를 들어, 산업 시설에) 위치되는 다른 기업 엔티티(8400)로부터와 같이 데이터를 수신하도록 구성된 에지 디바이스(8042)에 의해 실행될 수 있고, 수신된 데이터에 관련된 하나 이상의 에지 관련 프로세스를 수행할 수 있다. 에지 디바이스는 "박스 안의 에지 지능(edge intelligence in a box)" 디바이스와 같은 사전 구성된 및/또는 실질적으로 자기- 또는 자동으로 구성하는 컴퓨팅 디바이스일 수 있다. 에지 관련 프로세스는 센서 데이터를 저장하고, 통신 네트워크 상의 대역폭을 감소시키고, 및/또는 백엔드 시스템에서 요구되는 계산 리소스를 감소시키기 위해 에지 디바이스에서 수행되는 프로세스를 지칭할 수 있다. 에지 프로세스의 예는 데이터 필터링, 신호 필터링, 데이터 처리, 압축, 인코딩, 빠른 예측, 빠른 통지, 비상 경보 등을 포함할 수 있고, 자동화된 스마트 데이터 밴드의 생성을 포함할 수 있다. 예를 들어, 에지 지능 시스템(8422)은 데이터의 서브세트를 EMP(8000)에 송신할지 또는 EMP(8000)로부터 명시적으로 요청될 때까지 데이터의 서브세트를 로컬로 저장할지를 결정할 수 있다. 다른 예에서, 에지 지능 시스템(8422)은 대용량 데이터 스트림(예를 들어, 진동 데이터)의 데이터 처리량을 개선하기 위해 데이터 스트림(예를 들어, 센서 데이터 스트림)을 압축하도록 구성될 수 있다. 일부 실시예에서, 에지 지능 시스템(8422)은 원시 데이터 스트림을 압축할지 또는 스트리밍할지를 결정하기 위해 대용량 데이터를 분석하도록 구성될 수 있다. 일부 실시예에서, 로컬 데이터 수집 시스템(8420) 및 에지 지능 시스템(8422)은 기업의 에지 디바이스(8042)에 구현될 수 있다. 일부 실시예에서, 에지 지능 시스템(8422)은 EMP(8000)에 데이터를 통신할 수 있다. 이러한 실시예 중 일부에서, 에지 지능 시스템(8422)은 네트워크 향상 시스템(8424)을 통해 EMP(8000)에 데이터를 통신한다.
실시예에서, 네트워크 향상 시스템(8424)은 에지 지능 시스템(8422) 및 로컬 데이터 수집 시스템(8420) 중 하나 또는 둘 모두로부터 송신되고 EMP(8000)에 의해 수신되는 데이터의 흐름을 최적화하도록 구성될 수 있다. 예를 들어, 로컬 데이터 수집 시스템(8420)은 연결된 에지 지능 시스템(8422)에 의해 분석될 수 있는 하나 이상의 실세계 환경, 엔티티, 생태계, 및/또는 프로세스로부터 데이터를 수집하도록 구성될 수 있다. 이 예에서, 에지 지능 시스템(8422)은 수집된 데이터를 네트워크 향상 시스템(8424)에 송신할 수 있고, 이는 EMP(8000)에 의한 처리 및 구현을 위해 EMP(8000)로의 데이터의 송신을 최적화할 수 있다. EMP(8000)는 클라이언트 애플리케이션(8052)이 클라이언트 애플리케이션(8052)에 의해 호스팅되는 기업 디지털 트윈(예를 들어, 역할 기반 디지털 트윈, 환경 디지털 트윈, 코호트 디지털 트윈 등)을 업데이트할 수 있도록, 클라이언트 애플리케이션(8052)에 송신된 데이터를 저장, 분석, 또는 다른 방식으로 처리할 수 있다.
실시예에서, 네트워크 향상 시스템(8424)은 데이터의 흐름을 최적화하도록 구성된 하나 이상의 신호 증폭기, 신호 중계기, 디지털 필터, 아날로그 필터, 디지털-아날로그 변환기, 아날로그-디지털 변환기 및/또는 안테나를 포함할 수 있다. 일부 실시예에서, 네트워크 향상 시스템은 Pergal에게 허여된 미국 특허 제7,623,826호에 개시된 것과 같은 무선 중계기 시스템을 포함할 수 있으며, 그 전체 콘텐츠는 본 출원에 참조로 포함된다. 네트워크 향상 시스템(8424)은, 예를 들어, 데이터를 필터링하고, 데이터 송신을 반복하고, 데이터 송신을 증폭하고, 하나 이상의 샘플링 레이트 및/또는 전송 레이트를 조정하고, 하나 이상의 데이터 통신 프로토콜을 구현함으로써 데이터의 흐름을 최적화할 수 있다.
실시예에서, 네트워크 향상 시스템(8424)은 데이터의 흐름을 최적화하기 위해 디지털 신호 처리를 수행하도록 구성된 하나 이상의 프로세서를 포함할 수 있다. 하나 이상의 프로세서는 데이터의 흐름을 최적화하기 위해 최적화 알고리즘을 구현할 수 있다. 하나 이상의 프로세서는 네트워크에서 하나 이상의 최적 경로를 결정할 수 있고, 네트워크 향상 시스템(network enhancement system)(8424)은 하나 이상의 최적 경로를 따라 데이터를 송신한다. 네트워크 향상 시스템(8424)은 하나 이상의 프로세서를 통해 소프트웨어 필터를 구현하도록 구성될 수 있다. 소프트웨어 필터는 예를 들어 데이터 송신이 소비하는 네트워크 대역폭을 낮추기 위해 EMP(8000)로의 송신 전에 데이터를 필터링할 수 있다. 하나 이상의 프로세서는 데이터의 부분이 디지털 트윈, 집행 에이전트, 협력 스위트, 또는 EMP(8000)의 다른 컴포넌트와 같은 하나 이상의 의도된 수신자에게만 관련된다고 결정하고 데이터의 부분의 의도된 수신자에 기초하여 최적 경로를 결정할 수 있다.
실시예에서, 네트워크 향상 시스템(8424)은 복수의 데이터 경로를 통해 복수의 노드 사이의 데이터 흐름을 최적화하도록 구성될 수 있다. 일부 실시예에서, 네트워크 향상 시스템(8424)은 복수의 데이터 경로 중 제1 경로를 통해 데이터의 제1 부분을 그리고 복수의 데이터 경로 중 제2 경로를 통해 데이터의 제2 부분을 송신할 수 있다. 네트워크 향상 시스템(8424)은 제1 데이터 경로, 제2 데이터 경로, 다른 데이터 경로와 같은 하나 이상의 데이터 경로가 데이터의 하나 이상의 부분의 송신에 유리하다고 결정할 수 있다. 네트워크 향상 시스템(8424)은 송신되고 있는 하나 이상의 타입의 데이터, 송신에 적합한 하나 이상의 프로토콜, 현재 및/또는 예상되는 네트워크 혼잡, 데이터 송신 타이밍, 송신되고 있거나 송신될 데이터의 현재 및/또는 예상되는 볼륨 등과 같은 하나 이상의 네트워킹 변수에 기초하여 유리한 데이터 경로를 결정할 수 있다. 송신에 적합한 프로토콜은 TCP(transmission control protocol), UDP(user datagram protocol) 등을 포함할 수 있다. 일부 실시예에서, 네트워크 향상 시스템은 호(Ho) 등의 미국 특허 제9,979,664호에 개시된 것과 같은 데이터 통신을 위한 방법을 구현하도록 구성될 수 있으며, 그 전체 내용은 본 출원에 참조로 포함된다.
EMP(8000)는 (예를 들어, 직접적으로 또는 네트워크 향상 시스템(8424), 에지 지능 시스템(8422), 로컬 데이터 수집 시스템(8420)을 통해 또는 임의의 다른 데이터 소스로부터) 기업 데이터를 수신한다. 실시예에서, 디지털 트윈 시스템(8004)은 기업 데이터를 하나 이상의 디지털 트윈 데이터베이스(예를 들어, 그래프 데이터베이스, 관계형 데이터베이스, SQL 데이터베이스, 분산형 데이터베이스, 블록체인, 캐시, 서버 등)에 구조화 및/또는 저장할 수 있다. 실시예에서, 클라이언트 애플리케이션(8052)은 EMP(8000)로부터 기업 디지털 트윈(8410)을 요청한다. 이에 응답하여, 디지털 트윈 시스템(8004)은 요청된 기업 디지털 트윈(8410)(예를 들어, 역할 기반 디지털 트윈, 집행 디지털 트윈, 환경 디지털 트윈, 프로세스 디지털 트윈, 코호트 디지털 트윈 등)을 생성하여 클라이언트 애플리케이션(8052)에 서빙할 수 있고, 여기서, 기업 디지털 트윈(8410)은 기업 데이터 및/또는 (예를 들어, 지능 서비스 시스템에 의해) 기업 데이터로부터 도출된 데이터를 포함할 수 있다. 클라이언트 애플리케이션(8052)은 클라이언트 애플리케이션(8052)의 사용자가 요청된 디지털 트윈(8410)과 상호작용하기 위한 인터페이스를 제공할 수 있다. 예를 들어, 사용자는 표시된 상태에 관련된 태스크를 부하에게 위임할 수 있고/있거나 디지털 트윈 인터페이스를 통해 표시된 상태를 상사에게 통지할 수 있다. 다른 예에서, 사용자는 특정 상태로 드릴 다운할 수 있고 디지털 트윈 인터페이스를 통해 정정 액션을 개시할 수 있다. 일부 실시예에서, 클라이언트 애플리케이션(8052)은 사용자가 협력 툴(8414) 내에서 디지털 트윈(8410)(또는 그 일부)을 공유하거나 트윈(8410) 내에서 협력 툴(8414)의 협력 특징에 액세스하는 것을 허용할 수 있다. 예를 들어, 클라이언트 애플리케이션(8052)은 사용자가 디지털 트윈(8410)의 표시된 상태를 이사회 회의 협력 툴에 공유하는 것을 허용할 수 있다. 추가적으로 또는 대안적으로, 전문가 에이전트(8364)는 사용자와 디지털 트윈의 상호작용을 모니터링할 수 있고, 상호작용을 EMP의 전문가 에이전트 시스템(8008)에 보고할 수 있다. 실시예에서, 전문가 에이전트 시스템(8008)은 상호작용을 수신할 수 있고, 디지털 트윈과의 상호작용들 뿐만 아니라, 또한 전문가 에이전트로부터 기인하는 결과에 기초하여 전문가 에이전트(8364)를 훈련시킬 수 있다. 예를 들어, 전문가 에이전트는 사용자가 태스크를 위임하거나 상사에게 통지하는 상황을 식별하도록 훈련될 수 있다.
도 71과 관련하여 논의된 집행 디지털 트윈은 예를 들어 제공되고 본 개시의 범위를 제한하기를 의도하지 않는다. 추가적인 및/또는 대안적인 데이터 타입이 각각의 타입의 집행 디지털 트윈에 포함될 수 있다.
도 73은 기업 디지털 트윈을 구성하고 서빙하기 위한 예시적인 방법(8510)을 예시한다. 실시예에서, 방법은 디지털 트윈 시스템(8004)에 의해 실행될 수 있다. 방법은 역할 기반 디지털 트윈(예를 들어, 집행 디지털 트윈), 코호트 디지털 트윈, 환경 디지털 트윈, 프로세스 디지털 트윈 등을 포함하는 상이한 타입의 기업 디지털 트윈에 대해 수행될 수 있다.
8512에서, 특정 타입의 디지털 트윈에 대한 구조 뷰가 선택된다. 실시예에서, 구조 뷰는 그래프 데이터베이스(상호연결된 데이터를 나타냄) 또는 지리공간 데이터베이스(실제 시설의 좌표를 나타냄)에 저장될 수 있다.
8514에서, 디지털 트윈에 대한 연관된 트랜잭션 데이터가 선택된다. 실시예에서, 디지털 트윈 내의 동적 상호작용에 적합한 그레인에서 상호작용 데이터와 트랜잭션 데이터의 조합이 선택된다. 이 선택 프로세스는 데이터 마트 또는 다른 요약 시스템의 구조, 기능 및 특징의 동적 구성을 수반할 수 있고/있거나 전형적으로 고성능 데이터베이스 저장 메커니즘(예컨대, 컬럼형 데이터베이스 또는 메모리 데이터베이스)을 사용하여 동적으로 작동할 수 있다.
8516에서, 디지털 트윈에 대한 장식 및/또는 증강 데이터가 선택된다. 실시예에서, 장식 데이터는 집행 디지털 트윈 내의 요소에 결속될 수 있는 연관된 속성이다. 예를 들어, 시설의 환경 디지털 트윈을 생성함에 있어서, 장식 또는 증강 데이터는 시설 내의 기계 또는 다른 자산의 나이들, 공급 체인 전달로 아이템을 대체할 수 있는 주요 제3자 공급자의 이름, 시설 내에서 발생하는 프로세스 흐름의 입력 또는 출력, 관리자의 아이덴티티, 상태 및 흐름의 지표 등을 포함할 수 있다. 추상적인 집행 디지털 트윈에서, 장식 데이터는 소셜 미디어 데이터, 예를 들어, 고객 계층적 뷰와 연관될 수 있는 감정 분석을 포함할 수 있다.
8518에서, 디지털 트윈에 대한 표현 매체가 선택된다. 실시예에서, 최종 표현은 다면적일 수 있고, 이는, 특히, 단순한 모바일 전화 기반 디바이스 및 터치스크린 태블릿으로부터 특수 목적 디바이스 및/또는 몰입형 AR/VR 헤드셋들까지의 디바이스의 범위를 포함할 수 있다. 표현 매체는 바람직하게는 이전 단계에서 선택되는 데이터의 볼륨 및 특성에 영향을 미친다. 실시예에서, 표현 매체의 선택은 데이터 및 네트워킹 파이프라인에 대한 피드백 지표로서 제공되고, 그래서, 필터링 및 데이터 경로 선택은 최종 디바이스 및 표현 매체의 다른 능력 및 요건을 인식하여 수행될 수 있다. 이는 예컨대, 결과의 훈련 세트에 기초하여 상황 감응 피드백을 제공하도록 훈련되는 에이전트에 의해 자동으로 발생할 수 있다.
8520에서, 관점 뷰(perspective view)가 구성된다. 실시예에서, 관점 빌더(8110)는 상이한 타입의 사용자가 적절한 관점 레벨을 획득하면서 디지털 트윈과 상호작용할 수 있게 하는 데이터의 레벨 및 특성을 생성한다. 예를 들어, CEO-레벨의 관점에서, CEO는 제3자 대안, 시장 세력, 및 현재의 전략적 이니셔티브의 상황을 요구할 수 있다. 이 예에서, 관점 빌더(8110)는 CEO에게 적절한 디지털 트윈의 레벨을 생성함에 있어서 이러한 고려사항을 고려하고, 또한 이는 상이한 뷰에는 상이한 데이터 그레인이 적절하기 때문에 데이터 선택 프로세스에도 영향을 미칠 것이다. 이러한 상이한 관점은 다양한 역할과 동시에 상호작용될 수 있어서, 임원이 특정 요구와 관련된 정보를 보고 그와 상호작용하면서 동일한 주제에 대한 안내를 제공할 수 있게 한다.
8522에서, 사용자 통지가 인에이블된다. 실시예에서, 디지털 트윈 내의 통지는 선택된 데이터의 그레인 및 요구되는 관점에 의해 제어된다. 예를 들어, CTO 레벨 뷰는 다양한 기술 변화 및 기술 시장 세력의 통지를 요구하고, CTO 디지털 트윈은 디지털 환경 추상 또는 구체의 관련 부분과 구조적으로 연관되는 이러한 통지와 지속적으로 오버레이된다. 예를 들어, 조직도에서 CTO는 새로운 회사를 취득하기 위한 전략적 계획 연습에서 조직 유닛 사이에 더 효율적인 통신을 제공하기 위해 새로운 기술에 대한 구현 옵션을 볼 수 있다. 동시적으로, CFO는 이러한 다양한 옵션의 재무 영향을 보고 있으며, CEO는 다가오는 회사 취득에 관한 미래 시장 기회에 영향을 미칠 수 있는 결정에 대해 통지받고 있다.
이 방법은 단지 예로서 제공된다. 본 개시의 범위를 벗어나지 않고 디지털 트윈을 생성하고 서빙하기 위해 추가적인 및/또는 대안적인 방법이 수행될 수 있다.
도 73의 방법은 예를 들어 제공되고 본 개시의 범위를 제한하기를 의도하지 않는다. 방법은 추가적인 또는 대안적인 동작을 포함할 수 있다.
도 74는 조직 디지털 트윈을 구성하기 위한 방법(8600)의 예시적인 동작 세트를 나타낸 것이다. 실시예에서, 방법은 디지털 트윈 시스템(8004)에 의해 적어도 부분적으로 실행될 수 있다. 방법은 본 개시의 범위로부터 벗어나지 않고 다른 적합한 컴퓨팅 시스템에 의해 실행될 수 있는 것으로 이해된다.
8610에서, 기업의 조직도가 결정된다. 실시예에서, 사용자는 사용자에게 디스플레이된 GUI를 통해 조직도를 업로드할 수 있다. 일부 실시예에서, 디지털 트윈 시스템(8004) 또는 연결된 컴포넌트는 하나 이상의 웹사이트(예를 들어, 기업 웹사이트, 소셜 네트워킹 웹사이트 등)를 크롤링할 수 있고, 크롤링된 웹사이트(들)를 파싱하여 조직도를 결정할 수 있다.
8612에서, 기업의 조직 프레임워크는 사용자 입력에 기초하여 업데이트된다. 실시예에서, 사용자는 조직도에 열거된 개인에게 기업 내의 역할을 정의할 수 있고, 상이한 역할 및/또는 개인에게 액세스 권한을 승인할 수 있고, 개인 및/또는 역할에게 허가를 승인할 수 있고, 역할 및/또는 개인 사이의 관계를 정의할 수 있다. 실시예에서, 관계는 보고 구조, 팀, 비즈니스 유닛 등을 나타낼 수 있다.
8614에서, 기업의 조직 디지털 트윈이 생성되고 배치된다. 실시예에서, 디지털 트윈 시스템(8004)은 기업으로부터의 데이터를 조직도에 연결함으로써 조직 디지털 트윈을 생성할 수 있다. 이는 출생일, 사회 보장 또는 세금 id, 역할, 관계, 시민권, 고용 상태, 급여, 주식 보유, 직책, 현재 상태, 목표 또는 타겟 등과 같은 개인에 관한 정보를 포함할 수 있다. 일단 배치되면, 조직도는 하나 이상의 기업 데이터 소스로부터 계속 업데이트될 수 있다. 실시예에서, 조직 디지털 트윈은 디지털 트윈의 보고 구조 및/또는 조직 내의 개인의 역할을 결정하기 위해 활용될 수 있다.
도 74의 방법은 예를 들어 제공되고 본 개시의 범위를 제한하기를 의도하지 않는다. 방법은 추가적인 또는 대안적인 동작을 포함할 수 있다.
도 75는 집행 디지털 트윈을 생성하기 위한 방법(8700)의 예시적인 동작 세트를 예시한다. 실시예에서, 방법은 디지털 트윈 시스템(8004)에 의해 적어도 부분적으로 실행될 수 있다. 방법은 본 개시의 범위로부터 벗어나지 않고 다른 적합한 컴퓨팅 시스템에 의해 실행될 수 있는 것으로 이해된다.
8710에서, 집행 디지털 트윈에 대한 요청이 사용자로부터 수신된다. 실시예에서, 디지털 트윈 시스템(8004)은 모바일 디바이스, 개인용 컴퓨터, VR 디바이스 등과 같은 사용자와 연관된 사용자 디바이스로부터 집행 디지털 트윈에 대한 요청을 수신할 수 있다. 요청은 사용자의 아이덴티티 및/또는 사용자의 역할을 나타낼 수 있다.
8712에서, 사용자의 역할이 결정된다. 실시예에서, 디지털 트윈 시스템(8004)은 요청으로부터 및/또는 사용자와 연관된 기업의 조직 디지털 트윈으로부터 사용자의 역할을 결정할 수 있다. 실시예에서, 조직 디지털 트윈은 사용자의 역할, 사용자의 허가, 사용자의 액세스 권한, 사용자의 제한, 및 사용자의 보고 구조를 표시할 수 있다.
8714에서, 사용자의 역할에 기초하여 집행 디지털 트윈의 구성이 결정된다. 실시예에서, 집행 디지털 트윈의 구성은 집행 디지털 트윈에 표시될 상태의 세트 및 디지털 트윈의 세분성을 나타낸다. 실시예에서, 집행 디지털 트윈의 구성은 기업과 연관된 디지털 트윈 데이터 저장소 내의 구성 파일에 저장된다. 구성 파일은 디지털 트윈의 초기 상태 및 상태의 세분성을 정의할 수 있다.
8716에서, 기업에 대응하는 하나 이상의 데이터 소스에 기초하여 디지털 트윈이 생성된다. 실시예에서, 디지털 트윈 시스템(8004)은 디지털 트윈의 구성 및 사용자의 임의의 액세스 권한 또는 제한에 기초하여 요청된 디지털 트윈에 대한 적절한 관점을 결정할 수 있다. 실시예에서, 제한은 사용자가 가질 수 있는 데이터 제한, 상호작용 제한, 데이터의 깊이 제한, 사용 제한, 가시성의 길이 제한을 포함할 수 있다. 일부 실시예에서, 요청된 디지털 트윈을 생성하는 것은 관점이 주어지면 디지털 트윈에 대한 적절한 데이터 소스를 식별하는 것 및 데이터 소스로부터 집행 디지털 트윈을 초기에 파라미터화하는 임의의 데이터를 획득하는 것을 포함할 수 있다.
8718에서, 집행 디지털 트윈이 사용자의 사용자 디바이스에 서빙된다. 실시예에서, 디지털 트윈 시스템(8004)은 집행 디지털 트윈 데이터 및 사용자 디바이스에 의해 집행 디지털 트윈을 표시하는 데 필요한 임의의 데이터 구조 또는 시각적 요소를 포함하는 파일(예를 들어, JSON 파일)을 제공할 수 있다. 실시예에서, 디지털 트윈 시스템(8004)은 또한, 사용자가 집행 디지털 트윈과 상호작용할 때 집행 디지털 트윈이 새로운 데이터로 업데이트될 수 있도록, 하나 이상의 실시간 데이터 또는 거의 실시간 데이터 스트림을 (예를 들어, 데이터 버스를 통해) 사용자 디바이스에 스트리밍할 수 있다. 그 다음, 사용자는 디지털 트윈과 상호작용할 수 있다. 예를 들어, 사용자는 집행 디지털 트윈을 통해 태스크를 위임하고, 집행 디지털 트윈을 통해 시뮬레이션을 요청하고, 집행 디지털 트윈에 표시된 상태를 드릴 다운하거나 줌 아웃하고, 집행 디지털 트윈을 통해 상태를 감독자에게 보고하는 등을 수행할 수 있다.
도 75의 방법은 예를 들어 제공되고 본 개시의 범위를 제한하기를 의도하지 않는다. 방법은 추가적인 또는 대안적인 동작을 포함할 수 있다.
인공 지능 및 신경망 실시예(Artificial Intelligence and Neural Network Embodiments)
도 76 내지 도 103을 참조하면, 인공 지능(1160)을 수반하는 것을 포함하는 본 개시의 실시예에서, 전문가 시스템, 자기-조직화, 기계 학습, 자동화(로봇 프로세스 자동화, 원격 제어, 자율 동작, 자동화된 구성 등을 포함함), 적응형 지능 및 적응형 지능 시스템, 예측, 분류, 최적화 등은 패턴 인식을 위해, 하나 이상의 파라미터, 특성, 또는 현상의 분류를 위해, 자율 제어의 지원을 위해, 그리고 다른 목적을 위해 훈련된 신경망과 같은 신경망 또는 다른 인공 지능 시스템의 사용으로부터 이익을 얻을 수 있다. 본 개시 전반에 걸쳐 인공 지능, 신경망(neural network 또는 neural net)에 대한 언급은 피드포워드 신경망, 방사형 기저 함수 신경망, 자기-조직화 신경망(예를 들어, 코호넨(Kohonen) 자기-조직화 신경망), 순환 신경망, 모듈식 신경망, 인공 신경망, 물리적 신경망, 다층 신경망, 컨볼루션 신경망, 다른 전문가 시스템(예를 들어, 하이브리드 퍼지 로직 - 신경망 시스템)과의 신경망의 하이브리드, 오토인코더 신경망, 확률 신경망, 시간 지연 신경망, 컨볼루션 신경망, 조절 피드백 신경망, 방사형 기저 함수 신경망, 순환 신경망, 홉필드 신경망, 볼츠만 기계 신경망, 자기-조직화 맵(SOM) 신경망, 학습 벡터 양자화(LVQ) 신경망, 완전 순환 신경망, 단순 순환 신경망, 에코 상태 신경망, 장단기 메모리 신경망, 양방향 신경망, 계층적 신경망, 확률적 신경망, 유전 스케일 RNN 신경망, 기계 위원회 신경망, 연관 신경망, 물리적 신경망, 순간 훈련된 신경망, 스파이킹 신경망, 네오인지 신경망, 동적 신경망, 캐스케이딩 신경망, 신경-퍼지 신경망, 구성 패턴 생성 신경망, 메모리 신경망, 계층적 시간적 메모리 신경망, 심층 피드포워드 신경망, 게이팅 순환 유닛(GCU) 신경망, 오토 인코더 신경망, 변분 오토 인코더 신경망, 노이즈-제거 오토 인코더 신경망, 희소 오토인코더 신경망, 마르코프 체인 신경망, 제한된 볼츠만 기계 신경망, 심층 신뢰 신경망, 심층 컨볼루션 신경망, 디컨볼루션 신경망, 심층 컨볼루션 역 그래픽 신경망, 생성 적대 신경망, 액체 상태 기계 신경망, 익스트림 학습 기계 신경망, 에코 상태 신경망, 심층 잔차 신경망, 지원 벡터 기계 신경망, 신경 튜링 기계 신경망, 및/또는 홀로그래픽 연관 메모리 신경망, 또는 전술한 것의 하이브리드 또는 조합, 또는 규칙-기반 시스템, 모델-기반 시스템(물리적 모델, 통계적 모델, 흐름-기반 모델, 생물학적 모델, 생체모방 모델 등에 기초한 것을 포함함)과 같은 다른 전문가 시스템과의 조합과 같은 광범위한 상이한 타입의 신경망, 기계 학습 시스템, 인공 지능 시스템 등을 포함하는 것으로 이해하여야 한다.
전술한 신경망은 다양한 노드 또는 뉴런을 가질 수 있으며, 이들은 다른 노드를 포함하는 센서 또는 다른 데이터 소스로부터 수신된 입력과 같은 입력에 대해 다양한 함수를 수행할 수 있다. 함수는 가중치, 특징, 특징 벡터 등을 수반할 수 있다. 뉴런은 퍼셉트론(perceptron), (인간의 터치, 시각, 맛, 청각, 및 후각의 감각과 같은) 생물학적 기능을 모방하는 뉴런 등을 포함할 수 있다. 시그모이드형 활성화와 같은 연속 뉴런은 역전파가 수반되는 경우와 같은 다양한 형태의 신경망의 맥락에서 사용될 수 있다.
많은 실시예에서, 전문가 시스템 또는 신경망은, 예컨대 인간 운영자 또는 감독자에 의해, 또는 데이터 세트, 모델 등에 기초하여 훈련될 수 있다. 훈련은 (본 개시 전반에 걸쳐 설명된 많은 타입을 포함하는) 값을 표현하는 하나 이상의 훈련 데이터 세트 뿐만 아니라, 또한 프로세스의 결과, 계산의 결과, 이벤트의 결과, 활동의 결과 등과 같은 결과의 하나 이상의 지표를 신경망에 제시하는 것을 포함할 수 있다. 훈련은 베이지안 접근법, 파라메트릭 베이즈 분류기 접근법, k-최근접-이웃 분류기 접근법, 반복 접근법, 보간 접근법, 파레토 최적화 접근법, 알고리즘 접근법 등과 같은 하나 이상의 최적화 접근법에 기초하여 하나 이상의 시스템을 최적화하기 위해 신경망을 훈련하는 것과 같은 최적화에서의 훈련을 포함할 수 있다. 피드백은, 예컨대 일련의 라운드를 통한 피드백에 기초하여 하나 이상의 솔루션을 진화시키는 유전 알고리즘을 이용하여, 변동 및 선택의 프로세스에서 제공될 수 있다.
실시예에서, 효율적인 송신을 제공하기 위해 네트워크 코딩을 사용하는 것을 비롯하여, 하나 이상의 환경에서 (예컨대 모바일 데이터 수집기에 의해) 수집되고 하나 이상의 네트워크를 통해 클라우드 플랫폼에 송신되는 데이터 스트림 및 다른 입력을 수신하는 클라우드 플랫폼에 복수의 신경망이 배치될 수 있다. 클라우드 플랫폼에서, 선택적으로 대규모 병렬 계산 능력을 사용하여, 다양한 타입(모듈형 형태, 구조 적응형 형태, 하이브리드 등을 포함함)의 복수의 상이한 신경망이 예측, 분류, 제어 기능을 수행하고, 본 개시 전반에 걸쳐 개시된 전문가 시스템과 관련하여 설명된 바와 같은 다른 출력을 제공하기 위해 사용될 수 있다. 상이한 신경망은, 적절한 입력 세트, 가중치, 노드 타입 및 기능 등을 갖는 적절한 타입의 신경망이 주어진 상황, 작업흐름, 환경 프로세스, 시스템 등에 수반되는 특정 태스크에 대해, 예컨대 전문가 시스템에 의해 선택될 수 있도록, 서로 경쟁하도록(선택적으로 진화 알고리즘, 유전 알고리즘 등을 사용하는 것을 포함함) 구조화될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대 개인에 관한 데이터의 소스와 같은 데이터 입력으로부터, 일련의 뉴런 또는 노드를 통해, 출력으로 하나의 방향으로 정보를 이동시키는 피드포워드 신경망을 사용할 수 있다. 데이터는 입력 노드로부터 출력 노드로 이동할 수 있고, 선택적으로 루프 없이 하나 이상의 은닉 노드를 통과할 수 있다. 실시예에서, 피드포워드 신경망은 이진 McCulloch-Pitts 뉴런과 같은 다양한 타입의 유닛으로 구성될 수 있으며, 그 중 가장 단순한 것은 퍼셉트론이다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 다차원 공간에서의 보간을 수반하는 일부 상황에서(예컨대, 보간이 다차원 함수를 최적화하는 데 도움이 되는 경우, 예컨대, 본 출원에 설명된 바와 같이 데이터 시장을 최적화하는 경우, 발전 시스템, 공장 시스템 등의 효율 또는 출력을 최적화하는 경우, 또는 다수의 차원을 수반하는 다른 상황에서) 바람직할 수 있는, RBF(radial basis function) 신경망을 사용할 수 있다. 실시예에서, RBF 신경망 내의 각각의 뉴런은 훈련 세트로부터의 예를 "프로토타입"으로서 저장한다. 이 신경망의 기능에 수반되는 선형성은 RBF에게 전형적으로 로컬 최소값 또는 최대값의 문제를 겪지 않는 이점을 제공한다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 중심에 대한 거리 기준(예를 들어, 가우시안 함수)을 이용하는 것과 같은 방사형 기저 함수(RBF) 신경망을 이용할 수 있다. 방사형 기저 함수는 다층 퍼셉트론에서 시그모이드형 은닉 계층 전달과 같은 은닉 계층에 대한 대체로서 적용될 수 있다. RBF 네트워크는 입력이 은닉 계층에서의 각각의 RBF 상에 매핑되는 경우와 같이, 2개의 계층을 가질 수 있다. 실시예에서, 출력 계층은, 예를 들어, 평균 예측된 출력을 나타내는 은닉 계층 값의 선형 조합을 포함할 수 있다. 출력 계층 값은 통계에서의 회귀 모델의 것과 동일하거나 유사할 수 있는 출력을 제공할 수 있다. 분류 문제에서, 출력 계층은 사후 확률을 나타내는 은닉 계층 값의 선형 조합의 시그모이드 함수일 수 있다. 두 경우 모두에서 성능은 종종 수축 기술, 예컨대 고전적 통계에서의 리지 회귀에 의해 개선될 수 있다. 이는 베이지안 프레임워크에서 작은 파라미터 값(및 따라서 평활한 출력 함수)에 대한 선험적 신뢰에 대응한다. RBF 네트워크는 학습 프로세스에서 조정되는 유일한 파라미터가 은닉 계층으로부터 출력 계층으로의 선형 매핑이기 때문에, 로컬 최소값을 회피할 수 있다. 선형성은 에러 표면이 2차일 수 있고 따라서 단일 최소값을 갖는 것을 보장한다. 회귀 문제에서, 이는 하나의 행렬 연산에서 발견될 수 있다. 분류 문제에서, 시그모이드 출력 함수에 의해 도입되는 고정된 비선형성은 반복적으로 사용하여 취급될 수 있다. 재가중 최소 제곱 함수 등.
실시예에서, RBF 네트워크는 지원 벡터 기계(SVM) 및 가우시안 프로세스(여기서 RBF는 커널 함수일 수 있음)와 같은 커널 방법을 사용할 수 있다. 선형 모델을 사용하여 학습 문제가 해결될 수 있는 공간으로 입력 데이터를 투영하기 위해 비선형 커널 함수가 사용될 수 있다.
실시예에서, RBF 신경망은 입력 계층, 은닉 계층 및 합산 계층을 포함할 수 있다. 입력 계층에서, 각각의 예측 변수에 대해 하나의 뉴런이 입력 계층에 나타난다. 범주형 변수의 경우, N-1개의 뉴런이 사용되며, 여기서 N은 카테고리의 수이다. 입력 뉴런은, 실시예에서, 중앙값을 감산하고 사분위간 범위로 나눔으로써 값 범위를 표준화할 수 있다. 그 다음, 입력 뉴런은 값을 은닉 계층 내의 뉴런 각각에 공급할 수 있다. 은닉 계층에서, 가변 수의 뉴런이 사용될 수 있다(훈련 프로세스에 의해 결정됨). 각각의 뉴런은 예측 변수의 수만큼 많은 차원을 갖는 지점에 중심을 둘 수 있는 방사형 기저 함수로 구성될 수 있다. RBF 함수의 확산(예를 들어, 반경)은 각각의 차원에 대해 상이할 수 있다. 중심 및 확산은 훈련에 의해 결정될 수 있다. 입력 계층으로부터의 입력 값의 벡터와 함께 제시될 때, 은닉 뉴런은 뉴런의 중심점으로부터의 테스트 경우의 유클리드 거리를 계산한 다음, 예컨대, 확산 값을 사용하여, 이 거리에 RBF 커널 함수를 적용할 수 있다. 그 다음, 결과적인 값은 합산 계층에 전달될 수 있다. 합산 계층에서, 은닉 계층에서의 뉴런으로부터 유래하는 값은 뉴런과 연관된 가중치와 곱해질 수 있고 다른 뉴런의 가중된 값에 가산할 수 있다. 이 합이 출력이 된다. 분류 문제에 대해, 각각의 타겟 카테고리에 대해 (가중치 및 합산 유닛의 별개의 세트와 함께) 하나의 출력이 생성될 수 있다. 카테고리에 대한 값 출력은 평가되는 경우가 그 카테고리를 가질 확률이다. RBF의 훈련에서, 은닉 계층에서의 뉴런의 수, 각각의 은닉 계층 함수의 중심의 좌표, 각각의 차원에서의 각각의 함수의 확산, 및 출력이 합산 계층으로 전달될 때 출력에 적용되는 가중치와 같은 다양한 파라미터가 결정될 수 있다. 훈련은 (k-평균 클러스터링과 같은) 클러스터링 알고리즘, 진화적 접근법 등에 의해 사용될 수 있다.
실시예에서, 순환 신경망은 시간 가변 실수 값(단지 0 또는 1을 초과함) 활성화(출력)를 가질 수 있다. 각각의 연결은 수정 가능한 실수 값 가중치를 가질 수 있다. 노드 중 일부는 라벨링된 노드, 일부 출력 노드, 및 다른 은닉 노드라고 불린다. 이산 시간 설정에서의 지도 학습을 위해, 실수 값 입력 벡터의 훈련 시퀀스는 한 번에 하나의 입력 벡터인 입력 노드의 활성화의 시퀀스가 될 수 있다. 각각의 시간 단계에서, 각각의 비입력 유닛은 그것이 연결을 수신하는 모든 유닛의 활성화의 가중 합의 비선형 함수로서 그 현재 활성화를 계산할 수 있다. 시스템은 특정 시간 단계에서 일부 출력 유닛을 (유입 신호와 독립적으로) 명시적으로 활성화할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대 고차원 데이터의 저차원 뷰와 같은 데이터의 뷰의 시각화를 위해, 코호넨 자기-조직화 신경망과 같은 자기-조직화 신경망을 사용할 수 있다. 자기-조직화 신경망은 예컨대, 개인으로부터의 또는 개인과 연관된 하나 이상의 센서 또는 다른 데이터 입력으로부터의 입력 데이터의 세트에 경쟁적 학습을 적용할 수 있다. 실시예에서, 자기-조직화 신경망은 개인에 관한 소셜 미디어 소스와 같은 다양한 구조화되지 않은 소스로부터의 데이터와 같은 라벨링되지 않은 데이터와 같은 데이터에서의 구조를 식별하기 위해 사용될 수 있으며, 여기서 데이터의 소스는 (예컨대, 데이터가 다양한 알려지지 않은 또는 불확실한 소스로부터 오는 경우) 알려지지 않는다. 자기-조직화 신경망은, 구조를 개인, 질병 조건, 건강 상태, 활동 상태 등에 대응하는 것으로서 식별하는 것과 같이, 이들이 인식되고, 분석되고, 라벨링될 수 있도록, 데이터에서 구조 또는 패턴을 조직화할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 순환 신경망을 사용할 수 있으며, 이는 연결된 유닛(예를 들어, 뉴런 또는 노드)이 방향성 사이클을 형성하는 경우와 같이 데이터의 양방향 흐름을 허용할 수 있다. 이러한 네트워크는 본 개시 전반에 걸쳐 설명된 매우 다양한 질병 조건, 건강 상태, 및 생물학적 시스템, 예컨대 다수의 상이한 질병 또는 건강 상태를 경험하는 신체 등과 같은 동적 시스템에 수반되는 것과 같은 동적 시간적 거동을 모델링하거나 나타내기 위해 사용될 수 있으며, 여기서 동적 시스템 거동은 관찰자가 이해, 진단, 예측, 제어, 치료 및/또는 최적화하기를 원할 수 있는 복잡한 상호작용을 수반한다. 예를 들어, 순환 신경망은 시스템과 상호작용하는 것, 액션을 수행하는 것 등과 같은 개인의 상태(예컨대, 유지보수 상태, 건강 상태, 질병 상태 등)를 예상하기 위해 사용될 수 있다. 실시예에서, 순환 신경망은 예컨대, 소셜 네트워크, 가정 또는 직장 환경, 건강 관리 환경, 레크리에이션 또는 스포츠 환경 등과 같은, 본 출원에 설명된 다양한 타입의, 다른 노드로부터의 및/또는 센서로부터의 입력 및 환경으로부터의 다른 데이터 입력의 시퀀스를 처리하기 위해 내부 메모리를 사용할 수 있다. 실시예에서, 순환 신경망은 또한, 패턴 인식을 위해, 예컨대, 바이오마커, 얼굴, 음성 또는 사운드 시그니처, 열 시그니처, 이미지 내의 특징 벡터의 세트, 화학적 시그니처 등에 기반하여 사람을 인식하기 위해 사용될 수 있다. 비제한적인 예에서, 순환 신경망은 소셜 미디어 소스와 같은 구조화되지 않은 데이터 소스로부터의 데이터의 스트림으로 구성되는 훈련 데이터 세트로부터 시프트 또는 변경을 분류하는 것을 학습함으로써 인간의 상태의 변경 또는 시프트를 인식할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 중개자에 의해 중재되는 일련의 독립적인 신경망(예컨대, 본 출원에 설명된 다양한 타입 중 하나)을 포함할 수 있는 모듈식 신경망을 사용할 수 있다. 모듈식 신경망에서의 독립적인 신경망 각각은 별개의 입력으로 작동하여, 모듈식 네트워크 전체가 수행하도록 의도된 태스크를 구성하는 서브 태스크를 달성할 수 있다. 예를 들어, 모듈식 신경망은, 이해가 이루어지고 나면, 예컨대, 시스템, 프로토콜 등을 최적화하기 위해 모듈식 네트워크 및 RBF 신경망에 입력 채널로서 제공되는 하나 이상의 센서에 의해 어떤 타입의 사람, 조건, 상태 등이 감지되고 있는지를 인식하기 위한 패턴 인식을 위한 순환 신경망을 포함할 수 있다. 중개자는 개별 신경망 각각의 입력을 수락하고, 이들을 처리하고, 적절한 제어 파라미터, 상태의 예측 등과 같은 모듈식 신경망에 대한 출력을 생성할 수 있다.
본 출원에 설명된 다양한 신경망 타입의 쌍, 트리플릿, 또는 더 큰 조합 중 임의의 것 사이의 조합이 본 개시에 포함된다. 이는 전문가 시스템이 패턴(예를 들어, 문제 또는 결함 조건을 나타내는 패턴)을 인식하기 위해 하나의 신경망을 사용하고 (인식된 조건 또는 패턴에 응답하여 시스템의 자율 제어를 관장하는 출력을 제공하는 것과 같이) 인식된 패턴에 기초하여 활동 또는 작업흐름을 자기-조직화하기 위해 상이한 신경망을 사용하는 조합을 포함할 수 있다. 이는 또한 전문가 시스템이 아이템을 분류(예를 들어, 기계, 컴포넌트, 또는 동작 모드를 식별)하기 위해 하나의 신경망을 사용하고 아이템의 상태(예를 들어, 결함 상태, 동작 상태, 예상 상태, 유지보수 상태, 예측 상태 등)를 예측하기 위해 상이한 신경망을 사용하는 조합을 포함할 수 있다. 모듈식 신경망은 또한 전문가 시스템이 상태 또는 상황(예컨대, 기계의 상태, 프로세스, 작업흐름, 저장 시스템, 네트워크, 데이터 수집기 등)을 결정하기 위해 하나의 신경망을 사용하고 상태 또는 상황을 수반하는 프로세스(예를 들어, 데이터 저장 프로세스, 네트워크 코딩 프로세스, 네트워크 선택 프로세스, 데이터 처리 프로세스, 또는 본 출원에 설명된 다른 프로세스)를 자기-조직화하기 위해 상이한 신경망을 사용하는 상황을 포함할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 하나 이상의 하드웨어 요소가 신경 거동을 수행하거나 시뮬레이션하기 위해 사용될 수 있는 물리적 신경망을 사용할 수 있다. 하나 이상의 하드웨어 노드는 신경망의 활동으로부터 발생하는 출력 데이터를 스트리밍하도록 구성될 수 있다. 하나 이상의 칩, 마이크로프로세서, 집적 회로, 프로그램가능 로직 제어기, 주문형 집적 회로, 필드 프로그램가능 게이트 어레이 등을 포함할 수 있는 하드웨어 노드는 본 출원에 설명된 타입 중 임의의 것의 신경망의 일부 부분의 속도, 입력/출력 효율, 에너지 효율, 신호 대 잡음비, 또는 다른 파라미터를 최적화하기 위해 제공될 수 있다.
하드웨어 노드는 계산의 가속을 위한 하드웨어(예컨대, 출력을 제공하기 위해 입력 데이터에 대해 기본적인 또는 더 정교한 계산을 수행하기 위한 전용 프로세서, 데이터를 필터링 또는 압축하기 위한 전용 프로세서, 데이터를 압축해제하기 위한 전용 프로세서, (예를 들어, 이미지 데이터, 비디오 스트림, 음향 신호, 진동 데이터, 열 이미지, 열 맵 등을 취급하기 위한) 특정 파일 또는 데이터 타입의 압축을 위한 전용 프로세서 등)를 포함할 수 있다. 물리적 신경망은 데이터 수집기, 에지 지능 시스템, 적응형 지능 시스템, 모바일 데이터 수집기, IoT 모니터링 시스템, 또는 (선택적으로, 데이터 수집기 상에 또는 원격으로 위치된 소프트웨어 기반 신경망을 포함할 수 있는 전문가 시스템의 제어 하에서의 전환 및 구성으로) 상이한 타입의 입력을 취급하기 위해 시스템 내에 상이한 신경망 구성을 제공하는 것과 같이, 다양한 구성으로 입력을 전환 또는 라우팅함으로써 재구성될 수 있는 것을 비롯하여, 본 출원에 설명된 다른 시스템에서 구현될 수 있다. 물리적 또는 적어도 부분적으로 물리적인 신경망은, 예컨대, 신경망에 데이터를 공급하거나 신경망으로부터 데이터를 취하는 하나 이상의 저장 요소에 대한 입력/출력 기능을 가속하기 위해, 예컨대, 기계, 제품 등 내에 데이터를 저장하기 위해, 저장 시스템에 위치된 물리적 하드웨어 노드를 포함할 수 있다. 물리적 또는 적어도 부분적으로 물리적인 신경망은, 예컨대, 입력/출력 함수를 네트 내의 하나 이상의 네트워크 노드로 가속하거나, 중계 기능을 가속하는 등을 위해, 예컨대, 환경 내에서, 환경으로 또는 환경으로부터 데이터를 송신하기 위해, 네트워크에 위치된 물리적 하드웨어 노드를 포함할 수 있다. 물리적 신경망의 실시예에서, 전기적으로 조정가능한 저항 재료가 신경 시냅스의 기능을 에뮬레이트하기 위해 사용될 수 있다. 실시예에서, 물리적 하드웨어는 뉴런을 에뮬레이트하고, 소프트웨어는 뉴런 사이의 신경망을 에뮬레이트한다. 실시예에서, 신경망은 종래의 알고리즘 컴퓨터를 보완한다. 이들은 분류 기능, 최적화 기능, 패턴 인식 기능, 제어 기능, 선택 기능, 진화 기능 등과 같은 임의의 명령어를 필요로 하지 않고 적절한 기능을 수행하도록 훈련될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대 하나 이상의 아이템, 현상, 모드, 상태 등의 복잡한 패턴 분류를 위해, 다층 피드포워드 신경망을 사용할 수 있다. 실시예에서, 다층 피드포워드 신경망은 최적의 또는 거의 최적의 포괄적 솔루션을 찾기 위해 옵션의 크고 복잡한 공간을 탐색하는 것과 같이, 유전 알고리즘과 같은 최적화 기술에 의해 훈련될 수 있다. 예를 들어, 하나 이상의 유전 알고리즘은 복잡한 현상을 분류하기 위해, 예컨대, (간섭 효과, 증폭 효과 등을 포함하는) 엔티티 사이의 복잡한 상호작용을 수반하는 모드, 엔티티의 증상의 분석 또는 조건의 진단을 어렵게 할 수 있는, 프로토콜의 상호작용의 영향과 같은 비선형 현상을 수반하는 모드, 다수의 동시 조건이 발생하여 근본 원인 분석을 어렵게 하는 경우와 같은 중요한 위험을 수반하는 모드, 등과 같은 개인의 복잡한 동작 모드 또는 상태를 인식하기 위해 다층 피드포워드 신경망을 훈련시키는 데 사용될 수 있다. 실시예에서, 소셜 미디어를 형성하는 것과 같이, 구조화되지 않은 데이터를 모니터링하는 것으로부터의 결과를 분류하기 위해 다층 피드포워드 신경망이 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 하나 이상의 원격 감지 애플리케이션을 취급하기 위해, 예컨대, 가정 및 작업 환경, 비즈니스 환경 등을 포함하는 다양한 인간-거주 환경 전반에 걸쳐 분산된 센서로부터 입력을 취하기 위해, 피드-포워드, 역전파 다층 퍼셉트론(MLP) 신경망을 사용할 수 있다. 실시예에서, MLP 신경망은 물리적 환경의 분류를 위해 사용될 수 있다. 이는 퍼지 분류를 포함할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 구조 적응 신경망을 사용할 수 있으며, 여기서 신경망의 구조는 예컨대, 규칙, 감지된 조건, 상황 파라미터 등에 기초하여 적응될 수 있다. 예를 들어, 신경망이, 예컨대, 아이템을 분류하거나 예측에 도달하는 것과 같이, 솔루션에 수렴하지 않는 경우, 소정량의 훈련 후에 입력의 세트에 대해 작용할 때, 신경망은, 예컨대 노드의 일부 서브세트 사이의 데이터 경로를 단방향으로부터 양방향 데이터 경로로 전환함으로써, 피드포워드 신경망으로부터 순환 신경망으로 수정될 수 있다. 구조 적응은, 임계값의 발생(예컨대, 주어진 양의 시간 내에 솔루션에 대한 수렴의 부재)을 인식하는 것 또는 상이한 또는 추가적인 구조를 요구하는 것으로서 현상을 인식하는 것(예컨대, 시스템이 동적으로 또는 비선형 방식으로 변할 수 있다는 것을 인식하는 것)과 같이, 예컨대, 트리거, 규칙 또는 이벤트의 발생 시에 적응을 트리거하기 위해, 전문가 시스템의 제어 하에서 발생할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 입력 계층, 출력 계층 및 이들을 연결하는 하나 이상의 은닉 계층이 있을 수 있는 경우, 다층 퍼셉트론(MLP) 신경망과 유사할 수 있는 오토인코더, 오토어소시에이터 또는 디아볼로 신경망을 사용할 수 있다. 그러나, 오토-인코더에서의 출력 계층은 입력 계층과 동일한 수의 유닛을 가질 수 있으며, 여기서 MLP 신경망의 목적은 (목표 값을 단지 방출하기보다는) 그 자신의 입력을 재구성하는 것일 수 있다. 따라서, 자동 인코더는 비지도 학습 모델로서 동작할 수 있다. 자동 인코더는, 예를 들어, 차원 감소를 위한 것, 데이터의 생성적 모델을 학습하기 위한 것 등과 같은 효율적인 코딩의 비지도 학습을 위해 사용될 수 있다. 실시예에서, 오토-인코딩 신경망은 소셜 네트워크를 포함할 수 있는 하나 이상의 네트워크를 통해 개인으로부터의 또는 개인에 관한 데이터의 송신을 위한 효율적인 네트워크 코딩을 자기 학습하기 위해 사용될 수 있다. 실시예에서, 오토-인코딩 신경망은 환경으로부터의 아날로그 센서 데이터의 스트림의 저장을 위한 효율적인 저장 접근법을 자기 학습하기 위해 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 실시예에서, 다층(예를 들어, 4-계층) 피드포워드 신경망을 포함할 수 있는 확률적 신경망(PNN)을 사용할 수 있으며, 여기서 계층은 입력 계층, 은닉 계층, 패턴/합산 계층 및 출력 계층을 포함할 수 있다. PNN 알고리즘의 실시예에서, 각각의 클래스의 부모 확률 분포 함수(PDF)는 예컨대 파젠 윈도우 및/또는 비-파라미터 함수에 의해 근사화될 수 있다. 그 후, 각각의 클래스의 PDF를 사용하여, 새로운 입력의 클래스 확률이 추정될 수 있고, 예컨대 가장 높은 사후 확률을 갖는 클래스에 할당하기 위해 베이즈 규칙이 이용될 수 있다. PNN은 베이지안 네트워크를 구현할 수 있고, 커널 피셔 판별 분석 기술과 같은 통계적 알고리즘 또는 분석 기술을 사용할 수 있다. PNN은 본 출원에 개시된 광범위한 실시예 중 임의의 것에서 분류 및 패턴 인식을 위해 사용될 수 있다. 하나의 비제한적인 예에서, 확률적 신경망은 엔진에 대한 센서 및 기구로부터의 데이터 입력의 집합체에 기초하여 제품 또는 시스템의 결함 조건을 예측하기 위해 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 시간 지연 신경망(time delay neural network)(TDNN)을 사용할 수 있으며, 이는 시퀀스 위치와 독립적인 특징을 인식하는 순차적 데이터에 대한 피드포워드 아키텍처를 포함할 수 있다. 실시예에서, 데이터에서의 시간 시프트를 고려하기 위해, 하나 이상의 입력에, 또는 하나 이상의 노드 사이에 지연이 추가되어, (별개의 시점으로부터의) 다수의 데이터 지점이 함께 분석된다. 시간 지연 신경망은 예컨대, 퍼셉트론 네트워크를 사용하여, 더 큰 패턴 인식 시스템의 일부를 형성할 수 있다. 실시예에서, TDNN은, 연결 가중치가 역전파로 또는 피드백 하에서 훈련되는 경우와 같이, 지도 학습으로 훈련될 수 있다. 실시예에서, TDNN은 별개의 스트림으로부터의 센서 데이터를 처리하는데 이용될 수 있고, 여기서 시간 지연은, 예컨대, 다양한 스트림의 이해를 수반하는 패턴을 이해하는 것을 돕기 위해서, 데이터 스트림을 시간적으로 정렬하는데 이용된다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 컨볼루션 신경망(일부 경우에서 CNN, ConvNet, 시프트 불변 신경망, 또는 공간 불변 신경망이라고 지칭됨)을 사용할 수 있고, 여기서, 유닛은 인간 뇌의 시각 피질과 유사한 패턴으로 연결된다. 뉴런은 수용 필드(receptive field)라고 지칭되는 공간의 제한된 영역에서 자극에 반응할 수 있다. 수용 필드는 전체 (예를 들어, 시각) 필드를 총괄하여 커버하도록 부분적으로 중첩될 수 있다. 노드 응답은 수학적으로, 예컨대, 컨볼루션 연산에 의해, 예컨대, 최소의 전처리를 사용하는 다층 퍼셉트론을 사용하여 계산될 수 있다. 컨볼루션 신경망은 개인을 인식하는 것, 질병 조건의 마커를 인식하는 것 등과 같은, 이미지 및 비디오 스트림 내에서의 인식을 위해 사용될 수 있다. 이는 예컨대, 드론 또는 모바일 로봇과 같은 모바일 데이터 수집기 상에 배치된 카메라 시스템을 사용하여, 군중 내의 개인을 인식하는 것을 포함할 수 있다. 실시예에서, 컨볼루션 신경망은 센서 입력 및 다른 상황 정보를 포함하는 데이터 입력에 기초하여 추천을 제공하기 위해 사용될 수 있다. 실시예에서, 컨볼루션 신경망은, 환경에서의 작업흐름에 수반되는 하나 이상의 당사자에 의해 제공되는 명령어들의 자연어 처리와 같은, 입력을 처리하기 위해 사용될 수 있다. 실시예에서, 컨볼루션 신경망은 다수의 뉴런(예를 들어, 100,000, 500,000 또는 그 이상), 다수의(예를 들어, 4, 5, 6 또는 그 이상의) 계층, 및 많은(예를 들어, 수백만의) 파라미터와 함께 배치될 수 있다. 컨볼루션 신경망은 하나 이상의 컨볼루션 네트를 사용할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 예컨대, (개인 또는 개인의 집단에서 이전에 이해되지 않은 새로운 타입의 조건과 같은) 응급 현상을 인식하기 위해, 규제 피드백 네트워크를 사용할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 비지도 학습을 수반하는 자기-조직화 맵(SOM)을 사용할 수 있다. 뉴런의 세트는 입력 공간에서의 지점을 출력 공간에서의 좌표에 매핑하는 것을 학습할 수 있다. 입력 공간은 출력 공간과 상이한 치수 및 토폴로지를 가질 수 있고, SOM은 현상을 그룹으로 매핑하면서 이들을 보존할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 학습 벡터 양자화 신경망(LVQ)을 사용할 수 있다. 클래스의 프로토타입 대표는, 적절한 거리 측정과 함께, 거리 기반 분류 스킴에서 파라미터화할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 희소하게 연결된 랜덤 은닉 계층을 갖는 순환 신경망을 포함할 수 있는 에코 상태 네트워크(ESN)를 사용할 수 있다. 출력 뉴런의 가중치는 변경될 수 있다(예를 들어, 가중치는 피드백에 기초하여 훈련될 수 있다). 실시예에서, ESN은, 예에서, 프로세스의 진행의 패턴을 인식하는 것과 같이, 시계열 패턴을 취급하기 위해 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 요소의 과거 및 미래 상황 둘 모두에 기초하여 시퀀스의 각각의 요소를 예측하거나 라벨링하기 위해 예컨대, 값의 유한 시퀀스(예를 들어, 센서로부터의 전압 값)를 사용하는 양방향, 순환 신경망(BRNN)을 사용할 수 있다. 이는, 하나는 왼쪽에서 오른쪽으로 시퀀스를 처리하고 다른 하나는 오른쪽에서 왼쪽으로 시퀀스를 처리하는 것과 같이, 2개의 RNN의 출력을 추가함으로써 수행될 수 있다. 조합된 출력은 교사 또는 감독자에 의해 제공되는 것과 같은 타겟 신호의 예측이다. 양방향 RNN은 장단기 메모리 RNN과 조합될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 계층적 거동을, 예컨대 유용한 서브프로그램으로 분해하기 위해 다양한 방식으로 요소를 연결하는 계층적 RNN을 사용할 수 있다. 실시예에서, 계층적 RNN은 소셜 네트워크, 밸류 체인 환경 등에서 데이터 수집을 위한 하나 이상의 계층적 템플릿을 관리하는 데 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 확률적 신경망을 사용할 수 있으며, 이는 네트워크에 무작위 변동을 도입할 수 있다. 이러한 무작위 변동은 몬테 카를로 샘플링 또는 다른 통계적 샘플링 기술과 같은 통계적 샘플링의 형태로서 고려될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 유전적 스케일 순환 신경망을 사용할 수 있다. 이러한 실시예에서, RNN(종종 LSTM)이 사용될 수 있으며, 여기서 시리즈는 모든 스케일이 2개의 연속적인 지점 사이의 1차 길이를 알려주는 다수의 스케일로 분해될 수 있다. 1차 스케일은 정상 RNN으로 구성되고, 2차 스케일은 2개의 인덱스에 의해 분리된 모든 지점으로 구성되는 등등이다. N차 RNN은 첫 번째 노드와 마지막 노드를 연결한다. 모든 다양한 스케일로부터의 출력은 구성원의 위원회로서 취급될 수 있고, 연관된 점수들은 다음 반복을 위해 유전적으로 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 주어진 예에 대해 함께 "투표"하는 상이한 신경망의 집합체를 포함하는 기계 위원회(CoM)를 사용할 수 있다. 신경망은 동일한 아키텍처 및 훈련으로 시작하여 로컬 최소값의 문제가 있을 수 있기 때문에, 무작위하게 상이한 초기 가중치를 사용하는 것은 종종 상이한 결과를 제공한다. CoM은 결과를 안정화시키는 경향이 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 다수의 피드포워드 신경망 및 k-최근접 이웃 기술을 조합하는 기계 위원회의 확장을 수반하는 것과 같은, 연관 신경망(ASNN)을 사용할 수 있다. 이는 kNN에 대한 분석된 사례 중에서 거리의 척도로서 앙상블 응답 사이의 상관을 사용할 수 있다. 이는 신경망 앙상블의 편향을 정정한다. 연관 신경망은 훈련 세트와 일치할 수 있는 메모리를 가질 수 있다. 새로운 데이터가 이용가능하게 되면, 네트워크는 예측 능력을 즉시 개선하고 재훈련 없이 데이터 근사화를 제공한다(자기 학습). ASNN의 다른 중요한 특징은 모델의 공간에서 데이터 사례 사이의 상관의 분석에 의해 신경망 결과를 해석할 가능성일 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 순간적 훈련 신경망(ITNN)을 사용할 수 있으며, 여기서 은닉 및 출력 계층의 가중치는 훈련 벡터 데이터로부터 직접 매핑된다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 입력의 타이밍을 명시적으로 고려할 수 있는 스파이킹 신경망을 사용할 수 있다. 네트워크 입력 및 출력은 (델타 함수 또는 더 복잡한 형상과 같은) 일련의 스파이크로서 표현될 수 있다. SNN은 시간 도메인에서 정보(예를 들어, 개인의 동적 거동, 질병 조건, 건강 상태 등을 수반하는 신호와 같이, 시간 경과에 따라 변하는 신호)를 처리할 수 있다. 이들은 순환 네트워크로서 구현될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 비선형 다변량 거동을 다루고 일시적 현상 및 지연 효과와 같은 시간 의존적 거동의 학습을 포함하는 동적 신경망을 사용할 수 있다. 과도현상은 진행 상태의 거동을 포함할 수 있다.
실시예에서, 캐스케이드 상관은 고정 토폴로지의 네트워크에서 가중치의 조정을 보충하는 아키텍처 및 지도 학습 알고리즘으로서 사용될 수 있다. 캐스케이드-상관은 최소 네트워크로 시작할 수 있고, 이어서 자동으로 새로운 은닉 유닛을 하나씩 훈련하고 추가하여, 다층 구조를 생성한다. 일단 새로운 은닉 유닛이 네트워크에 추가되면, 그 입력측 가중치는 동결될 수 있다. 그 다음, 이 유닛은 출력을 생성하거나 다른 더 복잡한 특징 검출기를 생성하기 위해 이용가능한, 네트워크에서의 영구적인 특징 검출기가 된다. 캐스케이드-상관 아키텍처는 신속하게 학습하고, 그 자신의 크기 및 토폴로지를 결정하고, 훈련 세트가 변경되는 경우에도 구축한 구조를 유지할 수 있으며, 역전파를 필요로 하지 않는다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 예컨대, 인공 신경망의 본체에 퍼지 간섭 시스템을 수반하는 신경-퍼지 네트워크를 사용할 수 있다. 타입에 따라, 여러 계층은 퍼지화, 추론, 집계 및 탈퍼지화와 같은 퍼지 추론에 수반되는 프로세스를 시뮬레이션할 수 있다. 퍼지 시스템의 파라미터를 찾기 위해 이용가능한 훈련 방법의 사용을 활용하여 신경망의 일반적인 구조에 퍼지 시스템을 임베딩한다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 활성화 함수의 세트 및 이들이 어떻게 적용되는지를 차별화하는 연관 신경망(ANN)의 변형과 같은 구성 패턴 생성 네트워크(CPPN)를 사용할 수 있다. 전형적인 ANN은 종종 시그모이드 함수(및 때때로 가우시안 함수)만을 포함한다. PPN은 기능의 타입 등 둘 모두를 포함할 수 있다. 또한, CPPN은 가능한 입력의 전체 공간에 걸쳐 적용될 수 있으며, 따라서 이들은 완전한 이미지를 나타낼 수 있다. 이들은 함수의 구성이기 때문에, CPPN은 사실상 무한 해상도로 이미지를 인코딩하고, 최적일 수 있는 어떤 해상도에서든 특정 디스플레이를 위해 샘플링될 수 있다. 이러한 타입의 네트워크는 재훈련 없이 새로운 패턴을 추가할 수 있다. 실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 인접하게 연결된 계층적 어레이들을 사용하여 직교 평면에 각각의 새로운 패턴을 할당하는 특정 메모리 구조를 생성함으로써, 원-샷 연관 메모리 네트워크를 사용할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 신피질의 구조적 및 알고리즘적 특성을 수반하는 계층적 시간 메모리(HTM) 신경망을 사용할 수 있다. HTM은 메모리 예측에 기초하는 것과 같은 생체모방 모델을 사용할 수 있다. HTM은 관찰된 입력 패턴 및 시퀀스의 하이-레벨 원인을 발견하고 추론하는 데 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 아날로그, 상관 기반, 연관, 자극-응답 시스템을 포함할 수 있는 홀로그래픽 연관 메모리(HAM) 신경망을 사용할 수 있다. 정보는 복소수의 위상 배향에 매핑될 수 있다. 메모리는 연관 메모리 태스크, 일반화 및 변경가능한 어텐션을 갖는 패턴 인식에 효과적일 수 있다.
전술한 신경망은 다양한 노드 또는 뉴런을 가질 수 있으며, 이들은 다른 노드를 포함하는 센서 또는 다른 데이터 소스로부터 수신되는 입력과 같은 입력에 대해 다양한 함수를 수행할 수 있다. 함수는 가중치, 특징, 특징 벡터 등을 수반할 수 있다. 뉴런은 퍼셉트론(perceptron), (인간의 터치, 시각, 미각, 청각, 및 후각의 감각과 같은) 생물학적 기능을 모방하는 뉴런 등을 포함할 수 있다. 시그모이드형 활성화와 같은 연속 뉴런은 역전파가 수반되는 경우와 같은 다양한 형태의 신경망의 맥락에서 사용될 수 있다.
많은 실시예에서, 전문가 시스템 또는 신경망은, 예컨대 인간 운영자 또는 감독자에 의해, 또는 데이터 세트, 모델 등에 기초하여 훈련될 수 있다. 훈련은, 센서 데이터, 이벤트 데이터, 파라미터 데이터, 및 다른 타입의 데이터(본 개시 전반에 걸쳐 설명된 많은 타입을 포함함)와 같은 값을 표현하는 하나 이상의 훈련 데이터 세트 뿐만 아니라, 또한 프로세스의 결과, 계산의 결과, 이벤트의 결과, 활동의 결과 등과 같은 결과의 하나 이상의 지표를 신경망에 제시하는 것을 포함할 수 있다. 훈련은 베이지안 접근법, 파라메트릭 베이즈 분류기 접근법, k-최근접-이웃 분류기 접근법, 반복 접근법, 보간 접근법, 파레토 최적화 접근법, 알고리즘 접근법 등과 같은 하나 이상의 최적화 접근법에 기초하여 하나 이상의 시스템을 최적화하기 위해 신경망을 훈련하는 것과 같은 최적화에서의 훈련을 포함할 수 있다. 피드백은, 예컨대 일련의 라운드를 통한 피드백에 기초하여 하나 이상의 솔루션을 진화시키는 유전 알고리즘을 이용하여, 변동 및 선택의 프로세스에서 제공될 수 있다.
실시예에서, 효율적인 송신을 제공하기 위해 네트워크 코딩을 사용하는 것을 비롯하여, 하나 이상의 산업 환경에서 (예컨대 모바일 데이터 수집기에 의해) 수집되고 하나 이상의 네트워크를 통해 클라우드 플랫폼에 송신되는 데이터 스트림 및 다른 입력을 수신하는 클라우드 플랫폼에 복수의 신경망이 배치될 수 있다. 클라우드 플랫폼에서, 선택적으로 대규모 병렬 계산 능력을 사용하여, 여러 타입(모듈형 형태, 구조 적응형 형태, 하이브리드 등을 포함함)의 복수의 상이한 신경망이 예측, 분류, 제어 기능을 수행하고, 본 개시 전반에 걸쳐 개시된 전문가 시스템과 관련하여 설명된 바와 같은 다른 출력을 제공하기 위해 사용될 수 있다. 상이한 신경망은, 적절한 입력 세트, 가중치, 노드 타입 및 기능 등을 갖는 적절한 타입의 신경망이 주어진 상황, 작업흐름, 환경 프로세스, 시스템 등에 수반되는 특정 태스크에 대해, 예컨대 전문가 시스템에 의해 선택될 수 있도록, (선택적으로 진화 알고리즘, 유전 알고리즘 등의 사용을 비롯하여) 서로 경쟁하도록 구조화될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 정보를 하나의 방향으로, 예컨대, 산업 기계 상에 또는 그에 근접하여 위치된 아날로그 센서와 같은 데이터 입력으로부터, 일련의 뉴런 또는 노드를 통해, 출력으로 이동시키는 피드포워드 신경망을 사용할 수 있다. 데이터는 입력 노드로부터 출력 노드로 이동할 수 있고, 선택적으로 루프 없이 하나 이상의 은닉 노드를 통과할 수 있다. 실시예에서, 피드포워드 신경망은 이진 McCulloch-Pitts 뉴런과 같은 다양한 타입의 유닛으로 구성될 수 있으며, 그 중 가장 단순한 것은 퍼셉트론이다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 다차원 공간에서의 보간을 수반하는 일부 상황에서(예컨대, 보간이 다차원 함수를 최적화하는 데 도움이 되는 경우, 예컨대, 본 출원에 설명된 바와 같이 데이터 시장을 최적화하는 경우, 발전 시스템, 공장 시스템 등의 효율 또는 출력을 최적화하는 경우, 또는 다수의 차원을 수반하는 다른 상황에서) 바람직할 수 있는, RBF(radial basis function) 신경망을 사용할 수 있다. 실시예에서, RBF 신경망 내의 각각의 뉴런은 훈련 세트로부터의 예를 "프로토타입"으로서 저장한다. 이 신경망의 기능에 수반되는 선형성은 RBF에게 전형적으로 로컬 최소값 또는 최대값의 문제를 겪지 않는 이점을 제공한다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 중심에 대한 거리 기준(예를 들어, 가우시안 함수)을 이용하는 것과 같은 방사형 기저 함수(RBF) 신경망을 이용할 수 있다. 방사형 기저 함수는 다층 퍼셉트론에서 (시그모이드형 은닉 계층 전달과 같은) 은닉 계층에 대한 대체로서 적용될 수 있다. RBF 네트워크는, 입력이 은닉 계층에서의 각각의 RBF 상에 매핑되는 경우와 같이, 2개의 계층을 가질 수 있다. 실시예에서, 출력 계층은, 예를 들어, 평균 예측된 출력을 나타내는 은닉 계층 값의 선형 조합을 포함할 수 있다. 출력 계층 값은 통계에서의 회귀 모델의 것과 동일하거나 유사한 출력을 제공할 수 있다. 분류 문제에서, 출력 계층은 사후 확률을 나타내는 은닉 계층 값의 선형 조합의 시그모이드 함수일 수 있다. 두 경우 모두에서 성능은 종종 수축 기술, 예컨대 고전적 통계에서의 리지 회귀에 의해 개선된다. 이는 베이지안 프레임워크에서 작은 파라미터 값(및 따라서 평활한 출력 함수)에 대한 선험적 신뢰에 대응한다. RBF 네트워크는 학습 프로세스에서 조정되는 유일한 파라미터가 은닉 계층으로부터 출력 계층으로의 선형 매핑이기 때문에, 로컬 최소값을 회피할 수 있다. 선형성은 오차 표면이 2차이고 따라서 단일 최소값을 갖는 것을 보장한다. 회귀 문제에서, 이는 하나의 행렬 연산에서 발견될 수 있다. 분류 문제에서, 시그모이드 출력 함수에 의해 도입되는 고정된 비선형성은 반복적으로 재가중된 최소 제곱 함수 등을 사용하여 취급될 수 있다.
RBF 네트워크는 SVM(support vector machines) 및 가우시안 프로세스(여기서 RBF는 커널 함수임)와 같은 커널 방법을 사용할 수 있다. 선형 모델을 사용하여 학습 문제가 해결될 수 있는 공간에 입력 데이터를 투영하기 위해 비선형 커널 함수가 사용될 수 있다.
실시예에서, RBF 신경망은 입력 계층, 은닉 계층, 및 합산 계층을 포함할 수 있다. 입력 계층에서, 각각의 예측 변수에 대해 하나의 뉴런이 입력 계층에 나타난다. 범주형 변수의 경우, N-1개의 뉴런이 사용되며, 여기서 N은 카테고리의 수이다. 입력 뉴런은, 실시예에서, 중앙값을 감산하고 사분위간 범위로 나눔으로써 값 범위를 표준화할 수 있다. 그 다음, 입력 뉴런은 값을 은닉 계층 내의 뉴런 각각에 공급할 수 있다. 은닉 계층에서, 가변 수의 뉴런이 사용될 수 있다(훈련 프로세스에 의해 결정됨). 각각의 뉴런은 예측 변수의 수만큼 많은 차원을 갖는 포인트에 중심을 두는 방사형 기저 함수로 구성될 수 있다. RBF 함수의 확산(예를 들어, 반경)은 각각의 차원에 대해 상이할 수 있다. 중심 및 확산은 훈련에 의해 결정될 수 있다. 입력 계층으로부터의 입력 값의 벡터와 함께 제시될 때, 은닉 뉴런은 뉴런의 중심점으로부터의 테스트 경우의 유클리드 거리를 계산한 다음, 예컨대, 확산 값을 사용하여, 이 거리에 RBF 커널 함수를 적용할 수 있다. 그 다음, 결과적인 값은 합산 계층에 전달될 수 있다. 합산 계층에서, 은닉 계층에서의 뉴런으로부터 유래하는 값은 뉴런과 연관된 가중치와 곱해질 수 있고 다른 뉴런의 가중된 값에 가산할 수 있다. 이 합이 출력이 된다. 분류 문제에 대해, 각각의 타겟 카테고리에 대해 (가중치 및 합산 유닛의 별개의 세트와 함께) 하나의 출력이 생성된다. 카테고리에 대한 값 출력은 평가되는 경우가 그 카테고리를 가질 확률이다. RBF의 훈련에서, 은닉 계층에서의 뉴런의 수, 각각의 은닉 계층 함수의 중심의 좌표, 각각의 차원에서의 각각의 함수의 확산, 및 출력이 합산 계층으로 전달될 때 출력에 적용되는 가중치와 같은 다양한 파라미터가 결정될 수 있다. 훈련은 (k-평균 클러스터링과 같은) 클러스터링 알고리즘, 진화적 접근법 등에 의해 사용될 수 있다.
실시예에서, 순환 신경망은 시간 가변 실수 값(단지 0 또는 1을 초과함) 활성화(출력)를 가질 수 있다. 각각의 연결은 수정 가능한 실수 값 가중치를 가질 수 있다. 노드 중 일부는 라벨링된 노드, 일부 출력 노드, 및 다른 은닉 노드라고 불린다. 이산 시간 설정에서의 지도 학습을 위해, 실수 값 입력 벡터의 훈련 시퀀스는 한 번에 하나의 입력 벡터인 입력 노드의 활성화의 시퀀스가 될 수 있다. 각각의 시간 단계에서, 각각의 비입력 유닛은 그것이 연결을 수신하는 모든 유닛의 활성화의 가중 합의 비선형 함수로서 그 현재 활성화를 계산할 수 있다. 시스템은 특정 시간 단계에서 일부 출력 유닛을 (유입 신호와 독립적으로) 명시적으로 활성화할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대 고차원 데이터의 저차원 뷰와 같은 데이터의 뷰의 시각화를 위해, 코호넨 자기-조직화 신경망과 같은 자기-조직화 신경망을 사용할 수 있다. 자기-조직화 신경망은, 예컨대, 산업 기계로부터의 또는 산업 기계와 연관된 하나 이상의 센서 또는 다른 데이터 입력으로부터의 입력 데이터의 세트에 경쟁적 학습을 적용할 수 있다. 실시예에서, 자기-조직화 신경망은, 예컨대, 데이터의 소스가 알려지지 않은(예컨대, 진동이 알려지지 않은 소스의 범위 중 임의의 것으로부터 유래할 수 있는) 산업 환경에서의 진동, 음향, 또는 다른 아날로그 센서의 범위로부터 감지된 데이터에서, 라벨링되지 않은 데이터와 같은 데이터에서의 구조를 식별하는 데 사용될 수 있다. 자기-조직화 신경망은, 플로어의 이동에 의해 유도된 진동, 또는 다소 먼 기계의 샤프트의 고주파수 회전에 의해 생성된 음향 신호에 대응하는 것으로서 구조를 식별하는 것과 같이, 이들이 인식되고, 분석되고, 라벨링될 수 있도록, 데이터에서 구조 또는 패턴을 조직화할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 순환 신경망을 사용할 수 있으며, 이는 예컨대, 연결된 유닛(예를 들어, 뉴런 또는 노드)이 방향성 사이클을 형성하는 경우, 데이터의 양방향 흐름을 허용할 수 있다. 이러한 네트워크는 가변 입력을 갖는 가변 조건에서 가변 속도 또는 주파수로 동작하는 발전 기계, 로봇 제조 시스템, 정제 시스템 등과 같은, 본 개시 전반에 걸쳐 설명된 매우 다양한 산업 기계 및 디바이스를 포함하는 동적 시스템에 수반되는 것과 같은 동적 시간적 거동을 모델링하거나 나타내는 데 사용될 수 있으며, 여기서 동적 시스템 거동은 운영자가 이해, 예측, 제어 및/또는 최적화하기를 원할 수 있는 복잡한 상호작용을 수반한다. 예를 들어, 순환 신경망은 예컨대, 동적 프로세스 또는 액션을 수행하는 산업 기계의 상태(예컨대, 유지보수 상태, 결함 상태, 동작 상태 등)를 예상하기 위해 사용될 수 있다. 실시예에서, 순환 신경망은 예컨대 본 출원에 설명된 다양한 타입의, 다른 노드로부터의 및/또는 센서로부터의 입력 및 산업 환경으로부터의 다른 데이터 입력의 시퀀스를 처리하기 위해 내부 메모리를 사용할 수 있다. 실시예에서, 순환 신경망은 또한 사운드 시그니처, 열 시그니처, 이미지 내의 특징 벡터의 세트, 화학적 시그니처 등에 기초하여 산업 기계를 인식하기 위한 것과 같은 패턴 인식을 위해 사용될 수 있다. 비제한적인 예에서, 순환 신경망은 이러한 기계 중 하나 이상에 적용되는 3-축 진동 센서 및/또는 음향 센서로부터의 데이터의 스트림으로 구성되는 훈련 데이터 세트로부터 시프트를 분류하도록 학습함으로써 터빈, 발전기, 모터, 압축기 등의 동작 모드에서의 시프트(예컨대, 기어 시프트)를 인식할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 중개자에 의해 중재되는 일련의 독립적인 신경망(예컨대, 본 출원에 설명된 다양한 타입 중 하나)을 포함할 수 있는 모듈식 신경망을 사용할 수 있다. 모듈식 신경망에서의 독립적인 신경망 각각은 별개의 입력으로 작동하여, 모듈식 네트워크 전체가 수행하도록 의도된 태스크를 구성하는 서브 태스크를 달성할 수 있다. 예를 들어, 모듈식 신경망은 모듈식 네트워크에 입력 채널로서 제공되는 하나 이상의 센서에 의해 어떤 타입의 산업 기계가 감지되고 있는지를 인식하기 위한 것과 같은 패턴 인식을 위한 순환 신경망 및, 이해가 이루어지고 나서, 기계의 거동을 최적화하기 위한 RBF 신경망을 포함할 수 있다. 중개자는 개별 신경망 각각의 입력을 수락하고, 이들을 처리하고, 적절한 제어 파라미터, 상태의 예측 등과 같은 모듈식 신경망에 대한 출력을 생성할 수 있다.
본 출원에 설명된 다양한 신경망 타입의 쌍, 트리플릿, 또는 더 큰 조합 중 임의의 것 사이의 조합이 본 개시에 포함된다. 이는 전문가 시스템이 패턴(예를 들어, 문제 또는 결함 조건을 나타내는 패턴)을 인식하기 위해 하나의 신경망을 사용하고 (인식된 조건 또는 패턴에 응답하여 시스템의 자율 제어를 관장하는 출력을 제공하는 것과 같이) 인식된 패턴에 기초하여 활동 또는 작업흐름을 자기-조직화하기 위해 상이한 신경망을 사용하는 조합을 포함할 수 있다. 이는 또한 전문가 시스템이 아이템을 분류(예를 들어, 기계, 컴포넌트, 또는 동작 모드를 식별)하기 위한 하나의 신경망 및 아이템의 상태(예를 들어, 결함 상태, 동작 상태, 예상 상태, 유지보수 상태 등)를 예측하기 위한 상이한 신경망을 사용하는 조합을 포함할 수 있다. 모듈형 신경망은 또한 전문가 시스템이 상태 또는 상황(예컨대, 기계의 상태, 프로세스, 작업흐름, 시장, 저장 시스템, 네트워크, 데이터 수집기 등)을 결정하기 위해 하나의 신경망을 사용하고, 상태 또는 상황을 수반하는 프로세스(예를 들어, 데이터 저장 프로세스, 네트워크 코딩 프로세스, 네트워크 선택 프로세스, 데이터 시장 프로세스, 발전 프로세스, 제조 프로세스, 정제 프로세스, 디깅 프로세스, 보링 프로세스, 또는 본 출원에 설명된 다른 프로세스)를 자기-조직화하기 위해 상이한 신경망을 사용하는 상황을 포함할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 하나 이상의 하드웨어 요소가 신경 거동을 수행하거나 시뮬레이션하기 위해 사용되는 물리적 신경망을 사용할 수 있다. 실시예에서, 하나 이상의 하드웨어 뉴런은 아날로그 진동 센서 데이터 전압 값을 나타내는 전압 값을 스트리밍하고, 음향, 진동 또는 다른 데이터를 나타내는 아날로그 센서 입력으로부터 속도 정보를 계산하고, 음향, 진동 또는 다른 데이터를 나타내는 센서 입력으로부터 가속도 정보를 계산하는 등을 수행하도록 구성될 수 있다. 하나 이상의 하드웨어 노드는 신경망의 활동으로부터 발생하는 출력 데이터를 스트리밍하도록 구성될 수 있다. 하나 이상의 칩, 마이크로프로세서, 집적 회로, 프로그램가능 로직 제어기, 주문형 집적 회로, 필드 프로그램가능 게이트 어레이 등을 포함할 수 있는 하드웨어 노드는 본 출원에 설명된 타입 중 임의의 것의 신경망의 일부 부분의 속도, 입력/출력 효율, 에너지 효율, 신호 대 잡음비, 또는 다른 파라미터를 최적화하기 위해 제공될 수 있다. 하드웨어 노드는 계산의 가속을 위한 하드웨어(예컨대, 출력을 제공하기 위해 입력 데이터에 대해 기본적인 또는 더 정교한 계산을 수행하기 위한 전용 프로세서, 데이터를 필터링 또는 압축하기 위한 전용 프로세서, 데이터를 압축해제하기 위한 전용 프로세서, (예를 들어, 이미지 데이터, 비디오 스트림, 음향 신호, 진동 데이터, 열 이미지, 열 맵 등을 취급하기 위한) 특정 파일 또는 데이터 타입의 압축을 위한 전용 프로세서 등)를 포함할 수 있다. 물리적 신경망은, (선택적으로, 데이터 수집기 상에 또는 원격으로 위치된 소프트웨어 기반 신경망을 포함할 수 있는 전문가 시스템의 제어 하에서의 전환 및 구성으로) 상이한 타입의 입력을 취급하기 위해 데이터 수집기 내에 상이한 신경망 구성을 제공하는 것과 같이, 다양한 구성으로 입력을 전환 또는 라우팅함으로써 재구성될 수 있는 것을 비롯하여, 본 출원에 설명된 모바일 데이터 수집기와 같은 데이터 수집기로 구현될 수 있다. 물리적 또는 적어도 부분적으로 물리적인 신경망은, 예컨대, 신경망에 데이터를 공급하거나 신경망으로부터 데이터를 취하는 하나 이상의 저장 요소에 대한 입력/출력 함수를 가속하기 위해, 예컨대, 산업 기계 내에 또는 산업 환경에 데이터를 저장하기 위해, 저장 시스템에 위치된 물리적 하드웨어 노드를 포함할 수 있다. 물리적 또는 적어도 부분적으로 물리적인 신경망은, 예컨대, 입력/출력 함수를 네트 내의 하나 이상의 네트워크 노드로 가속하거나, 중계 기능을 가속하는 등을 위해, 예컨대, 환경 내에서, 산업 환경으로 또는 그로부터 데이터를 송신하기 위해, 네트워크에 위치된 물리적 하드웨어 노드를 포함할 수 있다. 물리적 신경망의 실시예에서, 전기적으로 조정가능한 저항 재료가 신경 시냅스의 기능을 에뮬레이트하기 위해 사용될 수 있다. 실시예에서, 물리적 하드웨어는 뉴런을 에뮬레이트하고, 소프트웨어는 뉴런 사이의 신경망을 에뮬레이트한다. 실시예에서, 신경망은 종래의 알고리즘 컴퓨터를 보완한다. 이들은 다목적이며, 분류 기능, 최적화 기능, 패턴 인식 기능, 제어 기능, 선택 기능, 진화 기능 등과 같은 임의의 명령어를 필요로 하지 않고 적절한 기능을 수행하도록 훈련될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 하나 이상의 아이템, 현상, 모드, 상태 등의 복잡한 패턴 분류를 위해서, 다층 피드포워드 신경망을 사용할 수 있다. 실시예에서, 다층 피드포워드 신경망은 최적의 또는 거의 최적의 포괄적 솔루션을 찾기 위해 옵션의 크고 복잡한 공간을 탐색하는 것과 같이, 유전 알고리즘과 같은 최적화 기술에 의해 훈련될 수 있다. 예를 들어, 하나 이상의 유전 알고리즘은 예컨대, (간섭 효과, 공진 효과 등을 포함하는) 기계 사이의 복잡한 상호작용을 수반하는 모드, 진동 및 다른 신호의 분석을 어렵게 할 수 있는 가변 속도 샤프트의 영향과 같은 비선형 현상을 수반하는 모드, 다수의 동시 결함이 발생하여 근본 원인 분석을 어렵게 하는 것과 같은 중요한 결함을 수반하는 모드 등과 같은, 복잡한 현상을 분류하기 위해, 산업 기계의 복잡한 동작 모드를 인식하기 위해, 다층 피드포워드 신경망을 훈련시키는 데 사용될 수 있다. 실시예에서, 다층 피드포워드 신경망은, 예컨대, 냉동 시스템, 정제 시스템, 반응기 시스템, 촉매 시스템 등에서, 모터 컴포넌트, 펌프, 밸브, 유체 취급 컴포넌트 등과 같은 하우징 내의 컴포넌트의 내부 세트를 모니터링하는 것과 같은, 산업 기계의 초음파 모니터링 또는 음향 모니터링으로부터의 결과를 분류하기 위해 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 다양한 산업 환경 전반에 걸쳐 분산된 센서로부터 입력을 취하기 위해, 예컨대, 하나 이상의 원격 감지 애플리케이션을 취급하기 위해, 피드포워드, 역전파 다층 퍼셉트론(MLP) 신경망을 사용할 수 있다. 실시예에서, MLP 신경망은 (지하 특징 및 지상 특징을 포함하는) 지질 구조의 분류, (유체, 광물, 금속 등을 포함하는) 재료의 분류, 및 다른 문제를 포함하는, 마이닝 환경, 탐사 환경, 시추 환경 등과 같은 물리적 환경의 분류를 위해 사용될 수 있다. 이는 퍼지 분류를 포함할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 구조 적응 신경망을 사용할 수 있으며, 여기서 신경망의 구조는 예컨대, 규칙, 감지된 조건, 상황 파라미터 등에 기초하여 적응된다. 예를 들어, 신경망이, 예컨대, 아이템을 분류하거나 예측에 도달하는 것과 같이, 솔루션에 수렴하지 않는 경우, 소정량의 훈련 후에 입력의 세트에 대해 작용할 때, 신경망은, 예컨대 노드의 일부 서브세트 사이의 데이터 경로를 단방향으로부터 양방향 데이터 경로로 전환함으로써, 피드포워드 신경망으로부터 순환 신경망으로 수정될 수 있다. 구조 적응은, 임계값의 발생(예컨대, 주어진 양의 시간 내에 솔루션에 대한 수렴의 부재)을 인식하는 것 또는 상이한 또는 추가적인 구조를 요구하는 것으로서 현상을 인식하는 것(예컨대, 시스템이 동적으로 또는 비선형 방식으로 변한다는 것을 인식하는 것)과 같이, 예컨대, 트리거, 규칙 또는 이벤트의 발생 시에 적응을 트리거하기 위해, 전문가 시스템의 제어 하에서 발생할 수 있다. 하나의 비제한적인 예에서, 전문가 시스템은 연속 가변 송신이 분석되고 있는 시스템에서 발전기, 터빈 등을 구동하기 위해 사용되고 있다는 표시를 수신할 시에 피드포워드 신경망과 같은 간단한 신경망 구조로부터 순환 신경망, 컨볼루션 신경망 등과 같은 더 복잡한 신경망 구조로 전환할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 입력 계층, 출력 계층 및 이들을 연결하는 하나 이상의 은닉 계층이 있을 수 있는 경우, 다층 퍼셉트론("MLP") 신경망과 유사할 수 있는 오토인코더, 오토어소시에이터 또는 디아볼로 신경망을 사용할 수 있다. 그러나, 오토-인코더에서의 출력 계층은 입력 계층과 동일한 수의 유닛을 가질 수 있으며, 여기서 MLP 신경망의 목적은 (목표 값을 단지 방출하기보다는) 그 자신의 입력을 재구성하는 것이다. 따라서, 자동 인코더는 비지도 학습 모델로서 동작할 수 있다. 자동 인코더는, 예를 들어, 차원 감소를 위한 것, 데이터의 생성적 모델을 학습하기 위한 것 등과 같은 효율적인 코딩의 비지도 학습을 위해 사용될 수 있다. 실시예에서, 하나 이상의 네트워크를 통한 산업 기계로부터의 아날로그 센서 데이터의 송신을 위한 효율적인 네트워크 코딩을 자기 학습하기 위해 오토-인코딩 신경망이 사용될 수 있다. 실시예에서, 산업 환경으로부터의 아날로그 센서 데이터의 스트림의 저장을 위한 효율적인 저장 접근법을 자기 학습하기 위해 오토-인코딩 신경망이 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 실시예에서, 다층(예를 들어, 4-계층) 피드포워드 신경망을 포함할 수 있는 확률적 신경망("PNN")을 사용할 수 있으며, 여기서 계층은 입력 계층, 은닉 계층, 패턴/합산 계층 및 출력 계층을 포함할 수 있다. PNN 알고리즘의 실시예에서, 각각의 클래스의 부모 확률 분포 함수(PDF)는 예컨대 파젠 윈도우 및/또는 비-파라미터 함수에 의해 근사화될 수 있다. 그 후, 각각의 클래스의 PDF를 사용하여, 새로운 입력의 클래스 확률이 추정되고, 베이즈 규칙(Bayes' rule)이 이용되어, 예컨대 가장 높은 사후 확률을 갖는 클래스에 그것을 할당할 수 있다. PNN은 베이지안 네트워크를 구현할 수 있고, 커널 피셔 판별 분석 기술과 같은 통계적 알고리즘 또는 분석 기술을 사용할 수 있다. PNN은 본 출원에 개시된 광범위한 실시예 중 임의의 것에서 분류 및 패턴 인식을 위해 사용될 수 있다. 하나의 비제한적인 예에서, 엔진에 대한 센서 및 기구로부터의 데이터 입력의 집합체에 기초하여 엔진의 결함 조건을 예측하기 위해 확률적 신경망이 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 시간 지연 신경망(time delay neural network)(TDNN)을 사용할 수 있으며, 이는 시퀀스 위치와 독립적인 특징을 인식하는 순차적 데이터에 대한 피드포워드 아키텍처를 포함할 수 있다. 실시예에서, 데이터에서의 시간 시프트를 고려하기 위해, 하나 이상의 입력에, 또는 하나 이상의 노드 사이에 지연이 추가되어, (별개의 시점으로부터의) 다수의 데이터 지점이 함께 분석된다. 시간 지연 신경망은 예컨대, 퍼셉트론 네트워크를 사용하여, 더 큰 패턴 인식 시스템의 일부를 형성할 수 있다. 실시예에서, TDNN은, 연결 가중치가 역전파로 또는 피드백 하에서 훈련되는 경우와 같이, 지도 학습으로 훈련될 수 있다. 실시예에서, TDNN은 속도 데이터의 스트림, 가속도 데이터의 스트림, 온도 데이터의 스트림, 압력 데이터의 스트림 등과 같은 별개의 스트림으로부터의 센서 데이터를 처리하기 위해 사용될 수 있으며, 여기서 시간 지연은 예컨대, 다양한 스트림의 이해를 수반하는 패턴을 이해하는 것을 돕기 위해서(예를 들어, 산업 기계가 과열됨에 따라 압력 및 가속도의 증가가 발생하는 경우) 데이터 스트림을 시간적으로 정렬하기 위해 사용된다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 컨볼루션 신경망(일부 경우에서 CNN, ConvNet, 시프트 불변 신경망, 또는 공간 불변 신경망이라고 지칭됨)을 사용할 수 있고, 여기서, 유닛은 인간 뇌의 시각 피질과 유사한 패턴으로 연결된다. 뉴런은 수용 필드(receptive field)라고 지칭되는 공간의 제한된 영역에서 자극에 반응할 수 있다. 수용 필드는 전체 (예를 들어, 시각) 필드를 총괄하여 커버하도록 부분적으로 중첩될 수 있다. 노드 응답은, 예컨대 최소 전처리를 사용하는 다층 퍼셉트론을 사용하는 예컨대 컨볼루션 연산에 의해, 수학적으로 계산될 수 있다. 컨볼루션 신경망은, 이미지 및 비디오 스트림 내에서의 인식을 위해, 예컨대, 드론 또는 모바일 로봇과 같은 모바일 데이터 수집기 상에 배치된 카메라 시스템을 사용하여 대규모 환경에서 기계의 타입을 인식하기 위해 사용될 수 있다. 실시예에서, 컨볼루션 신경망은, 모바일 데이터 수집기를 위한 경로를 추천하는 것과 같은, 센서 입력 및 다른 상황 정보를 포함하는 데이터 입력에 기초하여 추천을 제공하기 위해 사용될 수 있다. 실시예에서, 컨볼루션 신경망은, 환경에서의 작업흐름에 수반되는 하나 이상의 당사자에 의해 제공되는 명령어들의 자연어 처리와 같은, 입력을 처리하기 위해 사용될 수 있다. 실시예에서, 컨볼루션 신경망은 다수의 뉴런(예를 들어, 100,000, 500,000 또는 그 이상), 다수의(예를 들어, 4, 5, 6 또는 그 이상의) 계층, 및 많은(예를 들어, 수백만의) 파라미터와 함께 배치될 수 있다. 컨볼루션 신경망은 하나 이상의 컨볼루션 네트를 사용할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, (산업 환경에서 이전에 이해되지 않은 새로운 타입의 결함과 같은) 응급 현상을 인식하기 위해서, 규제 피드백 네트워크를 사용할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 비지도 학습을 수반하는 자기-조직화 맵("SOM")을 사용할 수 있다. 뉴런의 세트는 입력 공간에서의 지점을 출력 공간에서의 좌표에 매핑하는 것을 학습할 수 있다. 입력 공간은 출력 공간과 상이한 치수 및 토폴로지를 가질 수 있고, SOM은 현상을 그룹으로 매핑하면서 이들을 보존할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 학습 벡터 양자화 신경망("LVQ")을 사용할 수 있다. 클래스의 프로토타입 대표는, 적절한 거리 측정과 함께, 거리 기반 분류 스킴에서 파라미터화할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 희소하게 연결된 랜덤 은닉 계층을 갖는 순환 신경망을 포함할 수 있는 에코 상태 네트워크("ESN")를 사용할 수 있다. 출력 뉴런의 가중치는 변경될 수 있다(예를 들어, 가중치는 피드백에 기초하여 훈련될 수 있다). 실시예에서, ESN은, 예에서, 산업용 터빈, 발전기 등의 기어 시프트와 연관된 이벤트의 패턴을 인식하는 것과 같이, 시계열 패턴을 취급하기 위해 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 요소의 과거 및 미래 상황 둘 모두에 기초하여 시퀀스의 각각의 요소를 예측하거나 라벨링하기 위해 예컨대, 값의 유한 시퀀스(예를 들어, 센서로부터의 전압 값)를 사용하는 양방향, 순환 신경망("BRNN")을 사용할 수 있다. 이는, 하나는 왼쪽에서 오른쪽으로 시퀀스를 처리하고 다른 하나는 오른쪽에서 왼쪽으로 시퀀스를 처리하는 것과 같이, 2개의 RNN의 출력을 추가함으로써 수행될 수 있다. 조합된 출력은 교사 또는 감독자에 의해 제공되는 것과 같은 타겟 신호의 예측이다. 양방향 RNN은 장단기 메모리 RNN과 조합될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 계층적 거동을, 예컨대 유용한 서브프로그램으로 분해하기 위해 다양한 방식으로 요소를 연결하는 계층적 RNN을 사용할 수 있다. 실시예에서, 계층적 RNN은 산업 환경에서 데이터 수집을 위한 하나 이상의 계층적 템플릿을 관리하는데 이용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 확률적 신경망을 사용할 수 있으며, 이는 네트워크에 무작위 변동을 도입할 수 있다. 이러한 무작위 변동은 몬테 카를로 샘플링과 같은 통계적 샘플링의 형태로서 고려될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 유전적 스케일 순환 신경망을 사용할 수 있다. 이러한 실시예에서, 시리즈가 다수의 스케일로 분해되는 RNN(종종 LSTM)이 사용되며, 여기서 모든 스케일은 2개의 연속적인 포인트 사이의 1차 길이를 알려준다. 1차 스케일은 정상 RNN으로 구성되고, 2차 스케일은 2개의 인덱스에 의해 분리된 모든 지점으로 구성되는 등등이다. N차 RNN은 첫 번째 노드와 마지막 노드를 연결한다. 모든 다양한 스케일로부터의 출력은 구성원의 위원회로서 취급될 수 있고, 연관된 점수들은 다음 반복을 위해 유전적으로 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 주어진 예에 대해 함께 "투표"하는 상이한 신경망의 집합체를 포함하는 기계 위원회("CoM")를 사용할 수 있다. 신경망은 동일한 아키텍처 및 훈련으로 시작하여 로컬 최소값의 문제가 있을 수 있기 때문에, 무작위하게 상이한 초기 가중치를 사용하는 것은 종종 상이한 결과를 제공한다. CoM은 결과를 안정화시키는 경향이 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 다수의 피드포워드 신경망 및 k-최근접 이웃 기술을 조합하는 기계 위원회의 확장을 수반하는, 연관 신경망("ASNN")을 사용할 수 있다. 이는 kNN에 대한 분석된 사례 중에서 거리의 척도로서 앙상블 응답 사이의 상관을 사용할 수 있다. 이는 신경망 앙상블의 편향을 정정한다. 연관 신경망은 훈련 세트와 일치할 수 있는 메모리를 가질 수 있다. 새로운 데이터가 이용가능하게 되면, 네트워크는 예측 능력을 즉시 개선하고 재훈련 없이 데이터 근사화를 제공한다(자기 학습). ASNN의 다른 중요한 특징은 모델의 공간에서 데이터 사례 사이의 상관의 분석에 의해 신경망 결과를 해석할 가능성이다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 순간적 훈련 신경망("ITNN")을 사용할 수 있으며, 여기서 은닉 및 출력 계층의 가중치는 훈련 벡터 데이터로부터 직접 매핑된다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 입력의 타이밍을 명시적으로 고려할 수 있는 스파이킹 신경망을 사용할 수 있다. 네트워크 입력 및 출력은 (델타 함수 또는 더 복잡한 형상과 같은) 일련의 스파이크로서 표현될 수 있다. SNN은 시간 도메인에서 정보(예를 들어, 산업 기계의 동적 거동을 수반하는 신호와 같이, 시간 경과에 따라 변하는 신호)를 처리할 수 있다. 이들은 종종 순환 네트워크로서 구현된다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 비선형 다변량 거동을 다루고 일시적 현상 및 지연 효과와 같은 시간 의존적 거동의 학습을 포함하는 동적 신경망을 사용할 수 있다. 과도현상은 회전 샤프트 또는 다른 회전 컴포넌트의 가변 속도와 같은, 산업 컴포넌트를 시프트하는 거동을 포함할 수 있다.
실시예에서, 캐스케이드 상관은 고정 토폴로지의 네트워크에서 가중치의 조정을 보충하는 아키텍처 및 지도 학습 알고리즘으로서 사용될 수 있다. 캐스케이드-상관은 최소 네트워크로 시작할 수 있고, 이어서 자동으로 새로운 은닉 유닛을 하나씩 훈련하고 추가하여, 다층 구조를 생성한다. 일단 새로운 은닉 유닛이 네트워크에 추가되면, 그 입력측 가중치는 동결될 수 있다. 그 다음, 이 유닛은 출력을 생성하거나 다른 더 복잡한 특징 검출기를 생성하기 위해 이용가능한, 네트워크에서의 영구적인 특징 검출기가 된다. 캐스케이드-상관 아키텍처는 신속하게 학습하고, 그 자신의 크기 및 토폴로지를 결정하고, 훈련 세트가 변경되는 경우에도 구축한 구조를 유지할 수 있으며, 역전파를 필요로 하지 않는다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 예컨대, 인공 신경망의 본체에 퍼지 추론 시스템을 수반하는 신경-퍼지 네트워크를 사용할 수 있다. 타입에 따라, 여러 계층은 퍼지화, 추론, 집계 및 탈퍼지화와 같은 퍼지 추론에 수반되는 프로세스를 시뮬레이션할 수 있다. 퍼지 시스템의 파라미터를 찾기 위해 이용가능한 훈련 방법의 사용을 활용하여 신경망의 일반적인 구조에 퍼지 시스템을 임베딩한다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 활성화 함수의 세트 및 이들이 적용되는 방법과 상이한 연관 신경망("ANN")의 변형과 같은 구성 패턴 생성 네트워크("CPPN")를 사용할 수 있다. 전형적인 ANN은 종종 시그모이드 함수(및 때때로 가우시안 함수)만을 포함하지만, CPPN은 두 타입의 함수 모두를 포함할 수 있는 등이다. 또한, CPPN은 가능한 입력의 전체 공간에 걸쳐 적용될 수 있으며, 따라서 이들은 완전한 이미지를 나타낼 수 있다. 이들은 함수의 구성이기 때문에, CPPN은 사실상 무한 해상도로 이미지를 인코딩하고, 최적의 해상도에서 특정 디스플레이에 대해 샘플링될 수 있다.
이러한 타입의 네트워크는 재훈련 없이 새로운 패턴을 추가할 수 있다. 실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 인접하게 연결된 계층적 어레이들을 사용하여 직교 평면에 각각의 새로운 패턴을 할당하는 특정 메모리 구조를 생성함으로써, 원-샷 연관 메모리 네트워크를 사용할 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은, 예컨대, 신피질의 구조적 및 알고리즘적 특성을 수반하는, 계층적 시간 메모리("HTM") 신경망을 사용할 수 있다. HTM은 메모리 예측 이론에 기초한 생체모방 모델을 사용할 수 있다. HTM은 관찰된 입력 패턴 및 시퀀스의 하이-레벨 원인을 발견하고 추론하는 데 사용될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 아날로그, 상관 기반, 연관, 자극-응답 시스템을 포함할 수 있는 홀로그래픽 연관 메모리("HAM") 신경망을 사용할 수 있다. 정보는 복소수의 위상 배향에 매핑될 수 있다. 메모리는 연관성 있는 메모리 태스크, 일반화 및 변경가능한 어텐션을 갖는 패턴 인식에 효과적이다.
실시예에서, 네트워크 코딩을 수반하는 다양한 실시예는, 노드가 산업 환경에서의 하나 이상의 데이터 수집기 또는 기계에 위치되는 경우와 같이, 신경망에서의 네트워크 노드 사이의 송신 데이터를 코딩하기 위해 사용될 수 있다.
본 개시의 실시예에서, 역할 기반 디지털 트윈을 구성하기 위한 방법이 제공되며, 이 방법은 하나 이상의 프로세서를 갖는 처리 시스템에 의해, 기업의 조직적 정의를 수신하는 단계- 조직적 정의는 기업 내의 역할의 세트를 정의함 -; 처리 시스템에 의해, 조직 정의에 기초하여 기업의 조직 디지털 트윈을 생성하는 단계- 조직 디지털 트윈은 기업의 조직 구조의 디지털 표현임 -; 처리 시스템에 의해, 조직적 정의에 기초하여 역할의 세트 내의 상이한 역할 사이의 관계의 세트를 결정하는 단계; 처리 시스템에 의해, 결정된 관계의 세트에 기초하여 역할의 세트로부터 역할에 대한 설정의 세트를 결정하는 단계; 각각의 개인의 아이덴티티를 역할에 링크시키는 단계; 처리 시스템에 의해, 아이덴티티에 연동되는 역할의 설정에 기초하여 역할에 대응하는 역할 기반 디지털 트윈의 프레젠테이션 계층의 구성을 결정하는 단계- 프레젠테이션 계층의 구성은 역할과 연관된 역할 기반 디지털 트윈에 표시되는 상태의 세트를 정의함 -; 처리 시스템에 의해, 상태의 세트에 대응하는 데이터를 제공하는 데이터 소스의 세트를 결정하는 단계- 각각의 데이터 소스는 하나 이상의 각각의 타입의 데이터를 제공함 -; 및 하나 이상의 데이터 소스로부터 수신되는 하나 이상의 데이터 구조를 구성하는 단계- 하나 이상의 데이터 구조는 역할 기반 디지털 트윈에서 상태의 세트 중 하나 이상을 채우는 데 사용되는 데이터를 제공하도록 구성됨 -를 포함한다.
실시예에서, 조직 정의는 기업의 물리적 자산의 세트를 추가로 식별할 수 있다.
실시예에서, 관계의 세트를 결정하는 것은 기업의 보고 구조 및 하나 이상의 비즈니스 유닛을 식별하기 위해 조직 정의를 파싱하는 것을 포함할 수 있다.
실시예에서, 관계의 세트는 보고 구조 및 비즈니스 유닛으로부터 추론될 수 있다.
실시예에서, 아이덴티티의 세트는 역할의 세트에 연동될 수 있고, 각각의 아이덴티티는 역할의 세트로부터의 각각의 역할에 대응한다.
실시예에서, 역할 기반 디지털 트윈은 기업에서의 역할의 세트를 나타내는 조직 디지털 트윈 상에서 동작하는 기업 리소스 계획 시스템과 통합될 수 있어서, 기업 리소스 계획 시스템에서의 변경이 조직 디지털 트윈에 자동으로 반영된다.
실시예에서, 조직 구조는 그래프 데이터 구조로 구현될 수 있는 계층적 컴포넌트를 포함할 수 있다.
실시예에서, 역할의 세트에 대한 설정의 세트는 역할 기반 허가 설정을 포함할 수 있다.
실시예에서, 역할 기반 허가 설정은 조직 정의에 정의된 계층적 컴포넌트에 기초할 수 있다.
실시예에서, 역할의 세트에 대한 설정의 세트는 역할 기반 선호 설정을 포함할 수 있다.
실시예에서, 역할 기반 선호도 설정은 역할-특정 템플릿의 세트에 기초하여 구성될 수 있다.
실시예에서, 템플릿의 세트는 CEO 템플릿, COO 템플릿, CFO 템플릿, 카운셀 템플릿, 이사회 구성원 템플릿, CTO 템플릿, 최고 마케팅 관리자 템플릿, 정보 기술 관리자 템플릿, 최고 정보 관리자 템플릿, 최고 데이터 관리자 템플릿, 투자자 템플릿, 고객 템플릿, 벤더 템플릿, 공급자 템플릿, 엔지니어링 관리자 템플릿, 프로젝트 관리자 템플릿, 운영 관리자 템플릿, 판매 관리자 템플릿, 판매원 템플릿, 서비스 관리자 템플릿, 유지보수 운영자 템플릿, 및 비즈니스 개발 템플릿 중 적어도 하나를 포함할 수 있다.
실시예에서, 역할의 세트에 대한 설정의 세트는 역할 기반 분류체계 설정을 포함할 수 있다.
실시예에서, 분류체계 설정은 역할 기반 디지털 트윈에서 제시되는 데이터를 특성화하기 위해 사용되는 분류체계를 식별할 수 있어, 데이터는 역할 기반 디지털 트윈에 대응하는 역할에 연동되는 분류체계에서 제시된다.
실시예에서, 분류체계의 세트는 CEO 분류체계, COO 분류체계, CFO 분류체계, 카운셀 분류체계, 이사회 구성원 분류체계, CTO 분류체계, 최고 마케팅 관리자 분류체계, 정보 기술 관리자 분류체계, 최고 정보 관리자 분류체계, 최고 데이터 관리자 분류체계, 투자자 분류체계, 고객 분류체계, 벤더 분류체계, 공급자 분류체계, 엔지니어링 관리자 분류체계, 프로젝트 관리자 분류체계, 운영 관리자 분류체계, 판매 관리자 분류체계, 판매원 분류체계, 서비스 관리자 분류체계, 유지보수 운영자 분류체계, 및 비즈니스 개발 분류체계 중 적어도 하나를 포함한다.
실시예에서, 역할의 세트 중 적어도 하나의 역할은 CEO 역할, COO 역할, CFO 역할, 카운셀 역할, 이사회 구성원 역할, CTO 역할, 정보 기술 관리자 역할, 최고 정보 관리자 역할, 최고 데이터 관리자 역할, 인사 관리자 역할, 투자자 역할, 엔지니어링 관리자 역할, 회계사 역할, 감사 역할, 리소스 계획 역할, 홍보 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 연구 및 개발 역할, 기계 엔지니어, 전기 엔지니어, 반도체 엔지니어, 화학 엔지니어, 컴퓨터 과학 엔지니어, 데이터 과학 엔지니어, 네트워크 엔지니어, 또는 일부 다른 타입의 엔지니어를 포함하지만 이에 제한되지 않는 엔지니어 역할, 및 비즈니스 개발 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 역할은 공장 관리자 역할, 공장 운영 역할, 공장 작업자 역할, 파워플랜트 관리자 역할, 파워플랜트 운영 역할, 파워플랜트 작업자 역할, 장비 서비스 역할, 및 장비 유지보수 운영자 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 역할은 시장 제조자 역할, 시장 분석가 역할, 교환 관리자 역할, 브로커-딜러 역할, 거래 역할, 조정 역할, 계약 상대방 역할, 환율 설정 역할, 시장 오케스트레이션 역할, 시장 구성 역할, 및 계약 구성 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 역할은 최고 마케팅 담당자 역할, 제품 개발 역할, 공급 체인 관리자 역할, 제품 설계 역할, 마케팅 분석가 역할, 제품 관리자 역할, 경쟁 분석가 역할, 고객 서비스 대표 역할, 조달 운영자, 인바운드 물류 운영자, 아웃바운드 물류 운영자, 고객 역할, 공급자 역할, 벤더 역할, 수요 관리 역할, 마케팅 관리자 역할, 판매 관리자 역할, 서비스 관리자 역할, 수요 예상 역할, 소매 관리자 역할, 웨어하우스 관리자 역할, 판매원 역할, 및 유통 센터 관리자 역할 중에서 선택될 수 있다.
본 개시의 실시예에서, 전문가 에이전트를 훈련시키기 위한 방법이 제공되며, 이 방법은 데이터 소스의 세트로부터 디지털 트윈 데이터를 수신하는 단계로서, 디지털 트윈 데이터는 기업과 연관된 모니터링된 물리적 엔티티의 세트를 모니터링하는 센서의 세트로부터 수신되는 센서 데이터 - 센서 데이터는 네트워크 엔티티의 세트에 의해 송신됨 -; 기업 자산 세트에 의해 생성된 기업 데이터 스트림- 기업 자산은 기업과 연관된 물리적 엔티티 및 기업과 연관된 디지털 엔티티 중 적어도 하나를 포함함 -을 포함하는, 단계; 디지털 트윈 데이터를 복수의 상이한 역할 기반 디지털 트윈을 서빙하도록 구성되는 디지털 트윈 데이터 구조의 세트로 구조화하는 단계; 클라이언트 애플리케이션으로부터 역할 기반 디지털 트윈에 대한 요청을 수신하는 단계- 역할 기반 디지털 트윈은 기업 내에서 정의된 역할에 대해 구성됨 -; 역할 기반 디지털 트윈에 표시되는 상태의 세트에 대응하도록 구조화된 디지털 트윈 데이터의 서브세트를 결정하는 단계; 구조화된 디지털 트윈 데이터의 서브세트를 클라이언트 애플리케이션에 제공하는 단계; 클라이언트 애플리케이션으로부터 전문가 에이전트 훈련 데이터 세트를 수신하는 단계- 각각의 전문가 에이전트 훈련 데이터 세트는 클라이언트 애플리케이션을 사용하여 사용자가 취한 각각의 액션 및 각각의 액션에 대응하는 하나 이상의 특징을 표시함 -; 및 전문가 에이전트 훈련 데이터 세트에 기초하여 사용자를 대신하여 전문가 에이전트를 훈련하는 단계를 포함하고, 전문가 에이전트는 사용자를 대신하여 수행될 액션을 결정하도록 구성되고, 결정된 액션은 사용자에게 추천되거나 또는 사용자를 대신하여 자동으로 수행된다.
실시예에서, 정의된 역할은 CEO 역할, COO 역할, CFO 역할, 카운셀 역할, 이사회 구성원 역할, CTO 역할, 정보 기술 관리자 역할, 최고 정보 관리자 역할, 최고 데이터 관리자 역할, 투자자 역할, 엔지니어링 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 및 비즈니스 개발 역할 중에서 선택될 수 있다.
실시예에서, 정의된 역할은 공장 관리자 역할, 공장 운영 역할, 공장 작업자 역할, 파워플랜트 관리자 역할, 파워플랜트 운영 역할, 파워플랜트 작업자 역할, 장비 서비스 역할, 및 장비 유지보수 운영자 역할 중에서 선택될 수 있다.
실시예에서, 정의된 역할은 시장 제조자 역할, 교환 관리자 역할, 브로커-딜러 역할, 거래 역할, 조정 역할, 계약 상대방 역할, 환율 설정 역할, 시장 오케스트레이션 역할, 시장 구성 역할, 및 계약 구성 역할 중에서 선택될 수 있다.
실시예에서, 정의된 역할은 최고 마케팅 담당자 역할, 제품 개발 역할, 공급 체인 관리자 역할, 고객 역할, 공급자 역할, 벤더 역할, 수요 관리 역할, 마케팅 관리자 역할, 판매 관리자 역할, 서비스 관리자 역할, 수요 예상 역할, 소매 관리자 역할, 웨어하우스 관리자 역할, 판매원 역할, 및 유통 센터 관리자 역할 중에서 선택될 수 있다.
실시예에서, 전문가 에이전트 훈련 데이터는 역할의 수행 동안 사용자에 의한 전문가의 세트와의 상호작용의 세트를 표시하는 상호작용 훈련 데이터를 포함할 수 있다.
실시예에서, 전문가 에이전트를 훈련하기 위해 사용되는 상호작용의 세트는 사용자와 물리적 엔티티의 상호작용, 사용자와 역할 기반 디지털 트윈의 상호작용, 사용자와 역할 기반 디지털 트윈에 표시된 바와 같은 센서 데이터의 상호작용, 전문가와 물리적 엔티티에 의해 생성된 데이터 스트림의 상호작용, 전문가와 하나 이상의 계산 엔티티의 상호작용, 사용자와 하나 이상의 네트워크 엔티티의 상호작용, 또는 일부 다른 타입의 상호작용을 포함할 수 있다.
실시예에서, 전문가 에이전트는 다음을 포함하는 그룹으로부터 선택된 액션을 결정하도록 훈련될 수 있다: 툴의 선택, 태스크의 선택, 차원의 선택, 파라미터의 설정, 객체의 선택, 작업흐름의 선택, 작업흐름의 트리거링, 프로세스의 순서화, 작업흐름의 순서화, 작업흐름의 중단, 데이터 세트의 선택, 설계 선택의 선택, 설계 선택의 세트의 생성, 고장 모드의 식별, 결함의 식별, 동작 모드의 식별, 문제의 식별, 인적 리소스의 선택, 노동력 리소스의 선택, 인적 리소스에 명령을 제공하는 것, 및 노동력 리소스에 명령을 제공하는 것.
실시예에서, 집행은 집행이 취한 액션으로부터 초래되는 결과의 훈련 세트에 대해 훈련될 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
실시예에서, 전문가 에이전트는 시스템에 대한 아키텍처를 결정하는 것, 상태를 보고하는 것, 이벤트를 보고하는 것, 상황을 보고하는 것, 조건을 보고하는 것, 모델을 결정하는 것, 모델을 구성하는 것, 모델을 채우는 것, 시스템을 설계하는 것, 프로세스를 설계하는 것, 장치를 설계하는 것, 시스템을 엔지니어링하는 것, 디바이스를 엔지니어링하는 것, 프로세스를 엔지니어링하는 것, 제품을 엔지니어링하는 것, 시스템을 유지하는 것, 디바이스를 유지하는 것, 프로세스를 유지하는 것, 네트워크를 유지하는 것, 계산 리소스를 유지하는 것, 장비를 유지하는 것, 하드웨어를 유지하는 것, 시스템을 수리하는 것, 디바이스를 수리하는 것, 프로세스를 수리하는 것, 네트워크를 수리하는 것, 계산 리소스를 수리하는 것, 장비를 수리하는 것, 하드웨어를 수리하는 것, 시스템을 조립하는 것, 디바이스를 조립하는 것, 프로세스를 조립하는 것, 네트워크를 조립하는 것, 계산 리소스를 조립하는 것, 장비를 조립하는 것, 하드웨어를 조립하는 것, 가격을 설정하는 것, 시스템을 물리적으로 보안하는 것, 디바이스를 물리적으로 보안하는 것, 프로세스를 물리적으로 보안하는 것, 네트워크를 물리적으로 보안하는 것, 계산 리소스를 물리적으로 보안하는 것, 장비를 물리적으로 보안하는 것, 하드웨어를 물리적으로 보안하는 것, 시스템을 사이버-보안하는 것, 디바이스를 사이버-보안하는 것, 프로세스를 사이버-보안하는 것, 네트워크를 사이버-보안하는 것, 계산 리소스를 사이버-보안하는 것, 장비를 사이버-보안하는 것, 하드웨어를 사이버-보안하는 것, 위협을 검출하는 것, 결함을 검출하는 것, 시스템을 튜닝하는 것, 디바이스를 튜닝하는 것, 프로세스를 튜닝하는 것, 네트워크를 튜닝하는 것, 계산 리소스를 튜닝하는 것, 장비를 튜닝하는 것, 하드웨어를 튜닝하는 것, 시스템을 최적화하는 것, 디바이스를 최적화하는 것, 프로세스를 최적화하는 것, 네트워크를 최적화하는 것, 계산 리소스를 최적화하는 것, 장비를 최적화하는 것, 하드웨어를 최적화하는 것, 시스템을 모니터링하는 것, 디바이스를 모니터링하는 것, 프로세스를 모니터링하는 것, 네트워크를 모니터링하는 것, 계산 리소스를 모니터링하는 것, 장비를 모니터링하는 것, 하드웨어를 모니터링하는 것, 시스템을 구성하는 것, 디바이스를 구성하는 것, 프로세스를 구성하는 것, 네트워크를 구성하는 것, 계산 리소스를 구성하는 것, 장비를 구성하는 것, 및 하드웨어를 구성하는 것 중에서 선택된 액션을 수행하도록 훈련될 수 있다.
실시예에서, 전문가 에이전트는 전문가 에이전트의 출력의 세트에 관한 정의된 역할에서의 적어도 하나의 전문가로부터의 피드백을 통해 훈련되는 것 및 구성되는 것 중 적어도 하나이다.
실시예에서, 전문가가 피드백을 제공하는 전문가 에이전트의 출력의 세트는 추천, 분류, 예측, 제어 명령어, 입력 선택, 프로토콜 선택, 통신, 경보, 통신을 위한 타겟 선택, 데이터 저장소 선택, 계산 선택, 구성, 이벤트 검출, 및 예상 중 적어도 하나를 포함할 수 있다.
실시예에서, 적어도 하나의 전문가의 피드백은 역할에서 전문가의 전문 지식을 복제하도록 전문가 에이전트를 훈련시키도록 요청될 수 있다.
실시예에서, 적어도 하나의 전문가의 피드백은 전문가 에이전트에 대한 입력의 세트를 수정하는 데 사용될 수 있고/있거나 전문가 에이전트에 의한 적어도 하나의 에러를 식별하고 특성화하는 데 사용될 수 있다.
실시예에서, 전문가로부터의 피드백에 기초하여 전문가 에이전트의 재구성을 가능하게 하기 위해 전문가 에이전트의 사용자에게 에러 세트에 대한 보고가 제공될 수 있다.
실시예에서, 인공 지능 시스템을 재구성하는 것은 에러의 소스인 입력을 제거하는 것, 인공 지능 시스템의 노드의 세트를 재구성하는 것, 인공 지능 시스템의 가중치의 세트를 재구성하는 것, 인공 지능 시스템의 출력의 세트를 재구성하는 것, 인공 지능 시스템 내의 처리 흐름을 재구성하는 것, 및 인공 지능 시스템에 대한 입력의 세트를 증강시키는 것 중 적어도 하나를 포함할 수 있다.
실시예에서, 전문가 에이전트는 결과의 훈련 세트에 기초하여 학습하고, 정의된 역할을 수행하는 것을 담당하는 개인에게 훈련 및 안내 중 적어도 하나를 제공하도록 훈련될 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
본 개시의 실시예에서, 방법이 제공되고, 이 방법은 물리적 및 디지털 엔티티의 세트의 디지털 트윈을 지원하는 정보 기술 아키텍처를 취하고- 이러한 아키텍처는 물리적 엔티티의 세트에 관한 센서 데이터를 제공하는 센서의 세트; 물리적 및 디지털 엔티티의 세트의 적어도 서브세트에 의해 생성된 데이터 스트림의 세트; 데이터를 처리하기 위한 계산 엔티티의 세트 및 센서의 세트 및 데이터 스트림의 세트로부터 도출되는 데이터를 송신하기 위한 네트워크 엔티티의 세트; 네트워크 엔티티에 의해 송신되는 데이터를 디지털 트윈에 대한 소스들인 리소스의 세트로 추출, 변환 및 로딩하기 위한 데이터 처리 시스템의 세트를 포함함 -; 및 인공 지능 시스템을 정보 기술 아키텍처와 통합하며, 인공 지능 시스템은 기업의 정의된 역할을 위한 전문가 작업자와 이중으로 동작하도록 구성된다.
실시예에서, 인공 지능 시스템은 정의된 역할의 수행 동안 특정 전문가 작업자에 의한 상호작용의 세트를 포함하는 훈련 데이터 세트에 대해 훈련될 수 있다.
실시예에서, 인공 지능 시스템을 훈련시키기 위해 상호작용의 세트가 사용될 수 있는 것은 물리적 엔티티와의 전문가의 상호작용을 포함할 수 있고, 인공 지능 시스템을 훈련시키는 데 사용되는 상호작용의 세트는 전문가와 디지털 트윈의 상호작용을 포함한다.
실시예에서, 인공 지능 시스템을 훈련시키는 데 사용되는 상호작용의 세트는 센서 데이터와 전문가의 상호작용을 포함할 수 있고, 인공 지능 시스템을 훈련시키는 데 사용되는 상호작용의 세트는 물리적 엔티티에 의해 생성되는 데이터 스트림과 전문가의 상호작용을 포함한다.
실시예에서, 인공 지능 시스템을 훈련시키는 데 사용되는 상호작용의 세트는 전문가와 계산 엔티티의 상호작용을 포함할 수 있고, 인공 지능 시스템을 훈련시키는 데 사용되는 상호작용의 세트는 전문가와 네트워크 엔티티의 상호작용을 포함할 수 있다.
실시예에서, 상호작용의 세트는 정보의 세트에 대한 전문가 작업자의 추론의 체인을 식별하기 위해 파싱될 수 있고, 추론의 체인은 인공 지능 시스템의 구성에서 구현된다.
실시예에서, 인공 지능 시스템은 다음으로부터 선택된 액션을 결정하기 위해 설정된 상호작용에 기초하여 훈련될 수 있다: 툴의 선택, 태스크의 선택, 차원의 선택, 파라미터의 설정, 객체의 선택, 작업흐름의 선택, 작업흐름의 트리거링, 프로세스의 순서화, 작업흐름의 순서화, 작업흐름의 중단, 데이터 세트의 선택, 설계 선택의 선택, 설계 선택의 세트의 생성, 고장 모드의 식별, 결함의 식별, 동작 모드의 식별, 문제의 식별, 인적 리소스의 선택, 노동력 리소스의 선택, 인적 리소스에 명령을 제공하는 것, 및 노동력 리소스에 명령을 제공하는 것.
실시예에서, 추론 체인은 전문가 작업자의 추론 타입을 식별하기 위해 파싱될 수 있고, 추론 타입은 인공 지능 시스템의 구성을 위한 기초로서 사용된다.
실시예에서, 추론 체인은 데이터 세트로부터의 추론의 연역 체인일 수 있다.
실시예에서, 추론 체인은 추론의 유도성 체인, 추론의 분류 체인, 추론의 예측 체인, 추론의 반복 체인, 추론의 시행착오 체인, 추론의 베이지안 체인, 추론의 과학적 방법 체인, 또는 일부 다른 추론 방법 또는 시스템일 수 있다.
실시예에서, 인공 지능 시스템은 시스템에 대한 아키텍처를 결정하는 것, 상태를 보고하는 것, 이벤트를 보고하는 것, 상황을 보고하는 것, 조건을 보고하는 것, 모델을 결정하는 것, 모델을 구성하는 것, 모델을 채우는 것, 시스템을 설계하는 것, 프로세스를 설계하는 것, 장치를 설계하는 것, 시스템을 엔지니어링하는 것, 디바이스를 엔지니어링하는 것, 프로세스를 엔지니어링하는 것, 제품을 엔지니어링하는 것, 시스템을 유지하는 것, 디바이스를 유지하는 것, 프로세스를 유지하는 것, 네트워크를 유지하는 것, 계산 리소스를 유지하는 것, 장비를 유지하는 것, 하드웨어를 유지하는 것, 시스템을 수리하는 것, 디바이스를 수리하는 것, 프로세스를 수리하는 것, 네트워크를 수리하는 것, 계산 리소스를 수리하는 것, 장비를 수리하는 것, 하드웨어를 수리하는 것, 시스템을 조립하는 것, 디바이스를 조립하는 것, 프로세스를 조립하는 것, 네트워크를 조립하는 것, 계산 리소스를 조립하는 것, 장비를 조립하는 것, 하드웨어를 조립하는 것, 가격을 설정하는 것, 시스템을 물리적으로 보안하는 것, 디바이스를 물리적으로 보안하는 것, 프로세스를 물리적으로 보안하는 것, 네트워크를 물리적으로 보안하는 것, 계산 리소스를 물리적으로 보안하는 것, 장비를 물리적으로 보안하는 것, 하드웨어를 물리적으로 보안하는 것, 시스템을 사이버-보안하는 것, 디바이스를 사이버-보안하는 것, 프로세스를 사이버-보안하는 것, 네트워크를 사이버-보안하는 것, 계산 리소스를 사이버-보안하는 것, 장비를 사이버-보안하는 것, 하드웨어를 사이버-보안하는 것, 위협을 검출하는 것, 결함을 검출하는 것, 시스템을 튜닝하는 것, 디바이스를 튜닝하는 것, 프로세스를 튜닝하는 것, 네트워크를 튜닝하는 것, 계산 리소스를 튜닝하는 것, 장비를 튜닝하는 것, 하드웨어를 튜닝하는 것, 시스템을 최적화하는 것, 디바이스를 최적화하는 것, 프로세스를 최적화하는 것, 네트워크를 최적화하는 것, 계산 리소스를 최적화하는 것, 장비를 최적화하는 것, 하드웨어를 최적화하는 것, 시스템을 모니터링하는 것, 디바이스를 모니터링하는 것, 프로세스를 모니터링하는 것, 네트워크를 모니터링하는 것, 계산 리소스를 모니터링하는 것, 장비를 모니터링하는 것, 하드웨어를 모니터링하는 것, 시스템을 구성하는 것, 디바이스를 구성하는 것, 프로세스를 구성하는 것, 네트워크를 구성하는 것, 계산 리소스를 구성하는 것, 장비를 구성하는 것, 및 하드웨어를 구성하는 것 중에서 선택된 액션을 수행하도록 훈련 세트 상에서 훈련될 수 있다.
실시예에서, 상호작용의 훈련 세트는 정보의 세트 상에서 전문가 작업자의 처리의 타입을 식별하기 위해 파싱될 수 있고, 처리의 타입은 인공 지능 시스템의 구성에서 구현된다.
실시예에서, 처리의 타입은 전문가 작업자의 시각적 처리를 사용할 수 있고, 인공 지능 시스템은 이미지 또는 비디오 정보에 대해 동작하도록 구성된다.
실시예에서, 처리의 타입은 전문가 작업자의 오디오 처리를 사용할 수 있고, 인공 지능 시스템은 오디오 정보에 대해 동작하도록 구성될 수 있다.
실시예에서, 처리의 타입은 전문가 작업자의 터치 처리를 사용할 수 있고, 인공 지능 시스템은 물리적 센서 정보에 대해 동작하도록 구성될 수 있다.
실시예에서, 처리의 타입은 전문가 작업자의 후각 처리를 사용할 수 있고, 인공 지능 시스템은 화학적 감지 정보에 대해 동작하도록 구성될 수 있다.
실시예에서, 처리의 타입은 전문가 작업자의 텍스트 정보 처리를 사용할 수 있고, 인공 지능 시스템은 텍스트 정보에 대해 동작하도록 구성될 수 있다.
실시예에서, 처리의 타입은 전문가 작업자의 모션 처리를 사용할 수 있고, 인공 지능 시스템은 모션 정보에 대해 동작하도록 구성될 수 있다.
실시예에서, 처리의 타입은 전문가 작업자의 맛 처리를 사용할 수 있고, 인공 지능 시스템은 화학 정보에 대해 동작하도록 구성될 수 있다.
실시예에서, 처리의 타입은 전문가 작업자의 수학적 처리를 사용할 수 있고, 인공 지능 시스템은 이용가능한 데이터에 대해 수학적으로 동작하도록 구성될 수 있다.
실시예에서, 처리의 타입은 전문가 작업자의 집행 관리자 처리를 사용할 수 있고, 인공 지능 시스템은 집행 결정 지원을 제공하도록 구성될 수 있다.
실시예에서, 처리의 타입은 전문가 작업자의 창의적 처리를 사용할 수 있고, 인공 지능 시스템은 대안적인 옵션의 세트를 제공하도록 구성될 수 있다.
실시예에서, 처리의 타입은 이용가능한 선택의 세트 중에서 선택하기 위해 전문가 작업자의 분석적 처리를 사용할 수 있고, 인공 지능 시스템은 선택의 세트 중에서 추천을 제공하도록 구성될 수 있다.
실시예에서, 인공 지능 시스템은 결과의 훈련 세트에 대해 훈련될 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
실시예에서, 인공 지능 시스템은 인공 지능 시스템의 출력의 세트에 관한 특정 전문가 작업자로부터의 피드백을 통해 훈련되는 것 및 구성되는 것 중 적어도 하나일 수 있다.
실시예에서, 전문가가 피드백을 제공하는 인공 지능 시스템의 출력의 세트는 추천, 분류, 예측, 제어 명령어, 입력 선택, 프로토콜 선택, 통신, 경보, 통신을 위한 타겟 선택, 데이터 저장소 선택, 계산 선택, 구성, 이벤트 검출, 및 예상 중 적어도 하나를 포함할 수 있다.
실시예에서, 전문가의 피드백은 역할에서 전문가의 전문 지식을 복제하도록 인공 지능 시스템을 훈련시키도록 요청될 수 있고, 인공 지능 시스템에 대한 입력의 세트를 수정하기 위해 사용될 수 있고, 및/또는 인공 지능 시스템에 의한 적어도 하나의 에러를 식별하고 특성화하기 위해 사용될 수 있다.
실시예에서, 전문가로부터의 피드백에 기초하여 인공 지능 시스템의 재구성을 가능하게 하기 위해 인공 지능 시스템과 연관된 관리자에게 에러 세트에 대한 보고가 제공될 수 있다.
실시예에서, 인공 지능 시스템을 재구성하는 것은 에러의 소스인 입력을 제거하는 것, 인공 지능 시스템의 노드의 세트를 재구성하는 것, 인공 지능 시스템의 가중치의 세트를 재구성하는 것, 인공 지능 시스템의 출력의 세트를 재구성하는 것, 인공 지능 시스템 내의 처리 흐름을 재구성하는 것, 및 인공 지능 시스템에 대한 입력의 세트를 증강시키는 것 중 적어도 하나를 포함할 수 있다.
실시예에서, 인공 지능 시스템은 다른 작업자가 정의된 역할을 수행할 수 있게 하기 위해 다른 작업자에게 훈련 및 안내 중 적어도 하나를 제공하도록 구성될 수 있다.
실시예에서, 인공 지능 시스템은 훈련 및 안내를 향상시키기 위해 결과의 훈련 세트에 기초하여 학습할 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
실시예에서, 인공 지능 시스템은 다른 작업자가 정의된 역할을 수행할 수 있게 하기 위해 다른 작업자에게 훈련 및 안내 중 적어도 하나를 제공하도록 구성될 수 있다.
실시예에서, 인공 지능 시스템은 훈련 및 안내를 향상시키기 위해 결과의 훈련 세트에 기초하여 학습할 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
실시예에서, 인공 지능 시스템은 전문가 작업자가 정의된 역할을 수행할 수 있게 하기 위해 훈련 및 안내 중 적어도 하나를 전문가 작업자에게 제공하도록 구성될 수 있다.
실시예에서, 인공 지능 시스템은 훈련 및 안내를 향상시키기 위해 결과의 훈련 세트에 기초하여 학습할 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
실시예에서, 결과는 전문가 작업자의 액션의 세트와 인공 지능 시스템의 출력의 세트 사이에서 비교될 수 있다.
실시예에서, 전문가 작업자를 훈련시키기 위해 비교가 사용될 수 있다.
실시예에서, 인공 지능 시스템을 개선하기 위해 비교가 사용될 수 있다.
실시예에서, 전문가 작업자의 정의된 역할은 CEO 역할, COO 역할, CFO 역할, 카운셀 역할, 이사회 구성원 역할, CTO 역할, 최고 마케팅 관리자 역할, 정보 기술 관리자 역할, 최고 정보 관리자 역할, 최고 데이터 관리자 역할, 투자자 역할, 고객 역할, 벤더 역할, 공급자 역할, 엔지니어링 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 판매 관리자 역할, 판매원 역할, 서비스 관리자 역할, 유지보수 운영자 역할, 및 비즈니스 개발 역할 중에서 선택될 수 있다.
실시예에서, 계산 엔티티 및 네트워크 엔티티는 수렴된 계산 및 네트워크 엔티티로서 통합될 수 있다.
본 개시의 실시예에서, 방법이 제공되고, 이 방법은 물리적 엔티티의 세트의 디지털 트윈을 지원하는 정보 기술 아키텍처를 유지하고- 이러한 아키텍처는 물리적 엔티티의 세트에 관한 센서 데이터를 제공하는 센서의 세트; 물리적 엔티티의 세트의 적어도 서브세트에 의해 생성된 데이터 스트림의 세트; 데이터를 처리하기 위한 계산 엔티티의 세트 및 센서의 세트 및 데이터 스트림의 세트로부터 도출되는 데이터를 송신하기 위한 네트워크 엔티티의 세트; 네트워크 엔티티에 의해 송신되는 데이터를 디지털 트윈에 대한 소스들인 리소스의 세트로 추출, 변환 및 로딩하기 위한 데이터 처리 시스템의 세트를 포함함 -; 및 인공 지능 시스템을 정보 기술 아키텍처와 통합하며, 인공 지능 시스템은 기업의 정의된 역할을 위한 전문가 작업자와 이중으로 동작하도록 구성되고, 전문가 작업자와 연관된 전자 계정에는 인공 지능 시스템을 훈련시키기 위한 혜택이 수여된다.
실시예에서, 이익은 인공 지능 시스템의 사용의 결과에 기초한 보상, 인공 지능 시스템의 생산성에 기초한 보상 및/또는 인공 지능 시스템의 전문 지식의 척도에 기초한 보상일 수 있다.
실시예에서, 혜택은 인공 지능 시스템의 작업에 의해 생성된 수익 또는 이익의 몫 및/또는 인공 지능 시스템을 수반하는 액션 및 이벤트의 세트와 연관된 정보를 포착하는 블록체인 상의 분산 원장을 통해 추적되는 보상일 수 있다.
실시예에서, 보상은 블록체인 상에서 동작하는 스마트 계약을 통해 관리될 수 있다.
실시예에서, 인공 지능 시스템은 정의된 역할의 수행 동안 특정 전문가 작업자에 의한 상호작용의 세트를 포함하는 훈련 데이터 세트에 대해 훈련될 수 있다.
실시예에서, 상호작용의 세트는 전문가와 물리적 엔티티의 상호작용을 포함하는 인공 지능 시스템을 훈련시키기 위해 사용될 수 있고, 인공 지능 시스템을 훈련시키기 위해 사용되는 것은 전문가와 디지털 트윈의 상호작용을 포함하고/하거나 인공 지능 시스템을 훈련시키기 위해 사용되는 것은 전문가와 센서 데이터의 상호작용을 포함한다.
실시예에서, 인공 지능 시스템을 훈련시키는 데 사용되는 상호작용의 세트는 물리적 엔티티에 의해 생성되는 데이터 스트림과의 전문가의 상호작용, 계산 엔티티와의 전문가의 상호작용, 및/또는 네트워크 엔티티와의 전문가의 상호작용을 포함할 수 있다.
실시예에서, 인공 지능 시스템은 다음으로부터 선택된 액션을 결정하기 위해 상호작용에 기초하여 훈련될 수 있다: 툴의 선택, 태스크의 선택, 차원의 선택, 파라미터의 설정, 객체의 선택, 작업흐름의 선택, 작업흐름의 트리거링, 프로세스의 순서화, 작업흐름의 순서화, 작업흐름의 중단, 데이터 세트의 선택, 설계 선택의 선택, 설계 선택의 세트의 생성, 고장 모드의 식별, 결함의 식별, 동작 모드의 식별, 문제의 식별, 인적 리소스의 선택, 노동력 리소스의 선택, 인적 리소스에 명령을 제공하는 것, 및 노동력 리소스에 명령을 제공하는 것.
실시예에서, 상호작용의 훈련 세트는 정보의 세트에 대한 전문가 작업자의 추론의 체인을 식별하기 위해 파싱될 수 있고, 추론의 체인은 인공 지능 시스템의 구성으로 구현된다.
실시예에서, 추론 체인은 전문가 작업자의 추론 타입을 식별하기 위해 파싱될 수 있고, 추론 타입은 인공 지능 시스템의 구성을 위한 기초로서 사용된다.
실시예에서, 추론 체인은 데이터 세트로부터의 추론의 연역 체인일 수 있다.
실시예에서, 인공 지능 시스템은 다음으로부터 선택된 액션을 수행하도록 훈련될 수 있다: 시스템에 대한 아키텍처를 결정하는 것, 상태를 보고하는 것, 이벤트를 보고하는 것, 상황을 보고하는 것, 조건을 보고하는 것, 모델을 결정하는 것, 모델을 구성하는 것, 모델을 채우는 것, 시스템을 설계하는 것, 프로세스를 설계하는 것, 장치를 설계하는 것, 시스템을 엔지니어링하는 것, 디바이스를 엔지니어링하는 것, 프로세스를 엔지니어링하는 것, 제품을 엔지니어링하는 것, 시스템을 유지하는 것, 디바이스를 유지하는 것, 프로세스를 유지하는 것, 네트워크를 유지하는 것, 계산 리소스를 유지하는 것, 장비를 유지하는 것, 하드웨어를 유지하는 것, 시스템을 수리하는 것, 디바이스를 수리하는 것, 프로세스를 수리하는 것, 네트워크를 수리하는 것, 계산 리소스를 수리하는 것, 장비를 수리하는 것, 하드웨어를 수리하는 것, 시스템을 조립하는 것, 디바이스를 조립하는 것, 프로세스를 조립하는 것, 네트워크를 조립하는 것, 계산 리소스를 조립하는 것, 장비를 조립하는 것, 하드웨어를 조립하는 것, 가격을 설정하는 것, 시스템을 물리적으로 보안하는 것, 디바이스를 물리적으로 보안하는 것, 프로세스를 물리적으로 보안하는 것, 네트워크를 물리적으로 보안하는 것, 계산 리소스를 물리적으로 보안하는 것, 장비를 물리적으로 보안하는 것, 하드웨어를 물리적으로 보안하는 것, 시스템을 사이버-보안하는 것, 디바이스를 사이버-보안하는 것, 프로세스를 사이버-보안하는 것, 네트워크를 사이버-보안하는 것, 계산 리소스를 사이버-보안하는 것, 장비를 사이버-보안하는 것, 하드웨어를 사이버-보안하는 것, 위협을 검출하는 것, 결함을 검출하는 것, 시스템을 튜닝하는 것, 디바이스를 튜닝하는 것, 프로세스를 튜닝하는 것, 네트워크를 튜닝하는 것, 계산 리소스를 튜닝하는 것, 장비를 튜닝하는 것, 하드웨어를 튜닝하는 것, 시스템을 최적화하는 것, 디바이스를 최적화하는 것, 프로세스를 최적화하는 것, 네트워크를 최적화하는 것, 계산 리소스를 최적화하는 것, 장비를 최적화하는 것, 하드웨어를 최적화하는 것, 시스템을 모니터링하는 것, 디바이스를 모니터링하는 것, 프로세스를 모니터링하는 것, 네트워크를 모니터링하는 것, 계산 리소스를 모니터링하는 것, 장비를 모니터링하는 것, 하드웨어를 모니터링하는 것, 시스템을 구성하는 것, 디바이스를 구성하는 것, 프로세스를 구성하는 것, 네트워크를 구성하는 것, 계산 리소스를 구성하는 것, 장비를 구성하는 것, 및 하드웨어를 구성하는 것.
본 개시의 실시예에서, 방법이 제공되고, 이 방법은 물리적 엔티티의 세트의 디지털 트윈을 지원하는 정보 기술 아키텍처를 취하고- 이러한 아키텍처는 물리적 엔티티의 세트에 관한 센서 데이터를 제공하는 센서의 세트; 물리적 엔티티의 세트의 적어도 서브세트에 의해 생성된 데이터 스트림의 세트; 데이터를 처리하기 위한 계산 엔티티의 세트 및 센서의 세트 및 데이터 스트림의 세트로부터 도출되는 데이터를 송신하기 위한 네트워크 엔티티의 세트; 네트워크 엔티티에 의해 송신되는 데이터를 디지털 트윈에 대한 소스들인 리소스의 세트로 추출, 변환 및 로딩하기 위한 데이터 처리 시스템의 세트를 포함함 -; 및 인공 지능 시스템을 정보 기술 아키텍처와 통합하며, 인공 지능 시스템은 기업의 역할의 정의된 세트를 수반하는 정의된 노동력과 이중으로 동작하도록 구성된다.
실시예에서, 인공 지능 시스템은 정의된 역할의 세트의 수행 동안 정의된 노동력의 구성원에 의한 상호작용의 세트를 포함하는 훈련 데이터 세트에 대해 훈련될 수 있다.
실시예에서, 인공 지능 시스템을 훈련시키기 위해 사용되는 상호작용의 세트는, 물리적 엔티티와의 노동력의 상호작용, 디지털 트윈과의 노동력의 상호작용, 센서 데이터와의 노동력의 상호작용, 물리적 엔티티에 의해 생성된 데이터 스트림과의 노동력의 상호작용, 계산 엔티티와의 노동력의 상호작용, 및/또는 네트워크 엔티티와의 노동력의 상호작용을 포함할 수 있다.
실시예에서, 상호작용의 훈련 세트는 정보의 세트에 대한 노동력의 동작의 체인을 식별하기 위해 파싱될 수 있고, 추론의 체인은 인공 지능 시스템의 구성으로 구현될 수 있다.
실시예에서, 상호작용의 훈련 세트는 정보의 세트에 대한 노동력의 처리의 타입을 식별하기 위해 파싱될 수 있고, 처리의 타입은 인공 지능 시스템의 구성에서 구체화될 수 있다.
실시예에서, 인공 지능 시스템은 다음으로부터 선택된 액션을 결정하기 위해 상호작용에 기초하여 훈련될 수 있다: 툴의 선택, 태스크의 선택, 차원의 선택, 파라미터의 설정, 객체의 선택, 작업흐름의 선택, 작업흐름의 트리거링, 프로세스의 순서화, 작업흐름의 순서화, 작업흐름의 중단, 데이터 세트의 선택, 설계 선택의 선택, 설계 선택의 세트의 생성, 고장 모드의 식별, 결함의 식별, 동작 모드의 식별, 문제의 식별, 인적 리소스의 선택, 노동력 리소스의 선택, 인적 리소스에 명령을 제공하는 것, 및 노동력 리소스에 명령을 제공하는 것.
실시예에서, 인공 지능 시스템은 결과의 훈련 세트에 대해 훈련될 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
실시예에서, 인공 지능 시스템은 인공 지능 시스템의 출력의 세트에 관한 노동력의 구성원으로부터의 피드백을 통해 훈련되는 것 및 구성되는 것 중 적어도 하나일 수 있다.
실시예에서, 노동력 구성원이 피드백을 제공하는 인공 지능 시스템의 출력의 세트는 추천, 분류, 예측, 제어 명령어, 입력 선택, 프로토콜 선택, 통신, 경보, 통신을 위한 타겟 선택, 데이터 저장소 선택, 계산 선택, 구성, 이벤트 검출, 및 예상 중 적어도 하나를 포함할 수 있다.
실시예에서, 정의된 역할의 세트에서 노동력의 동작을 복제하도록 인공 지능 시스템을 훈련시키기 위해 노동력 구성원의 피드백이 요청될 수 있다.
실시예에서, 노동력 구성원의 피드백은 인공 지능 시스템에 대한 입력의 세트를 수정하기 위해 사용될 수 있다.
실시예에서, 노동력 구성원의 피드백은 인공 지능 시스템에 의한 적어도 하나의 에러를 식별하고 특성화하기 위해 사용될 수 있다.
실시예에서, 에러의 세트에 대한 보고는 피드백에 기초하여 인공 지능 시스템의 재구성을 가능하게 하기 위해 인공 지능 시스템의 관리자에게 제공될 수 있다.
실시예에서, 인공 지능 시스템을 재구성하는 것은 에러의 소스인 입력을 제거하는 것, 인공 지능 시스템의 노드의 세트를 재구성하는 것, 인공 지능 시스템의 가중치의 세트를 재구성하는 것, 인공 지능 시스템의 출력의 세트를 재구성하는 것, 인공 지능 시스템 내의 처리 흐름을 재구성하는 것, 및 인공 지능 시스템에 대한 입력의 세트를 증강시키는 것 중 적어도 하나를 포함할 수 있다.
실시예에서, 인공 지능 시스템은 다른 작업자가 노동력의 정의된 역할 세트 내에서 역할을 수행할 수 있게 하기 위해 훈련 및 안내 중 적어도 하나를 제공하도록 구성될 수 있다.
실시예에서, 인공 지능 시스템은 훈련 및 안내를 향상시키기 위해 결과의 훈련 세트에 기초하여 학습할 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
실시예에서, 인공 지능 시스템은 시스템에 대한 아키텍처를 결정하는 것, 상태를 보고하는 것, 이벤트를 보고하는 것, 상황을 보고하는 것, 조건을 보고하는 것, 모델을 결정하는 것, 모델을 구성하는 것, 모델을 채우는 것, 시스템을 설계하는 것, 프로세스를 설계하는 것, 장치를 설계하는 것, 시스템을 엔지니어링하는 것, 디바이스를 엔지니어링하는 것, 프로세스를 엔지니어링하는 것, 제품을 엔지니어링하는 것, 시스템을 유지하는 것, 디바이스를 유지하는 것, 프로세스를 유지하는 것, 네트워크를 유지하는 것, 계산 리소스를 유지하는 것, 장비를 유지하는 것, 하드웨어를 유지하는 것, 시스템을 수리하는 것, 디바이스를 수리하는 것, 프로세스를 수리하는 것, 네트워크를 수리하는 것, 계산 리소스를 수리하는 것, 장비를 수리하는 것, 하드웨어를 수리하는 것, 시스템을 조립하는 것, 디바이스를 조립하는 것, 프로세스를 조립하는 것, 네트워크를 조립하는 것, 계산 리소스를 조립하는 것, 장비를 조립하는 것, 하드웨어를 조립하는 것, 가격을 설정하는 것, 시스템을 물리적으로 보안하는 것, 디바이스를 물리적으로 보안하는 것, 프로세스를 물리적으로 보안하는 것, 네트워크를 물리적으로 보안하는 것, 계산 리소스를 물리적으로 보안하는 것, 장비를 물리적으로 보안하는 것, 하드웨어를 물리적으로 보안하는 것, 시스템을 사이버-보안하는 것, 디바이스를 사이버-보안하는 것, 프로세스를 사이버-보안하는 것, 네트워크를 사이버-보안하는 것, 계산 리소스를 사이버-보안하는 것, 장비를 사이버-보안하는 것, 하드웨어를 사이버-보안하는 것, 위협을 검출하는 것, 결함을 검출하는 것, 시스템을 튜닝하는 것, 디바이스를 튜닝하는 것, 프로세스를 튜닝하는 것, 네트워크를 튜닝하는 것, 계산 리소스를 튜닝하는 것, 장비를 튜닝하는 것, 하드웨어를 튜닝하는 것, 시스템을 최적화하는 것, 디바이스를 최적화하는 것, 프로세스를 최적화하는 것, 네트워크를 최적화하는 것, 계산 리소스를 최적화하는 것, 장비를 최적화하는 것, 하드웨어를 최적화하는 것, 시스템을 모니터링하는 것, 디바이스를 모니터링하는 것, 프로세스를 모니터링하는 것, 네트워크를 모니터링하는 것, 계산 리소스를 모니터링하는 것, 장비를 모니터링하는 것, 하드웨어를 모니터링하는 것, 시스템을 구성하는 것, 디바이스를 구성하는 것, 프로세스를 구성하는 것, 네트워크를 구성하는 것, 계산 리소스를 구성하는 것, 장비를 구성하는 것, 및 하드웨어를 구성하는 것 중에서 선택된 액션을 수행하도록 훈련될 수 있다.
실시예에서, 인공 지능 시스템은 노동력이 정의된 역할을 수행할 수 있게 하기 위해 훈련 및 안내 중 적어도 하나를 노동력에게 제공하도록 구성될 수 있다.
실시예에서, 인공 지능 시스템은 훈련 및 안내를 향상시키기 위해 결과의 훈련 세트에 기초하여 학습할 수 있다.
실시예에서, 결과의 훈련 세트는 재무적 결과, 운영 결과, 결함 결과, 성공 결과, 성능 지표 결과, 출력 결과, 소비 결과, 에너지 활용 결과, 리소스 활용 결과, 비용 결과, 이익 결과, 수익 결과, 판매 결과, 및 생산 결과 중 적어도 하나에 관한 데이터를 포함할 수 있다.
실시예에서, 결과는 노동력의 액션의 세트와 인공 지능 시스템의 출력의 세트 사이에서 비교될 수 있고, 비교는 노동력을 훈련시키기 위해 사용되고/되거나 인공 지능 시스템을 개선하기 위해 사용된다.
실시예에서, 노동력의 역할의 세트 내의 적어도 하나의 역할은 CEO 역할, COO 역할, CFO 역할, 카운셀 역할, 이사회 구성원 역할, CTO 역할, 정보 기술 관리자 역할, 최고 정보 관리자 역할, 최고 데이터 관리자 역할, 투자자 역할, 엔지니어링 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 및 비즈니스 개발 역할 중에서 선택될 수 있다.
실시예에서, 노동력은 공장 운영 노동력, 플랜트 운영 노동력, 리소스 추출 운영 노동력, 산업 생산 환경에 대한 네트워크를 운영하는 것을 담당하는 네트워크 운영 노동력, 공급 체인 관리 노동력, 수요 계획 노동력, 물류 계획 노동력, 벤더 관리 노동력, 또는 일부 다른 종류의 노동력일 수 있다.
실시예에서, 노동력은 시장에 대한 중개 노동력, 시장에 대한 거래 노동력, 시장에 대한 거래 조정 노동력, 시장에 대한 트랜잭션 실행 노동력, 또는 일부 다른 종류의 노동력일 수 있다.
실시예에서, 계산 엔티티 및 네트워크 엔티티는 수렴된 계산 및 네트워크 엔티티로서 통합될 수 있다.
본 개시의 실시예에서, 노동력의 디지털 트윈을 구성하기 위한 방법이 제공되며, 이 방법은 기업의 디지털 트윈에서 기업 조직 구조를 표현하는 단계; 조직 구조 내의 역할의 세트 사이의 관계를 추론하기 위해 구조를 파싱하는 단계- 관계 및 역할은 기업의 노동력을 정의함 -; 및 기업을 속성 및 관계의 세트를 갖는 노동력의 세트로서 표현하도록 디지털 트윈의 프레젠테이션 계층을 구성하는 단계를 포함한다.
실시예에서, 디지털 트윈은 기업에서의 역할의 세트를 나타내는 데이터 구조 상에서 동작하는 기업 리소스 계획 시스템과 통합될 수 있어서, 기업 리소스 계획 시스템에서의 변경이 디지털 트윈에 자동으로 반영된다.
실시예에서, 조직 구조는 계층적 컴포넌트를 포함할 수 있다.
실시예에서, 계층적 컴포넌트는 그래프 데이터 구조로 구체화될 수 있다.
실시예에서, 노동력은 공장 운영 노동력, 플랜트 운영 노동력, 리소스 추출 운영 노동력, 또는 일부 다른 타입의 노동력일 수 있다.
실시예에서, 노동력은 산업 생산 환경에 대한 네트워크를 동작시키는 것을 담당하는 네트워크 동작 노동력일 수 있고, 노동력은 공급 체인 관리 노동력, 수요 계획 노동력, 물류 계획 노동력, 벤더 관리 노동력, 시장을 위한 중개 노동력, 시장을 위한 거래 노동력, 시장을 위한 거래 조정 노동력, 시장을 위한 트랜잭션 실행 노동력, 또는 일부 다른 타입의 노동력이다.
실시예에서, 적어도 하나의 노동력 역할은 CEO 역할, COO 역할, CFO 역할, 카운셀 역할, 이사회 구성원 역할, CTO 역할, 정보 기술 관리자 역할, 최고 정보 관리자 역할, 최고 데이터 관리자 역할, 투자자 역할, 엔지니어링 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 및 비즈니스 개발 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 공장 관리자 역할, 공장 운영 역할, 공장 작업자 역할, 파워플랜트 관리자 역할, 파워플랜트 운영 역할, 파워플랜트 작업자 역할, 장비 서비스 역할, 및 장비 유지보수 운영자 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 시장 제조자 역할, 교환 관리자 역할, 브로커-딜러 역할, 거래 역할, 조정 역할, 계약 상대방 역할, 환율 설정 역할, 시장 오케스트레이션 역할, 시장 구성 역할, 및 계약 구성 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 최고 마케팅 담당자 역할, 제품 개발 역할, 공급 체인 관리자 역할, 고객 역할, 공급자 역할, 벤더 역할, 수요 관리 역할, 마케팅 관리자 역할, 판매 관리자 역할, 서비스 관리자 역할, 수요 예상 역할, 소매 관리자 역할, 웨어하우스 관리자 역할, 판매원 역할, 및 유통 센터 관리자 역할 중에서 선택될 수 있다.
실시예에서, 디지털 트윈은 노동력에 대한 훈련에 대한 추천, 노동력의 증강에 대한 추천, 노동력을 수반하는 동작의 세트의 구성에 대한 추천, 노동력의 구성에 대한 추천, 또는 일부 다른 종류의 추천을 나타낼 수 있다.
본 개시의 실시예에서, 노동력의 디지털 트윈을 제공하기 위한 방법이 제공되며, 이 방법은 물리적 및 디지털 엔티티의 세트의 디지털 트윈을 지원하는 정보 기술 아키텍처를 유지하는 단계- 아키텍처는 물리적 엔티티의 세트에 관한 센서 데이터를 제공하는 센서의 세트; 물리적 및 디지털 엔티티의 세트의 적어도 서브세트에 의해 생성된 데이터 스트림의 세트; 데이터를 처리하기 위한 계산 엔티티의 세트 및 센서의 세트 및 데이터 스트림의 세트로부터 도출되는 데이터를 송신하기 위한 네트워크 엔티티의 세트; 네트워크 엔티티에 의해 송신되는 데이터를 디지털 트윈에 대한 소스들인 리소스의 세트로 추출, 변환 및 로딩하기 위한 데이터 처리 시스템의 세트를 포함함 -; 기업의 디지털 트윈에서 기업 조직 구조를 표현하는 단계; 조직 구조 내의 역할의 세트 사이의 관계를 추론하기 위해 구조를 파싱하는 단계- 관계 및 역할은 기업의 노동력을 정의함 -; 인공 지능 시스템을 정보 기술 아키텍처와 통합하는 단계를 포함하고, 인공 지능 시스템은 기업의 정의된 역할의 세트에 대한 작업자의 세트와 이중으로 동작하고 기업을 속성 및 관계의 세트를 갖는 노동력의 세트로서 표현하도록 디지털 트윈의 프레젠테이션 계층을 구성하도록 구성되고, 속성 및 관계는 인간 작업자 속성 및 관계 및 인공 지능 이중 속성 및 관계를 포함한다.
실시예에서, 디지털 트윈은 기업에서의 역할의 세트를 나타내는 데이터 구조 상에서 동작하는 기업 리소스 계획 시스템과 통합될 수 있어서, 기업 리소스 계획 시스템에서의 변경이 디지털 트윈에 자동으로 반영된다.
실시예에서, 조직 구조는 계층적 컴포넌트를 포함할 수 있다.
실시예에서, 계층적 컴포넌트는 그래프 데이터 구조로 구체화될 수 있다.
실시예에서, 노동력은 공장 운영 노동력, 플랜트 운영 노동력, 리소스 추출 운영 노동력, 산업 생산 환경에 대한 네트워크를 운영하는 것을 담당하는 네트워크 운영 노동력, 공급 체인 관리 노동력, 수요 계획 노동력, 물류 계획 노동력, 벤더 관리 노동력, 중개 노동력, 거래 노동력, 거래 조정 노동력, 트랜잭션 실행 노동력, 또는 일부 다른 타입의 노동력일 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 CEO 역할, COO 역할, CFO 역할, 카운셀 역할, 이사회 구성원 역할, CTO 역할, 정보 기술 관리자 역할, 최고 정보 관리자 역할, 최고 데이터 관리자 역할, 투자자 역할, 엔지니어링 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 및 비즈니스 개발 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 공장 관리자 역할, 공장 운영 역할, 공장 작업자 역할, 파워플랜트 관리자 역할, 파워플랜트 운영 역할, 파워플랜트 작업자 역할, 장비 서비스 역할, 및 장비 유지보수 운영자 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 시장 제조자 역할, 교환 관리자 역할, 브로커-딜러 역할, 거래 역할, 조정 역할, 계약 상대방 역할, 환율 설정 역할, 시장 오케스트레이션 역할, 시장 구성 역할, 및 계약 구성 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 최고 마케팅 관리자 역할, 제품 개발 역할, 공급 체인 관리자 역할, 고객 역할, 공급자 역할, 벤더 역할, 수요 관리 역할, 마케팅 관리자 역할, 판매 관리자 역할, 서비스 관리자 역할, 수요 예상 역할, 소매 관리자 역할, 웨어하우스 관리자 역할, 판매원 역할, 및 유통 센터 관리자 역할 중에서 선택될 수 있다.
실시예에서, 디지털 트윈은 노동력에 대한 훈련에 대한 추천, 노동력의 증강에 대한 추천, 노동력을 수반하는 동작의 세트의 구성에 대한 추천, 노동력의 구성에 대한 추천, 작업자의 세트 및 이중화의 세트의 능력 및 역량의 세트, 및/또는 인간 작업자와 인공 지능 이중화의 혼합된 작업 그룹의 세트를 나타낼 수 있다.
본 개시의 실시예에서, 디지털 트윈을 서빙하기 위한 방법이 제공되고, 이 방법은 디지털 트윈 시스템의 처리 시스템에 의해, 기업과 연관된 사용자의 사용자 디바이스로부터 디지털 트윈에 대한 요청을 수신하는 단계- 기업은 기업의 하나 이상의 시설을 모니터링하기 위해 센서 시스템을 배치함 -; 처리 시스템에 의해, 기업에 대한 사용자의 노동력 역할을 결정하는 단계; 처리 시스템에 의해, 사용자의 노동력 역할에 대응하는 관점 뷰에 기초하여 사용자의 노동력 역할에 대응하는 역할 기반 디지털 트윈을 생성하는 단계- 역할 기반 디지털 트윈은 기업과 관련된 하나 이상의 상태 및/또는 엔티티를 표시함 -; 처리 시스템에 의해, 역할 기반 디지털 트윈을 사용자 디바이스에 제공하는 단계를 포함하고, 역할 기반 디지털 트윈을 제공하는 단계는: 처리 시스템에 의해, 역할 기반 디지털 트윈의 상태 및/또는 엔티티 중 적어도 하나를 채우는 데 사용되는 데이터 타입의 세트를 식별하는 단계- 데이터 타입의 세트는 기업에 의해 배치된 센서 시스템으로부터 수신되는 하나 이상의 센서 데이터 피드를 포함함 -; 및 처리 시스템에 의해, 하나 이상의 센서 데이터 스트림을 역할 기반 디지털 트윈에 연결하는 단계를 포함한다.
실시예에서, 역할 기반 디지털 트윈을 생성하는 단계는 사용자의 노동력 역할 및 사용자의 노동력 역할과 관련된 데이터 타입의 세트에 기초하여 사용자의 노동력 역할에 대응하는 관점 뷰를 결정하는 단계를 포함할 수 있다.
실시예에서, 사용자의 노동력 역할에 대응하는 관점 뷰를 결정하는 단계는 데이터 타입 각각에 대한 적절한 세분성 레벨을 결정하는 단계를 포함할 수 있다.
실시예에서, 데이터 타입 중 적어도 하나에 대한 적절한 세분성 레벨은 노동력 역할에 대응하는 디폴트 구성으로 정의될 수 있다.
실시예에서, 데이터 타입 중 적어도 하나에 대한 적절한 세분성 레벨은 역할 기반 디지털 트윈과의 사용자의 이전 상호작용에 기초하여 결정될 수 있다.
실시예에서, 센서 시스템은 센서 시스템 내의 센서의 세트로부터 센서 데이터를 수신하고 네트워크를 통해 디지털 트윈 시스템에 제공되는 센서 데이터 스트림을 생성하는 에지 디바이스를 포함할 수 있다.
실시예에서, 에지 디바이스는 센서의 세트로부터 센서 데이터를 수신하고 센서 데이터에 표시된 값에 기초하여 센서 데이터를 선택적으로 압축하여 센서 데이터 스트림을 획득할 수 있다.
실시예에서, 하나 이상의 센서 스트림을 연결하는 단계는 에지 디바이스로부터 센서 데이터 스트림을 수신하는 단계; 및 센서 데이터 스트림을 사용자에게 역할 기반 디지털 트윈을 제시하고 있는 사용자 디바이스에 라우팅하는 단계를 포함할 수 있다.
실시예에서, 하나 이상의 센서 스트림을 연결하는 단계는 에지 디바이스로부터 센서 데이터 스트림을 수신하는 단계; 센서 데이터 스트림을 분석하여 센서 시스템에 의해 모니터링되고 있는 객체에 대응하는 하나 이상의 결함 조건을 식별하는 단계; 및 사용자에게 역할 기반 디지털 트윈을 제시하고 있는 사용자 디바이스에 장애 상태의 지표를 라우팅하는 단계를 포함할 수 있다.
실시예에서, 하나 이상의 센서 스트림을 연결하는 단계는 에지 디바이스로부터 센서 데이터 스트림을 수신하는 단계; 센서 데이터 스트림을 분석하여 사용자의 노동력 역할에 대응하는 추천을 식별하는 단계; 및 추천의 지표를 사용자에게 역할 기반 디지털 트윈을 제시하고 있는 사용자 디바이스에 라우팅하는 단계를 포함할 수 있다.
실시예에서, 하나 이상의 센서 스트림을 연결하는 단계는 에지 디바이스로부터 센서 데이터 스트림을 수신하는 단계; 센서 데이터 스트림을 분석하여 사용자의 노동력 역할에 대응하는 추천을 식별하는 단계; 및 추천의 지표를 사용자에게 역할 기반 디지털 트윈을 제시하고 있는 사용자 디바이스에 라우팅하는 단계를 포함할 수 있다.
실시예에서, 노동력은 공장 운영 노동력, 플랜트 운영 노동력, 리소스 추출 운영 노동력, 산업 생산 환경에 대한 네트워크를 운영하는 것을 담당하는 네트워크 운영 노동력, 공급 체인 관리 노동력, 수요 계획 노동력, 물류 계획 노동력, 벤더 관리 노동력, 또는 일부 다른 타입의 노동력일 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 CEO 역할, COO 역할, CFO 역할, 카운셀 역할, 이사회 구성원 역할, CTO 역할, 정보 기술 관리자 역할, 최고 정보 관리자 역할, 최고 데이터 관리자 역할, 투자자 역할, 엔지니어링 관리자 역할, 프로젝트 관리자 역할, 운영 관리자 역할, 및 비즈니스 개발 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 공장 관리자 역할, 공장 운영 역할, 공장 작업자 역할, 파워플랜트 관리자 역할, 파워플랜트 운영 역할, 파워플랜트 작업자 역할, 장비 서비스 역할, 및 장비 유지보수 운영자 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 시장 제조자 역할, 교환 관리자 역할, 브로커-딜러 역할, 거래 역할, 조정 역할, 계약 상대방 역할, 환율 설정 역할, 시장 오케스트레이션 역할, 시장 구성 역할, 및 계약 구성 역할 중에서 선택될 수 있다.
실시예에서, 적어도 하나의 노동력 역할은 최고 마케팅 담당자 역할, 제품 개발 역할, 공급 체인 관리자 역할, 고객 역할, 공급자 역할, 벤더 역할, 수요 관리 역할, 마케팅 관리자 역할, 판매 관리자 역할, 서비스 관리자 역할, 수요 예상 역할, 소매 관리자 역할, 웨어하우스 관리자 역할, 판매원 역할, 및 유통 센터 관리자 역할 중에서 선택될 수 있다.
본 개시의 실시예에서, 노동력의 디지털 트윈을 제공하기 위한 방법이 제공되며, 이 방법은 물리적 및 디지털 엔티티의 세트의 디지털 트윈을 지원하는 정보 기술 아키텍처를 유지하는 단계- 아키텍처는 물리적 엔티티의 세트에 관한 센서 데이터를 제공하는 센서의 세트; 물리적 및 디지털 엔티티의 세트의 적어도 서브세트에 의해 생성된 데이터 스트림의 세트; 데이터를 처리하기 위한 계산 엔티티의 세트 및 센서의 세트 및 데이터 스트림의 세트로부터 도출되는 데이터를 송신하기 위한 네트워크 엔티티의 세트; 네트워크 엔티티에 의해 송신되는 데이터를 디지털 트윈에 대한 소스들인 리소스의 세트로 추출, 변환 및 로딩하기 위한 데이터 처리 시스템의 세트를 포함함 -; 기업의 디지털 트윈에서 기업 조직 구조를 표현하는 단계; 조직 구조 내의 역할의 세트 사이의 관계를 추론하기 위해 구조를 파싱하는 단계- 관계 및 역할은 기업의 노동력을 정의함 -; 추론된 관계의 세트에 기초하여 디지털 트윈이 구성되는 파라미터의 세트를 결정하는 단계; 및 파라미터의 세트에 기초하여 디지털 트윈의 프레젠테이션 계층을 구성하는 단계를 포함한다.
지능형 시스템(INTELLIGENCE SYSTEM)
도 104는 본 개시의 일부 실시예에 따른 예시적인 지능 서비스 시스템(8800)("지능 서비스들"이라고도 지칭됨)을 예시한다. 실시예에서, 지능 서비스(8800)는 하나 이상의 지능 서비스 클라이언트(8836)에 지능 서비스를 제공하기 위한 프레임워크를 제공한다. 일부 실시예에서, 지능 서비스(8800) 프레임워크는 각각의 지능 클라이언트(8836)(예를 들어, VCN 제어 타워 및/또는 다양한 VCN 엔티티)에서 적어도 부분적으로 복제되도록 적응될 수 있다. 이러한 실시예에서, 개별 클라이언트(8836)는 지능 서비스(8800)의 능력의 일부 또는 전부를 포함할 수 있고, 이에 의해 지능 서비스(8800)는 지능 클라이언트의 서브시스템에 의해 수행되는 특정 기능에 대해 적응된다. 추가적으로 또는 대안적으로, 일부 실시예에서, 상이한 지능 클라이언트(8836)가 지능 클라이언트에 노출된 하나 이상의 API를 통해 지능 서비스(8800)를 활용할 수 있도록, 지능 서비스(8800)는 마이크로서비스의 세트로서 구현될 수 있다. 이러한 실시예에서, 지능 서비스(8800)는 상이한 지능 클라이언트(8836)에 대해 적응될 수 있는 다양한 타입의 지능 서비스를 수행하도록 구성될 수 있다. 이러한 구성 중 어느 하나에서, 지능 서비스 클라이언트(8836)는 지능 서비스(8800)에 지능 요청을 제공할 수 있고, 여기서, 요청은 특정 지능 태스크(예를 들어, 결정, 추천, 보고, 명령어, 분류, 예측, 훈련 액션, NLP 요청 등)를 수행하는 것이다. 이에 응답하여, 지능 서비스(8800)는 요청된 지능 태스크를 실행하고 응답을 지능 서비스 클라이언트(8836)에 반환한다. 추가적으로 또는 대안적으로, 일부 실시예에서, 지능 서비스(8800)는 이미지 처리, 진단, 위치 및 배향, 화학적 분석, 데이터 처리 등과 같은 AI 보조 마이크로서비스를 제공하도록 구성되는 하나 이상의 특수화된 칩을 사용하여 구현될 수 있다. AI-인에이블 칩의 예는 본 개시의 다른 곳에서 논의된다.
실시예에서, 지능 서비스(8800)는 지능 서비스 제어기(8802) 및 인공 지능(AI) 모듈(8804)을 포함할 수 있다. 실시예에서, 인공 지능 서비스(8800)는 지능 서비스 클라이언트(8836)로부터의 지능 요청 및 지능 서비스 클라이언트(8836)로부터의 요청을 처리하기 위해 임의의 필요한 데이터를 수신한다. 요청 및 특정 데이터에 응답하여, 하나 이상의 결부된 인공 지능 모듈(8804)은 지능 태스크를 수행하고 "지능 응답"을 출력한다. 지능 모듈(8804) 응답의 예는 결정(예를 들어, 제어 명령어, 제안된 액션, 기계 생성 텍스트 등), 예측(예를 들어, 텍스트 스니펫의 예측된 의미, 제안된 액션과 연관된 예측된 결과, 예측된 결함 조건 등), 분류(예를 들어, 이미지에서의 객체의 분류, 발성음의 분류, 센서 데이터에 기초한 분류된 결함 조건 등), 및/또는 인공 지능 시스템의 다른 적합한 출력을 포함할 수 있다.
실시예에서, 인공 지능 모듈(8804)은 ML 모듈(8812), 규칙 기반 모듈(8828), 분석 모듈(8818), RPA 모듈(8816), 디지털 트윈 모듈(8820), 기계 비전 모듈(8822), NLP 모듈(8824), 및/또는 신경망 모듈(8814)을 포함할 수 있다. 전술한 것은 인공 지능 모듈의 비제한적인 예이고, 모듈 중 일부는 다른 인공 지능 모듈에 의해 포함되거나 활용될 수 있는 것으로 이해된다. 예를 들어, NLP 모듈(8824) 및 기계 비전 모듈(8822)은 그 각각의 기능의 수행에 있어서 신경망 모듈(8814)의 일부인 상이한 신경망을 활용할 수 있다.
일부 시나리오에서, 인공 지능 모듈(8804) 자체가 또한 지능 클라이언트(8836)일 수 있다는 점을 추가로 유의하여야 한다. 예를 들어, 규칙 기반 지능 모듈(8828)은 비디오에 나타나는 객체의 분류 및/또는 객체의 모션을 요청하는 것과 같이, ML 모듈(8812) 또는 신경망(F41) 모듈(8814)로부터 지능 태스크를 요청할 수 있다. 이 예에서, 규칙 기반 지능 모듈(8828)은 분류를 사용하여 지정된 액션을 취할지를 결정하는 지능 서비스 클라이언트(8836)일 수 있다. 다른 예에서, 기계 비전 모듈(8822)은 디지털 트윈 모듈(8820)로부터 지정된 환경의 디지털 트윈을 요청할 수 있어서, ML 모듈(8812)은 특정 환경에 대해 훈련되는 기계 학습 모델을 훈련시키기 위한 특징으로서 디지털 트윈으로부터 특정 데이터를 요청할 수 있다.
실시예에서, 지능 태스크는 요청에 응답하기 위해 특정 타입의 데이터를 요구할 수 있다. 예를 들어, 기계 비전 태스크는 하나 이상의 이미지(및 잠재적으로 다른 데이터)가 이미지 또는 이미지의 세트에 나타나는 객체를 분류하고, (아이템의 위치, 얼굴의 존재, 심볼 또는 명령어, 표현, 모션의 파라미터, 상태의 변화 등과 같은) 이미지의 세트 내의 특징을 결정하는 것 등을 요구한다. 다른 예에서, NLP 태스크는 대화 및/또는 텍스트의 의미 또는 다른 요소를 결정하기 위해 대화 및/또는 텍스트 데이터(및 잠재적으로 다른 데이터)의 오디오를 요구한다. 또 다른 예에서, AI 기반 제어 태스크(예를 들어, 로봇의 이동에 대한 결정)은 로봇의 모션을 제어하는 방법에 관한 결정을 내리기 위해 환경 데이터(예를 들어, 알려진 장애물의 지도, 좌표, 이미지 등) 및/또는 모션 계획을 요구할 수 있다. 플랫폼-레벨 예에서, 분석-기반 보고 태스크는 보고를 생성하기 위해 다수의 상이한 데이터베이스로부터의 데이터를 요구할 수 있다. 따라서, 실시예에서, 지능 서비스(8800)에 의해 수행될 수 있는 태스크는 특정 지능 서비스 입력(8832)을 요구하거나 이로부터 이익을 얻을 수 있다. 일부 실시예에서, 지능 서비스(8800)는 각각의 지능 태스크를 수행하기 위해 지능 서비스 입력(8832)으로부터 특정 데이터를 수신 및/또는 요청하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 요청 지능 서비스 클라이언트(8836)는 요청에서 특정 데이터를 제공할 수 있다. 예를 들어, 지능 서비스(8800)는 하나 이상의 API를 지능 클라이언트(8836)에 노출시킬 수 있고, 이에 의해 요청 클라이언트(8836)는 API를 통해 요청에서 특정 데이터를 제공한다. 지능 서비스 입력의 예는 센서 데이터, 비디오 스트림, 오디오 스트림, 데이터베이스, 데이터 피드, 인간 입력, 및/또는 다른 적합한 데이터를 제공하는 센서를 포함할 수 있지만, 이에 제한되지 않는다.
실시예에서, 지능 모듈(8804)은 하나 이상의 지능 클라이언트(8836)에 통합되거나 이에 의해 액세스될 수 있는 ML 모듈(8812)을 포함하고 이에 대한 액세스를 제공한다. 실시예에서, ML 모듈(8812)은 ML 모델을 훈련하는 것, ML 모델을 활용하는 것, ML 모델을 강화하는 것, 다양한 클러스터링 기술을 수행하는 것, 특징 추출 등과 같은 지능 서비스 클라이언트(8836)에 의한 사용을 위한 기계 기반 학습 능력, 특징, 기능, 및 알고리즘을 제공할 수 있다. 예에서, 기계 학습 모듈(8812)은 (예를 들어, 위에서 설명된 바와 같이) 기계 학습 컴퓨팅, 데이터 저장, 및 피드백 기반구조를 시뮬레이션 시스템에 제공할 수 있다. 기계 학습 모듈(8812)은 또한 규칙 기반 모듈(8828), 기계 비전 모듈(8822), RPA 모듈(8816) 등과 같은 다른 모듈과 협력하여 동작할 수 있다.
기계 학습 모듈(8812)은 지능 서비스 클라이언트(8836)의 하나 이상의 컴포넌트 또는 서브시스템의 데이터 처리, 데이터 분석, 시뮬레이션 생성, 및 시뮬레이션 분석과 관련된 분석, 시뮬레이션, 의사 결정, 및 예측 분석을 수행하기 위한 하나 이상의 기계 학습 모델을 정의할 수 있다. 실시예에서, 기계 학습 모델은 명시적 명령어를 사용하지 않고 패턴 및 추론에 대신 의존하여 특정 태스크를 수행하는 알고리즘 및/또는 통계적 모델이다. 기계 학습 모델은 특정 태스크를 수행하도록 명시적으로 프로그래밍되지 않고 예측 및/또는 결정을 수행하기 위해 훈련 데이터에 기초하여 하나 이상의 수학적 모델을 구축한다. 예시적인 구현에서, 기계 학습 모델은 분류, 예측, 회귀, 클러스터링, 이상 검출, 추천 생성, 및/또는 다른 태스크를 수행할 수 있다.
실시예에서, 기계 학습 모델은 입력 데이터에 기초하여 다양한 타입의 분류를 수행할 수 있다. 분류는 입력 데이터의 주어진 예에 대해 클래스 라벨이 예측되는 예측 모델링 문제이다. 예를 들어, 기계 학습 모델은 이진 분류, 멀티-클래스 또는 멀티-라벨 분류를 수행할 수 있다. 실시예에서, 기계 학습 모델은 각각의 클래스로의 입력의 분류와 연관된 각각의 신뢰도를 나타내는 "신뢰도 점수들"을 출력할 수 있다. 실시예에서, 신뢰도 점수는 이산 카테고리 예측을 렌더링하기 위해 하나 이상의 임계값과 비교될 수 있다. 실시예에서, 상대적으로 가장 큰 신뢰도 점수를 갖는 특정 수의 클래스(예를 들어, 하나)만이 이산 카테고리 예측을 렌더링하도록 선택될 수 있다.
실시예에서, 기계 학습 모델은 확률적 분류를 출력할 수 있다. 예를 들어, 기계 학습 모델은, 샘플 입력이 주어지면, 클래스의 세트에 대한 확률 분포를 예측할 수 있다. 따라서, 샘플 입력이 속하여야 하는 가장 가능성 있는 클래스만을 출력하기보다는, 기계 학습 모델은, 각각의 클래스에 대해, 샘플 입력이 그러한 클래스에 속할 확률을 출력할 수 있다. 실시예에서, 모든 가능한 클래스에 걸친 확률 분포는 1로 합산될 수 있다. 실시예에서, 소프트맥스 함수, 또는 다른 타입의 함수 또는 계층은 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 전환하는 데 사용될 수 있다. 실시예에서, 확률 분포에 의해 제공되는 확률은 이산 카테고리 예측을 렌더링하기 위해 하나 이상의 임계값과 비교될 수 있다. 실시예에서, 상대적으로 가장 큰 예측 확률을 갖는 특정 수의 클래스(예를 들어, 하나)만이 이산 카테고리 예측을 렌더링하도록 선택될 수 있다.
실시예에서, 기계 학습 모델은 연속적인 수치 값의 형태로 출력 데이터를 제공하기 위해 회귀를 수행할 수 있다. 예로서, 기계 학습 모델은 선형 회귀, 다항식 회귀, 또는 비선형 회귀를 수행할 수 있다. 설명된 바와 같이, 실시예에서, 소프트맥스 함수 또는 다른 함수 또는 계층은 2개 이상의 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 스쿼싱하는 데 사용될 수 있다. 예를 들어, 기계 학습 모델은 선형 회귀, 다항식 회귀, 또는 비선형 회귀를 수행할 수 있다. 예로서, 기계 학습 모델은 단순 회귀 또는 다중 회귀를 수행할 수 있다. 위에서 설명된 바와 같이, 일부 구현예에서, 소프트맥스 함수 또는 다른 함수 또는 계층은 2개 이상의 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 스쿼싱하는 데 사용될 수 있다.
실시예에서, 기계 학습 모델은 다양한 타입의 클러스터링을 수행할 수 있다. 예를 들어, 기계 학습 모델은 입력 데이터가 대응할 가능성이 가장 높은 하나 이상의 이전에 정의된 클러스터를 식별할 수 있다. 기계 학습 모델이 클러스터링을 수행하는 일부 구현예에서, 기계 학습 모델은 비지도 학습 기술을 사용하여 훈련될 수 있다.
실시예에서, 기계 학습 모델은 이상 검출 또는 이상치 검출을 수행할 수 있다. 예를 들어, 기계 학습 모델은 (예를 들어, 이전 입력 데이터로부터 이전에 관찰된 바와 같이) 기대 패턴 또는 다른 특성에 부합하지 않는 입력 데이터를 식별할 수 있다. 예로서, 이상 검출(anomaly detection)은 부정 거래 검출 또는 시스템 고장 검출에 사용될 수 있다.
일부 구현예에서, 기계 학습 모델은 하나 이상의 추천의 형태로 출력 데이터를 제공할 수 있다. 예를 들어, 기계 학습 모델은 추천 시스템 또는 엔진에 포함될 수 있다. 예로서, 특정 엔티티에 대한 이전 결과(예를 들어, 성공 또는 즐거움의 양을 나타내는 점수, 순위, 또는 등급)를 설명하는 입력 데이터가 주어지면, 기계 학습 모델은, 이전 결과에 기초하여, 원하는 결과를 가질 것으로 기대되는 하나 이상의 추가 엔티티의 제안 또는 추천을 출력할 수 있다.
위에서 설명된 바와 같이, 기계 학습 모델은 다양한 상이한 타입의 기계 학습 모델 중 하나 이상일 수 있거나 이를 포함할 수 있다. 이러한 상이한 타입의 기계 학습 모델의 예가 예시를 위해 아래에 제공된다. 아래에 설명되는 예시적인 모델 중 하나 이상은 입력 데이터에 응답하여 출력 데이터를 제공하기 위해 사용(예를 들어, 조합)될 수 있다. 아래에 제공되는 예시적인 모델 이외에 추가적인 모델이 또한 사용될 수 있다.
일부 구현예에서, 기계 학습 모델은, 하나 이상의 분류기 모델, 예컨대, 예를 들어, 선형 분류 모델; 2차 분류 모델; 등일 수 있거나 그를 포함할 수 있다. 기계 학습 모델은, 하나 이상의 회귀 모델, 예컨대, 예를 들어, 단순 선형 회귀 모델; 다중 선형 회귀 모델; 로지스틱 회귀 모델; 단계적 회귀 모델; 다변량 적응 회귀 스플라인; 로컬 추정된 산점도 평활화 모델; 등일 수 있거나 이를 포함할 수 있다.
일부 예에서, 기계 학습 모델은, 하나 이상의 결정 트리 기반 모델, 예컨대, 예를 들어, 분류 및/또는 회귀 트리; 카이-제곱 자동 상호작용 검출 결정 트리; 결정 스텀프; 조건부 결정 트리; 등일 수 있거나 이를 포함할 수 있다.
기계 학습 모델은 하나 이상의 커널 기계이거나 이를 포함할 수 있다. 일부 구현예에서, 기계 학습 모델은 하나 이상의 지원 벡터 기계일 수 있거나 이를 포함할 수 있다. 기계 학습 모델은, 하나 이상의 인스턴스 기반 학습 모델, 예컨대, 예를 들어, 학습 벡터 양자화 모델; 자기-조직화 맵 모델; 로컬 가중 학습 모델; 등일 수 있거나 이를 포함할 수 있다. 일부 구현예에서, 기계 학습 모델은, 하나 이상의 최근접 이웃 모델, 예컨대, 예를 들어, k-최근접 이웃 분류 모델; k-최근접 이웃 회귀 모델; 등일 수 있거나 이를 포함할 수 있다. 기계 학습 모델은, 예를 들어, 나이브 베이즈 모델과 같은 하나 이상의 베이지안 모델; 가우시안 나이브 베이즈(Gaussian naive Bayes) 모델; 다항 나이브 베이즈 모델; 평균화된 1-의존성 추정기; 베이지안 네트워크; 베이지안 신뢰 네트워크; 은닉 마르코프 모델; 등일 수 있거나 이를 포함할 수 있다.
기계 학습 모델은, 하나 이상의 클러스터링 모델, 예컨대, 예를 들어, k-평균 클러스터링 모델; k-중앙 클러스터링 모델; 기대치 최대화 모델; 계층적 클러스터링 모델; 등을 포함할 수 있다.
일부 구현예에서, 기계 학습 모델은, 하나 이상의 차원 감소 기술, 예컨대, 예를 들어, 주성분 분석(principal component analysis); 커널 주성분 분석; 그래프 기반 커널 주성분 분석; 주성분 회귀; 부분 최소 제곱 회귀; 새먼 매핑; 다차원 스케일링; 투영 추적(projection pursuit; 선형 판별 분석; 혼합 판별 분석; 2차 판별 분석; 일반화된 판별 분석; 유연한 판별 분석; 오토인코딩; 등을 수행할 수 있다.
일부 구현예에서, 기계 학습 모델은 하나 이상의 강화 학습 기술, 예컨대, 마르코프 결정 프로세스; 동적 프로그래밍; Q 함수 또는 Q-학습; 가치 함수 접근법; 심층 Q-네트워크; 미분가능한 신경 컴퓨터; A3C(asynchronous advantage actor-critics); 결정론적 정책 구배; 등을 수행할 수 있거나 이들이 적용될 수 있다.
실시예에서, 인공 지능 모듈(8804)은 신경망 모듈(8814)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 신경망 모듈(8814)은 지능 서비스 클라이언트(8836)를 대신하여 인공 신경망(또는 "신경망들")을 훈련, 배치, 및/또는 활용하도록 구성된다. 설명에서, 기계 학습 모델이라는 용어는 신경망을 포함할 수 있고, 이와 같이, 신경망 모듈(8814)은 기계 학습 모듈(8812)의 일부일 수 있다는 점에 유의한다. 실시예에서, 신경망 모듈(8814)은 지능 클라이언트(8836)에 의해 사용될 수 있는 신경망을 훈련시키도록 구성될 수 있다. 상이한 타입의 신경망의 비제한적인 예는, 컨볼루션 신경망(CNN), 심층 컨볼루션 신경망(DCN), 피드포워드 신경망(심층 피드포워드 신경망을 포함함), 순환 신경망(RNN)(게이트식 RNN을 포함하지만 이에 제한되지 않음), 장기/단기 메모리(LTSM) 신경망 등 뿐만 아니라, 또한 직렬로, 병렬로, 비순환(예를 들어, 방향성 그래프 기반) 흐름으로, 및/또는 중간 결정 노드, 재귀 루프 등을 포함할 수 있는 더 복잡한 흐름으로 배치된 것과 같은, 상기의 하이브리드 또는 조합을 포함하지만 이에 제한되지 않는, 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 설명된 신경망 타입 중 임의의 것을 포함할 수 있으며, 여기서 주어진 타입의 신경망은 데이터 소스 또는 다른 신경망으로부터 입력을 취하고 흐름이 완료되고 최종 출력이 제공될 때까지 다른 신경망의 입력 세트 내에 포함되는 출력을 제공한다. 실시예에서, 신경망 모듈(8814)은 기계 비전 모듈(8822), NLP 모듈(8824), 규칙 기반 모듈(8828), 디지털 트윈 모듈(8826) 등과 같은 다른 인공 지능 모듈(8804)에 의해 활용될 수 있다. 신경망 모듈(8814)의 예시적인 애플리케이션이 본 개시 전반에 걸쳐 설명된다.
신경망은 뉴런 또는 퍼셉트론이라고도 지칭될 수 있는 연결된 노드의 그룹을 포함한다. 신경망은 하나 이상의 계층으로 조직화될 수 있다. 다수의 계층을 포함하는 신경망은 "심층(deep)" 네트워크로 지칭될 수 있다. 심층 네트워크는 입력 계층, 출력 계층, 및 입력 계층과 출력 계층 사이에 위치된 하나 이상의 은닉 계층을 포함할 수 있다. 신경망의 노드는 연결되거나 완전히 연결되지 않을 수 있다.
실시예에서, 신경망은 하나 이상의 피드포워드 신경망일 수 있거나 이를 포함할 수 있다. 피드포워드 네트워크에서, 노드 사이의 연결은 사이클을 형성하지 않는다. 예를 들어, 각각의 연결은 이전 계층으로부터의 노드를 이후 계층으로부터의 노드에 연결할 수 있다.
실시예에서, 신경망은 하나 이상의 순환 신경망일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 순환 신경망의 노드 중 적어도 일부는 사이클을 형성할 수 있다. 순환 신경망은 본질적으로 순차적인 입력 데이터를 처리하는 데 특히 유용할 수 있다. 특히, 일부 경우에서, 순환 신경망은 순환 또는 방향성 순환 노드 연결의 사용을 통해 입력 데이터 시퀀스의 이전 부분으로부터 입력 데이터 시퀀스의 후속 부분으로 정보를 전달하거나 보유할 수 있다.
일부 예에서, 순차적 입력 데이터는 시계열 데이터(예를 들어, 센서 데이터 대 상이한 시간에서 포착된 시간 또는 이미지)를 포함할 수 있다. 예를 들어, 순환 신경망은 스와이프 방향을 검출 또는 예측하고, 필기 인식 등을 수행하기 위해 센서 데이터 대 시간을 분석할 수 있다. 순차적 입력 데이터는 (예를 들어, 자연어 처리, 대화 검출 또는 처리 등을 위해) 문장 내의 단어; 음악 작곡에서의 노트; (예를 들어, 순차적 애플리케이션 사용을 검출하거나 예측하기 위해) 사용자에 의해 취해지는 순차적 액션; 순차적 객체 상태; 등을 포함할 수 있다. 일부 예시적인 실시예에서, 순환 신경망은 장단기(long short-term)(LSTM) 순환 신경망; 게이트식 순환 유닛; 양방향 순환 신경망; 연속 시간 순환 신경망; 신경 이력 압축기; 에코 상태 네트워크; 엘만 네트워크; 요르단 네트워크; 재귀적 신경망; 홉필드 네트워크; 완전 순환 네트워크(fully recurrent network); 시퀀스-투-시퀀스 구성; 등을 포함한다.
일부 예에서, 신경망은 트랜스포머 네트워크와 같은 자기-어텐션에 기초한 하나 이상의 비순환 시퀀스-투-시퀀스 모델일 수 있거나 이를 포함할 수 있다. 예시적인 트랜스포머 네트워크의 상세는 http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf에서 찾을 수 있다.
실시예에서, 신경망은 하나 이상의 컨볼루션 신경망일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 컨볼루션 신경망은 학습된 필터를 사용하여 입력 데이터에 대해 컨볼루션을 수행하는 하나 이상의 컨볼루션 계층을 포함할 수 있다. 필터는 커널이라고도 지칭될 수 있다. 컨볼루션 신경망은 입력 데이터가 스틸 이미지 또는 비디오와 같은 이미지를 포함할 때와 같은 시각 문제에 특히 유용할 수 있다. 그러나, 컨볼루션 신경망은 또한 자연어 처리를 위해 적용될 수 있다.
실시예에서, 신경망은, 예를 들어, 생성 적대 네트워크와 같은 하나 이상의 생성적 네트워크일 수 있거나 이를 포함할 수 있다. 생성적 네트워크는 새로운 이미지 또는 다른 콘텐츠와 같은 새로운 데이터를 생성하기 위해 사용될 수 있다.
실시예에서, 신경망은 오토인코더들일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 오토인코더의 목적은, 전형적으로 차원 감소의 목적을 위해, 데이터의 세트에 대한 표현(예를 들어, 저차원 인코딩)을 학습하는 것이다. 예를 들어, 일부 경우에서, 오토인코더는 입력 데이터를 인코딩하려고 시도한 다음, 인코딩으로부터 입력 데이터를 재구성하는 출력 데이터를 제공할 수 있다. 최근에, 오토인코더 개념은 데이터의 생성적 모델을 학습하기 위해 더 널리 사용되고 있다. 일부 경우에서, 오토인코더는 입력 데이터를 재구성하는 것을 넘어서는 추가적인 손실을 포함할 수 있다.
실시예에서, 신경망은, 인공 신경망의 하나 이상의 다른 형태, 예컨대, 예를 들어, 심층 볼츠만 기계; 심층 신뢰 네트워크; 적층형 오토인코더; 등일 수 있거나 이를 포함할 수 있다. 본 출원에 설명된 신경망 중 임의의 것은 더 복잡한 네트워크를 형성하기 위해 조합(예를 들어, 적층)될 수 있다.
도 105는 다수의 계층을 갖는 예시적인 신경망을 예시한다. 신경망(8840)은 입력 계층, 은닉 계층, 및 출력 계층을 포함할 수 있고, 각각의 계층은 이전 계층으로부터의 입력의 상이한 조합에 응답하는 복수의 노드 또는 뉴런을 포함한다. 뉴런 사이의 연결은 입력이 해당 노드의 출력 값에 얼마나 많은 상대적 효과를 갖는지를 결정하는 수치 가중치를 갖는다. 입력 계층은 외부 세계로부터의 정보 또는 입력 데이터(예를 들어, 센서 데이터, 이미지 데이터, 텍스트 데이터, 오디오 데이터 등)를 신경망(8840)에 제공할 수 있는 복수의 입력 노드(8842, 8844, 8846, 8848 및 8850)를 포함할 수 있다. 입력 데이터는 상이한 소스로부터의 것일 수 있고, 라이브러리 데이터(x1), 시뮬레이션 데이터(x2), 사용자 입력 데이터(x3), 훈련 데이터(x4) 및 결과 데이터(x5)를 포함할 수 있다. 입력 노드(8842, 8844, 8846, 8848 및 8850)는 정보를 다음 계층에 전달할 수 있고, 입력 노드에 의해 계산이 수행되지 않을 수 있다. 은닉 계층은 노드(8852, 8854, 및 8856)와 같은 복수의 노드를 포함할 수 있다. 은닉 계층(8852, 8854, 및 8856) 내의 노드는 입력 계층과 은닉 계층 사이의 연결의 가중치에 기초하여 입력 계층으로부터의 정보를 처리하고 정보를 출력 계층에 전달할 수 있다. 출력 계층은 은닉 계층과 출력 계층 사이의 연결의 가중치에 기초하여 정보를 처리하고, 특정 객체 또는 활동을 인식하는 것, 또는 조건 또는 액션을 예측하는 것과 같이, 정보를 컴퓨팅하고 네트워크로부터 외부 세계로 전달하는 것을 담당하는 출력 노드(8858)를 포함할 수 있다.
실시예에서, 신경망(8840)은 2개 이상의 은닉 계층을 포함할 수 있고 심층 신경망이라고 지칭될 수 있다. 계층은 제1 계층이 입력(예를 들어, 이미지) 데이터에서 프리미티브 패턴의 세트를 검출하고, 제2 계층이 패턴의 패턴을 검출하고, 제3 계층이 그 패턴의 패턴을 검출하도록 구성된다. 일부 실시예에서, 신경망(8840) 내의 노드는 바로 이전 계층 및 바로 다음 계층 내의 모든 노드에 대한 연결을 가질 수 있다. 따라서, 층은 완전-연결된 계층(fully-connected layer)으로 지칭될 수 있다. 일부 실시예에서, 신경망(8840) 내의 노드는 바로 이전 계층 및 바로 다음 계층 내의 노드 중 일부에만 연결을 가질 수 있다. 따라서, 층은 희소하게 연결된 계층(sparsely-connected layer)으로 지칭될 수 있다. 신경망 내의 각각의 뉴런은 그 입력의 가중된 선형 조합으로 구성되고, 각각의 신경망 계층에 대한 계산은 입력 행렬과 가중 행렬의 곱셈으로서 설명될 수 있다. 다음으로, 다음 레벨에서의 각각의 뉴런의 임계값을 고려하기 위해 결과적인 곱 행렬에 편향 행렬이 추가된다. 또한, 활성화 함수가 각각의 결과 값에 적용되고, 결과 값은 다음 계층에 대한 행렬에 배치된다. 따라서, 신경망 내의 노드 i로부터의 출력은 다음과 같이 표현될 수 있다:
yi= f (Σxiwi+ bi)
여기서, f는 활성화 함수이고, Σxiwi는 입력 행렬의 가중 합이고, bi는 편향 행렬(bias matrix)이다.
활성화 함수는 특정 크기의 입력 신호의 결과로서 노드에서 생성된 활동 레벨 또는 여기 레벨을 결정한다. 활성화 함수의 목적은 대부분의 실세계 함수가 비선형이고 뉴런이 이러한 비선형 표현을 학습할 수 있는 것이 바람직하기 때문에 신경망 노드의 출력에 비선형성을 도입하는 것이다. 여러 활성화 함수가 인공 신경망에서 사용될 수 있다. 하나의 예시적인 활성화 함수는 입력이 플러스 또는 마이너스 무한대에 접근함에 따라 고정된 값에 점근적으로 접근하는 연속적인 S자형 단조 증가 함수인 시그모이드 함수 σ(x)이다. 시그모이드 함수 σ(x)는 실수값 입력을 취하고 이를 0과 1 사이의 값으로 변환한다:
σ(x)=1/(1+exp(-x)).
다른 예시적인 활성화 함수는 tanh 함수이며, 이는 실수 값 입력을 취하고 이를 [-1, 1]의 범위 내의 값으로 변환한다:
tanh(x)=2σ(2x)- 1
제3 예시적인 활성화 함수는 ReLU(rectified linear unit) 함수이다. ReLU 함수는 실수 값 입력을 취하고 그것을 0보다 높게 임계화한다(즉, 음의 값을 0으로 대체한다):
f(x)=max(0, x).
활성화 함수는 예로서 제공되고, 다양한 실시예에서, 신경망(8840)은 아이덴티티, 이진 스텝, 로지스틱, 소프트 스텝, tanh, 아크탄젠트, 소프트사인, ReLU(rectified linear unit), 리키 정류 선형 유닛, 파라미터 정류 선형 유닛, 무작위 리키 정류 선형 유닛, 지수 선형 유닛, s자형 정류 선형 활성화 유닛, 적응적 구분 선형, 소프트플러스, 벤딩된 아이덴티티, 소프트엑스포넨셜, 사인파, 사인, 가우시안, 소프트맥스, 맥스아웃, 및/또는 활성화 함수의 조합을 포함하는(그러나 이에 제한되지 않음) 다양한 활성화 함수를 이용할 수 있다는 것이 명백할 것이다.
도 105에 도시된 예에서, 입력 계층 내의 노드(8842, 8844, 8846, 8848 및 8850)는 입력 데이터세트에 따라 수치 값들일 수 있는 외부 입력(x1, x2, x3, x4 및 x5)을 취할 수 있다. 도 105에는 5개의 입력만이 도시되어 있지만, 다양한 구현에서, 노드는 수십, 수백, 수천, 또는 그 이상의 입력을 포함할 수 있다는 것을 이해할 것이다. 위에서 논의된 바와 같이, 입력 계층에 대해 계산이 수행되지 않으며, 따라서 입력 계층의 노드(8842, 8844, 8846, 8848 및 8850)로부터의 출력은 각각 x1, x2, x3, x4 및 x5이며, 이들은 은닉 계층에 공급된다. 은닉 계층에서의 노드(8852)의 출력은 입력 계층(x1, x2, x3, x4 및 x5)으로부터의 출력 및 연결(w1, w2, w3, w4 및 w5)과 연관된 가중치에 의존할 수 있다. 따라서, 노드(8852)로부터의 출력은 다음과 같이 계산될 수 있다:
Y8852=f(x1w1+x2w2+x3w3+x4w4+x5w5 +b8852).
은닉 계층에서의 노드(8854 및 8856)로부터의 출력은 또한 유사한 방식으로 계산된 다음 출력 계층에서의 노드(8858)에 공급될 수 있다. 출력 계층에서의 노드(8858)는 은닉 계층에서의 노드(8852, 8854 및 8856)와 유사한 계산(연결과 연관된 가중치 v1, v2 및 v3을 사용함)을 수행할 수 있다:
Y8858= f(y8852v1+y8854v2+y8856v3+b8858);
여기서, Y8858은 신경망(8840)의 출력이다.
언급된 바와 같이, 신경망 내의 노드 사이의 연결은 연관된 가중치를 가지며, 이는 입력 값이 해당 노드의 출력 값에 얼마나 많은 상대적 영향을 미치는지를 결정한다. 네트워크가 훈련되기 전에, 가중치 각각에 대해 랜덤 값이 선택된다. 가중치는 훈련 프로세스 동안 조정되고, 신경망의 정확도를 최대화하는 최상의 가중치 세트를 결정하기 위한 이러한 가중치의 조정은 훈련이라고 지칭된다. 훈련 데이터세트에서의 모든 입력에 대해, 인공 신경망의 출력이 관찰되고 기대 출력과 비교될 수 있고, 기대 출력과 관찰된 출력 사이의 에러는 이전 계층으로 다시 전파될 수 있다. 가중치는 에러에 기초하여 그에 따라 조정될 수 있다. 이 프로세스는 출력 에러가 미리 결정된 임계값 미만일 때까지 반복된다.
실시예에서, 역전파(예를 들어, 에러의 역방향 전파)는 가중치를 조정하고 신경망 특성을 업데이트하기 위해 구배 하강과 같은 최적화 방법과 함께 이용된다. 역전파는 에러를 감소시키기 위해 신경망의 파라미터를 변경함으로써 노드에서의 라벨링된 훈련 데이터 및 에러로부터 학습하는 지도 훈련 스킴일 수 있다. 예를 들어, 훈련 입력 데이터를 사용하여 결정된 순방향 전파의 결과(예를 들어, 출력 활성화 값(들))는 대응하는 알려진 참조 출력 데이터와 비교되어 손실 함수 구배를 계산한다. 그 다음, 구배는 손실 함수를 최소화하려는 시도로 새로운 업데이트된 가중치를 결정하기 위해 최적화 방법에서 이용될 수 있다. 예를 들어, 오차를 측정하기 위해, 평균 제곱 오차는 하기 방정식을 사용하여 결정된다:
E=(타겟-출력)2
가중치 "w"에 대한 구배를 결정하기 위해, 가중치에 대한 오차의 편미분이 결정될 수 있으며, 여기서:
구배=∂E/∂w
가중치에 대한 에러의 편미분의 계산은 신경망의 노드 레벨을 통해 역방향으로 흐를 수 있다. 그 다음, 업데이트된 가중치를 결정하기 위해 가중치로부터 구배의 일부(예를 들어, 비율, 백분율 등)가 감산된다. 그 부분은 학습률(learning rate) "a"로서 지정될 수 있다. 따라서, 업데이트된 가중치를 결정하는 예시적인 방정식은 다음의 공식에 의해 주어진다:
w new =w old -α∂E/∂w
학습률은 너무 작지 않고(예를 들어, 너무 작은 레이트는 원하는 가중치로의 느린 수렴으로 이어질 수 있음) 너무 크지 않도록(예를 들어, 너무 큰 레이트가 가중치가 원하는 가중치로 수렴하지 않게 할 수 있음) 선택되어야 한다.
가중치 조정 후에, 네트워크는 동일한 입력에 대해 이전보다 더 양호하게 기능하여야 하는데, 그 이유는 이제 가중치가 에러를 최소화하도록 조정되었기 때문이다.
언급된 바와 같이, 신경망은 컨볼루션 신경망(CNN)을 포함할 수 있다. CNN은 이미지 데이터와 같은 공지된 그리드형 토폴로지를 갖는 데이터를 처리하기 위한 특수화된 신경망이다. 따라서, CNN은 분류, 객체 인식 및 컴퓨터 비전 애플리케이션에 일반적으로 사용되지만, 이들은 또한 대화 및 언어 처리와 같은 다른 타입의 패턴 인식에 사용될 수 있다.
컨볼루션 신경망은 많은 상이한 계층에 배열된 인공 뉴런의 계층을 계층 의존성을 형성하는 활성화 함수와 상호연결함으로써 고도로 비선형인 매핑을 학습한다. 이는 하나 이상의 서브샘플링 계층 및 비선형 계층이 산재되어 있는 하나 이상의 컨볼루션 계층을 포함하며, 이들은 전형적으로 하나 이상의 완전 연결된 계층이 뒤따른다.
도 106을 참조하면, CNN(8860)은 CNN(8860)에 의해 분류될 입력 이미지(8862)를 갖는 입력 계층, 하나 이상의 활성화 또는 비선형 계층(예를 들어, ReLU) 및 풀링 또는 서브샘플링 계층이 산재되어 있는 하나 이상의 컨볼루션 계층을 차례로 포함하는 은닉 계층, 및 전형적으로 하나 이상의 완전 연결된 계층을 포함하는 출력 계층을 포함한다. 입력 이미지(8862)는 픽셀의 행렬에 의해 표현될 수 있고, 다수의 채널을 가질 수 있다. 예를 들어, 컬러 이미지는 입력 이미지의 적색, 녹색 및 청색(RGB) 성분을 각각 나타내는 적색, 녹색 및 청색 채널을 가질 수 있다. 각각의 채널은 0 내지 255의 범위 내의 픽셀 값을 갖는 픽셀의 2-D 행렬에 의해 표현될 수 있다. 한편, 그레이 스케일 이미지는 하나의 채널만을 가질 수 있다. 다음 섹션은 CNN(8860)을 사용하는 단일 이미지 채널의 처리를 설명한다. 다수의 채널이 유사한 방식으로 처리될 수 있다는 것을 이해할 것이다.
도시된 바와 같이, 입력 이미지(8862)는, 각각이 풀링 계층(8866 및 8870)이 뒤따르는, 컨볼루션 및 활성화 계층(8864 및 8868)의 세트를 포함하는 은닉 계층에 의해 처리될 수 있다.
컨볼루션 신경망의 컨볼루션 계층은 입력 이미지를 학습하고 계층적 특징으로 분해할 수 있는 특징 추출기의 역할을 한다. 컨볼루션 계층은 입력 이미지에 대해 컨볼루션 연산을 수행할 수 있으며, 여기서 필터(커널 또는 특징 검출기라고도 지칭됨)는 특정 스텝 크기(스트라이드(stride)라고도 지칭됨)로 입력 이미지 위에서 슬라이딩할 수 있다. 모든 위치(또는 스텝)에 대해, 필터 행렬과 입력 이미지 내의 중첩된 행렬 사이의 요소별 곱셈이 계산되고 합산되어 피처 맵을 구성하는 출력 행렬의 단일 요소를 나타내는 최종 값을 얻을 수 있다. 피처 맵은 입력 이미지 데이터의 다양한 특징을 나타내는 이미지 데이터를 지칭하고, 입력 이미지와 비교하여 더 작은 치수를 가질 수 있다. 활성화 또는 비선형 계층은 각각의 은닉 계층 상의 가능성 있는 특징의 별개의 식별의 시그널링을 위해 상이한 비선형 트리거 함수를 사용한다. 비선형 계층은 ReLU(rectified linear units), 쌍곡선 탄젠트, 쌍곡선 탄젠트의 절대 및 시그모이드 함수를 포함하는, 비선형 트리거링을 구현하기 위해 다양한 특정 함수를 사용한다. 일 구현에서, ReLU 활성화는 함수 y=max(x, 0)를 구현하고 계층의 입력 및 출력 크기를 동일하게 유지한다. ReLU를 사용하는 이점은 컨볼루션 신경망이 여러 번 더 빠르게 훈련된다는 것이다. ReLU는 입력 값이 0보다 크면 입력에 대해 선형이고 그렇지 않으면 0인, 비연속적, 비포화 활성화 함수이다.
도 106에 도시된 바와 같이, 제1 컨볼루션 및 활성화 계층(8864)은 다수의 출력 행렬(또는 피처 맵)(8872)을 생성하기 위해 비선형성 연산(예를 들어, ReLU)이 뒤따르는 다수의 필터를 사용하여 입력 이미지(8862)에 대해 컨볼루션을 수행할 수 있다. 사용되는 필터의 수는 컨볼루션 계층의 깊이라고 지칭될 수 있다. 따라서, 도 106의 예에서의 제1 컨볼루션 및 활성화 계층(8864)은 3의 깊이를 갖고 3개의 필터를 사용하여 3개의 피처 맵을 생성한다. 그 다음, 피처 맵(8872)은 출력 행렬(8874)을 생성하기 위해 풀링 함수를 사용하여 피처 맵을 서브샘플링 또는 다운샘플링할 수 있는 제1 풀링 계층에 전달될 수 있다. 풀링 함수는 추출된 피처 맵의 공간 차원을 감소시키기 위해 피처 맵을 요약 통계로 대체하고, 그에 의해 네트워크에서의 파라미터 및 계산의 수를 감소시킨다. 따라서, 풀링 계층은 가장 중요한 정보를 유지하면서 피처 맵의 차원수를 감소시킨다. 풀링 함수는 또한, 입력에 대한 작은 변환이 풀링된 출력을 변경하지 않도록, 신경망에 변환 불변성을 도입하는 데 사용될 수 있다. 최대 풀링, 평균 풀링, 및 12-놈 풀링을 포함하는 상이한 풀링 함수가 풀링 계층에서 사용될 수 있다.
그 다음, 출력 행렬(8874)은 제2 컨볼루션 및 활성화 계층(8868)에 의해 처리되어 위에서 설명된 바와 같이 컨볼루션 및 비선형 활성화 연산(예를 들어, ReLU)을 수행하여 피처 맵(8876)을 생성할 수 있다. 도 106에 도시된 예에서, 제2 컨볼루션 및 활성화 계층(8868)은 5의 깊이를 가질 수 있다. 그 다음, 피처 맵(8876)은 풀링 계층(8870)에 전달될 수 있고, 여기서 피처 맵(8876)은 출력 행렬(8878)을 생성하기 위해 서브샘플링 또는 다운샘플링될 수 있다.
풀링 계층(8870)에 의해 생성된 출력 행렬(8878)은 이어서 CNN(8860)의 출력 계층의 일부를 형성하는 하나 이상의 완전 연결된 계층(8880)에 의해 처리된다. 완전 연결된 계층(8880)은 풀링 계층(8870)의 출력 행렬(8878)의 모든 피처 맵과의 완전 연결을 갖는다. 실시예에서, 완전 연결된 계층(8880)은 풀링 계층(8870)에 의해 생성된 출력 행렬(8878)을 벡터 형태의 입력으로서 취하고, 입력 이미지 내의 구조의 정보를 포함하는 특징 벡터를 출력하기 위해 하이-레벨 결정을 수행할 수 있다. 실시예에서, 완전 연결된 계층(8880)은 소프트맥스 함수를 사용하여 입력 이미지(8862) 내의 객체를 여러 카테고리 중 하나로 분류할 수 있다. 소프트맥스 함수는 출력 계층에서 활성화 함수로서 사용될 수 있고, 실수 값 점수들의 벡터를 취하고 이를 1로 합산되는, 0과 1 사이의 값의 벡터에 매핑한다. 실시예에서, SVM(support vector machine) 분류기와 같은 다른 분류기가 사용될 수 있다.
실시예에서, 컨볼루션 필터의 출력을 정규화하기 위해 하나 이상의 정규화 계층이 CNN(8860)에 추가될 수 있다. 정규화 계층은 화이트닝 또는 측방향 억제를 제공하고, 구배가 사라지거나 폭발하는 것을 회피하고, 훈련을 안정화하고, 더 높은 레이트 및 더 빠른 수렴으로 학습을 가능하게 할 수 있다. 실시예에서, 정규화 계층은 컨볼루션 계층 이후에, 그러나, 활성화 계층 이전에 추가된다.
따라서, CNN(8860)은 입력 이미지(8862)에서 암시적 특징 및 패턴을 학습, 향상 및 추출하기 위해 함께 적층된 컨볼루션, 활성화, 풀링, 정규화 및 완전 연결된 계층의 다수의 세트로서 보여질 수 있다. 본 출원에 사용되는 바와 같은 계층은 CNN(8860) 내의 추가 처리를 위해 하나 이상의 다른 컴포넌트로 다음 계층에 대한 출력을 생성/도출하기 위해 수신된 입력을 처리하기 위해 수학적 또는 다른 기능적 수단에 의해 유사한 기능으로 동작하는 하나 이상의 컴포넌트를 지칭할 수 있다.
CNN(8860)의 초기 계층, 예를 들어, 컨볼루션 계층은 입력 이미지(8862)로부터 에지 및/또는 구배와 같은 저레벨 특징을 추출할 수 있다. 후속 계층은 이미지 데이터 등의 곡률 및 텍스처의 존재와 같은 점진적으로 더 복잡한 특징 및 패턴을 추출하거나 검출할 수 있다. 각각의 계층의 출력은 입력 이미지(8862)에서의 데이터로부터 계층적 특징 표현을 학습하기 위해 CNN(8860)에서의 후속 계층의 입력으로서 역할을 할 수 있다. 이는 컨볼루션 신경망이 점점 더 복잡하고 추상적인 시각적 개념을 효율적으로 학습할 수 있게 한다.
단지 2개의 컨볼루션 계층만이 예에 도시되어 있지만, 본 개시는 예시적인 아키텍처로 제한되지 않고, CNN(8860) 아키텍처는 총 임의의 수의 계층, 및 컨볼루션, 활성화 및 풀링을 위한 임의의 수의 계층을 포함할 수 있다. 예를 들어, 위에서 설명된 기본 CNN 모델에 비해 많은 변형 및 개선이 있었다. 일부 예는 Alexnet, GoogLeNet, VGGNet(최대 풀링 계층이 뒤따르는 좁은 컨볼루션 계층을 포함하는 많은 계층을 적층함), 잔차 네트워크 또는 ResNet(잔차 매핑을 학습하기 위해 잔차 블록 및 스킵 연결을 사용함), DenseNet(피드-포워드 방식으로 CNN의 각각의 계층을 모든 다른 계층에 연결함), 스퀴즈 및 여기 네트워크(글로벌 상황을 특징에 포함함), 및 AmobeaNet(이미지 인식을 위한 최적의 아키텍처를 검색하고 찾기 위해 진화 알고리즘을 사용함)를 포함한다.
컨볼루션 신경망의 훈련(TRAINING OF CONVOLUTIONAL NEURAL NETWORK)
CNN(8860)과 같은 컨볼루션 신경망의 훈련 프로세스는 신경망(8840)과 관련하여 도 105에서 논의된 훈련 프로세스와 유사할 수 있다.
실시예에서, 모든 파라미터 및 가중치(필터에서의 가중치 및 완전 연결된 계층에 대한 가중치를 포함함)가 초기에 할당된다(예를 들어, 무작위로 할당된다). 그 후, 훈련 동안, 객체가 검출되고 분류된 훈련 이미지 또는 이미지가 CNN(8860)에 대한 입력으로서 제공되고, CNN은 순방향 전파 단계를 수행한다. 즉, CNN(8860)은 컨볼루션, 비선형 활성화, 및 풀링 계층을 각각의 훈련 이미지에 적용하여 분류 벡터를 결정한다(즉, 각각의 훈련 이미지를 검출하고 분류한다). 이러한 분류 벡터는 미리 결정된 분류 벡터와 비교된다. CNN의 분류 벡터와 미리 결정된 분류 벡터 사이의 에러(예를 들어, 차이들의 제곱 합, 로그 손실, 소프트맥스 로그 손실)가 결정된다. 이 에러는 이어서 구배 하강을 사용할 수 있고 하나 이상의 반복을 포함할 수 있는 역전파 프로세스에서 CNN의 가중치 및 파라미터를 업데이트하기 위해 이용된다. 훈련 세트 내의 각각의 훈련 이미지에 대해 훈련 프로세스가 반복된다.
위에서 설명된 훈련 프로세스 및 추론 프로세스는 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 대해 수행될 수 있다. 그러나, CNN(8860)과 같은 컨볼루션 신경망을 훈련하거나 또는 추론을 위해 훈련된 CNN을 사용하는 것은 일반적으로, 예를 들어, 행렬 곱셈 또는 컨볼루션을 수행하기 위해 상당한 양의 계산 능력을 요구한다. 따라서, 그래픽 처리 유닛(GPU), 텐서 처리 유닛(TPU), 신경망 처리 유닛(NPU), FPGA, ASIC, 또는 다른 고도로 병렬적인 처리 회로와 같은 특수화된 하드웨어 회로가 훈련 및/또는 추론을 위해 사용될 수 있다. 훈련 및 추론은 클라우드 상에서, 데이터 센터 상에서, 또는 디바이스 상에서 수행될 수 있다.
영역 기반 CNN(REGION BASED CNN)(RCNN) 및 객체 검출(AND OBJECT DETECTION)
실시예에서, 객체 검출 모델은 객체를 분류할 뿐만 아니라 또한 경계 박스의 관점에서 이미지에서의 그 위치를 결정함으로써 CNN 기반 이미지 분류 신경망 모델의 기능성을 확장한다. R-CNN(Region-based CNN) 방법은 관심 영역(ROI)을 추출하는 데 사용되며, 여기서 각각의 ROI는 이미지 내의 객체의 경계를 나타낼 수 있는 직사각형이다. 개념적으로, R-CNN은 2개의 단계로 동작한다. 제1 단계에서, 영역 제안 방법은 이미지에서 모든 잠재적인 경계 박스 후보를 생성한다. 제2 단계에서, 모든 제안에 대해, CNN 분류기가 객체를 구별하기 위해 적용된다. 대안적으로, 특징 추출기 및 분류기를 통합된 네트워크에 통합하는 고속 R-CNN 아키텍처가 사용될 수 있다. 다른 더 빠른 R-CNN이 사용될 수 있으며, 이는 RPN(Region Proposal Network) 및 고속 R-CNN을 엔드-투-엔드 훈련가능 프레임워크에 포함한다. 마스크 R-CNN은 인스턴스 세그먼트화를 추가하는 반면, 메시 R-CNN은 2D 이미지로부터 3D 메시를 생성하는 능력을 추가한다.
실시예에서, 인공 지능 모듈(8804)은 로봇 프로세스 자동화(RPA) 모듈(8816)에 대한 액세스를 제공하고/하거나 이를 통합할 수 있다. RPA 모듈(8816)은, 특히, 작업흐름을 생성하고 검증하는 컴퓨터 자동화를 용이하게 할 수 있다. 실시예에서, RPA 모듈(8816)은 각각의 태스크의 수행에서 인간에 의해 수행되는 패턴 및 프로세스를 학습하기 위해 다양한 시스템과의 인간 상호작용을 모니터링할 수 있다. 이는 하드웨어 요소, 소프트웨어 인터페이스, 및 다른 요소와의 상호작용을 수반하는 인간 액션의 관찰을 포함할 수 있다. 관찰은, 많은 다른 예 중에서도 특히, 인간이 실제 태스크를 수행할 때의 현장 관찰들 뿐만 아니라, 또한 인간이 RPA 시스템에 대한 훈련 데이터 세트 또는 입력을 제공하려는 명시적인 의도로 액션을 수행하는 시뮬레이션 또는 다른 활동의 관찰을 포함할 수 있으며, 예컨대 이 경우 인간은 RPA 시스템이 특징 또는 객체를 인식하거나 분류하는 것을 학습하는 것을 보조하는 특징으로 훈련 데이터 세트를 태깅하거나 라벨링한다. 실시예에서, RPA 모듈(8816)은 학습된 패턴 및 프로세스에 기초하여 특정 태스크를 수행하도록 학습할 수 있어서, 태스크는 인간 의사 결정자 대신에 또는 그를 지원하여 RPA 모듈(8816)에 의해 수행될 수 있다. RPA 모듈(8816)의 예는 본 개시 및 본 출원에 참조로 포함된 문서에서의 것을 포함할 수 있고, 그 안에 설명된 광범위한 밸류 체인 네트워크 활동 또는 엔티티 중 임의의 것의 자동화를 수반할 수 있다.
실시예에서, 인공 지능 모듈(8804)은 분석 모듈(8818)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 분석 모듈(8818)은 밸류 체인 엔티티 또는 다른 데이터 소스로부터 출력된 데이터에 대해 다양한 분석 프로세스를 수행하도록 구성된다. 예시적인 실시예에서, 분석 모듈(8818)에 의해 생성된 분석은 목표 및/또는 메트릭의 세트와 비교하여 시스템 성능의 정량화를 용이하게 할 수 있다. 목표 및/또는 메트릭은 사전 구성되고, 동작 결과 등으로부터 동적으로 결정될 수 있다. 분석 모듈(8818)에 의해 수행될 수 있는 분석 프로세스의 예는 아래에서 그리고 본 출원에 참조로 포함된 문서에서 논의된다. 일부 예시적인 구현에서, 분석 프로세스는 (많은 다른 것 중에서도 특히) 위치 및 시간에 의해 관련 아이템의 세트에 대한 수요를 예상하는 것을 수반하는 것과 같이, 밸류 체인 활동 및 수요 지능의 조정을 수반하는 목표 및/또는 특정 메트릭을 추적하는 것을 포함할 수 있다.
실시예에서, 인공 지능 모듈(8804)은 디지털 트윈 모듈(8820)을 포함하고/하거나 이에 대한 액세스를 제공할 수 있다. 디지털 트윈 모듈(8820)은 본 출원에 설명된 광범위한 특징 및 능력 중 임의의 것을 포함할 수 있다. 실시예에서, 디지털 트윈 모듈(8820)은, 특히, 물리적 환경의 트윈, 로봇 운영 편성 단위의 트윈, 물류 트윈, 집행 디지털 트윈, 조직 디지털 트윈, 역할 기반 디지털 트윈 등과 같은, 상이한 타입의 디지털 트윈에 대한 실행 환경을 제공하도록 구성될 수 있다. 실시예에서, 디지털 트윈 모듈(8820)은 본 개시 전반에 걸쳐 다른 곳에서 설명된 디지털 트윈 시스템 및/또는 모듈에 따라 구성될 수 있다. 예시적인 실시예에서, 디지털 트윈 모듈(8820)은 지능 클라이언트(8836)에 의해 요청되는 디지털 트윈을 생성하도록 구성될 수 있다. 또한, 디지털 트윈 모듈(8820)은 외부 데이터 소스로부터 정보를 수신하기 위한 API 등과 같은 인터페이스로 구성될 수 있다. 예를 들어, 디지털 트윈 모듈(8820)은 기계, 차량, 로봇, 또는 다른 디바이스의 센서 시스템, 및/또는 디바이스가 동작하는 물리적 환경의 센서 시스템으로부터 실시간 데이터를 수신할 수 있다. 실시예에서, 디지털 트윈 모듈(8820)은 제3자 서비스(예를 들어, 날씨 서비스, 트래픽 데이터 서비스, 물류 시스템 및 데이터베이스 등)와 같은 다른 적절한 데이터 소스로부터 디지털 트윈 데이터를 수신할 수 있다. 실시예에서, 디지털 트윈 모듈(8820)은 공급 체인 기반구조 엔티티, 수송 또는 물류 엔티티, 컨테이너, 상품 등과 같은 밸류 체인 네트워크 엔티티들 뿐만 아니라, 또한 고객, 상인, 상점, 판매 지점, 사용 지점 등과 같은 수요 엔티티의 특징, 상태 등을 나타내는 디지털 트윈 데이터를 포함할 수 있다. 디지털 트윈 모듈(8820)은 공급 체인 활동 및 수요 관리 활동 내에서의 자동화의 조정을 포함하는, 공급 및 수요의 조정을 위해, 인터페이스(예를 들어, 제어 타워 또는 대시보드)와 통합되거나 그에 통합되거나, 그에 연동되거나, 또는 다른 방식으로 그와 상호작용할 수 있다.
실시예에서, 디지털 트윈 모듈(8820)은 디지털 트윈의 라이브러리에 대한 액세스를 제공하고 이를 관리할 수 있다. 인공 지능 모듈(8804)은 특정 자극에 응답하여 주어진 환경에서의 액션의 시뮬레이션과 같은 기능을 수행하기 위해 라이브러리에 액세스할 수 있다.
실시예에서, 인공 지능 모듈(8804)은 기계 비전 모듈(8822)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 기계 비전 모듈(8822)은 이미지 내의 객체를 검출하고 분류하기 위해 (예를 들어, 카메라에 의해 포착된) 이미지를 처리하도록 구성된다. 실시예에서, 기계 비전 모듈(8822)은 (비디오 피드의 프레임 또는 단일 스틸 샷 이미지들일 수 있는) 하나 이상의 이미지를 수신하고 (예를 들어, 에지 검출 기술 등을 사용하여) 이미지에서 "블롭(blob)"을 식별한다. 기계 비전 모듈(8822)은 이어서 블롭을 분류할 수 있다. 일부 실시예에서, 기계 비전 모듈(8822)은 이미지 내의 블롭을 분류하기 위해 하나 이상의 기계 학습된 이미지 분류 모델 및/또는 신경망(예를 들어, 컨볼루션 신경망)을 활용한다. 일부 실시예에서, 기계 비전 모듈(8822)은 분류 전에 이미지 및/또는 이미지 내의 각각의 블롭에 대해 특징 추출을 수행할 수 있다. 일부 실시예에서, 기계 비전 모듈(8822)은 이전 이미지로부터의 분류(들)를 확인하거나 업데이트하기 위해 이전 이미지에서 이루어진 분류를 활용할 수 있다. 예를 들어, 이전 프레임에서 검출된 객체가 더 낮은 신뢰도 점수로 분류된 경우(예를 들어, 객체가 부분적으로 가려지거나 초점이 맞지 않은 경우), 기계 비전 모듈(8822)은 분류를 확인하거나 기계 비전 모듈(8822)이 더 높은 신뢰도로 객체의 분류를 결정할 수 있는 경우 업데이트할 수 있다. 실시예에서, 기계 비전 모듈(8822)은 예컨대, 다른 객체에 의해 가려질 수 있는 객체와 같은 가려짐을 검출하도록 구성된다. 실시예에서, 기계 비전 모듈(8822)은, 레이더, 소나, (공지된 객체의 위치를 보여줄 수 있는) 환경의 디지털 트윈, 및/또는 등으로부터와 같이, 이미지 분류 태스크를 보조하기 위한 추가적인 입력을 수신한다. 일부 실시예에서, 기계 비전 모듈(8822)은 액체 렌즈를 포함하거나 그와 인터페이스할 수 있다. 이러한 실시예에서, 액체 렌즈는 (예를 들어, 로봇의 환경 및 작업에 의해 다수의 거리에서의 포커싱이 필요할 때) 개선된 기계 비전 및/또는 액체 렌즈에 의해 인에이블되는 다른 기계 비전 태스크를 용이하게 할 수 있다.
실시예에서, 인공 지능 모듈(8804)은 자연어 처리(NLP) 모듈(8824)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, NLP 모듈(8824)은 지능 서비스 클라이언트(8836)를 대신하여 자연어 태스크를 수행한다. 자연어 처리 기술의 예는 대화 인식, 대화 세그먼트화, 화자 다이어리제이션, 텍스트-대화(text-to-speech), 레마티제이션(lemmatization), 형태적 세그먼트화, 품사 태깅(parts-of-speech tagging), 스테밍(stemming), 구문 분석(syntactic analysis), 어휘 분석(lexical analysis) 등을 포함할 수 있지만, 이들로 제한되지 않는다. 실시예에서, NLP 모듈(8824)은 인간으로부터 수신되는 음성 명령을 가능하게 할 수 있다. 실시예에서, NLP 모듈(8824)은 (예를 들어, 마이크로폰으로부터) 오디오 스트림을 수신하고, 오디오 스트림에 대해 음성-텍스트 변환을 수행하여 오디오 스트림의 전사를 획득할 수 있다. NLP 모듈(8824)은 다양한 NLP 기술(예를 들어, NLP 모델, 신경망 등)을 사용하여 텍스트의 의미를 결정하기 위해 텍스트(예를 들어, 오디오 스트림의 전사)를 처리할 수 있다. 실시예에서, NLP 모듈(8824)은 NLP의 결과에 기초하여 오디오 스트림에서 말한 액션 또는 명령을 결정할 수 있다. 실시예에서, NLP 모듈(8824)은 NLP의 결과를 지능 서비스 클라이언트(8836)에 출력할 수 있다.
실시예에서, NLP 모듈(8824)은 인간 사용자와 통신할 뿐만 아니라 하나 이상의 태스크를 수행하기 위해 인간 사용자에 의해 제공되는 하나 이상의 대화 음성 명령어를 파싱하는 능력을 지능 서비스 클라이언트(8836)에 제공한다. NLP 모듈(8824)은 음성 명령어를 인식하기 위한 대화 인식, 명령어로부터 의미를 파싱하고 도출하기 위한 자연어 이해, 및 사용자 명령어의 처리 시에 사용자에 대한 음성 응답을 생성하기 위한 자연어 생성을 수행할 수 있다. 일부 실시예에서, NLP 모듈(8824)은 지능 서비스 클라이언트(8836)가 명령어를 이해하고, 지능 서비스 클라이언트(8836)에 의한 태스크의 성공적인 완료 시에, 사용자에게 응답을 제공할 수 있게 한다. 실시예에서, NLP 모듈(8824)은 사용자 요청의 상황이 완전히 명확하지 않은 경우 사용자에게 질문을 조성하고 질문할 수 있다. 실시예에서, NLP 모듈(8824)은 처리된 대화 또는 텍스트 데이터와 연관된 상황 정보를 결정하기 위해 비전 센서, 위치-기반 데이터(예를 들어, GPS 데이터)를 포함하는 하나 이상의 센서로부터 수신된 입력을 이용할 수 있다.
실시예에서, NLP 모듈(8824)은 NLP 태스크를 수행할 때, 순환 신경망, 장단기 메모리(LSTM), 게이트식 순환 유닛(GRU), 트랜스포머 신경망, 컨볼루션 신경망 등과 같은 신경망을 사용한다.
도 107은 NLP 모듈(8824)을 구현하기 위한 예시적인 신경망(8800)을 예시한다. 예시된 예에서, 예시적인 신경망은 트랜스포머 신경망이다. 이 예에서, 트랜스포머 신경망(8800)은 입력 시퀀스를 출력 시퀀스로 변환하기 위해 3개의 입력 스테이지 및 5개의 출력 스테이지를 포함한다. 예시적인 트랜스포머는 인코더(8802) 및 디코더(8804)를 포함한다. 인코더(8802)는 입력을 처리하고, 디코더(8804)는, 예를 들어, 출력 확률을 생성한다. 인코더(8802)는 3개의 스테이지를 포함하고, 디코더(8804)는 5개의 스테이지를 포함한다. 인코더(8802) 스테이지 1은 입력을 임베디드 입력에 추가된 위치 인코딩의 시퀀스로서 표현한다. 인코더(8802) 스테이지 2 및 스테이지 3은 N개의 계층(예를 들어, N=6 등)을 포함하고, 여기서 각각의 계층은 위치별 피드포워드 신경망(FNN) 및 어텐션 기반 서브계층을 포함한다. 인코더(8802) 스테이지 2의 각각의 어텐션 기반 서브계층은 인코더(8802) 스테이지 3의 위치별 FNN에 제공되도록 추가되고 정규화될 4개의 선형 투영 및 멀티-헤드 어텐션 로직을 포함한다. 인코더(8802) 스테이지 2 및 3은 출력에서 정규화 계층이 뒤따르는 잔차 연결을 이용한다.
예시적인 디코더(8804)는 위치 i에 대한 예측이 i 이전의/미만의 위치에 의존하는 것을 보장하는 것을 돕기 위해 그 입력으로서의 출력 임베딩을 처리하며, 출력 임베딩은 하나의 위치만큼 오른쪽으로 시프트된다. 디코더(8804)의 스테이지 2에서, 위치가 후속 위치에 어텐딩하는 것을 방지하기 위해 마스킹된 멀티-헤드 어텐션이 수정된다. 디코더(8804)의 스테이지 3-4는 N개의 계층(예를 들어, N=6 등)을 포함하고, 여기서 각각의 계층은 위치별 FNN 및 2개의 어텐션 기반 서브계층을 포함한다. 디코더(8804) 스테이지 3의 각각의 어텐션 기반 서브계층은 디코더(8804) 스테이지 4의 위치별 FNN에 제공되도록 추가되고 정규화될 4개의 선형 투영 및 멀티-헤드 어텐션 로직을 포함한다. 디코더(8804) 스테이지 2-4는 출력에서 정규화 계층이 뒤따르는 잔차 연결을 이용한다. 디코더(8804) 스테이지 5는 K개의 수의 결과적인 벡터를 K개의 입력 수의 지수에 비례하는 K개의 확률을 포함하는 확률 분포(8806)로 정규화하기 위해 소프트맥스 함수가 뒤따르는 선형 변환을 제공한다.
신경망의 추가적인 예는 본 개시의 다른 곳에서 찾을 수 있다(예를 들어, 도 78 내지 도 103).
도 104를 다시 참조하면, 실시예에서, 인공 지능 모듈(8804)은 또한, 지능 서비스 클라이언트(8836)에 통합되거나 이에 의해 액세스될 수 있는 규칙 기반 모듈(8828)에 대한 액세스를 포함 및/또는 제공할 수 있다. 일부 실시예에서, 규칙 기반 모듈(8828)은 지능 클라이언트와 관련하여 수행될 수 있는 특정 액션을 트리거하는 규칙 및 다른 조건의 세트를 정의하는 프로그램적 로직으로 구성될 수 있다. 실시예에서, 규칙 기반 모듈(8828)은 입력을 수신하고 입력에 기초하여 하나 이상의 규칙이 만족되는지를 결정하는 프로그램적 로직으로 구성될 수 있다. 조건이 만족되면, 규칙 기반 모듈(8828)은 수행할 액션을 결정하고, 이는 요청 지능 서비스 클라이언트(8836)에 출력될 수 있다. 규칙 기반 엔진에 의해 수신된 데이터는 지능 서비스 입력 소스(8832)로부터 수신될 수 있고/있거나 기계 비전 모듈(8822), 신경망 모듈(8814), ML 모듈(8812) 등과 같은 인공 지능 모듈(8804) 내의 다른 모듈로부터 요청될 수 있다. 예를 들어, 규칙 기반 모듈(8828)은 기계 비전 시스템으로부터의 모바일 시스템(예를 들어, 로봇, 자율 차량 등)의 시야 내의 객체의 분류 및/또는 모바일 시스템의 라이다 센서로부터의 센서 데이터를 수신할 수 있고, 이에 응답하여, 모바일 시스템이 그 경로를 계속해야 하는지, 그 코스를 변경해야 하는지, 또는 정지해야 하는지를 결정할 수 있다. 실시예에서, 규칙 기반 모듈(8828)은 각각의 클라이언트(8836)를 대신하여 다른 적절한 규칙 기반 결정을 하도록 구성될 수 있으며, 그 예는 본 개시 전반에 걸쳐 논의된다. 일부 실시예에서, 규칙 기반 엔진은 거버넌스 표준 및/또는 분석 모듈을 적용할 수 있으며, 이들은 아래에 더 상세히 설명된다.
실시예에서, 인공 지능 모듈(8804)은 지능 서비스 클라이언트(8836)에 의해 발행되는 요청의 타입을 결정하도록 구성되는 지능 서비스 제어기(8802)와 인터페이스하고, 이에 응답하여, 요청에 응답할 때 인공 지능 모듈(8804)에 의해 적용될 거버넌스 표준 및/또는 분석의 세트를 결정할 수 있다. 실시예에서, 지능 서비스 제어기(8802)는 분석 관리 모듈(8806), 분석 모듈(8808)의 세트, 및 거버넌스 라이브러리(8810)를 포함할 수 있다.
실시예에서, 지능 서비스 제어기(8802)는 지능 서비스 클라이언트(8836)에 의해 발행되는 요청의 타입을 결정하도록 구성되고, 이에 응답하여, 요청에 응답할 때 인공 지능 모듈(8804)에 의해 적용될 거버넌스 표준 및/또는 분석의 세트를 결정할 수 있다. 실시예에서, 지능 서비스 제어기(8802)는 분석 관리 모듈(8806), 분석 모듈(8808)의 세트, 및 거버넌스 라이브러리(8810)를 포함할 수 있다. 실시예에서, 분석 관리 모듈(8806)은 인공 지능 모듈(8804) 요청을 수신하고, 요청에 의해 결부된 거버넌스 표준 및/또는 분석을 결정한다. 실시예에서, 분석 관리 모듈(8806)은 요청된 결정의 타입 및/또는 요청된 결정에 대해 특정 분석이 수행되어야 하는지에 기초하여 요청에 적용되는 거버넌스 표준을 결정할 수 있다. 예를 들어, 지능 서비스 클라이언트(8836)가 액션을 수행하게 하는 제어 결정에 대한 요청은, 안전 표준, 법적 표준, 품질 표준 등과 같은, 적용되는 특정 세트의 거버넌스 표준을 결부시킬 수 있고/있거나, 위험 분석, 안전 분석, 엔지니어링 분석 등과 같은, 제어 결정에 관한 하나 이상의 분석을 결부시킬 수 있다.
일부 실시예에서, 분석 관리 모듈(8806)은 하나 이상의 조건에 기초하여 결정 요청에 적용되는 거버넌스 표준을 결정할 수 있다. 이러한 조건의 비제한적인 예는 요청되는 결정의 타입, 결정이 이루어지고 있는 지리위치, 결정이 영향을 미칠 환경, 환경의 현재 또는 예측된 환경 조건 등을 포함할 수 있다. 실시예에서, 거버넌스 표준은 거버넌스 라이브러리(8810)에 저장된 표준 라이브러리의 세트로서 정의될 수 있다. 실시예에서, 표준 라이브러리는 결정이 분석될 수 있는 조건, 임계값, 규칙, 추천, 또는 다른 적합한 파라미터를 정의할 수 있다. 표준 라이브러리의 예는 법적 표준 라이브러리, 규제 표준 라이브러리, 품질 표준 라이브러리, 엔지니어링 표준 라이브러리, 안전 표준 라이브러리, 재무 표준 라이브러리, 및/또는 다른 적합한 타입의 표준 라이브러리를 포함할 수 있다. 실시예에서, 거버넌스 라이브러리(8810)는 상이한 조건에 기초하여 각각의 표준 라이브러리에 정의된 특정 표준을 인덱싱하는 인덱스를 포함할 수 있다. 조건의 예는 특정 표준이 적용되는 관할 또는 지리적 영역, 특정 표준이 적용되는 환경 조건, 특정 표준이 적용되는 디바이스 타입, 특정 표준이 적용되는 재료 또는 제품 등일 수 있다.
일부 실시예에서, 분석 관리 모듈(8806)은 특정 결정과 관련하여 적용되어야 하는 표준의 적절한 세트를 결정할 수 있고, 인공 지능 모듈(8804)이 결정을 결정할 때 결부된 거버넌스 표준을 활용하도록, 인공 지능 모듈(8804)에 표준의 적절한 세트를 제공할 수 있다. 이러한 실시예에서, 인공 지능 모듈(8804)은, 인공 지능 모듈(8804)에 의해 출력되는 결정이 결부된 거버넌스 표준과 일치하도록, 의사 결정 프로세스에서 표준을 적용하도록 구성될 수 있다. 거버넌스 라이브러리 내의 표준 라이브러리가 플랫폼 제공자, 고객, 및/또는 제3자에 의해 정의될 수 있는 것으로 이해된다. 표준은 정부 표준, 산업 표준, 고객 표준, 또는 다른 적합한 소스들일 수 있다. 실시예에서, 각각의 표준 세트는, 주어진 상황에서 어느 표준을 적용할지를 결정하기 위해 조건이 사용될 수 있도록, 각각의 표준 세트를 결부시키는 조건의 세트를 포함할 수 있다.
일부 실시예에서, 분석 관리 모듈(8806)은 특정 결정에 대해 수행될 하나 이상의 분석을 결정할 수 있고, 이들 분석을 수행하는 대응하는 분석 모듈(8808)을 인공 지능 모듈(8804)에 제공할 수 있어서, 인공 지능 모듈(8804)은 결정을 요청 클라이언트에 출력하기 전에 결정을 분석하기 위해 대응하는 분석 모듈(8808)을 활용한다. 실시예에서, 분석 모듈(8808)은 특정 타입의 결정에 대해 특정 분석을 수행하도록 구성되는 모듈을 포함할 수 있으며, 여기서, 각각의 모듈은 지능 서비스(8800)의 인스턴스를 호스팅하는 처리 시스템에 의해 실행된다. 분석 모듈(8808)의 비제한적인 예는 위험 분석 모듈(들), 보안 분석 모듈(들), 결정 트리 분석 모듈(들), 윤리 분석 모듈(들), FMEA(failure mode and effects) 분석 모듈(들), 위험 분석 모듈(들), 품질 분석 모듈(들), 안전성 분석 모듈(들), 규제 분석 모듈(들), 법적 분석 모듈(들), 및/또는 다른 적합한 분석 모듈을 포함할 수 있다.
일부 실시예에서, 분석 관리 모듈(8806)은 지능 서비스 클라이언트(8836)에 의해 요청된 결정의 타입에 기초하여 어느 타입의 분석을 수행할지를 결정하도록 구성된다. 이러한 실시예 중 일부에서, 분석 관리 모듈(8806)은 요청된 결정 타입에 기초하여 분석 모듈(8808)의 세트를 식별하는 인덱스 또는 다른 적합한 메커니즘을 포함할 수 있다. 이러한 실시예에서, 분석 관리 모듈(8806)은 결정 타입을 수신할 수 있고, 결정 타입에 기초하여 실행될 분석 모듈(8808)의 세트를 결정할 수 있다. 추가적으로 또는 대안적으로, 하나 이상의 거버넌스 표준은 특정 분석이 수행될 때를 정의할 수 있다. 예를 들어, 엔지니어링 표준은 어떤 시나리오가 FMEA 분석을 필요로 하는지를 정의할 수 있다. 이 예에서, 엔지니어링 표준은 특정 타입의 결정에 대한 요청에 의해 결부되었을 수 있고, 엔지니어링 표준은 FMEA 분석이 수행될 때의 시나리오를 정의할 수 있다. 이 예에서, 인공 지능 모듈(8804)은 안전 분석 모듈 및/또는 위험 분석 모듈을 실행할 수 있고, 액션이 법적 표준 또는 안전 표준을 위반할 것인지에 대한 대안적인 결정을 결정할 수 있다. 제안된 결정을 분석하는 것에 응답하여, 인공 지능 모듈(8804)은 실행된 분석의 결과에 기초하여 제안된 조건을 선택적으로 출력할 수 있다. 결정이 허용되면, 인공 지능 모듈(8804)은 요청 지능 서비스 클라이언트(8836)에 결정을 출력할 수 있다. 제안된 구성이 분석 중 하나 이상에 의해 플래깅되는 경우, 인공 지능 모듈(8804)은 대안적인 결정을 결정하고, 일치하는 결정이 획득될 때까지 대안적인 제안된 결정에 대한 분석을 실행할 수 있다.
여기서, 일부 실시예에서, 하나 이상의 분석 모듈(8808) 자체가 표준으로 정의될 수 있고, 함께 사용되는 하나 이상의 관련 표준이 특정 분석을 포함할 수 있다는 점에 유의한다. 예를 들어, 적용가능한 안전 표준은 사용할 수 있는 위험 분석 또는 더 허용가능한 방법을 요구할 수 있다. 이 예에서, 전체 프로세스 및 문서화를 위한 ISO 표준, 및 좁게 정의된 절차를 위한 ASTM 표준이 안전 거버넌스 표준에 의해 요구되는 위험 분석을 완료하기 위해 이용될 수 있다.
언급된 바와 같이, 지능 서비스(8800)의 전술한 프레임워크는 밸류 체인의 다양한 엔티티에서 적용 및/또는 활용될 수 있다. 예를 들어, 일부 실시예에서, 플랫폼-레벨 지능 시스템은 지능 서비스(8800)의 전체 능력으로 구성될 수 있고, 지능 서비스(8800)의 특정 구성은 각각의 밸류 체인 엔티티에 대해 프로비저닝될 수 있다. 또한, 일부 실시예에서, 지능 서비스 클라이언트(8836)는 지능 서비스 클라이언트(8836)가 태스크를 자율적으로 수행할 수 없을 때 지능 시스템 태스크를 상위 레벨 밸류 체인 엔티티(예를 들어, 에지-레벨 또는 플랫폼-레벨)로 상신하도록 구성될 수 있다. 일부 실시예에서, 지능 서비스 제어기(8802)는 지능 태스크를 하위 레벨 컴포넌트에 지시할 수 있다는 점에 유의한다. 또한, 일부 구현예에서, 지능 서비스(8800)는 지능 서비스(8800) 및/또는 상위 또는 하위 레벨 지능 시스템에 의해 결정에 도달할 수 없을 때 디폴트 액션을 출력하도록 구성될 수 있다. 이러한 구현 중 일부에서, 디폴트 결정은 규칙 및/또는 표준 라이브러리에서 정의될 수 있다.
최적 정책을 결정하기 위한 강화 학습(REINFORCEMENT LEARNING TO DETERMINE OPTIMAL POLICY)
강화 학습(RL : reinforcement learning)은 에이전트가 환경과의 상호작용을 통해 최적의 정책을 반복적으로 학습하는 기계 학습 기술이다. RL에서, 에이전트는 장기 보상의 일부 개념을 최대화하기 위해 시행착오에 의해 올바른 액션을 발견해야 한다. 구체적으로, RL을 이용하는 시스템에서, 2개의 엔티티가 존재한다: (1) 환경 및 (2) 에이전트. 에이전트는 환경에 대한 액션을 실행할 뿐만 아니라 환경의 상태를 감지할 수 있도록 그 환경에 연결되는 컴퓨터 프로그램 컴포넌트이다. 상호작용의 각각의 단계에서, 에이전트는 환경의 현재 상태 s를 감지하고, 취할 액션 a를 선택한다. 액션은 환경의 상태를 변경하고, 이 상태 전이의 값은 보상 신호 r에 의해 에이전트에 통신되며, 여기서 r의 크기는 액션의 바람직함을 나타낸다. 시간이 지남에 따라, 에이전트는 환경의 각각의 상태에 대해 에이전트가 취할 액션을 지정하는 정책 π를 구축한다.
공식적으로, 강화 학습에서, 환경 상태의 이산 세트 S; 에이전트 액션의 개별 세트 A; 및 스칼라 강화 신호의 세트 R이 존재한다. 학습 후에, 시스템은 상태 sεS에서 액션 aεA를 취하는 값을 정의하는 정책 π를 생성한다. 정책은 Qπ(s, a)를 s로부터 시작하고, 액션 a를 취하고, 정책 π를 따르는 기대 반환 값으로서 정의한다.
강화 학습 에이전트는 다양한 상태에 대한 반복적인 노출을 통해 정책에서 훈련되고, 에이전트가 정책에 따라 액션을 선택하게 하고 바람직한 거동을 보상하도록 설계된 함수에 기초하여 보상을 제공한다. 보상 피드백에 기초하여, 시스템은 정책을 "학습"할 수 있고 바람직한 액션을 생성하게 훈련된다. 예를 들어, 내비게이션 정책에 대해, RL 에이전트는 그 상태(예를 들어, 위치, 타겟 객체로부터의 거리)를 반복적으로 평가하고, 액션을 선택하고(예를 들어, 타겟 객체를 향한 이동을 위해 모터에 입력을 제공하고), 액션의 성공의 표시를 제공하는 보상 신호를 사용하여 액션을 평가할 수 있다(예를 들어, 이동이 모바일 시스템과 타겟 객체 사이의 거리를 감소시키는 경우 +10의 보상 및 이동이 거리를 증가시키는 경우 -10의 보상). 유사하게, RL 에이전트는 파지될 타겟 객체의 이미지를 반복적으로 획득하고, 객체를 파지하려고 시도하고, 시도를 평가한 다음, 다음 시도를 결정하는 것을 보조하기 위해 선행 반복(들)의 시도의 평가를 사용하여 후속 반복을 실행함으로써 파지 정책에서 훈련될 수 있다.
정책에서 RL 에이전트를 훈련하기 위한 여러 접근법이 있을 수 있다. 모방 학습은 에이전트가 상태/액션 쌍으로부터 학습하는 핵심 접근법이며, 여기서 액션은 관찰된 상태에 응답하여 전문가(예를 들어, 인간)에 의해 선택된 것들이다. 모방 학습은 샘플 비효율성 또는 계산 가능성 문제를 해결할 뿐만 아니라, 또한 훈련 프로세스를 더 안전하게 한다. RL 에이전트는 (예를 들어, 타겟 객체를 향해 내비게이션하고 이를 파지하는) 인간을 관찰함으로써 상태/액션 쌍의 다수의 예를 도출할 수 있고, 이들을 정책을 훈련시키기 위한 기초로서 사용한다. 지도 학습을 사용하여 전문가의 정책을 학습하는 것에 초점을 맞춘 거동 복제(BC)는 모방 학습 접근법의 예이다.
가치 기반 학습 접근법은 미래 보상의 기대값을 최대화하는(또는 기대 비용을 최소화하는) 액션의 시퀀스를 포함하는 정책을 찾는 것을 목표로 한다. RL 에이전트는 값/비용 함수를 학습한 다음, 이에 대한 정책을 도출할 수 있다. 2개의 상이한 기대값이 종종 언급된다: 각각, 상태 값(V(s)) 및 액션 값(Q(s,a)). 상태 값 함수 V(s)는 각각의 상태에서의 에이전트와 연관된 값을 나타내는 반면, 액션 값 함수 Q(s,a)는 상태 s에서의 에이전트와 연관되고 액션 a를 수행하는 값을 나타낸다. 가치 기반 학습 접근법은 최적의 값(V* 또는 Q*)을 근사화한 다음 최적의 정책을 도출함으로써 작동한다. 예를 들어, 최적 값 함수 Q*(s, a)는 상태-액션 값 함수 Q(s, a)를 최대화하는 액션의 시퀀스를 발견함으로써 식별될 수 있다. 각각의 상태에 대한 최적의 정책은 각각의 상태로부터 취해질 수 있는 최고값 액션을 식별함으로써 도출될 수 있다.
π*(s)=argmax Q*(s,a)
시퀀스 내의 액션이 실행되고 모바일 시스템이 하나의 상태로부터 다른 상태로 전이함에 따라 가치 함수를 반복적으로 계산하기 위해, 벨만 최적성 방정식이 적용될 수 있다. 최적값 함수 Q*(s,a)는 벨만 최적성 방정식을 따르며 다음과 같이 표현될 수 있다:
Q*(st, at) = E [rt+1+γmax Q*(st+1 ,at+1)]
정책 기반 학습 접근법은 값 함수를 계산하지 않고 파라미터의 벡터를 미세 튜닝하기 위해 적합한 최적화 기술(예를 들어, 확률적 구배 하강)을 사용하여 정책 함수 π를 직접 최적화한다. 정책 기반 학습 접근법은 전형적으로 고차원 또는 연속 액션 공간에서 효과적이다.
도 108은 강화 학습에 기초하고 모바일 시스템에 의해 하나 이상의 태스크를 실행하기 위한 최적의 정책을 결정할 때 다양한 상태, 액션 및 보상의 평가를 포함하는 접근법을 예시한다.
8902에서, (예를 들어, 지능 서비스 시스템(8900)의) 강화 학습 에이전트는 환경에서 모바일 시스템에 의해 포착된 복수의 이미지를 포함하는 센서 정보를 수신한다. 이러한 이미지 중 하나 이상의 이미지의 분석은 에이전트가 8904에서 모바일 시스템과 연관된 제1 상태를 결정할 수 있게 할 수 있다. 제1 상태를 나타내는 데이터는 이미지, 사운드, 온도 또는 시간과 같은 환경에 관한 정보 및 모바일 시스템의 위치, 속도, 내부 상태(예를 들어, 배터리 수명, 클록 설정) 등을 포함하는 모바일 시스템에 관한 정보를 포함할 수 있다.
8906, 8908, 및 8910에서, 상태에 응답하는 다양한 잠재적 액션이 결정될 수 있다. 잠재적인 액션의 일부 예는 액추에이터, 모터, 휠, 윙 플랩, 또는 에이전트의 속도, 가속도, 배향, 또는 위치를 제어하는 다른 컴포넌트에 제어 명령어를 제공하는 것; 배터리 수명을 보존하기 위해 특정 컴포넌트를 슬립 모드로 배치하는 것과 같이, 에이전트의 내부 설정을 변경하는 것; 에이전트가 장애물 객체와 충돌할 위험이 있는 경우 방향을 변경하는 것; 데이터를 취득 또는 송신하는 것; 타겟 객체를 파지하려고 시도하는 것 등을 포함한다.
8912, 8914 및 8916에서, 기대 보상이 보상 함수에 기초하여 잠재적인 액션 각각에 대해 결정될 수 있다. 결정된 잠재적인 액션 각각에 대해, 기대 보상이 보상 함수에 기초하여 결정될 수 있다. 보상은 장애물을 회피하는 것, 전력을 보존하는 것, 또는 데이터를 취득하는 것과 같은 원하는 결과에 기초할 수 있다. 액션이 원하는 결과를 산출하는 경우(예를 들어, 장애물을 피하는 경우), 보상이 높고; 그렇지 않으면, 보상이 낮을 수 있다.
에이전트는 또한 미래에 더 높은 보상을 실현할 기회가 있을 수 있는지를 분석하기 위해 미래를 찾을 수 있다. 8918, 8920, 및 8922에서, 에이전트는 8906, 8908, 및 8910에서 각각 잠재적인 액션으로부터 발생하는 미래 상태를 결정할 수 있다.
8918, 8920, 및 8922에서 예측된 미래 상태 각각에 대해, 하나 이상의 미래 액션이 결정되고 평가될 수 있다. 단계 8924, 8926, 및 8928에서, 예를 들어, 미래 액션 중 하나 이상과 연관된 기대 보상의 값 또는 다른 지표가 개발될 수 있다. 하나 이상의 미래 액션과 연관된 기대 보상은 각각의 미래 액션과 연관된 보상 함수의 값을 비교함으로써 평가될 수 있다.
8930에서, 기대되는 현재 및 미래 보상의 비교에 기초하여 액션이 선택될 수 있다.
실시예에서, 강화 학습 에이전트는 디지털 트윈 시스템에서 시뮬레이션을 통해 사전 훈련될 수 있다. 실시예에서, 강화 에이전트는 거동 복제를 사용하여 사전 훈련될 수 있다. 실시예에서, 강화 에이전트는 심층 Q-네트워크(DQN), 이중 심층 Q-네트워크(DDQN), 심층 결정론적 정책 구배(DDPG), 소프트 액터 크리틱(soft actor critic)(SAC), 어드밴티지 액터 크리틱(advantage actor critic)(A2C), 비동기식 어드밴티지 액터 크리틱(asynchronous advantage actor critic)(A3C), 근접 정책 최적화(PPG), 신뢰 영역 정책 최적화(TRPO)로부터 선택된 심층 강화 학습 알고리즘을 사용하여 훈련될 수 있다.
실시예에서, 강화 학습 에이전트는 액션 공간을 횡단하는 동안 (현재 지식의) 활용과 (미지의 영역의) 탐색을 균형화할 수 있다. 예를 들어, 에이전트는 확률 1-ε로 대부분의 시간에 최적의 액션을 취하면서 확률 ε로 때때로 탐색을 무작위하게 선택함으로써 ε-그리디(greedy) 정책을 따를 수 있으며, 여기서 ε는 0<ε<1을 만족시키는 파라미터이다.
특수화된 칩(SPECIALIZED CHIPS)
도 109 내지 도 113은 다양한 상황에서 사용하기 위한 다양한 시스템 기능성을 제공하고, 본 출원에 설명된 시스템에서 활용될 수 있고/있거나 본 출원에 설명된 기능성을 제공할 수 있는 복수의 특수화된 칩을 예시한다. 아래에 더 상세히 설명되는 바와 같이, 칩 기능성은 특정 상황에 대해 그리고 특정 태스크를 해결하도록 구성가능하다. 따라서, 칩 중 하나 이상의 기능성을 사용하여, 본 출원에 설명된 것과 같은 시스템의 시스템이 더 용이하게 생성, 구성, 배치, 및 재구성될 수 있다. 칩 중 임의의 것이 본 출원에 설명된 다양한 시스템에서 그리고 각각의 칩의 능력의 개시로부터 명백할 방식으로 다양한 밸류 체인 엔티티에 의해 사용될 수 있다.
도 109는 물리적 배향 결정 칩(9100)을 예시하며, 이들 중 하나 이상은 본 출원에 설명된 바와 같이 하나 이상의 물리적 배향에 관한 데이터를 결정하는 데 사용될 수 있다. 칩(9100)은 모바일 시스템을 활용하는 임의의 밸류 체인 엔티티에 의해 사용될 수 있다. 실시예에서, 칩(들)(9100)은 모바일 시스템의 물리적 배향을 결정하기 위해 인공 지능(AI) 및 다른 기술을 사용할 수 있다. 본 출원에 설명된 바와 같이, 칩(들)(9100)은 모바일 시스템으로부터 하나 이상의 입력(9192)을 수신하고 모바일 시스템의 물리적 배향을 결정하기 위해 하나 이상의 AI-보조 기능을 수행할 수 있다. 그 다음, 칩(들)(9100)은 결정된 물리적 배향을 나타내는 출력(9194)을 송신할 수 있다. 칩(들)(9100)은 모바일 시스템(예를 들어, 로봇)의 일부일 수 있고/있거나, 모바일 시스템으로부터 입력(9192)을 수신하는 상이한 디바이스(예를 들어, 로봇과 통신하는 기지국)의 일부일 수 있다. 모바일 시스템은 모바일이고/이거나 본 출원에 설명된 바와 같은 하나 이상의 모바일 컴포넌트를 갖는 임의의 시스템을 포함할 수 있다.
칩(들)(9100)에 의해 결정된 물리적 배향(들)은 임의의 실제 기준점/프레임(예를 들어, 태양계, GPS 좌표, 다른 시스템 내의 좌표 등) 또는 시뮬레이션된 기준점/프레임(예를 들어, 환경 디지털 트윈 또는 다른 가상 공간과의 좌표)에 상대적일 수 있다. 실시예에서, 물리적 배향은 위치, 회전/방향(예를 들어, 모바일 시스템이 향하는 방향 및/또는 모바일 시스템이 회전되는 각도), 구배(예를 들어, 모바일 시스템이 하나 이상의 방향으로 기울고 있는 양), 속도, 및/또는 가속도를 포함할 수 있으며, 이들 각각은 임의의 실제 또는 시뮬레이션된 포인트/프레임에 대한 것일 수 있다. 따라서, 출력(들)(9194)은 다양한 배향 정보를 나타내는 하나 이상의 데이터 구조를 포함할 수 있다.
실시예에서, 칩(들)(9100)은 전체 모바일 시스템의 배향을 결정 및/또는 출력할 수 있다. 추가적으로 또는 대안적으로, 칩(들)(9100)은 모바일 시스템의 하나 이상의 컴포넌트(예를 들어, 림, 휠, 기구, 부속물, 또는 다른 컴포넌트)의 배향을 결정 및/또는 출력할 수 있다.
실시예에서, 칩(들)(9100)은 다양한 방식으로 모바일 시스템과 통합될 수 있는 모듈식 컴포넌트(들)일 수 있다. 전술한 바와 같이, 칩(들)은 모바일 시스템과 통합될 수 있고 및/또는 모바일 시스템과 통신하는 시스템과 통합될 수 있다. 이러한 모듈성을 용이하게 하기 위해, 칩(들)(9100)은 하우징(도시되지 않음) 내에 부분적으로 또는 완전히 제공될 수 있고, 전기 커넥터, 광학 커넥터, 및/또는 무선 커넥터(예를 들어, 안테나, 유도 코일 등)를 통해 입력(9192)을 수신하고/하거나 출력(9194)을 제공할 수 있다. 추가적으로 또는 대안적으로, 칩(들)(9100)은 하나 또는 다수의 기판/칩 상에서 다른 회로, 프로세서, 시스템 등과 통합될 수 있다.
칩(들)(9100)은 칩(9100)에 기인하는 기능성 및/또는 임의의 다른 기능성을 제공하기 위한 하나 이상의 시스템-온-칩(SOC), 집적 회로(IC), 주문형 집적 회로(ASIC) 등일 수 있고/있거나 이를 포함할 수 있다. 예를 들어, 칩(9100)은 본 출원에 설명된 다른 기능을 또한 제공하는 SOC의 일부로서 제공될 수 있다. 일반적으로, 칩(9100)의 컴포넌트는 소프트웨어 명령어 또는 다른 코드를 사용하여 구성되는 하나 이상의 범용 처리 칩을 포함할 수 있고/있거나, 본 출원에 설명된 기능을 수행하도록 맞춤화된 특수 목적 처리 칩(예를 들어, ASIC)을 포함할 수 있다.
다수의 칩(들)(9100)이 본 출원에 설명된 기능을 수행하기 위해 사용될 수 있다. 예를 들어, 다수의 칩(들)(9100)은 물리적 배향 데이터를 더 신속하게 결정하는 것, 더 복잡한 계산을 하나의 칩(9100)으로부터 더 나은 파워 소스를 갖는 다른 칩(9100)으로 오프로딩하여 물리적 배향 데이터를 더 효율적으로 결정하는 것 등을 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다. 다른 예로서, 하나의 칩(9100)은 모바일 시스템의 하나의 컴포넌트(예를 들어, 왼쪽 아암/다리/휠)에 대한 물리적 배향 데이터를 제공하기 위해 사용될 수 있는 반면, 다른 칩(9100)은 모바일 시스템의 제2 컴포넌트(예를 들어, 오른쪽 아암/다리/휠)에 대한 물리적 배향 데이터를 제공하기 위해 사용될 수 있다.
실시예에서, 물리적 입력 인터페이스(9102)는 본 출원에 설명된 바와 같이 물리적 배향 결정 칩(9100)에 대한 하나 이상의 입력(9192)을 수신한다. 입력(9192)은 모바일 시스템의 다른 칩, 회로, 모듈, 및/또는 다른 컴포넌트에 의해 물리적 입력 인터페이스(9102)에 송신될 수 있다. 예를 들어, 입력 데이터는 센서, 센서 처리 칩/모듈/회로, 안테나, 저장 디바이스, 네트워크 인터페이스, 또는 본 출원에 설명된 바와 같은 칩(들)(9100)에 대한 임의의 다른 데이터 소스로부터 유래할 수 있다. 물리적 입력 인터페이스(9102)는 유선 또는 무선 연결을 통해 입력(9192)의 소스(들)와 연결될 수 있다. 입력(9192)은 위치 신호/데이터, 가속도계, 자이로스코프, 또는 다른 상대 운동 데이터, 이미지, 비디오, 또는 다른 비전 데이터 뿐만 아니라, 또한 LIDAR 데이터, 레이더 데이터, 소나 데이터 등 중 하나 이상을 포함할 수 있다. 입력(9192)은 또한 저장소(9150)에 저장될 수 있는 데이터, 예컨대, 이미지 라이브러리(9152)에 대한 이미지, 환경 디지털 트윈(9154)에 대한 데이터(예를 들어, 모바일 시스템 주변의 환경의 디지털 표현), 하나 이상의 시스템 사양(들)(9156), 및/또는 하나 이상의 지능 모듈(들)(9158)을 포함할 수 있다.
위에서 언급된 바와 같이, 물리적 출력 인터페이스(9104)로부터 송신되는 출력 데이터(9194)는 칩(9100)에 의해 결정되는 바와 같은 위치, 회전/방향, 기울기, 속도, 및/또는 가속도를 표시하는 데이터 중 하나 이상을 포함할 수 있다. 실시예에서, 칩(9100)의 출력은 물리적 출력 인터페이스(9104)에 의해 본 출원에 설명된 바와 같은 다른 칩, 회로, 모듈, 및/또는 다른 컴포넌트에 송신될 수 있다. 물리적 출력 인터페이스(9104)는 유선 또는 무선 연결을 통해 이러한 컴포넌트에 연결될 수 있다.
실시예에서, 칩(9100)은 위치 모듈(9110), 상대 운동 모듈(9120), 기계 비전 모듈(9130), 및 배향 모듈(9140) 중 하나 이상을 포함할 수 있다. 실시예에서, 위치 모듈(9110)은 입력(9192)에 기초하여 위치(예를 들어, GPS 좌표)를 결정하고 출력하기 위한 회로(9112-9116)를 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9100)은 입력(9192)에 기초하여 상대 운동(예를 들어, 위치/회전/방향 변경, 속도 정보, 및/또는 가속도 정보)을 결정하고 출력하기 위한 회로(9122-9126)를 포함하는 상대 운동 모듈(9120)을 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9100)은 객체를 검출 및/또는 분류하기 위해 입력(9192)으로서 제공되는 이미지 데이터를 분석하기 위한 회로(9132, 9136)를 포함하는 기계 비전 모듈(9130)을 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9100)은 환경 디지털 트윈(예를 들어, 환경의 디지털 표현)을 생성하고, 저장된 환경 디지털 트윈을 검색하고, 및/또는 환경 디지털 트윈을 업데이트하고, 모바일 시스템의 위치(예를 들어, 환경 또는 환경 디지털 트윈 내의 위치)를 결정하고, 모바일 시스템의 자세(예를 들어, 하나 이상의 휠, 림, 기구, 부속물, 또는 다른 모바일 시스템 컴포넌트의 배열)를 결정하고, 출력(9194)으로서 송신하기 위한 배향 정보를 결정하기 위한 회로(9142, 9148)를 포함하는 배향 모듈(9140)을 포함할 수 있다. 모듈(9110, 9120, 9130, 및/또는 9140)의 다양한 회로의 기능성은 아래에 더 상세히 설명된다.
처리 코어(들)(9106)는 다양한 모듈(9110, 9120, 9130, 및/또는 9140)의 보조를 받거나 받지 않고, 칩(9100)에 기인한 기능 중 임의의 것을 수행하도록 구성될 수 있는 하나 이상의 처리 코어(들)를 포함할 수 있다. 예를 들어, 처리 코어(들)(9106)는 본 출원에 설명된 다양한 기능을 수행하기 위해 다양한 모듈을 활용 및/또는 호출할 수 있다. 처리 코어(들)(9106)는 범용 및/또는 특수 목적 프로세서를 포함할 수 있다. 실시예에서, 처리 코어(들)(9106)는 본 출원에 설명된 기능을 달성하기 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다.
따라서, 처리 코어(들)(9106)는 다양한 모듈(9110, 9120, 9130, 및/또는 9140)에 의해 제공되는 기능에 더한 기능들을 수행할 수 있다. 예를 들어, 처리 코어(들)는 하나의 모듈의 출력(예를 들어, 위치 모듈(9110)에 의해 출력된 위치)을 수신하고 이를 다른 모듈(예를 들어, 배향 모듈(9140))에 입력으로서 제공할 수 있다. 처리 코어(들)(9106)는 또한 출력을 상이한 포맷으로 변환하기 위해 모듈(들) 중 임의의 것의 출력을 처리할 수 있다.
처리 코어(들)(9106)는 또한 에러 검사를 위해 그리고/또는 정확도를 향상시키기 위해 상이한 모듈에 의해 출력되는 데이터를 비교할 수 있다. 예를 들어, 위치 모듈(9110)이 시스템의 위치가 변경되었음을 나타내지만, 상대 운동 모듈(9120)이 시스템의 위치가 변경되지 않았음을 나타내는 경우(예를 들어, 위치 신호가 반사된 신호로 인해 또는 입상 레벨에서의 GPS의 부정확성으로 인해 부정확할 수 있음), 처리 코어(들)(9106)는 위치 모듈(9110)의 출력을 폐기 및/또는 수정할 수 있다.
실시예에서, 처리 코어(들)(9106)는 상이한 모듈의 출력에 기초하여 데이터를 생성할 수 있다. 예를 들어, 처리 코어(들)(9106)는 위치 모듈(9110)에 의해 출력된 현재 위치 및 상대 운동 모듈(9120)에 의해 출력된 상대 운동 둘 모두에 기초하여 속도 벡터 데이터 구조를 결정할 수 있다. 다양한 모듈의 다른 출력은 유사한 방식으로 조합될 수 있다.
실시예에서, 처리 코어(들)(9106)는 저장소(9150)에/로부터 데이터를 저장 및/또는 검색하도록 추가로 동작할 수 있다. 예를 들어, 처리 코어(들)(9106)는 (예를 들어, 아래에 더 상세히 설명되는 바와 같이, 기계 비전 모듈(9130)에 의한 사용을 위해) 이미지 라이브러리(9152)에 이미지를 저장하고 검색할 수 있고, (예를 들어, 아래에 더 상세히 설명되는 바와 같이, 배향 모듈(9140)에 의해 생성/업데이트된 바와 같이) 환경 디지털 트윈(9154)을 저장하고 검색할 수 있고, (예를 들어, 모바일 시스템의 컴포넌트에 관한 정보를 결정하기 위해) 시스템 사양(들)(9156)을 저장하고 검색할 수 있고, 및/또는 본 출원에 설명된 다양한 기능을 구현하기 위한 지능 모듈(들)(9158)을 저장하고 검색할 수 있다. 실시예에서, 처리 코어(들)는 (도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있는) 지능 모듈(9158)을 사용하여 (도 104와 관련하여 설명된 바와 같은) 지능 서비스(8800)의 기능 중 임의의 것을 구현할 수 있다.
위치 모듈(9110)은 위치 신호(예를 들어, GPS 신호, 셀룰러 신호, WI-FI 신호)를 수신하고 위치(예를 들어, GPS 좌표 또는 일부 다른 실제 또는 시뮬레이션된 좌표계/프레임 내의 좌표)를 결정할 수 있다. 일부 실시예에서, 위치 신호 포착 회로(9112)는 입력(9192)으로부터 위치 신호 데이터를 수신하고, 위치 신호로부터 데이터를 포착하기 위해 위치 신호 데이터에 대해 초기 처리(예를 들어, 복조, 버퍼에서의 저장, 초기 온전성 검사 등)를 수행할 수 있다. 일부 경우에서(예를 들어, 위치가 환경 디지털 트윈의 좌표 내에서 결정되고 있는 경우), 위치 신호 포착 회로(9112)는 저장소로부터 및/또는 환경 디지털 트윈 회로(9142)로부터 환경 디지털 트윈(9154)을 검색할 수 있다. 그 다음, 위치 결정 회로(9114)는 포착된 위치 데이터에 기초하여 위치를 계산할 수 있다. 예를 들어, 위치 결정 회로(9114)는 다수의 위성으로부터 수신된 GPS 신호에 기초하여 GPS 좌표 및 관련 데이터(예를 들어, 정확도/에러 데이터)를 계산하기 위해 삼변측량 기술을 사용할 수 있다. 다른 예로서, 위치 결정 회로(9114)는 셀룰러 및/또는 WI-FI 데이터를 이용하여 모바일 시스템의 위치를 결정할 수 있다. 실시예에서, 정확도를 개선하기 위해 위치 결정 회로(9114)에 의해 다수의 위치 신호가 사용될 수 있다. 그 다음, 위치 출력 회로(9116)는 위치 데이터(예를 들어, 좌표 및/또는 관련 데이터를 나타내는 하나 이상의 데이터 구조)를 (예를 들어, 처리 코어(들)(9106)에) 출력할 수 있고, 이는 차례로 위치 데이터를 다른 모듈에 제공하거나, 위치 데이터를 출력(9194)으로서 출력하거나, 또는 그렇지 않으면 위치 데이터를 처리하여 배향 정보를 결정할 수 있다.
상대 운동 모듈(9120)은 입력(9192)으로서 가속도계, 자이로스코프, 및/또는 다른 상대 운동 신호를 수신하고, 하나 이상의 실제 또는 시뮬레이션된 포인트/프레임에 대한 상대 운동 데이터(예를 들어, 위치 및/또는 회전/방향의 변화, 속도 데이터, 및/또는 가속도 데이터)를 결정할 수 있다. 모션 센서 포착 회로(9122)는 가속도계, 자이로스코프 등과 같은 모션 센서로부터 데이터 신호를 수신하고, 상대 운동 데이터를 포착하기 위해 데이터에 대해 초기 처리(예를 들어, 복조, 버퍼에서의 저장, 초기 온전성 검사 등)를 수행할 수 있다. 일부 경우에서(예를 들어, 상대 운동이 환경 디지털 트윈에 대해 결정되고 있는 경우), 모션 센서 포착 회로(9122)는 저장소로부터 및/또는 환경 디지털 트윈 회로(9142)로부터 환경 디지털 트윈(9154)을 검색할 수 있다. 그 다음, 상대 운동 결정 회로(9124)는, 실제이든 시뮬레이션된 것이든 간에, 주어진 포인트/프레임에 대한 상대 운동 데이터(예를 들어, 위치/회전/방향, 속도, 각속도, 가속도, 각가속도 등의 변화를 나타내는 하나 이상의 데이터 구조)를 생성하기 위해 통합 기술, 데드 레커닝 기술 등을 사용하여 상대 운동 데이터를 처리할 수 있다. 그 다음, 상대 운동 출력 회로(9126)는 상대 운동 데이터를 (예를 들어, 처리 코어(들)(9106)에) 출력할 수 있고, 이는 차례로 상대 운동 데이터를 다른 모듈에 제공하거나, 상대 운동 데이터를 출력(9194)으로서 출력하거나, 또는 그렇지 않으면 상대 운동 데이터를 처리하여 배향 정보를 결정할 수 있다.
실시예에서, 기계 비전 모듈(9130)은 이미지, 비디오, 또는 다른 비전 관련 신호(예를 들어, LIDAR 데이터)를 수신하고 데이터를 처리하여 객체를 검출 및/또는 분류할 수 있다. 이미지 센서 포착 회로(9132)는 입력(9192)으로부터 비전 관련 신호를 수신하고, 이미지 또는 다른 비전 데이터를 포착하기 위해 비전 관련 신호에 대해 초기 처리(예를 들어, 복조, 버퍼에서의 저장, 비디오로부터의 이미지의 추출, LIDAR 데이터에 기초한 이미지 생성 등)를 수행할 수 있다. 그 다음, 객체 검출 회로(9134)는 이미지 또는 다른 비전 데이터에 나타나는 하나 이상의 객체를 검출할 수 있다. 예를 들어, 객체 검출 회로(9134)는 이미지/비전 데이터에서 객체의 위치를 검출하기 위해 라인/에지 검출 및/또는 다른 기계 학습 기술과 같은 이미지 처리 기술을 사용할 수 있다. 일부 실시예에서, 객체 검출 회로(9134)는 객체 검출을 위해 (예를 들어, 지능 모듈(9158)로서 저장된) 기계 학습 모델을 활용할 수 있다.
객체 분류 회로(9136)는 이미지 또는 다른 비전 데이터에 나타나는 객체를 인식하거나 다른 방식으로 분류할 수 있다. 일부 실시예(도시되지 않음)에서, 객체 검출 회로(9134) 및 객체 분류 회로(9136)는 동일한 회로일 수 있다. 예를 들어, 기계 비전 모듈(9130)은 딥러닝 기술을 사용하여 이미지/비전 데이터에서 객체를 검출 및 인식/분류할 수 있다. 일부 실시예에서, 도시된 바와 같이, 기계 비전 모듈(9130)은 객체를 검출하고 분류하기 위해 별개의 회로 및 상이한 기술(예를 들어, 상이한 기계 학습된 모델)을 사용할 수 있다.
일부 실시예에서, 기계 비전 모듈(9130)은 이미지 라이브러리(9152)에 저장된 이미지 데이터를 활용할 수 있다. 예를 들어, 기계 비전 모듈(9130) 및/또는 처리 코어(들)(9106)는 객체 검출 회로(9134) 및/또는 객체 분류 회로(9136)로 하여금 이미지 라이브러리(9152)에 저장된 훈련 데이터에 기초하여 객체를 인식/분류하도록 훈련되게 할 수 있다. 이미지/객체 분류의 예는 본 개시 전반에 걸쳐 더 상세히 설명된다. 일부 실시예에서, 훈련된 모델은 지능 모듈(9158)로서 저장될 수 있다. 따라서, 예를 들어, 칩(9100)은 훈련 목적을 위해 이미지 라이브러리(9152)에 객체의 이미지를 저장함으로써, 및/또는 특정 환경에 대해 훈련된 맞춤화된 지능 모듈(9158)을 저장함으로써 특정 환경에서 객체를 인식하도록 구성될 수 있다.
실시예에서, 배향 모듈(9140)은 입력(9192)으로부터의 다양한 데이터 및/또는 칩(9100)의 다른 모듈로부터의 데이터를 수신할 수 있고, 모바일 시스템에 관한 배향 데이터를 결정하기 위해 다양한 데이터를 처리할 수 있다. 일부 실시예에서, 환경 디지털 트윈 회로(9142)는 입력(9192)에 기초하여 환경 디지털 트윈을 구성 및/또는 업데이트할 수 있고, 및/또는 저장된 환경 디지털 트윈(9154)을 검색할 수 있다. 예를 들어, 환경 디지털 트윈 회로(9142)는 객체, 표면, 또는 모바일 시스템 근처의 다른 환경 특징을 결정하기 위해 LIDAR 데이터, 레이더 데이터, 소나 데이터 등을 사용할 수 있다. 일부 경우에서, 환경 디지털 트윈 회로(9142)는 입력(9192)으로부터 검출된 데이터에 기초하여 저장된 환경 디지털 트윈(9154)을 업데이트할 수 있다. 예를 들어, 저장된 환경 디지털 트윈(9154)이 특정 객체가 특정 위치에 있음을 나타내지만, 환경 디지털 트윈 회로(9142)가 (예를 들어, 기계 비전 시스템에 의해 분류된 객체에 기초하여) 객체가 실제로 제2 위치에 있음을 검출하는 경우, 환경 디지털 트윈(9154)은 객체에 대한 정확한 위치 정보로 업데이트될 수 있다.
위치 결정 회로(9144)는 위치를 결정하기 위해 다양한 기술을 사용할 수 있다. 예를 들어, 위치 결정 회로는 모바일 시스템의 위치를 결정하기 위해 환경 디지털 트윈 회로(9142)에 의해 생성된 환경 디지털 트윈을 미리 저장된 환경 디지털 트윈(9154)과 비교할 수 있다(예를 들어, 환경 디지털 트윈 회로(9142)가 모바일 시스템 근처의 여러 고정 객체를 검출하고, 동일한 객체가 미리 저장된 환경 디지털 트윈(9154)의 특정 룸에 위치되면, 이때, 위치 결정 회로(9144)는 모바일 시스템이 특정 룸에서 어디에 위치되는지를 결정할 수 있다). 일부 실시예에서, 위치 결정 회로(9144)는 특정 환경 내의 모바일 시스템의 현재 위치를 정확하게 결정하기 위해 위치 모듈로부터 획득된 위치 데이터, 상대 운동 모듈로부터 획득된 상대 운동 데이터, 기계 비전 모듈로부터 획득된 객체 검출 및 분류 데이터, 환경 디지털 트윈 회로(9142)에 의해 생성된 환경 디지털 트윈, 및/또는 임의의 미리 저장된 환경 디지털 트윈(9154)을 조정할 수 있다. 따라서, 위치 결정 회로(9144)는 모바일 시스템의 위치의 정확한 결정을 제공하기 위해 칩(9100)의 다른 모듈에 의해 생성된 데이터 및/또는 데이터 입력(9192) 중 임의의 것을 활용할 수 있다.
실시예에서, 자세 결정 회로(9146)는 모바일 시스템의 휠, 림, 기구, 부속물, 또는 다른 컴포넌트와 연관된 데이터에 기초하여 자세 정보를 결정할 수 있다. 예를 들어, 다양한 컴포넌트와 연관된 위치 및/또는 상대 운동 데이터에 기초하여, 자세 결정 회로(9146)는 모바일 시스템이 현재 앉아 있는 것, 서 있는 것, 넘어지는 것, 앞으로 이동하는 것, 뒤로 이동하는 것 등을 결정할 수 있다. 자세 결정 회로(9146)는 다양한 컴포넌트와 연관된 위치 및/또는 상대 운동 데이터를 하나 이상의 시스템 사양(9156) 내의 데이터와 비교하여 현재 자세 정보를 결정할 수 있다. 따라서, 칩(9100)은 그 모바일 시스템에 대한 시스템 사양(9156)을 저장소(9150)에 저장함으로써 특정 모바일 시스템과 함께 작동하도록 구성될 수 있다.
실시예에서, 배향 회로(9148)는 출력(9194)으로서 송신하기 위한 배향 데이터를 생성하기 위해 다른 회로 및/또는 모듈에 의해 생성되고/되거나 입력 인터페이스(9102)를 통해 수신되는 다양한 데이터의 일부 또는 전부를 처리할 수 있다. 예를 들어, 배향 회로(9148)는 데이터를 포맷팅하고, 이를 다양한 데이터 구조에 배치하고, 데이터를 조정하고, 데이터를 에러 검사하고, 출력(9194)으로서 송신하기 전에 다른 그러한 기능을 수행할 수 있다.
도 110은 네트워크 향상 칩(9200)을 예시하며, 이들 중 하나 이상은 본 출원에 설명된 바와 같이 통신 네트워크(들)의 동작 및/또는 성능을 향상시키는 데 사용될 수 있다. 칩(9200)은 통신 네트워크를 활용하는 임의의 밸류 체인 엔티티에 의해 사용될 수 있다. 실시예에서, 칩(들)(9200)은 통신 네트워크(들)를 분석, 예측, 최적화, 및 재구성하기 위해 인공 지능(AI) 및 다른 기술을 사용할 수 있다. 이러한 실시예 중 일부에서, 네트워크 향상 칩(9200)은 네트워크를 분석, 예측, 최적화 및 재구성하기 위해 네트워크 디지털 트윈을 활용(예를 들어, 생성, 액세스, 업데이트, 처리, 렌더링 및/또는 다른 방식으로 활용)할 수 있다. 네트워크 디지털 트윈은, 이하에서 더 상세히 설명되는 바와 같이, 네트워크 디바이스가 액세스할 수 있는 물리적 통신 네트워크(들) 및 그 네트워크(들) 및/또는 네트워크 디바이스의 현재 상태의 가상 표현을 제공할 수 있다. 예를 들어, 네트워크 디지털 트윈은 디바이스 또는 디바이스의 세트에 대한 이용가능한 통신 네트워크(예를 들어, LAN 네트워크, WIFI 네트워크, 셀룰러 네트워크(예를 들어, 4G, 5G 등), 위성 네트워크, 블루투스 네트워크, RFID 네트워크 등)의 세트, 디바이스 또는 각각의 디바이스가 과거에 연결되거나 연결되었던 각각의 네트워크, 각각의 네트워크 각각에 관련된 실시간 데이터(예를 들어, 현재 데이터 흐름, 현재 대역폭 메트릭, 현재 처리량 메트릭, 현재 에러 레이트, 현재 트래픽 타입 등), 각각의 네트워크 각각에 관련된 과거 데이터(예를 들어, 과거 데이터 흐름, 이력 대역폭 메트릭, 이력 처리량 메트릭, 이력 에러 레이트, 이력 트래픽 타입 등) 등을 표시할 수 있다. 실시예에서, 네트워크 향상 칩(9200)은, 예를 들어, 네트워크의 어느 구성이 특정 네트워크 특성을 최적화할 수 있는지를 예측한 다음, 그에 따라 네트워크 상의 호스트 디바이스 및/또는 다른 디바이스를 재구성함으로써(예를 들어, 프로토콜을 전환하고, 네트워크를 전환하고, 데이터의 송신을 위한 스케줄을 구성하고, 데이터 우선순위를 구성하고, 특정 데이터의 압축을 구성하고, 특정 데이터의 재포맷팅을 구성하고, 특정 데이터의 업샘플링 및/또는 다운샘플링을 구성하고, 특정 데이터의 드롭, 버퍼링, 또는 스케줄링을 구성하는 등) 네트워크를 최적화하기 위해 그러한 정보를 사용할 수 있다.
본 출원에 설명된 바와 같이, 칩(들)(9200)은 하나 이상의 네트워크(들)로부터 하나 이상의 입력(9292)을 수신하고, 입력(9292)에 기초하여 네트워크(들)를 분석, 예측, 최적화, 및 구성하기 위해 하나 이상의 AI-보조 기능을 수행할 수 있다. 실시예에서, 입력(9292)은 네트워크 신호(예를 들어, 트래픽 데이터 및/또는 다른 네트워크 디바이스로부터의 데이터) 및/또는 네트워크 신호에 관한 정보(예를 들어, 네트워크 신호의 신호 강도 또는 다른 특성)를 포함할 수 있다. 칩(들)(9200)은 이어서 네트워크 및/또는 그 상에서 통신되는 데이터를 최적화하거나 다른 방식으로 재구성하기 위한 명령어를 포함하는 출력(9294)을 결정하고 송신할 수 있다. 칩(들)(9200)은 네트워크 내의 어디에나 있을 수 있는 호스트 디바이스(예를 들어, 서버 디바이스, 클라이언트 디바이스, 라우터 디바이스 등)의 일부일 수 있고/있거나 하드웨어 디바이스에서 호스팅되는 가상 디바이스일 수 있다. 즉, 호스트 디바이스는 통신 네트워크에 연결되는 임의의 디바이스를 포함할 수 있다.
실시예에서, 네트워크 향상 칩(9200)은 하나 이상의 연결된 통신 네트워크(들)를 분석하여 네트워크 특정 데이터를 생성하고 호스트 디바이스의 다른 컴포넌트로부터, 다른 네트워크 디바이스로부터, 및/또는 다른 네트워크 향상 칩(들)(9200)으로부터 네트워크 특정 데이터를 수신하도록 구성된다. 네트워크 향상 칩은 통신 네트워크에 관한 정보를 업데이트(예를 들어, 네트워크 디지털 트윈을 업데이트)하고 네트워크의 미래 조건을 예측하기 위해 네트워크 특정 데이터를 사용(예를 들어, 분석 또는 다른 방식으로 활용)할 수 있다.
실시예에서, 네트워크 향상 칩(9200)은 다양한 레벨의 세분성으로 네트워크 트래픽 데이터를 분석할 수 있다. 예를 들어, 네트워크 향상 칩은 메시지 헤더 및/또는 메시지 페이로드에 기초하여 트래픽 흐름 및/또는 개별 데이터 메시지(예를 들어, 패킷)를 분석할 수 있다. 추가적으로 또는 대안적으로, 네트워크 향상 칩(9200)은 다른 네트워크 향상 칩(들)(9200) 및/또는 네트워크 디바이스로부터 메시지를 수신할 수 있다. 이러한 메시지는 네트워크 디지털 트윈을 생성 및/또는 업데이트하기 위해 네트워크 향상 칩(9200)에 의해 사용될 수 있는 디바이스 정보를 제공할 수 있다.
실시예에서, 네트워크 향상 칩(9200)은 네트워크 특정 데이터(예를 들어, 하나 이상의 네트워크 링크의 품질/신뢰성을 표시하는 데이터)를 결정하고, 미래의 네트워크 조건(예를 들어, 무선 디바이스가 범위 밖으로 이동할 것임)을 예측하는 등을 위해 신호 강도, 패킷 에러 레이트, 재송신 등과 같은 네트워크 신호의 물리적 속성을 분석할 수 있다. 네트워크 향상 칩(9200)은 이 정보를 사용하여 네트워크 디지털 트윈을 생성 및/또는 업데이트할 수 있다.
실시예에서, 네트워크 향상 칩(9200)은 아래에 더 상세히 설명되는 바와 같이, 네트워크의 현재 상태, 네트워크의 과거 상태, 또는 네트워크의 미래 예측 상태(예를 들어, 과거 네트워크 데이터 메트릭, 예측된 네트워크 요구, 네트워크 디지털 트윈 등에 의해 표시됨)에 기초하여 네트워크에 대한 최적화를 결정하기 위해 하나 이상의 AI 향상 기술을 사용할 수 있다. 따라서, 네트워크 향상 칩(9200)은 네트워크의 트래픽 흐름에 대한 최적화, 네트워크 상에서 운반되는 데이터의 특정 타입 또는 구성, 네트워크 상의 메시지, 및/또는 네트워크 상의 디바이스, 및 이러한 최적화의 예측된 효과를 결정할 수 있다.
그 다음, 네트워크 향상 칩(9200)은 네트워크 최적화를 개시 및/또는 수행할 수 있다. 예를 들어, 네트워크 향상 칩(9200)은 (예를 들어, 트래픽 성형을 수행하거나 데이터 흐름 또는 입력(9292)으로서 수신된 다른 데이터를 다른 방식으로 수정함으로써) 네트워크 또는 세그먼트를 재구성하고/하거나 다른 디바이스에게 네트워크 또는 세그먼트를 재구성하도록 지시하도록 구성될 수 있다.
네트워크 향상 칩(9200)은 아래에 더 상세히 설명되는 바와 같이, 네트워크의 재구성, 네트워크 상의 트래픽 흐름, 네트워크를 통해 송신되는 데이터, 네트워크 상의 디바이스 등을 개시할 수 있다. 실시예에서, 네트워크 향상 칩(9200)은 네트워크에 최적화를 야기하기 위해 하나 이상의 재구성 기능을 수행하도록 하나 이상의 네트워크 디바이스에 지시할 수 있다. 추가적으로 또는 대안적으로, 네트워크 향상 칩(9200)은 흐름을 재라우팅하는 것(예를 들어, 하나의 네트워크로부터 다른 네트워크로 전환하는 것 및/또는 네트워크 상의 라우팅 경로를 전환하는 것), 흐름의 포맷 및/또는 프로토콜을 변경하는 것, 또는 다른 방식으로 흐름을 수정하는 것에 의해 네트워크를 재구성할 수 있다.
실시예에서, 네트워크 향상 칩(9200)은 하나 이상의 최적화에 따라 데이터를 처리함으로써 네트워크를 통해 송신된 데이터를 재구성할 수 있다. 예를 들어, 네트워크 향상 칩(9200)은 데이터를 압축 또는 압축해제하고, 데이터 재포맷팅하고, 데이터를 리샘플링하고, 데이터를 묶음화하고, 묶음화된 데이터의 데이터 전송을 스케줄링하는 등을 수행하도록 구성될 수 있다.
실시예에서, 칩(들)(9200)은 다양한 방식으로 하나 이상의 네트워크(예를 들어, 독립형 디바이스로서) 및/또는 네트워크 디바이스(들)와 통합될 수 있는 모듈식 컴포넌트(들)일 수 있다. 예를 들어, 다수의 네트워크 디바이스는 각각 네트워크의 다양한 포인트에서 정보를 교환하고, 최적화를 결정하고, 및/또는 네트워크를 구성하기 위해 서로 통신할 수 있는 네트워크 향상 칩(9200)을 포함할 수 있다. 모듈성을 용이하게 하기 위해, 칩(들)(9200)은 하우징(도시되지 않음) 내에 부분적으로 또는 완전히 제공될 수 있고, 전기 커넥터, 광학 커넥터, 및/또는 무선 커넥터(예를 들어, 안테나, 유도 코일 등)를 통해 입력(9292)을 수신하고/하거나 출력(9294)을 제공할 수 있다. 추가적으로 또는 대안적으로, 칩(들)(9200)은 하나 또는 다수의 기판/칩 상에서 다른 회로, 프로세서, 시스템 등과 통합될 수 있다.
칩(들)(9200)은 칩(9200)에 기인하는 기능성 및/또는 임의의 다른 기능성을 제공하기 위한 하나 이상의 시스템-온-칩(SOC), 집적 회로(IC), 주문형 집적 회로(ASIC) 등일 수 있고/있거나 이를 포함할 수 있다. 예를 들어, 칩(9200)은 본 출원에 설명된 다른 기능을 또한 제공하는 SOC의 일부로서 제공될 수 있다. 일반적으로, 칩(9200)의 컴포넌트는 소프트웨어 명령어 또는 다른 코드를 사용하여 구성되는 하나 이상의 범용 처리 칩을 포함할 수 있고/있거나, 본 출원에 설명된 기능을 수행하도록 맞춤화된 특수 목적 처리 칩(예를 들어, ASIC)을 포함할 수 있다.
본 출원에 설명된 기능을 수행하기 위해 다수의 칩(들)(9200)이 사용될 수 있다. 예를 들어, 다수의 칩(들)(9200)은 분석, 최적화, 및/또는 구성 기능을 더 신속하게 수행하는 것, 더 복잡한 계산을 하나의 칩(9200)으로부터 더 나은 파워 소스를 갖는 다른 칩(9200)으로 오프로딩하여 그러한 기능을 더 효율적으로 수행하는 것 등을 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다. 다른 예로서, 하나의 칩(9200)은 네트워크의 한 부분(예를 들어, 무선 네트워크에 의해 커버되는 특정 영역)에 대한 네트워크 향상 기능성을 제공하기 위해 사용될 수 있는 반면, 다른 칩(9200)은 네트워크의 제2 부분(예를 들어, 동일한 무선 네트워크에 의해 커버되는 상이한 영역)에 대한 네트워크 향상 기능성을 제공하기 위해 사용될 수 있다.
실시예에서, 물리적 입력 인터페이스(9202)는 본 출원에 설명된 바와 같이 네트워크 향상 칩(9200)에 대한 하나 이상의 입력(9292)을 수신한다. 입력(9292)은 대응하는 네트워크 향상 칩(들)(9200)을 포함하거나 포함하지 않을 수 있는 다른 네트워크 디바이스에 의해 하나 이상의 물리적 네트워크(들)를 통해 물리적 입력 인터페이스(9202)에 송신될 수 있다. 물리적 네트워크(들)는 임의의 형태의 유선 또는 무선 네트워크를 포함할 수 있다. 입력(9292)은 네트워크 트래픽, 네트워크에 관한 정보, 네트워크 디바이스에 관한 정보, (예를 들어, 다른 네트워크 향상 칩(들)(9200)으로부터 수신되는 바와 같은) 네트워크를 최적화하거나 다른 방식으로 구성하기 위한 명령어 등 중 하나 이상을 포함할 수 있다. 입력(9292)은 또한 저장소(9250)에 저장될 수 있는 데이터, 예컨대, 프로토콜 라이브러리(9252)를 위한 프로토콜, 네트워크 디지털 트윈(9254)(예를 들어, 네트워크의 디지털 표현), 하나 이상의 시스템 사양(들)(9256), 및/또는 하나 이상의 지능 모듈(들)(9258)을 포함할 수 있다.
위에서 언급된 바와 같이, 물리적 출력 인터페이스(9204)로부터 송신된 출력 데이터(9294)는 네트워크 트래픽, (예를 들어, 다른 네트워크 향상 칩(9200)에 의한 사용을 위한) 네트워크 향상 칩을 포함하는 호스트 디바이스에 관한 정보, 및/또는 (예를 들어, 다른 네트워크 디바이스 및/또는 네트워크 향상 칩(들)(9200)에 전송될) 네트워크를 최적화하거나 다른 방식으로 구성하기 위한 명령어를 포함할 수 있다. 실시예에서, 칩(9200)의 출력은 호스트 디바이스에 연결된 물리적 네트워크(들) 중 임의의 것을 통해 물리적 출력 인터페이스(9204)에 의해 송신될 수 있다.
실시예에서, 칩(9200)은 네트워크 분석 모듈(9210), 최적화 모듈(9220), 데이터 구성 모듈(9230), 및 네트워크 구성 모듈(9240) 중 하나 이상을 포함할 수 있다. 실시예에서, 네트워크 분석 모듈(9210)은 입력(9292)에 기초하여 네트워크를 분석하고/하거나 네트워크 디지털 트윈을 생성/업데이트하기 위한 회로(9212-9216)를 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9200)은 입력(9292) 및/또는 네트워크 디지털 트윈에 기초하여 네트워크에 대한 하나 이상의 최적화를 예측하기 위한 회로(9222, 9228)를 포함하는 최적화 모듈(9220)을 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9200)은 입력(9292)으로서 수신된 네트워크 데이터를 구성/최적화하고 구성/최적화된 네트워크 데이터를 출력(9294)으로서 송신하기 위한 회로(9232, 9236)를 포함하는 데이터 구성 모듈(9230)을 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9200)은 입력(9292)으로서 트래픽 흐름을 수신하고, 트래픽 흐름을 구성/최적화하고, 트래픽 흐름의 구성/최적화를 야기하기 위해 다른 네트워크 디바이스에 명령어를 송신하고, 구성/최적화된 트래픽 흐름 및/또는 명령어를 출력(9294)으로서 출력하기 위한 회로(9242, 9246)를 포함하는 네트워크 구성 모듈(9240)을 포함할 수 있다. 모듈(9210, 9220, 9230, 및/또는 9240)의 다양한 회로의 기능성은 아래에 더 상세히 설명된다.
처리 코어(들)(9206)는 다양한 모듈(9210, 9220, 9230, 및/또는 9240)의 보조를 받거나 받지 않고, 칩(9200)에 기인하는 기능 중 임의의 것을 수행하도록 구성될 수 있는 하나 이상의 처리 코어(들)를 포함할 수 있다. 예를 들어, 처리 코어(들)(9206)는 본 출원에 설명된 다양한 기능을 수행하기 위해 다양한 모듈을 활용 및/또는 호출할 수 있다. 처리 코어(들)(9206)는 범용 및/또는 특수 목적 프로세서를 포함할 수 있다. 실시예에서, 처리 코어(들)(9206)는 본 출원에 설명된 기능을 달성하기 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다.
따라서, 처리 코어(들)(9206)는 다양한 모듈(9210, 9220, 9230, 및/또는 9240)에 의해 제공되는 기능에 더한 기능들을 수행할 수 있다. 예를 들어, 처리 코어(들)는 하나의 모듈의 출력(예를 들어, 최적화 모듈(9220)에 의해 결정된 최적화)을 수신하고 이를 다른 모듈(예를 들어, 데이터 구성 모듈(9230) 및/또는 네트워크 구성 모듈(9240))에 입력으로서 제공할 수 있다. 처리 코어(들)(9206)는 또한 출력을 상이한 포맷으로 변환하기 위해 모듈(들) 중 임의의 것의 출력을 처리할 수 있다.
실시예에서, 처리 코어(들)(9206)는 저장소(9250)에/로부터 데이터를 저장 및/또는 검색하도록 추가로 동작할 수 있다. 예를 들어, 처리 코어(들)(9206)는 (예를 들어, 아래에 더 상세히 설명되는 바와 같이, 다양한 모듈에 의한 사용을 위해) 프로토콜 라이브러리(9252)에 프로토콜을 저장 및 검색할 수 있고, (예를 들어, 아래에 더 상세히 설명되는 바와 같이, 다양한 모듈에 의해 생성/업데이트되거나 다른 방식으로 활용되는 바와 같이) 네트워크 디지털 트윈(9254)을 저장 및 검색할 수 있고, (예를 들어, 다양한 네트워크 디바이스에 관한 정보를 결정하기 위해) 시스템 사양(들)(9256)을 저장 및 검색할 수 있고, 및/또는 본 출원에 설명된 다양한 기능을 구현하기 위해 지능 모듈(들)(9258)을 저장 및 검색할 수 있다. 실시예에서, 처리 코어(들)는 (도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있는) 지능 모듈(9258)을 사용하여 (도 104와 관련하여 설명된 바와 같은) 지능 서비스(8800)의 기능 중 임의의 것을 구현할 수 있다.
네트워크 분석 모듈(9210)은 네트워크 신호(예를 들어, 다양한 네트워크 엔드포인트 디바이스 사이의 네트워크 트래픽, 네트워크 디바이스에 관한 정보를 포함하는 메시지 등), 네트워크 신호에 관한 정보(예를 들어, 네트워크 신호의 신호 강도 또는 다른 물리적 속성), 및/또는 다른 네트워크 정보(예를 들어, 현재 또는 과거 네트워크 성능을 표시하는 데이터, 현재 또는 과거 네트워크 디바이스 정보, 다른 디바이스에 의해 생성된 네트워크 디지털 트윈(들) 등)를 수신하고 네트워크에 관한 정보를 결정할 뿐만 아니라, 또한 다양한 통신 네트워크(들)에 대응하는 하나 이상의 네트워크 디지털 트윈(들)을 생성 및/또는 업데이트할 수 있다.
실시예에서, 신호 분석 회로(9212)는 입력(9292)으로부터 네트워크 신호를 수신하고 신호 분석(예를 들어, 헤더 정보 및/또는 페이로드 정보의 분석)을 수행하여 신호에 관한 정보를 결정할 수 있다. 예를 들어, 신호 분석 회로(9212)는 헤더 정보(예를 들어, 어드레스, 프로토콜, 흐름 식별자 등으로부터/로) 및/또는 페이로드 정보(예를 들어, 페이로드에 포함된 데이터의 타입, 데이터가 암호화되는지 등에 기초함)에 기초하여 네트워크 트래픽이 특정 트래픽 흐름에 속하는지를 분석할 수 있다. 다른 예로서, 신호 분석 회로(9212)는 네트워크 디바이스에 관한 디바이스 정보를 포함하는 메시지를 검출할 수 있다. 추가적으로 또는 대안적으로, 신호 분석 회로(9212)는 신호 강도 지표와 같은 입력(9292)으로서 수신된 신호의 물리적 속성을 분석할 수 있다. 이러한 실시예에서, 신호 분석 회로(9212)는 (예를 들어, 신호 강도가 약화되고 있다고 결정하고/하거나 대응하는 무선 링크가 손실될 가능성이 있다고 예측하기 위해) 시간 경과에 따라 물리적 속성을 추가로 분석할 수 있다. 신호 분석 회로(9212)는 입력(9292)으로서 수신된 임의의 네트워크 트래픽의 전부 또는 일부만을 분석할 수 있다. 예를 들어, 신호 분석 회로는 입력(9292)으로서 수신된 모든 N개의 네트워크 패킷 중 하나를 샘플링하고, N개의 마이크로초마다 신호의 물리적 속성을 분석하는 등을 수행할 수 있다.
실시예에서, 데이터 분석 회로(9214)는 분석된 신호 내의 데이터에 기초하여 추가 네트워크 정보를 결정할 수 있다. 예를 들어, 데이터 분석 회로(9214)는 특정 트래픽 흐름에 대한 데이터가 암호화되는지, 압축되는지, 특정 포맷을 갖는지, 특정 우선순위 레벨(예를 들어, 계약된 데이터 레이트와 연관된 우선순위 레벨)과 연관되는지 등을 분석할 수 있다. 데이터 분석 회로(9214)는 이러한 정보를 하나 이상의 대응하는 네트워크 디지털 트윈에 추가할 수 있으며, 이들 각각은 데이터를 운반하는 특정 통신 네트워크, 네트워크 상의 하나 이상의 디바이스, 네트워크에 대한 하나 이상의 데이터 구성, 네트워크에 대한 하나 이상의 레이트 스케줄 등에 특정할 수 있다. 실시예에서, 데이터 분석 회로(9214)는 특정 애플리케이션 및/또는 하나 이상의 속성(예를 들어, 데이터가 지불 데이터인지, 고객 데이터인지, 데이터가 특정 프로젝트와 연관되는지 등)을 나타낼 수 있는 애플리케이션-특정 데이터를 분석할 수 있다. 이러한 실시예에서, 데이터 분석 회로(9214)는 이러한 정보를 네트워크 디지털 트윈에 추가할 수 있다. 추가적으로 또는 대안적으로, 데이터 분석 회로(9214)는 수신된 메시지를 분석하여 네트워크 디바이스에 관한 정보를 검출할 수 있다. 예를 들어, 데이터 분석 회로(9214)는 네트워크 디바이스의 특정 제조자, 모델, 또는 아이덴티티를 식별하기 위해 데이터 메시지에 포함된 데이터(예를 들어, MAC 어드레스 또는 다른 식별자)를 분석할 수 있다. 이들 경우에, 데이터 분석 회로(9214)는 이어서 식별된 디바이스에 대응하는 시스템 사양(9256)을 사용하여 식별된 네트워크 디바이스에 관한 추가 정보를 검색할 수 있다. 추가적으로 또는 대안적으로, 데이터 분석 회로(9214)는 배터리 레벨, 현재 이용가능한 대역폭, 현재 이용가능한 처리 능력 등과 같은 네트워크 디바이스의 현재 상태를 표시하는 상태 메시지를 분석할 수 있다. 데이터 분석 회로(9214)는 특정 네트워크에 대응하는 네트워크 디지털 트윈(9254)에 다양한 네트워크 디바이스에 관한 정보를 저장할 수 있다.
실시예에서, 네트워크 진단 회로(9216)는 이어서 분석된 신호 및/또는 데이터에 기초하여 네트워크 정보를 결정할 수 있다. 예를 들어, 네트워크 진단 회로(9216)는 하나 이상의 연결된 네트워크 상의 각각의 트래픽 흐름에 대한 프로토콜, 포맷, 엔드포인트 디바이스, 대역폭 및/또는 처리량(예를 들어, 현재, 평균, 최소, 및/또는 최대 대역폭/처리량), 에러 레이트, 패킷 손실 레이트, 흐름 우선순위, 흐름 QoS(quality of service) 메트릭/요건, 흐름 스케줄, 애플리케이션-특정 데이터 등을 검출하고 기록할 수 있다. 다른 예로서, 네트워크 진단 회로(9216)는 새로운 트래픽 흐름을 검출하고 이를 특정 네트워크에 대한 트래픽 흐름의 리스트에 추가할 수 있다. 네트워크 진단 회로(9216)는 또한 네트워크의 에러 또는 다른 조건을 표시하는 진단 정보를 결정할 수 있다. 예를 들어, 네트워크 진단 회로(9216)가 어떤 트래픽도 특정 네트워크를 통해 또는 특정 디바이스로부터 수신되고 있지 않다는 것을 검출하는 경우, 이는 대응하는 네트워크/디바이스가 이용가능하지 않다는 것을 검출할 수 있다. 실시예에서, 네트워크 진단 회로(9216)는 네트워크 상의 문제 또는 다른 조건을 검출하기 위해 진단 작업흐름을 수행할 수 있다. 예를 들어, 네트워크 진단 회로(9216)는 상태 정보에 대해 네트워크 디바이스를 폴링하고, 하나 이상의 통신 네트워크를 통해 데이터를 송신하려고 시도하고, 대역폭, 처리량 등을 측정하기 위해 테스트 데이터 흐름을 전송 또는 수신하고, 다른 그러한 진단 기능을 수행할 수 있다. 실시예에서, 네트워크 진단 회로(9216)는 특정 네트워크, 네트워크 디바이스, 데이터 구성, 레이트 스케줄 등에 대응하는 하나 이상의 네트워크 디지털 트윈(9254)을 생성 또는 업데이트하기 위해 결정된 네트워크/진단 정보를 사용할 수 있다.
실시예에서, 최적화 모듈(9220)은 네트워크 분석 모듈(9210) 및/또는 네트워크 디지털 트윈(들)(9254)에 의해 출력된 네트워크 분석을 활용하여 네트워크에 대한 하나 이상의 최적화 및 최적화의 예측된 효과를 결정할 수 있다. 최적화 모듈(9220)은 특정 최적화가 네트워크의 기능, 네트워크의 스케줄, 네트워크를 통해 송신되는 데이터의 품질, 네트워크를 통해 송신되는 데이터의 보안 등을 개선할 것임을 예측하기 위해 AI-보조 기능(예를 들어, 기계 학습 모델 또는 다른 지능 모듈(9258))을 사용할 수 있다.
실시예에서, 데이터 최적화 회로(9222)는 네트워크 데이터에 적용될 하나 이상의 최적화의 효과를 예측할 수 있다. 예를 들어, 데이터 최적화 회로(9222)는 지능 모듈(9258)(예를 들어, 훈련된 딥러닝 모델) 및/또는 저장된 최적화 파라미터를 활용하여, 현재 네트워크 정보에 기초하여, 특정 네트워크 메트릭을 최적화하기 위해 특정 타입의 데이터가 (예를 들어, 상이한 네트워크를 통해) 재라우팅되고, 압축되고, 다운샘플링되고, 드롭되고, 버퍼링되고, 및/또는 재스케줄링되어야 한다고 결정할 수 있다. 최적화 파라미터는 하나 이상의 시스템 사양(9256)에 의해 지정될 수 있고, 따라서 데이터 최적화 회로(9222)는 대응하는 시스템 사양을 저장소(9250)에 저장함으로써 지정된 방식으로 통신 네트워크를 최적화하도록 구성될 수 있다. 다른 예로서, 데이터 최적화 회로(9222)는, 예컨대 업샘플링, 압축해제, 네트워크를 통해 송신되는 데이터의 품질에 더 높은 우선순위를 제공하거나, 또는 달리 증가시킴으로써, 네트워크가 네트워크를 통해 송신되는 데이터의 품질을 증가시키기에 충분한 용량을 갖는다고 결정하기 위해 AI-보조 기술(예를 들어, 지능 모듈(9258)을 활용함)을 사용할 수 있다. 이 예에서, 시스템 사양(9256)은 데이터 최적화 회로(9222)가 일반적으로 증가된 데이터 품질, 특정 애플리케이션에 대한 증가된 데이터 품질을 위해, 흐름, 데이터 타입, 전송/수신 네트워크 디바이스 등을 최적화해야 한다는 것을 나타낼 수 있다. 따라서, 데이터 최적화 회로(9222)는 특정 시스템 사양에 의해 요구되는 바와 같이 다양한 네트워크 파라미터를 최적화하기 위해 AI 기술을 활용할 수 있다.
실시예에서, 네트워크 최적화 회로(9224)는 네트워크 디바이스에 적용될 하나 이상의 최적화를 결정할 수 있다. 예를 들어, 네트워크 최적화 회로(9224)는 지능 모듈(9258)(예를 들어, 훈련된 딥러닝 모델)을 활용하여, 현재 네트워크 정보에 기초하여, 특정 네트워크 디바이스가 특정 액션(예를 들어, 파워 업 또는 다운, 네트워크를 전환하는 것, 다른 디바이스의 송신 스케줄을 조정하는 것, 다른 네트워크 디바이스에 의해 사용되는 프로토콜을 조정하는 것, 다른 디바이스로부터 트래픽을 재라우팅하는 것, 다른 디바이스에 의해 전송되거나 수신되는 모든 트래픽에 대해 압축 또는 일부 다른 데이터 수정을 수행하는 것 등)을 수행하여 네트워크 성능을 개선하거나 (예를 들어, 시스템 사양(9256)에 의해 표시되는 바와 같이) 일부 다른 파라미터에 대해 최적화해야 한다고 결정할 수 있다. 유사하게, 네트워크 최적화 회로(9224)는 네트워크 디바이스가 네트워크를 통해 송신되는 데이터의 품질을 개선하고/하거나 임의의 다른 최적화를 수행하기 위해 특정 액션을 취해야 한다고 결정할 수 있다.
실시예에서, 데이터 최적화 회로(9222) 및/또는 네트워크 최적화 회로(9224)는 데이터 및/또는 네트워크에 대한 최적화를 결정하는 것의 일부로서 네트워크 보안 회로(9226) 및/또는 네트워크 거버넌스 회로(9228)를 활용할 수 있다. 네트워크 보안 회로(9226)는 데이터 최적화 회로(9222) 및/또는 네트워크 최적화 회로(9224)에 의해 제안된 최적화를 변경 및/또는 오버라이드할 수 있는 보안 규칙(들)을 시행할 수 있다. 예를 들어, 네트워크 보안 회로(9226)는 제안된 최적화가 충분히 안전한지 또는 불충분하게 안전한지, 또는 다른 방식으로 보안 규칙을 준수하는지를 결정하기 위해 네트워크 디바이스(들), 데이터, 및/또는 네트워크(들)에 대한 제안된 최적화를 분석할 수 있다. 특정 예로서, 네트워크 보안 회로(9226)는 네트워크 트래픽의 복호화를 수반하는 제안된 최적화가 특정 데이터 타입 또는 트래픽 흐름에 대해 안전하지 않을 수 있다고 결정할 수 있고, 따라서 제안된 최적화를 오버라이드 및/또는 변경할 수 있다.
유사한 방식으로, 네트워크 거버넌스 회로(9228)는 특정 법적 요건, 비즈니스 요건, 기술적 요건 등을 명시하는 거버넌스 규칙을 시행할 수 있다. 따라서, 네트워크 거버넌스 회로(9228)는 최적화가 거버넌스 규칙(들)을 준수하도록 데이터 최적화 회로(9222) 및/또는 네트워크 최적화 회로(9224)에 의해 제안된 최적화를 변경 및/또는 오버라이드할 수 있다. 실시예에서, 네트워크 보안 회로(9226) 및/또는 네트워크 거버넌스 회로(9228)는 보안 및/또는 거버넌스 규칙을 저장하고/하거나 다른 방식으로 명시하는 지능 모듈(9258)을 활용할 수 있다. 실시예에서, 네트워크 보안 회로(9226) 및/또는 네트워크 거버넌스 회로(9228)는 (도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있는) 지능 모듈(9258)을 사용하여 (도 104와 관련하여 설명된 바와 같은) 지능 서비스(8800)의 기능 중 임의의 것을 구현할 수 있다.
실시예에서, 데이터 구성 모듈(9230)은 입력(9292)을 통해 데이터 트래픽을 수신하고, 최적화된 데이터 트래픽을 출력(9294)으로서 송신하기 전에 데이터 최적화 회로(9222)에 의해 및/또는 네트워크 최적화 회로(9224)에 의해 결정된 임의의 최적화를 수신된 데이터 트래픽에 적용할 수 있다. 데이터 포착/추출 회로는 (예를 들어, 다른 네트워크 디바이스로부터 및/또는 호스트 디바이스로부터) 인바운드 또는 아웃바운드 데이터 패킷을 수신할 수 있고 데이터 패킷으로부터 데이터를 추출할 수 있다.
데이터 암호화 회로(9234)는 추출된 데이터에 대해 임의의 필요한 암호화/복호화 동작을 수행할 수 있다. 데이터 암호화 회로(9234)는 데이터가 분석될 수 있고 데이터-특정 최적화가 적용될 수 있도록 다른 디바이스로부터 수신된 데이터를 복호화할 수 있다. 예를 들어, 최적화 모듈(9220)이 데이터가 재포맷팅(예를 들어, 업 또는 다운샘플링, 압축/압축해제 등)되어야 함을 나타내는 경우, 최적화가 적용될 수 있기 전에 데이터는 먼저 데이터 암호화 회로(9234)에 의해 복호화될 필요가 있을 수 있다. 추가적으로 또는 대안적으로, 데이터 암호화 회로(9234)는 최적화 모듈(9220)이 (예를 들어, 특정 타입의 데이터 또는 트래픽 흐름의 보안을 증가시키기 위해) 데이터 암호화가 적용되어야 한다고 결정하는 경우 데이터에 암호화를 적용할 수 있다.
데이터 처리 회로(9236)는 최적화 모듈(9220)에 의해 결정된 최적화를 구현하기 위해 데이터에 대해 임의의 처리를 수행할 수 있다. 예를 들어, 데이터 최적화 회로(9222) 및/또는 네트워크 최적화 회로(9224)가 특정 속성(들)(예를 들어, 특정 타입의 데이터, 특정 데이터 흐름, 특정 애플리케이션-특정 속성, 특정 데이터 우선순위, 특정 데이터 프로토콜 등)과 연관된 데이터가 특정 방식으로 처리됨으로써(예를 들어, 압축/압축해제, 업샘플링 또는 다운샘플링, 재포맷팅, 지연, 버퍼링, 재스케줄링 등에 의해) 최적화되어야 한다고 결정하는 경우, 이때, 데이터 처리 회로는 속성(들)과 매칭되는 데이터를 검출할 때 해당 처리를 수행할 수 있다. 따라서, 데이터 처리 회로(9236)는 네트워크 향상 칩(9200)에 의해 수신되는 데이터에 대해 데이터 최적화를 수행할 수 있다.
실시예에서, 네트워크 구성 모듈(9240)은 네트워크 최적화 회로(9224)에 의해 결정된 바와 같이 네트워크 및/또는 네트워크 디바이스에 대한 특정 최적화를 수행하기 위해 통신 네트워크로/로부터 신호를 송신 및 수신할 수 있다. 네트워크 구성 모듈(9240)은 데이터 구성 모듈(9230)이 데이터를 최적화하기 전 또는 후에 병렬로 또는 순차적으로 네트워크 최적화를 수행할 수 있다.
실시예에서, 신호 처리 회로(9242)는 네트워크 상의 다른 네트워크 향상 칩(들)(9200) 및/또는 네트워크 디바이스와 조정하기 위해 (예를 들어, 다른 네트워크 디바이스로/로부터 그리고/또는 네트워크 향상 칩(9200)을 포함하는 호스트 디바이스로/로부터) 인바운드 또는 아웃바운드 데이터 신호를 생성 및 수신할 수 있다. 예를 들어, 네트워크 향상 칩(9200)은 네트워크를 최적화하기 위해 (예를 들어, 네트워크 최적화 회로(9224)에 의해 결정된 바와 같은) 일부 액션을 수행하도록 타겟 네트워크 디바이스에 지시하는 신호를 타겟 네트워크 디바이스에 송신할 수 있다. 추가적으로 또는 대안적으로, 신호 처리 회로(9242)는 네트워크를 최적화하기 위해 구성 기능을 수행하도록 네트워크 향상 칩(9200)에 지시하는 명령어를 네트워크 상의 다른 네트워크 향상 칩(들)으로부터 수신할 수 있다.
실시예에서, 신호 처리 회로(9242)는 최적화 모듈(9220)에 의해 결정된 최적화에 기초하여 다른 네트워크 디바이스에 전송되는 신호를 수정할 수 있다. 예를 들어, 신호 처리 회로(9242)가 타겟 네트워크 디바이스로 하여금 제1 프로토콜을 사용하게 할 (예를 들어, 다른 네트워크 디바이스에 의해) 전송되고 있는 메시지를 검출하지만, 최적화 모듈(9220)이 제2 프로토콜을 사용하는 것이 네트워크를 최적화할 것이라고 결정하면, 이때, 신호 처리 회로(9242)는 대신에 제2 프로토콜의 사용을 지시하기 위해 메시지를 수정할 수 있다. 유사하게, 신호 처리 회로(9242)는 메시지가 최적화 모듈(9220)에 의해 결정된 최적화와 충돌하는 명령어를 포함하는 경우 다른 디바이스에 전송되는 메시지를 드롭(예를 들어, 송신 없이 삭제)하거나 지연시킬 수 있다. 따라서, 신호 처리 회로(9242)는 다양한 네트워크 디바이스에 의해 전송되고 수신되는 다양한 명령어를 지연시키거나 오버라이드함으로써 최적화를 야기할 수 있다.
실시예에서, 프로토콜 전환 회로(9244)는 네트워크를 통해 송신되는 데이터 신호의 프로토콜을 구성할 수 있다. 특정 예로서, 프로토콜 전환 회로(9244)는 특정 네트워크 파라미터를 최적화하기 위해 특정 타입의 데이터 또는 데이터 흐름을 TCP/IP 프로토콜로부터 UDP/IP 프로토콜로 전환할 수 있다. 프로토콜 전환 회로(9244)는 하나 이상의 프로토콜을 구성하기 위해 프로토콜 라이브러리(9252)로부터의 프로토콜 정보에 액세스할 수 있다. 실시예에서, 프로토콜 전환 회로(9244)는 네트워크를 통해 송신될 신호 및/또는 다른 데이터의 다른 프로토콜 레벨 속성을 재구성할 수 있다. 예를 들어, 프로토콜 전환 회로(9244)는 소스 또는 목적지 어드레스, 프로토콜 타임 스탬프, 프로토콜 스트림 식별자, 및/또는 프로토콜 헤더의 임의의 다른 필드를 재구성할 수 있다. 추가적으로 또는 대안적으로, 프로토콜 전환 회로(9244)는 다른 네트워크 디바이스로 하여금 그 네트워크 디바이스에 의해 송신되는 데이터 신호의 프로토콜을 재구성하게 할 수 있는 다른 네트워크 디바이스로의 송신을 위한 명령어를 생성할 수 있다. 프로토콜 전환 회로(9244)는 최적화 모듈(9220)에 의해 결정된 최적화에 기초하여 네트워크 상의 트래픽의 프로토콜을 재구성할 수 있다. 추가적으로 또는 대안적으로, 프로토콜 전환 회로(9244)는 (예를 들어, 네트워크 디지털 트윈(9254)에 의해 표시된 바와 같이) 네트워크의 현재 상태에 기초하여 및/또는 신호 처리 회로(9242)에 의해 수행되는 처리에 기초하여 프로토콜을 재구성할 수 있다.
실시예에서, 네트워크 전환 회로(9246)는 네트워크 향상 칩(9200)과 통신하는 하나 이상의 네트워크(들)의 라우팅, 스케줄링, 네트워크 토폴로지, 또는 다른 속성을 재구성할 수 있다. 예를 들어, 네트워크 전환 회로(9246)는 (예를 들어, 하나 이상의 네트워크 디바이스에게 역할을 변경하도록 지시함으로써) 네트워크를 메시 토폴로지로부터 스타 토폴로지로 재구성하고, (예를 들어, 2개의 네트워크 상의 이용가능한 대역폭을 균형화하기 위해) 다른 네트워크 대신에 하나의 네트워크에 걸쳐 트래픽을 라우팅하고, (예를 들어, 2개의 라우터 상의 부하를 균형화하기 위해) 다른 라우터 대신에 하나의 라우터를 통해 트래픽을 라우팅하고, 제1 송신 슬롯에서의 제1 트래픽 및 제2 송신 슬롯에서의 제2 트래픽의 송신을 스케줄링하는 등을 수행할 수 있다. 일부 경우에서, 네트워크 전환 회로(9246)는 (예를 들어, 입력(9292)으로서) 네트워크 향상 칩(9200)에 의해 수신된 데이터의 라우팅 및/또는 스케줄링을 재구성할 수 있다. 추가적으로 또는 대안적으로, 프로토콜 전환 회로(9244)는 다른 네트워크 디바이스로 하여금 네트워크의 양태를 재구성하게 할 수 있는 다른 네트워크 디바이스로의 송신을 위한 명령어를 생성할 수 있다. 네트워크 전환 회로(9246)는 최적화 모듈(9220)에 의해 결정된 최적화에 기초하여 네트워크를 재구성할 수 있다. 추가적으로 또는 대안적으로, 네트워크 전환 회로(9246)는 (예를 들어, 네트워크 디지털 트윈(9254)에 의해 표시된 바와 같이) 네트워크의 현재 상태에 기초하여 및/또는 신호 처리 회로(9242)에 의해 생성된 예측/분석에 기초하여 네트워크를 재구성할 수 있다.
도 111은 진단 칩(9300)을 예시하며, 그 중 하나 이상은 본 출원에 설명된 바와 같은 하나 이상의 진단 기능을 수행하는 데 사용될 수 있다. 칩(9300)은 진단을 수행하는 임의의 밸류 체인 엔티티에 의해 사용될 수 있다. 실시예에서, 칩(들)(9300)은 생물학적 센서, 화학적 센서, 및/또는 전기기계적 센서를 포함하는 하나 이상의 센서로부터의 데이터에 기초하여 진단을 수행하고, 진단에 기초하여 분석 및 추천된 액션을 포함하는 보고를 생성하기 위해 인공 지능(AI) 및 다른 기술을 사용할 수 있다. 실시예에서, 진단 칩(9300)은 센서 입력의 타입, 센서 입력을 처리 및 포맷팅하는 방법, 센서 입력을 분석하는 방법 등을 표시하는 대응하는 사양을 수신, 저장 및 활용함으로써 하나 이상의 특정 진단을 수행하도록 구성될 수 있다. 유사하게, 진단 칩(9300)은 하나 이상의 분석을 구성 및 수행하기 위해 사용될 수 있는 대응하는 분석 라이브러리 및/또는 지능 모듈을 수신, 저장 및 활용함으로써 특정 진단을 수행하도록 구성될 수 있다.
실시예에서, 칩(9300)은, 제한 없이, 화학 센서(예를 들어, 위험-특정 센서, 가연성 센서, 화합물-특정 센서 등), 생물학적 센서(예를 들어, 생체-위험 재료 및/또는 위험 레벨 센서, 방사선 센서 등), 전기기계 센서(예를 들어, 진동 센서, 응력/변형 센서, 전기 저항/전류 센서, 관성, 속도, 가속도, GPS 등과 같은 모션 및/또는 위치 데이터를 측정하는 센서), 광학/이미징(예를 들어, 광 센서, 초분광 센서, 강도 센서, 열 센서 등) 및 다른 환경 센서(예를 들어, 온도 센서, 습도 센서, 공기 이동 센서 등) 등을 포함하는 매우 다양한 센서로부터 데이터를 수신하고 해석하도록 구성되거나 재구성될 수 있다. 칩(9300)은 칩(9300)이 대응하는 센서로부터 센서 데이터를 수신하고 해석할 수 있게 하는 센서 사양(들)에 기초하여 특정 센서 데이터를 수신하고 해석하도록 재구성될 수 있다.
실시예에서, 칩(9300)은 센서 데이터에 기초하여 유기 분석, 실험실 분석, 및/또는 전기기계 분석을 수행하도록 구성되거나 재구성될 수 있다. 예를 들어, 칩(9300)은 유기체를 시뮬레이션하고, 실험실 분석을 수행하고, 전기기계 분석을 수행하는 것 등을 허용할 수 있는 랩-온-칩 및/또는 장기-온-칩(organ-on-chip) 기능성을 포함할 수 있다. 칩(9300)은 칩(9300)이 대응하는 시뮬레이션/분석을 수행하고, 대응하는 AI 기술을 사용하여(예를 들어, 대응하는 센서 데이터를 해석하도록 훈련된 딥러닝 모델을 사용하여) 예측을 수행하는 등을 수행할 수 있게 하는 특정 분석 라이브러리 및/또는 지능 모듈을 수신, 저장, 및 활용할 수 있다. 유사한 기술을 사용하여, 칩(9300)은 하나 이상의 조합된 분석을 수행하기 위해 다양한 분석의 결과를 추가로 조합할 수 있다.
실시예에서, 칩(9300)은 분석을 제어하고, 예측을 수행하고, 및/또는 추천을 제공하기 위해 거버넌스 라이브러리를 사용하도록 구성될 수 있다. 예를 들어, 거버넌스 라이브러리는 특정 조건이 허용가능한지 여부를 표시할 수 있고, 따라서 조건을 해결하기 위해 액션이 취해져야 하는지 여부를 제어할 수 있다. 칩(9300)은 현재 또는 예측된 조건, 조건을 해결하기 위한 추천된 액션 등을 포함하는 임의의 분석의 결과를 보고하도록 구성될 수 있다.
실시예에서, 칩(들)(9300)은 다양한 방식으로 호스트 시스템과 통합될 수 있는 모듈식 컴포넌트(들)일 수 있다. 예를 들어, 칩(들)은 모바일 호스트 시스템(예를 들어, 로봇), 고정 호스트 시스템, 또는 센서 입력을 수신하는 임의의 다른 호스트 시스템과 통합될 수 있다. 이러한 모듈성을 용이하게 하기 위해, 칩(들)(9300)은 하우징(도시되지 않음) 내에 부분적으로 또는 완전히 제공될 수 있고, 전기 커넥터, 광학 커넥터, 및/또는 무선 커넥터(예를 들어, 안테나, 유도 코일 등)를 통해 입력(9392)을 수신하고/하거나 출력(9394)을 제공할 수 있다. 추가적으로 또는 대안적으로, 칩(들)(9300)은 하나 또는 다수의 기판/칩 상에서 다른 회로, 프로세서, 시스템 등과 통합될 수 있다.
칩(들)(9300)은 칩(9300)에 기인하는 기능성 및/또는 임의의 다른 기능성을 제공하기 위한 하나 이상의 시스템-온-칩(SOC), 집적 회로(IC), 주문형 집적 회로(ASIC) 등일 수 있고/있거나 이를 포함할 수 있다. 예를 들어, 칩(9300)은 본 출원에 설명된 다른 기능을 또한 제공하는 SOC의 일부로서 제공될 수 있다. 일반적으로, 칩(9300)의 컴포넌트는 소프트웨어 명령어 또는 다른 코드를 사용하여 구성되는 하나 이상의 범용 처리 칩을 포함할 수 있고/있거나, 본 출원에 설명된 기능을 수행하도록 맞춤화된 특수 목적 처리 칩(예를 들어, ASIC)을 포함할 수 있다.
다수의 칩(들)(9300)이 본 출원에 설명된 기능을 수행하기 위해 사용될 수 있다. 예를 들어, 다수의 칩(들)(9300)은 분석을 더 신속하게 수행하는 것, 더 복잡한 계산을 하나의 칩(9300)으로부터 더 나은 파워 소스를 갖는 다른 칩(9300)으로 오프로딩하여 분석을 더 효율적으로 수행하는 것 등을 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다. 다른 예로서, 하나의 칩(9300)은 제1 분석 및 제2 분석을 제공하기 위해 사용될 수 있는 반면, 다른 칩(9300)은 제1 분석 및 제2 분석에 기초하여 조합된 분석을 제공하기 위해 사용될 수 있다.
실시예에서, 물리적 입력 인터페이스(9302)는 본 출원에 설명된 바와 같이 진단 칩(9300)에 대한 하나 이상의 입력(9392)을 수신한다. 입력(9392)은 호스트 시스템의 다른 칩, 회로, 모듈, 및/또는 다른 컴포넌트에 의해, 또는 (예를 들어, 통신 네트워크를 통해) 호스트 시스템과 통신하는 다른 디바이스에 의해 물리적 입력 인터페이스(9302)에 송신될 수 있다. 예를 들어, 입력 데이터는 센서, 센서 처리 칩/모듈/회로, 안테나, 저장 디바이스, 네트워크 인터페이스, 또는 본 출원에 설명된 바와 같은 칩(들)(9300)에 대한 임의의 다른 데이터 소스로부터 유래할 수 있다. 물리적 입력 인터페이스(9302)는 유선 또는 무선 연결을 통해 입력(9392)의 소스(들)와 연결될 수 있다. 위의 상태에서와 같이, 입력(9392)은 임의의 타입의 센서 데이터를 포함할 수 있다. 입력(9392)은 또한 저장소(9350)에 저장될 수 있는 데이터, 예컨대, 분석 라이브러리(9352)에 대한 분석 규칙/구성, 거버넌스 라이브러리(9354)에 대한 거버넌스 규칙/구성, 하나 이상의 시스템 사양(들)(9356)(예를 들어, 센서 사양), 및/또는 하나 이상의 지능 모듈(들)(9358)을 포함할 수 있다.
물리적 출력 인터페이스(9304)로부터 송신된 출력 데이터(9394)는 분석의 결과, 분석에 의해 표시된 특정 조건, 예측, 다른 진단 정보, 및/또는 임의의 특정 조건 또는 예측된 조건을 다루기 위한 추천된 액션을 표시하는 보고(들)를 포함할 수 있다. 실시예에서, 칩(9300)의 출력은 물리적 출력 인터페이스(9304)에 의해 본 출원에 설명된 바와 같이 호스트 시스템 또는 호스트 시스템과 통신하는 다른 디바이스의 다른 칩, 회로, 모듈, 및/또는 다른 컴포넌트에 송신될 수 있다. 물리적 출력 인터페이스(9304)는 유선 또는 무선 연결을 통해 이러한 컴포넌트에 연결할 수 있다.
실시예에서, 칩(9300)은 센서 모듈(9310), 분석 모듈(9320), 및/또는 출력 모듈(9330) 중 하나 이상을 포함할 수 있다. 실시예에서, 센서 모듈(9310)은 입력(9392)으로서 수신된 센서 데이터를 수신하고 초기 처리(예를 들어, 필터링)를 수행하기 위한 회로(9312-9318)를 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9300)은 분석을 수행하고, 조건을 검출하고, 미래 조건을 예측하고, 다른 진단 정보를 생성하고, 임의의 조건을 어드레싱하기 위한 추천을 생성하기 위한 회로(9322, 9326)를 포함하는 분석 모듈(9320)을 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9300)은 추가적인 조합된 분석을 수행하고, 분석, 예측, 추천 등에 대한 거버넌스 규칙을 시행하고, 진단/분석 데이터를 포함하는 보고를 출력하기 위한 회로(9332, 9336)를 포함하는 출력 모듈(9330)을 포함할 수 있다. 모듈(9310, 9320, 및/또는 9330)의 다양한 회로의 기능은 아래에 더 상세히 설명된다.
처리 코어(들)(9306)는 다양한 모듈(9310, 9320, 및/또는 9330)의 보조를 받거나 받지 않고, 칩(9300)에 기인하는 기능 중 임의의 것을 수행하도록 구성될 수 있는 하나 이상의 처리 코어(들)를 포함할 수 있다. 예를 들어, 처리 코어(들)(9306)는 본 출원에 설명된 다양한 기능을 수행하기 위해 다양한 모듈을 활용 및/또는 호출할 수 있다. 처리 코어(들)(9306)는 범용 및/또는 특수 목적 프로세서를 포함할 수 있다. 실시예에서, 처리 코어(들)(9306)는 본 출원에 설명된 기능을 달성하기 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다.
따라서, 처리 코어(들)(9306)는 다양한 모듈(9310, 9320, 및/또는 9330)에 의해 제공되는 기능에 더한 기능들을 수행할 수 있다. 예를 들어, 처리 코어(들)는 하나의 모듈의 출력(예를 들어, 센서 모듈(9310)에 의해 출력된 센서 데이터)을 수신하고 이를 다른 모듈(예를 들어, 분석 모듈(9320))에 입력으로서 제공할 수 있다. 처리 코어(들)(9306)는 또한 출력을 상이한 포맷으로 변환하기 위해 모듈(들) 중 임의의 것의 출력을 처리할 수 있다.
실시예에서, 처리 코어(들)(9306)는 저장소(9350)에/로부터 데이터를 저장 및/또는 검색하도록 추가로 동작할 수 있다. 예를 들어, 처리 코어(들)(9306)는 (예를 들어, 아래에 더 상세히 설명되는 바와 같이, 분석 모듈(9320)에 의한 사용을 위해) 분석 라이브러리(9352)에 분석 구성/데이터 및/또는 거버넌스 라이브러리(9354)에 거버넌스 구성/데이터를 저장 및 검색할 수 있고, (예를 들어, 아래에 더 상세히 설명되는 바와 같이, 센서 모듈(9310)을 구성하기 위해) 시스템 사양(9356)을 저장 및 검색할 수 있고, 및/또는 본 출원에 설명된 다양한 기능을 구현하기 위해 지능 모듈(들)(9358)을 저장 및 검색할 수 있다. 실시예에서, 처리 코어(들)는 (도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있는) 지능 모듈(9358)을 사용하여 (도 104와 관련하여 설명된 바와 같은) 지능 서비스(8800)의 기능 중 임의의 것을 구현할 수 있다.
센서 모듈(9310)은 임의의 타입의 센서로부터 센서 데이터에 대한 초기 처리를 수신하고 수행할 수 있다. 일부 실시예에서, 생물학적 감지 회로(9312)는 생물학적 센서로부터 센서 데이터를 수신 및/또는 처리(예를 들어, 필터링, 온전성 검사(sanity check), 에러 검사 등)할 수 있다. 추가적으로 또는 대안적으로, 화학적 감지 회로(9314)는 화학적 센서로부터 센서 데이터를 수신 및/또는 처리(예를 들어, 필터, 온전성 검사, 에러 검사 등)할 수 있다. 추가적으로 또는 대안적으로, 전기기계 감지 회로(9316)는 전기 센서, 기계 센서, 및/또는 전기기계 센서로부터 센서 데이터를 수신 및/또는 처리(예를 들어, 필터, 온전성 검사, 에러 검사 등)할 수 있다. 추가적으로 또는 대안적으로, 환경 감지 회로(9318)는 대기 센서, 이미징 센서 등을 포함하는 환경 센서로부터 센서 데이터를 수신 및/또는 처리(예를 들어, 필터, 온전성 검사, 에러 검사 등)할 수 있다.
실시예에서, 생물학적 감지 회로(9312), 화학적 감지 회로(9314), 및/또는 전기기계적 감지 회로(9316) 각각은 대응하는 센서 데이터를 처리하도록 감지 회로를 구성하기 위해 특정 센서에 대응하는 시스템 사양(9356)에 액세스할 수 있다. 예를 들어, 진단 칩(9300)이 특정 유기 분석(예를 들어, 특정 장기 또는 장기 시스템의 예측/시뮬레이션/테스트)을 수행하도록 구성될 때, 생물학적 감지 회로(9312)는 대응하는 센서(예를 들어, 마이크로유체 센서, bioMEMS 센서 등)에 대한 시스템 사양(9356)을 검색할 수 있어서, 생물학적 감지 회로(9312)는 관련 센서 데이터를 수신하고 처리(예를 들어, 포맷, 필터, 에러 검사 등)할 수 있다. 다른 예로서, 진단 칩(9300)이 특정 실험실 분석(예를 들어, 약물 테스트, 질병 테스트 등)을 수행하도록 구성될 때, 화학적 감지 회로(9314)는 대응하는 센서(예를 들어, 화학적 센서)에 대한 시스템 사양(9356)을 검색할 수 있어, 화학적 감지 회로(9314)가 관련 센서 데이터를 수신하고 처리(예를 들어, 포맷, 필터, 에러 검사 등)할 수 있다. 다른 예로서, 진단 칩(9300)이 전기기계 분석(예를 들어, 진동 센서, 전기 센서, 전기기계 센서 등에 기초한 특정 기계/회로의 진단 분석)을 수행하도록 구성될 때, 전기기계 감지 회로(9316)는 대응하는 센서(예를 들어, MEMS 센서, 진동 센서 등)에 대한 시스템 사양(9356)을 검색할 수 있어, 전기기계 감지 회로(9316)가 관련 센서 데이터를 수신하고 처리(예를 들어, 포맷, 필터, 에러 검사 등)할 수 있다. 다른 예로서, 진단 칩(9300)이 환경 분석(예를 들어, 이미징 데이터 및/또는 환경 데이터에 기초한 진단 분석)을 수행하도록 구성될 때, 환경 감지 회로(9318)는 대응하는 센서(예를 들어, 이미징 센서, 광학 센서, 다른 환경 센서 등)에 대한 시스템 사양(9356)을 검색할 수 있어서, 환경 감지 회로(9318)는 관련 센서 데이터를 수신하고 처리(예를 들어, 포맷, 필터, 에러 검사 등)할 수 있다.
분석 모듈(9320)은 센서 모듈(9310)로부터 처리된 센서 데이터를 수신하고 유기 분석 회로(9322), 실험실 분석 회로(9324), 및/또는 전기기계 분석 회로(9326)를 사용하여 다양한 분석을 수행할 수 있다. 유기 분석 회로(9322), 실험실 분석 회로(9324), 전기기계 분석 회로(9326), 및/또는 환경 분석 회로(9328) 각각은 관련 분석을 수행하기 위해 분석 라이브러리(9352) 및/또는 지능 모듈(들)(9358)로부터 분석 구성(들)을 검색할 수 있다. 예를 들어, 진단 칩(9300)이 특정 장기 또는 장기 시스템의 시뮬레이션을 수행하도록 구성될 때, 유기 분석 회로(9322)는 장기/장기 시스템에 대응하는 구성 파라미터(예를 들어, 특정 생물학, 기능 메커니즘 등)를 특정하는 분석 라이브러리(9352)로부터 분석 데이터를 검색할 수 있고, 생리학적 자극, 특정 약물, 특정 질병, 및/또는 다른 입력에 대한 장기/장기 시스템의 응답을 예측 및/또는 분석하도록 훈련된 지능 모듈(9358)을 검색할 수 있다. 유사하게, 진단 칩(9300)이 질병 테스트/분석을 수행하도록 구성될 때, 실험실 분석 회로(9324)는 질병에 대응하는 구성 파라미터(예를 들어, 특정 지표, 증상 등)를 특정하는 분석 라이브러리(9352)로부터 분석 데이터를 검색할 수 있고, 질병의 진행, 치료에 대한 질병의 응답 등을 예측하도록 훈련된 지능 모듈(9358)을 검색할 수 있다. 유사하게, 진단 칩(9300)이 기계의 진단 분석을 수행하도록 구성될 때, 전기기계 분석 회로(9326)는 기계에 대한 구성 파라미터(예를 들어, 기계 또는 기계의 서브-부분의 특정 상태를 표시하는 주파수 및/또는 주파수 패턴, 기계의 전기 회로에 대한 정확한 또는 부정확한 동작 레벨을 표시하는 전기 정보 등)를 특정하는 분석 데이터를 분석 라이브러리(9352)로부터 검색할 수 있고, 기계의 잠재적 고장 또는 다른 조건, 유지보수 액션의 효과 등을 예측하도록 훈련된 지능 모듈(9358)을 검색할 수 있다. 유사하게, 진단 칩(9300)이 진단 환경 분석을 수행하도록 구성될 때, 환경 분석 회로(9328)는 환경에 대한 구성 파라미터(예를 들어, 환경의 특정 조건을 표시하는 이미지/광학 데이터 및/또는 다른 환경 데이터 등)를 특정하는 분석 데이터를 분석 라이브러리(9352)로부터 검색할 수 있고, 인간에 대해 안전한/안전하지 않은 조건 및/또는 다른 환경 조건과 같은 잠재적 환경 조건을 예측하도록 훈련된 지능 모듈(9358)을 검색할 수 있다.
유기 분석 회로(9322), 실험실 분석 회로(9324), 전기기계 분석 회로(9326), 및/또는 환경 분석 회로(9328) 각각은 분석을 수행하고, 조건을 결정/예측하고, 처리/유지보수/예방 액션의 효과를 예측하는 등을 위해 하나 이상의 AI 보조 기술을 사용할 수 있다. 예를 들어, 회로 중 하나는 특정 조건(예를 들어, 구배 부스팅된 트리 모델)을 검출하기 위해 제1 AI 보조 기술을 (예를 들어, 분석 라이브러리에 의해 지정된 구성 파라미터를 사용하여) 구성할 수 있고, 그 후 동일한 또는 다른 회로는 특정 조건에 대한 치료 계획에 대한 응답을 예측하기 위해 상이한 AI 보조 기술(예를 들어, 딥러닝 기술을 사용하여 훈련된 신경망)을 사용할 수 있다. 유사하게, 칩(9300)은 진단 정보의 정확도를 향상시키기 위해 동일한 태스크를 수행하기 위해 다수의 AI-보조 기술을 사용할 수 있다. 따라서, 다수의 AI-보조 기술을 활용함으로써, 칩(9300)은 상이한 AI-보조 기술을 활용하는 복잡하고 매우 정확한 작업흐름을 수행할 수 있다.
실시예에서, 단일 작업흐름에 대해 상이한 타입의 진단을 제공하기 위해 다수의 지능 모듈(들)(9358)이 사용될 수 있다. 실시예에서, 지능 모듈(9358)은 도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있다. 추가적으로 또는 대안적으로, 분석 회로(9322-9328) 중 다수가 분석 작업흐름을 위해 사용될 수 있다. 예를 들어, 질병 진단 애플리케이션에 대한 분석은 입력으로서 화학적 및 생물학적 센서 둘 모두를 사용할 수 있고, 칩(9300)은 관련 분석의 양태를 수행하기 위해 유기 분석 회로(9322) 및/또는 실험실 분석 회로(9324) 둘 모두를 대응적으로 사용할 수 있다.
실시예에서, 출력 모듈(9330)은 분석 모듈(9320)의 결과를 사용하여 조합된 분석을 수행할 수 있고, 거버넌스 규칙을 시행할 수 있고, 및/또는 분석 모듈(9320) 및/또는 조합된 분석 회로(9332)에 의해 생성된 분석의 결과를 포함하는 보고를 생성/송신할 수 있다.
조합된 분석 회로(9332)는 분석 모듈(9320)에 의해 생성된 다수의 분석을 상관시키고 추가로 분석할 수 있다. 예를 들어, 제1 진단 분석(예를 들어, 제1 AI-보조 기술 및/또는 제1 세트의 센서 입력을 사용함)이 특정 조건(예를 들어, 질병이 존재함)의 존재를 표시하고, 제2 진단 분석(예를 들어, 제2 AI-보조 기술 및/또는 제2 세트의 센서 입력을 사용함)이 특정 조건의 부재(예를 들어, 질병이 부재함)를 표시하는 경우, 조합된 분석 회로(9332)는 제1 및 제2 진단 분석의 결과를 조합하고, 가중치를 적용하고, 지능 모듈(9358)을 활용하고/하거나, 제1 및 제2 진단 분석의 출력을 다른 방식으로 처리하여 특정 조건이 존재하는지 여부, 특정 조건이 존재할 가능성 등의 표시를 생성할 수 있다. 실시예에서, 조합된 분석 회로(9332)는 제3 조건이 존재한다고 결정하기 위해 제1 조건을 나타내는 제1 진단 분석 및 제2 조건을 나타내는 제2 진단 분석을 처리할 수 있다. 실시예에서, 조합된 분석 회로(9332)는 제1 진단 분석에 의해 표시되는 제1 액션 계획(예를 들어, 처리/유지보수/예방 액션 계획) 및 제2 진단 분석에 의해 표시되는 제2 액션 계획을 조합하여, 제1 액션 계획에 의해 표시되는 액션, 제2 액션 계획에 의해 표시되는 액션, 및/또는 제1 또는 제2 액션 계획에 의해 표시되지 않는 제3 액션을 포함할 수 있는 조합된 액션 계획을 산출할 수 있다. 실시예에서, 조합된 분석 회로(9332)는 조건의 제1 확률을 표시하는 제1 진단 분석 및 조건의 제2 확률을 표시하는 제2 진단 분석을 처리하여 조건의 제3 확률을 표시하는 조합된 분석을 산출할 수 있고, 여기서 제3 확률은 제1 및 제2 확률 중 하나 또는 둘 모두보다 더 낮거나, 더 높거나, 그 사이이거나, 그와 동일할 수 있다.
거버넌스 회로(9334)는 규칙을 시행하거나, 액션 계획에서의 액션을 오버라이드하거나, 분석 회로(9322-9328)에 의해 수행되는 분석을 제어하거나, 또는 거버넌스 규칙을 준수하도록 분석 및/또는 분석의 출력을 다른 방식으로 수정할 수 있다. 예를 들어, 거버넌스 회로는 액션 계획의 특정 액션이 인간에게 위험하지 않고, 불법적이지 않은 것 등을 요구할 수 있다. 거버넌스 회로(9334)는 특정 애플리케이션에 대해 맞춤화된 규칙을 저장할 수 있는 거버넌스 라이브러리(9354)로부터 거버넌스 규칙을 검색할 수 있다. 예를 들어, 칩(9300)이 인간이 근무하는 위치에서 환경 조건을 모니터링하고 있을 때, 거버넌스 회로(9334)는 인간에 대한 허용가능한 환경 조건을 지정하는 거버넌스 라이브러리를 검색할 수 있다. 이어서, 거버넌스 회로(9334)는 특정 조건이 검출될 때 특정 액션(예를 들어, 위험 물질이 검출될 때 경보를 울리는 것)을 요구하고, 액션 계획에서 특정 액션(예를 들어, 환경을 위험하거나 달리 인간에게 부적합하도록 변경할 수 있는 액션)을 오버라이드하고, 어느 타입의 분석이 사용되는지 및/또는 분석이 다양한 분석 회로에 의해 어떻게 수행되는지를 제어하는 등을 위해 이 정보를 사용할 수 있다. 대조적으로, 칩(9300)이 인간이 없는 위치에서 환경 조건을 모니터링하도록 구성될 때, 이는 상이한 세트의 거버넌스 규칙을 사용할 수 있다. 일부 경우에서, 거버넌스 규칙은 특정 당사자에게 특정 조건을 보고하는 것(예를 들어, 환자, 의사 등에게 질병 데이터를 보고하는 것), (예를 들어, HIPAA 법률을 준수하기 위해) 특정 당사자에게 조건을 보고하는 것을 금지하는 것 등을 요구할 수 있다. 분석 회로의 동작을 제어하기 위해, 거버넌스 회로(9334)는, 거버넌스 회로(9334)가 분석 회로에게 특정 분석을 수행하거나 수행하지 않는 것, 분석이 어떻게 수행되는지를 수정하는 것 등을 지시할 수 있도록, 분석 회로(9322-9328)를 모니터링하고/하거나 이에 의해 활용되도록 구성될 수 있다.
보고 회로(9336)는, 임의의 거버넌스 규칙에 의해 수정된 바와 같이, 분석 및/또는 조합된 분석의 결과를 포함하는 보고를 생성하고, 보고를 (예를 들어, 출력(9394)으로서) 출력할 수 있다. 보고 회로(9336)는 출력(9394)을 수신하는 임의의 모듈/디바이스/시스템과 상호동작하기 위해 요구되는 바와 같이 데이터를 포맷팅할 수 있다. 실시예에서, 보고 회로(9336)는 (예를 들어, 시스템 사양(9356) 또는 다른 구성 파라미터에 의해 표시된 바와 같이) 분석의 결과를 포함하는 인간 판독가능 보고를 생성하고 인간 판독가능 분석을 하나 이상의 클라이언트 디바이스에 송신할 수 있다.
도 112는 거버넌스 칩(9400)을 예시하며, 이들 중 하나 이상은 본 출원에 설명된 바와 같은 하나 이상의 거버넌스 기능을 수행하는 데 사용될 수 있다. 칩(9400)은 안전, 보안, 품질, 규제, 재무, 또는 다른 표준을 포함하는 다양한 거버넌스 표준을 준수하는 임의의 밸류 체인 엔티티에 의해 사용될 수 있다. 실시예에서, 칩(9400)은 거버넌스 칩(9400) 및/또는 호스트 디바이스와 통신하는 다른 디바이스를 포함하는 호스트 디바이스의 하나 이상의 컴포넌트로부터의 입력 데이터에 대해 거버넌스 기능을 수행하기 위해 인공 지능(AI) 및 다른 기술을 사용할 수 있다. 실시예에서, 거버넌스 칩(9400)은 거버넌스가 적용될 수 있는 상황을 결정하기 위해 데이터를 수신하고 분석하도록 구성될 수 있고, 거버넌스를 시행하기 위한 하나 이상의 모델을 구축하도록 구성될 수 있고, 이어서, 거버넌스 위반에 응답하여 액션을 트리거링하고, 거버넌스 위반을 피하기 위해 데이터를 재구성하고, 거버넌스 칩(9400)과 통신하는 하나 이상의 디바이스에 명령어를 발행하고/하거나 거버넌스 칩(9400)을 이용하여 거버넌스 액션을 다른 방식으로 수행함으로써 모델을 이용하여 규칙, 제한, 요건, 품질, 또는 거버넌스의 다른 양태를 시행할 수 있다.
실시예에서, 칩(9400)은 거버넌스 표준이 적용될 수 있는 데이터 세트를 포함하는 입력 데이터를 수신하도록 구성될 수 있다. 입력 데이터는 특정 도메인에 대한 하나 이상의 안전, 보안, 품질, 규제, 재무, 또는 다른 표준을 준수해야 하는 데이터 세트를 포함할 수 있다. 실시예에서, 다수의 거버넌스 표준이 단일 데이터 세트에 적용될 수 있다. 예를 들어, 안전 및 품질 표준 둘 모두가 주어진 데이터 세트에 적용될 수 있다. 거버넌스 표준은 칩(9400)과 통신하는 특정 디바이스의 위치 또는 다른 조건, 모듈, 디바이스, 시스템, 또는 네트워크의 현재 상태, 또는 다른 그러한 조건과 같은 특정 조건에 기초한 데이터의 세트에만 적용될 수 있다.
따라서, 칩(9400)은, 아래에서 더 상세히 설명되는 바와 같이, 하나 이상의 거버넌스 표준이 적용되는지를 결정하기 위해 특정 데이터 세트(예를 들어, 입력(9492)으로서 수신된 데이터 세트)를 초기에 분석할 수 있다. 하나 이상의 거버넌스 표준이 적용된다는 결정에 기초하여, 칩(9400)은 이어서 적용가능한 표준을 우선순위화하고 거버넌스 표준을 시행하는 모델을 생성 및/또는 검증할 수 있다. 모델은 데이터가 거버넌스 표준을 준수하는지를 검사하고, 거버넌스 표준을 준수하게 하는 액션을 수행하고, 거버넌스 위반이 발생할 때 시정 액션을 취하는 등을 위한 하나 이상의 흐름을 포함할 수 있다. 다수의 거버넌스 표준이 적용될 때, 칩(9400)은 다수의 표준 사이의 임의의 잠재적 중첩 또는 충돌을 조정하는 모델을 생성할 수 있다. 칩(9400)은 아래에 더 상세히 설명되는 바와 같이, 테스트 데이터 또는 다른 전략을 사용하여 모델을 검증할 수 있다.
모델이 생성 및/또는 검증된 후에, 칩(9400)은 거버넌스 표준을 시행하기 위해 모델을 사용할 수 있다. 칩(9400)은 모델이 생성되고 검증된 후까지 수신되지 않은 데이터 세트를 포함하는 하나 이상의 수신된 데이터 세트에 대한 거버넌스 표준을 시행하기 위해 모델을 사용할 수 있다. 실시예에서, 칩(9400)은 조건이 변경됨에 따라 거버넌스 준수를 보장하기 위해 시간 경과에 따라 모델을 지속적으로 최적화할 수 있고, 거버넌스 시행의 검토를 허용하기 위한 및/또는 다른 디바이스가 거버넌스 시행을 수행하게 하기 위한 보고 및 다른 출력을 생성할 수 있다.
실시예에서, 칩(들)(9400)은 다양한 방식으로 호스트 시스템과 통합될 수 있는 모듈식 컴포넌트(들)일 수 있다. 예를 들어, 칩(들)은 모바일 호스트 시스템, 고정 호스트 시스템, 또는 거버넌스에 따라 입력 데이터를 수신하는 임의의 다른 호스트 시스템과 통합될 수 있다. 이러한 모듈성을 용이하게 하기 위해, 칩(들)(9400)은 하우징(도시되지 않음) 내에 부분적으로 또는 완전히 제공될 수 있고, 전기 커넥터, 광학 커넥터, 및/또는 무선 커넥터(예를 들어, 안테나, 유도 코일 등)를 통해 입력(9492)을 수신하고/하거나 출력(9494)을 제공할 수 있다. 추가적으로 또는 대안적으로, 칩(들)(9400)은 하나 또는 다수의 기판/칩 상에서 다른 회로, 프로세서, 시스템 등과 통합될 수 있다.
칩(들)(9400)은 칩(9400)에 기인하는 기능성 및/또는 임의의 다른 기능성을 제공하기 위한 하나 이상의 시스템-온-칩(SOC), 집적 회로(IC), 주문형 집적 회로(ASIC) 등일 수 있고/있거나 이를 포함할 수 있다. 예를 들어, 칩(9400)은 본 출원에 설명된 다른 기능을 또한 제공하는 SOC의 일부로서 제공될 수 있다. 일반적으로, 칩(9400)의 컴포넌트는 소프트웨어 명령어 또는 다른 코드를 사용하여 구성되는 하나 이상의 범용 처리 칩을 포함할 수 있고/있거나, 본 출원에 설명된 기능을 수행하도록 맞춤화된 특수 목적 처리 칩(예를 들어, ASIC)을 포함할 수 있다.
다수의 칩(들)(9400)은 본 출원에 설명된 기능을 수행하기 위해 사용될 수 있다. 예를 들어, 다수의 칩(들)(9400)은 분석 및/또는 거버넌스 기능을 더 신속하게 수행하는 것, 더 복잡한 계산을 하나의 칩(9400)으로부터 더 나은 파워 소스를 갖는 다른 칩(9400)으로 오프로딩하여 분석 및/또는 거버넌스 기능을 더 효율적으로 수행하는 것 등을 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다. 다른 예로서, 하나의 칩(9400)은 제1 분석 및 거버넌스 기능을 제공하는 데 사용될 수 있는 반면, 다른 칩(9400)은 동일한 데이터 세트에 대해 제2 분석 및 거버넌스 기능을 제공하는 데 사용될 수 있다.
실시예에서, 물리적 입력 인터페이스(9402)는 본 출원에 설명된 바와 같이 거버넌스 칩(9400)에 대한 하나 이상의 입력(9492)을 수신한다. 입력(9492)은 호스트 시스템의 다른 칩, 회로, 모듈, 및/또는 다른 컴포넌트에 의해, 또는 (예를 들어, 통신 네트워크를 통해) 호스트 시스템과 통신하는 다른 디바이스에 의해 물리적 입력 인터페이스(9402)에 송신될 수 있다. 예를 들어, 입력 데이터는 센서, 센서 처리 칩/모듈/회로, 안테나, 저장 디바이스, 네트워크 인터페이스, 또는 본 출원에 설명된 바와 같은 칩(들)(9400)에 대한 임의의 다른 데이터 소스로부터 유래할 수 있다. 물리적 입력 인터페이스(9402)는 유선 또는 무선 연결을 통해 입력(9492)의 소스(들)와 연결될 수 있다. 입력(9492)은 거버넌스가 적용될 수 있는 임의의 타입의 데이터를 포함할 수 있다. 입력(9492)은 또한 저장소(9450)에 저장될 수 있는 데이터, 예컨대, 거버넌스 라이브러리(9452)에 대한 거버넌스 규칙/구성, 디지털 트윈 라이브러리(9454)에 대한 하나 이상의 디지털 트윈, 하나 이상의 시스템 사양(들)(9456), 및/또는 하나 이상의 지능 모듈(들)(9458)을 포함할 수 있다.
물리적 출력 인터페이스(9404)로부터 송신된 출력 데이터(9494)는 거버넌스 기능(예를 들어, 발생할 수 있는 거버넌스 준수 및/또는 위반)의 상태를 나타내는 보고(들), (예를 들어, 모델 검증 프로세스의 일부로서) 생성된 모델의 기능을 나타내는 데이터, 거버넌스 표준의 준수를 시행하기 위해 다른 모듈/디바이스/시스템에 관한 명령어 등을 포함할 수 있다. 실시예에서, 칩(9400)의 출력은 물리적 출력 인터페이스(9404)에 의해 본 출원에 설명된 바와 같이 호스트 시스템 또는 호스트 시스템과 통신하는 다른 디바이스의 다른 칩, 회로, 모듈, 및/또는 다른 컴포넌트에 송신될 수 있다. 물리적 출력 인터페이스(9404)는 유선 또는 무선 연결을 통해 이러한 컴포넌트에 연결될 수 있다.
실시예에서, 칩(9400)은 거버넌스 분석 모듈(9410), 거버넌스 프레임워크 모듈(9420), 및/또는 거버넌스 출력 모듈(9430) 중 하나 이상을 포함할 수 있다. 실시예에서, 거버넌스 분석 모듈(9410)은, 거버넌스 적용가능성을 결정하고 거버넌스의 적용을 위한 입력 데이터를 포맷팅하기 위해 입력(9492)을 수신 및 처리하기 위한 회로(9412-9416)를 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9400)은 거버넌스를 우선순위화하고, 거버넌스 모델을 생성하고, 거버넌스 모델을 검증하기 위한 회로(9422, 9426)를 포함하는 거버넌스 프레임워크 모듈(9420)을 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9400)은 거버넌스 모델을 실행, 모니터링, 및 다른 방식으로 처리하고, 모델을 최적화하고, 출력을 위한 결과를 포맷팅하기 위한 회로(9432, 9436)를 포함하는 거버넌스 출력 모듈(9430)을 포함할 수 있다. 모듈(9410, 9420, 및/또는 9430)의 다양한 회로의 기능은 아래에 더 상세히 설명된다.
처리 코어(들)(9406)는 다양한 모듈(9410, 9420, 및/또는 9430)의 보조를 받거나 받지 않고, 칩(9400)에 기인하는 기능 중 임의의 것을 수행하도록 구성될 수 있는 하나 이상의 처리 코어(들)를 포함할 수 있다. 예를 들어, 처리 코어(들)(9406)는 본 출원에 설명된 다양한 기능을 수행하기 위해 다양한 모듈을 활용 및/또는 호출할 수 있다. 처리 코어(들)(9406)는 범용 및/또는 특수 목적 프로세서를 포함할 수 있다. 실시예에서, 처리 코어(들)(9406)는 본 출원에 설명된 기능을 달성하기 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다.
따라서, 처리 코어(들)(9406)는 다양한 모듈(9410, 9420, 및/또는 9430)에 의해 제공되는 기능에 더한 기능들을 수행할 수 있다. 예를 들어, 처리 코어(들)는 하나의 모듈의 출력(예를 들어, 거버넌스 분석 모듈(9410)에 의해 분석된 데이터 세트에 의해 추출된 데이터)을 수신하고 이를 다른 모듈(예를 들어, 거버넌스 프레임워크 모듈(9420) 및/또는 거버넌스 출력 모듈(9430))에 입력으로서 제공할 수 있다. 처리 코어(들)(9406)는 또한 출력을 상이한 포맷으로 변환하기 위해 모듈(들) 중 임의의 것의 출력을 처리할 수 있다.
실시예에서, 처리 코어(들)(9406)는 저장소(9450)에/로부터 데이터를 저장 및/또는 검색하도록 추가로 동작할 수 있다. 예를 들어, 처리 코어(들)(9406)는 거버넌스 구성/데이터를 거버넌스 라이브러리(9452)에 저장 및 검색할 수 있고/있거나 디지털 트윈 라이브러리(9454) 내의 디지털 트윈을 저장 및 검색할 수 있고/있거나, 시스템 사양(9456)을 저장 및 검색할 수 있고/있거나, 본 출원에 설명된 다양한 기능을 구현하기 위한 지능 모듈(들)(9458)을 저장 및 검색할 수 있다. 실시예에서, 처리 코어(들)는 (도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있는) 지능 모듈(9458)을 사용하여 (도 104와 관련하여 설명된 바와 같은) 지능 서비스(8800)의 기능 중 임의의 것을 구현할 수 있다.
거버넌스 분석 모듈(9410)은 입력 데이터(9492)를 수신하고 처리하여 거버넌스가 적용될 수 있는지 및 어떤 타입의 거버넌스가 적용될 수 있는지를 결정할 수 있다. 실시예에서, 입력 데이터 분석 회로(9412)는 거버넌스가 적용됨을 나타내는 조건을 검출하기 위해 입력(9492)을 분석할 수 있다. 예를 들어, 입력 데이터는 거버넌스 요건(예를 들어, 위치에 대응하는 부동산의 소유자에 의해 설정된 거버넌스 요건, 위치에 대응하는 특정 주 또는 다른 정부 엔티티에 의해 설정된 거버넌스 요건 등)과 연관될 수 있는 특정 위치를 나타낼 수 있다. 다른 예로서, 입력 데이터는 특정 데이터 필드를 포함할 수 있고, 데이터 필드의 하나 이상의 값은 거버넌스가 적용된다는 것을 나타낼 수 있다. 추가적으로 또는 대안적으로, 입력 데이터 분석 회로는 하나 이상의 거버넌스 표준이 적용되는지를 결정하기 위해 거버넌스 라이브러리(9452), 디지털 트윈(9454), 및/또는 시스템 사양(9456)에 액세스할 수 있다. 예를 들어, 거버넌스 라이브러리(9452)는 거버넌스 표준이 적용되는 하나 이상의 조건을 나타낼 수 있고, 이는 특정 거버넌스 표준이 항상 적용되고/거나, 거버넌스 표준이 적용됨을 나타내는 다른 규칙, 트리거, 또는 조건을 제공한다. 실시예에서, 디지털 트윈은 입력 데이터(9492)가 디지털 트윈 내의 특정 상태를 갖는 디바이스와 관련된다는 것을 나타낼 수 있고, 특정 상태는 특정한 거버넌스 표준 세트와 연관될 수 있다. 유사하게, 시스템 사양(9456)은 데이터에 대응하는 시스템에 관한 정보를 제공할 수 있고, 거버넌스가 시스템에 적용되는지/언제 적용되는지를 나타낼 수 있다. 따라서, 입력 데이터(9492) 및/또는 저장소(9450) 내의 데이터를 분석하는 것을 포함하는 하나 이상의 전략을 사용하여, 칩(9400)은 입력(9492)으로서 수신된 입력 데이터에 거버넌스가 적용되거나 적용되지 않는다고 결정할 수 있다.
실시예에서, 거버넌스 선택 회로(9414)는 식별된 거버넌스 요건 중 어느 것이 적용되는지를 결정할 수 있다. 예를 들어, 안전, 보안, 품질, 규제, 재무, 또는 다른 표준과 관련된 하나 이상의 거버넌스 규칙은, 입력 데이터에 대응하는 위치 또는 다른 조건, 입력 데이터로서 수신된 데이터의 타입, 입력 데이터로서 수신된 하나 이상의 값, 저장소(9450)에 저장된 데이터 등과 같은, 위에서 설명된 바와 같은 다양한 조건에 기초하여 적용될 수 있다. 입력 데이터 분석 회로(9412)에 의해 검출되는 바와 같은, 거버넌스 요건이 적용되는 하나 이상의 조건, 트리거, 값, 또는 다른 표시는, 거버넌스 선택 회로(9414)가 검색 및 선택할 수 있는 하나 이상의 거버넌스 요건에 각각 대응할 수 있다. 일부 경우에서, 거버넌스 선택 회로(9414)는 어떤 거버넌스 요건이 적용되는지를 결정하기 위해 (예를 들어, 지능 모듈(9458)을 사용하여) 데이터를 추가로 분석할 필요가 있을 수 있다. 예를 들어, 거버넌스 선택 회로(9414)는 신경망 또는 다른 기계 학습 모델을 이용하여 입력(9492)을 처리하여 예측을 생성할 수 있고, 그 후 예측에 기초하여 어느 거버넌스 요건이 적용되는지를 결정할 수 있다. 실시예에서, 다수의 지능 모듈(들)(9458)은 거버넌스 선택을 위한 다양한 타입의 AI 분석을 제공하는 데 사용될 수 있다. 실시예에서, 지능 모듈(9458)은 도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있다.
실시예에서, 데이터 분석 회로(9416)는 거버넌스를 적용하기 위한 데이터를 결정 및/또는 추출하기 위해 데이터 분석을 수행할 수 있다. 예를 들어, 데이터 분석 회로(9416)는 입력(9492)을 파싱하거나 다른 방식으로 분석하여 거버넌스가 적용되는 특정 값을 추출하고/하거나 거버넌스가 적용되지 않는 특정 값을 검출할 수 있다. 실시예에서, 데이터 분석 회로(9416)는 추출된 데이터를 포함하는 하나 이상의 데이터 구조를 생성하고 데이터 구조를 포맷팅하여, 데이터 구조를 사용하여 거버넌스 표준이 생성 및/또는 시행될 수 있게 할 수 있다. 데이터 분석 회로(9416)는, 거버넌스 선택 회로(9414)에 의해 선택된 거버넌스 요건에 대해 거버넌스가 적용되는 데이터 값을 검출하는 방법을 명시할 수 있는, 저장소(9450)에 저장된 데이터 중 임의의 것에 액세스할 수 있다.
거버넌스 프레임워크 모듈(9420)은 거버넌스 분석 모듈(9410)로부터 하나 이상의 선택된 거버넌스 요건을 수신할 수 있고, 거버넌스 요건을 데이터 세트에 적용하기 위한 모델을 개발하고 검증할 수 있다. 실시예에서, 우선순위화 회로(9422)는 거버넌스 요건을 우선순위화하고, 거버넌스 요건 사이의 충돌을 해결하는 등에 의해 다수의 및/또는 중첩하는 거버넌스 요건을 관리할 수 있다. 우선순위화 회로(9422)는 (예를 들어, 거버넌스 라이브러리(9452)로부터 각각의 거버넌스 요건과 연관된 할당된 우선순위를 검색하는 것에 의해, 거버넌스 라이브러리(9452)에 포함된 하나 이상의 우선순위화 규칙을 사용하는 것 등에 의해) 거버넌스 선택 회로(9414)에 의해 선택된 거버넌스 요건 각각에 우선순위를 할당할 수 있다. 실시예에서, 우선순위화 회로(9422)는 선택된 거버넌스 요건 중 임의의 것이 중첩되는지 또는 충돌하는지를 검출할 수 있다. 일부 경우에서, 예컨대, 제1 거버넌스 요건이 특정 최소 표준을 요구하고 제2 거버넌스 요건이 더 높은 표준을 요구할 때, 거버넌스 요건은 충돌을 야기하지 않고 중첩될 수 있다. 그러한 경우에, 우선순위화 회로(9422)는 거버넌스 요건의 세트 둘 모두를 만족시키기 위해 더 높은 표준이 사용되어야 한다고 결정할 수 있다. 거버넌스 요건이 충돌할 때와 같은 다른 경우에서, 우선순위화 회로(9422)는 각각의 거버넌스 요건에 할당된 우선순위에 기초하여 하나 또는 다른 충돌하는 표준을 사용하기로 결정할 수 있다.
실시예에서, 모델링 회로(9424)는 우선순위화 회로(9422)에 의해 결정된 바와 같은 우선순위화된 거버넌스 요건에 기초하여 모델을 생성할 수 있다. 예를 들어, 최고 우선순위 거버넌스 요건이 안전 요건의 세트인 경우, 이때, 생성된 모델은 초기에 안전 위반을 체크하거나 다른 안전 거버넌스 요건을 적용할 수 있다. 그 다음, 두 번째로 높은 우선순위 거버넌스 요건이 규제 거버넌스 요건의 세트인 경우, 모델은, 안전 거버넌스를 시행한 후에, 규제 거버넌스를 시행할 수 있다. 일부 경우에서(예를 들어, 충돌로 인해), 모델은 모델로부터 특정 거버넌스 요건(예를 들어, 안전 요건과 충돌하는 품질 요건)을 생략할 수 있다. 이러한 방식으로, 모델링 회로(9424)는 데이터 세트에 대한 거버넌스를 시행하기 위한 흐름을 지정하는 모델을 생성할 수 있다. 모델링 회로(9424)는 생성된 모델로 하여금 하나 이상의 환경, 네트워크, 시스템 등에 관한 정보를 지정하는 디지털 트윈 라이브러리(9454)로부터의 다양한 디지털 트윈을 참조하여, 검사 및 시행에 필요할 수 있는 다양한 데이터를 검색하게 할 수 있다.
실시예에서, 검증 회로(9426)는, 예를 들어, 생성된 모델을 거버넌스 라이브러리(9452)에 의해 제공되는 테스트 데이터에 대해 테스트함으로써, 생성된 모델을 검증할 수 있다. 일부 경우에서, 선택된 거버넌스 표준은 특정 검증(예를 들어, 데이터를 처리할 때 모델이 안전 요건을 준수한다는 검증)을 요구할 수 있고, 따라서 거버넌스 라이브러리는 모델이 대응하는 거버넌스 요건(들)을 성공적으로 준수한다는 것을 검증하기 위한 테스트 데이터 및/또는 타겟 출력(들)을 포함할 수 있다. 추가적으로 또는 대안적으로, 검증 회로(9426)는 하나 이상의 디바이스, 네트워크, 시스템 등에 대한 그 효과를 시뮬레이션하기 위해 디지털 트윈에 대해 생성된 모델을 테스트할 수 있다. 일부 경우에서, 디지털 트윈에 대한 시뮬레이션된 효과는 생성된 모델을 거버넌스 출력 모듈(9430)에 배치하기 전에 (예를 들어, 다른 디바이스에서의 분석/승인을 위해) 출력(9494)으로서 제공될 수 있다.
실시예에서, 거버넌스 출력 모듈(9430)은 생성된 모델을 이용하여 하나 이상의 입력(9492)을 처리하여 거버넌스 표준을 시행할 수 있고, 다양한 조건에 기초하여 모델을 최적화할 수 있고, 및/또는 다른 디바이스와 통신하기 위해 처리된 입력, 보고, 및/또는 메시지를 출력할 수 있다. 모델 처리 회로(9432)는 입력(9492)(예를 들어, 거버넌스 분석 모듈(9410)에 의해 분석된 입력들 뿐만 아니라 거버넌스 모델이 거버넌스 프레임워크 모듈(9420)에 의해 생성된 후에 수신된 입력)이 수신됨에 따라 이들을 지속적으로 처리할 수 있어서, 일단 배치되면, 거버넌스 모델이 새로운 입력에 대해 사용될 수 있다. 모델 처리 회로(9432)는 모델을 사용하여 입력(9492)을 모니터링하고 모델에 의해 지정된 바와 같은 거버넌스 표준을 시행할 수 있다. 예를 들어, 모델 처리 회로(9432)는 경고 및 경보를 생성하고, 시스템을 셧다운하거나 다른 방식으로 수정하고(예를 들어, 안전 파라미터가 초과된 경우), 거버넌스를 준수하도록 데이터를 수정/변환/구성하는 등을 수행할 수 있다. 실시예에서, 거버넌스 요건을 시행하기 위해, 칩(9400)은 메시지 및/또는 명령어를 다른 디바이스 및 시스템에 전송할 수 있다. 이들 경우에, 모델 최적화 회로(9434)는, 이하에서 더 상세히 설명되는 바와 같이, 출력 및 보고 회로(9436)로 하여금 이러한 메시지 및/또는 명령어를 전송하게 할 수 있다.
실시예에서, 모델 최적화 회로(9434)는 다양한 입력 조건 및 데이터를 지속적으로 모니터링함으로써 거버넌스 프레임워크/모델의 라이브 최적화를 수행할 수 있다. 예를 들어, 위치의 변화 또는 일부 다른 조건에 응답하여, 상이한 세트의 거버넌스 요건이 적용되기 시작할 수 있다. 모델 최적화 회로(9434)는 위에서 설명된 바와 같이, 거버넌스 프레임워크 모듈(9420)로 하여금 새로운 거버넌스 요건을 우선순위화하고, 그에 따라 모델을 업데이트하고, 그리고/또는 업데이트된 모델을 검증하기 위해 모델을 재생성 및/또는 수정하게 함으로써 거버넌스 요건의 이 상이한 세트를 시행할 수 있다. 추가적으로 또는 대안적으로, 모델 최적화 회로(9434)는 모델 처리 회로(9432)에 의해 사용되는 모델이 적절하게 수행되고 있는 것을 보장하기 위해 모델 처리 회로(9432)의 출력을 지속적으로 검증할 수 있다. 전술한 바와 같이, 모델 최적화 회로(9434)는 저장소(9450)에 저장된 검증 데이터/요건을 참조하여 검증을 수행할 수 있다.
실시예에서, 출력 및 보고 회로(9436)는 모델 처리 회로(9432)에 의해 처리되는 데이터 뿐만 아니라 다른 모듈, 디바이스, 시스템 등에 전송될 메시지 및/또는 명령어를 포함하는 출력을 송신할 수 있다. 따라서, 칩(9400)은 다른 디바이스로 하여금 상태를 변경(예를 들어, 턴 오프/온)하게 하거나 또는 다른 방식으로 거버넌스 액션을 수행하게 함으로써 거버넌스 요건을 시행할 수 있다. 추가적으로 또는 대안적으로, 출력 및 보고 회로(9436)는 다른 칩, 모듈, 시스템, 또는 디바이스에 의한 검토/분석을 위해, 검증의 결과를 포함하는 보고, 경보 또는 거버넌스에 대한 다른 비준수를 표시하는 보고, 거버넌스 충돌을 표시하는 보고 등을 생성할 수 있다. 출력 및 보고 회로(9436)는 임의의 출력이 출력(9494)으로서 송신되게 할 수 있다.
도 113은 예측, 분류, 및 추천 칩(9500)을 예시하며, 이들 중 하나 이상은 본 출원에 설명된 바와 같은 하나 이상의 예측, 분류, 및/또는 추천 기능을 수행하는 데 사용될 수 있다. 칩(9500)은 예측, 분류, 및/또는 추천을 수행하는 임의의 밸류 체인 엔티티에 의해 사용될 수 있다. 실시예에서, 칩(9500)은 칩(9500) 및/또는 호스트 디바이스와 통신하는 다른 디바이스를 포함하는 호스트 디바이스의 하나 이상의 컴포넌트로부터의 입력 데이터에 대해 예측, 분류, 및/또는 추천 기능을 수행하기 위해 인공 지능(AI) 및 다른 기술을 사용할 수 있다. 실시예에서, 칩(9500)은 주어진 사양의 세트에 따라 유입 데이터를 분석 및 분류하고, 주어진 사양의 세트에 따라 최적화된 예측 모델을 개발 및/또는 제공하고, 그리고/또는 사양의 세트에 따른 데이터 분류 및 예측 모델링에 기초하여 추천된 액션을 제공하도록 구성될 수 있다.
실시예에서, 칩(9500)은 이미지/비디오/오디오 데이터와 같은 미디어 데이터, 트랜잭션 데이터를 포함하는 데이터 세트, 생체인식 데이터, 모션 포착 데이터, 병리학 데이터, 및/또는 다른 이러한 데이터를 포함하는 임의의 타입의 다양한 입력을 수신하고, 이러한 데이터를 분석하여 입력 데이터, 입력 데이터에 나타나는 객체 또는 엔티티 등에 관한 추가 정보(예를 들어, 메타데이터)를 결정하도록 구성될 수 있다. 칩(9500)은 이어서, 아래에 상세히 설명되는 바와 같이, 다양한 분류 기술을 사용하여 입력, 입력에 나타나는 객체 또는 엔티티 등을 분류할 수 있다. 칩(9500)은 다른 모듈, 디바이스, 시스템 등에 의한 사용을 위해 출력(9594)으로서 분류를 출력할 수 있다.
실시예에서, 칩(9500)은 예측 모델을 생성하는 데 사용하기 위한 하나 이상의 조건을 개발할 수 있다. 조건은 분류에 기초하여 개발될 수 있다. 즉, 특정 객체, 엔티티, 또는 이들의 그룹화를 분류하는 것에 기초하여, 객체, 엔티티, 또는 이들의 그룹화를 수반하는 다양한 액션의 효과를 결정하기 위해, 객체, 엔티티, 또는 이들의 그룹화와 관련된 하나 이상의 조건이 예측 분석을 위해 개발되고 선택될 수 있다. 그 후, 칩(9500)은 객체, 엔티티, 또는 이들의 그룹화를 수반하는 액션의 효과를 예측하기 위해 예측 모델을 생성하고 활용할 수 있고, 아래에 더 상세히 설명되는 바와 같이, 업데이트된 데이터에 기초하여 예측 모델을 추가로 최적화할 수 있다.
실시예에서, 칩(9500)은 다양한 시스템 사양을 사용하여 다양한 엔티티와 관련하여 취해질 수 있는 액션의 범위를 결정하기 위해, 하나 이상의 액션, 액션이 취해질 수 있는 하나 이상의 직접 또는 간접 객체 또는 다른 엔티티, 하나 이상의 액션 수정자 등을 포함하는 액션 행렬을 생성할 수 있다. 칩(9500)은 이어서 (예를 들어, 생성된 예측 모델을 사용하여) 액션 행렬로부터 어느 액션(들)이 취해져야 하는지를 분석 및 결정하고, 선택된 액션의 수행을 야기하는 출력(9594)을 송신하고, 아래에 더 상세히 설명되는 바와 같이, 분류, 예측, 및 추천 기능의 기능을 개선하기 위해 피드백을 제공할 수 있다.
실시예에서, 칩(들)(9500)은 다양한 방식으로 호스트 시스템과 통합될 수 있는 모듈식 컴포넌트(들)일 수 있다. 예를 들어, 칩(들)은 모바일 호스트 시스템, 고정 호스트 시스템, 또는 예측, 분류, 및/또는 추천 태스크를 위한 입력 데이터를 수신하는 임의의 다른 호스트 시스템과 통합될 수 있다. 이러한 모듈성을 용이하게 하기 위해, 칩(들)(9500)은 하우징(도시되지 않음) 내에 부분적으로 또는 완전히 제공될 수 있고, 전기 커넥터, 광학 커넥터, 및/또는 무선 커넥터(예를 들어, 안테나, 유도 코일 등)를 통해 입력(9592)을 수신하고/하거나 출력(9594)을 제공할 수 있다. 추가적으로 또는 대안적으로, 칩(들)(9500)은 하나 또는 다수의 기판/칩 상에서 다른 회로, 프로세서, 시스템 등과 통합될 수 있다.
칩(들)(9500)은 칩(9500)에 기인하는 기능성 및/또는 임의의 다른 기능성을 제공하기 위한 하나 이상의 시스템-온-칩(SOC), 집적 회로(IC), 주문형 집적 회로(ASIC) 등일 수 있고/있거나 이를 포함할 수 있다. 예를 들어, 칩(9500)은 본 출원에 설명된 다른 기능을 또한 제공하는 SOC의 일부로서 제공될 수 있다. 일반적으로, 칩(9500)의 컴포넌트는 소프트웨어 명령어 또는 다른 코드를 사용하여 구성되는 하나 이상의 범용 처리 칩을 포함할 수 있고/있거나, 본 출원에 설명된 기능을 수행하도록 맞춤화된 특수 목적 처리 칩(예를 들어, ASIC)을 포함할 수 있다.
다수의 칩(들)(9500)이 본 출원에 설명된 기능을 수행하기 위해 사용될 수 있다. 예를 들어, 다수의 칩(들)(9500)은 AI-보조 기능을 더 빠르게 수행하는 것, 더 복잡한 계산을 하나의 칩(9500)으로부터 더 나은 파워 소스를 갖는 다른 칩(9500)으로 오프로딩하여 AI-보조 기능을 더 효율적으로 수행하는 것 등을 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다. 다른 예로서, 하나의 칩(9500)은 본 출원에 설명된 제1 AI-보조 기능을 제공하기 위해 사용될 수 있는 반면, 다른 칩(9500)은 동일한 입력(9592)에 기초하여 제2 AI-보조 기능을 제공하기 위해 사용될 수 있다.
실시예에서, 물리적 입력 인터페이스(9502)는 본 출원에 설명된 바와 같이 칩(9500)에 대한 하나 이상의 입력(9592)을 수신한다. 입력(9592)은 호스트 시스템의 다른 칩, 회로, 모듈, 및/또는 다른 컴포넌트에 의해, 또는 (예를 들어, 통신 네트워크를 통해) 호스트 시스템과 통신하는 다른 디바이스에 의해 물리적 입력 인터페이스(9502)에 송신될 수 있다. 예를 들어, 입력 데이터는 센서, 센서 처리 칩/모듈/회로, 안테나, 저장 디바이스, 네트워크 인터페이스, 또는 본 출원에 설명된 바와 같은 칩(들)(9500)에 대한 임의의 다른 데이터 소스로부터 유래할 수 있다. 물리적 입력 인터페이스(9502)는 유선 또는 무선 연결을 통해 입력(9592)의 소스(들)와 연결될 수 있다. 입력(9592)은 거버넌스가 적용될 수 있는 임의의 타입의 데이터를 포함할 수 있다. 입력(9592)은 또한 저장소(9550)에 저장될 수 있는 데이터, 예컨대, 거버넌스 라이브러리(9552)에 대한 거버넌스 규칙/구성, 디지털 트윈 라이브러리(9554)에 대한 하나 이상의 디지털 트윈, 하나 이상의 시스템 사양(들)(9556), 및/또는 하나 이상의 지능 모듈(들)(9558)을 포함할 수 있다.
물리적 출력 인터페이스(9504)로부터 송신된 출력 데이터(9594)는 하나 이상의 분류, 예측, 및/또는 추천된 액션 뿐만 아니라, 또한 칩(9500)에 대한 입력에 관한 정보, 칩(9500)에 의해 생성된 데이터, 칩(9500)의 기능 등을 제공하기 위한 하나 이상의 보고를 포함할 수 있다.
실시예에서, 칩(9500)은 분류 모듈(9510), 예측 모듈(9520), 및/또는 추천 모듈(9530) 중 하나 이상을 포함할 수 있다. 실시예에서, 분류 모듈(9510)은 데이터를 수신 및 추출/분리하고, 데이터를 분석하고, 데이터를 분류하기 위한 회로(9512-9516)를 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9500)은 (예를 들어, 분류 모듈(9510)에 의해 제공되는 분류에 기초하여) 조건을 개발 및/또는 다른 방식으로 활용하고, 예측 모델을 사용하여 예측을 생성하고, 예측 모델을 최적화하기 위한 회로(9522, 9526)를 포함하는 예측 모듈(9520)을 포함할 수 있다. 추가적으로 또는 대안적으로, 칩(9500)은 추천된 액션 행렬을 생성하고, (예를 들어, 하나 이상의 추천된 액션을 선택하기 위해) 적용된 결정 기준을 분석하고, 추천된 액션(들)을 보고 및/또는 다른 방식으로 수행하고, 칩(9500)의 다양한 모듈 및/또는 회로에 의한 사용을 위해 피드백 데이터를 제공하기 위한 회로(9532, 9538)를 포함하는 추천 모듈(9530)을 포함할 수 있다. 모듈(9510, 9520, 및/또는 9530)의 다양한 회로의 기능은 아래에 더 상세히 설명된다.
처리 코어(들)(9506)는 다양한 모듈(9510, 9520, 및/또는 9530)의 보조를 받거나 받지 않고, 칩(9500)에 기인하는 기능 중 임의의 것을 수행하도록 구성될 수 있는 하나 이상의 처리 코어(들)를 포함할 수 있다. 예를 들어, 처리 코어(들)(9506)는 본 출원에 설명된 다양한 기능을 수행하기 위해 다양한 모듈을 활용 및/또는 호출할 수 있다. 처리 코어(들)(9506)는 범용 및/또는 특수 목적 프로세서를 포함할 수 있다. 실시예에서, 처리 코어(들)(9506)는 본 출원에 설명된 기능을 달성하기 위해 직렬, 병렬, 및/또는 다른 처리 기술을 사용할 수 있다.
따라서, 처리 코어(들)(9506)는 다양한 모듈(9510, 9520, 및/또는 9530)에 의해 제공되는 기능에 더한 기능들을 수행할 수 있다. 예를 들어, 처리 코어(들)는 하나의 모듈의 출력(예를 들어, 분류 모듈(9510)에 의해 생성된 분류 데이터)을 수신하고 이를 다른 모듈(예를 들어, 예측 모듈(9520))에 입력으로서 제공할 수 있다. 처리 코어(들)(9506)는 또한 출력을 상이한 포맷으로 변환하기 위해 모듈(들) 중 임의의 것의 출력을 처리할 수 있다.
실시예에서, 처리 코어(들)(9506)는 저장소(9550)에/로부터 데이터를 저장 및/또는 검색하도록 추가로 동작할 수 있다. 예를 들어, 처리 코어(들)(9506)는 거버넌스 라이브러리(9552)에 거버넌스 구성/데이터를 저장하고 검색할 수 있고/있거나 디지털 트윈 라이브러리(9554)에 디지털 트윈을 저장하고 검색할 수 있고/있거나, 시스템 사양(9556)을 저장하고 검색할 수 있고/있거나, 본 출원에 설명된 다양한 AI-보조 기능을 구현하기 위한 지능 모듈(들)(9558)을 저장하고 검색할 수 있다. 실시예에서, 처리 코어(들)는 (도 104의 인공 지능 모듈(8804) 중 하나 이상을 포함할 수 있는) 지능 모듈(9558)을 사용하여 (도 104와 관련하여 설명된 바와 같은) 지능 서비스(8800)의 기능 중 임의의 것을 구현할 수 있다.
분류 모듈(9510)은 입력 데이터를 수신하고, 입력 데이터를 격리/추출하고, 데이터를 분석하고, 데이터를 분류할 수 있다. 실시예에서, 데이터 격리 회로(9512)는 입력 데이터(9592)를 수신하고 분석 전에 입력 데이터를 추출하거나 다른 방식으로 격리할 수 있다. 예를 들어, 입력 데이터(9592)는 이미지/비디오 데이터, 트랜잭션 데이터, 생체인식 데이터, 진단 데이터, 또는 본 출원에 설명된 바와 같은 임의의 다른 타입의 데이터를 포함하는 하나 이상의 데이터 스트림 또는 데이터 세트일 수 있다. 데이터 격리 회로(9512)는 (예를 들어, 분석을 위한 데이터의 식별, 데이터의 추출, 데이터의 변환/재포맷팅 등에 의해) 이러한 데이터를 데이터 스트림/세트로부터 격리할 수 있다. 예를 들어, 데이터 격리 회로(9512)는 비디오로부터 이미지를 추출하고, 대화를 텍스트로 변환하고, 더 큰 데이터 세트로부터 관련 데이터를 추출하는 등을 수행할 수 있다.
실시예에서, 분석 회로(9514)는 분류를 위한 정보를 결정하기 위해 격리된 데이터 및/또는 다른 데이터를 분석할 수 있다. 예를 들어, 분석 회로는 이미지에서 나타나는 하나 이상의 객체를 식별하기 위해 이미지에 대해 이미지 분석을 수행할 수 있고, 트랜잭션 메타데이터(예를 들어, 발신자(sender)/수신자의 아이덴티티, 트랜잭션의 타입 등)를 결정하기 위해 트랜잭션 데이터를 분석할 수 있고, 개인 메타데이터(예를 들어, 아이덴티티, 인구통계 정보 등)를 결정하기 위해 생체인식 데이터를 분석할 수 있고, (예를 들어, 이동, 표현, 및/또는 반응 정보를 결정하기 위해) 비디오 데이터에 보여지는 모션을 분석할 수 있고, (예를 들어, 진단 데이터 세트로부터 비정상 또는 다른 조건을 결정하기 위해) 진단 데이터를 분석할 수 있는 등이다. 일부 경우에서, 분석 회로(9514)는 분석을 수행하기 위해 저장소(9550)에 저장된 정보를 활용할 수 있다. 예를 들어, 분석 회로(9514)는 디지털 트윈 라이브러리(9554) 및/또는 시스템 사양(9556)으로부터의 다양한 디지털 트윈을 사용하여 입력 데이터에 대응하는 다양한 시스템에 관한 정보를 획득할 수 있고(예를 들어, 입력 데이터에 대응하는 디바이스 또는 다른 엔티티에 관한 추가 정보를 제공하고, 입력 데이터의 해석을 허용하는 등), 지능 모듈(9558)을 사용하여 다양한 분석을 수행할 수 있고(예를 들어, 객체 인식을 수행하는 기계 비전 지능 모듈) 등을 수행할 수 있다. 추가적으로 또는 대안적으로, 분석 회로(9514)는 분류 회로(9516)에 의한 분류를 위해 데이터를 구조화할 수 있다.
실시예에서, 분류 회로(9516)는 분석 회로(9514)에 의해 생성된 격리된 데이터 및/또는 임의의 추가적인 데이터에 대해 분류 태스크를 수행할 수 있다. 분류 회로(9516)는 데이터를 분류하기 위해 하나 이상의 기계 학습 또는 다른 방식의 AI-보조 기술(예를 들어, 회귀, 나이브 베이즈(naive Bayes), 확률적 구배 하강, k-최근접 이웃, 결정 트리, 랜덤 포레스트 등)을 사용할 수 있다. 예를 들어, 분류 회로(9516)는 (예를 들어, 객체의 다른 그룹화의 타입을 식별함으로써) 이미지에 나타나는 객체를 분류할 수 있고, (예를 들어, 트랜잭션의 타입에 의해, 트랜잭션이 비정상인지/의심스러운지 등에 의해, 트랜잭션의 당사자의 타입에 의해 등으로) 트랜잭션 데이터를 분류할 수 있고, (예를 들어, 인구통계에 의해, 감정의 타입에 의해 등으로) 생체인식 데이터에 따라 사람을 분류할 수 있고, (예를 들어, 반응 타입에 의해) 모션 데이터를 분류할 수 있고, (예를 들어, 개인 또는 집단 데이터에서의 병리학 또는 다른 비정상을 식별하기 위해) 진단 데이터를 분류할 수 있는 등이다. 분류 회로(9516)는 데이터 격리 회로(9512)에 의해 격리되고/되거나 분석 회로(9514)에 의해 생성된 데이터를 그룹화하기 위해 비지도 기계 학습 기술을 활용할 수 있고/있거나, 특정 태스크에 대해 지도 학습 기술(예를 들어, 지능 모듈(9558)로서 저장소(9550)에 저장될 수 있는 훈련된 모델)을 사용할 수 있다. 따라서, 칩(9500)은 적절한 구성 데이터(예를 들어, 훈련된 모델)를 저장소(9550)에 저장함으로써 특정 분류 태스크를 위해 구성될 수 있다.
예측 모듈(9520)은 입력(9592) 및/또는 하나 이상의 사양(9556)으로서 수신된 데이터에 기초하여 예측을 생성하기 위해 예측 모델을 개발, 활용, 및/또는 최적화할 수 있다. 실시예에서, 조건 개발 회로(9522)는 분류 모델에 의해 수행되는 분류에 기초하여 예측 모델을 생성하기 위해 사용될 수 있는 조건을 개발할 수 있다. 분류 회로(9516)가 하나 이상의 분류를 검출할 때, 조건 개발 회로(9522)는 예측 모델을 사용하여 타겟팅할 분류와 관련된 하나 이상의 조건을 선택할 수 있다. 예를 들어, 분류 회로(9516)가 이미지 내의 특정 타입의 객체를 인식하는 것에 기초하여, 조건 개발 회로(9522)는 예측 모델의 개발에 사용하기 위해 검출된 타입의 객체와 관련된 타겟 변수(예를 들어, 객체의 수/양/주파수 또는 객체의 함수인 다른 타겟 변수)를 개발할 수 있다. 다른 예로서, 분류 회로(9516)가 트랜잭션 데이터에서 특정 타입의 트랜잭션을 인식하는 것에 기초하여, 조건 개발 회로(9522)는 검출된 타입의 미래 트랜잭션의 추정치를 타겟 변수로서 선택할 수 있다. 다른 예로서, 분류 회로(9516)가 특정 타입의 거동 또는 인구통계를 인식하는 것에 기초하여, 조건 개발 회로(9522)는 객체 또는 그룹 거동의 평가, (예를 들어, 안전하지 않은 거동에 기초한) 보안 추정치, 인지 평가 등을 포함하는 타겟 변수를 개발할 수 있다. 다른 예로서, 분류 회로(9516)가 특정 타입의 병리학을 인식하는 것에 기초하여, 조건 개발 회로(9522)는 병리학의 추정된 확산, 집단 변화, 병리학을 어드레싱하는 비용 등을 포함하는 타겟 변수를 개발할 수 있다. 일부 경우에서, 하나 이상의 저장된 시스템 사양(9556)은 어느 조건이 타겟팅하는 데 이용가능한지 및/또는 타겟팅되어야 하는지를 표시할 수 있다. 따라서, 칩(9500)은 특정 시스템 사양(9556)을 저장함으로써 특정 시스템/태스크/도메인에 대해 구성될 수 있다.
실시예에서, 예측 모델링 회로(9524)는 입력 데이터, 분석 회로(9514)에 의해 생성된 데이터, 및/또는 분류 회로(9516)에 의해 생성된 분류 데이터에 기초하여 타겟 변수를 예측하기 위한 예측 모델을 훈련시키기 위해 조건 개발 회로(9522)에 의해 생성된 타겟 변수를 사용할 수 있다. 즉, 예측 모델링 회로(9524)는 전술한 데이터 중 임의의 것을 포함하는 훈련 데이터 세트를 사용하여 타겟 변수를 예측하도록 모델을 훈련시킬 수 있다. 예측 모델링 회로(9524)는 선택된 타겟 변수에 기초하여 모델을 개발하기 위해 다양한 AI-보조 학습 기술(예를 들어, 신경망, 딥러닝 등)을 사용할 수 있다.
추가적으로 또는 대안적으로, 예측 모델링 회로(9524)는 다양한 모델링 입력에 기초하여 예측을 생성하기 위해 예측 모델을 활용할 수 있다. 모델링 입력은 입력(9592)(예를 들어, 위에서 설명된 바와 같이 분류 모듈(9510)에 의해 사용된 입력 데이터 및/또는 입력 데이터의 새로운 세트), 데이터 격리 회로(9512)에 의해 생성된 격리된/추출된 입력 데이터, 분석 회로(9514)에 의해 생성된 데이터, 분류(9516)에 의해 생성된 분류 등으로부터 도출될 수 있다. 즉, 입력(9592)으로서 수신되고/되거나 칩(9500)에 의해 생성된 데이터 중 임의의 것이 예측 모델에 대한 입력으로서 사용될 수 있다. 예측 모델링 회로(9524)는 예측을 생성하기 위해 예측 모델에 다양한 입력을 제공할 수 있으며, 이는 하나 이상의 이산 및/또는 연속 값(예를 들어, 예측된 점수들 및/또는 분류), 하나 이상의 신뢰도 등을 포함할 수 있다.
실시예에서, 예측 모델 최적화 회로(9526)는 훈련 데이터 세트를 업데이트하고, 예측 모델을 재훈련하고, 상이한 타겟 변수를 선택하고 새로운 모델을 개발하는 등에 의해 예측 모델을 최적화할 수 있다. 예를 들어, 예측 모델은 훈련 데이터 세트를 주기적으로 업데이트하고, 입력(9592)으로서 수신되고/되거나 분석 회로(9514), 분류 회로(9516), 및/또는 예측 모델링 회로(9524) 중 임의의 것에 의해 생성되는 새로운 데이터를 사용하여 모델을 재훈련시킬 수 있다. 추가적으로 또는 대안적으로, 예측 모델 최적화 회로(9526)는 시간 경과에 따라 디지털 트윈 라이브러리(9554)로부터의 입력 데이터(9592) 및/또는 하나 이상의 디지털 트윈(들)을 모니터링함으로써 예측의 정확도를 모니터링할 수 있다. 예를 들어, 예측 모델링 회로(9524)가 높은 신뢰도로 미래 조건을 반복적으로 예측하지만, 예측 모델 최적화 회로(9526)가 예측된 조건이 발생하지 않는다고 나중에 결정하는 경우, 예측 모델 최적화 회로(9526)는 훈련 데이터 세트 및/또는 훈련 파라미터의 업데이트/수정 및 예측 모델의 재훈련을 야기하여 더 정확한 예측을 제공할 수 있다.
실시예에서, 추천 모듈(9530)은 다양한 사양(9556), 분류 모듈(9510)에 의해 생성된 분류, 및/또는 예측 모듈(9520)에 의해 생성된 예측에 기초하여 추천을 제공할 수 있다. 실시예에서, 액션 행렬 회로(9532)는 특정 태스크, 시스템, 또는 도메인과 관련하여 취해질 수 있는 잠재적인 액션의 행렬(예를 들어, 간단한 리스트를 포함할 수 있는 N차원 어레이)을 생성할 수 있다. 예를 들어, 시스템 사양(9556)은 잠재적인 액션의 제1 세트, 액션이 취해질 수 있는 잠재적인 엔티티의 제2 세트, 액션에 대한 수정자의 제3 세트 등을 제공할 수 있고, 따라서 액션 행렬 회로(9532)는 추천될 수 있는 잠재적인 액션의 행렬을 생성할 수 있다. 추가적으로 또는 대안적으로, 특정 액션, 엔티티 등은 입력 데이터, 분석 회로(9514)에 의해 수행되는 분석, 분류 회로(9516)에 의해 생성되는 분류, 및/또는 예측 모델링 회로(9524)에 의해 생성되는 예측에 기초하여 자동으로 식별되고 액션 행렬에 추가될 수 있다. 추가적으로 또는 대안적으로, 특정 액션, 엔티티 등은 거버넌스 데이터에 기초하여 액션 행렬로부터(예를 들어, 거버넌스 라이브러리(9552)로부터) 자동으로 유지되거나 제거될 수 있다. 액션은, 인간, 컴퓨팅 디바이스, 시스템, 모듈 등에 의해 수행될 명령어와 같은, 디지털 및/또는 실세계 엔티티에 어드레싱된 명령어를 포함할 수 있다.
실시예에서, 결정 분석 회로(9534)는 하나 이상의 추천된 액션을 결정하기 위해 액션 행렬의 액션의 일부 또는 전부를 분석할 수 있다. 결정 분석 회로(9534)는 (예를 들어, 예측 모듈(9520), 지능 모듈(9558), 및/또는 액션의 효과를 예측하기 위한 일부 다른 리소스를 사용하는 것을 수반할 수 있는) 특정 액션의 효과를 시뮬레이션하기 위해 디지털 트윈 라이브러리(9554) 내의 디지털 트윈(들)을 활용할 수 있다. 추가적으로 또는 대안적으로, 결정 분석 회로(9534)는 거버넌스 라이브러리(9552)에 저장된 하나 이상의 거버넌스 요건을 사용하여 특정 액션이 (예를 들어, 그것이 안전하지 않거나 불법이기 때문에) 거버넌스 요건을 위반하고/하거나 특정 액션이 거버넌스 요건을 준수하도록 요구된다고 결정할 수 있다. 제1 예로서, (예를 들어, 분류 모듈(9510)에 의해 결정된 바와 같이) 하나 이상의 이미지에 나타나는 특정 타입의 객체를 검출하고 (예를 들어, 예측 모듈(9520)에 의해 결정된 바와 같이) 객체가 타겟 변수를 감소시킬 수 있다고 예측하는 것에 기초하여, 결정 분석 회로(9534)는 (예를 들어, 객체를 이동시키거나 다른 방식으로 객체와 상호작용함으로써) 타겟 변수를 증가시키기 위해 객체와 상호작용하는 것을 추천할 수 있다. 다른 예로서, (예를 들어, 분류 모듈(9510)에 의해 결정된 바와 같이) 트랜잭션 데이터로부터 특정 타입의 트랜잭션을 검출하고 (예를 들어, 예측 모듈(9520)에 의해 결정된 바와 같이) 트랜잭션이 특정 부정적인 결과를 초래할 수 있다고 예측하는 것에 기초하여, 결정 분석 회로(9534)는 미래의 유사한 트랜잭션을 방지하는 것을 추천할 수 있다. 제3 예로서, (예를 들어, 분류 모듈(9510)에 의해 결정된 바와 같이) 생체인식 또는 진단 데이터로부터 특정 타입의 조건을 검출하고 (예를 들어, 예측 모듈(9520)에 의해 결정된 바와 같이) 특정 병리학 또는 다른 조건이 존재한다고 예측하는 것에 기초하여, 결정 분석 회로(9534)는 특정 개입을 추천할 수 있다. 제4 예로서, (예를 들어, 분류 모듈(9510)에 의해 결정된 바와 같이) 특정 타입의 개별 및/또는 그룹 거동을 검출하고 (예를 들어, 예측 모듈(9520)에 의해 결정된 바와 같이) 조건이 비정상적이거나 안전하지 않게 되고 있다는 것을 예측하는 것에 기초하여, 결정 분석 회로(9534)는 특정 위치, 시스템을 셧다운하거나, 다른 시정 액션을 취하는 것을 추천할 수 있다.
실시예에서, 추천된 액션 및 보고 회로(9536)는 하나 이상의 추천된 액션을 수행하고/하거나 다른 모듈(들), 디바이스(들), 시스템(들) 등으로 하여금 추천된 액션을 수행하게 할 수 있는 (예를 들어, 출력(9594)을 통한) 출력 메시지의 송신을 야기할 수 있다. 추가적으로 또는 대안적으로, 추천된 액션 및 보고 회로(9536)는 분류, 예측, 추천, 및/또는 칩(9500)에 의해 수신되거나 생성된 다른 데이터 중 임의의 것을 포함할 수 있는 보고를 생성할 수 있다. 추천된 액션 및 보고 회로(9536)는 보고를 출력(9594)으로서 다른 모듈, 디바이스, 시스템 등에 송신할 수 있다.
실시예에서, 피드백 회로(9538)는 분류 및/또는 예측이 정확했는지, 추천된 액션이 원하는/예측된 영향을 가졌는지 등을 결정하기 위해 분류, 예측, 및/또는 추천된 액션과 연관된 결과를 모니터링할 수 있다. 따라서, 피드백 회로(9538)는 디지털 트윈 라이브러리(9554) 내의 하나 이상의 디지털 트윈(들)을 활용하여 하나 이상의 디바이스, 시스템, 환경 등을 모니터링할 수 있다. 이러한 실시예에서, 디지털 트윈(들)은 피드백 회로(9538)에 의한 모니터링을 위해 디지털 트윈을 업데이트된 채로 유지하는 (예를 들어, 본 출원의 다른 곳에서 설명되는 바와 같은) 다른 컴포넌트에 의해 연속적으로 업데이트될 수 있다. 모니터링된 결과에 기초하여, 피드백 회로(9538)는 분류 모듈(9510), 예측 모듈(9520), 및/또는 추천 모듈(9530)에 의해 사용되는 임의의 모델을 조정(예를 들어, 재훈련)할 수 있다.
따라서, 분류, 예측, 및 추천 칩(9500)은 본 출원에 설명된 분류, 예측, 및 추천 태스크 중 임의의 것을 포함하는 매우 다양한 분류, 예측, 및 추천 태스크를 수행할 수 있지만, 몇몇 예는 분류, 예측, 및 추천 칩(9500)의 유연성 및 기능성을 설명하는 데 유용할 수 있다. 제1 예에 따르면, 칩(9500)은 위성 이미지를 자동으로 분석 및 분류하고(예를 들어, 특정 초목 타입, 밀도 및 위치, 동물 개체군 및 이동 등을 인식하고), 이미지 내의 분류된 객체에 기초하여 예측(예를 들어, 작물 평가, 화재 위험 평가, 물 할당 및 가격 등)을 제공하고, 분류 및 예측에 기초하여 추천(예를 들어, 작물 생산 조정, 브러시 클리어링, 보험 준비금의 증가, 물 할당의 감소 등)을 제공하도록 구성될 수 있다. 이 제1 예에 따르면, 기업 리소스 계획 시스템 입력(예를 들어, 재고, 가격, 회계, 판매, 직원 정보), 고객 관계 관리 시스템 입력(예를 들어, 고객 데이터, 지불 방법 등), 보안 시스템 입력(예를 들어, 데이터 액세스 및 관리, 감시 비디오, 인증 데이터), 범죄 통계, 경찰 보고, 생활 비용 보고 등을 포함하는 입력을 포함하는 매우 다양한 입력(9592)이 사용될 수 있다. 추가적으로, 이 예에서의 시스템 사양(9556)은 다양한 액션이 저장 시간, 제공되는 제품, 또는 서비스를 증가/감소/유지하는 것, 보안 레벨을 조정하는 것 등을 포함할 수 있다는 것을 나타낼 수 있다. 더욱이, 시스템 사양(9556)은 조정될 수 있는 상점, 제품 또는 서비스의 리스트를 포함할 수 있어서, 액션, 상점, 및 조정을 표시하는 3차원 액션 행렬이 개발될 수 있다. 제2 예에 따르면, 칩(9500)은 (예를 들어, 사기 또는 도난, 구매의 타입, 계약, 고객, 제품 등을 인식하기 위해) 재무 트랜잭션들을 자동으로 분석하고 분류하고, 트랜잭션 데이터(예를 들어, 수요 응답, 사기 추정 및 응답, 자산 할당 등)에 기초하여 예측을 제공하고, 분류 및 예측(예를 들어, 생산 증가, 재고 재할당, 보안 및 시행에 대한 투자, 이익 예상 조정, 자산 재배치 등)에 기초하여 추천을 제공하도록 구성될 수 있다. 제3 예에 따르면, 칩(9500)은 생체인식을 자동으로 분석 및 분류하고(예를 들어, 얼굴, 음성, 제스처를 인식하고, 그룹을 식별하고, 감정을 평가하는 등), 생체인식 데이터(예를 들어, 개인 또는 그룹 거동, 보안, 인지 평가 등)에 기초하여 예측을 제공하고, 분류 및 예측(예를 들어, 건강 또는 심리적 스크리닝, 보안 인증/평가 등)에 기초하여 추천을 제공하도록 구성될 수 있다. 제4 예에 따르면, 칩(9500)은 모션 포착 데이터를 자동으로 분석 및 분류하고(예를 들어, 거동을 정상 또는 비정상, 안전 또는 안전하지 않은 것 등으로 분류하고), 모션 포착 데이터에 기초하여 예측(예를 들어, 개별 반응에 기초한 그룹 거동 등)을 제공하고, 분류 및 예측(예를 들어, 개입, 그룹 흐름 패턴의 재라우팅 등)에 기초하여 추천을 제공하도록 구성될 수 있다. 제5 예에 따르면, 칩(9500)은 병리학 데이터를 자동으로 분석 및 분류하고(예를 들어, 질병, 인구 건강, 질병 유병률 및 확산 등을 검출하고), 병리학 데이터 및 분류(예를 들어, 질병 확산, 인구 변화, 건강 관리 비용 등)에 기초하여 예측을 제공하고, 분류 및 예측(예를 들어, 격리, 의료 리소스의 할당, 보험료의 조정 등)에 기초하여 추천을 제공하도록 구성될 수 있다.
적층 제조(Additive Manufacturing)
도 114 내지 도 121은 적층 제조 플랫폼의 다양한 실시예를 설명한다. 실시예에서, 적층 제조 플랫폼은 독립형 시스템일 수 있거나 더 큰 시스템에 통합될 수 있으며, 이러한 경우에, 적층 제조 플랫폼은 밸류 체인 엔티티이다. 실시예에서, "적층 제조(additive manufacturing)"는, 예컨대 일련의 2차원 단면 증착 맵에 따라, 재료의 다수의 얇은 층을 증착함으로써 3D 디지털 모델(CAD 설계)이 3차원 객체로 전환되는 것을 허용하는 부품의 신속한 프로토타이핑 및/또는 제조를 위한 다목적 제조 기술의 집합체를 지칭한다.
따라서, 본 출원에서 사용되는 "적층 제조 플랫폼"이라는 용어는 적층 제조 기술을 적어도 부분적으로 사용하여 3D 부품 및/또는 제품을 프린팅, 구축, 또는 다른 방식으로 생산하는 플랫폼을 포함한다. 적층 제조 플랫폼은 3D 프린팅, 기상 증착, 폴리머(또는 다른 재료) 코팅, 에피택셜 및/또는 결정질 성장 접근법, 및 다른 기술과 같은 기술을 단독으로 또는 다른 기술, 예컨대, 절삭 또는 조립 기술과 조합하여 포함할 수 있어, 제품의 연속적인 층을 형성하는 프로세스를 통해 설계로부터 3차원 제품을 제조하는 것을 가능하게 하고, 선택적인 중간 또는 후속 단계와 함께 완성된 컴포넌트 또는 시스템에 도달한다. 설계는 컴퓨터 지원 설계 패키지로 또는 3D 스캐너를 통해 생성된 전자 3D 모델과 같은 데이터 소스의 형태일 수 있다. 이어서, 3D 프린팅 또는 다른 적층 제조 프로세스는 제1 재료 층을 형성하는 것 그리고 이어서 연속적인 재료 층을 추가하는 것을 수반하고, 각각의 새로운 재료 층은, 전체 설계된 3차원 제품이 완성될 때까지, 이전에 형성된 재료 층 상에 추가된다. 적층 제조 플랫폼은 독립형 유닛, 더 큰 시스템 또는 생산 라인의 서브-유닛일 수 있고/있거나, 다른 비적층 제조 특징, 예컨대, 절삭 제조 특징, 픽-앤-플레이스 특징(pick-and-place feature), 코팅 특징, 마감 특징(예컨대, 식각, 리소그래피, 페인팅, 연마 등), 2차원 프린팅 특징 등을 포함할 수 있다. 또한, 플랫폼은 신속 프로토타이핑, 3차원 프린팅, 2차원 프린팅, 자유형 제조, 솔리드 자유형 제조, 및 스테레-오리소그래피를 위해 구성된 3차원 적층 제조 기계; 컴퓨터 수치 제어 제조 기계를 포함하는 절삭 제조 기계; 사출 성형 기계 등을 포함할 수 있다.
도 114는 본 개시의 일부 실시예에 따른 자율 적층 제조 플랫폼(10110)의 예시적인 환경을 예시하는 개략도이다. 플랫폼은 제조 노드(10100) 내에서 동작하며, 제조 노드는 차례로 밸류 체인 엔티티의 더 큰 네트워크의 일부이다. 제조 노드(10100)는 금속 재료, 생체적합성 재료, 생체활성 재료, 생물학적 재료, 또는 다른 더 종래의 적층 제조 재료, 또는 본 출원에 참조로 포함된 문서에서, 또는 본 기술분야에서 이해되는 바와 같이, 본 출원에 설명된 다른 적층 제조 타입으로 프린팅하기 위한 3D 프린터와 같은 적층 제조 유닛(10102)을 포함한다. 제조 노드(10100)는, 다른 요소 중에서도, 전처리 시스템(10104), 후처리 시스템(10106) 및 재료 취급 시스템(10108)을 포함할 수 있다. 자율 적층 제조 플랫폼(10110)은, 특히, 초기 설계로부터 프린팅 및 공급 체인 물류를 통해 판매 지점, 서비스 및 결과적인 출력의 활용에 이르기까지, 모든 동작 스테이지에서 더 나은 결과로 이어지는 디지털 생산 작업흐름을 자동화하고 최적화하는 것을 돕는다. 실시예에서, 사용자 인터페이스(10112)는 데이터 소스(10114)로부터의 입력 데이터 뿐만 아니라 설계 및 시뮬레이션 시스템(10116)으로부터의 설계 및 모델링 데이터를 수신한다. 자율 적층 제조 플랫폼(10110)의 데이터 처리 및 지능 컴포넌트(10118)는, 입력 데이터를 처리하고 프린팅 또는 다른 적층 제조를 위한 최적의 프로세스 파라미터 세트를 계산하기 위해, 예컨대, 기계 학습 또는 다른 알고리즘, 신경망, 전문가 시스템, 모델 등을 수반하는 인공 지능 시스템을 실행한다. 자율 적층 제조 플랫폼(10110)의 프로세스 제어 컴포넌트(10120)는 이어서 하나 이상의 프로세스 파라미터를 실시간으로 조정하고, 적층 제조 유닛(10102)은 이러한 프로세스 파라미터를 사용하여 적층 제조 프로세스를 완료한다. 실시예에서, 절삭 시스템, 조립 시스템, 추가적인 처리 시스템 등과 같은 제조 노드(10110)에서의 마감 시스템(10121)은 적층 스테이지와의 선택적으로 반복적인 시퀀스로 추가 처리를 수행하여, 완성된 아이템(예를 들어, 부품, 컴포넌트, 또는 완제품)을 생성할 수 있다. 실시예에서, 결과적인 제품은 다음으로 패키징 시스템(10122)에서 선택적으로 패키징되고, 최종 고객까지 바로 하나 이상의 밸류 체인 네트워크(VCN) 엔티티(10126) 및 배송 시스템(10124)을 사용하여 배송될 수 있다. 다른 실시예에서, 적층 제조 플랫폼(10110) 및/또는 적층 제조 유닛(10102)의 세트는 핸드헬드 유닛, 로봇 또는 다른 자율 이동성이 구비된 유닛, 및/또는 범용 차량 및 특수 목적 차량을 포함하는 차량 내에 또는 그 상에 위치된 유닛과 같은 휴대용 또는 다른 방식의 모바일 유닛을 포함할 수 있다. 그러한 경우에서, 설계로부터 전달까지의 액션은 유닛(10102)의 이동성과 병렬로 그리고 적층 제조 플랫폼(10110)에 의해 다른 밸류 체인 네트워크 엔티티(10126)의 위치 및 이동성과 협력하여 발생할 수 있다. 많은 가능한 예 중 하나에서, 자율적 모바일 3D 프린팅 유닛의 세트는 가정 또는 비즈니스 위치의 세트와 같은 서비스 작업의 포인트에 조정될 수 있으며, 여기서 이들은 수리 또는 대체와 같은 서비스 작업을 지원하기 위해 툴, 부품, 또는 다른 아이템을 프린팅하도록 구성될 수 있다. 실시예에서, 설계 생성, 설계 검토, 전처리, 및 프린팅 단계를 포함하는 적층 제조는 유닛(10102)이 서비스 포인트로 이동 중인 동안 시작될 수 있다. 다른 예에서, 모바일 자율 적층 제조 유닛(10102)(자율, 반자율 또는 운영자와 함께) 및 패키징 유닛은, 예컨대 이동 중에 맞춤화 요소(예를 들어, 선택된 컬러의 최종 코팅, 고객-특정 설계 요소 등)를 추가하고 선택적으로 이동 중에 최종 패키징을 완료함으로써, 이동 중에 제조의 최종 단계를 완료할 수 있다. 실시예에서, 적층 제조 플랫폼(10110)의 하나 이상의 컴포넌트는, 본 출원의 다른 곳 및 본 출원에 참조로 포함되는 문서에 설명된 바와 같이, 스마트 컨테이너 또는 스마트 패키지에 배치되거나 그와 통합될 수 있다. 실시예에서, 적층 제조 유닛(10102)의 세트는 모바일 및/또는 자율 로봇 시스템과 같은 로봇 시스템의 세트 내에 또는 그와 함께 통합될 수 있다. 예를 들어, 적층 제조 유닛(10102)은 인간 또는 다른 동물 종 능력을 시뮬레이션하는 것과 같은 다목적/범용 로봇 시스템과 같은 로봇 시스템의 하우징 또는 본체 내에 포함될 수 있다. 대안적으로 또는 추가적으로, 적층 제조 유닛(10102)은 로봇 아암 또는 다른 조립체의 동작 단부 상에 배치된 노즐로부터 적층 성층을 전달하도록 구성될 수 있다. 실시예에서, 다수의 적층 제조 유닛(10102), 또는 다수의 노즐, 프린트헤드 또는 다른 작업 요소는 단일 모바일, 자율, 및/또는 다목적 로봇 시스템과 통합될 수 있으며, 예컨대, 여기서, 하나의 적층 제조 유닛(10102)은 로봇 시스템의 본체 내에(예컨대, 진공 챔버, 가압 챔버, 가열 챔버 등과 같은 챔버 내에) 수용되고 층을 프린팅하며, 다른 적층 제조 유닛(10102)은, 예컨대, 로봇의 아암 또는 유사한 요소 상에 배치되는 노즐, 프린트헤드 등에 의해, 기계, 제품 등의 타겟 위치와 같은 외부 사이트 상에 층을 프린팅하거나 다른 방식으로 동작한다. 실시예에서, 다수의 프린팅/성층 요소는 열가소성 재료와 같은 공통 재료 소스가 서빙된다. 실시예에서, 내부 및 외부 프린팅/성층 요소에 대해 다수의 재료 소스가 이용가능하다. 실시예에서, 내부 프린팅 요소는 프린팅 환경에 대한 제어를 필요로 하는 재료를 사용하여 챔버 내에서 동작하거나, 금속 제조 부품과 같은 장기 사용을 위해 의도된 부품과 같은 고가의 생산 요소에 대해 동작한다. 실시예에서, 외부 작업 유닛은 재료를 사용하거나 다른 재료를 필요로 하는 태스크를 수행하고 그리고/또는 특히 수리 또는 대체 작업과 같은 작업을 지원하기 위해 일회용 툴, 그립, 지지부, 체결구 등의 생산과 같은 다른 목적을 갖는다. 실시예에서, 외부 프린팅/성층 유닛은, 예컨대 외부 장소, 작업편 등에서 작업을 수행하기 위해 일련의 프린팅/성층 단계 및 일련의 아크 용접 단계의 세트를 직렬 또는 병렬로 제공하기 위해 로봇 아크 용접 유닛과 조합된다. 실시예에서, 노즐, 프린트헤드 등이 프린팅할 영역, 층 등을 격리시키는 임시 챔버, 풍선, 텐트, 또는 다른 용적과 같은 외부 작업 유닛을 캡슐화 및/또는 차폐하기 위해, 선택적으로 또한 적층 제조 요소와 동일한 차폐된/격리된 공간 내에서 프린팅/성층하기 위한 작업편 또는 타겟 위치를 캡슐화 또는 차폐하기 위해 조립체가 제공될 수 있다. 실시예에서, 캡슐화된/차폐된 영역은 가압, 감압, 진공 생성, 증착을 위한 재료의 도입 등을 허용하도록 밀봉될 수 있다. 실시예에서, 캡슐화/차폐는 적층 제조된 요소, 또는 다른 요소와의 이들의 조합을 사용할 수 있다. 실시예에서, AI 시스템(10212)은 로봇 작업의 세트 및 적층 제조 작업의 세트의 설계, 구성, 스케줄링, 조정 및/또는 실행 중 하나 이상을 자동화할 수 있어서, 포함된 모바일 로봇 및 적층 제조 유닛의 능력이 적시에 다양한 작업에 걸쳐 조정되고(예를 들어, 내부 3D 프린터 또는 다른 적층 제조 유닛(10102)이 로봇 유닛이 현재 작업을 수행하는 동안 나중의 작업을 위해 툴, 작업편, 부품 등을 프린팅하는 경우) 및/또는 작업이 로봇 유닛, 적층 제조 유닛, 및 이들의 통합된 조합의 플릿 또는 노동력에 걸쳐 조정된다(예컨대, 유닛이 위치, 로봇 능력, 적층 제조 능력, 및 다른 인자에 따라 작업에 매칭되는 경우).
실시예에서, 재료 취급 시스템(10108)은 제조 및 유통 프로세스를 통해 재료의 저장, 이동, 제어 및 취급을 제공한다. 예를 들어, 재료 취급 시스템(10108)은 제조 공간 내의 금속 재료, 생체적합성 재료, 생체활성 재료, 생물학적 재료, 또는 다른 더 통상적인 적층 제조 재료를 공급, 배향, 로딩/언로딩, 또는 달리 조작할 수 있다. 실시예에서, 재료 취급 시스템(10108)은 반자동 또는 완전 자동화될 수 있고, 재료 취급을 위한 하나 이상의 로봇 유닛을 포함할 수 있다.
실시예에서, 재료 취급 시스템(10108)은, 선택적으로 동일한 하우징, 유닛 또는 시스템 내에, 재료를 포착하고(예컨대, 작업으로부터 미사용 재료를 재포착하고 그리고/또는 작업 현장으로부터, 예컨대, 사용된, 파손된, 또는 결함이 있는 아이템으로부터 이용 가능한 재료를 포착함) 예컨대 다음의 단계에 의해 소스 재료로서 사용하기에 적합한 재료를 렌더링하기 위한 재료 포착 및 처리 시스템(10127)을 포함하거나 그와 통합될 수 있다: (a) 아이템을 자동으로 분석하여 소스 재료로서 사용하기 위한 그 호환성을 결정하는 단계(예를 들어, 예컨대, 기계 비전, 화학적 테스트, 이미지 기반 테스트, 아이템의 중량측정 등에 의해, 주어진 타입의 금속, 합금, 폴리머 또는 플라스틱으로서 식별함으로써); (b) 예컨대, 부적합 재료를 제거하기 위해, 아이템 또는 재료를 세정, 필터링, 분해 또는 다른 방식으로 전처리하는 단계; (c) 예컨대 재료-특정 가열 프로파일에 따라, 예컨대 제어된 가열에 의해 고체 아이템 또는 재료를 열가소성 상태로 렌더링하는 단계; (d) 재료를 필터링하거나 또는 달리 처리하여, 예컨대 결함을 제거하는 단계; (e) 작업에 대한 필요성이 발생할 때까지 재료를 와이어, 분말, 메시, 로드, 필라멘트 등으로 냉각 및/또는 다른 방식으로 처리하는 것을 비롯하여, 예컨대, 작업을 관리하기 위한 더 넓은 시스템에 대한 용량 및 가용성의 적절한 보고와 함께, 나중의 사용을 위해 적절한 용기 또는 폼 팩터로 아이템을 저장하는 단계; (f) 적층 제조 동작을 위해서 아이템을 전달하는 단계; 및/또는 (g) 재료 비용 절감, 재활용 비용 절감, 및/또는 시간 절감을 포함한, 재포획 및 절감 조치에 대해 보고하는 단계. 예를 들어, 실시예에서, 파손된 부분은 현장에서 용융되고 재프린팅될 수 있다. 예를 들어, 실시예에서, 그렇지 않으면 폐기되거나 재활용될 재료는 역물류를 필요로 하지 않고, 현장에서 유용하게 될 수 있다. 실시예에서, 재포착된 재료를 열가소성 상태가 되게 하기 위해서 그리고 적층 제조 동작을 위한 재료를 준비하기 위해서, 상이한 온도에서의 대안적인 가열 지점과 함께, 공통 열원이 이용된다.
밸류 체인 엔티티(10126)는 본 개시 전반에 걸쳐 또는 본 출원에 참조로 포함된 문서에서 언급된 매우 다양한 자산, 시스템, 디바이스, 기계, 컴포넌트, 장비, 시설, 개인 또는 다른 엔티티 중 임의의 것을 비롯한 생산, 공급, 수요, 유통 또는 공급 체인 환경에 수반되는 다양한 엔티티, 예컨대, 제한 없이: 기계 및 그 컴포넌트(예를 들어, 배달 차량, 지게차, 컨베이어들, 로딩 기계, 크레인, 리프트, 운반기, 트럭, 로딩 기계, 언로딩 기계, 패킹 기계, 픽킹 기계, 및 로봇 시스템, 예를 들어, 물리적 로봇, 협동 로봇(예를 들어, "코봇들"), 드론, 자율 차량, 소프트웨어 봇 등을 포함하는 많은 다른 것); 작업자(예컨대 설계자, 엔지니어, 프로세스 감독자, 공급 체인 관리자, 플로어 관리자, 수요 관리자, 전달 작업자, 배송 작업자, 바지선 작업자, 항구 작업자, 도크 작업자, 기차 작업자, 선박 작업자, 유통 또는 주문 처리 센터 작업자, 웨어하우스 작업자, 차량 운전자, 비즈니스 관리자, 마케팅 관리자, 재고 관리자, 화물 취급 작업자, 검사자, 전달 인력, 환경 제어 관리자, 재무 자산 관리자, 보안 인력, 안전 인력 등); 공급자(예컨대 모든 타입의 상품 및 관련 서비스의 공급자, 컴포넌트 공급자, 성분 공급자, 재료 공급자, 제조자 등); 고객(소비자, 라이센시, 사업자, 기업, 부가 가치 및 다른 재판매업자, 소매업자, 최종 사용자, 유통업자, 및 상품 및/또는 관련 서비스의 카테고리를 구매, 라이센싱, 또는 다른 방식으로 사용할 수 있는 다른 자를 포함함); 소매업자(예컨대, 전자상거래 사이트 형태의 온라인 소매업자 등, 종래의 오프라인 소매업자, 팝업 상점 등을 포함함); 밸류 체인 프로세스(예컨대, 배송 프로세스, 운반 프로세스, 해양 프로세스, 검사 프로세스, 운반 프로세스, 로딩/언로딩 프로세스, 패킹/언패킹 프로세스, 구성 프로세스, 조립 프로세스, 설치 프로세스, 품질 제어 프로세스, 환경 제어 프로세스(예를 들어, 온도 제어, 습도 제어, 압력 제어, 진동 제어 등), 경계 제어 프로세스, 항구 관련 프로세스, 소프트웨어 프로세스(애플리케이션, 프로그램, 서비스 등을 포함함), 패킹 및 로딩 프로세스, 재무 프로세스(예를 들어, 보험 프로세스, 보고 프로세스, 트랜잭션 프로세스 등), 테스트 및 진단 프로세스, 보안 프로세스, 안전 프로세스, 보고 프로세스, 자산 추적 프로세스 등); 웨어러블 및 휴대용 디바이스(예컨대, 모바일 전화, 태블릿, 밸류 체인 애플리케이션 및 프로세스를 위한 전용 휴대용 디바이스, 데이터 수집기(모바일 데이터 수집기를 포함함), 센서 기반 디바이스, 시계, 안경, 청각기기, 머리 착용 디바이스, 의류 통합 디바이스, 아암 밴드, 팔찌, 목 착용 디바이스, AR/VR 디바이스, 헤드폰 등); 광범위한 운영 시설(예컨대, 로딩 및 언로딩 도크, 저장 및 웨어하우징 시설, 볼트, 유통 시설 및 주문 처리 센터, 항공 여행 시설(항공기, 공항, 격납고, 활주로, 재급유 데포 등을 포함함), 해양 시설(예컨대, 항구 기반구조 시설(예컨대, 도크, 야드, 크레인, 롤-온/롤-오프 시설, 램프, 컨테이너, 컨테이너 취급 시스템, 수로, 잠금 장치 등), 쉽야드 시설, 플로팅 자산(예컨대, 선박, 바지선, 보트 등), 원산지 지점 및/또는 목적지 지점에서의 시설 및 다른 아이템, 운반 시설(예컨대, 컨테이너 선박, 바지선 및 다른 플로팅 자산, 뿐만 아니라 상품을 운반하는 데 사용되는 육상 기반 차량 및 다른 배달 시스템, 예컨대 트럭, 기차 등); 수요를 고려하는 아이템 또는 요소(즉, 수요 인자)(시장 인자, 이벤트 등을 포함함); 공급에서 고려하는 아이템 또는 요소(즉, 공급 인자)(시장 인자, 날씨, 컴포넌트 및 재료의 가용성 등을 포함함); 물류 인자(예컨대, 여행 경로의 가용성, 날씨, 연료 가격, 규제 인자, (차량 상의, 컨테이너 내의, 패키지 내의, 웨어하우스 내의, 주문 처리 센터 내의, 매대 상의 등과 같은) 공간의 가용성 등); 운송을 위한 경로(예컨대, 수로, 도로, 항공 이동 경로, 철도 등); 로봇 시스템(모바일 로봇, 코봇, 인간 작업자를 보조하기 위한 로봇 시스템, 로봇 배달 시스템 등을 포함함);
드론(패키지 전달, 사이트 매핑, 모니터링 또는 검사 등을 위한 것을 포함함); 자율 차량(예컨대, 패키지 전달을 위한 것); 소프트웨어 플랫폼(예컨대, 기업 리소스 계획 플랫폼, 고객 관계 관리 플랫폼, 판매 및 마케팅 플랫폼, 자산 관리 플랫폼, 사물 인터넷 플랫폼, 공급 체인 관리 플랫폼, 서비스 플랫폼로서의 플랫폼, 서비스 플랫폼로서의 기반구조, 소프트웨어 기반 데이터 저장 플랫폼, 분석 플랫폼, 인공 지능 플랫폼 등); 등.
제조 노드(10100)는 또한 분산 제조 네트워크(10130)를 구성하기 위해 연결 시설을 통해 제조 노드(10128)와 같은 다른 노드에 연결할 수 있다. 또한, 적층 제조 유닛(10102), 전처리 시스템(10104), 후처리 시스템(10106), 재료 취급 시스템(10108), 자율 적층 제조 플랫폼(10110), 사용자 인터페이스(10112), 데이터 소스(10114) 및 설계 및 시뮬레이션 시스템(10116) 뿐만 아니라 프린팅되는 상이한 부분 및 제품을 포함하는 제조 노드(10100) 내의 상이한 시스템이 분산 제조 네트워크 엔티티라 지칭될 수 있다.
실시예에서, 연결 시설은 네트워크 연결(고정 및 무선 연결을 위한 다양한 구성, 타입 및 프로토콜을 포함함), 사물 인터넷 디바이스, 에지 디바이스, 라우터, 스위치, 액세스 포인트, 중계기, 메시 네트워킹 시스템, 인터페이스, 포트, 애플리케이션 프로그래밍 인터페이스(API), 브로커, 서비스, 커넥터, 유선 또는 무선 통신 링크, 인간-액세스가능 인터페이스, 소프트웨어 인터페이스, 마이크로-서비스, SaaS 인터페이스, PaaS 인터페이스, IaaS 인터페이스, 클라우드 능력 등을 포함하는, 본 개시 및 본 출원에 참조로 포함되는 문서 전반에 걸쳐 설명되는 다양한 연결 시설을 포함하며, 이에 의해 데이터 또는 정보가 자율 적층 제조 플랫폼(10110)의 시스템 또는 서브시스템 사이에서 뿐만 아니라, 또한 분산 제조 네트워크 엔티티와 같은 다른 시스템 또는 클라우드 기반 또는 구내 기업 시스템(예를 들어, 회계 시스템, 리소스 관리 시스템, CRM 시스템, 공급 체인 관리 시스템 등)과 같은 외부 시스템과 교환될 수 있다. 실시예에서, 연결 시설은, 연결성의 자기-조직화 또는 자기-구성, 데이터 저장, 계산, 데이터 처리, 패킷 라우팅, 데이터 필터링, 서비스 품질, 에러 정정, 패킷 보안, 세션 관리 등을 가능하게 하는 것과 같이, 본 출원에 설명된 및/또는 본 출원에 참조로 포함된 문서에 설명된 바와 같은 인공 지능 또는 자율 능력을 사용하거나, 포함하거나, 또는 이들과 통합된다. 실시예에서, 적층 제조 유닛(10102)은, 이러한 적층 제조 유닛(10102)의 세트가 (물리적 및/또는 가상 네트워크 리소스를 포함하는) 정의된 네트워크 기반구조 상에서 조정된 메시로서 동작할 수 있도록, 선택적으로 소프트웨어 정의 대역통과 필터링을 사용하여, RF 중계기와 같은 무선 메시 네트워크 노드를 포함할 수 있다. 실시예에서, 적층 제조 유닛(10102)은 적층 제조 유닛(10102)과 다른 적층 제조 유닛(10102) 사이의 데이터 경로의 활용을 제어하기 위한 그리고/또는 적층 제조 유닛(10102)과 다양한 에지, 클라우드, 구내, 전기통신 네트워크 및 다른 정보 기술 시스템 사이의 데이터 경로의 활용을 제어하기 위한 네트워크 코딩 시스템을 포함할 수 있다.
적층 제조 유닛(10102)은 임의의 적합한 타입의 3D 프린팅 프로세스를 실행하는 임의의 적합한 타입의 프린터, 또는 다른 적층 제조 프로세스를 실행하는 임의의 다른 타입의 유닛일 수 있다. 다양한 상이한 타입의 적층 제조 유닛(10102) 및 3D 프린팅 프로세스가 예시의 목적을 위해 아래에 논의된다. 그러나, 본 개시는 아래에 설명되는 3D 프린팅 프로세스로 제한되지 않는다.
실시예에서, 적층 제조 유닛(10102)은 FDM(Fused Deposition Modeling)™ 프로세스(예를 들어, Fused Filament Fabrication™이라고도 알려짐)를 실행하도록 구성될 수 있다. FDM의 프로세스는 STL(stereolithography) 파일과 같은 입력 파일을 처리할 수 있는 소프트웨어 프로세스를 수반할 수 있다. 객체는 예를 들어 열가소성 재료의 작은 비드를 압출하여 재료가 노즐로부터의 압출 직후에 경화됨에 따라 층을 형성함으로써 생성될 수 있다. 압출은 재료, 예컨대 폴리머, 금속 (합금 포함) 등을 유체 형태로 튜브를 통해 이동 노즐 내로 추진하고, 이동 노즐이 재료를 타겟 위치로 압출하고, 여기서 재료가 후속적으로 제자리에서 경화되는 3D 프린팅 기술이다. 압출기를 연속적으로 정확하게 이동시키거나 매우 빠른 속도로 시작 및 정지시킴으로써, 설계가 층별로 구축된다. 소스 재료는 전형적으로 고체 형태로, 예컨대 필라멘트 또는 와이어로 공급되고 저장되며, 이는 코일에 권취된 다음, 재료를 열가소성 상태가 되게 하기 위해 가열 요소 및 "오프" 상태와 최대 유동 상태 사이에서 재료의 유동을 제어할 수 있는 압출 노즐에 재료를 공급하도록 권출된다. 웜-드라이브, 또는 임의의 다른 적합한 구동 시스템이 필라멘트를 제어된 속도로 노즐 내로 추진하도록 제공될 수 있다. 노즐은 재료를 용융시키도록 가열된다. 열가소성 재료는 그 상태 전이 온도(고체로부터 유체로)를 지나 가열된 다음 압출 헤드에 의해 증착된다. 노즐은 예컨대 수치적으로 제어되는 메커니즘에 의해 수평 및 수직 방향 모두로 이동될 수 있다. 실시예에서, 노즐은 컴퓨터 지원 제조(CAM) 소프트웨어 패키지에 의해 제어되는 툴 경로를 따를 수 있고, 객체는 예컨대 상향식으로 층별로 제조된다.
실시예에서, 적층 제조 유닛(10102)은, 예컨대 (a) 예컨대, 고압 밸브 세트와 같은 밸브 세트에 의해서 촉진되는 것 같은 소스 재료 사이의 신속한 전환, 및/또는 (b) 예컨대, 아이템 상의 상이한 작업 지점에서의 동시적인 성층을 가능하게 하기 위해 다수의 노즐에 의한 동시적 압출을 가능하게 하는 것 같은 다수의 소스 재료 및 다수의 압출 노즐(그리고, 예컨대 이동 및 위치설정을 위한 그 지지 컴포넌트)을 포함할 수 있다. 실시예에서, 적층 제조 유닛(10102)은, 예를 들어 초당 50회 이상의 속도로 재료 사이의 고속 전환으로, 다중-재료, 다중-노즐 프린팅을 통한 복셀화된 연성 물질 프린팅 및/또는 금속 프린팅을 가능하게 한다.
실시예에서, 적층 제조 유닛(10102)은 전자 빔 자유형 제조(EBFFF) 프로세스를 실행하도록 구성될 수 있다. EBFFF 프로세스는 금속 부품을 생성하기 위해 전자 빔 용접 기술을 이용할 수 있다. 실시예에서, EBFFF 방법으로, 금속 프리폼은 컴퓨터 생성 3D 도면 또는 모델로부터 제조될 수 있다. 증착 경로 및 프로세스 파라미터는 가상 3D 모델의 후처리로부터 생성되고 실시간 컴퓨터 제어에 의해 실행될 수 있다. 증착은 진공 환경에서 일어난다. 와이어는 용융 풀을 향해 지향되고 포커싱된 전자 빔에 의해 용융될 수 있다. 제조될 객체의 상이한 부분은 기판으로 지칭되는 기본 재료의 표면을 가로질러 전자 빔 및 와이어 소스를 이동시킴으로써 층별로 구축된다. 침착물은 전자 빔이 통과한 직후에 응고된다.
실시예에서, 적층 제조 유닛(10102)은 직접 금속 레이저 소결 프로세스(DMLS)를 실행하도록 구성될 수 있다. DMLS 프로세스는 3D 모델에 의해 정의된 공간 내의 지점에서 금속과 같은 분말형 재료를 소결하기 위한 파워 소스로서 레이저를 수반할 수 있고, 따라서 재료를 함께 바인딩하여 고체 구조를 생성한다. DMLS 프로세스는 .stl 파일과 같은 파일이 생성되고 적층 제조 유닛(10102)의 소프트웨어에 전송되는 3D CAD 모델의 사용을 수반할 수 있다. DMLS 기반 3D 프린터는 고출력 광섬유 레이저를 사용할 수 있다. 금속 분말은 포커싱된 레이저 빔을 사용하여 국소적으로 용융시킴으로써 고체 부분으로 융합된다. 객체 부품은 성층식으로 층별로 구축된다.
실시예에서, 적층 제조 유닛(10102)은 선택적 레이저 용융(SLM) 프로세스를 실행하도록 구성될 수 있다. SLM 프로세스는 3D CAD 데이터를 디지털 정보 소스로서 사용하고 고출력 레이저 빔의 형태로 에너지를 사용하여 미세 금속 분말을 함께 융합함으로써 3D 금속 부품을 생성한다. 프로세스는 3D CAD 파일 데이터를 계층으로 슬라이싱하여 각각의 계층의 2D 이미지를 생성하는 것을 수반한다. 분무화된 미세 금속 분말의 박층은 수직(Z) 축으로 이동하는 인덱싱 테이블에 체결되는 기판 플레이트 상에 코팅 메커니즘을 사용하여 균일하게 분배된다. 이는 아르곤과 같은 불활성 가스의 엄격하게 제어된 분위기를 포함하는 챔버 내부에서 발생한다. 일단 각각의 층이 분배되면, X-축 및 Y-축에서 2개의 고주파 스캐닝 미러를 사용하여 포커싱된 레이저 빔을 지향시킴으로써, 분말 표면에 레이저 에너지를 선택적으로 인가함으로써 기하구조의 각각의 2D 슬라이스가 융합된다. 레이저 에너지는 입자의 완전한 용융을 허용하여 고체 금속을 형성한다. 이 프로세스는 부품이 완성될 때까지 층별로 반복된다. 실시예에서, SLM 프로세스는, 다수의 스캔 및/또는 레이저 용융 작업의 다수의 타겟 지점에 걸쳐 동시 액션을 가능하게 하는 것과 같은, 멀티-스캐너 및/또는 멀티-레이저 SLM 프로세스일 수 있다.
실시예에서, 적층 제조 유닛(10102)은 선택적 열 소결 프로세스를 실행하도록 구성될 수 있다. 프로세스는 분말 소스 재료의 층에 열을 인가하여 그것을 열가소성 상태가 되게 하는 열 프린트헤드를 수반할 수 있다. 층이 완성되면, 소스 재료의 분말 베드가 아래로 이동하고, 자동화 롤러가 재료의 새로운 층을 추가하며, 이는 소결되어 객체의 다음 단면을 형성한다. 분말 베드 프린팅은 최종 제품을 신속하게 생산하기 위해 하나 이상의 분말, 전형적으로 금속 분말이 레이저 또는 열과 같은 다양한 방법을 통해 연결되는 기술을 지칭할 수 있다. 전형적으로, 이는 분말로 채워진 영역을 갖고 나머지를 층별로 제거하면서 분말의 설계 영역만을 연결함으로써, 또는 분말을 동시에 연결하면서 분말을 층별로 추가함으로써 수행된다. 광 중합과 유사하게, 분말 베드 프린팅은 다른 타입의 3D 프린팅보다 상당히 더 빠르다. 실시예에서, 적층 제조 유닛(10102)은 다수의 분말 베드/롤러 서브시스템을 이용할 수 있고, 그에 의해, 상이한 작업 타겟 지점에 대한 동시 작업 및/또는 재료 사이의 전환을 허용하는 다중-재료 분말 베드 적용을 가능하게 한다.
실시예에서, 본 출원에 설명된 다양한 타입의 적층 제조 유닛(10102)은, 예컨대, 단일 재료의 이점을 능가하는 이점을 제공하기 위해 2개의 재료의 유리한 특성(예를 들어, 기계적 특성)을 조합하기 위해, 재료의 복합재를 포함하는 출력을 생성하기 위해 재료를 조합할 수 있다. 실시예에서, 적층 제조 유닛(10102)에서 또는 적층 제조 유닛에 의해 생성되는 복합 재료는 기능 경사 재료(FGM)를 포함할 수 있으며, 예컨대 여기서 2개의 재료는 재료 사이의 별개의 경계를 피하는 경사 인터페이스와 결합된다. 이는 상이한 재료 특성으로부터 발생하는 열 및/또는 기계적 응력을 더 큰 체적/공간에 걸쳐 분산시킬 수 있어, 이에 의해 비-경사 복합 재료에서 발생하는 균열 및 파괴와 같은 문제를 완화한다.
실시예에서, 적층 제조 유닛(10102)은 선택적 레이저 소결 프로세스를 실행하도록 구성될 수 있다. 선택적 레이저 소결 (SLS) 프로세스는 난연성 플라스틱 분말을 용융시키는데 수반되는 레이저를 포함하며, 이는 이어서 응고되어 프린팅 층을 형성한다. 실시예에서, 적층 제조 유닛(10102)은 플라스터 기반 3D 프린팅 프로세스를 실행하도록 구성될 수 있다. 실시예에서, 적층 제조 유닛(10102)은 라미네이트 객체 제조 프로세스를 실행하도록 구성될 수 있다. 이러한 프로세스에서, 접착제-코팅된 종이, 플라스틱, 또는 금속 라미네이트의 층이 연속적으로 함께 접착될 수 있고 나이프 또는 레이저 커터로 형상화되도록 절단될 수 있다. 객체가 적층 제조 유닛(10102)에 의해 제조된 후에, 프린팅 후에 기계가공 또는 드릴링에 의해 추가적인 수정이 수행될 수 있다. 실시예에서, 선택적 레이저 소결(SLS)은 다수의 레이저를 수반함으로써, 상이한 타겟 위치 및/또는 상이한 재료 타입에 대한 전환 및/또는 동시 작업을 허용한다.
실시예에서, 적층 제조 유닛(10102)은 SLA(stereo-lithography) 프로세스를 실행하도록 구성될 수 있다. 프로세스는 층을 한 번에 하나씩 축조하기 위해, 예컨대 액체 자외선 경화성 광중합체 재료의 통으로부터의 수지, 및 자외선 레이저를 이용할 수 있다. 각각의 층에 대해, 레이저 빔은 액체 수지의 표면 상의 부품 패턴의 단면을 추적한다. 자외선 레이저 광에의 노출은 수지 상에 트레이싱된 패턴을 경화 및 응고시키고 이를 아래 층에 결합시킨다. 실시예에서, SLA 프로세스는 다수의 UV 레이저를 수반할 수 있어서, 상이한 타겟 위치 및/또는 상이한 재료 타입에 대한 전환 및/또는 동시 작업을 허용한다.
실시예에서, 적층 제조 유닛(10102)은 디지털 광 처리(DLP) 방법을 실행하도록 구성될 수 있다. 디지털 광 처리는 프로젝터를 사용하여 객체의 단면의 이미지를 광중합체(광 반응성 플라스틱)의 통에 투영한다. 광은 그 이미지에서 특정된 영역만을 선택적으로 경화시킨다. 이어서, 경화되지 않은 광중합체가 프린트와 프로젝터 사이에 새롭게 생성된 공간을 채울 수 있는 여지를 남기도록 프린팅된 층이 재위치된다. 이 프로세스를 반복하면 한 번에 한 층씩 객체를 축조한다. 실시예에서, 다수의 DLP 소스는 상이한 위치에 광을 전달하여, 광 반응성 플라스틱 재료 내의 상이한 타겟 위치에 대한 전환 및/또는 동시 작업을 허용한다.
실시예에서, 적층 제조 유닛(10102)은 광 중합 방법을 실행하도록 구성될 수 있다. 이러한 프로세스에서, 액체 플라스틱의 액적이 자외선 광의 레이저 빔에 노출된다. 이 노출 동안, 광은 액체를 고체로 변환한다. 광 중합은 감광성 폴리머의 상승 또는 하강 층이 상승 또는 하강함에 따라 시간 경과에 따라 변화하는 영역에서 경화되게 하는 타입의 광이 적용되는 기술 및/또는 이동(예를 들어, 레이저) 광원이 액체 폴리머/플라스틱 재료가 위치되는 상이한 위치에 타겟팅되는 기술을 이용할 수 있다. 이는 폴리머의 이들 영역을 경화시키고, 일단 원하는 형상이 생성되면, 경화되지 않은 나머지 액체 폴리머를 제거하여, 완제품이 남는다. 광 중합은 최종 제품이 완성되는 속도 때문에 유용하며, 일부 타입에서는 일부 설계에 대해 다른 3D 프린팅 방법보다 최대 100배 이상 더 빠르게 작업된다.
실시예에서, 적층 제조 유닛(10102)은 액체 또는 콜로이드성 결합제 물질을 분말화된 축조 재료의 층에 전달하기 위해 잉크젯 타입 프린트헤드의 사용을 수반할 수 있다. 프린팅 기술은 예컨대, 롤러를 사용하여, 분말화된 축조 재료의 층을 표면에 도포하는 것을 수반할 수 있다. 축조 재료가 표면에 도포된 후에, 프린트헤드는 재료의 층의 미리 결정된 영역에 액체 결합제를 전달한다. 결합제는 재료에 침투하고 분말과 반응하여, 예를 들어 분말 내의 접착제를 활성화시킴으로써 층이 프린팅된 영역에서 응고되게 한다. 제1 단면 부분이 형성된 후, 단계가 반복되고, 최종 제품이 형성될 때까지 연속적인 단면 부분이 제조된다.
실시예에서, 적층 제조 유닛(10102)에 의해 수행되는 방법은 3D 객체를 형성하기 위해 회전식 축조 테이블 상에 축조 재료의 연속적인 층의 증착 및 축조 재료의 각각의 연속적인 층 상에 미리 결정된 패턴으로의 액체의 증착을 수반할 수 있다.
실시예에서, 적층 제조 유닛(10102)은 본 출원에 설명되거나 본 기술분야의 통상의 기술자에 의해 이해되는 것 중에서 다수의 타입의 적층 제조 능력을 포함할 수 있고, 그에 의해 하이브리드 적층 제조 유닛을 형성한다. 실시예에서, 하이브리드 적층 제조 유닛은 절삭 기술, 조립 시스템, 취급 시스템, 마감 시스템 등과 같은 다른 제조 능력을 추가로 통합할 수 있다. 실시예에서, 하이브리드 적층 제조 유닛은 콜로이드성 결합제 물질의 주입 전달을 액체 중합 기술과 통합할 수 있다.
실시예에서, 플랫폼(10110)은 안경류, 신발류, 이어웨어 및 헤드기어와 같은 웨어러블을 포함하는 사용자의 신체 부분/해부구조에 부합하는 3D 프린팅된 제품을 제공할 수 있다. 실시예에서, 적합성은 레이저 또는 다른 구조화된 광 스캔, MRI, EEG, 컴퓨터 단층촬영, 초음파 또는 다른 이미징 스캔 등과 같은 신체 부분 또는 해부학적 특징의 스캔에 기초할 수 있다. 해부학적 특징에 대한 3D 토폴로지는 적층 제조를 위한 설계의 CAD 시스템 또는 다른 설계 시스템(적층 제조 플랫폼에 연동되거나 통합될 수 있음)에 의한 생성을 위한 입력 소스로서 사용될 수 있다. 설계는 (내이에 맞는 가청 유닛, 머리에 맞는 헤드기어, 관절에 맞는 버팀대 등과 같은) 해부구조에 잘 부합되는 해부구조-호환가능 아이템 및/또는 보철과 같은 해부구조의 일부를 대체하도록 의도된 아이템을 생성하도록 구성될 수 있다.
실시예에서, 플랫폼(10110)은 자체-시작 및 자체-파워를 위한 능력을 갖는다.
실시예에서, 플랫폼(10110)은 스크랩 부분이 생산 프로세스로 자동으로 복귀될 수 있고 지지 재료 및 과잉 분말이 생산 프로세스로 복귀될 수 있는 내장된 재활용 능력을 갖는다.
도 115는 본 개시의 일부 실시예에 따른, 적층 제조(예를 들어, 금속 제조)를 위한 디지털 생산 작업흐름을 자동화하고 최적화하기 위한 자율 적층 제조 플랫폼의 예시적인 구현을 예시하는 개략도이다.
자율 적층 제조 플랫폼(10110)은 데이터 수집 및 관리 시스템(10202), 데이터 저장 시스템(10204) 및 데이터 처리 시스템(10206)을 포함한다. 제조 작업흐름 관리 애플리케이션(10208)은 모니터링, 재고 집계, 큐 관리, 저장 관리, 생산 보고, 생산 분석 등을 포함하는 프린팅 및 공급 체인과 관련된 다양한 작업흐름, 이벤트 및 애플리케이션을 관리한다.
데이터 수집 및 관리 시스템(10202)은 센서의 세트로부터 수집된 실시간 데이터를 포함하는 다양한 데이터 소스로부터 수집된 데이터를 수집하고 조직화한다. 데이터 수집 및 관리 시스템(10202)에 대한 입력으로서 데이터를 제공하는 센서의 일부 예는 전력 및 에너지 센서, 질량 센서, 위치 센서, 온도 센서, 습도 센서, 압력 센서, 점도 센서, 유동 센서, 화학물질/가스 센서, 측정할 스트레인 게이지, 이미지 포착/카메라, 비디오 포착, 열 이미징, 초분광 이미징, 사운드 센서 및 공기 품질 센서를 포함한다.
데이터 저장 시스템(10204)은 플랫폼(10110)과 연관된 많은 다른 데이터 타입 중에서, 다음을 포함하지만 이에 제한되지 않는 다양한 저장 매체, 데이터 아키텍처 및 포맷을 사용하여 광범위한 데이터 타입을 저장할 수 있다: (부품 프로파일, 제품 프로파일, 프린터 프로파일과 같은) 엔티티 또는 자산 데이터, (플랫폼(10110)의 임의의 자산, 엔티티, 애플리케이션, 컴포넌트 또는 요소에 대한 상태, 조건 상태, 또는 다른 지표를 표시하는 것과 같은) 상태 데이터, (아이덴티티 데이터, 역할 데이터, 태스크 데이터, 작업흐름 데이터, 건강 데이터, 성능 데이터, 품질 데이터 및 많은 다른 타입을 포함하는) 사용자 데이터, (프로세스 이벤트, 재무 이벤트, 트랜잭션 이벤트, 출력 이벤트, 입력 이벤트, 상태 변경 이벤트, 동작 이벤트, 작업흐름 이벤트, 수리 이벤트, 유지보수 이벤트, 서비스 이벤트, 손상 이벤트, 대체 이벤트, 재급유 이벤트, 재충전 이벤트, 배송 이벤트, 공급 체인 이벤트 등을 포함하는, 플랫폼(10110) 내에서 발생하는, 또는 하나 이상의 애플리케이션에 관련한 이벤트를 포함하거나 이들과 관련되는 운영 데이터, 트랜잭션 데이터, 작업흐름 데이터, 유지보수 데이터, 및 많은 다른 타입의 데이터를 포함하는, 광범위한 이벤트 중 임의의 것에 대한 것과 같은) 이벤트 데이터; 청구 데이터(예컨대, 제조물 책임, 일반 책임, 상해 및 기타 책임 청구와 관련된 데이터 및 공급 계약 이행 청구, 제품 배달 요건, 품질 보증 청구, 면책 청구, 배달 요건, 타이밍 요건, 마일스톤, 주요 성과 지표 등과 같은 계약과 관련된 청구 데이터); 회계 데이터(예컨대, 계약 요건의 완료, 채권의 만족, 듀티 및 관세의 납부 등에 관한 데이터) 및 (공급되는 부품 또는 제품, 양, 가격, 전달, 소스, 경로, 세관 정보 등에 관한 것과 같은) 위험 관리 데이터.
실시예에서, 데이터 저장 시스템(10204)은, 예컨대, 본 출원에 설명된 부품 또는 제품 또는 임의의 다른 자산 또는 엔티티를 비롯한, 엔티티 또는 자산의, 시간 경과에 따른, 직렬 또는 다른 기록을 유지하기 위해, 분산 원장, 디지털 스레드 등에 데이터를 저장할 수 있다.
데이터 처리 시스템(10206)은 기계 학습 시스템(10210)과 같은 인공 지능 시스템(10212)을 포함한다. 기계 학습 시스템(10210)은 도 114의 분산 제조 네트워크(10130)의 자산 또는 엔티티 중 하나 이상의 자산 또는 엔티티의 데이터 처리, 데이터 분석, 시뮬레이션 생성, 및/또는 시뮬레이션 분석과 관련된 분석, 시뮬레이션, 의사 결정, 및 예측 분석을 수행하기 위한 기계 학습 모델(213)을 정의할 수 있다. 실시예에서, 플랫폼(10110)은 인공 지능 시스템(10212)의 세트(본 출원에 또는 참조로 본 출원에 포함된 문서에 설명된 타입 중 임의의 것을 포함함)를 포함할 수 있고, 이는 (a) 설계/작업에 적합한 타입의 적층 제조를 자동으로 선택하기 위해 입력의 세트 및/또는 최적화 인자의 세트에 대해 동작하도록; (b) (선택적으로 단일-타입 유닛 및/또는 하이브리드 타입 유닛을 포함하는) 이용 가능한 적층 제조 유닛(10102)의 세트를 자동적으로 발견하도록, (c) 적층 제조 작업을 수행하기 위해서 유닛(10102)의 세트를 자동적으로 선택하도록; (d) 적층 제조 작업의 세트를 수행하기 위해 적층 제조 유닛(10102)의 세트를 자동으로 스케줄링하도록; (e) 인공 지능 시스템의 세트에 의해 제공되는 설계의 세트를 사용하여 적층 제조 작업의 세트를 수행하기 위해 적층 제조 유닛(10102)의 선택된 세트를 자동으로 구성하도록; 및/또는 (f) 적층 제조 유닛의 세트로부터의 출력의 세트의 물류 및 전달을 자동으로 구성하도록 구성된다. 실시예에서, 입력의 세트는 이용가능한 적층 제조 유닛(10102)의 위치 및 타입, 적층 제조 유닛에 대한 현재 작업 스케줄, 비용 인자(예컨대, 재료 비용, 에너지 비용, IT 리소스의 비용, 노동 비용, 적층 제조 서비스에 대한 가격 등), 설계 입력(예컨대, 강도, 유연성, 탄성, 온도 허용오차, 변형 허용오차, 내마모성, 내수성, 응력 허용오차, 중량 지탱, 인장 강도, 하중 지탱 등에 관한 기능적 요건), 뿐만 아니라 호환성 인자(형상 호환성, 생체적합성, 화학적 호환성, 환경적 호환성 등을 포함함)를 포함할 수 있다. 최적화 인자는 미적 인자, (위에서 언급된 바와 같은) 호환성 인자, (한계 비용, 총 비용, 수익성, 가격, 브랜드 영향 등과 같은) 경제적 인자, (예컨대, 다양한 진행 중인 제조, 서비스, 유지보수, 마케팅, 전달 및/또는 물류 프로세스를 포함하는 작업흐름 및 활동과의 조정을 위한) 타이밍 인자, 우선순위화 인자 등을 포함할 수 있다. 실시예에서, 플랫폼(10110)의 인공 지능 시스템은 다양한 타입의 적층 제조 옵션을 수반하는 적층 제조 프로젝트의 세트와의 전문가 상호작용을 포함하는 훈련 데이터 세트에 기초하여 훈련된다. 실시예에서, AI 시스템은 예컨대, 딥러닝, 지도 학습 및/또는 반지도 학습을 수반하여, 제품 품질 및/또는 제품 결함 결과, 경제적 결과, 적시 완료 결과 등과 같은 결과 인자에 기초하여 훈련된다. 실시예에서, AI 시스템은 적층 제조 유닛(10102)과 호스트 시스템, 예컨대, 클라우드 기반 시스템 사이에 분산된다. 실시예에서, AI 시스템은 적층 제조 유닛(10102)에 통합된다. 실시예에서, AI 시스템은 적층 제조 유닛(10102)의 노드의 메시 또는 네트워크와 같은 적층 제조 유닛(10102)의 세트에 걸쳐 분산되고, 따라서, 위의 능력은, 예컨대, (예컨대, "서비스형 적층 제조" 시스템에서) 기업에 의해 소유되고/되거나 공동 동작되고/되거나 사용자의 세트에 의해 공유되는 적층 제조 유닛(10102)의 플릿과 같은 다른 유닛과 협력하는 유닛(10102)의 자기-구성에 의해서, 유닛들에 걸쳐 조정된다. 많은 가능한 예 중 하나의 예로서, 플랫폼(10110)의 AI 시스템은 기능적 요건과 같은 설계 요건의 세트를 취하고, 기능적 요건을 만족시키는 설계의 세트를 생성하고, 각각의 설계의 세트를 생성하기 위해 적층 제조 타입의 최적의 조합을 결정하고, (예컨대, 경제적 인자 및 다른 인자를 사용하여) 각각의 조합에 대해 이용가능한 적층 제조 유닛을 찾고 비교하고, 설계를 수행하기 위해 유닛을 선택, 구성 및 스케줄링할 수 있다. 예를 들어, 광범위한 제품 카테고리에 걸친 많은 가능성 중에서, AI 시스템은 큰 컬러 팔레트로부터 고객의 정확한 선호도와 매칭되는 컬러로, 충격 및 굽힘을 견딜 수 있으면서 생체적합성 방수 재료를 사용하는 설계 요건을 만족시키는 라텍스-알레르기가 있는 개별 사용자를 위한 맞춤화된 웨어러블 디바이스에 대한 기능적 요건을 취할 수 있다. AI 시스템은 사용자와 접촉할 웨어러블의 컴포넌트에 대한 (비-라텍스 폴리머 상에서 동작하는) 광 중합 및 내부 금속/합금 컴포넌트에 대한 DMLS 프로세스의 조합/하이브리드를 사용하여 웨어러블 디바이스를 생성하기 위한 명령어 세트를 자동으로 생성할 수 있다. 이어서, AI 시스템은 상이한 유닛 또는 통합/하이브리드 유닛과 같은 이용가능한 유닛을 찾고, (예를 들어, 타겟팅된 배달 시간에 맞추기 위해) 작업을 수행하도록 유닛을 스케줄링하고, 유닛을 구성하고, 작업을 전송하고, 전달을 스케줄링할 수 있다. 따라서, AI 시스템은, 적층 제조 유닛의 세트의 사용을 통해, 특히, 건강 요건, 물리적 구성 요건, 경제적 인자, 및 선호도를 비롯한, 고객 특정 설계 요건에 기초하여 고도로 맞춤화된 제품의 설계, 생성 및 전달을 자동으로 관리할 수 있다.
실시예에서, AI 시스템은 지능 계층 클라이언트의 세트로부터 요청을 수신하고 이러한 클라이언트에 지능 서비스(예를 들어, 결정, 분류, 예측 등)를 제공함으로써 이러한 요청에 응답하는 지능 계층(140)으로서 구현된다.
실시예에서, 기계 학습 모델(10213)은 명시적 명령어를 사용하지 않고 패턴 및 추론에 대신 의존하여 특정 태스크를 수행하는 알고리즘 및/또는 통계 모델이다. 기계 학습 모델(10213)은 특정 태스크를 수행하도록 명시적으로 프로그래밍되지 않고 예측 및/또는 결정을 수행하기 위해 훈련 데이터에 기초하여 하나 이상의 수학적 모델을 구축할 수 있다. 기계 학습 모델(10213)은, 엔티티 또는 자산 중 하나 이상에 관련된 이벤트 데이터 및 상태 데이터, 또는 위에서 또는 본 개시 전반에 걸쳐 언급된 다른 입력을 비롯하여, 센서 데이터 또는 다른 데이터의 입력을 훈련 데이터로서 수신할 수 있다. 기계 학습 모델(10213)에 입력되는 센서 데이터는 분산 제조 네트워크 엔티티 또는 자산 중 하나 이상의 것의 데이터 처리, 데이터 분석, 시뮬레이션 생성, 및/또는 시뮬레이션 분석에 관련된 분석, 시뮬레이션, 의사 결정, 및/또는 예측 분석을 수행하도록 기계 학습 모델(10213)을 훈련시키기 위해 사용될 수 있다. 기계 학습 모델(10213)은 또한 자율 적층 제조 플랫폼(10110)의 사용자 또는 사용자들로부터의 입력 데이터를 사용할 수 있다. 실시예에서, 기계 학습 모델(10213)은 적층 제조 유닛(10102)에 의한 부품의 3D 프린팅을 위한 최적의 프로세스 파라미터 세트를 결정하기 위해 입력 데이터 및 센서 데이터를 사용할 수 있다. 기계 학습 모델(10213)은 인공 신경망, 결정 트리, 로지스틱 회귀 모델, 확률적 구배 하강 모델, 퍼지 분류기, 지원 벡터 기계, 베이지안 네트워크, 계층적 클러스터링 알고리즘, k-평균 알고리즘, 유전 알고리즘, 임의의 다른 적합한 형태의 기계 학습 모델, 또는 이들의 조합을 포함할 수 있다. 기계 학습 모델(10213)은 지도 학습, 비지도 학습, 강화 학습, 자기 학습, 특징 학습, 희소 사전 학습, 이상 검출, 연관 규칙, 이들의 조합, 또는 학습을 위한 임의의 다른 적합한 알고리즘을 통해 학습하도록 구성될 수 있다.
실시예에서, 인공 지능 시스템(10212)은 분산 제조 네트워크 엔티티 중 하나 이상의 디지털 복제본 또는 디지털 트윈을 생성하기 위해 디지털 트윈 시스템(10216)을 정의할 수 있다. 분산 제조 네트워크 엔티티 중 하나 이상의 디지털 트윈은 분산 제조 네트워크 엔티티의 실질적 실시간 가상 표현 및 하나 이상의 분산 제조 네트워크 엔티티의 하나 이상의 가능한 미래 상태의 시뮬레이션을 제공하기 위해 실질적 실시간 센서 데이터를 사용할 수 있다. 디지털 트윈은 복제되는 하나 이상의 분산 제조 네트워크 엔티티(물리적 트윈)와 동시에 존재하고, 하나 이상의 분산 제조 네트워크 엔티티의 현재 조건 또는 파라미터 값을 반영하기 위해 센서 데이터, 테스트 및 검사 결과, 수행된 유지보수, 수정 등에 기초하여 연속적으로 업데이트될 수 있다. 디지털 트윈은, 실시예에서, 복제되는 하나 이상의 분산 제조 네트워크 엔티티의 라이프사이클 전체에 걸쳐, 복제되는 하나 이상의 분산 제조 네트워크 엔티티의 물리적 요소 및 특성 둘 모두 및 그 역학의 하나 이상의 시뮬레이션을 제공한다. 디지털 트윈은, 예컨대, 예를 들어, 하나 이상의 엔티티가 제조되거나 제조되기 전의 설계 단계 동안, 또는 하나 이상의 엔티티의 구성 또는 제조 동안 또는 그 후에, 높은 응력 동안, 컴포넌트 마모가 문제가 될 수 있는 기간이 경과한 후, 최대 처리량 동작 동안, 하나 이상의 분산 제조 네트워크 엔티티에 대해 하나 이상의 가상의 또는 계획된 개선이 이루어진 후, 또는 임의의 다른 적합한 가상의 상황 동안에, 하나 이상의 분산 제조 네트워크 엔티티의 상태를 시뮬레이션하기 위해 센서 데이터의 가상의 외삽을 허용함으로써, 하나 이상의 분산 제조 네트워크 엔티티의 가상의 시뮬레이션을 제공할 수 있다. 실시예에서, 기계 학습 모델(10213)은, 예컨대, 하나 이상의 분산 제조 네트워크 엔티티에 대한 가능한 개선을 예측하는 것, 하나 이상의 분산 제조 네트워크 엔티티의 하나 이상의 컴포넌트가 고장날 수 있는 때를 예측하는 것, 및/또는 분산 제조 네트워크 엔티티에 대한 파라미터, 배열, 컴포넌트, 또는 임의의 다른 적합한 변경에 대한 변경과 같은 가능한 개선을 하나 이상의 분산 제조 네트워크 엔티티에 제안하는 것에 의해, 디지털 트윈을 사용한 시뮬레이션을 위한 가상 상황을 자동으로 예측할 수 있다.
디지털 트윈은 하나 이상의 분산 제조 네트워크 엔티티의 설계 및 동작 단계 둘 모두 동안 하나 이상의 분산 제조 네트워크 엔티티의 시뮬레이션 뿐만 아니라, 또한 하나 이상의 분산 제조 네트워크 엔티티의 가상 동작 조건 및 구성의 시뮬레이션을 허용한다. 디지털 트윈은, 하나 이상의 분산 제조 네트워크 엔티티 각각의 내부, 상부, 및 주위의 온도, 압력, 마모, 광, 습도, 변형, 팽창, 수축, 편향, 굽힘, 응력, 변형, 하중-지지, 수축을 비롯한 거의 임의의 타입의 메트릭의 관찰 및 측정을 용이하게 함으로써, 하나 이상의 분산 제조 네트워크 엔티티의 분석 및 시뮬레이션을 허용한다. 디지털 트윈을 사용하는 분석 및 시뮬레이션으로부터 얻어진 통찰은 이들 프로세스의 개선을 위해 설계 또는 제조 프로세스에 전달될 수 있다.
실시예에서, 기계 학습 모델(10213)은 이벤트 데이터 및 상태 데이터를 포함하는 센서 데이터를 처리하여 디지털 트윈 시스템(10214)에 의한 사용을 위한 시뮬레이션 데이터를 정의할 수 있다. 기계 학습 모델(10213)은, 예를 들어, 특정 분산 제조 네트워크 엔티티에 관련된 상태 데이터 및 이벤트 데이터를 수신하고, 상태 데이터 및 이벤트 데이터를 분산 제조 네트워크 엔티티의 디지털 복제본 생성시 디지털 트윈 시스템(10214)이 사용하기에 적합한 포맷으로 포맷팅하기 위해 상태 데이터 및 이벤트 데이터에 대해 일련의 동작을 수행할 수 있다. 예를 들어, 하나 이상의 분산 제조 네트워크 엔티티는 적층 제조 유닛(10102)에 의해 제조되는 제품을 포함할 수 있다. 기계 학습 모델은 제품 상에, 제품 근처에, 제품 내에, 및 제품 주위에 위치된 하나 이상의 센서로부터 데이터를 수집할 수 있다. 기계 학습 모델은 센서 데이터를 시뮬레이션 데이터로 처리하고 시뮬레이션 데이터를 디지털 트윈 시스템(10214)에 출력하기 위해 센서 데이터에 대한 동작을 수행할 수 있다. 디지털 트윈 시스템(10214)은 하나 이상의 제품 트윈(10215)을 생성하기 위해 시뮬레이션 데이터를 사용할 수 있으며, 시뮬레이션은 예를 들어 제품 및 그 부품의 온도, 마모, 속도, 회전 및 진동을 포함하는 메트릭을 포함한다. 시뮬레이션은 플랫폼(10110)의 사용자가 제품의 시뮬레이션, 그에 관련된 메트릭, 및 그 부분에 관련된 메트릭을 실질적 실시간으로 볼 수 있게 하는 실질적 실시간 시뮬레이션일 수 있다. 시뮬레이션은 플랫폼(10110)의 사용자가 제품의 예측적 또는 가상적 시뮬레이션, 그와 관련된 메트릭, 및 그 컴포넌트와 관련된 메트릭을 볼 수 있게 하는 예측적 또는 가상적 상황일 수 있다.
실시예에서, 기계 학습 모델(10213) 및 디지털 트윈 시스템(10214)은 센서 데이터를 처리하고 분산 제조 네트워크 엔티티의 세트의 디지털 트윈을 생성하여 분산 제조 네트워크 엔티티의 관련 그룹의 설계, 실시간 시뮬레이션, 예측 시뮬레이션, 및/또는 가상 시뮬레이션을 용이하게 할 수 있다.
실시예에서, 데이터 처리 시스템(10206) 내의 제어 시스템(10216)은 시뮬레이션에 기초하여 실시간으로 3D 프린팅 프로세스의 프로세스 파라미터를 조정할 수 있다.
실시예에서, 적층 제조 유닛(10102) 또는 플랫폼(10110)과 같은 분산 제조 네트워크 엔티티는, 선택적으로 자동으로, 제품, 컴포넌트, 부품 등과 같은 제조 아이템의 세트의 디지털 트윈의 세트를 생성할 수 있다. 실시예에서, 적층 제조 유닛(10102) 또는 플랫폼(10110)에 의해 생성된 제조 아이템의 디지털 트윈은, 특히, 다음을 포함하고, 이에 연동되고, 이에 의해 풍부화되고, 및/또는 이와 통합될 수 있다: (a) 형상 정보, 재료 성층 정보, 기능 정보, (본 출원의 다른 곳에서 설명된 것과 같은) 동작 파라미터 정보 등을 포함하는 것과 같은, 그에 따라 아이템을 적층 제조하는 명령어 세트; (b) 아이템의 설계 또는 제조와 관련하여 인공 지능 시스템이 훈련된 기초가 되는 훈련 데이터 세트; (c) 예컨대, 아이템에 대한 경우에, 아이템이 제조된 환경, 사용된 장비 또는 툴, 사용된 재료 등을 나타내는 데이터와 생성될 때의 아이템의 층들의 일련의 이미지를 링크시키는, 아이템의 정확한 제조 조건을 나타내는 시계열 센서 데이터(예컨대, 다양한 이미징 시스템으로부터의 이미징 데이터); 온도, 압력, 유체 유량, 열 유속 데이터, 용적 데이터, 토폴로지 데이터, 방사선 데이터(예를 들어, 레이저의 강도, 가시 광, 적외선 광, UV, x-선, 자기장, 전기장 등), 화학적 정보(예를 들어, 반응물, 촉매 등의 존재), 생물학적 데이터(예를 들어, 생체물질, 병원체, 및 다른 인자의 존재 및 상태) 등을 포함하는 것 같은 센서 데이터 세트; (d) 장비 테스트, 재료 테스트, 응력 테스트, 시각적 검사(기계 비전에 의한 것을 포함함), 변형 테스트, 비틀림 테스트, 하중 테스트, 충격 테스트, 동작 테스트 등과 같은, 제조 전, 중 또는 후의 테스트의 결과를 나타내는 것과 같은 테스트 데이터 세트; (e) 제조 결과, 사용량 등과 같은 유사한 아이템에 관한 제조 정보; 등. 실시예에서, 적층 제조 유닛(10102)은 아이템을 제조하라는 명령어를 수신할 시에 디지털 트윈을 자동으로 생성하고, 후속하여 제조 동안 및/또는 제조 후에 디지털 트윈을 풍부화 및/또는 수정할 수 있다. 실시예에서, 적층 제조 유닛(10102)은 (예컨대, 칩과 같은, 아이템에 임베딩되거나 아이템 상에 배치되는 데이터 구조에 기록함으로써) 아이템의 디지털 트윈에 대한 위에서 참조된 데이터를 아이템에, 아이템에 대한 태그 상에, 컨테이너 또는 패키지 상에 등에 자동으로 임베딩할 수 있다.
도 116은 본 개시의 일부 실시예에 따른, 적층 제조 프로세스의 상이한 동작 파라미터의 최적화를 위한 자율 적층 제조 플랫폼(10110)에서의 정보 흐름을 예시하는 블록도이다. 실시예에서, 파라미터는 3D 프린팅된 부품, 3D 프린팅된 제품, 3D 프린팅 프로세스, 또는 3D 프린팅 기계와 연관될 수 있다. 파라미터에 대한 일부 예는 다음을 포함한다: 압출 온도, 재료 증착 속도, 툴 경로, 가열 장치의 전압 설정, 노출 패턴, 층 높이, 프린팅 표면 온도, 층 높이/두께, 구축 속도, 구축 재료 유량, 부품 배향, 공기 간극, 구멍, 공간, 공극, 루멘, 간극, 도관 등에 대한 형상 및 용적 정보, 지지 구조 설정, 온도, 습도 및 압력을 포함하는 주변 조건, 온도 및 점도를 포함하는 원료 조건, 온도를 포함하는 부품 조건, 압축, 인장, 전단, 굽힘 및 비틀림 응력을 포함하는 응력 농도 등. 다시, 파라미터는 전형적으로 주어진 적층 제조 기술, 재료, 기하구조 및 적용, 또는 특정 하이브리드 또는 그 조합에 특정된다.
도 116을 참조하면, 10300에서, 제품의 프린팅을 위한 입력 데이터가 자율 적층 제조 플랫폼(10110)에서 수신된다. 입력 데이터는 플랫폼(10110)의 사용자 인터페이스에서 수신될 수 있고, 3D 프린팅 기술, 제품의 기하구조 및 주요 특징, 및 프린팅 재료 등과 같은 세부사항을 포함할 수 있다. 실시예에서, 입력 데이터는 단지 제품의 요구되는 특성성(강도, 강성, 항복, 탄성, 신장, 전기 전도성, 열 전도성 등과 같은) 또는 적용 영역(항공우주, 치과, 자동차, 보석 등)을 포함할 수 있고, 플랫폼(10110)은 3D 프린팅 기술 또는 프린팅에 사용될 재료와 같은 세부사항을 결정할 수 있다. 이는 자동으로(예컨대, 인공 지능에 의해), 또는 추천된 세부사항의 세트가 AI에 의해 제안되고 인간 사용자에 의해 확인 및/또는 수정되는 경우와 같이, 인간 상호작용 및/또는 감독으로 이루어질 수 있다.
10302에서, 3D 프린팅 프로파일과 같은 프로파일과 같은 적층 제조를 위한 명령어 세트가 10300에서 수신된 입력 뿐만 아니라 기계 학습 시스템(10210) 및 디지털 트윈 시스템(10214)으로부터 수신된 시뮬레이션에 기초하여 결정된다. 프로파일은 예컨대, 3D 프린터를 사용하는 제품의 적층 제조를 위한 파라미터를 포함한다.
10304에서, 센서 데이터(주변, 제품 또는 재료 온도를 포함하지만 이에 제한되지 않음); 압축, 전단, 인장, 굽힘 및 비틀림 응력; 산소, 이산화탄소 레벨, 및 오존 레벨; 습도; 진동; 사운드 시그니처 및 시각적 지표)가 적층 제조(예를 들어, 3D 프린팅) 프로세스로부터 수집된다. 데이터 수집 및 관리 시스템(10202)은 IoT 디바이스, 기계 비전 시스템 등과 같은 센서 및 다른 데이터 수집 기술의 어레이를 통해 센서 데이터를 수집하는 것을 돕는다. 수집된 데이터는 에지 디바이스에서 분석되거나, 예컨대, 로컬 또는 원격 지능에 의한 나중의 소비를 위해서 데이터 저장 시스템(10204) 내의 하나 이상의 데이터 풀에 전송될 수 있다. 적층 제조 유닛(들)(10102)에 근접한 컴퓨팅 기반구조 내에서(예컨대, 적층 제조 유닛(들)(10102)이 위치되는 건물, 캠퍼스, 또는 다른 구내의 로컬 영역 네트워크에서 및/또는 적층 제조 유닛(들)(10102)을 수송하는 연결된 차량에서) 및/또는 적층 제조 유닛(10102)과 통합되거나 그에 포함되는, 예컨대 적층 제조 유닛(10102)이 온보드 에지 계산 및/또는 연결성 리소스, 예컨대 5G(또는 다른 셀룰러), Wifi, 블루투스, 고정 네트워킹 리소스 등을 갖는 경우와 같은, 클라우드-연결가능 에지 디바이스의 사용은, 서버 등과 같은, 고도의 확장가능 클라우드 컴퓨팅 리소스에 의해 제공되는 광범위한 컴퓨팅 및 데이터 저장 능력으로부터 이익을 얻으면서 신속한, 실시간 또는 거의 실시간 처리 응답성을 제공할 기회를 제공한다.
실시예에서, 데이터는 또한, 저장소가 다수의 제조 노드들 뿐만 아니라 다른 데이터 저장 디바이스 또는 시스템에 걸쳐 분산되는 것과 같은 블록체인에 저장될 수 있다. 실시예에서, 이는 적층 제조를 수반하는 재무 이벤트, 스마트 계약 관련 이벤트, (작업의 스케줄링 또는 완료와 같은) 동작 이벤트 등과 같은 트랜잭션, 이벤트 등을 포착할 수 있는 분산 원장의 형태를 취할 수 있다. 데이터는 또한 센서 융합을 사용하여 멀티플렉싱되거나 다른 방식으로 응축되고 네트워크를 통해 중계되고 하나 이상의 기계 학습 모델을 이용하는 기계 학습 시스템에 공급될 수 있다.
10306에서, 파라미터는 센서 데이터의 분석에 기초하여 필요에 따라 동적으로 조정될 수 있다. 3D 프린팅이 완료됨에 따라, 10308에서 3D 프린팅 프로세스의 결과와 관련된 데이터가 수집된다. 결과 데이터는 사용자가 3D 프린트의 성공 또는 실패에 관한 정보를 제공하는 사용자 인터페이스를 통해 수집될 수 있다. 그 후, 데이터는 (피드백에 기초하여 가중치, 규칙, 파라미터 등을 조정하는 것에 의한 개선과 같은) 초기 기계 학습 모델을 훈련하거나 개선하기 위해 피드백을 사용하는 기계 학습 시스템(10210)에 피드백으로서 제공된다. 실시예에서, 피드백은 다수의 적층 제조 유닛(10102) 및 제조 노드(10100)에 걸쳐 하나 이상의 사용자에 의해 수행되는 다수의 3D 프린팅에 대한 동향을 분석하는 데 활용된다.
실시예에서, 자율 적층 제조 플랫폼(10110)은, 제품 개념 및 설계로부터 제조 및 유통을 통해 서비스 및 유지보수까지, 기계 학습을 사용하여 제조의 전체 라이프사이클에 걸쳐 최적화 및 프로세스 제어를 제공한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 제조에 적합한 적어도 하나의 제품 설계를 결정하기 위해 생성적 설계 및 토폴로지 최적화를 제공한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 축조 준비 프로세스의 최적화를 제공한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 우수한 생산 결과를 위해 부품 배향 프로세스를 최적화한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 재료 비용, 프린팅 시간, 후처리, 및 (지지 제거 시에) 3D 프린팅된 부품에 대한 손상의 위험을 최소화하기 위해 지지 구조를 자동으로 결정하고 추천한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 툴 경로 생성을 최적화하는 것을 제공한다. 예를 들어, 3D 프린터에서, 툴 경로는 노즐 및/또는 프린트 헤드의 궤적을 포함할 수 있다. 실시예에서, 툴 경로 생성은 제조 프로세스가 각각의 슬라이싱된 층의 경계 및 내부 영역을 채울 수 있게 한다. 제조 모델의 구축 시간, 비용, 기하학적 품질, 뒤틀림, 수축, 강도 및 강성을 고려하여 지그재그, 윤곽, 나선형 및 파티션 패턴과 같은 다양한 타입의 툴 경로 전략 및 알고리즘이 가능하다. 실시예에서, 인공 지능 시스템은 추천된 툴 경로를 제공하고/하거나 툴 경로 생성을 완전히 자동화하기 위해, 위에서 설명된 것과 같은 결과에 대해 훈련될 수 있다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 원료 낭비를 최소화하면서 프린팅된 부품의 수를 최대화하기 위해 최적화된 동적 2D, 2.5D 및 3D 네스팅을 제공한다. 실시예에서, 네스팅 알고리즘이 개별 부분 우선순위를 평가하여 높은 우선순위 부분이 그에 따라, 예컨대 스케줄링 우선순위, 품질 우선순위, 사용 편의 우선순위, 위치설정 우선순위 등으로 취급되는 것을 보장하도록 네스팅이 최적화된다. 실시예에서, 네스팅 알고리즘이 절삭 툴의 이동 시간을 최소화하도록 네스팅이 최적화된다. 실시예에서, 네스팅 알고리즘이 지원 구조 최적화와 통합되도록 네스팅이 최적화된다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 후처리 프로세스의 최적화를 제공한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 디지털 트윈을 활용하는 자동화된 분말 제거 시스템을 제공하며, 디지털 트윈은 분말 제거 동안 분말 제거 시스템의 최적의 이동을 계산한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 자동화된 핸즈프리 지지 구조 제거를 제공한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 자동화된 표면 마감을 제공한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 통합된 품질 및 프로세스 제어 시스템과 함께 사용하기 위한 자동화된 부품 계측을 제공한다.
실시예에서, 본 출원에 설명된 제조 방법은 완성된 부품에 다양한 특성을 부여하는 처리 동안 재료 첨가제를 사용할 수 있다. 플라스틱 사출 성형에서의 예는 추가된 강도를 위한 유리 섬유, 및 맞춤형 전기적 특성을 위한 전기 전도성 및 차폐 섬유를 포함한다. 일부 응용에서, 첨가된 섬유 또는 다른 재료의 배향은 완성된 부품의 성능에 영향을 미칠 수 있다. 예를 들어, 유리 섬유 강화 응용에서, 긴 섬유 배향은 응력 하에서 최소 및 최대 변형 배향을 지시할 수 있다. 제조 동안의 섬유 배향은 몰드 설계, 주입 노즐 위치 및 압력, 및 다른 프로세스 제어들을 통해 부분적으로만 제어될 수 있다.
3D 프린팅된 부품은 또한 재료 첨가제를 사용하여 제조될 수 있지만; 그러나, 대부분의 3D 프린팅 방법은 완성된 부품 성능을 최적화하는 것을 돕기 위해 섬유 배향과 같은 적층 특성을 최적화하는 제한된 능력을 갖는 재료만을 생산할 수 있다. 예를 들어, 3D 프린터는 다양한 플라스틱 재료를 압출하는 노즐을 사용할 수 있지만, 고정된 노즐의 고유한 유동 특성, 및 일반적으로 3D 프린팅 프로세스의 제한은 완성된 부품 재료 엔지니어링을 위한 옵션을 제한한다. 이러한 3D 프린팅 노즐의 사용은 부품 생산을 위해 적층 재료가 배치될 때 적층 재료의 배향을 제어하는 능력을 제공한다. 이러한 개발은 재료 성능, 예를 들어 구조적 향상을 위한 국소화된 배향, 또는 전기 차폐 성능을 위한 균질한 무작위 배향을 미세하게 맞춤화할 기회를 제공한다. 예에서, 이 능력은 재료 적용 중에 노즐의 형상을 변경하여 예측 가능한 섬유 배향을 초래하기 위해, 작동된 가요성 요소를 사용하는 3D 프린팅 노즐에 의해 제공될 수 있다. 이는 재료 특성을 더 정제하기 위해 노즐 배향, 유량 및 압력 등과 같은 다른 프린팅 프로세스 파라미터와 함께 사용될 수 있다. 사용 사례 예는 다음을 포함하지만, 이에 제한되지 않는다: 타겟팅된 성능을 제공하기 위해 단일 부품에 걸쳐 변할 수 있는 하나 이상의 엔지니어링 특성, 예를 들어 다양한 강성; 향상된 프로세스 제어에 기초한 재료의 최적화된 사용, 예를 들어 동일한 기능적 성능을 갖는 부품을 생성하기 위해 더 적은 재료를 사용하는 것, 및 특정된 전기적 성능을 위한 무작위 전도성 첨가제와 조합된 조합된 능력, 예를 들어 구조적 성능을 위한 구조적 긴 섬유의 배향을 부여하기 위해 다수의 첨가제의 제어를 제공하는 것.
인공 지능, 기계 학습, 자동화(로봇 프로세스 자동화, 원격 제어, 자율 동작, 자동화된 구성 등을 포함함), 전문가 시스템, 자기-조직화, 예측, 분류, 최적화 등을 위한 적응형 지능 시스템을 수반하는 것을 포함하는 본 개시의 실시예에서, 패턴 인식을 위해, 하나 이상의 파라미터, 특성, 또는 현상의 분류를 위해, 자율 제어의 지원을 위해, 그리고 다른 목적을 위해 훈련된 신경망과 같은 신경망의 사용으로부터 이익을 얻을 수 있다.
신경망(또는 인공 신경망)은 생물학적 신경망에 의한 영감에서 유래한 통계적 학습 모델의 패밀리이고, 많은 수의 입력에 의존할 수 있고 일반적으로 알려지지 않은 함수를 추정하거나 근사화하기 위해 사용된다. 신경망은 서로에게 메시지를 전송하는 상호연결된 "뉴런"의 시스템을 나타낸다. 연결은 경험에 기초하여 튜닝될 수 있는 수치 가중치를 가져서, 신경망이 입력에 적응되고 학습할 수 있게 한다.
본 개시 전반에 걸쳐 인공 지능, 신경망 또는 신경망에 대한 참조는 광범위한 상이한 타입의 기계 학습 시스템, 피드포워드 신경망, 컨볼루션 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM) 신경망과 같은 신경망, 게이트식 순환 유닛(GRU) 신경망, 자기-조직화 맵(SOM) 신경망(예를 들어, 코호넨 자기-조직화 신경망), 오토인코더(AE) 신경망, 인코더-디코더 신경망, 모듈식 신경망, 또는 변형, 전술한 것의 하이브리드 또는 조합, 또는 규칙 기반 시스템과 같은 강화 학습(RL) 시스템 또는 다른 전문가 시스템, 및 모델-기반 시스템(물리적 모델, 통계적 모델, 흐름-기반 모델, 생물학적 모델, 생체모방 모델 등에 기초한 것을 포함함)과의 조합을 포함하는 것으로 이해하여야 한다.
전술한 신경망은 다양한 노드 또는 뉴런을 가질 수 있으며, 이들은 하나 이상의 출력을 예측하기 위한 다른 노드를 포함하여, 센서 또는 다른 데이터 소스로부터 수신되는 입력과 같은 입력에 대해 다양한 함수를 수행할 수 있다. 함수는 가중치, 특징, 특징 벡터 등을 수반할 수 있다. 뉴런은 퍼셉트론(perceptron), (인간의 터치 감각, 시각, 미각, 청각, 및 후각과 같은) 생물학적 기능을 모방하는 뉴런 등을 포함할 수 있다. 신경망은 입력 계층과 출력 계층 사이에 위치한 하나 이상의 은닉 계층을 포함하는 다수의 동작 계층을 이용할 수 있다. 각각의 계층의 출력은 다른 계층, 예를 들어, 다음 은닉 계층 또는 출력 계층에 대한 입력으로서 사용될 수 있다. 특정 뉴런의 출력은, 편향으로 조정되고 활성화 함수, 예를 들어, ReLU(rectified linear unit) 또는 시그모이드 함수에 의해 곱해지는, 뉴런에 대한 입력의 가중 합일 수 있다.
많은 실시예에서, 전문가 시스템 또는 신경망은, 예컨대 인간 운영자 또는 감독자에 의해, 또는 데이터 세트, 모델 등에 기초하여 훈련될 수 있다. 신경망을 훈련하는 것은 예측된 출력을 생성하기 위해 훈련되지 않은 신경망에 입력을 제공하는 것, 예측된 출력을 기대 출력과 비교하는 것, 및 예측된 출력과 기대 출력 사이의 차이를 고려하기 위해 알고리즘의 가중치 및 편향을 업데이트하는 것을 수반할 수 있다. 구체적으로, 비용 함수는 예측된 출력과 기대 출력 사이의 차이를 계산하기 위해 사용될 수 있다. 네트워크의 가중치 및 편향에 대한 비용 함수의 도함수를 계산함으로써, 가중치 및 편향은 비용 함수를 최소화하기 위해 다수의 사이클에 걸쳐 반복적으로 조정될 수 있다. 훈련은 예측된 출력이 수렴 조건, 예를 들어, 비용 함수에 의해 결정되는 바와 같은 작은 크기의 계산된 비용을 만족시킬 때 완료될 수 있다.
훈련은 (본 개시 전반에 걸쳐 설명된 많은 타입을 포함하는) 값을 표현하는 하나 이상의 훈련 데이터 세트 뿐만 아니라, 또한 프로세스의 결과, 계산의 결과, 이벤트의 결과, 활동의 결과 등과 같은 결과의 하나 이상의 지표를 신경망에 제시하는 것을 포함할 수 있다. 훈련은 베이지안 접근법, 파라메트릭 베이즈 분류기 접근법, k-최근접-이웃 분류기 접근법, 반복 접근법, 보간 접근법, 파레토 최적화 접근법, 알고리즘 접근법 등과 같은 하나 이상의 최적화 접근법에 기초하여 하나 이상의 시스템을 최적화하기 위해 신경망을 훈련하는 것과 같은 최적화에서의 훈련을 포함할 수 있다. 피드백은, 예컨대 일련의 라운드를 통한 피드백에 기초하여 하나 이상의 솔루션을 진화시키는 유전 알고리즘을 이용하여, 변동 및 선택의 프로세스에서 제공될 수 있다.
실시예에서, 효율적인 송신을 제공하기 위해 네트워크 코딩을 사용하는 것을 비롯하여, 하나 이상의 환경에서 (예컨대 모바일 데이터 수집기에 의해) 수집되고 하나 이상의 네트워크를 통해 클라우드 플랫폼에 송신되는 데이터 스트림 및 다른 입력을 수신하는 클라우드 플랫폼에 복수의 신경망이 배치될 수 있다. 클라우드 플랫폼에서, 선택적으로 대규모 병렬 계산 능력을 사용하여, 다양한 타입(모듈형 형태, 구조 적응형 형태, 하이브리드 등을 포함함)의 복수의 상이한 신경망이 예측, 분류, 제어 기능을 수행하고, 본 개시 전반에 걸쳐 개시된 전문가 시스템과 관련하여 설명된 바와 같은 다른 출력을 제공하기 위해 사용될 수 있다. 상이한 신경망은, 적절한 입력 세트, 가중치, 노드 타입 및 기능 등을 갖는 적절한 타입의 신경망이 주어진 상황, 작업흐름, 환경 프로세스, 시스템 등에 수반되는 특정 태스크에 대해, 예컨대 전문가 시스템에 의해 선택될 수 있도록, 서로 경쟁하도록(선택적으로 진화 알고리즘, 유전 알고리즘 등을 사용하는 것을 포함함) 구조화될 수 있다.
실시예에서, 전문가 시스템 또는 자기-조직화 능력을 수반하는 본 출원에 설명된 방법 및 시스템은 피드포워드 신경망을 사용할 수 있으며, 이는 예컨대 개인에 관한 데이터의 소스와 같은 데이터 입력으로부터, 일련의 뉴런 또는 노드를 통해, 출력으로 정보를 하나의 방향으로 이동시킨다. 데이터는 입력 노드로부터 출력 노드로 이동할 수 있고, 선택적으로 루프 없이 하나 이상의 은닉 노드를 통과할 수 있다. 실시예에서, 피드포워드 신경망은 이진 McCulloch-Pitts 뉴런과 같은 다양한 타입의 유닛으로 구성될 수 있으며, 그 중 가장 단순한 것은 퍼셉트론이다.
실시예에서, 자율 적층 제조 플랫폼(10110)의 데이터 처리 시스템에서의 인공 지능 및 기계 학습 시스템은 3D 프린팅된 부품 및 제품의 자동 분류 및 클러스터링을 가능하게 할 수 있다. 실시예에서, 자율 적층 제조 플랫폼(10110)의 데이터 처리 시스템에서의 인공 지능 및 기계 학습 시스템은 적층 제조 프로세스에서의 악성 결함의 자동 분류 및 클러스터링을 가능하게 할 수 있다.
본 개시의 자동화된 부품 및 결함 분류 방법 및 시스템은 이미지 센서 및/또는 기계 비전 시스템을 사용하여 구현될 수 있다. 기계 비전 시스템은, 예컨대, 프린팅되는 부품 또는 다른 아이템의 이미지를 포착하고 분석하는 것에 의해서, 적층 제조 프로세스를 실시간으로 모니터링할 수 있다. 포착된 이미지의 자동화된 이미지 처리는 이어서 다양한 부분 특성, 예를 들어, 치수(전체 치수, 또는 특정 특징의 치수), 특징 각도, 특징 영역, 표면 마감(예를 들어, 광 반사율의 정도, 단위 면적당 피트 및/또는 스크래치의 수) 등 중 임의의 것을 모니터링하는 데 사용될 수 있다. 기계 비전 시스템은 또한 재료의 연속적인 층이 3D 프린터에 의해 증착되고 있는 동안 실시간으로 프린팅된 부품에서의 임의의 결함 또는 에러를 검출하기 위해 프로세스를 추적한다.
결함은, 예를 들어, 검사 데이터로부터 노이즈를 제거하고 참조 데이터 세트(예를 들어, 기계 비전 툴이 검사를 위해 이용되고 있는 경우에 결함이 없는 부분의 기준 이미지)를 감산함으로써 식별되고, 개별 객체를 결함이 모니터링되고 있는 특징 공간에서의 결정 기준(예를 들어, 결정 경계)의 특정된 세트를 충족시키거나 충족시키지 못하는 것으로 분류하기 위해, 클러스터 분석 또는 인공 신경망과 같은 비지도 기계 학습 알고리즘을 사용하여 분류될 수 있다. 예를 들어, 부분적으로 프린팅된 부품은 부분 부품의 렌더링과 비교될 수 있고, 부분 부품이 렌더링로부터 선택된 임계값을 초과하여 상이한 경우, 부품은 결함으로 분류될 수 있다.
실시예에서, 인-프로세스(in-process) 결함 분류 데이터는, 예를 들어, 처음 검출될 때 결함을 정정하기 위해, 층 치수 또는 두께를 조정하도록 정정 액션을 구현할 프로세스 제어 파라미터 조정의 세트 또는 시퀀스를 결정하기 위해 기계 학습 알고리즘에 의해 사용될 수 있다. 일부 실시예에서, 인-프로세스 자동화된 결함 분류는 경고 또는 에러 신호를 운영자에게 전송하기 위해, 또는 선택적으로, 증착 프로세스를 자동으로 중단하기 위해 기계 학습 알고리즘에 의해 사용될 수 있다.
실시예에서, 기계 비전 시스템은 이미지 포착 및 결함 검출을 위해 가변 초점 액체 렌즈 기반 카메라를 사용한다. 실시예에서, 기계 비전 시스템은 적외선 또는 가시 파장 카메라를 사용한다.
실시예에서, 데이터 처리 시스템은 부품 결함 분류 및 피드백을 포함하는 적층 제조 프로세스의 실시간 적응적 제어를 제공하기 위해 신경망을 사용하는 지능 계층(140)으로서 구현된다.
일부 실시예에서, 신경망 모델은 신경망 모델의 훈련 또는 학습을 사용하여 제어 파라미터를 처리하기 위한 조정을 결정하기 위해 직접 사용될 수 있다. 초기에, 모델은 각각의 입력 프로세스 제어 파라미터 또는 액션에 대한 값의 범위로부터 무작위로 선택하도록 허용된다. 프로세스 제어 파라미터 조정 또는 액션의 시퀀스가 결점 또는 결함으로 이어지는 경우, 이는 바람직하지 않은 (또는 부정적인) 결과로 이어지는 것으로 점수화 된다. 각각의 프로세스 제어 파라미터 또는 액션에 대해 랜덤으로 선택된 값의 상이한 세트를 사용하는 프로세스의 반복은 바람직한 (또는 긍정적인) 결과를 초래하는 시퀀스의 강화로 이어진다. 궁극적으로, 신경망 모델은 타겟 결과, 즉, 무결함 프린팅된 부품을 달성하기 위해 증착 프로세스 제어 파라미터 또는 액션의 세트 또는 시퀀스에 대해 어떤 조정을 행할지를 "학습"한다.
실시예에서, 본 출원에 설명된 방법 및 시스템은 컨볼루션 신경망(일부 경우에서 CNN, ConvNet, 시프트 불변 신경망, 또는 공간 불변 신경망으로 지칭됨)을 사용할 수 있고, 유닛은 인간 뇌의 시각 피질과 유사한 패턴으로 연결된다. 예를 들어, CNN은 적층 제조 프로세스에서 부품 및 결함의 자동 분류 및 클러스터링을 제공할 수 있다.
실시예에서, 컨볼루션 신경망의 기본 프레임워크 상에 구축된 하나 이상의 모델이 이용될 수 있다. 예를 들어, 부분 또는 결함을 분류할 뿐만 아니라 또한 경계 박스의 관점에서 이미지에서의 그 위치를 결정함으로써 CNN 기반 이미지 분류 모델의 기능성을 확장하는 객체 검출 모델이 사용될 수 있다. 유사하게, R-CNN(Region-based CNN) 모델이 관심 영역(ROI)을 추출하는 데 사용될 수 있으며, 여기서 각각의 ROI는 이미지 내의 부분의 경계를 나타낼 수 있는 직사각형이다.
실시예에서, 더 적은 수의 라벨링된 훈련 예를 사용하여 CNN의 유사한 분류 성능을 달성하기 위해 캡슐 네트워크가 이용될 수 있다.
실시예에서, 어텐션 메커니즘을 사용하는 트랜스포머 기반 인코더-디코더 아키텍처가 컨볼루션 신경망과 함께 또는 그 대신에 사용될 수 있다.
도 117은 본 개시의 일부 실시예에 따른 분류, 예측 및 의사 결정을 위해 디지털 트윈을 사용하도록 인공 학습 시스템을 훈련시키기 위해 플랫폼(10110)으로부터의 데이터에 기초하여 학습하기 위한 시스템을 예시하는 개략도이다.
도 117을 참조하면, 자율 적층 제조 플랫폼(10110) 내의 디지털 트윈(10214)은 모델링, 시뮬레이션, 예측, 의사 결정, 및 분류를 허용하는 제품 트윈(10215), 부품 트윈(10504), 프린터 트윈(10506), 사용자 트윈(10508), 제조 노드 트윈(10510), 패키저 트윈(10512) 등을 포함할 수 있다. 디지털 트윈(10214)은 관련 데이터로 채워질 수 있는데, 예를 들어 제품 트윈(10502)은 치수 데이터, 재료 데이터, 특징 데이터, 열 데이터, 가격 데이터 등을 포함하는 대응하는 제품과 관련된 데이터로 채워질 수 있다.
실시예에서, 디지털 트윈은 다른 디지털 트윈으로부터 생성될 수 있다. 예를 들어, 제품 트윈(product twin)(10215)은 하나 이상의 부품 트윈(10504)을 사용하여 생성될 수 있다. 다른 예에서, 부품 트윈(10504)은 제품 트윈(10215)을 사용하여 생성될 수 있다. 실시예에서, 디지털 트윈은 다른 디지털 트윈에 내장될 수 있다. 예를 들어, 부분 디지털 트윈(10504)은 제조 노드 디지털 트윈(10510)에 내장될 수 있는 제품 디지털 트윈(10215)에 내장될 수 있다.
실시예에서, 시뮬레이션 관리 시스템(10514)은 디지털 트윈(10214) 사이의 상호작용 및 시뮬레이션을 설정, 프로비저닝, 구성, 및 다른 방식으로 관리할 수 있다.
실시예에서, 인공 지능 시스템(10212)은 디지털 트윈 시스템(10214)에 이용가능한 부품 트윈(10502) 및/또는 다른 디지털 트윈을 사용하여 시뮬레이션 관리 시스템(10514)에서 시뮬레이션을 실행하도록 구성된다. 예를 들어, 인공 지능 시스템(10212)은 부품 트윈(10504)의 세트가 3D 프린터에 의해 프린팅될 때 프린터 트윈(10506)의 하나 이상의 특징을 조정할 수 있다. 실시예에서, 인공 지능 시스템(10212)은, 특징의 각각의 세트에 대해, 특징의 세트에 기초하여 시뮬레이션을 실행할 수 있고, 시뮬레이션으로부터 초래되는 시뮬레이션 결과 데이터를 수집할 수 있다. 예를 들어, 프린터 트윈(10506)에서 제조되는 부품 트윈(10504)의 세트에 대한 시뮬레이션을 실행할 때, 인공 지능 시스템(10212)은 프린터 트윈(10506)의 특성을 변화시킬 수 있고 결과를 생성하는 시뮬레이션을 실행할 수 있다. 시뮬레이션 동안, 인공 지능 시스템(10212)은 프린터 트윈(10506)의 주변 온도, 압력, 습도, 조명, 및/또는 임의의 다른 특성을 변화시킬 수 있다. 이 예에서, 결과는 고온이 적용된 후의 부품 트윈(10504)의 조건일 수 있다. 시뮬레이션으로부터의 결과는 기계 학습 모델(10213)을 훈련시키는 데 사용될 수 있다. 실시예에서, 기계 학습 시스템(10210)은 다른 데이터 소스(10114)로부터 훈련 데이터, 결과 데이터, 시뮬레이션 데이터, 및/또는 임의의 다른 데이터를 수신할 수 있다. 실시예에서, 기계 학습 시스템(10210)은 모델을 개선하기 위해 수신된 데이터를 사용하여 기계 학습 모델(10213)을 훈련/강화할 수 있다.
실시예에서, 기계 학습 시스템(10210)은 분류, 예측, 추천을 행하기 위해, 및/또는 설계, 구성, 재료 선택, 형상 선택, 제조 타입, 작업 스케줄링 등을 관장하는 결정 또는 명령어와 같은, 제품 및 부품에 관련된 결정 또는 명령어를 생성하거나 용이하게 하기 위해 인공 지능 시스템(10212)에 의해 이용되는 하나 이상의 모델을 훈련시킨다.
예시적인 실시예에서, 인공 지능 시스템(10212)은 부분 고장 예측 모델을 훈련시킨다. 고장 예측 모델은 부품 관련 데이터를 수신하고 부품 고장의 확률에 관한 하나 이상의 예측 또는 답변을 출력하는 모델일 수 있다. 훈련 데이터는 부품 사양, 환경 데이터, 센서 데이터, 기계 비전 데이터 및 결과 데이터를 포함하는 다수의 소스로부터 수집될 수 있다. 예측 모델이 답변할 수 있는 질문의 일부 예는 다음과 같다: 기계가 언제 고장날 것인지, 어떤 타입의 고장일 것인지, 다음 X 시간 내에 고장이 발생할 확률은 얼마인지, 부품의 잔여 유효 수명은 얼마인지 등. 인공 지능 시스템(10212)은 상이한 질문에 답변하기 위해 하나 이상의 예측 모델을 훈련시킬 수 있다. 예를 들어, 분류 모델은 주어진 시간 윈도우 내에서 고장을 예측하도록 훈련될 수 있는 반면, 회귀 모델은 기계의 잔여 유효 수명을 예측하도록 훈련될 수 있다. 실시예에서, 훈련은 시스템에 의해 수신된 피드백에 기초하여 행해질 수 있으며, 이는 "강화 학습"이라고도 지칭된다. 인공 지능 시스템(10212)은 예측(예를 들어, 부품의 속성, 모델의 속성 등)을 초래한 상황의 세트 및 부품에 관련된 결과를 수신할 수 있고 피드백에 따라 모델을 업데이트할 수 있다.
실시예에서, 인공 지능 시스템(10212)은 비특성적 또는 비정상 거동을 검출하기 위한 모델을 훈련시키기 위해 고장 데이터에 은닉된 고장 패턴을 식별하기 위해 클러스터링 알고리즘을 사용할 수 있다. 상이한 패턴이 특정 마모 거동과 어떻게 상관되는지를 이해하기 위해 다수의 부품에 걸친 고장 데이터 및 그 과거 기록이 클러스터링될 수 있다. 예를 들어, 프린팅 초반에 장애가 발생하는 경우, 장애는 불균일한 프린팅 표면에 기인할 수 있다. 프린팅 후반에 장애가 발생하면, 부품이 프린팅 표면으로부터 탈착되고 실패의 원인은 불량한 베드 접착 및/또는 뒤틀림일 가능성이 있다. 수집된 모든 정보는 모델에 대한 피드백으로서 사용될 수 있다. 시간이 지남에 따라, 다양한 고장 모드가 대응하는 파라미터와 연관될 것이다. 예를 들어, 불량한 베드 접착은 부정확한 온도 설정 또는 프린팅 배향에 의해 야기될 가능성이 있다. 치수 공차를 충족시키는 임의의 장애는 부정확한 가속도, 속도, 또는 층 높이에 의해 야기될 가능성이 있다. 인공 지능 시스템(10210)은 각각의 입력과 각각의 고장 모드 사이의 상관 정도를 결정할 수 있다.
실시예에서, 인공 지능 시스템(10212)은, 플랫폼-전반 유지보수 관리를 포함하여 필요에 따라 유지보수 또는 대체를 개시하기 위해, 그리고 컴퓨터화된 유지보수 관리 시스템(MMS)의 일부로서, 절삭 툴, 필터 및 기계 레이저를 모니터링하도록 구성될 수 있다. 실시예에서, 밸류 체인 네트워크의 적층 제조 엔티티는 부품의 대체를 지원하도록 준비, 구성 및/또는 배치될 수 있다. 예를 들어, 가정 또는 비즈니스에 대한 서비스 방문과 관련하여, 적층 제조 유닛에 의해서 생산된 아이템의 신속한 전달을 용이하게 하기 위해서, 모바일 적층 제조 유닛 및/또는 서비스 방문에 충분히 근접한 근접도로 위치된 유닛과 같은, 적층 제조 유닛이 서비스 방문을 지원하도록 지정될 수 있다. 서비스 방문의 특성(예를 들어, 서비스될 장비의 타입, 장비 내의 구성요소 부품 및 재료의 특성, 식별된 문제 등)을 기초로, 적층 제조 유닛은, 서비스 방문을 지원하기 위한 다양한 가능한 대체 부품, 특수화된 툴, 또는 다른 요소를 프린팅하기에 적합한, 금속 프린팅 재료 및 다른 프린팅 재료의 조합과 같은, 적절한 재료를 구비할 수 있다. 실시예에서, 플랫폼은 서비스되고 있는 아이템을 표시하는 입력(예를 들어, 기술 사양, CAD 설계 등)과 같은 서비스 방문으로부터의 또는 서비스 방문과 관련된 입력; 진단된 문제(예컨대, 전체 서브-어셈블리를 대체할 필요성, 균열 또는 다른 손상을 수리할 필요성 등)를 표시하는 입력; 카메라, 마이크로폰, 데이터 수집기, 센서, 및 서비스 방문과 연관된 다른 정보 소스에 의해 포착된 입력을 취할 수 있다. 예를 들어, 서비스 기술자는 손상된 부분을 보여주는 사진의 세트를 포착할 수 있다. 실시예에서, 플랫폼은, 예컨대, (전문가 서비스 방문 데이터의 훈련 세트에 대해 훈련된 로봇 프로세스 자동화 시스템과 같은) 인공 지능 시스템을 사용하여 입력을 처리하여, 추천된 액션을 결정할 수 있으며, 이는 실시예에서 부품의 대체 및/또는 부품의 수리를 수반할 수 있다. 플랫폼은, 일부 그러한 실시예에서, (예컨대, 전문가 데이터 세트에 대해 훈련된 로봇 프로세스 자동화와 같은 인공 지능 시스템을 사용하여) 대체 부품이 용이하게 이용가능한지 여부 및/또는 적층 제조 시스템이, 예컨대, 지연을 감소시키거나, 비용을 절감하는 등을 위해, 대체 부품을 생산해야 하는지 여부를 자동으로 결정할 수 있다. 유사하게, 플랫폼은, 일부 실시예에서, 유사한 시스템을 이용하여, 예컨대, 마모되거나 존재하지 않는 요소를 대체하기 위해서 상보적인 컴포넌트가 생성될 수 있는 경우에, 수리를 용이하게 하기 위해서 요소가 적층 제조되어야 한다는 것을 자동적으로 결정할 수 있다. 실시예에서, 자동 결정은 서비스 방문으로부터 사진 이미지의 세트를 포착하고, 이들을 적용가능한 부품에 대한 참조 설계와 비교하고, 부품이 참조 설계를 준수하게 렌더링하기 위해 결함 요소에 (예컨대, 지정된 접착제로 접착됨으로써) 추가될 수 있는 상보적 요소를 적층 제조하기 위한 명령어 세트를 생성하는 기계 비전 시스템을 사용하여 이루어질 수 있다. 적층 제조를 위한 명령어를 추천하거나 구성하는 임의의 그러한 실시예에서, 플랫폼은 이용가능한 유닛을 발견하고, 명령어를 구성하고, 적층 제조를 개시하고, 요소가 언제 사용할 준비가 될 것인지에 관한 업데이트와 같은 업데이트를 서비스 기술자에게 제공할 수 있다. 실시예에서, 플랫폼은, 예컨대, 훈련된 AI 에이전트를 통해, 서비스 및 다른 작업흐름에 수반되는 다른 관련 엔티티의 상태, 예컨대, 서비스 작업의 전체 계획된 지속기간(예를 들어, 바로 사용되지 않을 출력을 생성할 적층 제조 작업의 우선순위 하락을 허용하기 위해), 어떤 다른 작업이 행해지고 있는지(예를 들어, 전체 작업흐름과 정렬되는 적층 제조 출력의 적절한 순서화를 허용하기 위해), 서비스 작업의 우선순위(예를 들어, 그것이 동작 장비의 미션 크리티컬 아이템과 관련되는지 대 비-크리티컬 액세서리 아이템과 관련되는지), 중단시간의 비용, 또는 다른 인자를 인식하면서 적층 제조 유닛의 세트에 걸쳐 작업의 세트를 자동으로 구성하고 스케줄링할 수 있다. 실시예에서, 적층 제조 엔티티의 세트에 걸친 작업흐름의 최적화는 인공 지능 시스템이 대안적인 스케줄링 시퀀스, 설계 구성, 대안적인 출력 타입 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 이루어질 수 있다. 실시예에서, 시뮬레이션은, 로봇 취급 시스템에 의해 핸드오프가 취급되는 경우와 같이, 상이한 제조 엔티티 타입의 세트 사이의 핸드오프를 비롯하여, 적층 제조 및 다른 제조 엔티티(예컨대, 절단, 드릴링 등을 수행하는 절삭 제조 엔티티 및/또는 마무리, 경화 등을 수행하는 마감 엔티티)를 수반하는 시퀀스를 포함할 수 있다. 실시예에서, 디지털 트윈의 세트는 다양한 제조 시스템, 다양한 취급 시스템(로봇 시스템, 아암, 컨베이어들 등 뿐만 아니라, 또한 인간 노동력) 및/또는 주변 환경(예컨대, 차량, 제조 시설, 캠퍼스, 또는 심지어 도시와 같은 더 큰 규모의 엔티티)의 속성 및 능력을 나타낼 수 있다.
실시예에서, 인공 지능 시스템(10212)은 스마트 재고 및 재료 관리를 위해 재고 레벨에 영향을 미치는 실시간 동학을 관리하도록 구성될 수 있다. 이는, 예를 들어, 본 출원에 설명된 다양한 타입의 수요 인자 및/또는 공급 인자의 세트에 기초하여 재고 레벨을 예상하는 것 및 부족이 예상되는 위치에 대한 아이템을 생산하기 위해 적층 제조 유닛(10102)을 위한 스케줄을 구성하는 것을 포함할 수 있다.
실시예에서, 인공 지능 시스템(10212)은 재료, 특성, 부품 타입, 부품 클래스, 산업, 준수 등에 의해 검색가능할 수 있는 사전 구성된 파라미터를 갖는 부품의 라이브러리를 구축, 유지, 및 제공하도록 구성될 수 있다. 이는, 예를 들어, 웹사이트 재료, 제품 사양 등을 포함하는 게시된 재료를 참조함으로써 부품을 발견하는 검색 알고리즘의 세트; 예컨대, 부품 정보에 대해 데이터베이스에 질의하기 위해서와 같이, 부품 제공자의 API 또는 다른 인터페이스를 질의하는 알고리즘의 세트; 및/또는 부품의 또는 부품에 관한 이미지, 센서 데이터, 테스트 데이터 등을 포착하는 데이터 수집 시스템의 세트를 포함할 수 있다.
실시예에서, 인공 지능 시스템(10212)은 출력, 타이밍, 재료, 컬러, 형상, 배향, 및/또는 프린팅 전략과 관련하여 하나 이상의 사용자와 연관된 사용 패턴을 분석하고 사용자 선호도를 학습하도록 구성될 수 있다. 예를 들어, 시스템(10212)은, 예컨대, 적층 제조 유닛(10102)별, 위치별, 사용자별, 조직별, 역할별, 등으로, 제조를 위해서 어떠한 재료가 이용되었는지, 제조를 위해서 어떠한 프로세스가 이용되었는지, 어떠한 형상이 생산되었는지, 어떠한 마감 단계가 수행되었는지, 어떠한 컬러가 이용되었는지, 어떠한 기능이 가능해졌는지, 등을 나타내는 프로파일을 개발할 수 있다. 프로파일은 사용자, 조직 등의 선호도를 결정, 추론, 또는 제안하기 위해 사용될 수 있다. 예를 들어, 조직의 바람직한 브랜드 컬러가 인식될 수 있고, 따라서 적층 제조 단계의 개발에서 일치하는 재료 및 코팅이 추천되고 및/또는 사전 구성된다.
실시예에서, 인공 지능 시스템(10212)은 하나 이상의 3D 프린터에 대한 실시간 교정(calibration)을 수행하도록 구성될 수 있다. 이는 전문가 사용자의 교정 상호작용의 훈련 데이터 세트에 대한 훈련을 포함할 수 있다. 교정은, 예컨대, 동일한 일반적인 타입의 재료의 특정 빈(bin) 또는 로트(lot)로부터의 재료를 포함할 수 있는 특정 재료로 동작하도록 적층 제조 유닛(10102)을 교정하도록 인공 지능 시스템(10212)을 훈련시키는 것에 의해, 작업 특정적(job-specific)일 수 있다.
실시예에서, 인공 지능 시스템(10212)은 적층 제조 프로세스 동안 재료 폐기물 생성을 최소화하도록 구성될 수 있다. 이는 마감 단계에서 제거될 필요가 있는 재료를 최소화하도록 생산을 구성하는 것, 사용되지 않은 재료가 재사용을 위해 쉽게 제거되는 출력을 생성하도록 생산을 구성하는 것, 및/또는 재사용가능/재활용가능 재료를 선호하도록 생산을 구성하는 것을 포함할 수 있다.
실시예에서, 인공 지능 시스템(10212)은 플랫폼(10110)에 대한 사이버 보안 위험 및 위협을 검출하도록 구성될 수 있다.
실시예에서, 인공 지능 시스템(10212)은 규제 준수를 평가하도록 구성될 수 있다. 예를 들어, 실시예에서, 인공 지능 시스템(10212)은 UL 또는 CE 인증, FDA 승인, OSHA 승인 등인 것과 같은 승인된 또는 인증된 제품 설계의 라이브러리 또는 다른 소스를 검색하고, 적층 제조의 출력이 준수/승인된 형태의 제품을 산출할 것임을 확인하기 위해 설계 구성을 이들과 비교하도록 구성될 수 있다. 실시예에서, 인공 지능 시스템(10212)은 결과적인 출력의 성능을 시뮬레이션하기 위해 디지털 트윈 시스템, 시뮬레이션 시스템 등과 함께 작동할 수 있고, 시뮬레이션된 성능을, 힘, 화학적 효과, 생물학적 효과, 방사선 등을 견디는 능력에 적용되는 것과 같은 규제 또는 다른 요건과 비교할 수 있다. 예를 들어, 하우징과 같은 제품 컴포넌트가 방사선으로부터의 차폐를 제공하도록 의도되는 경우, 인공 지능 시스템(10212)은 제품 재료, 두께, 및 형상이 규제 및/또는 설계 요건을 충족시키기에 충분한 차폐를 제공할 것인지를 자동으로 평가하기 위해 방사선 전파 물리학 모델을 포함하는 디지털 트윈 상에서 또는 그 내에서 동작할 수 있다.
실시예에서, 인공 지능 시스템(10212)은 플랫폼(10110)에 대한 전력 소비를 최적화하도록 구성될 수 있다. 이는 (a) 다양한 이용가능한 활동에 의해 소비되는 전력을 측정하는 단계; (b) 에너지 가격의 예측 모델에 따라 적층 제조 작업의 스케줄링을 수행하도록 인공 지능 시스템(10212)을 훈련시키는 단계; 및/또는 (c) 인공 지능 시스템이 유리한 전력 소비 패턴을 생성하는 동작의 바람직한 시퀀스를 선택하기 위해 대규모 본체 시뮬레이션을 수행하게 하는 단계를 포함하는 운영 데이터의 훈련 세트에 대해 인공 지능 시스템(10212)을 훈련시키는 단계를 포함할 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 부품 수축 또는 팽창을 예측하기 위해 부품 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다. 이는 인공 지능 시스템(10212)이, 실시예에서, 재료 사이에 명확한 경계가 없는 재료의 경사 층을 포함하는, 요소, 합금, 화합물, 혼합물 및/또는 조합에 대한 열 팽창 계수를 포함하는 물리적 모델의 세트를 사용하게 하는 것을 포함할 수 있다. 실시예에서, 인공 지능 시스템(10212)은 제조 및/또는 사용 동안 관찰된 수축 및/또는 팽창에 기초하여 훈련될 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 부품 뒤틀림을 예측하기 위해 부품 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다. 이는 인공 지능 시스템(10212)이, 실시예에서, 재료 사이에 명확한 경계가 없는 재료의 경사 층을 포함하는, 요소, 합금, 화합물, 혼합물 및/또는 조합에 대한 열 팽창 계수를 포함하는 물리적 모델의 세트를 사용하게 하는 것을 포함할 수 있다. 실시예에서, 인공 지능 시스템(10212)은 제조 및/또는 사용 동안 관찰된 뒤틀림에 기초하여 훈련될 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 부품 수축, 팽창 및/또는 뒤틀림을 보상하기 위해 3D 프린팅된 프로세스에 대한 필요한 변경을 계산하기 위한 부품 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 적층 제조된 부품의 호환성을 테스트하기 위해 부품 트윈 상에서 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다. 실시예에서, 호환성은 어셈블리 내의 하나 이상의 다른 부분과 함께 테스트될 수 있다. 실시예에서, 호환성은 동작 환경과 함께 테스트될 수 있다. 실시예에서, 호환성은 3D 프린터로 테스트될 수 있다. 호환성은 형상 호환성(예를 들어, 키-인-록; 하우징-어라운드-인테리어; 페그-인-홀; 암수(male-with-female), 지지체-피지지체(support-with-supported), 또는 다른 타입의 인터페이스/상호연결 호환성); 환경적 호환성 (예를 들어, 화학적 인자, 물리적 인자, 방사선 인자, 생물학적 인자, 온도, 압력 등과 같은 예상되는 사용 환경과의 재료의 호환성); 기능적 호환성(예를 들어, 하중, 응력, 비틀림 등을 견디는 능력) 등을 포함할 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 적층 제조된 아이템에서의 변형 또는 고장을 예측하기 위해 부품 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 변형의 발생을 최소화하기 위해 축조 프로세스를 최적화하기 위한 부품 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 제품의 가격을 예측하기 위해 제품 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다. 실시예에서, 가격의 예측은 다음을 포함할 수 있다: (a) 유사한 아이템의 시장 가격에 기초한 예측(및/또는 그러한 가격의 예상); (b) 예측된 수요에 기초한 예측; (c) 인도된(committed) 수요에 기초한 예측; (d) 스마트 계약 기간 및 조건에 기초한 예측; 및/또는 (e) 특히, 재료, 에너지 비용, 배송, 및 노동을 포함하는 비용에 기초한 예측(기본 비용으로부터 가격에 도달하기 위한 이익/마킹 금액의 범위를 포함할 수 있음). 실시예에서, 가격 예측은 도매 가격, 소매 가격, 볼륨 가격, 위치-기반 가격 등을 포함할 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 적층 제조 견적을 생성하기 위해 부품 트윈, 제품 트윈 및 프린터 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 플랫폼의 사용자에 대한 프린팅과 관련된 추천을 생성하기 위해 부품 트윈, 제품 트윈 및 프린터 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다. 실시예에서, 추천은 프린팅을 위한 재료의 선택과 관련될 수 있다. 실시예에서, 추천은 적층 제조 기술의 선택과 관련될 수 있다. 실시예에서, 추천은 제조의 타이밍과 관련될 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 적층 제조 작업에 대한 배달 시간을 예측하기 위해 부품 트윈, 제품 트윈 및 프린터 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다. 시뮬레이션은 (레이턴시와 가격/비용 사이의 트레이드오프를 표시하는 것과 같이) 상이한 우선순위 레벨 하에서 예측된 배달 시간을 결정하기 위한 우선순위 레벨에서의 변화를 포함할 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 제조 프로세스에서 비용 초과을 예측하기 위해 부품 트윈, 제품 트윈, 프린터 트윈, 제조 노드 트윈 등에 대해 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은, 견적 가격, 배달, 판매 마진, 주문 크기, 또는 유사한 특성에 기초하여 부품의 생산 순서화를 최적화하기 위해 부품 트윈, 제품 트윈, 프린터 트윈 및 제조 노드 트윈에 대한 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다. 실시예에서, 최적화는 시장 데이터, 웹사이트 데이터, (API에 의한 것과 같은) 제조자 제공 데이터 및/또는 그러한 특성과 관련된 스마트 계약의 세트의 기간 및 조건과 같은 공개 데이터에 기초한 최적화를 포함할 수 있다.
실시예에서, 기계 학습 시스템(10210)에 의해 훈련된 모델은 제조를 위한 사이클 시간을 최적화하기 위해 부품 트윈, 제품 트윈 및 프린터 트윈에 대해 시뮬레이션을 실행하도록 인공 지능 시스템(10212)에 의해 이용될 수 있다. 실시예에서, 사이클 시간의 최적화는 (부품 사양 및 적층 제조 기술에 따라 극적으로 달라질 수 있는) 후처리를 위한 시간을 포함한다.
실시예에서, 적층 제조를 위한 명령어 세트는, 예컨대, 이미지 및/또는 공간 표현을 취급 및/또는 생성하기 위해 자연어 기반 인공 지능과 다른 인공 지능의 혼합을 사용하여, 예컨대, OpenAI™로부터의 DALL-E 언어 모델 또는 이미지를 3D 모델로 변환하기 위한 모델 및/또는 이미지 또는 3D 모델을 적층 제조 명령어 세트로 변환하기 위한 모델과 추가로 조합된 다른 트랜스포머 언어 모델(텍스트 기반 및 이미지 기반 모델의 조합)을 사용하여, 텍스트 설명으로부터 자동으로 생성될 수 있다. 하이브리드, 트랜스포머 인공 지능 시스템은, 예를 들어, (한 쌍의 안경 및 고양이와 같은) 시맨틱 객체의 세트를 표현하는 파라미터의 세트를 생성하고, (휘스커 또는 고양이 눈 렌즈와 같은 고양이와 유사한 속성을 갖는 안경과 같은) 출력 설계를 생성하고, 출력 설계를 적층 제조 명령어 세트로 변환하도록 훈련될 수 있다. 이러한 실시예에서, 사용자는, 예를 들어, 원하는 출력에 대한 텍스트 문자열을 입력하고 옵션을 나타내는 다양한 3D 모델을 제공받을 수 있다. 사용자는 바람직한 옵션을 선택하고, 아이템을 생성하기 위한 적층 제조 작업을 개시할 수 있다. 실시예에서, 플랫폼은 관심, 속성, 검색 결과, 프로파일, 뉴스 주제, 또는 다른 인자를 추적하여 입력 텍스트 스트링의 세트를 생성하여 사용자에 대한 적층 제조를 위해 추천되는 객체의 세트를 생성할 수 있다. 실시예에서, 추천은 다른 사용자와의 유사성에 기초하고, 예컨대, 클러스터링 기술에 기초한다. 실시예에서, 추천은 협력 필터링에 기초한다.
실시예에서, 디지털 트윈(10214)은 대화, 텍스트, 제스처 등과 같은 다수의 통신 채널을 통해 사용자와 통신하도록 구성된다. 예를 들어, 디지털 트윈은 분산 제조 네트워크 엔티티에 관한 질의를 사용자로부터 수신하고, 질의에 대한 응답을 생성하고, 그러한 응답을 사용자에게 통신할 수 있다. 추가적으로, 디지털 트윈은 다른 분산 제조 네트워크 엔티티에서의 유사한 동작 패턴 및 문제들 뿐만 아니라, 또한 그러한 문제를 해결하기 위해 취해지는 단계로부터 학습하고 식별하기 위해 서로 통신할 수 있다. 예를 들어, 2개의 제조 노드의 디지털 트윈 또는 부품, 프린터 및 제조 노드의 디지털 트윈은 고객 요청을 해결하거나 그에 응답하기 위해 서로 통신할 수 있다.
도 118은 본 개시의 일부 실시예에 따른 분산 제조 네트워크의 다른 엔티티와 함께 다양한 컴포넌트를 포함하는 자율 적층 제조 플랫폼의 예시적인 구현을 예시하는 개략도이다.
자율 적층 제조 플랫폼(10110)은 사용자, 프로그램 및 데이터 소스(10114)를 포함하는 하나 이상의 엔티티로부터 데이터를 수집할 수 있다. 사용자 인터페이스(10112) 내의 데이터 취득 시스템(10602)은 플랫폼의 하나 이상의 사용자로부터 데이터를 수집하기 위해 채팅 인터페이스(10604), 스마트 음성 인터페이스(10606) 및 파일 업로드 인터페이스(10608)와 같은 인터페이스의 세트를 포함할 수 있다. 추가적으로, 카메라 및 기계 비전 시스템을 포함하는 하나 이상의 센서(10610), 음향/사운드 센서(예를 들어, 선택적으로 어레이 내의 다수의 마이크로폰을 포함하는 마이크로폰을 가짐), 전력 및 에너지 센서, 질량 센서, 위치 센서, 온도 센서, 습도 센서, 압력 센서, 점도 센서, 유동 센서, 화학/가스 센서, 스트레인 게이지, 열 이미징, 초분광 이미징, 사운드 센서, 공기 품질 센서 등은 플랫폼(10110)에 데이터를 제공할 수 있다. 데이터 소스(10114)는 또한 프로그램, 기계 학습 시스템(10210)으로부터의 결과 데이터를 제공하는 피드백 소스(10612) 및 데이터 라이브러리(10614)를 포함할 수 있다.
실시예에서, 사용자 인터페이스(10112)에서의 데이터 시각화(10615)는 플랫폼(10110)의 사용자가 분산 제조 네트워크(10130) 또는 네트워크(10130) 내의 하나 이상의 엔티티와 관련된 정보를 시각화하기 위한 대시보드, 인터페이스 및 통합의 세트를 제공할 수 있다. 예를 들어, 대시보드는 3D 프린팅된 부품 또는 제품과 같은 분산 제조 네트워크 엔티티에 대한 디지털 스레드와 관련된 정보를 포함하는 시각화를 제공할 수 있다. 다른 대시보드는 제조 주문의 상태의 실시간 가시성에 관한 정보를 포함하는 시각화를 제공할 수 있다. 대안적인 대시보드는 동일한 묶음(batch)으로부터의 부품을 식별하기 위해 묶음 추적성(batch traceability)과 관련된 정보를 포함하는 시각화를 제공할 수 있다. 대시보드는 예측된 수요, 재고 레벨 등을 포함하는 수요 인자의 시각화를 제공할 수 있다. 검색 인터페이스는 부품, 기계, 생산 날짜 또는 위치에 기초하여 하나 이상의 사용자로부터의 질의를 해결하기 위해 제공될 수 있다. 실시예에서, 가상 현실(VR) 시스템은 데이터 시각화(10615) 및 모델링 시스템(10620)과 통합될 수 있고, 그에 의해 사용자가 VR에서 3D 모델을 구축할 수 있게 한다. 실시예에서, 가상 현실 시스템은 사용자가 (포인트 클라우드와 같은) 스캐닝된 데이터 및/또는 모델 기반 VR 및 스캔(및/또는 증강 현실 및/또는 혼합 현실 모델에서와 같은 다른 증강 또는 오버레이들)의 조합으로 구성되는 모델을 구축하는 것을 허용하는 것과 같이, 스캐닝 시스템(10617)과 통합될 수 있다. 이는 또한 증강 현실(AR) 및 혼합 현실(MR)을 사용하는 것을 포함하는 심층 전문 지식 없이 부품 설계를 개발하기 위한 더 넓은 세트의 사용자 상호작용을 포함할 수 있다.
실시예에서, 사용자 인터페이스(10112)는 부품 배향, 지원 결정, 툴 경로 생성 및/또는 네스팅을 위한 미리 설정된 구성을 트리거링하는 단일 클릭 전처리 프로세스를 포함할 수 있다.
실시예에서, 사용자 인터페이스(10112)는 분말 제거, 지지부 제거 및 표면 마감을 위한 미리 설정된 구성을 트리거링하는 단일 클릭 후처리 프로세스를 포함할 수 있다.
플랫폼의 사용자는 또한 시뮬레이션 시스템(10116)을 사용하여 프린팅될 부품 또는 제품의 설계를 포착하는 CAD 및 STL 파일을 구축할 수 있다. 설계 툴(10616) 및 설계 라이브러리(10618)의 세트는 사용자가 모델링 시스템(10620)에서 모델을 구축하고 시뮬레이션 환경(10622)에서 시뮬레이션을 실행하는 것을 허용할 수 있다. 실시예에서, 부품 또는 제품의 설계는 IGES 파일, SolidWorks 파일, Catia 파일, ProE 파일, 3D 스튜디오 파일, STEP 파일 및 Rhino 파일을 포함하지만 이에 제한되지 않는 다양한 파일 포맷으로 포착될 수 있다. 실시예에서, 설계는 PNG 파일, JPEG 파일, GIF 파일 및/또는 PDF 파일과 같은 디지털 이미지의 형태 뿐만 아니라, 또한 레이저 스캐닝에 의해 생성된 포인트 클라우드와 같은 스캐닝된 데이터 포맷, 및 초음파, MRI, x-선, 전자 빔, 레이더, IR 및 다른 스캐닝 시스템으로부터의 출력으로 포착될 수 있다.
데이터 저장 시스템(10204)은, 예컨대, 본 출원에 설명된 부품 또는 제품 또는 임의의 다른 자산 또는 엔티티를 포함하는, 시간 경과에 따른 분산 제조 네트워크(10130)의 엔티티 또는 자산에 대한 이벤트 데이터(10628) 및 상태 데이터(10630)의 기록을 유지하기 위해, 분산 원장(10624), 디지털 스레드(10626) 등에 데이터를 저장할 수 있다.
실시예에서, 디지털 스레드(10626)는 설계로부터, 모델링, 생산, 검증, 사용 및 유지보수를 거쳐 폐기까지 부품과 같은 적층 제조에 의해 생산된 아이템의 전체 라이프사이클과 관련된 정보를 구성한다.
실시예에서, 디지털 스레드(10626)는 다수의 제조 시설/위치에 걸쳐 CNC 장비, 로봇 공학 지원, 제품/부분 마킹, 계측 장비 등과 같은 후처리 툴을 포함하는 하나 이상의 적층 제조 기계, 또는 툴에 관련된 정보를 구성한다.
실시예에서, 디지털 스레드(10626)는, 선택적으로, 다수의 구성으로부터 전체 제품 디지털 스레드로의 집계된, 링크된, 또는 통합된 정보를 포함하여, 설계로부터, 모델링, 생산, 검증, 사용 및 유지보수를 거쳐 폐기까지 제품의 전체 라이프사이클과 관련된 정보를 구성한다.
데이터 처리 시스템(10206)은 데이터 수집 및 관리 시스템(10202)에 의해 수집된 데이터를 처리하여 도 115, 116 및 118 또는 본 출원의 다른 곳에서 또는 본 출원에 참조로 포함된 문서에 상세히 설명된 바와 같이 인공 지능 시스템(10212)(기계 학습 시스템(10210)을 포함함), 디지털 트윈 시스템(10214) 및 제어 시스템(10216)을 통해 실시간으로 프로세스 파라미터를 최적화하고 조정한다.
제조 작업흐름 관리 애플리케이션(10208)은 생산 또는 프린팅 및 밸류 체인 관리와 관련된 다양한 작업흐름, 이벤트 및 애플리케이션을 관리할 수 있다. 실시예에서, 매칭 시스템(10632)은 고객 주문의 세트를 적층 제조 유닛(10102) 또는 제조 노드의 세트와 매칭시키는 것을 도울 수 있다. 주문은 확정 주문, 조건 주문(예를 들어, 가격 우발성, 타이밍 우발성 또는 다른 인자에 기초함), 집계된 주문, 맞춤 주문, 볼륨 주문, 시간 기반 주문 등을 포함할 수 있다. 실시예에서, 주문은 블록체인의 세트 상에서 동작하는 것과 같은 스마트 계약으로 표현될 수 있다. 매칭은 적층 제조 능력, 고객 및 제조 노드의 위치, 각각의 노드에서의 이용가능한 용량, 재료 가용성, 가격(용량에 대한 다른 이용가능한 사용의 재료, 에너지, 노동 및 기회 비용을 포함함) 및 타임라인 요건과 같은 인자에 기초할 수 있다. 실시예에서, 제품의 상이한 부분은 상이한 제조 노드와 매칭될 수 있고, 제품은 최종적으로 고객에게 전달되기 전에, 노드 중 하나에서, 또는 (예컨대 이동 중인 동안, 예컨대 차량 또는 배송 컨테이너에 위치된 로봇 조립 시스템에 의해) 밸류 체인 네트워크의 다른 곳에서 조립될 수 있다.
실시예에서, 적층 제조 플랫폼은, 맞춤 및/또는 규제에 의해 다중 중복성이 의무화되는 대형 항공기 또는 해양 시스템에 이용가능한 부품의 재고를 유지하도록 구성될 수 있다. 실시예에서, 예시적인 시스템은 기본 동작 시스템에 비해 2배, 3배 또는 그 이상의 중복성을 포함한다. 이러한 예에서, 특정 시스템은 이전에는 전체 제3, 제4 등의 중복성을 적절하게 공급하기 위해 이전에 전체 재고가 요구될 때, 제3, 제4 등의 중복성을 채우는 기성품 제품을 활용할 수 있다. 본 개시에 비추어, 일부 중요한 시스템은 이미 의무화된 공급에 대한 추가 중복성 계층으로서 이러한 부품만을 허용할 수 있다는 점에서 모든 시스템에 본 개시가 적용가능하지는 않을 것이라는 점이 이해될 것이다. 비행 중에, 중량 및 에너지 소비를 최소화하고자 하는 욕구는 특정 부품의 생성에 대한 욕구를 제한할 수 있지만, 객실의 요건을 살피기 위해 더 긴 지구력 비행에 대해 부품을 생성하는 능력은 일부 비행 중 기능을 제공하기 위한 하나의 동기가 될 수 있다. 예를 들어, 래치, 힌지, 시트 벨트 등과 같은, 비행 중에 고장날 수 있는 로킹 컴포넌트는 객실 내 안전을 개선하기 위해 대체되거나 일시적으로 로킹 폐쇄될 수 있다. 느슨해질 수 있는 컴포넌트는 또한 비행을 통해 부품을 제자리에 웨징 또는 보유하기 위해 맞춤 프린팅된 부품에 의해 시밍되거나(shimmed) 제자리에 일시적으로 수용될 수 있다. 예는 대시보드, 오버헤드, 또는 다른 조종석 제어부에 항공 전자 컴포넌트를 유지하는 것, 갤리에 접대 아이템을 유지하는 것, 좌석 레일 상에 좌석을 유지하는 것 등을 포함한다.
예에서, 추가적인 재고를 생성하기 위해 적층 제조 플랫폼을 사용하여 비행 중 구성가능한 아이템을 항공기에 갖출 수 있으며, 이로 인해 비행에 최소한의 장비 리스트가 요구되고, 항공기가 착륙하여 서비스를 위해 게이트에 돌아가기 전에 이들 부품이 교체될 수 있고, 따라서, 적어도 수리에 기여하며, 이러한 수리는 다른 경우에는 조기 착륙을 필요로 하지는 않지만, 그 다음 원하는 사용시까지 항공기의 다음 파견을 방해할 수 있다.
항해 실시예에서, 추가적인 재고를 생성하기 위해 적층 제조 플랫폼을 사용하여 항해 중에 구성가능한 아이템을 항해 선박에 갖출 수 있으며, 이로 인해 승선(등)을 위해 의무화된 최소한의 장비 리스트가 요구되고, 선박이 정박하여 리로딩하기 전에 이들 부품이 교체되고, 따라서, 적어도 수리에 기여하며, 이러한 수리는 다른 경우에는 우회 및 조기 상륙을 필요로 하지는 않지만, 그 다음 원하는 사용시까지 선박의 다음 적시 파견을 방해할 수 있다.
실시예에서, 적층 제조 플랫폼은 더 큰 어셈블리의 부품 및 조정된 부품의 구성을 조정하기 위해 육상 기반 적층 제조 자산과 조정하도록 구성될 수 있어서, 항구 또는 행거에서의 중단시간이 최소화될 수 있다. 이 예에서, 적시에 유지보수 재고를 제공하는 엔티티는 하나 이상의 제안을 증강시키거나 또는 항해 및/또는 비행 동안 활성 상태인 하나 이상의 현장 시스템과 조정할 수 있는 항구 또는 행거 시스템 내에서 하나 이상의 제안을 조정함으로써 도달범위 및 깊이를 연장할 수 있다.
실시예에서, 매칭 시스템(10632)은, 매칭이 태스크 복잡성, 엔지니어 경험 및 전문 지식과 같은 인자에 기반할 수 있는 경우, 적층 제조 태스크를 엔지니어와 매칭시키는 것을 돕는다. 실시예에서, 매칭 시스템(10632)은 적층 제조 태스크를 마감 작업자의 위치 및/또는 가용성과 매칭시키는 것을 돕고, 여기서 매칭은 태스크 복잡성, 작업자 경험 및 전문 지식과 같은 인자에 기초할 수 있다. 실시예에서, 매칭 시스템(10632)은 적층 제조 태스크를 적층 제조 유닛(10102)의 세트와 매칭시키는 것을 돕는다.
실시예에서, 점수화 시스템(10634)은, 예컨대 성능, 품질, 적시성, 조건, 상태 등에 기초하여, 분산 제조 네트워크(10130) 내의 다양한 엔티티를 점수화하고 등급화하는 것을 돕는다. 실시예에서, 점수화 시스템(10634)은, 예컨대 고객 요건을 충족시키기 위해, 고객 만족도 점수에 기반하여 제조 노드를 등급화하는 것을 돕는다. 실시예에서, 점수화 시스템(10634)은, 요구되는 시간, 출력의 품질, 사용되는 에너지, 및 다른 인자를 비롯한, 적층 제조 태스크를 완료함에 있어서의 조건/성능에 기반하여 엔지니어 또는 다른 작업자를 등급화하는 것을 돕는다. 실시예에서, 점수화 시스템(10634)은, 프로세스 메트릭, 출력 메트릭, 제품 품질 측정, (ROI, 수율, 이익 등과 같은) 경제적 측정, 고객 만족 측정, 환경 품질 측정 등을 비롯한, 적층 제조 태스크를 완료함에 있어서의 조건 또는 성능에 기초하여 적층 제조 유닛(10102)을 등급화하는 것을 돕는다.
실시예에서, 주문 추적 시스템(10636)은 제품 주문이 최종적으로 고객에게 전달될 때까지 분산 제조 네트워크(10130)에서의 그 이동을 통해 제품 주문을 추적하는 것을 돕는다. 주문 추적 시스템(10636)은 실시간 또는 거의 실시간 기반으로 분산 제조 네트워크(10130)의 다양한 엔티티로부터 상태 데이터를 수신할 수 있다. 예를 들어, 3D 프린터는 생산 단계 데이터에 대한 업데이트를 제공할 수 있거나 배송 시스템은 제품 위치에 대한 업데이트를 제공할 수 있다. 이 정보는 이어서 주문 추적 시스템(10636)을 통해 실시간으로 또는 거의 실시간 기반으로, 예컨대 사용자 또는 고객 아이덴티티에 의해 추적될 수 있다. 작업흐름 관리자(10638)는 네트워크(10130)의 하나 이상의 엔티티에 관련된 다양한 이벤트, 활동 및 트랜잭션을 포함하는 분산 제조 네트워크(10130)에 대한 완전한 3D 프린팅 생산 작업흐름을 관리한다.
실시예에서, 경보 및 통지 시스템(10640)은 하나 이상의 이벤트에 관한 경보, 통지 또는 보고를 네트워크(10130)의 사용자 또는 고객에게 제공한다. 예를 들어, 경보 및 통지 시스템(10640)은 경보 및 통지가 생성될 수 있는 생산 작업흐름의 모니터링에 기초하여 특정 생산 파라미터 또는 에러에 관련된 데이터를 수신할 수 있다. 그러한 경보, 통지, 또는 보고는 이어서 이메일, 텍스트 메시지, 인스턴트 메시지, 전화 통화, 및/또는 다른 통신(예를 들어, 인터넷 또는 다른 데이터 또는 메시징 네트워크를 사용함)을 통해 사용자 또는 고객의 컴퓨팅 디바이스(예를 들어, 컴퓨터, 태블릿 컴퓨터, 스마트폰, 전화, 모바일 전화, PDA, TV, 게임 콘솔 등)에 송신될 수 있다.
실시예에서, 에러 통지는 생산을 계속하거나 정지하는 것 또는 설계 또는 생산 설정에 대한 조정을 행하는 것과 관련된 플랫폼(10110)의 사용을 위한 옵션을 제공할 수 있다.
다른 예에서, 분산 제조 네트워크의 사용자 또는 고객은 분산 제조 네트워크(10130)의 실시간 및 과거 데이터에 기초하여 라이브 상태 및 분석을 포함하는 맞춤 보고를 제공받을 수 있다. 실시예에서, 맞춤 보고는 네트워크 내의 하나 이상의 제조 노드에 걸쳐 수요, 생산 용량, 재료 사용, 작업흐름 비효율성, 출력 타입, 출력 파라미터, 사용되는 재료, 비용, ROI 등과 관련된 데이터 및 분석을 포함할 수 있다.
실시예에서, 지불 게이트웨이(10642)는 분산 제조 네트워크(10130)를 사용하여 제품을 주문하는 고객에 대한 전체 청구, 지불 및 인보이싱 프로세스를 관리한다. 이는 분산 원장, 예컨대, 블록체인 기반 원장과 같은 계정 또는 원장 상에 이벤트 또는 트랜잭션을 기록하는 것을 포함할 수 있다. 지불은, 예컨대 스마트 계약에 구체화되는, 예컨대, 지불인에 걸쳐 지불을 할당하기 위한 규칙 세트에 따라 할당될 수 있고; 예를 들어, 저작권 보호 또는 다른 독점 명령어 세트로부터의 프린팅은 지적 재산 소유자, 관리자 등에 대한 로열티 지불을 트리거할 수 있다.
플랫폼(10110)에 의해 제공되는 이러한 애플리케이션은 단지 예로서 제시되고 범위를 제한하는 것으로 해석되어서는 안 되며 많은 다른 애플리케이션이 분산 제조 네트워크(10130)의 하나 이상의 양태를 관리하기 위해 제공될 수 있다는 것이 명백할 것이다.
실시예에서, 인증 애플리케이션은 간단한 사용자 이름/패스워드 메커니즘, 생체인식 메커니즘 또는 암호화 키 교환 메커니즘을 포함하는 하나 이상의 인증 메커니즘을 통해 플랫폼의 사용자의 아이덴티티를 인증하기 위해 제공될 수 있다. 유사하게, 인가 애플리케이션은 상이한 역할을 갖는 사용자가 상이한 액세스 권한을 제공받도록 플랫폼의 사용자의 역할 및 액세스 권한을 정의할 수 있다. 예를 들어, "관리자" 또는 "호스트" 특권은 플랫폼의 사용자가 플랫폼 구성을 변경하고, 프로그램을 추가 및 제거하고, 임의의 파일에 액세스하고, 플랫폼 상의 다른 사용자를 관리하는 것을 허용할 수 있고; "엔지니어" 특권은 플랫폼의 사용자가 플랫폼을 동작시키는 것을 허용할 수 있고; 그리고 "서비스" 특권은 플랫폼의 사용자가 관리자 특권의 서브세트에 액세스하여 유지보수 및 수리 활동을 수행하는 것을 허용할 수 있다.
생산 관리를 위해 플랫폼(10110)에 의해 제공되는 일부 다른 예시적인 애플리케이션은 부품 마킹, 슬라이싱 툴 선택, 공급원료 공급에 대한 경보 및 통지, 프린팅 큐 관리, 프린터 플로어 관리, 작업 스케줄링(다수의 유닛에 걸친 것을 포함함), 마감 작업 관리, 패키징 관리, 물류 준비 등을 포함한다. 생산 보고를 위해 플랫폼(10110)에 의해 제공되는 일부 예시적인 애플리케이션은 주문 실패 보고, 관리 정보 시스템 경보, 원격 품질 보증, 인증, 인덱싱 등을 포함한다. 생산 분석을 위해 플랫폼(10110)에 의해 제공되는 일부 예시적인 애플리케이션은 주문 매칭, 생산 실패 분석, 보증 관리 등을 포함한다. 밸류 체인 관리를 위해 플랫폼(10110)에 의해 제공되는 일부 예시적인 애플리케이션은 지불 프로세서, 디지털 포맷 변환, 생산 제한, 수출 제한 필터링 등을 포함한다.
실시예에서, 플랫폼(10110)은 ERP(Enterprise Resource Planning) 시스템(10644), MES(Manufacturing Execution system)(10646), PLM(Product Lifecycle Management) 시스템(10648), MMS(maintenance management system)(10650), QMS(Quality Management system)(10652), 인증 시스템(10654), 준수 시스템(10656), 로봇/코봇 시스템(10658), SCCG 시스템(10660) 등과 같은, 본 출원에 그리고 본 출원에 참조로 포함된 문서에 설명된 다양한 타입의 하나 이상의 제3자 시스템과 통합된다. 실시예에서, 플랫폼은 또는 밸류 체인 네트워크 엔티티의 세트를 관리하기 위한 것과 같이, 밸류 체인 네트워크 제어 타워 시스템에 통합된다.
실시예에서, API 시스템은 플랫폼(10110)과 하나 이상의 제3자 시스템 사이의 데이터 전달을 용이하게 한다. API 시스템은 명령어 세트의 전달을 위한, 경보, 통지 등을 전달하기 위한 것, (작업흐름 관련 이벤트와 같은) 이벤트 스트림을 송신하기 위한 것, (제조로부터의 프로세스 감지, 환경 감지 등과 같은) 센서 데이터를 전달하기 위한 것, 사용자 데이터를 취급하기 위한 것, 지불을 처리하기 위한 것, 스마트 계약, 블록체인, 및 다른 시스템들과 통합하기 위한 것, AI 시스템과 데이터를 전달하기 위한 것, 3D 렌더링 및 다른 모델링 시스템과 데이터를 전달하기 위한 것 등의 API의 세트로 구성될 수 있다.
실시예에서, ERP(Enterprise Resource Planning) 시스템(10644)은, 다른 기능 중에서도, 제조 노드 내에서 그리고 분산 제조 네트워크(10130) 내의 다수의 제조 노드에 걸쳐, 재무, 판매, 마케팅, 서비스, 엔지니어링, 제품 관리, 회계, 조달, 유통, 리소스, 프로젝트 관리, 위험 관리 및 준수에 걸쳐 비즈니스 프로세스를 간소화하고 통합하는 것을 돕는다. ERP 시스템(10644)은 분산 제조 네트워크(10130)에서 다양한 생산 및 밸류 체인 프로세스를 함께 묶고 이들 사이의 데이터의 흐름을 가능하게 할 수 있다.
실시예에서, 제조 실행 시스템(MES)(10646)은 제조 노드 내에서 그리고 분산 제조 네트워크(10130)에서 다수의 제조 노드에 걸쳐 제조 동작을 간소화하기 위해 기계, 프로세스, 장비, 툴링 및 재료를 연결하고 모니터링한다. MES(10646)는 생산, 유통, 공급 체인, 유지보수, 품질 및 노동 동작에 걸쳐 프로세스를 통합할 수 있다. 또한, MES(10646)는 분산 제조 네트워크(10130) 내의 다른 시스템 및 엔티티와 조정하여 진보 계획, 생산 용량 분석, 재고 턴 및 리드 시간과 관련된 결정을 내리는 것을 도울 수 있다.
실시예에서, 밸류 체인 또는 다른 네트워크와 연관된 것과 같은 적층 제조 플랫폼은 다음의 설계, 개발, 제조 및 유통을 지원하도록 설계, 준비, 구성 및/또는 배치될 수 있다: 트럭, 기차, 비행기, 보트, 드론 등을 포함할 수 있는 제품을 유통하는 데 사용되는 차량에 대한 부품 및 유지보수 재료(예를 들어, 오일, 가스, 다른 화학물질); 패키징 제품에 사용되는 기계(예를 들어, 로봇)를 위한 부품 및 유지보수 재료; 패키징된 제품을 웨어하우스에서 차량으로 이동시키는 데 사용되는 툴 및 기계(예를 들어, 로봇)를 위한 부품 및 유지보수 재료; 기존 부품(및 서비스 중)에 대한 부품 수리; 달리 기성품인 제품으로부터의 누락 부품 또는 부품 및 유지보수 재료의 설계, 개발, 제조 및 유통을 위한 일부 다른 부품 또는 컴포넌트.
실시예에서, 본 출원에 설명된 바와 같은 적층 제조 플랫폼은 패키징 재료(예를 들어, 박스, 상자, 랩 재료 등)의 모니터링을 지원하도록 설계, 준비, 구성 및/또는 배치될 수 있고, "필요에 따라" 더 많은 것을 생성할 필요가 있다. 적층 제조 플랫폼은 웨어하우스 내의 제품을 추가하거나 수정함으로써 "리콜" 상황을 해결할 수 있고, 사용되는 차량, 기계, 툴, 및 다른 장비에서의 문제를 모니터링할 수 있고, 이어서 필요한 부분 또는 재료를 "필요에 따라" 대체하고, 웨어하우스/유통 네트워크 내의 작업자 또는 로봇에 의해 필요에 따라 온-디맨드 형태로 툴을 생성하는 등을 수행할 수 있다.
실시예에서, 본 출원에 설명된 바와 같은 적층 제조 플랫폼은, 예컨대, 인공 지능 시스템(예를 들어, 전문가 서비스 방문 데이터의 훈련 세트에 대해 훈련된 로봇 프로세스 자동화 시스템)을 사용하여, 제조 입력을 처리하는 것을 지원하도록 설계, 준비, 구성 및/또는 배치되어, 추천된 액션을 결정할 수 있으며, 이는 실시예에서 부품의 대체 및/또는 부품의 수리, 또는 일부 다른 활동을 수반할 수 있다. 실시예에서, 적층 제조 플랫폼은, 예컨대, 마모된 또는 존재하지 않는 요소를 대체하기 위해 상보적 컴포넌트가 생성될 수 있는 경우, 수리를 용이하게 하기 위해 요소가 적층 제조되어야 한다고 자동으로 결정할 수 있다. 예시적인 실시예에서, 웨어하우스/유통 센터와 함께 이용될 수 있는 일부 기술 및/또는 기술은 다음을 포함할 수 있지만, 이에 제한되지 않는다: 상이한 툴, 부품, 및/또는 패키징을 실시간으로(즉, 즉석에서) 생성하기 위해 다수의 소스 재료를 제공 및/또는 포함하는 것; AI를 사용하여 제품 설계, 제조 프로세스 구성(패키징 재료 생성 프로세스를 포함함), 작업 스케줄링, 우선순위화 및/또는 물류(웨어하우스/유통 센터에 수반되는 다른 일반적인 프로세스를 방해하지 않으면서 부품, 재료를 대체하기 위한 웨어하우스 프로세스의 효율성)를 최적화하는 것; 특정 예시적인 실시예에 수반되는 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하는 것(특히 예를 들어, 기계 및/또는 패키징 재료에 필요한 부품 재료의 제조 프로세스를 조정하기 위해 센서 및 데이터의 모니터링을 사용하는 것); 툴, 부품, 패키징, 및/또는 고정 기계를 실시간으로(필요에 따라) 재료로 생산 또는 제조할 수 있기 위한 재료 요구를 예상하기 위해 개별 프로세스 또는 프로세스의 조합의 시뮬레이션을 실행하기 위해 입력, 프로세스 데이터 및 출력을 디지털 트윈과 결합하는 것; 기계를 실시간으로 고정하기 위해 사용되는 툴, 부품, 패키징, 및/또는 다른 재료를 생산하는 것에 대해 효율적인 방식으로 웨어하우스/유통 네트워크 내에서 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 것; 기계에 부착하고 이어서 제품 상에 직접 프린팅할 수 있는 로봇, 프린팅 툴, 웨어하우스/유통 네트워크에 사용되는 기계용 프린팅된 부품, 프린팅 패키징, 및/또는 기계를 실시간으로 고정하는 데 사용되는 프린팅 재료를 사용하는 것; (필요에 따라) 실시간으로 기계를 고정하기 위해 제품을 고정하고, 툴을 생산하고, 부품을 생산하고, 패키징을 생산하고, 및/또는 다른 재료를 생산하기 위해 웨어하우스/유통 센터 네트워크 프로세스 내에 열거된 임의의 및 모든 아이템을 포함하는 상이한 타입의 3D 프린팅 적층 제조의 하이브리드/쌍을 사용하는 것.
실시예에서, 제품 라이프사이클 관리(PLM) 시스템(10648)은 개념 및 설계로부터 제조 및 유통을 통해 고객 사용 및 서비스에 이르기까지 전체 라이프사이클에 걸쳐 부품 또는 제품을 관리하는 것을 돕는다. PLM 시스템(10648)은 라이프사이클 및 밸류 체인에 걸쳐 정확한 실시간 제품 정보를 포함할 수 있다. 이는 제품을 사용하는 고객, 유통업자, 물류 제공자, 규제기관, 안전 전문가, 서비스 전문가, 판매원, 제품 관리자, 설계자, 재판매업자 등과 같은 하나 이상의 분산 제조 네트워크 엔티티로부터의 피드백에 응답하는 방식으로 제품을 개발하고 관리하는 것을 돕는다. 이는 또한 제품 개발 스테이지에서 제품의 신속한 맞춤화 및 개념의 가속화된 증명을 가능하게 할 수 있다. 또한, 이는 제품 수요 및 가격을 예측하고, 고객 참여를 개선하고, 고객 사용 중에 제품 테스트를 수행하고, 선제적 보증 관리를 제공하는 데 도움이 될 수 있다.
실시예에서, 유지보수 관리 시스템(MMS)(10650)은 3D 프린터, 절삭 툴, 필터, 기계 레이저 및 다른 기계의 세트를 모니터링하고, 예비 부품을 관리하고, 기록을 유지보수하고, 인공 지능 및 기계 학습 모델을 사용하여 유지보수 요건을 효율적으로 자체 진단하고 작업 명령을 생성한다. 실시예에서, MMS(10650)는 다른 기계, 장비, 제품, 고정물, 또는 다른 자산의 세트를 모니터링하고, 기록을 유지하고, (예컨대, 예비 부품, 툴, 작업물, 액세서리, 대체 요소 등을 생성하기 위해) 적층 제조 작업흐름을 다른 유지보수 작업흐름과 조정하는 것을 포함하여, 그 아이템의 세트에 대한 유지보수 동작을 관리한다. 실시예에서, 이는, RPA 에이전트가 유지보수 작업자에 의해 수행되는 동작을 수행하거나 지원하기 위해 전문가 상호작용의 세트에 대해 훈련되는 경우와 같이, 로봇 프로세스 자동화와 같은 자동화와 함께 이루어진다.
실시예에서, 품질 관리 시스템(QMS)(10652)은 실시간 센서 데이터를 기대 피드백 데이터와 비교함으로써 프린팅된 부품이 올바르게 생산되었는지를 결정하고, 여기서 기대 피드백 데이터는 과거 데이터, 테스트 데이터, 및 기계 학습 중 적어도 하나로부터 생성된다. 실시예에서, QMS(10652)는 또한 테스트 및 품질 보증의 완료를 결정할 시에 부품 보증의 지속기간 및 커버리지의 범위를 포함하는 보증 인증을 생성한다.
실시예에서, QMS(10652)는 자동화된 부품 계측을 포함하고, 자동화된 부품 계측을 위해 가변 초점 광학 시스템 및 인공 지능 기반 패턴 인식을 갖는 비전 시스템을 이용한다. 실시예에서, 비전 시스템은 순응형 가변 초점 액체 렌즈 어셈블리, 및 객체를 인식하도록 인공 지능 시스템을 훈련시키기 위해 순응형 가변 초점 액체 렌즈 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 데이터에 대해 동적으로 학습하는 처리 시스템을 포함할 수 있다. 순응형 가변 초점 액체 렌즈 어셈블리는 환경 인자에 기초하여 그리고 처리 시스템으로부터의 피드백에 기초하여 지속적으로 조정하여, 컨텍스트가 더 깊으면서 이미지가 표현하는 물리적 광에 대응하는 훈련 데이터를 생성할 수 있다. 액체 렌즈 어셈블리를 통해 가변 광학 파라미터를 사용하여 객체를 인식하도록 비전 시스템을 훈련시킴으로써, 처리 시스템은 객체를 검출하기 위한 가장 최적의 광학 설정에 관해 학습할 수 있다. 비전 시스템에 대한 훨씬 더 동적인 입력은 더 풍부한 컨텍스트를 생성하고 우수한 객체 인식을 제공하는 결과를 초래할 수 있다.
실시예에서, 인증 시스템(10654)은 하나 이상의 제조 인증 기관 또는 표준 기관으로부터 적합성의 인증서를 획득하기 위해 작업흐름 및 프로세스 제어 문서를 생성하도록 구성된다. 실시예에서, 하나 이상의 제조 인증 기관 또는 표준 기관은 ISO(International Organization for Standardization), CE 마킹(European Certification) 기관, UL(Underwriters Laboratories), SAE(Society of Automotive Engineers), FAA(Federal Aviation Administration), TUV SUD, DNV GL, AS9100, IAQG 9100, ASTM(American Society of Testing and Materials), NIST(연구, 측정 과학 및 표준), Fraunhofer Institute(연구) 및 Sandia National Labs(연구)를 포함한다.
실시예에서, 준수 시스템(10656)은 3D 프린팅된 부품에 대한 준수 검사를 수행하도록 구성된다. 실시예에서, 준수 검사는, 준수 모델 또는 알고리즘이 준수 검토 데이터 등의 훈련 세트에 대한 특정 요건에 대한 인증/준수에서 적격 전문가에 의해 훈련되는 경우와 같이, 로봇 프로세스 자동화에 의해 또는 로봇 프로세스 자동화로부터의 지원으로 이루어진다. 실시예에서, 환경 표준, 재료 표준, 구조 표준, 화학 표준, 안전 표준, 전기 표준, 화재 관련 표준 등에 대한 준수와 같은, 각각의 준수 도메인 또는 주제에 대한 것과 같은, 도메인-특정 또는 주제-특정 모델의 세트가 훈련될 수 있다.
실시예에서, 로봇/코봇 시스템(10658)은 적층 제조 유닛(10102)의 세트와 통합된 자율 로봇 시스템 또는 아암 유닛을 포함할 수 있다. 예를 들어, 적층 제조 유닛(10102)은 인간 또는 다른 동물 종 능력을 시뮬레이션하는 것과 같은 다목적/범용 로봇 시스템과 같은 로봇 시스템의 하우징 또는 본체 내에 포함될 수 있다. 대안적으로 또는 추가적으로, 적층 제조 유닛(10102)은 로봇 아암 또는 다른 조립체의 동작 단부 상에 배치된 노즐로부터 적층 성층을 전달하도록 구성될 수 있다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 상이한 분산 제조 네트워크 엔티티의 프로파일을 생성하고 관리할 수 있다. 예를 들어, 프로파일은 제한 없이 다음을 포함할 수 있다: 수반되는 부품 데이터 구조를 갖는 부품 또는 컴포넌트 프로파일은 부품 관련 정보 및 컴포넌트 관련 정보를 저장할 수 있고, 이는 이름, 번호, 클래스, 타입, 재료(들), 크기, 형상, 기능, 성능 사양 등; 묶음(batch) 번호를 포함하는 묶음 관련 정보를 저장하기 위한 수반되는 묶음 데이터 구조를 갖는 묶음 프로파일(batch profile); 묶음 날짜, 빈 번호(bin number), 묶음 타입, 위치 정보(예컨대, 근원 지점), 묶음 검사 데이터 등; 식별자, 이름, 클래스, 기능 등을 포함하는 기계 관련 정보를 저장하기 위한 기계 데이터 구조를 수반하는 기계 프로파일; 식별자, 위치, 주문 이력, 생산 용량, 및 이전 제품 설계를 포함하는 제조 노드와 관련된 정보를 저장하기 위한 수반되는 제조 노드 데이터 구조를 갖는 제조 노드 프로파일; 패키징 관련 정보를 저장하기 위한 수반되는 데이터 구조를 갖는 패키저 프로파일; 사용자 관련 정보를 저장하기 위한 사용자 데이터 구조를 수반하는 사용자 프로파일; 특히, 거동 정보를 저장하기 위한 수반되는 데이터 구조를 갖는 거동 프로파일을 포함한다. 플랫폼(10110)의 사용자의 일부 예는 제조를 위한 설계를 생성하려고 하는 설계자; 부품을 프린팅 및 제조하고자 하는 엔지니어; 생산을 위한 가격을 최적화하려는 CFO; 또는 제품을 프린팅하고자 하는 고객을 포함할 수 있다. 사용자는 예컨대, 본 출원 및 참조로 본 출원에 포함된 문서에서 참조된 다른 사용 사례와 관련하여 설명된 것과 같은 역할 기반 사용자, 예컨대 임원 및 다른 역할 기반 디지털 트윈과 같은 그러한 디지털 트윈과 관련하여 설명된 다양한 사용자, 자동으로 생성된 데이터 스토리의 소비자, 등 많은 다른 사용자를 포함할 수 있다.
본 출원에 설명된 금속 적층 제조 플랫폼(10110)은 매우 광범위한 제조 및 밸류 체인 기능을 자동화하고 최적화하는 것을 도울 수 있다. 그러한 기능의 일부 예는 프로세스 및 재료 선택, 피드백 조성, 설계 최적화, 위험 예측 및 관리, 판매 및 마케팅, 제조된 제품 및/또는 관련 아이템 또는 서비스(예컨대, 특히, 부품, 액세서리 등)에 대한 공급 체인 및 물류 작업흐름(역물류 및 반환을 포함함)과의 조정, 유지보수 작업흐름, 재활용 작업흐름 및 고객 서비스를 포함한다. 도 119는 본 개시의 일부 실시예에 따른, 프로세스 및 재료 선택, 하이브리드 부품 작업흐름, 공급원료 조성, 부품 설계 최적화, 위험 예측 및 관리, 마케팅 및 고객 서비스를 포함하는 제조 기능 및 서브프로세스를 자동화하고 관리하기 위한 플랫폼(10110)의 예시적인 구현을 예시하는 개략도이다.
프로세스 및 재료 선택(Process and material Selection)
적층 제조를 위한 하나 이상의 프로세스 또는 재료의 선택 및 사용은 자동화되고 최적화될 수 있다. 플랫폼(10110)은 부품 특성, 가격, 성능 특성 등의 관점에서 제품 요건을 입력으로서 취하고 부품을 구축하기 위한 프로세스 또는 재료를 자동으로 결정할 수 있다. 인공 지능 시스템(10212)은 구조, 응력, 변형, 마모, 하중 지탱, 오염에 대한 반응, 다른 재료와의 화학적 상호작용, 생물학적 요소(항박테리아, 항바이러스, 독성)와의 상호작용 등을 포함하는 재료 거동의 물리적, 화학적 및/또는 생물학적 모델을 포함하는 모델 정보를 소비할 수 있다. 인공 지능 시스템(10212)은 이어서 전문가 피드백 및/또는 시험/결과로부터의 피드백에 기초하는 것을 비롯하여, 프로세스 및 재료 선택을 자동화하고 최적화할 수 있다.
이제 도 115, 116 및 119를 참조하여, 프로세스 및 재료 선택을 자동화하기 위한 예시적인 실시예가 설명된다.
모델 정보 및 제품 요건을 포함하는 부품 설계가 설계 및 시뮬레이션(10116)에 제시되며, 여기서 제조 노드(10100) 내의 적층 제조 유닛(10102)의 적어도 하나의 타입과의 제조 호환성에 대해 평가된다. 설계 및 시뮬레이션(10116)은 인공 지능(10212), 시뮬레이션 관리(10514), 프린터 트윈(10506)(실시예에서 임의의 타입의 적층 제조 유닛의 트윈일 수 있음) 및 최적화를 수행하기 위한 프로세스 및 재료 선택 트윈(10702)에 의해 보조될 수 있다. 예시적인 분석은 디지털 트윈(10214)에서 프린터 트윈(10506)을 사용하여 부품 설계 치수 및 정확도를 시뮬레이션하고 이용 가능한 3D 프린터 작업 봉투 및 사양과 비교하는 것을 포함한다.
부품 설계가 제조 노드(10100) 내의 적층 제조 유닛(10102) 중 하나 이상과 호환가능한 것으로 검증된 후에, 제조를 위한 부품 데이터는 설계 및 시뮬레이션(10116)에서 엑스포트하기에 최적화될 수 있다. 예를 들어, 최적화된 STL 파일은 부품 정확도 요건을 충족시키기 위해 미세하게 메시화된 3D CAD 표면 모델로부터 생성된 다음, 자율 적층 제조 플랫폼(10110)으로 엑스포트될 수 있다.
자율 적층 제조 플랫폼(10110)은 프로세스 및 재료 선택 시스템(10704)을 포함할 수 있다. 설계 및 시뮬레이션(10116)으로부터의 최적화된 부품 데이터, 밸류 체인 엔티티(10126)와 같은 소스로부터의 가격 및 시장 관련 정보를 포함하는 외부 정보, 및 인공 지능 시스템(10212)으로부터의 도움을 사용하여, 프로세스 및 재료 선택 시스템(10702)은 부품 제조를 위한 적층 제조 유닛(10102) 중 하나 이상을 선택하기 위해 분석을 수행한다. 일 예에서, 프로세스 및 재료 선택 시스템(10702)은 프린터 공급원료 재료의 가용성 및 비용을 분석하여, 최저 제조 비용에 대해 최적화하면서 사양에 따라 부품을 제조하는 적층 제조 유닛(10102)을 선택할 수 있다.
도 116, 도 118 및 도 120을 참조하면, 제조가 완료될 때, 3D 프린팅 프로세스의 결과와 관련된 부분 및 프로세스 데이터가 데이터 수집 및 관리 시스템(10202)에 의해 수집된다. 결과 데이터는 초기 기계 학습 모델(10213)을 훈련 또는 개선하기 위해 시뮬레이션, 외부, 및 훈련 데이터와 함께 기계 학습 시스템(10210)에 제공된다.
다음은 3D 프린팅 프로세스 및 재료의 자율 설계 검증 및 선택의 예이다. 도 114 및 도 115를 참조하면, 부품 설계 데이터가 사용자 인터페이스(10112)에 입력되고, 이어서 부품 검증을 위해 설계 및 시뮬레이션(10116)에 대한 입력으로서 제공된다. 사용자 인터페이스(10112)에서 제공되는 부품 설계 데이터는 다음의 부품 사양 및 주문 요건을 포함할 수 있다: 3D CAD 솔리드 모델에 의해 설명되는 형태 또는 형상; 제공된 3D CAD 모델에 적용되는 사용 사례 로딩; 안전성의 부품 설계 스트레스 인자: > 2; 최대 부분 중량; 부식 요건: 해수 및 소금 스프레이와의 호환성; 주문 부품 수량 10; 및 배달 시간.
인공 지능 시스템(10212)으로부터의 도움으로, 설계 및 시뮬레이션(10116)은 다음과 같이 다수의 스크리닝 분석을 수행한다: 부식 요건을 충족시키는 재료로서 티타늄, 인코넬, 및 316 스테인레스강을 식별하는 재료 분석; 적층 제조 유닛(10102)의 가용성과 매칭되는 3D 프린팅 프로세스로서 분말 베드 융합 또는 금속 재료 압출을 식별하는, 프린터 트윈(10506) 및 프로세스 및 재료 선택 트윈(10702)으로부터의 시뮬레이션에 의해 보조되는 재료 분석; 중량 고려사항으로 인해 인코넬 및 316 스테인레스강을 제거하지만, 중량 및 최대 응력 둘 모두에 대해서는 티타늄을 적격화하는, 부품 기하구조 및 로딩에 대해 계산된 응력 및 중량 행렬 분석. 스크리닝 분석의 완료에 이어서, 프로세스 및 선택 시스템(10704)을 이용하여, 제조를 위해서 이용될 수 있는 적층 제조 유닛(10102)의 서브세트로부터 최종 적층 제조 유닛(10102) 선택을 완료한다.
하이브리드 부품 작업흐름(HYBRID PART WORKFLOWS)
기존 부품 상에 적층 재료를 적용하기 위해 최적화된 하나 이상의 하이브리드 제조 작업흐름의 선택 및 사용은 수정된 부품 조립체를 생성하도록 자동화될 수 있다. 하이브리드 부품 작업흐름은 새로운 제조 프로세스를 개발하고, 기존 부품을 수리하고, 밸류 체인 결과를 개선하기 위해 기존 부품을 수정하는 데 사용될 수 있다.
자율 적층 제조 플랫폼(10110)은 전문가 피드백 및/또는 시험/결과로부터의 피드백에 기초한 정보를 포함하여, 물리적, 화학적, 제조자 사양 등을 포함하는 기존 및 OEM 부품 정보를 입력으로서 취할 수 있다. AI 시스템(10212)은 작업흐름 관리 애플리케이션(10208)에서 하나 이상의 하이브리드 작업흐름에 대한 부분의 자동 검증을 돕기 위해 입력 데이터를 사용한다.
부품 수리 예에서, 사용자 인터페이스(10112) 및 데이터 소스(10114)로부터의 데이터는 설계 및 시뮬레이션(10116)에 제공된다. 예시적인 데이터가 측정 및 전문가 관찰 및/또는 사양 및 CAD 모델과 같은 OEM 부품 정보의 조합을 포함한다. 설계 및 시뮬레이션 시스템(10116)은 제조 노드(10100) 내의 적어도 하나의 타입의 적층 제조 유닛(10102)과의 그 호환성을 참조하여 부품 차원 및 재료 수리 요건을 분석한다. 설계 및 시뮬레이션(10116)은 인공 지능(10212), 시뮬레이션 관리(10514), 및 디지털 트윈(10214)에 의해 보조될 수 있고, 예를 들어, 분석은 이용가능한 3D 프린터 능력을 사용하여 수정된 부품 제조 결과를 시뮬레이션하거나 이용가능한 3D 프린터 재료와 OEM 부품 재료의 호환성을 결정하기 위해 디지털 트윈(10214)에서 프린터 트윈(10506) 및 부품 트윈(10504)의 사용을 포함할 수 있다.
수정된 부품이 설계 및 시뮬레이션(10116)에 의해 제조 노드(10100) 내의 적층 제조 유닛(10102) 중 하나 이상과 호환가능한 것으로 검증된 후에, 수정된 부품 데이터는 자율 적층 제조 플랫폼(10110)으로 엑스포트되며, 여기서 프로세스 및 재료 선택 시스템(10704)은 하나 이상의 하이브리드 작업흐름을 사용하여 제조하기 위해 적층 제조 유닛(10102) 중 하나 이상을 선택한다. 예시적인 하이브리드 작업흐름은 마모된 부품 영역의 축조 또는 부품의 칩핑된 또는 균열된 영역의 대체를 포함한다.
도 118 및 도 119를 참조하면, 수정된 부품 제조가 완료될 때, 3D 프린팅 프로세스의 결과와 관련된 부품 및 프로세스 데이터는 데이터 수집 및 관리 시스템(10202)에 의해 수집되고, 여기서 수정된 부품 파라미터, 측정 등을 포함하는 데이터는 보증, 안전, 및 관련 준수를 관리하는 것을 담당하는 시스템, 예를 들어, ERP 시스템(10644), 인증 시스템(10654), 준수 시스템(10656) 등에 엑스포트될 수 있다. 실시예에서, 데이터는 보증 관련, 안전 관련, 책임 관련, 또는 스마트 계약의 다른 조항을 채우는 것과 같이, 스마트 계약에 대한 파라미터를 설정하기 위해 사용될 수 있다. 플랫폼 및/또는 스마트 계약은 데이터를 블록체인에 저장할 수 있다.
실시예에서, 하이브리드 제조 작업흐름은, 예를 들어, 부품 성능을 개선하는 새로운 기능적 또는 안전 특징을 포함할 때, 새로운 설계를 생성하기 위해 기존의 부품 설계를 수정하는 데 사용될 수 있다.
실시예에서, 하이브리드 제조 작업흐름은 타겟팅된 부품 또는 제품 특성을 생성하기 위해 하나보다 많은 3D 프린터 또는 3D 프린팅 프로세스를 요구할 수 있는, 다수의 재료를 포함하는 새로운 부품을 생성하기 위해 사용될 수 있다.
도 114 및 도 115를 참조하면, 실시예에서, 하이브리드 제조 작업흐름은 적층 제조 유닛(10102) 제조를 위한 특수화된 전처리(10104) 및 후처리(10106)를 특정하고 관리할 수 있다. 예는 3D 프린팅을 가능하게 하기 위한, 또는 원래의 장비 부품 사양을 충족시키는 수정된 부품을 생성하기 위한 부품 세정, 기계가공, 그라인딩, 표면 마감 등을 포함한다.
공급원료 조성(FEEDSTOCK FORMULATION)
3D 프린터 공급원료의 선택, 구매, 및 관리는 제조 효율을 개선하고, 공급 체인 물류 및 비용을 제어하고, 새로운 부품 생산 능력을 제공하기 위해 자동화되고 최적화될 수 있다.
이제 도 119를 참조하면, 인공 지능(10212) 및 피드백 조성 트윈(10708)에 의해 도움을 받는 공급원료 조성 시스템(10706)은 생산 요건, 공급 체인 조건, 가격 및 가용성 정보 또는 다른 데이터에 따라 3D 프린터 공급원료를 자동으로 조성하고 조정한다. 예를 들어, 공급원료 조성 시스템(10706)은 상업적으로 입수가능한 공급원료, 예컨대 GE 애디티브(GE Additive)로부터의 Ni 합금 718을 선택하거나, 또는 상업적으로 입수가능한 요소 재료로부터 더 낮은 비용으로 등가의 재료의 로컬 제조를 제안할 수 있다. 실시예에서, 가격 및 가용성 정보는, 예컨대, 플랫폼 및/또는 공급원료 조성 시스템의 API, 현재 및/또는 미래(예를 들어, 미래의 설계된 시간에 스폿 시장에서) 가격 정보를 제공하는 스마트 계약과 같은 스마트 계약의 세트의 기간 및 조건의 세트, 재료 타입, 재료 품질(예를 들어, 공급원료로서 구매될 수 있는 재료의 다양한 등급이 존재하는 경우), 또는 다른 특성(예컨대, 재료 출처(material origin)(예를 들어, 재활용 또는 다른 지속가능한 소스로부터 재활용되고, 지속가능한 관행으로 마이닝되고, 윤리적 소스로부터 구매되는 등))에 의한 것을 비롯하여, 다양한 클래스의 공급원료 재료에 대한 가용성 정보(볼륨별, 시간별 및 전달 위치별을 포함함)의 처리에 의해 관리될 수 있다. 실시예에서, 플랫폼은 다수의 스마트 계약 또는 스마트 계약과 다른 소스의 혼합(예를 들어, 데이터 입력 및/또는 API에 의해 플랫폼에 배치되는 제안)에 걸쳐 가용성 정보, 가격 등을 집계하여, 예컨대, 공급원료가 상이한 공급자, 원산지 장소 등으로부터의 로트(lot) 또는 묶음(batch)으로 유래할 수 있는 경우, 시스템이 그에 대해 동작할 수 있는 집계된 공급원료 가용성 데이터 구조를 제공할 수 있다. 플랫폼은 현재 구매의 세트, 옵션 또는 미래의 구매, 및 미래의 구매에 대한 계획을 포함할 수 있는 공급원료 구매 계획을 자동으로 생성할 수 있다. 실시예에서, 플랫폼은 요구(예를 들어, 생산이 계획에 따라 달라지고 및/또는 수요가 계획에 따라 달라지는 경우), (최종 제품 및/또는 재료의) 가격, 가용성 등과 같은 조건의 변화에 기초하여 공급원료 구매 계획을 자동으로 수정할 수 있다. 이는, 인공 지능을 사용하여, 예컨대, 지도, 반지도 및/또는 딥러닝을 포함한, 본 출원에 설명된 기계 학습 또는 다른 인공 지능 기술 중 임의의 것을 사용할 수 있는, 공급원료 구매 관리 데이터의 훈련 세트에 대해 훈련된 로봇 프로세스 자동화에 의해서 이루어질 수 있다. 인공 지능 시스템은, 예컨대, API 또는 다른 인터페이스를 통해 스마트 계약의 세트 상에서 동작함으로써 그리고/또는 사용자 또는 사용자와 지능형 에이전트 또는 다른 인공 지능 시스템의 하이브리드에 의한 실행을 위한 추천의 세트를 제공함으로써, 수정된 계획에 따라 공급원료 구매를 위한 계약 기간 및 조건의 세트를 추가로 조정할 수 있다.
실시예에서, 공급원료 조성 시스템(10706)은 기계 학습 시스템(10210), 인공 지능 시스템(10212), 피드백 조성을 위한 기계 학습 모델(10213), 시뮬레이션 관리 시스템(10514), 및 공급원료 조성 트윈(10708)으로부터의 도움으로 하나 이상의 맞춤형 공급원료를 조성할 수 있다. 기계 학습 시스템(10210)은 성능 특성에 따라 상이한 공급원료를 조직화하는 그래프 DB와 같은 공급원료 데이터저장소에 저장될 수 있는 공급원료 데이터를 사용하여 모델을 훈련시킬 수 있다. 시뮬레이션 관리 시스템(10514)은 공급원료 특성을 변화시키고 각각의 시뮬레이션의 결과를 기록하기 위해 공급원료 조성 트윈(10708)을 사용하여 시뮬레이션을 실행할 수 있다. 실시예에서, 프린터 트윈(10506)은 또한 공급원료 조성을 변경할 때 미래의 제조 결과를 시뮬레이션하고 비교하는 데 사용될 수 있다.
도 116 및 119를 참조하면, 공급원료 조성 시스템(10704)은 인공 지능 시스템(10212) 및 기계 학습 시스템(10210)과 함께 작동한다. 훈련, 제조 결과, 및 가격 및 가용성 정보 및 전문가 및 고객 피드백과 같은 외부 데이터의 조합이 데이터 수집 및 관리 시스템(10202)에서 수집되며, 여기서 이는 피드백 조성을 위해 초기 기계 학습 모델(10213)을 훈련 또는 개선하는 데 사용된다.
이제 도 114, 115 및 119를 참조하면, 실시예에서, 공급원료 조성 시스템(10706)은 제조 노드(10100) 및 적층 제조 유닛(10102) 중 하나 이상과 통합되는 물리적 서브시스템을 포함할 수 있다. 피드백 조성 시스템(10704)의 이러한 물리적 서브시스템은 자율 적층 제조 플랫폼(10110)에 의해 관리될 수 있다. 제조 작업흐름 관리 애플리케이션(10208)은 필요에 따라 공급원료 재료를 라우팅하는 애플리케이션을 포함할 수 있고, 데이터 수집 및 관리 시스템(10202)은 공급원료 재고 레벨을 제공할 수 있다. 공급원료 조성 시스템(10704)은, 공급원료 재료를 전달하고 적층 제조 유닛(10102)에 대한 공급원료 재료 변경을 수행하는 하나 이상의 자동화된 생산 및 수송 시스템을 포함할 수 있다.
설계 최적화(DESIGN OPTIMIZATION)
적층 제조 프로세스와 함께 사용하기 위한 부품 설계를 최적화하는 것은 전형적으로 특수 소프트웨어, 장비, 훈련, 기술 지식, 및 프로세스 데이터 및 제조 결과를 제공하고 해석하는 능력을 요구한다. 자율 또는 안내 제품 설계는 금속 적층 제조 프로세스에 최적화된 자율 부품 설계 또는 전문가 지원 설계를 제공하기 위해 사전 엔지니어링된 부품 라이브러리 또는 전문가 시스템을 사용함으로써 밸류 체인 결과를 개선하는 데 사용될 수 있다. 결과적인 작업흐름 및 프로세스 기능성은 선택된 재료 또는 3D 프린터의 가용성, 부품 비용 및 배달 시간 등에 대한 데이터를 제공하는 밸류 체인 엔티티의 실시간 분석에 기초한 제한 또는 추천을 포함함으로써 추가로 최적화될 수 있다.
도 118을 참조하면, 3D 프린팅 프로세스에 대한 부품 설계 최적화는 설계 및 시뮬레이션(10116)을 사용하여 자동화될 수 있으며, 여기서 부품 기능 및/또는 클래스 기준은 설계 라이브러리(10618)에 조직되고 제조를 위한 부품 설계를 안내하거나 완전히 자동화하는 데 사용된다. 부품 기능 및 클래스는 표준, 모범 사례, 엔지니어링 전문가 등에 의해 부과되는 고유한 최소 설계 기준을 갖는다. 부품 기능 예는 ISO 5755 표준에서 발견되는 화학적, 기계적 및 다른 특성을 충족시켜야 하는 소결 금속으로 제조된 자가 윤활 베어링, 또는 재료가 IEC 60900 표준에서 발견되는 1000V 전기 절연 표준을 충족시켜야 하는 전기 수공구를 포함한다. 부품 분류 예는 건설 재료가 비발화성이어야 하는 폭발성 분위기에서 사용하기 위한 부품, 또는 부식 특성이 ASTM F1089 표준을 준수해야 하는 수술에 사용되는 의료 도구를 위한 부품을 포함한다.
도 115, 도 116, 도 118 및 도 119를 참조하면, 하나의 예시적인 실시예에서, 특정 기능을 갖는 새로운 부품 요청이 사용자 인터페이스(10112)에 의해 수신되고 설계 및 시뮬레이션(10116)에 통신되며, 여기서 설계 라이브러리(10618)는 부품 기능과 매칭되는 테스트되고 실행가능한 3D 프린팅된 부품 모델에 대해 검색된다. 실시예에서, 설계 라이브러리(10618)로부터의 하나 이상의 부품은 설계 추천 또는 안내로서, 예컨대 인터페이스(10112)를 통해 사용자에게 추천된다. 실시예에서, 설계 라이브러리는 또한, 완성된 조립체 및 조립체 내의 모든 부품은 기능적 또는 클래스 기준을 충족시키는 제품 어셈블리를 포함할 수 있다.
실시예에서, 하나 이상의 후보 부분은 설계 최적화 시스템(10710)에 의해 자동으로 선택된다. 기계 학습 시스템(10210) 및 인공 지능 시스템(10212)의 도움으로, 설계 최적화 시스템(10710)은 부품 설계를 최적화하고 제조를 위해 자율 적층 제조 플랫폼(10110)에 이를 제출한다.
실시예에서, 설계 최적화 시스템(10710)은 제품 설계 전문가에 의해 훈련된 기계 학습 모델을 사용할 수 있다. 실시예에서, 설계 최적화 시스템(10710)은 이전 설계의 데이터 및 결과를 사용하여 훈련된 기계 학습 모델을 사용할 수 있다.
실시예에서, 설계 최적화 시스템(10710)은 설계에 생성적 또는 진화적 접근법을 사용할 수 있다. 시스템은 설계 목표로 시작한 다음, 진화 모델에 기초하여 최종 설계를 선택하기 전에 제약을 추가함으로써 무수한 변동을 탐색할 수 있다. 진화 모델은 일련의 진화 스테이지를 통해 잠재적인 설계의 초기 집단 중에서 가장 최적의 설계가 선택되는 경우와 같은 자연 선택의 원리에 기초한다. 생성적 모델은 시각적 및 텍스트 기반 인공 지능 시스템을 혼합하는 DALL-E™과 같은 모델들 뿐만 아니라, 또한 시각적, 3D, 텍스트, 컬러, 텍스처, 강도, 유연성, 및 많은 다른 특성을 생성하기 위한 추가 하이브리드를 포함할 수 있으며, 이는 특성의 큰 세트 각각의 변동을 생성하고 특성의 쌍, 트리플릿(triplet), 및 고차 n-튜플(tuple)과 같은 조합을 생성하기 위해 특수화된 인공 지능 시스템을 사용하는 것을 포함한다. 실시예에서, 생성적 모델은 특성의 공유된 세트를 구현하는 설계의 세트를 생성 및/또는 선택하기 위해 고양이 및 바구니와 같은 의미적으로 별개의 객체 또는 주제 사이에 공유되는 특성의 조합을 표현하는 설계 인스턴스를 생성 및/또는 선택할 수 있다.
실시예에서, 진화 모델은 유전 알고리즘(GA), 진화 전략(ES) 알고리즘, 진화 프로그래밍(EP), 유전 프로그래밍(GP), 및 다른 적합한 진화 알고리즘에 기초할 수 있다. 실시예에서, 진화 모델은 시맨틱 특성에 기초한 것, (브랜드에 대한 허용가능한 컬러 팔레트와 같은) 설계 제약에 기초한 것, 물리적 또는 기능적 요건에 기초한 것, (조사, 참여 추적 및/또는 A/B 테스트와 같은) 소비자 참여에 의해 생성된 것, (판매, 이익, 등과 같은) 결과에 기초한 것, (재료, 제조, 물류, 등의) 비용에 기초한 것, 안전 또는 책임에 기초한 것, 규제 요건 또는 인증에 기초한 것 등과 같은 다양한 피드백 및 필터링 기능을 사용할 수 있다. 실시예에서, 설계 진화에 대한 피드백은 구매, 예약 등을 위한 다양한 설계 변동을 제공하는 스마트 계약의 세트와 같은 스마트 계약의 세트로부터 취해진다. 예를 들어, 특정 설계가 수익성 있는 가격으로 그리고 유리한 볼륨으로 스마트 계약의 세트를 통해 예약되는 경우와 같이, 유리한 스마트 계약 체결에 기초하여 설계가 진화될 수 있다.
실시예에서, 적층 제조 유닛(10102)의 세트에 결합된 진화적 설계 시스템은 사용자가 제공된 설계에 따라 제조를 위한 유닛을 예약할 수 있는 스마트 예약 계약을 통해 제품의 세트를 연속적으로 제공하며, 따라서 적층 제조 시스템의 용량은 (예를 들어, 수익성의 측정에 기초하여) 스마트 계약에서 가장 유리한 결과를 제공하기 위해 설계를 진화시키고 스마트 계약을 통해 제품을 예약한 사용자에게 제품을 판매하는 데 연속적으로 관여한다. 가격, 전달 기간 등을 포함하는 스마트 계약 파라미터는 제조 시간, 물류 인자 등을 고려하는 것과 같이 자동으로 조정될 수 있다. 시스템은 시장, 경매 사이트, 모바일 애플리케이션 등에서 제품을 제공하기 위한 것과 같은 전자상거래 시스템 뿐만 아니라, 또한 현장 시스템(키오스크), 게임 내 트랜잭션 환경, AR/VR 환경, 스마트 디스플레이들 등과 같은 구매가 가능한 다른 환경들과 통합하도록 구성될 수 있다.
도 116 및 도 119를 참조하면, 제조가 완료되면, 3D 프린팅 프로세스의 결과와 관련된 부품 및 프로세스 데이터가 데이터 수집 및 관리 시스템(10202)에 의해 수집된다. 결과 데이터는 학습 모델(10213)을 훈련 또는 개선하기 위해 시뮬레이션, 외부, 및 훈련 데이터와 함께 피드백으로서 기계 학습 시스템(10210)에 제공된다.
위험 예측 및 관리(RISK PREDICTION AND MANAGEMENT)
이제 도 119를 참조하면, 위험 예측 및 관리 시스템(10712)은 인공 지능 시스템(10212)과 인터페이스하거나, 인공 지능 시스템(10212)에 링크하거나, 또는 인공 지능 시스템(10212)을 통합한다. 예시적인 실시예에서, 위험 예측 및 관리 시스템(10712)은 다른 위험 또는 책임 중에서도, 분산 제조 네트워크(10130)에 의한 부품, 제품 또는 다른 아이템의 제조, 전달, 이용 및/또는 폐기에 관한 위험 또는 책임을 예측하고 관리하도록 구성될 수 있다.
실시예에서, 기계 학습 시스템(10210)은 분산 제조 네트워크(10130)에 의해 제조된 부품 및 제품에 대한 것 및 시스템, 작업흐름, 및 이들이 수반되는 다른 활동에 대한 것을 비롯하여, 위험 관리에 관련된 분류, 예측, 및/또는 다른 결정을 행하기 위해 인공 지능 시스템(10212)에 의해 이용되는 모델(10213) 중 하나 이상을 훈련시킨다.
예시적인 실시예에서, 모델(10213)은 부품의 조건을 검출함으로써 부품 고장의 위험을 예측하도록 훈련될 수 있다. 기계 학습 시스템(10210)은 사용 동안의 마모 및 인열에 대한 과거 데이터, 다양한 주변 또는 환경 조건 하에서의 재료 열화에 대한 과거 데이터, 검사 동안 발견되거나 고객 또는 다른 사람에 의해 보고된 결손 또는 결함에 대한 데이터, 및 다른 데이터 소스를 비롯하여, 예컨대, 유사한 부품, 유사한 재료 등의 결과에 대한 훈련 데이터 세트에 대해, 부품 데이터 및 부품 조건과 연관된 하나 이상의 결과를 사용하여 모델을 훈련시킬 수 있다. 부품 데이터는 예컨대, 부품 재료, 부품 특성, 제조 날짜, 재료 공급자, 부품 사양 등과 같은 본 개시 및 본 출원에 참조로 포함된 문서 전체에 걸쳐 언급된 임의의 속성 또는 파라미터를 포함할 수 있다. 이 예에서, 위험, 책임의 실패를 예측하도록 기계 학습 시스템(10210)을 훈련시키는 데 사용되는 결과는 본 개시 및 본 출원에 참조로 포함된 문서(예를 들어, 물리학, 화학, 생물학, 재료 과학 등) 전반에 걸쳐 설명된 다양한 타입의 과학적 모델, 경제적 모델 등과 같은 모델로부터의 예상된 결과를 포함할 수 있으며, 이는 실시예에서, 이벤트의 세트, 시간의 경과 등의 시뮬레이션 동안 또는 시뮬레이션 후에 예컨대, 부품 트윈(10504), 제품 트윈, 또는 다른 트윈이 유리한 동작 조건에 있는지를 모델링하기 위해, 디지털 트윈 시스템에 내장될 수 있다. 이 예에서, 상이한 시뮬레이션에 대해 부품 트윈(10504)의 하나 이상의 특성이 변경되고 각각의 시뮬레이션의 결과가 기록될 수 있다. 훈련 위험 예측 및 관리 모델의 다른 예는 제품 안전성을 최적화하도록 훈련되는 모델(10213), 높은 고장 가능성을 갖는 부품을 식별하도록 훈련되는 모델 등을 포함할 수 있다.
예시적인 실시예에서, 모델(10213)은, 예컨대, 장비 고장, 파업 및 다른 노동 중단, 국경 통제 활동(예컨대, 세관 검사, 여행 금지 등), 배송에 대한 제한, 트래픽 혼잡, 정전, 폭풍 및 다른 자연 재해, 재난, 경제적 중단(예컨대, 관세의 큰 변화), 규제 변화(예컨대, 수입 또는 수출에 대한 금지 또는 제품이 합법적으로 판매되거나 사용될 수 있는 곳에서의 변화), 팬데믹, 정치적 불안 등과 같은 다양한 외부 이벤트에 의해 야기되는 것과 같은, 공급 체인 및 다른 중단으로 인한, 제품이 고객에게 전달되지 않을 위험을 예측하도록 훈련될 수 있다. 이 예에서, 모델은 소셜 미디어 피드, 날씨 패턴, 뉴스 피드, 웹사이트(예를 들어, 위에 관련된 콘텐츠를 제공하는 웹사이트, 시장 웹사이트, 연구 웹사이트 등), 크라우드소싱 시스템(경제적 인자, 거동 인자, 동향 등과 같은 특정 인자에 대한 입력을 요청하기 위해 군중에게 질의 또는 프로젝트를 제기하는 것을 포함할 수 있음), 알고리즘(예컨대, 이벤트의 특정 예측을 제공하도록 훈련된 것) 등과 같은 하나 이상의 외부 소스로부터의 데이터를 발견, 추출, 변환, 정규화, 처리, 및/또는 분석함으로써 공급 체인 중단을 예측하도록 훈련될 수 있다. 그 다음, 인공 지능 시스템(10212)은 예측된 중단의 영향을 예측 및 평가하여 중단을 최소화하기 위해 공급 체인 재설계가 요구될 수 있는지를 결정할 수 있다. 영향 평가 및/또는 예측은, 예컨대 전체 작업흐름 또는 시스템에 대한 1차, 2차, 및 다른 효과를 평가하기 위해, 특히, 경제적, 재무적 또는 동작 모델의 세트를 사용할 수 있다. 예를 들어, 평가 또는 예측은 시스템을 적시에 전달하는 능력에 대한 컴포넌트의 부재의 영향; 감소된 또는 늦은 공급이 판매에 미치는 영향(예를 들어, 핼러윈 의상 또는 해변 의자와 같은 일부 제품에 대한 제품 수요에 주요 영향을 미치는 계절적 윈도우를 놓치는 것); 감소된 또는 늦은 공급이 가격에 미치는 영향(예컨대 예상되는 부족이 공급과 수요의 균형을 맞추고 부족 또는 중단 또는 제품을 피하기 위해 가격 증가 및/또는 구매 제한에 대한 필요성을 지시할 수 있는 경우); 계약상의 책임(예컨대, 대체 아이템을 구매하여 시장에서 커버하는 구매자의 비용에 대한 지불 의무를 포함한 전달 실패에 대한 책임)에 미치는 영향; 브랜드 또는 평판에 미치는 영향; 등.
실시예에서, 인공 지능 시스템(10212)은 환경 트윈(10714), 제조 노드 트윈(10510) 및/또는 다른 트윈을 활용하여 시뮬레이션의 세트를 실행하여 하나 이상의 제조 노드에 대한 중단의 영향을 평가할 수 있다. 위험 예측 및 관리 시스템(10712)은 이어서 중단의 영향을 최소화하기 위해 공급 체인 재설계 또는 제품 재공급 이벤트를 개시할 수 있다. 또한, 이러한 이벤트의 결과(예를 들어, 개선된 리드 시간)는 결정을 내리는 데 사용되는 모델을 강화하기 위해 기계 학습 시스템(10210)에 보고될 수 있다.
마케팅 및 고객 서비스(MARKETING AND CUSTOMER SERVICE)
이제 도 119를 참조하면, 마케팅 및 고객 서비스 시스템(10716)은 인공 지능 시스템(10212)과 인터페이스하거나, 인공 지능 시스템(10212)에 링크하거나, 인공 지능 시스템(10212)을 통합한다. 예시적인 실시예에서, 마케팅 및 고객 서비스 시스템(10716)은 분산 제조 네트워크(10130)에 의해 제공되는 제품 또는 다른 아이템에 대해 개인화된 판매, 마케팅, 광고, 프로모션 및/또는 고객 서비스를 제공하도록 구성될 수 있다.
실시예에서, 기계 학습 시스템(10210)은 분산 제조 네트워크(10130)에 의해 제조된 제품에 대한 판매, 마케팅, 광고, 프로모션 및/또는 고객 서비스에 관련된 분류, 예측, 및/또는 다른 결정을 행하기 위해 인공 지능 시스템(10212)에 의해 이용되는 모델(10213) 중 하나 이상을 훈련시킨다.
예시적인 실시예에서, 모델(10213)은 개인화된 판매, 마케팅, 광고, 프로모션 및/또는 고객 서비스를 제공하기 위해 하나 이상의 고객의 거동 및 구매 패턴을 예측하도록 훈련될 수 있다. 실시예에서, 기계 학습 시스템(10210)은 개인화된 캠페인에 대한 고객 응답과 연관된 하나 이상의 결과 및 고객 데이터를 사용하여, 예컨대, 검색 엔진, 뉴스 사이트, 웹사이트, 거동 분석 시스템 및 알고리즘, 소비자 감정 측정, 미시경제적 측정, 거시경제적 측정 등을 포함하는, 소비자 감정, 거동 등에 대한 통찰을 제공하는 다양한 데이터 소스를 사용하여 모델을 훈련할 수 있다. 모델은 인구통계적, 심리적, 경제적, 게임 이론적, 인지적, 및 다른 모델을 포함하는 다양한 경제적, 거동적, 및 다른 모델로 시딩될 수 있다. 고객 데이터는 아이덴티티 데이터, 트랜잭션 및 지불 데이터, 위치 데이터, 인구통계 데이터, 심리학적 데이터, 위치 데이터, 재산 데이터, 소득 데이터, 감정 데이터, 애호 데이터, 로열티 프로그램 데이터, 클릭스트림 데이터(소셜 미디어, 애플리케이션, 웹사이트, 모바일 디바이스, AR/VR 시스템, 비디오 게임, 엔터테인먼트 콘텐츠 및 다른 디지털 콘텐츠와의 상호작용을 포함함), 판매 지점 데이터, 매장 내 거동 데이터(예컨대, 상점 내의 경로 추적 데이터, 특정 타입의 제품과 연관된 체류 시간 등), 브랜드 로열티 데이터, 쇼핑 데이터, 검색 엔진 데이터(예컨대, 쇼핑을 수반하는 검색 주제), 소셜 미디어 풋프린트, 구매 이력, 로열티 프로그램 데이터 등과 같은, 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 설명된 타입 중 임의의 것을 포함할 수 있다. 고객 트윈(10718)은 소프트웨어 상호작용 관찰 시스템을 통해 측정된 고객 주목 또는 액션(마우스 이동, 마우스 클릭, 커서 이동, 내비게이션 액션, 메뉴 선택 등을 포함함)과 같은 결과, 또는 고객에 의한 제품의 구매를 추적함으로써 마케팅 또는 광고 캠페인 또는 하나 이상의 제품 추천, 제안, 광고 또는 다른 통신에 대한 고객 응답의 세트를 포착할 수 있다. 이 예에서, 마케팅 또는 광고 캠페인의 하나 이상의 파라미터는 고객 트윈의 상이한 시뮬레이션에 대해 변경될 수 있고, 각각의 시뮬레이션의 결과가 기록될 수 있다.
실시예에서, 마케팅 및 고객 서비스 시스템(10716)은 개인화된 마케팅 및 광고 캠페인을 제공하고 제품 추천을 제공하는 것을 비롯하여, 개인화된 판매, 마케팅, 광고, 프로모션 및/또는 고객 서비스를 제공하기 위해 인공 지능 시스템(10212)과 인터페이스할 수 있다. 실시예에서, 인공 지능 시스템(10212)은 제품 추천을 결정하기 위해 기계 학습 모델(10213) 중 하나 이상을 이용할 수 있다. 실시예에서, 고객 트윈(10718)에 의해 실행되는 시뮬레이션은 제품 추천 기계 학습 모델을 훈련시키는 데 사용될 수 있다. 이러한 예 각각에서, 캠페인 통신, 추천 등은 고객에게 맞춤화되고 제안된 가격으로 지정된 시간 프레임 내에 고객의 지정된 현장에 전달될 수 있는 속성의 세트를 갖는 적층 제조 유닛(10102)에 의해 제조될 수 있는 제품 또는 다른 아이템을 수반할 수 있다. 제안/추천의 맞춤화는 기능적 속성, (고객에 의해 이미 소유된 제품의 재료와 매칭되는 것과 같은) 선호되는 재료, 선호되는 컬러, 선호되는 형상 등을 비롯한, 고객에 의해 선호되는 속성을 포함하도록 제품 또는 부분의 설계를 제공하는 것을 포함할 수 있다. 실시예에서, 맞춤화는, 예컨대, 구매 이력 정보에 기반하여, 예컨대, 호환가능한 컬러, 형상, 크기, 재료 타입, 연결성(예를 들어, 연결된 제품의 세트의 일부로서 작동하도록), 통신 프로토콜, 로고 등을 갖는 제품을 추천함으로써, 예컨대, 추천된 제품이 제품의 제품군의 일부로서 작동하도록 구성될 수 있는 경우, 고객이 이미 소유하고 있는 제품에 대한 이해를 참조할 수 있다.
실시예에서, 밸류 체인 네트워크와 연관된 것과 같은 적층 제조 플랫폼(10110)은 테마 파크, 크루즈 선박, 극장 및 영화 제작 및/또는 다른 엔터테인먼트 장소에서 개인화된 엔터테인먼트 소품, 배경 및 다른 아이템의 프린팅을 지원하도록 준비, 구성 및/또는 배치될 수 있다. 예를 들어, 크루즈선과 관련하여, 적층 제조 유닛(10102)은 주어진 테마에 기초하여 그에 맞도록 객실, 테마 방 또는 가구의 프린팅을 지원하도록 지정될 수 있다. 고객은 동적으로 프린팅될 수 있는 방 레이아웃 및 설계, 가구 및 액세서리의 관점에서 선호도를 제공할 수 있다. 유사하게, 테마 파크에 대해, 적층 제조 유닛(10102)은 록워크, 놀이기구 및 다른 어트랙션의 프린팅을 지원하도록 지정될 수 있고, 극장 및 영화 제작에 대해, 영화 소품, 의상, 세트, 아티팩트 및 다른 액세서리가 맞춤 프린팅될 수 있다.
실시예에서, 플랫폼은 프린팅되고 있는 아이템을 표시하는 입력(예를 들어, 기술 사양, CAD 설계 등); 요건(예컨대, 맞춤형 록워크를 갖는 기존 롤러 코스터 인력을 개선할 필요성, 공룡 복제물을 구축할 필요성 등)을 나타내는 입력; 및 카메라, 마이크로폰, 데이터 수집기, 센서, 및 엔터테인먼트 장소와 연관된 다른 정보 소스에 의해 포착된 입력들과 같은 엔터테인먼트 장소 소유자로부터의 또는 엔터테인먼트 장소 소유자와 관련된 입력을 취할 수 있다.
적층 제조를 위한 명령어를 추천하거나 구성하는 실시예에서, 플랫폼(10110)은 패브릭, 금속 플라스틱 등을 포함하는 이용가능한 재료를 발견하고, 명령어를 구성하고, 적층 제조를 개시하고, 요소가 언제 사용할 준비가 될 것인지에 관한 업데이트와 같은 업데이트를 엔터테인먼트 장소의 소유자에게 제공할 수 있다. 플랫폼(10110)은, 일부 그러한 실시예에서, 예컨대 전문가 데이터 세트 등에 대해 훈련된 인공 지능 시스템(10212)을 사용하여, 적합한 아이템이 용이하게 이용가능한지 및/또는 아이템(들)을 생성하기 위한 적층 제조 시스템의 사용이 지연을 감소시킬 수 있는지, 비용을 절감할 수 있는지 등을 자동으로 결정할 수 있다.
실시예에서, 플랫폼(10110)은, 예를 들어, 훈련된 AI 에이전트를 통해, 다른 작업이 무엇이 행해지고 있는지(예컨대, 전체 작업흐름과 정렬되는 적층 제조 출력의 적절한 순서화를 허용하기 위해), 프린팅 작업의 우선순위(예를 들어, 촬영 되는 영화 장면과 관련되는지), 중단시간의 비용, 또는 다른 인자와 같은, 다른 작업흐름에 수반되는 다른 관련 엔티티의 상태를 인식하면서 적층 제조 유닛(10102)의 세트에 걸쳐 작업의 세트를 자동으로 구성하고 스케줄링할 수 있다. 실시예에서, 적층 제조 엔티티의 세트에 걸친 작업흐름의 최적화는 인공 지능 시스템(10212)이 대안적인 스케줄링 시퀀스, 설계 구성, 대안적인 출력 타입 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 이루어질 수 있다. 실시예에서, 시뮬레이션은, 로봇 취급 시스템에 의해 핸드오프가 취급되는 경우와 같이, 상이한 제조 엔티티 타입의 세트 사이의 핸드오프를 비롯하여, 적층 제조 및 다른 제조 엔티티(예컨대, 절단, 염색 등을 수행하는 절삭 제조 엔티티 및/또는 재봉, 구성, 고객 이니셜을 추가하는 마감 엔티티 등)를 수반하는 시퀀스를 포함할 수 있다. 실시예에서, 디지털 트윈의 세트는 다양한 제조 시스템, 다양한 취급 시스템(로봇 시스템, 아암, 컨베이어들 등 뿐만 아니라, 또한 인간 노동력) 및/또는 주변 환경의 속성 및 능력을 나타낼 수 있다.
플랫폼(10110)의 인공 지능 시스템(10212)을 사용하는 예측, 최적화와 관련된 위의 결정은 단지 예로서 제시되고 제한적인 것으로 해석되어서는 안 된다는 것이 명백할 것이다. CFO 트윈(10720)에 의한 가격의 예측 및 최적화와 관련된 결정; 행동 패턴 및 시장 동향에 기초한 CEO 트윈의 신제품 출시와 관련된 결정; 등을 포함하는 다수의 사용 사례가 존재할 수 있다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 하나 이상의 제조 노드 내에서 그리고 그에 걸쳐 생산 작업흐름을 관리함으로써 분산 제조 네트워크(10130)를 가능하게 하고, 그에 의해 리소스, 능력 및 지능의 공유를 통해 제조 노드에 걸친 협력을 용이하게 한다. 실시예에서, 제조 노드는 재료 공급 및 제품 수요의 예상 및 예측을 위해 협력할 수 있다. 실시예에서, 제조 노드는 설계 및 제품 개발을 위해 협력할 수 있다. 실시예에서, 제조 노드는 제품의 하나 이상의 부품을 제조하고 조립하기 위해 협력할 수 있다. 실시예에서, 제조 노드는 제조된 제품의 유통 및 전달을 위해 협력할 수 있다.
따라서, 분산 제조 네트워크(10130)는 3D 프린팅된 부품을 제조하려고 추구하는 하나 이상의 사용자/설계자에게 용량을 노출시킴으로써 하나 이상의 3D 프린터의 미활용 용량을 활용하여 "서비스로서의 제조"를 제공할 수 있다.
실시예에서, 분산 제조 네트워크(10130)의 하나 이상의 제조 노드를 사용하여 고객에게 3D 프린팅 제품의 제조 및 배달을 용이하게 하기 위한 방법은 고객으로부터 하나 이상의 제품 요건을 수신하는 단계; 제품 요건에 기초하여 하나 이상의 제조 노드, 프로세스 및 재료를 결정하는 단계; 가격 및 배달 타임라인을 포함하는 견적을 생성하는 단계; 및 고객이 견적을 수락하면, 3D 프린팅 제품을 제조하여 고객에게 전달하는 단계를 포함한다.
실시예에서, 제품 요건은 파일(예를 들어, CAD 파일 및/또는 STL 파일) 및 파일에 정의된 제품을 프린팅하기 위한 임의의 수반되는 명령어를 포함하는 3D 프린팅 명령어 세트일 수 있다.
실시예에서, 분산 제조 네트워크는 분산 제조 네트워크와 관련된 엔티티, 활동 및 트랜잭션의 세트를 저장하기 위해 디지털 스레드와 통합된 분산 원장 시스템을 통해 구현될 수 있다.
실시예에서, 스마트 계약 시스템은 분산 원장 시스템과 통신할 수 있고, 분산 원장을 통해 스마트 계약을 구현 및 관리하도록 구성될 수 있다. 스마트 계약은 분산 원장에 저장될 수 있고 트리거링 이벤트를 포함할 수 있다. 스마트 계약은 트리거링 이벤트의 발생에 응답하여 스마트 계약 액션을 수행하도록 구성될 수 있다. 분산 제조 네트워크는 3D 프린팅 명령어 세트의 인스턴스를 사용자로부터 수신하도록 구성될 수 있다. 3D 프린팅 명령어 세트는 3D 프린팅 명령어 세트의 인스턴스가 분산 원장 상의 토큰으로서 조작될 수 있도록 토큰화될 수 있다. 토큰화된 3D 프린팅 명령어 세트는 분산 원장을 통해 저장될 수 있다. 스마트 계약에 대한 다양한 당사자(분산 제조 네트워크 엔티티)의 약속이 처리될 수 있다. 분산 제조 네트워크에서의 스마트 계약의 사용은 분산 제조 작업흐름을 자동화하는 데 도움이 된다.
실시예에서, 분산 제조 네트워크는 판매자를 구성하는 제조 노드 및 구매자를 구성하는 고객과의 적층 제조 부품, 제품 및 명령어 세트의 구매 및 판매를 위한 분산 제조 시장 또는 교환의 생성을 용이하게 한다.
실시예에서, 분산 제조 네트워크는 제조 노드에 의한 동작 적층 제조 데이터를 데이터 집성자에 판매하기 위한 데이터 시장의 생성을 용이하게 한다. 실시예에서, 데이터 시장은 분산 원장 상에 구축되고 제조 노드는 스마트 계약을 통해 디지털 토큰을 사용하여 보상된다. 실시예에서, 데이터는 데이터를 소유하는 제조 노드의 아이덴티티를 숨기기 위해 익명화된다.
도 120은 본 개시의 일부 실시예에 따른, 자율 적층 제조 플랫폼에 의해 인에이블되고 분산 원장 시스템 상에 구축되는 분산 제조 네트워크의 개략도이다.
분산 제조 네트워크(10130)는 분산 원장 시스템으로 구현되며, 여기서 분산 원장은 분산 제조 네트워크(10139)의 노드에 걸쳐 적어도 부분적으로 분산될 수 있고 암호화를 통해 링크된 블록을 포함할 수 있다. 분산 원장 시스템은 분산 제조 네트워크(10130)에서 엔티티, 활동 및 트랜잭션의 세트에 관련된 데이터를 저장한다.
상이한 제조 노드(10100), 제조 노드(10128), 제조 노드(10800) 및 제조 노드(10802) 각각은 분산 제조 네트워크(10130) 내의 노드를 나타낸다. 또한, 적층 제조 유닛(10102), 전처리 시스템(10104), 후처리 시스템(10106), 재료 취급 시스템(10108), 자율 적층 제조 플랫폼(10110), 사용자 인터페이스(10112), 데이터 소스(10114), 및 분산 제조 네트워크 엔티티로 지칭되는 설계 및 시뮬레이션 시스템(10116)을 포함하는 제조 노드 내의 상이한 시스템은 분산 원장 시스템의 분산 컴퓨팅 노드를 구성한다.
분산 컴퓨팅 노드는 본질적으로 프로세서 및 기계 판독가능 명령어가 그 위에 저장된 컴퓨터 판독가능 매체를 갖는 컴퓨팅 디바이스이고, 분산 원장의 트랜잭션 이력의 전체 사본을 포함한다. 분산 원장의 노드는 적층 제조 시스템, 기업 시스템, 재고 관리 시스템, 패키징 시스템, 배송 및/또는 배달 추적 시스템, SKU 데이터베이스, 스마트 공장 등을 포함하는 다양한 컴퓨팅 시스템에서 구현될 수 있다. 추가적인 트랜잭션이 분산 원장에 추가되도록 제안될 때마다, 노드 중 하나 이상은 전형적으로, 예컨대 합의 알고리즘을 통해, 제안된 추가적인 트랜잭션 기록을 검증한다. 전형적으로, 일단 제안된 트랜잭션이 예를 들어, 임의의 합의 알고리즘을 통해 검증되면, 제안된 트랜잭션은 모든 노드에 걸쳐 분산 원장의 각각의 사본에 추가된다.
실시예에서, 트랜잭션 데이터는 작업 증명(POW) 합의 알고리즘을 통해 노드에 의해 검증되고, 분산 원장을 구성하는 트랜잭션 기록의 암호화 방식으로 승인된 블록의 진행 중인 체인으로 해싱된다.
실시예에서, 작업 알고리즘의 증명은 노드가 암호 퍼즐을 해결하기 위해 일련의 계산을 수행할 것을 요구한다. 예를 들어, 계류 중인 데이터 레코드를 검증하기 위해, 노드는 시스템에 의해 설정된 특정 조건을 충족시키는 해시 알고리즘(예를 들어, SHA256)을 통해 해시를 계산하도록 요구될 수 있다. 이러한 방식으로 해시를 계산하는 것은 본 출원에서 "마이닝(mining)"로 지칭될 수 있고, 마이닝을 수행하는 노드는 "마이너(miner)" 또는 "마이너 노드(miner node)"로 지칭될 수 있다. 분산 원장은, 예를 들어, 해시의 값이 특정 임계값 아래에 있을 것을 요구할 수 있다. 이러한 실시예에서, 노드는 "베이스 스트링(base string)"(즉, 블록 헤더 내의 다양한 타입의 메타데이터, 예를 들어, 원인 해시, 이전 블록의 해시, 타임스탬프 등의 조합)을 POW 알고리즘에 입력될 "논스(nonce)"(예를 들어, 정수 값)와 조합하여 해시를 생성할 수 있다. 예시적인 실시예에서, 논스는 POW 알고리즘을 사용하여 해시 값을 계산할 때 초기에 0으로 설정될 수 있다. 논스는 이후 1의 값만큼 증분될 수 있고, 노드가 지정된 임계값(예를 들어, 결과적인 해시가 지정된 수의 제로로 시작하는 요건) 아래의 해시 값을 초래하는 논스 값을 결정할 수 있을 때까지 필요에 따라 새로운 해시 값을 계산하는 데 사용될 수 있다. 유효 논스를 식별하기 위한 제1 노드는 솔루션(이 예에서, 논스 값)을 검증을 위해 분산 원장의 다른 노드에 브로드캐스트할 수 있다. 다른 노드가 "위닝(winning)" 노드의 솔루션을 검증하면, 계류중인 트랜잭션 기록은 분산 원장 내의 마지막 블록에 첨부될 수 있다. 일부 경우에서, 다수의 노드가 짧은 시간프레임에서 유효한 솔루션을 계산하는 경우 분산 원장 사본에서의 분산이 발생할 수 있다. 그러한 경우에서, POW 알고리즘을 사용하는 노드는 블록의 가장 긴 체인(즉, 가장 큰 작업 증명을 갖는 체인)을 분산 원장의 "참" 버전으로서 수락한다. 후속하여, 분산 원장의 발산 버전을 갖는 모든 노드는 합의 알고리즘에 의해 결정된 바와 같이 참 버전과 매칭되도록 원장의 사본을 조정할 수 있다.
다른 실시예에서, 합의 알고리즘은 "지분 증명(proof of stake)"("PoS") 알고리즘일 수 있으며, 여기서 계류 중인 트랜잭션 기록의 검증은 분산 원장 내의 사용자의 "지분"에 의존한다. 예를 들어, 사용자의 "지분"은 분산 원장 내의 디지털 통화 또는 포인트 시스템(예를 들어, 암호화폐, 토큰 시스템, 자산 공유 시스템, 평판 포인트 시스템 등)에서의 사용자의 지분에 의존할 수 있다. 그 다음, 분산 원장 내의 다음 블록은 가장 큰 수의 투표를 수집하는 계류중인 트랜잭션 기록에 의해 결정될 수 있다. (예를 들어, 주어진 디지털 통화 또는 토큰 시스템에서의) 더 큰 지분은 사용자가 특정 계류중인 트랜잭션 기록에 할당할 수 있는 더 많은 수의 투표를 초래하며, 이는 차례로 특정 사용자가 분산 원장에 블록을 생성할 기회를 증가시킨다. 실시예에서, 분산 원장은 토큰 또는 암호화폐 시스템에 기초할 필요가 없고, 오히려, 예를 들어, 종래의 또는 다른 보안 기술에 의해 보안될 수 있다. 디지털 스레드를 수반하는 것과 같은 실시예에서, 제품 제조자의 투표, 고객의 투표 등이 임의의 제3자보다 더 많이 카운트되는 경우와 같이, 지분 증명이 가중될 수 있다.
또 다른 실시예에서, 합의 알고리즘은 각각의 노드가 노드 내의 저장된 내부 상태를 사용하여 계류 중인 트랜잭션 기록을 검증하는 "실용 비잔틴 결함 허용"("PBFT") 알고리즘일 수 있다. 특히, 사용자 또는 노드는 계류중인 트랜잭션 기록을 분산 원장에 포스팅하라는 요청을 제출할 수 있다. 이어서, 분산 원장 내의 노드 각각은 계류 트랜잭션 기록 및 각각의 노드의 내부 상태를 사용하여 PBFT 알고리즘을 실행하여 계류 트랜잭션 기록의 유효성에 관한 결론에 도달할 수 있다. 상기 결론에 도달하면, 각각의 노드는 분산 원장 내의 다른 노드에 투표(예를 들어, "예" 또는 "아니오")를 제출할 수 있다. 노드에 의해 제출된 총 투표 수를 고려함으로써 노드 간에 합의에 도달한다. 후속하여, 일단 임계 수의 노드가 "예"로 투표하면, 계류중인 트랜잭션 기록은 "유효"로서 취급되고, 그 후 모든 노드에 걸쳐 분산 원장에 첨부된다.
실시예에서, 노드는 마이닝 활동에 대한 트랜잭션 수수료를 지불받는다. 실시예에서, 분산 원장은 CORD A, 하이퍼레저, 및 정족수에 대해 제공되는 미리 구축된 API를 사용하여 구축되는, 단일 엔티티 또는 신뢰 엔티티의 컨소시엄에 의해 제어되는 개인 및 허가 블록체인이다.
실시예에서, 분산 원장은 이더리움 또는 비트코인 블록체인 상에 구축되는 공개 비허가 블록체인이다. 실시예에서, 무역 재무 네트워크에서 공급 체인을 통한 상품의 이동에 관련된 이벤트 데이터는 IoT 서브시스템을 사용하여 추적될 수 있다.
실시예에서, 분산 원장에 저장된 트랜잭션 기록은 해싱되거나, 암호화되거나, 또는 다른 방식으로 허가되지 않은 액세스로부터 보호될 수 있고, 저장된 정보/데이터를 복호화하기 위해 개인 키를 이용하여만 액세스가능할 수 있다.
블록체인은 그 안에 모든 트랜잭션을 저장하도록 구성된 단일 블록체인일 수 있거나, 또는 복수의 블록체인을 포함할 수 있고, 각각의 블록체인은 특정 타입의 트랜잭션을 나타내는 트랜잭션 기록을 저장하는 데 활용된다. 예를 들어, 제1 블록체인은 배송 데이터 및 공급 체인 트랜잭션을 저장하도록 구성될 수 있고, 제2 블록체인은 (예를 들어, 가상 통화를 통해) 재무 트랜잭션을 저장하도록 구성될 수 있다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크 내의 엔티티에 의해 다운로드가능한 탈중앙화된 애플리케이션을 포함한다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크의 엔티티의 세트에 작업흐름의 통합 뷰의 세트를 제공하도록 구성된 사용자 인터페이스를 포함한다.
실시예에서, 분산 원장 시스템은 주문으로부터 제조 및 조립을 거쳐 고객으로의 최종 배달까지의 제품의 상태 및 이동에 대한 추적 및 보고를 제공하도록 구성된 사용자 인터페이스를 포함한다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크 내의 엔티티의 디지털 권한 관리를 위한 시스템을 포함한다. 실시예에서, 분산 원장 시스템은 생성, 수정을 포함하여, 문서들/파일의 디지털 핑거프린팅 정보 및 다른 정보를 저장한다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크 내의 엔티티 사이에서 가격 생성을 장려하고 가격을 이체하기 위한 암호화폐 토큰을 포함한다.
실시예에서, 분산 원장 시스템은 제조 노드의 경험을 증명하기 위한 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 부분의 엔드-투-엔드(end-to-end) 추적성을 포착하기 위한 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 분산 원장 상의 모든 트랜잭션, 수정, 품질 검사 및 인증을 추적하기 위한 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 제조 노드의 능력을 검증하기 위한 시스템을 포함한다.
실시예에서, 분산 원장 시스템은 분산 제조 네트워크에서 작업흐름을 자동화하고 관리하기 위한 스마트 계약을 포함한다.
실시예에서, 분산 원장 시스템은 작업 범위, 견적, 타임라인, 및 지불 기한을 커버하는 구매 주문을 실행하기 위한 스마트 계약을 포함한다.
실시예에서, 분산 원장 시스템은 제품의 배달 시에 고객에 의한 지불의 처리를 위한 스마트 계약을 포함한다.
실시예에서, 분산 원장 시스템은 결함 있는 제품에 대한 보험 청구를 처리하기 위한 스마트 계약을 포함한다.
실시예에서, 분산 원장 시스템은 품질 보증 청구를 처리하기 위한 스마트 계약을 포함한다.
실시예에서, 분산 원장 시스템은 유지보수의 자동화된 실행 및 지불을 위한 스마트 계약을 포함한다.
도 121은 본 개시의 일부 실시예에 따른, 네트워크 내의 하나 이상의 제조 노드에서 프린팅된 부품의 추적성을 보장하기 위해 디지털 스레드 데이터가 토큰화되고 분산 원장에 저장되는 분산 제조 네트워크의 예시적인 구현을 예시하는 개략도이다. 분산 제조 네트워크(10130)의 사용자는 구매 주문 또는 3D 프린팅 명령어 세트(10902)의 형태로 제품 요건을 제공할 수 있다. 3D 프린팅 명령어 세트(10902)는 제품 설계, 프린팅을 위한 재료, 프린팅될 수량, 사용자가 프린트에 대해 지불할 의향이 있는 가격 및 프린팅을 완료하기 위한 타임라인과 같은 주요 사양 및 요건을 포함한다. 3D 프린팅 명령어 세트(10902)는 또한 하나 이상의 파일(예를 들어, CAD 파일 및/또는 STL 파일) 및 파일에 정의된 제품을 프린팅하기 위한 임의의 수반되는 명령어를 포함할 수 있다.
수신시, 3D 프린팅 명령어 세트(10902)는 토큰화되고 자율 적층 제조 플랫폼(10110)의 분산 원장(10624)에 저장된다. 3D 프린팅 명령어 세트(10902)에서의 기본 정보는 분산 원장 상의 어드레스를 갖는 블록 번호에 의해 표현되는 고유 기록의 형태로 저장되며, 이는 차례로 암호화 토큰에 의해 표현된다. 암호화 토큰은 3D 프린팅 명령어 세트(10902)에서의 기본 정보의 값을 분산 원장 어드레스에 대한 소유권 또는 액세스 권한으로서 포착하고, 분산 제조 네트워크(10130)의 사용자 사이의 이러한 소유권의 이전을 추적한다. 예를 들어, 도 121에서, 3D 프린팅 명령어 세트(10902)는 랜덤 256 비트 정수 A091BC3…의 형태로 토큰화되고, 어드레스 BC22로 표현되는 분산 원장(10624)에 저장된다. 새로운 블록이 노드(10128)에서 분산 원장(10624)에 추가됨에 따라, 제조 노드(10100), 제조 노드(10800) 및 제조 노드(10802)를 포함하는 다양한 노드에 저장된 모든 사본이 새로운 블록으로 업데이트된다. 자율 적층 제조 플랫폼(10110) 내의 매칭 시스템(10632)은 구매 주문 또는 3D 프린팅 명령어 세트(10902)를 하나 이상의 제조 노드 또는 3D 프린터와 매칭시키는 것을 도울 수 있다. 매칭은 프린터 능력, 고객 및 제조 노드의 위치, 각각의 노드에서의 이용가능한 용량, 가격 및 타임라인 요건과 같은 인자에 기초할 수 있다. 실시예에서, 스마트 계약은, 예컨대, 전달 의무의 만족을 추적하는 것, (배송 동안 제품을 커버하는 보험과 같은) 보험 의무를 해제하는 것 등과 같은, 스마트 계약에 구체화된 조건부 로직을 트리거하기 위해, 원장 상에서 동작한다. 실시예에서, 스마트 계약은, 특히, 예컨대, 세금 및 세관 기관, 신용 및 직불 카드 발행자, 분배자 및 재판매업자, 커미션의 수신자, 로열티의 수신자, 리베이트, 크레딧 등의 수신자, 배송자/캐리어들, 및 제조자에게, 재정적 가치를 할당할 수 있다.
실시예에서, 매칭 시스템(10632)은 제품의 부품(10904 및 10910)이 프린팅을 위해 제조 노드(10100)에 매칭되고, 부품(10906 및 10908)이 제조 노드(10128)에 매칭되고, 부품(10912 및 10914)이 제조 노드(10802)에 매칭되는 것으로 결정할 수 있다. 최종 제품으로의 모든 부품의 조립은 제조 노드(10800)에 매칭될 수 있다.
부품 각각은 또한 구매 주문 식별자(orderID), 명령어 세트 식별자(fileID), 제조 노드(manufacturerID), 3D 프린터(printerID), 부품 번호(partID) 및 재료 및 수량 등과 같은 정보를 포함하는 부품 사양을 포함하는 정보를 포착하도록 토큰화되고 분산 원장에 기록 또는 블록으로서 저장될 수 있다. 부품은 이어서 블록에 링크되고 토큰에 고유한 고유 부품 번호, 각인(engraving), RFID 태그, 바코드 또는 스마트 라벨을 사용하는 물리적 추적기를 사용하여 추적될 수 있다. 유사한 방식으로, 모든 부품으로부터 조립된 제품은 또한 분산 제조 네트워크(10130)를 통해 그리고 다양한 VCN 엔티티(10126)를 통해 고객에게 이동함에 따라 토큰화되고 추적될 수 있다.
실시예에서, 부품, 제품 또는 3D 프린팅된 명령어 세트를 토큰화하는 것은, 액세스, 라이센싱, 소유권 및/또는 다른 적합한 권한이 토큰 중 하나 이상에 의해 관리되도록, 부품, 제품 또는 명령어 세트와 관련된 액세스, 지적 재산, 라이센싱, 소유권, 재무, 시간 공유, 임대, 대여, 사용 공유 및/또는 다른 적합한 권한을 토큰으로 래핑하는 것을 포함할 수 있다.
실시예에서, 분산 제조 네트워크(10130)는 토큰과 연관된 허가 및/또는 동작을 정의할 수 있다. 예를 들어, 토큰은 토큰화된 3D 프린팅된 명령어 세트가 분산 제조 네트워크(10130)에 의한 토큰화 시간에 설정된 허가에 기초하여 보여지고, 편집되고, 복사되고, 구매되고, 판매되고, 및/또는 허가되는 것을 허용할 수 있다. 실시예에서, 분산 제조 네트워크(10130)는 분산 제조 시장 또는 거래소의 오케스트레이션을 제공할 수 있으며, 예컨대 이 경우 3D 프린팅된 명령어 세트는, 예컨대, 제한 없이, 분산 제조 거래소 또는 시장의 호스트에 의해 및/또는 제조 노드에 의해 구성될 수 있는 스마트 계약에 의해 선택적으로 관장되는 토큰을 통해 교환될 수 있다. 예를 들어, 거래소 또는 시장은 토큰화된 3D 프린팅 명령어 세트, 부품, 제품, 전문 지식, 영업 비밀, 통찰에 대한 교환을 호스팅할 수 있으며, 여기서 트랜잭션 용어는 (매수/매도 모델, 경매 모델, 기부 모델, 역경매 모델, 고정 가격 모델, 가변 가격 모델, 조건부 가격 모델 등을 포함하는 다양한 트랜잭션 모델을 가능하게 하는 구성가능한 스마트 계약과 같이) 미리 정의되고/되거나 구성가능하고, 여기서 메타데이터는 수집되고/되거나 분산 제조 시장 또는 거래소의 카테고리에 관해 표현되고, 여기서 시장 가격 데이터, 적층 제조에 관한 실질적인 콘텐츠, 제공자에 관한 콘텐츠 등을 포함하는 관련 콘텐츠가 제시된다. 이러한 교환은 토큰으로 표현된 토큰화된 3D 프린팅 명령어 세트 지식의 수익화를 용이하게 할 수 있다.
실시예에서, 본 출원에 설명된 바와 같은 분산 제조 시장은 도메인-특정 거래소, 지리-특정 거래소 등과 같은 다른 거래소와 통합되거나 그 내에 있을 수 있으며, 여기서 분산 제조 시장은 다음과 같은 다른 거래소의 주제를 다루도록 구성될 수 있다: 분산 제조 시장에서 사용되는 모델 및 알고리즘(예를 들어, 가격 모델, 예측 모델, 제어 시스템 등)에서 다른 거래소의 변경을, 이들이 공급, 수요, 가격, 볼륨, 동작 인자, 및 다른 인자에 영향을 미치는 정도까지 고려하는 것; (예컨대, 다른 거래소에서 교환될 수 있는 제품을 제공함으로써, 다른 거래소의 동작 등을 알릴 수 있는 데이터 세트, 분석적 측정 등을 제공함으로써) 분산 제조 유닛을 통해 다른 거래소에 의해 사용될 수 있는 아이템의 세트 및/또는 데이터의 세트를 제공하는 것; (공유된 계산, 공유된 데이터 저장, 공유된 네트워크 리소스, 공유된 보안 리소스, 공유된 물리적 위치 등을 가능하게 하는 것과 같은) 분산 제조 시장과 다른 거래소 사이의 리소스 공유를 제공하는 것; 및/또는 분산 제조 시장 및 다른 거래소의 통합된 조정을 제공하는 것. 공유 리소스 활용은, 예컨대, 적층 제조 유닛과 다른 교환을 가능하게 하는 유닛의 하이브리드가 되게 하기 위해, 다른 거래소의 서비스 세트를 하나 이상의 적층 제조 유닛에 임베딩하는 것을 포함할 수 있다. 다른 거래소는 제품 거래소(예컨대, 전자상거래 시장, 경매 시장 등), 증권 거래소, 상품 거래소, 파생상품 거래소, 선물 거래소, 광고 거래소, 에너지 거래소, 재생가능 에너지 크레딧 거래소, 지식 거래소, 암호화폐 거래소, 채권 거래소, 화폐 거래소, 귀금속 거래소, 석유 거래소, 상품에 대한 거래소, 서비스에 대한 거래소, 법적 권한(예컨대, 지적 재산, 부동산, 초상권, 퍼블리시티권, 프라이버시권 등)에 대한 거래소, 또는 매우 다양한 다른 것들 중 임의의 것일 수 있다. 이는 API, 커넥터, 포트, 브로커, 및 다른 인터페이스에 의한 통합 뿐만 아니라, 또한 추출, 변환 및 로딩(ETL) 기술, 스마트 계약, 래퍼, 컨테이너, 또는 다른 능력에 의한 통합을 포함할 수 있다.
실시예에서, 디지털 트윈 시스템(10214)은 시장 디지털 트윈을 통해 시장, 거래소, 제품, 판매자, 구매자, 트랜잭션, 또는 이들의 조합의 시뮬레이션을 제시하도록 구성될 수 있다. 디지털 트윈 또는 복제본은 시장, 거래소, 제품, 판매자, 구매자, 트랜잭션 등의 2차원 또는 3차원 시뮬레이션일 수 있다. 디지털 트윈은 컴퓨터 모니터, 텔레비전 스크린, 3차원 디스플레이, 가상 현실 디스플레이 및/또는 헤드셋, AR 고글 또는 안경과 같은 증강 현실 디스플레이 등 상에서 볼 수 있다. 디지털 트윈은 자율 적층 제조 플랫폼(10110)의 하나 이상의 사용자에 의해 조작되도록 구성될 수 있다. 사용자에 의한 조작은 사용자가 디지털 트윈의 하나 이상의 부분을, 더 많이 또는 더 적게, 상세히 볼 수 있게 할 수 있다. 실시예에서, 디지털 트윈 시스템(10214)은 디지털 트윈이 시장, 거래소, 제품, 판매자, 구매자, 트랜잭션 등의 하나 이상의 잠재적인 미래 상태를 시뮬레이션할 수 있도록 구성될 수 있다. 디지털 트윈은 사용자에 의해 제공된 시뮬레이션 파라미터에 기초하여 시장, 거래소, 제품, 판매자, 구매자, 트랜잭션 등의 하나 이상의 잠재적인 미래 상태를 시뮬레이션할 수 있다. 시뮬레이션 파라미터의 예는 일정 기간의 진행, 구매자 또는 판매자와 같은 당사자에 의한 잠재적인 액션, 제품, 리소스 등의 공급 및/또는 수요의 증가, 정부 규제의 변화, 및 임의의 다른 적합한 파라미터를 포함한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 분산 제조 네트워크(10130)의 동작에 바람직한 태스크를 수행하기 위해 다양한 엔티티에 포인트를 수여함으로써 분산 제조 네트워크(10130)에서 게임화를 구현할 수 있다. 예를 들어, 특정 타입의 및/또는 특정 영역 내의 부품 또는 제품을 거래하기 위한 포인트가 수여될 수 있다. 포인트를 수여받는 엔티티는 서로 경쟁할 수 있고, 하나 이상의 포인트 임계값을 달성했고/했거나 포인트 리더보드 상의 하나 이상의 다른 엔티티 위에 랭크된 엔티티에게 디지털 및/또는 물리적 상금이 수여될 수 있다.
실시예에서, 점수화 시스템(10634)은 고객 요건을 충족시키기 위한 고객 만족도 점수에 기초하여 분산 제조 네트워크(10130) 내의 하나 이상의 제조 노드 또는 3D 프린터를 평가할 수 있다. 실시예에서, 점수는 고객을 제조 노드 또는 3D 프린터에 매칭시키기 위한 다른 기초를 형성할 수 있다.
실시예에서, 점수화 시스템(10634)은 분산 제조 네트워크(10130) 내의 다수의 엔티티로부터 고객 만족 점수를 크라우드소싱한다. 크라우드 소스의 예는 인증 엔티티, 도메인 전문가, 고객, 제조자, 도매업자, 및 임의의 다른 적절한 당사자를 포함한다.
실시예에서, 인증 엔티티 또는 도메인 전문가는 하나 이상의 3D 프린팅된 부품을 양호한 품질, 정확한, 및/또는 신뢰성 있는 것으로서 인증할 수 있다. 실시예에서, 고객은 하나 이상의 3D 프린팅된 부품 또는 제품을 검토하고 인증하여, 예컨대, 부품 또는 제품이 작동 순서 및/또는 기대 품질을 갖는다는 것을 표시할 수 있다. 실시예에서, 제조자 및/또는 도매업자는 3D 프린팅된 명령어 세트가 고객에게 전송가능하기 전에 일련 번호를 3D 프린팅된 명령어 세트 피스에 적용하는 것과 같이, 3D 프린팅된 명령어 세트의 인스턴스에 서명할 수 있다. 크라우드 소스에 의해 이루어진 인증, 리뷰, 서명, 및/또는 임의의 다른 검증 표시는, 예컨대 인증, 검토, 서명, 또는 다른 검증 표시를 표시하는 하나 이상의 새로운 블록을 분산 원장에 추가함으로써, 분산 원장에 기록될 수 있다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 분산 제조 네트워크(10130)의 하나 이상의 고객으로부터의 제품 수요를 예측하고 관리하기 위해 인공 지능 시스템(10212)에서 모델을 훈련시키기 위해 분산 제조 네트워크(10130)와 연관된 데이터 소스로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 이용한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 재료 공급을 예측하고 관리하기 위해 인공 지능 시스템(10212)에서 모델을 훈련시키기 위해 분산 제조 네트워크(10130)와 연관된 데이터 소스로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 이용한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 자율 적층 제조 플랫폼에 의해 인에이블되는 분산 제조 네트워크에 대한 생산 용량을 최적화하기 위해 인공 지능 시스템(10212)에서 모델을 훈련시키기 위해 분산 제조 네트워크(10130)와 연관된 데이터 소스로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 이용한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 분산 제조 네트워크(10130)와 연관된 데이터 소스로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 시스템을 이용하여 인공 지능 시스템(10212)의 모델을 훈련시켜 다수의 생산 프로세스, 프린터, 제조 노드에 걸쳐 스케줄링하고, 실시간 생산 및 우선순위 데이터에서의 변경에 기초하여 동적으로 스케줄을 재교정한다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 분산 제조 네트워크(10130)와 연관된 3D 프린팅 명령어 세트(10902) 및/또는 서비스의 하나 이상의 인스턴스에 대한 액세스를 제공하는 허가 키의 세트를 관리하기 위해 분산 원장을 활용할 수 있다.
실시예에서, 분산 원장은, 예컨대, 하나 이상의 암호 증명 및/또는 기술에 의해, 3D 프린팅 명령어 세트(10902)에 대한 증명가능한 액세스를 제공한다.
실시예에서, 분산 원장은, 하나 이상의 영지식 증명 기술(zero-knowledge proof technique)에 의해, 3D 프린팅 명령어 세트(10902)에 대한 증명가능한 액세스를 제공할 수 있다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 3D 프린팅 명령어 세트(10902)의 하나 이상의 인스턴스에 관하여 2개 이상의 엔티티 사이의 협력 및/또는 협력을 용이하게 하기 위해 분산 원장을 관리할 수 있다.
실시예에서, 신뢰 인가 권한(예를 들어, 자율 적층 제조 플랫폼(10110) 또는 다른 적절한 권한)은 분산 제조 네트워크(10130)의 각각의 등록된 사용자에게 개인 키 및 공개 키 쌍을 발행할 수 있다. 개인 키 및 공개 키 쌍은 데이터(예를 들어, 메시지, 파일, 문서 등)를 암호화 및 복호화하고/하거나 분산 원장에 대한 동작을 수행하는 데 사용될 수 있다.
실시예에서, 자율 적층 제조 플랫폼(10110) 또는 다른 적절한 권한은 사용자에게 2개 이상의 액세스 레벨을 제공할 수 있다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 사용자의 하나 이상의 클래스를 정의할 수 있고, 여기서 사용자의 클래스 각각은 각각의 액세스 레벨을 승인받는다.
실시예에서, 자율 적층 제조 플랫폼(10110)은 하나 이상의 액세스 키를 사용자의 하나 이상의 클래스에 발행할 수 있고, 여기서 하나 이상의 액세스 키 각각은 각각의 액세스 레벨에 대응하고, 그에 의해 사용자에게 그 각각의 발행된 액세스 키를 통해 상이한 액세스 레벨을 제공한다.
실시예에서, 특정 액세스 키의 소유가 분산 원장에 대한 액세스 레벨을 결정하는데 이용될 수 있다. 예를 들어, 제1 클래스의 사용자는 블록의 전체 관찰 액세스를 승인받을 수 있는 반면, 제2 클래스의 사용자는 블록의 관찰 액세스 및 블록 내에 포함된 트랜잭션의 하나 이상의 인스턴스를 검증 및/또는 인증하는 능력 둘 모두를 승인받을 수 있고, 제3 클래스의 사용자는 블록의 관찰 액세스, 블록 내에 포함된 트랜잭션의 하나 이상의 인스턴스를 검증 및/또는 인증하는 능력, 및 블록 내에 포함된 트랜잭션의 하나 이상의 인스턴스를 수정하는 능력을 승인받을 수 있다. 일부 실시예에서, 사용자의 클래스는 하나 이상의 역할에서 분산 원장의 합법적인 사용자인 것으로 검증될 수 있고, 분산 원장 및 그 안에 저장된 콘텐츠에 대해 관련 허가를 허용할 수 있다.
실시예에서, 분산 제조 네트워크(10130)는 액세스를 관리하기 위해 신뢰할 수 있는 당사자 및/또는 디바이스의 화이트리스트, 신뢰할 수 없는 당사자 및/또는 디바이스의 블랙리스트, 또는 이들의 조합을 확립할 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 소매 환경에 있거나 소매 환경으로 이동하는 쇼핑객(즉, 고객)을 위한 맞춤화된 제품을 생성하도록 구성될 수 있다. 맞춤화된 제품은 적층 제조 유닛(10102)에 의해 소매 환경에서 프린팅될 수 있고, 그에 의해 고객을 소매 환경으로 유인한다. 맞춤화된 제품은 장식 설계 및 기능 설계 중 하나 또는 둘 모두를 포함할 수 있다. 장식 설계는 고객의 프로파일에 따라 맞춤화되는 하나 이상의 미적 요소를 갖도록 구성될 수 있다. 기능적 설계는 고객의 프로파일에 따라 맞춤화되는 하나 이상의 기능적 특징을 갖도록 구성될 수 있다. 예를 들어, 적층 제조 플랫폼은 위치 데이터 및/또는 검색 데이터와 같은 고객 프로파일 정보를 사용하여 고객이 소매 환경을 방문할 것임을 결정할 수 있다. 고객이 소매 환경을 방문할 것이라고 결정할 때, 적층 제조 플랫폼은 고객에 대한 맞춤화된 제품을 설계하기 위해 고객의 미적 및/또는 기능적 욕구를 나타내는 정보를 사용할 수 있다. 적층 제조 유닛(10102)은 맞춤화된 제품이 소매 환경으로부터 고객에 의해 구매될 수 있도록 맞춤화된 제품을 제조할 수 있다. 맞춤화된 제품은 고객의 생리(physiology)에 맞도록 맞춤화된 제품일 수 있다. 예를 들어, 맞춤화된 제품은 고객의 손의 형상 및/또는 크기와 관련된 데이터에 기초하여 고객의 손에 맞도록 설계된 셀룰러 폰에 대한 경우일 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 쇼핑객에게 맞춤화된 제품 샘플을 생성하도록 구성될 수 있다. 적층 제조 플랫폼(10110)은 고객에게 어필할 수 있는 하나 이상의 타입의 제품 샘플을 결정하기 위해 고객 프로파일로부터의 데이터를 사용할 수 있다. 적층 제조 유닛(10102)은 고객이 소매 환경을 방문하기 전에 및/또는 방문하는 동안 고객에게 어필하는 제품 샘플을 프린팅할 수 있다. 제품 샘플은, 예를 들어, 재료 샘플, 직물 샘플, 식품 샘플, 또는 임의의 다른 적합한 타입의 제품 샘플을 포함할 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 고객 프로파일을 구축하기 위해 고객과 관련된 이미지, 텍스트, 및/또는 비디오를 사용하도록 구성될 수 있다. 이미지, 텍스트, 및/또는 비디오는 웹 크롤러, 소셜 미디어 피드, 공개 데이터베이스 등 중 하나 이상으로부터 소싱될 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 적층 제조 플랫폼의 기능과 관련된 AI 및/또는 기계 학습 태스크를 수행하도록 구성된 AI 시스템(10212)을 포함할 수 있다. AI 시스템(10212)은 쇼핑객을 위한 맞춤화된 제품을 적어도 부분적으로 설계하도록 구성될 수 있다. AI 시스템(10212)은 하나 이상의 기계 학습된 모델(10213)을 사용하여 고객 프로파일을 분석하고 고객에게 바람직할 하나 이상의 맞춤화된 제품 또는 그 특징을 결정할 수 있다. AI 시스템(10212)은 고객 프로파일을 구축하기 위해 이미지, 텍스트, 및/또는 비디오의 소스를 분석하기 위해 하나 이상의 기계 학습 모델(10213)을 사용할 수 있다. 기계 학습된 모델(10213)은 AI 시스템(10212)이 고객 프로파일을 구축하기 위해 다소 가치있고/있거나 효과적인 이미지, 텍스트, 및/또는 비디오의 타입을 결정하는 것을 허용하도록 구성될 수 있다. AI 시스템(10212)은 하나 이상의 기계 학습 모델(10213)을 사용하여 고객에게 다소 바람직할 수 있는 맞춤형 설계의 타입을 결정할 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 소매 환경에서 현장에서 재고 없는 및/또는 재고가 적은 제품을 생산하도록 구성될 수 있다. 플랫폼은 소매 환경의 제품의 재고의 양과 관련된 데이터를 수신할 수 있다. 플랫폼은 하나 이상의 제품이 품절되었다는 것 및/또는 품절될 수 있다는 것을 결정할 수 있다. AI 시스템(10212)은 품절 제품을 결정하도록 구성될 수 있다. 하나 이상의 제품이 품절되고/되거나 품절될 수 있다고 결정할 때, 플랫폼은, 적층 제조 유닛(10102)을 사용하여, 더 많은 제품을 생산할 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 소매 환경을 위한 기반구조를 생성하도록 구성될 수 있다. 기반구조는 새로운 기반구조 및/또는 대체 기반구조일 수 있다. 기반구조는 적층 제조 유닛(10102)을 통해 생성될 수 있다. 기반구조의 예는 팔레트, 저장 랙, 디스플레이 환경, 표지판, 패키지, 태그, 에스컬레이터 부품, 엘리베이터 부품 등을 포함한다. 적층 제조 플랫폼(10110)은 소매 환경의 기반구조 요구를 자동으로 결정하도록 구성될 수 있다. AI 시스템(10212)은 소매 환경의 기반구조 요구를 결정 및/또는 예측하기 위해 기계 학습 모델을 이용하도록 구성될 수 있다.
실시예에서, 적층 제조 플랫폼은 소매 환경에 있거나 소매 환경으로 이동하는 쇼핑객(즉, 고객)을 위한 맞춤화된 제품을 생성하도록 구성될 수 있다. 맞춤화된 제품은 3D 프린팅 디바이스에 의해 소매 환경에서 프린팅될 수 있고, 그에 의해 고객을 소매 환경으로 유인한다. 맞춤화된 제품은 장식 설계 및 기능 설계 중 하나 또는 둘 모두를 포함할 수 있다. 장식 설계는 고객의 프로파일에 따라 맞춤화되는 하나 이상의 미적 요소를 갖도록 구성될 수 있다. 기능적 설계는 고객의 프로파일에 따라 맞춤화되는 하나 이상의 기능적 특징을 갖도록 구성될 수 있다. 예를 들어, 적층 제조 플랫폼은 고객이 소매 환경을 방문할 것임을 결정하기 위해 위치 데이터 및/또는 검색 데이터와 같은 고객 프로파일 정보를 사용할 수 있다. 고객이 소매 환경을 방문할 것이라고 결정할 때, 적층 제조 플랫폼은 고객에 대한 맞춤화된 제품을 설계하기 위해 고객의 미적 및/또는 기능적 욕구를 나타내는 정보를 사용할 수 있다. 3D 프린팅 디바이스는 맞춤화된 제품이 소매 환경으로부터 고객에 의해 구매될 수 있도록 맞춤화된 제품을 제조할 수 있다. 맞춤화된 제품은 고객의 생리에 맞도록 맞춤화된 제품일 수 있다. 예를 들어, 맞춤화된 제품은 고객의 손의 형상 및/또는 크기와 관련된 데이터에 기초하여 고객의 손에 맞도록 설계된 셀룰러 폰에 대한 경우일 수 있다.
실시예에서, 적층 제조 플랫폼은 쇼핑객에게 맞춤화된 제품 샘플을 생성하도록 구성될 수 있다. 적층 제조 플랫폼은 고객에게 어필할 수 있는 하나 이상의 타입의 제품 샘플을 결정하기 위해 고객 프로파일로부터의 데이터를 사용할 수 있다. 3D 프린팅 디바이스는 고객이 소매 환경에 방문하기 전에 및/또는 방문하는 동안 고객에게 어필하는 제품 샘플을 프린팅할 수 있다. 제품 샘플은, 예를 들어, 재료 샘플, 직물 샘플, 식품 샘플, 또는 임의의 다른 적합한 타입의 제품 샘플을 포함할 수 있다.
실시예에서, 적층 제조 플랫폼은 고객 프로파일을 구축하기 위해 고객과 관련된 이미지, 텍스트, 오디오, 및/또는 비디오를 사용하도록 구성될 수 있다. 이미지, 텍스트, 오디오, 및/또는 비디오는 웹 크롤러, 소셜 미디어 피드, 공개 데이터베이스 등 중 하나 이상으로부터 소싱될 수 있다.
실시예에서, 적층 제조 플랫폼은 적층 제조 플랫폼의 기능과 관련된 AI 및/또는 기계 학습 태스크를 수행하도록 구성된 AI 시스템을 포함할 수 있다. AI 시스템은 쇼핑객을 위한 맞춤화된 제품을 적어도 부분적으로 설계하도록 구성될 수 있다. AI 시스템은 고객 프로파일을 분석하고 고객에게 바람직한 하나 이상의 맞춤화된 제품 또는 그 특징을 결정하기 위해 하나 이상의 기계 학습 모델을 사용할 수 있다. AI 시스템은 고객 프로파일을 구축하기 위해 이미지, 텍스트, 및/또는 비디오의 소스를 분석하기 위해 하나 이상의 기계 학습 모델을 사용할 수 있다. 기계 학습된 모델은 AI 시스템이 고객 프로파일을 구축하기 위해 다소 가치있고/있거나 효과적인 이미지, 텍스트, 및/또는 비디오의 타입을 결정하는 것을 허용하도록 구성될 수 있다. AI 시스템은 고객에게 다소 바람직할 수 있는 맞춤형 설계의 타입을 결정하기 위해 하나 이상의 기계 학습 모델을 사용할 수 있다.
실시예에서, 적층 제조 플랫폼은 소매 환경에서 현장에서 재고가 없는 및/또는 재고가 적은 제품을 생산하도록 구성될 수 있다. 플랫폼은 소매 환경의 제품의 재고의 양과 관련된 데이터를 수신할 수 있다. 플랫폼은 하나 이상의 제품이 품절되었다는 것 및/또는 품절될 수 있다는 것을 결정할 수 있다. AI 시스템은 재웨어하우징 요구를 결정하도록 구성될 수 있다. 하나 이상의 제품이 품절되고/되거나 품절될 수 있다고 결정할 시에, 플랫폼은, 3D 프린팅 디바이스에 의해, 더 많은 제품을 생산할 수 있다.
실시예에서, 적층 제조 플랫폼은 소매 환경을 위한 기반구조를 생성하도록 구성될 수 있다. 기반구조는 새로운 기반구조 및/또는 대체 기반구조일 수 있다. 기반구조는 3D 프린팅 디바이스를 통해 생성될 수 있다. 기반구조의 예는 팔레트, 저장 랙, 디스플레이 환경, 표지판, 패키지, 태그, 에스컬레이터 부품, 엘리베이터 부품 등을 포함한다. 적층 제조 플랫폼은 소매 환경의 기반구조 요구를 자동으로 결정하도록 구성될 수 있다. AI 시스템은 소매 환경의 기반구조 요구를 결정 및/또는 예측하기 위해 기계 학습 모델을 이용하도록 구성될 수 있다.
실시예에서, 예컨대, 밸류 체인 또는 다른 네트워크와 연관된 적층 제조 플랫폼(10110)은 건강 및 의료 디바이스, 컴포넌트, 부품, 장비 등의 설계, 개발, 제조 및 유통을 지원하도록 설계, 준비, 구성 및/또는 배치될 수 있다. 예를 들어, 의료 또는 건강 서비스 제공자와의 환자 상담과 관련하여, 모바일 적층 제조 유닛(10102) 및/또는 적층 제조 유닛(10102)에 의해서 생산된 의료 및 건강관리 하드 상품 및 디바이스의 신속한 전달을 용이하게 하기 위해서 의료 또는 건강 서비스 제공자에 충분히 근접한 근접도로 위치된 유닛과 같은, 적층 제조 유닛이 상담을 지원하도록 지정될 수 있다.
건강 관리 상담의 특성(예를 들어, 의료 전문 분야 및 그에 대응하는 디바이스, 장비 및 부품)을 기초로, 적층 제조 유닛(10102)은, 의료 제공자 및 그 환자를 지원하기 위해서 다양한 가능한 건강 및 의료 디바이스, 컴포넌트, 부품, 장비 등을 프린팅하기에 적합한, 금속 및/또는 플라스틱 프린팅 재료, 또는 다른 프린팅 재료의 조합과 같은, 적절한 재료를 구비할 수 있다.
실시예에서, 플랫폼(10110)은 필요한 의료 디바이스 또는 부품(예를 들어, 기술 사양, CAD 설계 등)을 표시하는 입력과 같은, 건강관리 상담으로부터의 또는 그와 관련된 입력; 환자-특정 데이터를 나타내는 입력(예를 들어, 임상 기준, 치수, 체중, 신장, 둘레, 원주 등과 같은 측정치); 및 디바이스 사양, 요건 등과 같은 의료 및 건강 서비스 제공자 또는 다른 제3자에 의해 제공되는 입력(예를 들어, 두께와 같은 디바이스 크기에 대한 제한, 부하- 또는 응력-베어링 최소치와 관련된 요건, 또는 일부 다른 기준)을 취할 수 있다.
실시예에서, 플랫폼(10110)은 의료 기록(예를 들어, 환자 측정치, 물질 알레르기, 다른 관련 의료 디바이스의 사용 등), 디바이스 사양 데이터(예를 들어, 디바이스, 제조될 부분 또는 다른 객체에 대한 권한을 보유하는 당사자(들)로부터의 제조 사양), 환자-입력 데이터(예를 들어, 디바이스의 컬러와 같은 미적 선호도), 의료 제공자-입력 데이터(예를 들어, 의료 사무실 브랜딩), 또는 일부 다른 입력을 포함하지만 이에 제한되지 않는 복수의 소스로부터의 입력을 처리할 수 있다. 실시예에서, 인공 지능 시스템(예컨대, 전문가 의료 디바이스의 훈련 세트 또는 다른 데이터에 대해 훈련된 로봇 프로세스 자동화 시스템)은 디바이스 및/또는 디바이스의 컴포넌트의 생산을 수반할 수 있는 추천된 액션, 프로토타입, 디바이스를 결정하기 위한 것이다. 적층 제조 플랫폼(10110)은, 일부 그러한 실시예에서, (예컨대, 전문가 데이터 세트에 대해 훈련된 로봇 프로세스 자동화와 같은 인공 지능 시스템을 사용하여) 의료 디바이스가 제조자(현재 재고가 있고/있거나 주문 중인 디바이스를 포함함)로부터 용이하게 이용가능한지 여부 및/또는 적층 제조 시스템이, 예컨대, 즉각적인 환자 요구를 충족시키거나, 비용을 절감하거나, 등을 위해, 디바이스를 생산해야 하는지 여부를 자동으로 결정할 수 있다. 유사하게, 적층 제조 플랫폼은, 일부 실시예에서, 유사한 시스템을 이용하여, 의료 디바이스의 마모된 또는 존재하지 않는 요소를 대체하기 위해서 상보적인 컴포넌트가 생성될 수 있는 경우와 같이, 수리를 용이하게 하기 위해서 요소가 적층 제조되어야 한다는 것을 자동적으로 결정할 수 있다.
예시적인 실시예에서, 외래 환자는 무릎 부상과 관련된 건강관리 상담을 위해 정형외과 사무실을 방문할 수 있다. 환자가 버팀대와 같은 의료 디바이스로부터의 일부 형태의 외부 무릎 지지부를 필요로 할 확률을 고려하여, 건강관리 상담에 앞서서 담당 의사는, (예를 들어, 적층 제조 플랫폼(10110)이, 필요한 의료 디바이스를 생산할 수 있게 하는 이용 가능한 설계, CAD 렌더링 및/또는 다른 사양을 가지는지를 확인하기 위해서) 적층 제조 플랫폼에 의해서 제조하고자 하는 무릎 버팀대 및 다른 의료 디바이스의 가용성을 결정하기 위해서, 적층 제조 플랫폼에 대한 사용자 인터페이스, 대시보드 또는 일부 다른 사용자 포털에 접근할 수 있다. 적층 제조 플랫폼(10110)이 이러한 디바이스 사양을 갖는 경우, 담당 의사(또는 다가오는 환자 건강관리 상담과 연관된 다른 직원)는 원하는 디바이스 설계를 큐 홀드(queue hold), 예약(reserve) 또는 제조에 대한 잠재적 관심을 기록하는 일부 다른 수단에 배치할 수 있다. 이러한 기록을 가짐으로써, 환자와의 만남 시에, 담당 의사(또는 다가오는 환자 건강관리 상담과 연관된 다른 직원)는, 사용자 인터페이스, 대시보드 또는 적층 제조 플랫폼에 대한 일부 다른 사용자 포털을 사용하여, 선택할 디바이스 옵션을 환자에게 제시할 수 있을 것이다. 필요한 의료 디바이스가 적층 제조 플랫폼과 현재 연관되지 않으면, 이는 플랫폼으로 하여금 디바이스, 컴포넌트 또는 부품을 제조하는 데 필요한 대응하는 디바이스 사양, 설계 및 다른 데이터에 대한 요청을 자동으로 전송하게 할 수 있다. 이러한 대응하는 디바이스 사양, 설계 및 다른 데이터가 위치되면, 열거된 디바이스 요건을 준수하는 것으로 보이는, 검토할 만한 제안된 제품/디바이스가 있다는 것을 나타내는 경보가 담당 의사(또는 다가오는 환자 건강관리 상담과 연관된 다른 직원)에게 다시 제공될 수 있다. 디바이스를 제조하는데 필요한 각각의 이용가능한 사양, 설계 또는 다른 데이터의 검토의 일부로서, 비용, 보증 및 다른 고려사항과 관련된 계약 기간이 검토를 위해 제시될 수 있다. 적층 제조 플랫폼의 사용자와 디바이스 제조와 관련된 권한의 제3자 보유자 사이의 계약 기간 및 계약 관계는 본 출원에 설명된 바와 같이 스마트 계약을 사용하여 조정될 수 있다. 환자의 건강관리 상담 이전에, 도중에, 또는 이후에, 의료 디바이스 설계가 선택되고 적층 제조 플랫폼에 제조를 위해 입력될 수 있다. 주문의 일부로서, 특정 환자와 관련된 데이터, 예컨대, 적절한 크기의 버팀대를 만들기 위해서 필요한 환자의 하퇴, 무릎, 및 상퇴의 원주에 관한 데이터가 적층 제조 플랫폼에 제출될 수 있다. 그러한 정보는 적층 제조 플랫폼에 수동으로 입력될 수 있거나, 전자 의료 기록과 같은 적층 제조 플랫폼(10110) 외부의 데이터 소스, 또는 디바이스 특성과 관련된 데이터를 저장하는 일부 다른 데이터 소스로부터의 데이터의 전달에 의해 적층 제조 플랫폼에 자동으로 입력될 수 있다. 그들의 버팀대의 외부에 새겨진 코알라 곰의 이미지를 원하는 어린이, 또는 버팀대가 자신의 피부 톤 및/또는 비즈니스 슈트 컬러와 더 잘 매칭되어 버팀대를 덜 명시적이게 하기 위한 특정 컬러가 되기를 원하는 사업가와 같은 추가적인 선호 데이터가 또한 제공될 수 있다. 적층 제조 플랫폼에 대한 사용자 인터페이스, 대시보드 또는 일부 다른 사용자 포털은, 축조될 작업을 제출하기 전에, 환자와 같은 사용자가 제조될 디바이스의 상이한 프로토타입 및 미적 장식을 볼 수 있게 하는, 적층 제조 플랫폼과의 상호작용을 가능하게 할 수 있다. 설계 사양을 완료할 시에, 적층 제조 플랫폼(10110)은 환자의 의료 상담이 진행되는 동안 디바이스 및/또는 디바이스의 컴포넌트 또는 부품을 생산하는 것으로 진행할 수 있거나, 또는 이러한 제조는 상담 후에 완료될 수 있고, 디바이스는 주문을 배치할 때 적층 제조 플랫폼(10110)에 입력되는 연락처 데이터 입력에 기초하여 환자 및/또는 의료 제공자에게 자동으로 전송된다.
실시예에서, 예컨대, 밸류 체인 네트워크와 연관된 적층 제조 플랫폼(10110)은 호텔 게스트의 세트에 대한 맞춤화된 및/또는 개인화된 호텔 텍스타일의 프린팅을 지원하도록 준비, 구성, 및/또는 배치될 수 있다. 일 예에서, 다가오는 호텔 게스트 방문과 관련하여, 모바일 적층 제조 유닛(10102) 및/또는 적층 제조 유닛(10102)에 의해서 생산된 아이템의 신속한 전달을 용이하게 하기 위해서 호텔에 충분히 근접한 근접도로 위치된 유닛과 같은 적층 제조 유닛(10102)이 지원을 위해서 지정될 수 있다. 실시예에서, 맞춤화 및/또는 개인화될 수 있는 텍스타일은 침구, 시트, 수건, 로브, 베개, 담요, 커튼, 가구 등을 포함할 수 있다.
실시예에서, 적층 제조 유닛(10102)은 다양한 가능한 텍스타일을 프린팅하기에 적합한 패브릭 및 다른 프린팅 재료의 조합과 같은 적절한 재료, 또는 호텔 방문을 지원하기 위한 다른 요소를 구비할 수 있다. 실시예에서, 패브릭은 캔버스, 캐시미어, 체닐, 쉬폰, 면, 크레이프, 다마스크, 조젯, 깅엄, 저지, 레이스, 가죽, 리넨, 메리노 울, 모달, 모슬린, 오간자, 폴리에스테르, 새틴, 실크, 스판덱스, 스웨이드, 태피터, 트왈, 트위드, 능직, 벨벳, 비스코스 등을 포함할 수 있으나, 이에 제한되는 것은 아니다.
실시예에서, 적층 제조 플랫폼(10110)은 다가오는 호텔 방문과 관련된 입력, 예컨대, 프린팅할 아이템의 타입(들)을 표시하는 입력(예를 들어, 베개, 침구, 수건 등); (면, 실크 등과 같은) 직물 타입을 나타내는 입력; (퀸 베드 또는 킹 베드에 맞추기 위한 것과 같은) 아이템 크기를 표시하는 입력; 및 카메라, 마이크로폰, 데이터 수집기, 센서, 및 다가오는 호텔 방문과 연관된 다른 정보 소스에 의해 포착된 입력을 취할 수 있다. 예를 들어, 호텔 직원은 호텔 게스트 선호도와 관련된 정보를 포착할 수 있다. 실시예에서, 적층 제조 플랫폼(10110)은, 예컨대, (전문가 서비스 방문 데이터의 훈련 세트에 대해 훈련된 로봇 프로세스 자동화 시스템과 같은) 인공 지능 시스템(10212)을 사용하여, 입력을 처리하여, 추천된 액션을 결정할 수 있으며, 이는, 실시예에서, 직물의 프린팅을 수반할 수 있다. 적층 제조 플랫폼(10110)은, 일부 그러한 실시예에서, 적층 제조 유닛(10102)이 직물을 생산해야 하는지 여부를 (예컨대, 전문가 데이터 세트에 대해 훈련된 로봇 프로세스 자동화와 같은 인공 지능 시스템(10212)을 사용하여) 자동으로 결정할 수 있다.
적층 제조를 위한 명령어를 추천하거나 구성하는 임의의 그러한 실시예에서, 적층 제조 플랫폼(10110)은 이용가능한 재료/패브릭을 발견하고, 명령어를 구성하고, 적층 제조를 개시하고, 요소가 언제 사용할 준비가 될 것인지에 관한 업데이트와 같은 업데이트를 호텔 직원에게 제공할 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은, 예컨대, 훈련된 AI 에이전트를 통해, (예를 들어, 전체 작업흐름과 정렬되는 적층 제조 출력의 적절한 시퀀싱을 허용하기 위해) 어떤 다른 작업이 행해지고 있는지, 프린팅 작업의 우선순위(예를 들어, 그것이 충성도 있는 호텔 게스트와 관련되는지 여부), 또는 다른 인자와 같은, 다른 작업흐름에 수반되는 다른 관련 엔티티의 상태를 인식하면서 적층 제조 유닛(10102)의 세트에 걸쳐 작업의 세트를 자동으로 구성하고 스케줄링할 수 있다. 실시예에서, 적층 제조 엔티티의 세트에 걸친 작업흐름의 최적화는 인공 지능 시스템(10212)이 대안적인 스케줄링 시퀀스, 설계 구성, 대안적인 출력 타입 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 이루어질 수 있다. 실시예에서, 시뮬레이션은, 로봇 취급 시스템에 의해 핸드오프가 취급되는 경우와 같이, 상이한 제조 엔티티 타입의 세트 사이의 핸드오프를 비롯하여, 적층 제조 및 다른 제조 엔티티(예컨대, 절단, 염색 등을 수행하는 절삭 제조 엔티티 및/또는 호텔 게스트 이니셜을 재봉, 구성, 추가하는 마감 엔티티 등)를 수반하는 시퀀스를 포함할 수 있다. 실시예에서, 디지털 트윈의 세트는 다양한 제조 시스템, 다양한 취급 시스템(로봇 시스템, 아암, 컨베이어들 등 뿐만 아니라, 또한 인간 노동력) 및/또는 주변 환경(예컨대, 호텔, 제조 시설 등)의 속성 및 능력을 나타낼 수 있다.
실시예에서, 예컨대, 밸류 체인 네트워크와 연관된, 적층 제조 플랫폼(10110)은 레스토랑 동작을 지원하도록 준비, 구성 및/또는 배치될 수 있다. 예를 들어, 레스토랑의 고객 예약과 관련하여, 테이블측 적층 제조 유닛(10102) 및/또는 적층 제조 유닛(10102)에 의해 생산된 아이템의 테이블로의 직접 전달을 용이하게 하기 위한 휴대용 유닛과 같은 적층 제조 유닛(10102)이 고객 예약을 지원하도록 지정될 수 있다.
예약의 특성(예를 들어, 특수 식이 요건, 접근성 요건, 예약의 기회) 및 레스토랑에서 이용가능한 서비스 및 공급에 기초하여, 적층 제조 유닛(10102)은, 다양한 가능한 서비스 아이템, 특수 플랫웨어(flatware), 맞춤화 기념/수유 아이템, 또는 예약을 지원하기 위한 다른 요소를 프린팅하기에 적합한 식품 등급 서비스/저장 재료 및 다른 프린팅 재료의 조합과 같은 적절한 재료를 구비할 수 있다. 실시예에서, 적층 제조 플랫폼(10110)은 예컨대, 하루 중 시간, 파티의 크기, 특수 요청, 레스토랑 대표와의 제휴, 로열티 참여 등을 표시하는 입력; 예약으로부터의 또는 예약과 관련된 입력; 레스토랑에서의 서비스 지원 능력을 표시하는 입력 및 (오븐, 조리대, 식품 저장소, 식사 준비 재료, 맞춤화가능한 서비스 아이템 등의 상태와 같은) 로컬에서 이용가능한 서비스 지원 재료/장비에 대한 적시 액세스를 위한 옵션; 및 예약에서의 하나 이상의 참가자와 연관된 선택 입력 포착 디바이스(들)(예를 들어, 이미지 포착 특징을 갖는 개인용 모바일 전화)를 비롯한, 예약과 연관된 카메라, 마이크로폰, 데이터 수집기, 센서, 및 다른 정보 소스에 의해 포착된 입력을 취할 수 있다. 예를 들어, 호스트 스테이션 카메라는 적층 제조 프린팅 사용을 위한 3D 데이터 세트의 생성에 적합한 예약 참가자(들) 얼굴의 이미지와 같은 참가자의 사진의 세트를 포착할 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은, 예컨대, 인공 지능 시스템(10212)을 사용하여, 예약의 참가자를 서비스하기 위한 추천된 액션을 결정함으로써 입력을 처리할 수 있으며, 이는, 실시예에서, 예약의 서비스 요건을 충족시키도록 적응된 표준 서비스 아이템, 예컨대, 예약의 각각의 참가자에 대해 분리된 구획을 갖는 맞춤화된 서빙 트레이, 일반 부속물이 없이 사람이 사용하도록 적응된 플랫웨어 및/또는 서빙 스푼의 아이템 등과 같은 서비스 아이템의 사용을 수반할 수 있다. 적층 제조 플랫폼(10110)은, 일부 그러한 실시예에서, 예컨대, 전문가 데이터 세트 등에 대해 훈련된 인공 지능 시스템(10212)을 사용하여, 적합한 서비스 아이템이 용이하게 이용가능한지 여부 및/또는 서비스 아이템(들)을 생성하기 위한 적층 제조 시스템의 사용이 지연을 감소시킬 수 있는지, 비용을 절감할 수 있는지 등을 자동으로 결정할 수 있다. 유사하게, 적층 제조 플랫폼(10110)은, 일부 실시예에서, 유사한 시스템을 사용하여, 예컨대, 가스 범위 조절기 상의 가스 설정 노브와 같은, 마모되거나 존재하지 않는 컴포넌트를 대체하기 위해 상보적 컴포넌트가 생성될 수 있는 경우, 예약을 위한 적시의 식사 서비스를 보장하기 위해 조리대와 같은 추가적인 주방 장비의 사용을 용이하게 하기 위해 요소가 적층 제조되어야 한다고 자동으로 결정할 수 있다.
실시예에서, 자동 결정은 예약 참가자의 얼굴 이미지의 세트를 포착하고 얼굴 이미지와 매칭되는 유리컵과 같은 상보적 서비스 아이템을 적층 제조하기 위한 명령어 세트를 생성하는 기계 비전 시스템을 사용하여 이루어질 수 있다. 적층 제조를 위한 명령어를 추천하거나 구성하는 임의의 그러한 실시예에서, 적층 제조 플랫폼(10110)은 이용가능한 적층 제조 유닛(10102)(예를 들어, 레스토랑 건물의 유리컵 적층 제조 유닛)을 발견하고, 호환가능한 명령어를 구성하고, 적층 제조를 개시하고, 맞춤형 프린팅된 유리컵이 언제 사용할 준비가 될 것인지에 관한 업데이트와 같은 업데이트를 서비스 직원에게 제공할 수 있다. 실시예에서, 적층 제조 플랫폼(10110)은, 예컨대, 훈련된 AI 에이전트를 통해, 레스토랑 및 다른 주방/서비스 작업흐름에서의 다른 관련 예약의 상태, 예컨대, (예를 들어, 예약의 시작 시에 바로 사용되지 않을 예약 관련 서비스 아이템을 생성하는 적층 제조 작업의 우선순위가 낮아지는 것을 허용하기 위해) 식품 준비/식사 코스의 타이밍, (예를 들어, 전체 주방 작업흐름, 식사 서비스 등과 정렬되는 적층 제조 출력의 적절한 시퀀싱을 허용하기 위해) 다른 예약에 대해 어떤 다른 적층 제조 작업이 행해지고 있는지, 적층 제조 요소 액세스에서의 지연의 비용(직접 및 간접 둘 모두)(예를 들어, 열악한 리뷰, 할인된 요금, 더 낮은 서비스 팁, 지연에 대한 보상으로서의 무료 식품/음료 아이템 등), 또는 다른 인자를 인식하면서 적층 제조 유닛(10102)(유리컵 적층 제조 유닛, 주방 장비 부품 적층 제조 유닛, 테이크아웃/테이크아웃 식품 저장 시스템 적층 제조 유닛 등)의 세트에 걸쳐 작업의 세트를 자동으로 구성하고 스케줄링할 수 있다.
실시예에서, 적층 제조 기술을 통해 향상 및/또는 생산될 수 있는 레스토랑 서비스 아이템은, 제한 없이, 샐러드를 시원하게 유지하는 것, 뜨거운 식사를 따뜻하게 유지하는 것, 바삭한 감자튀김의 서빙을 유지하는 것과 같은, 개별 식품 아이템 요구를 충족시키도록 구성된 테이크아웃/어웨이 컨테이너, 식품 서비스 아이템 크기/형상을 충족시키도록 형상화된 컨테이너(예를 들어, 조각 파이를 위한 삼각형 크기의 컨테이너, 팬케이크를 위한 원형, 샌드위치 아이템을 위한 직사각형/정사각형) 등을 포함한다. 실시예에서, 단지 포크 및 스푼을 사용하는 것만을 학습한 아기 또는 나이프를 사용하는 자신의 스킬을 연습하고 있는 어린이가 사용하기에 적합한 연령 범위 특정 플랫웨어와 같은 사용자 특정 플랫웨어, (예약과 연관하여 명시적으로 표현된) 또는 (사용자 상황/이미지로부터 암시적으로 도출된) 사용자 선호도에 기초한 비통상적인 플랫웨어 아이템 등이다. 또한, 실시예에서, 머그잔, 코스터, 충전기, 플레이트 등과 같은 테이블 및 서비스 아이템은 예약과 함께 공급되는 로고, 예약 프로세스 동안 추천되는 기회 특정 설계/장식 등과 같은 예약 양태를 충족시키도록 생성될 수 있다. 실시예에서, 인공 지능 시스템이 대안적인 식품 준비 및/또는 예약 시퀀스, 설계 구성, 대안적인 출력/재료 타입 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 적층 제조 엔티티/유닛의 세트에 걸친 작업흐름의 최적화가 이루어질 수 있다.
실시예에서, 종이형 재료 및 단열 구조와 같은 적층 제조 재료의 혼합에 의존하는 예약 서비스 아이템은 (예를 들어, 내부 온도를 유지하고 유리를 잡고 있는 사용자의 편안함을 개선하기 위해) 서비스 아이템(예를 들어, 맞춤형 프린팅된 유리컵)의 내부로부터 아이템의 외부로의 더 낮은 열 전달과 같은, 단일 재료 아이템에 비한 성능 이점을 제공할 수 있다.
실시예에서, 예컨대, 밸류 체인 네트워크와 연관된, 적층 제조 플랫폼(10110)은 대학 및/또는 기업의 캠퍼스에서 개인화된 식품의 프린팅을 지원하도록 준비, 구성 및/또는 배치될 수 있다. 일 예에서, 적층 제조 유닛(10102)은 이동 중인 학생 및 작업자에게 민족적이고 개인화된 식품을 제공하도록 지정될 수 있다. 실시예에서, 적층 제조 유닛(10102)은 학생 또는 작업자를 지원하기 위해 다양한 가능한 식품 아이템을 프린팅하기에 적합한 재료, 예컨대, 성분 및 다른 프린팅 재료의 조합을 구비할 수 있다. 예를 들어, 피자 제조는 적층 제조 유닛(10102)에 의해 자동화될 수 있고, 다중-노즐 프린트 헤드는 피자 토핑의 개인화된 선택과 함께 도우, 소스 및 치즈를 얹을 수 있다. 유사하게, 디저트, 초콜릿, 케이크, 패스트리, 심지어 식용 플레이트, 식기 및 수저 등이 적층 제조 유닛(10102)에 의해서 프린팅될 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 고객으로부터의 또는 고객과 관련된 입력, 예컨대, 프린팅할 식품 아이템(예를 들어, 피자, 파스타, 디저트 등)의 타입(들)을 표시하는 입력; 맛 선호도를 나타내는 입력(예컨대 매운맛, 단맛 등); (텍스처, 컬러 등과 같은) 미적 선호를 표시하는 입력; 식품 아이템 크기(예컨대, 소형, 중형 또는 대형)를 나타내는 입력; 영양 요건(단백질, 탄수화물, 지방, 비타민, 광물 등)을 표시하는 입력, 건강 요구(예컨대, 알레르기 등)를 표시하는 입력, 및 카메라, 마이크로폰, 데이터 수집기, 센서, 및 다가오는 캠퍼스 방문과 연관된 다른 정보 소스에 의해 포착된 입력, 또는 일부 다른 입력 타입을 취할 수 있다. 예를 들어, 고객이 어떠한 해산물 알레르기도 갖지 않는다는 것을 결정하기 위해 고객 생물학적 정보와 관련된 정보가 포착될 수 있다. 실시예에서, 적층 제조 플랫폼(10110)은, 예컨대, (전문가 서비스 방문 데이터의 훈련 세트에 대해 훈련된 로봇 프로세스 자동화 시스템과 같은) 인공 지능 시스템(10212)을 사용하여, 입력을 처리하여, 추천된 액션을 결정할 수 있으며, 추천된 액션은, 실시예에서, 예를 들어, 고객의 영양 요건을 충족시키는 성분을 최적화하는 맞춤형 초밥의 프린팅을 수반할 수 있다.
실시예에서, 적층 제조 유닛(10102)은 샐러드를 시원하게 유지하는 것, 뜨거운 식사를 따뜻하게 유지하는 것, 바삭한 감자튀김의 서빙을 유지하는 것, 식품 서비스 아이템 크기/형상을 충족시키도록 형상화된 컨테이너 등과 같은 개별 식품 아이템 요구를 충족시키기 위해 테이크아웃 컨테이너를 프린팅할 수 있다.
실시예에서, 식품 아이템은 온-디맨드 기반으로 사용 지점에서 또는 그 부근에서 모바일 적층 제조 유닛(10102)에서 프린팅될 수 있고, 그에 의해서 식품 재고 및 저장 및 수송과 관련된 비용을 감소할 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은, 예컨대, 훈련된 AI 에이전트를 통해, (예를 들어, 전체 작업흐름과 정렬되는 적층 제조 출력의 적절한 시퀀싱을 허용하기 위해) 어떠한 다른 작업이 행해지고 있는지, (예를 들어, 고객 주문의 타이밍에 기반하여) 프린팅 작업의 우선순위, 또는 다른 인자와 같은, 다른 작업흐름에 수반되는 다른 관련 엔티티의 상태를 인식하면서 적층 제조 유닛(10102)(예를 들어, 식품, 디저트, 플레이트, 식기, 수저, 주방 장비 등을 생성하는 유닛)의 세트에 걸쳐 작업의 세트를 자동으로 구성하고 스케줄링할 수 있다. 실시예에서, 인공 지능 시스템이 대안적인 스케줄링 시퀀스, 설계 구성, 대안적인 출력 타입 등을 수반하는 시뮬레이션과 같은 시뮬레이션의 세트를 수행하게 함으로써 적층 제조 엔티티의 세트에 걸친 작업흐름의 최적화가 이루어질 수 있다. 실시예에서, 시뮬레이션은, 예컨대, 로봇 취급 시스템에 의해 핸드오프가 취급되는 경우, 상이한 제조 엔티티 타입의 세트 사이의 핸드오프를 비롯하여, 적층 제조 및 다른 제조 엔티티(예컨대, 절단, 드릴링 등을 수행하는 절삭 제조 엔티티 및/또는 마감 엔티티(장식, 플레이트, 고명(garnish), 배열, 글레이즈(glaze) 등)를 포함함)를 수반하는 시퀀스를 포함할 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 라이브 이벤트와 연관된 고유한 부품, 예를 들어, 개인화된 메멘토, 샘플 제품, 한정판 예술품 등을 자율적으로 설계 및 생성하도록 라이브 입력, 라이브러리 데이터, 개인 데이터, 면허 데이터 등을 조합하기 위해 개별적으로 또는 네트워크의 일부로서 동작하는 고정 또는 모바일 시스템으로서 구성될 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 레이저 또는 백색 광 스캐너와 같은 3D 스캐닝, 이미지 인식, 사진, 공개적으로 이용가능한 데이터 등을 사용하여 사용자 또는 장소로부터 실시간 또는 개인화된 입력을 취득하고, 정보를 기존의 공개 또는 허가된 부분 및 데이터 라이브러리와 조합 및 처리하여, 조합된 3D 프린팅가능한 데이터세트 및 완제품을 생성할 수 있고, 완제품은 고객이 대기하거나, 또는 나중에 가정, 비즈니스, 또는 장소 좌석에 전달될 수 있다.
실시예에서, 예컨대, 밸류 체인 네트워크와 연관된, 적층 제조 플랫폼(10110)은 응급 구조원 이벤트를 지원하기 위해 응급 구조원에 의해 구성되고 배치될 수 있다. 예를 들어, 응급 구조원 요청과 관련하여, 적층 제조 유닛(10102)은 맞춤 컴포넌트, 부품, 장비, 의료 디바이스, 액세서리 등을 온-디맨드 실시간 기반으로 설계 및 프린팅하는 것을 지원하도록 지정될 수 있다. 프린팅될 수 있는 장비의 일부 예는 개인 보호 장비(PPE), 안면 보호구, 고글 또는 의료용 안경, 보호 안경류, 부츠, 수술용 후드, 귀마개, 밸브, 노즐, 헬멧, 신체 보호구, 추출 툴 등을 포함한다.
실시예에서, 장비는 필요에 따라 사용 지점 근처에서 또는 사용 지점에서 프린팅될 수 있다. 예를 들어, 안경류, 귀마개, 헬멧, 부츠가 환자 측정에 기초하여 맞춤 프린팅될 수 있다. 유사하게, 호흡기, 인공호흡기, 맞춤형 밸브 및 노즐을 포함하는 장비가 즉각적인 환자의 필요를 기초로 모바일 적층 제조 플랫폼에서 프린팅될 수 있고 관리 지점에서 전달될 수 있다.
실시예에서, 적층 제조 플랫폼(10110)은 수리를 용이하게 하기 위해 하나 이상의 부품이 적층 제조되어야 한다고 (예컨대, 전문가 데이터 세트에 대해 훈련된 인공 지능 시스템(10212)을 사용하여) 자동으로 결정할 수 있으며, 예컨대, 여기서 응급 구조원 장비 또는 디바이스의 마모되거나 존재하지 않는 요소를 대체하기 위해 상보적인 부품이 생성될 수 있다. 이어서, 적층 제조 플랫폼(10110)은, 예컨대, 인공 지능 시스템(10212)을 사용함으로써 입력을 처리하여, 수리 요청을 서비스하기 위한 추천된 액션을 결정할 수 있다.
실시예에서, 적층 제조 유닛(10102)의 세트는 상업용 부동산 빌딩과 같은 빌딩의 다수의 테넌트에 대한 공유 리소스로서 제공될 수 있으며, 여기서 적층 제조 유닛(10102)은 네트워킹 리소스(예를 들어, RF, 셀룰러, Wifi, 광섬유 및 다른 리소스), 계산 리소스(예를 들어, 데이터 저장 리소스, 에지 및 클라우드 계산 리소스), IoT 리소스(예를 들어, 카메라, 센서 등) 등과 같은 다른 빌딩 리소스들과 통합되어, 적층 제조 유닛(10102)의 능력은 (실시예에서, 적어도 부분적으로, 적층 제조 유닛(10102)로부터의 또는 그에 관한 데이터에 대해 동작하는 스마트 계약으로서 구체화될 수 있는) 임대의 기간 및 조건에 따라 테넌트에 의해 액세스될 수 있다. 실시예에서, 적층 제조 플랫폼(10110)은, (스위치, 액세스 포인트, 게이트웨이들, 라우터, 무선 메시 네트워크 시스템, 위성 시스템, Wifi 시스템, (LORA와 같은) 장거리 RF 시스템, Zigbee, 블루투스 및 다른 무선 시스템과 같은 5G 및 다른 셀룰러 네트워크 디바이스 및 기반구조 뿐만 아니라, 또한 예컨대 섬유 액세스 게이트웨이 및 다른 시스템, 케이블, 이더넷, 디지털 가입자 라인, 아날로그 전화 라인 및 다른 유선 네트워킹 시스템을 위한 모뎀 및 다른 게이트웨이 디바이스와 같은 고정 네트워크 시스템- 각각은 이더넷, TCP/IP, UDP 등과 같은 광범위한 프로토콜 중 임의의 것을 사용함 -과 같은) 네트워크 백본 및/또는 연결성 리소스의 세트를 비롯한, 빌딩, 캠퍼스 등을 위한 백본 내의 디바이스, 시스템, 서비스 및 다른 리소스의 세트를 포함하거나, 이들에 링크하거나, 또는 이들과 통합할 수 있다. 공유 연결 리소스는 인터넷 연결을 위한 리소스(예컨대, 무선 인터넷 서비스 제공자(wireless internet service provider)(WISP) 리소스 및 고정 ISP 연결), 셀룰러 연결(예를 들어, 공유 5G), 메시 네트워크 연결 등을 포함할 수 있다. 실시예에서, 적층 제조 플랫폼(10110)은 빌딩, 캠퍼스 등에 전용화된 블록체인, 분산 원장, 데이터베이스 또는 다른 데이터 저장소, 빌딩의 IT 기반구조를 제공하는 디바이스 및 시스템의 메모리를 사용하는 분산 메모리 시스템 등과 같은 공유 데이터 저장 리소스의 세트를 포함하거나, 그에 링크하거나, 또는 그와 통합할 수 있다. 실시예에서, 적층 제조 유닛(10102) 및 다른 공유 리소스는, 예컨대 호스트 또는 호스트를 대신하여 동작하는 훈련된 지능형 에이전트에 의해 프로비저닝되어, (특히, 예비 부품, 제품, 툴, 액세서리, 공급품, 대체 부품 등에 대한 것과 같은) 동작 요구 등을 포함하는, 건물, 캠퍼스, 도시 등의 테넌트와 같은 테넌트의 요구의 신속한 맞춤화 및 충족을 가능하게 할 수 있다. 많은 예 중에서, 적층 제조 유닛(10102)은 개인 보호 장비, 인공호흡기, 웨어러블 아이템, 툴 등과 같은 특수 테넌트에 필요한 요소들 뿐만 아니라, 또한 (광섬유 케이블, 이더넷 포트 등과 같은 커넥터, 플러그 등과 같은) IT 기반구조에 필요한 요소 등을 생성할 수 있다. 실시예에서, 공유 리소스는 예컨대, 네트워킹 노드의 이벤트 로그, 소프트웨어 시스템의 로그 등과 같은 다양한 이용 추적 기술로 모니터링될 수 있고, 지불 책임을 할당하는 것, 사용 권한을 할당하는 것, (예컨대, 테넌트별, 시간별, 태스크별 등의) 리소스 활용의 우선순위화를 설정하는 것을 포함하는 자동화된 프로비저닝 시스템에 의해 프로비저닝될 수 있다. 이는 전문가 리소스 관리자의 훈련 데이터 세트에 의해 훈련되는 인공 지능 에이전트에 의한 자동화된 관리를 포함할 수 있다. 이는 지도, 반지도 또는 딥러닝 프로세스일 수 있고, 수익성 결과, 테넌트 피드백 결과, 사용자 만족 결과, 보안 결과, 운영 결과 등과 같은 결과에 대한 훈련을 포함할 수 있다. 리소스 공유 및 지불은 리소스를 할당하기 위한 관장 규칙 및 우선순위화 및/또는 지불 책임을 결정하는 조건부 로직과 같은 스마트 계약에 의해 관장되고 제어될 수 있으며, 선택적으로 리소스를 수반하는 이벤트의 분산 원장 상에서 동작한다. 실시예에서, 스마트 계약 프레임워크 자체는 테넌트가 예컨대, 서비스를 제공하고, (예컨대, 본 출원에 언급된 리소스 중 임의의 것 뿐만 아니라 또한 다른 리소스를 포함하는 다른 테넌트와) 리소스를 공유하는 것 등을 가능하게 하기 위해, 테넌트에 제공되는 공유 리소스일 수 있다.
액체 렌즈(LIQUID LENS)
도 122 내지 도 127은 액체 렌즈 디바이스의 다양한 실시예 및 응용에 관한 것이다. 액체 렌즈 디바이스는 태스크를 수행하기 위해 이미지 분류에 의존하는 자율 시스템을 비롯한, 응용 집합체에서 사용될 수 있다. 액체 렌즈 디바이스는, 특히, 개선된 이미지 감지 능력 및 이미지 분류를 제공함으로써 다양한 자율 시스템의 성능을 개선하기 위해 밸류 체인의 많은 상이한 영역에 통합될 수 있다.
도 122는 관심 객체(11102)를 인식하기 위한 종래의 컴퓨터 비전 시스템(11100)의 예시적인 구현을 예시하는 개략도이다. 컴퓨터 비전 시스템(11100)은 객체(11102)로부터의 광을 센서(11106) 상에 집중시키려고 시도하는 렌즈 어셈블리(11104)를 포함한다. 센서(11106)는 감광 요소의 어레이를 포함하는 CCD(charge coupled device) 또는 CMOS(complementary metal oxide semiconductor) 디바이스와 같은 이미지 센서일 수 있다. 센서는 광을 광 강도에 대응하는 아날로그 전기 신호로 변환할 수 있다. 그 다음, 아날로그-디지털(AD) 변환기(11108)는 아날로그 전압을 디지털 데이터로 변환한다. 이 원시 디지털 데이터는 이어서 분석을 위해 이미지 처리 시스템(11110)으로 전송된다. 그 다음, 이미지 처리 시스템(11110)은 원시 디지털 데이터를 처리하여 이미지(11112)를 생성한다. 이미지 처리 시스템(11110)은 또한 이미지 품질을 향상시키기 위해 이미지 스케일링, 노이즈 감소, 컬러 조정, 밝기 조정, 화이트 밸런스 조정, 선명도, 조정, 콘트라스트 조정 등을 포함하는 전처리 및 후처리를 수반할 수 있다. 또한, 이미지는 이미지 내의 하나 이상의 객체를 식별하기 위해 기계 학습 또는 다른 알고리즘을 사용하여 분석될 수 있다.
종래의 컴퓨터 비전 시스템(11100)은 많은 제한을 갖는다. 포커싱된 이미지를 생성함으로써 비전을 재생성하려는 시도는 많은 양의 정보의 손실로 이어지고, 제한된 데이터를 갖는 비전 시스템(11100)을 남긴다. 컴퓨터 비전 시스템(11100)은 전형적으로 3차원 객체의 2차원 이미지를 생성하고, 객체 깊이, 모션, 배향 등과 같은 양태와 관련된 정보를 포착할 수 없다. 컴퓨터 비전 시스템(11100)에서의 알고리즘은 2D 프레임 및 정보로부터 3D 장면/객체에 관한 정보를 추론하려고 시도함으로써 추론의 품질을 제한한다.
도 123은 본 개시의 실시예에 따른 관심 객체(11202)에 관한 객체 개념을 동적으로 학습하기 위한 동적 비전 시스템(11200)의 예시적인 구현을 예시하는 개략도이다. 동적 비전 시스템(11200)은 종래의 비전 시스템(11100)의 렌즈(11104)를 가변 초점 액체 렌즈(11204)로 대체 및/또는 증강할 수 있다. 가변 초점 액체 렌즈(11204)는 전류를 통해 변형되어 렌즈의 형상을 변화시키는 광학 등급 액체를 포함하는 전기적으로 제어되는 셀일 수 있다. 동적 비전 시스템(11200)은 초점 거리, 구면 수차, 필드 곡률, 코마(coma), 색수차(chromatics aberrations), 왜곡, 비네팅(vignetting), 고스팅(ghosting) 및 플레어링(flaring), 및 광의 회절을 포함하는 렌즈를 통과하는 광의 다양한 광학 특성을 동적으로 변경하기 위해 렌즈 파라미터를 지속적으로 조정함으로써 액체 렌즈(11204)의 이러한 유연성을 활용한다. 따라서, 완전히 가변적인 액체 렌즈는 센서(11206)에 대한 더 동적인 입력을 허용하여, 다른 경우에 종래의 컴퓨터 비전 시스템(11100)에서 손실되는 시각 정보 및 메타데이터를 포착할 수 있게 한다.
아날로그-디지털(AD) 변환기(11208)는 전처리로 센서(11206) 및 이미지 처리 시스템(11208)에서 포착된 풍부한 시각 정보로부터 디지털 데이터를 생성할 수 있고, 후처리 능력은 이미지의 일부로서 추가적인 광학 파라미터에 기초하는 이미지를 생성할 수 있다. 처리 시스템(11209)은 또한 초점 거리, 액체 재료, 반사성, 컬러, 환경 및 렌즈 형상을 포함하는 하나 이상의 광학 파라미터를 실시간으로 조정하도록 구성된 제어 시스템(11212)을 포함할 수 있다. 이어서, 적응형 지능 시스템(11214)은 객체 개념(11216)을 생성하기 위해 액체 렌즈(11204)로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 동적으로 학습할 수 있다. 객체 개념(11216)은 객체 및 환경에 관한 상황 지능을 포함할 수 있으며, 이는 이후 적응형 지능 시스템(11214)에 의해 처리되어 객체(11202)를 인식할 수 있다.
실시예에서, 적응형 지능 시스템(11214)은, 액체 렌즈로부터의 입력 데이터를 처리하고 객체 개념을 동적으로 학습하여 우수한 객체 인식 및 비전을 제공하기 위해, 예컨대, 기계 학습 또는 다른 알고리즘, 신경망, 전문가 시스템, 모델 등을 수반하는, 인공 지능 능력을 포함할 수 있다.
실시예에서, 적응형 지능 시스템(11214)은 지능 계층 클라이언트의 세트로부터 요청을 수신하고 이러한 클라이언트에 지능 서비스(예를 들어, 결정, 분류, 예측 등)를 제공함으로써 이러한 요청에 응답하는 지능 계층(140)으로서 구현될 수 있다.
실시예에서, 동적 비전 시스템(11200)은, 종래의 비전 시스템(11100)의 포커싱된 이미지에서 깊이 및 거리를 추론할 때 다른 방식에서는 손실되는 많은 양의 정보를 포착하기 위해, 객체(11202)의 상황 인식을 생성하거나 초점외 이미지를 생성하기 위해 실시간 조정가능 데이터 스트림을 처리 시스템(11209)에 공급할 수 있다. 액체 렌즈(11204)에 대한 동적 입력은 이미지가 단지 초점 거리 및 조리개만이 아니라 추가적인 광학 파라미터에 기초하기 때문에 이미지 처리를 위한 더 풍부한 메타데이터를 제공할 수 있다. 이미지 처리 시스템(11210)은 종래의 컴퓨터 비전 시스템(11100)에 의해 포착되지 않은 객체 및 그 주변에 관한 새로운 통찰 세트를 생성하기 위해 이전에는 손실되던 정보를 포함할 수 있다.
고정된 감각 요소를 활용하는 종래의 컴퓨터 비전 시스템(11100)과 비교하여, 본 출원에 제공된 동적 비전 시스템(11200)은 동적으로 학습된 액체 렌즈 어셈블리를 활용할 수 있다. 어셈블리 내의 순응형 액체 렌즈(11204)는, 예를 들어, 환경 인자 및/또는 처리 시스템(11209)으로부터의 피드백에 기초하여 연속적으로 및/또는 빈번하게 조정되어, 컨텍스트가 더 깊으면서 이미지가 나타내는 물리적 광에 대응하는 훈련 데이터를 생성할 수 있다. 액체 렌즈 어셈블리를 통해 가변 광학 파라미터를 사용하여 객체를 인식하도록 동적 비전 시스템(11200)을 훈련시킴으로써, 처리 시스템(11209)은 객체를 검출하기 위한 최적의 광학 설정(들)을 학습할 수 있다. 동적 비전 시스템(11200)에 대한 더 동적인 입력은 더 풍부한 컨텍스트를 생성하고 우수한 객체 인식을 제공하는 결과를 초래할 수 있다.
동적 비전 시스템(11200)은 감지, 제어 및 처리 기능을 통합할 수 있고, 처리 시스템(11209)에서의 비전 알고리즘이 실세계 비전 결과를 생성하기 위해 상이한 입력을 취함에 따라 액체 렌즈(11200)를 동적으로 조정한다.
동적 비전 시스템(11200)은 감지, 제어 및 처리 기능을 통합함으로써 생물학적 비전을 모방한다(생물학적 비전은 딥러닝 시스템을 통해 직접 전달하는 정보의 스트림을 수반하며, 여기서 이러한 딥러닝 시스템은 배향, 중심과 어텐션, 눈꺼풀 액션, 깜박임 및 다른 인간과의 통신을 포함하는 비전 처리의 양태를 직접 변경할 수 있다).
실시예에서, 동적 비전 시스템(11200)은 컨텍스트에 의해 객체를 특성화하고 연관을 통해 상황 지능을 포착함으로써 그 환경에서 객체의 풍부한 모델을 구축하기 위해 단속적 운동을 이용할 수 있다. 이는 단속적 운동이 환경에서 객체에 관한 정보를 어떻게 포착하는지를 반영한다. 단속적 운동은 2개 이상의 초점 영역 사이에서의 양쪽 눈의 빠르고 동시적인 이동을 나타낸다. 장면을 관찰하는 동안, 인간의 눈은 장면의 주요 부분을 위치시키면서 산발적인 단속적 이동을 여러 번 정지시키고, 각각의 정지 사이에서 빠르게 이동하며, 장면에 대응하는 정신적 3차원 맵을 구축한다. 본 출원에 설명된 동적 비전 시스템(11200) 및 방법은 컨텍스트에 의해 객체를 특성화하고 광학 시스템의 제어가 시야를 더 신속하게 식별하고 특성화하는 것을 허용하기 위해 단속적 운동을 사용할 수 있다. 단속적 운동은 객체 지향 학습과 함께 다양한 물리적/광학적 특성을 통합하여, 시각적 구에서의 이해 및 검색을 신속하게 개선한다.
실시예에서, 동적 비전 시스템(11200)은 또한 인간 아기의 바이오피드백 루프를 모방하여 연관 메모리 및 비전의 시스템을 생성하고 환경의 인과적 3차원 모델을 구축할 수 있다. 인간 아기의 학습 시스템은 아기가 제어된 실험의 시퀀스를 수행함으로써 그 주위의 세계의 인과적 모델을 구축하는 활동의 많은 피드백 루프를 수반한다. 액체 렌즈 기반 비전 시스템에 의해 제공되는 동적 비전은, 부분적으로, 객체 주위의 훈련 세트를 시작하고 학습 알고리즘이 객체를 바라보는 올바른 방식을 알아내게 함으로써 아기의 학습 알고리즘을 미러링할 수 있다.
도 124는 본 개시의 일부 실시예에 따른 다양한 컴포넌트의 상세도를 표시하는 동적 비전 시스템(11300)의 예시적인 아키텍처를 예시하는 개략도를 표시한다. 객체(11302)를 인식하기 위한 동적 비전 시스템(11300)은 광학 어셈블리(11304) 및 처리 시스템(11306)을 포함할 수 있다. 광학 어셈블리(11304)는 순응형 액체 렌즈(11308), 센서(11310) 및 아날로그-디지털(AD) 변환기(11312)를 포함할 수 있다. 처리 시스템(11306)은 제어 시스템(11314), 이미지 처리 시스템(11316), 적응형 지능 시스템(11318), 디지털 트윈 시스템(11320) 및 시뮬레이션 시스템(11322)을 포함할 수 있다. 적응형 지능 시스템은 기계 학습 시스템(11324) 및 인공 지능 시스템(11326)을 포함할 수 있다.
광학 어셈블리(11304)의 순응형 액체 렌즈(11308)는, 동적 비전 시스템(11300)이 동작하고 있는 세계의 상황 인식 또는 컴퓨터화된 이해를 생성하기 위해 처리 시스템(11306)에 이후 제공되는 센서(11310)에서 실시간 데이터 스트림을 생성하는 제어 시스템(11314)에 의한 하나 이상의 광학 파라미터의 변화에 부분적으로 기초하여 실시간으로 빈번하게 조정될 수 있다. 이러한 이해는 객체 및 환경에 관한 풍부한 상황 지능을 포함할 수 있고 객체 개념으로서 표현될 수 있다. 객체 개념은 객체 인식, 객체 모션, 위치 및 배향 예측, 객체의 3D 모델 생성, 임의의 결함 및 다른 애플리케이션에 대한 객체 모니터링을 위해 처리 시스템에 의해 사용될 수 있다. 예를 들어, 적응형 지능 시스템(11318)은 객체 개념을 처리하여 객체의 3차원 표현을 구축할 수 있다. 적응형 지능 시스템(11318)에서의 기계 학습 시스템(11322)은 객체 개념을 하나 이상의 기계 학습 모델에 입력할 수 있고, 객체 개념은 기계 학습 모델에 대한 훈련 데이터로서 사용된다. 또한, 인공 지능 시스템(11324)은 객체의 위치, 배향 및 모션을 결정하는 것을 포함하여 객체와 관련된 분류, 예측, 및 다른 결정을 행하도록 구성될 수 있다.
실시예에서, 동적 비전 시스템(11300)은 플랫 이미지로 처리하는 중간 단계 없이 단일 단계에서 객체(11302)의 3차원 표현을 생성하기 위해 센서 정보를 처리하도록 구성될 수 있다.
실시예에서, 제어 시스템(11314)은 차례로 액체 렌즈 구성의 조정을 구동하는 하나 이상의 액추에이터에 제어 명령을 제공할 수 있다. 액추에이터는 에너지 소스, 전형적으로 전류, 유압 유체 압력, 또는 공압 압력에 의해서 동작될 수 있고, 그러한 에너지를 모션으로 변환할 수 있다. 액추에이터의 예는 선형 액추에이터, 솔레노이드, 콤 드라이브, 디지털 마이크로미러 디바이스, 전기 모터, 전기활성 폴리머, 유압 실린더, 압전 액추에이터, 공압 액추에이터, 서보메커니즘, 서보 모터, 열 바이모프(thermal bimorphs), 스크류잭, 또는 임의의 다른 타입의 유압, 공압, 전기, 기계, 열, 자기 타입의 액추에이터, 또는 일부 다른 타입의 액추에이터를 포함할 수 있다.
실시예에서, 제어 시스템(11314)은 자극에 기초하여 액체 렌즈의 초점 거리를 변경하기 위해 하나 이상의 액추에이터에 제어 명령어를 제공할 수 있다. 이는 원하는 초점 거리로 렌즈를 포커싱, 리포커싱 또는 디포커싱함으로써 자동 초점 능력을 동적 비전 시스템(11300)에 제공할 수 있다. 자극 메커니즘은 전기, 유압, 공압, 기계, 열 또는 자기를 포함할 수 있다.
제어 시스템(11314)의 일부 예는 전기습윤, 사운드 압전 및 전기-활성 폴리머를 포함한다.
실시예에서, 동적 비전 시스템(11300) 내의 순응형 액체 렌즈 어셈블리는, 액체 렌즈 내의 유체에 대한 전압의 적용이 액체의 형상을 변경하여 액체 렌즈 어셈블리의 초점을 효과적으로 변경하도록 전기습윤 제어 시스템을 가질 수 있다.
실시예에서, 가변 포커싱된 액체 렌즈 기반 광학 어셈블리에서의 액추에이터의 배치는 기계 학습을 사용하여 최적화될 수 있다.
실시예에서, 제어 시스템(11314)은 환경 인자의 변화에 응답하여 처리 시스템(11306)으로부터의 피드백에 기초하여 액체 렌즈(11304) 구성을 제어할 수 있다. 환경 인자의 일부 예는 온도, 진동, 주변 센서 데이터, 작업흐름, 엔티티 ID, 사용자 거동 데이터, 엔티티 프로파일링, 알려진 데이터와의 유사성 등을 포함한다.
실시예에서, 제어 시스템(11314)은 제어 컬러, 컬러 온도, 타이밍(PWM), 진폭(예를 들어, PWM을 증가시키지만 진폭, 방향, 편광 등을 감소시킴)을 포함하는 소스 조명의 변화에 응답하여 처리 시스템(11306)으로부터의 피드백에 기초하여 액체 렌즈(11304) 구성을 제어할 수 있다.
실시예에서, 제어 시스템(11314)은 조명이 인간의 요구와 조정될 필요가 있는 때 대 액체 렌즈 시스템을 서빙하기 위해서만 조정될 필요가 있는 때의 인식 및 인간 점유에 기초하여 액체 렌즈 구성을 제어할 수 있다.
실시예에서, 광학 어셈블리(11304)는 다수의 액체 렌즈 셋업의 제어를 조정하는 처리 시스템(11306)을 갖는 액체 렌즈 다수의 세트를 포함할 수 있다.
실시예에서, 광학 어셈블리(11304)는 각각의 렌즈가 별개의 목적 함수를 갖는 액체 렌즈의 다수의 세트, 및 AI 셋업 또는 알고리즘을 갖는 별개의 처리 시스템을 포함할 수 있다.
실시예에서, 광학 어셈블리(11304)는 통상적인 볼록 또는 오목 광학 렌즈와 조합된 하나 이상의 액체 렌즈를 포함할 수 있고, 처리 시스템(11306)은 조합의 제어를 조정한다.
실시예에서, 예컨대, 적응형 지능 시스템(11318), 디지털 트윈 시스템(11320) 및 시뮬레이션 시스템(11322)을 사용하는, 처리 시스템(11306)은 동적 비전 시스템(11300)의 기계적, 광학적 또는 조명 양태를 모델링, 시뮬레이션 및 특성화하기 위해 시뮬레이션을 실행할 수 있다. 처리 시스템(11306)에 의해 실행되는 시뮬레이션은 센서, 렌즈 및 광을 포함하는 동적 비전 시스템(11300)에 대한 적합한 이미징 컴포넌트를 식별하는 것을 도울 수 있다. 시뮬레이션은 광범위한 메트릭을 계산하고, 차트, 그래프 및 모델을 구축하고, 동적 비전 시스템(11300)의 성능에 대한 하나 이상의 광학 파라미터의 변화의 영향을 시각화하기 위한 실시간 분석을 포함할 수 있다. 그 다음, 적응형 지능 시스템(11318) 내의 인공 지능 시스템(11326)은 하나 이상의 모델을 이용하여 분류, 예측, 추천을 행하고, 및/또는 동적 비전 시스템(11300)의 렌즈 재료, 기하구조, 광학 특성, 성능 및 설계에 관련된 결정 또는 명령어를 생성하거나 용이하게 할 수 있다. 예를 들어, 인공 지능 시스템(11326)은 액체 렌즈에서 사용되는 유체에 관한 추천을 생성하기 위해 하나 이상의 액체 렌즈 디지털 트윈 상에서 시뮬레이션을 실행할 수 있다. 시뮬레이션은 동적 비전 시스템(11300)의 주어진 응용을 위한 바람직한 유체에 대한 추천을 생성하기 위해 증류수, 메틸 알코올, 에틸 알코올, 에테르, 사염화탄소, 메틸 아세테이트, 글리세린, 니트로벤젠 등을 포함하는 상이한 유체를 사용하여 수행될 수 있다.
동적 비전 시스템(11300)은 매우 광범위한 사용 사례에 적용될 수 있는 더 풍부한 객체 인식 능력을 보장하는 객체를 인식하기 위해 동적으로 학습된 감각 요소를 이용할 수 있다. 이 접근법은 신속한 포커싱, 높은 처리량, 및 피사계 심도 및 작업 거리 조절을 요구하는 이미징 애플리케이션에 이상적이다. 더욱이, 이 접근법은 종래의 비전 기술이 부적절했던 복잡한 비전 애플리케이션에 특히 유익하다. 이러한 애플리케이션의 일부 예는 다음을 포함한다: 객체 또는 비전 시스템이 움직이고 있을 때와 같은 동적 환경에서 객체를 인식하는 것; 깊이 데이터를 포착함으로써 3차원(3D) 객체를 인식하는 것; 작은 객체를 인식하는 것; 얼굴 특징을 인식하는 것; 전력 제약된 또는 네트워크 제약된 환경에서 객체를 인식하는 것; 등.
실시예에서, 동적 비전 시스템(11300)은 밸류 체인 네트워크(VCN) 엔티티(이러한 용어는 본 출원 및 본 출원에 참조로 포함된 문서에 개시된 많은 예 및 실시예를 포함함)의 세트 내에 또는 그와 통합될 수 있다.
실시예에서, 동적 비전 시스템(11300)은 모바일 및/또는 자율 로봇 시스템과 같은 로봇 시스템의 세트 내에 또는 그와 통합될 수 있다. 예를 들어, 동적 비전 시스템(11300)은 예컨대, 인간 또는 다른 동물 종 능력을 시뮬레이션하는 다목적/범용 로봇 시스템과 같은 로봇 시스템의 하우징 또는 본체 내에 포함될 수 있다. 비전 능력은 로봇이 개선된 객체 식별을 위해 객체 깊이, 배향, 위치 및 모션이 추론될 수 있는 로봇 조립 라인에서 사용하기 위해 타겟 객체를 식별하고 조작하는 것을 가능하게 할 수 있다. 비전 능력은 또한 로봇이 동시에 로컬라이제이션 및 매핑하는 것을 가능하게 할 수 있으며, 이는 환경을 동시에 매핑하면서 그 주변에 대한 로봇의 위치를 추정하기 위한 기술이다. 다른 예로서, 동적 비전 시스템(11300)은 인간 운영자의 능력을 증강시키고 인간 운영자에 대한 최적화된 감지 및 제어를 제공하도록 설계된 로봇 외골격과 통합될 수 있다.
실시예에서, 동적 비전 시스템(11300)으로부터의 출력은 조건부 확률을 사용하여 로봇 내의 다른 센서로부터의 출력과 시간적으로 조합되어, 더 풍부하면서 객체의 위치, 배향 및 모션에 관한 정보를 포함하는 객체의 조합된 뷰를 생성할 수 있다. 액체 렌즈 기반 동적 비전 시스템(11300)과 함께 사용될 수 있는 센서의 일부 예는 카메라, LIDAR, RADAR, SONAR, 열 이미징 센서, 초분광 이미징 센서, 조도 센서, 힘 센서, 토크 센서, 속도 센서, 가속도 센서, 위치 센서, 근접 센서, 자이로 센서, 사운드 센서, 모션 센서, 위치 센서, 부하 센서, 온도 센서, 터치 센서, 깊이 센서, 초음파 범위 센서, 적외선 센서, 화학 센서, 자기 센서, 관성 센서, 가스 센서, 습도 센서, 압력 센서, 점도 센서, 유동 센서, 객체 센서, 촉각 센서, 또는 일부 다른 타입의 센서를 포함한다.
실시예에서, 필요에 따라 AI에 의해 제어되고 센서에 의해 증강되는 순응형 액체 렌즈를 포함하는 동적 비전 시스템(11300)은 신경 보철 시스템을 구축하도록 적응될 수 있다.
실시예에서, 필요에 따라 AI에 의해 제어되는 순응형 액체 렌즈 기술을 포함하는 동적 비전 시스템(11300)은 외골격 시스템을 구축하도록 적응될 수 있다.
실시예에서, 필요에 따라 AI에 의해 제어되고 센서에 의해 증강되는 순응형 액체 렌즈를 포함하는 동적 비전 시스템(11300)은 얼굴 마스크에 의해 가려진 인간 얼굴에 대한 얼굴 인식을 수행하도록 적응될 수 있다.
도 125는 본 개시의 일부 실시예에 따른 액체 렌즈 기반 동적 비전 시스템에 의한 객체 인식을 위한 방법을 예시하는 흐름도를 도시한다.
도 125를 참조하면, 11402에서, 객체 개념을 나타내는 실시간 데이터 스트림이 액체 렌즈 기반 광학 어셈블리로부터 수신된다. 데이터 스트림은 센서에서 수신될 수 있고, 광학 파라미터의 변화에 응답하여 액체 렌즈를 지속적으로 조정함으로써 생성된 풍부한 컨텍스트 및 시각 정보를 포함할 수 있다. 데이터 스트림은 에지 디바이스에서 분석되거나 로컬 또는 원격 지능에 의해 데이터 처리로 전송될 수 있다. 예컨대, 동적 비전 시스템(11300)에 근접한 그리고/또는 동적 비전 시스템(11300)과 통합되거나 동적 비전 시스템(11300)에 포함되는 컴퓨팅 기반구조 내에서의, 클라우드-연결가능 에지 디바이스의 사용은, 예컨대, 동적 비전 시스템(11300)이 온보드 에지 계산 및/또는 연결 리소스, 예컨대 5G(또는 다른 셀룰러), Wi-Fi, 블루투스, 고정 네트워킹 리소스 등을 갖는 경우, 신속한, 실시간 또는 거의 실시간 처리 응답성을 제공할 기회를 제공할 수 있다. 11404에서, 실시간 데이터 스트림은 객체 및 환경에 관한 상황 지능을 포함하는 객체 개념을 결정하기 위해 이미지 처리 시스템에 의해 처리된다. 11406에서, 광학 파라미터는 제어 시스템에 의해 조정되어 액체 렌즈의 구성의 변화를 유도한다. 지속적으로 조정하는 액체 렌즈는 센서에서 실시간 데이터 스트림 및 이미지 처리를 위한 풍부한 메타데이터를 생성하는데, 그 이유는 이미지가 단지 초점 거리 및 조리개만이 아니라 추가적인 광학 파라미터에 기초하기 때문이다. 11408에서, 객체 개념은 순차적으로 수정되고, 액체 렌즈 기반 광학 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하는 기계 학습 모델을 훈련시키기 위한 입력으로서 사용된다. 11410에서, 객체 및 환경에 관한 상황 지능을 포함하는 객체 개념은 객체의 위치, 배향 및 모션을 결정하는 것을 포함하여 객체와 관련된 분류, 예측, 및 다른 결정을 행하기 위해 인공 지능에 의해 이용된다.
도 126은 본 개시의 일부 실시예에 따른 동적 비전 시스템의 다양한 광학, 기계, 설계 및 조명 파라미터를 모델링, 시뮬레이션 및 최적화하기 위한 동적 비전 시스템의 예시적인 구현을 예시하는 개략도를 도시한다. 동적 비전 시스템은 분류, 예측 및 의사 결정을 위해 디지털 트윈을 사용하도록 인공 학습 시스템을 훈련시키기 위해 액체 렌즈를 순차적으로 조정하는 것에 응답하여 센서에 의해 포착된 데이터에 기초하여 학습할 수 있다.
디지털 트윈 시스템(11320)은 주요 동작 메트릭을 연속적으로 포착하기 위해 동적 비전 시스템(11300)의 동작을 시뮬레이션하도록 구성될 수 있고, 실시간으로 또는 거의 실시간으로 동적 비전 시스템(11300)의 성능을 모니터링하고 최적화하기 위해 사용될 수 있다. 디지털 트윈 시스템(11320)은 동적 비전 시스템(11300)의 컴포넌트 또는 서브시스템 중 하나 이상의 것의 디지털 복제본 또는 디지털 트윈(502)을 생성할 수 있다. 컴포넌트 또는 서브시스템 중 하나 이상의 컴포넌트 또는 서브시스템의 디지털 트윈(502)은 실질적 실시간 가상 표현을 제공하고 하나 이상의 컴포넌트 및 서브시스템의 하나 이상의 가능한 미래 상태의 시뮬레이션을 제공하기 위해 실질적 실시간 센서 데이터를 사용할 수 있다. 디지털 트윈(502)은 컴포넌트 또는 서브시스템의 현재 조건 또는 파라미터 값을 반영하기 위해, 센서 데이터에 기초하여 연속적으로 업데이트될 수 있다. 따라서, 디지털 트윈은 컴포넌트 또는 서브시스템의 거동의 높은 충실도의 디지털 시뮬레이션을 제공한다. 이 능력은 컴포넌트 또는 서브시스템의 이전 및 현재 거동 둘 모두의 디지털 프로파일을 생성하는 데 사용될 수 있으며, 결과적인 프로파일은 최적 미만의 거동을 검출할 뿐만 아니라 컴포넌트 또는 서브시스템의 미래 거동을 예측하는 데 사용된다.
도 126을 참조하면, 동적 비전 시스템(11300)에서의 디지털 트윈(11502)은 처리 시스템(11306)에 의한 모델링, 시뮬레이션, 예측, 의사 결정, 및 분류를 허용하는 객체 트윈(11504), 환경 트윈(11506), 액체 렌즈 트윈(11508), 광학 렌즈 트윈(11510), 센서 트윈(11512), 프로세스 트윈(11514), 액추에이터 트윈(11516), 객체 개념 트윈(11518) 등을 포함할 수 있다. 디지털 트윈(11502)은 관련 데이터로 채워질 수 있는데, 예를 들어 액체 렌즈 트윈(11508)은 치수 데이터, 재료 데이터, 형상 데이터, 특징 데이터, 열 데이터, 진동 데이터 등을 포함하는 대응하는 액체 렌즈와 관련된 데이터로 채워질 수 있다. 디지털 트윈은, 실시예에서, 복제되는 하나 이상의 컴포넌트의 라이프사이클 전반에 걸쳐, 복제되는 하나 이상의 컴포넌트 또는 서브시스템의 물리적 요소 및 특성 둘 모두 및 그 역학의 하나 이상의 시뮬레이션을 제공할 수 있다.
실시예에서, 디지털 트윈(11502)은, 예컨대, 예를 들어, 하나 이상의 컴포넌트가 제조 또는 제작되기 전의 설계 단계 동안, 또는 하나 이상의 컴포넌트의 구성 또는 제조 동안 또는 그 후에, 임의의 적합한 가상 상황 동안, 하나 이상의 컴포넌트의 상태를 시뮬레이션하기 위해 센서 데이터의 가상 외삽을 허용함으로써, 하나 이상의 컴포넌트 또는 서브시스템의 가상 시뮬레이션을 제공할 수 있다. 실시예에서, 기계 학습 모델(11520)은, 예컨대, 하나 이상의 컴포넌트에 대한 가능한 개선을 예측하는 것, 하나 이상의 컴포넌트가 서로 호환가능한지를 예측하는 것, 하나 이상의 컴포넌트가 고장날 수 있는 때를 예측하는 것, 및/또는 파라미터, 배열, 구성에 대한 변경, 또는 컴포넌트에 대한 임의의 다른 적합한 변경과 같은, 하나 이상의 컴포넌트에 대한 가능한 개선을 제안하는 것에 의해, 디지털 트윈(11502)으로 시뮬레이션하기 위한 가상 상황을 자동으로 예측할 수 있다. 예를 들어, 액체 렌즈 트윈(11506) 및 광학 렌즈 트윈(11510)은 서로간의 뿐만 아니라 광학 어셈블리와의 호환성을 체크하고 조립체 내의 최적의 배열을 예측하기 위해 가상 시뮬레이션을 실행할 수 있다.
실시예에서, 디지털 트윈(11502)과 함께 기계 학습 모델(11520)은 재료 선택(11522), 설계 최적화(11524), 및 모션 예측(11526)을 포함하는 다양한 애플리케이션을 구동하는 것을 도울 수 있다.
실시예에서, 디지털 트윈(11502)은 다양한 메트릭의 관찰, 측정 및 분석을 용이하게 하고 이어서 이러한 프로세스의 개선을 위해 설계 또는 동작 프로세스에 통찰을 전달함으로써 하나 이상의 컴포넌트의 설계 및 동작 단계 둘 모두 동안 하나 이상의 컴포넌트의 시뮬레이션 뿐만 아니라, 또한 하나 이상의 컴포넌트의 가상 동작 조건 및 구성의 시뮬레이션을 허용할 수 있다.
시뮬레이션 시스템(11322)은 디지털 트윈(11502) 사이의 상호작용 및 시뮬레이션을 설정, 프로비저닝, 구성, 및 다른 방식으로 관리할 수 있다. 따라서, 시뮬레이션 시스템은 이러한 컴포넌트 및 서브시스템의 디지털 트윈(11502)을 사용하여 동적 비전 시스템(11300)의 다양한 컴포넌트 및 서브시스템의 거동 및 특성을 시뮬레이션, 평가 및 최적화하는 것을 도울 수 있다.
실시예에서, 인공 지능 시스템(11326)은 디지털 트윈 시스템(214)에 이용가능한 액체 렌즈 트윈(11508) 및/또는 다른 디지털 트윈(11502)을 사용하여 시뮬레이션 시스템(11322)에서 시뮬레이션을 실행하도록 구성될 수 있다. 예를 들어, 처리 시스템(11306)은 액체 렌즈 트윈(11508)의 하나 이상의 광학 파라미터를 조정할 수 있다. 실시예에서, 인공 지능 시스템(11326)은, 파라미터의 각각의 세트에 대해, 파라미터의 세트에 기초하여 시뮬레이션을 실행할 수 있고, 시뮬레이션으로부터 초래되는 시뮬레이션 결과 데이터를 수집할 수 있다. 예를 들어, 인공 지능 시스템(11326)은 객체 개념 트윈(11518)의 형태로 시뮬레이션 결과를 생성하기 위해 액체 렌즈 트윈(11506)의 광학 파라미터를 변경함으로써 시뮬레이션을 실행할 수 있다. 시뮬레이션 동안, 처리 시스템(11306)은 액체 렌즈 트윈(11506)의 초점 거리, 유체 재료, 반사성, 컬러, 환경, 렌즈 형상 및 임의의 다른 파라미터를 변화시킬 수 있다. 다른 센서 데이터 뿐만 아니라 다른 소스로부터의 데이터에 더하여 객체 개념 트윈(11518)의 형태의 이러한 시뮬레이션으로부터의 결과 데이터는 이어서 기계 학습 시스템(11324)에 의해 기계 학습 모델(11520)을 훈련시키는 데 사용될 수 있다.
실시예에서, 기계 학습 모델(11520)은 디지털 트윈 시스템(11320)에 의한 사용을 위한 시뮬레이션 데이터를 정의하기 위해 이벤트 데이터 및 상태 데이터를 비롯한, 센서로부터 수신된 데이터를 처리할 수 있다. 기계 학습 모델(11520)은, 예를 들어, 동적 비전 시스템(11300)의 특정 컴포넌트에 관련된 상태 데이터 및 이벤트 데이터를 수신하고, 상태 데이터 및 이벤트 데이터를 디지털 트윈 시스템(11320)에 의한 사용에 적합한 포맷으로 포맷팅하기 위해 상태 데이터 및 이벤트 데이터에 대해 일련의 동작을 수행할 수 있다. 예를 들어, 기계 학습 모델(11520)은 액체 렌즈 상에, 근처에, 내부에, 및/또는 주위에 위치된 하나 이상의 센서로부터 데이터를 수집하여 센서 데이터를 시뮬레이션 데이터로 처리하고 시뮬레이션 데이터를 디지털 트윈 시스템(11320)에 출력할 수 있다. 디지털 트윈 시스템(11320)은 이어서 액체 렌즈 트윈(11506)을 생성하기 위해 시뮬레이션 데이터를 사용할 수 있고, 시뮬레이션은 예를 들어 형상, 재료, 초점 거리, 반사성, 환경, 조명, 컬러, 온도, 압력, 마모 및 진동을 포함하는 메트릭을 포함한다. 시뮬레이션은 동적 비전 시스템(11300)의 사용자가 액체 렌즈의 시뮬레이션, 그에 관련된 메트릭, 및 부분과 관련된 메트릭을 실질적으로 실시간으로 볼 수 있게 하는 실질적 실시간 시뮬레이션일 수 있다. 시뮬레이션은 동적 비전 시스템(11300)의 사용자가 액체 렌즈의 예측적 또는 가상적 시뮬레이션, 그에 관련된 메트릭, 및 컴포넌트와 관련된 메트릭을 볼 수 있게 하는 예측적 또는 가상적 상황일 수 있다.
실시예에서, 기계 학습 모델(11520) 및 디지털 트윈 시스템(11320)은 센서 데이터를 처리하고 컴포넌트의 세트에 대한 디지털 트윈을 생성하여 컴포넌트의 관련 그룹의 실시간 시뮬레이션, 예측 시뮬레이션, 및/또는 가상 시뮬레이션을 용이하게 할 수 있다.
기계 학습 모델(11520)은 명시적 명령어를 사용하지 않고 대신 패턴 및 추론에 의존하여 특정 태스크를 수행하는 알고리즘 및/또는 통계적 모델들일 수 있다. 기계 학습 모델(11520)은 특정 태스크를 수행하도록 명시적으로 프로그래밍되지 않고 예측 및/또는 결정을 행하기 위해 훈련 데이터에 기초하여 하나 이상의 수학적 모델을 구축할 수 있다. 예시적인 구현에서, 기계 학습 모델은 분류, 회귀, 클러스터링, 이상 검출, 추천 생성, 디지털 트윈 생성 및/또는 다른 태스크를 수행할 수 있다.
실시예에서, 기계 학습 모델(11520)은 입력 데이터에 기초하여 다양한 타입의 분류를 수행할 수 있다. 분류는 입력 데이터의 주어진 예에 대해 클래스 라벨이 예측되는 예측 모델링 문제이다. 예를 들어, 기계 학습 모델(11520)은 이진 분류, 멀티-클래스 또는 멀티-라벨 분류를 수행할 수 있다. 실시예에서, 기계 학습 모델은 각각의 클래스로의 입력의 분류와 연관된 각각의 신뢰도를 나타내는 "신뢰도 점수"를 출력할 수 있다. 실시예에서, 신뢰도 점수는 이산 카테고리 예측을 렌더링하기 위해 하나 이상의 임계값과 비교될 수 있다. 실시예에서, 이산 카테고리 예측을 렌더링하기 위해 상대적으로 가장 큰 신뢰도 점수를 갖는 특정 수의 클래스(예를 들어, 하나)가 선택될 수 있다.
실시예에서, 기계 학습 모델(11520)은 확률적 분류를 출력할 수 있다. 예를 들어, 기계 학습 모델(11520)은, 샘플 입력이 주어지면, 클래스의 세트에 대한 확률 분포를 예측할 수 있다. 따라서, 샘플 입력이 속하여야 하는 가장 가능성 있는 클래스만을 출력하기보다는, 기계 학습 모델(11520)은, 각각의 클래스에 대해, 샘플 입력이 그러한 클래스에 속할 확률을 출력할 수 있다. 실시예에서, 모든 가능한 클래스에 걸친 확률 분포는 1로 합산될 수 있다. 실시예에서, 소프트맥스 함수, 또는 다른 타입의 함수 또는 계층은 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 전환하는 데 사용될 수 있다. 실시예에서, 확률 분포에 의해 제공되는 확률은 이산 카테고리 예측을 렌더링하기 위해 하나 이상의 임계값과 비교될 수 있다. 실시예에서, 상대적으로 가장 큰 예측 확률을 갖는 특정 수의 클래스(예를 들어, 하나)만이 이산 카테고리 예측을 렌더링하도록 선택될 수 있다.
실시예에서, 기계 학습 모델(11520)은 연속 수치 값의 형태로 출력 데이터를 제공하기 위해 회귀 모델링 및 관련 프로세스를 수행할 수 있다. 예로서, 기계 학습 모델(11520)은 선형 회귀, 다항식 회귀, 로지스틱 회귀, 비선형 회귀, 또는 일부 다른 모델링 프로세스를 수행할 수 있다. 설명된 바와 같이, 실시예에서, 소프트맥스 함수 또는 다른 함수 또는 계층은 2개 이상의 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 스쿼싱하는 데 사용될 수 있다. 예를 들어, 기계 학습 모델(11520)은 선형 회귀, 다항식 회귀, 또는 비선형 회귀를 수행할 수 있다. 예로서, 기계 학습 모델(11520)은 단순 회귀 또는 다중 회귀를 수행할 수 있다. 위에서 설명된 바와 같이, 일부 구현예에서, 소프트맥스 함수 또는 다른 함수 또는 계층은 2개 이상의 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 스쿼싱하는 데 사용될 수 있다.
실시예에서, 기계 학습 모델(11520)은 다양한 타입의 클러스터링을 수행할 수 있다. 예를 들어, 기계 학습 모델(11520)은 입력 데이터가 대응할 가능성이 가장 높은 하나 이상의 이전에 정의된 클러스터를 식별할 수 있다. 기계 학습 모델(11520)이 클러스터링을 수행하는 일부 구현예에서, 기계 학습 모델(11520)은 비지도 학습 기술을 사용하여 훈련될 수 있다.
실시예에서, 기계 학습 모델(11520)은 이상 검출 또는 이상치 검출을 수행할 수 있다. 예를 들어, 기계 학습 모델(11520)은 (예를 들어, 이전 입력 데이터로부터 이전에 관찰된 바와 같이) 기대 패턴 또는 다른 특성에 부합하지 않는 입력 데이터를 식별할 수 있다. 예로서, 이상 검출은 부정 거래 검출 또는 시스템 고장 검출에 사용될 수 있다.
일부 구현예에서, 기계 학습 모델(11520)은 하나 이상의 추천의 형태로 출력 데이터를 제공할 수 있다. 예를 들어, 기계 학습 모델(11520)은 추천 시스템 또는 엔진에 포함될 수 있다. 예로서, 특정 엔티티에 대한 이전 결과(예를 들어, 성공 또는 즐거움의 양을 나타내는 점수, 순위, 또는 등급)를 설명하는 입력 데이터가 주어지면, 기계 학습 모델(11520)은, 이전 결과에 기초하여, 원하는 결과를 가질 것으로 기대되는 하나 이상의 추가 엔티티의 제안 또는 추천을 출력할 수 있다.
위에서 설명된 바와 같이, 기계 학습 모델(11520)은 다양한 상이한 타입의 기계 학습 모델 중 하나 이상일 수 있거나 이를 포함할 수 있다. 이러한 상이한 타입의 기계 학습 모델의 예가 예시를 위해 아래에 제공된다. 아래에 설명되는 예시적인 모델 중 하나 이상은 입력 데이터에 응답하여 출력 데이터를 제공하기 위해 사용(예를 들어, 조합)될 수 있다. 본 출원에 제공된 예시적인 모델 이외의 추가적인 모델이 또한 사용될 수 있다.
일부 구현예에서, 기계 학습 모델(11520)은, 예컨대, 예를 들어, 선형 분류 모델; 2차 분류 모델; 등과 같은 하나 이상의 분류기 모델일 수 있거나 이를 포함할 수 있다. 기계 학습 모델(11520)은, 예컨대, 예를 들어, 단순 선형 회귀 모델; 다중 선형 회귀 모델; 로지스틱 회귀 모델; 단계적 회귀 모델; 다변량 적응 회귀 스플라인; 국소적으로 추정된 산점도 평활화 모델; 등과 같은 하나 이상의 회귀 모델일 수 있거나 이를 포함할 수 있다.
일부 예에서, 기계 학습 모델(11520)은, 예컨대, 예를 들어, 분류 및/또는 회귀 트리; 카이-제곱(chi-squared) 자동 상호작용 검출 결정 트리; 결정 스텀프(decision stump); 조건부 결정 트리; 등과 같은 하나 이상의 결정 트리 기반 모델일 수 있거나 이를 포함할 수 있다.
기계 학습 모델(11520)은 하나 이상의 커널 기계일 수 있거나 이를 포함할 수 있다. 일부 구현예에서, 기계 학습 모델(11520)은 하나 이상의 지원 벡터 기계일 수 있거나 이를 포함할 수 있다. 기계 학습 모델(11520)은, 예컨대, 예를 들어, 학습 벡터 양자화 모델; 자기-조직화 맵 모델; 로컬 가중 학습 모델; 등과 같은 하나 이상의 인스턴스 기반 학습 모델일 수 있거나 이를 포함할 수 있다. 일부 구현예에서, 기계 학습 모델(11520)은, 예컨대, 예를 들어, k-최근접 이웃 분류 모델; k-최근접 이웃 회귀 모델; 등과 같은 하나 이상의 최근접 이웃 모델일 수 있거나 이를 포함할 수 있다. 기계 학습 모델(11520)은, 예컨대, 예를 들어, 나이브 베이즈 모델; 가우시안 나이브 베이즈(Gaussian naive Bayes) 모델; 다항 나이브 베이즈 모델; 평균화된 1-의존성 추정기; 베이지안 네트워크; 베이지안 신뢰 네트워크; 은닉 마르코프 모델; 등과 같은 하나 이상의 베이지안 모델일 수 있거나 이를 포함할 수 있다.
일부 구현예에서, 기계 학습 모델(11520)은 하나 이상의 인공 신경망(간단히 신경망이라고도 지칭됨)일 수 있거나 이를 포함할 수 있다. 신경망은 연결된 노드의 그룹을 포함할 수 있으며, 이는 또한 뉴런 또는 퍼셉트론으로 지칭될 수 있다. 신경망은 하나 이상의 계층으로 조직화될 수 있다. 다수의 계층을 포함하는 신경망은 "심층" 네트워크로 지칭될 수 있다. 심층 네트워크는 입력 계층, 출력 계층, 및 입력 계층과 출력 계층 사이에 위치된 하나 이상의 은닉 계층을 포함할 수 있다. 신경망의 노드는 연결되거나 완전히 연결되지 않을 수 있다.
기계 학습 모델(11520)은 하나 이상의 피드포워드 신경망일 수 있거나 이를 포함할 수 있다. 피드포워드 네트워크에서, 노드 사이의 연결은 사이클을 형성하지 않는다. 예를 들어, 각각의 연결은 이전 계층으로부터의 노드를 이후 계층으로부터의 노드에 연결할 수 있다.
일부 경우에서, 기계 학습 모델(11520)은 하나 이상의 순환 신경망일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 순환 신경망의 노드 중 적어도 일부는 사이클을 형성할 수 있다. 순환 신경망은 본질적으로 순차적인 입력 데이터를 처리하는 데 특히 유용할 수 있다. 특히, 일부 경우에서, 순환 신경망은 순환 또는 지향 순환 노드 연결의 사용을 통해 입력 데이터 시퀀스의 이전 부분으로부터 입력 데이터 시퀀스의 후속 부분으로 정보를 전달하거나 보유할 수 있다.
일부 예에서, 순차적 입력 데이터는 시계열 데이터(예를 들어, 센서 데이터 대 상이한 시간에서 포착된 시간 또는 이미지)를 포함할 수 있다. 예를 들어, 순환 신경망은 스와이프 방향을 검출하거나 예측하기 위해, 필기 인식을 수행하기 위해 등을 위해 센서 데이터 대 시간을 분석할 수 있다. 순차적 입력 데이터는 (예를 들어, 자연어 처리, 대화 검출 또는 처리 등을 위해) 문장 내의 단어; 음악 작곡에서의 노트; (예를 들어, 순차적 애플리케이션 사용을 검출하거나 예측하기 위해) 사용자에 의해 취해지는 순차적 액션; 순차적 객체 상태; 등을 포함할 수 있다.
예시적인 순환 신경망은 장단기(long short-term)(LSTM) 순환 신경망; 게이트식 순환 유닛; 양방향 순환 신경망; 연속 시간 순환 신경망; 신경 이력 압축기; 에코 상태 네트워크; 엘만 네트워크; 요르단 네트워크; 재귀적 신경망; 홉필드 네트워크; 완전 순환 네트워크(fully recurrent network); 시퀀스-투-시퀀스 구성 등을 포함한다.
일부 예에서, 기계 학습 모델(11520)은 트랜스포머 네트워크와 같은 자기-어텐션에 기초한 하나 이상의 비순환 시퀀스-투-시퀀스 모델일 수 있거나 이를 포함할 수 있다.
일부 구현예에서, 기계 학습 모델(11520)은 하나 이상의 컨볼루션 신경망일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 컨볼루션 신경망은 학습된 필터를 사용하여 입력 데이터에 대해 컨볼루션을 수행하는 하나 이상의 컨볼루션 계층을 포함할 수 있다.
필터는 커널이라고도 지칭될 수 있다. 컨볼루션 신경망은 입력 데이터가 스틸 이미지 또는 비디오와 같은 이미지를 포함할 때와 같은 시각 문제에 특히 유용할 수 있다. 그러나, 컨볼루션 신경망은 또한 자연어 처리를 위해 적용될 수 있다.
일부 예에서, 기계 학습 모델(11520)은, 예를 들어, 생성 적대 네트워크와 같은 하나 이상의 생성적 네트워크일 수 있거나 이를 포함할 수 있다. 생성적 네트워크는 새로운 이미지 또는 다른 콘텐츠와 같은 새로운 데이터를 생성하기 위해 사용될 수 있다.
기계 학습 모델(11520)은 오토인코더일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 오토인코더의 목적은, 전형적으로 차원 감소의 목적을 위해, 데이터의 세트에 대한 표현(예를 들어, 저차원 인코딩)을 학습할 수 있다. 예를 들어, 일부 경우에서, 오토인코더는 입력 데이터를 인코딩하고 인코딩으로부터 입력 데이터를 재구성하는 출력 데이터를 제공하려고 시도할 수 있다. 최근에, 오토인코더 개념은 데이터의 생성적 모델을 학습하기 위해 더 널리 사용되고 있다. 일부 경우에서, 오토인코더는 입력 데이터를 재구성하는 것을 넘어서는 추가적인 손실을 포함할 수 있다.
기계 학습 모델(11520)은, 예컨대, 예를 들어, 깊은 볼츠만 기계; 심층 신뢰 네트워크; 적층형 오토인코더; 등과 같은 인공 신경망의 하나 이상의 다른 형태일 수 있거나 이를 포함할 수 있다. 본 출원에 설명된 신경망 중 임의의 것은 더 복잡한 네트워크를 형성하기 위해 조합(예를 들어, 적층)될 수 있다.
기계 학습 모델(11520)은, 예를 들어, k-평균 클러스터링 모델과 같은 하나 이상의 클러스터링 모델; k-중앙 클러스터링 모델; 기대치 최대화 모델; 계층적 클러스터링 모델; 등을 포함할 수 있다.
일부 구현예에서, 기계 학습 모델(11520)은, 예를 들어, 주성분 분석; 커널 주성분 분석; 그래프 기반 커널 주성분 분석; 주성분 회귀; 부분 최소 제곱 회귀; 새먼 매핑; 다차원 스케일링; 투영 추적; 선형 판별 분석; 혼합 판별 분석; 2차 판별 분석; 일반화된 판별 분석; 유연한 판별 분석; 오토인코딩; 등과 같은 하나 이상의 차원 감소 기술을 수행할 수 있다.
일부 구현예에서, 기계 학습 모델(11520)은 마르코프 결정 프로세스와 같은 하나 이상의 강화 학습 기술; 동적 프로그래밍; Q 기능 또는 Q-학습; 가치 함수 접근법; 심층 Q-네트워크; 미분가능한 신경 컴퓨터; A3C(asynchronous advantage actor-critics); 결정론적 정책 구배; 등을 수행하거나 그에 적용될 수 있다.
실시예에서, 데이터 처리 시스템은 객체 분류 및 객체 위치, 배향 및 모션의 결정을 포함하는 동적 비전 시스템(11300)의 실시간 적응적 제어를 제공하기 위해 신경망을 사용하여 구현된다.
일부 실시예에서, 신경망 모델은 신경망 모델의 훈련 또는 학습을 사용하여 광학 파라미터에 대한 조정을 결정하기 위해 직접 사용될 수 있다. 초기에, 모델은 각각의 입력 광학 제어 파라미터 또는 액션에 대한 값의 범위로부터 무작위로 선택하도록 허용될 수 있다. 광학 제어 파라미터 조정 또는 액션의 시퀀스가 부정확한 예측/분류로 이어지는 경우, 이는 바람직하지 않은(또는 부정적인) 결과로 이어지는 것으로서 점수화될 수 있다. 각각의 광학 제어 파라미터 또는 액션에 대해 무작위로 선택된 값의 상이한 세트를 사용하는 프로세스의 반복은 최소 내지 바람직한(또는 긍정적인) 결과들인 시퀀스의 강화로 이어진다. 궁극적으로, 신경망 모델은 타겟 결과, 즉 정확한 예측 또는 분류를 달성하기 위해 광학 제어 파라미터 또는 액션의 세트 또는 시퀀스에 대해 어떤 조정을 행할지를 "학습"한다.
실시예에서, 본 출원에 설명된 방법 및 시스템은 컨볼루션 신경망(일부 경우에서 CNN, ConvNet, 시프트 불변 신경망, 또는 공간 불변 신경망으로 지칭됨)을 사용할 수 있고, 유닛은 인간 뇌의 시각 피질과 유사한 패턴으로 연결된다.
CNN의 초기 계층(예를 들어, 컨볼루션 계층)은 입력 객체 개념(720)으로부터 에지 및/또는 구배와 같은 저레벨 특징을 추출할 수 있다. 후속 계층은 이미지 데이터 등의 곡률 및 텍스처의 존재와 같은 점진적으로 더 복잡한 특징 및 패턴을 추출하거나 검출할 수 있다. 각각의 계층의 출력은 입력 객체 개념(720)에서의 데이터로부터 계층적 특징 표현을 학습하기 위해 CNN에서의 후속 계층의 입력으로서 역할을 할 수 있다. 이는 컨볼루션 신경망이 점점 더 복잡하고 추상적인 시각적 개념을 효율적으로 학습할 수 있게 한다.
실시예에서, 캡슐 네트워크는 CNN의 유사한 분류 성능을 달성하기 위해 더 적은 수의 라벨링된 훈련 예를 사용하기 위해 이용될 수 있다.
실시예에서, 어텐션 메커니즘을 사용하는 트랜스포머 기반 인코더-디코더 아키텍처가 컨볼루션 신경망과 함께 또는 그 대신에 사용될 수 있다.
도 127은 본 개시의 일부 실시예에 따른 하나 이상의 제3자 시스템과 동적 비전 시스템의 통합과 함께 다양한 컴포넌트의 상세도를 표시하는 동적 비전 시스템의 예시적인 구현을 예시하는 개략도를 표시한다. 동적 비전 시스템(11900)은 비전 센서(11904), 기계 학습 시스템으로부터 결과 데이터를 제공하는 피드백 소스(11906), 온도, 압력, 습도, 진동 등을 포함하는 환경 인자의 변화에 응답하여 데이터를 생성하는 환경 제어(11908), 컬러, 컬러 온도, 타이밍(PWM), 진폭 등을 포함하는 소스 조명의 변화에 응답하여 데이터를 생성하는 조명 제어(11910)를 비롯한 다양한 데이터 소스(11902)로부터 데이터를 포착하도록 구성된 액체 렌즈 광학 어셈블리(11304), 및 데이터 라이브러리(11912)를 포함할 수 있다.
데이터 저장 및 관리 시스템(11914)은 서비스, 애플리케이션, 프로그램 등 중 임의의 것이 공통 데이터 소스(이는 이종 물리적 및/또는 가상 저장 위치에 걸쳐 분산되는 단일 논리적 데이터 소스를 포함할 수 있음)에 액세스할 수 있도록 동적 비전 시스템(11300)의 다양한 컴포넌트 및 서브시스템에 대한 상태 및 이벤트 데이터의 기록을 유지할 수 있다. 데이터 저장 및 관리 시스템(11914)은 명령어 및 데이터의 저장을 위한 메모리 서브시스템 및 프로그램 및 데이터 파일을 위한 영구 저장소를 제공하는 파일 저장 서브시스템을 포함할 수 있다. 또한, 저장 및 관리 시스템(11914)은 데이터 할당, 데이터 캐싱, 데이터 프루닝 및 데이터 관리, 및 지능 및 데이터 리소스에 대한 액세스 및 제어와 같은 능력을 포함할 수 있다.
처리 시스템(11306)은 도 123, 124, 125 및 126, 또는 본 출원의 다른 곳에서 상세히 설명된 바와 같이 기계 학습 시스템(11324) 및 인공 지능 시스템(11326), 디지털 트윈 시스템(11320) 및 제어 시스템(11314)을 통해 실시간으로 광학 파라미터를 최적화하고 조정하기 위해 액체 렌즈 광학 어셈블리(11304)에 의해 포착되고 데이터 저장 및 관리 시스템(11914)에 저장된 데이터를 처리할 수 있다.
실시예에서, 애플리케이션(11916)의 세트는 동적 비전 시스템(11300)이 사용자에게 의미 정보를 제시하는 것을 가능하게 하고 사용자가 특정 비전 태스크를 수행하는 것을 가능하게 할 수 있다. 동적 비전 시스템(11300) 상에 제공되는 애플리케이션의 일부 예는 입자 필터(11918), 3D 모델 생성(11920), 위치 또는 모션 예측(11922), 시각적 SLAM(11924), 결함 검출(11926) 및 적대적 신경망 검출(11928)을 포함한다.
실시예에서, 동적 비전 시스템(11300)은 인터페이스, 네트워크 연결, 포트, 애플리케이션 프로그래밍 인터페이스(API), 브로커, 서비스, 커넥터, 래퍼, 컨테이너, 유선 또는 무선 통신 링크, 인간-액세스가능 인터페이스, 소프트웨어 인터페이스, 마이크로-서비스, SaaS 인터페이스, PaaS 인터페이스, IaaS 인터페이스, 클라우드 능력 등을 포함하는 연결 시설을 통해 하나 이상의 제3자 시스템(11930)과 통합될 수 있다. 연결 시설은 동적 비전 시스템(11300)과 하나 이상의 제3자 시스템(11930) 사이의 데이터의 전달을 용이하게 할 수 있다.
실시예에서, 동적 비전 시스템(11300)은 생산 조립 라인 또는 물류 체인에서 품질 관리 검사 및 객체를 분류하기 위해 밸류 체인 네트워크(VCN) 엔티티의 세트에 또는 그와 통합될 수 있으며, 여기서 액체 렌즈는 다양한 작업 거리에 위치된 객체 또는 상이한 높이들의 객체를 수용하고, 인식하고, 분류하기 위해 초점을 신속하게 조정하도록 구성된다.
실시예에서, 동적 비전 시스템(11300)은 차량 환경을 스캔하고 도로 상의 다른 객체로부터의 차량 사이의 거리를 모니터링하기 위해 자율 차량 시스템의 세트에 또는 그와 통합될 수 있다.
실시예에서, 동적 비전 시스템(11300)은 전기적으로 조정가능한 액체 렌즈를 조정함으로써 디스플레이된 콘텐츠에 대한 정정을 제공하기 위해 전기적으로 조정가능한 액체 렌즈를 갖는, 가상 콘텐츠를 디스플레이하도록 구성된 상호작용형 헤드-장착 디바이스 내에 또는 그와 통합될 수 있다.
실시예에서, 동적 비전 시스템(11300)은 UAV(unmanned automotive vehicle)의 위치 또는 코스를 3차원으로 제어하는 것을 돕기 위해 UAV 내비게이션 시스템 내에 또는 그와 통합될 수 있다.
비전 능력을 통합하기 위해 동적 비전 시스템(11300)에 포함될 수 있는 제3자 시스템(11930)의 일부 비제한적인 예는 IoT 시스템(11932), 밸류 체인 네트워크(VCN) 시스템(11934), 제조 실행 시스템(MES)(11936), 로봇/코봇 시스템(11938), 자동차 시스템(11940), 3D 프린팅 시스템, 안과 시스템, 수술 시스템, 현미경검사 시스템, 외골격 시스템, 보철물 시스템, 생체인식 시스템, 품질 관리 시스템(QMS), 준수 시스템, 인증 시스템 등을 포함한다.
실시예에서, 동적 비전 시스템(11300)과 더 많은 제3자 시스템(11930)의 통합은 제3자 시스템(11930)의 특정 요구 및 요건을 고려하고, 그러한 요건에 기초하여 동적 비전 시스템(11300)의 특정 컴포넌트 및 애플리케이션을 맞춤화할 수 있다. 예를 들어, 3D 프린팅 시스템과 통합할 때, 결함 검출이 제공될 수 있는 반면, 로봇 세정 시스템과의 통합은 가상 SLAM(11924)의 포함으로부터 이익을 얻을 수 있다.
도 128 내지 도 142는 광범위한 작업을 수행하도록 로봇 운영 편성 단위의 플릿을 구성하도록 구성되는 플릿 관리 플랫폼의 다양한 실시예에 관한 것이다. 일부 실시예에서, 플릿 관리 플랫폼은 하나 이상의 조직에 의해 활용되는 밸류 체인 엔티티로서 사용될 수 있다. 플릿 관리 플랫폼은 독립형 서비스일 수 있거나 더 큰 다중 서비스 제공의 일부로서 포함될 수 있다. 실시예에서, 플릿 관리 플랫폼은 (예를 들어, 클라이언트 디바이스로부터) 작업 요청을 수신하고, 요청된 작업의 완료 시에 수행될 태스크의 세트를 식별한다. 태스크의 세트를 결정하는 것에 응답하여, 플릿 관리 플랫폼은 로봇 운영 편성 단위의 세트를 포함하는 로봇 플릿 구성을 결정할 수 있고 로봇 운영 편성 단위를 태스크의 세트에 할당할 수 있다. 본 출원에 사용되는 바와 같이, 로봇 운영 편성 단위(robot operating unit)는 태스크 또는 태스크들의 세트를 완료하도록 동작하는 개별 로봇, 로봇의 팀, 또는 로봇의 플릿을 지칭할 수 있다. 개별 로봇은, 이하에서 더 논의되는 바와 같이, 특수 목적 로봇, 다목적 로봇, 외골격 로봇, 로봇 프로세스 자동화 소프트웨어, 또는 다른 소프트웨어 기반 봇을 지칭할 수 있다. 논의될 바와 같이, 일부 실시예에서, 플릿 관리 플랫폼은 각각의 태스크 또는 서브-태스크를 수행하고/하거나 플릿 구성의 일부로서 특정 타입의 환경에서 동작하기 위한 하나 이상의 다목적 로봇의 구성을 정의할 수 있다. 논의될 바와 같이, 다목적 로봇은 다목적 로봇이 특정 태스크를 수행할 수 있게 하는 다양한 모듈로 구성될 수 있다. 예를 들어, 다목적 로봇은 로봇이 지능 태스크를 수행할 수 있게 하는 특수화된 칩, 작업 또는 환경에 대한 특수화된 센서, 특정 기계 비전 기능성을 가능하게 하기 위한 액체 렌즈, 태스크 특정적인 특수화된 부속물(예를 들어, 클램프, 그리퍼, 드릴링, 리프트 등), 및/또는 특정 태스크 또는 태스크들의 세트를 수행하도록 다목적 로봇을 구성하는 다른 모듈을 프로비저닝할 수 있다.
일부 실시예에서, 플릿 관리 플랫폼은 작업흐름의 세트를 정의할 수 있고, 여기서, 작업흐름은 특정 태스크 또는 서브-태스크가 수행되는 순서 및 각각의 태스크 또는 서브-태스크에 할당되는 로봇 운영 편성 단위(들)를 정의할 수 있다. 일부 실시예에서, 플릿 관리 플랫폼은 로봇 플릿의 동작을 실질적으로 최적화하기 위해 플릿 구성 및/또는 작업흐름을 반복적으로 재정의하기 위해 작업흐름 시뮬레이션을 수행할 수 있다. 예를 들어, 플릿 구성 및/또는 작업흐름은 비용을 감소시키고, 물류 효율성을 개선하고, 전체 작업 시간을 감소시키는 등을 위해 반복적으로 조정될 수 있다. 일단 플릿 구성 및 작업흐름이 완료되면, 플릿 관리 플랫폼은 플릿을 배치할 수 있다. 일부 실시예에서, 플릿 관리 플랫폼은 로봇 운영 편성 단위 및/또는 로봇 컴포넌트, 및/또는 지원 리소스를 작업 현장(들)에 전달하는 것과 관련된 물류를 용이하게 할 수 있다. 또한, 일부 실시예에서, 플릿 관리 플랫폼은 리소스 프로비저닝/물류를 증진시키기 위해, 3D 프린터 또는 본 출원에 또는 본 출원에 참조로 포함된 문서에 설명된 다른 능력과 같은 적층 제조 능력을 활용할 수 있어서, 효율적인 방식으로 3D 프린팅될 수 있는 아이템이 배송 대신 프린팅될 수 있다. 실시예에서, 플릿 관리 플랫폼은 로봇 운영 편성 단위의 상태, 작업의 수행 등을 포함하는 작업을 수행하는 동안 로봇 플릿을 모니터링할 수 있다. 이러한 실시예 중 일부에서, 플릿 관리 플랫폼은 이용가능한 재고의 효율적인 사용을 보장하고/하거나 작업 위치에서의 중단시간을 감소시키기 위해 로봇 및/또는 리소스의 유지보수를 자동화할 수 있다.
일부 실시예에서, 플릿 관리 플랫폼은 로봇 운영 편성 단위 또는 에지 디바이스, 환경 센서 시스템, 플랫폼 리소스(예를 들어, 물류 플랫폼, 기업 리소스 관리 플랫폼, 고객 관계 관리 플랫폼 등), 및/또는 다른 적합한 데이터 소스와 같은 다른 적합한 데이터 소스로부터 수신된 데이터에 기초하여 로봇 운영 편성 단위의 상태 및/또는 작업 성능을 표시하는 플릿 디지털 트윈을 지원할 수 있다. 플릿 관리 플랫폼에 의해 서빙되는 디지털 트윈은 다양한 용도를 위해 적응될 수 있다. 예를 들어, 일부 실시예에서, 디지털 트윈은 로봇의 플릿에 의해 수행되고 있는 작업의 실시간 상태를 제공하도록 구성될 수 있다. 이러한 방식으로, 사용자는 작업과의 진행을 보기 위해 작업 현장의 상이한 영역에서 드릴 다운할 수 있다. 일부 예시적인 실시예에서, 디지털 트윈은 플릿 내의 개별 로봇을 포함하는 로봇 플릿의 상태를 제공하도록 구성될 수 있다. 이러한 예에서, 사용자는 로봇의 상태를 보기 위해 로봇의 팀 또는 플릿 내의 개별 로봇으로 드릴 다운할 수 있다. 예를 들어, 사용자는 로봇의 배터리 수명, 다른 에너지 소스의 가용성, 로봇의 위치, 로봇에 대한 이동성 옵션, 로봇의 생산성, 로봇의 태스크 완료 상태, 로봇의 유지보수 경보 등을 볼 수 있다. 일부 예시적인 실시예에서, 플릿 관리 플랫폼은 객체 및 다른 로봇의 위치, 환경의 센서 판독 등과 같은 실시간 정보로 로봇 플릿의 환경을 표시하는 환경 디지털 트윈을 서빙할 수 있다. 이러한 실시예에서, 사용자는 로봇, 로봇의 팀, 또는 로봇의 플릿에 원격 제어 명령을 제공하기 위해 환경 디지털 트윈을 활용할 수 있다. 예를 들어, 로봇 또는 로봇의 팀은 태스크의 수행시 식별되지 않은 객체에 직면할 수 있고, 태스크 수행과 관련된 결정을 할 수 없을 수 있다. 일부 실시예에서, 플릿 관리 플랫폼은 환경 디지털 트윈에 표시될 수 있는 관련 데이터(예를 들어, LIDAR 데이터, 비디오 피드, 환경 맵 등)를 획득할 수 있다. 사용자는 환경 디지털 트윈에서 현재 시나리오를 볼 수 있고, 환경 디지털 트윈에서 제시된 시나리오가 주어지면 어떻게 진행할지를 로봇 플릿에 명령할 수 있다. 전술한 것은 플릿 관리 플랫폼과 관련하여 사용될 수 있는 디지털 트윈의 비제한적인 예이고, 다른 예가 아래에 논의된다.
도 128은 본 개시의 일부 실시예에 따른 플릿 관리 플랫폼(12000)("플랫폼(12000)"이라고도 지칭됨)의 예시적인 환경을 예시한다. 일부 실시예에서, 플릿 관리 플랫폼(12000)은 하나 이상의 조직에 의해 활용되는 밸류 체인 엔티티로서 사용될 수 있다. 플릿 관리 플랫폼(12000)은 독립형 서비스일 수 있거나 더 큰 다중 서비스 제공의 일부로서 포함될 수 있다. 실시예에서, 로봇 플릿 관리 플랫폼(12000)은 플릿 운영 시스템(12002), 데이터 처리 시스템(12030), 및 지능 계층(12004)(예를 들어, 플랫폼 레벨 지능 계층(12004))을 포함한다. 실시예에서, 플릿 운영 시스템(12002)은 로봇 운영 편성 단위 및/또는 로봇 운영 편성 단위(12040)에 의해 수행되는 작업을 구성하고 관리한다. 논의될 바와 같이, 로봇 운영 편성 단위(12040)는 개별 로봇, 개별 로봇 태스크 어셈블리(12050), 로봇 플릿(12060), 및/또는 로봇 플릿 지원 유닛(12080)을 지칭할 수 있다.
실시예에서, 플릿 운영 시스템(12002)은 통신 관리 시스템(12010), 원격 제어 시스템(12012), 리소스 프로비저닝 시스템(12014), 물류 시스템(12016), 작업 구성 시스템(12018), 플릿 구성 시스템(12020), 작업 실행, 모니터링, 및 보고 시스템(12022)("작업 실행 시스템"(12022)이라고도 지칭됨), 인간 인터페이스 시스템(12024), 및 유지보수 관리 시스템(12026)을 포함하지만, 이에 제한되지 않는다. 실시예에서, 통신 관리 시스템(12010)은 플릿 관리 플랫폼(12000) 외부의 요소를 포함하여, 플릿 관리 플랫폼 통신을 용이하게 하도록 구성된다. 실시예에서, 원격 제어 시스템(12012)은 로봇 운영 편성 단위 및 플릿 리소스의 제어를 원격으로 관리하고 인에이블하도록 구성된다. 실시예에서, 리소스 프로비저닝 시스템(12014)은 플릿 리소스(예를 들어, 로봇 운영 편성 단위)에 대한 할당 및 액세스를 취급하도록 구성된다. 실시예에서, 물류 시스템(12016)은 작업 현장 및/또는 로봇 운영 편성 단위에 대한 플릿 리소스 및 공급의 사용 및 수송을 조정한다. 실시예에서, 유지보수 관리 시스템(12016)은 플릿 리소스의 조정된 적시 유지보수를 용이하게 한다. 실시예에서, 작업 구성 시스템(12018)은 작업 요청에 기초하여 작업 실행 계획을 생성한다. 실시예에서, 플릿 구성 시스템(12020)은 작업 실행 계획을 완료하도록 로봇 운영 편성 단위(예를 들어, 개별 로봇 및/또는 로봇 플릿)을 구성한다. 실시예에서, 작업 실행 시스템(12022)은 (예를 들어, 작업 실행 계획에 따라) 로봇 운영 편성 단위에 의해 수행되는 작업에 대해 실행, 모니터링 및/또는 보고하여, 작업 계획을 실행하고 작업 및 플릿 관련 보고 요건을 어드레싱하는 동안 플릿 리소스의 효율적인 사용을 보장한다. 실시예에서, 인간 인터페이스 시스템은 인간 사용자가 로봇 운영 편성 단위와 인터페이스할 수 있는 인터페이스를 제공한다.
언급된 바와 같이, 로봇 운영 편성 단위(12040)는 개별 로봇, 개별 로봇 태스크 어셈블리(12050), 로봇 플릿(12060), 및/또는 로봇 플릿 지원 유닛(12080)을 지칭할 수 있다. 실시예에서, 개별 로봇은 다목적 로봇(12042), 특수 목적 로봇(12044), 외골격 로봇(12046) 등을 포함할 수 있지만, 이에 제한되지 않는다. 도 129는 다목적 로봇(12100)(MPR) 및 특수 목적 로봇(12180)의 컴포넌트의 비제한적인 예시적인 세트를 예시한다.
실시예에서, SPR(12180) 및 MPR(12100)은 베이스라인 시스템(12102), 로봇 제어 시스템(12150), 및 로봇 보안 시스템(12170)을 포함할 수 있다. 실시예에서, 로봇 제어 시스템(12140)은 데이터 처리 시스템(12146) 및 지능 계층(12140)을 포함한다. 논의될 바와 같이, 데이터 처리 시스템은 로봇의 팀 또는 플릿 사이에서 중앙집중 및/또는 분산될 수 있는 데이터 처리 리소스를 포함할 수 있다. 추가적으로 또는 대안적으로, 데이터 처리 리소스는 범용 칩셋, 특수화된 칩셋, 및/또는 구성가능한 칩셋을 포함할 수 있다. 논의될 바와 같이, 지능 계층(12140)은 로봇 또는 로봇의 집합체(예를 들어, 태스크 어셈블리 또는 플릿)를 대신하여 지능 관련 태스크를 수행한다. 예를 들어, 로봇-레벨 지능 계층(12140)은 인공 지능, 기계 학습, 자연어 처리, 기계 비전, 분석 등과 같은 태스크를 수행할 수 있고, 수행에 있어서 복잡한 데이터 구조(예를 들어, 디지털 트윈) 및 (예를 들어, 특히, IoT, 에지 및 다른 네트워크-인에이블 디바이스로부터의, 구내 및 클라우드-배치된 데이터베이스 및 다른 리소스로부터의, 및/또는 API, 이벤트 스트림, 로그, 또는 다른 데이터 소스로부터의) 이종 데이터 소스를 활용할 수 있다. 로봇-레벨 및 플릿-레벨 지능 계층은 아래에서 더 상세히 논의된다. 실시예에서, 로봇 보안 시스템(12170)은 로봇 또는 로봇의 집합체(예를 들어, 태스크 어셈블리 또는 플릿)를 대신하여 보안 관련 기능을 수행한다. 이러한 보안 관련 기능은 수동 보안 기능들 뿐만 아니라 자율 적응 및 비적응적 보안 기능을 포함할 수 있다.
실시예에서, MPR(12100) 또는 SPR(12190)의 베이스라인 시스템(12102)은 에너지 저장 및 전력 분배 시스템(12104), 인클로저(12106), 전기기계 및/또는 전기유체 시스템(12108), 수송 시스템(12110), 비전 및 감지 시스템(12112), 및/또는 구조적 시스템(12114)을 포함할 수 있다. 아래에 더 논의되는 바와 같이, SPR(12190)의 베이스라인 시스템의 구성은 SPR(12190)이 수행하도록 구성되는 태스크의 타입에 의존한다. 예를 들어, 자율 드론의 베이스라인 시스템은 자율 차량 또는 공장 플로어 로봇의 베이스라인 시스템과 크게 상이하다. 유사하게, MPR(12100)의 베이스라인 시스템은 MPR(12100)이 동작하도록 의도되는 환경의 타입에 의존한다. 예를 들어, 심해 조건에서 동작하도록 구성되는 MPR(12100)은 북극 조건 또는 항공 로봇에서 동작하도록 구성되는 MPR(12100)과 상이한 베이스라인 시스템을 가질 수 있다.
MPR(12100)은 MPR(12100)이 더 넓은 범위의 상이한 태스크를 수행하도록 구성될 수 있다는 점에서 SPR(12190)과 상이하다. 실시예에서, MPR(12100)은 MPR(12100)이 다양한 하드웨어 및/또는 소프트웨어 컴포넌트로 구성될 수 있게 하는 모듈 시스템(12120)을 더 포함할 수 있다. 이러한 방식으로, MPR(12100)은 MPR(12100)이 수행하도록 구성되는 태스크의 범위에 따라 상이한 부속물, 센서 세트, 칩셋, 동기 어댑터 등을 구비할 수 있다. 실시예에서, 모듈 시스템(12100)은 제어 모듈 인터페이스(12120) 및 물리적 모듈 인터페이스(12122)를 포함할 수 있다. 제어 모듈 인터페이스(12120) 및 물리적 모듈 인터페이스(12122)는 특정 태스크를 수행하도록 MPR(12100)을 구성하기 위한 보조 컴포넌트를 수신하는 기계적, 전기적, 및/또는 디지털 인터페이스를 지칭할 수 있다. 실시예에서, 제어 모듈 인터페이스(12120)는 MPR(12100)의 제어와 관련된 하나 이상의 특징을 변경하는 보조 컴포넌트를 수신(또는 달리 이에 "연결")한다. 이들은 칩셋(예를 들어, AI 칩셋, 기계 학습 칩셋, 기계 비전 칩셋, 통신 칩셋 등), 센서 모듈, 통신 모듈, AI 모듈, 보안 모듈, 컴퓨팅 모듈 등을 포함할 수 있다. 실시예에서, 물리적 모듈 인터페이스(12122)는 MPR(12100)에 의해 취해질 수 있는 물리적 동작 및/또는 MPR(12100)의 물리적 액션을 변경하는 보조 물리적 모듈을 수신(또는 달리 이에 연결)한다. 물리적 모듈의 예는 엔드 이펙터, 동기 어댑터, 3D 프린터, 전원 등을 포함할 수 있지만, 이들로 제한되지 않는다. 논의될 바와 같이, MPR(12100)은 태스크의 완료 시에 하나 이상의 작업을 수행하도록 재구성될 수 있다. 이러한 실시예에서, 플릿 관리 플랫폼(12000)은 작업 실행 계획 및 지원 로봇 플릿을 정의할 수 있고, MPR(12100)이 작업 실행 계획에서 하나 이상의 지정된 태스크를 수행하도록 재구성되도록, 지원 로봇 플릿 내의 MPR(12100)에 하나 이상의 모듈을 프로비저닝할 수 있다.
도 128을 다시 참조하면, 개별 로봇 태스크 어셈블리(12050)는 특정 태스크 또는 관련 태스크의 세트를 수행하도록 할당되는 하나 이상의 개별 로봇의 집합체를 지칭할 수 있다. 로봇 태스크 어셈블리 내의 로봇은 MPR(12042), SPR(12044), 외골격 로봇(12046) 등의 임의의 조합을 포함할 수 있다. 일부 실시예에서, 개별 로봇 태스크 어셈블리(12050)는 태스크 어셈블리(12050) 내의 로봇을 제어하거나 다른 방식으로 이들에게 명령어를 제공하는 로컬 관리자를 포함할 수 있다. 이러한 실시예에서, 로컬 관리자는 지정된 감독자 로봇 또는 인간 운영자일 수 있다. 실시예에서, 감독자 로봇은 태스크 어셈블리(12050)에서 로봇을 조직, 지시, 모니터링, 재할당, 및/또는 재구성(또는 재구성을 요청)하도록 지정된 로봇을 지칭할 수 있다. 실시예에서, 로봇 감독자는 태스크 어셈블리(12050)를 대신하여 에지 디바이스로서 작용할 수 있어서, 로봇 감독자는 로봇 감독자가 플릿 관리 플랫폼(12000) 또는 다른 적합한 디바이스 또는 시스템과 통신하고/하거나 태스크 어셈블리(12050)를 대신하여 데이터 처리 동작을 수행할 수 있게 하는 특정 처리 및/또는 통신 능력을 할당받을 수 있다. 실시예에서, 로봇 플릿은 작업의 완료 시에 프로젝트의 세트를 총괄하여 수행하는 개별 로봇 및/또는 태스크 어셈블리의 집합체이다. 실시예에서, 로봇 플릿은 개별 SPR, MPR, 외골격 등을 포함할 수 있다. 또한, 플릿(fleet)은 태스크 그룹의 플릿, 지역 플릿, 및/또는 무리의 플릿으로서 배열될 수 있다. 실시예에서, 로봇 플릿은 로봇 플릿 지원에 의해 지원될 수 있다. 실시예에서, 로봇 플릿 지원의 예는 건물, 에지 및 IoT 디바이스, 로컬 데이터 스토리지(및 대응하는 데이터 인터페이스), 유지보수 지원, 충전 스테이션 및 디바이스, 대체 부품, 배터리, 액세서리, 배송 컨테이너, 도킹 스테이션, 예비 부품, 및/또는 기술자를 포함할 수 있다.
도 130은 플릿 관리 플랫폼(12000)의 데이터 처리 시스템(12030) 및 지능 계층(12004)을 예시한다. 실시예에서, 데이터 처리 시스템(12030)은 데이터 취급 서비스(12032) 및 데이터 처리 서비스(12034)를 포함한다. 데이터 취급 서비스(12032)는 플릿 관리 플랫폼(12000)의 데이터를 저장, 검색, 및 다른 방식으로 관리하도록 구성된다. 실시예에서, 데이터 취급 서비스(12032)는 데이터 저장소(120386) 및/또는 라이브러리(12038)의 세트에 액세스하고, 이에 의해 데이터 취급 서비스(12032)는 플릿 관리 플랫폼(12000) 및/또는 로봇 운영 편성 단위(12040)의 다른 컴포넌트를 대신하여 데이터 저장소(12036) 및/또는 라이브러리(12038)로부터 데이터를 기록 및 판독한다. 실시예에서, 데이터 처리(12028)는 플릿 관리 플랫폼(12000) 및/또는 로봇 운영 편성 단위(12040)의 다른 컴포넌트를 대신하여 데이터 처리 동작을 수행한다. 예를 들어, 데이터 처리 서비스(12034)는 데이터베이스 동작(예를 들어, 테이블 조인, 검색 등), 데이터 융합 동작 등을 수행할 수 있다. 실시예에서, 데이터 처리 시스템은 분산형 리소스, 중앙집중형 리소스, 및/또는 "온-칩" 리소스를 포함할 수 있다.
실시예에서, 플랫폼(12000)-레벨 지능 계층(12004)은 플릿 관리 플랫폼(12000) 및/또는 로봇 운영 편성 단위(12040)의 다른 컴포넌트를 대신하여 지능 서비스를 수행한다. 논의될 바와 같이, 일부에서 플랫폼(12000) 레벨 지능 계층(12004)은 더 넓은 지능 시스템(도 131)의 일부로서 구성될 수 있고, 이에 의해 의사 결정 및 다른 지능 기반 기능이 가능한 가장 낮은 레벨에서 수행된다. 실시예에서, 플랫폼(12000)-레벨 지능 계층(12004)은 지능 계층 제어기(12030) 및 인공 지능 서비스(12032)의 세트를 포함한다. 실시예에서, 인공 지능 서비스(12032)는 디지털 트윈 세트(예를 들어, 로봇 디지털 트윈, 로봇 팀 디지털 트윈, 로봇 플릿 디지털 트윈, 물류 디지털 트윈, 환경 디지털 트윈 등)를 관리 및/또는 서빙하는 디지털 트윈 시스템(12034)을 포함할 수 있다. 실시예에서, 인공 지능 서비스(12032)는 본 개시 또는 본 출원에 참조로 포함된 문서 전반에 걸쳐 언급된 바와 같이 기계 학습(ML) 시스템, 규칙 기반 지능 시스템, 전문가 시스템, 분석 시스템, 로봇 프로세스 자동화(RPA) 시스템, 기계 비전 시스템, 자연어 처리(NLP) 시스템, 신경망 시스템 및/또는 다른 지능 또는 데이터 취급 시스템을 포함하거나, 이에 링크하거나, 또는 이와 통합할 수 있다. 실시예에서, 지능 제어기(12030)는 분석 관리 모듈, 거버넌스 라이브러리, 및 분석 모듈을 포함한다.
지능 계층(INTELLIGENCE LAYER)
도 131은 본 개시의 일부 실시예에 따른 예시적인 지능 계층(12200)을 예시한다. 실시예에서, 지능 계층(12200)은 서비스형 로봇 생태계(예를 들어, 플랫폼 레벨 지능 계층(12004), 로봇-레벨 지능 계층(12140), 또는 플릿 레벨 지능 계층(도시되지 않음))의 각각의 레벨에서 지능 서비스를 제공하기 위한 프레임워크를 제공하도록 도 104의 지능 서비스(8800)로부터 적응된다. 이러한 실시예에서, 지능 계층(12200) 프레임워크는 개별 로봇에서 및/또는 플릿-레벨에서 적어도 부분적으로 복제될 수 있어서, 개별 로봇은 결정, 추천, 보고, 명령어, 예측, 분류 등을 생성하려고 시도하기 위해 그 지능 계층(12200)을 활용할 수 있는 반면, 플릿 레벨 결정, 추천, 보고, 명령어, 예측, 분류 등은 플릿 내의 하나 이상의 로봇에 의해 이루어질 수 있고, 플랫폼 레벨 결정, 추천, 보고, 명령어, 예측, 분류 등은 플랫폼-레벨 지능 계층(12004)에 의해 이루어질 수 있다. 이러한 실시예에서, 지능에 대한 요청은 더 높은 레벨로 푸시될 수 있다. 예를 들어, 로봇이 경로에 가려진 객체가 있는지 확신하지 못하는 경우, 로봇은 요청을 플릿 레벨로 상신할 수 있고, 플릿 레벨에서 하나 이상의 추가 로봇은 이것이 요청 로봇의 경로에서의 가려짐인지를 결정하기 위해 로봇과 관련하여 작업할 수 있다. 다른 예에서, 환경의 예상치 못한 변화(예를 들어, 날씨 또는 다른 조건의 변화)는 로봇 플릿 레벨 지능 계층으로 하여금 작업 실행 계획을 변경하게 할 수 있다. 이 예에서, 플릿 레벨 지능 계층은 작업 실행 계획을 안전하게 변경하기에 충분한 정보 또는 처리 리소스를 갖지 않을 수 있다. 이에 응답하여, 플릿-레벨 지능 계층은 결정을 플랫폼(12000)-레벨 지능 계층(12004)으로 상신할 수 있어서, 플랫폼(12000)-레벨 지능 계층(12004)이 환경의 변화가 주어지면 작업 실행 계획에 대한 추천된 변경을 결정할 수 있다.
실시예에서, 지능 계층(12200)은 지능 계층 클라이언트(12260)의 세트로부터 요청을 수신한다. 로봇 플릿 프레임워크(예를 들어, 플릿 관리 플랫폼-레벨, 플릿-레벨, 또는 로봇-레벨) 내의 어디에서 지능 계층(12200)이 구현되는지에 따라, 지능 계층 클라이언트(12260)는 플릿 관리 플랫폼의 다양한 컴포넌트(예를 들어, 원격 제어 시스템(12012), 물류 시스템(12016), 작업 구성 시스템(12018), 플릿 구성 시스템(12020), 작업 실행 시스템(12022) 등), 로봇 플릿(예를 들어, 팀 또는 플릿 내의 하나 이상의 MPR 및/또는 SPR), 또는 개별 로봇(예를 들어, 로봇의 로봇 제어 시스템, MPR의 다양한 모듈 등)일 수 있다. 실시예에서, 지능 계층 클라이언트(12260)는 지능 요청을 지능 계층(12200)에 제공하고, 여기서 요청은 특정 지능 태스크(예를 들어, 결정, 추천, 보고, 명령어, 분류, 예측, 훈련 액션, NLP 요청 등)를 수행하는 것이다. 이에 응답하여, 지능 계층(12200)은 요청된 지능 태스크를 실행한다.
일부 시나리오에서, AI 시스템(12204)의 인공 지능 서비스는 지능 계층 클라이언트(12260)일 수 있다는 점에 유의한다. 예를 들어, 규칙 기반 지능 시스템은 비디오에 나타나는 객체의 분류 및/또는 객체의 모션을 요청하는 것과 같이, ML 시스템 또는 신경망 시스템으로부터 지능 태스크를 요청할 수 있다. 이 예에서, 규칙 기반 지능 시스템은 분류를 사용하여 지정된 액션을 취할지를 결정하는 지능 계층 클라이언트(12260)일 수 있다. 다른 예에서, 기계 비전 시스템은 디지털 트윈 시스템으로부터 지정된 환경의 디지털 트윈을 요청할 수 있어서, ML 시스템은 특정 환경에 대해 훈련되는 기계 학습 모델을 훈련하기 위한 특징으로서 디지털 트윈으로부터 특정 데이터를 요청할 수 있다.
실시예에서, 지능 태스크는 요청에 응답하기 위해 특정 타입의 데이터를 요구할 수 있다. 예를 들어, 기계 비전 태스크는 하나 이상의 이미지(및 잠재적으로 다른 데이터)가 이미지 또는 이미지의 세트에 나타나는 객체를 분류하고, (아이템의 위치, 얼굴의 존재, 심볼 또는 명령어, 표현, 모션의 파라미터, 상태의 변화 등과 같은) 이미지의 세트 내의 특징을 결정하는 것 등을 요구한다. 다른 예에서, NLP 태스크는 대화 및/또는 텍스트의 의미 또는 다른 요소를 결정하기 위해 대화 및/또는 텍스트 데이터(및 잠재적으로 다른 데이터)의 오디오를 요구한다. 또 다른 예에서, AI 기반 제어 태스크(예를 들어, 로봇의 이동에 대한 결정)는 로봇의 모션을 제어하는 방법에 관한 결정을 내리기 위해 환경 데이터(예를 들어, 알려진 장애물의 지도, 좌표, 이미지 등) 및/또는 모션 계획을 요구할 수 있다. 플랫폼-레벨 예에서, 분석-기반 보고 태스크는 보고를 생성하기 위해 다수의 상이한 데이터베이스로부터의 데이터를 요구할 수 있다. 따라서, 실시예에서, 지능 계층 인스턴스에 의해 수행될 수 있는 태스크는 특정 지능 계층 입력(12270)을 요구하거나 이로부터 이익을 얻을 수 있다. 일부 실시예에서, 지능 계층(12200)은 각각의 지능 태스크를 수행하기 위해 지능 계층 입력(12270)로부터 특정 데이터를 수신 및/또는 요청하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 요청 지능 계층 클라이언트(12260)는 요청에서 특정 데이터를 제공할 수 있다. 예를 들어, 지능 계층(12200)은 하나 이상의 API를 지능 계층 클라이언트(12260)에 노출시킬 수 있고, 이에 의해 요청 클라이언트(12260)는 API를 통해 요청에서 특정 데이터를 제공한다. 지능 계층 입력의 예는 센서 데이터(예를 들어, 로봇 센서, 환경 센서 등), 비디오 스트림(예를 들어, 로봇 포착된 비디오 스트림, 비디오 카메라 스트림 등), 오디오 스트림(예를 들어, 로봇 포착된 오디오 스트림, 외부 마이크로폰으로부터 포착된 오디오 스트림 등), 데이터베이스(예를 들어, 플랫폼 12000 데이터베이스, 제3자 데이터베이스 등), 인간 입력, 및/또는 다른 적합한 데이터를 제공하는 센서를 포함할 수 있지만, 이에 제한되지 않는다.
실시예에서, 지능 계층(12200)은 지능 계층 제어기(12202) 및 인공 지능(AI) 서비스(12204)를 포함할 수 있다. 실시예에서, 인공 지능 계층(12200)은 지능 계층 클라이언트(12260)로부터의 지능 요청 및 지능 계층 클라이언트(12260)로부터의 요청을 처리하기 위해 임의의 필요한 데이터를 수신한다. 요청 및 특정 데이터에 응답하여, 인공 지능 서비스(12204)의 하나 이상의 결부된 서비스는 지능 태스크를 수행하고, 인공 지능 서비스(12204)는 "지능 응답"을 출력한다. 지능 응답은 인공 지능 서비스(12204)의 출력을 지칭할 수 있다. 응답의 예는 인공 지능 서비스에 의해 이루어진 결정(예를 들어, 제어 명령어, 제안된 작업 실행 계획, 제안된 플릿 구성, 제안된 로봇 구성 등), 인공 지능 서비스에 의해 이루어진 예측(예를 들어, 텍스트 스니펫의 예측된 의미, 제안된 액션과 연관된 예측된 결과, 예측된 결함 조건 등), 인공 지능 서비스에 의해 이루어진 분류(예를 들어, 이미지 내의 객체의 분류, 발성음의 분류, 센서 데이터에 기초한 분류된 결함 조건), 및/또는 인공 지능 서비스의 다른 적합한 출력을 포함할 수 있다.
실시예에서, 인공 지능 서비스(12204)는 ML 시스템(12212), 규칙 기반 시스템(12228), 분석 시스템(12218), RPA 시스템(12216), 디지털 트윈 시스템(12220), 기계 비전 시스템(12222), NLP 시스템(12224), 및/또는 신경망 시스템(12214)을 포함할 수 있다. 전술한 것은 인공 지능 서비스의 비제한적인 예이고, 시스템 중 일부는 인공 지능 서비스의 다른 시스템에 의해 포함되거나 활용될 수 있는 것으로 이해된다. 예를 들어, NLP 시스템(12224), 기계 비전 시스템(12222), 및 RPA 시스템(12228)은 모두 그 각각의 기능의 수행에서 상이한 신경망을 활용할 수 있다.
실시예에서, 지능 서비스(12204)는 플릿 관리 플랫폼(12000) 또는 임의의 충분히 구성된 로봇 운영 편성 단위(예를 들어, MPR, SPR, 팀, 플릿 등)에 통합되거나 이에 의해 액세스될 수 있는 ML 시스템(12222)을 포함하고 이에 대한 액세스를 제공한다. 실시예에서, ML 시스템(12212)은 ML 모델을 훈련하는 것, ML 모델을 활용하는 것, ML 모델을 강화하는 것, 다양한 클러스터링 기술을 수행하는 것, 특징 추출 등과 같은 지능 시스템 클라이언트(12260)에 의한 사용을 위한 기계 기반 학습 능력, 특징, 기능, 및 알고리즘을 제공할 수 있다. 예에서, 기계 학습 시스템(12026)은 작업흐름 개발을 최적화하는 것을 용이하게 하기 위해 작업 구성 시스템의 작업흐름 시뮬레이션 시스템에 기계 학습 컴퓨팅, 데이터 저장, 및 피드백 기반구조를 제공할 수 있다. 기계 학습 시스템(12026)은 또한 규칙 기반 시스템, 기계 비전 시스템(12222), RPA 시스템(12216) 등과 같은 다른 플릿 지능 시스템과 협력하여 동작할 수 있다.
실시예에서, 인공 지능 서비스(12204)는 신경망 시스템(12214)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 신경망 시스템(12214)은 지능 시스템 클라이언트(12260)를 대신하여 신경망을 훈련, 배치, 및/또는 활용하도록 구성된다. 실시예에서, 신경망 시스템(12214)은 플릿 관리 플랫폼(12000), 로봇, 로봇 팀, 및/또는 로봇 플릿에 의해 사용될 수 있는 임의의 적합한 타입의 신경망을 훈련시키도록 구성될 수 있다. 상이한 타입의 신경망의 비제한적인 예는, 컨볼루션 신경망(CNN), 심층 컨볼루션 신경망(DCN), 피드포워드 신경망(심층 피드포워드 신경망을 포함함), 순환 신경망(RNN)(게이트식 RNN을 포함하지만 이에 제한되지 않음), 장기/단기 메모리(LTSM) 신경망 등 뿐만 아니라, 또한 직렬로, 병렬로, 비순환(예를 들어, 방향성 그래프 기반) 흐름으로, 및/또는 중간 결정 노드, 재귀 루프 등을 포함할 수 있는 더 복잡한 흐름으로 배치된 것과 같은, 전술한 바의 하이브리드 또는 조합을 포함하지만 이에 제한되지 않는, 본 개시 및 본 출원에 참조로 포함된 문서 전반에 걸쳐 설명된 신경망 타입 중 임의의 것을 포함할 수 있으며, 여기서 주어진 타입의 신경망은 데이터 소스 또는 다른 신경망으로부터 입력을 취하고 흐름이 완료되고 최종 출력이 제공될 때까지 다른 신경망의 입력 세트에 포함되는 출력을 제공한다. 실시예에서, 신경망 시스템(12214)은 기계 비전 시스템(12222), NLP 시스템(12224), 규칙 기반 시스템(12228), 디지털 트윈 시스템(12226), 및/또는 다른 인공 지능 서비스와 같은 플릿 지능 시스템의 다른 컴포넌트에 의해 활용될 수 있다. 신경망 시스템(12214)의 예시적인 응용은 본 개시 전반에 걸쳐 설명된다.
실시예에서, 인공 지능 서비스(12204)는 로봇 프로세스 자동화(RPA) 시스템(12216)에 대한 액세스를 제공하고/하거나 이를 통합할 수 있다. RPA 시스템(12216)은, 특히, 로봇 운영 편성 단위, 팀, 플릿 리소스 등의 원격 제어를 수반하는 작업흐름을 생성하고 검증하는 컴퓨터 자동화를 용이하게 할 수 있다. 실시예에서, RPA 시스템(12216)은 각각의 태스크의 수행에서 인간에 의해 수행되는 패턴 및 프로세스를 학습하기 위해 다양한 시스템과의 인간 상호작용을 모니터링할 수 있다. 이는 하드웨어 요소, 소프트웨어 인터페이스, 및 다른 요소와의 상호작용을 수반하는 인간 액션의 관찰을 포함할 수 있다. 관찰은, 많은 다른 예 중에서도 특히, 인간이 실제 태스크를 수행할 때의 현장 관찰들 뿐만 아니라, 또한 인간이 RPA 시스템에 대한 훈련 데이터 세트 또는 입력을 제공하려는 명시적인 의도로 액션을 수행하는 시뮬레이션 또는 다른 활동의 관찰을 포함할 수 있으며, 예컨대 이 경우 인간은 RPA 시스템이 특징 또는 객체를 인식하거나 분류하는 것을 학습하는 것을 보조하는 특징으로 훈련 데이터 세트를 태깅하거나 라벨링한다. 실시예에서, RPA 시스템(12216)은 학습된 패턴 및 프로세스에 기초하여 특정 태스크를 수행하도록 학습할 수 있어, 태스크는 인간 의사 결정자 대신에 또는 그를 지원하여 RPA 시스템(12216)에 의해 수행될 수 있다. RPA 시스템(12216)의 예는 본 개시 및 본 출원에 참조로 포함된 문서의 것을 포함할 수 있고, 그 안에 설명된 광범위한 밸류 체인 네트워크 활동 또는 엔티티 중 임의의 것의 자동화를 수반할 수 있다. 실시예에서, 인공 지능 서비스(12204)는 분석 시스템(12218)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 분석 시스템(12218)은 플릿 구성 시스템(12020), 로봇 운영 편성 단위 등과 같은 플릿 기능적 컴포넌트로부터 출력되는 데이터에 대해 다양한 분석 프로세스를 수행하도록 구성된다. 예시적인 실시예에서, 분석 시스템(12218)에 의해 생성된 분석은 목표 및/또는 메트릭의 세트와 비교하여 플릿 시스템 및 시스템 모듈 성능의 정량화를 용이하게 할 수 있다. 목표 및/또는 메트릭은 사전 구성되고, 과거 플릿 동작 결과 등으로부터 동적으로 결정될 수 있다. 분석 시스템(12218)은 플랫폼(12000, 100), 로봇 플릿, 팀, 및/또는 개별 로봇을 대신하여 다양한 분석-기반 프로세스를 수행하는 것으로 확인될 수 있다. 분석 시스템(12218)에 의해 수행될 수 있는 분석 프로세스의 예는 아래에서 그리고 본 출원에 참조로 포함된 문서에서 논의된다. 일부 예시적인 구현에서, 분석 프로세스는 (예컨대, 특히, 아이템을 픽킹하고 자율 차량에 의한 전달을 위해 준비하는) 로봇 능력 및 (특히) 예컨대, 위치 및 시간에 의해 관련 아이템의 세트에 대한 수요를 예상하는 것을 수반하는 수요 지능을 수반할 수 있는 공급 체인 활동의 조정을 수반하는 목표 및/또는 특정 메트릭을 추적하는 것을 포함할 수 있다.
실시예에서, 밸류 체인 네트워크 분석 시스템은 공급 체인 로봇 플릿 데이터의 세트 및 수요 지능 로봇 프로세스 자동화 데이터의 세트를 처리하여 상품 또는 다른 아이템의 세트에 대한 공급 및 수요를 조정하는 추천된 액션을 생성할 수 있다. 실시예에서, 밸류 체인 네트워크 자동화 시스템이 제공되며, 이는 공급 체인 로봇 플릿 데이터 세트- 한 세트의 상품을 위한 공급 체인에서 한 세트의 로봇 시스템의 상태 및 능력의 세트의 속성을 포함함 -; 수요 지능 로봇 프로세스 자동화 데이터 세트- 상품의 세트에 대한 수요 예상 태스크의 세트의 자동화를 수행하는 로봇 프로세스 자동화 시스템의 세트의 상태 세트의 속성을 포함함 -; 및 조정 시스템- 공급 체인 로봇 플릿 데이터 세트 및 수요 지능 로봇 프로세스 자동화 데이터 세트를 처리하여 상품의 세트에 대한 공급 및 수요를 조정하는 것에 기초하여 공급 체인 로봇 플릿에 대한 로봇 태스크 명령어의 세트를 제공함 -를 포함한다.
실시예에서, 인공 지능 서비스(12204)는 디지털 트윈 시스템(12220)에 대한 액세스를 포함 및/또는 제공할 수 있다. 디지털 트윈 시스템(12220)은 본 출원 및 본 출원에 참조로 포함된 문서에 설명된 광범위한 특징 및 능력 중 임의의 것을 포함할 수 있다. 실시예에서, 디지털 트윈 시스템(12220)은, 특히, 물리적 환경의 트윈, 로봇 운영 편성 단위의 트윈, 물류 트윈 등과 같은, 상이한 타입의 디지털 트윈에 대한 실행 환경을 제공하도록 구성될 수 있다. 예시적인 실시예에서, 디지털 트윈 시스템(12220)은 플릿 리소스; 작업 양태 등, 예컨대, 팀에 할당된 로봇 운영 편성 단위; 플릿 내의 로봇 운영 편성 단위 등을 위한 디지털 트윈을 생성하도록 추가로 구성될 수 있다. 예를 들어, 디지털 트윈 시스템(12220)은 로봇 리소스(예를 들어, 교환가능한 엔드 이펙터, 전원, 통신 능력, 동기 어댑터 등)의 디지털 트윈을 생성할 수 있다. 또한, 디지털 트윈 시스템(12220)은 물리적 로봇 운영 편성 단위 및/또는 환경으로부터 수신된 데이터와 같은 외부 데이터 소스로부터 정보를 수신하기 위한 API 등과 같은 인터페이스로 구성될 수 있다. 예를 들어, 디지털 트윈 시스템(12220)은 로봇 운영 편성 단위의 센서 시스템 및/또는 로봇 운영 편성 단위가 동작하는 물리적 환경의 센서 시스템으로부터 실시간 데이터를 수신할 수 있다. 실시예에서, 디지털 트윈 시스템(12220)은 제3자 서비스(예를 들어, 날씨 서비스, 트래픽 데이터 서비스, 물류 시스템 및 데이터베이스 등)와 같은 다른 적합한 데이터 소스로부터 디지털 트윈 데이터를 수신할 수 있다. 실시예에서, 디지털 트윈 시스템(12220)은 공급 체인 기반구조 엔티티, 수송 또는 물류 엔티티, 컨테이너, 상품 등과 같은 밸류 체인 네트워크 엔티티들 뿐만 아니라, 또한 고객, 상인, 상점, 판매 지점, 사용 지점 등과 같은 수요 엔티티의 특징, 상태 등을 나타내는 디지털 트윈 데이터를 포함할 수 있다. 디지털 트윈 시스템(12220)은 공급 체인 활동 및 수요 관리 활동의 자동화의 조정을 비롯한, 공급 및 수요의 조정을 위해, 인터페이스(예를 들어, 제어 타워 또는 대시보드)와 통합되거나 그에 통합되거나, 그에 링크되거나, 또는 다른 방식으로 그와 상호작용할 수 있다.
실시예에서, 디지털 트윈 시스템(12220)은 로봇 운영 편성 단위 디지털 트윈 시스템에 대한 액세스를 제공하고 그 라이브러리를 관리할 수 있다. 인공 지능 시스템(12214)과 같은 시스템은 특정 자극에 응답하여 지정된 작업을 수행하는 주어진 환경에서 로봇 운영 편성 단위의 액션의 시뮬레이션과 같은 기능을 수행하기 위해 라이브러리에 액세스할 수 있다. 실시예에서, 디지털 트윈 시스템(12220)은 로봇 트윈(예를 들어, 개별 로봇 운영 편성 단위의 디지털 트윈), 태스크 트윈(예를 들어, 특정 태스크 조건/요건에 대해 최적화될 수 있는, 예를 들어, 태스크 정의 시스템 및/또는 로봇 태스크 빌딩 블록의 사전 구성된 라이브러리에 의해 정의된 바와 같은 태스크의 디지털 표현), 팀 트윈(예를 들어, 개별 로봇 운영 편성 단위의 디지털 트윈 및 이들이 수행하고 있는 태스크 및/또는 사전 구성된 태스크-범위-특정 팀 트윈을 포함할 수 있는 로봇 운영 편성 단위의 지정된 팀의 디지털 실시예), 프로젝트 트윈(예를 들어, 특정 태스크의 범위를 어드레스할 수 있는 로봇 운영 편성 단위, 팀, 작업, 플릿 리소스 및/또는 사전 구성된 프로젝트-특정 프로젝트 트윈의 세트에 대한 디지털 트윈을 선택적으로 포함하는, 정의된 작업 실행 계획의 디지털 실시예), 플릿 트윈(예를 들어, 유지보수, 로봇 운영 편성 단위 폐기 및 대체, 로봇 운영 편성 단위 백업 등과 같은, 교차-작업 플릿 기능을 고려하는 플릿 동작 및 조직 모델과 함께 로봇 운영 편성 단위 디지털 트윈의 집계), 운영자 트윈(예를 들어, 로봇 프로세스 자동화 등의 사용을 통해 결정될 수 있는 것과 같은, 인간 운영자의 디지털 실시예), 물류 트윈(예를 들어, 로봇, 인력, 및 지원 장비의 배송 및 비용에 대한 디지털 모델링 - 작업 독립적이고 특정 작업 요청을 어드레싱하기 위한 필요에 따름), 환경 트윈(예를 들어, 이동성 제약 및 요구되는 능력, 에지 및 네트워킹 제약 및 능력, 및 전력 제약 및 능력을 모델링함) 등을 포함하고 이들에 대한 액세스를 제공할 뿐만 아니라 이들의 실행을 용이하게 할 수 있다.
실시예에서, 인공 지능 서비스(12204)는 기계 비전 시스템(12222)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 기계 비전 시스템(12222)은 이미지 내의 객체를 검출하고 분류하기 위해 (예를 들어, 카메라에 의해 포착된) 이미지를 처리하도록 구성된다. 실시예에서, 기계 비전 시스템(12222)은 (비디오 피드의 프레임 또는 단일 스틸 샷 이미지들일 수 있는) 하나 이상의 이미지를 수신하고 (예를 들어, 에지 검출 기술 또는 등을 사용하여) 이미지에서 "블롭들"을 식별한다. 기계 비전 시스템(12222)은 이어서 블롭을 분류할 수 있다. 일부 실시예에서, 기계 비전 시스템(12222)은 이미지 내의 블롭을 분류하기 위해 하나 이상의 기계 학습된 이미지 분류 모델 및/또는 신경망(예를 들어, 컨볼루션 신경망)을 활용한다. 일부 실시예에서, 기계 비전 시스템(12222)은 분류 전에 이미지 및/또는 이미지 내의 각각의 블롭에 대해 특징 추출을 수행할 수 있다. 일부 실시예에서, 기계 비전 시스템(12222)은 이전 이미지로부터의 분류(들)를 확인하거나 업데이트하기 위해 이전 이미지에서 이루어진 분류를 활용할 수 있다. 예를 들어, 이전 프레임에서 검출된 객체가 더 낮은 신뢰도 점수로 분류된 경우(예를 들어, 객체가 부분적으로 가려지거나 초점이 맞지 않은 경우), 기계 비전 시스템(12222)은 기계 비전 시스템(12222)이 더 높은 신뢰도로 객체의 분류를 결정할 수 있다면 분류를 확인하거나 업데이트할 수 있다. 실시예에서, 기계 비전 시스템(12222)은 다른 객체에 의해 가려질 수 있는 객체와 같은 가려짐을 검출하도록 구성된다. 실시예에서, 기계 비전 시스템(12222)은, 예컨대, 레이더, 소나, (공지된 객체의 위치를 보여줄 수 있는) 환경의 디지털 트윈 등으로부터, 이미지 분류 태스크를 보조하기 위한 추가적인 입력을 수신한다. 실시예에서, 기계 비전 시스템(12222)은 로봇의 제어 시스템, 로봇 감독자, 에지 디바이스 등과 같은 지능 서비스 클라이언트(12260)에 객체 분류를 출력할 수 있다. 일부 실시예에서, (예를 들어, 로봇 운영 편성 단위의) 기계 학습 시스템(12222)은 액체 렌즈를 포함하거나 액체 렌즈와 인터페이스할 수 있다. 이러한 실시예에서, 액체 렌즈는 (예를 들어, 로봇의 환경 및 작업에 의해 다수의 거리에서의 포커싱이 필요할 때) 개선된 기계 비전 및/또는 액체 렌즈에 의해 인에이블되는 다른 기계 비전 태스크를 용이하게 할 수 있다.
실시예에서, 인공 지능 서비스(12204)는 자연어 처리(NLP) 시스템(12224)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, NLP 시스템(12224)은 제어 시스템과 같은 지능 시스템 클라이언트(12260)를 대신하여 자연어 태스크를 수행한다. 자연어 처리 기술의 예는 대화 인식, 음성 세그먼트화, 화자 다이어리제이션, 텍스트-대-음성(text-to-speech), 레마티제이션(lemmatization), 형태적 세그먼트화(morphological segmentation), 품사 태깅(parts-of-speech tagging), 스테밍(stemming), 구문 분석(syntactic analysis), 어휘 분석(lexical analysis) 등을 포함할 수 있지만, 이들로 제한되지 않는다. 실시예에서, NLP 시스템(12224)은 인간으로부터 수신되는 음성 명령을 가능하게 할 수 있다. 실시예에서, NLP 시스템(12224)은 (예를 들어, 마이크로폰으로부터) 오디오 스트림을 수신하고, 오디오 스트림의 전사를 획득하기 위해 오디오 스트림에 대해 음성-텍스트 변환을 수행할 수 있다. NLP 시스템(12224)은 다양한 NLP 기술(예를 들어, NLP 모델, 신경망 등)을 사용하여 텍스트의 의미를 결정하기 위해 텍스트(예를 들어, 오디오 스트림의 전사)를 처리할 수 있다. 실시예에서, NLP 시스템(12224)은 NLP의 결과에 기초하여 오디오 스트림에서 말한 액션 또는 명령을 결정할 수 있다. 실시예에서, NLP 시스템(12224)은 NLP의 결과를 로봇의 제어 시스템, 로봇 감독자, 에지 디바이스 등과 같은 지능 서비스 클라이언트(12260)에 출력할 수 있다.
실시예에서, 인공 지능 서비스(12204)는 또한 플릿 관리 플랫폼(12000) 또는 임의의 충분히 구성된 로봇 운영 편성 단위(예를 들어, MPR, SPR, 팀, 플릿 등)에 통합되거나 이에 의해 액세스될 수 있는 규칙 기반 시스템(12228)에 대한 액세스를 포함 및/또는 제공할 수 있다. 일부 실시예에서, 규칙 기반 시스템(12228)은 로봇 플릿 및/또는 작업과 관련하여 수행될 수 있는 특정 액션을 트리거하는 규칙 및 다른 조건의 세트를 정의하는 프로그램적 로직으로 구성될 수 있다. 실시예에서, 규칙 기반 시스템(12228)은 입력을 수신하고 입력에 기초하여 하나 이상의 규칙이 충족되는지를 결정하는 프로그램적 로직으로 구성될 수 있다. 조건이 충족되면, 규칙 기반 시스템(12228)은 수행할 액션을 결정하고, 이는 요청 지능 계층 클라이언트(12260)에 출력될 수 있다. 규칙 기반 엔진에 의해 수신된 데이터는 지능 데이터 소스(12270)로부터 수신될 수 있고/있거나 기계 비전 시스템(12222), 신경망 시스템(12214), ML 시스템(12212) 등과 같은 다른 지능 서비스(12204)로부터 요청될 수 있다. 예를 들어, 규칙 기반 시스템(12228)은 기계 비전 시스템(12222)으로부터 로봇의 시야 내의 객체의 분류 및/또는 로봇의 라이다 센서로부터 센서 데이터를 수신할 수 있고, 이에 응답하여, 로봇이 그 경로를 계속해야 하는지, 그 코스를 변경해야 하는지, 또는 정지해야 하는지를 결정할 수 있다. 규칙 기반 시스템(12228)은 각각의 클라이언트(12260)를 대신하여 다른 적절한 규칙 기반 결정을 행하도록 구성될 수 있으며, 그 예는 본 개시 전반에 걸쳐 논의된다. 일부 실시예에서, 규칙 기반 엔진은 거버넌스 표준 및/또는 분석 모듈을 적용할 수 있으며, 이들은 아래에 더 상세히 설명된다.
실시예에서, 인공 지능 서비스(12204)는 지능 계층 제어기(12202)와 인터페이스하고, 지능 계층 클라이언트(12260)에 의해 발행되는 요청의 타입을 결정하도록 구성되고, 이에 응답하여, 요청에 응답할 때 인공 지능 서비스(12204)에 의해 적용될 거버넌스 표준 및/또는 분석의 세트를 결정할 수 있다. 실시예에서, 지능 계층 제어기(12202)는 분석 관리 모듈(12206), 분석 모듈(12208)의 세트, 및 거버넌스 라이브러리(12210)를 포함할 수 있다.
실시예에서, 지능 계층 제어기(12202)는 지능 계층 클라이언트(12260)에 의해 발행되는 요청의 타입을 결정하도록 구성되고, 이에 응답하여, 요청에 응답할 때 인공 지능 서비스(12204)에 의해 적용될 거버넌스 표준 및/또는 분석의 세트를 결정할 수 있다. 실시예에서, 지능 시스템 제어기(12202)는 분석 관리 모듈(12206), 분석 모듈(12208)의 세트, 및 거버넌스 라이브러리(12210)를 포함할 수 있다. 실시예에서, 분석 관리 모듈(12206)은 인공 지능 서비스에 대한 요청을 수신하고, 요청에 의해 결부된 거버넌스 표준 및/또는 분석을 결정한다. 실시예에서, 분석 관리 모듈(12206)은 요청된 결정의 타입 및/또는 요청된 결정에 대해 특정 분석이 수행되어야 하는지에 기초하여 요청에 적용되는 거버넌스 표준을 결정할 수 있다. 예를 들어, 로봇이 다른 위치로 이동하게 하는 제어 결정에 대한 요청은 안전 표준, 법적 표준, 품질 표준 등과 같은 적용되는 거버넌스 표준의 특정 세트를 결부시킬 수 있고/있거나, 위험 분석, 안전 분석, 엔지니어링 분석 등과 같은 제어 결정에 관한 하나 이상의 분석을 결부시킬 수 있다.
일부 실시예에서, 분석 관리 모듈(12206)은 하나 이상의 조건에 기초하여 결정 요청에 적용되는 거버넌스 표준을 결정할 수 있다. 이러한 조건의 비제한적인 예는 요청되는 결정의 타입, 로봇 플릿이 있는 관할 구역, 로봇 플릿이 배치되는 지리위치, 로봇 플릿 및/또는 로봇 운영 편성 단위가 동작하고 있는 환경, 환경의 현재 또는 예측된 환경 조건 등을 포함할 수 있다. 실시예에서, 거버넌스 표준은 거버넌스 라이브러리(12210)에 저장된 표준 라이브러리의 세트로서 정의될 수 있다. 실시예에서, 표준 라이브러리는 결정이 분석될 수 있는 조건, 임계값, 규칙, 추천, 또는 다른 적합한 파라미터를 정의할 수 있다. 표준 라이브러리의 예는 법적 표준 라이브러리, 규제 표준 라이브러리, 품질 표준 라이브러리, 엔지니어링 표준 라이브러리, 안전 표준 라이브러리, 재무 표준 라이브러리, 및/또는 다른 적합한 타입의 표준 라이브러리를 포함할 수 있다. 실시예에서, 거버넌스 라이브러리(12210)는 상이한 조건에 기초하여 각각의 표준 라이브러리에 정의된 특정 표준을 인덱싱하는 인덱스를 포함할 수 있다. 조건의 예는 특정 표준이 적용되는 관할구역 또는 지리적 영역, 특정 표준이 적용되는 환경 조건, 특정 표준이 적용되는 로봇 타입, 특정 표준이 적용되는 재료 또는 제품 등일 수 있다.
일부 실시예에서, 분석 관리 모듈(12206)은 특정 결정과 관련하여 적용되어야 하는 적절한 표준 세트를 결정할 수 있고, 인공 지능 서비스(12204)가 결정을 결정할 때 결부된 거버넌스 표준을 활용하도록, 적절한 표준 세트를 인공 지능 서비스(12204)에 제공할 수 있다. 이러한 실시예에서, 인공 지능 서비스(12204)는, 인공 지능 서비스(12204)에 의해 출력되는 결정이 결부된 거버넌스 표준과 일치하도록, 의사 결정 프로세스에서 표준을 적용하도록 구성될 수 있다. 예를 들어, 특정 관할 또는 지리적 영역에서 로봇 플릿을 동작시킬 때, 로봇의 타입에 대한 제한(예를 들어, 드론 없음), 특정 종 또는 생태계(예를 들어, 보호된 습지)의 보존 등과 같은 특정 법적 또는 규제 표준이 결부될 수 있다. 이 예에서, 플릿 구성에 관한 결정은 특정 타입의 로봇을 플릿 구성(예를 들어, 드론 없음)으로부터 배제할 수 있고, 플릿 내의 로봇 중 어느 것도 로봇 플릿이 동작할 생태계에 위협을 제기하지 않는 것을 보장할 수 있다. 다른 예에서, 로봇의 제어 시스템은 로봇의 지능 계층으로부터 제어 결정을 요청할 수 있다. 이 예에서, 로봇 운영 편성 단위에 근접한 인간 또는 다른 생명체의 존재는 표준(예를 들어, 안전 표준, 법적 표준 등)의 세트를 결부시킬 수 있다. 이 예에서, 지능 계층(12200)은 비디오 피드, LIDAR 데이터 등과 같은 입력을 수신할 수 있다. AI 서비스(12204)는 초기에 분석 관리 모듈(12206)에서 객체를 분류할 수 있고, 인간이 로봇의 시야 내에 있음을 나타내는 입력을 비디오 피드로부터 수신할 수 있다. 이에 응답하여, 분석 관리 모듈(12206)은 특정 안전 표준이 적용된다고 결정할 수 있고, 결부된 거버넌스 표준을 안전 표준 라이브러리로부터 AI 서비스(12204)에 제공할 수 있으며, 이는 이어서 지능 시스템 입력(예를 들어, 현재 위치, 목적지, 비디오 입력, LIDAR 데이터 등) 및 결부된 안전 표준의 세트가 주어지면 제어 결정을 결정하려고 시도할 수 있다. AI 서비스(12204)가 주어진 안전 표준에서 결정을 내릴 수 없는 경우, AI 서비스(12204)는 인간 운영자에 대한 제어를 정지 및/또는 포기하는 것과 같은 디폴트 결정(안전 표준 라이브러리에 정의될 수 있음)을 발행할 수 있다. 거버넌스 라이브러리 내의 표준 라이브러리가 플랫폼(12000) 제공자, 고객, 및/또는 제3자에 의해 정의될 수 있다는 것을 잘 이해할 것이다. 표준은 정부 표준, 산업 표준, 고객 표준, 또는 다른 적합한 소스들일 수 있다. 실시예에서, 각각의 표준 세트는, 주어진 상황에서 어느 표준을 적용할지를 결정하기 위해 조건이 사용될 수 있도록, 각각의 표준 세트를 결부시키는 조건의 세트를 포함할 수 있다.
일부 실시예에서, 분석 관리 모듈(12206)은 특정 결정에 대해 수행될 하나 이상의 분석을 결정할 수 있고, 이들 분석을 수행하는 대응하는 분석 모듈(12208)을 인공 지능 서비스(12204)에 제공할 수 있어서, 인공 지능 서비스(12204)는 결정을 요청 클라이언트에 출력하기 전에 결정을 분석하기 위해 대응하는 분석 모듈(12208)을 활용한다. 실시예에서, 분석 모듈(12208)은 특정 타입의 결정에 대해 특정 분석을 수행하도록 구성되는 모듈을 포함할 수 있으며, 이에 의해 각각의 모듈은 지능 계층(12200)의 인스턴스를 호스팅하는 처리 시스템에 의해 실행된다. 분석 모듈(12208)의 비제한적인 예는 위험 분석 모듈(들), 보안 분석 모듈(들), 결정 트리 분석 모듈(들), 윤리 분석 모듈(들), FMEA(failure mode and effects) 분석 모듈(들), 위험 분석 모듈(들), 품질 분석 모듈(들), 안전성 분석 모듈(들), 규제 분석 모듈(들), 법적 분석 모듈(들), 및/또는 다른 적합한 분석 모듈을 포함할 수 있다.
일부 실시예에서, 분석 관리 모듈(12206)은 지능 시스템 클라이언트(12260)에 의해 요청된 결정의 타입에 기초하여 어느 타입의 분석을 수행할지를 결정하도록 구성된다. 이러한 실시예 중 일부에서, 분석 관리 모듈(12206)은 요청된 결정 타입에 기초하여 분석 모듈(12208)의 세트를 식별하는 인덱스 또는 다른 적합한 메커니즘을 포함할 수 있다. 이러한 실시예에서, 분석 관리 모듈(12206)은 결정 타입을 수신할 수 있고, 결정 타입에 기초하여 실행될 분석 모듈(12208)의 세트를 결정할 수 있다. 추가적으로 또는 대안적으로, 하나 이상의 거버넌스 표준은 특정 분석이 수행될 때를 정의할 수 있다. 예를 들어, 엔지니어링 표준은 어떤 시나리오가 FMEA 분석을 필요로 하는지를 정의할 수 있다. 이 예에서, 엔지니어링 표준은 특정 타입의 결정에 대한 요청(예를 들어, 플릿 구성 요청)에 의해 결부되었을 수 있고, 엔지니어링 표준은 FMEA 분석이 수행되어야 할 때(예를 들어, 플릿이 수중, 지하, 인클로저와 같은 특정 타입의 환경에서 동작할 때, 또는 위험 물질로 작업할 때) 시나리오를 정의할 수 있다. 이 예를 계속 설명하자면, AI 서비스(12204)의 규칙 기반 시스템(12228)은 요청이 정의된 시나리오 중 하나에 대응한다고 결정할 수 있고, 그 후 FMEA 분석 모듈을 호출하여 요청된 결정에 대한 분석을 수행할 수 있다.
인공 지능 서비스(12204)가 분석을 결부시키는 지능 태스크를 수행하고 있을 때, 인공 지능 서비스(12204)는 요청된 지능 태스크에 대해 결정된 잠재적 결정을 분석하기 위해 대응하는 분석 모듈(들)을 실행할 수 있다. 결부된 분석 모듈(12208) 중 어느 것도 각각의 분석을 위반한 것으로 결정을 플래깅하지 않으면, 인공 지능 서비스(12204)는 제안된 결정을 지능 클라이언트(12260)에 출력할 수 있다. 제안된 결정이 하나 이상의 분석 모듈(12208)에 의해 플래깅되는 경우, 인공 지능 서비스(12204)는 대안적인 결정을 결정할 수 있고, 결정에 도달할 때까지 결부된 분석 모듈(들)을 실행할 수 있다.
실시예에서, 분석 모듈(12208)은 거버넌스 라이브러리(12210)에 저장된 하나 이상의 표준 라이브러리에 정의된 하나 이상의 표준을 활용할 수 있다. 일부 실시예에서, 표준 라이브러리는 결정이 분석될 수 있는 조건, 임계값, 규칙, 추천, 또는 다른 적합한 파라미터를 정의할 수 있다. 표준 라이브러리의 예는 법적 표준 라이브러리, 규제 표준 라이브러리, 품질 표준 라이브러리, 엔지니어링 표준 라이브러리, 안전 표준 라이브러리, 재무 표준 라이브러리, 및/또는 다른 적합한 타입의 표준 라이브러리를 포함할 수 있다. 실시예에서, 각각의 표준 라이브러리는 상이한 조건에 기초하여 각각의 표준 라이브러리에 정의된 특정 파라미터 세트를 인덱싱하는 인덱스를 포함할 수 있다. 조건의 예는 특정 표준이 적용되는 관할구역 또는 지리적 영역, 특정 표준이 적용되는 환경 조건, 특정 표준이 적용되는 로봇 타입, 특정 표준이 적용되는 재료 또는 제품 등일 수 있다. 이러한 실시예에서, 분석 관리 모듈(12206)은 특정 결정에 적용되어야 하는 적절한 표준 세트를 결정할 수 있고, 이에 의해 대응 분석 모듈은 결정된 표준으로 파라미터화되어, 파라미터화된 분석 모듈(12206)이 이들 표준을 사용하여 각각의 분석을 수행하게 된다. 이러한 실시예에서, 분석 모듈(12208)은 결정을 둘러싸는 하나 이상의 조건에 기초하여 동일한 분석에 상이한 표준을 적용하도록 구성될 수 있다.
일 예에서, 로봇이 전진하도록 지시하는 제안된 제어 결정의 출력이 로봇의 로봇 제어기에 제공되기 전에, 로봇의 지능 서비스(12204)는 제어 결정에 대응하는 표준 및/또는 규칙의 세트에 대해 제안된 결정을 분석할 수 있다. 이 예에서, 인공 지능 서비스(12204)는 안전 분석 모듈 및/또는 위험 분석 모듈을 실행할 수 있고, 액션이 법적 표준 또는 안전 표준을 위반할 것인지에 대한 대안적인 결정을 결정할 수 있다. 다른 예에서, 플릿 구성 제안이 요청 클라이언트에 출력되기 전에, 플릿 관리 플랫폼(100)의 지능 서비스(12204)는 제안된 플릿 구성이 임의의 관할권 법적 또는 규제 표준을 위반하지 않고(예를 들어, 특정 타입의 로봇이 특정 영역 또는 환경에서 동작하는 것이 금지될 수 있고, 특정 통신 프로토콜이 특정 영역 또는 환경에서 금지될 수 있음) 및/또는 작업 성능의 품질을 잠재적으로 위협하지 않는(예를 들어, 선택된 구성은 특정 조건에서 잘 수행하지 않는 로봇을 포함할 수 있음) 것 및/또는 로봇의 조건(예를 들어, 동결 온도, 고습도 영역, 소금 또는 담수 등과 같은 부적합한 조건에서 특정 타입의 로봇을 동작시키는 것)을 보장하기 위해 제안된 플릿 구성을 분석할 수 있다. 제안된 결정을 분석하는 것에 응답하여, 인공 지능 서비스(12204)는 실행된 분석의 결과에 기초하여 제안된 조건을 선택적으로 출력할 수 있다. 결정이 허용되면, 인공 지능 서비스(12204)는 요청 지능 시스템 클라이언트(12260)에 결정을 출력할 수 있다. 제안된 구성이 분석 중 하나 이상에 의해 플래깅되는 경우, 인공 지능 서비스(12204)는 대안적인 결정을 결정하고, 일치하는 결정이 획득될 때까지 대안적인 제안된 결정에 대해 분석을 실행할 수 있다.
여기서, 일부 실시예에서, 하나 이상의 분석 모듈(D408) 자체가 표준으로 정의될 수 있고, 함께 사용되는 하나 이상의 관련 표준이 특정 분석을 포함할 수 있다는 점에 유의한다. 예를 들어, 적용가능한 안전 표준은 사용할 수 있는 위험 분석 또는 더 허용가능한 방법을 요구할 수 있다. 이 예에서, 전체 프로세스 및 문서화를 위한 ISO 표준, 및 좁게 정의된 절차를 위한 ASTM 표준이 안전 거버넌스 표준에 의해 요구되는 위험 분석을 완료하기 위해 이용될 수 있다.
언급된 바와 같이, 지능 시스템(12200)의 전술한 프레임워크는 개시된 환경의 다양한 레벨에서 적용될 수 있다. 예를 들어, 일부 실시예에서, 플랫폼 레벨 지능 시스템(예를 들어, 지능 시스템(12004))은 지능 시스템(12200)의 전체 능력으로 구성될 수 있고, 지능 시스템(12200)의 특정 구성은 로봇 운영 편성 단위에 할당된 작업에 따라 각각의 로봇 운영 편성 단위에 대해 프로비저닝될 수 있다. 또한, 일부 실시예에서, 로봇 운영 편성 단위는 로봇 운영 편성 단위가 태스크를 자율적으로 수행할 수 없을 때 지능 시스템 태스크를 더 높은 레벨(예를 들어, 플릿 레벨, 에지 디바이스, 또는 플랫폼(12000))로 상신하도록 구성될 수 있다. 일부 실시예에서, 지능 계층 제어기(12200)는 지능 태스크를 하위 레벨 컴포넌트로 지향시킬 수 있다는 점에 유의한다. 예를 들어, 로봇 플릿 또는 플릿 관리 플랫폼(12000)의 지능 계층 제어기(12202)는, 로봇이 지능 요청에 필요한 지능 데이터 소스(12270)에 대한 액세스를 갖는다면, 특정 로봇의 지능 계층(12200)에 지능 요청을 지시할 수 있다. 또한, 일부 구현예에서, 지능 계층(12200)은 지능 계층(12200) 및/또는 상위 또는 하위 레벨 지능 계층에 의해 결정에 도달할 수 없을 때 디폴트 액션을 출력하도록 구성될 수 있다. 이러한 구현 중 일부에서, 디폴트 결정은 규칙 및/또는 표준 라이브러리에서 정의될 수 있다.
보안 시스템(SECURITY SYSTEM)
도 132는 본 개시의 일부 실시예에 따른 보안 시스템(12280)의 예를 예시한다. 실시예에서, 보안 시스템(12280)은 개시된 시스템의 다양한 레벨에서 구현될 수 있는 프레임워크를 예시한다. 이러한 실시예에서, 보안 시스템(12280)의 인스턴스는 플랫폼(12000)-레벨, 플릿- 또는 팀-레벨, 또는 개인-레벨에서 구현될 수 있다. 예를 들어, 플랫폼(12000) 레벨에서, 보안 시스템(12280)은 플랫폼(12000)을 대신하여 및/또는 로봇 운영 편성 단위와의 임의의 통신 및/또는 다른 상호작용과 관련하여 보안 관련 기능성을 제공할 수 있다. 실시예에서, 플릿-레벨 또는 팀-레벨에서 구현되는 보안 시스템(12280)에 의해, 보안 시스템은 로봇 팀 또는 플릿을 대신하여 및/또는 팀 또는 플릿 내의 로봇과의 통신 및/또는 다른 상호작용과 관련하여 보안 관련 기능성을 제공하도록 구성될 수 있다. 실시예에서, 로봇-레벨에서 구현되는 보안 시스템(12280)은 로봇을 대신하여 그리고/또는 다른 로봇, 로봇 팀, 및/또는 플랫폼(12000)과의 통신 및/또는 다른 상호작용과 관련하여 보안 관련 기능성을 제공하도록 구성될 수 있다.
실시예에서, 보안 시스템(12280)은 자율 적응형 보안 모듈(12282), 자율 비적응적 보안 모듈(12284), 및/또는 수동 보안 모듈(12286)을 포함할 수 있다. 자율 적응형 보안 모듈(12282)은 지능 계층(12200)으로부터 지능 태스크를 요청하도록 구성될 수 있고, 이에 의해 적응형 보안 모듈(12282)은 지능 계층(12200)의 인공 지능 서비스(12204)를 활용하여 보안 위험을 평가하고 지능 계층(12200)의 출력에 기초하여 액션을 결정한다. 예를 들어, 로봇 플릿의 적응형 보안 모듈(12282)은 데이터 소스의 세트(예를 들어, 비디오 피드, 로봇 및/또는 환경으로부터의 센서 데이터, 개별 로봇으로부터의 입력 등)에 기초하여 잠재적으로 위험한 조건에 대해 작업 영역을 모니터링하는 것과 같이, 데이터 소스의 세트로부터 데이터를 수신함으로써 로봇 플릿과 연관된 하나 이상의 조건을 모니터링할 수 있다. 데이터를 수신하는 것에 응답하여, 적응형 보안 모듈(12282)은 환경의 보안에 관한 지능 시스템(12200)으로부터 환경의 평가(예를 들어, 분류)를 요청할 수 있다. 이에 응답하여, 지능 시스템(12200)은 환경의 평가를 표시하는 하나 이상의 분류를 제공할 수 있다. 그 다음, 적응형 보안 모듈(12282)은 평가가 취해질 액션을 필요로 하는지, 그리고 그렇다면, 어떤 특정 액션을 취할지를 결정할 수 있다. 이러한 실시예 중 일부에서, 적응형 보안 모듈(12282)은 평가가 필요한지 및 액션을 결정하고, 필요하다면, 규칙 기반 접근법을 사용하여 어떤 액션을 취할지를 결정할 수 있다. 추가적으로 또는 대안적으로, 적응형 보안 모듈(12282)은 주어진 특징의 세트(예를 들어, 분류, 하나 이상의 로봇으로부터의 센서 판독, 로봇의 위치, 환경에서 검출된 객체 및 그 위치, 및/또는 임의의 다른 관련 특징)를 추천하기 위한 액션으로 훈련되는 신경망을 활용할 수 있다. 이러한 실시예에서, 신경망 시스템(12214)은 적응형 보안 모듈(12282) 및/또는 지능 시스템 입력(12270)의 세트로부터 특징을 수신할 수 있고, 특징의 세트가 주어지면 제안된 액션을 출력할 수 있다. 이러한 실시예 중 일부에서, 지능 시스템(12200)의 지능 제어기(12202)는 인공 지능 서비스(12204)에 의해 이루어진 결정을 허용하거나 오버라이드할 수 있다. 예를 들어, 분석 모듈(12208)은 동적 위험 분석(12292) 및/또는 정적 위험 분석(12294)을 수행할 수 있다. 동적 위험 분석의 예는 실시간 데이터 기반 구동 분석(예를 들어, 현재 날씨 패턴, 현재 정치적 지역, 현재 건강 위기 등) 및/또는 작업 특정적 위험 분석(예를 들어, 계약 위험, 환경 위험, 안전 책임, 금전적 책임 등)을 포함할 수 있지만, 이에 제한되지 않는다. 정적 위험 분석의 예는 동작 위험(예를 들어, 제품 설계 위험, 제조 위험, 품질 제어 위험 등) 및/또는 규제/준수 위험을 포함할 수 있지만, 이에 제한되지 않는다.
실시예에서, 자율 적응형 보안 모듈(12282)은 격리된 방식으로(예를 들어, 외부 디바이스 또는 시스템과의 통신 없이) 또는 연결된 방식으로(예를 들어, 외부 디바이스 또는 시스템과의 통신으로) 동작할 수 있다.
실시예에서, 보안 시스템(12280)은 자율 비적응적 보안 모듈(12284)을 포함할 수 있다. 실시예에서, 자율 비적응적 보안 모듈(12284)은 클라이언트를 대신하여 자율적으로(예를 들어, 인간 개입 없이) 보안 관련 결정을 내리도록 구성된다. 실시예에서, 비적응적 보안 모듈(12284)은 조건의 하나 이상의 특정 세트를 검출하는 것에 응답하여 로직 기반 보안 관련 액션(예를 들어, 위험 완화 액션)을 수행한다. 예를 들어, 비적응적 보안 모듈(12284)은, 특정 세트의 조건을 검출하는 것에 응답하여, 로봇을 끄는 것, 로봇의 이동을 정지시키는 것, 충전을 개시하는 것, 경보를 울리는 것, 다른 디바이스 또는 시스템에 통지를 전송하는 것, 자체-파괴하는 것 등과 같은 액션을 트리거 액션하도록 구성될 수 있다. 실시예에서, 비적응적 보안 모듈(12284)은 과열 조건, 지오펜싱된 영역 밖으로 이동하거나 꺼내지는 것, 검출된 내부 누출, 저전력 조건, 낮은 유체 레벨 등과 같은, 더 쉽게 진단가능한 위험에 응답한다.
실시예에서, 보안 시스템(12280)은 수동 보안 모듈(12286)을 포함할 수 있다. 실시예에서, 수동 보안 모듈(12286)은 사용자가 보안 관련 액션에 관한 결정을 할 수 있게 하도록 구성된다. 이러한 실시예 중 일부에서, 수동 보안 모듈(12286)은 (예를 들어, 적응형 보안 모듈(12282), 비적응적 보안 모듈(12284), 지능 클라이언트(12260) 등으로부터) 평가된 위험의 통지를 수신하도록 구성된다. 이러한 실시예에서, 인간 사용자는 사용자 디바이스(예를 들어, 모바일 디바이스, 태블릿, 컴퓨팅 디바이스 등)를 통해 제공될 수 있는 휴먼 인터페이스를 통해 수동 보안 모듈(12286)과 인터페이스할 수 있다.
다양한 보안 및 위험 완화 전략이 본 개시 전반에 걸쳐 논의된다.
도 133은 플릿 관리 플랫폼의 플릿 운영 시스템(12002)의 컴포넌트의 예시적인 세트를 예시한다. 실시예에서, 플릿 운영 시스템(12002)은 플릿 리소스 요구를 예상하고 예상된 사용에 앞서 이들 리소스를 준비함으로써 플릿 리소스의 실질적으로 최적화된 이용을 용이하게 하기 위해 로봇 플릿 관리 플랫폼(12000)의 특징 및 능력을 이용할 수 있다. 실시예에서, 리소스 요구 예상은 유지보수의 부족으로 인한 방지가능한 중단이 방지되는 것을 보장하기 위해 유지보수 활동을 작업 스케줄링과 조정하는 것을 포함할 수 있다. 추가적으로 또는 대안적으로, 리소스 요구 예상은, 특히, 작업 요청의 예상을 지원하는 정보와 검출된 플릿 리소스 사용의 정렬에 기초할 수 있다. 실시예에서, 기상 패턴 예상, 연중 시간, 위치 등과 같은 인자는 특정 작업 요청의 가능성에 영향을 미칠 수 있다(예를 들어, 허리케인 시즌 동안, 긴급한 기반구조 수리 작업이 요청될 가능성이 있다). 플릿 요구 예측을 생성하고 그러한 예측을 어드레싱하기 위한 예시적인 구현은 플릿 운영 시스템(12002)의 컴포넌트 및 관련 로봇 플릿 관리 플랫폼(12000)의 컴포넌트의 논의를 따른다. 이전에 논의된 바와 같이, 플릿 운영 시스템(12002)의 예시적인 컴포넌트는 통신 관리 시스템(12010), 원격 제어 시스템(12012), 리소스 프로비저닝 시스템(12014), 물류 시스템(12016), 작업 구성 시스템(12018), 플릿 구성 시스템(12020), 작업 실행, 모니터링, 및 보고 시스템(12022)("작업 실행 시스템"(12022)이라고도 지칭됨), 및 휴먼 인터페이스 시스템(12024)을 포함할 수 있다.
실시예에서, 통신 관리 시스템(12010)은 본 출원에 설명된 바와 같은 플릿 운영 시스템(12002) 및 그 요소, 본 출원에 설명된 바와 같은 플릿 지능 시스템(12004) 및 그 요소, 외부 데이터 소스(12036), (예를 들어, 인터넷 등을 통한) 제3자 시스템, 로봇 운영 편성 단위, 지원 시스템 및 장비, 인간 플릿 리소스 등과 같은 플릿 관리 플랫폼 요소 사이의 통신(예를 들어, 효율적 및/또는 고속 통신)을 가능하게 하도록 구성된다. 통신 관리 시스템(12010)은 인터넷 프로토콜(IP) 등과 같은 다양한 데이터 프로토콜을 지원할 수 있는 유선, 무선 등과 같은 하나 이상의 통신 네트워크 타입을 포함하거나 그에 대한 액세스를 제공할 수 있다. 통신 관리 시스템은, 예를 들어, 다음을 보장하기 위해 통신과 연관된 플릿 관리 플랫폼 기반구조의 부분을 관리 및 제어하는 (예를 들어, 본 출원에 설명된 플릿 지능 시스템 리소스를 통한) 지능 서비스를 포함하거나 이에 액세스할 수 있다: 배치된 로봇 운영 편성 단위에 의해 수집된 데이터를 중요한 계산, 분석 및/또는 데이터 저장 리소스에 적시에 전달하는 것; 로봇 구성 및 동작 명령의 우선순위화된 전달; 등. 플릿 리소스 관리 및 제어 실시예에서, 통신 관리 시스템(12010)은 플릿 리소스의 높은 정도의 보안 및 무결성을 지원하기 위해 플릿 지능 시스템 컴포넌트 사이의 통신들보다 플릿 통신 리소스의 플릿 보안 시스템 통신 사용을 우선순위화할 수 있다. 통신 관리 시스템(12010)은 적어도 플릿 관리 플랫폼(12000)을 외부 시스템, 배치된 로봇 운영 편성 단위, 및 다른 네트워크-연결가능한 요소(예를 들어, 플릿 에지 디바이스 등)와 연결하는 플릿 플랫폼 네트워크(380)를 포함하는 네트워킹에 대한 액세스를 제공하고 관리할 수 있다.
실시예에서, 통신 관리 시스템(12010)의 능력은, 특히, 작업 실행 계획, 계획 정의, 태스크 정의, 로봇 운영 편성 단위 구성, 실시간 작업 상태 등에 기초한 로봇 플릿 통신 리소스(예를 들어, 네트워크, 라디오 시스템, 라우터와 같은 데이터 통신 디바이스 등)의 컨텍스트 사양, 및/또는 적응을 포함할 수 있다. 플릿 통신 리소스의 통신 관리 시스템(12010) 적응은 다양한 실세계 조건(예를 들어, 날씨, 대기 조건, 건물 구조, 작업 환경(예를 들어, 토지-대-잠수지, 지하) 등)에 의해 영향을 받을 수 있다. 실시예에서, 통신 관리 시스템(12010)은 작업 실행 동안 적응의 필요성 및 타입을 예상하는 것을 용이하게 할 수 있는 컨텍스트를 작업 요청으로부터 얻을 수 있다. 작업 요청 컨텍스트 기반 통신 적응의 예로서, 작업은 해수면에서 개시될 수 있고, 그 후 지하 팀 및 고지대 팀에 의한 액션을 포함할 수 있다. 작업 구성 활동 동안 플릿 구성 시스템에 의해 구성되는 이러한 상이한 작업 환경에서 사용하기에 적합한 통신 리소스는 태스크가 예시적인 환경을 통해 진행함에 따라 로봇의 각각의 팀에 대해 통신 관리 시스템(12010)에 의해 적응적으로 제어될 수 있다.
작업 요청 기준은 격리된 동작을 직접 호출할 수 있다. 대안적으로, 작업 요청의 상황은 격리된 동작(예를 들어, 외국 관할권 내에서의 동작 등)을 선호할 수 있다. 요청된 작업에 대한 통신 리소스는 그에 따라 적응될 수 있다. 예로서, 작업을 수행할 때 병치되도록 할당된 플릿 리소스의 팀 사이의 통신은 추가적인 암호화 또는 종래의 검출을 방어하는 무선 주파수로 플릿 구성 시스템에 의해 구성될 수 있고, 이로 인해, 통신 관리 시스템은 작업 요청에 의해 요구될 때(예를 들어, 위에서 언급된 바와 같이 팀이 외국 관할권에 들어갈 때) 활성화를 용이하게 할 수 있다. 또한, 팀 외부의 통신은, 예컨대, 전체 팀이 고위험 구역 또는 다른 지정사항의 외부에(예를 들어, 건물 등 내에) 위치할 때에만, 통신 시스템에 의해 특정 현장에 제한될 수 있다. 이 예에서, 택배 로봇은 원격 플릿 관리 시설 등과 정보를 교환하기 위해 병치 작업 현장으로부터 안전한 외부 통신 사이트로 이동하도록 구성될 수 있고, 병치 현장으로의 복귀 시에, 그 위치에 대해 인가된 통신 프로세스 및 시스템만을 사용할 수 있다. 이 비제한적인 예는 플릿 통신 관리 시스템에 의해 취급될 통신 능력 및 조건의 다양성의 대표적인 정도를 설명한다. 격리된 동작은 추가로 또는 대신에 작업 요청 요건 및/또는 환경 제한을 충족시키는(예를 들어, 원격 산 또는 다른 격리된 환경에서 작업하는) 조건으로서 무선 통신 등과 같은 로봇간 조작 유닛 통신을 포함하지 않을 수 있다. 플릿 리소스 구성의 이 추가 실시예에서, 통신 관리 시스템(12006)은 이러한 플릿 구성을 시행하기 위해 통신 리소스(예를 들어, 로봇 운영 편성 단위 라디오 인터페이스, 격리된 로봇 운영 편성 단위에 근접한 통신 기반구조 등)를 검출하고 제어할 수 있다. 격리된 동작에 대한 또 다른 고려사항은, 예컨대 다수의 로봇 운영 편성 단위가 근처에 있을 것으로 기대될 때, 팀 로봇의 기대된 위치와 같은 배치 상황에 기초하여 조건부로 저에너지 근거리 통신의 사용만을 허용하는 것과 같은 적응가능한 격리 통신 프로토콜을 포함할 수 있다. 플릿 통신 관리 시스템(12006)은, 로봇 운영 편성 단위를 구성하는 것, 작업 요청 통신 요건을 충족시키는 로봇 유닛의 선택, 플릿 통신 리소스의 배치의 구성 및 지정(예를 들어, 팀과 로봇간 조작 유닛 리피터 디바이스를 병치시키는 것), 및 다른 플릿 및 로봇 구성 고려사항과 같은 플릿 구성으로 플릿 구성 시스템을 보조할 수 있다. 이러한 플릿 구성 보조의 예에서, 작업 요청은 특정 로봇 운영 편성 단위를 사용하기 위한 선호도를 표시할 수 있다. 플릿 구성 시스템은 선호되는 로봇 운영 편성 단위를 지원하기 위해 (예를 들어, 플릿 통신 관리 시스템 및/또는 특정 플릿 통신 리소스의) 적응화 능력에 관해 통신 제어 시스템에 질의할 수 있다.
다양한 로봇 운영 편성 단위 통신 구성을 지원하기 위한 통신 관리 적응성 능력의 예에서, 통신 관리 시스템(12010)은 로봇 운영 편성 단위의 제1 팀과 동일한 무선 신호 범위에서 필드 동작을 수행하고 있는 로봇 운영 편성 단위의 제2 팀과는 상이한 무선 통신용 무선 주파수를 사용하여, 필드 동작을 수행하는 로봇 운영 편성 단위의 제1 팀을 지원할 수 있고; 그에 의해 교차-무선 간섭의 가능성을 완화시킬 수 있다. 또한, 통신 관리 시스템(12010)은 중복 라디오 시스템을 통해, 자동 채널 선택(예를 들어, 로컬 네트워킹, 셀룰러 네트워킹, 메시 네트워킹, 장거리 위성 네트워킹 등)과 같은 중복성의 사용을 통해 신뢰성 있는 통신을 제공할 수 있다. 플릿 통신 리소스는, 예컨대, 로봇 운영 편성 단위가 하나 이상의 메시 네트워크 등으로 구성될 때, 네트워크 요소로서 작용하는 로봇 운영 편성 단위를 포함할 수 있다. 로봇 운영 편성 단위는 시각적인 것, 예컨대, 광원(예를 들어, 모스 코드 또는 이진 송신), 물리적 제스처, 적외선 신호 등의 사용을 통한 것을 비롯한 다른 방식으로 통신을 용이하게 할 수 있다. 로봇 사이의 청각 통신(예를 들어, 비-인간 언어 인코딩된 오디오 시그널링), 초음파 및 다른 청각 기반 기술은 로봇 사이의 통신의 형태로서 렌더링될 수 있다. 상이한 팀의 병치된 로봇이 상이한 무선 주파수 신호를 사용할 수 있는 것과 매우 유사하게, 병치된 로봇은 상이한 청각적 시그널링을 사용하여 팀 구성원 사이의 통신 명확성을 보조할 수 있다.
실시예에서, 통신 관리 시스템(12010)은 플릿 통신 요구의 적어도 대응하는 부분을 충족시키도록 구성되는 복수의 독립적인 통신 시스템으로서 구성될 수 있다. 예에서, 통신 관리 시스템(12010)은 플릿 운영 시스템(12002) 내의 요소(또는 임의의 다른 플릿 시스템, 시스템, 모듈, 팀, 플릿 세그먼트 등) 사이에서 통신하기 위한 제1 통신 시스템으로, 그리고 플릿 지능 시스템(12004) 요소(또는 제1 통신 시스템으로부터 분리될 수 있는 플릿 플랫폼의 임의의 다른 부분) 사이에서 통신하기 위한 제2 통신 시스템으로 구성될 수 있어, 임의의 개별 통신 시스템의 중단이 다른 플랫폼 통신 시스템으로부터 격리될 수 있고, 그렇게 함으로써 플랫폼(12000) 전체에 걸친 통신 문제의 영향을 감소시킬 수 있다. 또한, 이 예에서, 플릿 운영 시스템(12002) 및 그 구성 요소(예를 들어, 작업 구성 시스템(12018) 등)는, 기계 학습 시스템과 같은 플릿 지능 시스템(12004) 요소에 대한 액세스가 플릿 지능 시스템(12004)을 서빙하는 제2 통신 시스템의 문제로 인해 손상될 수 있더라도, 제1 통신 시스템을 통해 계속 통신할 수 있고 실제로 모든 관련 플릿 운영 기능(원격으로 배치된 플릿 로봇 운영 편성 단위 등과의 통신을 포함함)을 수행할 수 있다. 또한, 통신 관리 시스템(12010)은 플랫폼 시스템, 시스템, 시스템 요소, 통신 시스템 및 멀웨어 등으로 인해 손상된 것으로 보이는 다른 플랫폼 리소스의 격리 및 회피(shunning)에 영향을 주는 보안 특징을 포함할 수 있다. 다른 독립적인 통신 시스템은 로봇-대-로봇 통신 시스템, 인간-대-로봇 통신 시스템, 비상 응답 통신 시스템 등을 포함한다. 또 다른 독립적인 통신 시스템은 정보의 기밀성(예를 들어, 플릿 관리 제공자와 작업 요청자 사이의 협상), 플릿 운영 감독 등과 같은 양태에 기초할 수 있다. 실시예에서, 통신 관리 시스템(12010)은 상이한 통신 시스템에 대한 역할 기반(등) 액세스를 제공하도록 구성될 수 있다. 예로서, 제1 요청된 작업을 실행하는 작업 실행 시스템은 지오펜스 조건에 기초하여(예를 들어, 리소스가 지정된 영역 외부에 있을 때) 특정 리소스에 대한 액세스를 제공받지 못할 수 있다. 다른 예에서, 플릿 운영 임원은 플릿 감독 기능을 수행하기 위해 상이한 작업에 할당된 로봇 운영 편성 단위에 대한 동시 액세스를 승인받을 수 있다.
분리된 통신 시스템에 더하여 및/또는 그 대신에, 플릿 통신 관리 시스템(12010)은 네트워크 손상을 야기할 수 있는 예외 조건을 해결하기 위해 중복성(다중 주파수 라디오 등)을 제공할 수 있고, 비상 사용 등을 위해 동작 통신 채널을 오버라이드하는 것을 요구할 수 있다.
실시예에서, 플릿 통신 관리 시스템(12010)은 2개의 플릿 리소스(예를 들어, 2개의 로봇 운영 편성 단위, 로봇 운영 편성 단위 및 플릿 모니터링 시스템 등)가 안전하게 통신할 수 있도록 플릿 리소스-특정(예를 들어, 개별 로봇 운영 편성 단위) 보안 통신을 제공할 수 있다. 플릿 통신 관리 시스템(12010)은 통지, 업데이트, 경보, 및 다른 서비스를 지원하기 위한 브로드캐스트 능력을 추가로 제공할 수 있다. 브로드캐스트 능력은 플릿-전반(fleet-wide)(예를 들어, 일광 절약 시간을 관찰하기 위한 모든 플릿 리소스에 대한 통지), 팀-특정적(예를 들어, 팀 구성원의 역할 변경에 관한 모든 팀 구성원에 대한 업데이트), 작업-특정적(예를 들어, 작업이 보류된다는, 작업에 할당된 플릿 리소스- 복수의 로봇 팀을 포함할 수 있음 -에 대한 경보), 특정 타입의 플릿 리소스(예를 들어, 플릿 로봇 운영 편성 단위, 다목적 로봇 운영 편성 단위, 하나 이상의 타입의 특수 목적 로봇 운영 편성 단위, 감독 역할로 구성된 로봇 운영 편성 단위와 같은 것), 플릿 지원 유닛, 위치-특정 유닛(예를 들어, 갑작스러운 홍수 구역 내의 모든 유닛)에 관한 문제를 다루기 위한 플릿 리소스 타입-특정적 등일 수 있다.
실시예에서, 플릿 통신 관리 시스템(12010)은 플릿 보안 시스템(12006), 플릿 네트워크 시스템(380), 및 인공 지능(Artificial Intelligence)(AI) 칩셋, 데이터 인코더, 통신 스펙트럼 주파수 등을 포함하는 다양한 리소스를 제한 없이 포함하는 다른 플릿 관리 플랫폼 특징 또는 서비스와 함께 작업 특정적 통신 요소를 사용하거나 관리할 수 있다. 플릿 통신 관리 시스템(12010)은, 예컨대, 플릿 및 연관된 통신 리소스에 대한 보안적 고-가동시간(high-up-time) 액세스를 제공함으로써, 플릿 보안 시스템(12006)과 함께 작동할 수 있다. 예로서, 플릿 보안 시스템(12006)은 보안 사용을 위해 통신 관리 시스템에 의해 예약될 수 있는 구성된 통신 채널(예를 들어, 유선 컴퓨터 간 링크, 무선 네트워크 등)의 일부를 이용할 수 있다. 이러한 일부는 물리적으로 전용 요소(예를 들어, 유선 연결, 전용 주파수 세트를 통해 동작하는 무선 액세스 포인트 등)를 포함할 수 있다. 실시예에서, 전용 무선 액세스를 제공하는 것은, 예컨대, 비-보안 시스템 패킷에 앞서 보안 시스템 데이터 패킷, 스트림 등을 라우팅하는 것에 의해서, 기존의 무선 네트워크에 대한 보안 시스템 액세스의 우선순위화를 포함할 수 있다. 다른 예로서, 통신 관리 시스템은 보안 시스템 사용을 위해 더 큰 배터리 에너지(더 높은 충전량) 및/또는 고정 전원을 갖는 통신 디바이스를 할당하는 한편, 비-보안 시스템 사용을 위해 더 낮은 전력, 더 낮은 에너지, 및/또는 재충전가능 디바이스를 할당할 수 있다. 보안 시스템 통신 리소스 관리 및 제어는 플릿-전반(fleet-wide), 작업 특정, 팀 특정, 배치 로컬 기반, 지리위치 기반 등일 수 있다. 예로서, 플릿 구성 시스템은 요청된 작업의 보안 양태를 충족시키기 위한 플릿 통신 리소스의 구성을 특정할 수 있다. 이러한 구성은 플릿 리소스에 적용될 수 있고 요청된 작업에서의 리소스 참여의 지속기간 동안 통신 관리 시스템에 의해 유지될 수 있다.
플릿 통신 관리 시스템(12010)과의 플릿 보안 시스템(12006)의 추가 협력 동작은 외부 리소스(예를 들어, 웹사이트 등)에 대한 플릿 리소스에 의한 액세스 뿐만 아니라 플릿 리소스에 대한 외부 리소스에 의한 액세스를 관리하는 것을 포함할 수 있다. 플릿 보안 시스템(12006)은 보안 에이전트 등을 그 리소스의 할당/구성에 기초하여 플릿 리소스에 배치할 수 있다. 예로서, 플릿 보안 시스템(12006)의 방화벽 타입 보안 기능은 특히, 별개의 작업 특정 통신 시스템을 연결하기 위해 플릿 통신 관리 시스템에 의해 관리되는 액세스 포인트에 배치될 수 있다. 플릿 통신 시스템(12010)은 또한 다수의 격리된 통신 시스템(예를 들어, 격리된 통신 시스템 사이의 액세스를 용이하게 하는 허브 타입 배치)에 대한 액세스를 갖도록 플릿 구성 시스템에 의해 구성되는 모바일 로봇 운영 편성 단위와 같은 하나 이상의 플릿 리소스의 관리를 지원할 수 있다. 플릿 보안 시스템(12006)은 이러한 허브에 중앙 관리 위협 검출 및 관리 시스템 에이전트를 배치하고 동작시킴으로써 통신 시스템 간 액세스 권한을 시행할 수 있다.
실시예에서, 플릿 통신 관리 시스템(12010)은 플릿 통신 시스템으로의 성공적인 침입의 가능성을 추가로 감소시키기 위해 플릿 보안 능력을 풍부하게 하고 플릿 보안 능력과 함께 작동하는 동적 통신 관리 기능을 확립하기 위해, (선택적으로 AI-특정 칩 및 칩셋 등에 의해 제공되는) 인공 지능 능력을 갖는 리소스와 같이 플릿 리소스의 지능 능력의 이점을 취할 수 있다. 예로서, 플릿 리소스(예를 들어, 개별 로봇 운영 편성 단위 등)의 적어도 부분들에 걸쳐 배치된 AI 기반 기능성에 의존하여 (예를 들어, 그러한 환경을 나타내는 컨텍스트 및 이력 정보 등에 기초하여) 침입 또는 다른 위협의 위험이 증가된 로컬 환경을 검출할 수 있어서, 통신 관리 시스템은, 선택적으로 플릿 보안 시스템(12006)과 협력하여, 그러한 위험을 감소시키기 위해 플릿 통신 리소스를 적응시킬 수 있다.
플릿 통신 관리 시스템(12010)은 다른 플릿 네트워크 시스템(380)에 의한 사용의 제어를 용이하게 하고/하거나 그를 사용할 수 있다. 플릿 네트워크 시스템(380)의 관리의 예로서, 플릿 통신 관리 시스템(12010)은, 예컨대, 어느 리소스가 네트워크를 활용하는지, 동시에 네트워크를 사용하는 리소스가 어떻게 조정될 수 있는지, 그러한 리소스에 대한 네트워크 로딩 제한 등을 결정 및/또는 제어함으로써, 플릿 네트워크 시스템(380)을 통신을 위한 플릿 리소스로서 사용하기 위해 리소스로서 관리되도록 처리할 수 있다.
실시예에서, 플릿 운영 시스템(12002)은 작업 실행 시스템(12022)을 보조하고 작업 및/또는 태스크를 완료하기 위해 로봇 운영 편성 단위 및 다른 외부 리소스를 원격 제어하기 위한 프레임워크를 제공하도록 구성되는 원격 제어 시스템(12012)을 포함한다. 실시예에서, 원격 제어 시스템(12012)은 로봇 운영 편성 단위(예를 들어, 다목적, 특수 목적, 외골격, 인간 등), 플릿 지원 유닛, 외부 리소스 등의 원격 동작을 위한 제어 신호의 정의 및 사용을 관리할 수 있다. 원격 제어 시스템(12012)에 의해 인에이블되는 바와 같은 로봇 원격 제어는 팀 감독자 로봇이 태스크를 수행하도록 하나 이상의 로봇 팀 구성원에게 지시하고 있을 때와 같이, 로컬 로봇 운영 편성 단위 대 로봇 운영 편성 단위 제어 시그널링의 정의 및 관리를 포함할 수 있다. 원격 제어 신호 관리의 다른 예는 인간-외골격 시그널링, 로봇-로봇 플릿 지원 시그널링, 팀내 로봇 운영 편성 단위 시그널링 등을 포함할 수 있다.
실시예에서, 플릿 운영 시스템(12002)은 작업 실행 시스템(12022)을 보조하고 작업 및/또는 태스크를 완료하기 위해 로봇 운영 편성 단위 및 다른 외부 리소스를 원격 제어하기 위한 프레임워크를 제공하도록 구성되는 원격 제어 시스템(12012)을 포함한다. 원격 제어 시스템은 로봇 운영 편성 단위(예를 들어, 다목적, 특수 목적, 외골격, 인간 등), 플릿 지원 유닛, 외부 리소스 등의 원격 동작을 위한 제어 신호의 정의 및 사용을 관리할 수 있다. 원격 제어 시스템(12012)에 의해 인에이블되는 바와 같은 로봇 원격 제어는, 예컨대, 팀 감독자 로봇이 태스크를 수행하도록 하나 이상의 로봇 팀 구성원에게 지시하고 있을 때의, 로컬 로봇 운영 편성 단위 대 로봇 운영 편성 단위 제어 시그널링의 정의 및 관리를 포함할 수 있다. 원격 제어 신호 관리의 다른 예는 인간-외골격 시그널링, 로봇-로봇 플릿 지원 시그널링, 팀내 로봇 운영 편성 단위 시그널링 등을 포함할 수 있다. 실시예에서, 원격 제어 시스템은, 예를 들어, 플릿 통신 관리 시스템(12010), 플릿 보안 시스템(12006), 및/또는 플릿 네트워크(380)를 포함하는 플릿 구성 및/또는 플릿 관리 플랫폼(12000)의 리소스를 사용하여 정보에 액세스하고, 일부 경우에서 결정을 행하고, 명령을 실행한다. 로봇 운영 편성 단위를 원격 제어하기 위한 프레임워크는 표준 규칙, 상황 인식에 의해 수정된 적응된 규칙, 비상 규칙, 예외, 인간 결정, 윤리적 규칙, 플릿 지능 시스템 등에 기초한 일련의 액션을 포함할 수 있다. 그러나, 원격 제어 요건의 범위를 취급하는데 필요한 특수화된, 폴오버, 또는 다른 통신은 원격 제어 통신/시그널링의 전달을 용이하게 할 수 있는 통신 관리 시스템(12010)의 일부일 수 있는 한편, 통신이 무엇에 대한 것이어야 하는지는 원격 제어 시스템(12012)의 사용으로부터 결정될 수 있다.
원격 제어 시스템(12012)은 로컬 감독자 원격 제어 개시자, 인간(로컬 또는 원격) 원격 제어 개시자, 자동화된 플릿-기반 원격 제어 개시자(예를 들어, 플릿 인공 지능 시스템 등), (예를 들어, 법 집행 등을 위한) 제3자 원격 제어 개시자를 포함하는 원격 제어 신호의 복수의 개시자를 인식할 수 있다. 원격 제어 시그널링은 화재 및 비상 응답 리소스, 기반구조 리소스, 제3자 로봇 서비스 제공자 등과 같은 플릿 외부 리소스에 대한 원격 제어 신호를 관리하는 것을 포함할 수 있다.
원격 제어 동작에 참여할 수 있는 플릿 리소스는 구현 및 프로토콜 둘 모두에서 다양할 수 있는데, 예컨대, 구세대 로봇 운영 편성 단위, 인간 플릿 리소스, 양자 컴퓨팅 요소 등이다. 따라서, (통신 관리 시스템(12006)과 협력하는) 원격 제어 시스템(12012)은 제어 신호를 교환하는 임의의 2개의 디바이스가 신뢰성 있게 이를 수행할 수 있는 것을 보장하기 위해 다수의 원격 동작 프로토콜(다중-프로토콜) 능력의 지식으로 구성될 수 있다. 실시예에서, 멀티-프로토콜 능력은 서비스 프로토콜-프로토콜 변환, 원격 제어 신호 통합 및 해석, 프로토콜 정규화 등으로서 취급 및/또는 제공하는 것을 포함할 수 있다. 실시예에서, 통신 관리 시스템(12010)은 위에서 언급된 바와 같이 그리고 API 등에 의해 직접적으로, 또는 그러한 프로토콜 취급 능력으로 구성됨으로써(예를 들어, 원격 제어 시스템(12012)의 프로토콜 취급 능력과 함께 배치됨으로써) 이러한 프로토콜 취급 능력을 이용할 수 있다. 실시예에서, 원격 제어 시스템(12012)(또는 통신 관리 시스템(12010)과 통합된 등가의 기능)은, 예를 들어, 프로토콜 변환 및/또는 적응을 용이하게 하기 위해, 디지털 트윈 및/또는 인공 지능 서비스와 같은 플릿 지능 시스템(12004)의 부분에 의존할 수 있다. 따라서, 원격 제어 시스템(12012)은 선택적으로 플릿 지능 시스템에 의해 지원되는 실시간, 온-디맨드 프로토콜 변환을 제공할 수 있다. 원격 제어 시스템(12012)은 외부 및/또는 제3자 원격 제어 아키텍처와의 통합을 위해 구성되는 포트를 통해 플릿 외부 원격 제어를 지원할 수 있다. 원격 제어는 전용 기반구조 및/또는 통신 특징(예를 들어, 단거리 브로드캐스트 능력)을 통해 통신될 수 있다.
원격 제어 시스템(12012)은 로봇이 인간, 동물, 환경 등에 해를 끼치지 않는 것을 보장하는 것과 같은, 윤리 인자에 기초하여 원격 제어의 안내 및/또는 규정을 제공할 수 있는 윤리 능력을 포함할 수 있다. 윤리 인자는 정부 및/또는 산업 규제, 공정성을 결정하는 것을 용이하게 하는 인간 거동 모델 등에 의해 영향을 받을 수 있다. 윤리는 로봇 운영 편성 단위의 팀의 구성원에 의한 투표에 기초하는 것과 같은 통계적 조치를 통해 시행될 수 있다. 통계 기반 윤리 시행의 예로서, 작업 실행 계획을 오버라이드하기 위한 액션, 로봇 운영 편성 단위의 원격 인계의 시도, 또는 임의의 다른 예외가 팀 구성원의 일부에 의해 평가될 수 있으며, 여기서 그 일부의 각각의 구성원은 원격 동작에 대한 관점에 기여할 수 있다. 각각의 관점은 원격 제어 액션을 허용/취득하기 위한/그에 대한 투표일 수 있다. 로봇 운영 편성 단위 투표는 가능한 결과에 대한 관점의 가중의 형태를 제정하기 위해 가능한 결과(예를 들어, 90% 찬성, 10% 반대) 등 사이에서 분할될 수 있다. 원격 제어 시스템(12012)은 본 출원에 설명된 바와 같은 로봇 운영 편성 단위 투표와 같은 윤리 기반 의사 결정에 의해 영향을 받도록 구성될 수 있다. 윤리 기반 제어 등은 다른 원격 제어 시스템(12012) 제어 능력과 조합될 수 있어서, 비용 등과 같은 윤리 이외의 인자가 원격 제어에 고려될 수 있다. 실시예에서, 윤리 능력은 지능 계층(12200)을 통해 활용될 수 있다. 이러한 실시예에서, 원격 제어 명령어는 하나 이상의 분석 모듈(12208)을 사용하여 및/또는 하나 이상의 거버넌스 표준 세트와 관련하여 분석될 수 있다.
로봇 운영 편성 단위의 제어와 같은 원격 제어는 인간 운영자에 의해 적어도 부분적으로 개시될 수 있다. 실시예에서, 플릿 운영 시스템(12002)은 (예를 들어, 예시적으로 작업 실행 시스템(12022)에 의해 보고될 수 있는 바와 같이) 작업 실행 동안 예상치 못한 및/또는 알려지지 않은 조건에 직면할 수 있고 로봇 운영 편성 단위(들)을 원격 제어하는 것을 인간 운영자에게 미룰 수 있다. 선택적으로, 인공 지능 시스템과 같은 하나 이상의 플릿 지능 시스템(12022) 컴포넌트는 적어도 후보 원격 제어 신호에 대해 참조될 수 있다. 실시예에서, 작업 실행 계획은, 미리 결정된 동작 태스크에서, 로봇 동작이 인간 운영자에 의해 안내되어야 한다는 것을 표시할 수 있다. 이러한 태스크가 (예를 들어, 감독자 로봇 등과 같은 작업 실행 모니터링 인스턴스에 의해) 작업 작업흐름에서 발생할 것으로 예상될 때, 적합한 인간 운영자와 인간 운영자 제어를 호출하는 작업흐름을 실행하는 로봇, 로봇 운영 편성 단위, 팀, 팀 감독자 등 사이의 원격 제어 연결을 감독하기 위해 원격 제어 시스템(12012)이 호출될 수 있다.
실시예에서, 원격 제어 시스템(12012)은 특정 태스크를 원격으로 수행하기 위해 원격 제어 신호 시퀀스의 세트에 액세스할 수 있다. 시스템(12012)은, 수행되는 작업흐름의 컨텍스트에 기초하여, 인간 운영자 및/또는 자동화된 제어 시스템에게 하나 이상의 원격 제어 신호 시퀀스를 제안할 수 있다. 실시예에서, 원격 제어 시스템은, 선택적으로 다른 플릿 리소스(예를 들어, 인공 지능 시스템 등)의 도움으로, 인간 운영자로부터의 입력(예를 들어, "정지", "피난" 등과 같은 명령)을 처리하고, 로봇 운영 편성 단위 등과 같은, 플릿 리소스를 원격 제어하기 위한 원격 제어 신호의 세트를 생성할 수 있다. 원격 제어 신호 시퀀스는 보안 위반, 장비 고장 등과 같은 다양한 실시간 상황을 취급하기 위해 사전 구성될 수 있다. 로봇 운영 편성 단위의 원격 제어를 용이하게 하고/하거나 관리하는 것에 더하여, 원격 제어 신호 시퀀스는 태스크, 작업흐름, 작업 등을 위해 배치 및/또는 할당된 플릿 리소스의 재구성을 위해 사용될 수 있다. 재구성을 위한 원격 제어 신호의 사용의 예에서, 태스크를 수행하는 로봇 운영 편성 단위의 세트는 세트 내의 로봇 중 하나의 고장으로 인해 새로운 역할을 맡도록 원격 제어될 수 있다. 인간 운영자(또는 자동화된 시스템 모니터-타입 애플리케이션)는, 예컨대, 재구성 명령어 및 재구성 데이터를 수신하기 위해 로봇 운영 편성 단위 구성 서버와 통신하도록 실행가능한 구성원 중 하나 이상에 원격 제어 신호를 통신함으로써, 팀의 실행가능한 구성원에 통신되는 원격 제어 신호를 제공하여 그에 따라 태스크 역할 및 액션을 조정할 수 있다.
본 출원에서 일반적으로 원격 제어 신호로서 설명되지만, 원격 제어 시스템(12012)은 원격 제어 신호를 플릿 레벨, 팀 레벨, 로봇 레벨 등에서 원격 제어 명령어(예를 들어, 원격 제어 신호의 조합, 추상화 등)로 배열함으로써 원격 제어를 용이하게 할 수 있다. 원격 제어 명령 기능성의 예로서, 원격 제어 시스템(12012)은, 예컨대 조명 능력을 갖는 모든 로봇에게 광학 검사 또는 더 큰 조명으로부터 이익을 얻을 일부 다른 시각 기능을 보조하기 위해 타겟 위치를 향해 광을 활성화하도록 지시하기를 원하는 인간 운영자로부터 입력을 수신할 수 있다. 이 예에서, 원격 제어 시스템은 인간 운영자 원격 제어 명령을 수신하고, 그 명령을 타겟 위치의 조명 근접도 내에 있는 로봇 운영 편성 단위(12040)에 대한 하나 이상의 상이한 원격 제어 신호로 적응시키고, 근접 로봇 운영 편성 단위의 타입 각각에 대한 대응하는 원격 제어 신호를 생성하고, 인간 운영자에 의해 원격 제어될 로봇 운영 편성 단위로의 (예를 들어, 통신 관리 시스템(12010) 리소스를 통한) 그 신호의 통신을 보장할 수 있다. 또한, 원격 제어 명령어를 수신하는 로봇 운영 편성 단위는, 예를 들어, 신호를 수신하는 세트(및/또는 서브세트) 사이에서 통신하여, 존재하는 경우, 어느 로봇 운영 편성 단위가 명령어를 실행하고 있는지를 결정함으로써, 명령어의 구현에 추가로 참여할 수 있다. 이와 같이 접촉된 제1 로봇은 명령된 조명을 제공하기 위해 그 리소스를 전향시키는 경우 방해를 받게 될 시간-민감 기능을 수행하고 있을 수 있다. 다른 로봇 운영 편성 단위와 조정함으로써, 제1 로봇은 원격 제어 명령을 실행하는 것에 관한 다른 로봇 운영 편성 단위으로부터의 응답(들)에 기초하여 시간-민감 기능을 계속할 수 있다. 다른 원격 제어 명령 예에서, 로봇 운영 편성 단위의 팀은, 원격 제어 시스템(12012)의 원격 제어 신호를 통해, 인간 검사자의 팀이, 팀이 동작하고 있는 작업 위치를 순회하는 동안의 기간 동안 감소된 소음 공해를 달성하기 위해 동작을 조정하도록(예를 들어, 조용한 동작 모드를 활성화하도록) 지시함으로써 원격 제어될 수 있다. 다른 원격 제어 명령어 예에서, 작업-전반, 팀-전반, 플릿-전반 또는 다른 리소스 특정 원격 제어 명령어가 발행되어 플릿의 취득, 플릿 리소스(들)의 일시적 할당, 플릿 메시징의 변경 등으로 인한 변경된 로고를 반영하도록 플릿 리소스(들)의 디스플레이 스크린 상에 제시되는 이미지를 조정할 수 있다.
집계된 원격 제어 신호(예를 들어, 명령어 또는 명령어의 세트)에 대한 로봇 운영 편성 단위 응답성은 광범위한 플릿 지능 능력, 지식, 우선순위, 목표 등에 기초할 수 있다. 일반적으로, 플랫폼 기반 및/또는 로봇 운영 편성 단위 기반 인공 지능 능력의 사용은 더 큰 상황적 중요성을 갖는 개별 로봇 운영 편성 단위에 대한 더 넓은 독립적인 의사 결정 능력을 지원한다.
실시예에서, 원격 제어 시스템(12012)은 원격 제어되는 로봇 운영 편성 단위의 제어에 대한 인계, 절충, 오용 또는 간섭을 막기 위해 보안 특징을 통합할 수 있다. 원격 제어 시스템(12012)에 의해 사용되는 리소스(예를 들어, 데이터 저장 리소스, 컴퓨팅 리소스, 원격 제어 시스템 상태 데이터 등)는 인코딩, 디코딩, 패킷화 등과 같은 보안 특징으로 구성될 수 있다. 또한, 원격 제어 시스템(12012)은 인간 운영자(예를 들어)가 그렇지 않으면 원격 제어 시그널링과 직접 관여하지 않거나 또는 즉 원격 제어 신호와 독립적으로, 예컨대 자율적으로, 다른 로봇 운영 편성 단위 등과 협력하여 동작하는 로봇의 원격 제어를 안전하게 얻을 수 있게 하는 제어 오버라이드 능력을 포함 및/또는 지원할 수 있다.
리소스 프로비저닝(RESOURCE PROVISIONING)
실시예에서, 플릿 운영 시스템(12002)은, 로봇 팀, 로봇 플릿, 다목적 로봇, 및/또는 지원 리소스(예를 들어, 에지 디바이스, 통신 디바이스, 적층 제조 시스템(예를 들어, 3D 프린터) 등)에 대한 리소스를 프로비저닝하는 것과 같은, 플릿 내의 로봇 운영 편성 단위에 대한 리소스를 프로비저닝하는 것을 관리하는 리소스 프로비저닝 시스템(12014)을 포함한다. 실시예에서, 리소스는 물리적 리소스, 디지털 리소스, 및/또는 소모성 리소스를 포함할 수 있다. 물리적 리소스의 예는 예컨대, 엔드 이펙터/매니퓰레이터, 환경 차폐 컴포넌트, 센서 및/또는 센서 시스템, 컴패니언 리소스(예를 들어, 드론, 수송 리소스 등), 하드웨어 리소스(예를 들어, 특수화된 처리 모듈, 데이터 저장소, 네트워킹 모듈, 테더링 모듈 등), 스페어 부품, 인적 리소스(예를 들어, 기술자, 운영자 등), 전원(예를 들어, 생성기, 휴대용 배터리 등)을 포함할 수 있지만, 이에 제한되지 않는다. 디지털 리소스의 비제한적인 예는 소프트웨어, 동작 파라미터, 작업 특정 데이터 세트 등을 포함할 수 있다. 소모성 리소스의 비제한적인 예는 연료, 샘플 수집 컨테이너, 용접 공급물, 세척/청소 공급물, 전개 가능한 리소스(예를 들어, 플레어, 안전 원뿔, 낙하 구역 안전망 등) 등을 포함할 수 있다.
실시예에서, 리소스 프로비저닝 시스템(12014)은 플릿 특정 재고, 지역 공공 사용 재고, 임대/사용당 요금 기반 리소스 재고, 온-디맨드 리소스 생산 시스템(예를 들어, 엔드 이펙터 등의 3D 프린팅), 제3자 재고 등과 같은 물리적 리소스의 재고로부터 물리적 리소스를 프로비저닝할 수 있다. 일부 실시예에서, 데이터 처리 시스템(12030)은 하나 이상의 데이터저장소(1203X)에 재고 데이터베이스를 유지한다. 실시예에서, 재고 데이터베이스는 재고 기록을 저장하고, 여기서 각각의 재고 기록은 각각의 리소스(예를 들어, 리소스의 식별자 및/또는 리소스의 타입), 리소스의 일반적인 가용성(예를 들어, 그것이 이용가능한지, 그것이 이용가능한 때 등), 리소스에 관련된 가격 데이터, 및 다른 관련 데이터를 표시할 수 있다. 예를 들어, 로봇 유닛(예를 들어, SPR, MPR, 및/또는 외골격), 하드웨어 컴포넌트, 엔드 이펙터, 및 다른 물리적 컴포넌트와 같은 물리적 리소스에 대해, 재고 기록은 아이템 식별자(예를 들어, 리소스 및/또는 리소스의 타입을 식별하는 고유 식별자), 물리적 리소스의 위치, 물리적 리소스의 물리적 상태(예를 들어, 물리적 리소스의 조건, 물리적 리소스의 유지보수 기록, 리소스의 예측된 조건 등), 소유권 데이터(예를 들어, 리소스를 소유하는 사람, 리소스 구매가능 또는 임대가능 등), 물리적 리소스의 제조 및/또는 모델, 운영 데이터(예를 들어, 기능, 의도된 조건 및 환경, 중량 제한, 속도 제한 등), 구성 데이터(예를 들어, 시스템 요건, 인터페이스 요건, 연결성 요건) 등을 표시할 수 있다. 일부 실시예에서, 재고는 3D 프린팅될 수 있는 리소스를 포함할 수 있다. 이러한 실시예에서, 재고 기록은 추가적으로 또는 대안적으로 프린팅 요건(예를 들어, 리소스를 프린팅할 수 있는 3D 프린터, 리소스를 프린팅하는 데 필요한 재료 등), 3D 프린팅을 위한 명령어를 정의하는 프린팅 명령어, 및/또는 다른 관련 정보를 포함할 수 있다. 실시예에서, 재고 기록은 소프트웨어 제품, 미들웨어, 디바이스 드라이버, 라이브러리, 데이터 피드, 마이크로서비스 등과 같은 디지털 리소스의 재고를 제공할 수 있다. 이러한 실시예에서, 재고 기록은 디지털 리소스의 식별자, 디지털 리소스의 제공자, 디지털 리소스에 관련된 호환성 정보, 액세스 정보(예를 들어, API, 웹훅, 및/또는 디지털 리소스에 액세스하거나 디지털 리소스와 인터페이스하기 위한 다른 정보), 가격 정보, 디지털 리소스의 기능성 등과 같은 디지털 리소스에 관련된 데이터를 표시할 수 있다. 논의될 바와 같이, 데이터 처리 시스템(12030)은 이용가능한 재고, 재고 상태, 재고 가격 등을 결정하기 위해 리소스 프로비저닝 시스템(12014)(또는 플릿 구성 시스템(12020)과 같은 다른 적합한 컴포넌트)으로부터 요청을 수신하도록 구성될 수 있다. 실시예에서, 리소스 프로비저닝 시스템(12014)은 특정 리소스의 가용성, 특정 리소스의 가격, 특정 리소스의 위치, 특정 리소스의 상태 등을 결정하기 위해 데이터 처리 시스템(12030)에 질의할 수 있다. 추가적으로 또는 대안적으로, 일부 실시예에서, 리소스 프로비저닝 시스템(12014)(또는 플릿 구성 시스템(12020)과 같은 다른 컴포넌트)은 리소스의 원하는 기능성, 로봇 운영 편성 단위(예를 들어, 개별 로봇 및/또는 플릿)의 의도된 용도, 로봇의 의도된 환경, 및/또는 로봇 운영 편성 단위의 호환성 요건과 함께 데이터 처리 시스템(12030)에 질의할 수 있다. 이에 응답하여, 데이터 처리 시스템(12030)은 요청에 대응하는 재고 기록 리소스를 반환할 수 있다.
실시예에서, 리소스 프로비저닝 시스템(12014)은 플릿 리소스 프로비저닝 규칙이 준수되는 것을 보장하기 위해 플릿 구성 시스템, 플릿 리소스 스케줄링 및 활용 시스템 등과 같은 플릿 운영 플랫폼의 다른 시스템과 협력하여 작동할 수 있다. 프로비저닝될 물리적 리소스는 또한 컴퓨팅 리소스, 예컨대, 온-로봇 컴퓨팅 리소스, 로봇 운영 편성 단위-로컬 플릿-제어 컴퓨팅 리소스, 클라우드/제3자 기반 컴퓨팅 리소스, 컴퓨팅 및 다른 모듈 및 칩(예를 들어, 로봇 운영 편성 단위와 함께/로봇 운영 편성 단위 내에 배치되는 것) 등을 포함할 수 있다. 일부 실시예에서, 리소스 프로비저닝 시스템(12014)이 프로비저닝된 리소스가 프로비저닝 규칙을 준수하는 것을 보장하기 위해 지능 계층과 인터페이스하도록, 플릿 리소스 프로비저닝 규칙이 거버넌스 표준 라이브러리에서 정의될 수 있다.
실시예에서, 리소스 프로비저닝 시스템(12014)에 의해 프로비저닝될 디지털 리소스는 (예를 들어, 로봇의 온보드 소프트웨어를 업데이트하기 위한) 소프트웨어/펌웨어 업데이트 푸싱, (예를 들어, 작업 특정 로봇 구성 데이터 등과 같은 네트워크 리소스에 액세스하기 위한) 리소스 액세스 자격증명, 온-로봇 데이터 저장 구성/할당/이용 데이터 등과 같은 플릿 구성 능력을 통해 프로비저닝될 수 있다. 실시예에서, 리소스 프로비저닝 시스템(12014)에 의해 프로비저닝될 소모성 리소스는 특수 공급 체인, 작업 요청자 리소스(예를 들어, 사무실 설정 작업은 작업 요청자-공급 사무실 자료, 작업자 개인 자료 등의 사용을 포함할 수 있음), 작업, 팀 및/또는 플릿 특정 비축물을 포함하는 광범위한 소스로부터 소싱될 수 있다. 작업 관련 비축의 예는 리소스 프로비저닝 시스템(12014)을 통해 로컬 로봇 운영 편성 단위에 의해 액세스되는 장기 건설 현장에 근접한 오렌지색 안전 원뿔을 비축하는 것을 포함한다. 프로비저닝 시스템(12014)의 사용은 주어진 작업 요청에 대해 특별히 만들어지고 및/또는 소싱되는 프로비저닝 장비, 재료, 소프트웨어, 데이터 구조 등(예를 들어, 맞춤화 엔드 이펙터)을 포함할 수 있다.
실시예에서, 프로비저닝 시스템(12014)은 제3자 스마트 계약 시스템 등과 같은 계약 시스템과 협력하여 추가로 동작할 수 있다. 일부 실시예에서, 작업 설명은 작업 설명을 준수하는 프로비저닝 시스템(12014)의 인스턴스를 포함하고/하거나 그 구성을 초래할 수 있는 스마트 계약을 참조하거나 포함할 수 있다. 예로서, 프로비저닝 시스템(12014)은, 예컨대, 작업 구성 시스템(12018)으로부터, 프로비저닝 제약 및/또는 안내를 호출하는 스마트 계약 기간을 수신할 수 있다. 프로비저닝 시스템(12014)은 이러한 계약 기간을 해석할 수 있고, 그에 의해 플릿 및 소모성 리소스 프로비저닝 제약의 세트를 생성할 수 있다.
플릿 프로비저닝 시스템(12014)에 대해 위에서 설명된 예는 일반적으로 작업 실행 관련 프로비저닝에 초점을 맞추지만, 플릿 프로비저닝 시스템(12014)은 컴퓨팅 리소스와 같은 플릿 리소스의 프로비저닝, 플릿 구성 시스템, 지능 계층 등과 같은 플릿 요소에 대한 액세스 및/또는 플릿 요소의 실행을 추가로 취급할 수 있다. 실시예에서, 특정 리소스의 프로비저닝은 작업 요청의 수락을 위한 협상 작업흐름의 일부로서 제정될 수 있다. 예로서, 특정 지능 서비스(예를 들어, 플릿 레벨 지능 계층)를 프로비저닝하는 것은 다른 지능 서비스(예를 들어, 로봇-레벨 지능 계층만이 로봇 운영 편성 단위에 배치됨)보다 작업 요청자에게 더 높은 요금을 초래할 수 있다. 위에서 그리고 본 출원의 다른 곳에서 언급된 바와 같이, 지능 서비스는 플랫폼(12000)의 플릿 및 작업 구성 기능에 가치를 유발할 수 있으며; 따라서, 작업 요청 협상의 일부로서 이러한 시스템을 프로비저닝하는 것은 작업 요청자에 대한 추가 비용을 정당화할 수 있다.
일부 시나리오에서, 플릿 구성 시스템과 같은 플랫폼(12000) 리소스의 우선순위화는 프로비저닝 시스템(12014) 기능에 영향을 미칠 수 있다. 작업 요청이 오프-피크 시간 동안 그러한 플릿 리소스의 사용만을 (예를 들어, 작업에 대해 지불된 가격에 기초하여) 지원하는 경우, 플랫폼(12000) 리소스가 이용가능하더라도, 플랫폼(12000) 리소스는 피크 시간 동안 작업에 프로비저닝되지 않을 수 있다.
실시예에서, 플릿 운영 시스템(12002)은, 특히, 작업 요건을 충족시키기 위한 물류 계획 및 실행, 로봇을 유지하는 것, 플릿 리소스(로봇 운영 편성 단위, 물리적 리소스 등)의 가용성을 유지하는 것, 부품(예를 들어, 대체 부품, 엔드 이펙터, 공급물 등)의 픽업 및 전달을 취급하는 물류 시스템(12015)을 포함한다. 일부 실시예에서, 물류 시스템(12015)은 달리 종래의 물류(예를 들어, 트럭 기반) 수송 수단을 통해 실현가능하지 않을 수 있는 수요를 충족시키기 위해 3D 프린팅 리소스의 가용성 및 지역성을 식별하도록 구성될 수 있다. 실시예에서, 물류 시스템(12015)은 물류 계획을 추천하기 위해 기계 학습 시스템 및/또는 인공 지능 시스템과 같은 지능 서비스를 활용할 수 있다.
물류 계획은 특정 위치로의 아이템의 세트의 전달을 초래하도록 생성되는 작업흐름을 지칭할 수 있다. 실시예에서, 물류 시스템(12015)은 물류 계획의 실행을 위해 수송 타입 로봇과 같은 플릿 리소스를 활용하는 물류 계획을 생성할 수 있다. 공통 캐리어들, 임대 장거리 육상 수송(for-hire over-the-road) 트럭 운전자, 개인 전달 배달원 등과 같은 플릿 리소스 이외의 것이 활용될 수 있다. 물류 계획의 실행을 위해 어느 리소스를 사용할지의 결정은 비용 및 리소스의 가용성에 기초할 수 있다. 예를 들어, 물류 시스템(12015)은 작업 인근에 이용가능한 플릿 리소스가 있어 제3자 트럭 운송 서비스가 원격 위치로부터 이용가능한 리소스를 전달할 필요가 없다고 결정할 수 있고, 이에 응답하여, 물류 시스템(12015)은 제3자 트럭 운송 솔루션보다 이용가능한 리소스를 선택할 수 있다. 실시예에서, 플릿 동작 시스템(12002)은 물류 계획 및 의사 결정을 돕기 위해 (플랫폼-레벨) 지능 계층(12004)을 활용할 수 있다.
실시예에서, 플릿 운영 시스템(12002)은 로봇 운영 편성 단위와 같은 플릿 리소스에 대한 유지보수를 스케줄링하고 실행하도록 구성될 수 있는 유지보수 관리 시스템(12016)을 포함한다. 유지보수 관리 시스템(12016)은 배치된 작업 현장으로부터 수리 데포로의 이동으로 인한 로봇 운영 편성 단위 이용에 대한 영향을 완화하기 위해 현장에서의 플릿 리소스의 스케줄링된 유지보수를 포함하는 현장 유지보수 요구 및 요청을 취급할 수 있다. 유지보수 관리 시스템(12016)은 또한 수리 데포에서의 유지보수 및 수리 동작 등을 조정할 수 있다. 또한, 유지보수 관리 시스템(12016)은 작업 현장 사이에서 로봇 운영 편성 단위와 같은 플릿 리소스의 수송 동안 유지보수가 수행되게 하기 위해 물류 시스템(12015)과 같은 다른 플랫폼 시스템과 협력하여 작동할 수 있다. 실시예에서, 유지보수 관리 시스템(12016)은 모바일 유지보수 차량, 예비 부품 데포, 제3자 유지보수 서비스 제공자 등을 포함하고, 이들에 대한 액세스를 제공하고/하거나 이들과 통합될 수 있다. 실시예에서, 웨어하우스, 원격 재고 데포 등과 같은 저장 영역에 수용된 플릿 리소스에 대한 유지보수 요구는, 배치 동안 로봇이 유지보수를 요구할 가능성이 적도록 로봇에 대한 예방적 유지보수 활동이 도래하는 시기와 같은, 미리 스케줄링된 유지보수를 위해 유지보수 관리 시스템(12016)에 의해 평가될 수 있다.
실시예에서, 유지보수 관리 시스템(12016)은 스케줄링된 기반으로 또는 유지보수 관리 시스템(12016) 등에 의한 로봇 운영 편성 단위 상태에 대한 질의에 응답하여 제공될 수 있는 리소스 상태 보고를 통해 로봇 운영 편성 단위와 같은 플릿 리소스의 상태를 모니터링할 수 있다. 실시예에서, 유지보수 관리 시스템(12016)은, 감소된 전력 출력을 경험한다는 것을 감독자 로봇에 시그널링하는 로봇 운영 편성 단위, 특정 주변 조건(예를 들어, 과도한 열)에 대한 노출을 보고하는 로봇 운영 편성 단위, 로봇 운영 편성 단위으로부터 로봇 건전성 모니터 리소스로의 심장박동 신호의 결여 등과 같은, 잠재적 서비스 조건의 표시에 대해 로봇 운영 편성 단위 통신을 모니터링할 수 있다. 또한, 유지보수 관리 시스템(12016)은, 로봇 운영 편성 단위 상태 정보를 저장하는 로봇 데이터 저장소에서 정보를 모니터링하는 것, 자체 테스트 동작 모드를 활성화하는 것, 로봇 유지보수 요구의 표시를 제공하는 데이터의 수집 등과 같은, 로봇 운영 편성 단위에 대한 유지보수 관리 기능을 수행할 수 있는 로봇 동작 및/또는 감독 소프트웨어 내에 프로브를 배치할 수 있다. 또한, 유지보수 관리 시스템(12016)은 요청된 작업을 수행하기 위해 로봇 운영 편성 단위의 팀에서 다른 로봇과 함께 배치될 수 있는 유지보수 로봇을 포함할 수 있다. 유지보수 로봇은 로봇 팀과 함께 배치된 다목적 로봇의 구성일 수 있다. 이러한 구성은 팀 배치의 경계 내에서 시간적일 수 있다. 작업 작업흐름의 태스크를 수행하기 위해 배치된 다목적 로봇은 다른 로봇 및 플릿 리소스에 대한 유지보수 액션을 수행하기 위해 팀에 배치되는 동안 동적으로(그리고 선택적으로 일시적으로) 재구성될 수 있다.
유지보수 관리 시스템(12016)은, 인간/운영자 입력(예를 들어, 인간 관찰자는 로봇 운영 편성 단위가 비정상적으로 동작하는 것으로 보인다는 것을 나타낼 수 있음), 유지보수 활동의 로봇 프로세스 자동화, 스케줄링을 위한 유지보수 인스턴스를 예측하기 위한 인공 지능, 스케줄링 및 유지보수를 수행하기 위한 새로운 기회를 식별하는 것(예를 들어, 먼지가 많은 환경에서 태스크를 수행하기 전에 공기 필터를 대체하는 것과 같이, 그러한 조건 하에서 특정 태스크를 수행하기 전에 특정 조건에 대해 유지보수되었던 로봇 운영 편성 단위의 성능을 분석하는 것)을 돕기 위한 기계 학습 등을 활용하는 것을 포함하여, 유지보수를 스케줄링하고 실행하기 위한 다양한 플랫폼 서비스 및 능력을 이용하도록 구성될 수 있다. 실시예에서, 유지보수 관리 시스템(12016)은 유지보수 관련 입력을 수신할 수 있다. 유지보수 관련 입력은 (요청 로봇 운영 편성 단위에 대한 또는 컴패니언 로봇 운영 편성 단위와 같은 다른 로봇 운영 편성 단위에 대한) 로봇 운영 편성 단위으로부터의 유지보수 요청을 포함할 수 있다. 유지보수 관련 입력은 에지 디바이스(예를 들어, 고정된 기반구조 디바이스, 플릿 리소스, 작업 요청자에 의해 작업 현장에 배치된 에지 디바이스와 같은 작업 현장 근접 및/또는 작업 특정적 에지 디바이스 등)로부터의 또는 유지보수를 위한 요청을 포함할 수 있다. 유지보수 관련 입력의 다른 후보 소스는 감독자 로봇 운영 편성 단위, 인간 운영자/관찰자, 유지보수 스케줄링 서비스, 제3자 서비스 제공자, 로봇 생산 벤더, 및 유지보수를 스케줄링하기 위한 부품 제공자를 포함할 수 있다. 유지보수 관리 시스템(12016)은 또한 적절한 유지보수 작업흐름, 서비스 액션, 필요한 부분 등을 결정하기 위해 비즈니스 규칙(예를 들어, 규제 기관 등에 의해 결정된, 작업 요청자에 의해, 팀, 플릿에 대해 확립된 규칙), 연관 테이블, 데이터 세트, 데이터베이스, 및/또는 유지보수 관리 라이브러리를 활용할 수 있다. 실시예에서, 유지보수 활동은 유지보수 관리 시스템에 의해 유지보수 로봇, 인간 기술자, 제3자 서비스 제공자 등과 같은 플릿 리소스에 할당될 수 있다.
실시예에서, 전개되는 로봇 운영 편성 단위는, 특히, 엔드 이펙터 동작을 교정하는 것, 높은 정도의 이동성을 유지하기 위해 인장 구조를 조정하는 것 등과 같은 자가-유지보수(self-maintenance)를 수행하기 위한 하나 이상의 유지보수 프로토콜로 구성될 수 있다. 자가-유지보수는 360도를 통해 더 이상 연속적으로 회전하지 않는 회전 메커니즘과 같은 손상된 로봇 운영 편성 단위 특징의 검출에 응답하는 능력의 감소를 포함할 수 있지만, 이에 제한되지 않는다. 배치된 로봇 운영 편성 단위는 능력이 손상되었다고 결정할 수 있고, 선택적으로 유지보수 관리 시스템(12016)의 지원으로, 태스크의 완료에 지연을 야기하기보다는 시간이 허용할 때 손상된 능력이 해결될 수 있도록 다른 로봇과 할당을 교환할 수 있다. 또한, 로봇 운영 편성 단위 지능(예를 들어, 온-로봇 AI 등)은, 예를 들어, 로봇 능력에 대한 고장 시간 데이터에 기초하여 로봇 능력의 절충을 예측할 수 있다. 이 예측된 절충의 시간이 타겟 태스크 수행 시간프레임 내에 착륙하면, 로봇 운영 편성 단위는 로봇 운영 편성 단위가 작업 현장으로 이동 중인 동안 수행될 선제적 유지보수를 요청할 수 있다. 유지보수 관리 시스템(12016)은 유지보수에 대한 이 호출을 처리하고, 이동 동안 및/또는 로봇 운영 편성 단위가 도달할 것으로 기대될 때 작업 현장에서 이용가능할 유지보수 리소스를 조정할 수 있다.
실시예에서, 유지보수 관리 시스템(12016)은 로봇 운영 편성 단위 및/또는 컴포넌트에 대해 유지보수가 수행될 수 있는 때를 예측하기 위해 지능 계층(12200)(예를 들어, 플랫폼(12000) 레벨 지능 계층(12004))의 지능 서비스를 활용할 수 있다. 이러한 실시예 중 일부에서, 유지보수 관리 시스템(12016)은 지능 계층(12200)으로부터 로봇 운영 편성 단위의 디지털 트윈을 요청할 수 있다. 이러한 실시예에서, 디지털 트윈은 로봇 운영 편성 단위의 현재 조건을 반영할 수 있어서, 로봇 운영 편성 단위 디지털 트윈은 로봇 운영 편성 단위에 대해 유지보수가 요구되는지를 결정하기 위해 분석될 수 있다. 추가적으로 또는 대안적으로, 지능 계층(12200)의 디지털 트윈 서비스는 유지보수가 요구될 수 있는 때를 예측하기 위해 로봇 운영 편성 단위를 수반하는 하나 이상의 시뮬레이션을 실행할 수 있다. 이러한 실시예 중 일부에서, 로봇 운영 편성 단위의 디지털 트윈의 출력은 유지보수가 요구될 수 있는지/언제 요구될 수 있는지를 예측하기 위해 (예를 들어, 기계 학습 예측 모델 또는 신경망을 사용하여) 분석될 수 있다.
실시예에서, 플릿 운영 시스템(12002)은 작업 구성 시스템(12018)을 포함한다. 실시예에서, 작업 구성 시스템은, 예컨대, 작업을 요청하는 고객으로부터 작업 요청을 수신한다. 실시예에서, 작업 요청은 작업 요청 파라미터의 세트를 표시할 수 있다. 작업 요청 파라미터의 비제한적인 예는 다음을 포함할 수 있다: 프로젝트 및 태스크의 타입(예를 들어, 검사 태스크, 패키징 태스크, 언로딩 태스크, 로딩 태스크, 배송 태스크, 조립 태스크, 모니터링 태스크, 디깅 태스크, 건설 태스크, 전달 태스크 등), 예산, 타임라인, 환경 설명(예를 들어, 실내/실외, 환경의 크기, 환경의 통신 능력, 환경의 레이아웃/블루프린트/디지털 트윈 등), 위치(예를 들어, 영역, 어드레스, 좌표 등), 및 임의의 다른 적합한 파라미터들. 실시예에서, 작업 요청 파라미터는 어떤 타입의 로봇 운영 편성 단위가 필요한지 및/또는 기능을 나타낼 수 있다. 이들 및 다른 작업 요청 세부사항은 본 출원의 다른 곳에서 설명된다.
실시예에서, 작업 구성 시스템(12018)은 작업 요청을 이용하여, 작업-레벨 작업흐름에서 순서화될 수 있는, 작업의 수행에서 완료될 프로젝트의 세트로서 작업 구성을 정의할 수 있다. 각각의 프로젝트에 대해, 작업 구성 시스템(12018)은 프로젝트의 완료 시에 행해지는 태스크의 세트를 정의하는 작업흐름을 정의할 수 있다. 작업 구성을 결정함에 있어서, 작업 구성 시스템(12018)은 다음을 포함하는 기술 및 리소스의 조합을 사용하여 프로젝트, 작업흐름, 및 태스크를 결정할 수 있다: (i) 프로젝트, 작업흐름, 및/또는 태스크를 정의하기 위한 인공 지능 기술; (ii) 상이한 타입의 작업 및/또는 프로젝트의 디폴트 구성을 정의할 수 있는 라이브러리; (iii) 로봇 프로세스 자동화; (iv) 지능 서비스(예를 들어, 딥러닝); 및 (v) 양자 최적화.
실시예에서, 양자 최적화는 로봇 운영 편성 단위 등과 같은 플릿 리소스에 걸쳐 태스크 할당을 최적화할 수 있는 양자 최적화 시스템(12008)에 의해 인에이블될 수 있다. 양자 최적화 시스템(12008)은 로봇 플릿, 작업, 팀, 통신, 물류 등과 연관된 라우팅(논리적, 물리적, 및 전자적)을 추가로 최적화할 수 있다. 추가적으로 또는 대안적으로, 일부 실시예에서, 노동력 다양성, 에너지 소비, 계산 용량 및 활용, 기반구조 리소스 계획, 참여 및 활용, 위험 관리, 컴퓨팅 저장 용량 등을 포함하는 다양한 플릿 기능에 걸쳐 로봇 리소스와 다른 리소스의 조합을 최적화하기 위해 양자 최적화 시스템(12008)이 이용될 수 있다.
실시예에서, 작업 구성 시스템(12018) 및 다른 플릿 리소스(예를 들어, 플릿 구성, 플랫폼 지능, 로봇 동작 등)는 태스크, 작업흐름, 및 작업 실행 계획 최적화 뿐만 아니라, 특히, 실패들로부터의 학습을 위한 딥러닝 기술의 사용으로부터 이익을 얻을 수 있다. 이러한 실시예에서, 작업 구성 시스템(12018)은, 작업 요청으로부터 추출된 특징을 포함하는 특징의 세트에 기초하여 작업 구성을 결정하기 위해 신경망 및/또는 다른 기계 학습 모델을 활용하는, 플랫폼(12000) 레벨 지능 계층(12004)으로부터 딥러닝 서비스를 요청할 수 있다. 이러한 실시예에서, 인공 지능 서비스는 태스크 작업흐름, 작업 구성 등을 학습하도록 구성될 수 있다.
실시예에서, 작업 구성, 플릿 구성(로봇 구성을 포함할 수 있음), 및/또는 작업 실행으로서 로컬 컨텍스트 적응 태스크 할당, 실행, 리소스 라우팅 등의 사용을 통해 플릿 기능, 성능, 및 결과를 추가로 향상시킬 수 있다. 이러한 적응적 능력은 작업 활동의 컨텍스트를 신속하고 효율적으로 드러내는 피어-투-피어 기반 통신(예를 들어, 팀 내의 로봇 운영 편성 단위)을 통해 추가로 가능하게 될 수 있다.
실시예에서, 다목적 로봇 태스크 할당 및 실행의 자동화(예를 들어, 학습을 통한 로봇 프로세스 자동화)를 위한 인공 지능은 플릿 운영 시스템(12002) 및 플랫폼 지능 계층(12004)과 같은 플릿 관리 플랫폼(12000)의 요소와 협력하여 기능하여, 예를 들어, 인간 운영자 할당 활동으로부터 로봇 할당을 학습할 수 있다. 인공 지능 시스템이 로봇 플릿 구성 및 동작의 맥락에서 산출할 수 있는 다른 학습은 태스크 완료, 완료까지의 시간, 완료 비용, 완료 품질, 리소스에 대한 ROI, 리소스 활용 등을 포함하는 성공의 결과 척도에 기초할 수 있다.
작업 구성 시스템(12018)의 동작 흐름을 포함하는 이들 및 다른 작업 구성 세부사항은 본 출원의 관련 도면에 도시되고 설명된다.
실시예에서, 플릿 운영 시스템(12002)은 복수의 동시 및/또는 중첩 작업 요청으로부터의 작업 요청을 충족시키기 위해 플릿 리소스(예를 들어, 로봇 운영 편성 단위, 팀 등)의 구성을 결정하기 위해 작업 구성 시스템(12018)과 협력하여 작업할 수 있는 플릿 및 로봇 구성 시스템(12020)(플릿 구성 시스템(12020)이라고도 지칭됨)을 포함한다. 플릿 구성 시스템(12020)은 작업 요청, 프로젝트, 로봇 태스크, 예산, 타임라인, 로봇 또는 로봇 타입의 가용성, 다목적 로봇의 구성가능성 옵션, 및/또는 다른 적합한 고려사항에 기초하여 플릿 및 로봇 구성을 결정할 수 있다. 예로서, 플릿 구성은 작업, 프로젝트, 태스크 또는 다른 구성 유닛마다 구성될 수 있는 각각의 타입의 로봇의 수량을 지정하는 것을 포함할 수 있다. 일부 실시예에서, 플릿 구성 시스템(12020)은 플릿 및/또는 다목적 로봇 구성을 결정하기 위해 플랫폼(12000) 레벨 지능 계층(12004)을 활용할 수 있다. 이러한 실시예 중 일부에서, 지능 요청은 제안된 작업 구성 및 다른 관련 데이터(예를 들어, 예산 제약, 위치, 환경 등)를 포함할 수 있다. 이에 응답하여, 지능 시스템(12004)은 (다목적 로봇 구성을 포함할 수 있는) 제안된 플릿 구성을 출력할 수 있다. 플릿 구성 시스템(12020)의 추가 상세는 본 출원의 다른 곳에서 도면에 설명되고 도시된다.
실시예에서, 플릿 운영 시스템(12002)은 작업 실행, 모니터링, 및 보고 시스템(12022)(작업 실행 시스템(12022)이라고도 지칭됨)을 포함할 수 있다. 작업 실행 시스템(12022)은 로봇 및 플릿 리소스 전달을 위한 물류, 데이터 수집, 카탈로그 작성, 라이브러리 관리 및 작업 실행을 위한 데이터 처리 활동을 용이하게 하기 위한 데이터 처리 시스템(12030) 할당과 같은 플랫폼 기능의 활동을 조정함으로써 처리하는 작업 실행 계획을 작업 구성 시스템(12018)으로부터 수신할 수 있다. 일반적으로, 작업 실행 시스템(12022)은 작업 실행 계획을 실행하는 데 유용한 것으로 정의 및/또는 결정될 수 있는 바와 같은 컴퓨팅, 저장, 대역폭 등과 같은, 작업 구성 시스템(12018)에 의해 구성된 것 이외의 리소스를 비롯한, 리소스를 커밋하고 관리하는 것으로 작업을 시작할 수 있다.
실시예에서, 작업 실행 시스템(12022)은 작업 실행과 연관된 보고 요건(예를 들어, 작업 특정, 플릿-특정, 준수-관련 보고 등)의 준수를 추가로 용이하게 할 수 있다. 실시예에서, 보고는 (예를 들어, 로봇 운영 편성 단위, 센서 시스템, 사용자 디바이스, 데이터베이스 등으로부터의) 데이터 수집, 데이터 처리, 및 작업 및 플릿 구성 시스템 등에 의한 작업 실행 데이터의 사용을 위한 피드백 준비를 포함할 수 있다. 실시예에서, 작업 실행 시스템(12022)은, 유지보수 관리 시스템(12016), 리소스 프로비저닝 시스템(12014), 및 로봇 운영 편성 단위, 팀, 및 플릿 등 사이의 통신을 용이하게 하는 통신 관리 시스템(12010)과 같은, 작업 실행에 영향을 미치는 데이터를 송신, 처리, 저장, 및 관리하는 다른 플랫폼 능력에 의해 보조될 수 있다. 이들 및 다른 플릿 및 외부 리소스는 요청된 작업의 동작 양태, 예컨대, 어느 통신 리소스가 요청된 작업에 대해 예약 및/또는 할당된 플릿 통신 관리 시스템(12010)을 갖는지, 로봇 운영 편성 단위 및 작업을 실행하기 위해 사용되는 다른 리소스에 대한 서비스 및/또는 유지보수 요건, 작업의 동작이 시작된 후에 발생하는 리소스 프로비저닝에 대한 변경 등을 용이하게 하기 위한 정보를 작업 실행 시스템(12022)에 제공할 수 있다.
실시예에서, 작업 실행 시스템(12022)은, 예를 들어, 작업 중 조건(예를 들어, 교통 체증, 과도한 비로 인한 예기치 못한 지상 조건 등)로 인해 발달하고 있는 병목을 식별함으로써, 작업을 실행하는 동안의 작업 실행 계획의 평가 및 수정을 추가로 용이하게 할 수 있다.
실시예에서, 작업 실행 시스템(12022)은 작업의 실행 동안 다양한 데이터 파이프라인 기능을 수행할 수 있다. 실시예에서, 데이터 파이프라인 기능은, 특히, 센서 선택, 감지, 정보 수집, 전처리, 라우팅, 통합, 처리 등을 조합하는 사전 구성된 센서 및 검출 패키지의 사용을 최적화하는 것을 포함할 수 있다. 실시예에서, 센서 및 검출 패키지는 사용이 모니터링/보고 활동의 범위를 서빙하는 것으로서 표시될 때 작업 실행 시스템(12022)에 의해 활성화될 수 있다. 다른 데이터 파이프라인 기능 예는 온-로봇 저장을 최적화하는 것, 통신 대역폭에 대한 영향 감소를 위한 선택적 센서 데이터 필터링(예를 들어, 무선 네트워크 활용에 대한 수요를 감소시키는 것), 예외 조건 검출 및 파이프라인 적응/데이터 필터링 등을 포함한다.
실시예에서, 작업 실행 시스템(12022)은 작업 실행 동안 로봇 전력 수요를 모니터링하고, 필요한 경우, 어드레싱할 수 있다. 이러한 실시예에서, 작업 실행 시스템(12022)은, 예를 들어, 중단되지 않아야 하는 태스크의 큐와 같은 작업 태스크 및 작업흐름 요건을 충족시키기 위해 다수의 로봇 운영 편성 단위에 걸쳐 배터리 충전 용량(또는 연료 레벨과 같은 다른 에너지 소스 레벨)을 보장할 수 있다. 실시예에서, 로봇 전력 수요 관리는 통합된 로봇 충전 활동으로 전체 생산성 지연을 감소시키면서 태스크를 완료하기 위해 플릿, 팀, 및 개별 로봇 운영 편성 단위 라우팅을 포함할 수 있다. 작업 실행 시스템(12022)의 기능 및 동작의 추가 상세가 본 개시 전반에 걸쳐 설명된다.
실시예에서, 작업 실행 동안을 비롯하여, 플릿 기능성은 3D 프린팅 서비스 및 시스템과 조합되어, 예를 들어, 선택적으로 자동화된 로봇 3D 프린팅 및 사용 지점(예를 들어, 작업 현장, 물류 현장, 웨어하우스, 운송 차량 등)에 근접한 생산 능력의 배치 및 사용을 통해 필요한 바에 따라 예를 들어, 애자일(agile)하고, 원격이며, 유연한 제조를 가능하게 할 수 있다. 3D 프린팅을 동반한 플릿 로봇 기능성의 다른 예시적인 사용은 이러한 애자일하고, 유연한 생산 능력과 제품의 최종 단계(last-mile) 맞춤화를 위한 맞춤화가능한 제품 배달을 조합한다. 플릿 관리의 방법 및 시스템과 조합된 3D 프린팅 기능성의 몇몇 예시적인 실시예가 본 출원의 다른 곳에서 설명되며, 이는, 제한 없이, 서비스 현장에서의 서비스 아이템의 온-로봇 3D 프린팅; 작업 현장에서 취득된 컨텍스트에 기초한 작업 특정 엔드 이펙터 및/또는 어댑터의 3D 프린팅; 운송가능한(예를 들어, 작업 현장-배치된) 3D 프린팅 시스템의 로봇 제어; 3D 스캐닝 및 현장 프린팅 등을 포함한다.
실시예에서, 작업 실행 시스템(12022)은 로봇 운영 편성 단위(12040)을 모니터링하고 보고하는 스마트 계약의 세트를 실행, 배치, 및/또는 인터페이스할 수 있다. 실시예에서, 분산 원장(예를 들어, 공개 또는 개인 블록체인)과 같은 강건한 분산 데이터 시스템은 로봇 플릿 및/또는 다목적 로봇 활동을 추적 및 향상시키는 것 뿐만 아니라, 또한 작업 요청자, 플릿 사용자 등과 같은 관련 당사자에 대한 로봇 리소스 활용 비용의 할당을 위해 활용될 수 있다. 이러한 실시예 중 일부에서, 분산 원장 노드는 스마트 계약을 저장하고 실행한다. 실시예에서, 스마트 계약은 작업 요청, 작업 실행, 리소스 사용 등을 모니터링하도록 구성될 수 있다. 예를 들어, 일부 실시예에서, 로봇 운영 편성 단위는 스마트 계약이 완료된 태스크에 응답하여 액션(예를 들어, 지불, 기록 등)을 트리거할 수 있도록, 태스크의 완료의 증거를 스마트 계약에 제공하도록 구성될 수 있다. 다른 예에서, 로봇 운영 편성 단위는 위치 데이터, 센서 데이터, 상태 데이터(예를 들어, 충전 레벨, 컴포넌트 상태 등), 및/또는 다른 적절한 데이터를 보고하도록 구성될 수 있고, 이에 의해 스마트 계약은 수신된 데이터에 기초하여 특정 액션을 트리거하도록 구성될 수 있다.
실시예에서, 플릿 운영 시스템(12002)은, 특히, 임의의 플릿 동작 및/또는 지능 리소스에 대한 확장가능 계산 능력에 대한 액세스, 데이터 관리 능력(예를 들어, 데이터 캐싱, 스토리지 할당 및 관리 등), 플릿 및/또는 라이브러리와 같은 작업 관련 데이터 저장소에 대한 액세스 및 제어, 플릿 리소스 재고 제어 및 관리 데이터 구조 등을 제공할 수 있는 데이터 처리 시스템(12030)을 포함할 수 있다.
실시예에서, 플릿 운영 시스템(12002)은 사용자가 원격 디바이스(예를 들어, 사용자 디바이스, VR 디바이스, AR 디바이스 등)로부터 (예를 들어, 원격 제어를 위해) 플릿 관리 플랫폼(100) 및/또는 개별 로봇 운영 편성 단위에 액세스할 수 있게 하는 휴먼 인터페이스를 제공하는 휴먼 인터페이스 시스템(12024)을 포함할 수 있다. 실시예에서, 휴먼 인터페이스 시스템(12024)은 (임의의 작업 관련 파라미터를 포함하는) 작업 요청 진입, 플릿 동작 관리, 플릿 리소스 관리, 플릿 컴퓨팅 시스템, 소프트웨어 및 데이터 구조 관리(예를 들어, 시스템 업그레이드 등), (예를 들어, 로봇 운영 편성 단위의 원격 제어를 위한) 로봇 운영 편성 단위에 대한 인간 액세스, 플릿 동작의 증강 및/또는 가상 현실 시각화, (예를 들어, 하나 이상의 작업 요청과 연관된 스마트 계약의 생성 및/또는 검증 등을 위한) 데이터 추출을 용이하게 한다. 휴먼 인터페이스 시스템(12024)의 사용의 예로서, 작업 요청자는 휴먼 인터페이스 시스템(12024)을 통해 요청된 작업의 상태 업데이트에 액세스할 수 있다. 작업 요청자는 원격 디바이스를 사용하여 요청된 태스크에 대한 작업을 수행하는 로봇 운영 편성 단위를 관찰할 수 있다. 이 예에서, 휴먼 인터페이스 시스템(12024)은 작업 실행 시스템(12022)과 같은 다른 플릿 컴포넌트와 상호작용하여, 이미지 포착 리소스(예를 들어, 카메라 기반 오버헤드 드론)에 지시하여 작업 태스크에 할당되고 현재 기능하는 로봇 운영 편성 단위의 이미지를 제공할 수 있다.
실시예에서, 플릿 운영 시스템(12002)은 작업 요청을 충족시키기 위한 지원을 제공할 수 있다. 예를 들어, 플릿 운영 시스템(12002)의 컴포넌트는 플릿 리소스(예를 들어, 로봇 운영 편성 단위, 물리적 모듈, 및/또는 지원 디바이스)가 작업 실행의 타이밍 등과 같은 작업 요청 요구를 충족시키기 위해 효율적인 방식으로 작업 현장에 제공되는 것을 보장하기 위해 리소스 프로비저닝 및 물류를 용이하게 할 수 있다. 예를 들어, 일부 실시예에서, 플릿 운영 시스템(12002)은 플릿 리소스의 전달 및/또는 유지보수 태스크를 용이하게 하여 플릿 리소스가 완료 시간에 상당히 영향을 미치지 않고 효율적인 방식으로 할당되는 것을 보장하기 위해 "저스트-인-타임(just-in-time)" 전략을 이용할 수 있다. 이러한 실시예 중 일부에서, 플릿 운영 시스템(12002)은 다양한 작업 요청에 대응하는 플릿 리소스 요구를 예상하고 및/또는 플릿 리소스 요구를 예상하는 작업 실행 계획을 예상하고 그러한 플릿 리소스의 전달 및/또는 유지보수를 준비하기 위해 지능 서비스를 활용할 수 있다.
일부 실시예에서, 다수의 종속 스테이지를 포함하는 작업 작업흐름은 다른 작업흐름 스테이지가 완료될 때까지 특정 리소스가 요구되지 않도록 파이프라이닝될 수 있다. 이러한 시나리오에서, 플릿 운영 체제(12002)는 이전 작업흐름 스테이지가 거의 완료될 때까지 특정 리소스의 프로비저닝을 지연시킬 수 있다. 이러한 방식으로, 그러한 리소스는 이전 작업흐름 스테이지가 완료되는 동안 다른 작업(또는 동일한 작업의 다른 부분)과 관련하여 사용될 수 있다. 이러한 실시예에서, 작업 실행 시스템(12022)은 특정 리소스가 필요할 때를 결정하기 위해 다수의 작업에 걸쳐 특정 태스크의 상태를 모니터링할 수 있다. 이러한 실시예에서, 작업 실행 시스템(12022)은 태스크가 완료될 때를 예측하기 위해 플랫폼(12000) 지능 계층(12004)을 활용할 수 있다. 이에 응답하여, 리소스 프로비저닝 시스템(12014) 및 물류 시스템(12015)은 이전 태스크가 완료되기 전에 리소스를 프로비저닝하여 작업 현장에 전달하도록 조합하여 작동할 수 있다.
실시예에서, 작업 실행 시스템(12022)은 특정 리소스가 특정 작업에 대해 요구될 때를 예측하기 위해 작업-특정 방식으로 작업 관련 리소스 요구를 예상할 수 있다. 예를 들어, (지능 계층과 조합하여 작동하는) 작업 실행 시스템(12022)은 특정 작업 요청에 대한 진행 중인 및/또는 다가오는 태스크의 스케줄을 생성할 수 있고, 이에 응답하여, 특정 플릿 리소스가 필요할 가능성이 있고/있거나 이용가능하게 될 가능성이 있는 때를 결정할 수 있다. 추가적으로 또는 대안적으로, 작업 실행 시스템(12022)은 다른 적합한 방식으로 특정 작업에 대한 작업 관련 리소스를 예측할 수 있다. 예를 들어, 리소스 요구의 예측은 다음으로부터 도출된 바와 같은 플릿 리소스 요구의 패턴에 기초하여 결정될 수 있다: 작업 요청자의 작업 요청 이력(예를 들어, 현장 청소 작업 요청은 전형적으로 작업 현장에서 요청된 작업의 완료에 뒤따름); 작업 요청자에 대해 수행된 이전 N개의 작업으로부터의 작업 요청자의 리소스 사용 이력; 작업 요청의 타이밍(예를 들어, 전형적으로 다음 주 월요일에 시작하는 작업에 대해 요청자로부터의 요청은 목요일에 수신됨) 등. 다른 작업 요청자(예를 들어, 제휴 엔티티, 직접 경쟁자, 유사한 SIC 코드 등)에 대한 작업 요청자의 유사성은 또한 플릿 리소스 예측/예상을 위한 기초를 형성할 수 있다. 엔티티(예를 들어, 공급자 및 배송자, 판매자 및 구매자, 소비자 및 재활용자 등) 사이의 비즈니스 관계는 공급자/판매자/소비자의 작업 요청을 포함하는 액션에 기초하여 배송자/구매자의 플릿 리소스 요구 및 타이밍을 예측하기 위한 기초를 형성할 수 있다.
실시예에서, 날씨 예상 및 계절적 영향(예를 들어, 겨울 시즌 동안 북부 지역에서의 제설 및 관련 작업 요청, 허리케인 시즌 언저리에서 따뜻한 날씨의 수변 영역의 해변 침식 방지/교정 작업 요청, 봄 시즌 동안의 잔디 유지보수 작업 요청, 가을 시즌에 낙엽수가 있는 영역에서의 잎 청소 작업 요청 등)과 같은 많은 다른 인자가 플릿 리소스 요구 예측에 영향을 미칠 수 있다. 플릿 리소스 요구 예측은 또한 자연 재해, 차량 사고/긴급 상황, 사회 활동의 타이밍(예를 들어, 출퇴근 시간 동안의 이동량이 많은 도로에서 정체된 차량 지원 및 사고 조치 등), 스케줄링된 공개 및/또는 개인 이벤트(예를 들어, 스케줄링된 경기의 완료 후 스포츠 장소 주위의 도시 거리의 청소) 등과 같은, 코어 작업 요청 프로세스 외부의 이벤트에 의해 활성화될 수 있다. 다른 예에서, 플릿 리소스 요구의 예상에 영향을 미칠 수 있는 정보의 다른 소스는 재무 보고 기간(예를 들어, 재정 분기, 연도 등)의 끝 근처에서 지출을 감소시키거나 증가시키는 것과 같은 비즈니스 목표 및 목적을 포함할 수 있다. 타겟 작업 요청자가 재정 보고 기간의 마지막 수주 또는 수개월 동안 비용을 줄이려고 의도한다는 표시는 타겟 작업 요청자에 의해 작업 요청에 전형적으로 할당되는 플릿 리소스가 유지보수, 업그레이드, 프로-보노 작업, 교육 기회, 플릿 홍보 활동, 다른 작업 요청자에 대한 할당 등과 같은 다른 액션에 이용가능할 것임을 시사할 수 있다. 실시예에서, 플릿 목표 또는 목적은 또한 플릿 리소스 예상 및 따라서 대응하는 준비 활동 등에 영향을 미칠 수 있다. 하나의 그러한 예는 로봇의 클래스의 요구되는 업그레이드이다. 플릿 구성 기능은, 해당 클래스의 로봇을 예약할 필요가 있을 것으로 예상하여, 업그레이드 활동의 지속기간 동안 예약된 로봇 클래스의 요건을 충족시키도록 재구성될 수 있는 대안적인 로봇 타입을 할당할 수 있다.
실시예에서, 플릿 리소스 요구의 예상은 플랫폼(12000) 지능 계층(12004) 및 플릿 운영 시스템(12002)과 같은 플릿 관리 플랫폼(12000)의 사용을 통해 결정될 수 있다. 예를 들어, 일부 실시예에서, 플랫폼(12000) 지능 계층(12004)은 날씨 예상, 공개 활동 캘린더, 작업 요청 데이터(예를 들어, 타이밍, 작업 파라미터, 다른 작업 요청에 대한 관계 등), 소셜 미디어 포스팅, 정부 활동/입법, 계절 등과 같은 플릿 리소스 요구에 영향을 미칠 수 있는 소스 데이터를 분석할 수 있다. 이 예에서 플릿 운영 시스템(12002)과 협력하여 작용하는 플랫폼(12000) 지능 계층(12004)은 (예를 들어, 신경망 등을 사용하여) 이종 데이터 소스의 분석에 기초하여 플릿 리소스 수요를 예측할 수 있다. 이러한 실시예에서, 플랫폼(12000) 지능 계층(12004)은 이종 데이터 소스로부터의 데이터를 처리하고, 인자의 범위에 걸쳐 플릿 리소스 요구의 가능성을 결정할 수 있다.
플릿 리소스 예상의 다른 양태는, 예컨대, 플릿 준비 지향 활동(예를 들어, 로봇 운영 편성 단위 또는 지원 디바이스의 준비 및/또는 유지보수)에 대한 하나 이상의 작업 요청을 자동으로 구성함으로써, 플릿 준비 및/또는 유지보수 활동에 대해 본 출원에 설명된 작업 요청 프로세스의 사용을 포함할 수 있다. 이러한 방식으로, 플릿 관리 플랫폼(100)은 플릿 특정 요구(예를 들어, 유지보수)가 충족되는 것을 보장하면서 작업 요청 수행을 용이하게 하도록 동작할 수 있다. 플릿 자기-집중형 활동(예를 들어, 유지보수)과 작업 예상 요구 및 추가로 플랫폼(12000)의 클라이언트로부터의 작업 요청의 균형은 작업 요청의 상대적 가중의 사용을 통해 달성될 수 있다.
실시예에서, 플릿 관리 플랫폼(12000)은 작업 구성, 플릿 구성, (예를 들어, 스마트 계약 시설을 통한) 작업 협상, 작업 실행 등을 포함하는 다양한 플랫폼 기능을 수행하기 위해 외부 데이터 소스(12036)와 인터페이스할 수 있다. 플랫폼(12000)에 의해 사용하기 위한 외부 데이터 소스의 예는 밸류 체인 엔티티(예를 들어, 플릿 서비스 등에 대해 지불하는 제3자), 요청된 작업의 팀 구성 및/또는 실행을 수행하기 위한 작업 컨텍스트를 제공할 수 있는 기업 리소스 계획 시스템(ERP), 스마트 계약 등을 포함한다. 다른 외부 데이터 소스는 제3자 센서 시스템(예를 들어, GPS 데이터, 작업에 필요한 재료가 언제 전달되어야 하는지에 대한 밸류 체인 물류 데이터 등) 뿐만 아니라 제3자 데이터 스트림(예를 들어, 날씨, 트래픽, 전기 가격 등)을 포함할 수 있다.
일부 실시예에서, 플릿 관리 플랫폼(12000)은 작업 요청, 작업 성능, 리소스, 할당 등과 관련하여 스마트 계약의 사용을 지원할 수 있다. 실시예에서, 작업 요청은 작업 요건, 요청자 목표 및 목적, 및 플릿 작업 실행 제약을 동적 스마트 계약으로 포착하는 스마트 계약 핸들러를 통해 라우팅될 수 있다. 일부 실시예에서, 스마트 계약은 제1 위치(예를 들어, 현재 작업 현장, 웨어하우스, 임시 저장/서비스 위치)로부터 제2 위치(예를 들어, 타겟 작업 현장)로의 다목적 로봇의 협상된 라우팅을 관리하는 것과 같은 모든 방식의 플릿 동작을 해결하기 위해 플릿 관리 플랫폼 전체에 걸쳐 이용될 수 있다. 추가 예로서, 스마트 계약은 로봇 시간/태스크 활용을 위한 입찰 시스템에 대한 제어로서 배치될 수 있다. 다른 예로서, 스마트 계약은 작업 요청과 관련된 특정 활동(예를 들어, 태스크 관련 활동 등)을 모니터링할 수 있다. 스마트 계약은 태스크 또는 작업의 완료 시의 지불과 같은, 스마트 계약에 의해 정의되는 액션을 트리거하기 위해 플릿 플랫폼 데이터(예를 들어, 태스크 진행, 센서 데이터 등)에 대한 액세스에 의존하고/하거나 이로부터 이익을 얻을 수 있다. 플릿 관리 플랫폼(12000)은 스마트 계약 기간 및 조건과 관련된 상태를 업데이트하기 위해 애플리케이션 프로그래밍 인터페이스, 센서 네트워크와 같은 기반구조 요소, 에지 컴퓨팅 시스템 등을 통해 플릿 데이터를 포함하는 플릿 리소스에 대한 액세스를 제공할 수 있다.
도 134에 도시된 실시예를 참조하면, 작업 구성 시스템(12018) 및 플릿 구성 시스템(12020)은 본 개시의 일부 실시예에 따라, 작업 실행 계획(12310)을 총괄하여 생성한다. 실시예에서, 작업 실행 계획(12310)은 요청된 작업의 완료 시에 수행될 태스크의 세트를 정의할 수 있고, 작업을 완료할 로봇 운영 편성 단위의 플릿의 구성을 추가로 정의할 수 있다. 실시예에서, 작업 실행 계획(12310)은 태스크 정의(12304D), 작업흐름 정의(12306D), 플릿 구성(12020D)(개별 로봇의 로봇 구성을 포함할 수 있음), 팀 할당, 및 작업 현장 세부사항 등과 같은 상황 정보에 대한 참조(또는 그 통합)를 포함할 수 있다. 실시예에서, 작업 구성 시스템(12018)은 수행될 작업을 정의하는 요청(12300)을 수신하고, 작업 구성 시스템(12018)은 작업의 완료 시에 로봇에 의해 수행되는 태스크를 각각 정의하는 태스크 정의(12304D)의 세트를 결정할 수 있다. 실시예에서, 작업 구성 시스템(12018)은 작업흐름 정의(12306D)의 세트를 추가로 정의한다. 작업흐름 정의(12306D)는 임의의 루프, 반복, 트리거링 조건 등을 비롯하여, 태스크가 프로젝트 및/또는 작업의 완료 시에 수행되는 적어도 하나의 순서를 정의한다. 실시예에서, 작업 구성 시스템(12018)은 작업 및/또는 프로젝트를 포함하는 태스크 정의(12304D)에 기초하여 작업흐름(12306D)을 결정할 수 있다. 작업 구성 시스템(12018)은 사전 구성된 작업흐름의 라이브러리를 활용하여 특정 작업을 완료할 수 있다. 추가적으로 또는 대안적으로, 작업 구성 시스템(12018)은 플랫폼(12000) 지능 계층(12004)을 활용하여 더 큰 작업의 일부인 작업 및/또는 프로젝트에 대한 초기 작업흐름 정의(12306D)를 획득할 수 있다. 일부 실시예에서, 인간은 초기 작업흐름 정의를 구성할 수 있고/있거나 초기 작업흐름 정의를 결정하는 데 사용되는 입력을 제공할 수 있다. 실시예에서, 작업 구성 시스템(12018)은 로봇 플릿 작업 실행 계획(12310)을 개발하기 위한 정보를 교환하고/하거나 하나 이상의 서비스를 활용하기 위해 플릿 관리 플랫폼(100)의 하나 이상의 컴포넌트와 인터페이스할 수 있다. 예를 들어, 작업 구성 시스템(12018)은 데이터 처리 시스템(12030), 로봇, 플릿, 프로젝트, 및 태스크 관련 정보의 로봇 구성 라이브러리(12314), 플릿-레벨 지능 계층(12004), 플릿 구성 시스템(12020) 등과 인터페이스할 수 있다.
도 135의 예에서, 작업 구성 시스템(12018)은 작업 요청(12300)에서 수신된 정보를 처리함으로써, 작업 계획 준비 기능을 수행하는 복수의 시스템을 포함할 수 있다. 실시예에서, 작업 구성 시스템(12018)의 시스템은 작업 파싱 시스템(12302), 태스크 정의 시스템(12304), 작업흐름 정의 시스템(12306), 및 작업흐름 시뮬레이션 시스템(12308)을 포함할 수 있다. 예시된 예에서, 작업 구성 시스템(12018) 시스템은 로봇 운영 편성 단위 할당(12312)의 세트를 정의하는 데 사용되는 작업 실행 계획(12310)을 생성하기 위해 조합하여 작동한다. 실시예에서, 로봇 운영 편성 단위 할당(12312)은 작업 실행 계획(12310)에 보충적이거나 그와 통합될 수 있고, 각각의 태스크에 할당된 특정 로봇 팀 및/또는 로봇을 식별할 수 있다. 예를 들어, 로봇 운영 편성 단위 할당(12312)은 특정 태스크를 정의할 수 있고, 각각의 태스크에 대해, 로봇 고유 식별자 및/또는 태스크에 할당된 팀 식별자를 갖는 특정 로봇 팀을 통해 태스크에 할당된 특정 로봇을 식별할 수 있다. 실시예에서, 로봇 운영 편성 단위 할당(12312)은 작업 구성 시스템(12018) 및/또는 플릿 구성 시스템(12020)에 의해 생성될 수 있다.
실시예에서, 작업 파싱 시스템(12302)은 태스크 정의, 프로젝트 정의(들), 작업 정의, 작업흐름 정의, 플릿 구성, 및 로봇 구성을 결정하기 위해 궁극적으로 사용되는 작업 요청 파라미터의 세트를 결정하기 위해 작업 요청(12300)을 수신하고 파싱한다. 실시예에서, 작업 파싱 시스템(12302)은 작업 요청의 파싱을 구성, 적응, 또는 다른 방식으로 용이하게 하기 위해 운영자에 의한 입력을 수신하는 휴먼 인터페이스 시스템(12024)과 같은 사용자 인터페이스를 통해 사용자로부터 작업 요청을 수신할 수 있다. 추가적으로 또는 대안적으로, 작업 파싱 시스템(12302)은 요청 조직과 연관된 클라이언트 디바이스로부터 작업 요청을 수신할 수 있다.
실시예에서, 작업 파싱 시스템(12302)은 도면, 자료 리스트, 흐름도, GPS 데이터, 스마트 계약 데이터 및/또는 용어들, 이들에 대한 링크 등과 같은 작업 설명 및 관련 문서의 전자 버전을 수신하기 위한 수집 시설로 구성될 수 있다. 수집 시설은 특히 설명된 작업의 어느 양태가 로봇 태스크에 적합할 수 있는지를 결정하는 데 유용할 수 있는 키워드, 활동에 대한 참조 등에 대한 문서를 파싱할 수 있다. 예에서, 수집된 문서는 태스크, 서브 태스크, 태스크의 시퀀스, 태스크에 대한 종속 요건, 작업흐름 설명 등의 식별을 용이하게 할 수 있는 구조적 및/또는 콘텐츠 요소(예를 들어, 들여쓰기 번호가 매겨진 리스트, 로봇 식별자에 대한 참조, 기존의 로봇 태스크 콘텐츠에 대한 참조 등)와 같은, 로봇 자동화를 위한 그 부분을 검출하기 위한 콘텐츠 및 구조적 필터로 처리될 수 있다. 중량(weight) 용어들, 작업 환경 용어들 등과 같은, 수집된 작업 콘텐츠 내의 추가 키워드는 필요한 로봇의 타입(들) 및 구성에 관한 통찰을 제공함으로써 작업 구성 시스템(12018) 요소에 의해 유용하게 적용될 수 있다. 예로서, 이동될 객체를 제안하는 키워드는 중량이 14톤이고, 적어도 그 양의 이동 용량을 갖는 로봇 수송 디바이스/팀을 제안한다.
실시예에서, 작업 파싱 시스템(12302)은 설명 데이터를 포함할 수 있는 작업 콘텐츠를 파싱하기 위한 기술을 개선하기 위해 (예를 들어, 플랫폼(12000) 지능 계층(12004)에 의해 제공될 수 있는 바와 같은) 기계 학습 기능성을 통합 및/또는 이용할 수 있다. 작업 콘텐츠 파싱 결과에 대한 사람이 생성한 피드백을 통한 기계 기반 학습에 추가하여, 학습은 다른 작업 콘텐츠 파싱 작업(예를 들어, 이전 작업 요청), 기술 사전, 전문가와 같은 공통 및 특수 지식 기반에 대한 경험을 기반으로 할 수 있습니다.
실시예에서, 작업 콘텐츠의 작업 파싱은 구조화된 및 구조화되지 않은 텍스트의 자동화된 파싱을 포함할 수 있다. 일부 실시예에서, 작업 파싱 시스템(12302)은 누락된/불명확한 데이터 및 적격 작업 콘텐츠 데이터(총괄하여 "불충분한 정보"라고 지칭됨)를 식별(및 선택적으로 해결)하도록 구성될 수 있다. 불충분한 정보를 식별하는 것에 응답하여, 작업 파싱 시스템(12018)은 불충분한 정보에 대한 명료화를 위해 사용자 인터페이스를 통해 인간 운영자에게 요청을 생성하고 제공할 수 있다. 이러한 요청은 제공할 사용자로부터의 특정 입력을 식별할 수 있어서, 요청은 처음에 누락되었거나 불명확했던 명확화 콘텐츠를 식별한다. 추가적으로 또는 대안적으로, 파싱 시스템(12302)은 이전 작업 요청으로부터의 데이터를 유지하는 라이브러리(12314)로부터(예를 들어, 질의를 통해) 명확화 콘텐츠를 결정할 수 있고, 따라서, 요청으로부터의 이전 작업 요청 정보 및 컨텍스트를 사용하여 명확화 콘텐츠가 획득될 수 있다. 파싱 작업이 명확화 콘텐츠를 결정할 수 없는 경우, 파싱 시스템(12302)은 위에서 논의된 바와 같이 콘텐츠를 명확화하기 위한 요청을 생성할 수 있다.
실시예에서, 작업 설명 정보의 범위는 작업 구성 시스템(12018)에 제공, 결정, 및/또는 추출될 수 있다. 작업 요청 파라미터의 예는 다음을 포함할 수 있지만, 이에 제한되지 않는다: (i) 수송 옵션, 운영 제한, 허용, 이동 제한, 로컬 자산, 물류 등을 자동으로 결정하는 데 사용될 수 있는 물리적 위치 정보; (ii) 이용가능한 현장 전력 전압, 주파수, 조류 등은 이용가능한 장비를 제한하거나, 특히 지원을 위해 추가적인 장비를 요구할 수 있음; (iii) 3D CAD 모델, 스캔, 로봇 조사와 같은 현장 레이아웃에 대한 디지털 데이터는 초기 프로젝트 스코핑의 일부로서 이용가능하거나 완성될 수 있고, 태스크 우선순위 및 작업흐름 라우팅, 로봇 선택, 감독 요구 등을 자동으로 제공하기 위해 사용될 수 있음; (iv) 온도, 위험 설명(들), 지형, 날씨 등을 포함하는 운영 환경; (v) 데이터, 보고, 분석 등과 같은 결과물; (vi) 네트워크 인터페이스, API, 보안과 같은 데이터 교환을 위한 고객 인터페이스; (vii) 지상선, 4G, 5G, WiFi, 사설 네트워크, 위성, 연결성 제약 등과 같은 통신 네트워크 가용성; (viii) 장비 제한, 현장 시간, 허용에 대한 예산 제약; (ix) 현장 가용성, 재구성 유연성, 가장 이른 시작 시간, 최신 마감 시간, 임의의 주어진 시간에 활성인 로봇의 수와 같은 활동률 등에 대한 스케줄링. 작업 파싱 시스템에 의해 취급될 수 있는 다른 작업 설명 정보의 예는 스마트 계약 기간, 작업 현장 상에 배치된 로봇에 대한 로봇 동작 소프트웨어의 인증 레벨, 보험 기간, 현장 액세스 요건(예를 들어, 작업 현장은 인간이 존재하지 않을 때에만 또는 현장에 존재하는 인간과의 조정을 통해서만 액세스될 수 있음), 작업, 활동, 작업흐름 또는 전체 태스크에 대한 프록시를 할당하기 위한 조건과 같은 계약 관련 정보를 포함할 수 있다.
실시예에서, 작업 구성 시스템(12018)(예를 들어, 작업 파싱 시스템(12302), 태스크 정의 시스템(12304), 작업흐름 정의 시스템(12306))은 로봇 자동화 작업 콘텐츠를 다른 작업 콘텐츠(예를 들어, 비용, 지불, 파이낸싱(financing) 등), 사전 구성된 후보 태스크, 작업흐름, 및/또는 작업 요청의 요건을 실질적으로 충족시키는 완전한 작업 구성과 구별하기 위한 콘텐츠 및 구조 필터를 식별하기 위해 라이브러리(12314)를 참조할 수 있다. 실시예에서, 라이브러리(12314) 또는 다른 작업 구성 라이브러리는 작업 콘텐츠의 표시를 로봇 자동화를 나타내는 타겟 용어들과 매핑하는 것을 용이하게 할 수 있다. 라이브러리(12314)로부터의 자동화된 작업의 예시적인 사용으로서, 요청된 데이터 수집 태스크는 폭풍 시스템 집수정에서 지표수를 샘플링하기 위한 요건을 포함할 수 있다. 작업 파싱 시스템(12302)은 샘플링 요건을 식별할 수 있고, 이에 응답하여 태스크 정의 시스템(12304)은 작업 실행 계획(12310)을 정의하는 데 사용될 수 있는 작업 요청 설명(12300)의 해당 부분의 요건을 충족시키는 라이브러리(12314) 내의 물을 샘플링하기 위한 자동화된 샘플링 태스크를 식별할 수 있다. 작업 구성 시스템(12018)이, 요청된 작업이 이전에 요청된 경우와 같이, 적합한 작업 구성이 (예를 들어, 라이브러리(12314)로부터) 이용가능하다고 결정하는 경우, 작업 구성 시스템(12018)은 이전에 요청된 작업에 대응하는 이전 작업 구성(12310)을 현재 플릿 표준 등에 의한 추가 검증을 위한 제안된 작업 구성(12310)으로서 사용할 수 있다. 예를 들어, 플랫폼(12000) 지능 계층(12004)은 제안된 작업 구성이 상기 표준을 준수하는 것을 보장하기 위해 거버넌스 표준의 세트에 대해 (예를 들어, 기계 학습 서비스를 제한 없이 포함하는 하나 이상의 지능 서비스로) 제안된 작업 구성을 분석할 수 있다. 플랫폼(12000) 지능 계층(12004)은 제안된 작업 구성에 대해 다른 지능 기반 태스크를 수행할 수 있다.
일부 시나리오에서, 작업 구성 시스템(12018)은 하나 이상의 태스크, 작업흐름, 루틴 등이 라이브러리(12314)에 적합한 대응물을 갖지 않는다고 결정할 수 있다. 이러한 시나리오에서, 작업 파싱 시스템(12302)은 처리를 위해 다른 작업 구성 시스템 모듈에 전달되는 태스크를 수행하기 위한 로봇-플릿 초점 요건(예를 들어, 태스크 정의 파라미터, 로봇 구성 파라미터, 제안된 태스크 순서 등)을 포함하는 데이터 세트를 생성할 수 있다. 실시예에서, 작업 파싱 시스템(12302)은, 선택적으로 적응될 때 작업 요건을 충족시킬 수 있는 태스크의 조합을 비롯하여, 이러한 요건의 제안을 위해 플랫폼(12000) 지능 계층(12004)에 의존할 수 있다. 예에서, 작업 요건은 동결된 폭풍 집수정(catch basin)으로부터 지표수(surface water)를 샘플링하는 것을 포함할 수 있다. 이 예에서, 라이브러리(12314)는 동결된 지표수 샘플링 태스크를 포함하지 않을 수 있다. 그러나, 플랫폼(12000) 지능 계층(12004)은 작업 요건을 충족시키기 위해 얼음 용융 태스크에 이어서 물 샘플링 태스크를 추천할 수 있다.
실시예에서, 작업 파싱 시스템(12302)은 플랫폼(12000)(100)의 지능 계층(12004)의 분석 모듈/거버넌스 라이브러리를 포함하고/하거나 이들과 인터페이스할 수 있다. 작업 파싱 시스템(12302)은 처리를 위해 작업 콘텐츠(예를 들어, 용어들 등)의 후보 로봇 자동화 부분의 부분을 제공함으로써 거버넌스 기반 분석을 활용할 수 있다. 지능 계층(12004)은, 작업 콘텐츠의 제공된 부분에 응답하여, 작업 구성 시스템(120118)에 의한 작업 실행 계획의 준비 동안 적용될 안전 표준 중 하나 이상 및/또는 동작 표준 중 하나 이상을 제공 및/또는 표시할 수 있다.
실시예에서, 작업 파싱 시스템(12302)은, 작업 구성 시스템(120118)이 로봇 태스크를 정의하고, 플릿 리소스를 구성하고, 작업흐름을 정의하고, 작업흐름을 시뮬레이션하고, 작업 실행 계획을 생성하는 등을 수행할 때 사용하기 위한 작업 요청 인스턴스-특정 요건의 세트를 생성하는 작업 요건 모듈을 포함할 수 있다. 실시예에서, 작업 요청 인스턴스-특정 요건의 세트는 다음 중 적어도 하나 이상에 기초하여 결정될 수 있다: (i) 로봇 자동화를 나타내는 작업 콘텐츠의 후보 부분(예를 들어, 로봇 태스크를 나타내는 용어들), (ii) 사용자 인터페이스로부터의 하나 이상의 입력(예를 들어, 용어들의 명료화), (iii) (예를 들어, 거버넌스 계층으로부터의) 안전 및 동작 표준, 및 (iv) 추천된 로봇 태스크 및 연관된 상황 정보(예를 들어, 플릿 지능 계층에 의해 제공됨).
실시예에서, 작업 콘텐츠 파싱 시스템(12302)은 태스크, 서브-태스크, 태스크 순서화, 태스크 의존성, 태스크 요건 등 중 하나 이상을 표시할 수 있는 작업 콘텐츠 내의 구조 요소를 식별하기 위해 콘텐츠 필터 및/또는 구조적 필터를 적용할 수 있다. 실시예에서, 검출된 구조 요소는, 예를 들어, 플릿 구성 시스템(12020)에 의한 로봇 운영 편성 단위의 선택 및 구성을 용이하게 할 수 있다. 예에서, 태스크의 세트를 구별하는 구조 요소는 구조 요소에 의해 표시된 태스크의 세트 내의 태스크 및 세트 외부의 태스크에 동일한 로봇 운영 편성 단위를 할당하는 것을 회피하기 위해 플릿 구성 시스템에 의해 사용될 수 있다.
실시예에서, 작업 파싱 시스템(12302)은 작업 설명 파싱 능력을 개발하는 것을 용이하게 하도록 구성될 수 있는 작업 요청 구성 에이전트/전문가 시스템을 통합 및/또는 이용할 수 있다.
실시예에서, 태스크 정의 시스템(12304)은 작업 데이터를 태스크 정의(12304D)(예를 들어, 이산 로봇 태스크 또는 로봇 팀에 의해 수행되는 태스크)로 조직화할 수 있다. 태스크 정의 시스템(12304)은 태스크 정의를 최적화하기 위해 작업흐름 시뮬레이션 시스템(12308)과 같은 작업 구성 시스템(12018)의 다른 시스템을 추가로 조정할 수 있다.
실시예에서, 태스크 정의 시스템(12304)은 요청된 작업의 수행에서 로봇의 플릿 내의 하나 이상의 로봇 운영 편성 단위의 개별 동작을 정의하는 것을 용이하게 하기 위해 작업 파싱 시스템(12302)에 의해 컴파일된 작업 데이터를 정제할 수 있다. 태스크를 정의하는 것은 정의된 태스크를 수행할 수 있는 로봇, 로봇 타입, 로봇 특징, 및 로봇 구성에 관한 정보에 기초할 수 있다. 실시예에서, 태스크 정의 시스템(12304)은 각각의 정의된 태스크에 대한 일반/다목적 로봇, 특수 목적 로봇 및/또는 조합의 사용을 결정함에 있어서 플릿 구성 시스템(12020)을 용이하게 하는 태스크 정의(12304D)의 정보를 추가로 제공할 수 있다. 실시예에서, 태스크 정의 시스템(12304)은 플릿 목표의 세트의 제1 플릿 객체를 충족시키는 태스크를 정의할 수 있다. 제1 플릿 객체는, 예를 들어, 작업 콘텐츠를 로봇의 더 적은 맞춤화를 요구하는 더 작은 태스크로 분해함으로써 다목적 로봇에 의해 수행될 수 있는 태스크를 정의하는 것을 포함할 수 있다. 실시예에서, 태스크 정의 시스템(12304)은 태스크 제안을 수행할 때 라이브러리(12314), 플랫폼(12000) 지능 계층(12004), 또는 다른 플랫폼-특정 또는 액세스가능 리소스를 참조할 수 있다.
태스크 정의 시스템(12304D)이 작업의 태스크를 정의함에 따라, 태스크 정의는 예컨대, 라이브러리(12314)에서 미래의 사용을 위해 카탈로그화되고 저장될 수 있다. 일부 실시예에서, 태스크 정의 시스템(12304D)은 이전에 카탈로그화된 태스크 정의로부터 태스크 정의를 적응시킬 수 있다(예를 들어, 이전에 카탈로그화된 태스크 정의로부터 특정 타입의 환경 또는 특정 조건에 대한 태스크 정의를 적응시킴). 이러한 실시예에서, 태스크 정의 시스템(12304D)은 적응 명령어와 함께 라이브러리(12314)에서의 파생 태스크 정의를 카탈로그화할 수 있다. 일부 실시예에서, 라이브러리(12314)에서 카탈로그화되는 태스크 정의는 이미 카탈로그화된 태스크 정의와 연관될 수 있고/있거나 이미 카탈로그화된 태스크 정의를 대체할 수 있고, 기존 태스크의 서브-태스크로서 카탈로그화될 수 있는 등이다. 일반적으로, 태스크 정의는 연관된 태스크, 직렬화된 태스크, 중첩된 태스크 등을 포함할 수 있다.
작업에 관한 정보는 미래의 사용을 위해 라이브러리(12314)에 저장될 수 있고, 따라서, 태스크 정의 시스템(12304)은 라이브러리(12314)에 액세스하여 작업, 로봇, 플릿 등에 관한 정보를 검색할 수 있다. 환기 시스템의 검사의 현재의 예시적인 실시예에서, 라이브러리(12314)를 통해 액세스가능한 정보는, 예를 들어 환기 시스템의 물리적 구성에 관한 정보에 액세스하는 방법을 포함할 수 있다. 태스크 정의 시스템(12304)은 또한, 예컨대, 환기 검사 작업에 대한 태스크의 리스트에 하나 이상의 태스크를 추가하는 것, 작업 실행 시스템에 의해 수행되는 태스크 정의의 최적화로부터의 결과 등에 의해, 정보를 업데이트하기 위해 라이브러리(12314)에 액세스할 수 있다.
태스크 정의 시스템의 최적화 특징은 작업흐름 시뮬레이션 시스템(12308) 등과 같은 작업 구성 시스템(12018)의 다른 요소로부터의 피드백과 관련하여 아래에 설명된다.
태스크 정의는 작업흐름 정의 시스템(12306) 및 플릿 구성 시스템 프록시(12305)와 같은 작업 구성 시스템(12018)의 다른 요소에 생성되고 제공될 수 있다. 실시예에서, 플릿은 태스크 정의(및 다른 적합한 정보)를 플릿 구성 시스템(12020)에 제공할 수 있다. 예에서, 플릿 구성 시스템 프록시(12305)는 (예를 들어, 지리, 타이밍 등에 기초하여) 플릿 구성 및 플릿 리소스 재고 및 요청된 작업에 관련된 할당 데이터에 기초하여 (태스크 설명(들)(12304A)에 표시된 바와 같이) 태스크를 수행하기 위한 후보 로봇의 세트를 특정 로봇 타입(및 선택적으로 플릿 내의 특정 로봇)으로 좁힐 수 있다. 플릿 구성 시스템 프록시(12305)는 플릿의 리소스를 관련 태스크 정보와 정렬하기 위해, 로봇 식별 정보(예를 들어, 로봇 타입 등)를 포함할 수 있는 태스크 정의를 처리할 수 있다. 일 예에서, 플릿 구성 프록시(12305)는 작업 구성 시스템(12018)을 통해 처리되고 있는 작업 요청의 목표 중 적어도 일부를 지원하는 플릿 리소스 할당, 스케줄링 등을 수행하기 위해, 플릿 리소스 프로비저닝 시스템(12014)과 같은 플릿 동작 요소에 의한 사용에 적합한 데이터를 생성할 수 있다. 플릿 구성 프록시(12305)는 작업 요건을 충족시키는 후보 플릿 구성을 결정하기 위해 플릿 구성 모델링을 이용할 수 있다. 모델링은 플릿 구성 기능, 리소스 할당 등 동안 고려될 수 있는 플릿 리소스에 대한 영향을 결정하는 데 유용할 수 있다. 실시예에서, 플릿 구성 모델링은 하나 이상의 작업 설명 요건을 또한 충족시키는 하나 이상의 선호되는 플릿 구성을 결정할 때 기계 학습, 인공 지능 등과 같은 플랫폼 지능 계층 리소스의 사용을 포함할 수 있다. 플릿 구성 시스템(12020)은 본 개시의 다른 곳에서 더 상세히 설명된다.
작업흐름 정의 시스템(WORKFLOW DEFINITION SYSTEM)
실시예에서, 작업 구성 시스템(12018)은 태스크 정의 시스템(12304)으로부터 태스크 정의를 수신하고, 플릿 구성 시스템(12020)으로부터 플릿 구성 정보를 수신하고, 태스크 순서화(예를 들어, 결과물 및/또는 태스크의 타이밍)를 용이하게 하고 그에 기초하여 하나 이상의 작업 작업흐름을 생성할 수 있는 다른 작업 요청 정보를 수신하는 태스크 작업흐름 정의 시스템(12306)을 포함할 수 있다. 실시예에서, 작업흐름 정의 시스템(12306)은 태스크 정의, 작업 파싱 시스템, 및 유지보수 관리 시스템, ERP 시스템 등과 같은 실시간 외부 데이터로부터의 출력을 사용하여 작업흐름 가능성을 식별하여 태스크 작업흐름을 결정하기 위해 플릿 관리 시스템으로부터의 정보를 포함한다. 실시예에서, 태스크 작업흐름은 프로젝트/작업을 수행하기 위해 태스크가 수행되는 순서 및 방식을 정의한다. 실시예에서, 작업흐름 정의 시스템(12306)은 작업의 하나 이상의 활동을 수행하기 위한 하나 이상의 작업흐름을 생성하기 위해 작업 설명 정보를 태스크 정의 및 플릿 구성 데이터의 세트에 적용할 수 있다. 예로서, 작업흐름은 환기 입구 포트 등과 같은 포털을 통해 환기 도관에 진입하는 것과 같은 활동을 커버할 수 있다. 이 활동에 대해 정의된 태스크는 작업흐름 또는 그 일부로 수집되고, 작업 요건에 대한 적절한 준수를 보장하도록 정렬되고, 활동/작업흐름을 수행하기 위한 요건의 세트로서 게시될 수 있다. 태스크 작업흐름 정의는 작업흐름 정의 시스템(12306)에 의해 순서화되는 하나 이상의 작업에 대해 플릿 구성 시스템(12020)에 의해 제공될 수 있는 로봇, 툴/엔드 이펙터 등의 수량 및 타입을 설명하는 정보를 포함할 수 있다. 실시예에서, 작업흐름 정의의 이 부분은, 예를 들어, 작업흐름에서 태스크를 수행하기 전에 앞서 준비될 하나 이상의 로봇 등의 요구되는 구성을 식별하고 결정하기 위해(예를 들어, 작업흐름에서 정의되는 태스크를 수행하기 전에 태스크를 수행하는 것을 가능하게 하는 구성으로 다목적 로봇이 (재)구성되는 것을 보장하기 위해) 작업 구성 시스템(12018)(예를 들어, 작업 실행 시스템(12022))의 다른 모듈에 의해 이용될 수 있다. 작업 실행 계획에서 생성된 다른 정보는 (예를 들어, 작업흐름 시스템에 의해 생성된 바와 같은) 태스크의 시퀀스를 포함할 수 있으며, 이는 태스크를 수행하는 데 요구되는 로봇의 시퀀스를 추가로 식별할 수 있다.
작업흐름 정의 시스템은 작업흐름을 정의할 때 로봇 구성 라이브러리(12314)의 리소스를 이용할 수 있다. 태스크 사이의 최소 시간을 결정하는 방법, 태스크간 조정, 태스크 분류, 작업흐름 범위 등과 같은 작업흐름 정의 파라미터는 라이브러리(12314)에서, 및/또는 작업 요청으로부터 검색된 정보에서 이용가능할 수 있다. 이들 및 다른 파라미터는 디폴트 값으로 설정될 수 있지만, 예를 들어, 작업-특정 요구를 충족시키기 위해 작업흐름 정의 시스템에 의해 조정될 수 있는 작업-특정 변수를 포함할 수 있다. 태스크 작업흐름 정의를 개발하기 위해 로봇 구성 라이브러리(12314) 정보를 사용하는 예는 샘플링 작업이 뒤따르는 로봇 이동 태스크를 포함할 수 있다. 샘플링될 재료/객체와 관련된 로봇 구성 라이브러리(12314) 내의 정보는, 예컨대, 주변 먼지가 정착될 수 있게 하기 위해서, 로봇이 배치된 후의 최소 체류 시간이 샘플링 전에 만족되어야 한다는 것, 등을 나타낼 수 있다. 작업흐름 정의 시스템이 로봇 구성 라이브러리(12314)로부터 이용할 수 있는 다른 유용한 정보는 작업의 이전 실행을 위해 개발된 작업흐름과 같은 템플릿, 사전 구성된 또는 디폴트 작업흐름을 포함할 수 있다. 작업흐름 정의 시스템은, 존재하는 경우, 라이브러리(12314) 내의 어느 작업흐름(베이스 작업흐름)이 현재 작업 작업흐름 정의 인스턴스에서 사용하기에 적합한지를 결정할 수 있으며; 검색된 작업흐름에 대한 조정을 결정하고; 베이스 작업흐름에서 발견되지 않는 추가적인 태스크를 포함할 수 있고/있거나 베이스 작업흐름에서 발견되는 불필요한 태스크를 배제할 수 있는 인스턴스-특정 작업 작업흐름 등을 생성하도록 구성된다.
작업 작업흐름 정의를 개발하는 데 유용할 수 있는 로봇 구성 라이브러리(12314) 정보의 다른 예는 센서 검출 패키지의 가용성을 포함한다. 이러한 센서 검출 패키지는 태스크를 감지하는 바람직한 시퀀스를 표시할 수 있고, 따라서 그러한 태스크의 작업흐름에 영향을 미칠 수 있다. 이들 및 관련된 재구성된 센서 및 검출 패키지는 센서 선택, 감지, 정보 수집, 전처리, 라우팅, 통합, 처리 등을 조합할 수 있다. 이러한 센서 및 검출 패키지는, 작업 실행, 모니터링, 및 보고 시스템(12022)에 의한 사용을 위해 작업 실행 계획에 포함되는 것과 같이, 플릿 구성 프로세스에 포함될 수 있다. 실시예에서, 그 사용은 모니터링 활동의 범위 등을 서빙하는 것으로서 표시된다.
작업 작업흐름 정의 시스템은 팀 등과 같은 플릿 리소스의 병렬화된 사용을 포함할 수 있는 작업 실행 계획을 구성하는 특히 잠재적인 작업흐름 독립성 및 의존성을 식별하기 위해 태스크 대 태스크 의존성을 검사할 수 있다(예를 들어, 제2 태스크를 수행하는 것은 제1 태스크를 완료하는 것에 의존한다).
팀 트윈 능력, 플릿 트윈 능력 등과 같은 지능 계층의 특징은 또한, 작업 구성 시스템(12018)의 작업흐름 시뮬레이션 시스템(12308)에서와 같이, 작업흐름을 시뮬레이션하고 검증하기 위해 유익하게 적용될 수 있다. 작업흐름 시뮬레이션 시스템(12308)은 작업흐름 정의 시스템에 의해 작업 작업흐름으로 조직된 부분과 같은 작업 구성의 부분의 시뮬레이션을 수행할 수 있다. 작업흐름 시뮬레이션의 예에서, 태스크 정의 시스템에 의해 정의되고 작업 작업흐름의 일부로 조직화된 태스크의 세트는 로봇 트윈, 태스크 트윈, 작업흐름 트윈, 팀 트윈, 및 플릿 트윈과 같은 로봇, 태스크, 작업흐름 등에 대한 기능적 등가물을 사용하여 모델링될 수 있다. 이러한 트윈은 라이브러리(12314)로부터 검색되고, 정의된 태스크를 검증하는 것과 같이, 태스크의 세트를 시뮬레이션하기 위해 프로세서에 의해 실행될 수 있다. 실시예에서, 플릿 지능 시스템은, 예컨대, 인공 지능 환경 기계 학습 환경에서 동작하는 하나 이상의 작업흐름 모델 및/또는 태스크/로봇/플릿 트윈에 작업흐름 정의 및 태스크 정의를 적용함으로써, 이러한 작업흐름 시뮬레이션의 적어도 일부를 제공하는 데 활용될 수 있다.
작업흐름 시뮬레이션 시스템(12308)은 또한 작업흐름 정의, 태스크 정의, 로봇 선택 등을 개선하는 데 유용할 수 있는 작업흐름 정의 시스템에 의해 정의된 작업흐름을 시뮬레이션하는 것으로부터 피드백을 생성할 수 있다.
작업흐름 시뮬레이션 시스템(12308)은 작업흐름이 태스크, 작업 등을 적시에 그리고 성공적으로 완료하는 것과 같은 기준을 충족시키는지를 결정하기 위한 기준을 확립하거나 다른 방식으로 액세스할 수 있다. 작업흐름 시뮬레이션의 결과를 측정하기 위한 이러한 기준을 적용함으로써, 작업흐름 시뮬레이션 시스템(12308)은, 예를 들어, 태스크 정의 시스템, 작업 파싱 시스템 등에 피드백을 제공하기 전에, 하나 이상의 작업흐름 옵션, 작업흐름 정의 시스템을 따라 전달되는 로봇 옵션, 플릿 구성 옵션 등을 검증할 수 있다. 기준을 충족시키지 않는 옵션(예를 들어, 과잉의 리소스를 소비하고, 로봇의 마모를 초래하고, 스케줄을 충족시키지 못하는 등)은 태스크를 작업흐름으로 구조화하는 것 등과 같은 작업 구성 기능을 개선하기 위해 이와 같이 마킹될 수 있다.
추가로, 작업흐름 시뮬레이션 시스템(12308)은 플랫폼(12000) 지능 계층을 활용할 수 있다. 실시예에서, 플랫폼(12000) 지능 계층은 요청된 작업을 수행하기 위한 작업흐름 정의에 대한 플릿 기반 영향의 중요한 이해를 제공할 수 있는 플릿 트윈 모듈의 인스턴스에 대한 액세스 및 그 인스턴스의 동작을 제공할 수 있다. 실시예에서, 플릿 지능 시스템의 물류 트윈은 작업 현장으로의 로봇 플릿 전달을 위한 로봇, 인력, 지원 장비 등의 배송 및 비용의 모델링의 동작을 통해 유용한 작업흐름 시뮬레이션 정보를 제공할 수 있다. 플릿 물류의 이러한 모델링은 (아마도 요청된 작업의 선호되는 시작 날짜 이후에) 곧 이용가능하게 될 로컬 플릿이 로직을 및 작업 현장으로의 이송이 필요한 현재 이용가능한 승무원을 이용하는 것보다 더 낮은 비용으로 작업을 완료할 수 있다는 것을 드러낼 수 있다. 실시예에서, 플릿 트윈은 선호되는 작업 실행 시간 동안 로봇에 대한 로봇 유지보수 요건과 같은 플릿 동작을 모델링함으로써 스케줄링된 작업 동안 이용가능한 로봇 동작 자산을 식별하는 것을 용이하게 할 수 있다. 실시예에서, 플릿 지능 시스템의 태스크 트윈 능력은, 예컨대, 다목적 로봇이 상이한 태스크(예를 들어, (i) 환기 검사 완드를 환기 시스템 포트로 이동시키고; (ii) 환기 시스템으로부터 제거되는 잔해물을 수집 및 이동시킴)를 수행하기 위해 작업 동안(예를 들어, 태스크 동안) 재구성될 때, 로봇 구성의 모델링을 용이하게 할 수 있다. 플릿 지능 시스템의 태스크 트윈 능력은 선택적으로 정의되고 있는 후보 작업흐름 또는 그 일부를 수행하기 위해 사전 구성된 로봇 트윈의 가상 세트를 적용함으로써 작업흐름 시뮬레이션을 통해 작업흐름 정의 명확성에 추가로 이익을 줄 수 있다. 실시예에서, 플릿 지능 시스템의 팀 트윈 능력은, 예를 들어, 사전 구성된 로봇 팀을 사용하여 작업흐름 정의 시스템에 의해 준비된 후보 작업흐름을 동작시키고 검증함으로써 작업 구성 시스템(12018)의 작업흐름 시뮬레이션 시스템에 이익을 줄 수 있다.
실시예에서, 작업흐름 시뮬레이션의 결과는 작업 실행 계획에서 사용하기에 적합한 하나 이상의 데이터 구조를 포함할 수 있다.
태스크 정의, 로봇 정의, 작업흐름 정의, 플릿 구성 파라미터 등에 더하여, 작업 실행 계획은 작업 구성 시스템(12018)에 의해 또는 그와 연관하여 구축/구성될 수 있는 스마트 계약, 작업 리소스(예를 들어, 로봇의 플릿)에 대한 배달 시간, 결과물의 스케줄 등과 같은 작업에 대한 계약을 식별할 수 있다.
실시예에서, 플릿 구성 시스템(12020)은 태스크 정의 및/또는 작업흐름 정의에 기초하여 작업에 대한 플릿의 리소스를 구성한다. 플릿 구성 시스템(12020)은 예산, 환경 조건, 시간 제약, 로봇 및/또는 부품의 이용가능한 재고 등과 같은 다른 고려사항에 기초하여 플릿 구성을 결정할 수 있다. 플릿 구성 시스템(12020)은, 태스크가 작업흐름으로 조직화될 때와 같이, 작업 구성 시스템(12018)과 협력하여 동작할 수 있다. 태스크 정의는, 예를 들어, 특수 목적 또는 다목적 로봇에 의해 수행될 수 있는 태스크를 정의할 수 있다. 작업 작업흐름은 각각의 타입의 로봇의 가용성에 의해 영향을 받을 수 있으므로, 작업 구성 시스템(12018)은 후보 작업 작업흐름을 결정할 때 플릿 구성 시스템(12020)을 활용할 수 있다. 예로서, 특수 목적 로봇(예를 들어, 특수 목적 로봇은 구성되는 작업을 위해 제공될 수 있음)의 플릿 구성 시스템에 의한 할당을 포함하는 작업흐름은 이러한 타입의 로봇 사이의 차이들을 고려하기 위해 (다목적 로봇을 활용하는 작업흐름과 비교하여) 조정될 필요가 있을 수 있다. 특수 목적 로봇은 다목적 로봇보다 더 효율적으로 및/또는 더 큰 정밀도로 태스크 또는 태스크들을 수행할 수 있으며; 따라서, 특수 목적 로봇 작업흐름은 더 짧은 완료 시간(예를 들어, 더 큰 로봇 효율)으로 또는 독립적인 확인 단계(예를 들어, 더 큰 정밀도 또는 자체 검증 특수 목적 로봇 능력) 없이 구성될 수 있다. 이들은 단지 플릿 구성 시스템의 작업흐름 정의에 대한 영향에 대한 잠재력을 예시하기 위한 예들일 뿐이다.
실시예에서, 요청된 작업에 대한 플릿 구성은 플릿 리소스를 특정 태스크 및/또는 프로젝트에 할당되는 로봇 팀으로 구성하는 것을 포함할 수 있다(로봇 또는 로봇의 팀이 다수의 태스크 및/또는 프로젝트를 할당받을 수 있다는 점에 유의한다). 각각의 로봇 팀은 특수 목적 로봇, 다목적 로봇, 강성 및/또는 소프트 로봇, 외골격 로봇, 인간, 작업 동물 등 중 임의의 하나 이상을 포함할 수 있는 하나 이상의 로봇 운영 편성 단위를 포함할 수 있다. 또한, 구성된 로봇 팀은 작업 특정적일 수 있고, 팀 멤버십은 임의의 주어진 로봇 운영 편성 단위에 대해 일시적일 수 있다. 예로서, 용접 작업을 수행하도록 구성된 특수 목적 용접 로봇, 또는 선택적으로 다목적 로봇은 용접 작업이 제1 로봇 팀에 의해 수행되고 있는 시간의 지속기간 동안에만 제1 로봇 팀에 할당될 수 있다. 동일한 용접 가능 로봇은 또한 제2 로봇 팀 용접이 수행되고 있는 시간의 지속기간 동안에만 제2 로봇 팀에 할당될 수 있다. 용접 가능 로봇과 같은 플릿 리소스의 시간 공유는 예를 들어 플릿 구성 시스템(12020)으로부터 작업 구성 시스템으로 통신될 수 있어서, 작업 구성 시스템에 의해 정의되는 작업흐름은 로봇 팀 각각에 대한 용접 가능 로봇의 가용성을 고려할 수 있다. 실시예에서, 임의의 주어진 로봇 또는 로봇의 그룹은 로봇-특정 시간 공유 접근법 또는 다른 리소스 활용 최적화 기술을 사용하여 플릿 구성 시스템(12020)에 의해 다수의 작업에 걸쳐 확산된 다수의 팀에 할당될 수 있다. 일 예에서, 플릿 구성 시스템(12020)은 하루, 시간, 또는 그 분율과 같은 시간 단위 동안 플릿 내의 각각의 로봇을 하나의 작업에 할당하는 다차원 로봇 활용 계획 시스템을 사용할 수 있어, 작업 구성 시스템의 각각의 인스턴스가 특정 시간(예를 들어, 화요일 23일 오전 10시부터 오후 4시까지) 또는 시간 유닛의 양(예를 들어, 연속 6시간) 동안 로봇의 사용을 요청하는 것을 허용한다. 플릿 구성 시스템(12020)은 작업 작업흐름 정의 등을 통지하는 로봇 플릿 구성 설명으로 요청에 응답할 수 있다.
실시예에서, 플릿 구성은 작업에서의 하나 이상의 태스크의 수행을 위해 로봇의 팀 또는 플릿에 포함되는 다목적 로봇을 구성하기 위한 (예를 들어, 태스크 정의 시스템 등에 의해 표시될 수 있는 바와 같은) 다목적 로봇 구성 정보를 더 포함할 수 있다. 다목적 로봇 구성 정보는 엔드 이펙터, 동기 어댑터, 센서, 이미지 처리 모듈, 특수 목적 처리 모듈, 통신 모듈 등을 포함하는, 로봇에 결합될 수 있는 모듈을 정의할 수 있다. 다목적 로봇 모듈 및 활용은 본 출원의 다른 곳에서 추가로 설명된다.
일부 실시예에서, 요청된 작업에 대한 플릿 구성은 에지 디바이스, 충전 능력, 로컬 데이터 저장 능력, 배송 컨테이너, 도킹 스테이션, 예비 부품, 요구되는 기술자 등과 같은 로봇 지원 리소스를 할당하는 것을 포함할 수 있다. 실시예에서, 플릿 구성 시스템은 또한 로봇을 팀 조직(예를 들어, 감독자), 보안, 인간 상호작용, 검사/품질 제어 등과 관련된 역할과 같은 별개의 역할에 할당할 수 있다. 이러한 역할은 작업 요청에서 개별적으로 정의되지 않을 수 있으며; 그러나, 작업 요청(예를 들어, 품질 검사 보고)에서의 기준은 이러한 로봇 역할 할당으로 이어질 수 있다. 실시예에서, 플릿 구성 시스템(12020)은 인간 팀 구성원 참여 요건, 지원, 장비 등을 비롯하여, 인간에 대해 일부 팀 역할을 지정할 수 있다. 플릿 구성 시스템은 팀 구성원으로서 인간을 지정할 때 인간 안전을 고려할 수 있다. 예로서, 인간 팀 구성원은 용접 작업을 수행하는 팀에 참여할 때 안전 얼굴 차폐구를 착용하도록 요구될 수 있다.
실시예에서, 플릿 구성 시스템(12020)은 플릿 구성을 결정하기 위해 라이브러리를 활용할 수 있다. 이러한 실시예에서, 플릿 구성 시스템(12020)은 특정 태스크를 수행하기 위해 상이한 구성을 정의하는 라이브러리(12314)를 사용하여 정의된 태스크 또는 프로젝트에 대한 팀 구성을 결정할 수 있으며, 이에 의해 룩업 테이블 또는 다른 연관이 주어진 태스크의 세트에 대한 팀 구성을 결정하는 데 사용된다. 실시예에서, 라이브러리(12314)는 다목적 로봇과 같은 상이한 로봇 타입의 속성을 포함할 수 있다. 예로서, 다목적 로봇의 속성은 다목적 로봇의 최소 크기를 나타낼 수 있다. 실시예에서, 플릿 구성 시스템(12020)은 작업 파싱 시스템(12302)에 의해 식별된(그리고 선택적으로 태스크 정의로 구성된) 속성 및 하나 이상의 작업 요청 파라미터에 기초하여 태스크를 수행할 수 있는 로봇의 타입을 필터링할 수 있다. 태스크 또는 작업 동작이 (예를 들어, 작업 파싱 시스템(12302), 기존 작업 실행 계획(12310), 작업 요청(12300) 등에 의해 생성된 데이터에 기초하여) 이용가능한 최소 크기의 다목적 로봇보다 작은 공간에 대한 액세스를 요구할 때, 플릿 구성 시스템(12020)은 다목적 로봇을 포함하지 않을 것이며; 대신에, 이는 크기 요건을 충족시킬 수 있는 상이한 로봇 및/또는 로봇 타입/구성을 식별하려고 시도할 것이다. 실시예에서, 플릿 구성 시스템(12020)은 정의된 태스크의 요건에 맞도록 로봇 크기/타입 등의 조합을 참조할 수 있다. 또한, 플릿 구성 시스템(12020)은 하나가 태스크의 다른 요건을 충족시키지 못할 수 있을 때 태스크를 수행하기 위해 2개의 로봇을 제안할 수 있다. 간단한 예에서, 장거리를 이동시킨 다음 작은 공간에서 액션을 수행하는 것을 수반하는 태스크는 장거리를 효율적으로 이동시키는(그리고 선택적으로 특수 목적 로봇을 수송하기에 적합한 페이로드 운반 능력을 포함하는) 다목적 로봇 및 작은 공간 요건을 충족시키는 특수 목적 로봇과 같은 로봇의 조합을 갖는 플릿 구성 시스템에 의해 해결될 수 있다. 실시예에서, 플릿 구성 시스템(12020)은 복수의 로봇, 로봇 타입, 로봇 구성 등을 포함하는 플릿 정의를 작업 구성 시스템(12018)에 전달할 수 있다. 플릿 구성 시스템(12020)의 일반적인 목표는 요청된 작업(12300)의 일부의 적절한 실행을 위해 가장 적은 수의 로봇 및/또는 로봇 타입을 요구하는 플릿 구성(들)을 생성하는 것을 포함할 수 있다. 그러나, 플릿 구성 시스템(12020)은 하나보다 많은 로봇 타입/구성/조합을 포함하는 태스크 특정 플릿 구성을 생성하기 위해 태스크 정의 시스템(12304)과 협력하여 작동할 수 있고, 그에 의해 플릿 관리 시스템(12000)의 다른 요소가 요청된 작업의 실행을 효율적으로 관리할 수 있게 한다. 이러한 플릿 구성은, 예를 들어, 복수의 정의된 로봇 태스크를 작업 작업흐름(12306D)으로 구성할 때 작업 구성 시스템(예를 들어, 작업 작업흐름 생성 시스템)의 다른 요소가 고려할 수 있는 로봇 등의 효율적인 사용과 같은, 목표를 충족시키기 위한 선호되는 로봇 및/또는 로봇 조합을 표시할 수 있다. 따라서, 플릿 구성은 태스크를 수행하기 위한 제1, 제2, 및 제3 로봇 표시를 포함할 수 있다. 대안적으로, 작업 요청에 대한 플릿 구성은 복수의 로봇을 식별할 수 있고, 각각의 로봇은 효율적인 작업 완료, 수익성, 플릿 로봇 사용 선호도 등과 같은 기준에 기초하여 활용 가중치를 할당받는다.
실시예에서, 플릿 구성 시스템(12020)은 다목적 로봇을 구성하기 위해 이용가능한 로봇 및/또는 모듈(예를 들어, 물리적 모듈 및/또는 소프트웨어 모듈), 그 로봇 및/또는 부품의 위치, 부품의 상태(예를 들어, 이용가능한 로봇 또는 부품에 대해 유지보수가 예정되어 있는지 또는 필요한지) 등을 결정하기 위해 재고 데이터 저장소를 참조할 수 있다. 이러한 방식으로, 작업, 태스크, 팀 등에 대한 플릿 구성은 로봇, 모듈, 지원 장비, 및/또는 예비 부품의 이용가능한 재고에 의해 결정될 수 있다. 또한, 본 출원에 설명된 바와 같은 플릿 유지보수 관리 시스템은, 어느 로봇이 중요한 유지보수를 위해 사용으로부터 예비 상태가 되어 있는지, 어느 로봇이 배치될 수 있지만, 서비스 및/또는 유지보수 또는 다른 우려, 예비 부품의 상태 또는 다른 서비스 활동(예를 들어, 마감일, 현재 위치, 예상 설치 등)로 인해 감소된 능력을 갖는지와 같이, 재고 데이터 저장소에 추가될 수 있고/있거나 그에 보충될 수 있는 로봇 상태의 양태를 추적할 수 있다. 따라서, 플릿 구성 시스템(12020)은 작업에 영향을 줄 수 있는 플릿 리소스 유지보수 지식에 관해 플릿 유지보수 관리 시스템을 참조하고/하거나 플릿 유지보수 관리 시스템에 의해 통지받을 수 있다. 추가적으로 또는 대안적으로, 플릿 구성 시스템(12020)은 플랫폼(12000) 지능 계층(12004)으로부터 플릿 구성을 요청할 수 있으며, 여기서 인공 지능 시스템(12028)은 태스크 정의, 작업흐름 정의, 예산, 환경 정의, 작업 타임라인 등을 포함하는 파라미터의 세트를 입력으로서 수신하고, 복수의 후보 플릿 구성을 평가하고, 작업을 수행할 수 있는 타겟 플릿 구성을 결정할 수 있다. 실시예에서, 인간은 플릿 구성 시스템의 휴먼 인터페이스를 통해 플릿 구성의 임의의 부분을 정의하거나 재정의할 수 있다.
실시예에서, 작업 및 플릿 구성은 디지털 트윈 시스템에 공급될 수 있고, 이에 의해 디지털 트윈 시스템은 작업 및 플릿 구성이 주어지면 작업의 시뮬레이션을 수행할 수 있다. 작업 구성 시스템(12018) 및/또는 플릿 구성 시스템(12020)은 작업 타임라인, 전체 비용, 로봇 중단시간, 유지보수 관련 중단시간, 배송 비용 등과 같은 하나 이상의 파라미터를 최적화(또는 실질적으로 최적화)하기 위해 작업 구성 및 플릿 구성을 반복적으로 재정의할 수 있다. 작업 구성 시스템(12018) 및 플릿 구성 시스템(12020)이 태스크 및 작업흐름 정의들 뿐만 아니라, 또한 다목적 로봇 구성 및 팀 할당을 포함하는 플릿 구성을 결정하면, 플릿 관리 플랫폼은 작업 요청에 대응하는 작업 실행 계획(12310)을 출력할 수 있다.
실시예에서, 플릿 구성 시스템(12020)은 플릿 리소스를 구성할 때 디지털 트윈을 활용할 수 있다. 플릿 구성을 동반한 디지털 트윈의 사용은 태스크 정의(12304D)에서의 정보에 기초하여 하나 이상의 로봇의 하나 이상의 디지털 트윈을 식별 및/또는 정의하는 것을 포함할 수 있다. 플릿 구성은 다목적 로봇이 태스크 또는 그 일부를 수행할 수 있도록 다목적 로봇의 구성 및/또는 동작을 식별하는 것을 포함할 수 있다. 이러한 다목적(및 선택적으로 특수 목적) 로봇 태스크 구성 명령어는 태스크를 수행하기 위한 후보 로봇의 세트 중 하나 이상에 대한 디지털 트윈의 사용을 통해 생성될 수 있다. 예시적인 예에서, 다목적 로봇은 루틴, 액션, 태스크 등을 수행하도록 다목적 로봇을 구성하기 위한 복수의 구성/운영 데이터 구조와 연관될 수 있다. 플릿 구성 시스템(12020)은 태스크를 수행하기 위해 사용하기 위한 (예를 들어, 라이브러리(12314)로부터의) 하나 이상의 후보 다목적 로봇 구성 데이터 구조를 식별하거나 다른 방식으로 제공받을 수 있다. 이러한 후보 구성 데이터 구조의 일부는 엔드 이펙터가 패널 회전 유지 볼트를 고정하기 위한 회전율을 포함할 수 있다. 요청된 작업 요건은 패널을 보안하기 위한 회전율이 후보 구성 데이터 구조에서의 값과 상이하다는 것을 명시적으로 또는 암시적으로 표시할 수 있다. 실시예에서, 플릿 구성 시스템은 후보 구성 데이터 구조에 대한 임의의 조정(예를 들어, 회전율을 감소시킴)을 행하고, 이를 후보 다목적 로봇의 디지털 트윈의 인스턴스화에 적용하고, 조정된 구성 데이터 구조를 갖는 디지털 트윈의 실행(예를 들어, 시뮬레이션)을 관찰 및/또는 평가하고, 이를 라이브러리(12314) 등에 저장할 수 있다. 새롭게 저장된 구성 데이터 구조는 미래에 효율적인 액세스를 위해 작업 요청 및/또는 요청된 작업, 태스크 등의 다른 파라미터에 기초하여 카탈로그화될 수 있다.
로봇 구성 라이브러리(12314)는 작업 정보, 로봇 정보, 플릿 정보, 로봇 태스크를 정의하는 방법을 결정하는 데 유용할 수 있는 태스크 정의 규칙/메타데이터, 작업흐름 구성 규칙 및/또는 기술, 작업 구성 시스템의 적용으로부터의 이전 작업 요청 결과(예를 들어, 이전 작업 실행 계획) 등을 포함할 수 있다. 이 라이브러리(12314)는 작업 동작 플랫폼의 기능에 의해 액세스 및/또는 업데이트될 수 있다. 라이브러리(12314)의 예시적인 예는 작업 구성 등과 같은 작업 동작 플랫폼 기능 및 특징과 함께 본 출원에서 다양하게 설명된다. 예로서, 로봇 구성 라이브러리(12314)는 플릿 구성, 작업 실행 등 동안 이용될 수 있는 다목적 로봇의 구성에 대한 특정 참조를 포함할 수 있다. 이 예에서, 로봇 구성 라이브러리(12314)는 로봇 구성 데이터 세트(예를 들어, 다목적 로봇에 업로드될 때 로봇이 기립, 용접 등과 같은 기능을 수행하는 것을 가능하게 할 수 있는 데이터)에 대한 참조를 가질 수 있다. 또한, 라이브러리는 주어진 구성으로 구성된 로봇의 성공적인 배치를 위해 요구될 수 있는 베이스 모델, 버전, 요구되는 특징 등과 같은 다른 로봇 관련 정보와 다목적 로봇 구성의 상호 참조를 제공할 수 있다. 또한, 라이브러리는 로봇 모델의 더 새로운 버전이 특정 구성에 의해 제공되는 내장된 능력을 포함할 수 있다는 것을 표시하는 것과 같이, 로봇 및 구성의 특정 조합에 대한 대안을 제안할 수 있다. 따라서, 플릿 구성 시스템은 상이한 작업을 위해 어느 로봇을 배치할지를 결정하는데 있어서 더 큰 유연성을 가질 수 있다. 로봇 구성 라이브러리 등과 같은 컨텍스트 수정자를 사용하여 라이브러리(12314)에 대한 참조가 본 출원에서 이루어진다. 이러한 컨텍스트 수정자는 단지 예시적인 목적을 위해 라이브러리(12314)의 하나 이상의 부분 및/또는 인스턴스를 제안할 수 있다.
실시예에서, 태스크 정의 시스템의 최적화 특징은 작업흐름 시뮬레이션 시스템(12308) 등과 같은 작업 구성 시스템(12018)의 다른 요소로부터의 피드백과 연관하여 아래에 설명된다.
도 136은 플릿 운영 시스템의 실시예 및 그 데이터 흐름을 도시하는 흐름도를 제시한다. 예시적인 실시예에서, 플릿 운영 시스템 및 플릿 지능 시스템은, 작업 실행 계획의 실행 인스턴스를 적응시키기 위한 것과 같은, 구성 활동의 작업 실행-시간 반복에 대한 피드백을 수행한다. 도 136의 실시예는 본 출원에 표시되고 설명된 로봇 플릿 플랫폼(12002)의 방법 및 시스템의 실시예를 도시하며, 여기서 작업 구성 시스템(12018) 내의 피드백은 태스크 정의(12304D) 및 작업흐름 정의(12306D)와 같은 작업 실행 계획(12310)의 컴포넌트를 생성할 때 구성 활동을 반복하는 것을 용이하게 한다. 이러한 실시예에 대해 설명된 바와 같이, 플릿 지능 시스템(12004)은 적어도 이러한 반복을 위해 사용될 수 있다. 그러나, 플릿 지능 시스템(12004)의 리소스는 또한 또는 추가적으로 작업 실행 계획(12310)의 실행을 향상시키기 위해 사용될 수 있는 것으로 고려된다.
도 136의 예에서, 플릿 운영 시스템(12002)의 작업 실행 시스템(12022)은, 예를 들어, 작업 요청에 응답하여 작업 구성 시스템(12018)으로부터 작업 실행 계획(12310)을 수신할 수 있다. 작업 실행 시스템(12022)은 계획을 단계적으로 수행하고, 로봇 유닛 및 다른 플릿 리소스를 활성화 및 모니터링하고, 피드백(12322), 선택적으로, 예를 들어, 로봇 유닛 모니터링 데이터에 기초한 실시간 피드백을 제공함으로써 작업 실행 계획(12310)의 수행을 용이하게 할 수 있다. 이 피드백(12322)은, 예를 들어, 태스크 정의 등과 같은 작업 실행 계획에 대한 조정을 결정하기 위한 플릿 지능 시스템(12004)의 인공 지능 능력에 의해 처리될 수 있다. 이러한 피드백 및 조정이 실시간으로 또는 거의 실시간으로(예를 들어, 작업흐름(12306D)에서의 단계와 같은 다가오는 작업 실행 활동 전에) 행해질 때, 작업 구성 시스템(12018)의 기능은 작업 실행 시스템(12022)에 의해 현재 실행되고 있는 계획의 인스턴스와 같은 기존의 작업 실행 계획을 수정하기 위해 반복될 수 있다. 작업 실행 계획 반복에 대한 건물 환기 검사 예에서, 환기 시스템에 진입하는 태스크는 건물 내의 복수의 위치에서 환기 포털 커버를 제거하는 것을 수반할 수 있다. 천장 포트로부터 초기 환기 포털 커버를 제거하는 로봇(또는 로봇의 팀)으로부터의 작업 실행-시간 피드백에 기초하여, 이 태스크의 정의는 체결구를 제거하는 동안 커버를 손상시키지 않고 커버를 제자리에 유지하기 위해 상이한 유지 기술을 요구하도록 적응될 수 있다. 실시예에서, 피드백은 제거 태스크의 이미지 및/또는 비디오를 포함할 수 있다. 실시예에서, 피드백은 제거 태스크를 수행하는 로봇(들)에 의해 결정되는 바와 같은 커버의 중량의 측정을 포함할 수 있다.
이러한 실시간(또는 거의 실시간) 시각적 피드백은 플릿 지능 시스템에 의해 분석되어 예를 들어, 커버 상의 배플의 일부가 제거 동안 변형되었다는 것을 결정할 수 있다. 플릿 지능 시스템(12004)의 인공 지능 시스템은 다양한 커버 지원 기술의 시뮬레이션을 수행하고 대응하는 태스크 정의를 업데이트하기 위한 작업 구성 시스템(12018)에 대한 입력으로서 하나 이상을 추천할 수 있다. 실시예에서, 플릿 지능 시스템은, 예를 들어, 로봇 태스크 라이브러리(12314) 등에 저장된 사전 구성된 태스크 정의를 업데이트하기 위해 시스템에 의해 사용될 수 있는 이 태스크 정의를 적응시킬 필요성에 관한 경보를 플릿 운영 시스템(12002)에 전송할 수 있다. 그러한 경보는 계류 중인 천장 기반 환기 커버 제거 태스크가 작업 실행 계획(12310)에서 리프레시되기 전에 실행되지 않도록 작업 실행 시스템(12022)과 조정하기 위해 플릿 운영 시스템에 의해 사용될 수 있다. 실시예에서, 작업 구성 시스템(12018)은 작업 실행 계획(12310)의 일부만을 작업 실행 시스템(12022)에 릴리즈할 수 있고, 따라서, 릴리즈되지 않은 부분은 적응되며; 이에 의해, 실행 계획에 대한 업데이트가 이루어지는 동안 작업이 중단되거나, 지연되거나, 또는 다른 방식으로 손상될 것을 요구하는 것과 같은, 작업 실행 시스템에 대한 영향을 완화시킨다.
본 출원에 제시된 작업 구성 등에 대한 예는 일반적으로 작업 구성 시스템(12018)에 의해 구성되는 단일 작업을 고려하지만, 동시에 구성되는 많은 작업이 있을 수 있다. 본 출원에 설명된 실시간 또는 거의 실시간 피드백을 위한 방법 및 시스템은 수행되고 있는 작업 구성 활동의 임의의 인스턴스에 적용될 수 있어서, 제1 작업의 태스크 정의에 대한 피드백이 제2 작업의 태스크 정의에 유익할 수 있는 한편, 상이한 엔티티로부터의 작업 요청을 동시에 처리하는 것을 지원하기 위해 필요한 작업 격리 요건을 유지할 수 있다(예를 들어, 작업 식별 데이터가 난독화될 수 있다).
또한, 도 136에는, 특히, 학습 및 최적화를 위해 플릿 지능 시스템(12004)에 의해 사용하기 위한 피드백의 형태로서 요청된 작업의 완료를 나타내는 데이터를 선택적으로 포착함으로써 미래의 작업 요청을 취급하기 위한 구성 활동(예를 들어, 본 출원에 설명된 바와 같은 작업 및 플릿 구성)을 추가로 향상시키기 위한 수단이 도시되어 있다. 실시예에서, 요청된 작업의 완료를 나타내는 데이터를 포착하는 것은 작업 완료 데이터 세트(12326)로부터 이러한 데이터를 추출하는 것을 포함할 수 있다. 이 작업 완료 데이터 세트(12326)는 학습 및 최적화(12324)에 유용할 수 있는 정보를 식별하는 것을 용이하게 하도록 구성될 수 있다. 일 예에서, 작업 완료 데이터 세트는 예컨대 메타데이터 태그, 논리적 및/또는 물리적 분리, 또는 예상으로부터의 예외 또는 큰 변형을 나타내는 다른 표시 데이터의 사용에 의해 지정될 수 있다. 예에서, 작업 완료 시에, 로봇 기능의 반복(예를 들어, 건물 환기 시스템으로부터 잔해물을 제거하기 위한 관절식 아암 이동)의 카운트는 기대된 수를 초과할 수 있다. 이러한 과도한 반복 카운트는 추출되어 플릿 지능 시스템(12004)에 전송될 학습 및 최적화 피드백(12324)에 대한 후보 정보로서 플래깅될 수 있다. 실시예에서, 작업 실행 계획(12310)은 학습 및 최적화 피드백(12324)을 위해 수집되고 사용될 데이터의 타입의 지표로 구성될 수 있다. 플릿 지능 시스템(12004)은 로봇 설계 엔지니어링 팀 등에 의해 이루어진 문의와 같은, 플릿 지능 시스템에 알려진 다른 인자에 기초하여 그렇게 표시될 데이터의 타입을 작업 구성 시스템(12018)에 추천할 수 있다. 실시예에서, 학습 및 최적화 피드백(12324)은, 특히, 인공 지능 서비스의 최적화(예를 들어, 로봇 팀, 로봇 타입, 작업흐름 등을 추천하는 것)를 수행하기 위해 플릿 지능 계층에 의해 사용될 수 있다. 본 출원에서의 설명을 참조하면, 사전 구성된 태스크, 로봇 구성, 팀 구성 등이 라이브러리(12314)로부터 검색될 수 있다. 작업 실행 계획의 이러한 사전 구성된 양태가 실행될 때, 수행을 나타내는 데이터는 이러한 사전 구성된 양태를 지속적으로 개선하기 위해 학습 및 최적화 피드백(12324)으로서 사용하기 위해 플래깅될 수 있다. 이 데이터의 사용의 결과는 실세계에서 더 잘 수행할 수 있는 필드 조건 적응된 사전 구성된 태스크 b를 포함한다. 이 데이터의 사용의 다른 결과는 개선된 디지털 트윈 및 기계 학습 모델을 포함한다.
도 137을 참조하면, 작업 파싱 시스템(12302) 및 태스크 정의 시스템(12304)의 실시예가 상호연결된 블록 및 데이터 흐름도로 도시되어 있다. 파싱될 작업 설명(12300)은 관련 작업 설명 세부사항, 목표, 목적, 요건, 선호도 등을 포함할 수 있고, 본 출원의 다른 곳에서 설명될 수 있다. 모든 관련 작업 정보가 요청 내에 포함될 수 있는 것은 아니지만, 보조 작업 설명 데이터(12404)에 대한 하나 이상의 링크가 포함될 수 있다. 보조 작업 데이터(12404)는 작업 요청 데이터 세트로부터 원격으로 저장될 수 있다(예를 들어, 작업 설명의 인터넷 URL을 통해 액세스될 수 있다). 선택적으로, 보조 작업 데이터(12404)는 플릿 라이브러리(12314), 요청자-특정 저장소 등에서와 같이, 플릿 관리 플랫폼(12000)에 액세스가능한 데이터 구조에 저장될 수 있다. 보조 작업 데이터(12404)는 공식 표준(예를 들어, 로컬 교란 규제, 안전(OSHA), 전기(NEC), 품질 등), 허용 요건(예를 들어, 형태, 단계, 타이밍, 다른 태스크에 대한 의존성 등), 작업의 법적 요건(예를 들어, 연합 승인, 관련 법률 등), 작업의 세부사항, 요청자 작업 표준(예를 들어, 요청자에 대한 워크맨십 표준), 산업 규범(예를 들어, 작업 시간, 재료 선택, 템플릿 등), 승인된 벤더(예를 들어, 누구로부터 공급물 및 다른 소모품을 취득하여야 하는지), 사전 구성된 태스크에 대한 참조, 작업의 각각의 양태에 대한 사용자 인터페이스 템플릿/메뉴/스크린(예를 들어, 사용자가 상태를 요청하고, 활동을 관찰하고, 작업 요건을 변경하고, 질의에 응답할 수 있는 방법 등) 등을 포함할 수 있다. 작업 요청 데이터(12300) 및, 표시되는 경우, 보조 데이터(12404)는 작업 인스턴스-특정 콘텐츠(12408)를 생성하기 위해 작업 데이터 변환 모듈(12403)과 협력하여 작동하는 태스크 정의 수집 시설(12402)에 의해 처리된다. 이 작업 인스턴스-특정 콘텐츠는, 특히, 입력 데이터에 정의될 수 있는(예를 들어, "태스크 B 전에 태스크 A를 수행") 및/또는 그로부터 도출될 수 있는(예를 들어, 객체의 설치는 반드시 객체가 수신된 후에 이루어져야 함) 초기 시퀀스 타이밍을 포함할 수 있다. 작업 데이터 변환 모듈(12403)은 작업 및 플릿 라이브러리(12314)와 같은 플릿 관리 플랫폼 액세스가능 라이브러리로부터 도출된 정보를 이용하기 위해 작업 설명 데이터를 변환할 때 데이터 처리 시스템(12030)과 상호작용할 수 있다. 수집 시설(12402)은 작업 식별 정보, 내부 보조 데이터에 대한 링크 등과 같은 일부 작업 설명 콘텐츠를 작업 인스턴스 저장소(12408)에 직접 저장할 수 있다.
실시예에서, 작업 파싱 및 태스크 정의를 용이하게 하기 위한 하나 이상의 인간 상호작용 능력은, (예를 들어, 텍스트 입력, 대화-봇, 햅틱-입력 등을 통해) 인간과 상호작용하여 작업 및 태스크 데이터를 사전 포맷팅, 조직화, 및 조사하기 위한 정보를 수집할 수 있는 지식-기반 시스템(예를 들어, AI-기반 등)을 포함할 수 있다. 이러한 상호작용은 작업 설명을 수신하는 것을 대신하거나 보충할 수 있다. 예로서, 작업 설명은 정상적인 작업 시간 후에 태스크를 수행하는 것에 대한 참조를 포함할 수 있으며, 이는 일몰 후의 작업을 포함할 수 있다. 여기에 언급된 상호작용 작업 설명 조사 능력 등은 명료화가 작업 설명 파싱에 유익할 수 있으며, 태스크 정의는 예컨대 작업이 인간에게 적합한 조명을 필요로 할 것이며, 그러한 경우, 어떤 조건을 필요로 할 것인지를 결정할 수 있다. 로봇 감지는 이러한 조명을 요구하지 않을 수 있기 때문에(예를 들어, 로봇 시각 기능은 적외선 또는 다른 비-인간 가시 광 방출의 사용을 통해 충족될 수 있음), 인간-가시 조명은 작업 실행 동안 특정 시간에(예를 들어, 기능의 시작에, 전달이 이루어지고 있을 때, 인간 검사자가 현장에 있을 때 등) 배치되는 것만이 요구될 수 있다. 작업 파싱의 일부로서 인간 상호작용을 위한 능력을 제공함으로써, 그러한 질문은 상호작용적으로 질문되고 답변될 수 있다.
작업 데이터 변환 모듈(12403)은 태스크 정의에 적합한 작업 인스턴스 콘텐츠를 구성하기 위해 수집 시설(12402)에 의해 생성되거나 이를 통과해 전달되는 작업 설명 정보를 사용할 수 있다. 작업 데이터 변환 모듈(12403)은 수집 시설(12402)에 의해 제공된 정보를 이용하여 (예를 들어, 선택적으로 도시된 바와 같이 데이터 처리 시설(12030)을 통해) 라이브러리(12314) 내의 콘텐츠를 질의할 수 있다. 태스크 정의에 유용하거나 유익할 수 있는 라이브러리 내의 콘텐츠는 작업 신택스(예를 들어, "프론트 엔드 로더(front end loader)", "사이버 보안(cybersecurity)", "하이-리프트 잭(hi-lift jack)" 등과 같은 주어진 작업, 작업 타입, 태스크의 세트 등과 관련된 용어들), 로봇 타입, 로봇 능력(예를 들어, 타입, 비용, 가용성 등에 의함), 키워드-대-작업 교차 참조, 작업흐름 정의 규칙, 작업 실행 계획 포맷/콘텐츠/구조를 포함할 수 있다. 또한, 라이브러리는 (예를 들어, 태스크 키워드 등에 기초한) 예시적인 다목적 로봇 구성, (예를 들어, 특정 타입 또는 클래스의 태스크를 수행하기 위한) 예시적인 팀 구성, 태스크 정의, 작업흐름 및 작업흐름 정의, 예시적인 작업 실행 계획(들) 등과 같은 다양한 태스크 정의 관련 활동에 대한 템플릿을 포함할 수 있다.
키워드 기반 태스크 룩업 모듈(124010)은 태스크 지향 키워드 등과 같은 정보를 작업 인스턴스 저장소(12408)에서 검색하고, 이들을 라이브러리(12314)에 적용하여 사전 구성되거나 템플릿화된 태스크 또는 그 부분을 잠재적으로 식별할 수 있다. 예로서, 작업 설명은 잠수될 때 태스크를 수행할 수 있는 로봇에 대한 필요성을 제안할 수 있는 "잠수" 등과 같은 키워드를 포함할 수 있다. 이러한 키워드가 액션 "잠수 굴착(submerged excavation)"과 조합될 때, 키워드 기반 태스크 룩업 시설(12410)은 굴착을 수행하고 잠수될 수 있는 로봇 타입을 식별할 수 있다. 라이브러리 내의 태스크의 디스크립터가 하나 이상의 작업 설명 키워드와 정렬되는 경우, 태스크는 작업에 대한 후보 태스크로 고려될 수 있다.
실시예에서, 태스크 정의기 모듈(12412)은 태스크 룩업 모듈(12410)에 의해 제공되는 후보 태스크들 뿐만 아니라 작업 인스턴스 저장소(12408) 내의 정보를 처리하여 하나 이상의 로봇에 의해 수행될 태스크에 대한 정의(12304D)를 형성할 수 있다. 태스크를 정의하는 것은 표준, 법률 등에 의해 미리 정의되는 태스크를 포함할 수 있다. 예로서, 후보 태스크는 공공 보도의 맨홀 덮개를 개방하는 것을 포함할 수 있다. 그러한 후보 태스크와 연관된 표준 및/또는 법률 등을 충족시키기 위한 미리 정의된 태스크는 지역 법 시행령 통지하는 것, 지역 공공 유틸리티, 개방된 구멍으로부터 지정된 거리에 안전 표지판을 배치하는 것, 개방된 구멍을 마킹하는 것, 구멍이 개방되어 있는 동안 구멍에서 시계를 유지하고 허가되지 않은 인간 진입을 능동적으로 방지하는 것 등을 포함할 수 있다. 각각의 태스크 정의는 태스크를 수행하기 위한 로봇 타입을 식별하는 데 유용한 정보를 포함할 수 있다.
실시예에서, 태스크 정의 시스템(12304)은 태스크 데이터와 정렬되는 로봇 타입의 특성을 식별함으로써 로봇 타입의 맥락에서 (예를 들어, 작업 요청 파서(12302)에 의해 제공되는 바와 같은) 작업 요청으로부터 도출된 태스크 데이터를 처리할 수 있다. 예시적인 실시예에서, 태스크 정의 시스템(12304)은 태스크 데이터가 태스크를 수행하기 위한 로봇의 특성이 핵 방사선 용인성(예를 들어, 원자로 코어를 검사하는 태스크)을 포함할 수 있음을 나타내는 것으로 결정할 수 있다. 이 예에서, 태스크 정의 시스템(12304)은 이 특성에 기초한 로봇 선택에 대한 요건을 적어도 포함하는 원자로 코어 검사 태스크에 대한 태스크 정의(12304D)를 생성할 수 있다. 이러한 예시적인 실시예에서, 태스크 정의(12304D)는 핵 방사선에 대한 요구되는 용인성 정도(rad 수, 노출의 지속기간 등)를 더 포함할 수 있다. 태스크 정의 시스템(12304)은 (예를 들어, 작업 요청으로부터 도출된 태스크 정보에 기초하여) 단일 로봇/로봇 타입에 포함하기에 적합하지 않을 수 있는 하나 이상의 로봇의 특성을 추가로 결정할 수 있다. 이 결정은, 예를 들어, 라이브러리(12314)에서 액세스가능한 로봇 특성 및 타입 데이터에 기초할 수 있다. 이러한 예에서, 태스크 정의 시스템(12304)은 라이브러리(12314) 내의 로봇 특성 정보와 일치하는 로봇 특성을 각각 갖는 다수의 태스크를 정의할 수 있다. 실시예에서, 태스크 정의 시스템(12304)은, 선택적으로, 로봇 등과 같은 플릿 리소스를 구성할 때 플릿 구성 시스템(12020)이 사용할 수 있는 다수의 비호환성 로봇 특성의 각각의 타입을 요구하는 태스크 하나 이상의 부분의 표시와 함께, 다수의 잠재적으로 비호환성인 로봇 특성으로 태스크를 정의할 수 있다. 실시예에서, 태스크 정의(12304D)는, 예컨대, (예를 들면, 작업 요청의 태스크 정보로부터 도출된) 태스크 요건의 정렬, 로봇 특성, 및 라이브러리(12314)에서 이용가능할 수 있는 로봇 타입에 기반하여, 태스크를 수행하기 위한 로봇의 타입에 대한 하나 이상의 제안을 포함할 수 있다. 아래에 설명되는 바와 같이, 플릿 구성 시스템(12020)은 임의의 제안된 로봇 타입을 포함하는 태스크 정의(12304D)를 평가할 수 있다. 태스크를 정의할 때 통신될 수 있는 다른 예시적인 데이터는 정의된 태스크를 포함하는 작업흐름을 정의하기에 적합할 수 있는 태스크 시퀀스 의존성을 포함할 수 있다. 예로서, 샘플 준비 태스크는 샘플 채취 태스크 후에 수행되도록 요구될 수 있다. 이러한 의존성은 샘플 준비 태스크에서 문서화되고, 작업흐름 정의 시스템(12306)이 이에 의존할 수 있다. 태스크 정의기 모듈(12412)은 정의된 태스크를 작업 인스턴스 저장소에 저장할 수 있고, 여기서 정의된 작업은 작업 설명 데이터(예를 들어, 키워드 등)에 교차 참조될 수 있어서, 교차 참조된 키워드의 미래의 검출이 적합한 태스크 정의를 신속하게 초래할 수 있다.
도 138은 본 개시의 일부 실시예에 따른 플릿 구성 시스템(12020)의 예시적인 실시예를 예시한다. 실시예에서, 플릿 구성 시스템(12020)은 작업 실행 계획의 완료를 위한 특정 소프트웨어, 하드웨어, 및 다목적 로봇 구성 요건을 제공한다. 이러한 요건을 제공하기 위한 플릿 구성 시스템(12020)의 예시적인 구성이 도 138의 블록도에 도시된다. 이 예시적인 구성에서, 플릿 구성 프록시 모듈(12466)은 작업 구성 시스템(12018)으로부터 태스크 정의(12304D)를 수신하도록 구성될 수 있다. 플릿 구성 프록시 모듈(12466)은 플릿 구성 시스템(12020) 리소스 및 시스템에 대한 액세스 및 사용을 용이하게 하기 위해 작업 구성 시스템(12018)에 의한 작업 요청의 처리와 연관하여 인스턴스화될 수 있다. 플릿 구성 프록시 모듈의 이러한 그리고 다른 인스턴스화는 본 출원에서 작업 구성 시스템(12018)과 관련하여 추가로 설명된다. 플릿 구성 프록시 모듈(12466)은 태스크 정의를 처리하고 이들을 플릿 로봇 운영 편성 단위 식별 시스템(12454) 및 플릿 비-로봇 운영 편성 단위 식별 시스템(12452)과 같은 플릿 리소스 식별 시스템에 포워딩할 수 있다. 이러한 식별 시스템 각각은 플릿 구성 프록시를 통해 제공되는 태스크 정의 데이터를 처리하여, 플릿 리소스 데이터로부터 운영 데이터를 분리할 수 있다. 태스크 정의는 로봇 운영 편성 단위(예를 들어, 하나 이상의 특수 목적 로봇), 지원 리소스(예를 들어, 전력 시스템, 조명, 통신 시스템 등)의 타입과 같은, 태스크를 수행하기 위해 요구되는 플릿 리소스의 세트를 설명할 수 있다. 로봇 운영 편성 단위 타입 식별 시스템(12454)은 작업 특정적 로봇 운영 편성 단위 수요 데이터(12476)를 플릿 구성 스케줄러(12468)에 제공할 수 있다. 작업 특정적 로봇 운영 편성 단위 수요 데이터(12476)는 로봇의 타입 및 수량, (예를 들어, 고유 식별자에 의한) 특정 로봇 운영 편성 단위, 로봇 운영 편성 단위 능력 등을 식별할 수 있다.
일부 실시예에서, 플릿 구성 스케줄러(12468)는 작업 요청 요구를 충족시키기 위해 플릿 리소스를 할당함으로써 작업 요청에 응답할 수 있다. 이러한 요구는, 본 출원에 설명된 바와 같이, 플릿 구성, 할당, 및 스케줄링을 용이하게 하기 위해 작업 구성 시스템(12018)에 의해 그리고 구체적으로 태스크 정의 시스템(12304)에 의해 전처리될 수 있다. 플릿 구성 스케줄러(12468)는 작업 요청을 충족시키기 위한 후보 재고 요소를 식별하기 위해 로봇 운영 편성 단위 재고(12460) 및 비-로봇 운영 편성 단위 재고(12458)와 같은 플릿 재고를 설명하는 입력을 처리한다. 이러한 재고는 로봇 운영 편성 단위 및 비-로봇 운영 편성 단위의 기존 할당에 기초하여 조정될 수 있다. 예로서, 로봇 운영 편성 단위 작업 특정적 수요 데이터(12476)에서 식별된 타입의 모든 특수 목적 로봇은 요청된 작업이 수행되도록 제약되는 지속기간의 시간 전체에 걸쳐 할당될 수 있다. (예를 들어, 플릿 지능 시스템(12004), 플릿 프로비저닝 시스템(12014) 등과 같은 다른 플랫폼 리소스로부터의 지원으로) 플릿 구성 스케줄러(12468)는, 작업 요청에서의 조건 및 플릿 구성 스케줄러(12468)에 이용가능한 로봇 타입 등가성 데이터에 기초하여, 특수 목적 로봇에 의해 수행되도록 요청된 활동에 대한 다목적 로봇을 할당할 수 있다. 이러한 할당을 달성하기 위해, 플릿 지능 시스템(12004)에는 작업 특정적 수요 데이터(12476)에 표시된 특수 목적 로봇에 의해 제공될 기능성을 설명하는 정보 및 특수 목적 로봇에 의해 수행되도록 요구되는 태스크 및/또는 활동을 설명하는 정보가 제공될 수 있다. 적절하게 구성된 다목적 로봇에 의해 그리고 특수 목적 로봇에 의해 태스크를 수행하기 위한 사양의 차이들과 같은 다른 컨텍스트가 또한 플릿 지능 시스템(12004)에 이용가능할 수 있다. 2개의 상이한 로봇 타입의 사용에 기초하여 전체 작업 요청에 대한 영향을 결정하는 것을 포함할 수 있는 인공 지능의 사용을 통해, 플릿 지능(12004)은 플릿 구성 스케줄러(12468)에 로봇 대체 안내를 제공할 수 있다. 이러한 안내는 이러한 플릿 구성 스케줄링 활동을 프롬프트한 작업 요청에 대응하는 작업 실행 계획을 실행할 때 사용하기 위한 다목적 로봇 및 필요한 구성 데이터/특징(예를 들어, 엔드 이펙터 등)의 할당을 초래할 수 있다. 플릿 구성 스케줄링의 예에서, 3D 프린팅 가능 로봇 또는 플릿 서비스 리소스(예를 들어, 3D 프린팅 공장 또는 제3자 제공자)는 다목적 로봇이 특수 목적 로봇의 기능을 수행할 수 있게 하는 로봇 부분(예를 들어, 태스크를 수행하기 위해 불규칙한 형상에 준수할 수 있는 유연한/소프트 구조로서 3D 프린팅된 로봇 아암/엔드 이펙터)을 프린팅하기 위해 작업에 할당될 수 있다.
실시예에서, 태스크 정의(12304D)는 (예를 들어, 태스크 요건, 로봇 특성, 및 로봇 타입의 정렬에 기초하여) 하나 이상의 타입의 로봇에 대한 추천을 포함할 수 있고, 선호되는 타입이 태스크 정의(12304D)에서 지정될 수 있다. 예로서, 태스크는 다목적 로봇 또는 특수 목적 로봇에 의한 수행에 적합할 수 있다(예를 들어, 태스크 정보와 정렬되는 로봇 특성은 구성 특정 다목적 로봇 및 특수 목적 로봇에 대해 라이브러리(12314)에서 발견될 수 있다). 다목적 로봇이 적합할 수 있지만, 다목적 로봇의 사용에 의해 초과될 수 있는 누적된 에러 임계값, 가격, 가용성 등과 같은 작업 요청에서의 다른 인자로 인해 특수 목적 로봇이 선호될 수 있다. 태스크 정의(12304D)에서 다목적 로봇 타입이 표시될 때, 구성 데이터(및/또는 데이터 자체)에 대한 참조가 또한 태스크 정의(12304D)에서 통신될 수 있다.
전술한 바와 같이, 태스크 정보는 상이한 또는 적어도 다수의 로봇을 요구할 수 있는 태스크 정의로 전환될 수 있다. 예로서, 정의되는 상이한 특성을 갖는 로봇을 요구하는 샘플링 태스크는 SAMPLE-T1로서 식별될 수 있다. 제1 로봇은 태스크의 제1 부분(예를 들어, 샘플 동작을 방해하는 객체를 제거하는 것과 같은 샘플 사이트 준비 활동을 위한 샘플-T1-A)에 대해 플릿 구성 시스템(12020)에 의해 할당될 수 있고, 제2 로봇/로봇 타입은 태스크의 제2 부분(예를 들어, 샘플 채취 활동을 위한 샘플-T1-B) 등에 대해 할당될 수 있다. 적어도 2개의 로봇 유닛이 태스크에서 식별될 때, 태스크 팀 지정자가 통신될 수 있다. 팀 지정자를 태스크 식별자에 링크함으로써, 플릿 구성 시스템(12020)은 작업 실행을 위한 플릿 리소스 할당을 준비할 때 태스크를 수행하기 위한 팀 구성원의 특정 요구를 고려할 수 있다.
플릿 구성 스케줄러(12468)는 플릿 및 제3자 리소스 및 공급의 프로비저닝에 기여하고/하거나 이를 결정할 수 있는 플릿 프로비저닝 모듈(12014)과 같은 다른 플릿 시스템에 의존할 수 있다.
플랫폼(12000) 지능 시스템(12004), 플릿 프로비저닝 모듈(12014), 및 플릿 구성 스케줄러(12468)를 포함하는 다른 플릿 시스템은 작업 구성 활동 등에 응답하여 플릿을 구성할 때 플릿 구성 스케줄러(12468)에 의해 고려될 수 있는 플릿 구성 옵션(12472)의 생성을 용이하게 할 수 있는 플릿 구성 모델링 시스템(12474)과 상호작용할 수 있다. 플릿 구성 모델링(12474)은, 예컨대, 플릿 지능 시스템(12004)의 디지털 트윈 시스템(12034)과 선택적으로 연관될 수 있는 플릿 디지털 트윈을 사용하는 것에 의해서, 플릿 구성의 시뮬레이션을 제공할 수 있다.
실시예에서, 플릿 구성 스케줄러(12468)는 팀 구성을 결정/그에 영향을 미치는 것을 보조하는 플릿 팀 조직자 모듈(12470)에 의존할 수 있다. 작업-특정 데이터(12476)는 팀으로서 구성될 로봇 운영 편성 단위의 세트(들)를 식별(예를 들어, 추천)할 수 있다. 또한, 작업 특정 데이터(12476)는 태스크를 수행하는 로봇의 병치 등과 같은, 팀 구성을 나타낼 수 있는 정보를 나타낼 수 있다. 팀 조직자(12470)는 플릿을 구성할 때 사용하기 위한 팀 메타데이터를 확인 및/또는 지정할 수 있다. 팀 메타데이터는 팀 멤버십 및 멤버십에 대한 시간 프레임(예를 들어, 날짜마다, 태스크의 시작부터 태스크가 완료될 때까지 등)을 나타낼 수 있다.
플릿 구성 스케줄러(12468)는 제공된 작업 특정 수요 데이터(12476)에 대해 생성된 구성(들)에 기초하여 플릿 구성 할당 정보로 플릿 로봇 운영 편성 단위 할당 데이터 세트(12462) 및 플릿 비로봇 운영 편성 단위 할당 데이터 세트(12456)와 같은 (본 출원에 설명된 플릿 리소스 할당 및/또는 예약 능력에 의해 사용될 수 있는) 플릿 할당 데이터 세트를 업데이트할 수 있다. 외부 데이터(12464)(예를 들어, 날씨, 위치 데이터, 트래픽 데이터, 산업 표준, 작업 특정적 상황 정보 등)에 영향을 미치는 플릿 구성을 포함하는 다양한 입력은, 특히, 플릿 구성 프록시(12466)를 통해 작업 구성 시스템(12018)의 실행 인스턴스로 반환될 수 있는 플릿 구성(12478)을 생성하기 위해 플릿 구성 스케줄러(12468)에 의해, 선택적으로 반복적으로 처리될 수 있다.
도 139는 본 개시의 일부 실시예에 따른 작업흐름 정의 시스템(12306)의 예시적인 실시예를 예시한다. 실시예에서, 작업흐름 정의 시스템(12306)은 플릿 관리 플랫폼의 리소스를 활용하여 요청된 작업에 대한 작업흐름의 정의를 생성하도록 구성될 수 있다. 작업흐름 정의 시스템(12306)의 구성은 태스크 정의 시스템(12304)으로부터 제공되거나 라이브러리(12314)로부터 소싱될 수 있는 태스크 정의(12304D), 및 (예를 들어, 플릿 구성 프록시(12305)를 통해) 플릿 구성 시스템(12020)과의 작업 구성 시스템(12018) 상호작용으로부터 제공될 수 있는 작업 특정 플릿 구성 정보(12504)를 수신하고 처리하는 수집 모듈(12502)을 포함할 수 있다.
태스크 정의 및/또는 플릿 구성 정보의 수집은 플릿 구성 정보(12504)를 하나 이상의 태스크 정의(12304D)와 정렬하는 것을 포함할 수 있다. 플릿 구성 정보와 태스크를 정렬하는 예로서, 플릿 구성 정보는, 태스크 또는 태스크들의 식별자와 같이, 수집된 태스크 정의의 세트 내의 하나 이상의 태스크에 적용되는 것으로서 태깅될 수 있다. 태스크 정의(들)를 플릿 구성 정보와 정렬하는 다른 방식은 그러한 수집의 타이밍에 기초할 수 있어서, 예를 들어, 플릿 구성 참조/값이 태스크 정의와 동시에 수신될 때, 수집 모듈(12502)은 이러한 2개의 데이터 아이템을 정렬된 것으로 마킹할 수 있다. 태스크 정의(들)를 플릿 구성 정보와 정렬하는 다른 방식은 태스크 정의에서의 하나 이상의 데이터 값을 포함할 수 있으며, 이는 태스크(들)이 정렬되어야 하는 플릿 구성 정보를 나타내는 데이터 세트, 링크된 리스트, 플랫 파일, 구조화된 데이터 세트 등일 수 있다. 플릿 구성 정보는 플릿 구성 정보가 관련되고/되거나 작업흐름 정의를 생성할 때 적용되어야 하는 하나 이상의 태스크 식별자를 포함할 수 있다.
수집은 수집된 콘텐츠 중 임의의 것에서 발견될 수 있는 라이브러리(12314) 내의 작업 흐름 콘텐츠에 대한 참조(예를 들어, URL, 하이퍼링크, 외부 이름 등)를 처리하는 것을 더 포함할 수 있다. 일 예에서, 태스크 정의는 라이브러리(12314)에 저장되는 태스크의 이름을 포함할 수 있다. 수집 모듈(12502)은 신택스(예를 들어, 태스크가 라이브러리로부터 검색될 것임을 나타내는 태스크 식별자에 프리픽스가 추가될 수 있음) 및/또는 태스크 정의 구조화(예를 들어, 태스크의 서브세트가 라이브러리로부터 검색될 것임을 나타내도록 구조화되는 태스크 정의의 서브세트 내에 저장된 태스크 이름의 리스트)에 의해 이름을 식별할 수 있다. 본 출원에서의 수집의 예는 하나 이상의 태스크 정의의 수집의 인스턴스에 관한 것이지만, 수집은 태스크의 묶음(batch)에 대해 수행될 수 있다. 수집 모듈(12502)의 다수의 인스턴스가 인스턴스화될 수 있고 복수의 태스크 정의를 처리하기 위해 동시 동작이 수행될 수 있다. 선택적으로, 태스크 정의의 스트림은 수집에 의해 수신될 수 있고 스트림 내의 각각의 태스크는 순차적으로 수집된다.
수집 모듈(12502)에 의한 처리의 하나 이상의 결과는 태스크 사이의 의존성을 결정, 예컨대, 어느 태스크가 순차적으로 수행될 필요가 있고 어느 태스크가 다른 태스크와 독립적으로 수행될 수 있는지를 결정할 수 있는 태스크 의존성 결정 모듈(12506)을 포함하는 작업흐름 정의 활동의 세트에 제시될 수 있다. 태스크 의존성 결정 모듈(12506)은 또한 플릿 리소스의 가용성, 캘린더/날짜/시간, 공급 재료의 준비성 등과 같은 다른 인자에 대한 태스크의 의존성을 결정할 수 있다. 다른 인자에 대한 의존성은, 예컨대, 주어진 작업 상태를 태스크에 대한 시작 포인트로서 마킹함으로써, 태스크 정의에서 식별될 수 있다. 작업 상태 태스크 의존성의 예에서, 재료의 샘플을 처리하는 태스크는 샘플 카탈로그 로봇 등이 수용하는 재료에 의존할 수 있다. 추가의 다른 인자 태스크 의존성은 (예를 들어, 특수 목적 로봇 등과 같은 플릿 리소스의 가용성에 대한 의존성을 설정하는 플릿 구성과 태스크를 정렬하는 것에 기초하여) 수집 동안 주어진 태스크 정의에 기인할 수 있다.
태스크 그룹화 활동(12508)은 태스크 의존성 활동(12506)의 결과를 처리하여, 주어진 태스크가 완료되는 것(예를 들어, 건물 환기 시스템 포트를 개방하는 것)에 의존하는 태스크가 동시 실행을 위해 그룹화될 수 있는 것과 같이 범위 기준에 기초하여 태스크 그룹을 생성할 수 있다. 태스크 그룹화는 플릿 리소스 가용성에 대한 의존성에 기초할 수 있어서, 플릿 리소스에 의존하는 태스크는 리소스가 이용 가능해지면 그룹화되고 수행될 수 있다. 이러한 그룹화된 태스크의 수행 순서는 태스크간 의존성에 기초할 수 있다. 일반적으로, 태스크는 비용 절감, 리소스 보호, 작업 우선순위화, 이용가능한 작업 실행 자금, 예상된 플릿 리소스 유지보수 요구, 가장 이른 태스크 시작/마감 시간, 최신 태스크 시작/마감 시간 등과 같은 다양한 목적을 위해 그룹화될 수 있다.
태스크 작업흐름 단계 정의 활동(12510)은 어느 태스크(들)가 하나 이상의 작업흐름의 각각의 단계로 조직화될 수 있는지를 결정할 수 있다. 태스크간 의존성(또는 그 결여)에 기초하여, 다수의 작업흐름이 정의될 수 있고, 각각의 작업흐름은 작업흐름 단계 정의 활동(12510)에서 정의되는 하나 이상의 작업흐름 단계를 포함한다. 태스크간 의존성의 예로서, 전기 안전 표준이 요구하는 것과 같은 금지된 태스크는 다른 작업흐름 개발 활동이 준수해야 하는 기준점으로서 역할을 할 수 있다. 본 출원에서 참조되는 건물 환기 시스템 검사 예를 다시 참조하면, 환기 포트를 개방하기 위한 작업흐름 단계의 세트는 각각의 환기 포트에 대해 하나씩, 다수의 작업흐름으로 구성될 수 있다(다른 조건에 기초한 선택적인 적응을 동반함). 또한, 작업흐름 단계는, 일단 정의되면, 복수의 작업흐름에 할당 및/또는 참조될 수 있다. 작업흐름 단계에서 태스크를 수행하기 위한 특수 목적 로봇의 가용성과 같은 의존성이 존재할 때, 복수의 작업흐름 자체가 종속적으로 이루어질 수 있다. 예에서, 환기 포트를 개방하는 태스크가 특수 목적 로봇에 대해 정의되고 작업이 4개의 포트를 개방하는 것을 요구할 때, 이 포트 개방 태스크를 포함하는 작업흐름은 요구된 리소스가 이용가능할 때에만 각각의 작업흐름이 시작되도록 의존적으로 이루어질 수 있다. 이러한 작업흐름에서의 다른 태스크의 수행은 포트를 개방하는 초기 태스크가 플릿 리소스 활용 의존성으로 인해 순차적으로 수행되어야 하는 경우에도 동시적일 수 있다.
실시예에서, 정의된 작업흐름 단계는 라이브러리(12314)로부터 검색되는 작업흐름 단계와 같은 후보 작업흐름 단계(12514)의 적응된 변형일 수 있다. 작업흐름 단계 정의 활동(12510)은 주어진 작업에 대한 하나 이상의 작업흐름 단계를 정의할 때 사용하기 위해 후보 작업흐름 단계를 적응시키기 위해 데이터 처리 시스템(12030) 및/또는 인공 지능(12028)과 같은 다른 플릿 리소스 플랫폼 서비스로부터 입력을 요청할 수 있다.
작업흐름 단계 의존성과 같은 정보는 플릿 지능 시스템(12004) 등으로부터 단계 연동 추천(들)(12516)을 수신할 수 있는 작업흐름 단계 연동 활동(12512)에 의해 이용될 수 있다. 작업흐름 단계 연동 활동(12512)은 정의된 작업흐름 단계(예를 들어, 작업흐름 정의(12306D))를 수행하는 시퀀스를 나타내는 데이터 구조를 생성할 수 있다. 작업흐름 정의(12306D)는 작업흐름 단계 순서화, 작업흐름 단계 수행 시퀀스, 작업흐름 단계 독립성, 작업흐름 단계에 대한 단계별 링크, 작업흐름 성공 기준, 교차 작업흐름 의존성 등과 같은 작업 특정 작업흐름 정보를 포착하는 데이터를 포함할 수 있다.
실시예에서, 작업흐름 정의(들)(12306D)는 작업 구성 및/또는 작업 실행 동안 필요에 따라 참조될 수 있는 작업 인스턴스 저장소(12408)에 저장될 수 있다. 이들은 다른 작업에 의해, 작업 요청자 등과 같은 제3자가 참조할 수 있는 플릿 라이브러리(12314)에 저장될 수 있다. 이들은 작업 배치 현장 등에 근접한 에지 컴퓨팅 기반구조 리소스에 분산되는 것과 같은 아키텍처 고려사항에 기초하여 다른 곳(예를 들어, 클라우드 저장 시설)에 저장될 수 있다.
실시예에서, 작업흐름은 작업 구성 시스템(12018)의 설명에 표시된 바와 같이 시뮬레이션될 수 있다. 시뮬레이션의 결과는, 예를 들어, 플릿 구성 데이터와 태스크 설명 데이터의 정렬과 같은 수집 동작이 개선될 수 있는 수집 모듈(12502)에 관한 것일 수 있다. 결과는 또한 태스크 정의, 작업 구성, 플릿 구성 등을 개선하기 위해 플랫폼(12000)의 다른 컴포넌트에 피드백(12406)으로서 전달될 수 있다.
특정 예에서, 예시적인 로봇 플릿 작업은 건물 환기 시스템을 검사하는 것을 포함할 수 있다. 작업 요청 파싱 시스템(12302)은 환기 시스템 검사 루틴, 태스크, 액션, 단계, 요건 등을 식별하기 위해 작업 요청 및 임의의 관련 문서를 파싱할 수 있다. 작업 요청 파싱 시스템(12302)은 파싱된 정보를 태스크 정의 시스템(12304)에 제공할 수 있다. 실시예에서, 작업 요청과 연관된 검사 절차는 (예를 들어, 벽 또는 천장 레지스터 등을 통해) 환기 시스템에 진입하기 위한 하나의 그러한 검사 절차 단계를 표시할 수 있다. 태스크 정의 시스템(12304)은 환기 시스템에 진입하는 절차적 단계와 연관된 복수의 태스크를 식별할 수 있다. 이러한 태스크는 다음을 포함할 수 있다: 건물에서 이용가능한 레지스터의 위치 및 타입을 식별할 수 있는 환기 시스템의 물리적 구성에 관한 정보를 수집하는 것, 후보 레지스터를 선택하기 위해 환기의 물리적 정보를 분석하는 것, 레지스터에 액세스하기 위한 요건(예를 들어, 잠겨진 문 뒤에 위치되는지, 레지스터를 통해 시스템에 진입하기 위해 로봇을 들어올릴 필요가 있는지 등), 레지스터의 커버/쇠격자(grate)를 제거하기 위한 툴 등을 결정하는 것. 이 절차 단계에 대한 태스크 중 하나 이상과 관련될 수 있는 추가 정보는, 제한 없이, 환기 시스템에 진입하는 로봇의 크기 제한(절차에서 명시되지 않을 수 있지만, 환기 시스템 진입 포트에 기초한 것, 환기 시스템의 물리적 구성에 관한 정보에 기초한 것 등의 태스크로서의 결정을 요구할 수 있음), 이러한 하나 이상의 로봇의 중량 제한 등을 포함할 수 있다. 실시예에서, 태스크 정의 시스템(12304)에 의해 정의된 태스크는 플랫폼 처리 시스템 상에서 동작할 수 있는 디지털 트윈 등과 같은 개별 로봇 운영 편성 단위 이외의 리소스, 인간 플릿 리소스 등을 포함하는 플릿 리소스에 의해 수행될 수 있는 데이터 분석 태스크를 포함할 수 있다. 정의를 요구할 수 있는 환기 시스템에 진입하기 위한 다른 루틴/태스크는 진입을 위해 로봇을 배향시키는 것을 포함할 수 있다. 이러한 결정의 결과는 로봇이 태스크(들)를 수행하기 위한 요건을 추가하게 할 수 있다. 실시예에서, 수직 진입은 로봇의 전방에 배향되는 환기 덕트 그리퍼(ventilation duct gripper)를 필요로 할 수 있다. 태스크 정의(12304D)는 플릿 구성 시스템(12020)과 같은 플랫폼(12000)의 다른 시스템이 플릿의 양태를 구성할 때 사용할 수 있는 덕트 그리퍼 배향 등과 같은 세부사항을 포함할 수 있다. 일반적으로, 이산 로봇 태스크 정의(12304D)는 로봇 플릿 작업의 저레벨 목표(예를 들어, 태스크)를 만족시키기 위해 선택적으로 함께 순서화되고 집계되는 복수의 (기본/기초/일반) 로봇 이동 및/또는 루틴을 (명시적으로 또는 암시적으로) 포함할 수 있다. 따라서, 특정 로봇 플릿 작업(예를 들어, 본 출원에 예시된 바와 같은 환기 시스템을 검사하는 것)에 대한 태스크 정의(12304D)를 생성하는 태스크 정의 시스템(12304)은, 예컨대, 환기 시스템에 대한 액세스 패널을 제거하는 것과 같이, 타겟 작업을 수행하기 위한 일부 기준을 만족시키도록 그러한 로봇 이동을 집계 및/또는 적응시키는 것에 의해서, 일반적인 로봇 요소 이동보다 더 많은 것을 구현하는 태스크 정의를 생성할 수 있다. 체결구를 위치시키고 회전시키는 것, 액세스 패널을 파지하는 것, 제거된 패널을 배치하는 것, 체결구를 예약하는 것 등과 같은 로봇 동작은 집계되어 작업 특정 태스크로 적응될 수 있는 일반적인 로봇 루틴 또는 이동들일 수 있다. 이러한 일반적인 로봇 루틴 또는 이동은 작업 요청 및 관련 기준에 기초하여 태스크의 관련 양태를 정의하는 것을 용이하게 하기 위해 태스크 정의 시스템(12304)에 이용가능할 수 있다. 환기 시스템을 검사하는 예에서, 액세스 패널 상에 체결구를 위치시키는 것은 태스크 정의(12304D)에서 식별될 수 있는 타겟 액세스 패널의 세부사항에 기초하여 이 태스크의 동작 동안 적응될 수 있고 또는 태스크 도중 적응을 위해 로봇 기반 지능 시스템 등과 같은 지능 시스템에 맡겨질 수 있다. 체결구를 회전시켜 제거하는 것과 같은 기본 로봇 액션은 적절한 엔드 이펙터, 토크 및 이동 거리를 정의할 수 있는 태스크 정의에 제공된 정보에 기초하여 적응될 수 있다. 실시예에서, 이러한 적응은 어느 엔드 이펙터 등을 사용할지를 태스크의 수행과 동시에 결정하는 로봇 제어 기능에 맡겨질 수 있다. 태스크 정의(12304D) 내의 정보는 액세스 패널을 파지하기 위한 로봇 조정을 용이하게 할 수 있다. 이 정보는 패널을 안전하게 파지하는 것을 보장하면서 패널을 손상시키는 것을 피하기 위해 패널의 배향, 패널의 중량, 패널의 특징, 패널의 크기 등을 포함할 수 있다. 제거된 패널을 배치하는 태스크/액션은 태스크 위치 내의 객체(예를 들어, 가구, 윈도우, 벽 등)가 패널에 의해 손상되지 않고 태스크 위치를 통한 경로가 차단되거나 인간에게 위험하게 되지 않는 것을 보장하기 위해 다른 기준(예를 들어, 안전 표준 및 관행, 작업장 정책, 거버넌스 등)을 이용할 수 있는 로봇 동작 제어 시스템에 유보하도록 어느 정도의 위치 특정 유연성으로 구성될 수 있다. 따라서, 이러한 태스크는, 비전 시스템 등과 같은 배치 위치를 평가하기 위한 특징을 포함하는 로봇이 정의된 태스크와 매칭될 수 있도록 플릿 구성 시스템(12020)에 의해 해석될 수 있다. 실시예에서, 이러한 유연성은 로봇 구성 라이브러리(12314)로부터 선택될 수 있다.
건물 환기 시스템을 검사하는 예시적인 로봇 플릿 작업을 추가로 계속 설명하면, 작업흐름 정의 시스템(12306)은 적어도 환기 시스템에 진입하는 절차적 단계에 대한 작업흐름을 확립할 때 (예를 들어, 선택적으로 플릿 구성 프록시(12305)를 통해) 태스크 정의 시스템(12304) 및 플릿 구성 시스템(12020)에 의해 출력되는 정보를 수집할 수 있다. 추상화의 레벨에서, 이 절차적 단계는 2개의 주요 태스크를 포함할 수 있다: (i) 액세스 패널을 제거하는 것, 및 (ii) 환기 시스템에 진입하는 것. 태스크 정의 시스템(12304)으로부터의 정보는 태스크 (i)가 태스크 (ii)를 수행하기 위한 전제 조건임을 나타낼 수 있다. 따라서, 작업흐름 시스템(12306)은 요청된 작업의 이 부분에 대해, 태스크 (i)가 태스크 (ii) 이전에 이루어지는 작업흐름을 정의할 수 있다. 추가적인 태스크 (iii)은 환기 시스템에 대한 진입이 이루어지고 있는 환경의 3D 이미지 포착을 포함할 수 있다. 이러한 태스크를 위해 구성된 하나 이상의 로봇에 관한 플릿 구성 시스템(12020)으로부터의 정보는 2개의 로봇, 즉, 태스크 (i)를 위한 제1 로봇 및 태스크 (ii)를 위한 제2 로봇이 구성되는 것을 표시할 수 있다. 작업흐름 시스템은 이 정보를 이용하여 제1 로봇이 태스크 (i)을 완료하기를 기다리는 동안 제2 로봇이 태스크 (iii)을 수행하게 하는 작업흐름을 정의함으로써 태스크 (i), (ii), 및 (iii)의 순서가 최적화될 수 있다고 결정할 수 있다. 이러한 태스크에 대한 플릿 구성 정보가 단일 로봇이 이러한 3개의 태스크에 대해 프로비저닝된다는 것을 표시하는 경우, 이때, 작업흐름 시스템은 태스크의 순서를 (iii)에 이어서 (i), 그 다음, 이어서 (ii)로서 정의할 수 있다. 작업흐름 시스템에 제공되는 정보에 응답하는 이러한 대안적인 작업흐름 구성은, 예컨대 플릿 리소스 등의 효율적인 사용을 보장하기 위해, 작업흐름을 정의할 때 작업흐름 시스템의 유연성의 정도를 표시한다.
작업흐름 시뮬레이션 시스템(12308)을 통한 이들 3개의 태스크의 작업흐름의 시뮬레이션은 또한 태스크 정의, 플릿 리소스 할당, 작업흐름 정의 중 임의의 것에 대한 통찰을 제공할 수 있다. 비제한적인 예로서, (i), (ii) 및 최종적으로 (iii)으로서 태스크의 순서를 정의하는 작업흐름의 시뮬레이션은, 이들 3개의 태스크를 수행하는 단일 로봇 운영 편성 단위가 단계 (ii)에서 환기 시스템 내부에 배치될 것이기 때문에, 표시된 바와 같이 단일 로봇 할당에 대해 단계 (iii)이 수행될 수 없다는 것을 산출할 수 있다. 시뮬레이션의 결과는 작업흐름을 재작업하기 위해 적어도 작업흐름 시스템에 다시 제공될 수 있다. 실시예에서, 시뮬레이션으로부터 발생하는 데이터(예를 들어, 단계 (iii)을 수행하는 것의 실패)는 태스크 정의, 플릿 구성 등과 같은 작업 구성 시스템 프로세스에서의 임의의 이전 단계로 피드백될 수 있다. 작업흐름 시뮬레이션의 다른 예에서, 위에서 설명된 바와 같이 2개의 로봇으로 이러한 태스크를 수행하도록 구성된 경우, 작업흐름이 제1 로봇이 액세스 패널을 제거하는 것(태스크 (i))과 동시에 제2 로봇에 의한 태스크 영역(태스크 (iii))의 3D 이미징을 요구하는 경우, 시뮬레이션은, 예를 들어, 제2 로봇의 디지털 트윈으로 3D 이미징 기능의 시뮬레이션을 수행하려고 시도할 수 있다. 시뮬레이션은 플릿 구성 시스템에 의해 3D 이미징 능력을 갖는 제2 로봇이 구성되지 않으면 실패할 수 있다. 그러한 시뮬레이션으로부터의 피드백은 작업 구성에서의 변화의 범위를 초래할 수 있다. 2개의 예시적인 변경은 다음을 포함할 수 있다: (i) 로봇 구성을 조정하는 것(작업흐름을 유지하고 3D 이미징 능력을 포함하도록 제2 로봇의 구성을 변경함); 및 (ii) 하나 이상의 태스크 할당을 조정하는 것(3D 이미징 기능을 제1 로봇에 할당하고 작업흐름을 조정함).
실시예에서, 건물 환기 시스템을 검사하기 위한 작업 실행 계획(12310)은 적어도 3개의 정의된 태스크 (i), (ii), 및 (iii), 각각의 태스크에 대한 플릿 리소스(예를 들어, 로봇 구성) 및 (예를 들어, 플릿 구성 시스템(12020)으로부터의) 할당 정보, 및 3개의 태스크의 시퀀스를 정의하는 작업흐름을 포함할 수 있다.
전술한 개시를 고려하여, 플릿 관리 플랫폼(12000)은 독립형 서비스일 수 있거나 또는 더 큰 SoS(system-of-systems)에 통합될 수 있다. 또한, 플릿 관리 플랫폼(12000)은 상이한 타입의 태스크에 대해 많은 상이한 타입의 플릿을 용이하게 하도록 구성된다. 위에서 설명된 구성에 더하여, 플릿 관리 플랫폼(12000)에 의해 구성될 수 있는 플릿 및 로봇 운영 편성 단위의 일부 추가적인 예가 아래에 제공된다.
도 139는 본 개시의 일부 실시예에 따른 다목적 로봇(12100)의 예시적인 실시예를 예시하고, 도 129의 MPR(12100)의 일반적인 예에 적용될 수 있다. 일반적으로, 다목적 로봇(12100)은 개별 및 그룹 배치 시나리오에서 동작 유연성을 최대화하도록 설계, 구축, 구성 및 동작된다. 이러한 방식으로, 다목적 로봇(12100)은 다목적 로봇(12100)의 베이스라인 기능에 더하여 특정 태스크 특정 기능을 수행하도록 구성 및 재구성될 수 있다. 실시예에서, MPR(12100)은 자율적으로, 반자율적으로, 또는 하나 이상의 사용자에 의해 제공되는 명령어를 사용하여 동작하도록 구성될 수 있다. 실시예에서, MPR(12100)은 베이스라인 시스템(12102), 모듈 시스템(12120), 로봇 제어 시스템(12150) 및 로봇 보안 시스템(12170)을 포함할 수 있다. 태스크 특정 능력을 위해, MPR(12100)은 모듈 시스템(12120)의 물리적 인터페이스 모듈(12122) 및 제어 인터페이스 모듈(12130)에 의해 제공되는 구성가능하고 상호교환가능한 하드웨어 및 소프트웨어 모듈을 통합할 수 있다. 이러한 모듈은 로봇 이동성, 전력 분배 등을 위해 요구되는 제어 시스템(12150), 로봇 보안 시스템(12170), 및/또는 베이스라인 시스템(12102) 상에 장착되고 그와 인터페이스할 수 있다.
실시예에서, MPR(12100)의 베이스라인 시스템(12102)은 MPR(12100)의 베이스라인 기능을 수행하는 다양한 하드웨어, 디바이스, 인터페이스, 프로세서, 소프트웨어, 및 시스템을 포함한다. 일부 실시예에서, 베이스라인 시스템(12102)은 에너지를 저장하고 로봇의 다른 컴포넌트에 전력을 전달하는 에너지 저장 및 전력 분배 시스템(12104), MPR(12100)의 컴포넌트의 일부 또는 전부를 둘러싸는 인클로저(12106), MPR(12100)의 기계적 컴포넌트를 작동시키고 제어하는 전기기계 및 전기유체 시스템(12108), 의도된 환경에서 MPR(12100)을 물리적으로 이동시키는 기계적 컴포넌트를 포함하는 수송 시스템(12110), 베이스라인 기능 및/또는 특정 태스크 특정 기능의 수행과 관련하여 사용되는 센서의 베이스라인 세트를 포함하는 비전 및 감지 시스템(12112), 및 MPR(12100)에 형태 및 구조를 제공하도록 구성된 하나 이상의 골격 컴포넌트를 포함하는 구조적 시스템(12114)을 포함할 수 있다.
이해될 수 있는 바와 같이, MPR(12100)의 베이스라인 시스템(12102)은, MPR(12100)이 수행하도록 맞춤화될 수 있는 태스크에 관계없이, 특정 동작 환경 또는 조건에서 MPR(12100)을 동작시키는 데(예를 들어, 열, 저온, 습도, 육상, 바다, 수중, 공중, 지하 등에서 동작시키는 데) 요구되는 특성에 따라 구성될 수 있다. 따라서, 상이한 동작 환경 또는 조건에서의 동작을 위해 구성된 상이한 클래스의 MPR(12100)은 MPR(12100)의 각각의 베이스라인 시스템(12102)의 상이한 구성을 가질 것이다. 예를 들어, 우천 조건에서 견고한 지면 상에서 동작하도록 설계된 4-다리 지상 MPR(12100)의 예시적인 베이스라인 시스템(12102)은, 예를 들어, 배터리에 저장되고 무선 전력 분배 시스템(12104)에 의해 공급되는 전기 에너지에 의해 구동되는, 각각의 다리(12110)에 전기 모터(12112)를 갖는 4개의 개별 기계적 다리(12110)를 수용하는 IP-43 등급 인클로저(12106)를 포함할 수 있다. 다른 예에서, 수중에서 동작하도록 설계된 수중 로봇 MPR(12100)의 예시적인 베이스라인 시스템(12102)은 배터리(12104)에 저장된 전기 에너지에 의해 구동되는 전기 모터(12112)를 사용하는 워터젯 추진 시스템을 수용하는 IP 68 등급 인클로저(12106)를 포함할 수 있다. 또 다른 예에서, 진흙에서 동작하도록 설계된 MPR(12100)의 제3 베이스라인 시스템(12102)은 추적 휠(12110)을 포함할 수 있고, 여기서 동력은 호스리스 유압 동력 전송 시스템(12104)과 결합된 가솔린 엔진에 의해 공급된다.
실시예에서, MPR(2B00)의 에너지 저장 및 전력 분배 시스템(12104)은 유압 시스템, 전기 시스템, 핵 시스템, 슈퍼커패시터, 플라이휠, 태양 전지 또는 광기전 전지, 연료 전지, 배터리, 전력 코드, 동적 또는 압전 전기 배터리 충전 디바이스, 유도 충전 또는 무선 전력 수신기 및 다른 타입의 전력 시스템과 같은 MPR(12100)의 다양한 컴포넌트에 전력을 공급하도록 구성되는 하나 이상의 전원(들)를 포함할 수 있다. 실시예에서, 전원의 선택은 MPR(12100)의 크기 및 형상, MPR(12100)이 동작하고 있는 환경, MPR(12100)이 수행할 필요가 있는 태스크 등과 같은 상이한 인자에 의존할 수 있다. 실시예에서, 전원의 선택은 이러한 인자에 기초할 수 있고, MPR(12100)에 대한 광범위한 사용 사례 시나리오를 지원할 수 있다. 예를 들어, MPR(12100)은, 예를 들어 건설 또는 토공 응용에서 무거운 부하를 이동시키기 위해, 상당한 전력을 소비할 수 있는 고정 위치 응용에 대해 벽 전원으로 전환하지만, 집 청소를 담당하는 모바일 로봇으로서 동작하는 동안에는 리튬 이온 배터리 시스템에 의존할 수 있다. 실시예에서, MPR(12100)의 상이한 컴포넌트는 동일한 전원에 의해 구동될 수 있거나, 다수의 전원에 의해 구동될 수 있거나, 상이한 전원에 각각 연결될 수 있다.
실시예에서, 에너지 저장 및 전력 분배 시스템(12104) 내의 전원 컴포넌트는 다수의 리튬-이온 스마트 배터리를 포함하고, MPR(12100)의 다른 컴포넌트에 전하를 제공하도록 구성된 재충전가능 배터리 또는 배터리 팩을 포함할 수 있다. 스마트 배터리의 사용은 모듈식 배터리 시스템, 새로운 화학물질이 이용가능하게 될 때의 잠재적인 업그레이드, 및 개별 배터리 레벨에서의 전력 시스템 상태의 모니터링을 허용한다. 다수의 배터리를 사용하는 것은 임의의 단일 배터리 요소의 고장에 대해 내성이 있는 시스템을 산출하며, 그 이유는 그러한 손실이 단지 최대 이용가능 전력 및 에너지 저장을 감소시킬 뿐이기 때문이다. 실시예에서, MPR(12100)은 전력 그리드로부터 AC 전기 공급 그리드에 의해 구성되는 1차 전력 소스 및 배터리 팩에 의해 구성되는 2차 소스에 의해 구동될 수 있다. 실시예에서, 시스템 전력은 하나 이상의 전력 중계기 코일을 사용하여 MPR(12100) 외부의 고정된 소스에 의해 제공되고, 통합된 무선 전력 분배 시스템은 센서 패키지와 같은 MPR(12100)의 서브시스템로의 전력 흐름 및 공급을 제공, 모니터링, 및 관리한다.
실시예에서, 에너지 저장 및 전력 분배 컴포넌트(12104) 내의 전원은 MPR(12100)을 구동하기 위해 유체 동력을 사용하도록 구성된 유압 시스템을 포함한다. MPR(12100)의 다양한 컴포넌트는 저장소에 저장되고 지정된 압력 및 유량으로 펌프를 사용하여 고압 공급 라인을 통해 예를 들어 다양한 유압 모터, 유압 실린더 및 액추에이터와 같은 하나 이상의 유압 부재로 전달되는 유압 유체에 기초하여 동작할 수 있다. 유압 시스템은 가압 유압 유체에 의해 튜브, 가요성 호스, 또는 MPR(12100)의 컴포넌트 사이의 다른 링크를 통해 유압 동력을 전달할 수 있다. 유압 시스템의 특정 설계 및 컴포넌트는 달라질 수 있고, 밸브, 제어 시스템, 액추에이터, 저장조, 펌프 또는 임의의 다른 아이템의 임의의 수 또는 조합이 원하는 바에 따라 포함될 수 있다. 이러한 타입의 유압 시스템의 전형적인 응답 시간은 수 밀리초 이하 정도로 매우 신속하다.
실시예에서, 유압 시스템은, 누출 및 시스템 비효율성을 초래할 수 있는 호스 및 연결을 최소화하는 매니폴드 및 저장용기를 생산하기 위해서 적층 제조 방법 및 그 연관된 설계 이점을 이용하도록 설계된다. 유압 시스템은 수리를 적용하고, 장비를 서비스하고 응용이 피해야하는 비상 상황을 취급하는 MPR(2B00)의 능력을 포함할 수 있다. 실시예에서, 유압 시스템은, 밸브 작동을 포함하는 매니폴드, 저장용기, 및 분배 시스템을 생산하기 위해서 적층 제조 방법 및 그 연관된 설계 이점을 이용하도록 설계된다.
실시예에서, MPR(12100)의 인클로저(12106)는 MPR(12100)의 적어도 일부를 포함하는 임의의 하우징 또는 다른 물리적 컴포넌트를 포함할 수 있다. 인클로저(12106)의 구조는 달라질 수 있고, MPR(12100)이 수행하도록 설계되었을 수 있는 동작에 의존할 수 있다. 실시예에서, 인클로저(12106)는 미리 결정된 환경 저항성을 갖는 외부 벽에 의해 환경으로부터 격리되는 내부 공간을 갖는 직사각형 금속 박스이다. 내부 공간은 에너지 저장 및 전력 분배 시스템(12104), 전기기계 및 전기유체 시스템(12108), 수송 시스템(12110), 비전 및 감지 시스템(12112), 로봇 제어 시스템(12150), 로봇 보안 시스템(12170) 등을 포함하는 MPR(12100)의 다양한 컴포넌트를 수용할 수 있다.
일부 실시예에서, MPR(12100)의 인클로저(12106)는 강건성 및 외부 환경을 용인하는 능력을 위해 설계될 수 있다. 예를 들어, 물, 습도, 먼지, 진동, 및 온도로부터 보호가 제공될 수 있다. 물 유입으로부터 보호하기 위해 하나 이상의 밀봉 메커니즘이 제공될 수 있다. 일부 경우에, 발수 코팅이 제공될 수 있다. 따라서, MPR(12100)은 비, 바람, 태양 또는 눈과 같은 외부 날씨 조건을 용인할 수 있다.
일부 실시예에서, MPR(12100)의 인클로저(12106)는 먼지 및 물에 대한 최적의 보호를 나타내는 IP-68을 준수한다. 때때로 국제 보호 코드로 지칭되는 IP 코드 또는 침입 보호 코드인 IEC 표준 60529는 침입, 먼지, 우발적 접촉 및 물에 대해 기계적 케이싱 및 전기 인클로저에 의해 제공되는 보호의 정도를 분류하고 등급화한다. IP 등급은 2개의 부호, 즉 "IP (제1 부호) (제2 부호)"로 표시된다. 제1 부호는 견고한 이물질에 대한 전기 장비 및 캐비닛의 보호 등급을 나타내며, 이는 먼지 진입에 대한 보호가 없음을 의미하는 "0"에서 내부에 먼지 진입이 불가함을 의미하는 "6"까지 7개의 등급으로 표현된다. 제2 부호는 물 진입에 대한 보호 등급을 나타내며, 이는 물 진입에 대한 보호가 없음을 의미하는 "0"에서 최적 저항을 의미하는 "8"까지 9개의 등급으로 표현된다. 등급이 결정되지 않을 때, "X"가 표시된다.
일부 실시예에서, MPR(12100)의 인클로저(12106)는 비전도성 및 방열 스마트 재료로 만들어진다. 재료는 시각 및 감지 시스템(12112) 및 로봇 제어 시스템(12150)의 컴포넌트를 포함하는 민감한 전자 컴포넌트를 보호하는 것을 도울 수 있다.
일부 실시예에서, MPR(12100)의 전기기계 및 전기유체 시스템(12108)은 형태 및 구조를 제공하고 MPR(12100)의 동작을 가능하게 하도록 구성된 전기 및 기계적 컴포넌트의 세트를 포함할 수 있다. 전기적 및 기계적 컴포넌트의 세트는 MPR(12100)이 다양한 기능을 수행할 수 있게 하기 위해 서로 연동할 수 있다. 예를 들어, 전기적 컴포넌트는 에너지 저장 및 전력 분배 시스템(12104) 내의 전원으로부터의 전력을 다양한 기계적 컴포넌트에 제공하도록 구성될 수 있다. 전기적 컴포넌트는 전하 또는 전기 신호를 처리, 전달 또는 제공할 수 있는 다양한 메커니즘을 포함할 수 있다. 가능한 예 중에서, 전기적 컴포넌트는 MPR(12100)의 동작을 가능하게 하기 위해 전기 배선, 회로, 또는 무선 통신 송신기 및 수신기를 포함할 수 있다. 전기적 컴포넌트는 또한 브러시형 DC 모터, 브러시리스 DC 모터, 스위치형 릴럭턴스 모터, 범용 모터, AC 다상 농형 또는 권선-로터 유도 모터, AC SCIM 분할-위상 커패시터-시동 모터, AC SCIM 분할-위상 커패시터-작동 모터, AC SCIM 분할-위상 보조 시동 권선 모터, AC 유도 쉐이디드폴 모터, 권선-로터 동기 모터, 히스테리시스 모터, 동기 릴럭턴스 모터, 팬케이크 또는 축방향 로터 모터, 스테퍼 모터, 또는 임의의 다른 타입의 전기 모터를 포함하는 전기 모터 또는 비전기 모터를 포함할 수 있다. 전기 모터는 한 부분을 다른 부분에 대해 이동시키는 것을 도울 수 있다. 기계적 컴포넌트는 로봇 시스템(100)이 물리적 동작을 수행할 수 있게 할 수 있는 MPR(12100)의 하드웨어를 나타낸다. 특정 기계적 컴포넌트는 MPR(12100)의 설계에 기초하여 달라질 수 있지만, 하나 이상의 조인트를 통해 하나 이상의 부속물 또는 엔드 이펙터와 연결된 구조화된 본체와 같은 일부 기본 골격 컴포넌트를 포함할 수 있다.
일부 실시예에서, MPR(12100)은 MPR(12100)에 형태 및 구조를 제공하도록 구성된 복수의 조인트, 부속물 및 골격 컴포넌트를 구성하는 구조적 시스템(12114)을 포함한다. 구조적 시스템(12114)은 본체, 몸통, 머리, 다리, 아암, 휠, 엔드 이펙터, 매니퓰레이터, 파지 디바이스 등을 포함할 수 있다. 구조적 시스템(12114)의 골격 컴포넌트는 수형 및/또는 암형 단부를 갖는 내부 코어를 포함할 수 있다. 다양한 골격 컴포넌트는 조인트, 기계적 체결구(예를 들어, 너트 및/또는 볼트), 액추에이터, 힌지, 래치, 또는 다른 적절한 메커니즘을 통해 인클로저(12106) 및 다른 골격 컴포넌트에 연결될 수 있다. 구조적 시스템(12114)의 골격 컴포넌트는 지지를 제공하고 유체, 전력, 데이터 등의 전달을 허용할 수 있다. 조인트는 골격 컴포넌트를 함께 결합하고 하나 이상의 자유도에서의 이동을 허용할 수 있다. 조인트는 골격 컴포넌트가 수직 및 수평 방향으로 이동할 뿐만 아니라 서로에 대해 회전하는 것을 허용할 수 있다. 예를 들어, MPR(12100)은 본체에 대해 아암을 이동시키기 위해 사용될 수 있는 하나 이상의 아암 모터를 포함할 수 있다. 실시예에서, 아암 모터는 에너지, 전형적으로 전류, 유압 유체 압력 또는 공압 압력의 소스에 의해 동작될 수 있고 그 에너지를 모션으로 변환하는 액추에이터를 포함할 수 있다. 액추에이터의 예는 선형 액추에이터, 솔레노이드, 콤 드라이브, 디지털 마이크로미러 디바이스, 전기 모터, 전기활성 폴리머, 유압 실린더, 압전 액추에이터, 공압 액추에이터, 서보메커니즘, 서보 모터, 열 바이모프, 스크류잭, 또는 임의의 다른 타입의 유압, 공압, 전기, 기계, 열, 및 자기 타입의 액추에이터를 포함할 수 있다.
MPR(12100)은 MPR(12100)의 특정 응용 또는 의도된 용도에 따라 0개 이상의 다리 또는 다른 이동 가능하거나 고정된 베이스로 구성될 수 있다. 0개의 다리를 갖는 MPR(12100)의 구현은 휠, 트레드, 또는 일부 다른 형태의 운동 능력을 포함할 수 있다. 2개의 다리를 갖는 로봇 시스템의 구현은 양각(biped)이라고 지칭될 수 있고, 4개의 다리를 갖는 구현은 사각(quadruped)이라고 지칭될 수 있다. 6개 또는 8개의 다리를 갖는 다른 구현이 또한 가능할 수 있다. 인클로저(12106), 본체, 형상, 크기, 골격 컴포넌트 및 재료 등을 포함하는 MPR(12100)의 구조는 변할 수 있고, MPR(12100)이 수행하도록 설계되었을 수 있는 동작에 의존할 수 있다. 예를 들어, 무거운 하중을 운반하도록 개발될 때, MPR(12100)은 하중의 배치를 가능하게 하는 넓은 본체를 가질 수 있다. 유사하게, 고속에 도달하도록 구성될 때, MPR(12100)은 경량 재료로 제조된 좁고 작은 본체를 가질 수 있다.
일부 실시예에서, MPR(12100)은 인체를 모방하도록 구조화될 수 있으며, 따라서, MPR(12100)은 몸통, 머리, 2개의 팔, 및 2개의 다리를 포함한다. 액추에이터는 근육 및 관절 같이 작동할 수 있고, 관절을 중심으로 회전하는 인체 내의 뼈와 유사한 방식으로 골격 컴포넌트가 서로에 대해 회전하는 것을 허용할 수 있다. 예를 들어, 관절은 손, 손가락, 팔꿈치, 허리, 무릎, 손목, 어깨 등의 이동과 유사한 방식으로 골격 컴포넌트를 이동시키도록 구성될 수 있다. 축조 재료는 접촉, 가속도, 근접도 및 온도를 검출하기 위한 센서를 구비한 생물학적으로 영감으로부터 유래한 인공 피부를 포함할 수 있다.
실시예에서, MPR(12100)의 수송 시스템(12110)은 하나 이상의 수송 운송체를 통해 MPR(12100)을 이동시키는 데 사용될 수 있는 하나 이상의 본체 모터를 포함할 수 있다. 수송 운송체는 표면을 가로지르는 MPR(12100)의 이동을 용이하게 하도록 구성될 수 있다. 일부 실시예에서, 수송 운송체는 휠, 캐스터, 트레드 또는 트랙, 저마찰 패드 또는 범퍼, 저마찰 플레이트, 스키, 폰툰(pontoon), 또는 MPR(12100)과 그 위에서 이동하기를 원하는 표면 사이의 마찰을 감소시키도록 구성된 임의의 다른 적합한 디바이스를 포함할 수 있다. 추가 실시예에서, 수송 운송체는 프로펠러, 소형화된 제트 엔진, 또는 MPR(12100)이 드론 항공기와 유사하게 비행하거나 기능하게 할 수 있게 하는 임의의 다른 항공 수송 가능 디바이스를 포함할 수 있다. 추가 실시예에서, 수송 운송체는, MPR(12100)이 물의 표면 상에서 또는 그 아래에서 이동될 수 있게 할 수 있는, 핀(fin), 워터 제트, 스크류, 또는 임의의 다른 수상 수송 가능 디바이스를 포함할 수 있다. 추가 실시예에서, 수송 운송체는 로켓, 및 이온 드라이브, 자이로스코프, 또는 MPR(12100)이 우주에서 이동하는 것을 허용할 수 있는 임의의 다른 우주 수송 가능 디바이스를 포함할 수 있다.
실시예에서, 비전 및 감지 시스템(12112)은 환경으로부터 정보를 수집하기 위한 입력 메커니즘으로서 작용하는 MPR(12100) 내의 다양한 센서를 포함할 수 있다. 이러한 감지 정보는 에너지 저장 및 전력 분배 시스템(12104), 전기기계 및 전기유체 시스템(12108), 수송 시스템(12110) 및 구조 시스템(12114)을 포함하는 다른 서브시스템을 작동시키기 위해 이러한 정보를 처리하는 로봇 제어 시스템(12150)에 제공된다. 이에 의해, 비전 및 감지 시스템(12112)은 MPR(12100)이 그 환경 내의 하나 이상의 객체와 상호작용하고 조작하는 것을 비롯하여 그 환경을 모니터링하고 내비게이션할 수 있게 한다. 비전 및 감지 시스템(12112)의 예가 도 142와 함께 상세히 설명된다.
로봇 제어 시스템(12150)은 MPR(12100)의 동작 및 거동을 제어하기 위한 다양한 하드웨어, 디바이스, 인터페이스, 프로세서, 소프트웨어, 및 시스템을 포함한다. 예를 들어, 제어 시스템(12150)은 MPR(12100)이 경로를 따르고 경로 내의 장애물을 회피함으로써 특정 위치로 이동하게 할 수 있다. 다른 예로서, 제어 시스템(12150)은 MPR(12100)이 그 환경에서 하나 이상의 객체를 파지하거나 조작하는 것을 비롯하여 다른 사람과 협력하거나 그 환경과 상호작용하게 할 수 있다.
로봇 제어 시스템(12150)은 조인트, 아암, 다리, 엔드 이펙터 등을 구동하기 위한 출력 메커니즘으로서 작용하는 액추에이터를 업데이트하기 위해 센서로부터 판독할 수 있다. 로봇 제어 시스템(12150)은 객체를 조작하는 데 필요한 미세 이동 및 그로스 이동에 대한 제어를 포함하여 MPR(12100)의 정확한 모션 제어를 제공한다. 제어 시스템(12150)은 구조적 시스템(12114)의 각각의 로봇 조인트 및 다른 골격 컴포넌트를 다른 조인트 및 골격 컴포넌트와 격리하여 독립적으로 제어할 수 있을 뿐만 아니라, 또한 비교적 복잡한 작업 태스크를 수행함에 있어서 다수의 조인트의 액션을 완전히 조정하기 위해 다수의 조인트를 상호의존적으로 제어할 수 있다.
로봇 제어 시스템(12150)은 유선 또는 무선 연결을 통해 MBR의 다른 시스템, 다른 로봇, 및/또는 플릿 관리 플랫폼(100)과 통신할 수 있고, 하나 이상의 사용자와 통신하도록 추가로 구성될 수 있다. 예를 들어, 제어 시스템(12150)은 위치로 내비게이션하기 위한 명령을 나타내는 입력을 (예를 들어, 사용자로부터 또는 다른 로봇으로부터) 수신할 수 있다. 따라서, 제어 시스템(12150)은 MPR(12100)의 상이한 컴포넌트 사이의, 예컨대 센서와 액추에이터 사이의, 기계적 및 전기적 컴포넌트 사이의, 뿐만 아니라 MPR(12100)과 사용자 사이의 인터페이스로서 역할을 할 수 있다.
실시예에서, 로봇 제어 시스템(12150)은 지능 계층(12140), 성능 관리 시스템(12146), 태스크 관리 시스템(12144), 데이터 처리 시스템(12142), 모듈 관리 시스템(12148), 통신 시스템(12152), 내비게이션 시스템(12154), 안전 및 준수 시스템(12156), 모션 계획 시스템(MPS)(12158), 및/또는 제어기(12160)를 포함하고/하거나 활용할 수 있다. 로봇 제어 시스템(12150)의 전술한 설명은 특수 목적 로봇 및/또는 외골격 로봇을 포함하는 다른 타입의 로봇에도 적용가능한 것으로 이해된다.
실시예에서, 지능 계층(12140)은 지능 서비스를 제공하기 위한 프레임워크를 제공하고, MPR(12100)이 결정, 예측, 분류 등을 수행할 수 있게 하는 것을 돕는다. 실시예에서, 지능 계층(12140)은 특정 지능(예를 들어, 결정, 분류, 예측 등)을 제공하기 위해 로봇 제어 시스템(12150), 또는 MPR(12100)의 베이스라인 시스템(12102) 등으로부터 요청을 수신한다. 예를 들어, 지능 계층은 환경 데이터(예를 들어, 맵, 알려진 장애물의 좌표, 이미지 등)에 기초하여 MPR(12100)의 모션을 제어하는 것에 대한 결정을 내리는 것을 담당할 수 있다. 실시예에서, 지능 계층(12140)에 의해 제공되는 프레임워크는, 본 개시의 다른 곳에서 설명된 바와 같이, 플릿(4D00) 및/또는 플랫폼 레벨(12004)로 연장되는 더 넓은 지능 계층의 일부로서 구성될 수 있다.
실시예에서, 지능 계층(12140)은 지능 계층 제어기(12141) 및 인공 지능(AI) 서비스(12143)를 포함할 수 있다. 실시예에서, 지능 계층 제어기(12141)는 인공 지능 서비스(12143)에 의해 제공될 서비스의 타입을 결정하도록 구성될 수 있고, 이에 응답하여, 인공 지능 서비스(12143)에 의해 적용될 거버넌스 표준 및/또는 분석의 세트를 결정할 수 있다. MPR(12100)(또는 SPR 또는 외골격)의 지능 계층(12140)은 위에서 설명한 지능 시스템의 지능 서비스(12143)의 일부 또는 전부를 포함할 수 있다. 또한, 일부 실시예에서, 로봇-레벨 지능 계층(12140)은 MPR(12100)이 태스크를 자율적으로 수행할 수 없을 때 지능 요청을 더 높은 레벨(예를 들어, 플릿 레벨, 에지 디바이스, 또는 플릿 관리 플랫폼(12000))로 상신하도록 구성될 수 있다. 로봇-레벨 지능 계층(12140)의 예시적인 실시예가 그 컴포넌트 및 서브시스템과 함께 도 140과 함께 상세히 설명된다.
실시예에서, 성능 관리 시스템(12146)은 건강, 에너지, 열 흐름, 네트워크 등을 포함하는 하나 이상의 로봇 리소스의 성능을 관리하도록 구성된다. 실시예에서, 성능 관리 시스템(12146)은 열 관리 서비스(12161), 에너지 관리 서비스(12162), 모니터링 및 통지 서비스(12163), 네트워크 관리 서비스(12164) 및/또는 예측 유지보수 서비스(12165)를 포함할 수 있다.
실시예에서, 열 관리 서비스(12161)는 다목적 로봇(12100)에서 열 흐름을 관리하는 최적화 알고리즘을 구동하기 위해 로봇 센서, 태스크 과거 데이터, 주변 조건, 재료 특성, 폼 팩터 등 및 허용가능한 결과의 세트를 사용할 수 있다. 이는 허용가능한 동작 조건을 유지하기 위해 열 조건을 능동적으로 관리하거나 열 전달을 최적화하는 데 사용될 수 있다. 실시예에서, 열 관리 서비스(12161)는 폐열 에너지를 재생하는 것을 도울 수 있다. 예를 들어, 폐열은 신흥 나노스케일 또는 다른 열전 디바이스 등과 함께 사용되는 더 고온의 컴포넌트를 능동적으로 냉각시키도록 이동될 수 있다. 실시예에서, 열 관리 서비스(12161)는 로봇 센서 데이터, 태스크 과거 데이터, 주변 조건, 재료 특성, 폼 팩터 등에 더하여 MPR(12100)에서 핀들, 베인, 생체모방 요소, 메시, 패브릭, 팬 등과 같은 열 전달 컴포넌트의 동작을 설계하고 관리하는 최적화 알고리즘(예를 들어, 양자 최적화 알고리즘 및/또는 신경망 최적화 알고리즘)을 구동하기 위해 허용가능한 결과의 세트를 활용할 수 있다.
실시예에서, 에너지 관리 서비스(12162)는 로봇이 동적 동작 환경에서 작동하는 동안 이용가능한 에너지 리소스를 지능적으로 관리하고 시스템 능력을 유지하는 것을 돕는다. 예를 들어, 그리드 에너지가 이용가능하지 않을 수 있고 로봇이 이용가능한 배터리를 보존할 필요가 있다는 것을 발견하면, MPR(12100)의 에너지 관리 서비스는 플라이휠, 커패시터, 슈퍼커패시터, 유공압 축전기 등과 같은 하나 이상의 에너지 저장 및 회수 디바이스를 활성화할 수 있다. 디바이스는 MPR(12100)이 모터의 제동 단계 동안 에너지를 수확하고- 이 에너지는 보통 낭비됨 -, 이를 저장하고, 필요할 때 이를 시스템에 다시 제공하는 것을 가능하게 한다. 실시예에서, 에너지 공유 디바이스는 공통 네트워크 상에서 다른 (비-제동) 모터 또는 액추에이터를 구동하기 위해 모터의 제동 에너지를 공유할 수 있다. 실시예에서, 에너지 관리 서비스(12162)는 에너지 수확 및 공유 디바이스를 자동으로 활성화하고 필요성에 기초하여 비필수 기능을 비활성화하는 기계 학습 기반 예측 에너지 관리를 포함할 수 있다.
실시예에서, 모니터링 및 통지 서비스(12163)는 MBR(12100)의 하나 이상의 조건에 대해 모니터링하고 보고하도록 구성될 수 있다. 이러한 실시예 중 일부에서, 모니터링 및 통지 서비스(12163)는 다양한 리소스의 메트릭을 추적하는 것에 대한 요약 계산을 수행하여 비일상적인(out-of-routine) 특성을 발견한다. 일부 예시적인 실시예에서, 모니터링 및 통지 서비스(12163)는 하나 이상의 모터 또는 기계적 컴포넌트의 조건을 포함하는 로봇 건전성을 나타내는 진동 분석을 수행할 수 있다. 이러한 실시예 중 일부에서, 모니터링 및 통지 서비스(12163)는 특정 조건의 존재 또는 발생 가능성을 예측하기 위해 로봇의 특정 조건(예를 들어, 고장난 컴포넌트, 느슨한 컴포넌트 등)을 진단하도록 훈련되는 기계 학습 모델을 활용할 수 있다. 실시예에서, 모니터링 및 통지 서비스(12163)는 신흥 로봇 결함 모드를 모니터링, 발견 및 예측하기 위한 비전 모델을 포함하는 하나 이상의 기계 학습 모델을 활용할 수 있다. 실시예에서, 모니터링 및 통지 서비스(12163)는 또한 임의의 비일상적인 특성을 발견할 시에 경보 및 통지를 사용자에게 제공할 수 있다. 예를 들어, 배터리가 완전히 고갈되려고 하는 것을 예측할 때, 모니터링 및 통지 서비스(12163)는 음성 메시지를 사용하여 경보 및 통지를 사용자에게 제공할 수 있다. 추가적으로 또는 대안적으로, 모니터링 및 통지 서비스(12163)는 사용자의 컴퓨팅 디바이스(예를 들어, 컴퓨터, 태블릿 컴퓨터, 스마트폰, 전화, 모바일 전화, PDA, TV, 게임 콘솔 등)에 통지를 송신하기 위해 이메일, 텍스트 메시지, 인스턴트 메시지, 전화 통화, 및/또는 다른 통신(예를 들어, 인터넷 또는 다른 데이터 또는 메시징 네트워크를 사용함)을 사용할 수 있다. 실시예에서, 에러 통지는 사용자가 동작을 정지하거나 에러 통지와 연관된 하나 이상의 설정에 대한 조정을 수행하기 위한 옵션을 제공할 수 있다. 실시예에서, 모니터링 및 통지 서비스(12163)는 MPR(12100)의 다양한 리소스의 상태 및/또는 진단에 관한 실시간 및 과거 데이터에 기초한 분석을 포함하는 맞춤 보고를 사용자에게 제공할 수 있다.
실시예에서, 네트워크 관리 서비스(12164)는 최적의 네트워크 성능을 개선하거나 유지하기 위해 할당된 정책, 절차, 작업흐름, 및 책임의 세트를 포함한다. 실시예에서, 네트워크 관리 서비스(12164)는 MPR(12100)의 동작에 영향을 미칠 수 있는 병목 현상 또는 네트워크 문제의 인스턴스를 식별하고 완화하기 위해 네트워크 흐름 데이터, 패킷 데이터 및 네트워크 기반구조 메트릭을 평가할 수 있다.
실시예에서, 예측 유지보수 서비스(12165)는 디지털 트윈 시스템으로부터 도출된 시뮬레이션 데이터 또는 모니터링 및 통지(12163)로부터 도출된 실세계 데이터에 기초하여 MPR(12100)의 하나 이상의 컴포넌트 또는 서브시스템이 유지보수를 받아야 할 때를 예측할 수 있다. 실시예에서, 예측 유지보수 서비스(12165)는 MPR(12100)의 지능 계층(12140)에 액세스하여 과거 및 현재 동작 데이터를 검토함으로써 MPR(12100)의 컴포넌트의 예상되는 마모 및 고장을 예측할 수 있고, 그에 의해 계획되지 않은 중단시간의 위험 및 스케줄링된 유지보수에 대한 필요성을 감소시킨다. 예를 들어, 실시예에서, 예측 유지보수 서비스(12165)는 MPR(12100)로부터 획득된 현재 동작 데이터(예를 들어, 센서 데이터, 환경 데이터 등)를 포함하는 지능 요청을 지능 계층에 제공할 수 있고, 이에 의해 지능 계층(12140)(예를 들어, 기계 학습 서비스)은 MPR(12100)의 컴포넌트의 잠재적 고장을 식별하기 위해 하나 이상의 기계 학습 모델(예를 들어, 예측 모델, 분류 모델, 신경망 등)을 활용할 수 있다. 실시예에서, 기계 학습 모델은 고장 예상 및 예측 유지보수를 수행하기 위해 로봇 사양, 파라미터, 유지보수 결과, 환경 데이터, 센서 데이터, 실행 정보, 노트에 관한 데이터를 사용하여 훈련될 수 있다. 추가적으로 또는 대안적으로, 기계 학습 서비스는 비특성적 또는 비정상 거동을 검출하기 위한 모델을 훈련시키기 위해 고장 데이터에 은닉된 고장 패턴을 식별하기 위한 클러스터링 알고리즘을 포함할 수 있다. 다수의 로봇에 걸친 고장 데이터 및 과거 기록은 상이한 패턴이 특정 마모 거동과 어떻게 상관되는지를 이해하고 고장과 공명하는 유지보수 계획을 개발하기 위해 클러스터링될 수 있다.
다른 예에서, 예측 유지보수 서비스(12165)는 지능 계층(12140)의 디지털 트윈 서비스를 활용하여 디지털 트윈에서 (예를 들어, MPR(12100)이 동작하고 있거나 동작할 환경에서) MPR(12100)의 동작을 시뮬레이션할 수 있고, 이에 의해 디지털 트윈 시뮬레이션은 MPR(2B00)의 잠재적 마모 및/또는 MPR(12100)의 컴포넌트의 잠재적 고장을 밝혀낼 수 있다. 이러한 예에서, MPR(12100)을 과도하게 서비스하거나 과도하게 유지보수하는 것이 완화될 수 있고, 그에 의해 이러한 문제를 사전에 또는 저스트-인-타임 방식으로 해결함으로써, MPR(12100) 또는 컴포넌트의 비용이 많이 드는 중단시간, 수리 또는 대체를 감소시킬 수 있다.
실시예에서, 태스크 관리 시스템(12144)은 태스크를 실행하기 위해 플릿 운영 시스템(12002), 라이브러리(12314), 비전 및 감지 시스템(12112)의 작업 실행 시스템과 지능 계층(12140) 사이를 조정한다. 태스크 관리 시스템(12144)은 본 개시 전반에 걸쳐 더 상세히 설명된다.
실시예에서, 데이터 처리 시스템(12142)은 중앙집중형 및/또는 분산형일 수 있는 데이터 처리 리소스를 포함할 수 있고, 범용 칩셋, 특수 칩셋, 및/또는 구성가능 칩셋을 포함할 수 있다. 데이터 처리 시스템(12142)은 지능 계층(12140) 내의 다양한 지능 리소스를 포함하는 로봇 제어 시스템(12150)에 대한 확장가능 계산 능력을 제공하는 하나 이상의 프로세서를 포함할 수 있다. 데이터 처리 시스템(12142) 내의 프로세서는 버스 시스템을 통해 다수의 주변 디바이스와 통신할 수 있다. 주변 디바이스는, 예를 들어, 명령어 및 데이터의 저장을 위한 메모리 서브시스템 및 프로그램 및 데이터 파일을 위한 영구 저장소를 제공하는 파일 저장 서브시스템, 외부 네트워크에 대한 인터페이스를 제공하는 네트워크 인터페이스 시스템, 데이터 할당, 데이터 캐싱, 데이터 프루닝 및 데이터 관리 및 지능 및 데이터 리소스에 대한 액세스 및 제어를 포함하는 능력을 갖는 데이터 관리 시스템, 및 사용자 인터페이스 입력 및 출력 디바이스를 포함하는 데이터 저장소를 포함할 수 있다.
실시예에서, 데이터 처리 시스템(12142)은 데이터 취급 서비스(12166) 및 데이터 처리 서비스(12167)를 포함한다. 데이터 취급 서비스(12166)는 MPR(12100)의 데이터를 저장, 검색, 및 다른 방식으로 관리하도록 구성된다. 실시예에서, 데이터 취급 서비스(12166)는 데이터 저장소(12168) 및/또는 라이브러리(12169)의 세트에 액세스하고, 이에 의해 데이터 취급 서비스(12166)는 MPR(12100)의 다른 컴포넌트를 대신하여 데이터 저장소(12168) 및/또는 라이브러리(12169)로부터 데이터를 기록 및 판독한다. 실시예에서, 데이터 처리 서비스(12167)는 MPR(12100)의 다양한 컴포넌트를 대신하여 데이터 처리 동작을 수행한다. 예를 들어, 데이터 처리 서비스(12167)는 데이터베이스 동작(예를 들어, 테이블 조인, 검색 등), 데이터 융합 동작 등을 수행할 수 있다.
실시예에서, 모듈 관리 시스템(12148)은 아래에 설명되는 바와 같이 다양한 제어 인터페이스 모듈(12130) 및 물리적 인터페이스 모듈(12122)의 사용 및 구성을 조정한다.
실시예에서, 통신 시스템(12152)은 MPR(12100)의 컴포넌트 및 서브시스템 사이의 효율적인 고속 전자 및 무선 통신 뿐만 아니라 본 출원에 설명된 바와 같은 플릿 운영 시스템 및 그 요소, 외부 데이터 소스(12036), (예를 들어, 인터넷 등을 통한) 제3자 시스템, 로봇 운영 편성 단위, 지원 시스템 및 장비, 인간 플릿 리소스 등과의 MPR(12100)의 통신을 가능하게 하도록 구성된다. 통신 시스템(12152)은 인터넷 프로토콜(IP), 블루투스 통신 프로토콜, 무선 통신 프로토콜(예를 들어, IEEE 802, 4G 통신 프로토콜, 5G 통신 프로토콜) 등과 같은 다양한 데이터 프로토콜을 지원할 수 있는 유선, 무선 등과 같은 하나 이상의 네트워크 타입을 포함하거나 이에 대한 액세스를 제공할 수 있다. 실시예에서, 통신 시스템(12152)은 MPR(12100) 내부 및 외부의 다양한 시스템에 대한 데이터 및 리소스를 구성, 우선순위화 및 제어하기 위해 지능 서비스를 활용할 수 있다.
실시예에서, 내비게이션 시스템(12154)은 MPR(12100)이 환경 내에서 이동할 때 환경의 맵(매핑)을 생성하면서 환경 내에서 그 자신의 위치 및 배향을 확립함으로써(로컬라이제이션) 알려진, 부분적으로 알려진 및 알려지지 않은 환경을 내비게이션하는 것을 허용한다. 일부 실시예에서, 내비게이션 시스템(12154)은 환경을 매핑하는 동안 센서를 사용하여 그 자신의 위치를 인식함으로써 로봇의 자율 내비게이션을 위해 SLAM(Simultaneous Localization and Mapping)을 이용할 수 있다. SLAM 알고리즘은 초기 위치에서 주변 환경의 맵을 생성하고, 생성된 맵에 기초하여 이동된 로봇의 위치를 발견하는 프로세스를 반복함으로써 로봇의 위치 및 주변 환경의 맵을 추정한다. 내비게이션 시스템(12154)은 또한 추가적인 또는 대안적인 내비게이션 알고리즘을 이용할 수 있다.
실시예에서, 내비게이션 시스템(12154)은 그 환경 내에서 MPR(12100)의 하나 이상의 이미지를 생성하기 위해 비전 및 감지 시스템(12112)과 함께 작동할 수 있다. 이러한 이미지는 시각 및 감지 시스템(12112)의 카메라 및 이미지 센서에 의해 클릭될 수 있고, 순응형 가변 초점 액체 렌즈(12612)를 갖는 카메라(12608)를 사용하여 클릭된 하나 이상의 이미지를 포함할 수 있다. 이미지는 기계 비전 시스템(12618)에 대한 것일 수 있고, MPR(12100)의 위치를 찾기 위해 CNN 또는 RCNN을 포함하는 하나 이상의 신경망 모델을 이용할 수 있다. 추가적으로, 모션 센서, 깊이 센서, 근접 센서, LIDAR 등과 같은 다수의 다른 센서가 MPR(12100)을 환경 내에서 더 정확하게 로컬라이징하기 위해 서로 관련하여 사용될 수 있다.
또한, 일부 실시예에서, 내비게이션 시스템(12154)은 환경의 맵- "맵"은 로봇을 둘러싸는 정적 객체의 필드를 나타냄 -을 증분적으로 구축 및/또는 업데이트할 수 있다. MPR(12100)은 이 맵을 통해 횡단하고, 이미징, 레이저 범위 발견, 또는 초음파를 통해 각각의 객체에 대한 범위를 측정하려고 시도하고, 객체에 대한, 검출된 객체의 위치 및 그 자신의 위치 둘 모두를 연속적으로 업데이트한다.
실시예에서, 내비게이션 시스템(12154)은 또한 환경 내의 최적의 내비게이션 정책을 결정하기 위해 (로봇-레벨 지능 계층(12140)과 함께) 로봇 및/또는 태스크 관리 시스템(12144)의 경로를 계획하기 위해 모션 계획 시스템(12158)과 함께 작동할 수 있다. 일부 실시예에서, 내비게이션 시스템(12154)은 로봇 제어 시스템(12150)과 조정하여, MPR(12100)이 환경을 내비게이션할 수 있게 하는 내비게이션 정책에 따라 하나 이상의 액추에이터 또는 모터의 이동을 실행하기 위한 제어 명령어를 생성한다.
실시예에서, 안전 및 준수 시스템(12156)은 기계적 안전, 전기적 안전 및 기능적 안전을 포함하는 안전 평가를 수행하도록 구성된다. 실시예에서, 안전 및 준수 시스템(12156)은 하나 이상의 안전 표준에 대한 준수를 보장하고 작업흐름 및 프로세스 제어 문서를 생성하여 하나 이상의 표준 또는 인증 기관으로부터 적합성의 인증서를 획득하도록 구성된다. 실시예에서, 안전 및 준수 시스템(12156)은 ISO(International Organization for Standardization), UL(Underwriters Laboratories), TUV SUD, ANSI(American National Standards Institute) 등을 포함하는 하나 이상의 표준 기관과의 준수를 보장한다. 예를 들어, ISO 10218은 인간이 허용할 수 없는 위험에 노출되지 않도록 보장하기 위해 4개의 별개의 로봇-인간 협력 동작 모드를 설명한다. 유사하게, ISO/TS 15066은 사용자가 협업 로봇을 설치할 때 위험 평가를 수행하기 위한 기술 사양 및 엔지니어링 안내를 제공한다. 일부 실시예에서, 안전 및 준수 시스템(12156)은 안전 평가를 수행할 때 지능 서비스를 활용할 수 있다.
실시예에서, 모션 계획 시스템(12158)은 MPR(12100) 또는 그 부분의 모션을 제어하고 MPR(2B00)에 대한 최적의 충돌 없는 경로를 구축하도록 구성될 수 있다. 모션 계획 시스템(12158)의 예시적인 실시예는 도 140과 함께 더 상세히 설명된다.
실시예에서, 제어 시스템 내의 제어기(12160)는 수송 시스템(12110) 내의 액추에이터, 엔드 이펙터, 또는 MPR(2B00)의 다른 임의의 다른 전기-기계적 컴포넌트를 구동할 수 있고, 그에 의해 MPR(12100)이 태스크의 적어도 일부를 수행할 수 있게 한다. 실시예에서, 제어기(12160)는 내비게이션 시스템(12154), 태스크 관리 시스템(12144), 모션 계획 시스템(12158), 통신 시스템(12152), 및/또는 모듈 관리 시스템(12148) 중 하나 이상으로부터 신호를 수신하여, 제어기(12160)가 결부된 액추에이터에 출력할 수 있는, 결부된 액추에이터에 발행할 제어 신호를 결정할 수 있다.
실시예에서, 모듈 시스템(12120)은 하나 이상의 구성가능하고 상호교환가능한 하드웨어 및 소프트웨어 모듈을 사용하여 MPR(12100)에 하나 이상의 태스크 특정 능력을 제공하도록 구성될 수 있다. 실시예에서, 모듈 시스템(12120)은 제어 인터페이스 모듈(12120) 및/또는 물리적 인터페이스 모듈(12130)을 포함한다. 실시예에서, 제어 인터페이스 모듈(12130)은 연결성, 전력, 보안, 감지, 컴퓨팅 및 인공 지능(AI) 유사 능력을 제공하기 위한 하나 이상의 소프트웨어 모듈을 포함할 수 있다. 실시예에서, 물리적 인터페이스 모듈(12122)은 특정 동작 태스크를 수행하는 능력을 MPR(12100)에 제공하도록 구성된 하나 이상의 엔드 이펙터, 또는 엔드 오브 아암 툴링 시스템을 포함할 수 있다.
실시예에서, 제어 인터페이스 모듈(12130)은 감지 능력, 전력 능력, 네트워킹 능력, 에지 컴퓨팅 능력 등과 같은 MPR(2B00)의 다양한 능력을 향상시키도록 구성되는 각각의 모듈을 수신하도록 구성되는 하나 이상의 인터페이스를 포함한다. 이러한 능력은 MPR(2B00)이 특수화된 감지 및 평가와 같은 특수화된 기능을 수행하고 에지 및 네트워킹 제약, 전력 제약, 이동성 제약 등을 갖는 환경에서 작동하는 것을 가능하게 할 수 있다.
실시예에서, 제어 인터페이스 모듈(12130)은 네트워킹 모듈(12131), 센서 모듈(12132), 컴퓨팅 모듈(12133), 보안 모듈(12134), AI 모듈(12135), 통신 모듈(12136) 및 사용자 인터페이스 모듈(12138)을 포함할 수 있다. 실시예에서, 제어 인터페이스 모듈(12130)은 하나 이상의 센서 모듈(12132)을 수신한다. MPR(12100)을 구성하기 위해 사용되는 센서 모듈은 MPR(12100)이 수행하도록 구성된 태스크 및 작업에 의존할 수 있다. 예를 들어, 센서 모듈(12132)은 중량 센서, 환경 센서(예를 들어, 온도, 습도, 주변 광, 모션 센서, 비전 센서(예를 들어, 카메라, 라이다 센서, 레이더 센서 등), 또는 다른 적합한 센서를 포함할 수 있다. 실시예에서, 센서 모듈(12130)은 랩-온-어-칩 패키지(lab-on-a-chip package), 장기-온-칩 패키지(organ-on-chip package) 등과 같은 특수화된 칩들일 수 있다.
실시예에서, 제어 인터페이스 모듈(12130)은 화학적 및 생물학적 감지를 제공하기 위해 하나 이상의 모듈식, 제거가능 및 교체가능 랩-온-어-칩 센서 패키지를 포함한다. 랩-온-어-칩 센서 패키지는 MPR(2B00)이 화학적 검정, 미생물학적 배양 검정, 면역검정 및 핵산 검정을 포함한 화학적 및 진단적 테스트를 수행하는 것을 가능하게 할 수 있고, 환경 조건 테스트, 물 및 기체 입자 분석, 응급 구조원 테스트, 독성학, 군사, 재난, 및 관련 응용에 유용할 수 있다.
실시예에서, 제어 인터페이스 모듈(12130)은 생물학적 및 관련 위험을 감지하고 평가하도록 맞춤화된 하나 이상의 모듈식, 제거가능 및 교체가능 장기-온-칩 센서 패키지를 포함한다. 장기-온-칩 센서 패키지는 특히 폐, 장, 신장, 피부, 골수 및 혈액-뇌 장벽을 포함하는 살아있는 인간 장기의 아키텍처, 역학, 기능 및 생리학적 반응을 시뮬레이션하는 마이크로유체 배양 디바이스일 수 있다. 일부 예시적인 사용 사례는 응급 구조원, 운영자 건강, 팬데믹, 및 관련 응용을 포함한다.
실시예에서, 제어 인터페이스 모듈(12130)은 잠재적인 충돌을 검출하고 충돌이 검출될 때 이동을 정지시키거나 반전시키기 위해 로봇에 결합해제하거나 신호를 전송하도록 구성되는 하나 이상의 모듈식, 재설정가능 및 교체가능 충돌 센서 패키지를 포함한다. 충돌 센서 패키지는 엔드 이펙터, 툴링(tooling) 및 처리되는 부품 또는 제품에 대한 손상을 방지, 감소 또는 제거하는 것을 도울 수 있다.
실시예에서, 제어 인터페이스 모듈(12130)은 특정 태스크 또는 정책을 위해 구성되고 다양한 시각적 및 다른 센서 입력과 함께 작동하도록 통합된 하나 이상의 모듈식, 제거가능 및 교체가능 AI-온-어-칩(AI-on-a-chip) 패키지를 포함한다. 태스크 특정 AI-온-어-칩 패키지의 일부 예는 기계 비전 패키지, 자연어 처리 패키지, 이미지 분류 패키지, 비디오 분석 패키지, 예측 분석 패키지, 최적화 패키지, 제어 패키지 또는 정책 라이브러리에서 하나 이상의 정책을 구현하도록 구성된 패키지를 포함한다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 기계 학습 모델, 강화 학습 모델, 신경망, 정책 네트워크 등 중 하나 이상의 훈련을 위해 구성될 수 있다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 웨어하우스, 제조 환경, 농업 및 농업 환경, 배송 및 물류 환경, 의료 환경 등과 같은 특정 환경을 위해 구성될 수 있다. 모듈식 AI-온-어-칩 패키지는 특정 환경 또는 사용 사례를 위해 구축되는 도메인-특정 모델로 훈련될 수 있다. 예를 들어, 패키지는 농업 또는 웨어하우스 환경에서 사용되는 언어를 이해하기 위해 특별히 맞춤화된 자연어 처리 모델을 포함할 수 있다. 다른 예로서, 모델은 의료 이미지의 세트에 대해 훈련되고 미생물 감염을 식별하기 위해 사용될 수 있다. 실시예에서, 제어 인터페이스 모듈(12130)은 낮은 또는 간헐적 전력, 극단적인 환경 조건, 고온 및 낮은 열 분산 등을 갖는 환경을 포함하는 특정 환경을 위해 구성된 하나 이상의 모듈식, 제거가능 및 교체가능 AI-온-어-칩 패키지를 포함한다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 다음을 포함하는 태스크 특정 요건에 기초하여 로컬 리소스를 자율적으로 최적화하도록 구성될 수 있다: 계산을 위한 최적화; 저장소; 네트워크; 에너지; 가열/냉각 용량; 배터리 용량; 인사 능력; 공간; 적층 제조 능력 등.
실시예에서, 모듈식 AI-온-어-칩 패키지는, 상황(웨어하우스에서의 병목 현상, 상점에서의 혼잡/라인, 환경의 일부에서의 적은/희소한 고객 혼합)을 인식하는 것, 객체/얼굴/제품/감정을 분류 및 인식하는 것, 수요측 파라미터(가격, 프로모션, 광고 위치)를 설정하는 것; 온보드 챗봇 상호작용을 관리하는 것, 보완 제품의 바구니를 추천하기 위한 추천 엔진을 관리하는 것 등을 포함하는 공급측 상호작용을 관리하는 것 같은 로봇 프로세스 자동화를 실행하고 관장하기 위한 모델로 훈련될 수 있다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 사용자의 생리학적, 신경학적, 감정적, 인지적 상태를 분석하고 그러한 상태에 기초하여 MPR(12100)의 응답을 맞춤화하기 위한 모델로 훈련될 수 있다. 예를 들어, 패키지는 사용자의 얼굴 표정, 대화, 톤, 신체 이동을 분석하여 상태를 결정하고, 상태 정보를 분석하여 고객 관심, 응답, 선호도 등에 대한 정보를 도출한 다음, 이러한 정보를 콘텐츠 전달, 제품 추천, 광고 등을 위해 에지 디바이스에 공급할 수 있다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 MPR(12100) 또는 로봇 플릿에 대한 보안 위협 벡터 및 다른 취약성을 분석하기 위한 모델로 훈련될 수 있다. 예를 들어, 패키지는 인증을 가능하게 하기 위한 생체인식 분석, 거동 모델링, 얼굴 및 음성 인식; 멀웨어, 스파이웨어, 랜섬웨어, 바이러스, 웜, 트로이언 등에 의한 공격을 인식하고 방지하기 위한 학습 모델; 위협 지능, 이상 검출, 네트워크 및 엔드-포인트 보안 등을 위한 분류, 클러스터링 또는 회귀 모델을 사용할 수 있다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 종자 및 작물 선택을 결정하고 토지, 물 및 영양을 포함하는 농업 리소스의 이용을 최적화함으로써 농업 계획에서 농장으로부터 수집된 날씨 조건, 빛, 온도, 물 사용 또는 토양 조건을 분석하기 위한 모델로 훈련될 수 있다. MPR(12100)은, 예를 들어, 정보를 사용하여 식재 및 영양 루틴을 따르고, 선택적 육종을 위한 표현형 분석을 수행하고, AI 제어 LED 광을 사용하여 작물에 대한 최적화된 광 파장을 제공할 수 있다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 농업 농장의 토양 또는 작물에서 질병, 해충, 잡초, 영양 결핍을 검출하기 위한 모델로 훈련될 수 있다. 예를 들어, MPR(2B00)은 수송 시스템의 프로펠러 또는 소형화된 제트 엔진을 이용하여 농장 위를 비행하고, 비전 및 감지 시스템의 카메라를 사용하여 농장의 이미지를 포착한 다음 모듈식 AI-온-어-칩 패키지를 사용하여 문제 영역 및 잠재적 개선을 식별할 수 있다. 예를 들어, 이미지는 원하지 않는 식물 또는 잡초의 존재를 보여줄 수 있다. 이어서, MPR(12100)은 제초제를 사용한 처리에 관한 결정을 내릴 수 있거나, 잡초를 제거하기 위한 하나 이상의 엔드 이펙터를 선택할 수 있다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 다양한 형상 및 크기의 작물, 식물, 과일 및 채소를 모니터링하고 수확하기 위한 모델로 훈련될 수 있다. 예를 들어, 패키지는 수확될 준비가 된 작물을 식별하기 위해 기계 비전 및 다른 센서를 이용할 수 있다. 패키지는 또한 농장을 내비게이션하고, MPR(12100)에 대한 작물의 위치 및 배향을 추정하고, 상이한 형상 및 크기의 과일 및 채소를 파악하고, 선택적 수확을 위해 적합한 엔드 이펙터를 선택하고, 최종적으로 수확된 과일 및 채소를 저장 또는 패키징하기 위해 훈련된 정책을 포함할 수 있다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 식물 및 물고기의 요건에 기초하여 양어수경 시스템에 대한 제어된 폐루프 환경을 관리하기 위한 모델로 훈련될 수 있다. 예를 들어, 예시적인 모듈 AI-온-어-칩 패키지는 수중 환경에서 감지된 산소 레벨을 수신할 수 있고, 물이 충분히 산소화되었는지, 과소-산소화되었는지, 또는 과다-산소화되었는지를 결정할 수 있다. 실시예에서, 모듈식 AI-온-어-칩 패키지는 3D 프린팅 파라미터를 최적화하기 위한 모델로 훈련될 수 있다.
실시예에서, 제어 인터페이스 모듈(12130)은 특정 태스크를 수행하기 위해 모듈의 다수의 모듈식, 제거가능 및 교체가능 조합을 수신할 수 있다. 예를 들어, 일부 실시예에서, 제어 인터페이스 모듈(12130)은 가스를 검출하기 위한 랩-온-어-칩 능력 및 기계 비전을 위한 AI-온-어-칩 능력을 수신할 수 있다. MPR(12100)은, 예를 들어, 지상 및 지하 가스 파이프라인에서의 가스 누설 검출 및 격리를 위해 그러한 패키지를 사용할 수 있다. 이 예에서, MPR(12100)은 파이프라인을 따라 이동하고 잠재적인 누설 지점에 매우 근접한 가스 농도를 분석할 수 있다. 가스 누설을 결정할 시에, MPR(12100)은 카메라 및 IR 센서를 사용하여 이미지를 클릭하고, 기계 비전 능력을 사용하여 누설을 찾고, 정책 라이브러리를 사용하여 누설을 교정하기 위한 하나 이상의 정책을 식별할 수 있다.
실시예에서, 물리적 모듈 인터페이스(12122)는 MPR(12100)에 의해 취해질 수 있는 물리적 액션 및/또는 MPR(12100)의 물리적 동작을 변경하는 보조 물리적 모듈을 수신(또는 다른 방식으로 이에 연결)한다. 물리적 모듈 인터페이스(12122)의 일부 예는 엔드 이펙터(12124), 기동 어댑터(12126), 3D 프린터 어댑터(12128) 등을 포함한다. 엔드 이펙터(12124)는 객체를 조작하거나 하나 이상의 태스크를 달성하기 위해 MPR(12100)의 아암의 단부에 연결될 수 있는 디바이스 또는 툴을 포함한다. 예를 들어, 객체를 파지 및 파지하고, 들어올리고, 배치하고, 팔레타이징하고, 브러싱하고, 드릴링하고, 검사하고, 및/또는 테스트하기 위해 상이한 엔드 이펙터가 사용될 수 있다. MPR(12100)은 하나 이상의 엔드 이펙터로 구성될 수 있으며, 따라서, 하나 이상의 엔드 이펙터는 다음을 포함하는 다수의 인자에 기초하여 선택될 수 있다: 수행될 태스크(들); 조작될 객체의 크기, 형상, 표면 및 중량; 객체 주위에서 이용 가능한 재료 간극을 포함하는 객체의 환경; 이용 가능한 전원; 태스크에서 요구되는 정밀도 또는 정확도; 등. MPR(12100)에 의해 사용되는 엔드 이펙터는 구성 동안 플릿 관리 플랫폼(12000)에 의해 및/또는 배치되는 동안 MPR(12100)에 의해 선택될 수 있다는 점이 이해된다.
일부 예시적인 실시예에서, 엔드 이펙터는 대형 박스를 적층하는 것으로부터 작은 섬세한 전자 컴포넌트를 취급하는 것까지 광범위한 재료 취급 응용을 위한 객체를 잡고 파지하기 위한 그리퍼를 포함할 수 있다. 일부 예시적인 실시예에서, 손가락 또는 조오(jaw)는 예를 들어 조립 라인, 컨베이어 시스템 또는 다른 자동화된 시스템 상에 객체를 픽업하고 배치할 뿐만 아니라 객체를 파지하거나 보유하기 위해 그리퍼에 부착될 수 있다. 예를 들어, 평행한 그리퍼는 객체를 보유 및 파지하기 위해 객체 상에서 폐쇄될 수 있는 서로 평행하게 배치된 2개의 핑거를 가질 수 있고, 경사진 그리퍼는 120°만큼 오프셋된 3개의 핑거와 같은 다양한 상이한 각도 개구의 핑거를 가질 수 있고, 흡입 그리퍼는 객체의 표면과 맞물리고 객체를 파지하기 위해 음의 또는 흡입 압력 또는 진공을 사용하기 위한 하나 이상의 흡입 컵을 가질 수 있고; 전자기 그리퍼는 금속 객체를 파지하기 위해 사용될 수 있고, 유압 유체에 의해 구동되는 유압 그리퍼는 무거운 객체를 들어올리는 것과 같은 고부하 응용을 위해 사용될 수 있고, 연성 그리퍼는 신선한 과일 및 채소와 같은 상이한 형상 및 크기의 섬세한 객체를 선택하고 조작하기 위해 인간의 손가락을 모방할 수 있고, 베르누이 그리퍼는 물리적 접촉 없이 객체에 부착되도록 기류를 사용할 수 있고 오염을 방지하기 위해 멸균 재료를 취급하기 위해 사용될 수 있는 등이다. 실시예에서, 그리퍼는 제품을 찾고, 취급하고, 위치설정하는 데 있어서 그리퍼를 보조하는 센서를 포함할 수 있다. 실시예에서, 그리퍼는 정확한 힘의 인가를 요구하는 힘 제어 프로세스를 위한 힘 토크 센서 및 순응성 힘 피드백 시스템과 같은 액세서리를 포함할 수 있다. 실시예에서, 그리퍼는 압축 공기, 진공 또는 전기에 의해 구동될 수 있다. 일부 예시적인 실시예에서, 엔드 이펙터(12124)는 아크 용접(arc welding), 스폿 용접(spot welding), 페인트 스프레이(paint spraying), 기계가공(machining), 드릴링(drilling), 워터-제트 커팅(water-jet cutting), 화염(flaming), 리벳팅(riveting), 그라인딩(grinding), 디버링(deburring), 조립(assembling), 적층 제조(additive manufacturing), 사출 성형(injection molding) 등을 포함하는 다양한 응용을 위해 부착된 매우 다양한 프로세스 툴링 디바이스를 가질 수 있다.
실시예에서, 기동 어댑터(12126)는 MPR(12100)이 특정 환경 및/또는 조건을 횡단하게 하는 적합한 모듈형 컴포넌트를 포함할 수 있다. 예를 들어, 기동 어댑터(12126)는 상이한 휠 세트, 이동 가능한 다리, 핀, 제트, 터빈, 또는 다른 적합한 수송 수단을 포함할 수 있다.
실시예에서, 3D 프린터 어댑터(12128)는 필요에 따라 프린팅을 위한 통합된 적층 제조 능력의 세트를 통합한다. 예를 들어, 적층 제조 능력은 프린팅 툴, 예컨대, 농업 툴 또는 부품, 건설 툴 또는 부품, 패키징 툴 또는 부품, 대체 부품, 및/또는 로봇이 필요에 따라 아이템을 프린팅할 수 있게 하는 다른 적합한 적층 제조 능력을 포함할 수 있다. 이러한 실시예에서, 적층 제조 능력은 아이템을 프린팅하기 위한 적합하게 치수화된 프린팅 디바이스들 뿐만 아니라, 또한 프린팅에 필요한 임의의 재료를 포함할 수 있다.
상이한 모듈의 전술한 설명은 예를 들어 각각의 타입의 물리적 모듈 및 제어 모듈에 대해 제공된다. 물리적 모듈 인터페이스(12122) 및 제어 모듈 인터페이스(12130)는 본 개시의 범위를 벗어나지 않고 다른 추가적인 또는 대안적인 모듈을 수신할 수 있다는 것이 이해된다.
도 140은 본 개시의 일부 실시예에 따른, 로봇 제어 시스템의 다양한 컴포넌트의 상세도를 표시하는 로봇 제어 시스템(12150)의 예시적인 아키텍처이다. 실시예에서, 지능 계층(12140)은 지능 계층 클라이언트의 세트로부터 요청을 수신하고, 이러한 클라이언트에 지능 서비스(예를 들어, 결정, 분류, 예측 등)를 제공함으로써 이러한 요청에 응답한다. 로봇 레벨에서, 그러한 클라이언트는 성능 관리 시스템(12146), 태스크 관리 시스템(12144), 모듈 관리 시스템(12148), 내비게이션 시스템(12154), 모션 계획 시스템(12158) 등을 비롯한 로봇 제어 시스템(12150)의 다양한 컴포넌트 및 서브시스템; 에너지 저장 및 전력 분배 시스템(12104), 전기기계 및 전기유체 시스템(12108), 수송 시스템(12110), 비전 및 감지 시스템(12112) 및 구조적 시스템(12114) 또는 모듈 시스템(12120) 또는 로봇 보안 시스템(8)을 비롯한 MPR(12100)의 다른 적합한 시스템을 포함하는 베이스라인 시스템(12102)의 다양한 컴포넌트들을 포함할 수 있다.
예로서, 지능 계층(12140)은 시각 및 감지 시스템(12112)으로부터 환경 데이터, 비디오 카메라 스트림, 맵, 오디오 스트림, 이미지, 알려진 장애물의 좌표 등을 포함하는 센서 데이터를 입력으로서 취할 수 있다. 지능 계층(12140)은 이어서 MPR(12100) 또는 그 부분의 모션에 관한 하나 이상의 결정을 내리기 위해 모션 계획 시스템(12158)과 조정하고, 환경에서의 내비게이션에 관한 결정을 내리기 위해 내비게이션 시스템(12154)과 조정하고, 하나 이상의 태스크를 수행하는 것에 관한 결정을 내리기 위해 태스크 관리 시스템(12144)과 조정할 수 있다. 로봇 제어 시스템(12150) 내의 제어기(12160)는 이어서 MPR(12100)이 이동하고, 환경에서 내비게이션하고, 다양한 태스크를 수행할 수 있게 하는 액추에이터를 구동하기 위한 제어 명령어를 생성할 수 있다.
실시예에서, 모션 계획 시스템(MPS)(12158)은 MPR(12100) 또는 그 부분(예를 들어, 엔드 이펙터, 엔드 오브 아암 툴)의 모션을 제어하도록 구성될 수 있다. 실시예에서, 모션 계획 시스템(MPS)(12158)은 MPR(12100)이 이를 따라 환경 내의 어떠한 장애물과도 충돌하지 않고 "시작 상태"로부터 "목표 상태"로 내비게이션할 수 있는 일련의 전이를 특정할 수 있다. 실시예에서, 시작 상태 및 목표 상태는 수행될 태스크 또는 서브-태스크에 기초하여 결정될 수 있다. 시작 상태 및 목표 상태는 로봇의 위치, 로봇의 자세, 로봇의 지리위치 등으로서 표현될 수 있다.
일부 실시예에서, MPS(12158)는 시각 및 감지 시스템으로부터의 하나 이상의 이미지 및 다른 센서 데이터 뿐만 아니라 "시작 상태" 및 "목표 상태"를 나타내는 정보를 (예를 들어, 내비게이션 시스템(12154) 또는 다른 적절한 컴포넌트로부터) 입력으로서 취할 수 있다. 실시예에서, MPS(12158)는 이어서 로봇에 대한 모션 계획을 구축할 수 있다. 일부 실시예에서, 모션 계획은 MPR(12100)의 상태를 노드로서 그리고 상태 사이의 전이들을 그래프의 에지로서 갖는 환경의 기하학적 구조를 표현하는 모션 계획 그래프이다. 실시예에서, "시작 상태" 및 "목표 상태"를 나타내는 노드 사이의 경로를 찾기 위해 그래프 검색이 수행될 수 있다. MPS(12158)는 또한 MPR(12100)과 경로 내의 하나 이상의 장애물 사이의 충돌 확률을 결정하는 충돌 평가를 수행하고 대응하는 전이에 대한 충돌 확률에 기초하여 그래프의 에지에 비용 값을 할당할 수 있다. MPS(12158)는 "시작 상태"로부터 "목표 상태"로의 전이들 또는 경로의 세트를 결정하기 위해 모션 계획 그래프에 대해 최소 비용 분석을 수행할 수 있다. 실시예에서, MPS(12158)는 식별된 전이들 또는 경로 세트로 내비게이션 정책을 구현하기 위해 지능 계층(12140) 및 내비게이션 시스템(12154)과 조정할 수 있다. MPS(12158)는 또한 모션 계획을 실행하기 위해 MPR(12100) 내의 하나 이상의 액추에이터 또는 모터를 작동시키기 위한 제어 명령어를 생성하도록 제어기(12160)와 조정할 수 있다.
실시예에서, MPS(12158)는 다양한 운동학적, 기하학적, 물리적 및 시간적 제약을 고려하면서 뿐만 아니라 복잡한 태스크(예를 들어, 객체의 조작) 및 불확실성(하나 이상의 장애물의 이동)을 포함하는 추가적인 제약을 고려하면서 3D 작업 공간에서 최적의 충돌 없는 경로를 식별하도록 구성될 수 있다. 충돌 검출은 하나의 상태로부터 다른 상태로 이동하는 MPR(12100)에 의해 스위핑되는 3D 공간에서의 볼륨이 임의의 장애물과 충돌하는지를 결정한다. 스위핑된 볼륨의 표면 및 장애물은 다각형으로서 표현될 수 있고, 충돌 검출은 이러한 다각형이 교차하는지를 컴퓨팅하는 것을 수반한다.
실시예에서, MPS(12158)는 모션 계획을 환경의 실시간 변화에 적응시키기 위해 지능 계층(12140) 내의 하나 이상의 기계 학습 모델(12664)을 이용할 수 있다. 예를 들어, 모션 계획은 MPR(12100)에 의해 수행되는 태스크의 변경, 엔드 이펙터(12124)의 변경 등에 기초하여 적응될 수 있다. 실시예에서, MPS(12158)는 하나의 태스크로부터 관련 태스크로의 학습을 활용하기 위해 전이 학습을 사용함으로써 그 모션 계획 효율을 개선할 수 있다.
실시예에서, MPS(12158)는 임의의 이동 장애물을 결정하기 위해 시각 및 감지 시스템(12112)의 하나 이상의 센서로부터 센서 데이터를 수신할 수 있고, 기계 학습 모델(12664)에 기초하여 환경에서의 이동 장애물의 궤적을 예측하기 위해 하나 이상의 기계 학습 모델(12664)을 활용할 수 있다. MPS(12158)는 예측된 궤적 정보를 이용하여 이동 장애물과의 충돌의 확률 및 비용을 고려하면서 비용 함수를 계산한다.
실시예에서, MPS(12158)는 최적 경로를 결정하기 위해 3D 경로 계획 알고리즘을 이용할 수 있다. 예를 들어, 샘플링 기반 알고리즘은 주어진 구성 공간에서 무작위하게 샘플링된 노드 및 연결된 에지로 구성되는 그래프로부터의 정보를 사용하여 로봇의 모션에 대한 실현가능한 경로를 결정할 수 있다. 이러한 무작위 접근법은, 고차원 구성 공간에서와 같이, 복잡한 문제에 대한 해결책을 신속하게 제공한다는 관점에서 강한 이점을 갖는다. MPS 시스템에 의해 사용될 수 있는 3D 경로 계획 알고리즘의 예는 가시성 그래프, 랜덤 트리를 신속하게 탐색하는 것과 같은 랜덤 탐색 알고리즘, 확률 로드 맵(Probabilistic Road Map), (Dijkstra의 알고리즘, A* 알고리즘과 같은) 최적 검색 알고리즘 및 바이오인스파이어드(bioinspired) 계획 알고리즘을 포함한다.
실시예에서, 내비게이션 시스템(12154)은 MPR(12100)에 대한 내비게이션 전략을 구축하기 위해 태스크 관리 시스템(12144)으로부터 사전 훈련된 내비게이션 정책과 함께 MPS(12158)에 의해 결정된 경로(예를 들어, 최적 경로)를 이용한다. 일부 실시예에서, 내비게이션 시스템(12154)은 MPR(12100)이 환경을 내비게이션할 수 있게 하는 내비게이션 전략에 따라 하나 이상의 액추에이터 또는 모터의 이동을 실행하기 위한 제어 명령어를 생성하기 위해 로봇 제어 시스템(12150)과 조정한다. MPR(12100)의 내비게이션 액션은 내비게이션 정책을 지속적으로 업데이트하기 위해 반복적인 방식으로 강화 학습 시스템(12668)에 의해 평가될 수 있다.
실시예에서, 태스크 관리 시스템(12144)은 플릿 운영 시스템(12002)의 작업 실행 시스템(12022), 라이브러리(12314), 비전 및 감지 시스템(12112), 및 로봇-레벨 지능 계층(12140)의 하나 이상의 서비스 사이에서 조정하여 태스크를 실행한다. 일부 예시적인 실시예에서, 태스크 관리 시스템(12144)은 (예를 들어, 사용자로부터, 플릿 관리 플랫폼으로부터, 및/또는 다른 로봇으로부터) 태스크 요청을 수신할 시에 태스크를 완료하기 위해 적용될 수 있는 하나 이상의 사전 훈련된 정책을 식별하기 위해 정책 라이브러리를 참조할 수 있다. 예를 들어, 객체를 한 장소로부터 다른 장소로 이동시키기 위한 요청을 수신하면, 태스크 관리 시스템(12144)은 태스크를 완료하기 위해 파지 정책 및 내비게이션 정책을 식별할 수 있다. 태스크 관리 시스템(12144)은 또한 시각 및 감지 시스템(12112)과 함께 작동하여 시각 및 센서 정보 및 과거 동작 이력을 분석하여 태스크에서 사용될 수 있는 하나 이상의 객체를 평가하고 그 객체에 대해 할당된 태스크를 수행하는 데 필요한 하나 이상의 동작을 결정할 수 있다. 객체를 이동시키는 예시적인 태스크에 대해, 객체를 파지하는 문제는 과거 동작 이력 또는 정책이 없고 MPR(12100)이 처음으로 객체에 직면할 때(예를 들어, 훈련 동안 직면하지 않았을 때) 더 복잡할 수 있다. 더욱이, 객체 특성에 기초하여 올바른 파지 기술이 상이할 수 있다. 예를 들어, 객체를 파지하는 지점 및 파지하는 동안 인가될 수 있는 힘은 상이한 객체에 대해 (예를 들어, 일관성, 취약성, 형상, 크기 등에 따라) 매우 상이할 수 있다. MPR(12100)은 안경, 박스, 측면 손잡이를 갖는 박스, 마커, 화분, 제조 부품, 공작 기계, 책상, 의자, 램프 등과 같은 상이한 형상 또는 형태를 갖는 매우 다양한 객체와 함께 작업할 필요가 있을 수 있고, 이러한 객체를 파지하고 픽업하기 위해 상이한 기술 및 액세서리를 요구할 수 있다. 태스크 관리 시스템(12144)은 지능 계층(12140)을 활용하여 객체 특성을 식별하고 이러한 특성에 기초하여 정책을 적응시킬 수 있다. 예를 들어, 객체를 파지하는 동안 인가되는 힘은 객체가 금속으로 만들어질 때와는 대조적으로 객체가 유리 또는 세라믹과 같은 섬세한 재료로 만들어진 것인지에 기초하여 조정될 수 있다. 다른 예로서, MPR(12100)은 측면 손잡이가 이용가능할 때 박스를 파지하기 위해 그러한 손잡이를 사용할 수 있다. 따라서, 태스크 관리 시스템(12144)은 또한 모듈 관리 시스템(12148)과 함께 작업하여 태스크를 완료하는 데 필요한 적합한 엔드 이펙터(12124) 또는 다른 액세서리를 식별하고 선택할 수 있다.
실시예에서, 적절한 엔드 이펙터가 발견되지 않을 때, 태스크 관리 시스템(12144)은 태스크를 실행하기 위한 엔드 이펙터(12124) 또는 다른 액세서리를 결정 및/또는 설계하기 위해 지능 계층(12140)(예를 들어, 기계 학습 서비스, RPA 서비스 등)을 활용할 수 있으며, 이는 후속하여 주문되거나 프린팅될 수 있다. 후자의 시나리오에서, 태스크 관리 시스템(12144)은, 태스크 관리 시스템(12144)에 의해 정의된 바와 같은 태스크 요건 및 사양을 만족시키는 적합한 엔드 이펙터를 프린팅하기 위해, 적층 제조 시스템 및 연관된 설계 이점을 활용할 수 있다.
실시예에서, 태스크 관리 시스템(12144)은 공통 로봇 태스크를 수행하기 위한 사전 훈련된 정책의 세트를 정의하는 하나 이상의 정책 라이브러리를 포함할 수 있다. 정책은 단순히 태스크를 수행하기 위해 MPR(12100)에 의해 취해질 필요가 있는 액션의 시퀀스이다. 정책이 제공될 수 있는 공통 태스크에 대한 일부 예는, 내비게이션, 파지, 리프팅, 수송, 카운팅, 분류, 적층, 세정, 트위스팅, 굽힘, 압착, 드릴링, 연마, 로딩/언로딩, 조립/분해, 패키징/언패키징, 팔레타이징(palletizing)/디팔레타이징(depalletizing), 그라인딩, 용접, 페인팅, 밀봉, 식재, 수확, 절단, 프루닝, 제초 등을 포함한다. 실시예에서, 정책 라이브러리는 복잡한 또는 다단계 태스크에 대한 다수의 추가적인 또는 중첩된 학습 루프를 포함할 수 있다. 예를 들어, 소스로부터 목적지로 객체를 수송하는 것은 객체를 파지하고 들어올리는 것, 및 그 후 목적지로 내비게이션하고 거기에 객체를 배치하는 것을 수반할 수 있다. 실시예에서, 정책 라이브러리는 전체 작업 할당과의 일관성을 보장하기 위해 라이브러리(12314)에서 이용가능한 태스크 정의를 참조할 수 있다.
정책은 임의의 적절한 방식으로 정의되고 업데이트될 수 있다. 일부 실시예에서, 정책은 인간 사용자(예를 들어, 프로그래머)에 의해 정의될 수 있다. 일부 실시예에서, 태스크 관리 시스템(12144)은 태스크 완료의 품질(품질은 파괴, 태스크 완료 레이트, 안전성, 정확도 등과 같은 메트릭에 의해 측정될 수 있음)에 기초하여 정책을 학습하고 최적화하기 위해 지능 계층(12140)(예를 들어, RPA 서비스)과 함께 작업할 수 있다. 일부 실시예에서, 정책은 전문가 시연으로부터 수집된 훈련 데이터를 사용하여 사전 훈련될 수 있다. 예를 들어, 용접을 위한 훈련 데이터는 용접 행위에 관여하는 전문 용접 전문가로부터 획득될 수 있다. 데이터는 제조 작업장과 같은 실세계 설정으로부터 또는 제어된 환경으로부터 획득될 수 있다. 일부 실시예에서, 정책은 시뮬레이션 환경으로부터 수집된 훈련 데이터를 사용하여 사전 훈련될 수 있다. 예를 들어, 파지를 위한 훈련 데이터는 아암 및 엔드 이펙터 중 하나 이상을 사용하여 시뮬레이션을 수행하는 디지털 트윈 시스템을 사용하여 획득될 수 있다.
실시예에서, 정책은 매우 다양한 객체에 대해 사전 훈련될 수 있고, 정책이 적용되는 객체의 특성에 기초하여 적응될 수 있다. 예를 들어, 파지 정책을 훈련시키기 위해, 디지털 트윈 시스템(12630)은 안경, 박스, 측면 손잡이들을 갖는 박스, 마커, 화분, 제조 부품, 공작 기계, 책상, 의자를 포함하는 상이한 객체에 대해 시뮬레이션을 수행할 수 있다. 또한, 전이 학습은 하나의 태스크에 대해 수집된 데이터를 다른 관련 태스크에 적응시키거나 튜닝하기 위해 사용될 수 있다. 예를 들어, 전이 학습은 하나의 태스크에 대해 개발된 모델을 제2 관련 태스크 상의 모델에 대한 시작점으로서 재사용할 수 있다.
일부 실시예에서, 지능 계층(12140)은 도메인 적응을 위해 전이 학습을 이용할 수 있다. 예를 들어, 시뮬레이션 환경에서 디지털 트윈 시스템에 의해 수집된 데이터를 실세계 환경에 적응시키기 위해 하나 이상의 전이 학습 알고리즘이 사용될 수 있다. 실시예에서, 지능 계층(12140)은 도메인 적응을 위해 적대적 훈련을 이용할 수 있다. 예를 들어, 생성 적대 네트워크(GAN)는 실세계 환경에 대한 합성 데이터를 생성하기 위해 사용될 수 있으며, 이는 그 후 훈련을 위해 사용된다. 또한, Ganin 등에 의한 DANN(Domain-Adversarial Neural Network)과 같은 특수화된 신경망이 도메인 적응을 위해 사용될 수 있다.
로봇-레벨 지능 계층(ROBOT-LEVEL INTELLIGENCE LAYER)
실시예에서, MPR(12100)의 로봇-레벨 지능 계층(12140)은 전술한 바와 같이 더 넓은 지능 시스템(예를 들어, 도 130의 지능 서비스 시스템(12300))의 일부로서 구성될 수 있다. 실시예에서, 로봇-레벨 지능 계층(12140)은 MPR(12100)에 지능 서비스를 제공함으로써, MPR(12100)이 결정, 예측, 분류 등을 수행할 수 있게 한다. 실시예에서, 로봇-레벨 지능 계층(12140)은 MPR(12100)이 소비하는 지능 서비스의 일부 또는 전부를 수행하기 위한 능력을 포함할 수 있고/있거나 외부 소스(예를 들어, 다른 로봇, 에지 디바이스, 및/또는 플릿 관리 플랫폼)로부터 지능 서비스를 요청하도록 구성될 수 있다.
실시예에서, 지능 계층(12140)은 지능 계층 제어기(12141) 및 인공 지능(AI) 서비스(12143)의 세트를 포함할 수 있다. 실시예에서, 지능 계층 제어기(12141)는 분석 관리 모듈(12600), 분석 모듈(12610)의 세트, 및 거버넌스 라이브러리(12620)를 포함할 수 있다. 실시예에서, 분석 관리 모듈(12600)은 인공 지능 서비스에 대한 요청을 수신하고, 요청에 의해 결부된 거버넌스 표준 및/또는 분석을 결정한다. 실시예에서, 분석 관리 모듈(12600)은 요청된 결정의 타입 및/또는 요청된 결정에 대해 특정 분석이 수행되어야 하는지에 기초하여 요청에 적용되는 거버넌스 표준을 결정할 수 있다. 예를 들어, MPR(12100)이 핵 폐기물 처리 현장으로 내비게이션하게 하는 제어 결정에 대한 요청은 안전 표준, 법적 표준, 품질 표준, 규제 표준, 재무 표준 등과 같은 적용되는 특정 세트의 거버넌스 표준을 결부시킬 수 있고, 및/또는 위험 분석, 안전 분석, 엔지니어링 분석 등과 같은 제어 결정에 관한 하나 이상의 분석을 결부시킬 수 있다. 실시예에서, 거버넌스 표준은 거버넌스 라이브러리(12620)에 저장된 표준 라이브러리의 세트로서 정의될 수 있다. 실시예에서, 거버넌스 라이브러리(12620)는 결정이 분석될 수 있는 조건, 임계값, 규칙, 추천, 또는 다른 적절한 파라미터를 정의할 수 있다. 일부 실시예에서, 분석 관리 모듈(12600)은 특정 결정과 관련하여 수행될 하나 이상의 분석을 결정할 수 있고, 그 분석을 수행하는 대응하는 분석 모듈(12610)을 인공 지능 서비스(12143)에 제공할 수 있다. 실시예에서, 분석 모듈(12610)은 특정 타입의 결정에 대해 특정 분석을 수행하도록 구성되는 모듈을 포함할 수 있으며, 여기서, 각각의 모듈은 지능 계층(12140)의 인스턴스를 호스팅하는 데이터 처리 시스템(12142)에 의해 실행된다. 핵 폐기물 처리 현장으로 내비게이션하는 MPR(12100)에 대한 결정의 예를 계속 설명하자면, 내비게이션 결정을 내리기 위해 현장에서의 위험 및 위험 레벨이 분석될 필요가 있을 수 있다. 분석 모듈(12610)의 비제한적인 예는 위험 분석 모듈(들), 보안 분석 모듈(들), 결정 트리 분석 모듈(들), 윤리 분석 모듈(들), FMEA(failure mode and effects) 분석 모듈(들), 위험 분석 모듈(들), 품질 분석 모듈(들), 안전성 분석 모듈(들), 법적 분석 모듈(들), 재무 분석 모듈(들) 및/또는 다른 적합한 분석 모듈을 포함할 수 있다.
인공 지능 서비스(12143)는 디지털 트윈 시스템(12630), 기계 비전 시스템(12618), 기계 학습(ML) 시스템(12632), 로봇 프로세스 자동화(RPA) 시스템(12652), 자연어 처리(NLP) 시스템(12656), 분석 시스템(12660), 및/또는 신경망 시스템(12662)을 포함할 수 있다. 기계 학습 시스템(12632)은 기계 학습 모델(12664) 및 강화 학습 시스템(12668)을 더 포함할 수 있다.
디지털 트윈 시스템(12630)은 MPR(12100)에 대한 디지털 트윈, 전기기계 및 전기유체 시스템(12108), 수송 시스템(12110), 비전 및 감지 시스템(12112) 등과 같은 로봇 서브시스템, 배터리, 센서, 밸브, 액추에이터, 모터, 엔드 이펙터 등과 같은 로봇 컴포넌트, 내비게이션, 파지, 리프팅, 수송 등과 같은 로봇 정책을 생성하도록 구성될 수 있다. MPR(12100)의 디지털 트윈은 예를 들어 3D 모델의 형태로 시각적 사용자 인터페이스를 가질 수 있고/있거나, MPR(12100)의 컴포넌트 및 인터페이스를 포함하는, 아키텍처를 설명하는 시스템 사양 또는 온톨로지로 구성될 수 있다. 디지털 트윈은 주요 동작 메트릭을 연속적으로 포착하기 위해 MPR(12100)의 동작을 시뮬레이션하도록 구성될 수 있고, 실시간으로 MPR(12100)의 성능을 모니터링하고 최적화하기 위해 사용될 수 있다. 로봇 디지털 트윈은 또한 대화, 텍스트, 제스처 등과 같은 다수의 통신 채널을 통해 하나 이상의 사용자, 트윈 또는 다른 로봇과 통신하도록 구성될 수 있다. 예를 들어, 디지털 트윈은 사용자로부터 MPR(12100)에 관한 질의를 수신하고, 질의에 대한 응답을 생성하고, 그러한 응답을 통신할 수 있다. 또한, 디지털 트윈 시스템(12630)은 MPR(12100)의 동작 환경으로부터 정보를 수신하기 위한 API 등과 같은 인터페이스로 구성될 수 있다.
실시예에서, 디지털 트윈 시스템(12630)은 MPR(12100) 또는 컴포넌트 또는 서브시스템 중 하나 이상의 거동을 시뮬레이션하기 위해 사용될 수 있다. 예를 들어, 유리병을 파지하고 이를 소스로부터 목적지로 이동시키는 동안의 MPR(12100)의 거동이 지능 계층(12140)에 의해 예측되고 최적화될 수 있다. 디지털 트윈을 사용하는 분석 및 시뮬레이션으로부터 획득된 통찰은 이러한 프로세스의 개선을 위해 강화 학습 에이전트에 전달될 수 있다.
실시예에서, MPR(12100)의 컴포넌트 및 서브시스템의 다수의 디지털 트윈이 통합될 수 있고, 그에 의해 밸류 체인 네트워크에 걸쳐 데이터를 집계하여 MPR(12100)에 대한 디지털 트윈을 생성하고 엔티티-레벨 통찰들 뿐만 아니라 또한 시스템-레벨 통찰을 구동할 수 있다. 유사하게, 정책의 디지털 트윈은 다단계 태스크 또는 작업 트윈의 디지털 트윈을 형성하기 위해 조합될 수 있다. 예를 들어, 수송을 위한 디지털 트윈은 파지, 리프팅 및 내비게이션의 디지털 트윈으로 구성되는 것으로 나타날 수 있다.
기계 비전 시스템(12618)은 MPR(12100)이 디지털 이미지로부터 정보를 추출하여 MPR(12100)의 환경 내의 하나 이상의 객체를 인식할 수 있게 하는 소프트웨어를 포함한다. 기계 비전 시스템(12618)은 객체 분류, 객체 검출, 장면 분류, 자세 검출, 시맨틱 세그먼트화, 인스턴스 세그먼트화 및 이미지 캡셔닝 등을 포함하는 하나 이상의 기계 비전 태스크를 수행하기 위해 하나 이상의 기계 학습 알고리즘을 실행할 수 있다. 기계 비전 시스템은 신경망 유사, 컨볼루션 신경망(CNN), 트랜스포머 네트워크, 영역 기반 CNN, 고속 RCNN, 마스크 RCNN 등을 포함하는 상이한 기계 비전 태스크를 실행하기 위해 사전 훈련된 기계 학습 모델을 포함할 수 있다.
기계 학습 시스템(MACHINE LEARNING SYSTEM)
기계 학습 시스템(12632)은 MPR(12100)의 하나 이상의 컴포넌트 또는 서브시스템의 데이터 처리, 데이터 분석, 시뮬레이션 생성, 및 시뮬레이션 분석과 관련된 분석, 시뮬레이션, 의사 결정, 및 예측 분석을 수행하기 위한 하나 이상의 기계 학습 모델(12664)을 정의할 수 있다. 실시예에서, 기계 학습 모델(12664)은 명시적 명령어를 사용하지 않고 패턴 및 추론에 대신 의존하여 특정 태스크를 수행하는 알고리즘 및/또는 통계적 모델이다. 기계 학습 모델(12664)은 특정 태스크를 수행하도록 명시적으로 프로그래밍되지 않고 예측 및/또는 결정을 수행하기 위해 훈련 데이터에 기초하여 하나 이상의 수학적 모델을 구축한다. 예시적인 구현에서, 기계 학습 모델(12664)은 분류, 예측, 회귀, 클러스터링, 이상 검출, 추천 생성, 및/또는 다른 태스크를 수행할 수 있다.
실시예에서, 기계 학습 모델(12664)은 입력 데이터에 기초하여 다양한 타입의 분류를 수행할 수 있다. 분류는 입력 데이터의 주어진 예에 대해 클래스 라벨이 예측되는 예측 모델링 문제이다. 예를 들어, 기계 학습 모델은 이진 분류, 멀티-클래스 또는 멀티-라벨 분류를 수행할 수 있다. 실시예에서, 기계 학습 모델은 각각의 클래스로의 입력의 분류와 연관된 각각의 신뢰도를 나타내는 "신뢰도 점수들"을 출력할 수 있다. 실시예에서, 신뢰도 점수는 이산 카테고리 예측을 렌더링하기 위해 하나 이상의 임계값과 비교될 수 있다. 실시예에서, 상대적으로 가장 큰 신뢰도 점수를 갖는 특정 수의 클래스(예를 들어, 하나)만이 이산 카테고리 예측을 렌더링하도록 선택될 수 있다.
실시예에서, 기계 학습 모델(12664)은 확률적 분류를 출력할 수 있다. 예를 들어, 기계 학습 모델은, 샘플 입력이 주어지면, 클래스의 세트에 대한 확률 분포를 예측할 수 있다. 따라서, 샘플 입력이 속하여야 하는 가장 가능성 있는 클래스만을 출력하기보다는, 기계 학습 모델은, 각각의 클래스에 대해, 샘플 입력이 그러한 클래스에 속할 확률을 출력할 수 있다. 실시예에서, 모든 가능한 클래스에 걸친 확률 분포는 1로 합산될 수 있다. 실시예에서, 소프트맥스 함수, 또는 다른 타입의 함수 또는 계층은 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 전환하는 데 사용될 수 있다. 실시예에서, 확률 분포에 의해 제공되는 확률은 이산 카테고리 예측을 렌더링하기 위해 하나 이상의 임계값과 비교될 수 있다. 실시예에서, 상대적으로 가장 큰 예측 확률을 갖는 특정 수의 클래스(예를 들어, 하나)만이 이산 카테고리 예측을 렌더링하도록 선택될 수 있다.
실시예에서, 기계 학습 모델(12664)은 연속적인 수치 값의 형태로 출력 데이터를 제공하기 위해 회귀를 수행할 수 있다. 예로서, 기계 학습 모델은 선형 회귀, 다항식 회귀, 또는 비선형 회귀를 수행할 수 있다. 설명된 바와 같이, 실시예에서, 소프트맥스 함수 또는 다른 함수 또는 계층은 2개 이상의 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 스쿼싱하는 데 사용될 수 있다. 예를 들어, 기계 학습 모델(12664)은 선형 회귀, 다항식 회귀, 또는 비선형 회귀를 수행할 수 있다. 예로서, 기계 학습 모델(12664)은 단순 회귀 또는 다중 회귀를 수행할 수 있다. 위에서 설명된 바와 같이, 일부 구현예에서, 소프트맥스 함수 또는 다른 함수 또는 계층은 2개 이상의 가능한 클래스와 각각 연관된 실수 값의 세트를 합이 1인 범위(0, 1) 내의 실수 값의 세트로 스쿼싱하는 데 사용될 수 있다.
실시예에서, 기계 학습 모델(12664)은 다양한 타입의 클러스터링을 수행할 수 있다. 예를 들어, 기계 학습 모델은 입력 데이터가 대응할 가능성이 가장 높은 하나 이상의 이전에 정의된 클러스터를 식별할 수 있다. 기계 학습 모델이 클러스터링을 수행하는 일부 구현예에서, 기계 학습 모델은 비지도 학습 기술을 사용하여 훈련될 수 있다.
실시예에서, 기계 학습 모델(12664)은 이상 검출 또는 이상치 검출을 수행할 수 있다. 예를 들어, 기계 학습 모델은 (예를 들어, 이전 입력 데이터로부터 이전에 관찰된 바와 같이) 기대 패턴 또는 다른 특성에 부합하지 않는 입력 데이터를 식별할 수 있다. 예로서, 이상 검출은 부정 거래 검출 또는 시스템 고장 검출에 사용될 수 있다.
일부 구현예에서, 기계 학습 모델(12664)은 하나 이상의 추천의 형태로 출력 데이터를 제공할 수 있다. 예를 들어, 기계 학습 모델(12664)은 추천 시스템 또는 엔진에 포함될 수 있다. 예로서, 특정 엔티티에 대한 이전 결과(예를 들어, 성공 또는 즐거움의 양을 나타내는 점수, 순위, 또는 등급)를 설명하는 입력 데이터가 주어지면, 기계 학습 모델은, 이전 결과에 기초하여, 원하는 결과를 가질 것으로 기대되는 하나 이상의 추가 엔티티의 제안 또는 추천을 출력할 수 있다.
위에서 설명된 바와 같이, 기계 학습 모델(12664)은 다양한 상이한 타입의 기계 학습 모델 중 하나 이상일 수 있거나 이를 포함할 수 있다. 이러한 상이한 타입의 기계 학습 모델의 예가 예시를 위해 아래에 제공된다. 아래에 설명되는 예시적인 모델 중 하나 이상은 입력 데이터에 응답하여 출력 데이터를 제공하기 위해 사용(예를 들어, 조합)될 수 있다. 아래에 제공되는 예시적인 모델 이외에 추가적인 모델이 또한 사용될 수 있다.
일부 구현예에서, 기계 학습 모델(12664)은, 예를 들어, 선형 분류 모델과 같은 하나 이상의 분류기 모델; 2차 분류 모델 등일 수 있거나 이를 포함할 수 있다. 기계 학습 모델들(12664)은, 하나 이상의 회귀 모델, 예컨대, 예를 들어, 단순 선형 회귀 모델; 다중 선형 회귀 모델; 로지스틱 회귀 모델; 단계적 회귀 모델; 다변량 적응 회귀 스플라인; 로컬 추정된 산점도 평활화 모델; 등일 수 있거나 이를 포함할 수 있다.
일부 예에서, 기계 학습 모델(12664)은, 하나 이상의 결정 트리 기반 모델, 예컨대, 예를 들어, 분류 및/또는 회귀 트리; 카이-제곱 자동 상호작용 검출 결정 트리; 결정 스텀프; 조건부 결정 트리; 등일 수 있거나 이를 포함할 수 있다.
기계 학습 모델(12664)은 하나 이상의 커널 기계일 수 있거나 이를 포함할 수 있다. 일부 구현예에서, 기계 학습 모델(12664)은 하나 이상의 지원 벡터 기계일 수 있거나 이를 포함할 수 있다. 기계 학습 모델(12664)은, 하나 이상의 인스턴스 기반 학습 모델, 예컨대, 예를 들어, 학습 벡터 양자화 모델; 자기-조직화 맵 모델; 로컬 가중 학습 모델; 등일 수 있거나 이를 포함할 수 있다. 일부 구현예에서, 기계 학습 모델은, 하나 이상의 최근접 이웃 모델, 예컨대, 예를 들어, k-최근접 이웃 분류 모델; k-최근접 이웃 회귀 모델; 등일 수 있거나 이를 포함할 수 있다. 기계 학습 모델(12664)은, 예를 들어, 나이브 베이즈 모델과 같은 하나 이상의 베이지안 모델; 가우시안 나이브 베이즈(Gaussian naive Bayes) 모델; 다항 나이브 베이즈 모델; 평균화된 1-의존성 추정기; 베이지안 네트워크; 베이지안 신뢰 네트워크; 은닉 마르코프 모델; 등일 수 있거나 이를 포함할 수 있다.
일부 구현예에서, 기계 학습 모델(12664)은 하나 이상의 인공 신경망(간단히 신경망이라고도 지칭됨)일 수 있거나 이를 포함할 수 있다. 신경망은 뉴런 또는 퍼셉트론이라고도 지칭될 수 있는 연결된 노드의 그룹을 포함할 수 있다. 신경망은 하나 이상의 계층으로 조직화될 수 있다. 다수의 계층을 포함하는 신경망은 "심층" 네트워크로 지칭될 수 있다. 심층 네트워크는 입력 계층, 출력 계층, 및 입력 계층과 출력 계층 사이에 위치된 하나 이상의 은닉 계층을 포함할 수 있다. 신경망의 노드는 연결되거나 완전히 연결되지 않을 수 있다.
기계 학습 모델(12664)은 하나 이상의 피드포워드 신경망일 수 있거나 이를 포함할 수 있다. 피드포워드 네트워크에서, 노드 사이의 연결은 사이클을 형성하지 않는다. 예를 들어, 각각의 연결은 이전 계층으로부터의 노드를 이후 계층으로부터의 노드에 연결할 수 있다.
일부 경우에서, 기계 학습 모델(12664)은 하나 이상의 순환 신경망일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 순환 신경망의 노드 중 적어도 일부는 사이클을 형성할 수 있다. 순환 신경망은 본질적으로 순차적인 입력 데이터를 처리하는 데 특히 유용할 수 있다. 특히, 일부 경우에서, 순환 신경망은 순환 또는 방향성 순환 노드 연결의 사용을 통해 입력 데이터 시퀀스의 이전 부분으로부터 입력 데이터 시퀀스의 후속 부분으로 정보를 전달하거나 보유할 수 있다.
일부 예에서, 순차적 입력 데이터는 시계열 데이터(예를 들어, 센서 데이터 대 상이한 시간에서 포착된 시간 또는 이미지)를 포함할 수 있다. 예를 들어, 순환 신경망은 스와이프 방향을 검출 또는 예측하고, 필기 인식 등을 수행하기 위해 센서 데이터 대 시간을 분석할 수 있다. 순차적 입력 데이터는 (예를 들어, 자연어 처리, 대화 검출 또는 처리 등을 위해) 문장 내의 단어; 음악 작곡에서의 노트; (예를 들어, 순차적 애플리케이션 사용을 검출하거나 예측하기 위해) 사용자에 의해 취해지는 순차적 액션; 순차적 객체 상태; 등일 수 있거나 이를 포함할 수 있다.
예시적인 순환 신경망은 장단기(long short-term)(LSTM) 순환 신경망; 게이트식 순환 유닛; 양방향 순환 신경망; 연속 시간 순환 신경망; 신경 이력 압축기; 에코 상태 네트워크; 엘만 네트워크; 요르단 네트워크; 재귀적 신경망; 홉필드 네트워크; 완전 순환 네트워크(fully recurrent network); 시퀀스-투-시퀀스 구성; 등을 포함한다.
일부 예에서, 기계 학습 모델(12664)은 트랜스포머 네트워크와 같은 자기-어텐션에 기초한 하나 이상의 비순환 시퀀스-투-시퀀스 모델일 수 있거나 이를 포함할 수 있다. 예시적인 트랜스포머 네트워크의 상세는 http://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf에서 찾을 수 있다.
일부 구현예에서, 기계 학습 모델(12664)은 하나 이상의 컨볼루션 신경망일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 컨볼루션 신경망은 학습된 필터를 사용하여 입력 데이터에 대해 컨볼루션을 수행하는 하나 이상의 컨볼루션 계층을 포함할 수 있다.
필터는 커널이라고도 지칭될 수 있다. 컨볼루션 신경망은 입력 데이터가 스틸 이미지 또는 비디오와 같은 이미지를 포함할 때와 같은 시각 문제에 특히 유용할 수 있다. 그러나, 컨볼루션 신경망은 또한 자연어 처리를 위해 적용될 수 있다.
일부 예에서, 기계 학습 모델(12664)은, 예를 들어, 생성 적대 네트워크와 같은 하나 이상의 생성적 네트워크일 수 있거나 이를 포함할 수 있다. 생성적 네트워크는 새로운 이미지 또는 다른 콘텐츠와 같은 새로운 데이터를 생성하기 위해 사용될 수 있다.
기계 학습 모델(12664)은 오토인코더일 수 있거나 이를 포함할 수 있다. 일부 경우에서, 오토인코더의 목적은, 전형적으로 차원 감소의 목적을 위해, 데이터의 세트에 대한 표현(예를 들어, 저차원 인코딩)을 학습하는 것이다. 예를 들어, 일부 경우에서, 오토인코더는 입력 데이터를 인코딩하고 인코딩으로부터 입력 데이터를 재구성하는 출력 데이터를 제공하려고 시도할 수 있다. 최근에, 오토인코더 개념은 데이터의 생성적 모델을 학습하기 위해 더 널리 사용되고 있다. 일부 경우에서, 오토인코더는 입력 데이터를 재구성하는 것을 넘어서는 추가적인 손실을 포함할 수 있다.
기계 학습 모델(12664)은, 예를 들어, 인공 신경망의 하나 이상의 다른 형태, 예컨대, 예를 들어 심층 볼츠만 기계; 심층 신뢰 네트워크; 적층형 오토인코더; 등일 수 있거나 이를 포함할 수 있다. 본 출원에 설명된 신경망 중 임의의 것은 더 복잡한 네트워크를 형성하기 위해 조합(예를 들어, 적층)될 수 있다.
기계 학습 모델(12664)은, 하나 이상의 클러스터링 모델, 예컨대, 예를 들어, k-평균 클러스터링 모델; k-중앙 클러스터링 모델; 기대치 최대화 모델; 계층적 클러스터링 모델; 등을 포함할 수 있다.
일부 구현예에서, 기계 학습 모델(12664)은, 하나 이상의 차원 감소 기술, 예컨대, 예를 들어, 주성분 분석; 커널 주성분 분석; 그래프 기반 커널 주성분 분석; 주성분 회귀; 부분 최소 제곱 회귀; 새먼 매핑; 다차원 스케일링; 투영 추적; 선형 판별 분석; 혼합 판별 분석; 2차 판별 분석; 일반화된 판별 분석; 유연한 판별 분석; 오토인코딩; 등을 수행할 수 있다.
일부 구현예에서, 기계 학습 모델은 하나 이상의 강화 학습 기술, 예컨대, 마르코프 결정 프로세스; 동적 프로그래밍; Q 기능 또는 Q-학습; 가치 함수 접근법; 심층 Q-네트워크; 미분가능한 신경 컴퓨터; A3C(asynchronous advantage actor-critics); 결정론적 정책 구배; 등을 수행할 수 있거나 이들이 적용될 수 있다.
강화 학습은 인간과 동물이 환경과 상호작용하여 학습하는 방법과 유사하게, 액션을 취하고 피드백을 얻음으로써 환경에서 최적의 거동을 학습하기 위한 기계 학습 기술이다. 전형적인 강화 학습 접근법은 환경을 관찰하고, 현재 상태(예를 들어, 로봇 속도, 전방의 객체까지의 거리)를 평가하고, 액션을 선택하는(예를 들어, 액추에이터 또는 모터에 제어 명령을 제공하고, 속도를 조정하고, 방향을 변경하는 등) 에이전트(예를 들어, 로봇 제어 시스템(12150))를 포함한다. 액션을 수행할 때, 에이전트는, 새로운 상태에 더하여, 액션의 성공의 일부 표시를 제공하는 보상(예를 들어, 로봇과 그 전방의 장애물 사이에 충분한 공간의 허용에 대해 +10 및 불충분한 공간의 허용에 대해 -10)을 제시받는다. 강화 학습 에이전트의 목표는 기대되는 누적 보상을 최대화하는 최적의 정책 또는 거동을 학습하는 것이다.
강화 학습 시스템(12668)은 MPR(12100)에 의해 하나 이상의 태스크를 실행하기 위한 최적의 정책을 결정할 때 다양한 상태, 액션 및 보상을 평가하기 위한 하나 이상의 강화 학습 알고리즘을 포함한다.
RPA 시스템(12652)은 MPR(12100)이 작업흐름들 뿐만 아니라 임의의 반복적인 태스크 및 프로세스를 자동화하는 것을 가능하게 한다. 실시예에서, RPA 시스템(12652)은 각각의 태스크의 수행에서 인간에 의해 수행되는 패턴 및 프로세스를 학습하기 위해 다양한 시스템과의 인간 상호작용을 모니터링할 수 있다. 실시예에서, RPA 시스템(12652)은 학습된 패턴 및 프로세스에 기초하여 특정 태스크를 수행하도록 학습할 수 있어서, 태스크는 인간 의사 결정자 대신에 또는 그를 지원하여 RPA 시스템(12652)에 의해 수행될 수 있다.
NLP 시스템(12656)은 인간 사용자와 통신할 뿐만 아니라 하나 이상의 태스크를 수행하기 위해 인간 사용자에 의해 제공되는 하나 이상의 대화 음성 명령어를 파싱하는 능력을 MPR(12100)에 제공한다. 실시예에서, NLP 시스템(12656)은 도 4와 함께 설명된 NLP 시스템(4D24)의 일부로서 구성될 수 있거나, 그를 활용할 수 있거나, 그에 포함될 수 있다. NLP 시스템(12656)은 다양한 자연어 처리 기능을 수행하기 위해 피드포워드 신경망, 컨볼루션 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM), 트랜스포머 신경망 등을 포함하는 신경망 시스템(12662)으로부터의 하나 이상의 신경망을 활용할 수 있다. NLP 시스템(12656)의 예시적인 구현은 (예를 들어, 도 104 및 관련 설명과 관련하여) 본 개시의 다른 곳에서 더 상세히 설명된다.
실시예에서, 인공 지능 서비스(12660)는 분석 시스템(12660)에 대한 액세스를 포함 및/또는 제공할 수 있다. 실시예에서, 분석 시스템(12660)은 MPR(12100) 또는 하나 이상의 컴포넌트 또는 서브시스템으로부터 출력된 데이터에 대해 다양한 분석 프로세스를 수행하도록 구성된다. 예를 들어, 분석 시스템(12660)은 이상, 검출, 시스템 고장 검출, 예측 유지보수를 위해 그리고 MPR(2B00)의 비용이 많이 드는 중단시간 및 동작의 중단을 피하기 위해 시간 기간에 걸쳐 MPR(2B00)에 의해 생성된 열 및 진동 데이터에 대한 데이터 분석을 수행할 수 있다. 다른 예에서, 분석 시스템(12660)은 MPR(12100)의 센서 데이터를 분석하여, MPR(12100)에 의해 수행되는 하나 이상의 태스크의 MPR(12100) 효율의 일반적인 건전성, MPR(12100)에 대한 최적의 위치 및 설정 등과 같은 것에 관한 통찰을 생성할 수 있다.
신경망(또는 인공 신경망)은 생물학적 신경망에 의한 영감에서 유래한 통계적 학습 모델의 패밀리이고, 많은 수의 입력에 의존할 수 있고 일반적으로 알려지지 않은 함수를 추정하거나 근사화하기 위해 사용된다. 신경망은 서로에게 메시지를 전송하는 상호연결된 "뉴런"의 시스템을 나타낸다. 연결은 경험에 기초하여 튜닝될 수 있는 수치 가중치를 가져서, 신경망이 입력에 적응되고 학습할 수 있게 한다.
신경망 시스템(12662)은 피드포워드 신경망, 컨볼루션 신경망(CNN), 순환 신경망(RNN), 장단기 메모리(LSTM) 신경망, 게이트식 순환 유닛(GRU) 신경망, 자기-조직화 맵(SOM) 신경망(예를 들어, 코호넨 자기-조직화 신경망), 오토인코더(AE) 신경망, 인코더-디코더 신경망, 모듈식 신경망, 또는 변형, 전술한 것의 하이브리드 또는 조합, 또는 강화 학습(RL) 시스템 또는 다른 전문가 시스템, 예컨대 규칙 기반 시스템, 모델 기반 시스템(물리적 모델, 통계적 모델, 흐름-기반 모델, 생물학적 모델, 생체모방 모델 등에 기초한 것을 포함함)과의 조합을 포함하는 하나 이상의 신경망을 포함한다. 신경망 및 신경망 시스템(12662)의 예는 본 개시의 다른 곳(예를 들어, 도 93 내지 도 107)에서 더 상세히 설명되었다.
도 141은 비전 및 감지 시스템(12112) 내의 다수의 센서로부터의 데이터를 이용하여 환경에 관해 학습하여 정책을 구현하고 에너지 저장 및 전력 분배 시스템(12104), 전기기계 및 전기유체 시스템(12108), 또는 수송 시스템(12110)을 포함하는 베이스라인 시스템(12102)의 하나 이상의 컴포넌트에 대한 제어를 구동하여 태스크를 수행하는 로봇 제어 시스템(12150)의 예시적인 아키텍처를 개략적으로 도시한다.
실시예에서, MPR(12100)은 하나 이상의 센서(12602)로부터 센서 데이터를 취득하고 환경(12604) 및 하나 이상의 객체(12606)에 대한 MPR(12100)의 위치에 관한 "상태 정보"를 추출할 수 있다. 예를 들어, MPR(12100)은 카메라(12608)를 사용하여 객체(12606)의 이미지를 포착할 수 있다. 추가적인 비전 센서가 카메라(12608)의 위치와 상이한 위치에 장착되어 다수의 시점으로부터 이미지 데이터를 포착할 수 있다. 카메라 및 비전 센서는 센서의 시선에 있는 객체(들)의 형상, 컬러, 깊이, 및/또는 다른 특징과 관련된 이미지를 생성할 수 있다. 이미지 데이터는 처리될 수 있고 기계 비전 시스템(12618)은 객체 검출을 위해 위에서 설명된 CNN 변형을 포함하는 하나 이상의 기계 학습 알고리즘을 실행할 수 있다. 추가적인 센서(예를 들어, 촉각 센서, 사운드 센서 및/또는 가스 센서)로부터의 데이터는 MPR(12100)이 환경에서 더 성공적으로 내비게이션하고 거동하기 위해 세계의 더 정확한 모델을 구축하는 것을 돕기 위해 조합될 수 있다. 실시예에서, 칼만 필터 및 데이터 융합 기술은 다수의 센서로부터의 데이터를 결합하기 위해 사용될 수 있다.
실시예에서, 지능 계층(12140)은 내비게이션, 객체 파지, 분류 세정, 로딩/언로딩, 패키징/언패키징, 어셈블리, 팔레타이징/디팔레타이징 등을 포함하는 하나 이상의 태스크를 수행하기 위한 제어 명령어를 생성하기 위해 태스크 관리 시스템(12144) 및 제어기(12160) 내의 정책 라이브러리와 조정할 수 있다.
제어 시스템(12150)이 수행될 하나 이상의 태스크를 표시하는 입력을 (예를 들어, 사용자로부터 또는 다른 로봇으로부터) 수신하면, 지능 계층(12140)은 구현할 태스크 관리 시스템(12144) 내의 정책 라이브러리로부터 하나 이상의 정책을 선택할 수 있다. 예를 들어, MPR(12100)의 환경에 배치된 객체를 파지하라는 명령어를 수신하면, 지능 계층(12140)은 MPR(12100)이 객체의 위치로 내비게이션하기 위한 내비게이션 정책에 이어서 객체를 파지하기 위한 파지 정책을 사용할 필요가 있다고 결정할 수 있다. 지능 계층(12140)은 MPR(12100)의 환경 내의 장면으로부터 추출된 정보를 설명하는 "상태 정보"를 결정하기 위해 하나 이상의 센서(12602)로부터의 센서 데이터를 사용할 수 있다. 상태 정보는 하나 이상의 비전 센서로부터의 이미지 또는 이미지 스트림, 가스 센서, 촉각 센서 및 사운드 센서와 같은 다른 센서로부터 수집된 정보를 포함할 수 있다. 상태 정보는 또한 센서 정보의 분석 후에 획득된 정보를 포함할 수 있고, 예를 들어, 환경 내의 하나 이상의 객체의 존재, 객체의 이름 및 타입, MPR(12100)에 대해 파지될 타겟 객체를 포함하는 맵 상의 객체의 거리 및 위치, 타겟 객체의 재료 특성 등을 포함할 수 있다.
실시예에서, 지능 계층(12140)은 그 후 상태 정보에 응답하여 하나 이상의 정책에 기초하여 하나 이상의 액션을 취할 수 있다. 예를 들어, 지능 계층(12140)은 환경이 2개의 객체를 포함하고 MPR(12100)이 10 미터의 거리에 위치된 장애물 객체를 피하면서 타겟 객체에 도달하기 위해 100 미터를 이동할 필요가 있다고 결정할 수 있다. 내비게이션 정책은 내비게이션 액션을 제공하고 MPR(12100)이 장애물 객체와의 충돌을 회피하면서 타겟 객체에 도달하도록 안내할 수 있다. 그 다음, 파지 정책은 타겟 객체를 파지하기 위한 액션 단계에 관해 MPR(12100)을 안내할 수 있다. 실시예에서, 정책 라이브러리는 다양한 태스크를 수행하기 위한 상이한 정책을 정의하기 위해 강화 학습을 포함하는 기계 학습을 사용할 수 있다.
태스크 관리 시스템(12144)에서의 정책 라이브러리의 출력에 기초하여, 로봇 제어 시스템(12150)은 이어서 정책을 구현하고 전기기계 시스템(12108), 수송 시스템(12110) 또는 에너지 저장 및 전력 분배 시스템(12104)의 하나 이상의 컴포넌트를 구동하기 위해 MPR(12100)과 연관된 하나 이상의 액추에이터 또는 제어 디바이스에 대한 제어 명령어를 개발하고 제공할 수 있다. 예를 들어, 제어 명령어는 내비게이션 정책에 따라 환경 내의 위치로 내비게이션하기 위해 수송 시스템(12110)의 하나 이상의 모터의 이동을 실행할 수 있다. 다른 예로서, 제어 명령어는 파지 정책에 따라 타겟 객체를 파지하기 위해 아암 조인트 또는 엔드 이펙터 내의 하나 이상의 액추에이터에서의 이동을 실행할 수 있다.
액추에이터라는 용어는, 액추에이터와 연관될 수 있고 수신된 제어 명령어를 액추에이터를 구동하기 위한 하나 이상의 신호로 변환하는 임의의 드라이버(들)에 더하여, 모션을 생성하는 기계적 또는 전기적 디바이스를 포함한다. 따라서, 액추에이터에 제어 명령을 제공하는 것은 원하는 모션을 생성하기 위해 전기 또는 기계 디바이스를 구동하기 위한 적절한 신호로 제어 명령을 변환하는 드라이버에 제어 명령을 제공하는 것을 포함할 수 있다. MPR(12100)은 다수의 자유도를 가질 수 있고, 각각의 액추에이터 또는 모터는 제어 명령에 응답하여 자유도 중 하나 이상 내에서 작동을 제어할 수 있다.
도 142는 본 개시의 일부 실시예에 따른 예시적인 비전 및 감지 시스템(12112)을 예시한다. 비전 및 감지 시스템(12112)은 다목적 로봇(12100)의 환경(12604)으로부터 정보를 수신하고 MPR(12100)이 그 환경 내의 하나 이상의 객체(12606)와 상호작용할 수 있게 하도록 구성된 센서(12602)의 범위를 포함한다. 예를 들어, 비전 센서는 환경 인식 및 내비게이션으로 MPR(12100)을 보조할 수 있는 시야 내에서 이미지 데이터를 포착할 수 있다. 센서의 일부 예는 하나 이상의 카메라, LIDAR, RADAR, SONAR, 열 이미징, 초분광 이미징, 조도 센서, 힘 센서, 토크 센서, 속도 센서, 가속도 센서, 위치 센서, 근접 센서, 자이로 센서, 사운드 센서, 모션 센서, 위치 센서, 부하 센서, 온도 센서, 터치 센서, 깊이 센서, 초음파 범위 센서, 적외선 센서, 화학 센서, 자기 센서, 관성 센서, 가스 센서, 습도 센서, 압력 센서, 점도 센서, 흐름 센서, 객체 센서, 촉각 센서 등을 포함할 수 있다. 실시예에서, 센서는 헤드와 같은 로봇의 작동 불가능한 컴포넌트 상에 직접 장착되거나 아암 또는 엔드 이펙터와 같은 작동 가능한 컴포넌트 상에 장착될 수 있다. 실시예에서, 센서는 MPR(12100)로부터 물리적으로 분리되거나 MPR(12100)이 동작하고 있는 환경(12604) 내에 위치될 수 있다.
실시예에서, 시각 및 감지 시스템(12112)은 실시간으로 환경(12604)을 모니터링하고, 장애물, 지형의 요소, 날씨 조건, 온도, 또는 환경의 다른 양태를 검출할 수 있다. 다양한 센서(12602)는 광범위한 환경 조건에서 작동하도록 구성되고, 객체(12606)의 크기, 형상, 프로파일, 구조, 속도, 거리, 또는 배향과 같은, 환경(12604) 내의 하나 이상의 객체(12606)와 관련된 데이터를 포착할 수 있다. 다양한 환경에서 상이한 데이터를 포착하도록 작동할 수 있는 센서(12602)의 일부 예는 (예를 들어, 이미지 데이터를 포착하기 위한) 모노그래픽 카메라, (예를 들어, 3D 비전을 위한) 입체 카메라, (예를 들어, 장거리 객체 검출, 거리 결정, 또는 속도 결정을 위한) RADAR, (예를 들어, 단거리 객체 검출, 거리 결정, 또는 속도 결정을 위한) LIDAR, (예를 들어, 수중 객체 검출, 거리 결정, 또는 속도 결정을 위한) SONAR, (예를 들어, 밝은 광 및 매우 어두운 환경을 위한 그리고 유리 또는 다른 투명 표면을 감지하기 위한) 초음파 센서, (예를 들어, 위치 정보를 위한) GPS, (예를 들어, 배향 정보를 위한) IMU 등을 포함한다.
실시예에서, 비전 및 감지 시스템(12112)은 포착된 감지 데이터를 처리하고 MPR(12100)에 의해 수행될 액션에 관한 결정의 시퀀스를 수행하거나 정책을 고안하기 위해 로봇 제어 시스템(12150)과 조정할 수 있다. 결정은, 예를 들어, 전기기계 및 전기유체 시스템(12108)의 하나 이상의 컴포넌트의 활성화 또는 비활성화, 수송 시스템(12110)에 의한 MPR(12100)의 이동, 에너지 저장 및 전력 분배 시스템(12104)에 의한 MPR(12100)의 특정 컴포넌트로의 전력의 분배 등과 관련될 수 있다.
이제 도 142를 참조하면, 카메라(12608)는 카메라(12608)의 시야 내에 위치한 객체(12606)의 이미지를 포착하도록 구성된다. 카메라(12608)는 전력/제어 연결 및 렌즈(12612)와 같은 광학 요소를 갖는 표준 디지털 카메라(즉, CCD 또는 CMOS 센서를 포함하는 카메라), 입체 카메라, 적외선 이미지 센서, 비행 시간(TOF) 카메라, 구조화된 광 카메라 등일 수 있다. 렌즈(12612)는 예를 들어, 전력/제어 연결을 통해 수신된 제어 신호를 통해 렌즈 형상, 초점 거리, 액체 물질, 반사성, 컬러, 환경, 렌즈 배열을 포함하는 다양한 광학 파라미터를 조정하도록 구성된 순응형 가변 초점 액체 렌즈일 수 있다. 실시예에서, 제어 연결은 전기, 유압, 공압, 기계, 열 또는 자기 제어들을 포함할 수 있다. 순응형 액체 렌즈(12612)는 그 초점 거리를 신속하게 조정하는 것을 돕는 자동 초점 능력을 포함할 수 있으며, 이는 객체(12606) 또는 MPR(12100)이 이동할 때와 같은 동적 환경에서 객체를 인식하는 것; 깊이 데이터를 포착함으로써 3차원(3D) 객체를 인식하는 것; 작은 객체를 인식하는 것; 전력 제약된 또는 네트워크 제약된 환경에서 객체를 인식하는 것; 등을 가능하게 한다.
RGB 이미지, 열 이미지, 포인트 클라우드를 포함하는 다양한 형태들일 수 있는 카메라(12608)에 의해 포착된 원시 이미지 데이터는 이어서 데이터 변환, 필터링, 노이즈-제거, 집계, 아티팩트 감소, 압축, 아날로그-디지털 변환, 예비 특징 인식 등을 포함하는 데이터 전처리를 수행하기 위해 전처리기(12614)에 송신된다. 그 다음, 이미지 데이터는, 예를 들어, 이미지에서 객체(12606)를 식별하는 것은 물론 그 위치 또는 배향을 결정하는 추가 처리를 위해 이미지 처리 엔진(12616)에 전송된다. 이미지 처리 엔진(12616)은 로봇 제어 시스템(12150)의 지능 계층(12140) 내의 기계 비전 시스템(12618)과 인터페이스할 수 있다. 기계 비전 시스템(12618)은 객체 분류, 객체 검출, 장면 분류, 자세 검출, 시맨틱 세그먼트화, 인스턴스 세그먼트화 및 이미지 캡셔닝 등을 포함하는 하나 이상의 기계 비전 태스크를 수행하기 위해 하나 이상의 기계 학습 알고리즘을 실행할 수 있다. 기계 비전 시스템은 상이한 기계 비전 태스크를 실행하기 위해 사전 훈련된 기계 학습 모델을 포함할 수 있다. 실시예에서, 기계 비전 시스템(12618)은 이미지 데이터의 처리를 위해 하나 이상의 신경망 기반 모델을 이용할 수 있다.
실시예에서, 비전 및 감지 시스템(12112)은 객체를 인식하기 위해 순응형 가변 초점 액체 렌즈(12612)로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 인공 지능을 갖는 동적 비전 시스템을 포함한다. 실시예에서, 동적 비전 시스템은 지능 계층(12140)에서의 인공 지능으로부터의 입력에 의해 제어되고/되거나 그에 의해 최적화되며, 예컨대 인공 지능은 인식 결과, 예측 결과 등과 같은 결과를 개선하는 방식으로 시각 정보를 포착하도록 동적 비전 시스템을 조정하기 위해 기계 비전 결과의 세트에 기초하여 학습한다.
실시예에서, 비전 및 감지 시스템(12112)은 순응형 가변 초점 액체 렌즈(12618)를 갖는 광학 어셈블리를 포함하는 동적 비전 시스템; 광학 어셈블리로부터 수집된 하나 이상의 광학 파라미터 및 데이터를 실시간으로 조정하도록 구성된 로봇 제어 시스템(12150); 및 기계 학습 모델의 세트(12664)를 훈련시켜 기계 학습 모델의 세트에 의한 처리를 위한 데이터의 수집을 최적화하도록 광학 어셈블리를 제어하기 위해 광학 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하는 데이터 처리 시스템(12142)을 포함한다. 실시예에서, 제1 모델은 광학 어셈블리에 의한 신호의 수집을 최적화하기 위해 사용되고, 제2 모델은 원하는 기계 비전 결과를 달성하기 위해 신호에 대해 동작하기 위해 사용된다. 실시예에서, 결과는 인식 결과, 분류 결과, 또는 예측 결과이다.
비전 및 감지 시스템(12112)에 의해 제공되는 동적 비전 능력은 MPR(12100)이 개선된 객체 식별을 위해 객체 깊이, 배향, 위치 및 모션이 추론될 수 있는 로봇 조립 라인에서 사용하기 위한 타겟 객체를 식별하고 조작하는 것을 가능하게 할 수 있다. 동적 비전 능력은 또한 MPR(12100)이 동시 로컬라이제이션 및 매핑을 수행할 수 있게 할 수 있으며, 이는 환경을 동시에 매핑하면서 로봇의 주변에 대한 로봇의 위치를 추정하기 위한 기술이다.
실시예에서, 시각 및 감지 시스템(12112)으로부터의 시각 출력은 조건부 확률을 사용하여 MPR(12100) 내의 다른 센서로부터의 출력과 시간적으로 조합되어, 더 풍부하면서 환경 내의 객체의 위치, 배향 및 모션에 관한 정보를 포함하는 타겟 객체의 조합된 뷰를 생성할 수 있다.
실시예에서, 비전 및 감지 시스템(12112)의 동적 비전 능력은 생산 조립 라인 또는 물류 체인에서 품질 관리 검사 및 객체를 분류하기 위해 밸류 체인 네트워크(VCN) 엔티티의 세트에 또는 그와 통합될 수 있으며, 여기서 순응형 액체 렌즈(12612)는 다양한 작업 거리에 위치된 객체 또는 상이한 높이들의 객체를 수용하고, 인식하고, 분류하기 위해 초점을 신속하게 조정하도록 구성된다.
도 104 내지 도 142를 참조하면, 일부 예시적인 구현에 따르면, 로봇 계측 및 관련 전자기기에 대한 무선 전력 라우팅 및 관리를 갖는 플릿 관리 플랫폼은 또한 모듈식의 제거가능한 장기-온-칩 센서 로봇 서브-어셈블리로 로봇을 구성하고 동작시키는 것을 용이하게 할 수 있다. 실시예에서, 장기-온-칩 서브-어셈블리에 대한 전력은, 로봇에 대한 1차 전력이 교체가능한 배터리 팩에 의해 제공되고 장기-온-칩에 대한 전력이 서브-어셈블리-특정 배터리 팩에 의해 선택적으로 제공되는 모바일 환경을 포함하여, 광범위한 로봇 배치를 만족시키기 위해 무선으로 전달되고 관리될 수 있다. 실시예에서, 배터리 팩 사이의 전력 공유 및 전력의 라우팅은, 예컨대, 로봇-로컬 전력 관리 시설에 의해서 무선으로 수행되고 관리될 수 있다. 플랫폼은 후보 로봇에 대해 이용가능한 무선 전력 라우팅 옵션에 기초하여 플릿 구성을 수행하는 것을 용이하게 할 수 있다. 예는 로봇-로컬 무선 전력 라우팅 시스템을 통해 구동되는 장기-온-칩 서브-어셈블리와 같은, 온-로봇 서브-어셈블리에 전력을 무선으로 제공하기 위한 단일 전력 팩을 포함하지만, 이에 제한되지 않는다. 무선 전력 라우팅 및 관리는 로봇의 무선 전력 라우팅 범위로부터 분리되지만 그 내에 배치될 수 있는, 장기-온-칩 예와 같은, 제거가능한 로봇 센서형 서브-어셈블리로 확장될 수 있다. 이는 (예를 들어, 크기, 환경, 또는 다른 제약으로 인해) 센서와 로봇이 병치될 수 없는 환경에 유용할 수 있다. 일부 예시적인 구현에 따르면, MPR, SPR 및 외골격과 같은 로봇의 조합된 제어를 위한 제어 타워, 및 적층 제조 시스템을 갖는 플릿 관리 플랫폼은 또한 로봇 액세서리의 자동화된 설계 및 3D 프린팅을 위한 인공 지능 시스템을 가질 수 있다. 이러한 예 중 일부에서, 인공 지능 시스템은 상황 태스크 인식에 기초하여 설계 및 3D 프린팅을 자동화할 수 있다. 이러한 태스크 인식은, 예를 들어, 태스크를 완료하기 위한 로봇 엔드 이펙터 요건을 결정하기 위해 (로봇에 대한 또는 태스크와 같은 다른 인자에 기초한) 형상 인식 센서(예를 들어, 비전 센서) 및 동작 이력의 사용에 의존할 수 있다. 실시예에서, 이러한 AI 생성 태스크 인식의 결과는 수행될 태스크의 인식에 기초하여 유연한 온-디맨드 적층 제조를 더 향상시키기 위해 제어 타워에 제공될 수 있다. 실시예에서, 제어 타워는 적층 제조를 위한 로봇 3D 프린팅의 제어와 상황적으로 결정된 엔드 이펙터의 3D 프린팅의 로봇 제어를 추가로 조합할 수 있고, 그에 의해 로봇의 플릿의 3D 프린팅 능력의 가치를 추가로 증가시킬 수 있다. 실시예에서, 이러한 조합은 로봇, 생산 장비, 보증 수리 등의 현장 유지보수를 용이하게 할 수 있다. 또한, 태스크 인식을 용이하게 하기 위한 인공 지능의 사용은 필요한 태스크의 일부 세부사항이 로봇이 참여할 때까지 알려지지 않을 수 있는 경우(예를 들어, 완전히 자동화된 생산 동작)의 생산 시스템 서비스/수리를 위한 자율 응답성을 개선할 수 있다.
일부 예시적인 구현에 따르면, 감지된 로컬 상황에 기초한 자율 로컬 시스템 태스크 할당 적응성을 갖는 로봇 플릿 관리 플랫폼은 또한 향상된 동적 공급 체인 적응성 및 효율성을 위해 공급 체인 기반구조 엔티티와 통합될 수 있다. 이러한 예시적인 구현 중 일부에서, 공급 체인 통합을 동반하는 로컬 시스템 태스크 할당 적응성의 적용은, 예를 들어, 컨테이너 내 배치된 로봇의 능력을 향상시킬 수 있다. 플릿 관리 능력의 이러한 조합은 또한, 예컨대, 스마트 컨테이너 등 내에 또는 그와 함께 배치된, 공급 체인을 따른 로봇 사이의 조정(예를 들어, 피어 통신 등에 기초함)을 용이하게 할 수 있고, 그에 의해 미리 개별 로봇을 구성할 때 유연성을 제공할 수 있다. 일 예에서, 장거리 트럭, 선박 등과 함께 배치된 로봇의 세트는 국소적으로 감지된 상황에 기초하여 그들 사이에 공급 체인 태스크를 할당할 수 있다. 공급 체인의 일부인 해양 횡단 여정 동안 수행될 태스크의 세트는 로컬 날씨 조건 등과 같은 로컬 시간 상황에 기초하여 적응적으로 할당될 수 있다.
일부 예시적인 구현에 따르면, 특히, 로봇의 협상된 라우팅을 위한 스마트 계약 지원 능력을 갖는 로봇 플릿 관리 플랫폼은 또한 원격 로봇 관리를 지원하기 위한 인공 지능-관장 데이터 파이프라인을 가질 수 있다. 실시예에서, 로봇 동작의 함수로서 검출가능한 스마트 계약 기간은 AI-관장 데이터 파이프라인이 관리되는 방법에 영향을 미칠 수 있다. 예로서, 데이터 파이프라인은, 예를 들어, 로봇이 특정 데이터 파이프라인 요건(예를 들어, 높은 우선순위 데이터 신호가 작업자, 로봇, 및/또는 클라이언트 보안, 안전 및 다른 우려를 보장하기 위한 배달 요건을 만족시키는 것을 보장하는 동안의 평균 및 피크 처리량)을 달성하는 것을 보장하도록 관리될 수 있다. 그러나, 이러한 로봇 데이터 파이프라인은 또한 스마트 계약 기간(예를 들어, 응답의 적시성, 업-타임 등)을 나타내는 데이터가 관련 스마트 계약을 관리하기 위해 정확하고 적시에 추적(선택적으로 기록, 저장, 및 나중에 전달)될 수 있는 것을 보장하기 위해 (예를 들어, AI-거버넌스를 통해) 관리될 수 있다. 이러한 맥락 내에서, (예를 들어, 보증 서비스를 제공하기 위해) 스마트 계약의 실행과 연관된 하나 이상의 로봇에 대한 데이터 파이프라인을 구성하는 것은 스마트 계약 기간 및 조건과 관련된 상태를 업데이트하기 위한 밸류 체인 네트워크(VCN) 기반구조 요소를 구성하는 것을 포함할 수 있다. AI 기반 데이터 파이프라인 거버넌스 시스템은, 예를 들어, 데이터 파이프라인 요건이 만족될 수 있도록 VCN 전체에 걸쳐 로봇 상의 센서 검출 패키지의 사용을 최적화할 수 있다. 일 예에서, 밸류 체인 네트워크 전체에 걸쳐 협력적으로 작업하는 로봇의 세트는 스마트 계약 용어가 로봇 구성에 고려될 때 밸류 체인 네트워크에서의 상대적 위치에 따라 상이하게 구성된(예를 들어, 최적화된) 센서 패키지를 가질 수 있다. 다른 예로서, 온-로봇 데이터 저장소의 구성 및 이용은 또한, (예를 들어, 로봇 센서 패키지 등을 통해) 수집되는 특정 데이터가 로컬로 저장되고 선택적으로 데이터 파이프라인을 통해 스마트 계약 제어 시설에 전달되기 전에 큐레이팅/필터링되도록 스마트 계약 용어에 의해 영향을 받을 수 있다. 이 예에서, 데이터 파이프라인 리소스는 특정 스마트 계약 용어에 대한 정상으로부터의 실질적인 이탈만이 파이프라인을 이용하도록 우선순위화될 수 있다. 데이터 파이프라인의 AI-거버넌스는 스마트 계약에 영향을 미치는 감지된 데이터의 로컬 평가를 가능하게 할 수 있고, 스마트 계약 요건을 만족시키는 것에 관한 로봇 동작으로부터 도출된 정보가 허용가능한 범위 내에 남아 있는 한, 데이터 파이프라인 리소스는 요구되지 않는다.
일부 예시적인 구현에 따르면, 인공 지능(AI) 기반 로봇 건전성 모니터링 시스템을 갖는 로봇 플릿 관리 플랫폼은 또한, 적층 제조 환경에서 3D 프린팅의 적용을 통해 유압 상호연결을 감소시키도록 최적화되는 유압 유동 및 작동 시스템을 가질 수 있다. 이러한 예시적인 구현 중 일부에서, AI 기반 로봇 건전성 모니터링 시스템에 의해 얻어진 정보는, 예컨대, 예를 들어, 예방 유지보수 단계 동안, 상호연결이 거의 또는 전혀 없는 구조로, 다수의 상호연결을 대체하기 위해 자동화된 설계 및 적층 제조를 적용함으로써 유압 상호연결 고장의 가능성을 완화하는 데 직접 적용될 수 있다. 실시예에서, 시각적 결함 또는 위험을 식별하기 위한(예를 들어, 복수의 상호연결을 갖는 유압 시스템을 식별함) 컴퓨터 비전 시스템, 진동-기반 검출(예를 들어, 결함-유도 진동 레벨이 적용되는 유압 상호연결 서브-어셈블리를 식별함), 다수의 상호연결 유압 시스템의 어느 부분이 그러한 유압 시스템의 고장 위험을 감소시키기 위해 적층 제조 접근법을 이용할 더 양호한 후보인지에 영향을 미치기 위해서 유압 시스템 컴포넌트(예를 들어, 상호연결 등)에 관한 열적 데이터를 제공할 수 있는 온도 감지 시스템과 같은, 로봇 건전성 모니터링 시스템이 제공된다. 실시예에서, AI 기반 로봇 건전성 모니터링 시스템은 더 강건할 가능성이 있는 유압 시스템을 전달하기 위한 적층 제조 요건에 따라 사용될 수 있는 고장 영역, 예컨대, 유압 상호연결을 추가로 예측할 수 있다. 또한, 고장 예측 능력은 어떤 컴포넌트가 적층 제조 시스템으로 생산되도록 우선순위화되어야 하는지에 대한 제어로서 사용될 수 있다. 또한 추가로, 적층 제조 능력을 갖는 로봇 시스템의 스케줄링 및 라우팅은 AI 기반 로봇 건전성 모니터링 시스템의 예측 능력에 의해 영향을 받을 수 있으며, 따라서, 서비스가 개선된 신뢰성의 로봇 요소의 배치를 포함할 수 있을 때 이들이 국소적으로 이용가능하도록 적층 제조 리소스가 국소화된 부품 제조를 위한 서비스 영역으로 라우팅되거나 컴포넌트(예를 들어, 더 적은 상호연결을 갖는 유압 어셈블리)를 생성하는 데 활용되는 것을 보장함으로써 서비스 또는 유지보수 방문 값이 최적화될 수 있다.
일부 예시적인 구현에 따르면, 자동화된 태스크 실행을 위한 인공 지능 기반 형상 인식 능력을 갖는 로봇 플릿 관리 플랫폼은 또한 태스크 실행을 위해 3D 프린팅을 통합하는 로봇 시스템의 조정된 제어를 위한 시스템을 가질 수 있다. 로봇 감지 및 분석 시스템은 로봇 동작이 수행될 객체와 같은, 태스크와 연관된 객체를 평가하기 위해 과거 동작 이력 및 태스크 기준(예를 들어, 정의, 목표 등)과 함께 시각적 이미지 및 센서 정보를 분석하기 위해 AI를 사용할 수 있다. 객체 분석은 선택적으로, 주어진 분석에서 태스크를 수행하는 데 요구되는 엔드 이펙터 또는 다른 물리적 인터페이스의 타입을 비롯하여 할당된 태스크를 수행하기 위한 하나 이상의 동작을 결정하는 것을 용이하게 할 수 있다. 실시예에서, 요구되는 하나 이상의 동작은 그리퍼, j-후크, 압력 감지 클램프, 파지 및 회전 능력 등과 같은 특정 타입의 엔드 이펙터의 선택 및 사용을 포함할 수 있다. 실시예에서, 태스크를 수행하는 것을 용이하게 하도록 구성된 로봇 또는 동반 로봇의 3D 프린팅 제어 능력이 객체와 연관된 시각적 및/또는 감지된 분석에 기초하여 적합한 엔드 이펙터, 어댑터, 또는 다른 특징을 생성하기 위해 이용될 수 있다. 예에서, 객체는 객체를 취급하기 위한 키홀 타입 인터페이스를 가질 수 있다. 이미지 분석은 객체의 이 특징을 검출하고 객체와 함께 사용하기에 적합한 키를 생성하도록 3D 프린팅 제어 시스템에 커미셔닝할 수 있다. 로봇 객체 감지(예를 들어, 형상 인식 등)와 객체와 연관된 태스크의 하나 이상의 동작을 실행하기 위한 3D 프린팅 능력의 제어를 조합하는 다른 예는 식별가능한 평평한 표면이 없는 비직선(예를 들어, 원형, 타원형, 직사각형) 객체의 형상을 감지하는 것을 포함한다. 인공 지능 기반 형상 인식은 요구되는 접촉 표면의 형상 및 크기를 비롯하여, 객체를 들어올리기 위한 적절한 배향을 검출하는 것을 용이하게 할 수 있다. 이 접촉 표면 형상 및 크기 정보는 로봇의 전기자를 위한 어댑터를 생성하기 위해 3D 프린팅 제어 시스템에 제공될 수 있다. AI-기반 형상 인식의 결과는 객체를 플랫폼이 이전에 직면한 타입과 유사한 것으로 식별할 수 있다. 예로서, 객체의 파라미터는 플랫폼이 로봇 태스크의 플릿을 관리하는 객체의 라이브러리에서 후보 객체를 식별하기 위해 사용될 수 있다. 라이브러리는 이러한 클래스의 객체와의 하나 이상의 이전 직면에서 슬링이 성공적으로 사용되었음을 추가로 나타낼 수 있다. 실시예에서, 3D 프린팅을 위한 로봇 시스템의 제어는 객체를 들어올리고 수송하기 위해 객체-특정 태스크를 수행하도록 할당된 하나 이상의 로봇에 의해 사용될 적절한 슬링을 생성하도록 지시될 수 있다. 3D 프린팅 제어 및 인공 지능 기반 형상 인식 능력 둘 모두를 갖는 로봇 관리 플랫폼의 또 다른 예시적인 실시예에서, 객체의 수리는 로봇 시스템의 시각 및 다른 센서의 사용에 의해, 수리될 객체의 손잡이가 파손되었고, 그에 의해 지시된 바와 같은 수리의 수행이 불가하다고 결정하는 것에 의해 달성될 수 있다. 이 예상치 못한 조건의 결정에 기초하여, 3D 프린팅을 위한 로봇 제어 시스템에게 대체 손잡이를 만들거나 손잡이의 수리를 수행하도록(예를 들어, 손잡이의 구조적 부분에서 브레이크를 수리하도록) 지시하기 위해 현재 수리 할당을 위한 로봇 동작의 보충 세트가 생성될 수 있다. 이러한 보충 동작은 수리 태스크를 요구하는 고장의 원인이 손잡이 이외의 것일 때에도 수리될 객체의 평가에 기초하여 결정되고 객체 수리 프로세스의 현재 인스턴스에 통합될 수 있다.
일부 예시적인 구현에 따르면, 순응형(예를 들어, 액체) 렌즈 비전 시스템을 갖는 로봇 플릿 관리 플랫폼은 또한, 하나 이상의 훈련 인자 중 하나로서 태스크 완료의 품질을 사용하여 태스크의 세트를 완료하는 것에 초점을 둘 수 있는 AI 루프-기반 훈련 및 학습 시스템을 가질 수 있다. 실시예에서, 순응형 렌즈 비전 시스템은 이미지 형성을 개선하기 위해 인공 지능의 사용을 통해 구성, 제어 및 적응될 수 있다. AI 루프-기반 훈련 및 학습 시스템으로부터의 피드백은 개선된 이미지 형성을 위해 순응형 렌즈를 조정하기 위한 피드백의 하나의 요소로서 사용될 수 있다. 실시예에서, 조합된 AI 시스템은 태스크 완료의 품질을 개선하기 위해 순응형 렌즈를 적응시키는 것을 용이하게 할 수 있다. 태스크 객체 및/또는 로봇 컴포넌트의 파괴와 같은 인자는, 성공 실적을 갖는(예를 들어, 사물을 파괴하지 않은) 로봇 동작에 기초할 때, 이미지 형성이 개선을 필요로 한다는 것을 시사할 수 있다. 순응형 렌즈 기술을 갖는 로봇 비전 시스템은 경로를 따른 객체 등과 같은 태스크 실행 위험 인자를 검출하고 회피하기 위한 안내를 제공하도록 자체 훈련하기 위해 루프-기반 학습 능력을 사용함으로써 로봇 동작을 추가로 개선할 수 있다.
일부 예시적인 구현에 따르면, 로봇 시스템에서 열 및 에너지 인자의 양자 최적화를 갖는 로봇 플릿 관리 플랫폼은 또한 생물학적 감지 및 평가를 제공한 칩 센서 시스템(예를 들어, 장기-온-어-칩 등)을 가질 수 있다. 이러한 실시예 중 일부에서, 시스템은 (예를 들어, 전기 발전기를 위한 연료로서) 방사성 물질의 사용 및 배치와 연관된 조건을 평가하기 위해 방사능을 감지한다. 방사성 센서 및 많은 다른 타입의 센서의 감도는 감지 요소에 근접한 온도 조건에 의해 영향을 받을 수 있다. 열 인자가 로봇 태스크 할당 전체에 걸쳐 그리고 로봇(또는 적어도 감지 요소)의 수명에 걸쳐 자동으로 그리고 적절하게 어드레싱되는 것을 보장하는 것은 감도를 개선할 수 있고, 따라서 잠재적으로 위험한 레벨의 방사능을 더 큰 안전 여유로 검출하는 것을 잠재적으로 용이하게 할 수 있다. 열 안정성을 유지하는 것은 칩 기반 의료 진단 센서, 칩 기반 의료 실험실 테스트 등과 같은 다른 로봇 감지 능력에 이점을 추가로 제공할 수 있다.
일부 예시적인 구현에 따르면, 일반 로봇 자산을 추적하고 관장하기 위한 컴퓨터 비전 기반구조를 갖는 로봇 플릿 관리 플랫폼은 또한 공유 경제 로봇 리소스 스케줄링 및 라우팅 능력을 가질 수 있다. 실시예에서, 컴퓨터 비전 로봇 추적 기반구조는 공유 경제 로봇 리소스 스케줄링 및 라우팅 능력의 자율 로봇 리소스 라우팅 실시예에 상황 데이터를 제공할 수 있다. 예에서, 컴퓨터 비전 기반구조는 검출된 비-준수 거동의 소스에서 하나 이상의 로봇을 대체/지원/조절하기 위해 로봇 리소스의 라우팅에 대한 필요성을 나타낼 수 있는 비-준수 로봇 거동을 검출할 수 있다. 또한, 로봇 자산을 관장하기 위한 컴퓨터 비전 기반구조는 라우팅된 리소스의 배치 및 라우팅된 리소스에 의한 태스크 완료에 대한 자동화된 청구를 용이하게 하기 위해 자율적으로 라우팅된 로봇 리소스에 대한 태스크 완료의 증거를 제공할 수 있다. 이러한 증거는, 온-로케이션 존재의 결여, 비-준수 로봇 거동 등을 포함할 수 있는, 요구되는 온-로케이션 로봇 지원의 결여에 대한 제3자(예를 들어, 다른 로봇 플릿 플랫폼)에 의한 청구를 추가로 입증할 수 있다.
예시적인 실시예에서, 밸류 체인은 에너지 시스템 및 프로세스를 포함할 수 있다. 에너지 시스템 및/또는 프로세스는 에너지 모델을 이용할 수 있다. 에너지 시스템 및/또는 프로세스는 기업 제어 타워 내의 다양한 다른 프로세스 및/또는 시스템과 조합될 수 있는 밸류 체인 구축 블록의 그룹의 일부일 수 있다. 예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 (예를 들어, 에너지, 에너지 컴퓨팅, 및/또는 에너지 네트워킹 프로세스를 갖는) 모듈식 적응형 리소스 패키지 기술을 제공할 수 있다. 예를 들어, 에너지 시스템 및/또는 프로세스는 에너지 저장 시스템 및 디바이스의 네트워크에 걸친 모듈식 레벨에서의 에너지 저장(예를 들어, 모듈식 에너지 저장의 사용)에 관련될 수 있다. 에너지 시스템 및/또는 프로세스는 커뮤니티, 사업자/회사, 조직, 대학/대학 등에 걸친 전력 관리를 위한 다양한 요구를 해결할 수 있다. 이는, 예를 들어, 전력 저장의 모듈화에 의해 달성될 수 있다. 예시적인 실시예에서, 제한된 전력 리소스 및 재생가능 에너지에 집중할 필요가 있을 수 있는 경우, 전력 저장의 최적화 및 모듈화는 이러한 문제를 해결할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 다음의 기술, 시스템, 및/또는 프로세스 중 임의의 하나 이상을 포함하고/하거나 이용할 수 있다: 배터리의 3차원(3d) 프린팅, 배터리 에너지 저장 시스템(BESS), 다양한 배터리 타입, 조정 프로세스, 탈중앙화 에너지 그리드, 에너지 가격, 에너지 저장 기술, 서비스형 에너지(예를 들어, 에너지 분산 및 국소화), 에너지 관련 섹터 및 트랜잭션, 에너지 최적화를 위한 기계 학습(ML) 및/또는 인공 지능(AI), 자동화를 위한 ML/AI, 분산 네트워크(예를 들어, 에너지 생산, 저장, 및 배달 시스템의 네트워크)에 걸친 에너지 생산에 대한 에너지 이용/수요를 매칭시키기 위한 ML/AI, 양자, 재생가능 에너지(예를 들어, 재생가능 에너지 키트), 슬라이싱을 위한 기술(예를 들어, 슬라이싱 생산, 저장, 및 전달을 위한 시스템 및/또는 프로세스) 등.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 에너지 저장 기술을 포함할 수 있다. 일부 예에서, 에너지 저장 기술은 하나 이상의 타입의 배터리를 포함할 수 있다. 예를 들어, 배터리는 리튬-이온 배터리, 가요성 배터리, 구조 배터리, 고체-상태 배터리, 및/또는 플로우 배터리를 포함할 수 있다.
예시적인 실시예에서, 에너지 저장 기술은 스마트 배터리를 포함할 수 있다. 스마트 배터리는 배터리 관리 시스템(BMS) 및 셀 레벨까지의 다른 기능을 갖는 스마트 배터리들일 수 있다. 다른 예에서, 스마트 배터리는 셀 레벨 모니터링 및 데이터 스트림을 갖는 스마트 배터리들일 수 있다. 다른 예에서, 스마트 배터리는 셀 레벨 분산 에너지 관리를 갖는 스마트 배터리들일 수 있다. 다른 예에서, 스마트 배터리는 셀 또는 시스템 레벨에 대한 칩 상의 에너지 관리를 갖는 스마트 배터리들일 수 있다.
예시적인 실시예에서, 에너지 저장 기술은 다양한 제어들 및/또는 관리 기능을 포함할 수 있다. 예를 들어, 에너지 저장 기술은 제어된 진동을 제공하여 덴드라이트를 관리하고 배터리 수명을 개선할 수 있다. 에너지 저장 기술은 배터리 제품 라이프사이클 관리 및/또는 배터리 관리 및 제어를 제공할 수 있다.
다른 예에서, 에너지 저장 기술은 배터리-구동/그리드-독립형 기반구조를 이용할 수 있다. 예시적인 실시예에서, 에너지 저장 기술은 고성능 전극 및/또는 고성능 분리기를 이용할 수 있다. 예시적인 실시예에서, 에너지 저장 기술은 유기 플로우 배터리 전해질 및/또는 폴리머 리튬-이온 화학을 활용할 수 있다.
예시적인 실시예에서, 에너지 저장 기술은 파 에너지 및/또는 열 에너지를 이용할 수 있다. 예시적인 실시예에서, 에너지 저장 기술은 중력 에너지 저장을 제공할 수 있다. 예시적인 실시예에서, 에너지 저장 기술은 주변 유기 용매와 상호작용함으로써 전류를 생성하는 탄소 입자를 제공할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 다양한 배터리 타입을 포함할 수 있다. 이러한 배터리 타입은 아연 배터리 타입, 니켈 배터리 타입, 및/또는 코발트 배터리 타입을 포함할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 배터리 에너지 저장을 제공하기 위한 시스템 및/또는 프로세스를 포함할 수 있다. 이는 배터리 에너지 저장 시스템(BESS)에 관한 것일 수 있다. 예시적인 실시예에서, BESS는 건물 에너지 관리와 통합될 수 있다. 일부 예시적인 실시예에서, BESS는 플로우 배터리 기반 BESS일 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 배터리의 3d 프린팅을 제공하기 위한 시스템 및/또는 프로세스를 포함할 수 있다. 이는 배터리를 프린팅하기 위한 3d 프린터를 이용하여 다양한 타입의 3d 프린팅된 배터리를 생성할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 재생가능 에너지 기술(예를 들어, 재생가능 에너지 키트)을 포함할 수 있다. 이는 재생가능 에너지를 생성, 저장 및/또는 사용하기 위한 시스템에 관한 것일 수 있다.
예시적인 실시예에서, 에너지 제공자(들)는 구매자, 서비스 제공자, 자체 생성, 개인/공개, 및/또는 혼합 조합과 같은 다양한 옵션을 포함할 수 있다. 예시적인 실시예에서, 에너지 소스(들)는 태양, 바람, 배터리, 열, 중력, 파, 및/또는 그리드와 같은 다양한 옵션을 포함할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 탈중앙화된 에너지 그리드를 포함할 수 있다. 이러한 탈중앙화된 에너지 그리드는 탈중앙화된 가상 그리드를 위한 안전 시스템을 포함할 수 있다. 일부 예에서, 탈중앙화된 에너지 그리드는 탈중앙화된 가상 그리드를 위한 제어 시스템을 포함할 수 있다. 다른 예에서, 탈중앙화된 에너지 그리드는 최종 사용자 사이의 트랜잭션을 허용할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 에너지 관련 섹터 및 트랜잭션(예를 들어, 에너지 트랜잭션)을 포함할 수 있다. 에너지 관련 섹터 및 트랜잭션은 지역적 및 지역적 에너지 차익거래를 제공할 수 있다. 에너지 관련 섹터 및 트랜잭션은 또한 로컬 및 지역 에너지 관리를 제공할 수 있다. 일부 예에서, 에너지 관련 섹터 및 트랜잭션은 에너지 데이터 시장을 제공할 수 있다. 다른 예에서, 에너지 관련 섹터 및 트랜잭션은 원격 또는 소외 영역에서 에너지에 대한 키오스크/마이크로서비스를 제공할 수 있다. 예시적인 실시예에서, 에너지 관련 섹터 및 트랜잭션은 개인 탄소 사용량 모니터링 및 관리 시스템을 포함할 수 있다. 다른 예에서, 에너지 관련 섹터 및 트랜잭션은 기업 탄소 사용 모니터링 및 관리 시스템을 포함할 수 있다. 에너지 관련 섹터 및 트랜잭션은 스마트 계약을 지원할 수 있는 작물 관개를 위한 태양 구동 펌프/배터리 시스템을 포함할 수 있다. 일부 예에서, 에너지 관련 섹터 및 트랜잭션은 개인 에너지 기반구조 투자를 지원할 수 있는 자동화된 재무/지불/보험 메커니즘 및/또는 스마트 계약을 제공할 수 있다. 예시적인 실시예에서, 에너지 관련 섹터 및 트랜잭션은 게이밍 엔진 스마트 계약 에너지 관리 플랫폼을 포함할 수 있다. 에너지 관련 섹터 및 트랜잭션은 에너지 관리를 제공할 수 있다. 예시적인 실시예에서, 에너지 관련 섹터 및 트랜잭션은 저장 및 디스패치를 위한 다수의 에너지 소스의 통합을 제공할 수 있다. 에너지 관련 섹터 및 트랜잭션은 또한 상호교환가능성을 포함하는 전개가능한 통합 및 모듈식 에너지 저장 시스템을 제공할 수 있다. 예시적인 실시예에서, 에너지 관련 섹터 및 트랜잭션은 분산 데이터 센터 리소스의 동적 할당을 위한 플랫폼을 포함할 수 있다. 에너지 관련 섹터 및 트랜잭션은 또한 에너지를 생성하고 저장할 수 있는 통합 에지 기반 시스템을 포함할 수 있다. 일부 예시적인 실시예에서, 에너지 관련 섹터 및 트랜잭션은 토지 사용 비용의 분석을 제공할 수 있다. 에너지 관련 섹터 및 트랜잭션은 또한 개인 에너지 관리를 제공할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 조정 특징을 포함할 수 있다. 예를 들어, 이러한 조정 특징은 다수의 분산된 에너지 생산, 저장, 및/또는 배달 시스템에 걸친 에너지 수요의 조정을 포함할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 에너지 가격을 제공하기 위한 시스템 및/또는 프로세스를 포함할 수 있다. 에너지 가격은 보안, 신뢰성, 타입-슬라이싱, 및/또는 시간-슬라이싱을 가격 행렬에 통합하는 가격 메커니즘을 포함할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 에너지 트랜잭션 및/또는 에너지 관리의 자동화와 관련될 수 있는 자동화를 위한 ML/AI를 포함할 수 있다. 일부 예에서, 자동화를 위한 ML/AI는 스마트 계약 추적 및/또는 블록체인 상의 에너지 생산의 가격을 위한 ML/AI를 포함할 수 있다. 다른 예에서, 자동화를 위한 ML/AI는 공급 체인에서의 에너지 관리의 자동화를 위한 ML/AI를 포함할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 에너지 최적화를 위한 ML 및/또는 AI를 포함할 수 있다. 에너지 최적화를 위한 ML 및/또는 AI는 다음의 시스템 및/또는 프로세스를 더 포함 및/또는 이용할 수 있다: 리튬-이온 배터리의 안전성을 최적화하기 위한 ML/AI, 리튬-이온 배터리의 비용을 최적화하기 위한 ML/AI, 리튬-이온 배터리의 재활용 특성을 최적화하기 위한 ML/AI, 식품 및 에너지 생산 및 저장을 최적화하기 위한 ML/AI, (예컨대, 위치, 시간, 및 응용을 위한) 에너지 활용을 최적화하기 위한 ML/AI, 전력 그리드의 최적화를 위한 ML/AI, 설계 최적화를 위한 ML/AI, 실시간 동작 온도 최적화를 위한 ML/AI, 배터리 폐기를 최적화하기 위한 ML/AI, 배터리 재활용 또는 재사용을 최적화하기 위한 ML/AI, 에너지 사용 혼합의 최적화, 탈중앙화된 상거래 모델에 걸친 에너지 비용 최적화를 위한 ML/AI, 그리고/또는 에너지 소스 및 저장 요소의 혼합의 생산, 저장, 및 활용의 최적화를 위한 ML/AI.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 분산 네트워크(예를 들어, 에너지 생산, 저장, 및 배달 시스템의 네트워크)에 걸쳐 에너지 생산에 대한 에너지 이용/수요를 매칭시키기 위한 ML/AI를 포함할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 양자 특징을 포함할 수 있다. 예를 들어, 이러한 양자 특징은 위치, 시간, 및/또는 응용에 대한 에너지 이용을 최적화하기 위한 양자를 포함할 수 있다. 양자 특징은 전력 그리드의 양자 최적화를 포함할 수 있다. 예시적인 실시예에서, 양자 특징은 양자 컴퓨팅을 포함할 수 있다. 예를 들어, 양자 컴퓨팅은 설계 최적화를 위한 양자 컴퓨팅 및/또는 실시간 동작 온도 최적화를 위한 양자 컴퓨팅을 포함할 수 있다. 다른 예시적인 실시예에서, 양자 특징은 양자 최적화 배터리 폐기 및/또는 양자 최적화 배터리 재활용 또는 재사용과 같은 양자 배터리 최적화를 포함할 수 있다. 예시적인 실시예에서, 양자 특징은 에너지 사용 혼합의 양자 최적화를 포함할 수 있다. 다른 예시적인 실시예에서, 양자 특징은 탈중앙화된 상거래 모델에 걸친 에너지 비용 최적화를 포함할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 생산, 저장 및/또는 전달을 슬라이싱하기 위한 기술을 포함할 수 있다.
예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 다양한 사용 사례에서 이용될 수 있다. 예시적인 실시예에서, 에너지 시스템 및/또는 프로세스는 국소화된 수요를 가질 수 있는 고가의 아이템(예를 들어, 성장하는 고-마진 식품, 고-에너지 계산 작업부하, 및/또는 고온 재료 프로세스)에 대한 모듈식/소규모 에너지 공급 시스템 및 다양한 생산 시스템의 병치와 같은 다양한 사용 사례와 함께 적용될 수 있다. 예시적인 실시예에서, 다른 사용 사례는 에너지 저장소 이동, 식품-에너지 밸류 체인 네트워크, 마이크로 전력 스테이션의 부분 소유권, 태양광 패널 및 도로의 통합, (예를 들어, 토지 사용 허가, 컴퓨팅/데이터 센터 및 에너지 가용성을 갖는) 공급 및 수요 교차 지점의 조정, 배터리 기반 인쇄 회로 보드 제조 플랜트, 및/또는 에너지 인덱스를 포함할 수 있다. 일부 예시적인 실시예에서, 로봇 공학 기술 및 에너지 최적화 기술이 함께 활용될 수 있다(예를 들어, 자율 로봇 동작을 위한 에너지 최적화된 플랫폼을 제공함).
밸류 체인(VALUE CHAIN)
일부 실시예에서, 밸류 체인은 지능형 에이전트 시스템이 각각의 지능형 에이전트에 관한 피드백을 사용자로부터 수신하는 것을 포함할 수 있다. 예를 들어, 일부 실시예에서, 지능형 에이전트를 활용하는 클라이언트 애플리케이션은 사용자가 지능형 에이전트에 의해 출력되는 액션에 관한 피드백을 제공할 수 있는 인터페이스를 제공할 수 있다. 실시예에서, 사용자는 지능형 에이전트에 의한 임의의 에러를 식별하고 특성화하는 피드백을 제공한다. 이러한 실시예 중 일부에서, 사용자가 직면하는 에러의 세트를 표시하는 보고가 (예를 들어, 클라이언트 애플리케이션 또는 플랫폼에 의해) 생성될 수 있다. 보고는 지능형 에이전트를 재구성/재훈련시키는 데 사용될 수 있다. 실시예에서, 지능형 에이전트를 재구성/재훈련시키는 것은 에러의 소스인 입력을 제거하는 것, 인공 지능 시스템의 노드의 세트를 재구성하는 것, 인공 지능 시스템의 가중치의 세트를 재구성하는 것, 인공 지능 시스템의 출력의 세트를 재구성하는 것, 인공 지능 시스템 내의 처리 흐름을 재구성하는 것(예컨대, 순환 신경망 상에 게이트를 배치하여 폭발적인 에러 문제를 회피하기 위해 특정 입력을 감소시킬 필요성과 학습의 균형을 맞추는 게이트식 RNN이 되게 하는 것), 인공 지능 시스템의 타입을 재조작하는 것(예컨대, 컨볼루션 신경망, 순환 신경망, 피드포워드 신경망, 장기/단기 메모리(LSTM) 신경망, 자기-조직화 신경망, 또는 많은 다른 타입 및 조합 중에서 신경망 타입을 수정함으로써), 및/또는 인공 지능 시스템에 대한 입력의 세트를 증강시키는 것을 포함할 수 있다.
실시예에서, 신피질 활동을 모방하거나 시뮬레이션하는 신경망 타입의 조합을 표현하는 신경망 리소스의 라이브러리는 로봇 프로세스 자동화를 수반하는 것과 같은 지능형 에이전트의 개발의 주제들인 다양한 활동을 수행하기 위해 인간 전문가에 의해 사용되는 조합을 복제하는 모듈의 선택 및 구현을 허용하도록 구성될 수 있다. 실시예에서, 라이브러리로부터의 다양한 신경망 타입은 처리 흐름을 표현하기 위해 직렬 및/또는 병렬 구성으로 구성될 수 있으며, 이는 자동화의 대상인 활동에 수반될 때, 예컨대, 뇌의 시공간 이미징에 기초하여, 뇌에서의 처리의 흐름을 모방하거나 복제하도록 배열될 수 있다. 실시예에서, 에이전트 개발을 위한 지능형 소프트웨어 에이전트는, 예컨대 본 출원에 설명된 훈련 기술 중 임의의 것을 사용하여, 신경망 리소스 타입의 세트를 선택하고, 처리 흐름에 따라 신경망 리소스 타입을 배열하고, 신경망 리소스의 세트에 대한 입력 데이터 소스를 구성하고, 및/또는 이용가능한 계산 리소스 상에 신경망 타입의 세트를 자동으로 배치하여, 원하는 지능형 에이전트/자동화 작업흐름을 수행하기 위해 구성된 신경망 리소스의 세트의 훈련을 개시하도록 훈련될 수 있다. 실시예에서, 에이전트 개발에 사용되는 지능형 소프트웨어 에이전트는, 추가 애플리케이션의 개발 대상인 작업흐름을 수행하고 있는 전문가와 같은, 인간 뇌의 시공간 이미징 데이터의 입력 데이터 세트에 대해 동작하고, 학습을 개시하기 위해 신경망 타입의 세트의 선택 및 배열을 자동으로 선택하고 구성하기 위해 시공간 이미징 데이터를 사용한다. 따라서, 지능형 에이전트를 개발하기 위한 시스템은 에이전트가 훈련되는 작업흐름에 수반되는 인간 사용자의 시공간적 신피질 활동 패턴에 기초하여 신경망 타입 및/또는 배열의 (선택적으로 자동적인) 선택을 위해 구성될 수 있다. 일단 개발되면, 결과적인 지능형 에이전트/프로세스 자동화 시스템은 본 개시 전반에 걸쳐 설명된 바와 같이 훈련될 수 있다.
실시예에서, 지능형 에이전트(지능형 에이전트의 개발을 위한 전술한 에이전트를 포함함)를 개발하기 위한 시스템은 어떤 데이터 소스가 지능형 에이전트에 대한 입력으로서 선택되어야 하는지를 (선택적으로 자동으로) 추론하기 위해 인간 사용자의 뇌 이미징으로부터의 정보를 사용할 수 있다. 예를 들어, 신피질 영역(O1)이 고도로 활성인(시각적 처리를 수반하는) 프로세스에 대해, 시각적 입력(예컨대, 카메라로부터의 이용가능한 정보, 또는 특히 가격 패턴과 같은 정보의 시각적 표현)이 유리한 데이터 소스로서 선택될 수 있다. 유사하게, (사실의 저장 및 검색을 수반하는) 영역 C3을 수반하는 프로세스에 대해, (블록체인 기반 분산 원장과 같은) 신뢰성 있는 사실적 정보를 제공하는 데이터 소스가 선택될 수 있다. 따라서, 지능형 에이전트를 개발하기 위한 시스템은 에이전트가 훈련되는 작업흐름에 수반되는 인간 사용자의 시공간적 신피질 활동 패턴에 기초하여 입력 데이터 타입 및 소스의 (선택적으로 자동적인) 선택을 위해 구성될 수 있다.
적층 제조(ADDITIVE MANUFACTURING)
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 예컨대, 매우 특정한 상황과의 호환성을 위해 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 다른 재료와 금속의 조합(기능 경사 재료(FGM) 및/또는 재료 타입 사이에 날카로운 경계가 없는 경사 조합을 포함함)을 생성하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 다수의 소스 재료를 포함하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, (스마트 계약/블록체인을 통한 것을 비롯하여) 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 적층 제조 유닛을 제공하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 이동식/차량-통합형/자율형 구성으로 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 입력을 결합하고, 데이터 및 출력을 디지털 트윈과 처리하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 프로세스를 블록체인 및 스마트 계약과 결합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 기계에 부착된 다음 대체물 상에 직접적으로 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, fused Deposition Modeling (FDM)™ 일명 Fused Filament Fabrication™를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 선택적 레이저 소결 (SLS)을 가지며, 여기서 레이저는 응고되는 난연성 플라스틱 분말을 용융시킨다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 금속 압출 기능을 가지며, 여기서 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐 (FDM에서 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 초박층의 잉크젯 노즐로부터의 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 전자 빔 용접을 사용하는 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 이를 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피 (SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)로 객체의 단면의 이미지를 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 광 중합 기능을 갖고, 여기서 광은 시간이 지남에 따라 변화하는 영역에서 폴리머를 경화시킨다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 액체/콜로이드 결합제를 분말 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 금속으로부터 특이한 형상(예를 들어, 호스가 없는 유체 취급; 열 소산 및/또는 난류 감소를 위한 생체모방; 보철 대체물; 부분 대체물)을 만들기 위한 제조 시설을 갖고, 그리고, 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사(graded) 조합을 포함함)와 금속의 조합을 생성하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 다수의 소스 재료를 포함하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고, AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고, (스마트 계약/블록체인을 통한 것을 비롯하여) 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 적층 제조 유닛을 제공하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고, 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 프로세스를 블록체인 및 스마트 계약과 결합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 기계에 부착한 다음에 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 fused Deposition Modeling (FDM)™ 일명 Fused Filament Fabrication™를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고, 레이저가 응고되는 난연성 플라스틱 분말을 용융시키는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 초박층에서 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 전자 빔 용접을 사용하는 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 예컨대, 매우 특정한 상황과의 호환성을 위해, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 매우 특정한 상황과의 호환성을 위한 것과 같이, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 매우 특정한 상황과의 호환성을 위한 것과 같이, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 매우 특정한 상황과의 호환성을 위한 것과 같이, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 매우 특정한 상황과의 호환성을 위한 것과 같이, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 매우 특정한 상황과의 호환성을 위한 것과 같이, 고도로 맞춤화된 형상을 생성하기 위한 제조 시설을 갖고 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 경우 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고 다수의 소스 재료를 포함하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 경우 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고, AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 경우 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고, (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고, 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 경우 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고, 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등과 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고, 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고 프로세스를 블록체인 및 스마트 계약과 결합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 경우 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하는 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함하고 FDM(fused Deposition Modeling)™ 일명 Fused Filament Fabrication™을 갖는) 다른 재료와 금속의 조합을 생성하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되며, 이는 금속과 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)의 조합을 생성하기 위한 제조 시설을 갖고, 레이저가 난연성 플라스틱 분말을 용융시켜 응고되는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되며, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고, 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되며, 이는 다른 재료(기능 경사 재료(FGM) 및/또는 재료 타입 사이에 날카로운 경계가 없는 경사 조합을 포함함)와 금속의 조합을 생성하기 위한 제조 시설을 갖고 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고 초박층에서 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고 전자 빔 용접을 사용하는 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 다른 재료(기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되며, 이는 금속과 다른 재료(기능 경사 재료(FGM) 및/또는 재료 타입 사이에 날카로운 경계가 없는 경사 조합을 포함함)의 조합을 생성하기 위한 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되며, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 재료 타입 사이에 날카로운 경계가 없는 다른 재료(기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되며, 이는 다른 재료(재료 타입 사이에 날카로운 경계가 없는 기능 경사 재료(FGM) 및/또는 경사 조합을 포함함)과 금속의 조합을 생성하기 위한 제조 시설을 갖고 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고, AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고, (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 온보드 에지 지능과 스마트 연결성을 통합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고, 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 이용한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 FDM(fused Deposition Modeling)™ 일명 Fused Filament Fabrication™을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고, 레이저가 난연성 플라스틱 분말을 용융시키고 응고되는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 금속 압출 기능을 가지며, 여기서 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 초박층의 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 전자 빔 용접을 이용한 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 소스 재료를 포함하는 제조 시설을 갖고 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고, AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고, (스마트 계약/블록체인을 통한 것을 비롯하여) 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 적층 제조 유닛을 제공하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 온보드 에지 지능과 스마트 연결성을 통합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고, 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 fused Deposition Modeling (FDM)™ 일명 Fused Filament Fabrication™를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고, 레이저가 난연성 플라스틱 분말을 용융시켜 응고되는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 초박층의 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 전자 빔 용접을 사용하는 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 분말형 재료의 열 프린트헤드 가열 층을 사용하여 선택적 열 소결하여 이를 열가소성이 되게 하는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다. 실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화하게 하는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 다수의 영역에 대한 동시 작업을 위해 다수의 압출 노즐을 사용하는 제조 시설을 갖고 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 온보드 에지 지능과 스마트 연결성을 통합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고 FDM(fused Deposition Modeling)™ 일명 Fused Filament Fabrication™을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 레이저가 난연성 플라스틱 분말을 용융시켜 응고되는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고 초박층의 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고 전자 빔 용접을 사용하는 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화하게 하는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 AI를 사용하여 제품 설계, 제조 프로세스 구성, 작업 스케줄링, 우선순위화 및/또는 물류를 최적화하는 제조 시설을 갖고, 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖고 온보드 에지 지능과 스마트 연결성을 통합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖고 모바일/차량-통합/자율 구성으로 통합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖고, 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖고, 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖고 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖고 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고 fused Deposition Modeling (FDM)™ 일명 Fused Filament Fabrication™를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고, 레이저가 난연성 플라스틱 분말을 용융시켜 응고되는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스(스마트 계약/블록체인을 통한 것을 포함함)로서 제공하기 위한 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 적층 제조 유닛을 제공하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 적층 제조 유닛을 (스마트 계약/블록체인을 통한 것을 비롯하여) 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고, 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고 초박층에서 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고 전자 빔 용접을 이용한 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 적층 제조 유닛을 제공하기 위한 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 선택적 열 소결하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스(스마트 계약/블록체인을 통한 것을 포함함)로서 제공하기 위한 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하는 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)로 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 적층 제조 유닛을 제공하기 위한 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 (스마트 계약/블록체인을 통한 것을 비롯하여) 적층 제조 유닛을 공유 리소스/"서비스형" 노드/멀티-테넌트 리소스로서 제공하기 위한 제조 시설을 갖고 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능 및 스마트 연결성을 통합하기 위한 제조 시설을 갖고 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하는 제조 시설을 갖고, 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하는 제조 시설을 갖고 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하는 제조 시설을 갖고, 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 이용한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고 FDM(fused Deposition Modeling)™ 일명 Fused Filament Fabrication™을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 레이저가 응고될 난연성 플라스틱 분말을 용융시키는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 분말 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고 초박층 내의 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고 전자 빔 용접을 이용한 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 온보드 에지 지능과 스마트 연결성을 통합하기 위한 제조 시설을 갖고 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성에 통합하기 위한 제조 시설을 갖고, 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 입력을 결합하고 데이터 및 출력을 디지털 트윈으로 처리하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 프로세스를 블록체인 및 스마트 계약과 결합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고, 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 FDM(fused Deposition Modeling)™ 일명 Fused Filament Fabrication™을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되며, 이는 이동식/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고, 레이저가 응고될 난연성 플라스틱 분말을 용융시키는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 이동식/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 이동식/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 초박층의 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 전자 빔 용접을 이용한 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 모바일/차량-통합/자율 구성으로 통합하기 위한 제조 시설을 갖고 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하는 제조 시설을 갖고, 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하는 제조 시설을 갖고 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하는 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 이용한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고 FDM(fused Deposition Modeling)™ 일명 Fused Filament Fabrication™을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 응용 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 레이저가 난연성 플라스틱 분말을 용융시키고 응고되는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 응용 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다. 실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 응용 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 분말 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 응용 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 초박층에서 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고 전자 빔 용접을 이용한 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 응용 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 분말화된 재료의 열 프린트헤드 가열 층을 사용하여 선택적 열 소결하여 그것을 열가소성이 되게 하는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 응용 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정 사용 사례, 실시예, 응용 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 특정한 사용 사례, 실시예, 애플리케이션 및 장치에 맞춤화된 설계 인자, 경제적 인자, 품질 인자 등에 관련된 입력/소스/훈련 세트 데이터로 AI를 풍부화하기 위한 제조 시설을 갖고, 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 이용한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, FDM(fused Deposition Modeling)™ 일명 Fused Filament Fabrication™을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 레이저가 응고될 난연성 플라스틱 분말을 용융시키는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 초박층의 잉크젯 노즐로부터의 금속 나노입자의 분사를 이용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 전자 빔 용접을 이용한 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하기 위한 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 입력을 결합하고, 데이터 및 출력을 디지털 트윈으로 처리하는 제조 시설을 갖고, 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하기 위한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖고, 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 이용한 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하기 위한 제조 시설을 갖고, fused Deposition Modeling (FDM)™ 일명 Fused Filament Fabrication™를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 블록체인 및 스마트 계약과 프로세스를 결합하기 위한 제조 시설을 갖고, 레이저가 난연성 플라스틱 분말을 용융시켜 응고되는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖고, 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 블록체인 및 스마트 계약과 프로세스를 결합하기 위한 제조 시설을 갖고, 분말 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 블록체인 및 스마트 계약과 프로세스를 결합하기 위한 제조 시설을 갖고 초박층의 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖고, 전자 빔 용접을 이용한 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 블록체인 및 스마트 계약과 프로세스를 결합하기 위한 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 블록체인 및 스마트 계약과 프로세스를 결합하는 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 블록체인 및 스마트 계약과 프로세스를 결합하는 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 블록체인 및 스마트 계약과 프로세스를 결합하는 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화하게 하는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 블록체인 및 스마트 계약과 프로세스를 결합하기 위한 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 프로세스를 블록체인 및 스마트 계약과 결합하는 제조 시설을 갖고, 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖고, 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖고 fused Deposition Modeling (FDM)™ 일명 Fused Filament Fabrication™를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖고 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖고, 레이저가 응고되는 난연성 플라스틱 분말을 용융시키는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖고 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 제조 시설을 갖고 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖고, 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖고 초박층에서 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖고, 전자 빔 용접을 사용하는 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖고, 분말화된 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿에서 적층 제조 노드를 네트워킹하는 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화시키는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하기 위한 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 조정된 동작을 위해 메시 및/또는 플릿 내의 적층 제조 노드를 네트워킹하는 제조 시설을 갖고 회전식 축조 테이블 증착 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음에 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, fused Deposition Modeling (FDM)™ 일명 Fused Filament Fabrication™를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 선택적 레이저 용융(SLM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착하고 이어서 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 레이저가 응고될 난연성 플라스틱 분말을 용융시키는 선택적 레이저 소결(SLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 직접 금속 레이저 소결(DMLS)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 융합 증착 모델링(FDM)을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착되고 이어서 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 금속 압출 기능을 가지며, 여기서, 폴리머로 구성되고 금속 분말이 많이 함유된 필라멘트 또는 로드가 노즐(FDM에서와 같이)을 통해 압출되어 "미가공" 부품을 형성하고, 이를 후처리(탈결합 및 소결)하여 완전 금속 부품을 생성한다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착하고 이어서 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고 분말의 층 상에 액체 결합제를 도포하기 위해 프린트-헤드를 사용하는 금속 결합제 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착하고 이어서 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고 초박층의 잉크젯 노즐로부터 금속 나노입자의 분사를 사용하는 나노입자 분사 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 전자 빔 용접을 사용하는 전자 빔 자유형 제조(EBFFF)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 분말형 재료의 열 프린트헤드 가열 층을 사용하여 열가소성이 되게 하는 선택적 열 소결 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 액체 UV 경화성 광중합체의 수지를 경화시키기 위해 UV 레이저를 사용하는 스테레오-리소그래피(SLA)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 객체의 단면의 이미지를 이미지 영역을 선택적으로 경화시키는 소정량의 광중합체(광 반응성 플라스틱)에 투영하는 디지털 광 처리(DLP)를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착하고 이어서 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 광이 시간 경과에 따라 변화하는 영역에서 폴리머를 경화하게 하는 광 중합 기능을 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착하고 이어서 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고 액체/콜로이드 결합제를 분말형 재료의 층에 전달하는 잉크젯 타입 프린트헤드를 갖는다.
실시예에서, 적층 제조 관리 플랫폼이 본 출원에 제공되고, 이는 기계에 부착한 다음 대체물 상에 직접 프린팅할 수 있는 로봇을 사용하는 제조 시설을 갖고, 회전식 축조 테이블 증착 기능을 갖는다.
결론(CONCLUSION)
배경 설명은 단순히 맥락을 위해 제시되며, 반드시 잘 알려져 있거나, 일상적이거나, 또는 종래의 것인 것은 아니다. 또한, 배경 설명은 무엇이 선행 기술로서 자격이 있는지 또는 그렇지 않은지를 인정하는 것이 아니다. 실제로, 배경 설명의 일부 또는 전부는 본 기술분야에서 달리 알려지지 않은, 명명된 발명자의 연구일 수 있다.
요소 사이의(예를 들어, 모듈, 회로 요소, 반도체 층 등 사이의) 물리적(예컨대, 공간적 및/또는 전기적) 및 기능적 관계는 다양한 용어들을 사용하여 설명된다. "직접"인 것으로 명시적으로 설명되지 않는 한, 제1 요소와 제2 요소 사이의 관계가 설명될 때, 그 관계는 (i) 제1 요소와 제2 요소 사이에 다른 개재 요소가 존재하지 않는 직접 관계 및 (ii) 제1 요소와 제2 요소 사이에 하나 이상의 개재 요소가 존재하는 간접 관계 둘 모두를 포함한다. 예시적인 관계 용어는 "붙어있는", "송신", "수신", "연결", "관여", "결합", "인접한", "옆에", "위에", "위쪽에", "아래에", "접하는" 및 "배치된"을 포함한다.
상세한 설명은 단지 예시를 위한 특정 예를 포함하고, 본 개시 또는 그 적용가능성을 제한하지 않는다. 예들은 완전한 나열을 의도하는 것이 아니며, 대신에 단순히 현재 제시된 및 고려되는 미래의 청구범위의 전체 범주가 발명자의 소유임을 입증하고자 하는 것이다. 예들의 변형, 조합 및 등가물은 본 개시의 범위 내에 있다. 본 명세서의 어떠한 언어도 임의의 청구되지 않은 요소가 본 개시의 실시에 필수적이거나 임계적이라는 것을 나타내는 것으로 해석되어서는 안 된다.
용어 "예시적인"은 단순히 "예"를 의미하며 최상의 또는 바람직한 예를 나타내지 않는다. "세트"라는 용어는 반드시 공집합을 배제하는 것은 아니며, 즉, 일부 상황에서 "세트"는 제로 요소를 가질 수 있다. "비어 있지 않은 세트"라는 용어가 공집합의 배제를 나타내기 위해 사용될 수 있는데, 즉, 비어 있지 않은 세트는 하나 이상의 요소를 가져야 한다. "서브세트"라는 용어는 반드시 진부분집합을 요구하는 것은 아니다. 즉, 제1 세트의 "서브세트"는 제1 세트와 동일한 공간에 걸쳐 있을 수 있다. 또한, "서브세트"라는 용어는 일부 상황에서 공집합을 반드시 배제하지는 않으며, "서브세트"는 제로 요소를 가질 수 있다.
"A, B, 및 C 중 적어도 하나"라는 문구는 비배타적 논리 OR을 사용하는 논리 (A 또는 B 또는 C)를 의미하는 것으로 해석되어야 하고, "적어도 하나의 A, 적어도 하나의 B, 및 적어도 하나의 C"를 의미하는 것으로 해석되어서는 안 된다. 본 개시 및 청구범위를 설명하는 맥락에서 단수 용어 및 유사한 지시대상의 사용은, 명시적으로 또는 문맥에 의해 모순되지 않는 한, 단수 및 복수 둘 모두를 포함한다. 달리 명시되지 않는 한, 용어 "포함하는(comprising)", "갖는(having)", "구비한(with)", "내포하는(including)", 및 "함유하는(containing)", 및 이들의 변형은 "포함하지만, 이에 제한되지 않는(including, but not limited to)"을 의미하는 개방형 용어들이다.
외국 및 국내 특허 출원 및 특허를 포함하여 본 개시에서 참조된 각각의 간행물은 그 전문이 본 출원에 참조로 포함된다.
실시예 각각이 특정 특징을 갖는 것으로 위에서 설명되었지만, 본 개시의 임의의 실시예와 관련하여 설명된 그러한 특징 중 임의의 하나 이상은, 그 조합이 명시적으로 설명되지 않더라도, 다른 실시예 중 임의의 것의 특징에서 구현되고/거나 그와 조합될 수 있다. 즉, 설명된 실시예는 상호 배타적이지 않고, 다수의 실시예의 치환은 본 개시의 범위 내에 남아 있다.
하나 이상의 요소(예를 들어, 방법 내의 단계, 명령어, 액션, 또는 동작)는 본 개시의 원리를 변경하지 않고 상이한 순서로(및/또는 동시에) 실행될 수 있다. 기술적으로 실행 불가능하지 않은 한, 직렬적인 것으로 설명된 요소는 부분적으로 또는 완전히 병렬로 구현될 수 있다. 유사하게, 기술적으로 실행 불가능하지 않는 한, 병렬적인 것으로 설명된 요소는 부분적으로 또는 완전히 직렬로 구현될 수 있다.
본 개시는 청구된 요소에 대응하는 구조를 설명하지만, 그러한 요소는 "하기 위한 수단"이라는 기재를 명시적으로 사용하지 않는 한 반드시 기능식 청구항의 해석을 호출하는 것은 아니다. 달리 나타내지 않는 한, 값의 범위의 언급은 단지 범위 내에 속하는 각각의 개별 값을 개별적으로 지칭하는 것의 약칭 방식으로서의 역할을 하는 것으로 의도되며, 각각의 개별 값은 개별적으로 언급된 것처럼 본 명세서에 포함된다.
도면은 본 개시의 요소를 상이한 기능 블록 또는 액션 블록으로 분할하지만, 이러한 분할은 단지 예시를 위한 것이다. 본 개시의 원리에 따르면, 기능성은 다수의 개별적으로 도시된 블록으로부터의 일부 또는 모든 기능성이 단일 기능 블록에서 구현될 수 있도록 다른 방식으로 조합될 수 있고; 유사하게, 단일 블록에 표시된 기능성은 다수의 블록으로 분리될 수 있다. 상호 배타적인 것으로 명시적으로 언급되지 않는 한, 상이한 도면에 도시된 특징은 본 개시의 원리와 일치하게 조합될 수 있다.
도면에서, 참조 번호는 동일한 요소를 식별하기 위해 재사용될 수 있거나 또는 유사한 기능성을 구현하는 요소를 간단히 식별할 수 있다. 명령어 또는 방법 단계의 넘버링 또는 다른 라벨링은 고정된 순서를 표시하는 것이 아니라 편리한 참조를 위해 이루어진 것이다. 도면에서, 화살표 머리에 의해 표시된 바와 같은 화살표의 방향은 일반적으로 예시에 유관한 (데이터 또는 명령어와 같은) 정보의 흐름을 보여준다. 예를 들어, 요소 A와 요소 B가 다양한 정보를 교환하지만 요소 A로부터 요소 B로 송신된 정보가 예시와 관련될 때, 화살표는 요소 A로부터 요소 B를 가리킬 수 있다. 이 단방향 화살표는 다른 정보가 요소 B로부터 요소 A로 송신되지 않는다는 것을 암시하지는 않는다. 단지 하나의 예로서, 요소 A로부터 요소 B로 전송된 정보에 대해, 요소 B는 요청 및/또는 확인응답을 요소 A로 전송할 수 있다.
특수 목적 시스템은 하드웨어 및/또는 소프트웨어를 포함하고, 장치, 방법, 또는 컴퓨터 판독가능 매체의 관점에서 설명될 수 있다. 다양한 실시예에서, 기능성은 소프트웨어와 하드웨어 사이에 상이하게 할당될 수 있다. 예를 들어, 일부 기능은 일 실시예에서 하드웨어에 의해 그리고 다른 실시예에서 소프트웨어에 의해 구현될 수 있다. 또한, 소프트웨어는 하드웨어 구조에 의해 인코딩될 수 있고, 하드웨어는 소프트웨어 정의 네트워킹 또는 소프트웨어 정의 라디오에서와 같이 소프트웨어에 의해 정의될 수 있다.
청구범위를 포함하는 본 출원에서, 모듈이라는 용어는 특수 목적 시스템을 지칭한다. 모듈은 하나 이상의 특수 목적 시스템에 의해 구현될 수 있다. 하나 이상의 특수 목적 시스템은 또한 다른 모듈의 일부 또는 전부를 구현할 수 있다. 청구범위를 포함하는 본 출원에서, 모듈이라는 용어는 제어기 또는 회로라는 용어로 대체될 수 있다. 청구범위를 포함하는 본 출원에서, 플랫폼이라는 용어는 기능의 세트를 제공하는 하나 이상의 모듈을 지칭한다. 청구범위를 포함하는 본 출원에서, 시스템이라는 용어는 모듈 또는 특수 목적 시스템이라는 용어와 상호교환가능하게 사용될 수 있다.
특수 목적 시스템은 운영자에 의해 지시되거나 제어될 수 있다. 특수 목적 시스템은 운영자에 의해 소유된 자산, 운영자에 의해 임대된 자산, 및 제3자 자산 중 하나 이상에 의해 호스팅될 수 있다. 자산은 사설, 커뮤니티, 또는 하이브리드 클라우드 컴퓨팅 네트워크 또는 클라우드 컴퓨팅 환경이라고 지칭될 수 있다. 예를 들어, 특수 목적 시스템은 SaaS(software as a service), PaaS(platform as a service), 및/또는 IaaS(infrastructure as a service)를 제공하는 제3자에 의해 부분적으로 또는 완전히 호스팅될 수 있다. 특수 목적 시스템은 애자일(agile) DevOps(agile development and operations) 원리를 사용하여 구현될 수 있다. 실시예에서, 특수 목적 시스템의 일부 또는 전부는 다중 환경 아키텍처로 구현될 수 있다. 예를 들어, 다중 환경은 하나 이상의 생산 환경, 하나 이상의 통합 환경, 하나 이상의 개발 환경 등을 포함할 수 있다.
특수 목적 시스템은 모바일 디바이스를 사용하여 또는 모바일 디바이스에 의해 부분적으로 또는 완전히 구현될 수 있다. 모바일 디바이스의 예는 내비게이션 디바이스, 셀 폰, 스마트폰, 모바일 전화, 모바일 개인 휴대 정보 단말기, 팜톱, 넷북, 페이저, 전자 책 리더, 태블릿, 음악 플레이어들 등을 포함한다. 특수 목적 시스템은 네트워크 디바이스를 사용하여 또는 네트워크 디바이스에 의해 부분적으로 또는 완전히 구현될 수 있다. 네트워크 디바이스의 예는 스위치, 라우터, 방화벽, 게이트웨이들, 허브, 기지국, 액세스 포인트, 중계기, 헤드-엔드, 사용자 장비, 셀 사이트, 안테나, 타워 등을 포함한다.
특수 목적 시스템은 다양한 폼 팩터 및 다른 특성을 갖는 컴퓨터를 사용하여 부분적으로 또는 완전히 구현될 수 있다. 예를 들어, 컴퓨터는 개인용 컴퓨터, 서버 등으로서 특징지어질 수 있다. 컴퓨터는 랩톱, 넷북 등의 경우에서와 같이 휴대용일 수 있다. 컴퓨터는 모니터, 라인 프린터, 액정 디스플레이(LCD), 발광 다이오드(LED) 등과 같은 임의의 출력 디바이스를 가질 수 있거나 갖지 않을 수 있다. 컴퓨터는 키보드, 마우스, 터치패드, 트랙패드, 컴퓨터 비전 시스템, 바코드 스캐너, 버튼 어레이 등과 같은 임의의 입력 디바이스를 가질 수 있거나 갖지 않을 수 있다. 컴퓨터는 Microsoft Corporation의 WINDOWS 운영 체제, Apple, Inc.의 MACOS 운영 체제, 또는 LINUX 운영 체제의 변형과 같은 범용 운영 체제를 실행할 수 있다. 서버의 예는 파일 서버, 프린트 서버, 도메인 서버, 인터넷 서버, 인트라넷 서버, 클라우드 서버, 서비스형 기반구조 서버, 서비스형 플랫폼 서버, 웹 서버, 보조 서버, 호스트 서버, 분산 서버, 페일오버 서버, 및 백업 서버를 포함한다.
하드웨어라는 용어는 처리 하드웨어, 저장 하드웨어, 네트워킹 하드웨어, 및 다른 범용 및 특수 목적 컴포넌트와 같은 컴포넌트를 포함한다. 이들은 상호 배타적인 카테고리가 아니라는 점에 유의한다. 예를 들어, 처리 하드웨어는 저장 하드웨어를 통합할 수 있고, 그 반대도 마찬가지이다.
컴포넌트의 예는 집적 회로(IC), 주문형 집적 회로(ASIC), 디지털 회로 요소, 아날로그 회로 요소, 조합 논리 회로, 필드 프로그램가능 게이트 어레이(FPGA)와 같은 게이트 어레이, 디지털 신호 프로세서(DSP), 복합 프로그램가능 로직 디바이스(CPLD) 등이다.
하드웨어의 다수의 컴포넌트는, 예컨대 단일 다이 상에, 단일 패키지 내에, 또는 단일 인쇄 회로 보드 또는 로직 보드 상에 통합될 수 있다. 예를 들어, 하드웨어의 다수의 컴포넌트는 시스템-온-칩으로서 구현될 수 있다. 컴포넌트, 또는 통합된 컴포넌트의 세트는 칩, 칩셋, 칩렛, 또는 칩 스택이라고 지칭될 수 있다. 시스템-온-칩의 예는 무선 주파수(RF) 시스템-온-칩, 인공 지능(AI) 시스템-온-칩, 비디오 처리 시스템-온-칩, 장기-온-칩, 양자 알고리즘 시스템-온-칩 등을 포함한다.
하드웨어는 센서로부터 신호를 통합 및/또는 수신할 수 있다. 센서는 온도, 압력, 마모, 광, 습도, 변형, 팽창, 수축, 편향, 굽힘, 응력, 변형, 하중-지지, 수축, 전력, 에너지, 질량, 위치, 온도, 습도, 압력, 점도, 액체 흐름, 화학물질/가스 존재, 사운드, 및 공기 품질을 포함하는 조건의 관찰 및 측정을 허용할 수 있다. 센서는, CCD(charge-coupled device) 또는 CMOS(complementary metal-oxide semiconductor) 센서와 같은, 가시 및/또는 비가시(예컨대, 열) 파장에서의 이미지 및/또는 비디오 포착을 포함할 수 있다.
처리 하드웨어의 예는 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 근사 컴퓨팅 프로세서, 양자 컴퓨팅 프로세서, 병렬 컴퓨팅 프로세서, 신경망 프로세서, 신호 프로세서, 디지털 프로세서, 데이터 프로세서, 임베디드 프로세서, 마이크로프로세서, 및 코프로세서를 포함한다. 코프로세서는 속도 또는 전력 소비를 위한 것과 같은 추가적인 처리 기능 및/또는 최적화를 제공할 수 있다. 코프로세서의 예는 수학 코프로세서, 그래픽 코프로세서, 통신 코프로세서, 비디오 코프로세서, 및 인공 지능(AI) 코프로세서를 포함한다.
프로세서는 다수의 스레드의 실행을 가능하게 할 수 있다. 이러한 다수의 스레드는 상이한 프로그램에 대응할 수 있다. 다양한 실시예에서, 단일 프로그램은 프로그래머에 의해 다수의 스레드로서 구현될 수 있거나 또는 처리 하드웨어에 의해 다수의 스레드로 분해될 수 있다. 스레드는 프로세서의 성능을 향상시키고 애플리케이션의 동시 동작을 용이하게 하기 위해 동시에 실행될 수 있다. 프로세서는 패키징된 반도체 다이로 구현될 수 있다. 다이는 하나 이상의 처리 코어를 포함하고, 캐시와 같은 추가적인 기능 블록을 포함할 수 있다. 다양한 실시예에서, 프로세서는 단일 패키지로 조합되거나 개별적으로 패키징될 수 있는 다수의 다이들에 의해 구현될 수 있다.
네트워킹 하드웨어는 하나 이상의 인터페이스 회로를 포함할 수 있다. 일부 예에서, 인터페이스 회로(들)는 하나 이상의 네트워크에 직접적으로 또는 간접적으로 연결하는 유선 또는 무선 인터페이스를 구현할 수 있다. 네트워크의 예는 셀룰러 네트워크, LAN(local area network), WPAN(wireless personal area network), MAN(metropolitan area network), 및/또는 WAN(wide area network)을 포함한다. 네트워크는 포인트-투-포인트 및 메시 기술 중 하나 이상을 포함할 수 있다. 네트워킹 컴포넌트에 의해 송신되거나 수신되는 데이터는 동일하거나 상이한 네트워크를 횡단할 수 있다. 네트워크는 MPLS(Multiprotocol Label Switching) 및 VPN(virtual private networks)과 같은 기술을 사용하여 WAN 또는 포인트-투-포인트 리스 라인을 통해 서로 연결될 수 있다.
셀룰러 네트워크의 예는 GSM, GPRS, 3G, 4G, 5G, LTE, 및 EVDO를 포함한다. 셀룰러 네트워크는 FDMA(frequency division multiple access) 네트워크 또는 CDMA(code division multiple access) 네트워크를 사용하여 구현될 수 있다. LAN의 예는 IEEE(Institute of Electrical and Electronics Engineers) 표준 802.11-2020(WIFI 무선 네트워킹 표준이라고도 알려짐) 및 IEEE 표준 802.3-2018(ETHERNET 유선 네트워킹 표준이라고도 알려짐)이다. WPAN의 예는 ZigBee Alliance로부터의 ZIGBEE 표준을 포함하는 IEEE 표준 802.15.4를 포함한다. WPAN의 다른 예는 블루투스 특수 관심 그룹(SIG)으로부터의 코어 사양 버전 3.0, 4.0, 4.1, 4.2, 5.0, 및 5.1을 포함하는 블루투스 무선 네트워킹 표준을 포함한다. WAN은 분산 통신 시스템(DCS)이라고도 지칭될 수 있다. WAN의 하나의 예는 인터넷이다.
저장 하드웨어는 컴퓨터 판독가능 매체이거나 이를 포함한다. 컴퓨터 판독가능 매체라는 용어는, 본 개시에서 사용되는 바와 같이, 동적 랜덤 액세스 메모리(DRAM)와 같은 비휘발성 저장소 및 휘발성 저장소 둘 모두를 포함한다. 컴퓨터 판독가능 매체라는 용어는 매체를 통해(예컨대, 반송파 상에서) 전파되는 일시적인 전기 또는 전자기 신호만을 배제한다. 따라서, 본 개시에서의 컴퓨터 판독가능 매체는 비일시적이고, 또한 유형적인 것으로 고려될 수 있다.
저장 하드웨어에 의해 구현되는 저장소의 예는 데이터베이스(예컨대 관계형 데이터베이스 또는 NoSQL 데이터베이스), 데이터 저장소, 데이터 레이크, 컬럼 저장소, 데이터 웨어하우스를 포함한다. 저장 하드웨어의 예는 비휘발성 메모리 디바이스, 휘발성 메모리 디바이스, 자기 저장 매체, SAN(storage area network), NAS(network-attached storage), 광학 저장 매체, (바코드 및 자기 잉크와 같은) 프린팅 매체, 및 (펀치 카드 및 종이 테이프와 같은) 종이 매체를 포함한다. 저장 하드웨어는 처리 하드웨어와 함께 배치되거나 통합될 수 있는 캐시 메모리를 포함할 수 있다. 저장 하드웨어는 판독 전용, 1회 기록, 또는 판독/기록 특성을 가질 수 있다. 저장 하드웨어는 랜덤 액세스 또는 순차적 액세스일 수 있다. 저장 하드웨어는 위치-어드레스가능, 파일-어드레스가능, 및/또는 콘텐츠-어드레스가능할 수 있다.
비휘발성 메모리 디바이스의 예는 (NAND 및 NOR 기술을 포함하는) 플래시 메모리, SSD(solid state drives), EEPROM(electrically erasable programmable read-only memory) 디바이스와 같은 소거가능 프로그램가능 판독 전용 메모리 디바이스, 및 ROM(mask read-only memory device)을 포함한다. 휘발성 메모리 디바이스의 예는 SRAM(static RAM), DRAM(dynamic RAM), SDRAM(synchronous DRAM), SGRAM(synchronous graphics RAM), 및 VRAM(video RAM)과 같은 프로세서 레지스터 및 RAM(random access memory)을 포함한다. 자기 저장 매체의 예는 아날로그 자기 테이프, 디지털 자기 테이프, 및 회전 하드 디스크 드라이브(HDD)를 포함한다. 광학 저장 매체의 예는 CD(예컨대, CD-R, CD-RW, 또는 CD-ROM), DVD, 블루-레이 디스크, 및 울트라 HD 블루-레이 디스크를 포함한다.
저장 하드웨어에 의해 구현되는 저장소의 예는 허가식 또는 비-허가식 블록체인과 같은 분산 원장을 포함한다. 블록체인에서와 같이 트랜잭션을 기록하는 엔티티는 지분 증명, 작업 증명, 및 저장 증명과 같은 알고리즘을 사용하여 합의에 도달할 수 있다. 본 개시의 요소는 대체불가능 토큰(NFT)에 의해 표현되거나 NFT로서 인코딩될 수 있다. 대체불가능 토큰과 관련된 소유권 권리는 분산 원장에 기록되거나 그에 의해 참조될 수 있다. 본 개시에 의해 개시되거나 그와 관련된 트랜잭션은 법정 화폐 및 암호화폐 중 하나 또는 둘 모두를 사용할 수 있으며, 그 예는 비트코인 및 에테르를 포함한다. 하드웨어의 일부 또는 모든 특징은 IEEE 표준 1364-2005(일반적으로 "Verilog"라고 지칭됨) 및 IEEE 표준 1076-2008(일반적으로 "VHDL"이라고 지칭됨)과 같은 하드웨어 기술을 위한 언어를 사용하여 정의될 수 있다. 하드웨어 기술 언어는 하드웨어를 제조 및/또는 프로그램하는 데 사용될 수 있다.
특수 목적 시스템은 다수의 상이한 소프트웨어 및 하드웨어 엔티티에 걸쳐 분산될 수 있다. 특수 목적 시스템 내의 그리고 특수 목적 시스템 사이의 통신은 네트워킹 하드웨어를 사용하여 수행될 수 있다. 분포는 실시예에 걸쳐 변할 수 있고 시간 경과에 따라 변할 수 있다. 예를 들어, 분포는 수요에 기초하여 달라질 수 있고, 더 높은 수요를 취급하기 위해 추가적인 하드웨어 및/또는 소프트웨어 엔티티가 호출된다. 다양한 실시예에서, 로드 밸런서는 특수 목적 시스템의 다수의 인스턴스화 중 하나에 요청을 지시할 수 있다. 하드웨어 및/또는 소프트웨어 엔티티는 물리적으로 구별될 수 있고/있거나 가상화된 환경에서와 같이 일부 하드웨어 및/또는 소프트웨어를 공유할 수 있다. 다수의 하드웨어 엔티티는 서버 랙, 서버 팜, 데이터 센터 등으로 지칭될 수 있다.
소프트웨어는 기계 판독가능 및/또는 실행가능한 명령어를 포함한다. 명령어는 프로그램, 코드, 방법, 단계, 액션, 루틴, 기능, 라이브러리, 객체, 클래스 등으로 논리적으로 그룹화될 수 있다. 소프트웨어는 저장 하드웨어에 의해 저장되거나 다른 하드웨어에 인코딩될 수 있다. 소프트웨어는 (i) HTML(hypertext markup language), XML(extensible markup language), 및 JSON(JavaScript Object Notation)과 같은 파싱될 서술적 텍스트, (ii) 어셈블리 코드, (iii) 컴파일러에 의해 소스 코드로부터 생성된 오브젝트 코드, (iv) 인터프리터에 의한 실행을 위한 소스 코드, (v) 바이트코드, (vi) 저스트-인-타임 컴파일러에 의한 컴파일 및 실행을 위한 소스 코드 등을 포함한다. 단지 예로서, 소스 코드는 C, C++, JavaScript, Java, Python, R 등을 포함하는 언어들로부터의 신택스를 사용하여 작성될 수 있다.
소프트웨어는 또한 데이터를 포함한다. 그러나, 데이터 및 명령어는 상호 배타적인 카테고리가 아니다. 다양한 실시예에서, 명령어는 하나 이상의 동작에서 데이터로서 사용될 수 있다. 다른 예로서, 명령어는 데이터로부터 도출될 수 있다. 본 개시에서의 기능 블록 및 흐름도 요소는 소프트웨어 사양으로서 역할을 하며, 이는 숙련된 기술자 또는 프로그래머의 일상적인 작업에 의해 소프트웨어로 변환될 수 있다. 소프트웨어는 펌웨어, 프로세서 마이크로코드, OS(operating system), BIOS(basic input/output system), API(application programming interfaces), DLL(dynamic-link libraries)과 같은 라이브러리, 디바이스 드라이버, 하이퍼바이저, 사용자 애플리케이션, 배경 서비스, 배경 애플리케이션 등을 포함하고/하거나 이들에 의존할 수 있다. 소프트웨어는 네이티브 애플리케이션 및 웹 애플리케이션을 포함한다. 예를 들어, 웹 애플리케이션은 HTML5(hypertext markup language 5th revision)를 사용하여 브라우저를 통해 디바이스에 서빙될 수 있다.
소프트웨어는 기계 학습 또는 다른 계산 지능을 포함할 수 있는 인공 지능 시스템을 포함할 수 있다. 예를 들어, 인공 지능은 하나 이상의 문제 도메인에 사용되는 하나 이상의 모델을 포함할 수 있다. 많은 데이터 특징이 제시될 때, 문제 도메인에 관련된 특징의 서브세트의 식별은 예측 정확도를 개선하고, 저장 공간을 감소시키고, 처리 속도를 증가시킬 수 있다. 이 식별은 특징 엔지니어링이라고 지칭될 수 있다. 특징 엔지니어링은 사용자에 의해 수행될 수 있거나 사용자에 의해서만 안내될 수 있다. 다양한 구현에서, 기계 학습 시스템은 출력에 대한 상이한 특징의 기여에 대해 특이값 분해를 수행하는 것과 같이, 관련 특징을 계산적으로 식별할 수 있다.
모델의 예는 LSTM(long short term memory)과 같은 RNN(recurrent neural networks), 트랜스포머, 결정 트리, 서포트-벡터 기계, 유전 알고리즘, 베이지안 네트워크, 및 회귀 분석과 같은 딥러닝 모델을 포함한다. 트랜스포머 모델에 기초한 시스템의 예는 트랜스포머(BERT) 및 생성적 사전 훈련 트랜스포머(GPT)로부터의 양방향 인코더 표현을 포함한다. 기계 학습 모델을 훈련시키는 것은 지도 학습(예를 들어, 라벨링된 입력 데이터에 기초함), 비지도 학습, 및 강화 학습을 포함할 수 있다. 다양한 실시예에서, 기계 학습 모델은 운영자에 의해 또는 제3자에 의해 사전 훈련될 수 있다. 문제 도메인은 구조화된 데이터가 수집될 수 있는 거의 모든 상황을 포함하고, 자연어 처리(NLP), 컴퓨터 비전(CV), 분류, 이미지 인식 등을 포함한다.
소프트웨어의 일부 또는 전부는 하드웨어 상에서 직접 실행되기보다는 가상 환경에서 실행될 수 있다. 가상 환경은 하이퍼바이저, 에뮬레이터, 샌드박스, 컨테이너 엔진 등을 포함할 수 있다. 소프트웨어는 가상 기계, 컨테이너 등으로서 구축될 수 있다. 가상화된 리소스는, 예를 들어, DOCKER 컨테이너 플랫폼, 피봇 클라우드 파운드리(PCF) 플랫폼 등을 사용하여 제어될 수 있다.
클라이언트-서버 모델에서, 소프트웨어의 일부는 서버로서 기능적으로 식별된 제1 하드웨어 상에서 실행되는 반면, 소프트웨어의 다른 것은 클라이언트로서 기능적으로 식별된 제2 하드웨어 상에서 실행된다. 클라이언트 및 서버의 아이덴티티는 고정되지 않는다: 일부 기능의 경우, 제1 하드웨어는 서버로서 작용할 수 있는 반면, 다른 기능의 경우, 제1 하드웨어는 클라이언트로서 작용할 수 있다. 상이한 실시예에서 그리고 상이한 시나리오에서, 기능성은 클라이언트와 서버 사이에서 시프트될 수 있다. 하나의 동적 예에서, 제2 하드웨어에 의해 정상적으로 수행되는 일부 기능성은 제2 하드웨어가 더 적은 능력을 가질 때 제1 하드웨어로 시프트된다. 다양한 실시예에서, 용어 "로컬"은 "클라이언트" 대신에 사용될 수 있고, 용어 "원격"은 "서버" 대신에 사용될 수 있다.
소프트웨어의 일부 또는 전부는 마이크로서비스로 논리적으로 파티셔닝될 수 있다. 각각의 마이크로서비스는 기능의 감소된 서브세트를 제공한다. 다양한 실시예에서, 각각의 마이크로서비스는, 마이크로서비스에 더 많은 리소스를 할애함으로써 또는 마이크로서비스의 더 많은 인스턴스를 인스턴스화함으로써, 부하에 의존하여 독립적으로 스케일링될 수 있다. 다양한 실시예에서, 하나 이상의 마이크로서비스에 의해 제공되는 기능성은 서로 및/또는 마이크로서비스 모델을 준수하지 않는 다른 소프트웨어와 조합될 수 있다.
소프트웨어의 일부 또는 전부는 논리적으로 계층으로 배열될 수 있다. 계층화된 아키텍처에서, 제2 계층은 제1 계층과 제3 계층 사이에 논리적으로 배치될 수 있다. 이어서, 제1 계층 및 제3 계층은 일반적으로 서로 상호작용하지 않고 제2 계층과 상호작용할 것이다. 다양한 실시예에서, 이는 엄격하게 시행되지 않는다- 즉, 일부 직접 통신이 제1 및 제3 계층 사이에서 발생할 수 있다.

Claims (219)

  1. 로봇 플릿 관리 플랫폼(robot fleet management platform)으로서,
    하나 이상의 각각의 지능 서비스에 의해 이루어진 결정에 적용되는 보안 표준, 법적 표준, 윤리적 표준, 규제 표준, 품질 표준, 또는 엔지니어링 표준 중 적어도 하나의 세트를 포함하는 거버넌스 표준의 세트를 정의하는 거버넌스 라이브러리(governance library)를 저장하는 데이터저장소의 세트; 및
    컴퓨터 판독가능 명령어들의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함하고, 상기 하나 이상의 프로세서의 세트는 총괄하여(collectively),
    각각의 지능 서비스 클라이언트로부터 수신된 지능 요청을 수신하고 이에 응답하는 거버넌스-인에이블링 지능 계층(governance-enabling intelligence layer)을 실행하고, 상기 지능 계층은,
    기계 학습 서비스, 규칙 기반 지능 서비스, 디지털 트윈 서비스(digital twin service), 로봇 프로세스 자동화 서비스, 또는 기계 비전 서비스 중 적어도 하나를 포함하는 인공 지능 서비스의 세트; 및
    상기 각각의 지능 서비스 클라이언트를 대신하여 각각의 지능 서비스의 수행 및 상기 거버넌스 표준의 세트에 부분적으로 기초하여 상기 각각의 지능 서비스에 대응하는 분석의 세트의 수행을 조정하는 지능 계층 제어기(intelligence layer controller)를 포함하고,
    상기 지능 계층은 상기 지능 요청에 응답하여 상기 인공 지능 서비스에 의해 총괄하여 결정된 결정을 반환(return)하여 상기 결정이 지능 서비스 데이터 소스의 세트 및 상기 분석의 세트에 기초하여 결정되게 하는, 플랫폼.
  2. 청구항 1에 있어서, 상기 지능 계층 제어기는,
    요청된 결정을 나타내는 지능 서비스 클라이언트로부터의 지능 요청을 수신하고;
    상기 요청된 결정의 타입에 의해 결부(implicate)되는 0개 이상의 거버넌스 표준을 결정하고- 상기 0개 이상의 거버넌스 표준은 상기 거버넌스 라이브러리에 정의된 상기 거버넌스 표준 중에서 선택됨 -;
    상기 요청된 결정의 타입에 의해 또는 상기 결정의 타입에 의해 결부된 거버넌스 표준에 의해 결부된 0개 이상의 미리 정의된 분석을 결정하고;
    상기 0개 이상의 거버넌스 표준 및 상기 0개 이상의 미리 정의된 분석을 상기 인공 지능 서비스에 제공하도록 구성된, 플랫폼.
  3. 청구항 2에 있어서, 상기 지능 계층 제어기는 상기 요청된 결정이 상기 인공 지능 서비스에 의해 제공될 때까지 상기 인공 지능 서비스에 의해 이루어진 결정에 응답하여 추가적인 거버넌스 표준 및 미리 정의된 분석을 반복적으로 결정하고 상기 인공 지능 서비스에 제공하도록 추가로 구성된, 플랫폼.
  4. 청구항 2에 있어서, 상기 지능 계층은 상기 요청된 결정의 타입(type)에 기초하여 상기 지능 계층 데이터 소스의 세트를 결정하도록 추가로 구성된, 플랫폼.
  5. 청구항 2에 있어서, 요청 지능 서비스 클라이언트는 상기 요청을 상기 지능 계층 데이터 소스의 세트에 제공하는, 플랫폼.
  6. 청구항 1에 있어서, 상기 지능 계층에 의해 제공되는 결정은 상기 각각의 지능 서비스 클라이언트에 의해 취해질 각각의 액션(action)을 정의하는, 플랫폼.
  7. 청구항 6에 있어서, 상기 각각의 액션은 인간 개입을 요청하는 액션을 포함하는, 플랫폼.
  8. 청구항 6에 있어서, 상기 각각의 액션은 비적응적 미리 정의된 액션을 포함하는, 플랫폼.
  9. 청구항 6에 있어서, 상기 각각의 액션은 상기 각각의 요청에 응답하는 도메인-특정 액션을 포함하는, 플랫폼.
  10. 청구항 1에 있어서, 상기 지능 서비스 클라이언트는 잠재적인 보안 위험의 분류를 요청하는 보안 시스템을 포함하는, 플랫폼.
  11. 청구항 1에 있어서, 상기 지능 서비스 클라이언트는 로봇 플릿을 지원하기 위한 리소스에 대한 추천을 요청하는 리소스 프로비저닝 시스템(resource provisioning system)을 포함하는, 플랫폼.
  12. 청구항 1에 있어서, 상기 지능 서비스 클라이언트는 하나 이상의 로봇 플릿에 대한 물류 기반 추천을 요청하는 물류 시스템을 포함하는, 플랫폼.
  13. 청구항 1에 있어서, 상기 지능 서비스 클라이언트는 작업 요청이 주어지면 제안된 작업 구성을 요청하는 작업 구성 시스템을 포함하는, 플랫폼.
  14. 청구항 1에 있어서, 상기 지능 서비스 클라이언트는 로봇 플릿에 의해 완료될 태스크의 세트가 주어지면 제안된 플릿 구성을 요청하는 플릿 구성 시스템을 포함하는, 플랫폼.
  15. 청구항 1에 있어서, 상기 지능 서비스 클라이언트는 상기 로봇 플릿 관리 플랫폼에 의해 배치된 로봇 운영 편성 단위(robot operating unit)를 포함하는, 플랫폼.
  16. 로봇 플릿 리소스를 구성하기 위한 로봇 플릿 관리 플랫폼으로서, 상기 플랫폼은,
    컴퓨터 판독가능 명령어들의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함하고, 상기 하나 이상의 프로세서의 세트는 총괄하여,
    로봇 자동화에 적합한 부분을 식별하기 위해 작업 요청과 연관하여 수신된 작업 콘텐츠에 필터의 세트를 적용하는 작업 파싱 시스템;
    적어도 로봇의 타입 및 태스크 목표를 각각 정의하는 로봇 태스크의 세트를 확립하는 태스크 정의 시스템- 상기 로봇 태스크의 세트는 로봇 자동화에 적합하고 플릿 목표의 세트 중 제1 플릿 목표를 만족시키는 상기 작업 요청의 부분에 적어도 부분적으로 기초함 -;
    태스크 연합(task association)의 세트 및 로봇 적응 명령어의 세트를 정의하는 상기 작업 요청에 대한 플릿 리소스 구성 데이터 구조를 생성하기 위해 상기 작업 요청에 관련된 상기 로봇 태스크의 세트 및 추가적인 작업 콘텐츠를 처리하는 플릿 구성 프록시 서비스- 각각의 태스크 연합은 적어도 하나의 로봇 운영 편성 단위를 상기 로봇 태스크의 세트의 각각의 로봇 태스크에 연관시키고, 상기 로봇 적응 명령어의 세트는 로봇 플릿의 하나 이상의 로봇 운영 편성 단위가 로봇이 할당되는 각각의 태스크를 수행하도록 적응되는 방식을 정의함 -;
    적어도 하나의 추천된 로봇 태스크 및 로봇 태스크의 작업흐름(workflow)에서 로봇 선택 및 태스크 순서화를 용이하게 하는 연관된 상황 정보를 생성하기 위해 지능 서비스의 세트를 활성화하는 플릿 지능 계층(fleet intelligence layer);
    상기 플릿 리소스 구성 데이터 구조 및 상기 로봇 태스크의 세트에 기초하여 상기 로봇 태스크의 수행 순서를 정의하는 작업흐름을 생성하는 작업 작업흐름 시스템(job workflow system);
    상기 작업흐름 및 작업 실행 시뮬레이션 환경에 기초하여 상기 작업의 수행을 시뮬레이션하도록 구성된 작업흐름 시뮬레이션 시스템- 상기 작업흐름 시뮬레이션 시스템은 시뮬레이션 결과를 생성하기 위해 상기 로봇 플릿에 할당된 상기 로봇 운영 편성 단위의 디지털 모델 및 상기 태스크 정의의 디지털 모델을 포함하는 상기 작업 실행 시뮬레이션 환경에서 상기 작업흐름을 적용하여, 상기 시뮬레이션 결과가 상기 작업 요청에 대응하는 상기 플릿 목표의 세트 중 제2 플릿 목표를 만족시킬 때까지 상기 시뮬레이션 결과가 상기 태스크의 세트, 상기 플릿 리소스 구성 데이터 구조, 또는 상기 작업흐름 중 하나 이상을 반복적으로 재정의하는 데 사용되게 함 -; 및
    상기 시뮬레이션 결과가 상기 플릿 목표의 세트를 만족시키는 것에 응답하여, 상기 태스크의 세트, 상기 플릿 리소스 구성 데이터 구조, 및 상기 작업흐름에 기초하여 작업 실행 계획을 생성하는 작업 실행 계획 생성기(job execution plan generator)를 실행하는, 로봇 플릿 관리 플랫폼.
  17. 청구항 16에 있어서, 상기 태스크 정의 시스템은 제2 플릿 목표를 만족시키는 대안 태스크를 제안하기 위해 상기 지능 계층과 상호작용하는, 로봇 플릿 관리 플랫폼.
  18. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 제1 플릿 목표에 기초하여 로봇 타입 및 태스크 목표 중 적어도 하나를 최적화하기 위해 상기 지능 계층과 상호작용하는, 로봇 플릿 관리 플랫폼.
  19. 청구항 18에 있어서, 상기 제1 플릿 목표는 플릿 리소스 활용 기준을 포함하는, 로봇 플릿 관리 플랫폼.
  20. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 로봇 태스크를 수행할 때 사용하기 위한 특정 로봇 타입을 상기 플릿 구성 프록시 서비스로부터 수신하는, 로봇 플릿 관리 플랫폼.
  21. 청구항 20에 있어서, 상기 태스크 정의 시스템은 상기 플릿 구성 프록시 서비스에 의해 제공되는 상기 특정 로봇 타입에 기초하여 상기 로봇 태스크의 세트를 구성하는, 로봇 플릿 관리 플랫폼.
  22. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 태스크 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하고, 상기 데이터 구조는 상기 태스크 및 상기 작업흐름 시뮬레이션 시스템에 의한 사용을 위해 상기 태스크를 수행하기 위한 적어도 하나의 로봇 운영 편성 단위 및 상기 태스크 중 적어도 하나를 위한 디지털 트윈에 대한 조회(reference)를 포함하는, 로봇 플릿 관리 플랫폼.
  23. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 태스크의 세트 내의 각각의 태스크에 대해 데이터 구조를 생성하고, 상기 데이터 구조는 상기 태스크를 수행하기 위한 로봇 타입과 로봇 운영 편성 단위 및 상기 태스크를 수행하기 위한 로봇을 구성하기 위한 구성 데이터 구조 중 적어도 하나를 식별하는, 로봇 플릿 관리 플랫폼.
  24. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하고, 상기 작업 요청을 나타내는 정보 및 상기 로봇 타입 및 상기 로봇 운영 편성 단위 중 적어도 하나의 식별자에 의해 인덱싱(index)되는 로봇 태스크의 라이브러리에 상기 데이터 구조를 저장하는, 로봇 플릿 관리 플랫폼.
  25. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 태스크 목표를 만족시키기 위한 로봇의 타입을 식별할 때 상기 작업 요청에서 식별된 제약에 대한 요건을 로봇 능력과 매칭시키는, 로봇 플릿 관리 플랫폼.
  26. 청구항 16에 있어서, 상기 태스크 정의 시스템은 태스크 목표를 달성하기 위해 복수의 상이한 로봇 타입에 대한 복수의 로봇 태스크를 생성하는, 로봇 플릿 관리 플랫폼.
  27. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 상기 적어도 하나의 플릿 목표에 기초하여 상기 후보 로봇 태스크로부터 로봇 태스크를 선택하기 위해 상기 플릿 구성 프록시 서비스와 상호작용하는, 로봇 플릿 관리 플랫폼.
  28. 청구항 27에 있어서, 상기 적어도 하나의 플릿 목표는 이용가능한 로봇 운영 편성 단위와 양립 가능한(compatibility), 로봇 플릿 관리 플랫폼.
  29. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 상기 태스크 목표를 달성하기 위한 상기 후보 로봇 태스크의 적합성에 기초하여 상기 후보 로봇 태스크로부터 로봇 태스크를 선택하기 위해 상기 플릿 지능 계층과 상호작용하는, 로봇 플릿 관리 플랫폼.
  30. 청구항 16에 있어서, 상기 태스크 정의 시스템은 상기 태스크의 세트를 정의할 때 태스크를 감지하는 바람직한 시퀀스를 나타내는 센서 검출 패키지를 설명하는 정보를 조회(reference)하는, 로봇 플릿 관리 플랫폼.
  31. 청구항 16에 있어서, 상기 작업 작업흐름 시스템은 로봇 태스크의 작업흐름을 정의할 때 태스크를 감지하는 바람직한 시퀀스를 표시하는 센서 검출 패키지를 설명하는 정보를 조회하는, 로봇 플릿 관리 플랫폼.
  32. 청구항 16에 있어서, 상기 작업 작업흐름 시스템은 제2 태스크의 목표를 만족시키기 위한 제1 태스크에 대한 상기 제2 태스크 의존성에 기초하여 로봇 태스크의 작업흐름을 생성하는, 로봇 플릿 관리 플랫폼.
  33. 청구항 16에 있어서, 상기 작업 작업흐름 시뮬레이션 시스템은 태스크의 최적화된 작업흐름 순서를 결정하기 위해 상기 태스크의 세트 내의 태스크의 디지털 트윈을 동작시키는, 로봇 플릿 관리 플랫폼.
  34. 로봇 플릿 리소스를 구성하기 위한 로봇 플릿 관리 플랫폼으로서, 상기 플랫폼은.
    컴퓨터 판독가능 명령어들의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함하고, 상기 하나 이상의 프로세서의 세트는 총괄하여,
    작업 요청을 수신하고, 상기 작업 요청과 연관된 작업 콘텐츠 및 플릿 목표의 세트 내의 적어도 하나의 플릿 목표에 기초하여 로봇 플릿에 의해 수행될 로봇 태스크의 세트를 결정하는 작업 구성 시스템;
    상기 작업 요청에 대한 플릿 리소스 구성 데이터 구조를 생성하기 위해 상기 로봇 태스크의 세트 및 상기 작업 콘텐츠에 플릿 구성 서비스를 적용하는 플릿 구성 프록시 서비스;
    적어도 하나의 추천된 로봇 태스크 및 로봇 태스크의 작업흐름에서 로봇 선택 및 태스크 순서화를 용이하게 하는 연관된 상황 정보를 생성하기 위해 지능 서비스의 세트를 활성화하는 플릿 지능 계층;
    상기 플릿 리소스 구성 데이터 구조 및 상기 로봇 태스크의 세트에 기초하여 상기 로봇 태스크의 수행 순서를 정의하는 작업흐름을 생성하는 작업 작업흐름 시스템;
    상기 작업흐름 및 작업 실행 시뮬레이션 환경에 기초하여 상기 작업의 수행을 시뮬레이션하여, 상기 시뮬레이션 결과가 상기 작업 요청에 대응하는 상기 플릿 목표의 세트 중 제2 플릿 목표를 만족시킬 때까지 상기 태스크의 세트, 상기 플릿 리소스 구성 데이터 구조, 또는 상기 작업흐름 중 하나 이상을 재귀적으로 재정의하기 위해 사용되는 시뮬레이션 결과를 생성하도록 구성되는 작업흐름 시뮬레이션 시스템; 및
    상기 시뮬레이션 결과가 상기 플릿 목표의 세트를 만족시키는 것에 응답하여, 상기 태스크의 세트, 상기 플릿 리소스 구성 데이터 구조, 및 상기 작업흐름에 기초하여 작업 실행 계획을 생성하는 작업 실행 계획 생성기를 실행하는, 로봇 플릿 관리 플랫폼.
  35. 청구항 34에 있어서, 상기 작업 구성 시스템은 로봇 자동화에 적합한 부분을 식별하기 위해 작업 요청과 연관하여 수신된 작업 콘텐츠에 콘텐츠 및 구조 필터를 적용하는 작업 파싱 시스템을 포함하는, 로봇 플릿 관리 플랫폼.
  36. 청구항 35에 있어서, 상기 작업 구성 시스템은 적어도 로봇의 타입 및 태스크 목표를 각각 정의하는 로봇 태스크의 세트를 확립하는 태스크 정의 시스템을 포함하고, 상기 로봇 태스크의 세트는 로봇 자동화에 적합하고 상기 플릿 목표의 세트 중 제1 플릿 목표를 만족시키는 상기 작업 요청의 부분에 적어도 부분적으로 기초하는, 로봇 플릿 관리 플랫폼.
  37. 청구항 34에 있어서, 상기 플릿 리소스 구성 데이터 구조는 태스크 연합의 세트 및 로봇 적응 명령어의 세트를 정의하고, 각각의 태스크 연합은 적어도 하나의 로봇 운영 편성 단위를 상기 로봇 태스크의 세트의 각각의 로봇 태스크에 연관시키고, 상기 로봇 적응 명령어의 세트는 로봇 플릿의 하나 이상의 로봇 운영 편성 단위가 상기 로봇이 할당되는 각각의 태스크를 수행하도록 적응되는 방식을 정의하는, 로봇 플릿 관리 플랫폼.
  38. 청구항 34에 있어서, 상기 작업흐름 시뮬레이션 시스템은 상기 시뮬레이션 결과를 생성하기 위해 상기 로봇 플릿에 할당된 상기 로봇 운영 편성 단위의 디지털 모델 및 상기 태스크 정의의 디지털 모델을 포함하는 상기 작업 실행 시뮬레이션 환경에서 상기 작업흐름을 적용하는, 로봇 플릿 관리 플랫폼.
  39. 청구항 34에 있어서, 상기 작업 구성 시스템은 제2 플릿 목표를 만족시키는 대안 태스크를 제안하기 위해 상기 지능 계층과 상호작용하는, 로봇 플릿 관리 플랫폼.
  40. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 플릿 목표의 세트 중 적어도 하나에 기초하여 로봇 타입 및 태스크 목표 중 적어도 하나를 최적화하기 위해 상기 지능 계층과 상호작용하는, 로봇 플릿 관리 플랫폼.
  41. 청구항 40에 있어서, 상기 제1 플릿 목표는 플릿 리소스 활용 기준을 포함하는, 로봇 플릿 관리 플랫폼.
  42. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 로봇 태스크를 수행할 때 사용하기 위한 특정 로봇 타입을 상기 플릿 구성 프록시 서비스로부터 수신하는, 로봇 플릿 관리 플랫폼.
  43. 청구항 42에 있어서, 상기 작업 구성 시스템은 상기 플릿 구성 프록시 서비스에 의해 제공되는 상기 특정 로봇 타입에 기초하여 상기 로봇 태스크의 세트를 구성하는, 로봇 플릿 관리 플랫폼.
  44. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 태스크 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하고, 상기 데이터 구조는 상기 태스크 및 상기 작업흐름 시뮬레이션 시스템에 의한 사용을 위해 상기 태스크를 수행하기 위한 적어도 하나의 로봇 운영 편성 단위 및 상기 태스크 중 적어도 하나를 위한 디지털 트윈에 대한 조회를 포함하는, 로봇 플릿 관리 플랫폼.
  45. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 태스크의 세트 내의 각각의 태스크에 대해 데이터 구조를 생성하고, 상기 데이터 구조는 상기 태스크를 수행하기 위한 로봇 타입과 로봇 운영 편성 단위 및 상기 태스크를 수행하기 위한 로봇을 구성하기 위한 구성 데이터 구조 중 적어도 하나를 식별하는, 로봇 플릿 관리 플랫폼.
  46. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하고, 상기 작업 요청을 나타내는 정보 및 상기 로봇 타입 및 상기 로봇 운영 편성 단위 중 적어도 하나의 식별자에 의해 인덱싱되는 로봇 태스크의 라이브러리에 상기 데이터 구조를 저장하는, 로봇 플릿 관리 플랫폼.
  47. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 태스크 목표를 만족시키기 위한 로봇의 타입을 식별할 때 상기 작업 요청에서 식별된 제약에 대한 요건을 로봇 능력과 매칭시키는, 로봇 플릿 관리 플랫폼.
  48. 청구항 34에 있어서, 상기 작업 구성 시스템은 태스크 목표를 달성하기 위해 복수의 상이한 로봇 타입에 대한 복수의 로봇 태스크를 생성하는, 로봇 플릿 관리 플랫폼.
  49. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 상기 적어도 하나의 플릿 목표에 기초하여 상기 후보 로봇 태스크로부터 로봇 태스크를 선택하기 위해 상기 플릿 구성 프록시 서비스와 상호작용하는, 로봇 플릿 관리 플랫폼.
  50. 청구항 49에 있어서, 상기 적어도 하나의 플릿 목표는 이용가능한 로봇 운영 편성 단위와 양립 가능한, 로봇 플릿 관리 플랫폼.
  51. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 상기 태스크 목표를 달성하기 위한 상기 후보 로봇 태스크의 적합성에 기초하여 상기 후보 로봇 태스크로부터 로봇 태스크를 선택하기 위해 상기 플릿 지능 계층과 상호작용하는, 로봇 플릿 관리 플랫폼.
  52. 청구항 34에 있어서, 상기 작업 구성 시스템은 상기 태스크의 세트를 정의할 때 태스크를 감지하는 바람직한 시퀀스를 나타내는 센서 검출 패키지를 설명하는 정보를 조회하는, 로봇 플릿 관리 플랫폼.
  53. 청구항 34에 있어서, 상기 작업 작업흐름 시스템은 로봇 태스크의 작업흐름을 정의할 때 태스크를 감지하는 바람직한 시퀀스를 표시하는 센서 검출 패키지를 설명하는 정보를 조회하는, 로봇 플릿 관리 플랫폼.
  54. 청구항 34에 있어서, 상기 작업 작업흐름 시스템은 제2 태스크의 목표를 만족시키기 위한 제1 태스크에 대한 상기 제2 태스크 의존성에 기초하여 로봇 태스크의 작업흐름을 생성하는, 로봇 플릿 관리 플랫폼.
  55. 청구항 34에 있어서, 상기 작업 작업흐름 시뮬레이션 시스템은 태스크의 최적화된 작업흐름 순서를 결정하기 위해 상기 태스크의 세트 내의 태스크의 디지털 트윈을 동작시키는, 로봇 플릿 관리 플랫폼.
  56. 로봇 플릿 관리 플랫폼으로서,
    컴퓨터 판독가능 명령어들의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함하고, 상기 하나 이상의 프로세서의 세트는 총괄하여,
    작업 배송 상품(job deliverable)을 설명하는 정보 및 상기 작업 배송 상품을 배달하기 위한 요청-특정 제약을 포함하는 작업 요청을 수신하는 것;
    로봇 자동화에 적합한 콘텐츠의 부분을 식별하기 위해 작업 요청과 연관하여 수신된 콘텐츠에 콘텐츠 및 구조 필터를 적용하는 것;
    적어도 로봇의 타입 및 태스크 목표를 각각 정의하는 로봇 태스크의 세트를 확립하는 것- 상기 로봇 태스크의 세트는 로봇 자동화에 적합하고 제1 플릿 목표를 만족시키는 상기 작업 요청의 부분에 적어도 부분적으로 기초함 -;
    상기 작업 콘텐츠 및 상기 로봇 태스크의 세트에 플릿 구성 서비스를 적용하여, 적어도 하나의 로봇 운영 편성 단위를 상기 태스크의 세트 내의 각각의 태스크와 연관시키고, 상기 적어도 하나의 로봇 운영 편성 단위에 기초하여, 상기 연관된 태스크를 수행하기 위한 로봇 적응 명령어를 생성하는 상기 작업 요청에 대한 플릿 리소스 구성 데이터 구조를 생성하는 것;
    플릿 지능 계층으로 로봇 태스크 및 로봇 태스크의 작업흐름에서 로봇 선택 및 태스크 순서화를 용이하게 하는 연관된 상황 정보를 추천하는 것;
    상기 플릿 리소스 구성 데이터 구조 및 상기 로봇 태스크의 세트에 기초하여 상기 로봇 태스크의 작업흐름을 생성하는 것;
    상기 태스크 정의의 디지털 모델을 수행하는 상기 로봇 운영 편성 단위의 디지털 모델을 시뮬레이션함으로써, 상기 로봇 태스크의 세트를 재귀적으로 확립하기 위해 상기 작업 실행 시뮬레이션의 결과를 제공하면서 상기 생성된 작업흐름을 검증하는 것; 및
    상기 플릿 리소스 구성 데이터 구조에서 구성된 로봇 플릿 리소스에 대한 실행 계획의 적어도 제1 부분을 생성하는 것을 실행하는, 로봇 플릿 관리 플랫폼.
  57. 청구항 56에 있어서, 상기 플릿 지능 계층으로 제2 플릿 목표를 만족시키는 대안 태스크를 제안하는 것을 더 포함하는, 로봇 플릿 관리 플랫폼.
  58. 청구항 56에 있어서, 상기 제1 플릿 목표에 기초하여 상기 지능 계층으로 로봇 타입 및 태스크 목표 중 적어도 하나를 최적화하는 것을 더 포함하는, 로봇 플릿 관리 플랫폼.
  59. 청구항 58에 있어서, 상기 제1 플릿 목표는 플릿 리소스 활용 기준을 포함하는, 로봇 플릿 관리 플랫폼.
  60. 청구항 56에 있어서, 상기 태스크 정의 시스템은 상기 로봇 태스크를 수행할 때 사용하기 위한 특정 로봇 타입을 상기 플릿 구성 프록시 서비스로부터 수신하는, 로봇 플릿 관리 플랫폼.
  61. 청구항 60에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 상기 플릿 구성 프록시 서비스에 의해 제공되는 상기 특정 로봇 타입에 기초하는, 로봇 플릿 관리 플랫폼.
  62. 청구항 56에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 상기 태스크 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하는 것을 포함하고, 상기 데이터 구조는 상기 태스크 및 상기 작업흐름 시뮬레이션 시스템에 의한 사용을 위해 상기 태스크를 수행하기 위한 적어도 하나의 로봇 운영 편성 단위 및 상기 태스크 중 적어도 하나를 위한 디지털 트윈에 대한 조회를 포함하는, 로봇 플릿 관리 플랫폼.
  63. 청구항 56에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 상기 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하는 것을 포함하고, 상기 데이터 구조는 상기 태스크를 수행하기 위한 로봇 타입과 로봇 운영 편성 단위 및 상기 태스크를 수행하기 위한 로봇을 구성하기 위한 구성 데이터 구조 중 적어도 하나를 식별하는, 로봇 플릿 관리 플랫폼.
  64. 청구항 56에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 상기 태스크의 세트 내의 각각의 태스크에 대한 데이터 구조를 생성하는 것을 포함하고, 상기 작업 요청을 나타내는 정보 및 상기 로봇 타입 및 상기 로봇 운영 편성 단위 중 적어도 하나의 식별자에 의해 인덱싱되는 로봇 태스크의 라이브러리에 상기 데이터 구조를 저장하는, 로봇 플릿 관리 플랫폼.
  65. 청구항 56에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 상기 태스크 목표를 만족시키기 위한 로봇의 타입을 식별할 때 상기 작업 요청에서 식별된 제약에 대한 요건을 로봇 능력과 매칭시키는 것을 포함하는, 로봇 플릿 관리 플랫폼.
  66. 청구항 56에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 태스크 목표를 달성하기 위해 복수의 상이한 로봇 타입에 대한 복수의 로봇 태스크를 생성하는 것을 포함하는, 로봇 플릿 관리 플랫폼.
  67. 청구항 56에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 상기 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 상기 플릿 구성 프록시 서비스와 상호작용하여 상기 적어도 하나의 플릿 목표에 기초하여 상기 후보 로봇 태스크로부터 로봇 태스크를 선택하는 것을 포함하는, 로봇 플릿 관리 플랫폼.
  68. 청구항 67에 있어서, 상기 적어도 하나의 플릿 목표는 이용가능한 로봇 운영 편성 단위와 양립 가능한, 로봇 플릿 관리 플랫폼.
  69. 청구항 56에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 상기 태스크 목표를 만족시키는 후보 로봇 태스크에 대해 로봇 태스크의 라이브러리에 질의하고, 상기 태스크 목표를 달성하기 위한 상기 후보 로봇 태스크의 적합성에 기초하여 상기 후보 로봇 태스크로부터 로봇 태스크를 선택하도록 상기 플릿 지능 계층과 상호작용하는 것을 포함하는, 로봇 플릿 관리 플랫폼.
  70. 청구항 56에 있어서, 상기 로봇 태스크의 세트를 확립하는 것은 상기 태스크의 세트를 정의할 때 태스크를 감지하는 바람직한 시퀀스를 나타내는 센서 검출 패키지를 설명하는 정보를 조회하는 것을 포함하는, 로봇 플릿 관리 플랫폼.
  71. 청구항 56에 있어서, 상기 로봇 태스크의 작업흐름을 생성하는 것은 로봇 태스크의 작업흐름을 정의할 때 태스크를 감지하는 바람직한 시퀀스를 나타내는 센서 검출 패키지를 설명하는 정보를 조회하는 것을 포함하는, 로봇 플릿 관리 플랫폼.
  72. 청구항 56에 있어서, 상기 로봇 태스크의 작업흐름을 생성하는 것은 제2 태스크의 목표를 만족시키기 위한 제1 태스크에 대한 상기 제2 태스크 의존성에 기초하는, 로봇 플릿 관리 플랫폼.
  73. 청구항 56에 있어서, 상기 로봇 운영 편성 단위의 디지털 모델을 시뮬레이션하는 것은 상기 태스크의 최적화된 작업흐름 순서를 결정하기 위해 상기 태스크의 세트에서 태스크의 디지털 트윈을 동작시키는 것을 포함하는, 로봇 플릿 관리 플랫폼.
  74. 로봇 플릿 플랫폼에 의해 동작되는 로봇 플릿의 구성을 용이하게 하기 위해 작업 요청을 준비하기 위한 로봇 플릿 플랫폼에 있어서, 상기 시스템은,
    컴퓨터 판독가능 명령어들의 세트를 실행하는 하나 이상의 프로세서의 세트를 포함하고, 상기 하나 이상의 프로세서의 세트는 총괄하여,
    공급 체인에서 아이템의 세트의 픽킹(picking), 패킹(packing), 이동, 저장, 웨어하우징(warehousing), 수송 또는 배달 중 적어도 하나에 관련된 작업 콘텐츠를 수신하도록 구성된 작업 요청 수집 시스템(job request ingestion system)- 상기 작업 콘텐츠는 전자 작업 요청 및 관련 데이터를 포함함 -;
    상기 수신된 작업 콘텐츠에 필터를 적용하여 로봇 자동화를 위한 그 후보 부분을 식별하도록 구성된 작업 콘텐츠 파싱 시스템;
    상기 작업 콘텐츠의 후보 부분에서 용어(term)들을 처리하고 적어도 하나의 추천된 로봇 태스크 및 로봇 선택 및 로봇 태스크의 작업흐름에서의 태스크 순서화를 용이하게 하는 연관된 상황 정보를 수신하기 위해 지능 서비스의 세트를 활성화하는 플릿 지능 계층;
    상기 공급 체인 내의 상기 아이템의 세트에 대한 수요의 파라미터에 관한 실시간 정보를 제공하는 수요 지능 계층; 및
    로봇 자동화를 나타내는 작업 콘텐츠의 부분, 수요 지능 계층으로부터의 실시간 정보 및 적어도 하나의 추천된 로봇 태스크 및 연관된 상황 정보에 기초하여 작업 요청 인스턴스-특정 작업 요건의 세트를 생성하는 작업 요건 시스템- 상기 작업 요건의 세트는 상기 프로세서의 세트 중 적어도 하나의 프로세서에 의해 액세스가능한 비일시적 컴퓨터 판독가능 메모리에 저장됨 -을 실행하는, 로봇 플릿 플랫폼.
  75. 청구항 74에 있어서, 상기 작업 콘텐츠 파싱 시스템은 상기 작업 콘텐츠의 표시를 로봇 자동화를 나타내는 타겟 용어들(target terms)과 매핑하는 것을 용이하게 하는 작업 구성 라이브러리로부터 콘텐츠 및 구조 필터의 세트를 검색하는, 로봇 플릿 플랫폼.
  76. 청구항 74에 있어서, 상기 작업 콘텐츠 파싱 시스템은 상기 작업 콘텐츠의 표시를 로봇 자동화를 나타내는 타겟 용어들과 매핑하는 것을 용이하게 하는 작업 구성 라이브러리로부터의 필터 기준으로 구조 필터 및 디폴트 콘텐츠의 세트를 증강시키는, 로봇 플릿 플랫폼.
  77. 청구항 74에 있어서, 상기 콘텐츠 필터는 로봇 자동화 콘텐츠를 상기 작업 콘텐츠 내의 다른 콘텐츠와 구별하는 상기 작업 콘텐츠 내의 용어들을 표시하는, 로봇 플릿 플랫폼.
  78. 청구항 77에 있어서, 상기 용어들은 상기 작업 콘텐츠의 표시를 로봇 자동화를 나타내는 용어들과 매핑하는 것을 용이하게 하는 작업 구성 라이브러리로부터 검색되는, 로봇 플릿 플랫폼.
  79. 청구항 74에 있어서, 상기 플릿 지능 계층은 로봇 자동화에 적합한 것으로 식별된 상기 작업 콘텐츠의 부분을 작업 콘텐츠 파싱을 개선하기 위해 상기 지능 서비스의 세트의 기계 학습 서비스에 전송하는 것을 용이하게 하는, 로봇 플릿 플랫폼.
  80. 청구항 79에 있어서, 상기 기계 학습 서비스는 복수의 작업 요청에 대한 작업 콘텐츠 파싱 결과에 기초한 인간 생성 피드백(human-generated feedback), 로봇 자동화 지식 베이스, 원하는 작업 특정 지식 베이스, 기술 사전, 및 작업 전문가로부터 수신된 콘텐츠를 포함하는 훈련 데이터 세트로 훈련되는, 로봇 플릿 플랫폼.
  81. 청구항 74에 있어서, 상기 작업 파싱 시스템은 상기 작업 콘텐츠에서의 물리적 위치 정보를 검출하도록 구성되고, 상기 물리적 위치 정보는 수송 옵션, 동작 제약, 허용 요건, 수송 제한, 상기 작업 요청의 물리적 위치에 대하여 로컬에 있는 플릿 자산, 및 물류 제약 중 적어도 하나를 자동으로 결정하는 것을 용이하게 하는, 로봇 플릿 플랫폼.
  82. 청구항 80에 있어서, 상기 물리적 위치 정보는 어드레스, 영역, GPS 데이터, 항공 사진, 지도 이미지 상의 마킹된 위치, 지도 좌표, 위도, 경도, 고도, 경로, 해수면에 대한 깊이 중 하나 이상을 포함하는, 로봇 플릿 플랫폼.
  83. 청구항 74에 있어서, 상기 작업 파싱 시스템은 상기 작업 콘텐츠에서의 적어도 하나의 위치에 대한 전기 전력 정보를 검출하도록 구성되고, 상기 전기 전력 정보는 복수의 전압, 주파수, 전류, 가용성의 스케줄, 그리드-제공 전기 비용의 스케줄, kwh당 비용, 전력 수요 프로파일, 최대 열 밀도, 및 상기 적어도 하나의 위치에 대한 근접도를 포함하는, 로봇 플릿 플랫폼.
  84. 청구항 74에 있어서, 상기 작업 파싱 시스템은 작업 현장 레이아웃과 연관된 적어도 하나의 작업 요청 인스턴스-특정 요건을 생성하는 것을 용이하게 하기 위해 상기 작업 콘텐츠에 존재하거나 조회되는 작업 현장의 부분의 레이아웃을 나타내는 디지털 데이터를 검출하도록 구성된, 로봇 플릿 플랫폼.
  85. 청구항 74에 있어서, 상기 작업 파싱 시스템은 동작 환경을 설명하는 정보, 배송 상품(deliverable), 상기 작업 요청에 관한 정보가 작업 요청자와 통신되는 인터페이스, 무선 통신 네트워크 접근성, 태스크를 수행하기 위한 예산 제약, 및 작업 현장에서의 액세스 및 동작에 관한 리소스의 스케줄링 중 적어도 하나를 검출하도록 구성된, 로봇 플릿 플랫폼.
  86. 청구항 74에 있어서, 상기 작업 요청 수집 시스템은 관련 데이터에 대한 외부 링크에 대해 수신된 작업 콘텐츠를 스캔하도록 구성된, 로봇 플릿 플랫폼.
  87. 청구항 86에 있어서, 상기 작업 요청 수집 시스템은 상기 외부 링크에 기초하여 상기 로봇 플릿 플랫폼에 의한 사용을 위한 관련 데이터를 검색하도록 구성된, 로봇 플릿 플랫폼.
  88. 청구항 74에 있어서, 상기 작업 요청 수집 시스템은 로봇 플릿 리소스에 의해 수행되기에 적합한 활동에 대한 조회를 포함하는, 수신된 작업 콘텐츠의 부분을 결정하여 작업 콘텐츠 파싱 시스템에 포워딩하도록 구성된, 로봇 플릿 플랫폼.
  89. 청구항 74에 있어서, 상기 작업 요청 수집 시스템은 작업 구성 표시 필터로 수신된 콘텐츠를 처리하도록 구성되고, 상기 작업 구성 표시 필터는 상기 작업 구성 표시를 현재 작업 구성, 이전 작업 구성, 또는 알려지지 않은 작업 구성 중 하나로서 분류하기 위해 상기 작업 콘텐츠 내의 작업 구성 표시를 작업 구성 라이브러리 룩업(look up) 서비스로 자동으로 라우팅하는, 로봇 플릿 플랫폼.
  90. 청구항 74에 있어서, 상기 작업 콘텐츠 파싱 시스템은 후보 로봇 태스크의 식별을 용이하게 하는 상기 수신된 콘텐츠 내의 구조 및 콘텐츠 요소를 식별하도록 구성된, 로봇 플릿 플랫폼.
  91. 청구항 74에 있어서, 상기 작업 콘텐츠 파싱 시스템은 플릿 로봇 운영 편성 단위의 선택을 용이하게 하기 위해 태스크, 서브 태스크, 태스크 순서화, 태스크 의존성, 및 태스크 요건 중 적어도 하나를 표시하는, 상기 수신된 콘텐츠 내의 구조 요소를 식별하도록 구성된, 로봇 플릿 플랫폼.
  92. 청구항 74에 있어서, 상기 작업 콘텐츠 파싱 시스템은 적어도 하나의 로봇 최소 용량(capacity)을 나타내는 콘텐츠 용어들을 식별하도록 구성된, 로봇 플릿 플랫폼.
  93. 청구항 74에 있어서, 상기 작업 콘텐츠 파싱 시스템은, 상기 작업 요청 콘텐츠에 적용될 때, 태스크를 수행하기 위한 로봇의 타입을 나타내는 용어들을 식별하는 로봇 타입 필터로 구성된, 로봇 플릿 플랫폼.
  94. 청구항 74에 있어서, 상기 작업 요청 수집 시스템은 상기 전자 작업 요청을 수신하기 위한 작업 요청 수집 인터페이스를 포함하는, 로봇 플릿 플랫폼.
  95. 청구항 74에 있어서, 상기 콘텐츠 및 구조 필터를 적용하는 것은 로봇 활동을 나타내는 데이터에 대해 수신된 콘텐츠를 스캐닝하는 것을 포함하는, 로봇 플릿 플랫폼.
  96. 청구항 74에 있어서, 상기 작업 콘텐츠 파싱 시스템으로 상기 콘텐츠 및 구조 필터를 적용하는 것은, 상기 작업 요청 콘텐츠에 적용될 때 태스크를 수행하기 위한 로봇의 타입을 나타내는 용어들을 식별하는 로봇 타입 필터로 수신된 콘텐츠를 처리하는 것을 포함하는, 로봇 플릿 플랫폼.
  97. 청구항 74에 있어서, 상기 작업 파싱 시스템은 적격 작업 데이터를 검출하기 위해 상기 콘텐츠 필터를 이용하는, 로봇 플릿 플랫폼.
  98. 청구항 97에 있어서, 상기 작업 콘텐츠의 명료화를 위해 상기 작업 콘텐츠 내의 적격 데이터의 적어도 하나의 요소에 관한 질의를 생성하도록 구성된 적격 데이터 질의 생성 시스템(qualified data query generation system)을 더 포함하는, 로봇 플릿 플랫폼.
  99. 청구항 98에 있어서, 상기 적격 데이터의 적어도 하나의 요소에 관한 질의는 상기 사용자 인터페이스에서 제시되는, 로봇 플릿 플랫폼.
  100. 청구항 98에 있어서, 적격 데이터의 적어도 하나의 요소에 관한 상기 질의는, 상기 플릿 지능 계층을 통해 상기 적격 데이터의 적어도 하나의 요소에 대한 데이터의 적어도 하나의 명료화 아이템을 제공하기 위해 상기 지능 서비스의 세트의 적어도 하나의 지능 서비스로 처리하도록 상기 플릿 지능 계층에 제공되는, 로봇 플릿 플랫폼.
  101. 청구항 74에 있어서, 복수의 작업 요청으로부터의 명료화된 데이터와의 유사성에 대해 상기 작업 콘텐츠 내의 적어도 하나의 적격 데이터 요소를 평가하고, 상기 평가의 결과에 기초하여 유사한 명료화된 데이터 요소에 기초하여 상기 적어도 하나의 적격 데이터 요소를 조정하도록 구성된 적격 데이터 분석 시스템(qualified data resolution system)을 더 포함하는, 로봇 플릿 플랫폼.
  102. 청구항 101에 있어서, 상기 적어도 하나의 적격 데이터 요소를 조정하는 것은 상기 적격 데이터 요소에서의 적격 데이터 값을 상기 명료화된 데이터 요소로부터의 대응하는 데이터 값으로 대체하는 것을 포함하는, 로봇 플릿 플랫폼.
  103. 청구항 74에 있어서, 상기 콘텐츠 필터는 누락된 데이터, 불명확한 데이터 및 정성적 기준(qualitative reference) 중 적어도 하나를 포함하는 적격 데이터를 식별하도록 구성된, 로봇 플릿 플랫폼.
  104. 청구항 103에 있어서, 상기 플릿 지능 계층은 적격 데이터의 파싱을 개선하기 위해 상기 지능 서비스의 세트의 기계 학습 서비스로 적격 데이터를 처리하는 것을 용이하게 하는, 로봇 플릿 플랫폼.
  105. 청구항 74에 있어서, 상기 콘텐츠 필터는 상기 적격 데이터 내의 누락된 데이터, 불명확한 데이터 및 정성적 기준 중 적어도 하나의 해석을 용이하게 하기 위해 적격 데이터 및 관련 상황을 식별하도록 구성된, 로봇 플릿 플랫폼.
  106. 밸류 체인 네트워크 자동화 시스템으로서,
    상품의 세트에 대한 공급 체인에서의 로봇 시스템의 세트의 능력 및 상태의 세트의 속성을 포함하는 공급 체인 로봇 플릿 데이터 세트;
    상기 상품의 세트에 대한 수요 예상 태스크의 세트의 자동화를 수행하는 로봇 프로세스 자동화 시스템의 세트의 상태의 세트의 속성을 포함하는 수요 지능 로봇 프로세스 자동화 데이터 세트; 및
    상기 공급 체인 로봇 플릿 데이터 세트 및 상기 수요 지능 로봇 프로세스 자동화 데이터 세트를 처리하여 상기 상품의 세트에 대한 공급 및 수요를 조정하는 것에 기초하여 상기 공급 체인 로봇 플릿에 대한 로봇 태스크 명령어의 세트를 제공하는 조정 시스템을 포함하는, 밸류 체인 네트워크 자동화 시스템.
  107. 정보 기술 시스템으로서, 디지털 생산 프로세스 및 작업흐름의 세트를 최적화하기 위해 분산 제조 네트워크 내의 분산 제조 네트워크 엔티티의 세트로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 인공 지능 시스템을 갖는, 정보 기술 시스템.
  108. 분산 제조 네트워크를 위한 정보 기술 시스템으로서,
    설계, 모델링, 프린팅 및 공급 체인 스테이지를 통해 분산 제조 네트워크 엔티티의 세트에 대한 프로세스 및 생산 작업흐름을 관리하도록 구성되는 적층 제조 관리 플랫폼(additive manufacturing management platform);
    디지털 생산 프로세스 및 작업흐름을 최적화하기 위해 상기 분산 제조 네트워크의 분산 제조 네트워크 엔티티로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템; 및
    상기 분산 제조 네트워크 내의 엔티티에 작업흐름 및 트랜잭션 정보의 통합된 뷰를 제공하도록 구성된 디지털 스레드와 통합된 분산 원장 시스템(distributed ledger system)을 포함하는, 정보 기술 시스템.
  109. 청구항 108에 있어서, 상기 분산 제조 네트워크 엔티티로부터 수집된 상기 데이터 및 하나 이상의 파라미터를 실시간으로 조정하도록 구성된 제어 시스템을 더 포함하는, 정보 기술 시스템.
  110. 청구항 108에 있어서, 하나 이상의 분산 제조 네트워크 엔티티의 디지털 트윈을 구축하도록 구성된 디지털 트윈 시스템(digital twin system)을 더 포함하고, 상기 디지털 트윈은 상기 분산 제조 네트워크 엔티티 내에, 상에 또는 근처에 위치된 하나 이상의 센서로부터의 데이터를 통해 상기 분산 제조 네트워크 엔티티의 실질적 실시간 표현을 제공하고, 상기 인공 지능 시스템은 상기 분산 제조 네트워크 엔티티의 가능한 미래 상태를 예측하기 위해 상기 디지털 트윈 상에서 시뮬레이션을 실행하는, 정보 기술 시스템.
  111. 청구항 108에 있어서, 상기 분산 제조 네트워크 엔티티는 프린팅된 부품, 제품, 프로세스, 장비, 3D 프린터, 사용자, 고객, 설계자, 엔지니어들, 소매업자, 공급자, 패키저 및 제조 노드의 세트를 포함하는, 정보 기술 시스템.
  112. 분산 제조 네트워크로서,
    제조 및 공급 체인 프로세스 및 작업흐름을 최적화하기 위해 분산 제조 네트워크 엔티티의 세트로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템을 갖는 적층 제조 관리 플랫폼; 및
    상기 분산 제조 네트워크 엔티티에 관련된 데이터를 저장하도록 구성된 상기 분산 제조 네트워크 엔티티의 디지털 스레드(digital thread)와 통합된 분산 원장을 포함하는, 분산 제조 네트워크.
  113. 청구항 112에 있어서, 상기 분산 네트워크 엔티티는 적층 제조를 사용하여 제조되는 부품인, 분산 제조 네트워크.
  114. 청구항 113에 있어서, 상기 디지털 스레드는 설계로부터, 모델링, 생산, 검증, 사용 및 유지보수를 거쳐 폐기까지 상기 부품의 전체 라이프사이클과 관련된 정보를 구성하는, 분산 제조 네트워크.
  115. 자율 적층 제조 플랫폼으로서,
    제품 또는 부품 내에, 상에, 및/또는 근처에 위치되고 제품 또는 부품에 관련된 센서 데이터를 수집하도록 구성된 복수의 센서- 상기 센서 데이터는 실질적 실시간 센서 데이터임 -;
    상기 복수의 센서에 연결되고 상기 복수의 센서로부터 상기 센서 데이터를 수신하도록 구성된 적응형 지능 시스템(adaptive intelligence system)을 포함하고, 상기 적응형 지능 시스템은,
    상기 센서 데이터를 하나 이상의 기계 학습 모델에 입력하도록 구성된 기계 학습 시스템- 상기 센서 데이터는 기계 학습 모델에 대한 훈련 데이터로서 사용되고, 상기 기계 학습 모델은 상기 센서 데이터를 시뮬레이션 데이터로 변환하도록 구성됨 -;
    상기 시뮬레이션 데이터에 기초하여 제품 트윈 또는 부품 트윈을 생성하도록 구성된 디지털 트윈 시스템- 상기 제품 트윈 또는 상기 부품 트윈은 상기 제품 또는 상기 부품의 실질적 실시간 표현을 제공하고 상기 시뮬레이션 데이터를 통해 상기 제품 또는 상기 부품의 가능한 미래 상태의 시뮬레이션을 제공함 -; 및
    상기 디지털 트윈 시스템 상에서 시뮬레이션을 실행하도록 구성된 인공 지능 시스템을 포함하고,
    상기 하나 이상의 모델은 상기 제품 및 상기 부품에 관련된 분류, 예측, 및 다른 결정을 수행하기 위해 상기 인공 지능 시스템에 의해 이용되는, 자율 적층 제조 플랫폼.
  116. 청구항 115에 있어서, 상기 기계 학습 시스템에 의해 훈련된 상기 모델은 부품 수축(part shrinkage)을 예측하기 위해 상기 부품 트윈 상에서 시뮬레이션을 실행하기 위해 상기 인공 지능 시스템에 의해 이용되는, 자율 적층 제조 플랫폼.
  117. 청구항 115에 있어서, 상기 기계 학습 시스템에 의해 훈련된 상기 모델은 부품 뒤틀림(part warpage)을 예측하기 위해 상기 부품 트윈 상에서 시뮬레이션을 실행하기 위해 상기 인공 지능 시스템에 의해 이용되는, 자율 적층 제조 플랫폼.
  118. 청구항 115에 있어서, 상기 기계 학습 시스템에 의해 훈련된 상기 모델은, 부품 수축 및 뒤틀림을 보상하기 위해 상기 자율 적층 제조 플랫폼의 적층 제조 프로세스에 대한 필요한 변경을 계산하기 위해 상기 부품 트윈 상에서 시뮬레이션을 실행하도록 상기 인공 지능 시스템에 의해 이용되는, 자율 적층 제조 플랫폼.
  119. 청구항 115에 있어서, 상기 기계 학습 시스템에 의해 훈련된 상기 모델은 3D 프린팅된 부품과 다른 부품 또는 3D 프린터의 호환성을 테스트하기 위해 상기 부품 트윈 상에서 시뮬레이션을 실행하기 위해 상기 인공 지능 시스템에 의해 이용되는, 자율 적층 제조 플랫폼.
  120. 청구항 115에 있어서, 상기 기계 학습 시스템에 의해 훈련된 상기 모델은 3D 프린팅된 부품에서의 변형 또는 고장을 예측하기 위해 상기 부품 트윈 상에서 시뮬레이션을 실행하기 위해 상기 인공 지능 시스템에 의해 이용되는, 자율 적층 제조 플랫폼.
  121. 청구항 115에 있어서, 기계 학습 시스템에 의해 훈련된 모델은 변형의 발생을 최소화하기 위해 자율 적층 제조 플랫폼의 축조 프로세스를 최적화하기 위해 상기 부품 트윈 상에서 시뮬레이션을 실행하도록 인공 지능 시스템에 의해 이용되는, 자율 적층 제조 플랫폼.
  122. 청구항 115에 있어서, 상기 기계 학습 시스템에 의해 훈련된 상기 모델은 상기 제품의 비용 또는 가격을 예측하기 위해 상기 제품 트윈에 대한 시뮬레이션을 실행하기 위해 상기 인공 지능 시스템에 의해 이용되는, 자율 적층 제조 플랫폼.
  123. 분산 제조 네트워크를 위한 정보 기술 시스템으로서,
    분산 제조 네트워크 엔티티의 세트로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 학습하고 상기 분산 제조 네트워크 엔티티에 대한 분류, 예측, 및 최적화 관련 결정을 수행하기 위해 상기 분산 제조 네트워크 엔티티의 디지털 트윈 상에서 시뮬레이션을 실행하도록 구성된 인공 지능 시스템을 갖는 적층 제조 관리 플랫폼; 및
    상기 분산 제조 네트워크 내의 상기 엔티티에 작업흐름 및 트랜잭션 정보의 통합된 뷰를 제공하도록 구성된 디지털 스레드와 통합된 분산 원장 시스템을 포함하는, 정보 기술 시스템.
  124. 청구항 123에 있어서, 상기 디지털 제조 네트워크 엔티티는 프린팅된 부품, 제품, 프로세스, 3D 프린터, 사용자, 고객, 패키저 및 제조 노드의 세트를 포함하는, 정보 기술 시스템.
  125. 청구항 124에 있어서, 상기 인공 지능 시스템은 3D 프린팅 견적을 생성하기 위해 상기 부품 트윈, 상기 제품 트윈 및 상기 프린터 트윈 중 하나 이상에서 시뮬레이션을 실행하는, 정보 기술 시스템.
  126. 청구항 124에 있어서, 상기 인공 지능 시스템은 상기 플랫폼의 사용자에 대한 프린팅과 관련된 추천을 생성하기 위해 상기 부품 트윈, 상기 제품 트윈 및 상기 프린터 트윈 중 하나 이상에서 시뮬레이션을 실행하는, 정보 기술 시스템.
  127. 청구항 126에 있어서, 상기 추천은 프린팅을 위한 재료 또는 3D 프린팅 기술의 선택과 관련되는, 정보 기술 시스템.
  128. 청구항 126에 있어서, 상기 추천은 제조 노드, 제조 소스, 제조 위치, 적층 제조 작업의 스케줄링 타이밍, 또는 이들 단계의 선택 및 설계를 위한 파라미터와 관련되는, 정보 기술 시스템.
  129. 청구항 124에 있어서, 상기 인공 지능 시스템은 3D 프린팅 작업에 대한 배달 시간을 예측하기 위해 상기 부품 트윈, 상기 제품 트윈 및 상기 프린터 트윈 중 하나 이상에서 시뮬레이션을 실행하는, 정보 기술 시스템.
  130. 청구항 124에 있어서, 상기 인공 지능 시스템은 상기 제조 프로세스에서 비용 초과(cost over-run)을 예측하기 위해 상기 부품 트윈, 상기 제품 트윈, 상기 프린터 트윈 및 상기 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행하는, 정보 기술 시스템.
  131. 청구항 124에 있어서, 상기 인공 지능 시스템은, 상기 부품 트윈, 상기 제품 트윈, 상기 프린터 트윈 및 상기 제조 노드 트윈 중 하나 이상에서, 견적 가격, 배달, 판매 마진, 주문 크기, 또는 유사한 특성에 기초하여 부품 및 제품의 생산 순서화를 최적화하기 위한 시뮬레이션을 실행하는, 정보 기술 시스템.
  132. 청구항 124에 있어서, 상기 인공 지능 시스템은 제조를 위한 사이클 시간을 최적화하기 위해 상기 부품 트윈, 상기 제품 트윈, 상기 프린터 트윈 및 상기 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행하는, 정보 기술 시스템.
  133. 청구항 124에 있어서, 상기 인공 지능 시스템은 상기 부품 트윈, 상기 제품 트윈, 상기 프린터 트윈, 상기 고객 트윈 및 상기 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행하여 하나 이상의 고객으로부터의 제품 수요를 예측하고 관리하는, 정보 기술 시스템.
  134. 청구항 124에 있어서, 상기 인공 지능 시스템은 상기 디지털 제조 네트워크로부터의 공급을 예측하고 관리하기 위해 상기 부품 트윈, 상기 제품 트윈, 상기 프린터 트윈, 상기 공급자 트윈, 상기 고객 트윈 및 상기 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행하는, 정보 기술 시스템.
  135. 청구항 124에 있어서, 상기 인공 지능 시스템은 분산 제조 네트워크에 대한 생산 용량을 최적화하기 위해 상기 부품 트윈, 상기 제품 트윈, 상기 프린터 트윈, 상기 공급자 트윈, 상기 고객 트윈 및 상기 제조 노드 트윈 중 하나 이상에서 시뮬레이션을 실행하는, 정보 기술 시스템.
  136. 청구항 123에 있어서, 상기 분산 제조 엔티티는 ERP(Enterprise Resource Planning) 시스템, MES(Manufacturing Execution system), PLM(Product Lifecycle Management) 시스템, MMS(maintenance management system), QMS(Quality Management system), 인증 시스템, 준수 시스템, 로봇/코봇 시스템(Robot/Cobot system), 및 SCCG 시스템을 포함하는, 정보 기술 시스템.
  137. 분산 제조 네트워크의 하나 이상의 제조 노드를 사용하여 고객에게 3D 프린팅 제품의 제조 및 배달을 용이하게 하기 위한 컴퓨터 구현 방법으로서, 상기 고객으로부터 하나 이상의 제품 요건을 수신하는 단계; 제품 요건을 토큰화하고 분산 원장 시스템에 저장하는 단계; 제품 요건에 기초하여 하나 이상의 제조 노드, 프린터, 프로세스 및 재료를 결정하는 단계; 가격 및 배달 타임라인을 포함하는 견적을 생성하는 단계; 및 고객이 견적을 수락하면, 3D 프린팅 제품을 제조하여 고객에게 전달하는 단계를 포함하는, 방법.
  138. 청구항 137에 있어서, 고객 요건을 만족시키기 위한 고객 만족도 점수에 기초하여 하나 이상의 제조 노드를 평가하는 단계를 더 포함하는, 방법.
  139. 청구항 137에 있어서, 상기 결정하는 단계는 프린터 능력, 상기 고객 및 상기 제조 노드의 위치, 각각의 노드에서의 이용가능한 용량, 가격 및 타임라인 요건 및 상기 고객 만족도 점수와 같은 인자에 기초하여 고객 주문을 제조 노드 또는 3D 프린터와 매칭시키는 단계를 포함하는, 방법.
  140. 분산 제조 네트워크로서,
    분산 제조 네트워크 엔티티의 세트의 디지털 스레드와 통합되어, 상기 분산 제조 네트워크 엔티티에 관련된 이벤트, 활동 및 트랜잭션에 관한 정보를 저장하기 위한 분산 원장 시스템; 및
    제조 및 밸류 체인 작업흐름을 최적화하기 위해 상기 분산 제조 네트워크 엔티티로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템을 포함하는, 분산 제조 네트워크.
  141. 청구항 140에 있어서, 상기 분산 원장 시스템은 상기 분산 제조 네트워크 내의 엔티티에 의해 다운로드가능한 탈중앙화된 애플리케이션을 포함하는, 분산 제조 네트워크.
  142. 청구항 140에 있어서, 상기 분산 원장 시스템은 상기 작업흐름의 통합된 뷰의 세트를 분산 제조 네트워크의 상기 엔티티의 세트에 제공하도록 구성된 사용자 인터페이스를 포함하는, 분산 제조 네트워크.
  143. 청구항 140에 있어서, 상기 분산 원장 시스템은 주문으로부터 제조 및 조립을 거쳐 고객에 대한 최종 배달까지의 제품의 상태 및 이동에 대한 추적 및 보고를 제공하도록 구성된 사용자 인터페이스를 포함하는, 분산 제조 네트워크.
  144. 청구항 140에 있어서, 상기 분산 원장 시스템은 상기 분산 제조 네트워크 내의 엔티티의 디지털 권한 관리를 위한 시스템을 포함하는, 분산 제조 네트워크.
  145. 청구항 141에 있어서, 상기 분산 원장 시스템은 생성, 수정을 포함하여, 문서/파일의 디지털 핑거프린팅 정보 및 다른 정보를 저장하는, 분산 제조 네트워크.
  146. 청구항 140에 있어서, 상기 분산 원장 시스템은 상기 분산 제조 네트워크 내의 엔티티 사이에서 가격 생성(value creation)을 장려하고 및 가격을 이체하기 위한 암호화폐 토큰을 포함하는, 분산 제조 네트워크.
  147. 청구항 140에 있어서, 상기 분산 원장 시스템은 제조 노드의 능력을 검증하기 위한 시스템을 포함하는, 분산 제조 네트워크.
  148. 청구항 140에 있어서, 상기 분산 원장 시스템은 제조 노드의 경험을 증명하기 위한 시스템을 포함하는, 분산 제조 네트워크.
  149. 청구항 140에 있어서, 상기 분산 원장 시스템은 부품의 엔드-투-엔드(end to end) 추적성을 포착하기 위한 시스템을 포함하는, 분산 제조 네트워크.
  150. 청구항 140에 있어서, 상기 분산 원장 시스템은 상기 분산 원장 상의 모든 트랜잭션, 수정, 품질 검사 및 인증을 추적하기 위한 시스템을 포함하는, 분산 제조 네트워크.
  151. 청구항 140에 있어서, 상기 분산 원장 시스템은 상기 분산 제조 네트워크에서 상기 작업흐름을 자동화하고 관리하기 위한 스마트 계약을 포함하는, 분산 제조 네트워크.
  152. 청구항 140에 있어서, 상기 분산 원장 시스템은 상기 작업 범위, 견적, 타임라인, 및 지불 기한(payment terms)을 커버하는 구매 주문을 실행하기 위한 스마트 계약을 포함하는, 분산 제조 네트워크.
  153. 청구항 140에 있어서, 상기 분산 원장 시스템은 제품의 배달 시에 고객에 의한 지불의 처리를 위한 스마트 계약을 포함하는, 분산 제조 네트워크.
  154. 청구항 140에 있어서, 상기 분산 원장 시스템은 결함 있는 제품에 대한 보험 청구를 처리하기 위한 스마트 계약을 포함하는, 분산 제조 네트워크.
  155. 청구항 140에 있어서, 상기 분산 원장 시스템은 품질 보증 청구(warranty claim)를 처리하기 위한 스마트 계약을 포함하는, 분산 제조 네트워크.
  156. 청구항 140에 있어서, 상기 분산 원장 시스템은 자동화된 실행 및 유지보수에 대한 지불을 위한 스마트 계약을 포함하는, 분산 제조 네트워크.
  157. 분산 제조 네트워크 정보 기술 시스템으로서,
    사용자 인터페이스, 연결 시설, 데이터 저장 시설, 및 모니터링 시설을 갖는 클라우드 기반 적층 제조 관리 플랫폼;
    상기 적층 제조 관리 플랫폼이 분산 제조 네트워크 엔티티의 세트를 관리할 수 있게 하기 위한 애플리케이션의 세트; 및
    제조 및 밸류 체인 작업흐름을 최적화하기 위해 상기 분산 제조 네트워크 엔티티로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템을 포함하는, 분산 제조 네트워크 정보 기술 시스템.
  158. 청구항 157에 있어서, 상기 인공 지능 시스템은 제품 개념 및 설계로부터 제조 및 유통을 통해 서비스 및 유지보수까지 제조의 전체 라이프사이클에 걸쳐 최적화 및 프로세스 제어를 제공하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  159. 청구항 157에 있어서, 상기 인공 지능 시스템은 제조에 적합한 적어도 하나의 제품 설계를 결정하기 위해 생성적 설계 및 토폴로지 최적화를 제공하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  160. 청구항 157에 있어서, 상기 인공 지능 시스템은 축조 준비 프로세스의 최적화를 제공하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  161. 청구항 157에 있어서, 상기 인공 지능 시스템은 우수한 생산 결과를 위해 부품 배향 프로세스를 최적화하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  162. 청구항 157에 있어서, 상기 인공 지능 시스템은 툴 경로(toolpath) 생성을 최적화하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  163. 청구항 157에 있어서, 상기 인공 지능 시스템은 원료 낭비를 최소화하면서 프린팅된 부품의 수를 최대화하기 위해 동적 2D, 2.5D 및 3D 네스팅(nesting)의 최적화를 제공하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  164. 청구항 157에 있어서, 상기 사용자 인터페이스는 하나 이상의 3D 프린팅된 부품의 생산 이력의 추적 및 트레이싱(tracing)을 제공하는 대시보드를 포함하는, 분산 제조 네트워크 정보 기술 시스템.
  165. 청구항 157에 있어서, 상기 사용자 인터페이스는 동일한 묶음(batch)으로부터 부품을 식별하기 위해 묶음 추적성(batch traceability)을 제공하는 대시보드를 포함하는, 분산 제조 네트워크 정보 기술 시스템.
  166. 청구항 157에 있어서, 상기 사용자 인터페이스는 부품 또는 제품과 관련된 상기 네트워크의 사용자로부터의 질의를 해결하기 위한 디지털 트윈 인터페이스를 포함하는, 분산 제조 네트워크 정보 기술 시스템.
  167. 청구항 157에 있어서, 상기 사용자 인터페이스는 사용자가 VR에서 3D 모델을 구축할 수 있게 하도록 구성된 가상 현실(VR) 인터페이스를 포함하는, 분산 제조 네트워크 정보 기술 시스템.
  168. 청구항 157에 있어서, 상기 애플리케이션은 생산 관리 애플리케이션, 생산 보고 애플리케이션, 생산 분석 애플리케이션 및 밸류 체인 관리 애플리케이션으로 구성되는 그룹으로부터 선택되는, 분산 제조 네트워크 정보 기술 시스템.
  169. 청구항 157에 있어서, 상기 애플리케이션은 상기 분산 제조 네트워크에서의 이동에 걸쳐 상기 제품 주문을 추적하도록 구성된 주문 추적 애플리케이션인, 분산 제조 네트워크 정보 기술 시스템.
  170. 청구항 157에 있어서, 상기 애플리케이션은 완전한 3D 프린팅 생산 작업흐름을 관리하도록 구성된 작업흐름 관리 애플리케이션인, 분산 제조 네트워크 정보 기술 시스템.
  171. 청구항 157에 있어서, 상기 애플리케이션은 상기 네트워크의 사용자 또는 고객에게 상기 분산 제조 네트워크에서의 하나 이상의 이벤트에 관한 경보, 통지 및 보고를 생성하도록 구성된 경보 및 통지 애플리케이션인, 분산 제조 네트워크 정보 기술 시스템.
  172. 청구항 157에 있어서, 상기 경보 및 통지 애플리케이션은 프린팅 에러 또는 장애들과 관련된 경보를 사용자의 컴퓨팅 디바이스에 송신하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  173. 청구항 157에 있어서, 상기 애플리케이션은 상기 분산 제조 네트워크를 사용하여 제품을 주문하는 고객에 대한 전체 청구, 지불 및 인보이싱 프로세스를 관리하도록 구성된 지불 게이트웨이 애플리케이션인, 분산 제조 네트워크 정보 기술 시스템.
  174. 청구항 157에 있어서, 상기 인공 지능 시스템은 물리적 속성, 형상, 기능적 속성, 재료 속성, 성능 속성 및 경제적 속성을 포함하는 속성의 유사성에 기초하여 3D 프린팅된 부품을 자동으로 분류하고 클러스터링하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  175. 청구항 157에 있어서, 상기 인공 지능 시스템은 하나 이상의 사용자와 연관된 사용 패턴을 분석하고 출력, 재료, 배향, 타이밍, 컬러, 형상, 배향 및/또는 프린팅 전략에 관하여 사용자 선호도를 학습하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  176. 청구항 157에 있어서, 상기 인공 지능 시스템은 적층 제조 프로세스 동안 재료 폐기물 생성을 최소화하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  177. 청구항 157에 있어서, 상기 인공 지능 시스템은 상기 분산 제조 네트워크에서의 스마트 재고 및 재료 관리를 위해 재고 레벨에 영향을 미치는 실시간 동학(dynamics)을 관리하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  178. 청구항 157에 있어서, 상기 인공 지능 시스템은 사전 구성된 파라미터를 갖는 부품의 라이브러리를 구축, 유지, 및 제공하도록 구성되고, 재료, 특성, 기능, 장비 호환성, 형상 호환성, 인터페이스 호환성, 부품 타입, 부품 클래스, 산업, 및 준수에 의해 검색가능한, 분산 제조 네트워크 정보 기술 시스템.
  179. 청구항 157에 있어서, 상기 연결 시설은 네트워크 연결, 인터페이스, 포트, 애플리케이션 프로그래밍 인터페이스(API), 브로커, 서비스, 커넥터, 유선 또는 무선 통신 링크, 인간-액세스가능 인터페이스, 소프트웨어 인터페이스, 마이크로-서비스, SaaS 인터페이스, PaaS 인터페이스, IaaS 인터페이스, 클라우드 능력 등을 포함하는, 분산 제조 네트워크 정보 기술 시스템.
  180. 청구항 157에 있어서, 사용자의 신체 부분 또는 해부구조에 부합하는 3D 프린팅된 제품을 제공하도록 구성되고, 상기 3D 프린팅된 제품은 안경류, 신발류, 이어웨어 및 헤드기어로 구성된 그룹으로부터 선택된 웨어러블인, 분산 제조 네트워크 정보 기술 시스템.
  181. 청구항 157에 있어서, 예컨대, 로봇 또는 다른 자율 이동성이 구비된 휴대용 또는 모바일 적층 제조 유닛, 차량 내에 또는 차량 상에 위치된 유닛 또는 고객에 충분히 근접한 근접도로 위치된 유닛을 사용하여 부품의 제조, 대체 또는 서비스를 지원하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  182. 청구항 157에 있어서, 적층 제조 유닛을 사용하여, 재료 사이의 고속 전환으로, 다수의 소스 재료 및 다수의 압출 노즐, 그리고, 복셀화된 연성 물질 다중-재료, 다중-노즐 프린팅을 사용한 부품 또는 제품의 프린팅을 지원하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  183. 청구항 157에 있어서, 2개의 재료가 상기 재료 사이의 구별되는 경계를 피하는 경사 인터페이스(graded interface)로 결합되는 경우와 같은, 기능 경사 재료(FGM : functionally graded materials)를 포함하는 부품 또는 제품의 프린팅을 지원하도록 구성된, 분산 제조 네트워크 정보 기술 시스템.
  184. 청구항 157에 있어서, 상기 인공 지능 시스템은 인공 신경망, 결정 트리, 로지스틱 회귀 모델, 생성적 모델, 진화 모델, 확률적 구배 하강 모델, 퍼지 분류기, 지원 벡터 기계, 베이지안 네트워크, 계층적 클러스터링 알고리즘, k-평균 알고리즘, 유전 알고리즘, 심층 컨볼루션 신경망, 심층 순환 신경망, 트랜스포머 신경망 또는 이들의 임의의 조합을 포함하는 알고리즘을 사용하는, 분산 제조 네트워크 정보 기술 시스템.
  185. 청구항 184에 있어서, 적층 제조를 위한 명령어 세트는 자연어 기반 트랜스포머 신경망 모델(natural language-based transformer neural network model)을 사용하여 텍스트 설명으로부터 자동으로 생성되는, 분산 제조 네트워크 정보 기술 시스템.
  186. 청구항 184에 있어서, 상기 진화 모델은 시맨틱 특성, 설계 제약, 물리적 또는 기능적 요건, 소비자 참여, 결과, 비용, 안전 또는 책임, 규제 요건, 인증 및 스마트 계약에 기초한 피드백 및 필터링 기능을 활용하는, 분산 제조 네트워크 정보 기술 시스템.
  187. 청구항 186에 있어서, 설계 진화에 대한 피드백은, 특정 설계가 수익성 있는 가격으로 그리고 유리한 볼륨으로 상기 스마트 계약을 통해 예약되는 경우와 같이, 유리한 스마트 계약 체결로부터 도출되는, 분산 제조 네트워크 정보 기술 시스템.
  188. 적층 제조 및 밸류 체인 작업흐름을 지원하기 위한 정보 기술 시스템으로서,
    적층 제조 및 밸류 체인 프로세스 및 작업흐름을 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하도록 구성된 인공 지능 시스템을 포함하는 클라우드 기반 금속 적층 제조 관리 플랫폼; 및
    상기 제조 노드에 관련된 데이터를 저장하도록 구성된 분산 원장 시스템을 포함하는, 정보 기술 시스템.
  189. 청구항 188에 있어서, 상기 인공 지능 시스템은 적층 제조를 위한 프로세스 및 재료 선택을 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하는, 정보 기술 시스템.
  190. 청구항 188에 있어서, 상기 인공 지능 시스템은 적층 제조를 위한 공급원료의 조성을 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하는, 정보 기술 시스템.
  191. 청구항 188에 있어서, 상기 인공 지능 시스템은 적층 제조를 위한 부품 설계를 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하는, 정보 기술 시스템.
  192. 청구항 188에 있어서, 상기 인공 지능 시스템은 상기 적층 제조 프로세스 동안 재료 활용, 에너지 활용 및 노동 리소스 활용의 조합을 최적화하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하는, 정보 기술 시스템.
  193. 청구항 188에 있어서, 인공 지능 시스템은, 적층 제조 프로세스 중에 폐기물 생성 및 재료 재포획 또는 재활용을 고려하면서 재료 이용을 최적화하기 위해서 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하는, 정보 기술 시스템.
  194. 청구항 188에 있어서, 상기 인공 지능 시스템은, 상기 하나 이상의 제조 노드에 의한 부품 또는 제품의 제조 또는 고객에 배달과 관련된 위험을 예측하고 관리하기 위해 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하는, 정보 기술 시스템.
  195. 청구항 194에 있어서, 상기 위험은 소셜 미디어 피드, 날씨 패턴, 시장 웹사이트, 조사 웹사이트 및 크라우드소싱 시스템을 포함하는 하나 이상의 외부 소스로부터의 데이터를 분석함으로써 예측되는, 정보 기술 시스템.
  196. 청구항 188에 있어서, 상기 인공 지능 시스템은 하나 이상의 제조 노드에 의해 제조되고 고객에게 배달되는 부품 또는 제품에 대해 개인화된 마케팅 및 고객 서비스를 제공하기 위해 상기 하나 이상의 적층 제조 노드로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하는, 정보 기술 시스템.
  197. 동적 비전 시스템으로서, 객체를 인식하기 위해 가변 초점 액체 렌즈 광학 어셈블리로부터 수집된 결과, 파라미터, 및 데이터의 훈련 세트에 기초하여 학습하기 위한 인공 지능 시스템을 갖는, 동적 비전 시스템.
  198. 청구항 197에 있어서, 상기 인공 지능 시스템은 결과 파라미터의 훈련 세트, 및 상기 인공 지능 시스템에 의한 처리를 위한 데이터의 수집을 최적화하도록 상기 광학 어셈블리를 제어하기 위해 가변 초점 액체 렌즈 광학 어셈블리로부터 수집된 데이터에 기초하여 학습하는, 동적 비전 시스템.
  199. 동적 비전 시스템으로서,
    가변 초점 액체 렌즈 광학 어셈블리;
    상기 광학 어셈블리로부터 수집된 하나 이상의 광학 파라미터 및 데이터를 실시간으로 조정하도록 구성된 제어 시스템; 및
    객체를 인식하도록 하나 이상의 기계 학습 모델을 훈련시키기 위해 상기 광학 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하는 처리 시스템을 포함하는, 동적 비전 시스템.
  200. 청구항 199에 있어서, 상기 가변 초점 액체 렌즈는 객체 개념을 생성하기 위해 환경 인자 및 상기 처리 시스템으로부터의 피드백에 기초하여 상기 제어 시스템에 의해 연속적으로 조정되는, 동적 비전 시스템.
  201. 청구항 200에 있어서, 상기 객체 개념은 상기 객체 및 환경에 관한 상황 지능(contextual intelligence)을 포함하고 상기 동적 비전 시스템에 의한 우수한 객체 인식을 제공하는, 동적 비전 시스템.
  202. 청구항 199에 있어서, 상기 광학 어셈블리에 의한 신호의 수집을 최적화하기 위해 제1 기계 학습 모델이 사용되고, 원하는 비전 결과를 달성하기 위해 상기 신호에 대해 동작하도록 제2 기계 학습 모델이 사용되는, 동적 비전 시스템.
  203. 청구항 199에 있어서, 상기 처리 시스템은 상기 가변 초점 액체 렌즈 광학 어셈블리로부터 실시간 조정가능한 데이터 스트림을 수신하여, 상기 객체 및 환경에 관한 풍부한 메타데이터 및 상황 지능을 포착하기 위해 상기 객체의 상황 인식을 생성하거나 초점외 이미지를 생성하는, 동적 비전 시스템.
  204. 청구항 199에 있어서, 상기 제어 시스템 및 상기 처리 시스템은 상기 가변 초점 액체 렌즈 광학 어셈블리와 통합되는, 동적 비전 시스템.
  205. 청구항 199에 있어서, 상기 제어 시스템에 의해 조정된 상기 광학 파라미터는 초점 거리, 유체 재료, 반사성, 컬러, 환경 및 렌즈 형상을 포함하고, 이들은 차례로 구면 수차, 필드 곡률, 코마, 색수차, 왜곡, 비네팅(vignetting), 고스팅, 플레어링(flaring) 및 회절에 영향을 미치는, 동적 비전 시스템.
  206. 청구항 199에 있어서, 상기 처리 시스템은 상기 액체 렌즈 광학 어셈블리의 구성을 도출하기 위해 상기 액체 렌즈 광학 어셈블리로부터의 결과, 파라미터, 및 데이터의 세트에 기초하여 학습하고, 상기 구성은 액체 렌즈 재료, 기하구조, 형상, 광학 특성, 성능 및 설계를 포함하는, 동적 비전 시스템.
  207. 청구항 199에 있어서, 상기 기계 학습 모델은 상기 광학 어셈블리를 수용하는 디바이스 또는 시스템에 통합되는 반도체 칩 상에 구체화되는, 동적 비전 시스템.
  208. 청구항 199에 있어서, 상기 기계 학습 모델은 기계 비전 태스크의 세트를 수행하기 위해, 예컨대 시각 정보 및/또는 결과의 큰 훈련 데이터 세트를 사용하여, 클라우드 컴퓨팅 환경과 같은 별개의 시스템 상에서 사전 훈련되고, 상기 결과적인 모델은 상기 광학 어셈블리를 포함하는 디바이스 또는 시스템 상에 배치되는, 동적 비전 시스템.
  209. 로봇 비전 시스템으로서,
    하나 이상의 센서, 가변 초점 액체 렌즈 및 광자(photon) 포착 보드를 포함하는 광학 어셈블리; 및
    객체를 인식하도록 인공 지능 모델을 훈련시키기 위해 상기 광학 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하도록 구성된 처리 시스템을 포함하는, 로봇 비전 시스템.
  210. 청구항 209에 있어서, 상기 광학 어셈블리로부터 수집된 하나 이상의 광학 파라미터 및 데이터를 실시간으로 조정하도록 구성된 제어 시스템을 더 포함하는, 로봇 비전 시스템.
  211. 청구항 209에 있어서, 상기 인공 지능 모델은 상기 객체에 대한 분류, 예측 또는 최적화 관련 결정을 위해 훈련되는, 로봇 비전 시스템.
  212. 청구항 211에 있어서, 상기 인공 지능 모델은 상기 객체의 위치, 배향 및 모션을 결정하는, 로봇 비전 시스템.
  213. 청구항 211에 있어서, 상기 인공 지능 모델은 신경망인, 로봇 비전 시스템.
  214. 청구항 211에 있어서, 상기 인공 지능 모델은 2차원 이미지로 처리하는 상기 중간 단계 없이 단일 단계에서 상기 객체의 3차원 표현을 구축하는, 로봇 비전 시스템.
  215. 청구항 209에 있어서, 상기 하나 이상의 센서는 카메라, LIDAR, RADAR, SONAR, 열 이미징 센서, 초분광 이미징 센서, 조도 센서, 힘 센서, 토크 센서, 속도 센서, 가속도 센서, 위치 센서, 근접 센서, 자이로 센서, 사운드 센서, 모션 센서, 위치 센서, 부하 센서, 온도 센서, 터치 센서, 깊이 센서, 초음파 범위 센서, 적외선 센서, 화학 센서, 자기 센서, 관성 센서, 가스 센서, 습도 센서, 압력 센서, 점도 센서, 흐름 센서, 객체 센서 및 촉각 센서를 포함하는, 로봇 비전 시스템.
  216. 청구항 215에 있어서, 상기 처리 시스템은 조건부 확률을 사용하여 2개 이상의 센서로부터의 출력을 시간적으로 조합하여, 더 풍부하면서 상기 객체의 위치, 배향 및 모션에 관한 정보를 포함하는 상기 객체의 조합된 뷰를 생성하는, 로봇 비전 시스템.
  217. 동적 비전 시스템으로서,
    가변 초점 액체 렌즈 광학 어셈블리;
    가변 조명 어셈블리;
    광학 어셈블리로부터 수집된 하나 이상의 광학 파라미터 및 데이터를 실시간으로 조정하도록 구성된 제어 시스템;
    상기 가변 조명 어셈블리를 조정하도록 구성된 제어 시스템; 및
    기계 학습 모델의 세트에 의한 처리를 위한 데이터의 수집을 최적화하도록 상기 광학 어셈블리를 제어하도록 상기 기계 학습 모델의 세트를 훈련시키기 위해 상기 광학 어셈블리로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하는 처리 시스템을 포함하는, 동적 비전 시스템.
  218. 관심 객체에 관한 객체 개념을 동적으로 학습하기 위한 비전 시스템으로서,
    가변 초점 액체 렌즈 어셈블리;
    가변 초점 액체 렌즈 어셈블리의 하나 이상의 광학 파라미터를 실시간으로 조정하도록 구성된 제어 시스템;
    제어 시스템에 의한 조정에 응답하여 가변 초점 액체 렌즈 어셈블리로부터 수신된 데이터에 기초하여 실시간 픽셀 어레이를 포착하도록 구성된 하나 이상의 비전 센서- 상기 픽셀 어레이는 객체 개념을 나타냄 -; 및
    객체의 3차원 표현을 구축하기 위해 객체 개념을 처리하도록 구성된 적응형 지능 시스템을 포함하고, 상기 적응형 지능 시스템은,
    상기 객체 개념을 하나 이상의 기계 학습 모델에 입력하도록 구성된 기계 학습 시스템- 상기 객체 개념은 상기 기계 학습 모델에 대한 훈련 데이터로서 사용됨 -;
    상기 객체의 위치, 배향 및 모션을 결정하는 것을 포함하여 상기 객체와 관련된 분류, 예측, 및 다른 결정을 수행하도록 구성된 인공 지능 시스템을 포함하는, 비전 시스템.
  219. 객체를 인식하기 위한 방법으로서,
    센서에서, 관심 객체에 관한 시각적 및 상황 정보를 나타내는 실시간 조정가능한 데이터 스트림을 수신하는 단계;
    이미지 처리 시스템에 의해, 객체 및 환경에 관한 상황 지능을 포함하는 객체 개념을 생성하는 단계;
    제어 시스템에 의해, 순응형(conformable) 액체 렌즈의 광학 파라미터를 조정하는 단계;
    상기 순응형 액체 렌즈의 광학 파라미터의 조정에 응답하여 기계 학습 시스템에 의해 객체 개념을 수정하는 단계; 및
    인공 지능 시스템에 의해, 객체 분류, 깊이, 위치, 배향 및 모션을 포함하는 객체 속성을 결정하는 단계를 포함하고,
    상기 객체 개념은 상기 순응형 액체 렌즈의 광학 파라미터의 조정에 응답하여 지속적으로 수정되고, 상기 순응형 액체 렌즈로부터 수집된 결과, 파라미터 및 데이터의 훈련 세트에 기초하여 동적으로 학습하는 기계 학습 모델을 훈련하기 위한 입력으로서 사용되는, 객체를 인식하기 위한 방법.
KR1020237024546A 2020-12-18 2021-12-17 밸류 체인 네트워크를 위한 로봇 플릿 관리 및 적층제조 KR20230135069A (ko)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
US202063127983P 2020-12-18 2020-12-18
US63/127,983 2020-12-18
US202163185348P 2021-05-06 2021-05-06
US63/185,348 2021-05-06
IN202111029964 2021-07-03
IN202111029964 2021-07-03
IN202111036187 2021-08-10
IN202111036187 2021-08-10
PCT/US2021/064233 WO2022133330A1 (en) 2020-12-18 2021-12-17 Robot fleet management and additive manufacturing for value chain networks

Publications (1)

Publication Number Publication Date
KR20230135069A true KR20230135069A (ko) 2023-09-22

Family

ID=82022330

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237024546A KR20230135069A (ko) 2020-12-18 2021-12-17 밸류 체인 네트워크를 위한 로봇 플릿 관리 및 적층제조

Country Status (5)

Country Link
US (16) US20220193915A1 (ko)
EP (1) EP4264518A1 (ko)
JP (1) JP2024500818A (ko)
KR (1) KR20230135069A (ko)
AU (1) AU2021401816A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210107152A1 (en) * 2020-12-22 2021-04-15 Intel Corporation Autonomous machine collaboration
CN113723800A (zh) * 2021-08-27 2021-11-30 上海幻电信息科技有限公司 风险识别模型训练方法及装置、风险识别方法及装置
CN117046828A (zh) * 2023-10-12 2023-11-14 宁德时代新能源科技股份有限公司 清洗方法和系统

Families Citing this family (110)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9521040B2 (en) * 2013-04-03 2016-12-13 Salesforce.Com, Inc. System and method for generic configuration management system application programming interface
US9886841B1 (en) * 2016-04-27 2018-02-06 State Farm Mutual Automobile Insurance Company Systems and methods for reconstruction of a vehicular crash
US11615285B2 (en) 2017-01-06 2023-03-28 Ecole Polytechnique Federale De Lausanne (Epfl) Generating and identifying functional subnetworks within structural networks
US11861511B2 (en) * 2017-10-04 2024-01-02 Trustees Of Tufts College Systems and methods for ensuring safe, norm-conforming and ethical behavior of intelligent systems
EP3488977A1 (de) 2017-11-23 2019-05-29 HILTI Aktiengesellschaft Selbstausrichtende werkzeugführung
EP3488974A1 (de) * 2017-11-23 2019-05-29 HILTI Aktiengesellschaft Selbstausrichtende werkzeugführung
GB2569335B (en) * 2017-12-13 2022-07-27 Sage Global Services Ltd Chatbot system
US11663478B2 (en) 2018-06-11 2023-05-30 Inait Sa Characterizing activity in a recurrent artificial neural network
US11893471B2 (en) 2018-06-11 2024-02-06 Inait Sa Encoding and decoding information and artificial neural networks
US11972343B2 (en) 2018-06-11 2024-04-30 Inait Sa Encoding and decoding information
US11307584B2 (en) * 2018-09-04 2022-04-19 Skydio, Inc. Applications and skills for an autonomous unmanned aerial vehicle
WO2020160778A1 (en) * 2019-02-07 2020-08-13 Volvo Truck Corporation Method and system for operating a fleet of vehicles
US11652603B2 (en) 2019-03-18 2023-05-16 Inait Sa Homomorphic encryption
US11569978B2 (en) 2019-03-18 2023-01-31 Inait Sa Encrypting and decrypting information
DE112019006928T5 (de) * 2019-03-29 2021-12-02 Mitsubishi Electric Corporation Modellprädiktive regelungsvorrichtung, modellprädiktives regelungsprogramm, modellprädiktives regelungssystem und modellprädiktives regelungsverfahren
US11616839B2 (en) * 2019-04-09 2023-03-28 Johnson Controls Tyco IP Holdings LLP Intelligent edge computing platform with machine learning capability
DE102019110360A1 (de) * 2019-04-18 2020-10-22 Volume Graphics Gmbh Computer-implementiertes Verfahren zur Bestimmung von Defekten eines mittels eines additiven Fertigungsprozesses hergestellten Objekts
US11579608B2 (en) * 2019-08-22 2023-02-14 Walmart Apollo, Llc System and method for removing debris from a storage facility
CN114424242A (zh) * 2019-09-17 2022-04-29 星徳科技术株式会社 学习处理装置及检查装置
WO2024091687A2 (en) * 2022-10-28 2024-05-02 Strong Force Vcn Portfolio 2019, Llc Systems, methods, kits, and apparatuses for managing value chain networks in system of systems
JP2023500378A (ja) * 2019-11-05 2023-01-05 ストロング フォース ヴィーシーエヌ ポートフォリオ ２０１９，エルエルシー バリューチェーンネットワークのためのコントロールタワーおよびエンタープライズマネジメントプラットフォーム
US20220397911A1 (en) * 2019-11-18 2022-12-15 Nec Corporation Transport device, control method, and recording medium on which control program is recorded
US11651210B2 (en) 2019-12-11 2023-05-16 Inait Sa Interpreting and improving the processing results of recurrent neural networks
US11797827B2 (en) * 2019-12-11 2023-10-24 Inait Sa Input into a neural network
US11580401B2 (en) 2019-12-11 2023-02-14 Inait Sa Distance metrics and clustering in recurrent neural networks
US11816553B2 (en) 2019-12-11 2023-11-14 Inait Sa Output from a recurrent neural network
US11989841B2 (en) * 2020-02-19 2024-05-21 Fanuc Corporation Operation system for industrial machinery
US20210303427A1 (en) * 2020-03-26 2021-09-30 Rohde & Schwarz Gmbh & Co. Kg System for testing a blockchain enabled device-under-test
JP7460415B2 (ja) * 2020-03-26 2024-04-02 株式会社タダノ ガイド表示システムおよびこれを備えたクレーン
US11620830B2 (en) * 2020-03-31 2023-04-04 Ford Global Technologies, Llc Context dependent transfer learning adaptation to achieve fast performance in inference and update
US11616790B2 (en) 2020-04-15 2023-03-28 Crowdstrike, Inc. Distributed digital security system
US11563756B2 (en) * 2020-04-15 2023-01-24 Crowdstrike, Inc. Distributed digital security system
US11189106B2 (en) * 2020-04-27 2021-11-30 At&T Intellectual Property I, L.P. Systems and methods for spatial remodeling in extended reality
US11580220B2 (en) * 2020-04-30 2023-02-14 Mcafee, Llc Methods and apparatus for unknown sample classification using agglomerative clustering
US11800258B2 (en) * 2020-10-19 2023-10-24 University Of Florida Research Foundation, Incorporated High-performance CNN inference model at the pixel-parallel CMOS image sensor
US11904538B2 (en) * 2020-11-27 2024-02-20 The Boeing Company Systems and methods for simultaneously manufacturing a plurality of objects
EP4264518A1 (en) * 2020-12-18 2023-10-25 Strong Force VCN Portfolio 2019, LLC Robot fleet management and additive manufacturing for value chain networks
US20220207430A1 (en) * 2020-12-31 2022-06-30 The Toronto-Dominion Bank Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data
US11699014B2 (en) 2021-01-29 2023-07-11 Insight Direct Usa, Inc. System and method for determining paths between locations in a physical system
CN115119172A (zh) * 2021-03-22 2022-09-27 本田技研工业株式会社 无线通信系统
US11921824B1 (en) * 2021-03-29 2024-03-05 Amazon Technologies, Inc. Sensor data fusion using cross-modal transformer
US12019691B2 (en) * 2021-04-02 2024-06-25 Trackstreet, Inc. System and method for reducing crawl frequency and memory usage for an autonomous internet crawler
US11657112B2 (en) * 2021-04-21 2023-05-23 Dell Products L.P. Artificial intelligence-based cache distribution
US20220360938A1 (en) * 2021-05-06 2022-11-10 Universal City Studios Llc Systems and methods for layered data reporting in an attraction
US11789651B2 (en) 2021-05-12 2023-10-17 Pure Storage, Inc. Compliance monitoring event-based driving of an orchestrator by a storage system
US20230019628A1 (en) * 2021-05-12 2023-01-19 Pure Storage, Inc. Build-time Scanning of Software Build Instances
US11816068B2 (en) * 2021-05-12 2023-11-14 Pure Storage, Inc. Compliance monitoring for datasets stored at rest
US20220374457A1 (en) * 2021-05-21 2022-11-24 Databricks Inc. Feature store with integrated tracking
US20220398872A1 (en) * 2021-06-15 2022-12-15 Microsoft Technology Licensing, Llc Generation and management of notifications providing data associated with activity determinations pertaining to a vehicle
US20220405712A1 (en) * 2021-06-22 2022-12-22 Adp, Llc Autonomous Request Management
US11823197B2 (en) * 2021-07-27 2023-11-21 Capital One Services, Llc Authenticating based on user behavioral transaction patterns
US11763803B1 (en) * 2021-07-28 2023-09-19 Asapp, Inc. System, method, and computer program for extracting utterances corresponding to a user problem statement in a conversation between a human agent and a user
US11968231B2 (en) * 2021-08-04 2024-04-23 International Business Machines Corporation Intelligent request routing within service mesh
US12050662B2 (en) * 2021-09-07 2024-07-30 Whirlpool Corporation Generative food doneness prediction
US20230071312A1 (en) * 2021-09-08 2023-03-09 PassiveLogic, Inc. External Activation of Quiescent Device
US20230076347A1 (en) * 2021-09-09 2023-03-09 Ford Global Technologies, Llc Automated additive manufacturing production systems and methods
JP2023042934A (ja) * 2021-09-15 2023-03-28 新東工業株式会社 試験システム及び試験方法
WO2023055266A1 (en) * 2021-09-28 2023-04-06 Telefonaktiebolaget Lm Ericsson (Publ) Rate-control using machine vision performance
US20230153843A1 (en) * 2021-11-12 2023-05-18 Oracle International Corporation System to combine intelligence from multiple sources that use disparate data sets
US11803999B2 (en) * 2021-11-18 2023-10-31 Advanced Micro Devices, Inc. Job scheduling using reinforcement learning
US20230168661A1 (en) * 2021-11-29 2023-06-01 International Business Machines Corporation Intelligent object segmentation
US20230186615A1 (en) * 2021-12-13 2023-06-15 National Technology & Engineering Solutions Of Sandia, Llc Design and Analysis of 3D Printed Structures using Machine Learning
US11675362B1 (en) * 2021-12-17 2023-06-13 Motional Ad Llc Methods and systems for agent prioritization
US12085930B2 (en) * 2022-01-05 2024-09-10 International Business Machines Corporation AI-enabled process recovery in manufacturing systems using digital twin simulation
US12112127B2 (en) * 2022-01-31 2024-10-08 Walmart Apollo, Llc Systems and methods for generating a customized graphical user interface
US12067363B1 (en) 2022-02-24 2024-08-20 Asapp, Inc. System, method, and computer program for text sanitization
WO2023176340A1 (ja) * 2022-03-16 2023-09-21 ソニーグループ株式会社 情報処理装置、情報処理方法およびプログラム
US20240095986A1 (en) * 2022-05-19 2024-03-21 Nvidia Corporation Object animation using neural networks
US20230393829A1 (en) * 2022-06-07 2023-12-07 Dell Products L.P. Adjustable execution models for processing usage data for remote infrastructure
US11825169B1 (en) * 2022-06-15 2023-11-21 Sling Media L.L.C. Adaptive placement of audiovisual content on user devices
CN115061427B (zh) * 2022-06-28 2023-04-14 浙江同发塑机有限公司 吹塑机的料层均匀性控制系统及其控制方法
CN115082792B (zh) * 2022-06-29 2024-05-28 华南理工大学 基于特征对抗迁移和半监督学习的跨域水面目标检测方法
CN115208645B (zh) * 2022-07-01 2023-10-03 西安电子科技大学 基于改进gan的入侵检测数据重构方法
WO2024003729A1 (en) * 2022-07-01 2024-01-04 G.D S.P.A. Method and system for setting up an automatic machine prototype and use of such a machine
US11811681B1 (en) * 2022-07-12 2023-11-07 T-Mobile Usa, Inc. Generating and deploying software architectures using telecommunication resources
US20240031245A1 (en) * 2022-07-19 2024-01-25 Xeba Technologies, LLC System and methods for establishing and rendering channelized communication model
US20240045831A1 (en) * 2022-08-03 2024-02-08 Accenture Global Solutions Limited Utilizing a machine learning model to migrate a system to a cloud computing environment
US20240046569A1 (en) * 2022-08-03 2024-02-08 Naver Corporation Three dimensional rendering systems and methods from monocular image
US12036684B2 (en) * 2022-08-10 2024-07-16 Wilder Systems Inc. User interface and related flow for controlling a robotic arm
CN115343964B (zh) * 2022-08-17 2024-02-09 苏州泛科众维智能科技有限公司 一种用于自动驾驶测试的视频模拟设备
WO2024039993A1 (en) * 2022-08-19 2024-02-22 Stratasys, Inc. Method and computer for simplified tuning of 3d printers
US20240095312A1 (en) * 2022-09-20 2024-03-21 Dish Network L.L.C. Systems and methods for 3d printing of limited edition virtual items
US20240093465A1 (en) * 2022-09-21 2024-03-21 Caterpillar Inc. Identifying telemetry data using artificial intelligence
US20240104493A1 (en) * 2022-09-24 2024-03-28 Maplebear Inc. (Dba Instacart) Generating order batches for an online concierge system
US11880676B1 (en) * 2022-09-27 2024-01-23 Rockwell Automation Technologies, Inc. Containerized modeling of device updates or modifications via digital twins
GB2623057A (en) * 2022-09-28 2024-04-10 Nokia Technologies Oy Training data collection
FR3140422A1 (fr) * 2022-09-30 2024-04-05 Airbus Operations Méthode d’estimation d’un champ de contraintes résiduelles dans une pièce en cours d’usinage et procédé d’usinage utilisant une telle méthode.
US20240232177A9 (en) * 2022-10-20 2024-07-11 Google Llc Automatic Generation of Training and Testing Data for Machine-Learning Models
US12045722B2 (en) * 2022-11-14 2024-07-23 Design Group Partners, LLC Apparatus and method for determining design plan compliance using machine learning
DE212022000273U1 (de) * 2022-11-16 2024-06-07 Süleyman Demirel Üniversitesi Idari Ve Mali Isler Daire Baskanligi Genel Sekreterlik Additive Fertigungsanlage mit Binder-Jetting-Verfahren
US20240193146A1 (en) * 2022-12-07 2024-06-13 Bentley Systems, Incorporated Serverless code service
CN116108971B (zh) * 2022-12-20 2023-07-25 中国民用航空局空中交通管理局航空气象中心 一种基于数值模式对流覆盖率的对流天气预报方法及系统
CN116090342B (zh) * 2023-01-06 2023-09-01 天津大学 基于联盟形成博弈的大规模无人机分布式任务分配方法
WO2024158302A1 (en) * 2023-01-24 2024-08-02 Yuseco Jr Francis Equitable community systems for management of various assets in a community providing for a farm-to-market digital logistics integrated backbone (fm dlib) and enabling a digital trackway from preexisting, currently operational, or planned railways and/or subways for transport trains
CN115877808B (zh) * 2023-01-30 2023-05-16 成都秦川物联网科技股份有限公司 用于薄片工件加工的工业物联网及控制方法
US11954676B1 (en) * 2023-02-21 2024-04-09 Linda Lee Richter Apparatus and method for minting NFTs from user-specific events
CN116206201A (zh) * 2023-02-21 2023-06-02 北京理工大学 一种监督目标检测识别方法、装置、设备及存储介质
CN115994936B (zh) * 2023-03-23 2023-06-30 季华实验室 点云融合模型获取方法、装置、电子设备及存储介质
CN116052064B (zh) * 2023-04-03 2023-06-27 北京市农林科学院智能装备技术研究中心 鱼群摄食强度识别方法、装置、电子设备及投饵机
CN116434343B (zh) * 2023-04-25 2023-09-19 天津大学 基于高低频双支路的视频动作识别方法
CN116453201B (zh) * 2023-06-19 2023-09-01 南昌大学 基于相邻边缘损失的人脸识别方法及系统
CN116965817B (zh) * 2023-07-28 2024-03-15 长江大学 一种基于一维卷积网络和Transformer的EEG情感识别方法
CN116737129B (zh) * 2023-08-08 2023-11-17 杭州比智科技有限公司 一种供应链控制塔生成式大语言模型及其构建方法
US11948234B1 (en) * 2023-08-30 2024-04-02 Illuscio, Inc. Systems and methods for dynamic enhancement of point cloud animations
CN117182930B (zh) * 2023-11-07 2024-02-13 山东捷瑞数字科技股份有限公司 基于数字孪生的四轴机械臂绑定方法、系统、设备及介质
CN117340280B (zh) * 2023-12-05 2024-02-13 成都斐正能达科技有限责任公司 一种lpbf增材制造过程监测方法
US12106425B1 (en) * 2023-12-11 2024-10-01 Zeality Inc Method and processing unit for monitoring viewing parameters of users in an immersive environment
CN117649204B (zh) * 2023-12-14 2024-04-26 广东图灵智新技术有限公司 一种智能机器人的视觉检测系统及方法
CN118094367B (zh) * 2024-04-25 2024-08-13 广东石油化工学院 无源领域自适应轴承故障分类方法及系统
CN118573486B (zh) * 2024-08-01 2024-09-27 四川丹璟琛科技有限公司 一种基于工业互联网和大数据的任务数据检测方法及系统

Family Cites Families (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2769375B1 (fr) * 1997-10-08 2001-01-19 Univ Joseph Fourier Lentille a focale variable
US6982804B2 (en) * 2001-10-31 2006-01-03 Hewlett-Packard Development Company, L.P. Intelligent printer settings
US8392293B2 (en) * 2004-10-15 2013-03-05 Nancy Regan Parts marking system and method
US8515826B2 (en) * 2006-05-18 2013-08-20 Bryan C. Norman Made-to-order direct digital manufacturing enterprise
US11195057B2 (en) * 2014-03-18 2021-12-07 Z Advanced Computing, Inc. System and method for extremely efficient image and pattern recognition and artificial intelligence platform
JP6055620B2 (ja) * 2012-07-17 2016-12-27 株式会社アマダホールディングス 自動プログラミング装置及びその方法および加工システム
US9849785B1 (en) * 2012-12-10 2017-12-26 The United States Of America, As Represented By The Secretary Of The Navy Method and apparatus for state space trajectory control of uncertain dynamical systems
US10204178B2 (en) * 2013-02-04 2019-02-12 Authentise Inc. System, method, and program product for digital production management
US20180096175A1 (en) * 2016-10-01 2018-04-05 James L. Schmeling Blockchain Enabled Packaging
US10220569B2 (en) * 2013-12-03 2019-03-05 Autodesk, Inc. Generating support material for three-dimensional printing
WO2015112959A1 (en) * 2014-01-24 2015-07-30 Verrana, Llc Use of 3d printing for anticounterfeiting
US11501042B2 (en) * 2014-03-24 2022-11-15 Imagars Llc Decisions with big data
US10611085B1 (en) * 2014-12-04 2020-04-07 Frederick Christopher Janson Apparatus and method for recycling material into an object using at least one of an additive and subtractive process, powered by renewable, non-renewable, or internal energy devices, and controlled remotely by artificial intelligence, voice command, and wireless network controllers
GB201501510D0 (en) * 2015-01-29 2015-03-18 Apical Ltd System
US20170075944A1 (en) * 2015-09-11 2017-03-16 Stephen E. Overman Systems and Methods For Socializing Machines Using Autonomous Software Agents
WO2017075575A1 (en) * 2015-10-30 2017-05-04 Polar 3D Llc Apparatus and method for forming 3d objects
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
CN105365221B (zh) * 2015-11-27 2018-05-15 范春潮 高速往复式彩色3d打印机
CN108698297A (zh) * 2015-12-16 2018-10-23 德仕托金属有限公司 用于增材制造的方法和系统
US11173653B2 (en) * 2016-02-05 2021-11-16 Stratasys Ltd. Three-dimensional inkjet printing using polyamide-forming materials
WO2017156348A1 (en) * 2016-03-10 2017-09-14 Mantis Composites Inc. Additive manufacturing of composites
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US10137635B2 (en) * 2016-05-19 2018-11-27 Palo Alto Research Center Incorporated System and method for printing path planning for manufacturing of functionally graded materials with the aid of a digital computer
US11204597B2 (en) * 2016-05-20 2021-12-21 Moog Inc. Outer space digital logistics system
US10395356B2 (en) * 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
US10346740B2 (en) * 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
EP3433716B1 (en) * 2016-06-28 2022-11-09 Hewlett-Packard Development Company, L.P. Management of 3d printing
CN109789553A (zh) * 2016-07-01 2019-05-21 创新矩阵公司 机器人编队调度请求系统
US10623443B2 (en) * 2016-07-08 2020-04-14 Ulrich Lang Method and system for policy management, testing, simulation, decentralization and analysis
US10921780B2 (en) * 2016-07-20 2021-02-16 Assembrix Ltd. Nesting procedures and management of 3D printing
US20180114368A1 (en) * 2016-10-25 2018-04-26 Adobe Systems Incorporated Three-dimensional model manipulation and rendering
US10134006B2 (en) * 2016-12-07 2018-11-20 Invia Robotics, Inc. Workflow management system and methods for coordinating simultaneous operation of multiple robots
US20190339671A1 (en) * 2017-01-05 2019-11-07 Itamar Izhak Yona Systems and methods for automatic three-dimensional object printing
US10346101B2 (en) * 2017-05-09 2019-07-09 Océ Holding B.V. Method of nesting three-dimensional print objects
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
WO2019005708A2 (en) * 2017-06-25 2019-01-03 Strong Force Intellectual Capital, Llc METHODS AND SYSTEMS FOR PERMITTING AND PLANNING 3D PRINTING-BASED MANUFACTURING
US10725459B2 (en) * 2017-08-08 2020-07-28 General Electric Company Identifying and distributing optimal machine parameters within a fleet of additive manufacturing machines
WO2019055507A1 (en) * 2017-09-15 2019-03-21 Identify3D, Inc. SYSTEM AND METHOD FOR MANAGING AND SECURING DATA FOR DIGITAL MANUFACTURING
US20190317935A1 (en) * 2017-11-21 2019-10-17 International Business Machines Corporation Blockchain-implemented smart contract management for digital twin assets
US10476847B1 (en) * 2017-12-08 2019-11-12 Symbiont.Io, Inc. Systems, methods, and devices for implementing a smart contract on a distributed ledger technology platform
US20190258747A1 (en) * 2018-02-22 2019-08-22 General Electric Company Interactive digital twin
US10520922B2 (en) * 2018-03-09 2019-12-31 Accenture Global Solutions Limited Decentralized supply chain for three-dimensional printing based on distributed ledger technology
US20210236251A1 (en) * 2018-05-09 2021-08-05 Orthofx, Llc Generating a 3d-printed medical appliance treatment plan and providing 3d-printed medical appliances in accordance therewith
US11150633B2 (en) * 2018-05-14 2021-10-19 Purdue Research Foundation System and method for automated geometric shape deviation modeling for additive manufacturing
EP3584723A3 (en) * 2018-06-03 2020-02-05 Castor Technologies Ltd. Optimization for 3d printing
CA3215409A1 (en) * 2018-06-21 2020-01-02 Bwxt Nuclear Energy, Inc. Universal inverted reactor and method for design and manufacture of universal inverted reactor
US20220391845A1 (en) * 2018-08-23 2022-12-08 Sangrove, Inc. Green-light campaign(tm) system and method
US11481664B2 (en) * 2018-09-05 2022-10-25 General Electric Company Methods and systems for generating device-specific machine learning model
US11054808B2 (en) * 2018-09-27 2021-07-06 Intrepid Automation Management platform for additive manufacturing production line
US10552095B1 (en) * 2018-11-15 2020-02-04 Wiivv Wearables Inc. Bin packing in 3D printers
US20200156321A1 (en) * 2018-11-15 2020-05-21 Wiivv Wearables Company Print job distribution across a network of 3d printers
EP3666222A1 (en) * 2018-12-14 2020-06-17 Brice Savard Personalized method for providing dental aligners to a subject showing a non-alignement of its dentition
US11256231B2 (en) * 2019-02-27 2022-02-22 The Boeing Company Object design using machine-learning model
US11776072B2 (en) * 2019-04-25 2023-10-03 Shibaura Machine Co., Ltd. Machine learning method, information processing device, computer program product, and additive manufacturing monitoring system
EP3973169A1 (en) * 2019-05-21 2022-03-30 General Electric Company Monolithic heater bodies
US11755689B2 (en) * 2019-06-24 2023-09-12 Intel Corporation Methods, systems, articles of manufacture and apparatus to manage process excursions
CN112238611A (zh) * 2019-07-19 2021-01-19 三纬国际立体列印科技股份有限公司 可快速打印并保持液面平整的光固化3d打印机
US11295059B2 (en) * 2019-08-26 2022-04-05 Pluralsight Llc Adaptive processing and content control system
US11042362B2 (en) * 2019-09-26 2021-06-22 Rockwell Automation Technologies, Inc. Industrial programming development with a trained analytic model
US11285673B2 (en) * 2019-12-17 2022-03-29 Northrop Grumman Systems Corporation Machine-learning-based additive manufacturing using manufacturing data
JP2021111066A (ja) * 2020-01-08 2021-08-02 株式会社科学計算総合研究所 情報処理システム、情報処理方法及びプログラム
CN115175782A (zh) * 2020-03-06 2022-10-11 三菱电机株式会社 数控装置及附加制造装置的控制方法
DE112020006920T5 (de) * 2020-03-19 2022-12-29 Mitsubishi Electric Corporation Einrichtung zur erzeugung von pfaden für additive fertigung, verfahren zur erzeugung von pfaden für additive fertigung und einrichtung für maschinelles lernen
DE112020007111T5 (de) * 2020-04-23 2023-03-16 Mitsubishi Electric Corporation Gerät zur additiven herstellung, verfahren zur additiven herstellung und maschinelle lernvorrichtung
US11079748B1 (en) * 2020-04-29 2021-08-03 Grale Technologies In-process digital twinning
CN111805894B (zh) * 2020-06-15 2021-08-03 苏州大学 一种stl模型切片方法和装置
US11321508B2 (en) * 2020-06-26 2022-05-03 Autodesk, Inc. Generative design shape optimization with damage prevention over loading cycles for computer aided design and manufacturing
US12093817B2 (en) * 2020-08-24 2024-09-17 City University Of Hong Kong Artificial neural network configuration and deployment
US11415969B2 (en) * 2020-09-21 2022-08-16 Rockwell Automation Technologies, Inc. Connectivity to an industrial information hub
US11796983B2 (en) * 2020-09-25 2023-10-24 Rockwell Automation Technologies, Inc. Data modeling and asset management using an industrial information hub
US11295513B1 (en) * 2020-10-07 2022-04-05 Able Hands Rehab PC Method for generating a custom hand brace for a patient
US11780171B2 (en) * 2020-11-21 2023-10-10 International Business Machines Corporation Artificial intelligence-based 3D printing for waste disposal management
US20220172258A1 (en) * 2020-11-27 2022-06-02 Accenture Global Solutions Limited Artificial intelligence-based product design
CN215960253U (zh) * 2020-12-11 2022-03-08 捷多(常州)医疗科技有限公司 固定在骨骼上的机器人辅助关节置换手术装置
US11403007B2 (en) * 2020-12-17 2022-08-02 International Business Machines Corporation Digital twin template IoT sensor plugs for faster operational twin setup
EP4264518A1 (en) * 2020-12-18 2023-10-25 Strong Force VCN Portfolio 2019, LLC Robot fleet management and additive manufacturing for value chain networks
WO2022186847A1 (en) * 2021-03-01 2022-09-09 Baker Hughes Oilfield Operations Llc Anomaly detection in additive manufacturing using meltpool monitoring, and related devices and systems

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210107152A1 (en) * 2020-12-22 2021-04-15 Intel Corporation Autonomous machine collaboration
CN113723800A (zh) * 2021-08-27 2021-11-30 上海幻电信息科技有限公司 风险识别模型训练方法及装置、风险识别方法及装置
CN117046828A (zh) * 2023-10-12 2023-11-14 宁德时代新能源科技股份有限公司 清洗方法和系统

Also Published As

Publication number Publication date
JP2024500818A (ja) 2024-01-10
US20230341850A1 (en) 2023-10-26
AU2021401816A9 (en) 2024-10-03
EP4264518A1 (en) 2023-10-25
US20230339108A1 (en) 2023-10-26
US20230135553A1 (en) 2023-05-04
US20220197246A1 (en) 2022-06-23
US20230097438A1 (en) 2023-03-30
AU2021401816A1 (en) 2023-06-22
US20220318707A1 (en) 2022-10-06
US20220305735A1 (en) 2022-09-29
US20220197306A1 (en) 2022-06-23
US20220196889A1 (en) 2022-06-23
US20230089330A1 (en) 2023-03-23
US20220197247A1 (en) 2022-06-23
US20220193915A1 (en) 2022-06-23
US20230342684A1 (en) 2023-10-26
US20230090334A1 (en) 2023-03-23
US20230103078A1 (en) 2023-03-30
US20230339114A1 (en) 2023-10-26

Similar Documents

Publication Publication Date Title
US20230339108A1 (en) Machine-Learned Robot Fleet Management for Value Chain Networks
US20220187847A1 (en) Robot Fleet Management for Value Chain Networks
US20230123322A1 (en) Predictive Model Data Stream Prioritization
US20220245574A1 (en) Systems, Methods, Kits, and Apparatuses for Digital Product Network Systems and Biology-Based Value Chain Networks
US20230289340A1 (en) Edge-Device Processing of Distributed Database Queries
US20230252501A1 (en) Control-Tower-Based Digital Product Network System
US20230222454A1 (en) Artificial-Intelligence-Based Preventative Maintenance for Robotic Fleet
US20230219228A1 (en) Multi-Purpose Robot Configuration in Robotic Fleet
US20230078448A1 (en) Robotic Fleet Provisioning for Value Chain Networks
WO2022133330A1 (en) Robot fleet management and additive manufacturing for value chain networks
WO2022240906A1 (en) Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks